Baru-baru ini, Komisi Pembangunan dan Reformasi Nasional dan Badan Energi Nasional bersama-sama mengeluarkan pendapat penerapan mengenai peningkatan-pengembangan energi "kecerdasan buatan+" yang berkualitas tinggi. Pendapat tersebut secara khusus menyebutkan satu hal: evaluasi status peralatan listrik serta pengoperasian dan pemeliharaan yang cerdas. Bangun aplikasi seperti persepsi cerdas dan peringatan status peralatan, penentuan posisi cerdas dan diagnosis kesalahan peralatan, pengambilan keputusan-yang cerdas untuk pemeliharaan status peralatan, prediksi cerdas risiko bencana peralatan, dan pembuatan tiket kerja pemeliharaan yang cerdas untuk meningkatkan tingkat manajemen lean peralatan.
Dalam industri fotovoltaik tenaga surya, AI diam-diam berkembang.
Dalam beberapa tahun terakhir, energi surya berkembang pesat. Pada tahun 2024, kapasitas terpasang fotovoltaik global akan mencapai rekor tertinggi sebesar 597 gigawatt, meningkat 33% dari 449 gigawatt pada tahun 2023. Pertumbuhan ini akan menyebabkan total kapasitas terpasang tenaga surya global melebihi 2,2 terawatt, dibandingkan dengan sekitar 1,6 terawatt pada akhir tahun 2022. SolarPower Europe memperkirakan bahwa kapasitas terpasang tenaga surya akan meningkat 10% lagi menjadi 655 gigawatt pada tahun 2025. Saat ini, energi surya menyumbang sekitar 6,9% dari pasokan listrik global, naik dari sekitar 5,6% pada tahun 2023. Meskipun terdapat pertumbuhan pesat dan potensi energi surya yang sangat besar, banyak perusahaan, organisasi, dan industri masih enggan untuk sepenuhnya mengadopsi energi surya karena keterbatasan keluaran dan efisiensi.
Kinerja panel surya dipengaruhi oleh berbagai faktor, antara lain perubahan kondisi cuaca, intensitas sinar matahari yang bervariasi, dan kemampuan sistem dalam mengatur transmisi daya. Jika listrik yang dihasilkan tidak diatur dengan benar, hal ini dapat menyebabkan pemborosan energi, efisiensi rendah, atau pasokan listrik yang tidak dapat diandalkan - kekhawatiran yang tidak dapat ditanggung oleh pengguna dan bisnis yang mengandalkan energi stabil. Dalam hal ini,-penyempurnaan siklus kerja (yaitu rasio waktu hidup dan waktu mati panel surya) sangat penting untuk memaksimalkan pemanfaatan energi sistem panel surya.
Di sisi lain, pembelajaran mesin (ML) dan kecerdasan buatan edge (Edge AI) secara mendasar mengubah efisiensi berbagai industri dengan memungkinkan pengambilan keputusan-berdasarkan data-yang lebih cerdas. Misalnya, di bidang energi terbarukan, pembelajaran mesin mengoptimalkan kinerja panel surya dengan menganalisis kondisi lingkungan, memprediksi keluaran energi, dan menerapkan pemeliharaan prediktif untuk meminimalkan waktu henti. Selain energi surya, pembelajaran mesin juga dapat meningkatkan efisiensi manufaktur melalui pemeliharaan prediktif dan otomatisasi proses, mengurangi pemborosan energi dalam jaringan pintar melalui perkiraan beban waktu nyata, dan meningkatkan produktivitas pertanian dengan mendukung teknologi pertanian presisi. Dalam beragam kasus penggunaan ini, pembelajaran mesin mendorong perbaikan berkelanjutan dengan mengubah data kompleks menjadi wawasan yang dapat ditindaklanjuti, yang pada akhirnya menghemat waktu, mengurangi biaya, dan meningkatkan keberlanjutan. Menanggapi tren ini, berbagai produsen pengontrol telah mengintegrasikan teknologi AI ke dalam MCU/MPU untuk memenuhi permintaan baru industri inverter fotovoltaik.
Infineon
Tim HTEC menggunakan prosesor PSoC Edge Infineon untuk menyelidiki cara menggunakan jaringan saraf dalam (DNN) guna memprediksi siklus kerja optimal konverter DC-DC, dengan fokus pada mengidentifikasi fitur masukan yang paling relevan untuk meningkatkan kinerja dan keandalan.
Banyak dari metode ini mengandalkan data pengukuran seperti radiasi matahari dan suhu lingkungan, karena parameter ini berkaitan erat dengan keluaran daya panel surya. Namun, integrasi sensor radiasi juga mempunyai beberapa kelemahan, termasuk biaya tambahan dan risiko pengukuran yang tidak akurat karena faktor seperti akumulasi debu atau perbedaan lokasi sensor. Untuk mengatasi masalah ini, beberapa peneliti telah mengusulkan estimasi tidak langsung nilai radiasi inframerah, namun hal ini meningkatkan kompleksitas pemodelan dan mungkin menimbulkan sumber kesalahan yang mungkin menyebar melalui algoritma MPPT.
Selain itu, telah diusulkan metode sensorless atau sensor rendah, yang hanya menggunakan data pengukuran tegangan dan arus yang langsung disediakan oleh panel surya. Sinyal internal ini mudah diakses, pada dasarnya disinkronkan dengan kondisi pengoperasian panel surya, dan menghindari banyak masalah rumit terkait penginderaan radiasi.
Perangkat lunak untuk mengimplementasikan algoritma pelacakan titik daya maksimum (MPPT) berdasarkan kecerdasan buatan telah diterapkan pada platform perangkat keras khusus yang dikembangkan oleh HTEC. Platform ini menghubungkan keluaran panel surya dengan aman ke konverter DC-DC dan mencakup semua komponen penginderaan yang diperlukan untuk memantau tegangan, arus, dan suhu sekitar. Sinyal ini berfungsi sebagai masukan untuk DNN, yang menghitung siklus kerja yang sesuai secara-waktu nyata. Platform ini juga memiliki fungsi komunikasi Bluetooth dan mendukung fungsi-antarmuka mesin manusia (HMI), yang dapat memberikan masukan-waktu nyata kepada pengguna mengenai produksi energi dan status sistem. Dengan cara ini, sistem dapat mengelola siklus kerja konverter DC-DC sekaligus memberikan informasi yang dapat digunakan untuk pemeliharaan prediktif.
Modul Manajemen Daya: Mengalokasikan daya ke modul PSOC Edge dan Bluetooth.
Modul komunikasi Bluetooth: menangani transmisi data nirkabel untuk fungsi HMI.
Modul penginderaan: mengukur-tegangan dan arus secara real-time yang dihasilkan oleh panel surya.
Modul prosesor: Modul Tingkat Sistem (SOM) PSOC Edge: menjalankan semua tugas komputasi, termasuk inferensi AI dan logika kontrol.
Mikrokontroler Arm Cortex-M seri PSOC Edge E84 adalah MCU-berperforma tinggi, berdaya-rendah, dan aman yang dilengkapi dengan akselerasi ML. Ini didasarkan pada-inti Cortex-M55 berperforma tinggi, mendukung DSP Helium, dan dipasangkan dengan inti NPU Arm Ethos-U55 dan-inti Cortex-M33 berdaya rendah. Ini digunakan bersama dengan platform akselerasi perangkat keras NNLite ultra-berdaya rendah. PSOC Edge dapat terus menganalisis data sensor mulai dari pemantauan intensitas sinar matahari, suhu panel, dan keluaran daya. Hal ini memungkinkannya menyesuaikan arah panel surya secara dinamis, melacak MPPT, dan mengoptimalkan pengoperasian inverter tanpa penundaan yang disebabkan oleh pemrosesan cloud. Selain itu, AI dapat mendeteksi pola konsumsi energi dan memprediksi permintaan atau kejadian yang tidak diinginkan, sehingga lebih mengoptimalkan strategi penyimpanan dan alokasi energi. Kumpulan data berkualitas tinggi sangat penting untuk pengembangan dan validasi solusi pelacakan titik daya maksimum (MPPT) berbasis kecerdasan buatan. Artikel ini menggunakan kumpulan data pembangkit listrik fotovoltaik pesisir yang tersedia untuk umum dari Humboldt State University di Amerika Serikat, memilih data pengambilan sampel frekuensi tinggi dengan interval satu menit selama tiga tahun, menyimulasikan keluaran tegangan dan arus panel fotovoltaik berdasarkan parameter seperti radiasi matahari dan suhu, serta menghasilkan siklus kerja yang sesuai dengan titik daya maksimum sebagai label pelatihan. Pada saat yang sama, fitur tambahan seperti perubahan tegangan dan arus diekstraksi, dan setelah pra-pemrosesan seperti normalisasi dan penghapusan data malam hari, dukungan data yang andal disediakan untuk pelatihan. Dalam pembuatan model AI, arsitektur multi-layer perceptron (MLP) diadopsi untuk mengatasi kekurangan metode observasi perturbasi (P&O) tradisional, seperti konvergensi lambat dan osilasi daya. Performa model dioptimalkan melalui pendekatan dua-tahap yaitu pelatihan-demi-langkah dan pelatihan{28}}waktu nyata. Pelatihan langkah demi langkah memungkinkan model memprediksi parameter kelistrikan optimal berdasarkan nilai pengukuran sesaat, sementara pelatihan real-time memperkenalkan mekanisme umpan balik yang menggunakan prediksi sebelumnya sebagai masukan berikutnya, mengoreksinya secara berulang untuk menyimulasikan skenario nyata, dan pada akhirnya mencapai skema MPPT dengan latensi rendah dan ketahanan tinggi yang disesuaikan dengan penerapan platform tertanam, sehingga meningkatkan efisiensi pemanfaatan energi sistem fotovoltaik di lingkungan dinamis.
Untuk menerapkan model AI pada platform PSOC Edge, model perlu dikonversi dari format titik mengambang-32{1}}bit ke format 8-bit. Mengingat arsitektur jaringan saraf yang relatif kompak yang dirancang untuk tugas-tugas MPPT, kuantisasi model terutama digunakan sebagai teknik pengoptimalan, dan strategi kompresi yang lebih canggih seperti distilasi model tidak diterapkan, karena tidak secara signifikan meningkatkan efisiensi ukuran model yang sudah sangat kecil. Kuantisasi model mengonversi parameter model dari representasi floating-point 32-bit atau 64-bit ke format presisi rendah seperti bilangan bulat 8-bit, sehingga secara signifikan mengurangi jejak memori dan persyaratan komputasi model, sehingga lebih cocok untuk penerapan perangkat edge. Pada saat yang sama, dengan menggunakan pelatihan sadar kuantisasi (QAT) untuk mensimulasikan lingkungan kuantisasi selama fase pelatihan, dampak negatif dari penurunan akurasi pada akurasi model dapat dikurangi, dan bahkan kemampuan generalisasi dapat ditingkatkan.
Setelah optimasi model selesai, algoritma AI diterapkan ke platform Infineon PSOC Edge menggunakan kerangka pengembangan ModusToolbox. Framework ini mendukung penerapan model kuantisasi 8{15}}bit, dan pengguna hanya perlu mengekspor model dalam format TensorFlow Lite (TFLite) untuk mengintegrasikannya dengan lancar ke dalam akselerator AI platform. Model Keras floating point juga dapat langsung diterapkan untuk menangani optimasi kuantisasi dalam kerangka kerja. Model AI yang dikonversi akan dikonversi ke format yang kompatibel dengan C, dengan bobot dan parameter disimpan sebagai nilai uint8 agar sesuai dengan arsitektur 8-bit akselerator AI, sehingga menghasilkan inferensi yang lebih cepat dan penggunaan memori yang lebih rendah. Evaluasi kinerja menunjukkan bahwa meskipun kesalahan prediksi daya model kuantisasi meningkat dari 0,0109% menjadi 0,6145%, penundaan inferensi menurun dari 3 milidetik menjadi 0,3 milidetik, dan konsumsi energi per inferensi menurun dari 68,904 mikrojoule menjadi 2,592 mikrojoule. Selain itu, kinerja pada PSOC Edge 23 kali lebih rendah dibandingkan dengan solusi Arm Cortex-M4, dengan pengurangan penundaan lebih dari 23 kali dan pengurangan konsumsi energi lebih dari 42 kali, sepenuhnya menunjukkan keunggulan penerapan solusi AI real-time dan efisien pada aplikasi edge MPPT pada platform ini.
Selain mengoptimalkan MPPT,-wawasan AI real-time juga memberikan manfaat tambahan - pemeliharaan prediktif. Tim HTEC telah mengembangkan antarmuka pengguna khusus yang dapat memprediksi wawasan berkelanjutan mengenai kinerja sistem berdasarkan model AI. Prediksi ini dapat direferensikan silang dengan pembangkit listrik aktual untuk mengidentifikasi perbedaan signifikan yang mungkin disebabkan oleh penurunan kinerja komponen, sehingga memungkinkan pemangku kepentingan untuk secara proaktif mengatur pemeliharaan. HTEC menunjukkan bahwa pekerjaan di masa depan dapat mengeksplorasi teknik pengoptimalan lebih lanjut, seperti mengintegrasikan lebih banyak data sensor atau memanfaatkan metode kompresi model tingkat lanjut, untuk lebih meningkatkan akurasi dan kinerja sistem. Namun demikian, pendekatan yang ada saat ini menyoroti potensi MPPT yang digerakkan oleh AI dalam solusi tenaga surya tertanam, memberikan panduan untuk manajemen energi yang lebih efisien dan berkelanjutan serta praktik pemeliharaan perangkat edge yang lebih cerdas.
STMikroelektronik
STMicroelectronics telah meluncurkan solusi pemutus sirkuit gangguan busur AI (AFCI) edge berdasarkan STM32.
Di bidang keselamatan listrik, kebakaran yang disebabkan oleh gangguan busur listrik mencapai seperempatnya, dan munculnya skenario aplikasi baru yang terus menerus seperti panel surya, baterai listrik, peralatan listrik, dan sepeda listrik telah mengajukan persyaratan inovatif yang lebih tinggi untuk teknologi perlindungan busur listrik. Meskipun algoritme-berbasis aturan dapat meningkatkan keamanan perangkat listrik, kemampuan beradaptasi terhadap lingkungannya terbatas dan tingkat alarm palsunya tinggi. Solusi AI berbasis cloud, meskipun sangat akurat, menghadapi risiko latensi dan privasi.
Dalam konteks ini, solusi edge AI telah menjadi titik keseimbangan yang ideal - solusi tersebut tidak memerlukan koneksi jaringan dan pemrosesan eksternal, dan dapat menyelesaikan pemrosesan data secara lokal di perangkat secara real-time, mencapai deteksi instan dan respons busur sekaligus menghilangkan risiko privasi dan keamanan. Pada saat yang sama, melalui pembelajaran berkelanjutan untuk beradaptasi dengan lingkungan yang berbeda, mereka secara signifikan mengurangi tingkat alarm palsu dan meningkatkan efisiensi sistem. Memilih alat NanoEdge AI Studio sebagai inti pengembangan, dengan antarmuka-yang ramah pengguna dan kemudahan penggunaan, alat ini dapat secara otomatis memfilter dan menghasilkan model optimal berdasarkan data pengguna; Jika jaringan neural terlatih tersedia, STM32Cube.AI juga dapat digunakan untuk pengoptimalan kompresi guna beradaptasi dengan lingkungan tertanam.
Dalam implementasi spesifik, papan AFCI yang disesuaikan dengan STM32G4 sebagai intinya digunakan sebagai pembawa perangkat keras. Sekitar 1000 set sinyal operasi normal dikumpulkan terlebih dahulu, dan kemudian sinyal gangguan busur dalam jumlah yang sama dikumpulkan. Kedua jenis data tersebut diimpor ke proyek klasifikasi NanoEdge AI Studio, dan alat tersebut secara otomatis menghasilkan pustaka AI yang disesuaikan dan mengintegrasikannya ke dalam kode untuk mencapai pemantauan-waktu nyata terhadap alarm pemicu arus dan busur. Skema ini menggunakan sensor arus laju pengambilan sampel 150kHz untuk memproses dua jenis data (kesalahan busur dan tanpa busur) untuk sumbu 2048 × 1, yang pada akhirnya mencapai akurasi deteksi 100%, hanya menggunakan RAM 16,7KB dan ruang penyimpanan Flash 0,5KB.
NXP
Teknologi deteksi busur NPU seri NXP MCX N banyak digunakan dalam berbagai kesempatan yang memerlukan deteksi busur, seperti:
Sistem tenaga: digunakan untuk memantau dan mendeteksi gangguan busur pada sistem tenaga, dan mengambil tindakan tepat waktu untuk mencegah meluasnya gangguan.
Kontrol industri: digunakan dalam otomasi industri dan sistem kontrol robot untuk mendeteksi potensi risiko busur api dan memastikan keselamatan produksi.
Rumah Pintar: Dalam sistem rumah pintar, digunakan untuk memantau situasi busur di sirkuit dan meningkatkan keamanan konsumsi listrik rumah tangga.
NXP telah meluncurkan solusi perangkat lunak dan perangkat keras pendeteksi busur, serta perangkat lunak pelatihan akuisisi data, yang dapat mempercepat kecepatan pengembangan produk pendeteksi busur pengguna. MCU MCX seri N mengintegrasikan NPU secara internal, yang dapat mencapai kecepatan inferensi-terdepan di industri sebesar 4,8 Gops dan mempercepat pengoperasian jaringan neural konvolusional. Meningkatkan-kinerja deteksi kesalahan busur secara real-time.
Proses penerapan deteksi busur kesalahan berbasis AI mencakup lima langkah: akuisisi data, pelatihan data, kuantifikasi model, validasi model, dan penerapan, yang semuanya dapat diselesaikan melalui perangkat lunak komputer terpadu yang disediakan oleh NXP.
Seperti yang ditunjukkan pada gambar di bawah, platform pengujian dibangun sesuai dengan persyaratan UL1699B. Keluaran sumber simulasi PV dimasukkan ke terminal masukan DC PV inverter fotovoltaik setelah melewati perangkat penghasil busur. Dengan menghubungkan trafo secara seri, deteksi sinyal AC yang dihasilkan oleh busur gangguan. Melalui papan akuisisi, ADC yang terintegrasi pada MCXN947 memiliki resolusi 16 bit dan dapat mendukung laju pengambilan sampel hingga 2Mbps pada resolusi 16 bit, sehingga sangat cocok untuk akuisisi sinyal busur. Sinyal diambil sampelnya oleh ADC dan diproses oleh MCU.
Tpapan akuisisi yang disediakan oleh NXP saat ini mendukung deteksi dua sinyal busur secara bersamaan, dan papan akuisisi dicolokkan ke papan FRDM-MXN947 sebagai kartu anak.
Mengenai desain rangkaian akuisisi, dalam penelitian teoritis dengan menganalisis karakteristik domain frekuensi biasanya ditemukan bahwa ketika terjadi busur gangguan DC, energi harmonik arus DC pada rentang frekuensi 10KHz-100kHz akan meningkat secara signifikan. Jadi rangkaian yang dirancang menggunakan bandpass filtering untuk memproses sinyal input. Karakteristik pita frekuensi ditunjukkan pada gambar berikut:
Pada saat yang sama, dalam penerapan metode deteksi domain frekuensi, untuk menghindari penggabungan dan interferensi timbal balik antara pita frekuensi karakteristik busur gangguan DC dan pita frekuensi distorsi harmonik yang disebabkan oleh pengendalian mandiri sistem fotovoltaik, pita frekuensi 10kHz-100kHz dipilih sebagai pita frekuensi karakteristik busur gangguan DC untuk analisis dan deteksi.
Pada prinsipnya FFT digunakan untuk perhitungan harmonik, dengan mengambil 2048 titik sebagai segmen untuk pengoperasian FFT. MCXN947 memiliki modul PowerQuad di dalamnya, yang dapat mempercepat pengoperasian FFT. Hasil perhitungan dikuantisasi dan dimasukkan ke NPU yang dibawa oleh MCXN947 untuk diproses. Dapatkan hasil klasifikasi akhir. Sehingga secara efektif mengidentifikasi pemandangan dengan busur listrik.
Selama pengoperasian{0}}waktu nyata, hasil deteksi dicetak melalui port serial. Saat ini, ketika busur terdeteksi, tingkat pencocokan pengenalan keluaran adalah 99%.
Renesas Elektronik
Fuchang Electronics telah meluncurkan sistem deteksi kesalahan busur dengan kecerdasan buatan (AI) edge menggunakan RA6M4 MCU dari Renesas Electronics, yang dapat mencapai deteksi yang cepat dan efisien. Sistem ini sangat cocok untuk energi surya, energi cerdas, dan sistem DC, yang menyediakan pemantauan keamanan-waktu nyata dengan sumber daya minimal. Solusi AFCI mengadopsi solusi AI Plus dari Future Design Center (FDC), yang mengintegrasikan solusi FDC AI dan Reality AI.
Dengan promosi global standar NEC, IEC 60364-4-42, dan UL 1699B, pengiriman tahunan AFCI diperkirakan akan melebihi 40 juta unit pada tahun 2030. Fuchang Electronics menggunakan Renesas RA6M4 MCU dan Reality AI Tools ®, Kami telah mengembangkan sistem AI terminal inovatif yang menggunakan flash/RAM kurang dari 100kB untuk mencapai deteksi yang hampir sempurna dalam waktu kurang dari 4ms, hampir menghilangkan kesalahan alarm dan mengidentifikasi busur DC dan AC berbahaya yang tidak dapat dikenali oleh perangkat lain.
Keunggulan utama: Pengenalan deret waktu berdasarkan kecerdasan buatan, didukung oleh Renesas Reality AI
Deteksi: Gangguan busur (busur kecil dan besar), gangguan rangkaian terbuka dan tertutup, dan kurva arus tidak normal
Deteksi ultra cepat: waktu inferensi serendah 10-250 milidetik, termasuk prapemrosesan dan validasi multi jendela.
Pembelajaran satu klik: Tombol onboard dapat membantu mengkalibrasi papan sirkuit secara otomatis sesuai dengan lingkungan desain pelanggan. Mampu menyalin data yang dikalibrasi ke papan sirkuit lain. Tidak perlu pelatihan AI/ML berbasis cloud
Target pasar dan aplikasi: Inverter surya, pemutus sirkuit, sistem penyimpanan energi baterai (BESS), inverter, pengisi daya DC kendaraan listrik, switchgear industri, peralatan baterai-berdaya tinggi PDU untuk pusat data kecerdasan buatan, kendaraan listrik
Grup produk mikrokontroler RA6M4 (MCU) Renesas Electronics menggunakan dukungan TrustZone ® Inti-Arm Cortex-M33 berkinerja tinggi. Ketika digunakan bersama dengan Secure Crypto Engine (SCE) di dalam chip, ini dapat memberikan fungsionalitas chip yang aman. MAC Ethernet terintegrasi dengan DMA khusus memastikan throughput data yang tinggi. RA6M4 mengadopsi proses 40nm yang efisien, didukung oleh konsep ekosistem terbuka dan fleksibel dari Paket Konfigurasi Fleksibel (FSP) berbasis FreeRTOS, dan dapat diperluas untuk menggunakan sistem operasi{11}}waktu nyata (RTOS) dan middleware lainnya. RA6M4 cocok untuk kebutuhan aplikasi IoT seperti Ethernet, fitur keamanan untuk aplikasi masa depan, RAM tertanam berkapasitas besar, dan konsumsi daya rendah (menjalankan algoritma CoreMark dari memori flash, serendah 99 µ A/MHz).
Instrumen Texas
Meskipun penerapan AI dalam sistem kontrol{0}waktu nyata seperti penggerak motor, energi surya, dan pengelolaan baterai belum sering menjadi berita utama seperti model bahasa besar yang baru, penerapan AI edge dalam deteksi kesalahan dapat secara efektif meningkatkan efisiensi, keamanan, dan produktivitas sistem.
MCU dapat meningkatkan kemampuan deteksi kesalahan dalam sistem kontrol-tegangan tinggi secara real-time-waktu. MCU semacam itu menggunakan unit pemrosesan jaringan saraf (NPU) terintegrasi untuk menjalankan model jaringan saraf konvolusional (CNN), yang secara efektif dapat mengurangi latensi dan konsumsi daya saat memantau kesalahan sistem. Mengintegrasikan fungsi edge AI ke dalam MCU yang sama yang mengelola kontrol-waktu nyata dapat membantu mengoptimalkan desain sistem dan meningkatkan kinerja secara keseluruhan. Kunci pengoperasian yang andal dalam penggerak motor dan sistem energi surya terletak pada deteksi kesalahan yang cepat dan dapat diprediksi, yang tidak hanya mengurangi alarm palsu tetapi juga memantau kelainan bantalan motor dan kesalahan aktual secara real-time.
MCU dengan kemampuan edge AI dapat memantau dua jenis kesalahan: satu adalah kesalahan bantalan motor. Ketika kondisi abnormal atau penurunan kinerja terjadi pada bantalan motor, deteksi kesalahan tersebut secara tepat waktu sangat penting untuk mencegah penghentian yang tidak terduga, mempersingkat waktu henti, dan mengurangi biaya pemeliharaan; Yang kedua adalah sesar busur matahari, yang mengacu pada fenomena pelepasan busur api yang disebabkan oleh jalur yang tidak terduga seperti arus yang melewati udara. Hal ini sering kali disebabkan oleh kegagalan isolasi, koneksi yang longgar, dan masalah lain dalam sistem energi surya. Suhu tinggi yang dihasilkan oleh gangguan ini dapat menyebabkan kebakaran atau kerusakan sistem kelistrikan. Oleh karena itu, pemantauan dan pendeteksian kesalahan ini merupakan sarana yang diperlukan untuk memastikan pengoperasian sistem energi surya yang aman dan andal.
Metode deteksi kesalahan tradisional, seperti pemantauan kesalahan bantalan motor, mengandalkan deteksi diskret multi-perangkat dan analisis berbasis aturan, sedangkan deteksi kesalahan busur surya menggunakan analisis sinyal arus domain frekuensi dan penilaian ambang batas. Metode-metode ini tidak hanya memerlukan pengetahuan profesional yang mendalam, namun juga memiliki kemampuan beradaptasi dan sensitivitas yang terbatas, sehingga sulit untuk menjamin keakuratan deteksi dan meningkatkan kompleksitas sistem.
Berdasarkan edge AI terintegrasi untuk deteksi kesalahan, menggunakan MCU{0}}waktu nyata seperti TMS320F28P550SJ sebagai operator, menjalankan model CNN secara lokal dapat secara efektif meningkatkan tingkat deteksi kesalahan, mengurangi alarm palsu, dan mencapai pemeliharaan prediktif yang lebih akurat. Model CNN, dengan kemampuannya mempelajari pola kompleks secara mandiri dari data sensor mentah, dapat secara langsung mengekstrak fitur dari sinyal getaran, arus DC, dan data lainnya. Dengan menggabungkan kondisi pengoperasian yang berbeda, perbedaan perangkat keras, dan algoritme prapemrosesan, kemampuan beradaptasi dan keandalan model dapat ditingkatkan, serta latensi deteksi dapat dikurangi. Dalam skenario seperti penggerak motor, energi surya, dan pengelolaan baterai, model CNN dapat mengidentifikasi mode kesalahan secara akurat dan mencapai deteksi-waktu nyata dan efisien dalam lingkungan dinamis.
Ringkasan
Dalam skenario aplikasi seperti penggerak motor dan energi surya,-deteksi kesalahan secara real-time adalah landasan untuk memastikan keselamatan operasional dan-keandalan jangka panjang. Edge AI, dengan kemampuan pemrosesan data-waktu nyata lokal, telah merevolusi metode deteksi kesalahan, secara signifikan meningkatkan akurasi deteksi dan mengurangi latensi, memberikan dukungan kuat untuk pengoperasian sistem yang efisien dan stabil.