Современная электроника №8/2026

ИНЖЕНЕРНЫЕ РЕШЕНИЯ 11 WWW.CTA.RU СОВРЕМЕННАЯ ЭЛЕКТРОНИКА • № 8 / 2026 значения на осях X, Y, Z амплитудой 55. В результате модель показывает схо- жесть только по краям представлен- ной осциллограммы. Во всех осталь- ных случаях происходит снижение процента схожести. На рис. 9 наша модель обучена на сигналах X = 40, Y = 55, Z = 25. Затем следуют значения шума на осях X, Y, Z. Далее последовательно изменяют- ся значения на осях X = 55, Y = Z = шум, Y = 55, X = Z = шум. В результате модель точно реагирует на обученные сигна- лы, которые располагаются по краям графиков осей. Выводы Созданная нами модель MML обла- дает некоторой степенью избиратель- ности, когда обучается на конкретный сигнал. Фактически модель запомина- ет определённый код из трёх сигналов и впоследствии способна на него реа- гировать (распознавать). Применение ИИ на микрокон- троллерах даёт ряд преимуществ: машинное обучение позволяет ана- лизировать накапливаемые данные и находить в них закономерности. Эти закономерности могут быть основой новых бизнес-моделей. Если есть возможность отсле- живать и анализировать поведе- ние какой-либо машины, то мож- но прогнозировать её аварийное состояние ещё до того, как она будет ломаться. Одним из наиболее критических сценариев применения TinyML явля- ется предиктивное обслуживание (Predictive Maintenance) промышлен- ных моторов и подшипниковых узлов на основе анализа вибраций. Таким образом, можно вовремя находить аномалии в любой работающей систе- ме и выполнять превентивное техни- ческое обслуживание. Термины и полезные ссылки 1. Edge AI (периферийный искус- ственный интеллект) – это запуск алгоритмов и моделей ИИ прямо на локальных устройствах. 2. TinyML (Tiny Machine Learning) – это сфера искусственного интел- лекта, которая занимается запу- ском моделей машинного обуче- ния на микроконтроллерах, умных датчиках и чипах IoT (Интернета вещей), которые потребляют мини- мальное количество энергии. 3. Модель MML (микромашинное обу- чение) – это подход, направлен- ный на создание точных и эффек- тивных моделей с использованием минимального количества данных, вычислительной мощности и про- граммного кода вместо гигантских нейросетей. 4. URL: https://wiki.st.com/stm32mcu/ wiki/AI:How_to_Build_an_Anomaly_ Detection_Project_for_Predictive_ Maintenance_with_NanoEdge_AI_ Studio. 5. Веса (Weights): числа, которые пока- зывают важность связи между ней- ронами. Они усиливают или ослаб­ ляют сигнал, который идёт от одно- го слоя к другому. Смещение (Bias): дополнительное число, которое сдвигает график функции. Оно помогает модели точнее подстра- иваться под данные, даже если все входные сигналы равны нулю. 6. FFT (Fast Fourier Transform – быстрое преобразование Фурье) – это быстрый вычислительный алго- ритм для перевода сигнала или данных из временно́й (простран- ственной) области в частотную. Алгоритм сокращает число опера- ций, что сильно ускоряет расчёты. Рис. 6. Модель, обученная на сигнале оси X = 55 и значениях шума на осях Y, Z Рис. 8. Модель, обученная на сигналах с некоторым преобладанием значений на осях X, Y Рис. 7. Модель, обученная на сигнале оси Y = 55 и значениях шума на осях X, Z Рис. 9. Модель, обученная на сигналах X = 40, Y = 55, Z = 25