Descripción general de la aplicación
Los interruptores de circuito por falla de arco (AFCI) desempeñan un papel vital en la prevención de incendios eléctricos, ya que detectan arcos peligrosos e interrumpen el suministro de energía antes de que se produzcan daños. Sin embargo, los AFCI tradicionales a menudo se basan en circuitos analógicos obsoletos y procesamiento básico de señales, lo que puede llevar a requisitos complejos de adquisición de señales y, potencialmente, a no detectar arcos antes de que inicien un incendio.
Por el contrario, nuestro innovador enfoque aprovecha un modelo patentado de red neuronal convolucional (CNN) entrenado en amplios conjuntos de datos de firmas de carga y arco, optimizado por expertos para ejecutarse en la NPU TinyEngine™, que está integrada en la familia de microcontroladores MSPM0G5187.
Esta tecnología de vanguardia permite una detección de arcos más precisa y confiable, lo que establece un nuevo estándar en el rendimiento de AFCI.
Inicio de la evaluación
Recopilación de datos
Utilice el diseño de referencia TIDA-010971, que proporciona un diseño de plataforma unificado para permitir la adquisición confiable de fallos de arco de CA con datos de corriente de CA y datos de tensión de arco en vivo.
Evaluación de la calidad de los datos
Los datos de entrenamiento de alta calidad son la columna vertebral de cualquier modelo de IA exitoso. La evaluación de bondad de ajuste (GoF) de TI garantiza que su conjunto de datos represente una amplia gama de escenarios de movimiento del mundo real, desde movimientos sutiles hasta cambios ambientales. Nuestra evaluación de bondad de ajuste (GOF) comprueba que su conjunto de datos captura condiciones de fallo de arco del mundo real para un entrenamiento preciso. Explore la GOF o utilice nuestro conjunto de datos de muestra en CCStudio™ Edge AI Studio.
Figura 1.1: Mala calidad de los datos
Figura 1.2: Grupos de características bien separados para arco vs no arco
Prueba GoF que ilustra la influencia de los pasos de extracción de funciones de preprocesamiento en la separabilidad de los datos.
Construya y entrene a su modelo
Con su conjunto de datos listo, explore, entrene y evalúe modelos con la herramienta de desarrollo de software Edge AI Studio para Edge AI. Esta herramienta intuitiva basada en una GUI simplifica todo el proceso de creación e implementación del modelo.
Comience rápidamente con el proyecto de ejemplo de detección de movimiento por sensor infrarrojo pasivo (PIR), completo con un conjunto de datos precargado.
¿Prefiere los datos personalizados? La plataforma incluye herramientas integradas de captura de datos y alojamiento dentro de Edge AI Studio.
Flexibilidad de modelos para satisfacer las necesidades de su aplicación en función de las limitaciones de memoria y los requisitos informáticos.
Implementación de su modelo
CCStudio™ Edge AI Studio ofrece un flujo de trabajo de principio a fin para implementar modelos entrenados en objetivos integrados. Para los desarrolladores que buscan una personalización y un control más profundos, consulte las guías de implementación que ofrecen un marco completo para crear e integrar la funcionalidad de Edge AI en sus propias aplicaciones integradas
- Implemente modelos de aprendizaje automático en microcontroladores MSPM0 mediante las herramientas de interfaz gráfica de usuario Edge AI Studio
- Implemente modelos de aprendizaje automático en microcontroladores MSPM0 mediante las herramientas de CLI
Elección del dispositivo adecuado para usted
| Latencia (ms) | Flash (kB) | SRAM (kB) | ||||
|---|---|---|---|---|---|---|
| Número de producto | Núcleo de procesamiento | NPU disponible | Frecuencia de reloj (MHz) | Métricas del modelo de fallo de arco | ||
| MSPM0G5187 | Núcleo Arm® Cortex®-M0+ | Sí | 80 | 0.39 | 5.55 | 2.4 |
| AM13E230x | Arm® Cortex®- M33 | Sí | 200 | 0.2 | 5.8 | 2.4 |
Todo el hardware, software y recursos que necesitará para comenzar
Hardware
LP-MSPM0G5187
Módulo de evaluación del kit de desarrollo LaunchPad™ MSPM0G5187, esto es necesario para la inferencia de Edge AI, los datos de corriente se capturan mediante ADC y se pasan al modelo de IA después de la extracción de funciones.
TIDA 010971
Diseño de referencia de TI para capturar datos de corriente CA para fallos de ARC
Herramientas de desarrollo y software
CCStudio™ Edge AI Studio
Una solución sin código totalmente integrada para entrenar y compilar modelos de detección de movimiento PIR para implementarlos en dispositivos de microcontroladores integrados de TI.
Herramientas de CLI
Utilice esta herramienta de desarrollo de modelos de extremo a extremo que contiene manejo de conjuntos de datos, entrenamiento de modelos y compilación
MSPM0-SDK
El SDK de MSPM0 proporciona la colección definitiva de software, herramientas y documentación para acelerar el desarrollo de aplicaciones para la plataforma de MCU MSPM0 en un único paquete de software.