基于九轴传感器 + K-means 聚类的振动异常检测实战教程

（嵌入式 / 工业监测场景：设备振动、电机故障、结构松动、碰撞异常实时检测）

一、前言（你能学到什么）

这篇文章不讲虚的，直接带你做一个工业级轻量异常检测系统：

• 用 LSM6DS3TR-C（6 轴）+ 磁力计 = 九轴传感器 采集振动数据
• 用 K-means 无监督聚类算法 做异常侦测
• 全程不需要标签、不需要深度学习、单片机可跑
• 原理 + 代码 + 工程思路 一次性讲透

适合：设备监测、预测性维护、物联网边缘计算、嵌入式 AI 入门。

---

二、系统整体原理（一句话讲清楚）

核心逻辑

1. 正常设备振动 = 稳定、规律、特征集中
2. 异常振动 = 剧烈、突变、偏离正常模式
3. K-means 任务 ：学习正常振动的 "特征分布"，把偏离分布的数据判定为异常。

为什么用 K-means？

• 无监督：只需要正常数据，不需要异常样本
• 超轻量：可跑在 STM32 / ESP32 上
• 可解释性强：靠距离判断异常
• 工业界最常用的传统异常检测算法

---

三、硬件与数据基础

1. 九轴传感器组成

你用的 LSM6DS3TR-C 是：

• 加速度计 ACC（X/Y/Z）→ 振动核心数据
• 陀螺仪 GYRO（X/Y/Z）→ 角速度 / 抖动
• 外加磁力计 MAG（X/Y/Z）→ 9 轴

振动检测主要依赖：加速度计（ACC）

2. 振动数据是什么？

设备运行时，三轴加速度会周期性小幅波动：

• 正常：波动小、稳定
• 异常：波动大、突变、冲击、噪声

原始数据是时序信号 ，不能直接喂 K-means，必须提取特征。

---

四、核心原理：为什么 K-means 能检测异常？

1. K-means 是什么

K-means 是无监督聚类算法，自动把相似数据分成 K 组。

2. 异常检测原理（关键）

• 用大量正常振动数据训练 K-means
• 算法会把正常数据聚成几个紧凑的簇
• 新数据进来后：
  • 计算到最近簇中心的距离
  • 距离 > 阈值 = 异常

一句话：K-means 异常检测 = 距离异常检测

---

五、完整工程流程（一步都不跳）

流程总览

1. 传感器采集原始加速度数据
2. 滑动窗口截取一段振动
3. 提取振动特征（RMS、方差、均值等）
4. 用正常特征训练 K-means 模型
5. 实时推理：计算距离 → 判断异常

---

六、特征工程（最重要！不能直接用原始数据）

原始三轴加速度是时序波形，必须转成固定长度特征向量。

最适合振动的特征（工业标准）

1. RMS 均方根 → 振动强度
2. STD 标准差 → 波动程度
3. Mean 均值 → 基线偏移
4. Max / Min → 冲击峰值
5. 频域能量（可选）

最终特征向量（6~9 维）

plaintext

[
    RMS_X, RMS_Y, RMS_Z,
    STD_X, STD_Y, STD_Z,
    MEAN_X, MEAN_Y, MEAN_Z
]

这就是 K-means 的输入。

---

七、完整 Python 代码（可直接运行）

1. 导入库

python

运行

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

2. 模拟九轴传感器振动采集（真实工程可替换为 I2C 读取）

模拟：正常振动 + 异常振动（松动 / 碰撞）

python

运行

# ======================
# 模拟传感器采集：正常数据（大量）
# ======================
np.random.seed(42)
N_NORMAL = 500
normal_acc_X = np.random.normal(loc=0, scale=0.08, size=N_NORMAL)
normal_acc_Y = np.random.normal(loc=0, scale=0.07, size=N_NORMAL)
normal_acc_Z = np.random.normal(loc=1, scale=0.09, size=N_NORMAL)

# ======================
# 模拟异常数据（少量）
# ======================
N_ABNORMAL = 50
abn_acc_X = np.random.normal(loc=0, scale=0.8, size=N_ABNORMAL)
abn_acc_Y = np.random.normal(loc=0, scale=0.7, size=N_ABNORMAL)
abn_acc_Z = np.random.normal(loc=1, scale=0.9, size=N_ABNORMAL)

3. 滑动窗口 + 特征提取

python

运行

def extract_features(acc_x, acc_y, acc_z, window_size=32):
    """ 振动特征提取 """
    features = []
    for i in range(0, len(acc_x) - window_size, window_size):
        x = acc_x[i:i+window_size]
        y = acc_y[i:i+window_size]
        z = acc_z[i:i+window_size]

        # 振动核心特征
        rms_x = np.sqrt(np.mean(x**2))
        rms_y = np.sqrt(np.mean(y**2))
        rms_z = np.sqrt(np.mean(z**2))

        std_x = np.std(x)
        std_y = np.std(y)
        std_z = np.std(z)

        mean_x = np.mean(x)
        mean_y = np.mean(y)
        mean_z = np.mean(z)

        feat = [rms_x, rms_y, rms_z,
                std_x, std_y, std_z,
                mean_x, mean_y, mean_z]
        features.append(feat)
    return np.array(features)

# 提取正常特征
normal_feats = extract_features(normal_acc_X, normal_acc_Y, normal_acc_Z)

# 提取异常特征
abnormal_feats = extract_features(abn_acc_X, abn_acc_Y, abn_acc_Z)

4. 训练 K-means（只使用正常数据！）

python

运行

# 标准化（非常重要）
scaler = StandardScaler()
normal_feats_scaled = scaler.fit_transform(normal_feats)

# K-means 训练
K = 3  # 正常振动一般分 2~4 类足够
kmeans = KMeans(n_clusters=K, random_state=42)
kmeans.fit(normal_feats_scaled)

5. 异常检测核心：距离计算

python

运行

def detect_anomaly(feature, scaler, kmeans, threshold=1.2):
    feat_scaled = scaler.transform(feature.reshape(1,-1))
    dists = kmeans.transform(feat_scaled)  # 到每个簇中心的距离
    min_dist = np.min(dists)
    return min_dist, min_dist > threshold

6. 测试效果

python

运行

print("==== 测试正常样本 ====")
test_normal = normal_feats[0]
dist, is_abnormal = detect_anomaly(test_normal, scaler, kmeans)
print(f"距离：{dist:.2f}, 异常：{is_abnormal}")

print("\n==== 测试异常样本 ====")
test_abnormal = abnormal_feats[0]
dist, is_abnormal = detect_anomaly(test_abnormal, scaler, kmeans)
print(f"距离：{dist:.2f}, 异常：{is_abnormal}")

7. 可视化（直观看到聚类效果）

python

运行

plt.figure(figsize=(10,5))
plt.scatter(normal_feats_scaled[:,0], normal_feats_scaled[:,1], label="Normal", alpha=0.5)
plt.scatter(kmeans.cluster_centers_[:,0], kmeans.cluster_centers_[:,1], c='red', s=200, label="Cluster Center")
plt.title("K-means 聚类正常振动特征")
plt.legend()
plt.show()

---

八、原理深度解释（看懂就是嵌入式 AI 入门）

1. 为什么要标准化？

振动各特征量纲不同（RMS、STD、MEAN），必须归一化，否则 K-means 会失效。

2. 为什么只训练正常数据？

异常样本太少、类型不可预测。K-means 只需要学习正常分布，偏离就是异常。

3. 阈值怎么定？

• 训练完正常数据后，取最大距离 × 1.1~1.5
• 工业常用：1.0~2.0

4. K 值怎么选？

• 设备振动：K=2~4 足够
• 用肘部法则（elbow method）简单判断

---

九、真实嵌入式工程（STM32 / ESP32）可直接移植

你在单片机上只需要实现：

1. I2C 读取 LSM6DS3
2. 滑动窗口（32~128 点）
3. 特征计算（RMS、STD、MEAN）
4. K-means 纯 C 语言版本
5. 距离计算 + 阈值判断

这套方案100% 可在嵌入式运行，是工业预测性维护标准入门方案。

---

十、总结（这篇文章的核心）

• 九轴传感器采集振动 → 加速度计最重要
• 时序振动 → 特征向量（必须做）
• K-means 只学习正常数据
• 距离 > 阈值 = 异常
• 轻量、无监督、可嵌入式落地、工业可用

这就是传感器 + K-means 异常检测的全部原理与代码