【導讀】本文中將討論集成式微控制器 (MCU) 如何增強高壓實時控制系統(tǒng)中的故障檢測功能。此類 MCU 使用集成神經(jīng)網(wǎng)絡處理單元 (NPU) 運行卷積神經(jīng)網(wǎng)絡 (CNN) 模型,幫助在監(jiān)測系統(tǒng)故障時降低延遲和功耗。通過將邊緣 AI 功能集成到用于管理實時控制的同一 MCU 中,可以幫助您優(yōu)化系統(tǒng)設計,同時增強整體性能。
當前關(guān)于人工智能 (AI) 和神經(jīng)網(wǎng)絡的討論主要集中在生成應用(生成圖像、文本和視頻),很容易忽視 AI 將為工業(yè)和基礎設施應用中的電子產(chǎn)品帶來變革的實際示例。
不過,雖然在電機驅(qū)動器、太陽能(如圖 1 所示)和電池管理應用的實時控制系統(tǒng)中采用 AI 不會像新的大型語言模型那樣引起大量關(guān)注,但使用邊緣 AI 進行故障檢測可以顯著影響系統(tǒng)的效率、安全性和生產(chǎn)力。
圖 1 太陽能電池板陣列
本文中將討論集成式微控制器 (MCU) 如何增強高壓實時控制系統(tǒng)中的故障檢測功能。此類 MCU 使用集成神經(jīng)網(wǎng)絡處理單元 (NPU) 運行卷積神經(jīng)網(wǎng)絡 (CNN) 模型,幫助在監(jiān)測系統(tǒng)故障時降低延遲和功耗。通過將邊緣 AI 功能集成到用于管理實時控制的同一 MCU 中,可以幫助您優(yōu)化系統(tǒng)設計,同時增強整體性能。
電機軸承和太陽能電弧故障的監(jiān)測
要實現(xiàn)電機驅(qū)動和太陽能系統(tǒng)的可靠運行,需要進行快速且可預測的系統(tǒng)故障檢測,以幫助減少錯誤警報,同時還需要監(jiān)測電機軸承異常和實際故障。支持邊緣 AI 的 MCU 可以監(jiān)測兩種類型的故障:
? 當電機軸承出現(xiàn)異常情況或老化時,會發(fā)生電機軸承故障。檢測這些故障對于防止意外故障、減少停機時間和降低維護成本至關(guān)重要。
? 太陽能電弧故障是指當電流通過意外路徑(如空氣)時發(fā)生的電弧放電。太陽能電弧故障通常由太陽能系統(tǒng)中的絕緣擊穿、連接松動或其他故障引起。放電會產(chǎn)生強烈的熱量,從而導致火災或電氣系統(tǒng)損壞。監(jiān)測和檢測太陽能電弧故障有助于防止危險事件,并確保太陽能系統(tǒng)的安全性和可靠性。
如果沒有響應式監(jiān)測,系統(tǒng)可能會因?qū)嶋H故障或錯誤警報而發(fā)生意外停機或系統(tǒng)故障,從而影響運營效率和操作員安全。例如,光伏逆變器中的誤報可能會導致系統(tǒng)停機,需要進行檢查,從而影響生產(chǎn)力。帶電電弧漏檢也會增加火災或系統(tǒng)損壞的風險。
除了 MCU 之外,一些電機軸承故障監(jiān)測方法還使用多個器件來實現(xiàn)實時控制,通過振動分析進行監(jiān)測、溫度監(jiān)控和聲學測量。然后,這種離散化方法使用基于數(shù)據(jù)的規(guī)則檢測來監(jiān)測潛在故障,這需要手動解析,并且可能會錯過早期故障,或者無法準確檢測故障類型。
同樣,電弧故障檢測的傳統(tǒng)方法是分析頻域中的電流信號,然后應用基于閾值的規(guī)則來檢測電弧故障信號。但這兩種方法都需要大量的系統(tǒng)專業(yè)知識,并且自適應性和靈敏度都受到限制,從而限制檢測精度。此外,向系統(tǒng)中添加用于故障監(jiān)測的分立式器件和用于電機控制的專用實時控制 MCU 會增加系統(tǒng)的復雜性。
基于邊緣 AI 的集成式故障檢測功能在 TMS320F28P550SJ 等實時 MCU 中本地運行 CNN 模型,有助于提高故障檢測率、避免誤報,同時提供更好的預測性維護。借助邊緣 AI,這些系統(tǒng)可以學習并適應環(huán)境,從而優(yōu)化實時控制、提高整體系統(tǒng)可靠性、安全性和效率,同時減少停機時間(請參閱圖 2)。
圖 2 實時控制系統(tǒng)中支持邊緣 AI 的故障監(jiān)測解決方案
CNN 模型如何增強實時控制系統(tǒng)中的故障監(jiān)測和檢測
用于電機軸承和電弧故障檢測的 CNN 模型可以從原始傳感器數(shù)據(jù)(例如振動信號)中學習復雜模式,然后檢測指示軸承故障的細微變化。
由于 CNN 模型可以自主從原始或預處理的傳感器數(shù)據(jù)(例如電機振動信號、太陽能直流電流或電池電壓和電流)中學習,因此 CNN 模型非常適合用于故障檢測和預測性維護的傳感器數(shù)據(jù)分析。無需手動干預即可直接提取有意義的特征,從而實現(xiàn)穩(wěn)健、準確的檢測。同時,可以利用表示可變工作條件和不同硬件變化的傳感器數(shù)據(jù)以及快速傅里葉變換 (FFT) 等不同的預處理算法來提高模型的適應性、抗噪性和可靠性,同時減少總檢測或推理延遲。
由于 CNN 可以高效處理大量數(shù)據(jù),并在不同的運行條件下表現(xiàn)良好,因此適用于工業(yè)環(huán)境中的實時監(jiān)測和預測性維護。在這些環(huán)境中采用 CNN 模型可以更早、更有效地檢測電機軸承故障,從而提高設備可靠性和運行效率。
對于電機驅(qū)動器,CNN 可以識別故障模式,例如振動或電流信號導致的軸承磨損或轉(zhuǎn)子不平衡。在太陽能系統(tǒng)中,CNN 可以檢測直流電流波形中的異常,從而進行電弧故障檢測。在電池管理應用中,CNN 模型可以分析電池充電曲線壽命、進行電池運行狀況監(jiān)測和電池充電狀態(tài)估算。CNN 的適應性可確保在動態(tài)條件下進行精確的故障檢測,而且實時處理可提高效率。
免責聲明:本文為轉(zhuǎn)載文章,轉(zhuǎn)載此文目的在于傳遞更多信息,版權(quán)歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權(quán)問題,請聯(lián)系小編進行處理。
推薦閱讀:
優(yōu)化簡易PCB電路板的大規(guī)模測試,提高生產(chǎn)效率
貿(mào)澤推出RISC-V技術(shù)資源中心 探索開源的未來
DigiKey 于2024 年 12 月 1 日正式啟動第 16 屆年度 DigiWish 佳節(jié)獻節(jié)活動