Neseniai Nacionalinė plėtros ir reformų komisija ir Nacionalinė energetikos administracija kartu paskelbė įgyvendinimo nuomones, skatinančias kokybišką „dirbtinio intelekto+“ energijos vystymą{0}. Nuomonėse konkrečiai paminėtas vienas dalykas: elektros įrangos būklės įvertinimas ir protingas valdymas bei priežiūra. Kurkite programas, pvz., išmanųjį įrangos būsenos suvokimą ir įspėjimą, išmanų padėties nustatymą ir įrangos gedimų diagnostiką, išmanų sprendimų-priėmimą dėl įrangos būsenos priežiūros, išmanų įrangos nelaimių rizikos numatymą ir išmanų techninės priežiūros darbų bilietų generavimą, kad padidintumėte taupaus įrangos valdymo lygį.
Saulės fotoelektros pramonėje AI tyliai vystosi.
Pastaraisiais metais saulės energija sparčiai vystėsi. 2024 m. pasaulinė instaliuota fotoelektros galia pasieks rekordinę 597 gigavatų galią, ty 33 % daugiau nei 449 gigavatai 2023 m. Dėl šio augimo bendras įdiegtas saulės energijos pajėgumas pasaulyje viršys 2,2 teravatų, palyginti su maždaug 1,6 gigavatų 2,2 gigavatų Europoje. saulės energijos instaliuota galia padidės dar 10 % iki 655 gigavatų. Šiuo metu saulės energija sudaro apie 6,9 % viso pasaulio elektros energijos tiekimo, o 2023 m. – maždaug 5,6 %. Nepaisant spartaus saulės energijos augimo ir didžiulio potencialo, daugelis įmonių, organizacijų ir pramonės šakų vis dar nesilaiko našumo apribojimų.
Saulės baterijų veikimą įtakoja įvairūs veiksniai, įskaitant besikeičiančias oro sąlygas, kintantį saulės šviesos intensyvumą ir sistemos gebėjimą valdyti energijos perdavimą. Jei pagaminta elektra nėra tinkamai reguliuojama, tai gali sukelti energijos švaistymą, mažą efektyvumą arba nepatikimą maitinimo šaltinį -, kurių vartotojai ir įmonės, kurios priklauso nuo stabilios energijos, negali sau leisti. Šiuo atveju norint maksimaliai išnaudoti saulės kolektorių sistemos energiją, labai svarbu tiksliai sureguliuoti darbo ciklą (ty saulės kolektorių įjungimo ir išjungimo laiko santykį).
Kita vertus, mašininis mokymasis (ML) ir pažangus dirbtinis intelektas (Edge AI) iš esmės keičia įvairių pramonės šakų efektyvumą, nes suteikia galimybę priimti išmanesnius, duomenimis{0}}pagrįstus sprendimus{1}}. Pavyzdžiui, atsinaujinančios energijos srityje mašininis mokymasis optimizuoja saulės baterijų našumą, analizuodamas aplinkos sąlygas, numatydamas energijos išeigą ir įgyvendindamas nuspėjamąją priežiūrą, kad būtų sumažintos prastovos. Be saulės energijos, mašininis mokymasis taip pat gali pagerinti gamybos efektyvumą per nuspėjamą priežiūrą ir procesų automatizavimą, sumažinti energijos švaistymą išmaniuosiuose tinkluose, naudojant-apkrovos prognozavimą realiuoju laiku, ir padidinti žemės ūkio produktyvumą remiant tiksliąsias žemės ūkio technologijas. Šiais įvairiais naudojimo atvejais mašininis mokymasis skatina nuolatinį tobulėjimą, paverčiant sudėtingus duomenis veiksmingomis įžvalgomis, galiausiai sutaupant laiko, sumažinant išlaidas ir didinant tvarumą. Reaguodami į šią tendenciją, įvairūs valdiklių gamintojai integravo AI technologiją į MCU/MPU, kad atitiktų naujus fotovoltinių keitiklių pramonės poreikius.
Infineon
HTEC komanda naudojo „Infineon“ PSoC Edge procesorių, kad ištirtų, kaip naudoti giluminius neuroninius tinklus (DNN), kad būtų galima numatyti optimalų nuolatinės srovės -DC keitiklių darbo ciklą, daugiausia dėmesio skiriant aktualiausių įvesties funkcijų nustatymui, siekiant pagerinti našumą ir patikimumą.
Daugelis šių metodų remiasi matavimo duomenimis, tokiais kaip saulės spinduliuotė ir aplinkos temperatūra, nes šie parametrai yra glaudžiai susiję su saulės kolektorių išėjimo galia. Tačiau apšvitos jutiklių integravimas taip pat turi tam tikrų trūkumų, įskaitant papildomas išlaidas ir netikslių matavimų riziką dėl tokių veiksnių kaip dulkių kaupimasis arba jutiklių vietos skirtumai. Norėdami išspręsti šią problemą, kai kurie mokslininkai pasiūlė netiesiogiai įvertinti infraraudonųjų spindulių apšvitos vertes, tačiau tai padidina modeliavimo sudėtingumą ir gali sukelti klaidų šaltinius, kurie gali plisti naudojant MPPT algoritmus.
Be to, buvo pasiūlyti be jutiklių arba žemų jutiklių metodai, kuriuose naudojami tik įtampos ir srovės matavimo duomenys, kuriuos tiesiogiai pateikia saulės baterijos. Šiuos vidinius signalus lengva pasiekti, jie iš esmės sinchronizuojami su saulės baterijos veikimo sąlygomis, todėl išvengiama daugelio sudėtingų problemų, susijusių su apšvitos jutimu.
Programinė įranga, skirta diegti maksimalaus galios taško sekimo (MPPT) algoritmą, pagrįstą dirbtiniu intelektu, buvo įdiegta pritaikytoje aparatinės įrangos platformoje, kurią sukūrė HTEC. Platforma saugiai sujungia saulės kolektorių išvestį su DC-DC keitikliu ir apima visus būtinus jutiklius, skirtus įtampai, srovei ir aplinkos temperatūrai stebėti. Šie signalai naudojami kaip DNN įvestis, kuri realiuoju laiku apskaičiuoja atitinkamą darbo ciklą. Platforma taip pat turi „Bluetooth“ ryšio funkciją ir palaiko žmogaus{5}}mašinos sąsajos (HMI) funkciją, kuri gali teikti naudotojams realiu laiku{6}}atsiliepimus apie energijos gamybą ir sistemos būseną. Tokiu būdu sistema gali valdyti nuolatinės srovės -DC keitiklių darbo ciklą, taip pat teikti informaciją, kurią galima naudoti nuspėjamai priežiūrai.
Energijos valdymo modulis: paskirstykite maitinimą PSOC Edge ir Bluetooth moduliams.
Bluetooth ryšio modulis: tvarko belaidį duomenų perdavimą HMI funkcijoms.
Jutimo modulis: matuoja saulės kolektorių generuojamą įtampą ir srovę realiuoju laiku-.
Procesoriaus modulis: PSOC Edge System Level Module (SOM): vykdo visas skaičiavimo užduotis, įskaitant AI išvadas ir valdymo logiką.
PSOC Edge E84 serijos Arm Cortex-M mikrovaldiklis yra didelio-našumo, mažos-galios ir saugus MCU su ML pagreitinimu. Jis pagrįstas didelio -našumo Cortex-M55 šerdimi, palaiko Helium DSP ir yra suporuotas su Arm Ethos-U55 NPU ir mažos{10}}galios Cortex-M33 šerdimi. Jis naudojamas kartu su Infineon ultra{14}}mažos galios NLite aparatinės įrangos spartinimo platforma. PSOC Edge gali nuolat analizuoti jutiklio duomenis, stebėdama saulės šviesos intensyvumą, skydelio temperatūrą ir galią. Tai leidžia dinamiškai reguliuoti saulės kolektorių kryptį, sekti MPPT ir optimizuoti keitiklio veikimą be delsos, kurią sukelia debesų apdorojimas. Be to, dirbtinis intelektas gali aptikti energijos vartojimo modelius ir numatyti paklausos ar šešėlio įvykius, taip toliau optimizuodamas energijos kaupimo ir paskirstymo strategijas. Aukštos kokybės duomenų rinkiniai yra būtini kuriant ir patvirtinant dirbtiniu intelektu pagrįstus didžiausios galios taškų sekimo (MPPT) sprendimus. Straipsnyje naudojamas viešai prieinamas pakrantės fotovoltinės elektrinės duomenų rinkinys iš Humboldto valstijos universiteto (JAV), atrenkami aukšto-dažnio atrankos duomenys vienos minutės intervalais per trejus metus, modeliuojama fotovoltinių plokščių įtampa ir srovės išvestis, remiantis tokiais parametrais kaip saulės spinduliuotė ir temperatūra, ir generuojamas darbo ciklas, atitinkantis didžiausią galios taško etiketę. Tuo pačiu metu yra išgaunamos papildomos funkcijos, tokios kaip įtampos ir srovės pokyčiai, o po išankstinio apdorojimo, pavyzdžiui, naktinių duomenų normalizavimo ir pašalinimo, treniruotėms suteikiamas patikimas duomenų palaikymas. Kuriant AI modelius, naudojama kelių sluoksnių perceptronų (MLP) architektūra, siekiant pašalinti tradicinių trikdžių stebėjimo (P&O) metodų trūkumus, pvz., lėtą konvergenciją ir galios svyravimus. Modelio našumas optimizuojamas taikant dviejų{25}}pakopų metodą: žingsnis{26}}po-mokymas ir mokymas realiu{28}}laiku. Žingsnis po žingsnio mokymas leidžia modeliui numatyti optimalius elektrinius parametrus, remiantis momentinėmis matavimo vertėmis, o mokymas realiuoju laiku įveda grįžtamojo ryšio mechanizmą, kuris ankstesnę prognozę priima kaip paskesnę įvestį, pakartotinai ją koreguoja, kad imituotų tikrus scenarijus, ir galiausiai pasiekiama maža delsa, didelio tvirtumo MPPT schema, kuri yra pritaikyta įterptųjų platformų dinaminėms sistemoms, gerinant fotovoltinio naudojimo efektyvumą.
Norint įdiegti AI modelį PSOC Edge platformoje, reikia konvertuoti modelį iš 32-bitų slankiojo{7}}taško formato į 8 bitų formatą. Atsižvelgiant į santykinai kompaktišką neuroninio tinklo architektūrą, skirtą MPPT užduotims, modelio kvantavimas daugiausia naudojamas kaip optimizavimo technika, o pažangesnės suspaudimo strategijos, tokios kaip modelio distiliavimas, netaikomos, nes tai reikšmingai nepagerina ir taip itin mažo modelio dydžio. Modelio kvantavimas konvertuoja modelio parametrus iš 32 bitų arba 64 bitų slankiojo kablelio atvaizdų į mažo tikslumo formatus, tokius kaip 8 bitų sveikieji skaičiai, o tai žymiai sumažina modelio atminties plotą ir skaičiavimo reikalavimus, todėl jis yra tinkamesnis krašto įrenginių diegimui. Tuo pačiu metu, naudojant kvantavimo suvokimo mokymą (QAT), kad imituotų kvantavimo aplinką mokymo etape, galima sumažinti neigiamą sumažėjusio tikslumo poveikį modelio tikslumui ir netgi pagerinti apibendrinimo galimybes.
Baigus modelio optimizavimą, AI algoritmas įdiegiamas Infineon PSOC Edge platformoje naudojant ModusToolbox kūrimo sistemą. Sistema palaiko 8-bitų kvantavimo modelio diegimą, o naudotojams tereikia eksportuoti modelį TensorFlow Lite (TFLite) formatu, kad būtų galima sklandžiai integruoti jį į platformos AI spartintuvą. Slankaus kablelio Keras modeliai taip pat gali būti tiesiogiai naudojami kvantavimo optimizavimui sistemoje. Konvertuotas dirbtinio intelekto modelis bus konvertuotas į su C suderinamą formatą, o svoriai ir parametrai išsaugomi kaip uint8 reikšmės, kad atitiktų 8 -bitų AI greitintuvo architektūrą, kad būtų galima greičiau daryti išvadas ir sunaudoti mažiau atminties. Našumo įvertinimas rodo, kad nors kvantavimo modelio galios prognozavimo paklaida padidėjo nuo 0,0109% iki 0,6145%, išvados delsa sumažėjo nuo 3 milisekundžių iki 0,3 milisekundžių, o energijos sąnaudos vienai išvadai sumažėjo nuo 68,904 mikrodžaulių iki 2,592 mikrodžaulių. Be to, PSOC Edge našumas yra daugiau nei 23 kartus mažesnis nei Arm Cortex-M4 sprendimo našumas, o uždelsimas sumažėja daugiau nei 23 kartus, o energijos suvartojimas sumažėja daugiau nei 42 kartus, o tai visiškai parodo realiojo laiko ir efektyvių AI sprendimų diegimo pranašumus šios platformos krašto MPPT programoje.
Be MPPT optimizavimo,{0}}AI įžvalgos realiuoju laiku taip pat suteikia papildomų pranašumų - nuspėjamoji priežiūra. HTEC komanda sukūrė specialią vartotojo sąsają, kuri, remiantis AI modeliais, gali numatyti nuolatines įžvalgas apie sistemos veikimą. Šios prognozės gali būti susietos su faktine elektros energijos gamyba, kad būtų nustatyti reikšmingi skirtumai, kuriuos gali sukelti komponentų veikimo pablogėjimas, todėl suinteresuotosios šalys gali aktyviai organizuoti techninę priežiūrą. HTEC atkreipia dėmesį į tai, kad ateityje bus galima ištirti tolesnius optimizavimo būdus, pvz., integruoti daugiau jutiklių duomenų arba naudoti pažangius modelių glaudinimo metodus, siekiant dar labiau pagerinti sistemos tikslumą ir našumą. Nepaisant to, dabartinis požiūris pabrėžia dirbtinio intelekto valdomo MPPT potencialą įterptuosiuose saulės energijos sprendimuose, teikiant gaires efektyvesniam ir tvaresniam energijos valdymui ir pažangesniam įrenginių priežiūros praktikoms.
STMikroelektronika
STMicroelectronics pristatė krašto AI lankinio gedimo grandinės pertraukiklio (AFCI) sprendimą, pagrįstą STM32.
Elektros saugos srityje gaisrai, kuriuos sukelia lanko gedimai, sudaro iki ketvirtadalį, o nuolat atsirandantys nauji pritaikymo scenarijai, tokie kaip saulės baterijos, maitinimo elementai, elektriniai įrankiai, elektriniai dviračiai, kelia aukštesnius inovatyvius reikalavimus lanko apsaugos technologijoms. Nors taisyklėmis pagrįsti{1}}algoritmai gali pagerinti elektros prietaisų saugą, jų prisitaikymas prie aplinkos yra ribotas, o klaidingų pavojaus signalų dažnis yra didelis. Debesu pagrįsti AI sprendimai, nors ir labai tikslūs, susiduria su delsos ir privatumo rizika.
Šiame kontekste kraštiniai AI sprendimai tapo idealiu pusiausvyros tašku - jiems nereikia tinklo jungčių ir išorinio apdorojimo, jie gali užbaigti duomenų apdorojimą vietoje įrenginyje realiuoju laiku, o tai leidžia akimirksniu aptikti lankus ir juos reaguoti, kartu pašalinant privatumo ir saugumo riziką. Tuo pačiu metu, nuolat mokydamiesi prisitaikyti prie skirtingos aplinkos, jie žymiai sumažina klaidingų pavojaus signalų skaičių ir pagerina sistemos efektyvumą. Pasirinkus „NanoEdge AI Studio“ įrankį kaip kūrimo pagrindą, turintį patogią-sąsają ir paprastą naudojimą, jis gali automatiškai filtruoti ir generuoti optimalų modelį pagal naudotojo duomenis; Jei yra iš anksto paruoštų neuroninių tinklų, STM32Cube.AI taip pat gali būti naudojamas suspaudimo optimizavimui, kad būtų galima prisitaikyti prie įterptosios aplinkos.
Konkrečiame įgyvendinime kaip aparatūros laikmena naudojama pritaikyta AFCI plokštė su STM32G4 kaip šerdimi. Pirmiausia surenkama apie 1000 įprasto veikimo signalų rinkinių, o tada surenkamas tiek pat lanko gedimo signalų. Dviejų tipų duomenys importuojami į „NanoEdge AI Studio“ klasifikavimo projektą, o įrankis automatiškai generuoja pritaikytą AI biblioteką ir integruoja ją į kodą, kad būtų galima stebėti esamus ir lanko pavojaus signalus realiuoju laiku. Šioje schemoje naudojamas 150 kHz atrankos dažnio srovės jutiklis, skirtas apdoroti dviejų tipų duomenis (lanko gedimas ir be lanko) 2048 × 1 ašyje, galiausiai pasiekiant 100 % aptikimo tikslumą, užimant tik 16,7 KB RAM ir 0,5 KB „Flash“ atminties vietos.
NXP
NXP MCX N serijos NPU lanko aptikimo technologija plačiai naudojama įvairiomis progomis, kai reikia aptikti lanką, pavyzdžiui:
Maitinimo sistema: naudojama elektros sistemos lanko gedimams stebėti ir aptikti bei laiku imtis priemonių, kad būtų išvengta gedimų plitimo.
Pramoninis valdymas: naudojamas pramoninės automatikos ir robotų valdymo sistemose, siekiant aptikti galimą lanko riziką ir užtikrinti gamybos saugą.
Išmanusis namas: Išmaniojo namo sistemose jis naudojamas stebėti lanko situaciją grandinėje ir pagerinti namų elektros energijos vartojimo saugumą.
NXP pristatė lanko aptikimo programinę ir techninės įrangos sprendimus, taip pat duomenų gavimo mokymo programinę įrangą, kuri gali labai paspartinti vartotojų lanko aptikimo produktų kūrimo greitį. MCX N serijos MCU viduje integruoja NPU, o tai gali pasiekti didžiausią pramonėje -4,8 Gops išvadų greitį ir pagreitinti konvoliucinių neuroninių tinklų veikimą. Pagerinkite lanko gedimų aptikimą realiuoju laiku-.
Dirbtiniu intelektu pagrįsto gedimų lanko aptikimo diegimo procesą sudaro penki etapai: duomenų gavimas, duomenų mokymas, modelio kiekybinis įvertinimas, modelio patvirtinimas ir diegimas – visa tai galima atlikti naudojant NXP teikiamą vieno{0}}viršutinio kompiuterio programinę įrangą.
Kaip parodyta paveikslėlyje žemiau, testavimo platforma sukurta pagal UL1699B reikalavimus. PV modeliavimo šaltinio išvestis įvedama į fotovoltinio keitiklio nuolatinės srovės PV įvesties gnybtą po to, kai praeina per lanko generavimo įrenginį. Jungdami transformatorius nuosekliai, aptikkite trikties lanko generuojamą kintamosios srovės signalą. Per gavimo plokštę į MCXN947 integruotas ADC turi 16 bitų skiriamąją gebą ir gali palaikyti iki 2Mbps diskretizavimo dažnį esant 16 bitų skyrai, todėl jis labai tinka lanko signalui gauti. Signalą atrenka ADC ir apdoroja MCU.
TNXP teikiama gavimo plokštė šiuo metu palaiko dviejų lanko signalų aptikimą vienu metu, o gavimo plokštė yra prijungta prie FRDM{0}}MXN947 plokštės kaip antrinė kortelė.
Kalbant apie gavimo grandinės konstrukciją, teoriniuose tyrimuose, analizuojant dažnių srities charakteristikas, dažniausiai nustatoma, kad atsiradus nuolatinės srovės gedimo lankui, nuolatinės srovės harmoninė energija 10KHz-100kHz dažnių diapazone žymiai padidės. Taigi suprojektuotoje grandinėje įvesties signalui apdoroti naudojamas dažnių juostos pralaidumo filtravimas. Dažnių juostos charakteristikos parodytos paveikslėlyje:
Tuo pačiu, taikant dažnių srities aptikimo metodus, siekiant išvengti abipusio sujungimo ir trukdžių tarp nuolatinės srovės gedimų lankų charakteringų dažnių juostos ir harmoninių iškraipymų dažnių juostos, kurią sukelia fotovoltinių sistemų savikontrolė, 10kHz-100kHz dažnių juosta buvo pasirinkta kaip būdinga nuolatinės srovės gedimų lankų dažnių juosta analizei ir aptikimui.
Iš esmės FFT naudojamas harmoniniam skaičiavimui, imant 2048 taškus kaip FFT veikimo segmentus. MCXN947 viduje yra PowerQuad modulis, kuris gali pagreitinti FFT veikimą. Apskaičiuoti rezultatai yra kvantuojami ir pateikiami į NPU, kurį veža MCXN947, kad būtų galima apdoroti. Gaukite galutinį klasifikavimo rezultatą. Taip efektyviai atpažįstamos scenos su elektros lankais.
Veikiant realiuoju laiku-aptikimo rezultatai spausdinami per nuoseklųjį prievadą. Šiuo metu, kai aptinkamas lankas, išvesties atpažinimo atitikimo laipsnis yra 99%.
Renesas Electronics
„Fuchang Electronics“ pristatė kraštinę dirbtinio intelekto (AI) lanko gedimų aptikimo sistemą, naudodama „Renesas Electronics“ RA6M4 MCU, kuri gali greitai ir efektyviai aptikti. Ši sistema puikiai tinka saulės energijai, išmaniajai energijai ir nuolatinės srovės sistemoms, užtikrinanti saugumą realiuoju laiku-naudojant minimalius išteklius. AFCI sprendimas perima AI Plus sprendimą iš Future Design Center (FDC), kuris integruoja FDC AI ir Reality AI sprendimus.
Visame pasaulyje propaguojant NEC, IEC 60364-4-42 ir UL 1699B standartus, tikimasi, kad AFCI metinė siunta iki 2030 m. viršys 40 milijonų vienetų. Fuchang Electronics naudoja Renesas RA6M4 MCU ir Reality AI Tools ®. puikus aptikimas per mažiau nei 4 ms, beveik pašalinant klaidingus pavojaus signalus ir identifikuojant pavojingus nuolatinės srovės ir kintamosios srovės lankus, kurių negali atpažinti kiti įrenginiai.
Pagrindinis privalumas: laiko eilučių atpažinimas, pagrįstas dirbtiniu intelektu, palaikomas Renesas Reality AI
Aptikimas: lanko gedimai (maži ir dideli lankai), atviros grandinės ir uždaros grandinės klastojimas ir nenormalios srovės kreivės
Itin greitas aptikimas: išvados laikas tik 10–250 milisekundžių, įskaitant išankstinį apdorojimą ir kelių langų patvirtinimą.
Mokymasis vienu paspaudimu: integruotas mygtukas gali padėti automatiškai sukalibruoti plokštę pagal kliento projektavimo aplinką. Galimybė nukopijuoti kalibruotus duomenis į kitas plokštes. Nereikia debesies pagrindu sukurtų AI/ML mokymų
Tikslinės rinkos ir taikymas: saulės keitikliai, grandinės pertraukikliai, akumuliatorių energijos kaupimo sistemos (BESS), keitikliai, elektrinių transporto priemonių nuolatinės srovės įkrovikliai, pramoniniai skirstomieji įrenginiai, PDU didelės galios{0}}baterijų įrankiai, skirti dirbtinio intelekto duomenų centrams, elektrinės transporto priemonės
„Renesas Electronics“ RA6M4 mikrovaldiklių (MCU) gaminių grupė naudoja „TrustZone“ palaikymą ® Aukšto -našumo Arm Cortex-M33 šerdį. Kai naudojamas kartu su saugiu kriptovaliutų varikliu (SCE) luste, jis gali užtikrinti saugaus lusto funkcijas. Integruotas Ethernet MAC su tam skirta DMA užtikrina didelį duomenų pralaidumą. RA6M4 naudoja efektyvų 40 nm procesą, palaikomą atviros ir lanksčios ekosistemos koncepcijos FreeRTOS pagrįsto lanksčios konfigūracijos paketo (FSP), ir gali būti išplėstas, kad būtų galima naudoti kitas realaus laiko operacines sistemas (RTOS) ir tarpinę programinę įrangą. RA6M4 tinka daiktų interneto programoms, tokioms kaip Ethernet, saugos funkcijos būsimoms programoms, didelės talpos integruotoji RAM ir mažas energijos suvartojimas (paleidžiamas CoreMark algoritmas iš „flash“ atminties, net 99 µ A/MHz).
Teksaso instrumentai
Nors dirbtinio intelekto taikymas realiu laiku{0}}valdymo sistemose, pvz., variklio pavara, saulės energija ir baterijų valdymas, nedažnai patenka į antraštes, pavyzdžiui, naujieji dideli kalbų modeliai, krašto AI taikymas gedimų aptikimui gali veiksmingai pagerinti sistemos efektyvumą, saugą ir našumą.
MCU gali pagerinti gedimų aptikimo galimybes aukštos{0}}įtampos-realaus laiko valdymo sistemose. Tokie MCU naudoja integruotus neuroninio tinklo apdorojimo įrenginius (NPU), kad galėtų vykdyti konvoliucinio neuroninio tinklo (CNN) modelius, kurie gali veiksmingai sumažinti delsą ir energijos suvartojimą stebint sistemos gedimus. Kraštinių AI funkcijų integravimas į tą patį MCU, kuris valdo valdymą realiuoju laiku,{4}}gali padėti optimizuoti sistemos dizainą ir pagerinti bendrą našumą. Variklio pavaros ir saulės energijos sistemų patikimo veikimo raktas yra greitas ir nuspėjamas gedimų aptikimas, kuris ne tik sumažina klaidingų pavojaus signalų skaičių, bet ir realiu laiku stebi variklio guolių sutrikimus ir tikrus gedimus.
MCU su krašto AI galimybėmis gali stebėti dviejų tipų gedimus: vienas yra variklio guolių gedimai. Kai variklio guoliuose atsiranda neįprastų sąlygų arba pablogėja jų veikimas, labai svarbu laiku nustatyti tokius gedimus, kad būtų išvengta netikėtų išjungimų, sutrumpėtų prastovos laikas ir sumažintos priežiūros išlaidos; Antrasis yra saulės lanko gedimas, kuris reiškia lanko iškrovimo reiškinį, kurį sukelia netikėti takai, pavyzdžiui, srovė, einanti per orą. Tai dažnai sukelia izoliacijos gedimas, laisvos jungtys ir kitos problemos saulės energijos sistemose. Dėl šio gedimo sukelta aukšta temperatūra gali sukelti gaisrą arba sugadinti elektros sistemą. Todėl šio gedimo stebėjimas ir aptikimas yra būtina priemonė, užtikrinanti saugų ir patikimą saulės energijos sistemų darbą.
Tradiciniai gedimų aptikimo metodai, pvz., variklio guolių gedimų stebėjimas, remiasi kelių įrenginių diskrečiu aptikimu ir taisyklėmis{0}}pagrįsta analize, o saulės lanko gedimų aptikimui naudojama dažnio srities srovės signalo analizė ir slenksčio įvertinimas. Šie metodai ne tik reikalauja gilių profesinių žinių, bet ir turi ribotą pritaikomumą bei jautrumą, todėl sunku garantuoti aptikimo tikslumą ir padidina sistemos sudėtingumą.
Remiantis integruotu krašto AI gedimams aptikti, naudojant realiojo laiko MCU, pvz., TMS320F28P550SJ, kaip nešiklius, naudojant CNN modelius vietoje galima efektyviai pagerinti gedimų aptikimo rodiklius, sumažinti klaidingų pavojaus signalų skaičių ir atlikti tikslesnę nuspėjamąją priežiūrą. CNN modelis, turintis galimybę savarankiškai išmokti sudėtingus modelius iš neapdorotų jutiklių duomenų, gali tiesiogiai išgauti savybes iš vibracijos signalų, nuolatinės srovės ir kitų duomenų. Derinant skirtingas veikimo sąlygas, aparatinės įrangos skirtumus ir išankstinio apdorojimo algoritmus, galima pagerinti modelio pritaikomumą ir patikimumą, sumažinti aptikimo delsą. Esant tokiems scenarijams kaip variklio pavara, saulės energija ir akumuliatoriaus valdymas, CNN modeliai gali tiksliai nustatyti gedimų režimus ir aptikti realiu laiku bei efektyviai dinamiškoje aplinkoje.
Santrauka
Taikant tokius taikymo scenarijus kaip variklio pavara ir saulės energija, gedimų aptikimas realiuoju laiku{0}}yra kertinis akmuo siekiant užtikrinti veikimo saugą ir ilgalaikį patikimumą. „Edge AI“ su vietinėmis-laiko duomenų apdorojimo galimybėmis iš esmės pakeitė gedimų aptikimo metodus, žymiai pagerindamas aptikimo tikslumą ir sumažindamas delsą, užtikrindamas veiksmingą ir stabilų sistemos veikimą.