Di recente, la Commissione nazionale per lo sviluppo e la riforma e l'Amministrazione nazionale per l'energia hanno emesso congiuntamente pareri di attuazione sulla promozione dello sviluppo di alta-qualità dell'energia "intelligenza artificiale+". I pareri menzionano specificamente un punto: la valutazione dello stato delle apparecchiature elettriche e il funzionamento e la manutenzione intelligenti. Crea applicazioni quali percezione e avviso intelligenti dello stato delle apparecchiature, posizionamento intelligente e diagnosi dei guasti delle apparecchiature, processo decisionale intelligente-per la manutenzione dello stato delle apparecchiature, previsione intelligente dei rischi di disastri delle apparecchiature e generazione intelligente di ticket di lavoro di manutenzione per migliorare il livello di gestione snella delle apparecchiature.
Nel settore del solare fotovoltaico, l’intelligenza artificiale si sta sviluppando silenziosamente.
Negli ultimi anni l’energia solare si è sviluppata rapidamente. Nel 2024, la capacità installata globale di fotovoltaico raggiungerà il livello record di 597 gigawatt, con un aumento del 33% rispetto a 449 gigawatt nel 2023. Questa crescita porterà a una capacità solare installata totale globale superiore a 2,2 terawatt, rispetto a circa 1,6 terawatt entro la fine del 2022. SolarPower Europe prevede che la capacità solare installata aumenterà di un altro 10% a 655 gigawatt entro il 2025. Attualmente, l’energia solare rappresenta circa il 6,9% della fornitura globale di elettricità, rispetto al 5,6% circa nel 2023. Nonostante la rapida crescita e l’enorme potenziale dell’energia solare, molte aziende, organizzazioni e industrie non sono ancora disposte ad adottarla completamente a causa della produzione intermittente e dei limiti di efficienza.
Le prestazioni dei pannelli solari sono influenzate da vari fattori, tra cui il cambiamento delle condizioni meteorologiche, la variazione dell'intensità della luce solare e la capacità del sistema di gestire la trasmissione di energia. Se l'elettricità generata non è adeguatamente regolata, potrebbe portare a sprechi energetici, bassa efficienza o fornitura di energia inaffidabile - preoccupazioni che gli utenti e le aziende che fanno affidamento su un'energia stabile non possono permettersi. In questo caso, la regolazione fine- del ciclo di lavoro (ovvero il rapporto tra il tempo di accensione e quello di spegnimento del pannello solare) è fondamentale per massimizzare l'utilizzo dell'energia del sistema di pannelli solari.
D'altro canto, il machine learning (ML) e l'intelligenza artificiale edge (Edge AI) stanno cambiando radicalmente l'efficienza di vari settori consentendo processi decisionali più intelligenti e basati sui dati. Ad esempio, nel campo delle energie rinnovabili, l’apprendimento automatico ottimizza le prestazioni dei pannelli solari analizzando le condizioni ambientali, prevedendo la produzione di energia e implementando la manutenzione predittiva per ridurre al minimo i tempi di inattività. Oltre all'energia solare, il machine learning può anche migliorare l'efficienza produttiva attraverso la manutenzione predittiva e l'automazione dei processi, ridurre gli sprechi energetici nelle reti intelligenti attraverso la previsione del carico in tempo reale-e migliorare la produttività agricola supportando le tecnologie dell'agricoltura di precisione. In questi diversi casi d'uso, l'apprendimento automatico favorisce il miglioramento continuo trasformando dati complessi in informazioni fruibili, risparmiando tempo, riducendo i costi e migliorando la sostenibilità. In risposta a questa tendenza, diversi produttori di controller hanno integrato la tecnologia AI negli MCU/MPU per soddisfare le nuove esigenze del settore degli inverter fotovoltaici.
Infineon
Il team HTEC ha utilizzato il processore PSoC Edge di Infineon per studiare come utilizzare le reti neurali profonde (DNN) per prevedere il ciclo di lavoro ottimale dei convertitori DC-DC, con particolare attenzione all'identificazione delle funzionalità di input più rilevanti per migliorare prestazioni e affidabilità.
Molti di questi metodi si basano su dati di misurazione come l’irradianza solare e la temperatura ambiente, poiché questi parametri sono strettamente correlati alla potenza erogata dai pannelli solari. Tuttavia, l’integrazione dei sensori di irraggiamento comporta anche alcuni inconvenienti, tra cui costi aggiuntivi e il rischio di misurazioni imprecise a causa di fattori quali l’accumulo di polvere o le differenze di posizione dei sensori. Per risolvere questo problema, alcuni ricercatori hanno proposto una stima indiretta dei valori di irradianza infrarossa, ma ciò aumenta la complessità della modellazione e può introdurre fonti di errore che potrebbero propagarsi attraverso gli algoritmi MPPT.
Inoltre, sono stati proposti metodi sensorless o a basso sensore, che utilizzano solo i dati di misurazione della tensione e della corrente forniti direttamente dai pannelli solari. Questi segnali interni sono di facile accesso, essenzialmente sincronizzati con le condizioni operative del pannello solare ed evitano molti problemi complessi legati al rilevamento dell’irradianza.
Il software per l'implementazione dell'algoritmo di inseguimento del punto di massima potenza (MPPT) basato sull'intelligenza artificiale è stato distribuito su una piattaforma hardware personalizzata sviluppata da HTEC. La piattaforma collega in modo sicuro l'uscita del pannello solare a un convertitore CC-CC e include tutti i componenti di rilevamento necessari per il monitoraggio di tensione, corrente e temperatura ambiente. Questi segnali fungono da input per DNN, che calcola il ciclo di lavoro appropriato in tempo reale-. La piattaforma dispone anche della funzione di comunicazione Bluetooth e supporta la funzione di interfaccia uomo{5}}macchina (HMI), che può fornire agli utenti un feedback in tempo reale-sulla produzione di energia e sullo stato del sistema. In questo modo, il sistema può gestire il ciclo di lavoro dei convertitori DC-DC fornendo allo stesso tempo informazioni che possono essere utilizzate per la manutenzione predittiva.
Modulo di gestione dell'alimentazione: assegna l'alimentazione ai moduli PSOC Edge e Bluetooth.
Modulo di comunicazione Bluetooth: gestisce la trasmissione dati wireless per le funzioni HMI.
Modulo di rilevamento: misura la tensione e la corrente in tempo reale-generate dai pannelli solari.
Modulo processore: PSOC Edge System Level Module (SOM): esegue tutte le attività di elaborazione, inclusa l'inferenza AI e la logica di controllo.
Il microcontroller Arm Cortex-M della serie PSOC Edge E84 è un MCU ad alte-prestazioni, basso-consumo e sicuro dotato di accelerazione ML. Si basa sul core-Cortex-M55 ad alte prestazioni, supporta Helium DSP ed è abbinato alla NPU Arm Ethos-U55 e al core Cortex-M33 a basso consumo energetico. Viene utilizzato insieme alla piattaforma di accelerazione hardware Infineon NNLite a bassissimo consumo energetico. PSOC Edge può analizzare continuamente i dati del sensore monitorando l'intensità della luce solare, la temperatura del pannello e la potenza in uscita. Ciò gli consente di regolare dinamicamente la direzione dei pannelli solari, tracciare l'MPPT e ottimizzare il funzionamento dell'inverter senza il ritardo causato dall'elaborazione del cloud. Inoltre, l’intelligenza artificiale può rilevare modelli di consumo energetico e prevedere la domanda o gli eventi di ombreggiamento, ottimizzando così ulteriormente le strategie di stoccaggio e allocazione dell’energia. Set di dati di alta qualità sono essenziali per lo sviluppo e la validazione di soluzioni di monitoraggio del punto di massima potenza (MPPT) basate sull'intelligenza artificiale. L'articolo utilizza il set di dati delle centrali fotovoltaiche costiere disponibile al pubblico della Humboldt State University negli Stati Uniti, seleziona dati di campionamento ad alta-frequenza con intervalli di un minuto su tre anni, simula la tensione e la corrente in uscita dei pannelli fotovoltaici in base a parametri quali l'irradiazione solare e la temperatura e genera il ciclo di lavoro corrispondente al punto di massima potenza come etichetta di addestramento. Allo stesso tempo, vengono estratte le caratteristiche ausiliarie come le variazioni di tensione e corrente e, dopo la preelaborazione come la normalizzazione e la rimozione dei dati notturni, viene fornito un supporto dati affidabile per la formazione. Nella costruzione di modelli di intelligenza artificiale, viene adottata un'architettura multi-percettrone (MLP) per affrontare le carenze dei metodi tradizionali di osservazione delle perturbazioni (P&O), come la convergenza lenta e le oscillazioni di potenza. Le prestazioni del modello vengono ottimizzate attraverso un approccio in due-fasi: addestramento passo passo-passo-e addestramento in tempo reale-. L'addestramento passo passo consente al modello di prevedere i parametri elettrici ottimali in base ai valori di misurazione istantanei, mentre l'addestramento in tempo reale-introduce un meccanismo di feedback che prende la previsione precedente come input successivo, la corregge in modo iterativo per simulare scenari reali e infine ottiene uno schema MPPT a bassa latenza ed elevata robustezza, adatto all'implementazione di piattaforme integrate, migliorando l'efficienza di utilizzo dell'energia dei sistemi fotovoltaici in ambienti dinamici.
Per implementare il modello AI sulla piattaforma PSOC Edge, è necessario convertire il modello dal formato a virgola mobile a 32-bit-al formato a 8 bit. Considerando l'architettura di rete neurale relativamente compatta progettata per attività MPPT, la quantizzazione del modello viene utilizzata principalmente come tecnica di ottimizzazione e non vengono applicate strategie di compressione più avanzate come la distillazione del modello, poiché non migliora significativamente l'efficienza delle dimensioni del modello già estremamente ridotte. La quantizzazione del modello converte i parametri del modello da rappresentazioni a virgola mobile a 32 o 64 bit in formati a bassa precisione come numeri interi a 8 bit, riducendo significativamente l'ingombro della memoria e i requisiti computazionali del modello, rendendolo più adatto alla distribuzione di dispositivi edge. Allo stesso tempo, utilizzando l'addestramento basato sulla quantizzazione (QAT) per simulare gli ambienti di quantizzazione durante la fase di addestramento, è possibile alleviare l'impatto negativo di una ridotta accuratezza sull'accuratezza del modello e persino migliorare la capacità di generalizzazione.
Una volta completata l'ottimizzazione del modello, l'algoritmo AI viene distribuito sulla piattaforma Infineon PSOC Edge utilizzando il framework di sviluppo ModusToolbox. Il framework supporta l'implementazione del modello di quantizzazione a 8-bit e gli utenti devono solo esportare il modello in formato TensorFlow Lite (TFLite) per integrarlo perfettamente nell'acceleratore AI della piattaforma. I modelli Keras in virgola mobile possono anche essere implementati direttamente per gestire l'ottimizzazione della quantizzazione all'interno del framework. Il modello AI convertito verrà convertito in un formato compatibile con C, con pesi e parametri archiviati come valori uint8 per corrispondere all'architettura a 8-bit dell'acceleratore AI, ottenendo un'inferenza più rapida e un minore utilizzo della memoria. La valutazione delle prestazioni mostra che, sebbene l'errore di previsione della potenza del modello di quantizzazione sia aumentato dallo 0,0109% allo 0,6145%, il ritardo di inferenza è diminuito da 3 millisecondi a 0,3 millisecondi e il consumo di energia per inferenza è diminuito da 68,904 microjoule a 2,592 microjoule. Inoltre, le prestazioni sul PSOC Edge sono più di 23 volte inferiori a quelle basate sulla soluzione Arm Cortex-M4, con una riduzione del ritardo di oltre 23 volte e una riduzione del consumo energetico di oltre 42 volte, dimostrando pienamente i vantaggi dell'implementazione di soluzioni AI efficienti e in tempo reale sull'applicazione MPPT edge di questa piattaforma.
Oltre a ottimizzare MPPT, gli approfondimenti dell'AI in tempo reale- offrono anche ulteriori vantaggi -manutenzione predittiva. Il team HTEC ha sviluppato un'interfaccia utente dedicata in grado di prevedere approfondimenti continui sulle prestazioni del sistema sulla base di modelli di intelligenza artificiale. Queste previsioni possono essere incrociate con la produzione effettiva di energia per identificare differenze significative che potrebbero essere causate dal degrado delle prestazioni dei componenti, consentendo alle parti interessate di organizzare in modo proattivo la manutenzione. HTEC sottolinea che il lavoro futuro potrà esplorare ulteriori tecniche di ottimizzazione, come l'integrazione di più dati dei sensori o l'utilizzo di metodi avanzati di compressione dei modelli, per migliorare ulteriormente la precisione e le prestazioni del sistema. Tuttavia, l’approccio attuale evidenzia il potenziale dell’MPPT basato sull’intelligenza artificiale nelle soluzioni solari integrate, fornendo indicazioni per una gestione dell’energia più efficiente e sostenibile e pratiche di manutenzione dei dispositivi edge più intelligenti.
STMicroelettronica
STMicroelectronics ha lanciato una soluzione AFCI (Arc Fault Circuit Breaker) AI basata su STM32.
Nel campo della sicurezza elettrica, gli incendi causati da archi elettrici rappresentano fino a un quarto, e il continuo emergere di nuovi scenari applicativi come pannelli solari, batterie, utensili elettrici e biciclette elettriche ha posto requisiti sempre più innovativi per la tecnologia di protezione dagli archi elettrici. Sebbene gli algoritmi basati su regole-possano migliorare la sicurezza dei dispositivi elettrici, la loro adattabilità ambientale è limitata e il tasso di falsi allarmi è elevato. Le soluzioni di intelligenza artificiale basate sul cloud, sebbene altamente precise, devono affrontare rischi di latenza e privacy.
In questo contesto, le soluzioni IA edge sono diventate un punto di equilibrio ideale - non richiedono connessioni di rete ed elaborazione esterna e possono completare l'elaborazione dei dati localmente sul dispositivo in tempo reale, ottenendo il rilevamento e la risposta istantanei degli archi elettrici ed eliminando i rischi per la privacy e la sicurezza. Allo stesso tempo, attraverso l’apprendimento continuo per adattarsi ai diversi ambienti, riducono significativamente il tasso di falsi allarmi e migliorano l’efficienza del sistema. Scegliendo lo strumento NanoEdge AI Studio come nucleo di sviluppo, con la sua-interfaccia intuitiva e la facilità d'uso, può filtrare e generare automaticamente il modello ottimale in base ai dati dell'utente; Se sono disponibili reti neurali preaddestrate, STM32Cube.AI può essere utilizzato anche per l'ottimizzazione della compressione per adattarsi agli ambienti embedded.
Nell'implementazione specifica, come supporto hardware viene utilizzata una scheda AFCI personalizzata con STM32G4 come core. Vengono prima raccolti circa 1000 gruppi di segnali di funzionamento normale, quindi viene raccolto un numero uguale di segnali di guasto dell'arco. I due tipi di dati vengono importati nel progetto di classificazione di NanoEdge AI Studio e lo strumento genera automaticamente una libreria AI adattata e la integra nel codice per ottenere il monitoraggio in tempo reale-degli allarmi di attivazione di corrente e arco. Questo schema utilizza un sensore di corrente con frequenza di campionamento di 150 kHz per elaborare due tipi di dati (guasto d'arco e assenza di arco) per 2048 × 1 asse, ottenendo in definitiva una precisione di rilevamento del 100%, occupando solo 16,7 KB di RAM e 0,5 KB di spazio di archiviazione Flash.
NXP
La tecnologia di rilevamento dell'arco delle NPU serie NXP MCX N è ampiamente utilizzata in varie occasioni che richiedono il rilevamento dell'arco, come:
Sistema di alimentazione: utilizzato per monitorare e rilevare guasti da arco nel sistema di alimentazione e adottare misure tempestive per prevenire l'espansione dei guasti.
Controllo industriale: utilizzato nell'automazione industriale e nei sistemi di controllo robot per rilevare potenziali rischi di archi e garantire la sicurezza della produzione.
Smart Home: nei sistemi domestici intelligenti, viene utilizzato per monitorare la situazione dell'arco nel circuito e migliorare la sicurezza del consumo di elettricità domestica.
NXP ha lanciato soluzioni software e hardware per il rilevamento dell'arco, nonché software di formazione sull'acquisizione dati, che possono accelerare notevolmente la velocità di sviluppo dei prodotti di rilevamento dell'arco per gli utenti. L'MCU serie MCX N integra internamente la NPU, che può raggiungere una velocità di inferenza leader del settore-di 4,8 Gops e accelerare il funzionamento delle reti neurali convoluzionali. Migliora le prestazioni in tempo reale-del rilevamento dei guasti da arco elettrico.
Il processo di implementazione del rilevamento dell'arco di faglia basato sull'intelligenza artificiale comprende cinque passaggi: acquisizione dei dati, addestramento dei dati, quantificazione del modello, convalida del modello e implementazione, il tutto può essere completato tramite il software per computer superiore fornito da NXP.
Come mostrato nella figura seguente, una piattaforma di test è costruita secondo i requisiti UL1699B. L'uscita della sorgente di simulazione FV viene immessa nel terminale di ingresso CC FV dell'inverter fotovoltaico dopo aver attraversato il dispositivo di generazione dell'arco. Collegando i trasformatori in serie, rilevare il segnale AC generato dall'arco di guasto. Attraverso la scheda di acquisizione, l'ADC integrato nell'MCXN947 ha una risoluzione a 16 bit e può supportare una frequenza di campionamento fino a 2 Mbps con una risoluzione a 16 bit, rendendolo molto adatto per l'acquisizione del segnale dell'arco. Il segnale viene campionato dall'ADC ed elaborato dall'MCU.
TLa scheda di acquisizione fornita da NXP supporta attualmente il rilevamento simultaneo di due segnali di arco ed è collegata alla scheda FRDM-MXN947 come scheda figlia.
Per quanto riguarda la progettazione del circuito di acquisizione, nella ricerca teorica, analizzando le caratteristiche del dominio della frequenza, si riscontra solitamente che quando si verifica un arco di guasto CC, l'energia armonica della corrente CC nell'intervallo di frequenza compreso tra 10 KHz e 100 kHz aumenterà in modo significativo. Pertanto il circuito progettato utilizza il filtraggio passa banda per elaborare il segnale di ingresso. Le caratteristiche della banda di frequenza sono mostrate nella figura seguente:
Allo stesso tempo, nell'applicazione dei metodi di rilevamento nel dominio della frequenza, al fine di evitare l'accoppiamento reciproco e l'interferenza tra la banda di frequenza caratteristica degli archi di guasto DC e la banda di frequenza della distorsione armonica causata dall'autocontrollo dei sistemi fotovoltaici, la banda di frequenza 10kHz-100kHz è stata selezionata come banda di frequenza caratteristica degli archi di guasto DC per l'analisi e il rilevamento.
In linea di principio, per il calcolo armonico viene utilizzata la FFT, prendendo 2048 punti come segmenti per il funzionamento FFT. L'MCXN947 ha un modulo PowerQuad interno, che può accelerare il funzionamento FFT. I risultati calcolati vengono quantizzati e inviati alla NPU trasportata da MCXN947 per l'elaborazione. Ottenere il risultato finale della classificazione. Identificando così efficacemente le scene con archi elettrici.
Durante il funzionamento in tempo reale-, i risultati del rilevamento vengono stampati tramite la porta seriale. Attualmente, quando viene rilevato un arco, il grado di corrispondenza del riconoscimento dell'uscita è del 99%.
Renesas Elettronica
Fuchang Electronics ha lanciato un sistema di rilevamento dei guasti da arco elettrico edge con intelligenza artificiale (AI) utilizzando l'MCU RA6M4 di Renesas Electronics, in grado di ottenere un rilevamento rapido ed efficiente. Questo sistema è particolarmente adatto per l'energia solare, l'energia intelligente e i sistemi CC e fornisce monitoraggio della sicurezza in tempo reale-con risorse minime. La soluzione AFCI adotta la soluzione AI Plus del Future Design Center (FDC), che integra le soluzioni FDC AI e Reality AI.
Con la promozione globale degli standard NEC, IEC 60364-4-42 e UL 1699B, si prevede che le spedizioni annuali di AFCI supereranno i 40 milioni di unità entro il 2030. Fuchang Electronics utilizza l'MCU RA6M4 di Renesas e Reality AI Tools ®, abbiamo sviluppato un innovativo sistema di intelligenza artificiale terminale che utilizza meno di 100 kB di flash/RAM per ottenere un rilevamento quasi perfetto in meno di 4 ms, quasi eliminando i falsi allarmi e identificando pericolosi archi DC e AC che altri dispositivi non sono in grado di riconoscere.
Vantaggio principale: riconoscimento delle serie temporali basato sull'intelligenza artificiale, supportato da Renesas Reality AI
Rilevamento: guasti da arco (archi piccoli e grandi), manomissione di circuito aperto e chiuso e curve di corrente anomale
Rilevamento ultraveloce: tempo di inferenza minimo di 10-250 millisecondi, inclusa la preelaborazione e la convalida multi finestra.
Apprendimento con un clic: il pulsante integrato può aiutare a calibrare automaticamente il circuito in base all'ambiente di progettazione del cliente. In grado di copiare i dati calibrati su altri circuiti stampati. Non è necessaria alcuna formazione AI/ML basata sul cloud
Mercati e applicazioni target: inverter solari, interruttori automatici, sistemi di accumulo dell'energia a batteria (BESS), inverter, caricabatterie CC per veicoli elettrici, quadri industriali, PDU-strumenti a batteria ad alta potenza per data center di intelligenza artificiale, veicoli elettrici
Il gruppo di prodotti microcontroller (MCU) RA6M4 di Renesas Electronics utilizza il supporto TrustZone ® Il core Arm Cortex-M33 ad alte prestazioni. Se utilizzato insieme al Secure Crypto Engine (SCE) all'interno del chip, può fornire la funzionalità di un chip sicuro. Il MAC Ethernet integrato con DMA dedicato garantisce un elevato throughput dei dati. RA6M4 adotta un efficiente processo a 40 nm, supportato dal concetto di ecosistema aperto e flessibile del pacchetto di configurazione flessibile (FSP) basato su FreeRTOS, e può essere esteso per utilizzare altri sistemi operativi in tempo reale (RTOS) e middleware. RA6M4 è adatto alle esigenze delle applicazioni IoT come Ethernet, funzionalità di sicurezza per applicazioni future, RAM incorporata di grande capacità e basso consumo energetico (esecuzione dell'algoritmo CoreMark dalla memoria flash, a partire da 99 µ A/MHz).
Strumenti texani
Sebbene l'applicazione dell'AI nei sistemi di controllo in tempo reale-come l'azionamento dei motori, l'energia solare e la gestione delle batterie non abbia spesso catturato i titoli dei giornali come i nuovi grandi modelli linguistici, l'applicazione dell'AI edge nel rilevamento dei guasti può effettivamente migliorare l'efficienza, la sicurezza e la produttività del sistema.
L'MCU può migliorare la capacità di rilevamento dei guasti nei sistemi di controllo in tempo reale-ad alta tensione-. Tali MCU utilizzano unità di elaborazione della rete neurale (NPU) integrate per eseguire modelli di rete neurale convoluzionale (CNN), che possono ridurre efficacemente la latenza e il consumo energetico durante il monitoraggio dei guasti del sistema. L'integrazione delle funzioni AI all'avanguardia nello stesso MCU che gestisce il controllo in tempo reale-può aiutare a ottimizzare la progettazione del sistema e a migliorare le prestazioni complessive. La chiave per un funzionamento affidabile negli azionamenti a motore e nei sistemi ad energia solare risiede nel rilevamento rapido e prevedibile dei guasti, che non solo riduce i falsi allarmi ma monitora anche le anomalie dei cuscinetti del motore e i guasti effettivi in tempo reale.
Gli MCU con funzionalità Edge AI possono monitorare due tipi di guasti: uno è quello dei cuscinetti del motore. Quando si verificano condizioni anomale o degrado delle prestazioni nei cuscinetti del motore, il rilevamento tempestivo di tali guasti è fondamentale per prevenire arresti imprevisti, accorciare i tempi di fermo e ridurre i costi di manutenzione; Il secondo è il guasto dell'arco solare, che si riferisce al fenomeno della scarica dell'arco causata da percorsi inaspettati come la corrente che passa attraverso l'aria. È spesso causato da guasti all'isolamento, collegamenti allentati e altri problemi nei sistemi di energia solare. L'elevata temperatura generata da questo guasto può causare incendi o danni all'impianto elettrico. Pertanto, il monitoraggio e il rilevamento di questo guasto è un mezzo necessario per garantire il funzionamento sicuro e affidabile dei sistemi di energia solare.
I metodi tradizionali di rilevamento dei guasti, come il monitoraggio dei guasti ai cuscinetti del motore, si basano sul rilevamento discreto di più dispositivi e sull'analisi basata su regole-, mentre il rilevamento dei guasti dell'arco solare utilizza l'analisi del segnale di corrente nel dominio della frequenza e la valutazione della soglia. Questi metodi non solo richiedono una profonda conoscenza professionale, ma hanno anche adattabilità e sensibilità limitate, rendendo difficile garantire l’accuratezza del rilevamento e aumentando la complessità del sistema.
Basato sull'AI edge integrata per il rilevamento dei guasti, utilizzando MCU in tempo reale-come TMS320F28P550SJ come carrier, l'esecuzione di modelli CNN a livello locale può effettivamente migliorare i tassi di rilevamento dei guasti, ridurre i falsi allarmi e ottenere una manutenzione predittiva più accurata. Il modello CNN, con la sua capacità di apprendere autonomamente modelli complessi dai dati grezzi dei sensori, può estrarre direttamente caratteristiche da segnali di vibrazione, correnti CC e altri dati. Combinando diverse condizioni operative, differenze hardware e algoritmi di preelaborazione, è possibile migliorare l'adattabilità e l'affidabilità del modello e ridurre la latenza di rilevamento. In scenari quali la guida a motore, l'energia solare e la gestione delle batterie, i modelli CNN possono identificare con precisione le modalità di guasto e ottenere un rilevamento efficiente in tempo reale-in ambienti dinamici.
Riepilogo
In scenari applicativi come l'azionamento di motori e l'energia solare, il rilevamento dei guasti in tempo reale-è la pietra angolare per garantire la sicurezza operativa e l'affidabilità a lungo termine-. Edge AI, con le sue capacità di elaborazione dei dati locali-in tempo reale, ha rivoluzionato i metodi di rilevamento dei guasti, migliorando significativamente la precisione del rilevamento e riducendo la latenza, fornendo un forte supporto per un funzionamento efficiente e stabile del sistema.