Recent, Comisia Națională pentru Dezvoltare și Reformă și Administrația Națională a Energiei au emis în comun avize de implementare privind promovarea dezvoltării de înaltă{0}}calitate a energiei „inteligente artificiale+”. Opiniile au menționat în mod specific un punct: evaluarea stării echipamentelor de putere și operarea și întreținerea inteligente. Creați aplicații precum percepția și avertizarea inteligentă a stării echipamentelor, poziționarea și diagnosticarea defecțiunilor echipamentelor, luarea de decizii-inteligente pentru întreținerea stării echipamentelor, predicția inteligentă a riscurilor de dezastre ale echipamentelor și generarea inteligentă de tichete de lucru de întreținere pentru a îmbunătăți nivelul de management lean al echipamentelor.
În industria solară fotovoltaică, IA se dezvoltă liniștit.
În ultimii ani, energia solară s-a dezvoltat rapid. În 2024, capacitatea instalată globală a energiei fotovoltaice va atinge un record de 597 gigawați, o creștere de 33% de la 449 gigawați în 2023. Această creștere va duce la o capacitate solară totală instalată globală care depășește 2,2 terawați, comparativ cu aproximativ 1,6 terawați până la sfârșitul anului 2020, capacitatea solară instalată în Europa va crește cu 200%2. la 655 gigawați până în 2025. În prezent, energia solară reprezintă aproximativ 6,9% din furnizarea globală de energie electrică, în creștere de la aproximativ 5,6% în 2023. În ciuda creșterii rapide și a potențialului enorm al energiei solare, multe companii, organizații și industrii încă nu doresc să o adopte pe deplin din cauza limitărilor intermitente de producție și eficiență.
Performanța panourilor solare este influențată de diverși factori, inclusiv schimbarea condițiilor meteorologice, variația intensității luminii solare și capacitatea sistemului de a gestiona transmisia de energie. Dacă energia electrică generată nu este reglementată în mod corespunzător, aceasta poate duce la risipă de energie, eficiență scăzută sau surse de energie nesigure - îngrijorări pe care utilizatorii și companiile care se bazează pe energie stabilă nu și le pot permite. În acest caz, reglarea-fină a ciclului de lucru (adică raportul dintre timpul de pornire și timpul de oprire al panoului solar) este crucială pentru maximizarea utilizării energiei sistemului de panouri solare.
Pe de altă parte, învățarea automată (ML) și inteligența artificială de vârf (Edge AI) schimbă în mod fundamental eficiența diferitelor industrii, permițând luarea deciziilor mai inteligente, bazate pe date--. De exemplu, în domeniul energiei regenerabile, învățarea automată optimizează performanța panourilor solare analizând condițiile de mediu, prezicând producția de energie și implementând întreținerea predictivă pentru a minimiza timpul de nefuncționare. Pe lângă energia solară, învățarea automată poate, de asemenea, să îmbunătățească eficiența producției prin întreținerea predictivă și automatizarea proceselor, să reducă risipa de energie în rețelele inteligente prin prognoza-în timp real a sarcinii și să sporească productivitatea agricolă prin sprijinirea tehnologiilor agricole de precizie. În aceste cazuri de utilizare diverse, învățarea automată conduce la îmbunătățirea continuă prin transformarea datelor complexe în informații utile, economisind în cele din urmă timp, reducând costurile și sporind sustenabilitatea. Ca răspuns la această tendință, diverși producători de controlere au integrat tehnologia AI în MCU/MPU pentru a răspunde noilor cerințe ale industriei invertoarelor fotovoltaice.
Infineon
Echipa HTEC a folosit procesorul PSoC Edge de la Infineon pentru a investiga modul de utilizare a rețelelor neuronale profunde (DNN) pentru a prezice ciclul de funcționare optim al convertoarelor DC-DC, concentrându-se pe identificarea celor mai relevante caracteristici de intrare pentru a îmbunătăți performanța și fiabilitatea.
Multe dintre aceste metode se bazează pe date de măsurare, cum ar fi iradierea solară și temperatura ambiantă, deoarece acești parametri sunt strâns legați de puterea de ieșire a panourilor solare. Cu toate acestea, integrarea senzorilor de iradiere aduce și unele dezavantaje, inclusiv costuri suplimentare și riscul unor măsurători inexacte din cauza unor factori precum acumularea de praf sau diferențele de locație ale senzorului. Pentru a aborda această problemă, unii cercetători au propus estimarea indirectă a valorilor de iradiere în infraroșu, dar aceasta crește complexitatea modelării și poate introduce surse de eroare care se pot propaga prin algoritmi MPPT.
În plus, au fost propuse metode fără senzori sau cu senzori low, care utilizează doar datele de măsurare a tensiunii și curentului furnizate direct de panourile solare. Aceste semnale interne sunt ușor de accesat, sincronizate în esență cu condițiile de funcționare ale panoului solar și evită multe probleme complexe legate de detectarea iradierii.
Software-ul pentru implementarea algoritmului de urmărire a punctului de maximă putere (MPPT) bazat pe inteligență artificială a fost implementat pe o platformă hardware personalizată dezvoltată de HTEC. Platforma conectează în siguranță ieșirea panoului solar la un convertor DC-DC și include toate componentele de detectare necesare pentru monitorizarea tensiunii, curentului și temperaturii ambientale. Aceste semnale servesc drept intrări pentru DNN, care calculează ciclul de lucru corespunzător în-timp real. Platforma are, de asemenea, funcție de comunicare Bluetooth și acceptă funcția de interfață umană-mașină (HMI), care poate oferi utilizatorilor feedback în-în timp real despre producția de energie și starea sistemului. În acest fel, sistemul poate gestiona ciclul de lucru al convertoarelor DC-DC, oferind în același timp informații care pot fi utilizate pentru întreținerea predictivă.
Modul de gestionare a energiei: Alocați energie modulelor PSOC Edge și Bluetooth.
Modul de comunicare Bluetooth: se ocupă de transmisia fără fir de date pentru funcțiile HMI.
Modul de detectare: măsoară-tensiunea și curentul în timp real generate de panourile solare.
Modul procesor: Modulul PSOC Edge System Level (SOM): execută toate sarcinile de calcul, inclusiv inferența AI și logica de control.
Microcontrolerul PSOC Edge E84 din seria Arm Cortex-M este un MCU de înaltă-performanță, de putere redusă- și sigur, echipat cu accelerare ML. Se bazează pe nucleul-de înaltă performanță-M55, acceptă Helium DSP și este asociat cu NPU Arm Ethos-U55 și nucleul-de putere redusă-M33 Cortex. Este utilizat împreună cu platforma de accelerare hardware NNLite de putere ultra-infineon. PSOC Edge poate analiza continuu datele senzorului din monitorizarea intensității luminii solare, a temperaturii panoului și a puterii de ieșire. Acest lucru îi permite să ajusteze dinamic direcția panourilor solare, să urmărească MPPT și să optimizeze funcționarea invertorului fără întârzierea cauzată de procesarea în cloud. În plus, AI poate detecta modele de consum de energie și poate prezice evenimente de cerere sau de umbrire, optimizând astfel și mai mult strategiile de stocare și alocare a energiei. Seturile de date de înaltă calitate sunt esențiale pentru dezvoltarea și validarea soluțiilor de urmărire a punctului de maximă putere (MPPT) bazate pe inteligență artificială. Articolul folosește setul de date privind centralele fotovoltaice de coastă disponibil public de la Universitatea de Stat Humboldt din Statele Unite, selectează date de prelevare de frecvență-înaltă la intervale de un minut pe parcursul a trei ani, simulează tensiunea și curentul de ieșire a panourilor fotovoltaice pe baza unor parametri precum iradierea solară și temperatura și generează ciclul de antrenament corespunzător punctului de putere maximă pe etichetă. În același timp, sunt extrase caracteristici auxiliare, cum ar fi modificările de tensiune și curent, iar după preprocesare, cum ar fi normalizarea și eliminarea datelor pe timp de noapte, este oferit suport de date fiabil pentru antrenament. În construirea modelelor AI, este adoptată o arhitectură multi-perceptron (MLP) pentru a aborda deficiențele metodelor tradiționale de observare a perturbațiilor (P&O), cum ar fi convergența lentă și oscilațiile de putere. Performanța modelului este optimizată printr-o abordare în două-etape: antrenament-cu-pas cu pas și antrenament-în timp real. Antrenamentul pas cu pas permite modelului să prezică parametrii electrici optimi pe baza valorilor de măsurare instantanee, în timp ce antrenamentul în timp real-introduce un mecanism de feedback care ia predicția anterioară ca intrare ulterioară, o corectează iterativ pentru a simula scenarii reale și, în cele din urmă, obține o latență scăzută, o schemă MPPT de înaltă robustețe, care este adaptată la platforma integrată de utilizare a sistemelor fotovoltaice de îmbunătățire a eficienței energetice. medii.
Pentru a implementa modelul AI pe platforma PSOC Edge, este necesar să convertiți modelul din formatul de 32-biți-în virgulă mobilă în format de 8 biți. Având în vedere arhitectura relativ compactă a rețelei neuronale, concepută pentru sarcini MPPT, cuantizarea modelului este utilizată în principal ca tehnică de optimizare, iar strategiile de compresie mai avansate, cum ar fi distilarea modelului, nu sunt aplicate, deoarece nu îmbunătățește semnificativ eficiența dimensiunii modelului deja extrem de mică. Cuantizarea modelului convertește parametrii modelului din reprezentări în virgulă mobilă pe 32 de biți sau 64 de biți în formate de precizie redusă, cum ar fi numerele întregi de 8 biți, reducând semnificativ amprenta de memorie și cerințele de calcul ale modelului, făcându-l mai potrivit pentru implementarea dispozitivelor de vârf. În același timp, prin utilizarea antrenamentului de cuantizare (QAT) pentru a simula mediile de cuantizare în timpul fazei de antrenament, impactul negativ al preciziei reduse asupra acurateții modelului poate fi atenuat și chiar capacitatea de generalizare poate fi îmbunătățită.
După ce optimizarea modelului este finalizată, algoritmul AI este implementat pe platforma Infineon PSOC Edge folosind cadrul de dezvoltare ModusToolbox. Cadrul acceptă implementarea modelului de cuantizare pe 8-biți, iar utilizatorii trebuie doar să exporte modelul în format TensorFlow Lite (TFLite) pentru a-l integra fără probleme în acceleratorul AI al platformei. Modelele Keras cu virgulă mobilă pot fi, de asemenea, implementate direct pentru a gestiona optimizarea cuantizării în cadrul cadru. Modelul AI convertit va fi convertit într-un format compatibil C, cu greutăți și parametri stocați ca valori uint8 pentru a se potrivi cu arhitectura de 8-biți a acceleratorului AI, obținând o inferență mai rapidă și o utilizare mai redusă a memoriei. Evaluarea performanței arată că, deși eroarea de predicție a puterii modelului de cuantizare a crescut de la 0,0109% la 0,6145%, întârzierea de inferență a scăzut de la 3 milisecunde la 0,3 milisecunde, iar consumul de energie pe inferență a scăzut de la 68,904 microjouli la 2,592 microjouli. Mai mult, performanța PSOC Edge este de peste 23 de ori mai mică decât cea bazată pe soluția Arm Cortex-M4, cu o reducere a întârzierilor de peste 23 de ori și o reducere a consumului de energie de peste 42 de ori, demonstrând pe deplin avantajele implementării soluțiilor AI eficiente și în timp real pe aplicația edge MPPT a acestei platforme.
Pe lângă optimizarea MPPT,-perspectivele AI în timp real aduc și beneficii suplimentare - întreținerea predictivă. Echipa HTEC a dezvoltat o interfață de utilizator dedicată care poate prezice informații continue asupra performanței sistemului pe baza modelelor AI. Aceste predicții pot fi încrucișate cu generarea reală de energie pentru a identifica diferențele semnificative care pot fi cauzate de degradarea performanței componentelor, permițând părților interesate să organizeze în mod proactiv întreținerea. HTEC subliniază că lucrările viitoare pot explora tehnici suplimentare de optimizare, cum ar fi integrarea mai multor date ale senzorilor sau utilizarea metodelor avansate de compresie a modelului, pentru a îmbunătăți și mai mult acuratețea și performanța sistemului. Cu toate acestea, abordarea actuală evidențiază potențialul MPPT bazat pe inteligență artificială în soluțiile solare încorporate, oferind îndrumări pentru o gestionare mai eficientă și durabilă a energiei și practici de întreținere a dispozitivelor de vârf mai inteligente.
STMicroelectronics
STMicroelectronics a lansat o soluție AFCI (edge AI arc fault circuit breaker) bazată pe STM32.
În domeniul siguranței electrice, incendiile cauzate de defecțiunile arcului reprezintă până la un sfert, iar apariția continuă a unor noi scenarii de aplicații, cum ar fi panourile solare, bateriile electrice, uneltele electrice și bicicletele electrice a propus cerințe inovatoare mai mari pentru tehnologia de protecție a arcului. Deși algoritmii bazați-reguli pot îmbunătăți siguranța dispozitivelor electrice, adaptabilitatea acestora la mediu este limitată, iar rata alarmelor false este ridicată. Soluțiile AI bazate pe cloud, deși extrem de precise, se confruntă cu riscuri de latență și confidențialitate.
În acest context, soluțiile edge AI au devenit un punct de echilibru ideal - nu necesită conexiuni de rețea și procesare externă și pot finaliza procesarea datelor la nivel local pe dispozitiv în timp real, realizând detectarea și răspunsul instantaneu al arcurilor, eliminând în același timp riscurile de confidențialitate și securitate. În același timp, prin învățarea continuă pentru a se adapta la diferite medii, acestea reduc semnificativ ratele de alarmă falsă și îmbunătățesc eficiența sistemului. Alegând instrumentul NanoEdge AI Studio ca nucleu de dezvoltare, cu interfața prietenoasă-și ușurință de utilizare, acesta poate filtra și genera automat modelul optim pe baza datelor utilizatorului; Dacă sunt disponibile rețele neuronale pregătite în prealabil, STM32Cube.AI poate fi folosit și pentru optimizarea compresiei pentru a se adapta la mediile încorporate.
În implementarea specifică, o placă AFCI personalizată cu STM32G4 ca nucleu este utilizată ca suport hardware. Aproximativ 1000 de seturi de semnale de funcționare normală sunt colectate mai întâi și apoi sunt colectate un număr egal de semnale de defecțiune a arcului. Cele două tipuri de date sunt importate în proiectul de clasificare al NanoEdge AI Studio, iar instrumentul generează automat o bibliotecă AI adaptată și o integrează în cod pentru a realiza-monitorizarea în timp real a alarmelor de declanșare curente și arc. Această schemă folosește un senzor de curent cu frecvența de eșantionare de 150 kHz pentru a procesa două tipuri de date (defect de arc și fără arc) pentru 2048 × 1 axă, obținând în cele din urmă o acuratețe de detecție de 100%, ocupând doar 16,7 KB RAM și 0,5 KB spațiu de stocare Flash.
NXP
Tehnologia de detectare a arcului NPU din seria NXP MCX N este utilizată pe scară largă în diverse ocazii care necesită detectarea arcului, cum ar fi:
Sistem de alimentare: utilizat pentru a monitoriza și detecta defecțiunile de arc în sistemul de alimentare și pentru a lua măsuri în timp util pentru a preveni extinderea defecțiunilor.
Control industrial: utilizat în sistemele de automatizare industrială și control al roboților pentru a detecta potențiale riscuri de arc și pentru a asigura siguranța producției.
Smart Home: În sistemele smart home, este utilizat pentru a monitoriza situația arcului din circuit și pentru a îmbunătăți siguranța consumului de energie electrică în gospodărie.
NXP a lansat soluții software și hardware de detectare a arcului, precum și software de instruire pentru achiziția de date, care pot accelera foarte mult viteza de dezvoltare a produselor de detectare a arcului de utilizator. MCU din seria MCX N integrează NPU la nivel intern, care poate atinge o viteză de-inferență de vârf în industrie de 4,8 Gops și poate accelera funcționarea rețelelor neuronale convoluționale. Îmbunătățiți performanța-în timp real a detectării defectelor de arc.
Procesul de implementare a detectării arcului de defect bazat pe inteligență artificială include cinci pași: achiziția de date, antrenamentul de date, cuantificarea modelului, validarea modelului și implementarea, toate acestea putând fi finalizate prin software-ul de computer superior un-stop furnizat de NXP.
După cum se arată în figura de mai jos, o platformă de testare este construită în conformitate cu cerințele UL1699B. Ieșirea sursei de simulare PV este introdusă la terminalul de intrare DC PV al invertorului fotovoltaic după trecerea prin dispozitivul generator de arc. Prin conectarea transformatoarelor în serie, detectați semnalul AC generat de arcul de defect. Prin intermediul plăcii de achiziție, ADC-ul integrat în MCXN947 are o rezoluție de 16 biți și poate suporta o rată de eșantionare de până la 2Mbps la rezoluția de 16 biți, făcându-l foarte potrivit pentru achiziția semnalului de arc. Semnalul este prelevat de ADC și procesat de MCU.
TPlaca de achiziție furnizată de NXP acceptă în prezent detectarea simultană a două semnale de arc, iar placa de achiziție este conectată la placa FRDM-MXN947 ca o cartelă fiică.
În ceea ce privește proiectarea circuitului de achiziție, în cercetarea teoretică, prin analiza caracteristicilor domeniului de frecvență, se constată, de obicei, că atunci când apare un arc de defect DC, energia armonică a curentului DC în intervalul de frecvență 10KHz-100kHz va crește semnificativ. Deci, circuitul proiectat folosește filtrarea trece-bandă pentru a procesa semnalul de intrare. Caracteristicile benzii de frecvență sunt prezentate în figura următoare:
În același timp, în aplicarea metodelor de detectare a domeniului de frecvență, pentru a evita cuplarea și interferența reciprocă între banda de frecvență caracteristică a arcurilor de defect DC și banda de frecvență de distorsiune armonică cauzată de autocontrolul sistemelor fotovoltaice, banda de frecvență 10 kHz-100 kHz a fost selectată ca banda de frecvență caracteristică a arcurilor de defect DC pentru analiză și delimitare.
În principiu, FFT este utilizat pentru calculul armonicilor, luând 2048 de puncte ca segmente pentru operarea FFT. MCXN947 are un modul PowerQuad în interior, care poate accelera funcționarea FFT. Rezultatele calculate sunt cuantificate și introduse în NPU transportat de MCXN947 pentru procesare. Obține rezultatul final al clasificării. Identificând astfel în mod eficient scenele cu arcuri electrice.
În timpul funcționării-în timp real, rezultatele detectării sunt tipărite prin portul serial. În prezent, când este detectat un arc, gradul de potrivire a recunoașterii ieșirii este de 99%.
Renesas Electronics
Fuchang Electronics a lansat un sistem de detectare a defecțiunilor arcului cu inteligență artificială (AI) de vârf folosind MCU RA6M4 de la Renesas Electronics, care poate realiza o detectare rapidă și eficientă. Acest sistem este foarte potrivit pentru energie solară, energie inteligentă și sisteme DC, oferind monitorizarea securității în timp real-cu resurse minime. Soluția AFCI adoptă soluția AI Plus de la Future Design Center (FDC), care integrează soluțiile FDC AI și Reality AI.
Odată cu promovarea globală a standardelor NEC, IEC 60364-4-42 și UL 1699B, este de așteptat ca livrările anuale ale AFCI să depășească 40 de milioane de unități până în 2030. Fuchang Electronics utilizează Renesas RA6M4 MCU și Reality AI Tools ®, am dezvoltat un sistem inovator care utilizează terminale revoluționare/RAMBAI pentru a obține mai puțin de 10 terminale RAMBAI. detectie aproape perfectă în mai puțin de 4 ms, aproape eliminând alarmele false și identificând arcurile periculoase DC și AC pe care alte dispozitive nu le pot recunoaște.
Avantajul principal: recunoașterea seriilor temporale bazată pe inteligența artificială, susținută de Renesas Reality AI
Detectare: defecțiuni de arc (arcuri mici și mari), manipulare în circuit deschis și închis și curbe de curent anormale
Detectare ultra rapidă: timp de inferență de până la 10-250 milisecunde, inclusiv preprocesare și validare cu mai multe ferestre.
Învățare cu un singur clic: butonul de la bord poate ajuta la calibrarea automată a plăcii de circuit în funcție de mediul de proiectare al clientului. Capabil să copieze date calibrate pe alte plăci de circuite. Nu este nevoie de instruire AI/ML bazată pe cloud
Piețe și aplicații țintă: invertoare solare, întreruptoare de circuit, sisteme de stocare a energiei bateriei (BESS), invertoare, încărcătoare DC pentru vehicule electrice, aparate de comutare industriale, instrumente PDU pentru baterii de mare-putere pentru centre de date cu inteligență artificială, vehicule electrice
Grupul de produse pentru microcontrolerul (MCU) al Renesas Electronics RA6M4 utilizează suportul TrustZone ® Miezul-Arm Cortex-M33 de înaltă performanță. Când este utilizat împreună cu Secure Crypto Engine (SCE) în cadrul cipului, acesta poate oferi funcționalitatea unui cip securizat. Ethernet MAC integrat cu DMA dedicat asigură un transfer mare de date. RA6M4 adoptă un proces eficient de 40 nm, susținut de conceptul de ecosistem deschis și flexibil al pachetului de configurare flexibilă (FSP) bazat pe FreeRTOS și poate fi extins pentru a utiliza alte sisteme de operare-în timp real (RTOS) și middleware. RA6M4 este potrivit pentru nevoile aplicațiilor IoT, cum ar fi Ethernet, caracteristici de securitate pentru aplicații viitoare, memorie RAM încorporată de mare capacitate și consum redus de energie (care rulează algoritmul CoreMark din memoria flash, până la 99 µA/MHz).
Texas Instruments
Deși aplicarea inteligenței artificiale în sistemele de control-în timp real, cum ar fi acționarea motorului, energia solară și gestionarea bateriei, nu a surprins frecvent titlurile precum noile modele mari de limbaj, aplicarea inteligenței artificiale de vârf în detectarea defecțiunilor poate îmbunătăți eficient eficiența, siguranța și productivitatea sistemului.
MCU poate îmbunătăți capacitatea de detectare a defecțiunilor în sistemele de control în timp real de-tensiune înaltă-. Astfel de MCU folosesc unități de procesare a rețelei neuronale (NPU) integrate pentru a rula modele de rețele neuronale convoluționale (CNN), care pot reduce în mod eficient latența și consumul de energie atunci când monitorizează defecțiunile sistemului. Integrarea funcțiilor AI de vârf în același MCU care gestionează controlul-în timp real poate ajuta la optimizarea designului sistemului și la îmbunătățirea performanței generale. Cheia funcționării fiabile în sistemele de acționare a motoarelor și a energiei solare constă în detectarea rapidă și previzibilă a defecțiunilor, care nu numai că reduce alarmele false, ci și monitorizează anomaliile rulmenților motorului și defecțiunile reale în timp real.
MCU-urile cu capacități AI de vârf pot monitoriza două tipuri de defecțiuni: una este defecțiunile lagărului motorului. Atunci când la rulmenții motorului apar condiții anormale sau degradarea performanței, detectarea în timp util a unor astfel de defecțiuni este crucială pentru prevenirea opririlor neașteptate, scurtarea timpului de nefuncționare și reducerea costurilor de întreținere; Al doilea este defectul arcului solar, care se referă la fenomenul de descărcare a arcului cauzat de căi neașteptate, cum ar fi curentul care trece prin aer. Este adesea cauzată de defecțiunea izolației, conexiuni slăbite și alte probleme ale sistemelor de energie solară. Temperatura ridicată generată de această defecțiune poate duce la incendiu sau deteriorarea sistemului electric. Prin urmare, monitorizarea și detectarea acestei defecțiuni este un mijloc necesar pentru a asigura funcționarea sigură și fiabilă a sistemelor de energie solară.
Metodele tradiționale de detectare a defecțiunilor, cum ar fi monitorizarea defecțiunilor lagărului motorului, se bazează pe detectarea discretă a mai multor dispozitive și pe analiza bazată pe reguli-, în timp ce detectarea defecțiunilor arcului solar utilizează analiza semnalului curent în domeniul frecvenței și evaluarea pragului. Aceste metode nu numai că necesită cunoștințe profesionale profunde, dar au și o adaptabilitate și o sensibilitate limitate, ceea ce face dificilă garantarea acurateței detectării și creșterea complexității sistemului.
Pe baza AI integrată de vârf pentru detectarea defecțiunilor, folosind MCU-uri-în timp real, cum ar fi TMS320F28P550SJ, ca purtători, rularea locală a modelelor CNN poate îmbunătăți în mod eficient ratele de detectare a defecțiunilor, poate reduce alarmele false și poate realiza o întreținere predictivă mai precisă. Modelul CNN, cu capacitatea sa de a învăța în mod autonom modele complexe din datele brute ale senzorului, poate extrage direct caracteristici din semnale de vibrație, curenți DC și alte date. Prin combinarea diferitelor condiții de operare, diferențe hardware și algoritmi de preprocesare, adaptabilitatea și fiabilitatea modelului pot fi îmbunătățite, iar latența de detecție poate fi redusă. În scenarii precum acționarea motorului, energia solară și gestionarea bateriei, modelele CNN pot identifica cu precizie modurile de defecțiune și pot realiza-detecție eficientă și în timp real în medii dinamice.
Rezumat
În scenarii de aplicație, cum ar fi acționarea motorului și energia solară,-detecția defecțiunilor în timp real este piatra de temelie a asigurării siguranței operaționale și a fiabilității-pe termen lung. Edge AI, cu capabilitățile sale locale de procesare a datelor în timp real-, a revoluționat metodele de detectare a erorilor, îmbunătățind semnificativ acuratețea detectării și reducând latența, oferind un suport puternic pentru funcționarea eficientă și stabilă a sistemului.