計算機中已經(jīng)安裝了機器手臂的正常運動波形的學習模型，AI單元對采集到的實時波形和正常波形數(shù)據(jù)進行比較判斷，從而檢測出機器運動中的任何異常。

AI單元具有多個輸入和輸出，它可以用于預先判斷的數(shù)據(jù)處理（預處理），例如使用多個傳感器進行感應，并通過其采集的觸發(fā)信號進行波形生成。

在本演示中，機械手臂的運動波形并不是整個運動過程都會顯示，只有當機械手臂放置物體的過程中，才會記錄并顯示其振動波形，這是通過一個鉗位傳感器來檢測觸發(fā)實現(xiàn)的。

如上圖所示，該演示應用中通過一個電機分別聯(lián)動3個不同的齒輪轉(zhuǎn)動，其中有一個是正常齒輪，另外兩個是有缺陷的齒輪，通過AI單元來判斷并識別出其中的2個缺陷齒輪，同樣在PC上位機軟件上面進行顯示信息，并且可以在軟件中根據(jù)自定義設(shè)置，來優(yōu)化整個異常判斷系統(tǒng)。

演示應用首先會通過振動傳感器來采集齒輪運動的振動信號，將信號傳輸給AI單元，并深度學習框架來自我學習正常齒輪轉(zhuǎn)動的運動模型，模型一旦生成好之后，就可以用來檢測其他有缺陷的齒輪運動，從而識別出缺陷齒輪。

在這里，我們將正常的齒輪聯(lián)動電機轉(zhuǎn)動，有缺陷的2個齒輪先放置在電機驅(qū)動齒輪箱內(nèi)以便之后使用，正常齒輪轉(zhuǎn)動后將振動傳感器連接到AI單元并記錄正常齒輪的振動波形。

通過學習框架，AI單元學習并記錄振動的波形。在上位機軟件中，可以設(shè)置需要學習的波形時間段，來執(zhí)行傳感器輸入的濾波處理和FFT處理等，并且能使用PC上的工具修改這些過程的各種設(shè)置。

齒輪的運動模型的自我學習是在PC上位機軟件上完成，因為由于需要大量的計算而無法在微控制器上完成。如果用戶能夠創(chuàng)建經(jīng)驗豐富的人工智能模型，它可以轉(zhuǎn)換為AI參數(shù)，通過使用e-AI轉(zhuǎn)換器將應用代碼下載到AI單元中，并在微控制器中執(zhí)行。

將參數(shù)寫入到AI單元完成后，通過使用工具并判斷振動傳感器的波形，將波形數(shù)據(jù)與正常齒輪運行模型數(shù)據(jù)進行比對，如果齒輪沒有損壞，則判斷它們?yōu)椤罢！?，如果切換到有缺陷的齒輪，則判斷它們?yōu)椤爱惓！薄?/span>