當(dāng)前關(guān)于人工智能 （AI） 和神經(jīng)網(wǎng)絡(luò)的討論主要集中在生成應(yīng)用（生成圖像,、文本和視頻），很容易忽視 AI 將為工業(yè)和基礎(chǔ)設(shè)施應(yīng)用中的電子產(chǎn)品帶來變革的實(shí)際示例,。

　　不過,，雖然在電機(jī)驅(qū)動器,、太陽能（如圖 1 所示）和電池管理應(yīng)用的實(shí)時(shí)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(jìn)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(qiáng)高壓實(shí)時(shí)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(luò)處理單元 （NPU） 運(yùn)行卷積神經(jīng)網(wǎng)絡(luò) （CNN） 模型,，幫助在監(jiān)測系統(tǒng)故障時(shí)降低延遲和功耗,。通過將邊緣 AI 功能集成到用于管理實(shí)時(shí)控制的同一 MCU 中，可以幫助您優(yōu)化系統(tǒng)設(shè)計(jì),，同時(shí)增強(qiáng)整體性能,。

　　電機(jī)軸承和太陽能電弧故障的監(jiān)測

　　要實(shí)現(xiàn)電機(jī)驅(qū)動和太陽能系統(tǒng)的可靠運(yùn)行，需要進(jìn)行快速且可預(yù)測的系統(tǒng)故障檢測,，以幫助減少錯誤警報(bào),，同時(shí)還需要監(jiān)測電機(jī)軸承異常和實(shí)際故障。支持邊緣 AI 的 MCU 可以監(jiān)測兩種類型的故障：

• 當(dāng)電機(jī)軸承出現(xiàn)異常情況或老化時(shí),，會發(fā)生電機(jī)軸承故障,。檢測這些故障對于防止意外故障、減少停機(jī)時(shí)間和降低維護(hù)成本至關(guān)重要,。

• 太陽能電弧故障是指當(dāng)電流通過意外路徑（如空氣）時(shí)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(qiáng)烈的熱量,，從而導(dǎo)致火災(zāi)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(xiǎn)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(yīng)式監(jiān)測，系統(tǒng)可能會因?qū)嶋H故障或錯誤警報(bào)而發(fā)生意外停機(jī)或系統(tǒng)故障,，從而影響運(yùn)營效率和操作員安全,。例如，光伏逆變器中的誤報(bào)可能會導(dǎo)致系統(tǒng)停機(jī),，需要進(jìn)行檢查,，從而影響生產(chǎn)力。帶電電弧漏檢也會增加火災(zāi)或系統(tǒng)損壞的風(fēng)險(xiǎn),。

　　除了 MCU 之外,，一些電機(jī)軸承故障監(jiān)測方法還使用多個(gè)器件來實(shí)現(xiàn)實(shí)時(shí)控制，通過振動分析進(jìn)行監(jiān)測,、溫度監(jiān)控和聲學(xué)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(zhǔn)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(yīng)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(yīng)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(jī)控制的專用實(shí)時(shí)控制 MCU 會增加系統(tǒng)的復(fù)雜性。

　　基于邊緣 AI 的集成式故障檢測功能在 TMS320F28P550SJ 等實(shí)時(shí) MCU 中本地運(yùn)行 CNN 模型,，有助于提高故障檢測率,、避免誤報(bào)，同時(shí)提供更好的預(yù)測性維護(hù),。借助邊緣 AI,，這些系統(tǒng)可以學(xué)習(xí)并適應(yīng)環(huán)境，從而優(yōu)化實(shí)時(shí)控制,、提高整體系統(tǒng)可靠性,、安全性和效率，同時(shí)減少停機(jī)時(shí)間（請參閱圖 2）,。

　　圖 2 實(shí)時(shí)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(qiáng)實(shí)時(shí)控制系統(tǒng)中的故障監(jiān)測和檢測

　　用于電機(jī)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(xué)習(xí)復(fù)雜模式,，然后檢測指示軸承故障的細(xì)微變化,。

　　由于 CNN 模型可以自主從原始或預(yù)處理的傳感器數(shù)據(jù)（例如電機(jī)振動信號、太陽能直流電流或電池電壓和電流）中學(xué)習(xí),，因此 CNN 模型非常適合用于故障檢測和預(yù)測性維護(hù)的傳感器數(shù)據(jù)分析,。無需手動干預(yù)即可直接提取有意義的特征，從而實(shí)現(xiàn)穩(wěn)健,、準(zhǔn)確的檢測,。同時(shí)，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(yù)處理算法來提高模型的適應(yīng)性,、抗噪性和可靠性,，同時(shí)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(yùn)行條件下表現(xiàn)良好,，因此適用于工業(yè)環(huán)境中的實(shí)時(shí)監(jiān)測和預(yù)測性維護(hù)。在這些環(huán)境中采用 CNN 模型可以更早,、更有效地檢測電機(jī)軸承故障,，從而提高設(shè)備可靠性和運(yùn)行效率。

　　對于電機(jī)驅(qū)動器,，CNN 可以識別故障模式,，例如振動或電流信號導(dǎo)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(jìn)行電弧故障檢測。在電池管理應(yīng)用中,，CNN 模型可以分析電池充電曲線壽命,、進(jìn)行電池運(yùn)行狀況監(jiān)測和電池充電狀態(tài)估算。CNN 的適應(yīng)性可確保在動態(tài)條件下進(jìn)行精確的故 障檢測,，而且實(shí)時(shí)處理可提高效率,。

更多精彩內(nèi)容歡迎點(diǎn)擊==>>電子技術(shù)應(yīng)用-AET<<