Yakın zamanda, Ulusal Kalkınma ve Reform Komisyonu ve Ulusal Enerji İdaresi, "yapay zeka+" enerjisinin yüksek kalitede-geliştirilmesini teşvik etme konusunda ortaklaşa uygulama görüşleri yayınladı. Görüşlerde özellikle bir noktaya değinildi: Güç ekipmanı durum değerlendirmesi ve akıllı işletme ve bakım. Ekipman durumunun akıllı algılanması ve uyarısı, ekipman arızalarının akıllı konumlandırılması ve teşhisi, ekipman durumu bakımı için akıllı karar verme-, ekipman felaket risklerinin akıllı tahmini ve ekipmanın yalın yönetim düzeyini geliştirmek için akıllı bakım işi biletleri oluşturma gibi uygulamalar oluşturun.
Güneş fotovoltaik endüstrisinde yapay zeka sessizce gelişiyor.
Son yıllarda güneş enerjisi hızla gelişti. 2024 yılında, fotovoltaiklerin küresel kurulu kapasitesi, 2023'teki 449 gigawatt'tan %33 artışla 597 gigawatt gibi rekor bir seviyeye ulaşacak. Bu büyüme, küresel toplam kurulu güneş enerjisi kapasitesinin 2022 sonunda yaklaşık 1,6 terawatt'a kıyasla 2,2 terawatt'ı aşmasına yol açacak. SolarPower Europe, güneş enerjisi kurulu kapasitesinin %10 daha artacağını öngörüyor. 2025 itibarıyla 655 gigawatt. Şu anda güneş enerjisi, küresel elektrik arzının yaklaşık %6,9'unu oluşturuyor; bu oran 2023'te %5,6 civarındaydı. Güneş enerjisinin hızlı büyümesine ve muazzam potansiyeline rağmen, pek çok şirket, kuruluş ve endüstri, kesintili üretim ve verimlilik sınırlamaları nedeniyle hâlâ güneş enerjisini tam olarak benimseme konusunda isteksiz.
Güneş panellerinin performansı, değişen hava koşulları, değişen güneş ışığı yoğunluğu ve sistemin güç iletimini yönetme yeteneği gibi çeşitli faktörlerden etkilenir. Üretilen elektrik uygun şekilde düzenlenmezse, enerji israfına, düşük verimliliğe veya istikrarlı enerjiye dayanan kullanıcıların ve işletmelerin karşılayamayacağı güvenilmez güç kaynağı - endişelerine yol açabilir. Bu durumda,-görev döngüsünün (yani güneş panelinin açık kalma süresinin kapalı kalma süresine oranı) ince ayarının yapılması, güneş paneli sisteminin enerji kullanımını en üst düzeye çıkarmak için çok önemlidir.
Öte yandan, makine öğrenimi (ML) ve uç yapay zeka (Edge AI), daha akıllı, veriye dayalı karar alma-verisine- olanak sağlayarak çeşitli sektörlerin verimliliğini temelden değiştiriyor. Örneğin, yenilenebilir enerji alanında makine öğrenimi, çevresel koşulları analiz ederek, enerji çıkışını tahmin ederek ve arıza süresini en aza indirmek için öngörücü bakımı uygulayarak güneş panellerinin performansını optimize eder. Makine öğrenimi, güneş enerjisine ek olarak, tahmine dayalı bakım ve süreç otomasyonu aracılığıyla üretim verimliliğini de artırabilir, gerçek zamanlı yük tahmini yoluyla akıllı şebekelerdeki enerji israfını azaltabilir-ve hassas tarım teknolojilerini destekleyerek tarımsal üretkenliği artırabilir. Bu çeşitli kullanım örneklerinde makine öğrenimi, karmaşık verileri eyleme dönüştürülebilir içgörülere dönüştürerek sürekli iyileştirmeyi teşvik eder, sonuçta zamandan tasarruf sağlar, maliyetleri azaltır ve sürdürülebilirliği artırır. Bu eğilime yanıt olarak çeşitli kontrolör üreticileri, fotovoltaik invertör endüstrisinin yeni taleplerini karşılamak için AI teknolojisini MCU/MPU'ya entegre etti.
Infineon
HTEC ekibi, performansı ve güvenilirliği artırmak için en alakalı giriş özelliklerini belirlemeye odaklanarak DC-DC dönüştürücülerin optimum görev döngüsünü tahmin etmek amacıyla derin sinir ağlarının (DNN'ler) nasıl kullanılacağını araştırmak için Infineon'un PSoC Edge işlemcisini kullandı.
Bu yöntemlerin çoğu, güneş ışınımı ve ortam sıcaklığı gibi ölçüm verilerine dayanır, çünkü bu parametreler güneş panellerinin güç çıkışıyla yakından ilişkilidir. Ancak ışınım sensörlerinin entegrasyonu, ek maliyetler ve toz birikmesi veya sensör konumu farklılıkları gibi faktörlerden dolayı hatalı ölçüm riski gibi bazı dezavantajları da beraberinde getirir. Bu sorunu çözmek için bazı araştırmacılar kızılötesi ışınım değerlerinin dolaylı tahminini önerdiler, ancak bu, modelleme karmaşıklığını artırır ve MPPT algoritmaları aracılığıyla yayılabilecek hata kaynaklarına neden olabilir.
Ayrıca sadece doğrudan güneş panelleri tarafından sağlanan gerilim ve akım ölçüm verilerini kullanan sensörsüz veya düşük sensörlü yöntemler de önerilmiştir. Bu dahili sinyallere erişim kolaydır, esasen güneş panelinin çalışma koşullarıyla senkronizedir ve ışınım algılamayla ilgili birçok karmaşık sorunu ortadan kaldırır.
Yapay zekaya dayalı maksimum güç noktası izleme (MPPT) algoritmasını uygulamaya yönelik yazılım, HTEC tarafından geliştirilen özelleştirilmiş bir donanım platformuna yerleştirildi. Platform, güneş paneli çıkışını güvenli bir şekilde bir DC-DC dönüştürücüye bağlar ve voltajı, akımı ve ortam sıcaklığını izlemek için gerekli tüm algılama bileşenlerini içerir. Bu sinyaller, uygun görev döngüsünü gerçek zamanlı olarak hesaplayan DNN için girdi görevi görür. Platform aynı zamanda Bluetooth iletişim işlevine sahiptir ve kullanıcılara enerji üretimi ve sistem durumu hakkında gerçek-zamanlı geri bildirim sağlayabilen insan-makine arayüzü (HMI) işlevini destekler. Bu şekilde sistem, DC-DC dönüştürücülerin görev döngüsünü yönetirken aynı zamanda kestirimci bakım için kullanılabilecek bilgileri de sağlayabilir.
Güç Yönetimi Modülü: Gücü PSOC Edge ve Bluetooth modüllerine tahsis edin.
Bluetooth iletişim modülü: HMI fonksiyonları için kablosuz veri aktarımını yönetir.
Algılama modülü: Güneş panelleri tarafından üretilen-gerilim ve akımı gerçek zamanlı ölçer.
İşlemci modülü: PSOC Edge Sistem Düzeyi Modülü (SOM): Yapay zeka çıkarımı ve kontrol mantığı dahil tüm bilgi işlem görevlerini yürütür.
PSOC Edge E84 serisi Arm Cortex-M mikro denetleyicisi, yüksek-performanslı, düşük-güçlü ve ML hızlandırmayla donatılmış güvenli bir MCU'dur. Yüksek-performanslı Cortex-M55 çekirdeğini temel alır, Helium DSP'yi destekler ve Arm Ethos-U55 NPU ve düşük-güçlü Cortex-M33 çekirdeğiyle eşleştirilmiştir. Infineon ultra-düşük güçlü NNLite donanım hızlandırma platformuyla birlikte kullanılır. PSOC Edge, güneş ışığı yoğunluğunu, panel sıcaklığını ve güç çıkışını izleyerek sensör verilerini sürekli olarak analiz edebilir. Bu, güneş panellerinin yönünü dinamik olarak ayarlamasına, MPPT'yi izlemesine ve bulut işlemenin neden olduğu gecikme olmadan invertör çalışmasını optimize etmesine olanak tanır. Ayrıca yapay zeka, enerji tüketim modellerini tespit edip talebi veya gölgeleme olaylarını tahmin edebiliyor, böylece enerji depolama ve tahsis stratejilerini daha da optimize edebiliyor. Yapay zeka tabanlı maksimum güç noktası izleme (MPPT) çözümlerinin geliştirilmesi ve doğrulanması için yüksek kaliteli veri kümeleri gereklidir. Makale, Amerika Birleşik Devletleri'ndeki Humboldt Eyalet Üniversitesi'nden halka açık kıyı fotovoltaik enerji santrali veri kümesini kullanıyor, üç yıl boyunca bir dakikalık aralıklarla yüksek{20}}frekanslı örnekleme verilerini seçiyor, güneş ışınımı ve sıcaklık gibi parametrelere dayalı olarak fotovoltaik panellerin voltaj ve akım çıkışını simüle ediyor ve eğitim etiketi olarak maksimum güç noktasına karşılık gelen görev döngüsünü oluşturuyor. Aynı zamanda gerilim ve akım değişimleri gibi yardımcı özellikler çıkarılarak, normalizasyon ve gece verilerinin çıkarılması gibi ön işlemlerden sonra eğitim için güvenilir veri desteği sağlanmaktadır. Yapay zeka modellerinin yapımında, yavaş yakınsama ve güç salınımları gibi geleneksel pertürbasyon gözlem (P&O) yöntemlerinin eksikliklerini gidermek için çok-katmanlı bir algılayıcı (MLP) mimarisi benimsenir. Model performansı,-adım adım eğitim ve gerçek-zamanlı eğitimden oluşan iki aşamalı-bir yaklaşımla optimize edilmiştir. Adım adım eğitim, modelin anlık ölçüm değerlerine dayalı olarak optimum elektrik parametrelerini tahmin etmesine olanak tanır. Gerçek zamanlı eğitim ise önceki tahmini sonraki girdi olarak alan, bunu gerçek senaryoları simüle etmek için yinelemeli olarak düzelten ve sonuçta yerleşik platform dağıtımına uyarlanan, dinamik ortamlarda fotovoltaik sistemlerin enerji kullanım verimliliğini artıran düşük gecikmeli, yüksek sağlamlıkta bir MPPT şeması elde eden bir geri bildirim mekanizması sunar.
Yapay zeka modelini PSOC Edge platformunda dağıtmak için, modeli 32-bit kayan nokta biçiminden-8 bit biçimine dönüştürmek gerekir. MPPT görevleri için tasarlanan nispeten kompakt sinir ağı mimarisi göz önüne alındığında, model nicemleme esas olarak bir optimizasyon tekniği olarak kullanılır ve zaten son derece küçük olan model boyutunun verimliliğini önemli ölçüde artırmadığından model damıtma gibi daha gelişmiş sıkıştırma stratejileri uygulanmaz. Model niceleme, model parametrelerini 32 bit veya 64 bit kayan nokta gösterimlerinden 8 bit tamsayılar gibi düşük hassasiyetli formatlara dönüştürerek modelin bellek alanını ve hesaplama gereksinimlerini önemli ölçüde azaltarak uç cihaz dağıtımı için daha uygun hale getirir. Aynı zamanda, eğitim aşamasında kuantizasyon ortamlarını simüle etmek için kuantizasyon farkındalıklı eğitim (QAT) kullanılarak, azaltılmış doğruluğun model doğruluğu üzerindeki olumsuz etkisi hafifletilebilir ve hatta genelleme yeteneği geliştirilebilir.
Model optimizasyonu tamamlandıktan sonra AI algoritması ModusToolbox geliştirme çerçevesi kullanılarak Infineon PSOC Edge platformuna dağıtılır. Çerçeve, 8-bit niceleme modeli dağıtımını destekler ve kullanıcıların, platformun yapay zeka hızlandırıcısına sorunsuz bir şekilde entegre etmek için modeli yalnızca TensorFlow Lite (TFLite) biçiminde dışa aktarmaları gerekir. Kayan noktalı Keras modelleri ayrıca çerçeve içerisinde niceleme optimizasyonunu gerçekleştirmek için doğrudan dağıtılabilir. Dönüştürülen AI modeli, AI hızlandırıcının 8-bit mimarisiyle eşleşecek şekilde uint8 değerleri olarak saklanan ağırlıklar ve parametrelerle C uyumlu bir formata dönüştürülecek, böylece daha hızlı çıkarım ve daha düşük bellek kullanımı elde edilecek. Performans değerlendirmesi, niceleme modelinin güç tahmin hatasının %0,0109'dan %0,6145'e çıkmasına rağmen, çıkarım gecikmesinin 3 milisaniyeden 0,3 milisaniyeye düştüğünü ve çıkarım başına enerji tüketiminin 68,904 mikrojoule'den 2,592 mikrojule düştüğünü göstermektedir. Üstelik PSOC Edge'in performansı, Arm Cortex-M4 çözümüne dayalı performanstan 23 kat daha düşük; 23 kattan fazla gecikme azalması ve 42 kattan fazla enerji tüketimi azalması, bu platformun uç MPPT uygulamasında gerçek zamanlı ve verimli yapay zeka çözümleri dağıtmanın avantajlarını tam olarak ortaya koyuyor.
Gerçek-zamanlı yapay zeka analizleri, MPPT'yi optimize etmenin yanı sıra ek faydalar da sağlar - tahmine dayalı bakım. HTEC ekibi, yapay zeka modellerine dayalı olarak sistem performansına ilişkin sürekli öngörüleri tahmin edebilen özel bir kullanıcı arayüzü geliştirdi. Bu tahminler, bileşen performansındaki bozulmanın neden olabileceği önemli farklılıkları belirlemek için gerçek güç üretimiyle çapraz referans olarak kullanılabilir ve paydaşların proaktif olarak bakım düzenlemesine olanak tanır. HTEC, gelecekteki çalışmalarda sistemin doğruluğunu ve performansını daha da artırmak için daha fazla sensör verisinin entegre edilmesi veya gelişmiş model sıkıştırma yöntemlerinin kullanılması gibi daha ileri optimizasyon tekniklerinin keşfedilebileceğini belirtiyor. Bununla birlikte mevcut yaklaşım, daha verimli ve sürdürülebilir enerji yönetimi ve daha akıllı uç cihaz bakım uygulamaları için rehberlik sağlayarak yapay zeka destekli MPPT'nin gömülü güneş enerjisi çözümlerindeki potansiyelini vurguluyor.
STMikroelektronik
STMicroelectronics, STM32'yi temel alan bir uç AI ark hatası devre kesici (AFCI) çözümünü piyasaya sürdü.
Elektrik güvenliği alanında, ark arızalarından kaynaklanan yangınlar dörtte bire kadar çıkmaktadır ve güneş panelleri, güç pilleri, elektrikli aletler ve elektrikli bisikletler gibi yeni uygulama senaryolarının sürekli ortaya çıkması, ark koruma teknolojisi için daha yüksek yenilikçi gereksinimleri ortaya çıkarmıştır. Kural-tabanlı algoritmalar elektrikli cihazların güvenliğini artırabilse de, bunların çevresel uyumlulukları sınırlıdır ve yanlış alarm oranı yüksektir. Bulut tabanlı yapay zeka çözümleri, son derece hassas olmasına rağmen gecikme ve gizlilik riskleriyle karşı karşıyadır.
Bu bağlamda, uç yapay zeka çözümleri ideal bir denge noktası haline geldi -; ağ bağlantıları ve harici işleme gerektirmezler ve veri işlemeyi cihaz üzerinde yerel olarak gerçek zamanlı olarak tamamlayabilir, gizlilik ve güvenlik risklerini ortadan kaldırırken yayların anında algılanmasını ve yanıtlanmasını sağlayabilirler. Aynı zamanda, farklı ortamlara uyum sağlamayı sürekli öğrenerek yanlış alarm oranlarını önemli ölçüde azaltır ve sistem verimliliğini artırır. Kullanıcı dostu arayüzü ve kullanım kolaylığı ile NanoEdge AI Studio aracını geliştirme çekirdeği olarak seçerek, kullanıcı-dostu arayüzü ve kullanım kolaylığı ile kullanıcı verilerine göre en uygun modeli otomatik olarak filtreleyebilir ve oluşturabilir; Önceden eğitilmiş sinir ağları mevcutsa STM32Cube.AI, gömülü ortamlara uyum sağlamak amacıyla sıkıştırma optimizasyonu için de kullanılabilir.
Özel uygulamada, donanım taşıyıcısı olarak çekirdek olarak STM32G4'e sahip özelleştirilmiş bir AFCI kartı kullanılır. İlk önce yaklaşık 1000 set normal çalışma sinyali toplanır ve ardından eşit sayıda ark hatası sinyali toplanır. İki tür veri, NanoEdge AI Studio'nun sınıflandırma projesine aktarılır ve araç, otomatik olarak uyarlanmış bir AI kitaplığı oluşturur ve bunu, akım ve ark tetiklemeli alarmların gerçek-zamanlı izlenmesini sağlamak için koda entegre eder. Bu şema, 2048 × 1 eksen için iki tür veriyi (ark hatası ve ark yok) işlemek için 150 kHz örnekleme oranlı bir akım sensörü kullanır ve sonuçta yalnızca 16,7 KB RAM ve 0,5 KB Flash depolama alanı kaplayarak %100 algılama doğruluğu elde eder.
NXP
NXP MCX N serisi NPU'nun ark algılama teknolojisi, ark algılamayı gerektiren çeşitli durumlarda yaygın olarak kullanılır, örneğin:
Güç sistemi: Güç sistemindeki ark arızalarını izlemek, tespit etmek ve arızaların yayılmasını önlemek için zamanında önlem almak için kullanılır.
Endüstriyel kontrol: Endüstriyel otomasyon ve robot kontrol sistemlerinde potansiyel ark risklerini tespit etmek ve üretim güvenliğini sağlamak için kullanılır.
Akıllı Ev: Akıllı ev sistemlerinde devredeki ark durumunun izlenmesi ve evdeki elektrik tüketiminin güvenliğinin arttırılması amacıyla kullanılmaktadır.
NXP, kullanıcı ark algılama ürünlerinin geliştirme hızını büyük ölçüde hızlandırabilecek ark algılama yazılımı ve donanım çözümlerinin yanı sıra veri toplama eğitim yazılımını da piyasaya sürdü. MCX N serisi MCU, NPU'yu dahili olarak entegre eder; bu, 4,8 Gops'luk sektör lideri çıkarım hızına-ulaşabilir ve evrişimli sinir ağlarının çalışmasını hızlandırabilir. Ark hatası algılamanın gerçek-zamanlı performansını iyileştirin.
Yapay zeka tabanlı arıza arkı tespitinin uygulama süreci beş adımdan oluşur: veri toplama, veri eğitimi, model ölçümü, model doğrulama ve dağıtım; bunların tümü, NXP tarafından sağlanan tek-üst düzey bilgisayar yazılımı aracılığıyla tamamlanabilir.
Aşağıdaki şekilde gösterildiği gibi UL1699B gerekliliklerine göre bir test platformu oluşturulmuştur. PV simülasyon kaynağı çıkışı, ark üreten cihazdan geçtikten sonra fotovoltaik invertörün DC PV giriş terminaline girilir. Transformatörleri seri bağlayarak arıza arkının ürettiği AC sinyalini tespit edin. Toplama kartı aracılığıyla, MCXN947'ye entegre edilen ADC, 16 bit çözünürlüğe sahiptir ve 16 bit çözünürlükte 2 Mbps'ye kadar örnekleme hızını destekleyebilir, bu da onu ark sinyali edinimi için çok uygun kılar. Sinyal ADC tarafından örneklenir ve MCU tarafından işlenir.
TNXP tarafından sağlanan toplama kartı şu anda iki ark sinyalinin eşzamanlı tespitini desteklemektedir ve toplama kartı FRDM-MXN947 kartına ek kart olarak takılmaktadır.
Toplama devresinin tasarımına ilişkin olarak, teorik araştırmalarda, frekans alanı özelliklerinin analiz edilmesiyle, genellikle bir DC arıza arkı meydana geldiğinde, 10KHz-100kHz frekans aralığında DC akımının harmonik enerjisinin önemli ölçüde artacağı bulunmuştur. Dolayısıyla tasarlanan devre, giriş sinyalini işlemek için bant geçiren filtrelemeyi kullanır. Frekans bandı özellikleri aşağıdaki şekilde gösterilmektedir:
Aynı zamanda, frekans bölgesi tespit yöntemlerinin uygulanmasında, DC arıza arklarının karakteristik frekans bandı ile fotovoltaik sistemlerin kendi kendini kontrol etmesinden kaynaklanan harmonik distorsiyon frekans bandı arasındaki karşılıklı eşleşmeyi ve girişimi önlemek amacıyla, analiz ve tespit için DC arıza arklarının karakteristik frekans bandı olarak 10kHz-100kHz frekans bandı seçilmiştir.
Prensip olarak FFT, FFT işlemi için segment olarak 2048 nokta alınarak harmonik hesaplama için kullanılır. MCXN947'nin içinde FFT işlemini hızlandırabilen bir PowerQuad modülü bulunur. Hesaplanan sonuçlar nicelendirilir ve işlenmek üzere MCXN947 tarafından taşınan NPU'ya beslenir. Nihai sınıflandırma sonucunu elde edin. Böylece elektrik arklarının olduğu sahneler etkili bir şekilde tanımlanır.
Gerçek-zamanlı çalışma sırasında, algılama sonuçları seri bağlantı noktası aracılığıyla yazdırılır. Şu anda bir ark tespit edildiğinde çıkış tanıma eşleşme derecesi %99'dur.
Renesas Elektronik
Fuchang Electronics, Renesas Electronics'in RA6M4 MCU'sunu kullanarak hızlı ve verimli algılama sağlayabilen bir ileri düzey yapay zeka (AI) ark hatası algılama sistemini piyasaya sürdü. Bu sistem güneş enerjisi, akıllı enerji ve DC sistemleri için son derece uygundur ve minimum kaynakla gerçek zamanlı-güvenlik izleme olanağı sağlar. AFCI çözümü, FDC AI ve Reality AI çözümlerini entegre eden Future Design Center'ın (FDC) AI Plus çözümünü benimsiyor.
NEC, IEC 60364-4-42 ve UL 1699B standartlarının küresel tanıtımıyla, AFCI'nin yıllık sevkiyatlarının 2030 yılına kadar 40 milyon birimi aşması bekleniyor. Fuchang Electronics, Renesas RA6M4 MCU ve Reality AI Tools®'u kullanıyor. 4ms, yanlış alarmları neredeyse ortadan kaldırır ve diğer cihazların tanıyamayacağı tehlikeli DC ve AC arklarını belirler.
Ana avantaj: Renesas Reality AI tarafından desteklenen, yapay zekaya dayalı zaman serisi tanıma
Algılama: Ark hataları (küçük ve büyük arklar), açık devre ve kapalı devre kurcalama ve anormal akım eğrileri
Ultra hızlı algılama: Ön işleme ve çoklu pencere doğrulama dahil, 10-250 milisaniye kadar düşük çıkarım süresi.
Tek tıklamayla öğrenme: Yerleşik düğme, devre kartının müşterinin tasarım ortamına göre otomatik olarak kalibre edilmesine yardımcı olabilir. Kalibre edilmiş verileri diğer devre kartlarına kopyalayabilme. Bulut tabanlı AI/ML eğitimine gerek yok
Hedef pazarlar ve uygulamalar: Solar invertörler, devre kesiciler, akü enerji depolama sistemleri (BESS), invertörler, elektrikli araç DC şarj cihazları, endüstriyel şalt cihazları, yapay zeka veri merkezleri için PDU yüksek-güçlü akü araçları, elektrikli araçlar
Renesas Electronics'in RA6M4 mikro denetleyici (MCU) ürün grubu TrustZone desteğini kullanıyor ® Yüksek-performanslı Arm Cortex-M33 çekirdeği. Çip içindeki Güvenli Kripto Motoru (SCE) ile birlikte kullanıldığında güvenli çip işlevselliği sağlayabilir. Özel DMA'lı entegre Ethernet MAC, yüksek veri çıkışı sağlar. RA6M4, FreeRTOS tabanlı Esnek Yapılandırma Paketi'nin (FSP) açık ve esnek ekosistem konsepti tarafından desteklenen verimli bir 40 nm süreci benimser ve diğer gerçek zamanlı işletim sistemlerini (RTOS) ve ara yazılımları kullanacak şekilde genişletilebilir. RA6M4, Ethernet, gelecekteki uygulamalara yönelik güvenlik özellikleri, büyük kapasiteli yerleşik RAM ve düşük güç tüketimi (99 µ A/MHz kadar düşük bir değerde Flash bellekten CoreMark algoritmasını çalıştıran) gibi IoT uygulamalarının ihtiyaçlarına uygundur.
Teksas Aletleri
Yapay zekanın-motor sürücüsü, güneş enerjisi ve pil yönetimi gibi gerçek zamanlı kontrol sistemlerinde uygulanması, yeni büyük dil modelleri gibi sık sık manşetlerde yer almasa da, uç yapay zekanın hata tespitinde uygulanması sistem verimliliğini, güvenliğini ve üretkenliğini etkili bir şekilde artırabilir.
MCU, yüksek-gerilimli gerçek-zamanlı kontrol sistemlerinde arıza tespit yeteneğini geliştirebilir. Bu tür MCU'lar, sistem arızalarını izlerken gecikmeyi ve güç tüketimini etkili bir şekilde azaltabilen evrişimli sinir ağı (CNN) modellerini çalıştırmak için entegre sinir ağı işlem birimlerini (NPU'lar) kullanır. Uç yapay zeka işlevlerinin, gerçek zamanlı kontrolü yöneten aynı MCU'ya entegre edilmesi-, sistem tasarımının optimize edilmesine ve genel performansın iyileştirilmesine yardımcı olabilir. Motor sürücü ve güneş enerjisi sistemlerinde güvenilir çalışmanın anahtarı, yalnızca yanlış alarmları azaltmakla kalmayıp aynı zamanda motor yatağı anormalliklerini ve gerçek arızaları gerçek zamanlı olarak izleyen hızlı ve öngörülebilir arıza tespitinde yatmaktadır.
Edge AI özelliklerine sahip MCU'lar iki tür arızayı izleyebilir: bunlardan biri motor yatağı arızalarıdır. Motor yataklarında anormal koşullar veya performans düşüşü meydana geldiğinde, bu tür arızaların zamanında tespit edilmesi, beklenmedik kapanmaların önlenmesi, arıza sürelerinin kısaltılması ve bakım maliyetlerinin azaltılması açısından çok önemlidir; İkincisi ise havadan geçen akım gibi beklenmedik yolların neden olduğu ark deşarjı olgusunu ifade eden güneş arkı arızasıdır. Genellikle güneş enerjisi sistemlerindeki yalıtım arızası, gevşek bağlantılar ve diğer sorunlardan kaynaklanır. Bu arızanın oluşturduğu yüksek sıcaklık, yangına veya elektrik sisteminin hasar görmesine neden olabilir. Bu nedenle bu arızanın izlenmesi ve tespit edilmesi, güneş enerjisi sistemlerinin emniyetli ve güvenilir bir şekilde çalışmasının sağlanması için gerekli bir araçtır.
Motor yatağı arızası izleme gibi geleneksel arıza tespit yöntemleri, çok cihazlı ayrık tespite ve kural-tabanlı analize dayanırken, güneş arkı arıza tespitinde frekans alanı akım sinyali analizi ve eşik kararı kullanılır. Bu yöntemler yalnızca derin mesleki bilgi gerektirmez, aynı zamanda sınırlı uyarlanabilirlik ve hassasiyete sahiptir, bu da tespit doğruluğunu garanti etmeyi zorlaştırır ve sistem karmaşıklığını artırır.
Arıza tespiti için entegre uç yapay zekayı temel alan, taşıyıcı olarak TMS320F28P550SJ gibi gerçek{0}}MCU'ları kullanan, CNN modellerini yerel olarak çalıştırmak, arıza tespit oranlarını etkili bir şekilde iyileştirebilir, yanlış alarmları azaltabilir ve daha doğru tahmine dayalı bakım sağlayabilir. CNN modeli, ham sensör verilerinden karmaşık modelleri özerk bir şekilde öğrenme becerisine sahip olup, titreşim sinyallerinden, DC akımlarından ve diğer verilerden doğrudan özellikler çıkarabilir. Farklı çalışma koşullarını, donanım farklılıklarını ve ön işleme algoritmalarını birleştirerek modelin uyarlanabilirliği ve güvenilirliği geliştirilebilir ve algılama gecikmesi azaltılabilir. Motor sürücüsü, güneş enerjisi ve pil yönetimi gibi senaryolarda CNN modelleri, hata modlarını doğru bir şekilde tanımlayabilir ve dinamik ortamlarda gerçek-zamanlı ve verimli algılama sağlayabilir.
Özet
Motor sürücüsü ve güneş enerjisi gibi uygulama senaryolarında, gerçek-zamanlı arıza tespiti, operasyonel güvenliğin ve uzun-vadeli güvenilirliğin sağlanmasının temel taşıdır. Yerel gerçek-zamanlı veri işleme yetenekleriyle Edge AI, hata algılama yöntemlerinde devrim yaratarak algılama doğruluğunu önemli ölçüde artırdı ve gecikmeyi azaltarak verimli ve istikrarlı sistem çalışması için güçlü destek sağladı.