Récemment, la Commission nationale du développement et de la réforme et l'Administration nationale de l'énergie ont publié conjointement des avis de mise en œuvre sur la promotion du développement-de haute qualité de l'énergie « intelligence artificielle + ». Les avis mentionnaient spécifiquement un point : l'évaluation de l'état des équipements électriques ainsi que leur fonctionnement et leur maintenance intelligents. Créez des applications telles que la perception et l'avertissement intelligents de l'état des équipements, le positionnement et le diagnostic intelligents des défauts des équipements, la prise de décision intelligente-pour la maintenance de l'état des équipements, la prédiction intelligente des risques de catastrophe des équipements et la génération intelligente de tickets de travail de maintenance pour améliorer le niveau de gestion allégée des équipements.
Dans l’industrie solaire photovoltaïque, l’IA se développe tranquillement.
Ces dernières années, l’énergie solaire s’est développée rapidement. En 2024, la capacité photovoltaïque installée mondiale atteindra un niveau record de 597 gigawatts, soit une augmentation de 33 % par rapport aux 449 gigawatts de 2023. Cette croissance conduira à une capacité solaire installée totale supérieure à 2,2 térawatts, contre environ 1,6 térawatts à la fin de 2022. SolarPower Europe prévoit que la capacité solaire installée augmentera encore de 10 % pour atteindre 655 gigawatts d’ici 2025. Actuellement, l’énergie solaire représente environ 6,9 % de l’approvisionnement mondial en électricité, contre environ 5,6 % en 2023. Malgré la croissance rapide et l’énorme potentiel de l’énergie solaire, de nombreuses entreprises, organisations et industries ne sont toujours pas disposées à l’adopter pleinement en raison de sa production intermittente et de ses limites d’efficacité.
Les performances des panneaux solaires sont influencées par divers facteurs, notamment les conditions météorologiques changeantes, l'intensité variable de la lumière solaire et la capacité du système à gérer le transport d'énergie. Si l'électricité produite n'est pas correctement réglementée, cela peut entraîner un gaspillage d'énergie, une faible efficacité ou une alimentation électrique peu fiable - que les utilisateurs et les entreprises qui dépendent d'une énergie stable ne peuvent pas se permettre. Dans ce cas, un réglage fin-du cycle de service (c'est-à-dire le rapport entre le temps d'activation et le temps d'arrêt du panneau solaire) est crucial pour maximiser l'utilisation de l'énergie du système de panneaux solaires.
D'autre part, l'apprentissage automatique (ML) et l'intelligence artificielle de pointe (Edge AI) modifient fondamentalement l'efficacité de divers secteurs en permettant une prise de décision-basée sur les données-plus intelligente. Par exemple, dans le domaine des énergies renouvelables, l’apprentissage automatique optimise les performances des panneaux solaires en analysant les conditions environnementales, en prédisant la production d’énergie et en mettant en œuvre une maintenance prédictive pour minimiser les temps d’arrêt. Outre l'énergie solaire, l'apprentissage automatique peut également améliorer l'efficacité de la fabrication grâce à la maintenance prédictive et à l'automatisation des processus, réduire le gaspillage d'énergie dans les réseaux intelligents grâce à la prévision de la charge en temps réel- et améliorer la productivité agricole en prenant en charge les technologies agricoles de précision. Dans ces divers cas d'utilisation, l'apprentissage automatique favorise une amélioration continue en transformant des données complexes en informations exploitables, permettant ainsi de gagner du temps, de réduire les coûts et d'améliorer la durabilité. En réponse à cette tendance, divers fabricants de contrôleurs ont intégré la technologie IA dans les MCU/MPU pour répondre aux nouvelles demandes du secteur des onduleurs photovoltaïques.
Infineon
L'équipe HTEC a utilisé le processeur PSoC Edge d'Infineon pour étudier comment utiliser les réseaux neuronaux profonds (DNN) afin de prédire le cycle de service optimal des convertisseurs DC-DC, en mettant l'accent sur l'identification des fonctionnalités d'entrée les plus pertinentes pour améliorer les performances et la fiabilité.
Beaucoup de ces méthodes s'appuient sur des données de mesure telles que l'irradiation solaire et la température ambiante, car ces paramètres sont étroitement liés à la puissance de sortie des panneaux solaires. Cependant, l'intégration de capteurs d'irradiance présente également certains inconvénients, notamment des coûts supplémentaires et le risque de mesures inexactes dues à des facteurs tels que l'accumulation de poussière ou les différences d'emplacement des capteurs. Pour résoudre ce problème, certains chercheurs ont proposé une estimation indirecte des valeurs d'irradiance infrarouge, mais cela augmente la complexité de la modélisation et peut introduire des sources d'erreur susceptibles de se propager via les algorithmes MPPT.
De plus, des méthodes sans capteur ou à faible capteur ont été proposées, qui utilisent uniquement les données de mesure de tension et de courant directement fournies par les panneaux solaires. Ces signaux internes sont faciles d'accès, essentiellement synchronisés avec les conditions de fonctionnement du panneau solaire, et évitent de nombreux problèmes complexes liés à la détection de l'irradiation.
Le logiciel de mise en œuvre de l'algorithme de suivi du point de puissance maximale (MPPT) basé sur l'intelligence artificielle a été déployé sur une plate-forme matérielle personnalisée développée par HTEC. La plate-forme connecte en toute sécurité la sortie du panneau solaire à un convertisseur DC-DC et comprend tous les composants de détection nécessaires pour surveiller la tension, le courant et la température ambiante. Ces signaux servent d'entrées pour DNN, qui calcule le rapport cyclique approprié en temps réel-. La plate-forme dispose également d'une fonction de communication Bluetooth et prend en charge la fonction d'interface homme-machine (IHM), qui peut fournir aux utilisateurs des informations-en temps réel sur la production d'énergie et l'état du système. De cette manière, le système peut gérer le cycle de service des convertisseurs DC-DC tout en fournissant également des informations qui peuvent être utilisées pour la maintenance prédictive.
Module de gestion de l'alimentation : allouez l'alimentation aux modules PSOC Edge et Bluetooth.
Module de communication Bluetooth : gère la transmission de données sans fil pour les fonctions IHM.
Module de détection : mesure-la tension et le courant en temps réel générés par les panneaux solaires.
Module processeur : PSOC Edge System Level Module (SOM) : exécute toutes les tâches informatiques, y compris l'inférence IA et la logique de contrôle.
Le microcontrôleur Arm Cortex-M série PSOC Edge E84 est un MCU haute-performances, faible-consommation et sécurisé équipé d'une accélération ML. Il est basé sur le cœur-Cortex-M55 hautes performances, prend en charge Helium DSP et est associé au processeur Arm Ethos-U55 NPU et au cœur-Cortex-M33 à faible consommation. Il est utilisé conjointement avec la plate-forme d'accélération matérielle NNLite à très faible consommation d'Infineon. PSOC Edge peut analyser en continu les données des capteurs en surveillant l'intensité de la lumière solaire, la température du panneau et la puissance de sortie. Cela lui permet d'ajuster dynamiquement la direction des panneaux solaires, de suivre le MPPT et d'optimiser le fonctionnement de l'onduleur sans le retard causé par le traitement du cloud. De plus, l’IA peut détecter les modèles de consommation d’énergie et prédire les événements de demande ou d’ombrage, optimisant ainsi davantage les stratégies de stockage et d’allocation d’énergie. Des ensembles de données de haute qualité sont essentiels pour le développement et la validation de solutions de suivi du point de puissance maximale (MPPT) basées sur l'intelligence artificielle. L'article utilise l'ensemble de données de centrale photovoltaïque côtière accessible au public de l'Université d'État de Humboldt aux États-Unis, sélectionne des données d'échantillonnage à haute fréquence avec des intervalles d'une minute sur trois ans, simule la tension et le courant de sortie des panneaux photovoltaïques en fonction de paramètres tels que l'irradiation solaire et la température, et génère le cycle de service correspondant au point de puissance maximale comme étiquette de formation. Dans le même temps, des caractéristiques auxiliaires telles que les changements de tension et de courant sont extraites, et après un prétraitement tel que la normalisation et la suppression des données nocturnes, un support de données fiable est fourni pour la formation. Dans la construction de modèles d'IA, une architecture de perceptron multicouche (MLP) est adoptée pour combler les lacunes des méthodes traditionnelles d'observation des perturbations (P&O), telles que la convergence lente et les oscillations de puissance. Les performances du modèle sont optimisées grâce à une approche en deux -étape : une formation étape par étape-par-et une formation-en temps réel. La formation étape par étape permet au modèle de prédire les paramètres électriques optimaux en fonction de valeurs de mesure instantanées, tandis que la formation en temps réel - introduit un mécanisme de rétroaction qui prend la prédiction précédente comme entrée ultérieure, la corrige de manière itérative pour simuler des scénarios réels et obtient finalement un schéma MPPT à faible latence et à haute robustesse adapté au déploiement de plates-formes intégrées, améliorant ainsi l'efficacité d'utilisation de l'énergie des systèmes photovoltaïques dans des environnements dynamiques.
Afin de déployer le modèle d'IA sur la plate-forme PSOC Edge, il est nécessaire de convertir le modèle du format à virgule flottante 32-bits-au format 8 bits. Compte tenu de l'architecture de réseau neuronal relativement compacte conçue pour les tâches MPPT, la quantification de modèle est principalement utilisée comme technique d'optimisation, et des stratégies de compression plus avancées telles que la distillation de modèle ne sont pas appliquées, car elles n'améliorent pas de manière significative l'efficacité de la taille déjà extrêmement petite du modèle. La quantification du modèle convertit les paramètres du modèle depuis les représentations à virgule flottante 32 bits ou 64 bits vers des formats de faible précision tels que les entiers 8 bits, ce qui réduit considérablement l'empreinte mémoire et les exigences de calcul du modèle, le rendant ainsi plus adapté au déploiement de périphériques de périphérie. Dans le même temps, en utilisant un entraînement prenant en compte la quantification (QAT) pour simuler des environnements de quantification pendant la phase d'entraînement, l'impact négatif d'une précision réduite sur la précision du modèle peut être atténué, et même la capacité de généralisation peut être améliorée.
Une fois l'optimisation du modèle terminée, l'algorithme d'IA est déployé sur la plateforme Infineon PSOC Edge à l'aide du framework de développement ModusToolbox. Le framework prend en charge le déploiement d'un modèle de quantification 8-bits, et les utilisateurs n'ont qu'à exporter le modèle au format TensorFlow Lite (TFLite) pour l'intégrer de manière transparente dans l'accélérateur d'IA de la plateforme. Les modèles Keras à virgule flottante peuvent également être directement déployés pour gérer l'optimisation de la quantification dans le cadre. Le modèle d'IA converti sera converti dans un format compatible C, avec des poids et des paramètres stockés sous forme de valeurs uint8 pour correspondre à l'architecture 8-bits de l'accélérateur d'IA, permettant une inférence plus rapide et une utilisation moindre de la mémoire. L'évaluation des performances montre que bien que l'erreur de prédiction de puissance du modèle de quantification ait augmenté de 0,0109 % à 0,6145 %, le délai d'inférence a diminué de 3 millisecondes à 0,3 millisecondes et la consommation d'énergie par inférence a diminué de 68,904 microjoules à 2,592 microjoules. De plus, les performances du PSOC Edge sont plus de 23 fois inférieures à celles basées sur la solution Arm Cortex-M4, avec une réduction des délais de plus de 23 fois et une réduction de la consommation d'énergie de plus de 42 fois, démontrant pleinement les avantages du déploiement de solutions d'IA efficaces et en temps réel sur l'application Edge MPPT de cette plate-forme.
En plus d'optimiser MPPT, les informations-en temps réel de l'IA apportent également des avantages supplémentaires : - maintenance prédictive. L'équipe HTEC a développé une interface utilisateur dédiée qui peut prédire des informations continues sur les performances du système basées sur des modèles d'IA. Ces prévisions peuvent être croisées avec la production d'énergie réelle pour identifier les différences significatives pouvant être causées par la dégradation des performances des composants, permettant ainsi aux parties prenantes d'organiser la maintenance de manière proactive. HTEC souligne que les travaux futurs pourront explorer d'autres techniques d'optimisation, telles que l'intégration de davantage de données de capteurs ou l'utilisation de méthodes avancées de compression de modèles, pour améliorer encore la précision et les performances du système. Néanmoins, l’approche actuelle met en évidence le potentiel du MPPT piloté par l’IA dans les solutions solaires intégrées, fournissant des conseils pour une gestion de l’énergie plus efficace et plus durable et des pratiques de maintenance des appareils de pointe plus intelligentes.
STMicroélectronique
STMicroelectronics a lancé une solution de disjoncteur de défaut d'arc (AFCI) Edge AI basée sur STM32.
Dans le domaine de la sécurité électrique, les incendies provoqués par des défauts d'arc représentent jusqu'à un quart, et l'émergence continue de nouveaux scénarios d'application tels que les panneaux solaires, les batteries électriques, les outils électriques et les vélos électriques ont mis en avant des exigences innovantes plus élevées en matière de technologie de protection contre les arcs. Bien que les algorithmes-basés sur des règles puissent améliorer la sécurité des appareils électriques, leur adaptabilité à l'environnement est limitée et le taux de fausses alarmes est élevé. Les solutions d'IA basées sur le cloud, bien que très précises, sont confrontées à des risques de latence et de confidentialité.
Dans ce contexte, les solutions d'IA de pointe sont devenues un point d'équilibre idéal - : elles ne nécessitent pas de connexions réseau ni de traitement externe, et peuvent effectuer le traitement des données localement sur l'appareil en temps réel, permettant une détection et une réponse instantanées des arcs tout en éliminant les risques de confidentialité et de sécurité. Dans le même temps, grâce à un apprentissage continu pour s’adapter à différents environnements, ils réduisent considérablement les taux de fausses alarmes et améliorent l’efficacité du système. En choisissant l'outil NanoEdge AI Studio comme noyau de développement, avec son interface conviviale-et sa facilité d'utilisation, il peut filtrer et générer automatiquement le modèle optimal basé sur les données utilisateur ; Si des réseaux neuronaux pré-entraînés sont disponibles, STM32Cube.AI peut également être utilisé pour l'optimisation de la compression afin de s'adapter aux environnements embarqués.
Dans l'implémentation spécifique, une carte AFCI personnalisée avec STM32G4 comme noyau est utilisée comme support matériel. Environ 1 000 ensembles de signaux de fonctionnement normal sont d'abord collectés, puis un nombre égal de signaux de défaut d'arc sont collectés. Les deux types de données sont importés dans le projet de classification de NanoEdge AI Studio, et l'outil génère automatiquement une bibliothèque d'IA adaptée et l'intègre dans le code pour réaliser une surveillance en temps réel-des alarmes de déclenchement de courant et d'arc. Ce schéma utilise un capteur de courant à fréquence d'échantillonnage de 150 kHz pour traiter deux types de données (défaut d'arc et pas d'arc) pour un axe 2048 × 1, atteignant finalement une précision de détection de 100 %, occupant seulement 16,7 Ko de RAM et 0,5 Ko d'espace de stockage Flash.
NXP
La technologie de détection d'arc du NPU NXP MCX série N est largement utilisée dans diverses occasions nécessitant une détection d'arc, telles que :
Système électrique : utilisé pour surveiller et détecter les défauts d’arc dans le système électrique et prendre des mesures en temps opportun pour empêcher l’expansion des défauts.
Contrôle industriel : utilisé dans les systèmes d'automatisation industrielle et de contrôle de robots pour détecter les risques potentiels d'arc et assurer la sécurité de la production.
Smart Home : dans les systèmes de maison intelligente, il est utilisé pour surveiller la situation de l'arc dans le circuit et améliorer la sécurité de la consommation électrique domestique.
NXP a lancé des solutions logicielles et matérielles de détection d'arc, ainsi qu'un logiciel de formation à l'acquisition de données, qui peuvent considérablement accélérer la vitesse de développement des produits de détection d'arc des utilisateurs. Le MCU MCX série N intègre NPU en interne, ce qui peut atteindre une vitesse d'inférence de pointe de 4,8 Gops et accélérer le fonctionnement des réseaux neuronaux convolutifs. Améliorez les performances-en temps réel de la détection des défauts d'arc.
Le processus de mise en œuvre de la détection d'arc de défaut basée sur l'IA comprend cinq étapes : acquisition de données, formation des données, quantification du modèle, validation du modèle et déploiement, qui peuvent toutes être réalisées via le logiciel informatique supérieur-à guichet unique fourni par NXP.
Comme le montre la figure ci-dessous, une plate-forme de test est construite conformément aux exigences UL1699B. La sortie de la source de simulation PV est entrée dans la borne d'entrée DC PV de l'onduleur photovoltaïque après avoir traversé le dispositif de génération d'arc. En connectant les transformateurs en série, détectez le signal alternatif généré par l'arc de défaut. Grâce à la carte d'acquisition, l'ADC intégré au MCXN947 a une résolution de 16 bits et peut prendre en charge un taux d'échantillonnage allant jusqu'à 2 Mbps à la résolution de 16 bits, ce qui le rend très approprié pour l'acquisition de signaux d'arc. Le signal est échantillonné par l'ADC et traité par le MCU.
TLa carte d'acquisition fournie par NXP prend actuellement en charge la détection simultanée de deux signaux d'arc, et la carte d'acquisition est branchée sur la carte FRDM-MXN947 en tant que carte fille.
Concernant la conception du circuit d'acquisition, dans la recherche théorique, en analysant les caractéristiques du domaine fréquentiel, on constate généralement que lorsqu'un arc de défaut CC se produit, l'énergie harmonique du courant CC dans la plage de fréquences de 10 KHz à 100 kHz augmentera considérablement. Le circuit conçu utilise donc un filtrage passe-bande pour traiter le signal d'entrée. Les caractéristiques des bandes de fréquences sont présentées dans la figure suivante :
Dans le même temps, dans l'application des méthodes de détection du domaine fréquentiel, afin d'éviter le couplage mutuel et les interférences entre la bande de fréquence caractéristique des arcs de défaut CC et la bande de fréquence de distorsion harmonique provoquée par l'autocontrôle des systèmes photovoltaïques, la bande de fréquence 10 kHz-100 kHz a été sélectionnée comme bande de fréquence caractéristique des arcs de défaut CC pour l'analyse et la détection.
En principe, FFT est utilisé pour le calcul des harmoniques, en prenant 2048 points comme segments pour le fonctionnement FFT. Le MCXN947 intègre un module PowerQuad, qui peut accélérer le fonctionnement FFT. Les résultats calculés sont quantifiés et transmis au NPU porté par le MCXN947 pour traitement. Obtenez le résultat final du classement. Identifiant ainsi efficacement les scènes avec des arcs électriques.
Pendant le fonctionnement en-temps réel, les résultats de la détection sont imprimés via le port série. Actuellement, lorsqu'un arc est détecté, le degré de correspondance de reconnaissance de sortie est de 99 %.
Renesas Électronique
Fuchang Electronics a lancé un système de détection de défauts d'arc à intelligence artificielle (IA) utilisant le microcontrôleur RA6M4 de Renesas Electronics, qui permet une détection rapide et efficace. Ce système est parfaitement adapté aux systèmes d'énergie solaire, d'énergie intelligente et à courant continu, offrant une surveillance de sécurité en temps réel{{3}avec un minimum de ressources. La solution AFCI adopte la solution AI Plus du Future Design Center (FDC), qui intègre les solutions FDC AI et Reality AI.
Avec la promotion mondiale des normes NEC, IEC 60364-4-42 et UL 1699B, on s'attend à ce que les expéditions annuelles d'AFCI dépassent 40 millions d'unités d'ici 2030. Fuchang Electronics utilise le MCU Renesas RA6M4 et Reality AI Tools ®. Nous avons développé un système d'IA de terminal révolutionnaire qui utilise moins de 100 Ko de flash/RAM pour obtenir une détection presque parfaite en moins de 4 ms, éliminant presque les fausses alarmes et identifiant les arcs CC et CA dangereux que d'autres appareils ne peuvent pas reconnaître.
Principal avantage : reconnaissance de séries chronologiques basée sur l'intelligence artificielle, prise en charge par Renesas Reality AI
Détection : Défauts d'arc (petits et grands arcs), altérations en circuit ouvert et en circuit fermé et courbes de courant anormales
Détection ultra rapide : temps d'inférence aussi faible que 10 à 250 millisecondes, y compris le prétraitement et la validation multi-fenêtres.
Apprentissage en un clic : le bouton intégré peut aider à calibrer automatiquement le circuit imprimé en fonction de l'environnement de conception du client. Capable de copier des données calibrées sur d’autres circuits imprimés. Pas besoin de formation IA/ML basée sur le cloud
Marchés cibles et applications : onduleurs solaires, disjoncteurs, systèmes de stockage d'énergie par batterie (BESS), onduleurs, chargeurs CC pour véhicules électriques, appareillage de commutation industriel, outils de batterie haute-puissance PDU pour centres de données d'intelligence artificielle, véhicules électriques
Le groupe de produits de microcontrôleurs (MCU) RA6M4 de Renesas Electronics utilise le support TrustZone ® Le cœur Arm Cortex-M33 hautes performances. Lorsqu'il est utilisé conjointement avec le Secure Crypto Engine (SCE) au sein de la puce, il peut fournir la fonctionnalité d'une puce sécurisée. Ethernet MAC intégré avec DMA dédié garantit un débit de données élevé. Le RA6M4 adopte un processus efficace de 40 nm, pris en charge par le concept d'écosystème ouvert et flexible du package de configuration flexible (FSP) basé sur FreeRTOS, et peut être étendu pour utiliser d'autres systèmes d'exploitation en temps réel (RTOS) et middleware. Le RA6M4 est adapté aux besoins des applications IoT telles qu'Ethernet, aux fonctionnalités de sécurité pour les applications futures, à la RAM intégrée de grande capacité et à la faible consommation d'énergie (exécutant l'algorithme CoreMark à partir de la mémoire flash, aussi faible que 99 µ A/MHz).
Texas Instruments
Bien que l'application de l'IA dans les systèmes de contrôle en temps réel-tels que l'entraînement des moteurs, l'énergie solaire et la gestion des batteries n'ait pas souvent fait la une des journaux comme les nouveaux grands modèles linguistiques, l'application de l'IA de pointe dans la détection des pannes peut améliorer efficacement l'efficacité, la sécurité et la productivité du système.
Le MCU peut améliorer la capacité de détection des défauts dans les systèmes de contrôle en temps réel à haute -tension-. Ces MCU utilisent des unités de traitement de réseau neuronal (NPU) intégrées pour exécuter des modèles de réseau neuronal convolutif (CNN), ce qui peut réduire efficacement la latence et la consommation d'énergie lors de la surveillance des pannes du système. L'intégration des fonctions Edge IA dans le même MCU qui gère le contrôle en temps réel-peut aider à optimiser la conception du système et à améliorer les performances globales. La clé d'un fonctionnement fiable des systèmes d'entraînement de moteur et d'énergie solaire réside dans une détection rapide et prévisible des défauts, qui non seulement réduit les fausses alarmes, mais surveille également les anomalies des roulements du moteur et les défauts réels en temps réel.
Les microcontrôleurs dotés de capacités d'IA de pointe peuvent surveiller deux types de défauts : l'un concerne les défauts de roulements de moteur. Lorsque des conditions anormales ou une dégradation des performances se produisent dans les roulements du moteur, la détection rapide de ces défauts est cruciale pour éviter les arrêts inattendus, raccourcir les temps d'arrêt et réduire les coûts de maintenance ; Le deuxième est le défaut d’arc solaire, qui fait référence au phénomène de décharge d’arc provoqué par des chemins inattendus tels que le courant traversant l’air. Cela est souvent dû à un défaut d’isolation, à des connexions desserrées et à d’autres problèmes liés aux systèmes d’énergie solaire. La température élevée générée par ce défaut peut entraîner un incendie ou des dommages au système électrique. Par conséquent, la surveillance et la détection de ce défaut sont un moyen nécessaire pour garantir le fonctionnement sûr et fiable des systèmes d’énergie solaire.
Les méthodes traditionnelles de détection des défauts, telles que la surveillance des défauts des roulements de moteur, s'appuient sur une détection discrète multi-appareils et une analyse basée sur des règles-, tandis que la détection des défauts de l'arc solaire utilise une analyse du signal de courant dans le domaine fréquentiel et une évaluation des seuils. Ces méthodes nécessitent non seulement des connaissances professionnelles approfondies, mais ont également une adaptabilité et une sensibilité limitées, ce qui rend difficile la garantie de la précision de la détection et augmente la complexité du système.
Basé sur l'IA de pointe intégrée pour la détection des pannes, en utilisant des microcontrôleurs-en temps réel tels que le TMS320F28P550SJ comme supports, l'exécution de modèles CNN localement peut améliorer efficacement les taux de détection des pannes, réduire les fausses alarmes et obtenir une maintenance prédictive plus précise. Le modèle CNN, grâce à sa capacité à apprendre de manière autonome des modèles complexes à partir des données brutes des capteurs, peut extraire directement des caractéristiques des signaux de vibration, des courants continus et d'autres données. En combinant différentes conditions de fonctionnement, différences matérielles et algorithmes de prétraitement, l'adaptabilité et la fiabilité du modèle peuvent être améliorées et la latence de détection peut être réduite. Dans des scénarios tels que l'entraînement moteur, l'énergie solaire et la gestion de la batterie, les modèles CNN peuvent identifier avec précision les modes de défaut et réaliser une détection efficace en temps réel-dans des environnements dynamiques.
Résumé
Dans des scénarios d'application tels que les entraînements motorisés et l'énergie solaire,-la détection des défauts en temps réel est la pierre angulaire pour garantir la sécurité opérationnelle et la fiabilité à long terme-. Edge AI, avec ses capacités de traitement de données locales-en temps réel, a révolutionné les méthodes de détection des pannes, en améliorant considérablement la précision de la détection et en réduisant la latence, offrant ainsi un soutien solide pour un fonctionnement efficace et stable du système.