<meter id="pryje"><nav id="pryje"><delect id="pryje"></delect></nav></meter>
          <label id="pryje"></label>

          新聞中心

          EEPW首頁 > 嵌入式系統(tǒng) > 設(shè)計應(yīng)用 > 借助支持邊緣AI的MCU優(yōu)化實時控制系統(tǒng)中的系統(tǒng)故障檢測

          借助支持邊緣AI的MCU優(yōu)化實時控制系統(tǒng)中的系統(tǒng)故障檢測

          作者: 時間:2024-11-28 來源:EEPW 收藏

          當前關(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)品帶來變革的實際示例。

          本文引用地址:http://www.ex-cimer.com/article/202411/465042.htm

          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(yīng)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 進行可以顯著影響系統(tǒng)的效率、安全性和生產(chǎn)力。

          1732799475525856.png

          圖1 太陽能電池板陣列

          本文中將討論集成式 () 如何增強高壓實時控制系統(tǒng)中的功能。此類 使用集成神經(jīng)網(wǎng)絡(luò)處理單元 (NPU) 運行卷積神經(jīng)網(wǎng)絡(luò) () 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 中,可以幫助您優(yōu)化系統(tǒng)設(shè)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(yù)測的系統(tǒng),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(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(dǎo)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(zāi)或系統(tǒng)損壞的風(fēng)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(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控制的專用實時控制 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 F28P550SJ 等實時 MCU 中本地運行 模型,有助于提高故障檢測率、避免誤報,同時提供更好的預(yù)測性維護。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)。

          1732799540223678.png

          圖2 實時控制系統(tǒng)中支持的故障監(jiān)測解決方案

          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(xué)習(xí)復(fù)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(yù)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(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(yù)處理算法來提高模型的適應(yīng)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(yù)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(shè)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(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、進行電池運行狀況監(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)條件下進行精確的故 障檢測,而且實時處理可提高效率。



          評論


          相關(guān)推薦

          技術(shù)專區(qū)

          關(guān)閉
          看屁屁www成人影院,亚洲人妻成人图片,亚洲精品成人午夜在线,日韩在线 欧美成人 (function(){ var bp = document.createElement('script'); var curProtocol = window.location.protocol.split(':')[0]; if (curProtocol === 'https') { bp.src = 'https://zz.bdstatic.com/linksubmit/push.js'; } else { bp.src = 'http://push.zhanzhang.baidu.com/push.js'; } var s = document.getElementsByTagName("script")[0]; s.parentNode.insertBefore(bp, s); })();