【導讀】本文中將討論集成式微控製器 (MCU) 如何增強高壓實時控製係統中的故障檢測功能。此類 MCU 使用集成神經網絡處理單元 (NPU) 運行卷積神經網絡 (CNN) 模型
，幫助在監測係統故障時降低延遲和功耗。通過將邊緣 AI 功能集成到用於管理實時控製的同一 MCU 中
，可以幫助您優化係統設計，同時增強整體性能。

當前關於人工智能 (AI) 和神經網絡的討論主要集中在生成應用（生成圖像、文本和視頻）
，很容易忽視 AI 將為工業和基礎設施應用中的電子產品帶來變革的實際示例。
 
不過，雖然在電機驅動器、太陽能（如圖 1 所示）和電池管理應用的實時控製係統中采用 AI 不會像新的大型語言模型那樣引起大量關注，但使用邊緣 AI 進行故障檢測可以顯著影響係統的效率
、安全性和生產力。

圖 1 太陽能電池板陣列

本文中將討論集成式微控製器 (MCU) 如何增強高壓實時控製係統中的故障檢測功能。此類 MCU 使用集成神經網絡處理單元 (NPU) 運行卷積神經網絡 (CNN) 模型，幫助在監測係統故障時降低延遲和功耗。通過將邊緣 AI 功能集成到用於管理實時控製的同一 MCU 中，可以幫助您優化係統設計，同時增強整體性能。

電機軸承和太陽能電弧故障的監測

yaoshixiandianjiqudonghetaiyangnengxitongdekekaoyunxing
，xuyaojinxingkuaisuqiekeyucedexitongguzhangjiance
，yibangzhujianshaocuowujingbao，tongshihaixuyaojiancedianjizhouchengyichangheshijiguzhang。zhichibianyuan AI 的 MCU 可以監測兩種類型的故障：

• 當電機軸承出現異常情況或老化時，會發生電機軸承故障。檢測這些故障對於防止意外故障、減少停機時間和降低維護成本至關重要。

• 太陽能電弧故障是指當電流通過意外路徑(如空氣)時發生的電弧放電。太陽能電弧故障通常由太陽能係統中的絕緣擊穿、連lian接jie鬆song動dong或huo其qi他ta故gu障zhang引yin起qi。放fang電dian會hui產chan生sheng強qiang烈lie的de熱re量liang

，從cong而er導dao致zhi火huo災zai或huo電dian氣qi係xi統tong損sun壞huai。監jian測ce和he檢jian測ce太tai陽yang能neng電dian弧hu故gu障zhang有you助zhu於yu防fang止zhi危wei險xian事shi件jian，並bing確que保bao太tai陽yang能neng係xi統tong的de安an全quan性xing和he可ke靠kao性xing。
 
如(ru)果(guo)沒(mei)有(you)響(xiang)應(ying)式(shi)監(jian)測(ce)，係(xi)統(tong)可(ke)能(neng)會(hui)因(yin)實(shi)際(ji)故(gu)障(zhang)或(huo)錯(cuo)誤(wu)警(jing)報(bao)而(er)發(fa)生(sheng)意(yi)外(wai)停(ting)機(ji)或(huo)係(xi)統(tong)故(gu)障(zhang)
，從(cong)而(er)影(ying)響(xiang)運(yun)營(ying)效(xiao)率(lv)和(he)操(cao)作(zuo)員(yuan)安(an)全(quan)。例(li)如(ru)
，光(guang)伏(fu)逆(ni)變(bian)器(qi)中(zhong)的(de)誤(wu)報(bao)可(ke)能(neng)會(hui)導(dao)致(zhi)係(xi)統(tong)停(ting)機(ji)
，需(xu)要(yao)進(jin)行(xing)檢(jian)查(zha)
，從(cong)而(er)影(ying)響(xiang)生(sheng)產(chan)力(li)。帶(dai)電(dian)電(dian)弧(hu)漏(lou)檢(jian)也(ye)會(hui)增(zeng)加(jia)火(huo)災(zai)或(huo)係(xi)統(tong)損(sun)壞(huai)的(de)風(feng)險(xian)。
 
除了 MCU 之外，一些電機軸承故障監測方法還使用多個器件來實現實時控製
，通過振動分析進行監測

、溫(wen)度(du)監(jian)控(kong)和(he)聲(sheng)學(xue)測(ce)量(liang)。然(ran)後(hou)，這(zhe)種(zhong)離(li)散(san)化(hua)方(fang)法(fa)使(shi)用(yong)基(ji)於(yu)數(shu)據(ju)的(de)規(gui)則(ze)檢(jian)測(ce)來(lai)監(jian)測(ce)潛(qian)在(zai)故(gu)障(zhang)，這(zhe)需(xu)要(yao)手(shou)動(dong)解(jie)析(xi)，並(bing)且(qie)可(ke)能(neng)會(hui)錯(cuo)過(guo)早(zao)期(qi)故(gu)障(zhang)，或(huo)者(zhe)無(wu)法(fa)準(zhun)確(que)檢(jian)測(ce)故(gu)障(zhang)類(lei)型(xing)。
 
同(tong)樣(yang)
，電(dian)弧(hu)故(gu)障(zhang)檢(jian)測(ce)的(de)傳(chuan)統(tong)方(fang)法(fa)是(shi)分(fen)析(xi)頻(pin)域(yu)中(zhong)的(de)電(dian)流(liu)信(xin)號(hao)，然(ran)後(hou)應(ying)用(yong)基(ji)於(yu)閾(yu)值(zhi)的(de)規(gui)則(ze)來(lai)檢(jian)測(ce)電(dian)弧(hu)故(gu)障(zhang)信(xin)號(hao)。但(dan)這(zhe)兩(liang)種(zhong)方(fang)法(fa)都(dou)需(xu)要(yao)大(da)量(liang)的(de)係(xi)統(tong)專(zhuan)業(ye)知(zhi)識(shi)，並(bing)且(qie)自(zi)適(shi)應(ying)性(xing)和(he)靈(ling)敏(min)度(du)都(dou)受(shou)到(dao)限(xian)製(zhi)，從(cong)而(er)限(xian)製(zhi)檢(jian)測(ce)精(jing)度(du)。此(ci)外(wai)，向(xiang)係(xi)統(tong)中(zhong)添(tian)加(jia)用(yong)於(yu)故(gu)障(zhang)監(jian)測(ce)的(de)分(fen)立(li)式(shi)器(qi)件(jian)和(he)用(yong)於(yu)電(dian)機(ji)控(kong)製(zhi)的(de)專(zhuan)用(yong)實(shi)時(shi)控(kong)製(zhi) MCU 會增加係統的複雜性。
 
基於邊緣 AI 的集成式故障檢測功能在 TMS320F28P550SJ 等實時 MCU 中本地運行 CNN 模型
，有助於提高故障檢測率、避免誤報
，同時提供更好的預測性維護。借助邊緣 AI
，這些係統可以學習並適應環境
，從而優化實時控製
、提高整體係統可靠性、安全性和效率，同時減少停機時間（請參閱圖 2）。

圖 2 實時控製係統中支持邊緣 AI 的故障監測解決方案

CNN 模型如何增強實時控製係統中的故障監測和檢測

用於電機軸承和電弧故障檢測的 CNN 模型可以從原始傳感器數據（例如振動信號）中學習複雜模式
，然後檢測指示軸承故障的細微變化。
 
由於 CNN 模型可以自主從原始或預處理的傳感器數據（例如電機振動信號
、太陽能直流電流或電池電壓和電流）中學習
，因此 CNN 模型非常適合用於故障檢測和預測性維護的傳感器數據分析。無需手動幹預即可直接提取有意義的特征，從而實現穩健、準確的檢測。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據以及快速傅裏葉變換 (FFT) 等不同的預處理算法來提高模型的適應性、抗噪性和可靠性，同時減少總檢測或推理延遲。
 
由於 CNN 可以高效處理大量數據，並在不同的運行條件下表現良好，因此適用於工業環境中的實時監測和預測性維護。在這些環境中采用 CNN 模型可以更早、更有效地檢測電機軸承故障，從而提高設備可靠性和運行效率。
 
對於電機驅動器
，CNN 可以識別故障模式，例如振動或電流信號導致的軸承磨損或轉子不平衡。在太陽能係統中
，CNN 可以檢測直流電流波形中的異常，從而進行電弧故障檢測。在電池管理應用中，CNN 模型可以分析電池充電曲線壽命、進行電池運行狀況監測和電池充電狀態估算。CNN 的適應性可確保在動態條件下進行精確的故障檢測，而且實時處理可提高效率。

免責聲明：本文為轉載文章，轉載此文目的在於傳遞更多信息，版權歸原作者所有。本文所用視頻

、圖片、文字如涉及作品版權問題
，請聯係小編進行處理。

推薦閱讀：

第10講：SiC的加工工藝（2）柵極絕緣層

優化簡易PCB電路板的大規模測試，提高生產效率

貿澤推出RISC-V技術資源中心 探索開源的未來

智能無線傳感器設計完全指南

DigiKey 於2024 年 12 月 1 日正式啟動第 16 屆年度 DigiWish 佳節獻節活動