日前，國(guó)家發(fā)展改革委、國(guó)家能源局聯(lián)合發(fā)布了關(guān)于推進(jìn)“人工智能+”能源高質(zhì)量發(fā)展的實(shí)施意見(jiàn)，意見(jiàn)中特別提到了一點(diǎn)：電力設(shè)備狀態(tài)評(píng)價(jià)與智能運(yùn)維。構(gòu)建設(shè)備狀態(tài)智能感知與預(yù)警、設(shè)備故障智能定位與診斷、設(shè)備狀態(tài)檢修智能決策、設(shè)備災(zāi)害風(fēng)險(xiǎn)智能預(yù)測(cè)、檢修工作票智能生成等應(yīng)用，提升設(shè)備精益化管理水平。

在太陽(yáng)能光伏行業(yè)，AI正在靜悄悄的開(kāi)展過(guò)程中。

近年來(lái)，太陽(yáng)能發(fā)展迅猛。2024年，全球光伏裝機(jī)容量將達(dá)到創(chuàng)紀(jì)錄的597吉瓦，比2023年的449吉瓦增長(zhǎng)33%。這一增長(zhǎng)將使全球太陽(yáng)能總裝機(jī)容量突破2.2太瓦，而2022年底約為1.6太瓦。SolarPower Europe預(yù)測(cè)，到2025年，太陽(yáng)能裝機(jī)容量將再增長(zhǎng)10%，達(dá)到655吉瓦。目前，太陽(yáng)能約占全球電力供應(yīng)的6.9%，高于2023年的5.6%左右。盡管太陽(yáng)能增長(zhǎng)迅速且潛力巨大，但由于其間歇性輸出和效率限制，許多公司、組織和行業(yè)仍不愿完全采用太陽(yáng)能。

太陽(yáng)能電池板的性能受多種因素影響，包括變化的天氣條件、變化的日照強(qiáng)度以及系統(tǒng)對(duì)電力輸送的管理能力。如果產(chǎn)生的電能沒(méi)有得到適當(dāng)?shù)恼{(diào)節(jié)，可能會(huì)導(dǎo)致能源浪費(fèi)、效率低下或電力供應(yīng)不可靠——這些都是依賴穩(wěn)定能源的用戶和企業(yè)無(wú)法承受的擔(dān)憂。在這種情況下，微調(diào)占空比(即電池板的開(kāi)啟時(shí)間與關(guān)閉時(shí)間之比)對(duì)于最大限度地利用太陽(yáng)能電池板系統(tǒng)的能量至關(guān)重要。

另一方面，機(jī)器學(xué)習(xí) (ML) 和邊緣人工智能 (Edge AI) 正在通過(guò)實(shí)現(xiàn)更智能、數(shù)據(jù)驅(qū)動(dòng)的決策，徹底改變各行各業(yè)的效率。例如，在可再生能源領(lǐng)域，機(jī)器學(xué)習(xí)通過(guò)分析環(huán)境條件、預(yù)測(cè)能量輸出和實(shí)現(xiàn)預(yù)測(cè)性維護(hù)以最大限度地減少停機(jī)時(shí)間來(lái)優(yōu)化太陽(yáng)能電池板的性能。除了太陽(yáng)能之外，機(jī)器學(xué)習(xí)還能通過(guò)預(yù)測(cè)性維護(hù)和流程自動(dòng)化提高制造效率，通過(guò)實(shí)時(shí)負(fù)荷預(yù)測(cè)減少智能電網(wǎng)的能源浪費(fèi)，并通過(guò)支持精準(zhǔn)農(nóng)業(yè)技術(shù)提高農(nóng)業(yè)生產(chǎn)力。在這些多樣化的用例中，機(jī)器學(xué)習(xí)通過(guò)將復(fù)雜數(shù)據(jù)轉(zhuǎn)化為可操作的洞察來(lái)推動(dòng)持續(xù)改進(jìn)，最終節(jié)省時(shí)間、降低成本并增強(qiáng)可持續(xù)性。

為了應(yīng)對(duì)這一趨勢(shì)，各控制器廠商都將AI技術(shù)集成進(jìn)MCU/MPU內(nèi)部，以滿足光伏逆變行業(yè)的新需求。

英飛凌

HTEC團(tuán)隊(duì)利用英飛凌的PSoC Edge處理器，研究探討了如何使用深度神經(jīng)網(wǎng)絡(luò) (DNN) 預(yù)測(cè) DC-DC 轉(zhuǎn)換器的最佳占空比，重點(diǎn)在于識(shí)別最相關(guān)的輸入特征，以提高性能和可靠性。

許多此類方法依賴于太陽(yáng)輻照度和環(huán)境溫度等測(cè)量數(shù)據(jù)，因?yàn)檫@些參數(shù)與太陽(yáng)能電池板的功率輸出密切相關(guān)。然而，輻照度傳感器的集成也帶來(lái)了一些缺點(diǎn)，包括額外的成本以及由于灰塵積聚或傳感器位置差異等因素導(dǎo)致測(cè)量不準(zhǔn)確的風(fēng)險(xiǎn)。為了解決這個(gè)問(wèn)題，一些研究人員提出了間接估算紅外輻照度值，但這會(huì)增加建模復(fù)雜性，并可能引入可能通過(guò) MPPT 算法傳播的誤差源。

此外，也提出了無(wú)傳感器或低傳感器方法，僅使用太陽(yáng)能電池板直接提供的電壓和電流測(cè)量數(shù)據(jù)。這些內(nèi)部信號(hào)易于訪問(wèn)，本質(zhì)上與太陽(yáng)能電池板的運(yùn)行條件同步，并且避免了與輻照度感測(cè)相關(guān)的許多復(fù)雜問(wèn)題。

實(shí)現(xiàn)基于人工智能跟蹤最大功率點(diǎn) (MPPT) 算法的軟件已部署在 HTEC 開(kāi)發(fā)的定制硬件平臺(tái)上。該平臺(tái)將太陽(yáng)能電池板輸出安全地連接到 DC-DC 轉(zhuǎn)換器，并包含所有必要的傳感組件，用于監(jiān)測(cè)電壓、電流和環(huán)境溫度。這些信號(hào)作為DNN的輸入，DNN 實(shí)時(shí)計(jì)算合適的占空比。該平臺(tái)還具有藍(lán)牙通信功能，支持人機(jī)界面 (HMI) 功能，可為用戶提供有關(guān)能源生產(chǎn)和系統(tǒng)狀態(tài)的實(shí)時(shí)反饋。這樣，系統(tǒng)在管理 DC-DC 轉(zhuǎn)換器占空比的同時(shí)，還能提供可用于預(yù)測(cè)性維護(hù)的信息。

電源管理模塊：為 PSOC Edge 和藍(lán)牙模塊分配電源。藍(lán)牙通信模塊：處理 HMI 功能的無(wú)線數(shù)據(jù)傳輸。傳感模塊：測(cè)量太陽(yáng)能電池板產(chǎn)生的實(shí)時(shí)電壓和電流。處理器模塊：PSOC Edge系統(tǒng)級(jí)模塊 (SOM)：執(zhí)行所有計(jì)算任務(wù)，包括 AI 推理和控制邏輯。PSOC Edge E84 系列 Arm Cortex-M 微控制器是一款高性能、低功耗、安全的 MCU，并配備ML加速功能，基于高性能 Cortex-M55 內(nèi)核，支持 Helium DSP，并搭配 Arm Ethos-U55 NPU以及低功耗 Cortex - M33 內(nèi)核，與英飛凌超低功耗 NNLite 硬件加速平臺(tái)搭配使用。

PSOC Edge 可以持續(xù)分析來(lái)自監(jiān)測(cè)日照強(qiáng)度、電池板溫度和功率輸出的傳感器數(shù)據(jù)。這使得它能夠動(dòng)態(tài)調(diào)整太陽(yáng)能電池板方向、跟蹤MPPT并優(yōu)化逆變器運(yùn)行，而無(wú)需云端處理帶來(lái)的延遲。此外，AI 還可以檢測(cè)能耗模式并預(yù)測(cè)需求或遮光事件，從而進(jìn)一步優(yōu)化能源存儲(chǔ)和分配策略。

為開(kāi)發(fā)和驗(yàn)證所提出的基于人工智能的最大功率點(diǎn)跟蹤(MPPT)解決方案，高質(zhì)量數(shù)據(jù)集不可或缺。文中使用美國(guó)洪堡州立大學(xué)公開(kāi)的沿海地區(qū)光伏電站數(shù)據(jù)集，選取三年間一分鐘間隔的高頻采樣數(shù)據(jù)，基于太陽(yáng)輻照度、溫度等參數(shù)模擬光伏板電壓電流輸出，生成對(duì)應(yīng)最大功率點(diǎn)的占空比作為訓(xùn)練標(biāo)簽。同時(shí)提取電壓電流變化量等輔助特征，經(jīng)歸一化和剔除夜間數(shù)據(jù)等預(yù)處理后，為訓(xùn)練提供可靠數(shù)據(jù)支撐。

在 AI 模型構(gòu)建上，針對(duì)傳統(tǒng)擾動(dòng)觀察法(P&O)收斂慢、功率振蕩等缺陷，采用多層感知機(jī)(MLP)架構(gòu)，通過(guò)分步訓(xùn)練與實(shí)時(shí)訓(xùn)練兩階段優(yōu)化模型性能。分步訓(xùn)練讓模型基于瞬時(shí)測(cè)量值預(yù)測(cè)最優(yōu)電氣參數(shù)，實(shí)時(shí)訓(xùn)練則引入反饋機(jī)制，將前次預(yù)測(cè)作為后續(xù)輸入，迭代修正以模擬真實(shí)場(chǎng)景，最終實(shí)現(xiàn)低延遲、高魯棒性的 MPPT 方案，適配嵌入式平臺(tái)部署，提升光伏系統(tǒng)在動(dòng)態(tài)環(huán)境下的能量利用效率。

為了將AI模型部署到 PSOC Edge平臺(tái)上，需將模型從 32 位浮點(diǎn)格式轉(zhuǎn)換為 8 位格式，鑒于為 MPPT 任務(wù)設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)架構(gòu)相對(duì)緊湊，主要采用模型量化作為優(yōu)化技術(shù)，未應(yīng)用模型蒸餾等更高級(jí)的壓縮策略，因其對(duì)本就極小的模型尺寸提升效益不顯著。模型量化通過(guò)將模型參數(shù)從 32 位或 64 位浮點(diǎn)表示轉(zhuǎn)換為 8 位整數(shù)等低精度格式，大幅降低模型的內(nèi)存占用和計(jì)算需求，使其更適合邊緣設(shè)備部署，同時(shí)借助量化感知訓(xùn)練(QAT)在訓(xùn)練階段模擬量化環(huán)境，減輕精度降低對(duì)模型準(zhǔn)確性的負(fù)面影響，甚至可能提升泛化能力。

模型優(yōu)化完成后，借助 ModusToolbox開(kāi)發(fā)框架將 AI 算法部署到英飛凌 PSOC Edge 平臺(tái)，該框架支持 8 位量化模型部署，用戶只需將模型以 TensorFlow Lite(TFLite)格式導(dǎo)出，即可無(wú)縫集成到平臺(tái) AI 加速器中，也可直接部署浮點(diǎn) Keras 模型，由框架內(nèi)部處理量化優(yōu)化。轉(zhuǎn)換后的 AI 模型會(huì)被轉(zhuǎn)成 C 兼容格式，權(quán)重和參數(shù)存儲(chǔ)為 uint8 值以匹配 AI 加速器的 8 位架構(gòu)，實(shí)現(xiàn)更快推理和更低內(nèi)存使用。性能評(píng)估顯示，量化模型雖功率預(yù)測(cè)誤差從 0.0109% 增至 0.6145%，但推理延遲從 3 毫秒降至 0.3 毫秒，每次推理能耗從 68.904 微焦降至 2.592 微焦，且在 PSOC Edge 上的性能較基于 Arm Cortex-M4 的方案，延遲降低超 23 倍，能耗減少超 42 倍，充分體現(xiàn)該平臺(tái)在邊緣 MPPT 應(yīng)用中部署實(shí)時(shí)高效 AI 方案的優(yōu)勢(shì)。

除了優(yōu)化MPPT之外，實(shí)時(shí)AI洞察還帶來(lái)了額外的好處——預(yù)測(cè)性維護(hù)。HTEC團(tuán)隊(duì)開(kāi)發(fā)了一個(gè)專用用戶界面，可根據(jù)AI模型預(yù)測(cè)持續(xù)洞察系統(tǒng)性能。這些預(yù)測(cè)可以與實(shí)際發(fā)電量進(jìn)行交叉比對(duì)，以發(fā)現(xiàn)可能由組件性能下降導(dǎo)致的顯著差異，從而使利益相關(guān)者能夠主動(dòng)安排維護(hù)。

HTEC指出，未來(lái)的工作可以探索進(jìn)一步的優(yōu)化技術(shù)，例如整合更多傳感器數(shù)據(jù)或利用先進(jìn)的模型壓縮方法，以進(jìn)一步提高系統(tǒng)的準(zhǔn)確性和性能。盡管如此，當(dāng)前的方法凸顯了AI驅(qū)動(dòng)的MPPT在嵌入式太陽(yáng)能解決方案中的潛力，為更高效、可持續(xù)的能源管理和更智能的邊緣設(shè)備維護(hù)實(shí)踐提供了指引。

意法半導(dǎo)體

意法半導(dǎo)體推出了基于STM32的邊緣AI電弧故障電路斷路器(AFCI)解決方案。

在電氣安全領(lǐng)域，電弧故障引發(fā)的火災(zāi)占比高達(dá)四分之一，而新型應(yīng)用場(chǎng)景如太陽(yáng)能電池板、動(dòng)力電池、電動(dòng)工具及電動(dòng)自行車等的不斷涌現(xiàn)，對(duì)電弧防護(hù)技術(shù)提出了更高創(chuàng)新要求。當(dāng)前基于規(guī)則的算法雖能提升電氣裝置安全性，但其環(huán)境適應(yīng)性有限且誤報(bào)率高，而云端 AI 方案雖精度可觀，卻面臨延遲與隱私風(fēng)險(xiǎn)。

在此背景下，邊緣 AI 解決方案成為理想平衡點(diǎn) —— 其無(wú)需網(wǎng)絡(luò)連接與外部處理，可在設(shè)備本地實(shí)時(shí)完成數(shù)據(jù)處理，既實(shí)現(xiàn)電弧的即時(shí)檢測(cè)與響應(yīng)，又消除隱私安全隱患，同時(shí)通過(guò)持續(xù)學(xué)習(xí)適應(yīng)不同環(huán)境，顯著降低誤報(bào)率并提升系統(tǒng)效率。

選擇 NanoEdge AI Studio 工具作為開(kāi)發(fā)核心，其憑借用戶友好的界面與易用性，可基于用戶數(shù)據(jù)自動(dòng)篩選并生成最優(yōu)模型;若具備預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，亦可通過(guò) STM32Cube.AI 進(jìn)行壓縮優(yōu)化以適配嵌入式環(huán)境。

具體實(shí)施中，以 STM32G4 為核心的定制 AFCI 板為硬件載體，先采集約 1000 組正常運(yùn)行信號(hào)，再收集同等數(shù)量的電弧故障信號(hào)，將兩類數(shù)據(jù)導(dǎo)入 NanoEdge AI Studio 的分類項(xiàng)目，工具自動(dòng)生成適配的 AI 庫(kù)并集成至代碼，實(shí)現(xiàn)對(duì)電流的實(shí)時(shí)監(jiān)測(cè)與電弧觸發(fā)警報(bào)。

該方案采用 150kHz 采樣率的電流傳感器，處理 2048×1 軸的兩類數(shù)據(jù)(電弧故障與無(wú)電弧)，最終達(dá)成 100% 檢測(cè)準(zhǔn)確率，僅占用 16.7KB RAM 與 0.5KB Flash 存儲(chǔ)空間。

恩智浦

恩智浦MCX N系列NPU的電弧檢測(cè)技術(shù)廣泛應(yīng)用于各種需要電弧檢測(cè)的場(chǎng)合，如：

電力系統(tǒng)：用于監(jiān)測(cè)和檢測(cè)電力系統(tǒng)中的電弧故障，及時(shí)采取措施防止故障擴(kuò)大。

工業(yè)控制：在工業(yè)自動(dòng)化和機(jī)器人控制系統(tǒng)中，用于檢測(cè)潛在的電弧風(fēng)險(xiǎn)，確保生產(chǎn)安全。

智能家居：在智能家居系統(tǒng)中，用于監(jiān)測(cè)電路中的電弧情況，提高家庭用電的安全性。

恩智浦推出電弧檢測(cè)軟硬件方案及數(shù)據(jù)采集訓(xùn)練軟件可大大加速用戶電弧檢測(cè)產(chǎn)品的開(kāi)發(fā)速度。其中MCX N系列MCU內(nèi)部集成了NPU，可達(dá)到業(yè)界領(lǐng)先的4.8Gops的推理速度，可加速卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)算。提高電弧故障檢測(cè)的實(shí)時(shí)性。

基于AI的故障電弧檢測(cè)實(shí)現(xiàn)過(guò)程分為數(shù)據(jù)采集，數(shù)據(jù)訓(xùn)練，模型量化，模型的驗(yàn)證及部署五個(gè)過(guò)程，均可以通過(guò)NXP所搭配的一站式上位機(jī)軟件來(lái)完成。

如下圖所示，根據(jù)UL1699B要求搭建測(cè)試平臺(tái)，PV模擬源輸出經(jīng)過(guò)電弧發(fā)生裝置后，輸入到光伏逆變器的直流PV輸入端。通過(guò)串聯(lián)其中的互感器，檢測(cè)故障電弧產(chǎn)生的交流信號(hào)。通過(guò)采集板采集，MCXN947所集成的ADC，具備16bit 分辨率，同時(shí)在16bit分辨率下可支持高達(dá)2Mbps的采樣速率，使其非常適合電弧信號(hào)的采集，信號(hào)通過(guò)ADC采樣進(jìn)入MCU進(jìn)行處理。

NXP提供的采集板目前支持兩路電弧信號(hào)的同時(shí)檢測(cè)，采集板作為子卡插接在FRDM-MCXN947板子上。

關(guān)于采集電路設(shè)計(jì)，在理論研究中，通過(guò)分析頻域特性，通常直流故障電弧發(fā)生時(shí)，直流電流在10KHz-100kHz頻段范圍內(nèi)的諧波能量會(huì)明顯增大。所以所設(shè)計(jì)的電路使用帶通濾波處理輸入信號(hào)。其頻帶特性如下圖所示：

采樣板輸入的信號(hào)如下圖所示，所采集到的交流信號(hào)混雜了逆變器本身的諧波干擾及發(fā)生直流電弧信號(hào)。

同時(shí)，在頻域檢測(cè)方法的應(yīng)用中，為了盡量避免直流故障電弧特征頻段與光伏系統(tǒng)因自身控制等導(dǎo)致的諧波畸變頻段之間產(chǎn)生相互耦合、干擾，選取了10kHz-100kHz頻段作為直流故障電弧的特征頻段進(jìn)行分析、檢測(cè)。

在原理上，利用FFT進(jìn)行諧波計(jì)算，取2048點(diǎn)為分段，進(jìn)行FFT運(yùn)算，MCXN947內(nèi)部帶有PowerQuad模塊，可加速FFT的運(yùn)算。其計(jì)算結(jié)果，量化后給到MCXN947所帶的NPU進(jìn)行處理。得到最終的分類結(jié)果。從而有效辨識(shí)出有電弧的場(chǎng)景。

實(shí)時(shí)運(yùn)行過(guò)程中，通過(guò)串口打印檢測(cè)結(jié)果，目前當(dāng)檢測(cè)到電弧發(fā)生時(shí)，輸出識(shí)別匹配度為99%。

瑞薩電子

富昌電子推出了采用瑞薩電子 RA6M4 MCU 的邊緣人工智能 (AI) 電弧故障檢測(cè)系統(tǒng)，可實(shí)現(xiàn)快速高效的檢測(cè)。該系統(tǒng)非常適合太陽(yáng)能、智能能源和直流系統(tǒng)，能夠以最少的資源提供實(shí)時(shí)安全監(jiān)控。AFCI 解決方案采用未來(lái)設(shè)計(jì)中心 (FDC) 的 AI Plus 解決方案，該方案融合了 FDC AI 和 Reality-AI 解決方案。

隨著 NEC、IEC 60364-4-42 和 UL 1699B 標(biāo)準(zhǔn)在全球范圍內(nèi)的推廣，預(yù)計(jì)到 2030 年，AFCI 的年出貨量將超過(guò) 4000 萬(wàn)臺(tái)。富昌電子利用瑞薩電子 RA6M4 MCU 和 Reality AI Tools?，打造了一款突破性的終端 AI 系統(tǒng)，該系統(tǒng)利用小于 100kB 的閃存/RAM，在不到 4ms 的時(shí)間內(nèi)實(shí)現(xiàn)近乎完美的檢測(cè)，幾乎消除了誤報(bào)，同時(shí)識(shí)別出其他設(shè)備無(wú)法識(shí)別的危險(xiǎn)直流和交流電弧。

主要優(yōu)勢(shì)：

基于人工智能的時(shí)間序列識(shí)別，由瑞薩 Reality-AI 提供支持檢測(cè)：

電弧故障(小電弧和大電弧)斷路和閉路篡改和異常電流曲線超快速檢測(cè)

推理時(shí)間低至 10-250 毫秒，包括預(yù)處理和多窗口驗(yàn)證。一鍵學(xué)習(xí)

板載按鈕可幫助根據(jù)客戶的設(shè)計(jì)環(huán)境自動(dòng)校準(zhǔn)電路板。能夠?qū)⑿?zhǔn)后的數(shù)據(jù)復(fù)制到其他電路板。無(wú)需云端 AI/ML 訓(xùn)練目標(biāo)市場(chǎng)和應(yīng)用

太陽(yáng)能逆變器斷路器電池儲(chǔ)能系統(tǒng) (BESS) 逆變器電動(dòng)汽車直流充電器工業(yè)開(kāi)關(guān)設(shè)備用于人工智能數(shù)據(jù)中心的 PDU大功率電池工具、電動(dòng)汽車瑞薩電子 RA6M4 微控制器 (MCU) 產(chǎn)品群使用了支持 TrustZone? 的高性能 Arm Cortex-M33 內(nèi)核。與片內(nèi)的 Secure Crypto Engine(SCE) 配合使用，可提供安全芯片的功能。集成帶有專用 DMA 的以太網(wǎng) MAC，可確保高數(shù)據(jù)吞吐率。RA6M4 采用高效的 40nm 工藝，由基于 FreeRTOS 的靈活配置軟件包 (FSP) 這一開(kāi)放且靈活的生態(tài)系統(tǒng)概念提供支持，并能夠擴(kuò)展以使用其他實(shí)時(shí)操作系統(tǒng)(RTOS)和中間件。RA6M4 適用于物聯(lián)網(wǎng)應(yīng)用的需求，如以太網(wǎng)、面向未來(lái)應(yīng)用的安全功能、大容量嵌入式 RAM 和較低功耗(從閃存運(yùn)行 CoreMark 算法，低至 99μA/MHz)。

德州儀器

盡管 AI 在電機(jī)驅(qū)動(dòng)、太陽(yáng)能及電池管理等實(shí)時(shí)控制系統(tǒng)中的應(yīng)用，未能像新型大語(yǔ)言模型那樣頻繁占據(jù)新聞?lì)^條，但邊緣 AI 在故障檢測(cè)方面的應(yīng)用，卻能切實(shí)提升系統(tǒng)效率、安全性與生產(chǎn)力。

MCU可以增強(qiáng)高壓實(shí)時(shí)控制系統(tǒng)中的故障檢測(cè)能力，此類 MCU 借助集成的神經(jīng)網(wǎng)絡(luò)處理單元(NPU)運(yùn)行卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型，在監(jiān)測(cè)系統(tǒng)故障時(shí)，可有效降低延遲并減少功耗，將邊緣 AI 功能集成至管理實(shí)時(shí)控制的同一 MCU 中，有助于優(yōu)化系統(tǒng)設(shè)計(jì)并提升整體性能。在電機(jī)驅(qū)動(dòng)與太陽(yáng)能系統(tǒng)中，可靠運(yùn)行的關(guān)鍵在于快速且可預(yù)測(cè)的故障檢測(cè)，這不僅能減少誤報(bào)，還能實(shí)時(shí)監(jiān)測(cè)電機(jī)軸承異常與實(shí)際故障。

具備邊緣 AI 功能的 MCU 可監(jiān)測(cè)兩類故障：一是電機(jī)軸承故障，當(dāng)電機(jī)軸承出現(xiàn)異常狀況或性能劣化時(shí)，及時(shí)檢測(cè)此類故障對(duì)預(yù)防意外停機(jī)、縮短停機(jī)時(shí)間、降低維護(hù)成本至關(guān)重要;二是太陽(yáng)能電弧故障，即電流通過(guò)空氣等非預(yù)期路徑產(chǎn)生的電弧放電現(xiàn)象，多由太陽(yáng)能系統(tǒng)中的絕緣失效、連接松動(dòng)等問(wèn)題引發(fā)，其產(chǎn)生的高溫可能導(dǎo)致火災(zāi)或電氣系統(tǒng)損壞，因此對(duì)該故障的監(jiān)測(cè)與檢測(cè)是保障太陽(yáng)能系統(tǒng)安全可靠運(yùn)行的必要手段。

傳統(tǒng)的故障檢測(cè)方法，如電機(jī)軸承故障監(jiān)測(cè)依賴多設(shè)備離散檢測(cè)與基于規(guī)則的分析，太陽(yáng)能電弧故障檢測(cè)采用頻域電流信號(hào)分析與閾值判斷，這些方法不僅需要深厚的專業(yè)知識(shí)，而且適應(yīng)性與靈敏度有限，檢測(cè)精度難以保證，同時(shí)還會(huì)增加系統(tǒng)復(fù)雜性。

而基于集成邊緣 AI 的故障檢測(cè)，以 TMS320F28P550SJ 等實(shí)時(shí) MCU 為載體，通過(guò)本地運(yùn)行 CNN 模型，可有效提高故障檢測(cè)率，減少誤報(bào)，實(shí)現(xiàn)更精準(zhǔn)的預(yù)測(cè)性維護(hù)。CNN 模型憑借其從原始傳感器數(shù)據(jù)中自主學(xué)習(xí)復(fù)雜模式的能力，可從振動(dòng)信號(hào)、直流電流等數(shù)據(jù)中直接提取特征，結(jié)合不同工況、硬件差異及預(yù)處理算法，提升模型適應(yīng)性與可靠性，降低檢測(cè)延遲。在電機(jī)驅(qū)動(dòng)、太陽(yáng)能及電池管理等場(chǎng)景中，CNN 模型均能精準(zhǔn)識(shí)別故障模式，實(shí)現(xiàn)動(dòng)態(tài)環(huán)境下的實(shí)時(shí)高效檢測(cè)。

總結(jié)

在電機(jī)驅(qū)動(dòng)與太陽(yáng)能等應(yīng)用場(chǎng)景中，實(shí)時(shí)故障檢測(cè)是保障運(yùn)行安全與長(zhǎng)期可靠性的基石，邊緣 AI 憑借本地實(shí)時(shí)數(shù)據(jù)處理能力，革新了故障檢測(cè)方式，顯著提升檢測(cè)精度、降低延遲，為系統(tǒng)高效穩(wěn)定運(yùn)行提供了強(qiáng)有力的支持。

內(nèi)容出處：光伏逆變器，要被AI MCU/MPU顛覆了