當(dāng)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(shí)際示例。

不過，雖然在電機(jī)驅(qū)動(dòng)器、太陽能（如圖 1 所示）和電池管理應(yīng)用的實(shí)時(shí)控制系統(tǒng)中采用 AI 不會(huì)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(jìn)行故障檢測可以顯著影響系統(tǒng)的效率、安全性和生產(chǎn)力。

圖1 太陽能電池板陣列

本文中將討論集成式微控制器 (MCU) 如何增強(qiáng)高壓實(shí)時(shí)控制系統(tǒng)中的故障檢測功能。此類 MCU 使用集成神經(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，幫助在監(jiān)測系統(tǒng)故障時(shí)降低延遲和功耗。通過將邊緣 AI 功能集成到用于管理實(shí)時(shí)控制的同一 MCU 中，可以幫助您優(yōu)化系統(tǒng)設(shè)計(jì)，同時(shí)增強(qiáng)整體性能。

電機(jī)軸承和太陽能電弧故障的監(jiān)測

要實(shí)現(xiàn)電機(jī)驅(qū)動(dòng)和太陽能系統(tǒng)的可靠運(yùn)行，需要進(jìn)行快速且可預(yù)測的系統(tǒng)故障檢測，以幫助減少錯(cuò)誤警報(bào)，同時(shí)還需要監(jiān)測電機(jī)軸承異常和實(shí)際故障。支持邊緣 AI 的 MCU 可以監(jiān)測兩種類型的故障：

●   當(dāng)電機(jī)軸承出現(xiàn)異常情況或老化時(shí)，會(huì)發(fā)生電機(jī)軸承故障。檢測這些故障對(duì)于防止意外故障、減少停機(jī)時(shí)間和降低維護(hù)成本至關(guān)重要。

●   太陽能電弧故障是指當(dāng)電流通過意外路徑(如空氣)時(shí)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(dòng)或其他故障引起。放電會(huì)產(chǎn)生強(qiáng)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(xiǎn)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(huì)因?qū)嶋H故障或錯(cuò)誤警報(bào)而發(fā)生意外停機(jī)或系統(tǒng)故障，從而影響運(yùn)營效率和操作員安全。例如，光伏逆變器中的誤報(bào)可能會(huì)導(dǎo)致系統(tǒng)停機(jī)，需要進(jìn)行檢查，從而影響生產(chǎn)力。帶電電弧漏檢也會(huì)增加火災(zāi)或系統(tǒng)損壞的風(fēng)險(xiǎn)。

除了 MCU 之外，一些電機(jī)軸承故障監(jiān)測方法還使用多個(gè)器件來實(shí)現(xiàn)實(shí)時(shí)控制，通過振動(dòng)分析進(jìn)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(dòng)解析，并且可能會(huì)錯(cuò)過早期故障，或者無法準(zhǔn)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(hào)，然后應(yīng)用基于閾值的規(guī)則來檢測電弧故障信號(hào)。但這兩種方法都需要大量的系統(tǒng)專業(yè)知識(shí)，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(jī)控制的專用實(shí)時(shí)控制 MCU 會(huì)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 TMS320F28P550SJ 等實(shí)時(shí) MCU 中本地運(yùn)行 CNN 模型，有助于提高故障檢測率、避免誤報(bào)，同時(shí)提供更好的預(yù)測性維護(hù)。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(shí)時(shí)控制、提高整體系統(tǒng)可靠性、安全性和效率，同時(shí)減少停機(jī)時(shí)間（請(qǐng)參閱圖 2）。

圖2 實(shí)時(shí)控制系統(tǒng)中支持邊緣AI的故障監(jiān)測解決方案

CNN模型如何增強(qiáng)實(shí)時(shí)控制系統(tǒng)中的故障監(jiān)測和檢測

用于電機(jī)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(dòng)信號(hào)）中學(xué)習(xí)復(fù)雜模式，然后檢測指示軸承故障的細(xì)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(jī)振動(dòng)信號(hào)、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(hù)的傳感器數(shù)據(jù)分析。無需手動(dòng)干預(yù)即可直接提取有意義的特征，從而實(shí)現(xiàn)穩(wěn)健、準(zhǔn)確的檢測。同時(shí)，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(shí)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(yùn)行條件下表現(xiàn)良好，因此適用于工業(yè)環(huán)境中的實(shí)時(shí)監(jiān)測和預(yù)測性維護(hù)。在這些環(huán)境中采用CNN模型可以更早、更有效地檢測電機(jī)軸承故障，從而提高設(shè)備可靠性和運(yùn)行效率。

對(duì)于電機(jī)驅(qū)動(dòng)器，CNN可以識(shí)別故障模式，例如振動(dòng)或電流信號(hào)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(jìn)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(jìn)行電池運(yùn)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(dòng)態(tài)條件下進(jìn)行精確的故 障檢測，而且實(shí)時(shí)處理可提高效率。