技術干貨｜MCU 如何優(yōu)化實時控制系統(tǒng)中的系統(tǒng)故障檢測？借助邊緣 AI！

當前關于人工智能 (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(yè)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制系統(tǒng)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系統(tǒng)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 集成式微控制器 (MCU) 如何增強高壓實時控制系統(tǒng)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(jiān)測系統(tǒng)故障時降低延遲和功耗。通過將邊緣 AI 功能集成到用于管理實時控制的同一 MCU 中，可以幫助您 優(yōu)化系統(tǒng)設計，同時增強整體性能。

電機軸承和太陽能電弧故障的監(jiān)測

要實現(xiàn)電機驅動和太陽能系統(tǒng)的可靠運行，需要進行 快速且可預測的系統(tǒng)故障檢測 ，以幫助減少錯誤警報，同時還需要 監(jiān)測電機軸承異常和實際故障 。 支持邊緣 AI 的 MCU 可以監(jiān)測兩種類型的故障 ：

• 當電機軸承出現(xiàn)異常情況或老化時，會發(fā)生電機軸承故障。 檢測這些故障對于防止意外故障、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(fā)生的電弧放電 。太陽能電弧故障通常由太陽能系統(tǒng)中的絕緣擊穿、連接松動或其他故障引起。放電會產生強烈的熱量，從而導致火災或電氣系統(tǒng)損壞。 監(jiān)測和檢測太陽能電弧故障有助于防止危險事件，并確保太陽能系統(tǒng)的安全性和可靠性。

如果沒有響應式監(jiān)測，系統(tǒng)可能會因實際故障或錯誤警報而發(fā)生意外停機或系統(tǒng)故障，從而影響運營效率和操作員安全。 例如，光伏逆變器中的誤報可能會導致系統(tǒng)停機，需要進行檢查，從而影響生產力。 帶電電弧漏檢也會增加火災或系統(tǒng)損壞的風險。

除了 MCU 之外，一些電機軸承故障監(jiān)測方法還使用多個器件來實現(xiàn)實時控制， 通過振動分析進行監(jiān)測、溫度監(jiān)控和聲學測量。 然后，這種離散化方法使用基于數(shù)據(jù)的規(guī)則檢測來監(jiān)測潛在故障， 這需要手動解析，并且可能會錯過早期故障，或者無法準確檢測故障類型。

同樣， 電弧故障檢測的傳統(tǒng)方法是分析頻域中的電流信號，然后應用基于閾值的規(guī)則來檢測電弧故障信號。 但這兩種方法都需要大量的系統(tǒng)專業(yè)知識，并且自適應性和靈敏度都受到限制，從而限制檢測精度。此外， 向系統(tǒng)中添加用于故障監(jiān)測的分立式器件和用于電機控制的專用實時控制 MCU 會增加系統(tǒng)的復雜性。

基于邊緣 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 ，有助于提高故障檢測率、避免誤報，同時提供更好的預測性維護。借助邊緣 AI，這些系統(tǒng)可以 學習并適應環(huán)境，從而優(yōu)化實時控制、提高整體系統(tǒng)可靠性、安全性和效率 ，同時減少停機時間（請參閱圖 2）。

圖 2：實時控制系統(tǒng)中支持邊緣 AI 的故障監(jiān)測解決方案

CNN 模型如何增強

實時控制系統(tǒng)中的故障監(jiān)測和檢測

用于電機軸承和電弧故障檢測的 CNN 模型可以從原始傳感器數(shù)據(jù)（例如振動信號）中 學習復雜模式，然后檢測指示軸承故障的細微變化。

由于 CNN 模型可以 自主從原始或預處理的傳感器數(shù)據(jù)（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 模型非常適合用于故障檢測和預測性維護的傳感器數(shù)據(jù)分析。 無需手動干預即可直接提取有意義的特征，從而實現(xiàn)穩(wěn)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(shù)據(jù)以及快速傅里葉變換 (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。

由于 CNN 可以高效處理大量數(shù)據(jù)，并在不同的運行條件下表現(xiàn)良好，因此適用于工業(yè)環(huán)境中的實時監(jiān)測和預測性維護。 在這些環(huán)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。

對于電機驅動器，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。 在太陽能系統(tǒng)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(jiān)測和電池充電狀態(tài)估算。 CNN 的適應性可確保在動態(tài)條件下進行精確的故障檢測，而且實時處理可提高效率。