اینورترهای فتوولتائیک توسط هوش مصنوعی MCU/MPU واژگون می شوند

اخیراً، کمیسیون توسعه و اصلاحات ملی و اداره ملی انرژی مشترکاً نظرات اجرایی را در مورد ترویج-توسعه با کیفیت بالا انرژی «هوش مصنوعی+» صادر کردند. نظرات به طور خاص به یک نکته اشاره کردند: ارزیابی وضعیت تجهیزات برق و بهره برداری و نگهداری هوشمند. برنامه‌هایی مانند درک هوشمند و هشدار وضعیت تجهیزات، موقعیت‌یابی و تشخیص هوشمند عیوب تجهیزات، تصمیم‌گیری هوشمند{4}}برای نگهداری وضعیت تجهیزات، پیش‌بینی هوشمند خطرات فاجعه تجهیزات، و تولید هوشمند بلیط‌های تعمیر و نگهداری برای ارتقای سطح مدیریت ناب تجهیزات.

در صنعت فتوولتائیک خورشیدی، هوش مصنوعی بی سر و صدا در حال توسعه است.

در سال های اخیر، انرژی خورشیدی به سرعت توسعه یافته است. در سال 2024، ظرفیت نصب شده جهانی فتوولتائیک به رکورد 597 گیگاوات خواهد رسید که افزایش 33 درصدی نسبت به 449 گیگاوات در سال 2023 را نشان می دهد. تا سال 2025 با 10 درصد افزایش به 655 گیگاوات می رسد. در حال حاضر، انرژی خورشیدی تقریباً 6.9 درصد از عرضه برق جهانی را به خود اختصاص می دهد که از حدود 5.6 درصد در سال 2023 افزایش یافته است.

عملکرد پنل های خورشیدی تحت تاثیر عوامل مختلفی از جمله تغییر شرایط آب و هوایی، شدت نور خورشید متغیر و توانایی سیستم در مدیریت انتقال نیرو است. اگر برق تولید شده به درستی تنظیم نشود، ممکن است منجر به اتلاف انرژی، راندمان پایین، یا تامین برق نامطمئن - نگرانی‌هایی شود که کاربران و کسب‌وکارهایی که به انرژی پایدار متکی هستند نمی‌توانند از عهده آن برآیند. در این مورد، تنظیم دقیق چرخه کار (یعنی نسبت زمان روشن به زمان خاموش شدن پانل خورشیدی) برای به حداکثر رساندن استفاده از انرژی سیستم پنل خورشیدی بسیار مهم است.

از سوی دیگر، یادگیری ماشین (ML) و هوش مصنوعی لبه (Edge AI) با فعال کردن تصمیم‌گیری هوشمندانه‌تر و مبتنی بر داده‌ها، اساساً کارایی صنایع مختلف را تغییر می‌دهند. به عنوان مثال، در زمینه انرژی های تجدیدپذیر، یادگیری ماشینی عملکرد پنل های خورشیدی را با تجزیه و تحلیل شرایط محیطی، پیش بینی خروجی انرژی و اجرای تعمیر و نگهداری پیش بینی برای به حداقل رساندن زمان خرابی بهینه می کند. علاوه بر انرژی خورشیدی، یادگیری ماشین همچنین می‌تواند کارایی تولید را از طریق تعمیر و نگهداری پیش‌بینی‌کننده و اتوماسیون فرآیند، کاهش اتلاف انرژی در شبکه‌های هوشمند از طریق{4}پیش‌بینی بار واقعی، و افزایش بهره‌وری کشاورزی با حمایت از فناوری‌های کشاورزی دقیق افزایش دهد. در این موارد استفاده متنوع، یادگیری ماشین با تبدیل داده‌های پیچیده به بینش‌های عملی، در نهایت صرفه‌جویی در زمان، کاهش هزینه‌ها و افزایش پایداری، باعث بهبود مستمر می‌شود. در پاسخ به این روند، تولیدکنندگان مختلف کنترلر، فناوری هوش مصنوعی را در MCU/MPU ادغام کرده اند تا نیازهای جدید صنعت اینورتر فتوولتائیک را برآورده سازند.

Infineon

تیم HTEC از پردازنده PSoC Edge Infineon برای بررسی نحوه استفاده از شبکه‌های عصبی عمیق (DNN) برای پیش‌بینی چرخه کاری بهینه مبدل‌های DC{0}}DC با تمرکز بر شناسایی مرتبط‌ترین ویژگی‌های ورودی برای بهبود عملکرد و قابلیت اطمینان استفاده کرد.

بسیاری از این روش ها بر داده های اندازه گیری مانند تابش خورشیدی و دمای محیط متکی هستند، زیرا این پارامترها ارتباط نزدیکی با توان خروجی پانل های خورشیدی دارند. با این حال، ادغام سنسورهای تابش نیز دارای معایبی است، از جمله هزینه های اضافی و خطر اندازه گیری های نادرست به دلیل عواملی مانند تجمع گرد و غبار یا تفاوت مکان سنسور. برای پرداختن به این موضوع، برخی از محققان تخمین غیرمستقیم مقادیر تابش مادون قرمز را پیشنهاد کرده‌اند، اما این امر پیچیدگی مدل‌سازی را افزایش می‌دهد و ممکن است منابع خطا را معرفی کند که ممکن است از طریق الگوریتم‌های MPPT منتشر شوند.

علاوه بر این، روش‌های بدون حسگر یا کم سنسور پیشنهاد شده‌اند که فقط از داده‌های اندازه‌گیری ولتاژ و جریان به‌طور مستقیم توسط پنل‌های خورشیدی ارائه می‌شوند. دسترسی به این سیگنال‌های داخلی آسان است، اساساً با شرایط عملیاتی پنل خورشیدی هماهنگ می‌شوند و از بسیاری از مسائل پیچیده مرتبط با سنجش تابش جلوگیری می‌کنند.

نرم افزار پیاده سازی الگوریتم ردیابی حداکثر توان نقطه (MPPT) مبتنی بر هوش مصنوعی بر روی یک پلت فرم سخت افزاری سفارشی توسعه یافته توسط HTEC مستقر شده است. پلت فرم به طور ایمن خروجی پانل خورشیدی را به مبدل DC-دی سی متصل می کند و شامل تمام اجزای حسگر لازم برای نظارت بر ولتاژ، جریان و دمای محیط است. این سیگنال‌ها به عنوان ورودی برای DNN عمل می‌کنند که چرخه کار مناسب را در زمان واقعی محاسبه می‌کند. این پلتفرم همچنین دارای عملکرد ارتباطی بلوتوث است و از عملکرد-واسط ماشین (HMI) انسانی پشتیبانی می‌کند، که می‌تواند به کاربران بازخورد واقعی-در مورد تولید انرژی و وضعیت سیستم ارائه دهد. به این ترتیب، سیستم می‌تواند چرخه کار مبدل‌های DC{8}}را مدیریت کند و در عین حال اطلاعاتی را ارائه دهد که می‌تواند برای نگهداری پیش‌بینی‌کننده استفاده شود.

ماژول مدیریت انرژی: انرژی را به ماژول های PSOC Edge و بلوتوث اختصاص دهید.
ماژول ارتباط بلوتوث: انتقال داده های بی سیم را برای عملکردهای HMI انجام می دهد.
ماژول سنجش: ولتاژ و جریان زمانی واقعی- تولید شده توسط پنل های خورشیدی را اندازه گیری می کند.
ماژول پردازنده: PSOC Edge System Level Module (SOM): تمام وظایف محاسباتی از جمله استنتاج هوش مصنوعی و منطق کنترل را اجرا می کند.

میکروکنترلر Arm Cortex-M سری PSOC Edge E84 یک MCU-با کارایی بالا، کم-و ایمن مجهز به شتاب ML است. این هسته مبتنی بر-کارآمدی بالا- هسته M55 است، از هلیوم DSP پشتیبانی می‌کند و با هسته Arm Ethos-U55 NPU و{10}}کم{10}} Cortex{11}}M33 جفت شده است. این در ارتباط با پلتفرم شتاب سخت‌افزاری NNLite ultra{14} Infineon استفاده می‌شود. PSOC Edge می تواند به طور مداوم داده های حسگر را از نظارت بر شدت نور خورشید، دمای پانل و توان خروجی تجزیه و تحلیل کند. این امکان را به آن می دهد تا به صورت پویا جهت پانل های خورشیدی را تنظیم کند، MPPT را ردیابی کند و عملکرد اینورتر را بدون تاخیر ناشی از پردازش ابری بهینه کند. علاوه بر این، هوش مصنوعی می‌تواند الگوهای مصرف انرژی را تشخیص دهد و تقاضا یا رویدادهای سایه‌زنی را پیش‌بینی کند، در نتیجه استراتژی‌های ذخیره و تخصیص انرژی را بیشتر بهینه می‌کند. مجموعه داده‌های با کیفیت بالا برای توسعه و اعتبارسنجی راه‌حل‌های ردیابی نقطه حداکثر توان مبتنی بر هوش مصنوعی (MPPT) ضروری هستند. این مقاله از مجموعه داده‌های نیروگاه فتوولتائیک ساحلی در دسترس عموم از دانشگاه ایالتی هومبولت در ایالات متحده استفاده می‌کند، داده‌های نمونه‌برداری فرکانس بالا را با فواصل زمانی یک دقیقه‌ای در طول سه سال انتخاب می‌کند، ولتاژ و جریان خروجی پانل‌های فتوولتائیک را بر اساس پارامترهایی مانند تابش خورشیدی و دما شبیه‌سازی می‌کند، و به‌عنوان نشان‌دهنده حداکثر قدرت به عنوان نقطه‌ی دوتایی مطابقت دارد. در عین حال، ویژگی های کمکی مانند تغییرات ولتاژ و جریان استخراج می شود و پس از پیش پردازش مانند عادی سازی و حذف داده های شبانه، پشتیبانی از داده های قابل اعتماد برای آموزش ارائه می شود. در ساخت مدل‌های هوش مصنوعی، یک معماری پرسپترون چند لایه (MLP) برای رسیدگی به کاستی‌های روش‌های سنتی مشاهده اغتشاش (P&O) مانند همگرایی آهسته و نوسانات توان اتخاذ شده است. عملکرد مدل از طریق یک-رویکرد دو مرحله ای آموزش مرحله به مرحله-و آموزش زمان واقعی{28}}بهینه شده است. آموزش گام به گام به مدل اجازه می‌دهد تا پارامترهای الکتریکی بهینه را بر اساس مقادیر اندازه‌گیری لحظه‌ای پیش‌بینی کند، در حالی که آموزش{30}در زمان واقعی مکانیزم بازخوردی را معرفی می‌کند که پیش‌بینی قبلی را به عنوان ورودی بعدی در نظر می‌گیرد، به طور مکرر آن را برای شبیه‌سازی سناریوهای واقعی تصحیح می‌کند، و در نهایت به تأخیر کم، پلت‌فرم PT منطبق‌شده با استحکام بالا دست می‌یابد. بهبود راندمان استفاده از انرژی سیستم های فتوولتائیک در محیط های پویا

برای استقرار مدل هوش مصنوعی در پلتفرم PSOC Edge، لازم است مدل را از فرمت ۳۲-بیتی شناور-به فرمت ۸ بیتی تبدیل کنید. با توجه به معماری شبکه عصبی نسبتا فشرده طراحی شده برای وظایف MPPT، کوانتیزاسیون مدل عمدتاً به عنوان یک تکنیک بهینه‌سازی استفاده می‌شود، و استراتژی‌های فشرده‌سازی پیشرفته‌تر مانند تقطیر مدل اعمال نمی‌شوند، زیرا کارایی مدل در حال حاضر بسیار کوچک را به طور قابل توجهی بهبود نمی‌بخشد. کوانتیزاسیون مدل، پارامترهای مدل را از نمایش‌های ممیز شناور 32 بیتی یا 64 بیتی به فرمت‌های با دقت پایین مانند اعداد صحیح 8 بیتی تبدیل می‌کند و به طور قابل توجهی ردپای حافظه و نیازهای محاسباتی مدل را کاهش می‌دهد و آن را برای استقرار دستگاه لبه مناسب‌تر می‌کند. در عین حال، با استفاده از آموزش آگاهی کوانتیزاسیون (QAT) برای شبیه‌سازی محیط‌های کوانتیزه‌سازی در طول مرحله آموزش، می‌توان تأثیر منفی کاهش دقت بر دقت مدل را کاهش داد و حتی ممکن است توانایی تعمیم را بهبود بخشد.

پس از تکمیل بهینه سازی مدل، الگوریتم هوش مصنوعی با استفاده از چارچوب توسعه ModusToolbox در پلتفرم Infineon PSOC Edge مستقر می شود. این چارچوب از استقرار مدل کوانتیزاسیون 8 بیتی{15} پشتیبانی می‌کند و کاربران فقط باید مدل را در قالب TensorFlow Lite (TFLite) صادر کنند تا به‌طور یکپارچه آن را در شتاب‌دهنده هوش مصنوعی پلتفرم ادغام کنند. مدل‌های کراس نقطه شناور نیز می‌توانند مستقیماً برای بهینه‌سازی کوانتیزاسیون در چارچوب به کار گرفته شوند. مدل هوش مصنوعی تبدیل شده به فرمت سازگار با C تبدیل می‌شود و وزن‌ها و پارامترها به‌عنوان مقادیر uint8 ذخیره می‌شوند تا با معماری 8 بیتی شتاب‌دهنده هوش مصنوعی مطابقت داشته باشد و استنتاج سریع‌تر و استفاده کمتر از حافظه به دست آید. ارزیابی عملکرد نشان می‌دهد که اگرچه خطای پیش‌بینی توان مدل کوانتیزاسیون از 0.0109% به 0.6145% افزایش یافته است، تاخیر استنتاج از 3 میلی‌ثانیه به 0.3 میلی‌ثانیه کاهش یافته است، و مصرف انرژی در هر استنتاج از 68.904 میکروژول به 2.592 میکروژول کاهش یافته است. علاوه بر این، عملکرد PSOC Edge بیش از 23 برابر کمتر از عملکرد مبتنی بر راه‌حل Arm Cortex-M4 است، با کاهش تاخیر بیش از 23 برابر و کاهش مصرف انرژی بیش از 42 برابر، که به طور کامل مزایای استقرار راه‌حل‌های هوش مصنوعی کارآمد و بلادرنگ را در برنامه MPPT لبه این پلتفرم نشان می‌دهد.

علاوه بر بهینه‌سازی MPPT، بینش‌های هوش مصنوعی در زمان واقعی، مزایای بیشتری را نیز به همراه دارد. تیم HTEC یک رابط کاربری اختصاصی ایجاد کرده است که می تواند بینش های مستمری را در مورد عملکرد سیستم بر اساس مدل های هوش مصنوعی پیش بینی کند. این پیش‌بینی‌ها را می‌توان با تولید برق واقعی ارجاع داد تا تفاوت‌های قابل توجهی را که ممکن است در اثر تخریب عملکرد اجزا ایجاد شود، شناسایی کند و ذینفعان را قادر می‌سازد تا به طور فعال تعمیر و نگهداری را ترتیب دهند. HTEC اشاره می‌کند که کار آینده می‌تواند تکنیک‌های بهینه‌سازی بیشتر، مانند ادغام داده‌های حسگر بیشتر یا استفاده از روش‌های فشرده‌سازی مدل پیشرفته را برای بهبود بیشتر دقت و عملکرد سیستم بررسی کند. با این وجود، رویکرد فعلی پتانسیل MPPT مبتنی بر هوش مصنوعی را در راه‌حل‌های خورشیدی تعبیه‌شده برجسته می‌کند، و راهنمایی برای مدیریت انرژی کارآمدتر و پایدارتر و شیوه‌های هوشمندتر تعمیر و نگهداری دستگاه لبه ارائه می‌کند.

STMicroelectronics

STMicroelectronics راه‌حلی برای قطع‌کننده خطای قوس الکتریکی لبه (AFCI) مبتنی بر STM32 ارائه کرده است.

در زمینه ایمنی الکتریکی، آتش‌سوزی‌های ناشی از گسل‌های قوس الکتریکی تا یک‌چهارم را شامل می‌شود، و ظهور مداوم سناریوهای کاربردی جدید مانند پنل‌های خورشیدی، باتری‌های برق، ابزارهای الکتریکی و دوچرخه‌های الکتریکی، الزامات نوآورانه‌تری را برای فناوری حفاظت از قوس ایجاد کرده است. اگرچه الگوریتم‌های مبتنی بر قانون{1}}می‌توانند ایمنی دستگاه‌های الکتریکی را بهبود بخشند، سازگاری محیطی آنها محدود است و نرخ هشدار نادرست بالاست. راه‌حل‌های هوش مصنوعی مبتنی بر ابر، اگرچه بسیار دقیق هستند، اما با خطرات تأخیر و حفظ حریم خصوصی مواجه هستند.

در این زمینه، راه‌حل‌های هوش مصنوعی لبه به نقطه تعادل ایده‌آل تبدیل شده‌اند - آنها نیازی به اتصالات شبکه و پردازش خارجی ندارند و می‌توانند پردازش داده‌ها را به صورت محلی روی دستگاه در زمان واقعی کامل کنند و به تشخیص و پاسخ فوری کمان‌ها دست یابند و در عین حال خطرات حریم خصوصی و امنیتی را حذف کنند. در عین حال، از طریق یادگیری مداوم برای انطباق با محیط‌های مختلف، نرخ هشدار کاذب را به میزان قابل توجهی کاهش داده و کارایی سیستم را بهبود می‌بخشند. با انتخاب ابزار NanoEdge AI Studio به‌عنوان هسته توسعه، با رابط کاربری{3}}پسند و سهولت استفاده، می‌تواند به‌طور خودکار مدل بهینه را بر اساس داده‌های کاربر فیلتر و تولید کند. اگر شبکه های عصبی از پیش آموزش دیده در دسترس باشند، STM32Cube.AI همچنین می تواند برای بهینه سازی فشرده سازی برای انطباق با محیط های تعبیه شده استفاده شود.

در پیاده سازی خاص، یک برد AFCI سفارشی با STM32G4 به عنوان هسته به عنوان حامل سخت افزار استفاده می شود. ابتدا حدود 1000 مجموعه سیگنال عملکرد عادی جمع آوری می شود و سپس تعداد مساوی سیگنال خطای قوس جمع آوری می شود. این دو نوع داده به پروژه طبقه‌بندی NanoEdge AI Studio وارد می‌شوند و این ابزار به‌طور خودکار یک کتابخانه AI سازگار ایجاد می‌کند و آن را در کد ادغام می‌کند تا-به نظارت زمان واقعی آلارم‌های فعال کننده جریان و قوس دست یابد. این طرح از یک سنسور جریان نرخ نمونه‌برداری 150 کیلوهرتز برای پردازش دو نوع داده (ایراد قوس و بدون قوس) برای محور 2048 × 1 استفاده می‌کند که در نهایت دقت تشخیص 100% را به دست می‌آورد و تنها 16.7 کیلوبایت رم و 0.5 کیلوبایت فضای ذخیره‌سازی فلش را اشغال می‌کند.

NXP

فناوری تشخیص قوس NPU سری NXP MCX N به طور گسترده در موارد مختلفی که نیاز به تشخیص قوس دارد استفاده می شود، مانند:

سیستم قدرت: برای نظارت و تشخیص عیوب قوس الکتریکی در سیستم قدرت و اتخاذ اقدامات به موقع برای جلوگیری از گسترش عیوب استفاده می شود.
کنترل صنعتی: در اتوماسیون صنعتی و سیستم های کنترل ربات برای شناسایی خطرات احتمالی قوس الکتریکی و اطمینان از ایمنی تولید استفاده می شود.
خانه هوشمند: در سیستم های خانه هوشمند برای نظارت بر وضعیت قوس الکتریکی در مدار و بهبود ایمنی مصرف برق خانگی استفاده می شود.

NXP نرم‌افزار و راه‌حل‌های سخت‌افزاری تشخیص قوس و همچنین نرم‌افزار آموزش جمع‌آوری داده‌ها را راه‌اندازی کرده است که می‌تواند سرعت توسعه محصولات تشخیص قوس کاربر را تا حد زیادی تسریع کند. MCU سری MCX N NPU را به صورت داخلی ادغام می‌کند که می‌تواند به سرعت استنتاج پیشرو در صنعت 4.8 Gops برسد و عملکرد شبکه‌های عصبی کانولوشنال را تسریع کند. عملکرد واقعی{4}}تشخیص خطای قوس الکتریکی را بهبود بخشید.

فرآیند پیاده‌سازی تشخیص قوس خطا مبتنی بر هوش مصنوعی شامل پنج مرحله است: جمع‌آوری داده، آموزش داده، کمی‌سازی مدل، اعتبارسنجی مدل، و استقرار، که همگی می‌توانند از طریق نرم‌افزار رایانه‌ای یک مرحله‌ای ارائه شده توسط NXP تکمیل شوند.

همانطور که در شکل زیر نشان داده شده است، یک پلت فرم تست بر اساس الزامات UL1699B ساخته شده است. خروجی منبع شبیه سازی PV پس از عبور از دستگاه تولید قوس به ترمینال ورودی DC PV اینورتر فتوولتائیک وارد می شود. با اتصال ترانسفورماتورها به صورت سری، سیگنال AC تولید شده توسط قوس خطا را شناسایی کنید. از طریق برد اکتساب، ADC ادغام شده در MCXN947 دارای وضوح 16 بیتی است و می تواند از نرخ نمونه برداری تا 2 مگابیت در ثانیه در وضوح 16 بیت پشتیبانی کند، که آن را برای دریافت سیگنال قوس بسیار مناسب می کند. سیگنال توسط ADC نمونه برداری شده و توسط MCU پردازش می شود.

Tبرد اکتسابی ارائه شده توسط NXP در حال حاضر از تشخیص همزمان دو سیگنال قوس پشتیبانی می کند و برد اکتسابی به عنوان کارت دختر به برد FRDM-MXN947 وصل می شود.

با توجه به طراحی مدار اکتساب، در تحقیقات نظری، با تجزیه و تحلیل ویژگی های حوزه فرکانس، معمولاً مشخص می شود که وقتی یک قوس خطای DC رخ می دهد، انرژی هارمونیک جریان DC در محدوده فرکانس 10KHz-100kHz به طور قابل توجهی افزایش می یابد. بنابراین مدار طراحی شده از فیلتر باند گذر برای پردازش سیگنال ورودی استفاده می کند. مشخصات باند فرکانس در شکل زیر نشان داده شده است:

در عین حال، در کاربرد روش‌های تشخیص حوزه فرکانس، به منظور جلوگیری از جفت شدن و تداخل متقابل بین باند فرکانس مشخصه قوس‌های خطای DC و باند فرکانس اعوجاج هارمونیک ناشی از خودکنترلی سیستم‌های فتوولتائیک، باند فرکانسی ۱۰ کیلوهرتز تا ۱۰۰ کیلوهرتز به‌عنوان باند فرکانس مشخصه آنالیز و تشخیص خطای DC انتخاب شد.

در اصل، FFT برای محاسبه هارمونیک استفاده می شود و 2048 امتیاز را به عنوان بخش برای عملیات FFT می گیرد. MCXN947 دارای یک ماژول PowerQuad در داخل است که می تواند عملکرد FFT را تسریع کند. نتایج محاسبه شده کوانتیزه شده و به NPU حمل شده توسط MCXN947 برای پردازش داده می شود. نتیجه طبقه بندی نهایی را بدست آورید. بنابراین به طور موثر صحنه ها را با قوس الکتریکی شناسایی می کند.

در حین کار{0}زمان واقعی، نتایج شناسایی از طریق پورت سریال چاپ می‌شوند. در حال حاضر، هنگامی که یک قوس تشخیص داده می شود، درجه تطبیق تشخیص خروجی 99٪ است.

Renesas Electronics

Fuchang Electronics یک سیستم تشخیص خطای قوس هوش مصنوعی لبه (AI) را با استفاده از RA6M4 MCU شرکت Renesas Electronics راه اندازی کرده است که می تواند به تشخیص سریع و کارآمد دست یابد. این سیستم برای انرژی خورشیدی، انرژی هوشمند و سیستم‌های DC بسیار مناسب است و نظارت بر امنیت واقعی-را با حداقل منابع ارائه می‌دهد. راه حل AFCI از راه حل AI Plus مرکز طراحی آینده (FDC) استفاده می کند که راه حل های FDC AI و Reality AI را ادغام می کند.

با ارتقای جهانی استانداردهای NEC، IEC 60364-4-42، و UL 1699B، انتظار می‌رود که محموله‌های سالانه AFCI تا سال 2030 از 40 میلیون دستگاه فراتر رود. Fuchang Electronics از Renesas RA6M4 MCU و Reality AI Tools استفاده می‌کند. 100 کیلوبایت فلاش/رم برای دستیابی به تشخیص تقریباً کامل در کمتر از 4 میلی ثانیه، تقریباً هشدارهای کاذب را حذف می کند و قوس های DC و AC خطرناکی را شناسایی می کند که دستگاه های دیگر نمی توانند تشخیص دهند.

مزیت اصلی: تشخیص سری زمانی بر اساس هوش مصنوعی، پشتیبانی شده توسط Renesas Reality AI

تشخیص: خطاهای قوس (قوس های کوچک و بزرگ)، دستکاری مدار باز و مدار بسته، و منحنی های جریان غیرعادی

تشخیص فوق العاده سریع: زمان استنتاج 10 تا 250 میلی ثانیه، از جمله پیش پردازش و اعتبارسنجی چند پنجره ای.

یادگیری با یک کلیک: دکمه Onboard می تواند به کالیبراسیون خودکار برد مدار مطابق با محیط طراحی مشتری کمک کند. قابلیت کپی کردن داده های کالیبره شده روی مدارهای دیگر. بدون نیاز به آموزش AI/ML مبتنی بر ابر

بازارهای هدف و برنامه‌های کاربردی: اینورترهای خورشیدی، قطع کننده‌های مدار، سیستم‌های ذخیره انرژی باتری (BESS)، اینورترها، شارژرهای DC وسایل نقلیه الکتریکی، تابلو برق صنعتی، ابزارهای باتری با قدرت بالا{0} PDU برای مراکز داده هوش مصنوعی، وسایل نقلیه الکتریکی

گروه محصول میکروکنترلر RA6M4 (MCU) Renesas Electronics از پشتیبانی TrustZone ® هسته-Arm Cortex با عملکرد بالا-M33 استفاده می‌کند. هنگامی که از موتور امن رمزنگاری (SCE) در داخل تراشه استفاده می شود، می تواند عملکرد یک تراشه ایمن را ارائه دهد. MAC اترنت یکپارچه با DMA اختصاصی، توان بالای داده را تضمین می کند. RA6M4 از یک فرآیند 40 نانومتری کارآمد استفاده می‌کند که توسط مفهوم اکوسیستم باز و انعطاف‌پذیر بسته پیکربندی انعطاف‌پذیر مبتنی بر FreeRTOS (FSP) پشتیبانی می‌شود، و می‌تواند برای استفاده از سایر سیستم‌های{11}زمان واقعی (RTOS) و میان‌افزار گسترش یابد. RA6M4 برای نیازهای برنامه‌های اینترنت اشیا مانند اترنت، ویژگی‌های امنیتی برای برنامه‌های آینده، رم جاسازی شده با ظرفیت بالا و مصرف انرژی کم (اجرای الگوریتم CoreMark از حافظه فلش تا 99 µ A/MHz) مناسب است.

تگزاس اینسترومنتز

اگرچه استفاده از هوش مصنوعی در سیستم‌های کنترل زمان واقعی مانند درایو موتور، انرژی خورشیدی، و مدیریت باتری اغلب مانند مدل‌های جدید زبان‌های بزرگ سرفصل اخبار را به خود اختصاص نداده است، استفاده از هوش مصنوعی لبه در تشخیص عیب می‌تواند به طور موثری کارایی، ایمنی و بهره‌وری سیستم را بهبود بخشد.

MCU می‌تواند قابلیت تشخیص عیب را در سیستم‌های کنترل زمان واقعی{{0} ولتاژ بالا افزایش دهد. چنین MCU ها از واحدهای پردازش شبکه عصبی یکپارچه (NPU) برای اجرای مدل های شبکه عصبی کانولوشنال (CNN) استفاده می کنند، که می تواند به طور موثر تاخیر و مصرف انرژی را هنگام نظارت بر خطاهای سیستم کاهش دهد. ادغام عملکردهای هوش مصنوعی لبه در همان MCU که کنترل زمان واقعی را مدیریت می‌کند، می‌تواند به بهینه‌سازی طراحی سیستم و بهبود عملکرد کلی کمک کند. کلید عملکرد قابل اعتماد در سیستم‌های درایو موتور و انرژی خورشیدی در تشخیص سریع و قابل پیش‌بینی عیب نهفته است که نه تنها هشدارهای کاذب را کاهش می‌دهد، بلکه ناهنجاری‌های یاتاقان‌های موتور و خطاهای واقعی را در زمان واقعی نظارت می‌کند.

MCU با قابلیت‌های هوش مصنوعی لبه‌ای می‌تواند دو نوع عیب را کنترل کند: یکی خطاهای بلبرینگ موتور است. هنگامی که شرایط غیرعادی یا کاهش عملکرد در یاتاقان های موتور رخ می دهد، تشخیص به موقع چنین عیوب برای جلوگیری از خاموش شدن غیرمنتظره، کوتاه شدن زمان از کار افتادن و کاهش هزینه های تعمیر و نگهداری بسیار مهم است. دوم گسل قوس خورشیدی است که به پدیده تخلیه قوس ناشی از مسیرهای غیرمنتظره مانند عبور جریان از هوا اشاره دارد. اغلب به دلیل خرابی عایق، اتصالات شل و سایر مسائل در سیستم های انرژی خورشیدی ایجاد می شود. دمای بالای تولید شده توسط این خطا ممکن است منجر به آتش سوزی یا آسیب سیستم الکتریکی شود. بنابراین، پایش و تشخیص این عیب وسیله ای ضروری برای اطمینان از عملکرد ایمن و قابل اعتماد سیستم های انرژی خورشیدی است.

روش‌های سنتی تشخیص عیب، مانند نظارت بر خطای یاتاقان موتور، به تشخیص گسسته چند دستگاهی و آنالیز مبتنی بر قانون{0}}تکیه دارند، در حالی که تشخیص خطای قوس خورشیدی از تحلیل سیگنال جریان دامنه فرکانس و قضاوت آستانه استفاده می‌کند. این روش‌ها نه تنها به دانش عمیق حرفه‌ای نیاز دارند، بلکه قابلیت انطباق و حساسیت محدودی دارند که تضمین دقت تشخیص و افزایش پیچیدگی سیستم را دشوار می‌سازد.

بر اساس هوش مصنوعی لبه یکپارچه برای تشخیص عیب، با استفاده از{0}MCUهای زمان واقعی مانند TMS320F28P550SJ به عنوان حامل، اجرای مدل‌های CNN به صورت محلی می‌تواند به طور موثر نرخ تشخیص خطا را بهبود بخشد، آلارم‌های کاذب را کاهش دهد و به تعمیر و نگهداری پیش‌بینی دقیق‌تر دست یابد. مدل CNN، با توانایی خود در یادگیری خودکار الگوهای پیچیده از داده‌های حسگر خام، می‌تواند مستقیماً ویژگی‌ها را از سیگنال‌های ارتعاشی، جریان‌های DC و سایر داده‌ها استخراج کند. با ترکیب شرایط عملیاتی مختلف، تفاوت‌های سخت‌افزاری و الگوریتم‌های پیش‌پردازش، سازگاری و قابلیت اطمینان مدل را می‌توان بهبود بخشید و تأخیر تشخیص را کاهش داد. در سناریوهایی مانند درایو موتور، انرژی خورشیدی و مدیریت باتری، مدل‌های CNN می‌توانند حالت‌های خطا را به دقت شناسایی کنند و در محیط‌های پویا به تشخیص واقعی-و کارآمد دست یابند.

خلاصه

در سناریوهای کاربردی مانند درایو موتور و انرژی خورشیدی،{0}}تشخیص خطا در زمان واقعی سنگ بنای تضمین ایمنی عملیاتی و-قابلیت اطمینان طولانی مدت است. هوش مصنوعی Edge با قابلیت‌های{3}}در زمان واقعی پردازش داده محلی خود، روش‌های تشخیص خطا را متحول کرده است، به طور قابل توجهی دقت تشخیص را بهبود بخشیده و تأخیر را کاهش می‌دهد و پشتیبانی قوی برای عملکرد کارآمد و پایدار سیستم ارائه می‌دهد.