吴纪宣—AI大会_TI_适用于实时控制系统并由+AI+赋能的高精度故障监控.pdf

1、适用于实时控制系统并由 AI 赋能的高精度故障监控德州仪器(TI)现场应用工程师Leo Wu1议程2 为什么要对电机轴承和太阳能电弧进行故障检测 AI 与传统方法相比的优势 边缘 AI 与基于云的 AI 边缘 AI 模型和性能 软件解决方案与神经处理单元(NPU)的基准数据 TI 边缘 AI 解决方案和工具链电机/电弧故障检测的重要性3 电机和电机驱动器在当今社会中得到了广泛应用，例如用于制造业、电动汽车、机器人等。通过电机驱动器进行早期电机故障检测对于以下方面至关重要：减少停机时间 降低维修成本 提升安全性 在交流与直流共存且不断发展的能源系统（例如光伏电网、充电站、家用逆变器）环境中，直流

2、串联电弧故障的威胁变得更加明显。有效的直流电弧故障检测有助于避免：因电线脱落或触点断裂导致火灾隐患 财产损失 人员受伤边缘 AI 与传统方法相比的优势4传统分析方法基于边缘 AI 的方法分类准确率轴承(1)：6080%；通常每个模型 1 个故障电弧(2)：98%(1)(2)；支持每个模型多个类别噪声敏感性对负载条件变化敏感当噪声和信号具有相似模式时，误报率较高由于有效的 NN 特征提取，抗噪声和故障能力强对新条件的适应能力需要手动重新调整参数不断学习和更新模型参数检测算法需要相关领域专业知识方法：信号分析、建模数据驱动方法：(1)FE+CNN，(2)原始+CNN解决方案开发难度需要相关领域的专

3、家来确定故障类型依靠根本原因分析需要较少的相关领域专业知识依靠数据收集和训练边缘 AI 与基于云的 AI5边缘 AI基于云的 AI数据处理位置所有数据处理均在设备本地完成数据从设备发送到云服务器进行处理计算能力受设备尺寸限制，处理能力有限计算能力和存储能力更强隐私和安全隐私保护更强有潜在的隐私风险对互联网的依赖独立运行，不受互联网连接的影响需要强大且持续的互联网连接延迟降低了延迟，这对于在实时运行状况监测等应用中实现必要的即时响应至关重要可能出现延迟研究用于电机故障检测的边缘 AI 模型预处理多个 FFT 频率仓（1，384)多个 FFT 频率仓（3，128）第 1 层Conv1d（1，8，内

4、核=8，步幅=4）BatchNorm1d(8)ReLU()Maxpool（内核=7，步幅=4）传感器数据振动（256/轴*3）完全连接Linear（184，4）Softmax（可选）第 1 层Conv1d（1，16，内核=32，步幅=1）BatchNorm1d(16)ReLU()Avgpool（内核=2，步幅=1）传感器数据振动（256/轴*3）完全连接Linear（860，4）Softmax（可选）第 2 层Conv1d（16，4，内核=8，步幅=1）BatchNorm1d(4)ReLU()Avgpool（内核=3，步幅=1）编码器BatchNorm(120)Linear（120，12）Re

5、LU()MSE正常异常是否预处理FFT 频率仓（1，120）传感器数据振动（256/轴*3）解码器Linear（12，120）InverBatchNorm(120)类别+3误差,：来自训练数据的均值和标准差（正态分布）自动编码器：(1)具有片上学习功能的 AE1，(2)convAECNN1：预处理+NNCNN2：原始+NN每个类别的概率每个类别的概率：具有片上学习功能的目标各模型在电机故障检测中的表现7模型参数MAC训练FE配置输入(ChxFLxHL)输出准确率(%)CNN183011392FP多个 FFT 频率仓256/轴，3 轴，8 帧，4kHz1x384x1497.77CNN183211

6、392QAT，8b多个 FFT 频率仓256/轴，3 轴，8 帧，4kHz1x384x1497.45CNN14528704QAT，8b多个 FFT 频率仓256/轴，3 轴，8 帧，4kHz3x128x1499.33CNN25561485532QAT，8bCNN256/轴，3 轴，1 帧，4kHz3x256x1498.88电机EMJ-04APB22TI 逆变器(TIDM-02010)Magtrol DynoHD-705-6N-0040扭矩命令速度命令耦合电流、电压、速度、振动振动传感器PCMagtrol 控制器DSP6001用于处理不平衡故障的飞轮SKF