Niedawno Krajowa Komisja Rozwoju i Reform oraz Krajowa Administracja Energii wspólnie wydały opinie wdrożeniowe dotyczące promowania-wysokiej jakości rozwoju energii „sztucznej inteligencji+”. W opiniach poruszono szczególnie jeden punkt: ocenę stanu urządzeń energetycznych oraz inteligentną obsługę i konserwację. Twórz aplikacje, takie jak inteligentna percepcja i ostrzeganie o stanie sprzętu, inteligentne pozycjonowanie i diagnozowanie usterek sprzętu, inteligentne podejmowanie-decyzji dotyczących konserwacji stanu sprzętu, inteligentne przewidywanie ryzyka awarii sprzętu oraz inteligentne generowanie zgłoszeń prac konserwacyjnych w celu podniesienia poziomu oszczędnego zarządzania sprzętem.
W branży fotowoltaiki AI po cichu się rozwija.
W ostatnich latach energetyka słoneczna szybko się rozwinęła. W 2024 r. globalna moc zainstalowana systemów fotowoltaicznych osiągnie rekordowy poziom 597 gigawatów, co oznacza wzrost o 33% w porównaniu z 449 gigawatami w 2023 r. Wzrost ten doprowadzi do tego, że całkowita zainstalowana moc fotowoltaiczna na świecie przekroczy 2,2 terawata w porównaniu z około 1,6 terawatów do końca 2022 r. SolarPower Europe przewiduje, że zainstalowana moc fotowoltaiczna wzrośnie o kolejne 10%. do 655 gigawatów do 2025 r. Obecnie energia słoneczna stanowi około 6,9% światowych dostaw energii elektrycznej, w porównaniu z około 5,6% w 2023 r. Pomimo szybkiego wzrostu i ogromnego potencjału energii słonecznej wiele firm, organizacji i branż nadal nie chce jej w pełni wdrożyć ze względu na sporadyczne ograniczenia wydajności i efektywności.
Na wydajność paneli słonecznych wpływają różne czynniki, w tym zmieniające się warunki pogodowe, zmienne natężenie światła słonecznego i zdolność systemu do zarządzania przesyłem mocy. Jeśli wytwarzana energia elektryczna nie jest odpowiednio regulowana, może to prowadzić do marnotrawstwa energii, niskiej wydajności lub zawodnych dostaw energii, - na które nie mogą sobie pozwolić użytkownicy i firmy korzystające ze stabilnej energii. W tym przypadku dokładne-dostrojenie cyklu pracy (tj. stosunku czasu włączenia do czasu wyłączenia panelu słonecznego) ma kluczowe znaczenie dla maksymalizacji wykorzystania energii systemu paneli słonecznych.
Z drugiej strony uczenie maszynowe (ML) i sztuczna inteligencja brzegowa (Edge AI) zasadniczo zmieniają wydajność różnych branż, umożliwiając podejmowanie mądrzejszych decyzji-opartych na danych-. Na przykład w dziedzinie energii odnawialnej uczenie maszynowe optymalizuje wydajność paneli słonecznych, analizując warunki środowiskowe, prognozując produkcję energii i wdrażając konserwację predykcyjną, aby zminimalizować przestoje. Oprócz energii słonecznej uczenie maszynowe może również poprawić wydajność produkcji poprzez konserwację predykcyjną i automatyzację procesów, zmniejszyć straty energii w inteligentnych sieciach dzięki prognozowaniu obciążenia w czasie rzeczywistym- oraz zwiększyć produktywność rolnictwa poprzez wspieranie technologii rolnictwa precyzyjnego. W tych różnorodnych przypadkach zastosowania uczenie maszynowe napędza ciągłe doskonalenie, przekształcając złożone dane w przydatne spostrzeżenia, ostatecznie oszczędzając czas, redukując koszty i zwiększając zrównoważony rozwój. W odpowiedzi na ten trend różni producenci sterowników zintegrowali technologię AI w MCU/MPU, aby sprostać nowym wymaganiom branży falowników fotowoltaicznych.
Infineon
Zespół HTEC wykorzystał procesor PSoC Edge firmy Infineon do zbadania, w jaki sposób można wykorzystać głębokie sieci neuronowe (DNN) do przewidywania optymalnego cyklu pracy przetwornic DC-DC, koncentrując się na identyfikacji najważniejszych funkcji wejściowych w celu poprawy wydajności i niezawodności.
Wiele z tych metod opiera się na danych pomiarowych, takich jak natężenie promieniowania słonecznego i temperatura otoczenia, ponieważ parametry te są ściśle powiązane z mocą wyjściową paneli słonecznych. Jednakże integracja czujników natężenia promieniowania ma również pewne wady, w tym dodatkowe koszty i ryzyko niedokładnych pomiarów ze względu na takie czynniki, jak gromadzenie się kurzu lub różnice w lokalizacji czujników. Aby rozwiązać ten problem, niektórzy badacze zaproponowali pośrednie oszacowanie wartości natężenia promieniowania podczerwonego, ale zwiększa to złożoność modelowania i może wprowadzić źródła błędów, które mogą rozprzestrzeniać się w algorytmach MPPT.
Ponadto zaproponowano metody bezczujnikowe lub niskoczujnikowe, które wykorzystują jedynie dane pomiarowe napięcia i prądu dostarczane bezpośrednio przez panele słoneczne. Te wewnętrzne sygnały są łatwo dostępne, zasadniczo zsynchronizowane z warunkami pracy panelu słonecznego i pozwalają uniknąć wielu złożonych problemów związanych z wykrywaniem natężenia promieniowania.
Oprogramowanie do implementacji algorytmu śledzenia maksymalnego punktu mocy (MPPT) w oparciu o sztuczną inteligencję zostało wdrożone na dostosowanej platformie sprzętowej opracowanej przez firmę HTEC. Platforma bezpiecznie łączy wyjście panelu słonecznego z przetwornicą DC-DC i zawiera wszystkie niezbędne elementy czujnikowe do monitorowania napięcia, prądu i temperatury otoczenia. Sygnały te służą jako dane wejściowe dla DNN, który oblicza odpowiedni cykl pracy w czasie rzeczywistym-. Platforma posiada również funkcję komunikacji Bluetooth i obsługuje funkcję interfejsu człowiek{{5}maszyna (HMI), która może zapewniać użytkownikom informacje zwrotne w czasie rzeczywistym-na temat produkcji energii i stanu systemu. W ten sposób system może zarządzać cyklem pracy przetwornic DC-DC, dostarczając jednocześnie informacji, które można wykorzystać do konserwacji predykcyjnej.
Moduł zarządzania energią: przydziela moc modułom PSOC Edge i Bluetooth.
Moduł komunikacyjny Bluetooth: obsługuje bezprzewodową transmisję danych dla funkcji HMI.
Moduł czujnikowy: mierzy-w czasie rzeczywistym napięcie i prąd generowane przez panele słoneczne.
Moduł procesora: Moduł poziomu systemu PSOC Edge (SOM): wykonuje wszystkie zadania obliczeniowe, w tym wnioskowanie AI i logikę sterowania.
Mikrokontroler Arm Cortex-M z serii PSOC Edge E84 to wysoce-wydajny, energooszczędny i bezpieczny mikrokontroler wyposażony w akcelerację ML. Opiera się na-wydajnym rdzeniu Cortex-M55, obsługuje Helium DSP i jest połączony z procesorem NPU Arm Ethos-U55 i rdzeniem Cortex-M33 o niskim poborze mocy. Jest używany w połączeniu z platformą akceleracji sprzętowej NNLite o ultra-niskiej mocy Infineon. PSOC Edge może w sposób ciągły analizować dane z czujników, monitorując natężenie światła słonecznego, temperaturę panelu i moc wyjściową. Umożliwia to dynamiczne dostosowywanie kierunku paneli fotowoltaicznych, śledzenie MPPT i optymalizację pracy falownika bez opóźnień spowodowanych przetwarzaniem w chmurze. Ponadto sztuczna inteligencja może wykrywać wzorce zużycia energii i przewidywać zdarzenia związane z popytem lub zacienieniem, co pozwala na dalszą optymalizację strategii magazynowania i alokacji energii. Wysokiej jakości zbiory danych są niezbędne do opracowywania i walidacji rozwiązań do śledzenia punktu maksymalnej mocy (MPPT) w oparciu o sztuczną inteligencję. W artykule wykorzystano publicznie dostępny zbiór danych dotyczących przybrzeżnych elektrowni fotowoltaicznych z Uniwersytetu Humboldta w Stanach Zjednoczonych, wybrano-dane próbkowania o wysokiej częstotliwości w jednominutowych odstępach w ciągu trzech lat, przeprowadzono symulację napięcia i prądu wyjściowego paneli fotowoltaicznych na podstawie takich parametrów, jak natężenie promieniowania słonecznego i temperatura, a także wygenerowano cykl pracy odpowiadający punktowi mocy maksymalnej jako etykieta szkoleniowa. Jednocześnie wyodrębniane są funkcje pomocnicze, takie jak zmiany napięcia i prądu, a po wstępnym przetworzeniu, takim jak normalizacja i usuwanie danych nocnych, zapewniane jest niezawodne wsparcie danych do treningu. Przy konstruowaniu modeli sztucznej inteligencji stosuje się wielowarstwową architekturę perceptronową (MLP), aby wyeliminować niedociągnięcia tradycyjnych metod obserwacji zaburzeń (P&O), takie jak powolna zbieżność i oscylacje mocy. Wydajność modelu optymalizuje się poprzez-dwuetapowe podejście obejmujące szkolenie-krok po-kroku i szkolenie-w czasie rzeczywistym. Trenowanie krok po kroku umożliwia modelowi przewidywanie optymalnych parametrów elektrycznych na podstawie chwilowych wartości pomiarów, podczas gdy szkolenie w czasie rzeczywistym- wprowadza mechanizm sprzężenia zwrotnego, który przyjmuje poprzednią prognozę jako kolejne dane wejściowe, iteracyjnie koryguje ją w celu symulacji rzeczywistych scenariuszy, a ostatecznie pozwala uzyskać schemat MPPT o niskim opóźnieniu i wysokiej niezawodności, który jest dostosowany do wdrażania platform wbudowanych, poprawiając efektywność wykorzystania energii przez systemy fotowoltaiczne w dynamicznych środowiskach.
Aby wdrożyć model AI na platformie PSOC Edge, konieczna jest konwersja modelu z 32-bitowego formatu zmiennoprzecinkowego-32-bitowego na format 8-bitowy. Biorąc pod uwagę stosunkowo zwartą architekturę sieci neuronowej przeznaczonej do zadań MPPT, kwantyzacja modelu jest stosowana głównie jako technika optymalizacji, nie stosuje się bardziej zaawansowanych strategii kompresji, takich jak destylacja modelu, ponieważ nie poprawia to znacząco wydajności i tak już bardzo małego rozmiaru modelu. Kwantyzacja modelu konwertuje parametry modelu z 32-bitowych lub 64-bitowych reprezentacji zmiennoprzecinkowych na formaty o niskiej precyzji, takie jak 8-bitowe liczby całkowite, co znacznie zmniejsza zużycie pamięci i wymagania obliczeniowe modelu, dzięki czemu jest on bardziej odpowiedni do wdrażania na urządzeniach brzegowych. Jednocześnie, stosując szkolenie świadome kwantyzacji (QAT) do symulacji środowisk kwantyzacji w fazie szkolenia, można złagodzić negatywny wpływ zmniejszonej dokładności na dokładność modelu, a nawet można poprawić zdolność generalizacji.
Po zakończeniu optymalizacji modelu algorytm AI jest wdrażany na platformie Infineon PSOC Edge przy użyciu frameworka programistycznego ModusToolbox. Platforma obsługuje wdrażanie 8-bitowego modelu kwantyzacji, a użytkownicy muszą jedynie wyeksportować model w formacie TensorFlow Lite (TFLite), aby bezproblemowo zintegrować go z akceleratorem sztucznej inteligencji platformy. Modele zmiennoprzecinkowe Keras można również bezpośrednio wdrożyć w celu obsługi optymalizacji kwantyzacji w ramach. Przekonwertowany model sztucznej inteligencji zostanie przekonwertowany do formatu zgodnego z językiem C, z wagami i parametrami zapisanymi jako wartości uint8 w celu dopasowania do 8-bitowej architektury akceleratora AI, co umożliwi szybsze wnioskowanie i mniejsze zużycie pamięci. Ocena wydajności pokazuje, że chociaż błąd przewidywania mocy modelu kwantyzacji wzrósł z 0,0109% do 0,6145%, opóźnienie wnioskowania zmniejszyło się z 3 milisekund do 0,3 milisekundy, a zużycie energii na wnioskowanie spadło z 68,904 mikrodżuli do 2,592 mikrodżuli. Co więcej, wydajność PSOC Edge jest ponad 23 razy niższa niż w przypadku rozwiązania opartego na rozwiązaniu Arm Cortex-M4, z redukcją opóźnień ponad 23 razy i zużyciem energii ponad 42 razy, co w pełni demonstruje zalety wdrażania wydajnych rozwiązań AI działających w czasie rzeczywistym w aplikacji brzegowej MPPT tej platformy.
Oprócz optymalizacji MPPT,-wgląd w sztuczną inteligencję w czasie rzeczywistym zapewnia także dodatkowe korzyści w zakresie - konserwacji predykcyjnej. Zespół HTEC opracował dedykowany interfejs użytkownika, który umożliwia przewidywanie ciągłego wglądu w wydajność systemu w oparciu o modele AI. Przewidywania te można powiązać z rzeczywistą produkcją energii w celu zidentyfikowania znaczących różnic, które mogą być spowodowane pogorszeniem wydajności podzespołów, umożliwiając zainteresowanym stronom proaktywne organizowanie konserwacji. HTEC zwraca uwagę, że w przyszłych pracach można zbadać dalsze techniki optymalizacji, takie jak integracja większej liczby danych z czujników lub wykorzystanie zaawansowanych metod kompresji modelu, w celu dalszej poprawy dokładności i wydajności systemu. Niemniej jednak obecne podejście podkreśla potencjał MPPT napędzanego sztuczną inteligencją we wbudowanych rozwiązaniach fotowoltaicznych, dostarczając wskazówek dotyczących bardziej wydajnego i zrównoważonego zarządzania energią oraz inteligentniejszych praktyk konserwacji urządzeń brzegowych.
STMikroelektronika
Firma STMicroelectronics wprowadziła na rynek rozwiązanie wyłącznika zwarciowego łuku AI (AFCI) oparte na STM32.
W dziedzinie bezpieczeństwa elektrycznego pożary spowodowane zwarciami łukowymi stanowią aż jedną czwartą, a ciągłe pojawianie się nowych scenariuszy zastosowań, takich jak panele słoneczne, akumulatory, narzędzia elektryczne i rowery elektryczne, spowodowało zwiększenie innowacyjnych wymagań w zakresie technologii ochrony przed łukiem elektrycznym. Chociaż algorytmy-oparte na regułach mogą poprawić bezpieczeństwo urządzeń elektrycznych, ich zdolność dostosowywania się do środowiska jest ograniczona, a wskaźnik fałszywych alarmów jest wysoki. Rozwiązania AI oparte na chmurze, choć bardzo dokładne, wiążą się z ryzykiem opóźnień i prywatności.
W tym kontekście rozwiązania brzegowej sztucznej inteligencji stały się idealnym punktem równowagi - nie wymagają połączeń sieciowych ani zewnętrznego przetwarzania, a także mogą zakończyć przetwarzanie danych lokalnie na urządzeniu w czasie rzeczywistym, zapewniając natychmiastowe wykrywanie i reakcję łuków, eliminując jednocześnie zagrożenia prywatności i bezpieczeństwa. Jednocześnie, poprzez ciągłe uczenie się, jak dostosować się do różnych środowisk, znacznie zmniejszają liczbę fałszywych alarmów i poprawiają wydajność systemu. Wybierając narzędzie NanoEdge AI Studio jako rdzeń programistyczny, dzięki-przyjaznemu użytkownikowi interfejsowi i łatwości obsługi może ono automatycznie filtrować i generować optymalny model na podstawie danych użytkownika; Jeśli dostępne są wstępnie wytrenowane sieci neuronowe, STM32Cube.AI można również wykorzystać do optymalizacji kompresji w celu dostosowania do środowisk wbudowanych.
W konkretnej realizacji jako nośnik sprzętu używana jest dostosowana płyta AFCI z rdzeniem STM32G4. Najpierw zbieranych jest około 1000 zestawów sygnałów normalnej pracy, a następnie zbierana jest taka sama liczba sygnałów zwarcia łukowego. Obydwa typy danych są importowane do projektu klasyfikacyjnego NanoEdge AI Studio, a narzędzie automatycznie generuje dostosowaną bibliotekę AI i integruje ją z kodem, aby umożliwić monitorowanie-w czasie rzeczywistym alarmów wyzwalających prąd i łuk. Schemat ten wykorzystuje czujnik prądu o częstotliwości próbkowania 150 kHz do przetwarzania dwóch typów danych (zwarcie łuku i brak łuku) dla osi 2048 × 1, ostatecznie osiągając 100% dokładność wykrywania, zajmując jedynie 16,7 KB pamięci RAM i 0,5 KB pamięci Flash.
NXP
Technologia wykrywania łuku NPU NXP MCX N jest szeroko stosowana w różnych sytuacjach wymagających wykrywania łuku, takich jak:
System zasilania: służy do monitorowania i wykrywania zwarć łukowych w systemie zasilania oraz podejmowania w odpowiednim czasie działań zapobiegających rozszerzaniu się zwarć.
Sterowanie przemysłowe: stosowane w automatyce przemysłowej i systemach sterowania robotami w celu wykrywania potencjalnego zagrożenia łukiem elektrycznym i zapewnienia bezpieczeństwa produkcji.
Inteligentny Dom: W systemach inteligentnego domu służy do monitorowania sytuacji łukowej w obwodzie i poprawy bezpieczeństwa zużycia energii elektrycznej w gospodarstwie domowym.
Firma NXP wprowadziła na rynek oprogramowanie i rozwiązania sprzętowe do wykrywania łuku, a także oprogramowanie szkoleniowe w zakresie gromadzenia danych, które może znacznie przyspieszyć rozwój produktów użytkownika do wykrywania łuku. MCU serii MCX N integruje wewnętrznie NPU, co pozwala osiągnąć-wiodącą w branży prędkość wnioskowania wynoszącą 4,8 gops i przyspieszyć działanie splotowych sieci neuronowych. Popraw skuteczność-wykrywania zwarć łukowych w czasie rzeczywistym.
Proces wdrażania wykrywania łuku zwarciowego w oparciu o sztuczną inteligencję obejmuje pięć etapów: gromadzenie danych, szkolenie danych, kwantyfikacja modelu, walidacja modelu i wdrożenie. Wszystkie te czynności można wykonać za pomocą-jednego oprogramowania komputerowego dostarczonego przez firmę NXP.
Jak pokazano na poniższym rysunku, platforma testowa jest zbudowana zgodnie z wymaganiami UL1699B. Wyjście źródła symulacji PV jest wprowadzane do zacisku wejściowego DC PV falownika fotowoltaicznego po przejściu przez urządzenie wytwarzające łuk. Łącząc transformatory szeregowo, należy wykryć sygnał prądu przemiennego generowany przez łuk zwarciowy. Dzięki karcie akwizycji przetwornik ADC zintegrowany w MCXN947 ma rozdzielczość 16 bitów i może obsługiwać częstotliwość próbkowania do 2 Mb/s przy rozdzielczości 16 bitów, dzięki czemu doskonale nadaje się do akwizycji sygnału łuku. Sygnał jest próbkowany przez przetwornik ADC i przetwarzany przez MCU.
TKarta akwizycji dostarczana przez firmę NXP obsługuje obecnie jednoczesne wykrywanie dwóch sygnałów łuku, a płytka akwizycji jest podłączona do karty FRDM-MXN947 jako karta córka.
Jeśli chodzi o projekt obwodu akwizycji, w badaniach teoretycznych, analizując charakterystykę domeny częstotliwości, zwykle stwierdza się, że w przypadku wystąpienia łuku zwarciowego prądu stałego, energia harmoniczna prądu stałego w zakresie częstotliwości 10 kHz-100 kHz znacznie wzrośnie. Zaprojektowany obwód wykorzystuje więc filtrowanie pasmowo-przepustowe do przetwarzania sygnału wejściowego. Charakterystykę pasma częstotliwości pokazano na poniższym rysunku:
Jednocześnie, stosując metody detekcji w dziedzinie częstotliwości, aby uniknąć wzajemnego sprzężenia i zakłóceń pomiędzy charakterystycznym pasmem częstotliwości łuków zwarciowych prądu stałego a pasmem częstotliwości zniekształceń harmonicznych powstałych na skutek samokontroli systemów fotowoltaicznych, jako charakterystyczne pasmo częstotliwości łuków zwarciowych prądu stałego do analizy i detekcji wybrano pasmo częstotliwości 10 kHz-100 kHz.
Zasadniczo do obliczeń harmonicznych używa się FFT, przyjmując 2048 punktów jako segmenty do operacji FFT. MCXN947 ma wewnątrz moduł PowerQuad, który może przyspieszyć działanie FFT. Obliczone wyniki są kwantyzowane i podawane do NPU przenoszonego przez MCXN947 w celu przetworzenia. Uzyskaj ostateczny wynik klasyfikacji. W ten sposób skutecznie identyfikuje sceny z łukami elektrycznymi.
Podczas działania w czasie rzeczywistym- wyniki wykrywania są drukowane przez port szeregowy. Obecnie po wykryciu łuku stopień dopasowania rozpoznawania sygnału wyjściowego wynosi 99%.
Renesans Elektronika
Fuchang Electronics wprowadził na rynek system wykrywania zwarć łukowych oparty na sztucznej inteligencji (AI), wykorzystujący mikrokontroler RA6M4 firmy Renesas Electronics, który umożliwia szybkie i skuteczne wykrywanie. System ten doskonale nadaje się do stosowania w systemach wykorzystujących energię słoneczną, inteligentną energię i prąd stały, zapewniając-monitorowanie bezpieczeństwa w czasie rzeczywistym przy minimalnych zasobach. Rozwiązanie AFCI wykorzystuje rozwiązanie AI Plus z Future Design Center (FDC), które integruje rozwiązania FDC AI i Reality AI.
Dzięki globalnej promocji norm NEC, IEC 60364-4-42 i UL 1699B oczekuje się, że roczne dostawy AFCI przekroczą 40 milionów jednostek do 2030 r. Fuchang Electronics wykorzystuje MCU Renesas RA6M4 i narzędzia Reality AI Tools ®. Opracowaliśmy przełomowy terminalowy system AI, który wykorzystuje mniej niż 100 kB pamięci flash/RAM, aby osiągnąć niemal doskonałe wykrywanie w czasie krótszym niż 4 ms, prawie eliminując fałszywe alarmy i identyfikując niebezpieczne łuki prądu stałego i przemiennego, których inne urządzenia nie są w stanie rozpoznać.
Główna zaleta: Rozpoznawanie szeregów czasowych w oparciu o sztuczną inteligencję, wspierane przez Renesas Reality AI
Wykrywanie: zwarcia łukowe (małe i duże łuki), manipulacje w obwodzie otwartym i zamkniętym oraz nieprawidłowe krzywe prądu
Ultraszybkie wykrywanie: czas wnioskowania zaledwie 10–250 milisekund, łącznie z przetwarzaniem wstępnym i walidacją w wielu oknach.
Nauka jednym kliknięciem: wbudowany przycisk może pomóc w automatycznej kalibracji płytki drukowanej zgodnie ze środowiskiem projektowym klienta. Możliwość kopiowania skalibrowanych danych na inne płytki drukowane. Nie ma potrzeby szkoleń AI/ML w chmurze
Rynki docelowe i zastosowania: falowniki fotowoltaiczne, wyłączniki automatyczne, systemy magazynowania energii akumulatorów (BESS), falowniki, ładowarki prądu stałego do pojazdów elektrycznych, rozdzielnice przemysłowe, narzędzia akumulatorowe-wysokiej mocy PDU do centrów danych sztucznej inteligencji, pojazdy elektryczne
Grupa produktów mikrokontrolerów (MCU) RA6M4 firmy Renesas Electronics wykorzystuje obsługę TrustZone ® Wysokowydajny rdzeń Arm Cortex-M33. W połączeniu z silnikiem Secure Crypto Engine (SCE) w chipie może zapewnić funkcjonalność bezpiecznego chipa. Zintegrowany Ethernet MAC z dedykowanym DMA zapewnia wysoką przepustowość danych. W RA6M4 zastosowano wydajny proces 40 nm, wspierany przez koncepcję otwartego i elastycznego ekosystemu w postaci elastycznego pakietu konfiguracyjnego (FSP) opartego na FreeRTOS, i można go rozszerzyć, aby korzystać z innych-systemów operacyjnych czasu rzeczywistego (RTOS) i oprogramowania pośredniego. RA6M4 jest odpowiedni do potrzeb aplikacji IoT, takich jak Ethernet, funkcje bezpieczeństwa dla przyszłych zastosowań, wbudowana pamięć RAM o dużej pojemności i niskie zużycie energii (działanie algorytmu CoreMark z pamięci flash, tak niskie, jak 99 µ A/MHz).
Instrumenty Teksasu
Chociaż zastosowanie sztucznej inteligencji w-systemach sterowania w czasie rzeczywistym, takich jak napędy silnikowe, energia słoneczna i zarządzanie akumulatorami, nieczęsto pojawiało się na pierwszych stronach gazet tak jak nowe modele w dużym języku, zastosowanie sztucznej inteligencji na krawędzi w wykrywaniu usterek może skutecznie poprawić wydajność, bezpieczeństwo i produktywność systemu.
MCU może zwiększyć możliwości wykrywania usterek w wysokonapięciowych-systemach sterowania w czasie rzeczywistym. Takie mikrokontrolery wykorzystują zintegrowane jednostki przetwarzania sieci neuronowej (NPU) do uruchamiania modeli splotowych sieci neuronowych (CNN), które mogą skutecznie zmniejszać opóźnienia i zużycie energii podczas monitorowania usterek systemu. Integracja funkcji brzegowej sztucznej inteligencji w tym samym MCU, który zarządza kontrolą w czasie rzeczywistym-, może pomóc zoptymalizować projekt systemu i poprawić ogólną wydajność. Kluczem do niezawodnej pracy napędów silnikowych i systemów energii słonecznej jest szybkie i przewidywalne wykrywanie usterek, które nie tylko ogranicza liczbę fałszywych alarmów, ale także monitoruje nieprawidłowości w łożyskach silnika i rzeczywiste usterki w czasie rzeczywistym.
Mikrokontrolery z funkcjami sztucznej inteligencji na krawędzi mogą monitorować dwa rodzaje usterek: jednym są awarie łożysk silnika. W przypadku wystąpienia nietypowych warunków lub pogorszenia wydajności łożysk silnika, wczesne wykrycie takich usterek ma kluczowe znaczenie dla zapobiegania nieoczekiwanym przestojom, skracania przestojów i zmniejszania kosztów konserwacji; Drugi to błąd łuku słonecznego, który odnosi się do zjawiska wyładowań łukowych spowodowanych nieoczekiwanymi ścieżkami, takimi jak prąd przepływający przez powietrze. Często jest to spowodowane awarią izolacji, luźnymi połączeniami i innymi problemami w systemach energii słonecznej. Wysoka temperatura generowana przez tę usterkę może prowadzić do pożaru lub uszkodzenia instalacji elektrycznej. Dlatego monitorowanie i wykrywanie tej usterki jest niezbędnym środkiem zapewniającym bezpieczną i niezawodną pracę systemów energii słonecznej.
Tradycyjne metody wykrywania usterek, takie jak monitorowanie uszkodzeń łożysk silnika, opierają się na wykrywaniu dyskretnym wielu urządzeń i analizie opartej-na regułach, natomiast wykrywanie uszkodzeń łuku słonecznego wykorzystuje analizę sygnału prądowego w domenie częstotliwości i ocenę wartości progowych. Metody te nie tylko wymagają głębokiej wiedzy zawodowej, ale mają również ograniczone możliwości adaptacji i czułość, co utrudnia zagwarantowanie dokładności wykrywania i zwiększa złożoność systemu.
W oparciu o zintegrowaną sztuczną inteligencję brzegową do wykrywania usterek i wykorzystujące-MCU czasu rzeczywistego, takie jak TMS320F28P550SJ jako nośniki, lokalne uruchamianie modeli CNN może skutecznie poprawić współczynnik wykrywania usterek, zmniejszyć liczbę fałszywych alarmów i zapewnić dokładniejszą konserwację predykcyjną. Model CNN, posiadający zdolność autonomicznego uczenia się złożonych wzorców na podstawie nieprzetworzonych danych z czujników, może bezpośrednio wyodrębniać cechy z sygnałów wibracyjnych, prądów stałych i innych danych. Łącząc różne warunki pracy, różnice sprzętowe i algorytmy przetwarzania wstępnego, można poprawić zdolność adaptacji i niezawodność modelu, a także zmniejszyć opóźnienia w wykrywaniu. W scenariuszach takich jak napęd silnikowy, energia słoneczna i zarządzanie akumulatorami modele CNN mogą dokładnie identyfikować tryby usterek i zapewniać skuteczne wykrywanie w czasie rzeczywistym-w dynamicznych środowiskach.
Streszczenie
W scenariuszach zastosowań, takich jak napędy silnikowe i energia słoneczna, wykrywanie usterek w czasie rzeczywistym-jest podstawą zapewnienia bezpieczeństwa operacyjnego i długoterminowej-niezawodności. Edge AI, dzięki możliwościom lokalnego przetwarzania danych-w czasie rzeczywistym, zrewolucjonizował metody wykrywania błędów, znacznie poprawiając dokładność wykrywania i zmniejszając opóźnienia, zapewniając silne wsparcie dla wydajnej i stabilnej pracy systemu.