业界新闻

借助支持边缘 AI 的 MCU 优化实时控制系统中的系统故障检测

发布时间:2024-12-02 00:00:00 责任编辑:linc

【导读】本文中将讨论集成式微控制器 (MCU) 如何增强高压实时控制系统中的故障检测功能。此类 MCU 使用集成神经网络处理单元 (NPU) 运行卷积神经网络 (CNN) 模型,帮助在监测系统故障时降低延迟和功耗。通过将边缘 AI 功能集成到用于管理实时控制的同一 MCU 中,可以帮助您优化系统设计,同时增强整体性能。


当前关于人工智能 (AI) 和神经网络的讨论主要集中在生成应用(生成图像、文本和视频),很容易忽视 AI 将为工业和基础设施应用中的电子产品带来变革的实际示例。
 
不过,虽然在电机驱动器、太阳能(如图 1 所示)和电池管理应用的实时控制系统中采用 AI 不会像新的大型语言模型那样引起大量关注,但使用边缘 AI 进行故障检测可以显著影响系统的效率、安全性和生产力。


借助支持边缘 AI 的 MCU 优化实时控制系统中的系统故障检测图 1 太阳能电池板阵列


本文中将讨论集成式微控制器 (MCU) 如何增强高压实时控制系统中的故障检测功能。此类 MCU 使用集成神经网络处理单元 (NPU) 运行卷积神经网络 (CNN) 模型,帮助在监测系统故障时降低延迟和功耗。通过将边缘 AI 功能集成到用于管理实时控制的同一 MCU 中,可以帮助您优化系统设计,同时增强整体性能。

电机轴承和太阳能电弧故障的监测

要实现电机驱动和太阳能系统的可靠运行,需要进行快速且可预测的系统故障检测,以帮助减少错误警报,同时还需要监测电机轴承异常和实际故障。支持边缘 AI 的 MCU 可以监测两种类型的故障:

• 当电机轴承出现异常情况或老化时,会发生电机轴承故障。检测这些故障对于防止意外故障、减少停机时间和降低维护成本至关重要。

• 太阳能电弧故障是指当电流通过意外路径(如空气)时发生的电弧放电。太阳能电弧故障通常由太阳能系统中的绝缘击穿、连接松动或其他故障引起。放电会产生强烈的热量,从而导致火灾或电气系统损坏。监测和检测太阳能电弧故障有助于防止危险事件,并确保太阳能系统的安全性和可靠性。
 
如果没有响应式监测,系统可能会因实际故障或错误警报而发生意外停机或系统故障,从而影响运营效率和操作员安全。例如,光伏逆变器中的误报可能会导致系统停机,需要进行检查,从而影响生产力。带电电弧漏检也会增加火灾或系统损坏的风险。
 
除了 MCU 之外,一些电机轴承故障监测方法还使用多个器件来实现实时控制,通过振动分析进行监测、温度监控和声学测量。然后,这种离散化方法使用基于数据的规则检测来监测潜在故障,这需要手动解析,并且可能会错过早期故障,或者无法准确检测故障类型。
 
同样,电弧故障检测的传统方法是分析频域中的电流信号,然后应用基于阈值的规则来检测电弧故障信号。但这两种方法都需要大量的系统专业知识,并且自适应性和灵敏度都受到限制,从而限制检测精度。此外,向系统中添加用于故障监测的分立式器件和用于电机控制的专用实时控制 MCU 会增加系统的复杂性。
 
基于边缘 AI 的集成式故障检测功能在 TMS320F28P550SJ 等实时 MCU 中本地运行 CNN 模型,有助于提高故障检测率、避免误报,同时提供更好的预测性维护。借助边缘 AI,这些系统可以学习并适应环境,从而优化实时控制、提高整体系统可靠性、安全性和效率,同时减少停机时间(请参阅图 2)。


借助支持边缘 AI 的 MCU 优化实时控制系统中的系统故障检测图 2 实时控制系统中支持边缘 AI 的故障监测解决方案


CNN 模型如何增强实时控制系统中的故障监测和检测

用于电机轴承和电弧故障检测的 CNN 模型可以从原始传感器数据(例如振动信号)中学习复杂模式,然后检测指示轴承故障的细微变化。
 
由于 CNN 模型可以自主从原始或预处理的传感器数据(例如电机振动信号、太阳能直流电流或电池电压和电流)中学习,因此 CNN 模型非常适合用于故障检测和预测性维护的传感器数据分析。无需手动干预即可直接提取有意义的特征,从而实现稳健、准确的检测。同时,可以利用表示可变工作条件和不同硬件变化的传感器数据以及快速傅里叶变换 (FFT) 等不同的预处理算法来提高模型的适应性、抗噪性和可靠性,同时减少总检测或推理延迟。
 
由于 CNN 可以高效处理大量数据,并在不同的运行条件下表现良好,因此适用于工业环境中的实时监测和预测性维护。在这些环境中采用 CNN 模型可以更早、更有效地检测电机轴承故障,从而提高设备可靠性和运行效率。
 
对于电机驱动器,CNN 可以识别故障模式,例如振动或电流信号导致的轴承磨损或转子不平衡。在太阳能系统中,CNN 可以检测直流电流波形中的异常,从而进行电弧故障检测。在电池管理应用中,CNN 模型可以分析电池充电曲线寿命、进行电池运行状况监测和电池充电状态估算。CNN 的适应性可确保在动态条件下进行精确的故障检测,而且实时处理可提高效率。


免责声明:本文为转载文章,转载此文目的在于传递更多信息,版权归原作者所有。本文所用视频、图片、文字如涉及作品版权问题,请联系小编进行处理。


我爱方案网


推荐阅读:

第10讲:SiC的加工工艺(2)栅极绝缘层

优化简易PCB电路板的大规模测试,提高生产效率

贸泽推出RISC-V技术资源中心 探索开源的未来

智能无线传感器设计完全指南

DigiKey 于2024 年 12 月 1 日正式启动第 16 届年度 DigiWish 佳节献节活动



为您推荐

高性能电压监控器详解——第二部分:解决各类系统故障 技术应用

高性能电压监控器详解——第二部分:解决各类系统故障

高性能电压监控器的作用是在检测到故障状况(例如电源故障)时,将下游微控制器系统置于复位模式,以避免系统出错和发生故障。除此功能之外,ADI公司的某些监控电路产品还具备一些补充功能,提供的输出信号会触发必要的操作,从而保护下游电路,因而成为检测系统故障和随机硬件故障的一体化解决方案。

安防监控 电源管理 测试测量 微控制器

智原科技新IP方案出炉,加速终端AI与AIoT产品上市 选型指南

智原科技新IP方案出炉,加速终端AI与AIoT产品上市

智原科技(Faraday Technology Corporation)近日宣布,正式推出基于联电(UMC)28纳米制程平台的全新IP解决方案。该方案特别整合了SST-ESF4嵌入式非易失性存储器(eNVM)技术,专为满足新一代微控制器(MCU)与AIoT系统单芯片(SoC)在终端AI应用上的严苛需求而设计。通过提供包含eFlash控制器、内建自我测试(BIST)及多种经硅验证的模拟与接口IP在内的完整方案,智原科技旨在为客户打造低功耗、高效能且易于量产的技术基础,加速产品上市进程。

AI&loT 电源管理 测试测量 微控制器

当 NPU 遇上电机控制:AM13E230x 让设备更懂“自我调节” 技术应用

当 NPU 遇上电机控制:AM13E230x 让设备更懂“自我调节”

电机控制系统正面临着前所未有的挑战:既要满足人形机器人对高扭矩、低噪声及多自由度精密控制的严苛要求,又要适应智能家居对能效、静音及自适应性能的期待。传统依赖多个微控制器和分立式元件的设计方案,往往因成本高、功耗大且系统复杂而难以承载日益增长的边缘 AI 需求。德州仪器(TI)推出的 AM13E230x 系列 MCU 应运而生,它创新性地在单芯片中融合了高性能 Arm® Cortex®-M33 CPU 与专用的 TI TinyEngine™ NPU。

智能家居 电源管理 测试测量 微控制器 TI(德州仪器)

延迟降低90倍、能耗骤降120倍:TI TinyEngine™ NPU 重新定义边缘AI能效 选型指南

延迟降低90倍、能耗骤降120倍:TI TinyEngine™ NPU 重新定义边缘AI能效

德州仪器(TI)于2026年3月重磅推出了两款集成专属TinyEngine™神经处理单元(NPU)的新型微控制器(MCU)系列——MSPM0G5187与AM13Ex。这一创新举措打破了以往AI功能仅局限于高成本、高功耗高端芯片的壁垒,通过将硬件加速器无缝融入通用及实时MCU,实现了单次推理延迟最高降低90倍、能耗骤降超过120倍的突破性性能。

电源管理 测试测量 微控制器 TI(德州仪器)

单台价值约500美元!英飞凌联手NVIDIA推动人形机器人大规模商业部署 业界新闻

单台价值约500美元!英飞凌联手NVIDIA推动人形机器人大规模商业部署

3月19日,英飞凌科技宣布进一步深化与NVIDIA的战略合作,共同推动物理AI系统架构在人形机器人领域的突破性发展。此次合作不仅延续了双方此前的协同基础,更将英飞凌在电机控制、微控制器、电源管理及安全领域的深厚技术积累,与NVIDIA领先的AI、机器人仿真平台及Halos AI系统检测实验室深度融合。通过构建从“感知”到“思考”再到“执行”的全链路闭环,双方致力于解决人形机器人在复杂现实环境中面临的安全性与可靠性挑战,加速其从实验室原型向大规模商业部署的跨越,为物流、制造及服务型机器人市场注入强劲动力。

电源管理 测试测量 微控制器 Infineon(英飞凌)

特别推荐

更多

行业动态

更多

技术应用

更多

选型替代

更多

产品信息

更多

热门搜索

更多

欢迎登录

没有账号,

账号注册

注册成功!

3S后自动为你跳转登陆