AC-Netzfehlererkennung in Bordladegeräten ermöglicht Edge-KI-Erkennung mit einer Genauigkeit von bis zu 95 %
Implementieren Sie eine kostengünstige Edge-KI-Lösung auf vorhandenen Bordladegerätsteuerungs-MCUs, um Netzspannungsanomalien zu erkennen
Anwendungsübersicht
EV/PHEV-Bordladegeräte sind anfällig für Fehler im Wechselstromnetz mit variablen Signaturen, die durch herkömmliche schwellenbasierte Erkennung oft übersehen werden und zu vorzeitigen Ausfällen führen.
Unser innovativer Ansatz nutzt ein Edge-KI-Modell mit einem Convolutional Neural Network (CNN), das mit einem proprietären Netzfehler-Datensatz trainiert wurde. Dieser wurde für den Betrieb auf demselben TI-MCU entwickelt, der auch die Leistungsstufe des Bordladegeräts steuert, und ermöglicht eine genaue, zuverlässige Netzfehlererkennung ohne zusätzliche Kosten. Das Ergebnis ist ein überlegener Schutz für Bordladegeräte, der komplexe Fehlermuster erkennen kann.
Evaluierung zum Einstieg
Datensammlung
Es gibt zwei Hauptmethoden zur Erfassung von Datensätzen für die Erkennung von Netzfehlern:
1) Verwendung kommerzieller Netzüberwachungsgeräte
- Der einfachste Ansatz aufgrund der automatischen Erfassung und Meldung von Netzdaten bei unerwünschten Ereignissen. Unser bereitgestellter Datensatz wurde mit dieser Methode ermittelt.
2) mit ans Netz angeschlossenen Wandlern
- Setzen Sie denselben Wandler ein, der später den Erkennungsalgorithmus ausführen soll.
- Betreiben Sie ihn über längere Zeiträume im netzgekoppelten Modus.
Korrekte Identifizierung und Kennzeichnung von Intervallen ungewöhnlicher Ereignisse
Bewertung der Datenqualität
Die Klassifizierung von Fehlern im Wechselstromnetz stellt aufgrund der folgenden Umstände eine erhebliche Herausforderung dar:
- Sehr verschiedene Fehlermerkmale über Datensätze hinweg
- Keine standardisierten Fehlerklassen
- Notwendigkeit einer Priorisierung von Fehlern, die für den Betrieb des Bordladegeräts relevant sind
Um diese Herausforderungen zu meistern, wurde eine proprietäre halbüberwachte Kennzeichnungstechnik entwickelt, die Folgendes kombiniert:
- Anmerkungen von menschlichen Experten: nutzt Fachwissen zur Erkennung kritischer Fehlermuster
- Unbeaufsichtigtes hierarchisches Clustering:
- gruppiert ähnliche Fehlermuster automatisch
- hilft bei der Identifizierung natürlicher Kategorien innerhalb der Daten
Die Qualität der Kennzeichnung wird mit Hilfe von Visualisierungstechniken zur Dimensionalitätsreduzierung streng bewertet. Dies ermöglicht die Überprüfung der klaren Trennung zwischen Fehlerklassen und hilft dabei, mögliche Fehlklassifizierungen oder uneindeutige Fälle zu erkennen.
Dieser hybride Ansatz stellt sicher, dass Fehlerkategorien sowohl technisch relevant für den Betrieb des Bordladegeräts als auch statistisch in den Daten nachweisbar sind.
Abbildung 1.1 – Cluster-Heatmap zeigt ein Problem
Abbildung 1.2 – Cluster-Heatmap in Ordnung
Abbildung 1.1 – Cluster-Heatmap zeigt ein Problem
Erstellen und trainieren Sie Ihr Modell
Sobald Ihr Datensatz bereit ist, können Sie mit dem tinyML Model Zoo von TI Modelle erkunden, trainieren und evaluieren.
Finden Sie das richtige Modell für Ihre Anforderungen
Greifen Sie auf unsere Bibliothek mit optimierten generischen Zeitreihenmodellen zu, die über Leistungs- und Stromanforderungen skalierbar sind.
Für diesen Anwendungsfall konsultieren Sie das Modell unter Beispiele → Netzfehlererkennung im tinyML Model Zoo von TI.
Implementierung Ihres Modells
Unsere Befehlszeilentools sind für den Einstieg gedacht. Unser tinyml-modelzoo hostet ein umfangreicheres und flexibleres Set von Modellentwicklungstools, einschließlich Bring Your Own Data (BYOD) oder Bring Your Own Model (BYOM).
Finden Sie den richtigen Baustein für Ihre Zwecke
Die C2000-MCU-Familie bietet skalierbare Leistung für Ihren breiten KI-Bedarf, einschließlich der VLIW-Parallelleistung (Very Long Instruction Word) von C29 mit F29H859TU-Q1, TinyEngine™-NPU mit TMS320F28P559SJ-Q1 und vielen anderen.
Alles an Hardware, Software und Ressourcen, was Sie zum Einstieg benötigen
Hardware
LAUNCHXL-F29H85X
LaunchPad™-Entwicklungskit für den C2000™-Echtzeit-MCU F29H85x ermöglicht eine schnelle Entwicklung eines Edge-KI-Anwendungsfalls.
F29H85X-SOM-EVM
controlSOM-Evaluierungsmodul für F29H85x ermöglicht die schnelle Entwicklung eines Edge-KI-Anwendungsfalls.
LAUNCHXL-F28P55X
LaunchPad™-Entwicklungskit für den C2000™-Echtzeit-MCU F28P55X ermöglicht eine schnelle Entwicklung eines Edge-KI-Anwendungsfalls.
Software- und Entwicklungstools
CCStudio™ Edge AI Studio
Umfassende Sammlung von Tools für Training, Kompilierung und Implementierung eines Modells für Edge-KI-Bausteine von TI. Ein Modellauswahltool ist verfügbar, um vorgenerierte Benchmarks gängiger Modelle anzuzeigen.
CLI Tools
Eine Befehlszeilen-Schnittstelle für fortgeschrittene Benutzer, die ihr eigenes Modell entwickeln möchten. Dieses End-to-End-Modellentwicklungstool umfasst die Handhabung von Datensätzen, Modelltraining und -kompilierung.
F29-SDK
Grundlegendes Softwareentwicklungskit (SDK) für F29-Echtzeit-MCUs.
Unterstützende Ressourcen
Das Einstiegshandbuch zeigt Entwicklern, welche Aspekte sie beim Erstellen einer Edge-KI-Anwendung auf TI-Prozessoren berücksichtigen müssen und welche Tools sie möglicherweise dafür benötigen
Automobilindustrie | Vorbeugende Wartung
Betrieb von Leistungswandler-MOSFETs innerhalb der Nennsperrschichttemperatur mithilfe von Edge-KI-Modellen, um Sicherheit und langfristige Zuverlässigkeit zu gewährleisten.