最近的一个例子是德州仪器(TI)推出集成CNN功能的C2000产品TMS320F28P550SJ。C2000 F28P550SJ包括了C28x DSP,CLA,以及NPU,可以执行不同的电机功能,包括了预测性维护。要实现电机驱动的可靠运行,需要进行快速且可预测的系统故障检测,以帮助减少错误警报,同时还需要监测电机轴承异常和实际故障。一些电机轴承故障监测方法还使用多个器件来实现实时控制,通过振动分析进行监测、温度监控和声学测量。然后,这种离散化方法使用基于数据的规则检测来监测潜在故障,这需要手动解析,并且可能会错过早期故障,或者无法准确检测故障类型。但这都需要大量的系统专业知识,并且自适应性和灵敏度都受到限制,从而限制检测精度。此外,向系统中添加用于故障监测的分立式器件和用于电机控制的专用实时控制 MCU 会增加系统的复杂性。基于边缘 AI 的集成式故障检测功能在 TMS320F28P550SJ 等实时 MCU 中本地运行 CNN 模型,有助于提高故障检测率、避免误报,同时提供更好的预测性维护。借助边缘 AI,这些系统可以学习并适应环境,从而优化实时控制、提高整体系统可靠性、安全性和效率,同时减少停机时间。CNN 模型如何增强实时控制系统中的故障监测和检测另外,在软件方面,TI提供Edge-AI Model Composer,能将常见的深度学习框架(如 TensorFlow、PyTorch 等)训练好的模型,转换为适合在 TI 的MCU和MPU等边缘设备上运行的格式。
ADI
ADI OtoSense Smart Motor Sensor 是一款基于人工智能的全一站式硬件与软件解决方案,有助于避免停机时间并优化维护成本。很早以前,ADI 就看到电机预测性维护的市场潜力,2018 年开始陆续收购包括 OtoSense 以及 Test Motors 在内的预测性维护软件和平台供应商,并通过 ADI 的整合,将不同的产品整合为一个完整的智能电机传感器解决方案(Smart Motor Senor, SMS)。该方案由三部分组成:首先是硬件平台,内部集成了 ADI 的振动和温度传感器,以及信号链等产品,负责收集电机的运行状态;其次,是 ADI 开发的一套预测性维护算法,目前支持包括转子、定子、轴承、平衡度、冷却系统、支撑脚松动等等故障算法,这些算法已经部署到了云端,与边缘的数据连接通过安全 MQTT 进行,并支持 OTA 更新;另外则是一套运行于手机或电脑端的 HMI,以图表的形式展现健康指数,并提供运维指导。同时,为了与智能工厂的平台相融合,ADI 也开放了 API 接口。其具备以下关键特性:可操作的诊断:能够诊断 9 种机械和电气电机故障,包括故障严重程度,并针对特定故障提供推荐措施。性能指标可识别负载的潜在问题或可能需要额外操作的工艺变化。可扩展性:设置快速,易于使用。无需电线或额外网关,可与大多数电机配合使用(详见背面的电机兼容性)。易用的界面减少了培训和设备维护成本。
瑞萨
通过收购Reality AI,丰富了技术与工具库,让瑞萨能够将这些技术与MCU和MPU产品相结合,帮助开发者将先进的机器学习和信号处理无缝应用于解决复杂问题。RealityCheck Motor 是一款先进的软件工具箱,它使用来自电机控制过程的电气信息来实现预测性维护、异常检测和智能控制反馈的开发,而无需额外的传感器。它能够检测系统参数的细微变化,以指示维护问题和异常,从而实现早期检测并减少停机时间。该软件可与瑞萨电子 MCU、MPU 和电机控制套件无缝协作,并与 Reality AI Tools完全集成,以大规模创建、验证和部署传感器分类或预测模型。RealityCheck Motor 能够无传感器地检测系统参数的微小变化,这些变化表明存在异常和维护问题。该工具箱可以部署在端点上,以便及早检测电机系统中的故障,从而及时维护,减少停机时间和密集的维修成本。具有性能优化、实时性和扩展的数据收集引擎;支持无传感器 ML 模型,减少产品 BoM;嵌入式条件监控、预测性维护、异常检测和控制反馈等多项优势。
恩智浦强调了eIQ在预测性维护开发方面的重要性。越来越多的应用要求能够在配备微控制器和微处理器的边缘设备上运行的AI,这带来了更低的延迟、更低的能耗以及更强的数据隐私保护等好处。在这些应用中,时间序列数据通常用于开发三类主要任务:异常检测、分类和回归。时间序列数据是指按一致、均匀的时间间隔记录的一系列数据点。1.需要时间序列数据的应用顾名思义,异常检测的目的是识别超出预期的行为。它依赖时间序列数据来检测与正常行为的偏差,从而触发警报或紧急停止,以尽量减少损害。分类训练模型通过学习数据中的模式来识别和分类输入信息。这包括在训练过程中为数据点分配标签,使模型能够做出准确的决策。一旦模型开发完成,它们可以有效地识别数据中的模式,并对新的输入进行分类。回归任务旨在根据数据预测连续值,例如基于历史电池放电数据预测电池寿命或进行电机的预测性维护。温度和振动传感器的数据可用于预测随着时间的推移可能发生故障的几率。尽管还有许多其他用例受益于机器学习和AI开发,但时间序列数据仍是其中最复杂、最动态的一种。为了在边缘推进AI,恩智浦推出了eIQ Time Series Studio (eIQ TSS),这是eIQ AI和机器学习开发软件系列中的新工具。eIQ TSS具备自动机器学习工作流程,可简化基于时间序列的机器学习模型在多种MCU器件(如MCX MCU和i.MX RT跨界MCU)上的开发和部署。Time Series Studio支持多种传感器输入信号,包括电压、电流、温度、振动、压力、声音和飞行时间等,还支持这些信号的组合,实现多模态传感器融合。其自动机器学习功能使开发人员能够从原始时间序列数据中提取有意义的见解,并快速构建AI模型,以满足MCU的精度、RAM和存储标准。该工具提供了一个全面的开发环境,包括数据策展、可视化和分析,以及模型的自动生成、优化、模拟和部署。2.eIQ Time Series Studio的分步工作流程示例应用为了快速启动开发,NXP提供了三个主要任务的示例应用和数据集:异常检测、分类和回归。该工具中包含每个应用的详细信息和分步说明,帮助开发人员顺利开始开发流程。eIQ Time Series Studio用户界面1.数据输入数据管理对于确保数据清洁、有序和对齐至关重要。例如,当从室外环境中的多个传感器收集数据时,由于环境因素,数据可能会有噪声,且采样率不同。为了确保模型的准确性,必须以时间关系为基础对这些数据进行对齐和同步。开发人员可以在导入自定义时间序列数据时定义通道和类别的数量。Time Series Studio还提供了多种数据查看选项,包括原始数据、时间数据、统计数据和光谱数据。2.训练和优化当自动机器学习取代传统的手动迭代开发过程进行参数调整、模型和算法搜索时,模型的训练和优化变得更加容易。只需一键即可生成模型,并按精度或闪存/RAM大小进行排序。这将模型训练和优化的时间从几周缩短到几个小时。eIQ TSS用户界面中的训练页面3.模拟模型训练完成后,可以在虚拟边缘环境中使用不同的未见过的测试数据集对其进行测试和验证。这样可模拟目标设备环境,使开发人员能够在将模型部署到实际硬件之前验证其性能和准确性。
文/Leon编辑/cc孙聪颖作为全球AI领域的黑马,DeepSeek成功搅乱了中国AI大模型市场的格局。科技大厂们选择合作,接入其模型疯抢用户;而AI独角兽们则陷入两难境地,上演了“Do Or Die”的抉择。其中,有着“大模型六小虎”之称的六家AI独角兽公司(智谱AI、百川智能、月之暗面、MiniMax、阶跃星辰及零一万物),纷纷开始转型:2025年伊始,李开复的零一万物宣布转型,不再追逐超大模型,而是聚焦AI商业化应用;紧接着,消息称百川智能放弃B端金融市场,聚焦AI医疗;月之暗面开始削减K
本文介绍OpenHarmony4.1系统开发板,出现打不开WiFi和蓝牙的问题排查和解决方法。触觉智能Purple Pi OH鸿蒙开发板演示,搭载了瑞芯微RK3566四核处理器,1TOPS算力NPU;Laval鸿蒙社区推荐并通过了开源鸿蒙XTS认证,成功适配OpenHarmony3.2、4.0、4.1、5.0 Release系统,SDK源码全开放!WiFi打不开缺少WiFi固件在WiFi打不开时我们可以通过使用串口工具查看WiFi打印信息:这条log主要说明了打开固件文件失败,说明了在/vend