A közelmúltban a Nemzeti Fejlesztési és Reformbizottság és a Nemzeti Energiaügyi Hivatal közösen adott ki végrehajtási véleményeket a „mesterséges intelligencia+” energia magas színvonalú{0}fejlesztésének előmozdításáról. A vélemények külön megemlítettek egy pontot: az erősáramú berendezések állapotának értékelését és az intelligens üzemeltetést és karbantartást. Építsen olyan alkalmazásokat, mint a berendezés állapotának intelligens észlelése és figyelmeztetése, a berendezés hibáinak intelligens pozicionálása és diagnosztizálása, intelligens döntéshozatal-a berendezés állapotának karbantartásával kapcsolatban, a berendezés katasztrófakockázatainak intelligens előrejelzése, valamint a karbantartási munkajegyek intelligens generálása a berendezések karcsúsított kezelésének szintjének javítása érdekében.
A napelemes fotovoltaikus iparban az AI csendesen fejlődik.
Az elmúlt években a napenergia rohamosan fejlődött. 2024-ben a napelemek globális beépített kapacitása eléri a rekordmagasságot, 597 gigawattot, ami 33%-os növekedést jelent a 2023-as 449 gigawatthoz képest. Ez a növekedés a globális beépített napelem kapacitás meghaladja a 2,2 terawatt, szemben az előrejelzések szerint Európában körülbelül 1,6 terawatt szoláris kapacitással. A napenergia beépített kapacitása további 10%-kal, 655 gigawattra fog növekedni 2025-re. Jelenleg a napenergia a világ villamosenergia-ellátásának körülbelül 6,9%-át teszi ki, szemben a 2023-as 5,6%-kal. A napenergia gyors növekedése és hatalmas potenciálja ellenére sok vállalat, szervezet és iparág még mindig nem fogadja el a hatékonysági korlátozásokat, és a termelési korlátozások miatt.
A napelemek teljesítményét számos tényező befolyásolja, többek között a változó időjárási viszonyok, a változó napfény intenzitása és a rendszer energiaátviteli képessége. Ha a termelt áramot nem szabályozzák megfelelően, az energiapazarláshoz, alacsony hatékonysághoz vagy megbízhatatlan áramellátáshoz vezethet, - ami a stabil energiára támaszkodó felhasználók és vállalkozások nem engedhetik meg maguknak. Ebben az esetben a munkaciklus finom-beállítása (azaz a napelem bekapcsolási és kikapcsolási idejének aránya) kulcsfontosságú a napelem-rendszer energiafelhasználásának maximalizálása érdekében.
Másrészt a gépi tanulás (ML) és az élvonalbeli mesterséges intelligencia (Edge AI) alapjaiban változtatja meg a különböző iparágak hatékonyságát azáltal, hogy lehetővé teszi az intelligensebb, -adatvezérelt{1}}döntéshozatalt. Például a megújuló energia területén a gépi tanulás optimalizálja a napelemek teljesítményét azáltal, hogy elemzi a környezeti feltételeket, előrejelzi az energiatermelést, és előrejelző karbantartást hajt végre az állásidő minimalizálása érdekében. A napenergia mellett a gépi tanulás is javíthatja a gyártási hatékonyságot a prediktív karbantartás és a folyamatautomatizálás révén, csökkentheti az energiapazarlást az intelligens hálózatokban a valós idejű terhelés-előrejelzéssel, és növelheti a mezőgazdasági termelékenységet a precíziós mezőgazdasági technológiák támogatásával. Ezekben a sokrétű felhasználási esetekben a gépi tanulás folyamatos fejlesztést hajt végre azáltal, hogy az összetett adatokat hasznosítható ismeretekké alakítja, végső soron időt takarít meg, csökkenti a költségeket és javítja a fenntarthatóságot. Erre a trendre válaszul a különböző vezérlőgyártók mesterséges intelligencia technológiát integráltak az MCU/MPU-ba, hogy megfeleljenek a fotovoltaikus inverter ipar új igényeinek.
Infineon
A HTEC csapata az Infineon PSoC Edge processzorát használta annak megvizsgálására, hogyan lehet mély neurális hálózatokat (DNN) használni a DC-DC konverterek optimális működési ciklusának előrejelzésére, különös tekintettel a legrelevánsabb bemeneti funkciók azonosítására a teljesítmény és a megbízhatóság javítása érdekében.
E módszerek közül sok olyan mérési adatokra támaszkodik, mint a napsugárzás és a környezeti hőmérséklet, mivel ezek a paraméterek szorosan összefüggenek a napelemek teljesítményével. A besugárzásérzékelők integrálása azonban hátrányokkal is jár, beleértve a többletköltségeket és a pontatlan mérések kockázatát olyan tényezők miatt, mint a por felhalmozódása vagy az érzékelők elhelyezkedési különbségei. A probléma megoldása érdekében egyes kutatók az infravörös besugárzási értékek közvetett becslését javasolták, de ez növeli a modellezés bonyolultságát, és olyan hibaforrásokat vezethet be, amelyek MPPT algoritmusokon keresztül terjedhetnek.
Ezen kívül szenzor nélküli vagy alacsony szenzoros módszereket javasoltak, amelyek csak a napelemek által közvetlenül szolgáltatott feszültség- és árammérési adatokat használják fel. Ezek a belső jelek könnyen hozzáférhetők, lényegében szinkronizálva vannak a napelem működési körülményeivel, és elkerülhető a besugárzás érzékelésével kapcsolatos számos bonyolult probléma.
A mesterséges intelligencián alapuló maximális teljesítménypont-követő (MPPT) algoritmust megvalósító szoftvert a HTEC által fejlesztett, testreszabott hardverplatformon telepítették. A platform biztonságosan csatlakoztatja a napelem kimenetét egy DC-DC konverterhez, és tartalmazza az összes szükséges érzékelőelemet a feszültség, az áramerősség és a környezeti hőmérséklet figyeléséhez. Ezek a jelek bemenetként szolgálnak a DNN számára, amely valós időben számítja ki a megfelelő munkaciklust. A platform Bluetooth kommunikációs funkcióval is rendelkezik, és támogatja az emberi-gépi interfész (HMI) funkciót, amely valós idejű visszajelzést{6}} adhat a felhasználóknak az energiatermelésről és a rendszer állapotáról. Ily módon a rendszer képes kezelni az egyenáramú-egyenáram-átalakítók munkaciklusát, miközben a prediktív karbantartáshoz felhasználható információkat is szolgáltat.
Energiagazdálkodási modul: Áramellátást a PSOC Edge és Bluetooth modulokhoz.
Bluetooth kommunikációs modul: kezeli a vezeték nélküli adatátvitelt a HMI funkciókhoz.
Érzékelő modul: a napelemek által generált valós idejű-feszültséget és áramerősséget méri.
Processzor modul: PSOC Edge System Level Module (SOM): végrehajtja az összes számítási feladatot, beleértve az AI következtetést és a vezérlési logikát.
A PSOC Edge E84 sorozatú Arm Cortex-M mikrokontroller egy nagy-teljesítményű, alacsony-teljesítményű és biztonságos MCU ML gyorsítással. A nagy-teljesítményű Cortex-M55 magon alapul, támogatja a Hélium DSP-t, és az Arm Ethos-U55 NPU-val és az alacsony{10}}teljesítményű Cortex-M33 maggal párosul. Az Infineon ultra{14}}alacsony fogyasztású NLite hardvergyorsító platformmal együtt használatos. A PSOC Edge folyamatosan elemzi a napfény intenzitását, a panel hőmérsékletét és a kimeneti teljesítményt figyelő szenzoradatokat. Ez lehetővé teszi a napelemek irányának dinamikus beállítását, az MPPT követését és az inverter működésének optimalizálását a felhőfeldolgozás okozta késleltetés nélkül. Ezenkívül az AI képes észlelni az energiafogyasztási mintákat, és előre jelezni a keresletet vagy az árnyékolási eseményeket, ezáltal tovább optimalizálva az energiatárolási és -elosztási stratégiákat. A kiváló minőségű adatkészletek elengedhetetlenek a mesterséges intelligencia alapú maximális teljesítménypontkövető (MPPT) megoldások fejlesztéséhez és validálásához. A cikk az egyesült államokbeli Humboldt Állami Egyetem nyilvánosan elérhető part menti fotovoltaikus erőművi adatkészletét használja, nagy-frekvenciás mintavételezési adatokat választ ki egyperces időközönként három év alatt, szimulálja a fotovoltaikus panelek feszültségét és áramfelvételét olyan paraméterek alapján, mint a napsugárzás és a hőmérséklet, és létrehozza a maximális teljesítménypont címkéjének megfelelő munkaciklust. Ugyanakkor a segédfunkciók, például a feszültség- és áramváltozások kinyerésre kerülnek, és az olyan előfeldolgozást követően, mint az éjszakai adatok normalizálása és eltávolítása, megbízható adattámogatás biztosított a képzéshez. A mesterséges intelligencia modellek felépítése során többrétegű perceptron (MLP) architektúrát alkalmaznak a hagyományos perturbáció-megfigyelési (P&O) módszerek hiányosságainak, például a lassú konvergencia és a teljesítmény-oszcillációk megoldására. A modell teljesítményét egy két-lépcsős megközelítés optimalizálja: lépésről-}lépésre{27}} és valós idejű{28}}képzés. A lépésről lépésre történő betanítás lehetővé teszi a modell számára, hogy a pillanatnyi mérési értékek alapján megjósolja az optimális elektromos paramétereket, míg a valós idejű képzés olyan visszacsatolási mechanizmust vezet be, amely az előző előrejelzést veszi fel későbbi bemenetként, iteratív módon korrigálja azt a valós forgatókönyvek szimulálásához, és végül alacsony késleltetésű, nagy robusztusságú MPPT sémát ér el, amely a beágyazott dinamikus platformok energiahasznosítási rendszereinek hatékonyságát javítja a fotovoltaikus környezetekben.
Az AI-modell PSOC Edge platformon történő üzembe helyezéséhez a modellt 32-bites lebegőpontos-pontos formátumról 8 bites formátumra kell konvertálni. Tekintettel az MPPT feladatokra tervezett, viszonylag kompakt neurális hálózati architektúrára, a modellkvantálást elsősorban optimalizálási technikaként alkalmazzák, fejlettebb tömörítési stratégiákat, például modelldesztillációt nem alkalmaznak, mivel az nem javítja jelentősen az amúgy is rendkívül kis modellméret hatékonyságát. A modellkvantálás a modellparamétereket 32 bites vagy 64 bites lebegőpontos ábrázolásokból alacsony pontosságú formátumokká, például 8 bites egészekké alakítja át, jelentősen csökkentve a modell memóriaigényét és számítási követelményeit, így alkalmasabb a szélső eszközök telepítésére. Ugyanakkor a kvantálás tudatos képzésének (QAT) használatával a kvantálási környezet szimulálására a betanítási szakaszban a csökkentett pontosság negatív hatása a modell pontosságára enyhíthető, sőt az általánosítási képesség is javítható.
A modelloptimalizálás befejezése után az AI-algoritmust a ModusToolbox fejlesztői keretrendszer segítségével telepítik az Infineon PSOC Edge platformra. A keretrendszer támogatja a 8-bites kvantálási modell telepítését, és a felhasználóknak csak TensorFlow Lite (TFLite) formátumban kell exportálniuk a modellt, hogy zökkenőmentesen integrálhassák a platform AI-gyorsítójába. A lebegőpontos Keras-modellek közvetlenül is üzembe helyezhetők a kvantálás optimalizálás kezelésére a kereten belül. Az átalakított mesterséges intelligencia-modellt C-kompatibilis formátumra konvertáljuk, a súlyokat és a paramétereket uint8-értékként tároljuk, hogy megfeleljenek az AI-gyorsító 8-bites architektúrájának, gyorsabb következtetést és alacsonyabb memóriahasználatot érve el. A teljesítményértékelés azt mutatja, hogy bár a kvantálási modell teljesítmény-előrejelzési hibája 0,0109%-ról 0,6145%-ra nőtt, a következtetési késleltetés 3 milliszekundumról 0,3 milliszekundumra csökkent, és a következtetésenkénti energiafogyasztás 68,904 mikrojoule-ról 2,592 mikrojoule-ra csökkent. Ráadásul a PSOC Edge teljesítménye több mint 23-szor alacsonyabb, mint az Arm Cortex-M4 megoldásé, több mint 23-szoros késleltetés- és több mint 42-szeres energiafogyasztás-csökkenéssel, teljes mértékben bizonyítva a valós idejű és hatékony AI-megoldások bevezetésének előnyeit a platform szélső MPPT-alkalmazásán.
Az MPPT optimalizálása mellett a valós idejű -AI-betekintések további előnyökkel is járnak - prediktív karbantartás. A HTEC csapata kifejlesztett egy dedikált felhasználói felületet, amely képes előre jelezni a rendszer teljesítményébe való folyamatos betekintést az AI modellek alapján. Ezek az előrejelzések a tényleges energiatermeléssel keresztezhetők, hogy azonosítsák azokat a jelentős különbségeket, amelyeket az alkatrészek teljesítményének romlása okozhat, és lehetővé teszi az érdekelt felek számára, hogy proaktívan megszervezzék a karbantartást. A HTEC rámutat arra, hogy a jövőbeni munka további optimalizálási technikákat tárhat fel, mint például több szenzoradat integrálása vagy fejlett modelltömörítési módszerek alkalmazása a rendszer pontosságának és teljesítményének további javítása érdekében. Mindazonáltal a jelenlegi megközelítés kiemeli a mesterséges intelligencia által vezérelt MPPT-ben rejlő lehetőségeket a beágyazott napelemes megoldásokban, útmutatást adva a hatékonyabb és fenntarthatóbb energiagazdálkodáshoz és az intelligensebb eszközök karbantartási gyakorlatához.
STMicroelectronics
Az STMicroelectronics piacra dobta az STM32-n alapuló szélső AI archiba-megszakító (AFCI) megoldást.
Az elektromos biztonság területén az ívhibák okozta tüzek akár egynegyedét teszik ki, és az új alkalmazási forgatókönyvek – például napelemek, akkumulátorok, elektromos szerszámok, elektromos kerékpárok – folyamatos megjelenése magasabb innovatív követelményeket támaszt az ívvédelmi technológiával szemben. Bár a szabályokon{1}} alapuló algoritmusok javíthatják az elektromos eszközök biztonságát, környezeti alkalmazkodóképességük korlátozott, és magas a téves riasztások aránya. A felhőalapú AI-megoldások, bár nagyon pontosak, késleltetési és adatvédelmi kockázatokkal szembesülnek.
Ebben az összefüggésben az élvonalbeli AI-megoldások ideális egyensúlyi ponttá váltak -, nem igényelnek hálózati kapcsolatokat és külső feldolgozást, és valós időben tudják végrehajtani az adatfeldolgozást az eszközön, azonnali észlelést és reagálást biztosítva az ívekre, miközben kiküszöböli az adatvédelmi és biztonsági kockázatokat. Ugyanakkor a különböző környezetekhez való alkalmazkodás folyamatos tanulásával jelentősen csökkentik a téves riasztások arányát és javítják a rendszer hatékonyságát. A NanoEdge AI Studio eszközt fejlesztő magként választva, felhasználóbarát-kezelőfelületével és egyszerű kezelhetőségével, automatikusan szűri és generálja az optimális modellt a felhasználói adatok alapján; Ha rendelkezésre állnak előre betanított neurális hálózatok, az STM32Cube.AI tömörítési optimalizálásra is használható a beágyazott környezetekhez való alkalmazkodás érdekében.
A konkrét megvalósításban egy testreszabott AFCI kártya STM32G4 maggal, mint hardverhordozó. Körülbelül 1000 normál működési jelkészletet gyűjt először, majd azonos számú ívhibajelet. A kétféle adat importálásra kerül a NanoEdge AI Studio osztályozási projektjébe, és az eszköz automatikusan létrehoz egy adaptált AI-könyvtárat, és integrálja azt a kódba az aktuális és ívkioldó riasztások valós idejű figyelése érdekében. Ez a séma 150 kHz-es mintavételezési frekvenciájú áramérzékelőt használ kétféle adat feldolgozására (ívhiba és ív nélküli) 2048 × 1 tengelyen, végül 100%-os észlelési pontosságot érve el, mindössze 16,7 KB RAM-ot és 0,5 KB Flash tárhelyet foglalva el.
NXP
Az NXP MCX N sorozatú NPU ívérzékelési technológiáját széles körben használják olyan esetekben, ahol ívérzékelésre van szükség, például:
Energiaellátó rendszer: az áramellátó rendszer ívhibáinak figyelésére és észlelésére, valamint időben történő intézkedések megtételére a hibák kiterjedésének megakadályozására.
Ipari vezérlés: ipari automatizálási és robotvezérlő rendszerekben használják a lehetséges ívkockázatok észlelésére és a gyártás biztonságának biztosítására.
Intelligens otthon: Az okosotthon rendszerekben az áramkör ívhelyzetének figyelésére és a háztartási villamosenergia-fogyasztás biztonságának javítására szolgál.
Az NXP ívérzékelő szoftvert és hardvermegoldásokat, valamint adatgyűjtő oktatószoftvert dobott piacra, amelyek nagymértékben felgyorsíthatják a felhasználói ívérzékelő termékek fejlesztési sebességét. Az MCX N sorozatú MCU belsőleg integrálja az NPU-t, amely iparági -vezető 4,8 Gops-os következtetési sebességet érhet el, és felgyorsítja a konvolúciós neurális hálózatok működését. Javítsa az ívhiba-észlelés valós idejű-teljesítményét.
Az AI-alapú hibaív-észlelés megvalósítási folyamata öt lépésből áll: adatgyűjtés, adattanítás, modell számszerűsítés, modellellenőrzés és üzembe helyezés, amelyek mindegyike végrehajtható az NXP által biztosított egyablakos felső számítógépes szoftveren keresztül.
Amint az alábbi ábrán látható, a tesztelési platform az UL1699B követelményeinek megfelelően épül fel. A PV szimulációs forrás kimenete a fotovoltaikus inverter egyenáramú PV bemeneti termináljára kerül, miután áthaladt az ívgenerátoron. A transzformátorok sorba kapcsolásával érzékeli a hibaív által generált váltakozó áramú jelet. Az adatgyűjtő kártyán keresztül az MCXN947-be integrált ADC 16 bites felbontással rendelkezik, és akár 2 Mbps mintavételezési sebességet is képes támogatni 16 bites felbontás mellett, így nagyon alkalmas ívjelek rögzítésére. A jelet az ADC mintavételezi és az MCU dolgozza fel.
TAz NXP által biztosított adatgyűjtő kártya jelenleg két ívjel egyidejű észlelését támogatja, és az adatgyűjtő kártya leánykártyaként csatlakozik az FRDM{0}}MXN947 kártyához.
A gyűjtőáramkör kialakítását illetően az elméleti kutatás során a frekvenciatartomány jellemzőit elemezve általában azt tapasztalják, hogy egyenáramú hibaív fellépésekor az egyenáram harmonikus energiája a 10KHz-100kHz frekvenciatartományban jelentősen megnő. Tehát a tervezett áramkör sávszűrőt használ a bemeneti jel feldolgozására. A frekvenciasáv jellemzőit a következő ábra mutatja:
Ugyanakkor a frekvenciatartomány-detektálási módszerek alkalmazása során az egyenáramú hibaívek karakterisztikus frekvenciasávja és a fotovoltaikus rendszerek önszabályozásából adódó harmonikus torzítási frekvenciasáv közötti kölcsönös csatolás és interferencia elkerülése érdekében a 10kHz-100kHz frekvenciasávot választottuk az egyenáramú hibaívek jellemző frekvenciasávjának elemzésre és észlelésre.
Elvileg az FFT-t a harmonikus számításhoz használják, 2048 pontot vesz fel szegmensként az FFT működéséhez. Az MCXN947 belsejében egy PowerQuad modul található, amely felgyorsíthatja az FFT működését. A kiszámított eredményeket kvantifikálják, és az MCXN947 által szállított NPU-hoz továbbítják feldolgozásra. Szerezze meg a végső osztályozási eredményt. Így hatékonyan azonosítja a jeleneteket elektromos ívekkel.
A valós idejű-működés során az észlelési eredmények a soros porton keresztül kerülnek kinyomtatásra. Jelenleg ív érzékelésekor a kimeneti felismerés illeszkedési foka 99%.
Renesas Electronics
A Fuchang Electronics bevezette a Renesas Electronics RA6M4 MCU-ját használó szélső mesterséges intelligencia (AI) ívhiba-érzékelő rendszert, amely gyors és hatékony észlelést tesz lehetővé. Ez a rendszer kiválóan alkalmas napenergiához, intelligens energiához és egyenáramú rendszerekhez, és valós idejű biztonsági felügyeletet biztosít minimális erőforrásokkal. Az AFCI megoldás a Future Design Center (FDC) AI Plus megoldását veszi át, amely integrálja az FDC AI és a Reality AI megoldásokat.
A NEC, az IEC 60364-4-42 és az UL 1699B szabványok globális népszerűsítésével az AFCI éves szállítása várhatóan 2030-ra meghaladja a 40 millió darabot. A Fuchang Electronics a Renesas RA6M4 MCU-t és a Reality AI Tools ®-t használja. Olyan rendszert fejlesztettünk ki, amely kevesebb RAM-ot használ, mint 0k terminál. tökéletes észlelés kevesebb, mint 4 ms alatt, szinte kiküszöböli a téves riasztásokat, és azonosítja a veszélyes egyenáramú és váltakozó áramú íveket, amelyeket más eszközök nem tudnak felismerni.
Fő előnye: Renesas Reality AI által támogatott mesterséges intelligencián alapuló idősor-felismerés
Észlelés: ívhibák (kis és nagy ívek), szakadt áramkör és zárt áramkör szabotázs, valamint abnormális áramgörbék
Ultragyors észlelés: 10-250 ezredmásodpercig terjedő következtetési idő, beleértve az előfeldolgozást és a több ablakos érvényesítést.
Tanulás egy kattintással: A beépített gomb segítségével automatikusan kalibrálható az áramköri kártya az ügyfél tervezési környezetének megfelelően. Képes a kalibrált adatok más áramköri lapokra másolására. Nincs szükség felhő alapú AI/ML képzésre
Célpiacok és alkalmazások: szoláris inverterek, megszakítók, akkumulátoros energiatároló rendszerek (BESS), inverterek, elektromos járművek egyenáramú töltői, ipari kapcsolóberendezések, PDU nagy{0}}teljesítményű akkumulátoros szerszámok mesterséges intelligencia adatközpontokhoz, elektromos járművek
A Renesas Electronics RA6M4 mikrokontroller (MCU) termékcsoportja TrustZone támogatást ® A nagy-teljesítményű Arm Cortex-M33 magot használja. A chipen belüli Secure Crypto Engine-nel (SCE) együtt használva biztonságos chip funkcionalitását tudja biztosítani. Az integrált Ethernet MAC dedikált DMA-val biztosítja a nagy adatátvitelt. Az RA6M4 hatékony, 40 nm-es folyamatot alkalmaz, amelyet a FreeRTOS alapú Flexible Configuration Package (FSP) nyílt és rugalmas ökoszisztéma-koncepciója támogat, és kibővíthető más valós idejű operációs rendszerekkel (RTOS) és köztes szoftverekkel. Az RA6M4 megfelel az IoT-alkalmazások igényeinek, mint például az Ethernet, a jövőbeli alkalmazások biztonsági funkcióinak, a nagy kapacitású beágyazott RAM-nak és az alacsony energiafogyasztásnak (a CoreMark algoritmus flash memóriából történő futtatása, akár 99 µ A/MHz).
Texas Instruments
Bár a mesterséges intelligencia valós idejű vezérlési
Az MCU javíthatja a nagy{0}}feszültségű, valós idejű vezérlőrendszerek{1}}hibaészlelési képességét. Az ilyen MCU-k integrált neurális hálózati feldolgozó egységeket (NPU) használnak a konvolúciós neurális hálózati (CNN) modellek futtatásához, amelyek hatékonyan csökkenthetik a késleltetést és az energiafogyasztást a rendszerhibák figyelésekor. Az élvonalbeli mesterséges intelligencia funkciók integrálása ugyanabba az MCU-ba, amely a valós idejű vezérlést- kezeli, segíthet a rendszertervezés optimalizálásában és az általános teljesítmény javításában. A motoros hajtások és a napenergiás rendszerek megbízható működésének kulcsa a gyors és kiszámítható hibaészlelésben rejlik, amely nemcsak a téves riasztásokat csökkenti, hanem valós időben figyeli a motor csapágyhibáit és a tényleges hibákat.
Az éles mesterséges intelligencia képességekkel rendelkező MCU-k kétféle hibát figyelhetnek meg: az egyik a motor csapágyhibái. Amikor rendellenes állapotok vagy teljesítményromlás lépnek fel a motor csapágyaiban, az ilyen hibák időben történő észlelése alapvető fontosságú a váratlan leállások megelőzése, az állásidő lerövidítése és a karbantartási költségek csökkentése érdekében; A második a szoláris ívhiba, amely a váratlan utak, például a levegőn áthaladó áram által okozott ívkisülés jelenségére utal. Ezt gyakran a szigetelés meghibásodása, a laza csatlakozások és a napenergia-rendszerek egyéb problémái okozzák. A hiba által keltett magas hőmérséklet tüzet vagy az elektromos rendszer károsodását okozhatja. Ezért ennek a hibának a megfigyelése és észlelése szükséges eszköz a napenergia rendszerek biztonságos és megbízható működéséhez.
A hagyományos hibaészlelési módszerek, mint például a motor csapágyhibáinak figyelése, több eszközből álló diszkrét észlelésre és szabály{0}}alapú elemzésre támaszkodnak, míg a napívhiba-észlelés frekvenciatartományáram-jelelemzést és küszöbérték-értékelést használ. Ezek a módszerek nemcsak mély szakmai tudást igényelnek, hanem korlátozott alkalmazkodóképességgel és érzékenységgel is rendelkeznek, ami megnehezíti az észlelési pontosság garantálását és növeli a rendszer összetettségét.
A hibaészlelést szolgáló integrált szélső mesterséges intelligencia alapján, a valós idejű MCU-k, például a TMS320F28P550SJ hordozók{0}}használatával, a CNN-modellek helyi futtatása hatékonyan javíthatja a hibaészlelési arányt, csökkentheti a téves riasztások számát, és pontosabb előrejelző karbantartást tesz lehetővé. A CNN modell, amely képes önállóan megtanulni összetett mintákat a nyers szenzoradatokból, közvetlenül kinyerhet jellemzőket a rezgésjelekből, egyenáramokból és egyéb adatokból. A különböző működési feltételek, hardveres különbségek és előfeldolgozó algoritmusok kombinálásával javítható a modell alkalmazkodóképessége és megbízhatósága, valamint csökkenthető az észlelési késleltetés. Az olyan helyzetekben, mint a motorhajtás, a napenergia és az akkumulátorkezelés, a CNN-modellek pontosan azonosítják a hibamódokat, és valós idejű és hatékony észlelést érhetnek el dinamikus környezetben.
Összegzés
Az olyan alkalmazásokban, mint a motorhajtás és a napenergia, a valós idejű hibaészlelés a működési biztonság és a hosszú távú megbízhatóság sarokköve{0}}. Az Edge AI helyi valós idejű adatfeldolgozási képességeivel forradalmasította a hibaészlelési módszereket, jelentősen javítva az észlelési pontosságot és csökkentve a késleltetést, erős támogatást nyújtva a hatékony és stabil rendszerműködéshez.