車用充電器 AC 電網故障偵測功能，支援邊緣 AI 檢測，準確度高達 95%

EV/PHEV 的車載充電器容易受到 AC 電網故障的影響，這些故障的特徵變化多端，傳統的基於閾值的檢測方法往往會忽略這些故障，從而導致過早的失效。

我們採用的創新方法是利用基於專有電網故障資料集訓練的捲積神經網路 (CNN) 邊緣 AI 模型。該設計用於在控制 OBC 電源級的相同 TI MCU 上運行，從而實現 準確、可靠的電網故障偵測，而無需投入額外成本。其結果是提供了卓越的 OBC 保護，能夠識別複雜的故障模式。

收集電網故障檢測資料集主要有兩種方法：

1) 使用商用電網監測裝置

• 由於設備能夠在異常事件期間自動收集和報告電網資料，因此這是最簡單的方法，我們提供的資料集就是使用這種方法獲得的

2) 使用併網轉換器

• 部署與最終運行檢測演算法相同的轉換器 
• 以併網模式長時間運行

正確識別和標記異常事件間隔

AC 電網故障的分類面臨諸多挑戰，原因如下：

• 不同資料集之間的斷層特徵具有高度多樣性
• 缺乏標準化的故障分類
• 需要優先處理與車載充電器 (OBC) 運作相關的故障

為了克服這些挑戰，我們開發了一種專有的半監督標註技術，該技術結合了：

• 人工專家標註利用領域專業知識來識別關鍵故障模式
• 不受監督的分層聚類
• 自動將相似的故障模式分組
• 有助於識別資料中的自然類別

使用降維視覺化技術對標註品質進行嚴格評估，從而可以驗證故障類別之間的清晰分離，並有助於識別潛在的錯誤分類或模糊情況。

這種混合方法確保故障類別在技術上對 OBC 操作有意義，並且在資料中具有統計可區分性。

圖 1.1 - 聚類熱圖不良

準備好資料集後，即可使用 TI tinyML 模型庫探索、訓練和評估模型 

存取我們最佳化的通用時間序列模型庫，這些模型可根據效能和功耗要求進行擴展。

對於此用例，請參閱 TI tinyML Model Zoo 中「範例」→「電網故障偵測」下的模型。

首先使用我們的命令行工具，我們的 tinyml-modelzoo 託管了一套更廣泛、更靈活的模型開發工具，包括自帶資料 (BYOD) 或自帶模型 (BYOM)

C2000 MCU 系列可為您的廣泛 AI 需求提供可擴展的效能，包括採用 F29H859TU-Q1 的 C29 的超長指令字 (VLIW) 並行效能、採用 TMS320F28P559SJ-Q1 的 TinyEngine™ NPU 等等。