Baru -baru ini, Suruhanjaya Pembangunan dan Pembaharuan Negara dan Pentadbiran Tenaga Negara bersama -sama mengeluarkan pendapat pelaksanaan mengenai mempromosikan perkembangan kualiti tinggi - "kecerdasan buatan+" tenaga. Pendapat yang disebutkan secara khusus satu titik: penilaian status peralatan kuasa dan operasi dan penyelenggaraan pintar. Membina aplikasi seperti persepsi pintar dan amaran status peralatan, kedudukan pintar dan diagnosis kesilapan peralatan, keputusan pintar - membuat penyelenggaraan status peralatan, ramalan pintar risiko bencana peralatan, dan penjanaan pintar tiket kerja penyelenggaraan untuk meningkatkan tahap pengurusan peralatan tanpa lemak.
Dalam industri fotovoltaik solar, AI secara senyap -senyap berkembang.
Dalam tahun -tahun kebelakangan ini, tenaga solar telah berkembang pesat. Pada tahun 2024, kapasiti fotovoltaik yang dipasang global akan mencapai rekod tinggi sebanyak 597 gigawatts, peningkatan sebanyak 33% daripada 449 gigawatt pada tahun 2023. Gigawatts menjelang 2025. Pada masa ini, tenaga solar menyumbang kira -kira 6.9% bekalan elektrik global, naik dari sekitar 5.6% pada tahun 2023. Walaupun pertumbuhan pesat dan potensi tenaga solar yang besar, banyak syarikat, organisasi, dan industri masih tidak mahu mengadopsi sepenuhnya kerana output dan keterbatasan kecekapan.
Prestasi panel solar dipengaruhi oleh pelbagai faktor, termasuk perubahan keadaan cuaca, intensiti cahaya matahari yang berbeza -beza, dan keupayaan sistem untuk menguruskan penghantaran kuasa. Sekiranya elektrik yang dijana tidak dikawal dengan betul, ia boleh menyebabkan sisa tenaga, kecekapan yang rendah, atau bekalan kuasa yang tidak boleh dipercayai - kebimbangan bahawa pengguna dan perniagaan yang bergantung kepada tenaga yang stabil tidak mampu. Dalam kes ini, baik - menala kitaran tugas (iaitu nisbah masa untuk mematikan masa panel solar) adalah penting untuk memaksimumkan penggunaan tenaga sistem panel solar.
Sebaliknya, pembelajaran mesin (ML) dan kecerdasan buatan kelebihan (Edge AI) secara asasnya mengubah kecekapan pelbagai industri dengan membolehkan lebih bijak, data - keputusan yang didorong - membuat. Sebagai contoh, dalam bidang tenaga boleh diperbaharui, pembelajaran mesin mengoptimumkan prestasi panel solar dengan menganalisis keadaan persekitaran, meramalkan output tenaga, dan melaksanakan penyelenggaraan ramalan untuk meminimumkan downtime. Sebagai tambahan kepada tenaga solar, pembelajaran mesin juga dapat meningkatkan kecekapan pembuatan melalui penyelenggaraan ramalan dan automasi proses, mengurangkan sisa tenaga dalam grid pintar melalui ramalan beban masa -, dan meningkatkan produktiviti pertanian dengan menyokong teknologi pertanian ketepatan. Dalam kes -kes penggunaan yang pelbagai ini, pembelajaran mesin memacu peningkatan yang berterusan dengan mengubah data kompleks ke dalam pandangan yang boleh diambil tindakan, akhirnya menjimatkan masa, mengurangkan kos, dan meningkatkan kemampanan. Sebagai tindak balas kepada trend ini, pelbagai pengeluar pengawal telah mengintegrasikan teknologi AI ke MCU/MPU untuk memenuhi tuntutan baru industri inverter fotovoltaik.
Infineon
Pasukan HTEC menggunakan pemproses kelebihan PSOC Infineon untuk menyiasat cara menggunakan rangkaian saraf yang mendalam (DNNs) untuk meramalkan kitaran tugas optimum DC - DC penukar, dengan tumpuan untuk mengenal pasti ciri -ciri input yang paling relevan untuk meningkatkan prestasi dan kebolehpercayaan.
Kebanyakan kaedah ini bergantung kepada data pengukuran seperti sinaran solar dan suhu ambien, kerana parameter ini berkait rapat dengan output kuasa panel solar. Walau bagaimanapun, penyepaduan sensor irama juga membawa beberapa kelemahan, termasuk kos tambahan dan risiko pengukuran yang tidak tepat disebabkan oleh faktor -faktor seperti pengumpulan habuk atau perbezaan lokasi sensor. Untuk menangani isu ini, sesetengah penyelidik telah mencadangkan anggaran tidak langsung nilai -nilai inframerah inframerah, tetapi ini meningkatkan kerumitan pemodelan dan boleh memperkenalkan sumber ralat yang boleh disebarkan melalui algoritma MPPT.
Di samping itu, kaedah sensor sensor atau rendah telah dicadangkan, yang hanya menggunakan data pengukuran voltan dan semasa yang disediakan secara langsung oleh panel solar. Isyarat dalaman ini mudah diakses, pada dasarnya disegerakkan dengan keadaan operasi panel solar, dan mengelakkan banyak isu kompleks yang berkaitan dengan penderiaan irama.
Perisian untuk melaksanakan algoritma Power Point Power (MPPT) maksimum berdasarkan kecerdasan buatan telah digunakan pada platform perkakasan yang disesuaikan yang dibangunkan oleh HTEC. Platform dengan selamat menghubungkan output panel solar ke penukar DC - DC dan termasuk semua komponen penderiaan yang diperlukan untuk pemantauan voltan, arus, dan suhu ambien. Isyarat ini berfungsi sebagai input untuk DNN, yang mengira kitaran tugas yang sesuai dalam masa sebenar -. Platform ini juga mempunyai fungsi komunikasi Bluetooth dan menyokong fungsi manusia - manusia (HMI), yang dapat menyediakan pengguna dengan maklum balas masa - sebenar mengenai pengeluaran tenaga dan status sistem. Dengan cara ini, sistem boleh menguruskan kitaran tugas DC - DC penukar sementara juga menyediakan maklumat yang boleh digunakan untuk penyelenggaraan ramalan.
Modul Pengurusan Kuasa: memperuntukkan kuasa ke modul Edge dan Bluetooth PSOC.
Modul Komunikasi Bluetooth: Mengendalikan penghantaran data tanpa wayar untuk fungsi HMI.
Modul Sensing: Langkah -langkah sebenar - Voltan masa dan arus yang dihasilkan oleh panel solar.
Modul Pemproses: Modul Tahap Sistem PSOC Edge (SOM): Melaksanakan semua tugas pengkomputeran, termasuk kesimpulan dan logik kawalan AI.
Korteks lengan siri PSOC E84 - m adalah prestasi tinggi -, kuasa rendah -, dan selamat MCU dilengkapi dengan pecutan ML. Ia didasarkan pada korteks prestasi - tinggi - m55 teras, menyokong Helium DSP, dan dipasangkan dengan etos lengan - U55 NPU dan rendah - cortex kuasa {{11} m33 core. Ia digunakan bersempena dengan platform pecutan perkakasan perkakasan NNLite Ultra - yang rendah. Kelebihan PSOC boleh terus menganalisis data sensor daripada memantau intensiti cahaya matahari, suhu panel, dan output kuasa. Ini membolehkannya secara dinamik menyesuaikan arah panel solar, menjejaki MPPT, dan mengoptimumkan operasi penyongsang tanpa kelewatan yang disebabkan oleh pemprosesan awan. Di samping itu, AI dapat mengesan corak penggunaan tenaga dan meramalkan peristiwa permintaan atau teduhan, dengan itu terus mengoptimumkan strategi penyimpanan tenaga dan peruntukan. Dataset berkualiti tinggi adalah penting untuk pembangunan dan pengesahan kecerdasan buatan berasaskan maksimum Power Point Tracking (MPPT). Artikel ini menggunakan dataset loji kuasa photovoltaic pantai yang tersedia secara awam dari Humboldt State University di Amerika Syarikat, memilih data pensampelan kekerapan yang tinggi - dengan selang satu minit selama tiga tahun, mensimulasikan voltan dan output semasa panel fotovoltaik berdasarkan paramet maksimum. Pada masa yang sama, ciri tambahan seperti voltan dan perubahan semasa diekstrak, dan selepas pra -proses seperti normalisasi dan penyingkiran data waktu malam, sokongan data yang boleh dipercayai disediakan untuk latihan. Dalam pembinaan model AI, arsitektur perceptron (MLP) berbilang - digunakan untuk menangani kekurangan kaedah pemerhatian gangguan tradisional (P & O), seperti penumpuan perlahan dan ayunan kuasa. Prestasi model dioptimumkan melalui pendekatan peringkat dua - langkah - oleh - Latihan langkah dan latihan masa sebenar -. Latihan langkah demi langkah membolehkan model untuk meramalkan parameter elektrik yang optimum berdasarkan nilai pengukuran serta -merta, manakala latihan masa - sebenar memperkenalkan mekanisme maklum balas yang mengambil ramalan terdahulu sebagai input berikutnya, secara beransur -ansur membetulkannya untuk mensimulasikan senario yang sebenar, Kecekapan sistem fotovoltaik dalam persekitaran dinamik.
Untuk menggunakan model AI pada platform Edge PSOC, adalah perlu untuk menukar model dari 32 - bit terapung - format titik ke format 8-bit. Memandangkan seni bina rangkaian saraf yang agak padat yang direka untuk tugas MPPT, kuantisasi model digunakan terutamanya sebagai teknik pengoptimuman, dan strategi mampatan yang lebih maju seperti penyulingan model tidak digunakan, kerana ia tidak meningkatkan kecekapan saiz model yang sudah sangat kecil. Kuantisasi model menukarkan parameter model dari perwakilan 32-bit atau 64 bit terapung ke format ketepatan yang rendah seperti integer 8-bit, dengan ketara mengurangkan jejak memori dan keperluan pengiraan model, menjadikannya lebih sesuai untuk penggunaan peranti kelebihan. Pada masa yang sama, dengan menggunakan Latihan Kuantiti Kuantisasi (QAT) untuk mensimulasikan persekitaran kuantisasi semasa fasa latihan, kesan negatif ketepatan yang dikurangkan pada ketepatan model dapat dikurangkan, dan juga keupayaan generalisasi dapat ditingkatkan.
Selepas pengoptimuman model selesai, algoritma AI dikerahkan ke platform Edge PSOC Infineon menggunakan rangka kerja pembangunan Modustoolbox. Rangka kerja ini menyokong 8 - bit kuantisasi model penggunaan, dan pengguna hanya perlu mengeksport model dalam format TensorFlow Lite (TFLITE) untuk mengintegrasikannya dengan lancar ke dalam pemecut AI platform. Model Keras Titik Terapung juga boleh digunakan secara langsung untuk mengendalikan pengoptimuman kuantisasi dalam rangka kerja. Model AI yang ditukar akan ditukar kepada format serasi C, dengan berat dan parameter yang disimpan sebagai nilai UINT8 untuk memadankan seni bit 8 - bit pemecut AI, mencapai kesimpulan yang lebih cepat dan penggunaan memori yang lebih rendah. Penilaian prestasi menunjukkan bahawa walaupun kesilapan ramalan kuasa model kuantisasi meningkat dari 0.0109% kepada 0.6145%, kelewatan kesimpulan menurun dari 3 milisaat kepada 0.3 milisaat, dan penggunaan tenaga per kesimpulan menurun dari 68.904 microjoules kepada 2.592 microjoules. Selain itu, prestasi di tepi PSOC adalah lebih daripada 23 kali lebih rendah daripada yang berdasarkan penyelesaian ARM Cortex-M4, dengan pengurangan kelewatan lebih daripada 23 kali dan pengurangan penggunaan tenaga lebih daripada 42 kali, sepenuhnya menunjukkan kelebihan untuk menggunakan penyelesaian AI masa nyata dan cekap pada aplikasi MPPT Edge platform ini.
Sebagai tambahan untuk mengoptimumkan MPPT, real - masa AI Insights juga membawa manfaat tambahan - penyelenggaraan ramalan. Pasukan HTEC telah membangunkan antara muka pengguna yang berdedikasi yang dapat meramalkan pandangan berterusan ke dalam prestasi sistem berdasarkan model AI. Ramalan ini boleh dirujuk dengan penjanaan kuasa sebenar untuk mengenal pasti perbezaan yang signifikan yang mungkin disebabkan oleh kemerosotan prestasi komponen, membolehkan pihak berkepentingan untuk mengatur penyelenggaraan secara proaktif. HTEC menunjukkan bahawa kerja masa depan dapat meneroka teknik pengoptimuman selanjutnya, seperti mengintegrasikan lebih banyak data sensor atau menggunakan kaedah mampatan model lanjutan, untuk meningkatkan lagi ketepatan dan prestasi sistem. Walau bagaimanapun, pendekatan semasa menyoroti potensi MPPT yang didorong oleh AI dalam penyelesaian solar tertanam, memberikan panduan untuk pengurusan tenaga yang lebih cekap dan mampan dan amalan penyelenggaraan peranti yang lebih bijak.
Stmicroelectronics
Stmicroelectronics telah melancarkan penyelesaian EDGE AI ARC Fault Circuit Breaker (AFCI) berdasarkan STM32.
Dalam bidang keselamatan elektrik, kebakaran yang disebabkan oleh kesilapan arka menyumbang sehingga satu perempat, dan kemunculan senario aplikasi baru seperti panel solar, bateri kuasa, alat elektrik, dan basikal elektrik telah mengemukakan keperluan inovatif yang lebih tinggi untuk teknologi perlindungan arka. Walaupun algoritma berasaskan peraturan - dapat meningkatkan keselamatan peranti elektrik, kesesuaian alam sekitar mereka adalah terhad dan kadar penggera palsu adalah tinggi. Penyelesaian AI berasaskan awan, walaupun sangat tepat, menghadapi latensi dan risiko privasi.
Dalam konteks ini, penyelesaian EDGE AI telah menjadi titik keseimbangan yang ideal - mereka tidak memerlukan sambungan rangkaian dan pemprosesan luaran, dan dapat menyelesaikan pemprosesan data secara tempatan pada peranti dalam masa nyata, mencapai pengesanan segera dan tindak balas arka sambil menghapuskan risiko privasi dan keselamatan. Pada masa yang sama, melalui pembelajaran berterusan untuk menyesuaikan diri dengan persekitaran yang berbeza, mereka dengan ketara mengurangkan kadar penggera palsu dan meningkatkan kecekapan sistem. Memilih alat NanoEdge AI Studio sebagai teras pembangunan, dengan pengguna - yang mesra dan kemudahan penggunaan, ia boleh menapis secara automatik dan menghasilkan model optimum berdasarkan data pengguna; Sekiranya rangkaian saraf yang terlatih pra disediakan, STM32CUBE.AI juga boleh digunakan untuk pengoptimuman mampatan untuk menyesuaikan diri dengan persekitaran tertanam.
Dalam pelaksanaan khusus, papan AFCI yang disesuaikan dengan STM32G4 sebagai teras digunakan sebagai pembawa perkakasan. Kira -kira 1000 set isyarat operasi biasa dikumpulkan terlebih dahulu, dan kemudian jumlah isyarat kesalahan arka yang sama dikumpulkan. Kedua -dua jenis data diimport ke dalam projek klasifikasi NanoEdge AI Studio, dan alat itu secara automatik menghasilkan perpustakaan AI yang disesuaikan dan mengintegrasikannya ke dalam kod untuk mencapai pemantauan masa sebenar - pemantauan semasa dan arka yang mencetuskan penggera. Skim ini menggunakan sensor kadar pensampelan 150kHz untuk memproses dua jenis data (kesalahan arka dan tiada arka) untuk paksi 2048 × 1, akhirnya mencapai ketepatan pengesanan 100%, menduduki hanya 16.7kb RAM dan ruang penyimpanan kilat 0.5kb.
NXP
Teknologi pengesanan arka NXP MCX N Series NPU digunakan secara meluas dalam pelbagai keadaan yang memerlukan pengesanan arka, seperti:
Sistem Kuasa: Digunakan untuk memantau dan mengesan kesalahan arka dalam sistem kuasa, dan mengambil langkah tepat pada masanya untuk mencegah pengembangan kesalahan.
Kawalan Perindustrian: Digunakan dalam Sistem Kawalan Automasi dan Robot Perindustrian untuk mengesan risiko ARC yang berpotensi dan memastikan keselamatan pengeluaran.
Rumah Pintar: Dalam sistem rumah pintar, ia digunakan untuk memantau keadaan arka di litar dan meningkatkan keselamatan penggunaan elektrik isi rumah.
NXP telah melancarkan perisian pengesanan ARC dan penyelesaian perkakasan, serta perisian latihan pemerolehan data, yang dapat mempercepatkan kelajuan pembangunan produk pengesanan arka pengguna. Siri MCX N MCU mengintegrasikan NPU secara dalaman, yang boleh mencapai industri - kelajuan kesimpulan terkemuka sebanyak 4.8 GOP dan mempercepatkan operasi rangkaian saraf konvensional. Meningkatkan prestasi sebenar - pengesanan kesalahan arka.
Proses pelaksanaan pengesanan arka kesalahan berasaskan AI termasuk lima langkah: pemerolehan data, latihan data, kuantifikasi model, pengesahan model, dan penempatan, yang semuanya dapat diselesaikan melalui perisian komputer - yang disediakan oleh NXP.
Seperti yang ditunjukkan dalam gambar di bawah, platform ujian dibina mengikut keperluan UL1699B. Output sumber simulasi PV adalah input ke terminal input DC PV bagi penyongsang fotovoltaik selepas melalui peranti penjanaan arka. Dengan menyambungkan transformer dalam siri, mengesan isyarat AC yang dihasilkan oleh arka kesalahan. Melalui Lembaga Pengambilan, ADC yang diintegrasikan dalam MCXN947 mempunyai resolusi 16 bit dan dapat menyokong kadar pensampelan sehingga 2Mbps pada resolusi 16 bit, menjadikannya sangat sesuai untuk pemerolehan isyarat arka. Isyarat itu dicontohi oleh ADC dan diproses oleh MCU.
THE Lembaga Pengambilan yang disediakan oleh NXP kini menyokong pengesanan serentak dua isyarat arka, dan lembaga pengambilalihan dipasang ke papan FRDM - MXN947 sebagai kad anak perempuan.
Mengenai reka bentuk litar pengambilalihan, dalam penyelidikan teoritis, dengan menganalisis ciri-ciri domain kekerapan, biasanya didapati bahawa apabila arka kesalahan DC berlaku, tenaga harmonik arus DC dalam julat kekerapan 10kHz-100kHz akan meningkat dengan ketara. Jadi litar yang direka menggunakan penapisan bandpass untuk memproses isyarat input. Ciri -ciri jalur frekuensi ditunjukkan dalam angka berikut:
Pada masa yang sama, dalam penerapan kaedah pengesanan domain kekerapan, untuk mengelakkan gandingan bersama dan gangguan antara jalur kekerapan ciri arka kesalahan DC dan jalur kekerapan distorsi harmonik yang disebabkan oleh kawalan diri sistem fotovoltaik, jalur frekuensi 10kHz-100kHz dipilih sebagai band kekerapan ciri-ciri DC arcs arcs dan detan analisis.
Pada dasarnya, FFT digunakan untuk pengiraan harmonik, mengambil 2048 mata sebagai segmen untuk operasi FFT. MCXN947 mempunyai modul Powerquad di dalam, yang boleh mempercepatkan operasi FFT. Hasil yang dikira dikira dan diberi makan kepada NPU yang dibawa oleh MCXN947 untuk diproses. Dapatkan hasil klasifikasi akhir. Dengan itu mengenal pasti adegan dengan arka elektrik.
Semasa operasi masa sebenar -, keputusan pengesanan dicetak melalui port siri. Pada masa ini, apabila arka dikesan, ijazah pencocokan pengiktirafan output adalah 99%.
Renesas Electronics
Fuchang Electronics telah melancarkan sistem pengesanan kecerdasan buatan kelebihan kelebihan (AI) menggunakan RAESAS Electronics 'RA6M4 MCU, yang dapat mencapai pengesanan yang cepat dan cekap. Sistem ini sangat sesuai untuk tenaga solar, tenaga pintar, dan sistem DC, menyediakan pemantauan keselamatan masa - dengan sumber yang minimum. Penyelesaian AFCI mengamalkan penyelesaian AI Plus dari Pusat Reka Bentuk Masa Depan (FDC), yang mengintegrasikan penyelesaian FDC AI dan realiti AI.
Dengan promosi global NEC, IEC 60364-4-42, dan Piawaian UL 1699B, diharapkan penghantaran tahunan AFCI akan melebihi 40 juta unit pada tahun 2030. Fuchang Electronics menggunakan Renesas RA6M4 MCU dan realiti AI Tools ®, kami telah membangunkan satu-satunya yang melanggar Hampir menghapuskan penggera palsu dan mengenal pasti arka DC dan AC yang berbahaya yang tidak dapat diiktiraf oleh peranti lain.
Kelebihan Utama: Pengiktirafan Siri Masa Berdasarkan Kecerdasan Buatan, disokong oleh Renesas Reality AI
Pengesanan: Kerosakan arka (arka kecil dan besar), litar terbuka dan litar tertutup merosakkan, dan lengkung semasa yang tidak normal
Pengesanan Ultra Cepat: Masa kesimpulan serendah 10-250 milisaat, termasuk preprocessing dan pengesahan tetingkap multi.
Satu klik Pembelajaran: Butang onboard boleh membantu menentukur papan litar secara automatik mengikut persekitaran reka bentuk pelanggan. Mampu menyalin data yang dikalibrasi ke papan litar lain. Tidak perlu latihan AI/ML berasaskan awan
Pasaran dan Aplikasi Sasaran: Inverter Solar, Pemutus Litar, Sistem Penyimpanan Tenaga Bateri (BESS), Inverters, Pengecas DC Kenderaan Elektrik, Switchgear Industri, PDU Tinggi - Alat bateri kuasa untuk pusat data kecerdasan buatan, kenderaan elektrik, kenderaan elektrik, kenderaan elektrik, kenderaan elektrik, kenderaan elektrik, kenderaan elektrik, kenderaan elektrik, kenderaan elektrik, kenderaan elektrik, kenderaan elektrik
Kumpulan Produk Renesas Electronics 'RA6M4 (MCU) menggunakan TrustZone Support ® Tinggi - cortex lengan prestasi - m33 teras. Apabila digunakan bersempena dengan enjin crypto selamat (SCE) dalam cip, ia dapat memberikan fungsi cip selamat. Ethernet Mac bersepadu dengan DMA yang berdedikasi memastikan throughput data yang tinggi. RA6M4 mengamalkan proses 40nm yang cekap, disokong oleh konsep ekosistem terbuka dan fleksibel bagi pakej konfigurasi fleksibel berasaskan Freertos (FSP), dan boleh diperluaskan untuk menggunakan sistem operasi masa sebenar - (RTOS) dan middlewe. RA6M4 sesuai untuk keperluan aplikasi IoT seperti Ethernet, ciri -ciri keselamatan untuk aplikasi masa depan, RAM terbenam kapasiti yang besar, dan penggunaan kuasa yang rendah (menjalankan algoritma coremark dari memori flash, serendah 99 μ A/MHz).
Texas Instruments
Walaupun aplikasi AI dalam sistem kawalan masa - seperti pemacu motor, tenaga solar, dan pengurusan bateri tidak sering menangkap tajuk utama seperti model bahasa besar yang baru, penerapan EDGE AI dalam pengesanan kesalahan dapat meningkatkan kecekapan sistem, keselamatan, dan produktiviti.
MCU boleh meningkatkan keupayaan pengesanan kesalahan di sistem kawalan masa - yang tinggi -. MCU sedemikian menggunakan unit pemprosesan rangkaian saraf bersepadu (NPU) untuk menjalankan model rangkaian saraf konvensional (CNN), yang dapat mengurangkan penggunaan latensi dan kuasa secara berkesan apabila memantau kesalahan sistem. Mengintegrasikan fungsi AI ke dalam MCU yang sama yang menguruskan kawalan masa- sebenar dapat membantu mengoptimumkan reka bentuk sistem dan meningkatkan prestasi keseluruhan. Kunci operasi yang boleh dipercayai dalam pemacu motor dan sistem tenaga solar terletak pada pengesanan kesalahan yang cepat dan boleh diramal, yang bukan sahaja mengurangkan penggera palsu tetapi juga memantau keabnormalan motor dan kesalahan sebenar dalam masa nyata.
MCU dengan keupayaan AI Edge boleh memantau dua jenis kesalahan: satu adalah kesalahan galas motor. Apabila keadaan yang tidak normal atau kemerosotan prestasi berlaku dalam galas motor, pengesanan tepat pada masanya kesalahan tersebut adalah penting untuk mencegah penutupan yang tidak dijangka, memendekkan downtime, dan mengurangkan kos penyelenggaraan; Yang kedua ialah kesalahan arka solar, yang merujuk kepada fenomena pelepasan arka yang disebabkan oleh laluan yang tidak dijangka seperti semasa melalui udara. Ia sering disebabkan oleh kegagalan penebat, sambungan longgar, dan isu -isu lain dalam sistem tenaga solar. Suhu tinggi yang dihasilkan oleh kesalahan ini boleh mengakibatkan kerosakan sistem api atau elektrik. Oleh itu, pemantauan dan mengesan kesalahan ini adalah cara yang diperlukan untuk memastikan operasi tenaga solar yang selamat dan boleh dipercayai.
Kaedah pengesanan kesalahan tradisional, seperti pemantauan kesalahan galas motor, bergantung kepada pengesanan diskret pelbagai peranti dan peraturan -, manakala pengesanan kesalahan arka solar menggunakan analisis isyarat semasa domain frekuensi dan penghakiman ambang. Kaedah ini bukan sahaja memerlukan pengetahuan profesional yang mendalam, tetapi juga mempunyai kesesuaian dan kepekaan yang terhad, menjadikannya sukar untuk menjamin ketepatan pengesanan dan meningkatkan kerumitan sistem.
Berdasarkan kelebihan bersepadu AI untuk pengesanan kesalahan, menggunakan MCU masa - seperti TMS320F28P550SJ sebagai pembawa, menjalankan model CNN secara tempatan dapat meningkatkan kadar pengesanan kesalahan, mengurangkan penggera palsu, dan mencapai penyelenggaraan ramalan yang lebih tepat. Model CNN, dengan keupayaannya untuk mempelajari corak kompleks secara autonomi dari data sensor mentah, dapat secara langsung mengekstrak ciri -ciri dari isyarat getaran, arus DC, dan data lain. Dengan menggabungkan keadaan operasi yang berbeza, perbezaan perkakasan, dan algoritma pra -proses, kebolehsuaian dan kebolehpercayaan model dapat ditingkatkan, dan latensi pengesanan dapat dikurangkan. Dalam senario seperti pemacu motor, tenaga solar, dan pengurusan bateri, model CNN dapat mengenal pasti mod kesalahan dengan tepat dan mencapai pengesanan masa dan efisien sebenar - dalam persekitaran dinamik.
Ringkasan
Dalam senario aplikasi seperti pemacu motor dan tenaga solar, nyata - pengesanan kesalahan masa adalah asas untuk memastikan keselamatan operasi dan panjang - kebolehpercayaan istilah. Edge AI, dengan keupayaan pemprosesan data masa sebenar - tempatan, telah merevolusikan kaedah pengesanan kesalahan, meningkatkan ketepatan pengesanan dan mengurangkan latensi, memberikan sokongan yang kuat untuk operasi sistem yang cekap dan stabil.