当时关于。人工智能。(。AI。) 和。神经网络。的评论首要会集在生成运用（生成图画、文本和。视频。），很简单忽视AI 将为。工业。和基础设施运用中的。电子产品。带来革新的实践示例。

不过，虽然在。电机驱动器。、太阳能和。电池办理。运用的实时操控体系中选用 AI 不会像新的大型言语模型那样引起很多重视，但运用边际 AI 进行毛病。检测。能够明显影响体系的功率、安全性和生产力。

本文中将评论集成式。微操控器。(。MCU。) 怎么增强。高压。实时操控体系中的毛病检测功用。此类 MCU运用集成神经。网络。处理单元 (NPU) 运转卷积神经网络 (CNN) 模型，协助在监测体系毛病时下降推迟和功耗。经过将边际 AI 功用集成到用于办理实时操控的同一 MCU 中，能够协助您优化体系规划，一起增强全体功能。

电机。轴承和太阳能电弧毛病的监测。

要完成电机驱动和太阳能体系的牢靠运转，需求进行快速且可猜测的体系毛病检测，以协助削减过错警报，一起还需求监测电机轴承反常和实践毛病。支撑边际 AI 的 MCU 能够监测两种类型的毛病：

当电机轴承呈现反常情况或老化时，会发生电机轴承毛病。检测这些毛病关于防止意外毛病、削减停机时刻和下降保护本钱至关重要。

太阳能电弧毛病是指当。电流。经过意外途径（如空气）时发生的电弧放电。太阳能电弧毛病一般由太阳能体系中的绝缘击穿、衔接松动或其他毛病引起。放电会发生激烈的热量，然后导致火灾或。电气。体系损坏。监测和检测太阳能电弧毛病有助于防止危险事情，并保证太阳能体系的安全性和牢靠性。

假如没有响应式监测，体系可能会因实践毛病或过错警报而发生意外停机或体系毛病，然后影响运营功率和操作员安全。例如，光伏。逆变器。中的误报可能会导致体系停机，需求进行检查，然后影响生产力。带电电弧漏检也会添加火灾或体系损坏的危险。

除了 MCU 之外，一些电机轴承毛病监测办法还运用多个器材来完成实时操控，经过振荡剖析进行监测、温度监控和声学丈量。然后，这种离散化办法运用根据数据的规矩检测来监测潜在毛病，这需求手动解析，并且可能会错失前期毛病，或许无法准确检测毛病类型。

相同，电弧毛病检测的传统办法是剖析频域中的电流。信号。，然后运用根据阈值的规矩来检测电弧毛病信号。但这两种办法都需求很多的体系专业知识，并且自适应性和灵敏度都受到约束，然后约束检测精度。此外，向体系中添加用于毛病监测的分立式器材和用于。电机操控。的专用实时操控 MCU 会添加体系的杂乱性。

根据边际 AI 的集成式毛病检测功用在 TMS320F28P550SJ 等实时 MCU 中本地运转 CNN 模型，有助于进步毛病检测率、防止误报，一起供给更好的猜测性保护。凭借边际 AI，这些体系能够学习并适应环境，然后优化实时操控、进步全体体系牢靠性、安全性和功率，一起削减停机时刻（请参阅图 ）。

图 ：实时操控体系中支撑边际 AI 的毛病监测解决方案。

CNN 模型怎么增强。

实时操控体系中的毛病监测和检测。

用于电机轴承和电弧毛病检测的 CNN 模型能够从原始。传感器。数据（例如振荡信号）中学习杂乱形式，然后检测指示轴承毛病的纤细改变。

因为 CNN 模型能够自主从原始或预处理的传感器数据（例如电机振荡信号、太阳能直流电流或电池电压和电流）中学习，因而CNN 模型十分合适用于毛病检测和猜测性保护的传感器数据剖析。无需手动干涉即可直接提取有意义的特征，然后完成稳健、准确的检测。一起，能够使用表明可变工作条件和不同。硬件。改变的传感器数据以及快速傅里叶变换 (FFT) 等不同的预处理。算法。来进步模型的适应性、抗噪性和牢靠性，一起削减总检测或推理推迟。

因为 CNN 能够高效处理很多数据，并在不同的运转条件下体现杰出，因而适用于工业环境中的实时监测和猜测性保护。在这些环境中选用 CNN 模型能够更早、更有效地检测电机轴承毛病，然后进步设备牢靠性和运转功率。

关于电机驱动器，CNN 能够辨认毛病形式，例如振荡或电流信号导致的轴承磨损或转子不平衡。在太阳能体系中，CNN 能够检测直流电流波形中的反常，然后进行电弧毛病检测。在电池办理运用中，CNN 模型能够剖析电池充电曲线寿数、进行电池运转状况监测和电池充电状况预算。CNN 的适应性可保证在动态条件下进行准确的毛病检测，并且实时处理可进步功率。

内容来源：https://bachduy.com/app-1/mua số lô đề,http://chatbotjud.saude.mg.gov.br/app-1/136-bet

(责任编辑：生活)