Edge-KI-fähige Mikrocontroller Optimierte Systemfehler-Erkennung in Echtzeit-Steuerungssystemen

Anbieter zum Thema

Texas Instruments EMEA Sales GmbH

MicroConsult Academy GmbH

MES Electronic Connect GmbH & Co. KG

IBR Leiterplatten GmbH & Co. KG

KI revolutioniert die Elektronik auch jenseits großer Sprachmodelle: Der Einsatz von MCUs mit integrierter NPU in der Echtzeitsteuerung von Systemen verbessert Effizienz, Sicherheit und Performance in Antrieben, PV-Anlagen & Batteriemanagement – mit geringerem Energiebedarf bei gleichzeitig geringerer Latenz!

Die aktuellen Diskussionen über künstliche Intelligenz und neuronale Netze drehen sich großenteils um generative Applikationen, also das Erzeugen von Bildern, Texten und Videos. Dabei wird allzu leicht übersehen, wie KI bereits dabei ist, die Elektronik realer Industrie- und Infrastruktur-Anwendungen zu revolutionieren. Künstliche Intelligenz in Echtzeitsteuerungs-Systemen für Antriebe, Photovoltaik-Anlagen oder Batteriemanagement-Anwendungen sorgt zwar nicht für so viele populäre Schlagzeilen wie ein neues Sprachmodell. Dennoch kann ihr Einsatz erhebliche Auswirkungen auf die Effizienz, Sicherheit und Produktivität der Systeme haben.

Denn Mikrocontroller, die über eine eigene integrierte NPU (Neural-Network Processing Unit) verfügen, können die Fehlerdetektierung in Hochspannungs-Systemen mit Echtzeitsteuerung entscheidend verbessern. Ziel des Einsatzes solcher MCUs ist, die Latenz und den Stromverbrauch bei der Überwachung auf Systemfehler zu reduzieren. Durch die direkte Integration von Edge-AI-Fähigkeiten in den Mikrocontroller, der auch für die Echtzeitsteuerung zuständig ist, lassen sich optimierte Systemdesigns bei gleichzeitiger Steigerung der Gesamt-Performance realisieren.

Motorlagerschäden und Lichtbogenfehler

Der zuverlässige Betrieb von Antrieben und PV-Anlagen erfordert ein schnelles und vorhersagbares Detektieren von Fehlern, um Fehlalarme zu vermeiden und das System gleichzeitig auf Motorlager-Anomalien und echte Fehler zu überwachen. Mit Edge AI ausgestattete Mikrocontroller können besipielhaft zwei Arten von Fehlern detektieren:

• Zu einem Motorlager-Fehler kommt es bei unnormalen Zuständen oder Verschleißerscheinungen in den Lagern eines Elektromotors. Das Erkennen solcher Fehler ist unabdingbar, um unvorhergesehene Ausfälle zu vermeiden, die Stillstandszeiten zu verkürzen und die Instandhaltungskosten zu senken.

• Lichtbogenfehler in PV-Anlagen treten auf, wenn Elektrizität über einen nicht vorgesehenen Weg (z. B. durch die Luft) fließt. Solche Phänomene können in PV-Anlagen durch Versagen der Isolierung, lockere Verbindungen oder andere Fehler verursacht werden. Die entstehende Entladung kann eine große Wärmeentwicklung zur Folge haben, die wiederum zum Entstehen von Bränden oder Schäden in der elektrischen Anlage führt. Durch das Detektieren solcher Lichtbogenfehler ist es möglich, solche gefährlichen Ereignisse abzuwenden und die Sicherheit und Zuverlässigkeit von PV-Systemen zu gewährleisten.

Ohne eine reaktionsschnelle Überwachung kann es in einem System zu ungeplanten Stillstandszeiten oder Ausfällen kommen – sei es infolge eines tatsächlichen Fehlers oder wegen eines Fehlalarms. Nachteile für die betriebliche Effizienz und die Sicherheit des Personals sind die Folge. Ein Fehlalarm in einem PV-Wechselrichter etwa kann einen Anlagenausfall verursachen, worunter wiederum die Produktivität leidet. Umgekehrt kann ein unentdeckter echter Lichtbogen das Risiko für einen Brand und eine Beschädigung des Systems erhöhen.

Einige Methoden zur Überwachung auf Motorlagerfehler basieren neben dem Mikrocontroller auf einer Reihe weiterer Bauelemente für die Echtzeitsteuerung: die Überwachung per Vibrationsanalyse, die Temperaturüberwachung und akustische Messungen. Dieser diskrete Ansatz stützt sich zur Erkennung potenzieller Fehler auf eine regelbasierte Detektierung anhand der erfassten Daten. Dies jedoch setzt eine manuelle Interpretation voraus, bei der frühe Anzeichen von Fehlern allerdings unentdeckt bleiben können. Auch ist eine präzise Detektierung der verschiedenen Fehlertypen hierbei nicht möglich.

Die traditionelle Lichtbogenerkennung beruht auf der Analyse von Stromsignalen im Frequenzbereich, um anhand grenzwertbasierter Regeln etwaige Lichtbogen-Phänomene festzustellen. Beide genannten Methoden setzen jedoch einen großen Umfang an System-Expertise voraus und sind in ihrer Anpassungsfähigkeit und Sensitivität begrenzt. Das schränkt ihre Detektierungsgenauigkeit merklich ein. Davon abgesehen kann sich die Komplexität des Systems erhöhen, wenn ein auf Echtzeitsteuerung spezialisierter Mikrocontroller durch diskrete Bauelemente zur Fehlerüberwachung ergänzt wird.

Integrierte, Edge-AI-basierte Fehlerdetektierungs-Fähigkeiten, die CNN-Modelle (convolutional neural network) lokal in einem Echtzeit-Mikrocontroller wie dem TMS320F28P550SJ verarbeiten, können die Fehlerdetektierungsraten verbessern, die Häufigkeit von Fehlalarmen reduzieren und für eine bessere vorausschauende Instandhaltung sorgen (siehe Bild 1). Die integrierte Edge AI erlaubt solchen Systemen, zu lernen und sich an ihre Umgebung anpassen, um die Echtzeitsteuerung zu optimieren. Dies führt zu einer Verbesserung der Zuverlässigkeit, Sicherheit und Effizienz des gesamten Systems, verbunden mit einer Reduzierung der Stillstandszeiten.

Einsatz von CNN-Modellen in Echtzeitsteuerungssystemen

Ein zur Erkennung von Lagerfehlern oder Lichtbögen eingesetztes CNN-Modell kann aus unaufbereiteten Sensordaten, wie etwa Vibrationssignalen, komplexe Muster erlernen. Anschließend ist es in der Lage, selbst kleinste, auf einen Lageschaden hindeutende Änderungen zu detektieren.

Die Stärke von CNN-Modellen liegt in der Auswertung von Sensordaten zum Zweck der Fehlerdetektierung und der vorausschauenden Instandhaltung. Denn diese Modelle können aus rohen, unaufbereiteten Sensordaten eigenständig lernen. Bei den Sensordaten kann es sich um Vibrationssignale aus Motoren, Gleichstromwerte aus PV-Anlagen sowie Spannungs- und Strominformationen aus Batterien handeln. Das direkte Extrahieren aussagefähiger Merkmale ohne manuelle Intervention erlaubt eine ebenso robuste wie exakte Erkennung.

Außerdem können Sensordaten, die unterschiedliche Betriebsbedingungen und verschiedene Hardwarevarianten repräsentieren, ebenso wie unterschiedliche Aufbereitungs-Algorithmen wie etwa das FFT-Verfahren (Fast Fourier Transform) genutzt werden. Das erlaubt, die Anpassungsfähigkeit, Störbeständigkeit und Zuverlässigkeit des Modells zu verbessern, während gleichzeitig die gesamte Detektierungs- oder Inferenz-Latenz verringert wird.

CNNs können auf effiziente Weise große Datenmengen verarbeiten und bringen es unter den verschiedensten Betriebsbedingungen auf eine hohe Leistungsfähigkeit. Das eignet sie für die Echtzeitüberwachung und die vorausschauende Instandhaltung im industriellen Einsatz. Die Nutzung von CNN-Modellen in Umfeldern dieser Art erlaubt eine frühzeitigere und effektivere Aufdeckung von Motorlagerschäden und kommt damit der Zuverlässigkeit und betrieblichen Effizienz der Anlagen zugute.

In Antrieben ist es mit CNNs möglich, anhand von Vibrations- oder Stromsignalen Fehlermuster wie etwa Lagerverschleiß oder Rotorunwuchten zu erkennen. In PV-Anlagen lassen sich mithilfe von CNNs die Gleichstromverläufe auf Indizien für Lichtbögen untersuchen, und im Bereich des Batteriemanagements können CNN-Modelle dazu dienen, durch Analyse der Ladeprofile Rückschlüsse auf die Lebensdauer, den Batteriezustand und den Ladezustand zu ziehen. Die Anpassungsfähigkeit der Modelle bürgt dabei für eine präzise Fehlerdetektierung unter dynamischen Bedingungen, während die Echtzeitverarbeitung eine Effizienzoptimierung bewirkt.  (sg)

(ID:50267231)