车载充电器中的交流电网故障检测，可实现高达 95% 的边缘 AI 检测精度
在现有 OBC 控制 MCU 上部署经济实惠的边缘 AI 解决方案，以检测电网电压异常
应用概述
EV/PHEV 车载充电器易受特征多变的交流电网故障影响，基于阈值的传统检测方法常常遗漏此类特征，进而导致过早失效。
我们的创新方法采用在专有电网故障数据集上训练的卷积神经网络 (CNN) 边缘 AI 模型。该模型旨在在同时控制 OBC 功率级的相同 TI MCU 上运行，实现精确、可靠的电网故障检测，且无需额外成本。这使其能够识别复杂的故障模式，最终实现卓越的 OBC 保护。
开始评估
数据收集
收集用于电网故障检测的数据集的主要方法有两种：
1) 使用商业电网监测器件
- 这是最简单的方法，因为器件会在异常事件期间自动收集并上报电网数据。我们提供的数据集就是通过此方法获得的
2) 使用并网转换器
- 部署的转换器最终将运行检测算法
- 在并网模式下长时间运行
正确识别并标记异常事件间隔
数据质量评估
由于以下原因，交流电网故障的分类面临重大挑战：
- 不同数据集间的故障特征高度多样性
- 缺乏标准化的故障类别
- 需要优先考虑与车载充电器 (OBC) 运行相关的故障
为了克服这些挑战，我们开发了一种专有的半监督标注技术，该技术结合了：
- 人类专家标注：利用领域专业知识识别关键故障模式
- 无监督的分层聚类
- 自动对相似的故障模式进行分组
- 帮助识别数据中的自然类别
通过降维可视化技术对标注质量进行严格评估，该技术可以验证是否可清晰区分各故障类别，并有助于识别潜在的错误分类或模糊情况。
这种混合方法可确保故障类别既对 OBC 运行具有技术意义，又在数据中具有统计可区分性。
图 1.1 - 质量欠佳的聚类热图
图 1.2 - 质量良好的聚类热图
图 1.1 - 质量欠佳的聚类热图
构建并训练模型
准备好数据集后，使用 TI tinyML Model Zoo 探索、训练和评估模型
寻找符合您需求的模型
访问我们经过优化的通用时间序列模型库，这些模型可根据性能和功耗需求进行扩展。
对于此用例，请参阅 TI tinyML Model Zoo 中 Examples → Grid fault detection 下的模型。
部署模型
从我们的命令行工具入手，我们的 tinyml-modelzoo 提供了更广泛、更灵活的模型开发工具集，包括“自带数据”(BYOD) 或“自带模型”(BYOM)
选择适合您的器件
C2000 MCU 系列提供了可扩展的性能，可满足您广泛的 AI 需求，包括 C29 利用 F29H859TU-Q1 实现的超长指令字 (VLIW) 并行性能、TMS320F28P559SJ-Q1 搭载的 TinyEngine™ NPU 等。
入门所需的所有硬件、软件和资源
硬件
LAUNCHXL-F29H85X
C2000™ 实时 MCU F29H85x LaunchPad™ 开发套件助力快速开发边缘 AI 用例。
F29H85X-SOM-EVM
F29H85x controlSOM 评估模块助力快速开发边缘 AI 用例。
LAUNCHXL-F28P55X
C2000™ 实时 MCU F28P55X LaunchPad™ 开发套件助力快速开发边缘 AI 用例。
软件与开发工具
CCStudio™ Edge AI Studio
全面的工具集，用于训练、编译模型并将其部署到 TI 边缘 AI 器件。提供了模型选择工具，可查看热门模型的预生成基准测试结果。
CLI Tools
为希望开发自有模型的高级用户提供的命令行界面。使用此端到端模型开发工具，包含数据集处理、模型训练和编译功能。
F29-SDK
适用于 F29 实时 MCU 的基础软件开发套件 (SDK)。