版主 公开课82期笔记 | 端侧机器学习：实现智能拉弧检测的快速部署与工业控制的无限可能
在全球光伏装机量持续增长的背景下，光伏逆变器的技术升级和创新变得尤为重要。可靠性作为逆变器和储能技术发展不断追求的性能，对光伏系统发电量和安全有着至关重要的影响。人工智能（AI）技术的发展为光伏系统带来新的解决方案，尤其是在直流电弧故障电路保护方面。AFCI（电弧故障断路器）可通过识别电路中的电弧故障特征信号，在电弧故障发展成为火灾或电路出现短路之前断开电源电路，成为储能系统（ESS）可靠部署中不可或缺的一环。
在电源转换应用中，AFCI在逆变器和ESS产品中使用非常广泛，是关键的差异化因素。恩智浦（NXP）的智能拉弧检测方案，配合eIQ Time Series Studio（eIQ TSS）工具，通过自动化的机器学习（ML）工作流程，简化基于时间序列机器学习的开发和部署，为光伏系统提供更可靠、更安全的保护。
12月17日，集微网举办第82期“集微公开课”活动，特邀恩智浦大中华区电力与能源市场经理杨柳源源、恩智浦半导体大中华区通用MCU系统与应用工程师宋一宵、恩智浦半导体大中华区应用处理器系统与应用工程师高新意带来《端侧机器学习：实现智能拉弧检测的快速部署与工业控制的无限可能》的主题分享。三位嘉宾详细介绍了恩智浦的能源策略及电源转换方案，恩智浦拉弧检测的完整解决方案与案例，eIQ Time Series Studio优势及应对的技术挑战，端到端的开发及部署工具赋能边缘AI，实现AI应用快速落地等精彩内容。
恩智浦打造可持续、可靠、自动化能源方案
恩智浦在绿色能源领域有深厚的经验和丰富的产品组合，从端到端进行能源优化。据恩智浦大中华区电力与能源市场经理杨柳源源介绍，恩智浦的能源策略聚焦在三大方面：可持续、可靠、智能化与自动化，并围绕这三个策略打造产品组合。恩智浦致力于为客户开发高效安全的解决方案，加速产品落地，打造长期、稳健的能源应用。电源转换方案方面，杨柳源源表示，恩智浦产品助力打造安全高效的逆变器解决方案，优化能源生成、传输与配置的效率。
对于恩智浦产品方案如何保证10年或以上的可靠运行，杨柳源源从三个维度进行了解答。她表示，首先在硬件开发上，恩智浦芯片产品的工业场景下工作温度范围为-40℃至105℃，拓展产品可达到125℃，使其在极端温度场景和环境下达到可靠性；第二，在产品生命周期方面，针对超长服务期限，恩智浦的产品会进行7x24小时不间断的88000个小时的质量验证；第三，在产品供应方面，恩智浦承诺保证15年超长供货，即使在考虑后续产品的快速迭代及配合情况下，也会持续供货此前的产品。
智能拉弧检测市场加速增长，恩智浦优化高性能、低功耗方案
机构数据显示，全球AFCI市场需求及规模在不断增长，将从2024年的56.36亿美元增长至2030年的80.99亿美元，2023年至2030年期间复合年均增长率（CAGR）为6.4%。
恩智浦半导体大中华区通用MCU系统与应用工程师宋一宵介绍到，受法规和更高安全要求的推动，美国是2023年全球安装量最大的市场；中国光伏安装量在2024年达到240GW，占全球市场的43%，推动中国AFCI市场的增长。光伏和ESS（储能系统）中AFCI的采用率不断提高，ESS的市场规模预计到2030年将超过4000亿美元，复合年均增长率为28%。
宋一宵表示，恩智浦的智能拉弧检测方案基于NXP MCXN或i.MX RT系列高性能MCU，可提供边缘处理能力，使用NXP EIQ工具训练模型并实施部署（包括时间序列和异常检测工具），同时进行数据采样和推理，数据记录及收集，异常数据可保存，并将采样数据并上传到PC，在PC上进行预处理和验证，确保数据准确无误，适合训练。该方案还支持可扩展，同时支持单通道或多通道，根据计算选择不同的MCU。
其中，在数据采样、收集、验证阶段，需要完成正常运行模式下无电弧时采样数据，产生电弧时采样数据，还有不同负载下正常和异常数据采样，数据将被标记以进行分类，然后在PC端验证数据以确保数据准确。
在AFCI示例中，宋一宵展示了HW1.0设计框图，这是一款电容信号采集板（SIGNAL EVK），共有四个通道，每个通道配有相应的滤波器、放大器，允许在特定的频率范围内采集电弧发生时的信号。该演示采用MCXN947上的16bit ADC对多路电流信号进行采集，采集到的信号将通过高速USB发送到电脑端进行数据采集，同时对数据进行收集，并按照提前设计好的长度，在MCXN947内置的数学加速器PowerQuad加持下，进行计算。之后将计算得到的频谱数据送入模型中进行推理，推理过程中使用内置NPU进行加速，最终得到的结果会通过串口输出，同时点亮板载的LED来提醒客户检测到了电弧。
恩智浦的AFCI项目支持流程方面，包括数据收集过程、验证，数据分析和模型开发，模型训练和验证，模型部署和测试，然后基于测试结果的迭代（重复以上步骤），来不断平衡性能、准确性、模型复杂度。据介绍，恩智浦AFCI工具可实现在线模型测试，并实时收集当前数据进行模型测试，同时在PC端验证模型的效果。
在展示的太阳能逆变器直流AFCI检测项目中，工程师使用AFCI工具进行数据采集，包括正常信号和异常电弧数据，在320KHz采样频率下，每个数据样本有2048个点。结合频域信号分析，实验室的结果显示，恩智浦方案2048点FFT + CNN的准确度达到了100%，在150MHz CM33 CPU上进行FFT+NN计算的估计时间小于1ms。使用PowerQuad，计算时间可以缩短至小于200us。该方案采用Python编写，不过数据集仅来自一个设备实例，可能有更多类型的AFCI波形，这就需要使用更大的模型来处理。
宋一宵详细介绍了恩智浦的NXP MCX N系列芯片，可通过将工作负载划分到不同的内核和外设，来实现更好的性能和更低的功耗。该芯片亮点包括：
频率150+MHz的双Cortex M33，可同时运行多个任务，例如在检测电弧的同时，可以保存数据到PC端或外置存储。
片上闪存达2MB，512KB RAM带可选ECC。
加速器支持NPU（可加速深度模型的推理速度）、智能DMA、PowerQuad（用于加速傅里叶变换的计算）、第三方支持的CoolFlux DSP（PLC，电力线通信）。
具备丰富的外设。
支持EdgeLock安全子系统等。
宋一宵表示，在使用NXP eIQ软件开发环境下，与单纯Cortex M33 CPU相比，加持NPU后的ML吞吐量提高约30倍，这意味着使用MCX NPU实现ML运算加速方面，会带来意想不到的好处。
比如，在异常检测情况时，使用MCX N9xx M3+NPU时，推理时间可达到1.37ms，同时功耗为170μJ。相比起同频率的MCX N9xx M33 CPU，推理加快6.4倍，能效大幅提升4.9倍。
在如何提高测量与控制的稳健与精确方面，恩智浦工程师解答表示，恩智浦的拉弧检测工具，支持不同的机器学习模型，比如可选择更大尺寸的模型，配合采集更加完善的数据集进行训练，计算量也会相应增加。考虑到现实环境下不同的噪声影响，因此需要确保数据的质量，从而进一步提升检测的准确度和可靠性。
恩智浦eIQTSS端到端开发及部署工具赋能边缘AI
随着大型智能模型的发展，越来越多的应用要求能够在配备MCU和微处理器的端侧/边缘设备上运行AI，这带来了更低延迟、更低能耗以及更强数据隐私保护等性能提升。在这些应用中，时间序列（Time Series）数据通常用于开发三类主要任务：异常检测、分类和回归。在该领域，恩智浦是提供硬件参考设计、软件包和机器学习工具包等系统解决方案的佼佼者。
为了推进端侧/边缘AI，恩智浦推出了eIQ® Time Series Studio（eIQ TSS），具有自动化的机器学习工作流程，简化跨MCU类开发和部署基于时间序列的机器学习模型设备（例如MCX产品组合MCU和i.MX RT跨界MCU产品组合），提供全面的开发环境，包括数据管理、可视化和分析以及模型自动生成、优化、仿真和部署。
据恩智浦半导体大中华区应用处理器系统与应用工程师高新意介绍，TSS为嵌入式设备训练小型机器学习和深度学习模型，主要部署在MCU上运行，为嵌入式设备添加智能属性加成，而开发者无需专业的AI技能，即可轻松快速构建，相较于云端部署，拥有更快响应、更高隐私的优势。该工具还支持CML/NN深度学习、DSP/NPU加速，定制精简模型并缩小输入尺寸。
高新意表示，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。而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。
高新意详细介绍了恩智浦TSS工具，该工具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。
在示例环节，高新意讲述了利用恩智浦TSS工具的三个端侧机器学习的案例，分别是在设备上训练的异常检测，风机堵塞状态检测（RTOS+MC+AI），基于AI和真实衣物的高精度洗衣机称重方案。
在设备上的异常检测案例，是基于MCX N9xx（也可移植到其他MCU），将模型放置在MCU上进行训练和推理，通过在风扇上贴上3轴加速度传感器（200Hz），仅使用30个数据样本进行训练，通过TSS工具进行频域和时域分析，将生成的模型部署到开发板后进行运行，LCD屏幕会输出风扇状态和模型标签。
在风机堵塞状态检测案例中，通过FreeMASTER获取风机不同堵塞情况下数据集，使用TSS训练ML模型并将其部署到MCU。转矩电流由ADC采样并送到TSS生成分类模型，后处理代码将离散类转换为连续回归值，并估计出风口堵塞率的百分比。
在高精度洗衣机称重方案中，基于永磁同步电机的转矩电流数据，应用回归模型，相较于按照等级分类的模型具有更高的测量精度；采用深度学习模型，仅占用33K Flash和12K RAM（浮点模型）及基于TSS的ML，仅占用43K Flash和12K RAM。该案例无需重量传感器，即可测量5kg以内混合衣物的任意重量，实现更方便、性价比更高的解决方案。
在问答环节，高新意表示，除了以上应用场景，端侧机器学习还可应用于设备故障检测、预测性维护，实时监测设备状态（比如震动、温度等），从而避免停机损失，提高生产效率等。
本期公开课在三位经理及工程师精彩的分享以及热烈的互动中圆满结束，可以扫描下方二维码下载集微公开课讲义并关注恩智浦官微，获取更多关于智能拉弧检测等端侧机器学习的干货。
（校对/张杰）
