Gần đây, Ủy ban Cải cách và Phát triển Quốc gia và Cơ quan Năng lượng Quốc gia đã cùng đưa ra các ý kiến triển khai nhằm thúc đẩy-phát triển chất lượng cao của năng lượng "trí tuệ nhân tạo+". Các ý kiến đề cập cụ thể một điểm: đánh giá hiện trạng thiết bị điện và vận hành, bảo trì thông minh. Xây dựng các ứng dụng như nhận thức và cảnh báo thông minh về trạng thái thiết bị, định vị và chẩn đoán thông minh lỗi thiết bị, ra quyết định thông minh-để bảo trì trạng thái thiết bị, dự đoán thông minh về rủi ro thảm họa thiết bị và tạo phiếu công việc bảo trì thông minh để nâng cao mức độ quản lý thiết bị tinh gọn.
Trong ngành quang điện mặt trời, AI đang âm thầm phát triển.
Những năm gần đây, năng lượng mặt trời phát triển nhanh chóng. Vào năm 2024, công suất lắp đặt quang điện toàn cầu sẽ đạt mức cao kỷ lục 597 gigawatt, tăng 33% so với 449 gigawatt vào năm 2023. Sự tăng trưởng này sẽ dẫn đến tổng công suất lắp đặt năng lượng mặt trời toàn cầu vượt quá 2,2 terawatt, so với khoảng 1,6 terawatt vào cuối năm 2022. SolarPower Europe dự đoán rằng công suất lắp đặt năng lượng mặt trời sẽ tăng thêm 10% lên 655 gigawatt vào năm 2025. Hiện tại, năng lượng mặt trời chiếm khoảng 6,9% nguồn cung cấp điện toàn cầu, tăng từ mức khoảng 5,6% vào năm 2023. Bất chấp tốc độ tăng trưởng nhanh chóng và tiềm năng to lớn của năng lượng mặt trời, nhiều công ty, tổ chức và ngành công nghiệp vẫn chưa sẵn sàng áp dụng hoàn toàn do hạn chế về hiệu suất và sản lượng không liên tục.
Hiệu suất của các tấm pin mặt trời bị ảnh hưởng bởi nhiều yếu tố khác nhau, bao gồm điều kiện thời tiết thay đổi, cường độ ánh sáng mặt trời khác nhau và khả năng quản lý truyền tải điện của hệ thống. Nếu lượng điện tạo ra không được điều tiết hợp lý, có thể dẫn đến lãng phí năng lượng, hiệu suất thấp hoặc nguồn điện không đáng tin cậy - khiến người dùng và doanh nghiệp dựa vào năng lượng ổn định không thể mua được. Trong trường hợp này, việc tinh chỉnh-chu kỳ hoạt động (tức là tỷ lệ giữa thời gian bật và thời gian tắt của tấm pin mặt trời) là rất quan trọng để tối đa hóa việc sử dụng năng lượng của hệ thống tấm pin mặt trời.
Mặt khác, công nghệ máy học (ML) và trí tuệ nhân tạo biên (Edge AI) đang thay đổi căn bản hiệu quả của nhiều ngành khác nhau bằng cách cho phép ra quyết định{{0}dựa trên dữ liệu{1}}thông minh hơn. Ví dụ: trong lĩnh vực năng lượng tái tạo, học máy tối ưu hóa hiệu suất của các tấm pin mặt trời bằng cách phân tích các điều kiện môi trường, dự đoán sản lượng năng lượng và thực hiện bảo trì dự đoán để giảm thiểu thời gian ngừng hoạt động. Ngoài năng lượng mặt trời, học máy cũng có thể cải thiện hiệu quả sản xuất thông qua bảo trì dự đoán và tự động hóa quy trình, giảm lãng phí năng lượng trong lưới điện thông minh thông qua-dự báo tải theo thời gian thực và nâng cao năng suất nông nghiệp bằng cách hỗ trợ các công nghệ nông nghiệp chính xác. Trong các trường hợp sử dụng đa dạng này, học máy thúc đẩy cải tiến liên tục bằng cách chuyển đổi dữ liệu phức tạp thành những hiểu biết sâu sắc có thể hành động, cuối cùng là tiết kiệm thời gian, giảm chi phí và nâng cao tính bền vững. Để đáp ứng xu hướng này, nhiều nhà sản xuất bộ điều khiển khác nhau đã tích hợp công nghệ AI vào MCU/MPU để đáp ứng nhu cầu mới của ngành biến tần quang điện.
Infineon
Nhóm HTEC đã sử dụng bộ xử lý PSoC Edge của Infineon để nghiên cứu cách sử dụng mạng thần kinh sâu (DNN) nhằm dự đoán chu kỳ hoạt động tối ưu của bộ chuyển đổi DC{0}}DC, tập trung vào việc xác định các tính năng đầu vào phù hợp nhất để cải thiện hiệu suất và độ tin cậy.
Nhiều phương pháp trong số này dựa vào dữ liệu đo lường như bức xạ mặt trời và nhiệt độ môi trường xung quanh, vì các thông số này có liên quan chặt chẽ đến công suất đầu ra của các tấm pin mặt trời. Tuy nhiên, việc tích hợp các cảm biến bức xạ cũng mang lại một số hạn chế, bao gồm chi phí bổ sung và nguy cơ đo lường không chính xác do các yếu tố như tích tụ bụi hoặc chênh lệch vị trí cảm biến. Để giải quyết vấn đề này, một số nhà nghiên cứu đã đề xuất ước tính gián tiếp các giá trị bức xạ hồng ngoại, nhưng điều này làm tăng độ phức tạp của mô hình và có thể tạo ra các nguồn lỗi có thể lan truyền thông qua thuật toán MPPT.
Ngoài ra, các phương pháp không cảm biến hoặc cảm biến thấp đã được đề xuất, chỉ sử dụng dữ liệu đo điện áp và dòng điện do các tấm pin mặt trời cung cấp trực tiếp. Các tín hiệu bên trong này dễ dàng truy cập, về cơ bản được đồng bộ hóa với các điều kiện hoạt động của tấm pin mặt trời và tránh được nhiều vấn đề phức tạp liên quan đến cảm biến bức xạ.
Phần mềm thực hiện thuật toán theo dõi điểm công suất tối đa (MPPT) dựa trên trí tuệ nhân tạo đã được triển khai trên nền tảng phần cứng tùy biến do HTEC phát triển. Nền tảng này kết nối an toàn đầu ra của bảng điều khiển năng lượng mặt trời với bộ chuyển đổi DC{1}}DC và bao gồm tất cả các thành phần cảm biến cần thiết để theo dõi điện áp, dòng điện và nhiệt độ môi trường xung quanh. Các tín hiệu này đóng vai trò là đầu vào cho DNN, tính toán chu kỳ nhiệm vụ thích hợp trong-thời gian thực. Nền tảng này cũng có chức năng giao tiếp Bluetooth và hỗ trợ chức năng giao diện người-máy (HMI), có thể cung cấp cho người dùng-phản hồi theo thời gian thực về trạng thái hệ thống và sản xuất năng lượng. Bằng cách này, hệ thống có thể quản lý chu kỳ hoạt động của bộ chuyển đổi DC-DC đồng thời cung cấp thông tin có thể dùng để bảo trì dự đoán.
Mô-đun quản lý nguồn: Phân bổ nguồn cho các mô-đun PSOC Edge và Bluetooth.
Mô-đun giao tiếp Bluetooth: xử lý việc truyền dữ liệu không dây cho các chức năng HMI.
Mô-đun cảm biến: đo điện áp và dòng điện-theo thời gian thực do các tấm pin mặt trời tạo ra.
Mô-đun bộ xử lý: Mô-đun cấp hệ thống biên PSOC (SOM): thực thi tất cả các tác vụ điện toán, bao gồm suy luận AI và logic điều khiển.
Bộ vi điều khiển Arm Cortex-M dòng PSOC Edge E84 là một vi điều khiển-hiệu suất cao, tiêu thụ điện năng- thấp và an toàn được trang bị khả năng tăng tốc ML. Nó dựa trên lõi-Cortex-M55 hiệu suất cao, hỗ trợ Helium DSP và được ghép nối với NPU Arm Ethos-U55 và lõi Cortex-M33 tiêu thụ điện năng thấp. Nó được sử dụng cùng với nền tảng tăng tốc phần cứng NNLite cực kỳ tiết kiệm điện năng của Infineon. PSOC Edge có thể liên tục phân tích dữ liệu cảm biến từ việc theo dõi cường độ ánh sáng mặt trời, nhiệt độ tấm nền và công suất đầu ra. Điều này cho phép nó tự động điều chỉnh hướng của các tấm pin mặt trời, theo dõi MPPT và tối ưu hóa hoạt động của biến tần mà không bị trễ do xử lý đám mây. Ngoài ra, AI có thể phát hiện các mô hình tiêu thụ năng lượng và dự đoán các sự kiện về nhu cầu hoặc bóng râm, từ đó tối ưu hóa hơn nữa các chiến lược phân bổ và lưu trữ năng lượng. Bộ dữ liệu chất lượng cao rất cần thiết cho việc phát triển và xác nhận các giải pháp theo dõi điểm công suất tối đa (MPPT) dựa trên trí tuệ nhân tạo. Bài viết sử dụng tập dữ liệu nhà máy quang điện ven biển được cung cấp công khai từ Đại học bang Humboldt ở Hoa Kỳ, chọn dữ liệu lấy mẫu tần số cao với khoảng thời gian 1 phút trong 3 năm, mô phỏng điện áp và dòng điện đầu ra của các tấm quang điện dựa trên các thông số như bức xạ mặt trời và nhiệt độ, đồng thời tạo ra chu kỳ hoạt động tương ứng với điểm công suất tối đa làm nhãn đào tạo. Đồng thời, các tính năng phụ trợ như thay đổi điện áp và dòng điện được trích xuất và sau khi xử lý trước như chuẩn hóa và loại bỏ dữ liệu ban đêm, dữ liệu đáng tin cậy sẽ được hỗ trợ cho việc đào tạo. Trong quá trình xây dựng mô hình AI, kiến trúc nhận thức nhiều lớp (MLP) được áp dụng để giải quyết những thiếu sót của các phương pháp quan sát nhiễu loạn (P&O) truyền thống, chẳng hạn như hội tụ chậm và dao động công suất. Hiệu suất của mô hình được tối ưu hóa thông qua cách tiếp cận hai giai đoạn: đào tạo từng bước và đào tạo theo thời gian thực. Quá trình đào tạo từng bước cho phép mô hình dự đoán các thông số điện tối ưu dựa trên các giá trị đo tức thời, trong khi quá trình đào tạo theo thời gian thực đưa ra một cơ chế phản hồi lấy dự đoán trước đó làm thông tin đầu vào tiếp theo, sửa chữa nhiều lần dự đoán đó để mô phỏng các tình huống thực tế và cuối cùng đạt được sơ đồ MPPT có độ trễ thấp, độ tin cậy cao phù hợp với việc triển khai nền tảng nhúng, cải thiện hiệu quả sử dụng năng lượng của hệ thống quang điện trong môi trường động.
Để triển khai mô hình AI trên nền tảng PSOC Edge, cần phải chuyển đổi mô hình từ định dạng dấu phẩy động 32-bit-sang định dạng 8 bit. Xem xét kiến trúc mạng thần kinh tương đối nhỏ gọn được thiết kế cho các tác vụ MPPT, lượng tử hóa mô hình chủ yếu được sử dụng như một kỹ thuật tối ưu hóa và các chiến lược nén nâng cao hơn như chắt lọc mô hình không được áp dụng, vì nó không cải thiện đáng kể hiệu quả của kích thước mô hình vốn đã cực kỳ nhỏ. Lượng tử hóa mô hình chuyển đổi các tham số mô hình từ biểu diễn dấu phẩy động 32 bit hoặc 64 bit sang các định dạng có độ chính xác thấp như số nguyên 8 bit, giảm đáng kể dung lượng bộ nhớ và yêu cầu tính toán của mô hình, giúp mô hình phù hợp hơn cho việc triển khai thiết bị biên. Đồng thời, bằng cách sử dụng đào tạo nhận thức lượng tử hóa (QAT) để mô phỏng môi trường lượng tử hóa trong giai đoạn đào tạo, tác động tiêu cực của việc giảm độ chính xác đối với độ chính xác của mô hình có thể được giảm bớt và thậm chí khả năng khái quát hóa có thể được cải thiện.
Sau khi hoàn tất tối ưu hóa mô hình, thuật toán AI sẽ được triển khai trên nền tảng Infineon PSOC Edge bằng khung phát triển ModusToolbox. Khung này hỗ trợ triển khai mô hình lượng tử hóa 8{15}}bit và người dùng chỉ cần xuất mô hình ở định dạng TensorFlow Lite (TFLite) để tích hợp liền mạch vào trình tăng tốc AI của nền tảng. Các mô hình Keras dấu phẩy động cũng có thể được triển khai trực tiếp để xử lý tối ưu hóa lượng tử hóa trong khung. Mô hình AI đã chuyển đổi sẽ được chuyển đổi sang định dạng tương thích với C, với các trọng số và tham số được lưu trữ dưới dạng giá trị uint8 để phù hợp với kiến trúc 8{19}}bit của bộ tăng tốc AI, đạt được khả năng suy luận nhanh hơn và mức sử dụng bộ nhớ thấp hơn. Đánh giá hiệu suất cho thấy mặc dù sai số dự đoán công suất của mô hình lượng tử hóa tăng từ 0,0109% lên 0,6145% nhưng độ trễ suy luận giảm từ 3 mili giây xuống 0,3 mili giây và mức tiêu thụ năng lượng trên mỗi suy luận giảm từ 68,904 microjoules xuống 2,592 microjoules. Hơn nữa, hiệu suất trên PSOC Edge thấp hơn 23 lần so với giải pháp Arm Cortex-M4, với độ trễ giảm hơn 23 lần và mức tiêu thụ năng lượng giảm hơn 42 lần, thể hiện đầy đủ lợi thế của việc triển khai các giải pháp AI hiệu quả và thời gian thực trên ứng dụng MPPT biên của nền tảng này.
Ngoài việc tối ưu hóa MPPT,-thông tin chi tiết về AI theo thời gian thực còn mang lại lợi ích bổ sung cho việc bảo trì dự đoán -. Nhóm HTEC đã phát triển giao diện người dùng chuyên dụng có thể dự đoán thông tin chi tiết liên tục về hiệu suất hệ thống dựa trên các mô hình AI. Những dự đoán này có thể được tham chiếu chéo với việc sản xuất điện thực tế để xác định những khác biệt đáng kể có thể do suy giảm hiệu suất của các bộ phận gây ra, cho phép các bên liên quan chủ động sắp xếp việc bảo trì. HTEC chỉ ra rằng công việc trong tương lai có thể khám phá các kỹ thuật tối ưu hóa hơn nữa, chẳng hạn như tích hợp nhiều dữ liệu cảm biến hơn hoặc sử dụng các phương pháp nén mô hình tiên tiến, để cải thiện hơn nữa độ chính xác và hiệu suất của hệ thống. Tuy nhiên, cách tiếp cận hiện tại nêu bật tiềm năng của MPPT do AI điều khiển trong các giải pháp năng lượng mặt trời nhúng, cung cấp hướng dẫn để quản lý năng lượng hiệu quả và bền vững hơn cũng như các biện pháp bảo trì thiết bị biên thông minh hơn.
STVi điện tử
STMicroelectronics vừa cho ra mắt giải pháp cầu dao ngắt mạch hồ quang AI biên (AFCI) dựa trên STM32.
Trong lĩnh vực an toàn điện, hỏa hoạn do sự cố hồ quang chiếm tới 1/4 và sự xuất hiện liên tục của các kịch bản ứng dụng mới như tấm pin mặt trời, pin điện, dụng cụ điện và xe đạp điện đã đặt ra yêu cầu đổi mới cao hơn đối với công nghệ bảo vệ hồ quang. Mặc dù các thuật toán dựa trên quy tắc-có thể cải thiện độ an toàn của các thiết bị điện nhưng khả năng thích ứng với môi trường của chúng bị hạn chế và tỷ lệ cảnh báo sai rất cao. Các giải pháp AI dựa trên đám mây, mặc dù có độ chính xác cao nhưng phải đối mặt với các rủi ro về độ trễ và quyền riêng tư.
Trong bối cảnh này, các giải pháp AI biên đã trở thành điểm cân bằng lý tưởng - chúng không yêu cầu kết nối mạng và xử lý bên ngoài, đồng thời có thể hoàn tất quá trình xử lý dữ liệu cục bộ trên thiết bị theo thời gian thực, đạt được khả năng phát hiện và phản hồi tức thì các vòng cung đồng thời loại bỏ các rủi ro về quyền riêng tư và bảo mật. Đồng thời, thông qua việc liên tục học hỏi để thích ứng với các môi trường khác nhau, họ giảm đáng kể tỷ lệ cảnh báo sai và cải thiện hiệu quả hệ thống. Chọn công cụ NanoEdge AI Studio làm cốt lõi phát triển, với giao diện-thân thiện với người dùng và tính dễ sử dụng, công cụ này có thể tự động lọc và tạo mô hình tối ưu dựa trên dữ liệu người dùng; Nếu có sẵn các mạng thần kinh được đào tạo trước, STM32Cube.AI cũng có thể được sử dụng để tối ưu hóa khả năng nén nhằm thích ứng với môi trường nhúng.
Trong quá trình triển khai cụ thể, bảng AFCI tùy chỉnh với STM32G4 làm lõi được sử dụng làm vật mang phần cứng. Khoảng 1000 bộ tín hiệu hoạt động bình thường được thu thập trước tiên, sau đó thu thập số lượng tín hiệu lỗi hồ quang bằng nhau. Hai loại dữ liệu này được nhập vào dự án phân loại của NanoEdge AI Studio, đồng thời công cụ này sẽ tự động tạo thư viện AI thích ứng và tích hợp thư viện đó vào mã để đạt được khả năng giám sát theo thời gian thực đối với các cảnh báo kích hoạt dòng điện và hồ quang. Sơ đồ này sử dụng cảm biến dòng điện có tốc độ lấy mẫu 150kHz để xử lý hai loại dữ liệu (lỗi hồ quang và không hồ quang) cho trục 2048 × 1, cuối cùng đạt được độ chính xác phát hiện 100%, chỉ chiếm 16,7KB RAM và 0,5KB dung lượng lưu trữ Flash.
NXP
Công nghệ phát hiện hồ quang của NPU dòng NXP MCX N được sử dụng rộng rãi trong nhiều trường hợp cần phát hiện hồ quang, chẳng hạn như:
Hệ thống điện: dùng để giám sát, phát hiện các sự cố hồ quang trong hệ thống điện, đồng thời có biện pháp kịp thời ngăn chặn sự cố lan rộng.
Điều khiển công nghiệp: được sử dụng trong các hệ thống điều khiển robot và tự động hóa công nghiệp nhằm phát hiện các nguy cơ hồ quang tiềm ẩn và đảm bảo an toàn sản xuất.
Nhà thông minh: Trong các hệ thống nhà thông minh, nó được dùng để theo dõi tình trạng hồ quang trong mạch điện và nâng cao độ an toàn trong tiêu dùng điện của hộ gia đình.
NXP đã đưa ra các giải pháp phần cứng và phần mềm phát hiện hồ quang, cũng như phần mềm đào tạo thu thập dữ liệu, có thể đẩy nhanh đáng kể tốc độ phát triển các sản phẩm phát hiện hồ quang của người dùng. MCU dòng MCX N tích hợp NPU bên trong, có thể đạt được-tốc độ suy luận hàng đầu trong ngành là 4,8 Gops và đẩy nhanh hoạt động của các mạng thần kinh tích chập. Cải thiện hiệu suất phát hiện lỗi hồ quang theo thời gian thực.
Quá trình triển khai tính năng phát hiện vòng cung lỗi dựa trên AI bao gồm năm bước: thu thập dữ liệu, đào tạo dữ liệu, định lượng mô hình, xác thực mô hình và triển khai. Tất cả các bước này có thể được hoàn thành thông qua một-phần mềm máy tính cấp trên do NXP cung cấp.
Như thể hiện trong hình bên dưới, một nền tảng thử nghiệm được xây dựng theo yêu cầu UL1699B. Đầu ra nguồn mô phỏng PV là đầu vào của đầu vào DC PV của bộ biến tần quang điện sau khi đi qua thiết bị tạo hồ quang. Bằng cách nối nối tiếp các máy biến áp, phát hiện tín hiệu AC được tạo ra bởi hồ quang sự cố. Thông qua bảng thu nhận, ADC tích hợp trong MCXN947 có độ phân giải 16 bit và có thể hỗ trợ tốc độ lấy mẫu lên tới 2Mbps ở độ phân giải 16 bit, khiến nó rất phù hợp cho việc thu tín hiệu hồ quang. Tín hiệu được ADC lấy mẫu và được MCU xử lý.
TBảng thu thập dữ liệu do NXP cung cấp hiện hỗ trợ phát hiện đồng thời hai tín hiệu hồ quang và bảng thu thập dữ liệu được cắm vào bảng FRDM-MXN947 dưới dạng thẻ con.
Về thiết kế mạch thu, trong nghiên cứu lý thuyết, bằng cách phân tích đặc điểm miền tần số, người ta thường thấy khi xảy ra hồ quang sự cố DC, năng lượng hài hòa của dòng điện một chiều trong dải tần 10KHz-100kHz sẽ tăng lên đáng kể. Vì vậy mạch được thiết kế sử dụng tính năng lọc thông dải để xử lý tín hiệu đầu vào. Các đặc tính dải tần được thể hiện trong hình sau:
Đồng thời, trong việc áp dụng các phương pháp phát hiện miền tần số, để tránh sự ghép và nhiễu lẫn nhau giữa dải tần đặc trưng của vòng cung sự cố DC và dải tần số méo hài do hệ thống quang điện tự điều khiển, dải tần 10kHz-100kHz được chọn làm dải tần đặc trưng của vòng cung sự cố DC để phân tích và phát hiện.
Về nguyên tắc, FFT được sử dụng để tính toán điều hòa, lấy 2048 điểm làm phân đoạn cho hoạt động FFT. MCXN947 có mô-đun PowerQuad bên trong, có thể tăng tốc hoạt động FFT. Các kết quả tính toán được lượng tử hóa và đưa vào NPU do MCXN947 mang theo để xử lý. Có được kết quả phân loại cuối cùng. Do đó xác định hiệu quả các cảnh có hồ quang điện.
Trong quá trình hoạt động theo thời gian thực,-kết quả phát hiện được in qua cổng nối tiếp. Hiện tại, khi phát hiện một vòng cung, mức độ khớp nhận dạng đầu ra là 99%.
Renesas Điện tử
Fuchang Electronics đã ra mắt hệ thống phát hiện lỗi hồ quang trí tuệ nhân tạo (AI) biên sử dụng MCU RA6M4 của Renesas Electronics, có thể phát hiện nhanh chóng và hiệu quả. Hệ thống này rất phù hợp với các hệ thống năng lượng mặt trời, năng lượng thông minh và DC, cung cấp khả năng giám sát an ninh-theo thời gian thực với nguồn lực tối thiểu. Giải pháp AFCI áp dụng giải pháp AI Plus của Trung tâm Thiết kế Tương lai (FDC), nơi tích hợp các giải pháp FDC AI và Reality AI.
Với việc thúc đẩy toàn cầu các tiêu chuẩn NEC, IEC 60364-4-42 và UL 1699B, dự kiến lô hàng hàng năm của AFCI sẽ vượt 40 triệu chiếc vào năm 2030. Fuchang Electronics sử dụng Renesas RA6M4 MCU và Reality AI Tools ®, Chúng tôi đã phát triển một hệ thống AI đầu cuối đột phá sử dụng ít hơn 100kB flash/RAM để đạt được khả năng phát hiện gần như hoàn hảo trong vòng chưa đầy 4 mili giây, gần như loại bỏ các báo động sai và xác định các vòng cung DC và AC nguy hiểm mà các thiết bị khác không thể nhận ra.
Ưu điểm chính: Nhận dạng chuỗi thời gian dựa trên trí tuệ nhân tạo, được hỗ trợ bởi Renesas Reality AI
Phát hiện: Lỗi hồ quang (hồ quang nhỏ và lớn), giả mạo mạch hở và mạch kín và đường cong dòng điện bất thường
Phát hiện cực nhanh: thời gian suy luận thấp tới 10-250 mili giây, bao gồm tiền xử lý và xác thực nhiều cửa sổ.
Học bằng một cú nhấp chuột: Nút tích hợp có thể giúp tự động hiệu chỉnh bảng mạch theo môi trường thiết kế của khách hàng. Có khả năng sao chép dữ liệu đã hiệu chỉnh sang các bảng mạch khác. Không cần đào tạo AI/ML dựa trên đám mây
Thị trường mục tiêu và ứng dụng: Bộ biến tần năng lượng mặt trời, cầu dao, hệ thống lưu trữ năng lượng pin (BESS), bộ biến tần, bộ sạc DC cho xe điện, thiết bị chuyển mạch công nghiệp, công cụ pin công suất cao PDU- cho trung tâm dữ liệu trí tuệ nhân tạo, xe điện
Nhóm sản phẩm vi điều khiển (MCU) RA6M4 của Renesas Electronics sử dụng TrustZone support ® Lõi Arm Cortex-hiệu suất cao Arm Cortex-M33. Khi được sử dụng cùng với Công cụ mã hóa an toàn (SCE) trong chip, nó có thể cung cấp chức năng của chip bảo mật. Ethernet MAC tích hợp với DMA chuyên dụng đảm bảo thông lượng dữ liệu cao. RA6M4 áp dụng quy trình 40nm hiệu quả, được hỗ trợ bởi khái niệm hệ sinh thái mở và linh hoạt của Gói cấu hình linh hoạt (FSP) dựa trên FreeRTOS, đồng thời có thể mở rộng để sử dụng các hệ điều hành thời gian thực (RTOS) và phần mềm trung gian khác. RA6M4 phù hợp với nhu cầu của các ứng dụng IoT như Ethernet, tính năng bảo mật cho các ứng dụng trong tương lai, RAM nhúng dung lượng lớn và mức tiêu thụ điện năng thấp (chạy thuật toán CoreMark từ bộ nhớ flash, tốc độ thấp tới 99 µA/MHz).
Dụng cụ Texas
Mặc dù việc ứng dụng AI trong các hệ thống điều khiển theo thời gian thực như động cơ, năng lượng mặt trời và quản lý pin không thường xuyên chiếm được sự chú ý như các mô hình ngôn ngữ lớn mới, nhưng việc áp dụng AI biên trong việc phát hiện lỗi có thể cải thiện hiệu quả, độ an toàn và năng suất của hệ thống một cách hiệu quả.
MCU có thể nâng cao khả năng phát hiện lỗi trong các hệ thống điều khiển thời gian thực-điện áp cao-. Các MCU như vậy sử dụng các đơn vị xử lý mạng thần kinh tích hợp (NPU) để chạy các mô hình mạng thần kinh tích chập (CNN), có thể giảm độ trễ và mức tiêu thụ điện năng một cách hiệu quả khi giám sát lỗi hệ thống. Việc tích hợp các chức năng AI biên vào cùng một MCU để quản lý khả năng kiểm soát-thời gian thực có thể giúp tối ưu hóa thiết kế hệ thống và cải thiện hiệu suất tổng thể. Chìa khóa để vận hành đáng tin cậy trong hệ thống truyền động động cơ và năng lượng mặt trời nằm ở khả năng phát hiện lỗi nhanh chóng và có thể dự đoán được, điều này không chỉ giảm cảnh báo sai mà còn giám sát các bất thường của vòng bi động cơ và lỗi thực tế trong thời gian thực.
MCU có khả năng AI biên có thể giám sát hai loại lỗi: một là lỗi ổ trục động cơ. Khi xảy ra tình trạng bất thường hoặc suy giảm hiệu suất trong vòng bi động cơ, việc phát hiện kịp thời những lỗi đó là rất quan trọng để ngăn chặn việc ngừng hoạt động đột ngột, rút ngắn thời gian ngừng hoạt động và giảm chi phí bảo trì; Thứ hai là lỗi hồ quang mặt trời, ám chỉ hiện tượng phóng điện hồ quang do những đường dẫn bất ngờ như dòng điện truyền qua không khí. Nguyên nhân thường do lỗi cách điện, kết nối lỏng lẻo và các vấn đề khác trong hệ thống năng lượng mặt trời. Nhiệt độ cao do lỗi này tạo ra có thể dẫn đến hỏa hoạn hoặc hư hỏng hệ thống điện. Vì vậy, việc giám sát và phát hiện lỗi này là biện pháp cần thiết để đảm bảo hệ thống năng lượng mặt trời vận hành an toàn và tin cậy.
Các phương pháp phát hiện lỗi truyền thống, chẳng hạn như giám sát lỗi vòng bi động cơ, dựa trên khả năng phát hiện riêng biệt của nhiều thiết bị và phân tích dựa trên quy tắc{0}}, trong khi tính năng phát hiện lỗi hồ quang mặt trời sử dụng phân tích tín hiệu dòng điện trong miền tần số và phán đoán ngưỡng. Những phương pháp này không chỉ đòi hỏi kiến thức chuyên môn sâu mà còn có khả năng thích ứng và độ nhạy hạn chế, gây khó khăn cho việc đảm bảo độ chính xác phát hiện và tăng độ phức tạp của hệ thống.
Dựa trên AI biên tích hợp để phát hiện lỗi, sử dụng các MCU thời gian thực như TMS320F28P550SJ làm sóng mang, việc chạy các mô hình CNN cục bộ có thể cải thiện hiệu quả tỷ lệ phát hiện lỗi, giảm cảnh báo sai và đạt được khả năng bảo trì dự đoán chính xác hơn. Mô hình CNN, với khả năng tự động tìm hiểu các mẫu phức tạp từ dữ liệu cảm biến thô, có thể trích xuất trực tiếp các đặc điểm từ tín hiệu rung, dòng điện một chiều và các dữ liệu khác. Bằng cách kết hợp các điều kiện hoạt động khác nhau, sự khác biệt về phần cứng và thuật toán tiền xử lý, khả năng thích ứng và độ tin cậy của mô hình có thể được cải thiện và độ trễ phát hiện có thể giảm xuống. Trong các tình huống như truyền động động cơ, năng lượng mặt trời và quản lý pin, mô hình CNN có thể xác định chính xác các chế độ lỗi và đạt được khả năng phát hiện-hiệu quả và theo thời gian thực trong môi trường động.
Bản tóm tắt
Trong các tình huống ứng dụng như truyền động động cơ và năng lượng mặt trời,-việc phát hiện lỗi theo thời gian thực là nền tảng để đảm bảo an toàn vận hành và độ tin cậy-lâu dài. Edge AI, với khả năng xử lý dữ liệu theo thời gian thực-cục bộ, đã cách mạng hóa các phương pháp phát hiện lỗi, cải thiện đáng kể độ chính xác của việc phát hiện và giảm độ trễ, cung cấp hỗ trợ mạnh mẽ để hệ thống vận hành hiệu quả và ổn định.