Nedavno su Nacionalna komisija za razvoj i reforme i Nacionalna uprava za energiju zajednički izdali mišljenja o provedbi promicanja visoko-kvalitetnog razvoja energije "umjetne inteligencije+". U mišljenjima je posebno spomenuta jedna točka: procjena statusa energetske opreme i inteligentan rad i održavanje. Izgradite aplikacije kao što su inteligentna percepcija i upozorenje o statusu opreme, inteligentno pozicioniranje i dijagnoza kvarova opreme, inteligentno-donošenje odluka za održavanje statusa opreme, inteligentno predviđanje rizika od katastrofe opreme i inteligentno generiranje karata za rad na održavanju kako bi se poboljšala razina ekonomičnog upravljanja opremom.
U solarnoj fotonaponskoj industriji AI se tiho razvija.
Posljednjih godina solarna energija se ubrzano razvija. Godine 2024. globalni instalirani kapacitet fotonapona dosegnut će rekordnih 597 gigavata, što je povećanje od 33% u odnosu na 449 gigavata u 2023. Ovaj će rast dovesti do globalnog ukupnog instaliranog solarnog kapaciteta koji će premašiti 2,2 terawata, u usporedbi s približno 1,6 terawata do kraja 2022. SolarPower Europe predviđa da će se solarni instalirani kapacitet povećati za još jedan 10% na 655 gigavata do 2025. Trenutačno solarna energija čini otprilike 6,9% globalne opskrbe električnom energijom, što je porast u odnosu na oko 5,6% u 2023. Unatoč brzom rastu i golemom potencijalu solarne energije, mnoge tvrtke, organizacije i industrije još uvijek nisu voljne u potpunosti je usvojiti zbog povremenih ograničenja proizvodnje i učinkovitosti.
Na performanse solarnih panela utječu različiti čimbenici, uključujući promjenjive vremenske uvjete, različit intenzitet sunčeve svjetlosti i sposobnost sustava da upravlja prijenosom energije. Ako proizvedena električna energija nije pravilno regulirana, to može dovesti do rasipanja energije, niske učinkovitosti ili nepouzdanog napajanja - zabrinutostima koje si korisnici i tvrtke koje se oslanjaju na stabilnu energiju ne mogu priuštiti. U ovom slučaju, fino{3}}podešavanje ciklusa rada (tj. omjer vremena uključivanja i vremena isključivanja solarne ploče) ključno je za maksimiziranje iskorištenja energije sustava solarne ploče.
S druge strane, strojno učenje (ML) i rubna umjetna inteligencija (Edge AI) iz temelja mijenjaju učinkovitost raznih industrija omogućujući pametnije donošenje-odluka-na temelju podataka. Na primjer, u području obnovljive energije, strojno učenje optimizira izvedbu solarnih panela analizom uvjeta okoline, predviđanjem izlazne energije i implementacijom prediktivnog održavanja kako bi se smanjio zastoj. Uz solarnu energiju, strojno učenje također može poboljšati učinkovitost proizvodnje kroz prediktivno održavanje i automatizaciju procesa, smanjiti rasipanje energije u pametnim mrežama kroz-predviđanje opterećenja u stvarnom vremenu i poboljšati poljoprivrednu produktivnost podržavajući tehnologije precizne poljoprivrede. U ovim različitim slučajevima upotrebe, strojno učenje pokreće kontinuirano poboljšanje pretvaranjem složenih podataka u korisne uvide, u konačnici štedeći vrijeme, smanjujući troškove i poboljšavajući održivost. Kao odgovor na ovaj trend, različiti proizvođači kontrolera integrirali su AI tehnologiju u MCU/MPU kako bi zadovoljili nove zahtjeve industrije fotonaponskih pretvarača.
Infineon
HTEC tim upotrijebio je Infineonov PSoC Edge procesor kako bi istražio kako koristiti duboke neuronske mreže (DNN) za predviđanje optimalnog radnog ciklusa DC-DC pretvarača, s fokusom na prepoznavanje najrelevantnijih ulaznih značajki za poboljšanje performansi i pouzdanosti.
Mnoge od ovih metoda oslanjaju se na mjerne podatke kao što su sunčevo zračenje i temperatura okoline, jer su ti parametri usko povezani s izlaznom snagom solarnih ploča. Međutim, integracija senzora zračenja također donosi neke nedostatke, uključujući dodatne troškove i rizik od netočnih mjerenja zbog čimbenika kao što su nakupljanje prašine ili razlike u lokaciji senzora. Kako bi riješili ovaj problem, neki su istraživači predložili neizravnu procjenu vrijednosti infracrvenog zračenja, ali to povećava složenost modeliranja i može uvesti izvore pogrešaka koji se mogu širiti kroz MPPT algoritme.
Osim toga, predložene su metode bez senzora ili s niskim senzorom, koje koriste samo podatke o mjerenju napona i struje koje izravno dobivaju solarni paneli. Ovim unutarnjim signalima lako je pristupiti, u biti su sinkronizirani s radnim uvjetima solarne ploče i izbjegavaju mnoge složene probleme povezane s senzorom zračenja.
Softver za implementaciju algoritma praćenja maksimalne snage (MPPT) koji se temelji na umjetnoj inteligenciji postavljen je na prilagođenu hardversku platformu koju je razvio HTEC. Platforma sigurno povezuje izlaz solarne ploče s DC-DC pretvaračem i uključuje sve potrebne senzorske komponente za praćenje napona, struje i temperature okoline. Ovi signali služe kao ulazi za DNN, koji izračunava odgovarajući radni ciklus u stvarnom-vremenu. Platforma također ima Bluetooth komunikacijsku funkciju i podržava funkciju ljudsko-sučelja sa strojem (HMI), koja korisnicima može pružiti-povratne informacije o proizvodnji energije i statusu sustava u stvarnom-vremenu. Na ovaj način, sustav može upravljati radnim ciklusom DC-DC pretvarača, istovremeno pružajući informacije koje se mogu koristiti za prediktivno održavanje.
Modul upravljanja napajanjem: Dodijelite napajanje PSOC Edge i Bluetooth modulima.
Bluetooth komunikacijski modul: upravlja bežičnim prijenosom podataka za HMI funkcije.
Senzorski modul: mjeri-napon i struju u stvarnom vremenu koje generiraju solarni paneli.
Procesorski modul: PSOC Edge System Level Module (SOM): izvršava sve računalne zadatke, uključujući AI zaključivanje i kontrolnu logiku.
PSOC Edge E84 serija Arm Cortex-M mikrokontroler je visokih-performansi, niske-napone i siguran MCU opremljen ML ubrzanjem. Temelji se na Cortex-M55 jezgri visokih-performansi, podržava Helium DSP i uparen je s Arm Ethos-U55 NPU i Cortex-M33 jezgrom-niske snage. Koristi se u kombinaciji s Infineon platformom za hardversko ubrzanje ultra-niske snage NNLite. PSOC Edge može kontinuirano analizirati podatke senzora iz praćenja intenziteta sunčeve svjetlosti, temperature ploče i izlazne snage. To mu omogućuje dinamičko prilagođavanje smjera solarnih panela, praćenje MPPT-a i optimiziranje rada pretvarača bez kašnjenja uzrokovanog obradom oblaka. Osim toga, umjetna inteligencija može otkriti obrasce potrošnje energije i predvidjeti potražnju ili događaje sjenčanja, čime se dodatno optimiziraju strategije skladištenja i raspodjele energije. Skupovi podataka visoke kvalitete ključni su za razvoj i provjeru valjanosti rješenja za praćenje maksimalne snage (MPPT) temeljena na umjetnoj inteligenciji. Članak koristi javno dostupan skup podataka o obalnim fotonaponskim elektranama sa Sveučilišta Humboldt State u Sjedinjenim Državama, odabire visoko{20}}frekventne podatke uzorkovanja u intervalima od jedne minute tijekom tri godine, simulira izlazni napon i struju fotonaponskih panela na temelju parametara kao što su sunčevo zračenje i temperatura i generira radni ciklus koji odgovara točki maksimalne snage kao oznaku obuke. Istodobno se ekstrahiraju pomoćne značajke kao što su promjene napona i struje, a nakon predprocesiranja kao što je normalizacija i uklanjanje noćnih podataka, pruža se pouzdana podatkovna podrška za obuku. U konstrukciji AI modela usvojena je arhitektura više-slojnog perceptrona (MLP) kako bi se riješili nedostaci tradicionalnih metoda promatranja poremećaja (P&O), kao što su spora konvergencija i oscilacije snage. Učinkovitost modela optimizirana je kroz dvo-fazni pristup korak-po-obuke i-obuke u stvarnom vremenu. Obuka korak po korak omogućuje modelu da predvidi optimalne električne parametre na temelju trenutnih vrijednosti mjerenja, dok obuka u stvarnom-vremenu uvodi mehanizam povratne sprege koji uzima prethodno predviđanje kao naknadni ulaz, iterativno ga ispravlja kako bi simulirao stvarne scenarije i na kraju postiže MPPT shemu niske latencije, visoke robusnosti koja je prilagođena implementaciji ugrađene platforme, poboljšavajući učinkovitost iskorištavanja energije fotonaponskih sustava u dinamična okruženja.
Kako bi se implementirao AI model na PSOC Edge platformi, potrebno je pretvoriti model iz 32-formata s pomičnim-točkama u 8-bitni format. Uzimajući u obzir relativno kompaktnu arhitekturu neuronske mreže dizajniranu za MPPT zadatke, kvantizacija modela se uglavnom koristi kao tehnika optimizacije, a naprednije strategije kompresije kao što je destilacija modela se ne primjenjuju, jer ne poboljšava značajno učinkovitost ionako iznimno male veličine modela. Kvantizacija modela pretvara parametre modela iz 32-bitnih ili 64-bitnih prikaza s pomičnim zarezom u formate niske preciznosti kao što su 8-bitni cijeli brojevi, značajno smanjujući memorijski otisak i računalne zahtjeve modela, čineći ga prikladnijim za implementaciju rubnih uređaja. U isto vrijeme, korištenjem obuke svjesne kvantizacije (QAT) za simulaciju kvantizacijskih okruženja tijekom faze obuke, može se ublažiti negativan utjecaj smanjene točnosti na točnost modela, pa čak i poboljšati sposobnost generalizacije.
Nakon što je optimizacija modela dovršena, AI algoritam se postavlja na platformu Infineon PSOC Edge pomoću razvojnog okvira ModusToolbox. Okvir podržava implementaciju 8-bitnog modela kvantizacije, a korisnici samo trebaju izvesti model u formatu TensorFlow Lite (TFLite) kako bi ga neprimjetno integrirali u AI akcelerator platforme. Keras modeli s pomičnim zarezom također se mogu izravno primijeniti za upravljanje optimizacijom kvantizacije unutar okvira. Konvertirani AI model pretvorit će se u C kompatibilni format, s težinama i parametrima pohranjenim kao uint8 vrijednosti kako bi odgovarao 8-bitnoj arhitekturi AI akceleratora, čime se postiže brže zaključivanje i manja upotreba memorije. Procjena performansi pokazuje da iako se pogreška predviđanja snage kvantizacijskog modela povećala s 0,0109% na 0,6145%, kašnjenje zaključka smanjilo se s 3 milisekunde na 0,3 milisekunde, a potrošnja energije po zaključku smanjila se s 68,904 mikrodžula na 2,592 mikrodžula. Štoviše, performanse na PSOC Edge više su od 23 puta niže od onih koje se temelje na rješenju Arm Cortex-M4, sa smanjenjem kašnjenja više od 23 puta i smanjenjem potrošnje energije više od 42 puta, što u potpunosti pokazuje prednosti implementacije učinkovitih AI rješenja u stvarnom vremenu na rubnoj MPPT primjeni ove platforme.
Uz optimizaciju MPPT-a,-uvidi umjetne inteligencije u stvarnom vremenu također donose dodatne prednosti - prediktivnog održavanja. HTEC tim razvio je namjensko korisničko sučelje koje može predvidjeti kontinuirane uvide u performanse sustava na temelju AI modela. Ova predviđanja mogu se usporediti sa stvarnom proizvodnjom električne energije kako bi se identificirale značajne razlike koje mogu biti uzrokovane degradacijom performansi komponente, omogućujući zainteresiranim stranama proaktivno organiziranje održavanja. HTEC ističe da budući rad može istražiti daljnje tehnike optimizacije, kao što je integracija više podataka senzora ili korištenje naprednih metoda kompresije modela, kako bi se dodatno poboljšala točnost i performanse sustava. Unatoč tome, trenutni pristup naglašava potencijal MPPT-a vođenog umjetnom inteligencijom u ugrađenim solarnim rješenjima, pružajući smjernice za učinkovitije i održivije upravljanje energijom i pametnije prakse održavanja rubnih uređaja.
STMicroelectronics
STMicroelectronics je lansirao rubni AI arc fault circuit breaker (AFCI) rješenje temeljeno na STM32.
U području električne sigurnosti, požari uzrokovani lučnim kvarovima čine do jedne četvrtine, a stalna pojava novih scenarija primjene kao što su solarni paneli, baterije, električni alati i električni bicikli iznijela je veće inovativne zahtjeve za tehnologiju zaštite od luka. Iako algoritmi-temeljeni na pravilima mogu poboljšati sigurnost električnih uređaja, njihova je prilagodljivost okolini ograničena, a stopa lažnih alarma visoka. AI rješenja temeljena na oblaku, iako vrlo precizna, suočavaju se s rizicima kašnjenja i privatnosti.
U tom kontekstu, rubna AI rješenja postala su idealna točka ravnoteže - ne zahtijevaju mrežne veze i vanjsku obradu i mogu dovršiti obradu podataka lokalno na uređaju u stvarnom vremenu, postižući trenutnu detekciju i odgovor na lukove dok eliminiraju rizike privatnosti i sigurnosti. U isto vrijeme, kontinuiranim učenjem prilagođavanja različitim okruženjima, značajno smanjuju stope lažnih alarma i poboljšavaju učinkovitost sustava. Odabir alata NanoEdge AI Studio kao razvojne jezgre, sa svojim-prijateljskim sučeljem i jednostavnošću upotrebe, može automatski filtrirati i generirati optimalni model na temelju korisničkih podataka; Ako su dostupne prethodno obučene neuronske mreže, STM32Cube.AI se također može koristiti za optimizaciju kompresije radi prilagodbe ugrađenim okruženjima.
U specifičnoj implementaciji, kao nosač hardvera koristi se prilagođena AFCI ploča sa STM32G4 kao jezgrom. Prvo se prikuplja oko 1000 skupova signala normalnog rada, a zatim se prikuplja jednak broj signala kvara luka. Dvije vrste podataka uvoze se u projekt klasifikacije NanoEdge AI Studija, a alat automatski generira prilagođenu AI biblioteku i integrira je u kod kako bi se postiglo-praćenje alarma koji pokreću struju i luk u stvarnom vremenu. Ova shema koristi strujni senzor brzine uzorkovanja od 150kHz za obradu dvije vrste podataka (greška luka i bez luka) za 2048 × 1 os, u konačnici postižući 100% točnost otkrivanja, zauzimajući samo 16,7 KB RAM-a i 0,5 KB Flash prostora za pohranu.
NXP
Tehnologija detekcije luka NXP MCX N serije NPU široko se koristi u raznim prilikama koje zahtijevaju detekciju luka, kao što su:
Energetski sustav: koristi se za praćenje i otkrivanje grešaka u električnom luku u elektroenergetskom sustavu i poduzimanje pravovremenih mjera za sprječavanje širenja grešaka.
Industrijska kontrola: koristi se u industrijskoj automatizaciji i sustavima kontrole robota za otkrivanje potencijalnih rizika od luka i osiguravanje sigurnosti proizvodnje.
Pametni dom: u sustavima pametnog doma koristi se za praćenje stanja luka u krugu i poboljšanje sigurnosti potrošnje električne energije u kućanstvu.
NXP je lansirao softver i hardverska rješenja za detekciju električnog luka, kao i softver za obuku prikupljanja podataka, koji može znatno ubrzati brzinu razvoja korisničkih proizvoda za detekciju električnog luka. MCU serije MCX N interno integrira NPU, što može postići-vodeću brzinu zaključivanja u industriji od 4,8 Gops i ubrzati rad konvolucijskih neuronskih mreža. Poboljšajte-izvedbu detekcije luka u stvarnom vremenu.
Implementacijski proces detekcije luka kvara temeljen na umjetnoj inteligenciji uključuje pet koraka: prikupljanje podataka, obuku podataka, kvantifikaciju modela, provjeru valjanosti modela i implementaciju, a sve to može se dovršiti putem gornjeg računalnog softvera-na jednom mjestu koji osigurava NXP.
Kao što je prikazano na donjoj slici, platforma za testiranje izgrađena je prema zahtjevima UL1699B. Izlaz izvora PV simulacije ulazi u DC PV ulazni terminal fotonaponskog pretvarača nakon prolaska kroz uređaj za generiranje luka. Spajanjem transformatora u seriju otkrijte AC signal koji stvara luk kvara. Preko akvizicijske ploče, ADC integriran u MCXN947 ima 16-bitnu rezoluciju i može podržati brzinu uzorkovanja do 2Mbps pri 16-bitnoj rezoluciji, što ga čini vrlo prikladnim za akviziciju lučnog signala. Signal uzorkuje ADC i obrađuje ga MCU.
TAkvizicijska ploča koju osigurava NXP trenutno podržava istovremenu detekciju dvaju signala luka, a akvizicijska ploča uključena je u FRDM-MXN947 ploču kao kćerinska kartica.
Što se tiče dizajna akvizicijskog kruga, u teorijskim istraživanjima, analizom karakteristika frekvencijske domene, obično se utvrdi da kada se pojavi DC kvarni luk, harmonijska energija istosmjerne struje u frekvencijskom području od 10KHz-100kHz će značajno porasti. Dakle, dizajnirani sklop koristi pojasno filtriranje za obradu ulaznog signala. Karakteristike frekvencijskog pojasa prikazane su na sljedećoj slici:
U isto vrijeme, u primjeni metoda detekcije frekvencijske domene, kako bi se izbjeglo međusobno spajanje i interferencija između karakterističnog frekvencijskog pojasa DC lukova kvara i frekvencijskog pojasa harmonijskog izobličenja uzrokovanog samokontrolom fotonaponskih sustava, frekvencijski pojas 10kHz-100kHz odabran je kao karakteristični frekvencijski pojas DC lukova kvara za analizu i detekciju.
U principu, FFT se koristi za harmonijski izračun, uzimajući 2048 točaka kao segmente za FFT rad. MCXN947 ima PowerQuad modul unutra, koji može ubrzati FFT rad. Izračunati rezultati se kvantiziraju i šalju u NPU koji prenosi MCXN947 na obradu. Dobiti konačni rezultat klasifikacije. Tako učinkovito identificira scene s električnim lukovima.
Tijekom rada-u stvarnom vremenu, rezultati otkrivanja ispisuju se putem serijskog priključka. Trenutno, kada se otkrije luk, stupanj podudaranja izlaznog prepoznavanja je 99%.
Renesas Electronics
Fuchang Electronics lansirao je rubni sustav za otkrivanje kvarova pomoću umjetne inteligencije (AI) koristeći RA6M4 MCU tvrtke Renesas Electronics, koji može postići brzo i učinkovito otkrivanje. Ovaj je sustav vrlo prikladan za solarnu energiju, pametnu energiju i DC sustave, pruža-sigurnosni nadzor u stvarnom vremenu uz minimalne resurse. AFCI rješenje usvaja rješenje AI Plus iz Future Design Centera (FDC), koje integrira FDC AI i Reality AI rješenja.
S globalnom promocijom standarda NEC, IEC 60364-4-42 i UL 1699B, očekuje se da će godišnje isporuke AFCI-ja premašiti 40 milijuna jedinica do 2030. Fuchang Electronics koristi Renesas RA6M4 MCU i Reality AI Tools®, razvili smo revolucionarni terminalni AI sustav koji koristi manje od 100 kB od flash/RAM za postizanje gotovo savršene detekcije u manje od 4ms, gotovo eliminirajući lažne alarme i identificiranje opasnih DC i AC lukova koje drugi uređaji ne mogu prepoznati.
Glavna prednost: prepoznavanje vremenskih serija temeljeno na umjetnoj inteligenciji, uz podršku Renesas Reality AI
Detekcija: Greške luka (mali i veliki lukovi), neovlašteni otvoreni i zatvoreni krugovi i abnormalne krivulje struje
Ultra brzo otkrivanje: vrijeme zaključivanja od samo 10-250 milisekundi, uključujući pretprocesiranje i provjeru valjanosti u više prozora.
Učenje jednim klikom: ugrađeni gumb može pomoći u automatskoj kalibraciji tiskane ploče u skladu s dizajnom okruženja kupca. Mogućnost kopiranja kalibriranih podataka na druge strujne ploče. Nema potrebe za AI/ML obukom temeljenom na oblaku
Ciljana tržišta i primjene: Solarni pretvarači, prekidači strujnog kruga, sustavi za pohranu baterije (BESS), pretvarači, istosmjerni punjači za električna vozila, industrijska sklopna oprema, PDU alati za baterije visoke-napone za podatkovne centre umjetne inteligencije, električna vozila
Grupa proizvoda RA6M4 mikrokontrolera (MCU) tvrtke Renesas Electronics koristi TrustZone podršku ® Arm Cortex-M33 jezgru visokih-performansi. Kada se koristi u kombinaciji sa Secure Crypto Engine (SCE) unutar čipa, može pružiti funkcionalnost sigurnog čipa. Integrirani Ethernet MAC s namjenskim DMA osigurava visoku propusnost podataka. RA6M4 usvaja učinkovit proces od 40 nm, podržan konceptom otvorenog i fleksibilnog ekosustava fleksibilnog konfiguracijskog paketa (FSP) temeljenog na FreeRTOS-u, a može se proširiti za korištenje drugih-operativnih sustava u stvarnom vremenu (RTOS) i međuprograma. RA6M4 je prikladan za potrebe IoT aplikacija kao što su Ethernet, sigurnosne značajke za buduće aplikacije, ugrađeni RAM velikog kapaciteta i niska potrošnja energije (pokretanje CoreMark algoritma iz flash memorije, samo 99 µ A/MHz).
Texas Instruments
Iako primjena umjetne inteligencije u-kontrolnim sustavima u stvarnom vremenu kao što su motorni pogon, solarna energija i upravljanje baterijom nije često bila na naslovnicama poput novih velikih jezičnih modela, primjena rubne umjetne inteligencije u otkrivanju grešaka može učinkovito poboljšati učinkovitost, sigurnost i produktivnost sustava.
MCU može poboljšati sposobnost otkrivanja grešaka u visoko{0}}naponskim-kontrolnim sustavima u stvarnom vremenu. Takvi MCU-ovi koriste integrirane procesorske jedinice neuronske mreže (NPU) za pokretanje modela konvolucijske neuronske mreže (CNN), što može učinkovito smanjiti latenciju i potrošnju energije prilikom praćenja grešaka u sustavu. Integracija rubnih AI funkcija u isti MCU koji upravlja-kontrolom u stvarnom vremenu može pomoći u optimiziranju dizajna sustava i poboljšanju ukupne izvedbe. Ključ pouzdanog rada u sustavima motornog pogona i solarne energije leži u brzom i predvidljivom otkrivanju grešaka, koje ne samo da smanjuje lažne alarme, već također prati abnormalnosti ležajeva motora i stvarne greške u stvarnom vremenu.
MCU-ovi s rubnim AI mogućnostima mogu nadzirati dvije vrste grešaka: jedna je greška ležaja motora. Kada dođe do nenormalnih uvjeta ili degradacije performansi u ležajevima motora, pravodobno otkrivanje takvih grešaka ključno je za sprječavanje neočekivanih gašenja, skraćivanje vremena zastoja i smanjenje troškova održavanja; Drugi je kvar solarnog luka, koji se odnosi na fenomen pražnjenja luka uzrokovanog neočekivanim putevima kao što je struja koja prolazi kroz zrak. Često je uzrokovan kvarom izolacije, labavim spojevima i drugim problemima u sustavima solarne energije. Visoka temperatura nastala ovom greškom može dovesti do požara ili oštećenja električnog sustava. Stoga je praćenje i otkrivanje ovog kvara neophodno sredstvo za osiguranje sigurnog i pouzdanog rada solarnih energetskih sustava.
Tradicionalne metode otkrivanja kvarova, kao što je praćenje kvara na ležaju motora, oslanjaju se na diskretno otkrivanje više uređaja i-analizu temeljenu na pravilima, dok otkrivanje kvara solarnog luka koristi analizu signala struje frekvencijske domene i procjenu praga. Ove metode ne zahtijevaju samo duboko stručno znanje, već imaju i ograničenu prilagodljivost i osjetljivost, što otežava jamčenje točnosti detekcije i povećava složenost sustava.
Na temelju integrirane rubne umjetne inteligencije za otkrivanje grešaka, koristeći MCU-ove u stvarnom-vremenu kao što je TMS320F28P550SJ kao nosače, lokalno pokretanje CNN modela može učinkovito poboljšati stope otkrivanja grešaka, smanjiti lažne alarme i postići preciznije prediktivno održavanje. CNN model, sa svojom sposobnošću autonomnog učenja složenih uzoraka iz neobrađenih senzorskih podataka, može izravno izdvojiti značajke iz vibracijskih signala, istosmjernih struja i drugih podataka. Kombiniranjem različitih radnih uvjeta, hardverskih razlika i algoritama predprocesiranja, prilagodljivost i pouzdanost modela mogu se poboljšati, a latencija otkrivanja može se smanjiti. U scenarijima kao što su motorni pogon, solarna energija i upravljanje baterijom, CNN modeli mogu točno identificirati načine kvarova i postići učinkovito-detektiranje u stvarnom-vremenu u dinamičnim okruženjima.
Sažetak
U scenarijima primjene kao što su motorni pogon i solarna energija, otkrivanje-greške u stvarnom-vremenu kamen je temeljac osiguravanja operativne sigurnosti i dugoročne-pouzdanosti. Edge AI, sa svojim lokalnim-mogućnostima obrade podataka u stvarnom vremenu, napravio je revoluciju u metodama otkrivanja grešaka, značajno poboljšavajući točnost otkrivanja i smanjujući kašnjenje, pružajući snažnu podršku za učinkovit i stabilan rad sustava.