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 的實際示例。

不過，雖然在 電機(jī)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(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)高壓實時控制系統(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 MCU 中，可以幫助您 優(yōu)化系統(tǒng)設(shè)計，同時增強(qiáng)整體性能。

電機(jī)軸承和太陽能電弧故障的監(jiān)測

要實現(xiàn)電機(jī)驅(qū)動和太陽能系統(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 ，以幫助減少錯誤警報，同時還需要 監(jiān)測電機(jī)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(dāng)電機(jī)軸承出現(xiàn)異常情況或老化時，會發(fā)生電機(jī)軸承故障。 檢測這些故障對于防止意外故障、減少停機(jī)時間和降低維護(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(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(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可能會導(dǎo)致系統(tǒng)停機(jī)，需要進(jìn)行檢查，從而影響生產(chǎn)力。 帶電電弧漏檢也會增加火災(zāi)或系統(tǒng)損壞的風(fēng)險。

除了 MCU 之外，一些電機(jī)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(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， 這需要手動解析，并且可能會錯過早期故障，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，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(jī)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 TMS320F28P550SJ 等實時 MCU 中本地運(yùn)行 CNN 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(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(jī)時間（請參閱圖 2）。

圖 2：實時控制系統(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)

實時控制系統(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)（例如振動信號）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(hù)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(zhǔn)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(yùn)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(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。

對于電機(jī)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(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)性可確保在動態(tài)條件下進(jìn)行精確的故障檢測，而且實時處理可提高效率。