حال ہی میں ، نیشنل ڈویلپمنٹ اینڈ ریفارم کمیشن اور نیشنل انرجی ایڈمنسٹریشن نے "مصنوعی ذہانت+" توانائی کی اعلی - معیار کی ترقی کے بارے میں مشترکہ طور پر عمل درآمد کی رائے جاری کی۔ ان رائے میں خاص طور پر ایک نکتہ کا ذکر کیا گیا ہے: بجلی کے سامان کی حیثیت کی تشخیص اور ذہین آپریشن اور بحالی۔ ایپلی کیشنز جیسے ذہین خیال اور سامان کی حیثیت کی انتباہ ، ذہین پوزیشننگ اور سامان کی غلطیوں کی تشخیص ، ذہین فیصلہ - آلات کی حیثیت کی بحالی کے لئے بنانا ، سامان کی تباہی کے خطرات کی ذہین پیش گوئی ، اور سامان کی دبلی انتظام کی سطح کو بڑھانے کے لئے بحالی کے کام کی ٹکٹوں کی ذہین نسل۔
شمسی فوٹو وولٹک صنعت میں ، اے آئی خاموشی سے ترقی کر رہی ہے۔
حالیہ برسوں میں ، شمسی توانائی تیزی سے ترقی کر رہی ہے۔ 2024 میں ، فوٹو وولٹکس کی عالمی سطح پر نصب شدہ صلاحیت 597 گیگا واٹ کی ریکارڈ اونچائی تک پہنچ جائے گی ، جو 2023 میں 449 گیگا واٹ سے 33 ٪ کا اضافہ ہے۔ اس نمو سے 2022 کے اختتام تک ، 2022 کے خاتمے کے سلسلے میں اضافے کی صلاحیتوں میں اضافہ ہوگا۔ گیگا واٹ 2025 تک۔ فی الحال ، شمسی توانائی سے عالمی بجلی کی فراہمی کا تقریبا 6.9 فیصد حصہ ہے ، جو 2023 میں تقریبا 5.6 فیصد سے زیادہ ہے۔ شمسی توانائی کی تیز رفتار نمو اور بے حد صلاحیت کے باوجود ، بہت ساری کمپنیاں ، تنظیمیں ، اور صنعتیں اب بھی وقفے وقفے سے پیداوار اور کارکردگی کی حدود کی وجہ سے اسے مکمل طور پر اپنانے کے لئے تیار نہیں ہیں۔
شمسی پینل کی کارکردگی مختلف عوامل سے متاثر ہوتی ہے ، جس میں موسم کی صورتحال کو تبدیل کرنا ، سورج کی روشنی کی شدت میں مختلف ہوتی ہے ، اور بجلی کی ترسیل کا انتظام کرنے کے نظام کی صلاحیت شامل ہیں۔ اگر پیدا شدہ بجلی کو مناسب طریقے سے منظم نہیں کیا گیا ہے تو ، اس سے توانائی کے فضلہ ، کم کارکردگی ، یا ناقابل اعتماد بجلی کی فراہمی - کا سبب بن سکتا ہے جس سے یہ خدشات ہیں کہ مستحکم توانائی پر انحصار کرنے والے صارفین اور کاروبار برداشت نہیں کرسکتے ہیں۔ اس معاملے میں ، ٹھیک - ڈیوٹی سائیکل کو ٹیون کرنا (یعنی شمسی پینل کے وقت کے وقت کا تناسب) شمسی پینل سسٹم کی توانائی کے استعمال کو زیادہ سے زیادہ کرنے کے لئے بہت ضروری ہے۔
دوسری طرف ، مشین لرننگ (ایم ایل) اور ایج مصنوعی ذہانت (ایج اے آئی) بنیادی طور پر مختلف صنعتوں کی کارکردگی کو بہتر ، ڈیٹا - کارفرما فیصلہ - بنانے کو چالو کرکے تبدیل کر رہی ہے۔ مثال کے طور پر ، قابل تجدید توانائی کے شعبے میں ، مشین لرننگ ماحولیاتی حالات کا تجزیہ کرکے ، توانائی کی پیداوار کی پیش گوئی کرکے ، اور ٹائم ٹائم کو کم سے کم کرنے کے لئے پیش گوئی کرنے والی دیکھ بھال پر عمل درآمد کرکے شمسی پینل کی کارکردگی کو بہتر بناتی ہے۔ شمسی توانائی کے علاوہ ، مشین لرننگ پیش گوئی کی بحالی اور عمل آٹومیشن کے ذریعہ مینوفیکچرنگ کی کارکردگی کو بھی بہتر بنا سکتی ہے ، حقیقی - ٹائم لوڈ کی پیشن گوئی کے ذریعے سمارٹ گرڈ میں توانائی کے فضلے کو کم کرسکتی ہے ، اور صحت سے متعلق زراعت کی ٹیکنالوجیز کی حمایت کرکے زرعی پیداوری کو بڑھا سکتی ہے۔ استعمال کے ان متنوع معاملات میں ، مشین لرننگ پیچیدہ اعداد و شمار کو قابل عمل بصیرت میں تبدیل کرکے ، وقت کی بچت کرنے ، اخراجات کو کم کرنے اور استحکام کو بڑھانے کے ذریعہ مستقل بہتری لاتی ہے۔ اس رجحان کے جواب میں ، مختلف کنٹرولر مینوفیکچررز نے فوٹو وولٹک انورٹر انڈسٹری کے نئے مطالبات کو پورا کرنے کے لئے اے آئی ٹکنالوجی کو ایم سی یو/ایم پی یو میں مربوط کیا ہے۔
انفینون
ایچ ٹی ای سی ٹیم نے انفینون کے پی ایس او سی ایج پروسیسر کو اس بات کی تفتیش کے لئے استعمال کیا کہ ڈی سی - ڈی سی کنورٹرز کے زیادہ سے زیادہ ڈیوٹی سائیکل کی پیش گوئی کرنے کے لئے ڈیپ نیورل نیٹ ورکس (DNNs) کو کس طرح استعمال کیا جائے ، جس میں کارکردگی اور قابل اعتماد کو بہتر بنانے کے لئے انتہائی متعلقہ ان پٹ خصوصیات کی نشاندہی کرنے پر توجہ دی گئی ہے۔
ان میں سے بہت سے طریقے پیمائش کے اعداد و شمار پر انحصار کرتے ہیں جیسے شمسی شعاع اور محیطی درجہ حرارت ، کیونکہ یہ پیرامیٹرز شمسی پینل کی بجلی کی پیداوار سے قریب سے وابستہ ہیں۔ تاہم ، شعاع ریزی سینسروں کا انضمام کچھ خرابیاں بھی لاتا ہے ، جس میں اضافی اخراجات اور دھول جمع کرنے یا سینسر کے مقام کے اختلافات جیسے عوامل کی وجہ سے غلط پیمائش کا خطرہ بھی شامل ہے۔ اس مسئلے کو حل کرنے کے ل some ، کچھ محققین نے اورکت شعاعوں کی اقدار کا بالواسطہ تخمینہ تجویز کیا ہے ، لیکن اس سے ماڈلنگ کی پیچیدگی میں اضافہ ہوتا ہے اور غلطی کے ذرائع متعارف کراسکتے ہیں جو ایم پی پی ٹی الگورتھم کے ذریعے پھیل سکتے ہیں۔
اس کے علاوہ ، سینسر لیس یا کم سینسر کے طریقوں کی تجویز پیش کی گئی ہے ، جو صرف وولٹیج اور موجودہ پیمائش کے اعداد و شمار کو براہ راست شمسی پینل کے ذریعہ فراہم کردہ استعمال کرتے ہیں۔ یہ داخلی سگنل تک رسائی آسان ہے ، جو بنیادی طور پر شمسی پینل کے آپریٹنگ حالات کے ساتھ ہم آہنگ ہے ، اور شعاع ریزی سینسنگ سے متعلق بہت سے پیچیدہ امور سے پرہیز کرتے ہیں۔
مصنوعی ذہانت پر مبنی زیادہ سے زیادہ پاور پوائنٹ ٹریکنگ (ایم پی پی ٹی) الگورتھم کو نافذ کرنے کے لئے سافٹ ویئر کو ایچ ٹی ای سی کے ذریعہ تیار کردہ اپنی مرضی کے مطابق ہارڈ ویئر پلیٹ فارم پر تعینات کیا گیا ہے۔ پلیٹ فارم سولر پینل آؤٹ پٹ کو محفوظ طریقے سے ڈی سی - ڈی سی کنورٹر سے جوڑتا ہے اور اس میں وولٹیج ، موجودہ اور محیطی درجہ حرارت کی نگرانی کے لئے تمام ضروری سینسنگ اجزاء شامل ہیں۔ یہ سگنل DNN کے آدانوں کے طور پر کام کرتے ہیں ، جو حقیقی - وقت میں مناسب ڈیوٹی سائیکل کا حساب لگاتے ہیں۔ پلیٹ فارم میں بلوٹوتھ مواصلات کا فنکشن بھی ہے اور یہ انسانی - مشین انٹرفیس (HMI) فنکشن کی حمایت کرتا ہے ، جو صارفین کو توانائی کی پیداوار اور نظام کی حیثیت سے متعلق وقت کی رائے فراہم کرسکتا ہے۔ اس طرح سے ، نظام DC - DC کنورٹرز کے ڈیوٹی سائیکل کا انتظام کرسکتا ہے جبکہ ایسی معلومات بھی فراہم کرتا ہے جو پیش گوئی کی بحالی کے لئے استعمال کیا جاسکتا ہے۔
پاور مینجمنٹ ماڈیول: PSOC ایج اور بلوٹوتھ ماڈیولز میں پاور مختص کریں۔
بلوٹوتھ مواصلات کا ماڈیول: HMI افعال کے لئے وائرلیس ڈیٹا ٹرانسمیشن کو ہینڈل کرتا ہے۔
سینسنگ ماڈیول: حقیقی - ٹائم وولٹیج اور شمسی پینل کے ذریعہ تیار کردہ موجودہ کی پیمائش۔
پروسیسر ماڈیول: PSOC ایج سسٹم لیول ماڈیول (SOM): AI کی تشخیص اور کنٹرول منطق سمیت کمپیوٹنگ کے تمام کاموں کو انجام دیتا ہے۔
PSOC ایج E84 سیریز آرم کارٹیکس - M مائکروکونٹرولر ایک اعلی - کارکردگی ، کم - پاور ، اور ایم ایل ایکسلریشن سے لیس محفوظ ایم سی یو ہے۔ یہ اونچائی - پرفارمنس پرفارمنس - M55 کور پر مبنی ہے ، ہیلیم ڈی ایس پی کی حمایت کرتا ہے ، اور بازو کی اخلاقیات - U55 NPU اور کم -}}}}- m33 کور کے ساتھ جوڑا بنا ہوا ہے۔ یہ انفینون الٹرا {- کم پاور ننلائٹ ہارڈ ویئر ایکسلریشن پلیٹ فارم کے ساتھ مل کر استعمال ہوتا ہے۔ PSOC کنارے سورج کی روشنی کی شدت ، پینل کے درجہ حرارت اور بجلی کی پیداوار کی نگرانی سے سینسر کے اعداد و شمار کا مستقل تجزیہ کرسکتا ہے۔ اس سے اسے شمسی پینل کی سمت کو متحرک طور پر ایڈجسٹ کرنے ، ایم پی پی ٹی کو ٹریک کرنے اور کلاؤڈ پروسیسنگ کی وجہ سے ہونے والی تاخیر کے بغیر انورٹر آپریشن کو بہتر بنانے کے قابل بناتا ہے۔ اس کے علاوہ ، AI توانائی کی کھپت کے نمونوں کا پتہ لگاسکتا ہے اور مطالبہ یا شیڈنگ کے واقعات کی پیش گوئی کرسکتا ہے ، اس طرح توانائی کے ذخیرہ اور مختص کرنے کی حکمت عملیوں کو مزید بہتر بناتا ہے۔ مصنوعی ذہانت پر مبنی زیادہ سے زیادہ پاور پوائنٹ ٹریکنگ (ایم پی پی ٹی) حل کی ترقی اور توثیق کے لئے اعلی معیار کے ڈیٹاسیٹس ضروری ہیں۔ مضمون میں ریاستہائے متحدہ میں ہمبولٹ اسٹیٹ یونیورسٹی سے عوامی طور پر دستیاب ساحلی فوٹو وولٹک پاور پلانٹ ڈیٹاسیٹ کا استعمال کیا گیا ہے ، تین سالوں میں ایک منٹ کے وقفوں کے ساتھ اعلی - تعدد نمونے لینے کے اعداد و شمار کا انتخاب کرتا ہے ، جس میں زیادہ سے زیادہ طاقت کے ساتھ چلنے والے فوٹولائک پینلز کی وولٹیج اور موجودہ آؤٹ پٹ کو شامل کرتا ہے جیسے پیرامیٹرز جیسے سولر غیر منقولہ اور درجہ حرارت کی بنیاد پر یہ ہے۔ ایک ہی وقت میں ، معاون خصوصیات جیسے وولٹیج اور موجودہ تبدیلیاں نکالتی ہیں ، اور رات کے وقت کے اعداد و شمار کو معمول پر لانے اور ہٹانے جیسے پری پروسیسنگ کے بعد ، تربیت کے لئے قابل اعتماد ڈیٹا سپورٹ فراہم کیا جاتا ہے۔ اے آئی ماڈلز کی تعمیر میں ، روایتی ہنگامہ آرائی مشاہدہ (پی اینڈ او) کے طریقوں ، جیسے سست کنورجنسی اور بجلی کے دوچار ہونے کے طریقوں کی کوتاہیوں کو دور کرنے کے لئے ایک ملٹی - پریسپٹرون (ایم ایل پی) فن تعمیر کو اپنایا گیا ہے۔ ماڈل کی کارکردگی کو مرحلہ - کے ذریعہ دو - اسٹیج نقطہ نظر کے ذریعے - مرحلہ تربیت اور حقیقی - وقت کی تربیت کے ذریعے بہتر بنایا گیا ہے۔ مرحلہ وار تربیت سے ماڈل کو فوری پیمائش کی اقدار پر مبنی زیادہ سے زیادہ برقی پیرامیٹرز کی پیش گوئی کرنے کی اجازت ملتی ہے ، جبکہ حقیقی - وقت کی تربیت ایک آراء کا طریقہ کار متعارف کراتی ہے جو اس کے بعد کی پیش گوئی کو بعد کے ان پٹ کے طور پر لیتی ہے ، اور اس کو بہتر بنانے کے ل platection اس کو بہتر بنانے کے ل translived اس کو بہتر بنانے کے ل reclation اس کو بہتر بناتا ہے ، اور اس کو بہتر بنانے کے ل it اس کو بہتر بناتا ہے۔ متحرک ماحول میں فوٹو وولٹک نظام کی کارکردگی۔
پی ایس او سی ایج پلیٹ فارم پر اے آئی ماڈل کو تعینات کرنے کے ل model ، ماڈل کو 32 - بٹ فلوٹنگ - پوائنٹ فارمیٹ میں 8 بٹ فارمیٹ میں تبدیل کرنا ضروری ہے۔ ایم پی پی ٹی کاموں کے لئے ڈیزائن کردہ نسبتا comp کمپیکٹ اعصابی نیٹ ورک فن تعمیر پر غور کرتے ہوئے ، ماڈل کوانٹائزیشن بنیادی طور پر ایک اصلاح کی تکنیک کے طور پر استعمال ہوتی ہے ، اور ماڈل آستگی جیسی زیادہ جدید کمپریشن حکمت عملیوں کا اطلاق نہیں ہوتا ہے ، کیونکہ یہ پہلے سے ہی انتہائی چھوٹے ماڈل سائز کی کارکردگی کو نمایاں طور پر بہتر نہیں کرتا ہے۔ ماڈل کوانٹائزیشن ماڈل پیرامیٹرز کو 32 بٹ یا 64 بٹ فلوٹنگ پوائنٹ کی نمائندگیوں سے کم صحت سے متعلق فارمیٹس جیسے 8 بٹ انٹیجرس میں تبدیل کرتی ہے ، جس سے ماڈل کی میموری کے نقشوں اور کمپیوٹیشنل ضروریات کو نمایاں طور پر کم کیا جاتا ہے ، جس سے یہ ایج ڈیوائس کی تعیناتی کے لئے زیادہ موزوں ہوتا ہے۔ ایک ہی وقت میں ، تربیت کے مرحلے کے دوران کوانٹائزیشن کے ماحول کو تقلید کرنے کے لئے کوانٹائزیشن سے آگاہی تربیت (QAT) کا استعمال کرکے ، ماڈل کی درستگی پر کم درستگی کے منفی اثرات کو ختم کیا جاسکتا ہے ، اور یہاں تک کہ عام کرنے کی صلاحیت کو بھی بہتر بنایا جاسکتا ہے۔
ماڈل کی اصلاح کے مکمل ہونے کے بعد ، اے آئی الگورتھم موڈسٹول باکس ڈویلپمنٹ فریم ورک کا استعمال کرتے ہوئے انفینون پی ایس او سی ایج پلیٹ فارم پر تعینات ہے۔ فریم ورک 8 - بٹ کوانٹائزیشن ماڈل کی تعیناتی کی حمایت کرتا ہے ، اور صارفین کو بغیر کسی رکاوٹ کے پلیٹ فارم کے AI ایکسلریٹر میں ضم کرنے کے لئے ماڈل کو ٹینسور فلو لائٹ (TFLITE) فارمیٹ میں برآمد کرنے کی ضرورت ہے۔ فریم ورک کے اندر کوانٹائزیشن کی اصلاح کو سنبھالنے کے لئے فلوٹنگ پوائنٹ کیراس ماڈل کو بھی براہ راست تعینات کیا جاسکتا ہے۔ تبدیل شدہ اے آئی ماڈل کو سی مطابقت پذیر شکل میں تبدیل کیا جائے گا ، جس میں وزن اور پیرامیٹرز کو UINT8 ویلیوز کے طور پر محفوظ کیا جائے گا تاکہ AI ایکسلریٹر کے 8 - بٹ فن تعمیر سے ، تیز تر تخمینہ اور کم میموری کا استعمال حاصل کیا جاسکے۔ کارکردگی کی تشخیص سے پتہ چلتا ہے کہ اگرچہ کوانٹائزیشن ماڈل کی بجلی کی پیش گوئی کی غلطی 0.0109 ٪ سے بڑھ کر 0.6145 ٪ ہوگئی ، لیکن اس کی تاخیر 3 ملی سیکنڈ سے کم ہوکر 0.3 ملی سیکنڈ ہوگئی ، اور فی توانائی کی کھپت 68.904 مائکروجولس سے کم ہوکر 2.592 مائکروجولس ہوگئی۔ مزید برآں ، PSOC کنارے پر کارکردگی ARM CORTEX-M4 حل کی بنیاد پر اس سے 23 گنا سے بھی کم ہے ، جس میں 23 بار سے زیادہ کی تاخیر اور توانائی کی کھپت میں 42 سے زیادہ کی کمی واقع ہوئی ہے ، جس میں اس پلیٹ فارم کے ایج ایم پی پی ٹی کی درخواست پر ریئل ٹائم اور موثر AI حل کی تعیناتی کے فوائد کو مکمل طور پر ظاہر کیا گیا ہے۔
ایم پی پی ٹی کو بہتر بنانے کے علاوہ ، حقیقی - وقت AI بصیرت بھی اضافی فوائد - پیش گوئی کی بحالی لاتی ہے۔ ایچ ٹی ای سی ٹیم نے ایک سرشار صارف انٹرفیس تیار کیا ہے جو اے آئی ماڈلز پر مبنی سسٹم کی کارکردگی میں مستقل بصیرت کی پیش گوئی کرسکتا ہے۔ ان پیش گوئوں کو اصل بجلی کی پیداوار کے ساتھ کراس حوالہ کیا جاسکتا ہے تاکہ اہم اختلافات کی نشاندہی کی جاسکے جو جزو کی کارکردگی کی ہراس کی وجہ سے ہوسکتی ہے ، جس سے اسٹیک ہولڈرز کو بحالی کا بندوبست کرنے کے قابل بناتا ہے۔ ایچ ٹی ای سی نے بتایا ہے کہ مستقبل کے کام سے مزید اصلاح کی تکنیکوں کو دریافت کیا جاسکتا ہے ، جیسے زیادہ سینسر کے اعداد و شمار کو مربوط کرنا یا جدید ماڈل کمپریشن طریقوں کو استعمال کرنا ، تاکہ نظام کی درستگی اور کارکردگی کو مزید بہتر بنایا جاسکے۔ بہر حال ، موجودہ نقطہ نظر ایمبیڈڈ شمسی حلوں میں اے آئی سے چلنے والے ایم پی پی ٹی کی صلاحیت کو اجاگر کرتا ہے ، جس سے زیادہ موثر اور پائیدار توانائی کے انتظام اور ہوشیار کنارے کے آلہ کی بحالی کے طریقوں کے لئے رہنمائی فراہم کی جاتی ہے۔
stmicroelectronics
ایس ٹی ایم 32 پر مبنی اسٹیمکرو الیکٹرانکس نے ایک ایج اے آئی آرک فالٹ سرکٹ بریکر (اے ایف سی آئی) حل لانچ کیا ہے۔
بجلی کی حفاظت کے میدان میں ، آرک کی غلطیوں کی وجہ سے آگ لگنے والی آگ ایک چوتھائی تک ہوتی ہے ، اور نئے اطلاق کے منظرناموں جیسے شمسی پینل ، پاور بیٹریاں ، بجلی کے اوزار ، اور الیکٹرک بائیسکلوں نے آرک پروٹیکشن ٹکنالوجی کے ل high اعلی جدید ضروریات کو آگے بڑھایا ہے۔ اگرچہ قاعدہ - پر مبنی الگورتھم بجلی کے آلات کی حفاظت کو بہتر بناسکتے ہیں ، لیکن ان کی ماحولیاتی موافقت محدود ہے اور غلط الارم کی شرح زیادہ ہے۔ کلاؤڈ پر مبنی اے آئی حل ، اگرچہ انتہائی درست ، چہرے میں تاخیر اور رازداری کے خطرات۔
اس تناظر میں ، ایج اے آئی حل ایک مثالی بیلنس پوائنٹ {{0} بن چکے ہیں {- انہیں نیٹ ورک کنیکشن اور بیرونی پروسیسنگ کی ضرورت نہیں ہے ، اور رازداری اور سیکیورٹی کے خطرات کو ختم کرتے ہوئے اے آر سی کا فوری پتہ لگانے اور ردعمل کو حاصل کرتے ہوئے ، حقیقی وقت میں مقامی طور پر ڈیٹا پروسیسنگ مکمل کرسکتے ہیں۔ ایک ہی وقت میں ، مختلف ماحول کو اپنانے کے لئے مستقل سیکھنے کے ذریعے ، وہ جھوٹے الارم کی شرحوں کو نمایاں طور پر کم کرتے ہیں اور نظام کی کارکردگی کو بہتر بناتے ہیں۔ نانو ایج اے آئی اسٹوڈیو ٹول کو ڈویلپمنٹ کور کے طور پر منتخب کرتے ہوئے ، اس کے صارف - دوستانہ انٹرفیس اور استعمال میں آسانی کے ساتھ ، یہ صارف کے اعداد و شمار کی بنیاد پر خود بخود فلٹر اور زیادہ سے زیادہ ماڈل تیار کرسکتا ہے۔ اگر پری تربیت یافتہ اعصابی نیٹ ورک دستیاب ہیں تو ، STM32CUBE.AI کو ایمبیڈڈ ماحول میں ڈھالنے کے لئے کمپریشن کی اصلاح کے لئے بھی استعمال کیا جاسکتا ہے۔
مخصوص نفاذ میں ، ایس ٹی ایم 32 جی 4 کے ساتھ ایک اپنی مرضی کے مطابق اے ایف سی آئی بورڈ کو ہارڈ ویئر کیریئر کے طور پر استعمال کیا جاتا ہے۔ پہلے عام آپریشن سگنل کے تقریبا 1000 سیٹ جمع کیے جاتے ہیں ، اور پھر آرک فالٹ سگنل کی ایک مساوی تعداد جمع کی جاتی ہے۔ دو قسم کے اعداد و شمار نانو ایج اے آئی اسٹوڈیو کے درجہ بندی پروجیکٹ میں درآمد کیے جاتے ہیں ، اور یہ ٹول خود بخود ایک موافقت پذیر AI لائبریری تیار کرتا ہے اور موجودہ اور آرک ٹرگرنگ الارموں کی حقیقی - وقت کی نگرانی کو حاصل کرنے کے لئے اسے کوڈ میں ضم کرتا ہے۔ اس اسکیم میں 2048 × 1 محور کے لئے دو قسم کے ڈیٹا (آرک فالٹ اور کوئی آرک) پر کارروائی کرنے کے لئے 150 کلو ہرٹز کے نمونے لینے کی شرح موجودہ سینسر کا استعمال کیا گیا ہے ، بالآخر صرف 16.7 کلو بی رام اور 0.5 کلو بی فلیش اسٹوریج کی جگہ پر قبضہ کرنے والے 100 ٪ کا پتہ لگانے کی درستگی حاصل کی گئی ہے۔
nxp
این ایکس پی ایم سی ایکس این سیریز این پی یو کی آرک کا پتہ لگانے کی ٹکنالوجی مختلف مواقع میں بڑے پیمانے پر استعمال ہوتی ہے جس کے لئے آرک کا پتہ لگانے کی ضرورت ہوتی ہے ، جیسے:
پاور سسٹم: بجلی کے نظام میں آرک کی خرابیوں کی نگرانی اور ان کا پتہ لگانے کے لئے استعمال کیا جاتا ہے ، اور غلطیوں کی توسیع کو روکنے کے لئے بروقت اقدامات کرنے کے لئے استعمال کیا جاتا ہے۔
صنعتی کنٹرول: آرک کے ممکنہ خطرات کا پتہ لگانے اور پیداوار کی حفاظت کو یقینی بنانے کے لئے صنعتی آٹومیشن اور روبوٹ کنٹرول سسٹم میں استعمال کیا جاتا ہے۔
اسمارٹ ہوم: سمارٹ ہوم سسٹم میں ، اس کا استعمال سرکٹ میں آرک کی صورتحال کی نگرانی اور گھریلو بجلی کے استعمال کی حفاظت کو بہتر بنانے کے لئے کیا جاتا ہے۔
این ایکس پی نے آرک کا پتہ لگانے والے سافٹ ویئر اور ہارڈ ویئر کے حل کے ساتھ ساتھ ڈیٹا کے حصول کی تربیت کا سافٹ ویئر بھی لانچ کیا ہے ، جو صارف آرک کا پتہ لگانے کی مصنوعات کی ترقی کی رفتار کو بہت تیز کرسکتا ہے۔ ایم سی ایکس این سیریز ایم سی یو این پی یو کو اندرونی طور پر مربوط کرتی ہے ، جو ایک صنعت کو حاصل کرسکتی ہے - 4.8 جی او پیز کی معروف رفتار کی رفتار اور کنفیوئل نیورل نیٹ ورکس کے عمل کو تیز کرسکتی ہے۔ آرک فالٹ کا پتہ لگانے کی حقیقی - وقت کی کارکردگی کو بہتر بنائیں۔
اے آئی پر مبنی فالٹ آرک کا پتہ لگانے کے نفاذ کے عمل میں پانچ مراحل شامل ہیں: ڈیٹا کے حصول ، ڈیٹا کی تربیت ، ماڈل کی مقدار ، ماڈل کی توثیق ، اور تعیناتی ، ان سبھی کو NXP کے ذریعہ فراہم کردہ اوپری کمپیوٹر سافٹ ویئر کو روکنے والے ایک - کے ذریعے مکمل کیا جاسکتا ہے۔
جیسا کہ نیچے دیئے گئے اعداد و شمار میں دکھایا گیا ہے ، ایک ٹیسٹنگ پلیٹ فارم UL1699B کی ضروریات کے مطابق بنایا گیا ہے۔ پی وی تخروپن کا ماخذ آؤٹ پٹ آرک پیدا کرنے والے آلے سے گزرنے کے بعد فوٹو وولٹک انورٹر کے ڈی سی پی وی ان پٹ ٹرمینل میں ان پٹ ہے۔ سیریز میں ٹرانسفارمرز کو مربوط کرکے ، فالٹ آرک کے ذریعہ تیار کردہ AC سگنل کا پتہ لگائیں۔ حصول بورڈ کے ذریعہ ، MCXN947 میں مربوط ADC میں 16 بٹ ریزولوشن ہے اور وہ 16 بٹ ریزولوشن میں 2MBPS تک نمونے لینے کی شرح کی حمایت کرسکتا ہے ، جس سے یہ آرک سگنل کے حصول کے لئے بہت موزوں ہے۔ سگنل کو اے ڈی سی کے ذریعہ نمونہ بنایا جاتا ہے اور ایم سی یو کے ذریعہ اس پر کارروائی کی جاتی ہے۔
Tوہ این ایکس پی کے ذریعہ فراہم کردہ حصول بورڈ فی الحال دو آرک سگنلوں کی بیک وقت پتہ لگانے کی حمایت کرتا ہے ، اور حصول بورڈ کو ایف آر ڈی ایم - MXN947 بورڈ میں بطور بیٹی کارڈ لگایا گیا ہے۔
حصول سرکٹ کے ڈیزائن کے بارے میں ، نظریاتی تحقیق میں ، فریکوینسی ڈومین کی خصوصیات کا تجزیہ کرکے ، عام طور پر یہ پایا جاتا ہے کہ جب ڈی سی فالٹ آرک ہوتا ہے تو ، 10 کلو ہرٹز -100 کلو ہرٹز کی فریکوینسی رینج میں ڈی سی کرنٹ کی ہم آہنگی توانائی میں نمایاں اضافہ ہوگا۔ لہذا ڈیزائن کردہ سرکٹ ان پٹ سگنل پر کارروائی کے لئے بینڈ پاس فلٹرنگ کا استعمال کرتا ہے۔ تعدد بینڈ کی خصوصیات کو مندرجہ ذیل اعداد و شمار میں دکھایا گیا ہے:
ایک ہی وقت میں ، فریکوینسی ڈومین کا پتہ لگانے کے طریقوں کے اطلاق میں ، ڈی سی فالٹ آرکس کے خصوصیت فریکوینسی بینڈ اور فوٹو وولٹائک سسٹمز کے سیلف کنٹرول کی وجہ سے ہارمونک مسخ شدہ تعدد بینڈ کے مابین باہمی جوڑے اور مداخلت سے بچنے کے لئے ، 10 کلو ہرٹز -100 کلو ہز فریکوینسی بینڈ کو ڈی سی فالٹ آرک کے خصوصیت سے منتخب کیا گیا تھا۔
اصولی طور پر ، ایف ایف ٹی کو ہارمونک حساب کتاب کے لئے استعمال کیا جاتا ہے ، ایف ایف ٹی آپریشن کے حصوں کے طور پر 2048 پوائنٹس لیتے ہیں۔ MCXN947 کے اندر ایک پاور کواڈ ماڈیول ہے ، جو ایف ایف ٹی آپریشن کو تیز کرسکتا ہے۔ حساب کتاب کے نتائج کو مقدار اور این پی یو کو کھلایا جاتا ہے جو ایم سی ایکس این 947 کے ذریعہ پروسیسنگ کے لئے لے کر جاتا ہے۔ درجہ بندی کا حتمی نتیجہ حاصل کریں۔ اس طرح الیکٹرک آرکس کے ساتھ مناظر کو مؤثر طریقے سے شناخت کرنا۔
اصلی - ٹائم آپریشن کے دوران ، پتہ لگانے کے نتائج سیریل پورٹ کے ذریعے چھاپے جاتے ہیں۔ فی الحال ، جب کسی آرک کا پتہ چلتا ہے تو ، آؤٹ پٹ کی شناخت سے ملنے والی ڈگری 99 ٪ ہے۔
رینیساس الیکٹرانکس
فوچنگ الیکٹرانکس نے رینیساس الیکٹرانکس کے RA6M4 MCU کا استعمال کرتے ہوئے ایک ایج مصنوعی ذہانت (AI) آرک فالٹ کا پتہ لگانے کا نظام شروع کیا ہے ، جو تیز اور موثر پتہ لگانے کو حاصل کرسکتا ہے۔ یہ نظام شمسی توانائی ، سمارٹ انرجی ، اور ڈی سی سسٹم کے لئے انتہائی موزوں ہے ، جو کم سے کم وسائل کے ساتھ حقیقی - وقت کی حفاظت کی نگرانی فراہم کرتا ہے۔ اے ایف سی آئی حل فیوچر ڈیزائن سینٹر (ایف ڈی سی) سے اے آئی پلس حل اپناتا ہے ، جو ایف ڈی سی اے آئی اور ریئلٹی اے آئی حل کو مربوط کرتا ہے۔
این ای سی ، آئی ای سی 60364-4-42 ، اور یو ایل 1699 بی کے معیارات کی عالمی ترقی کے ساتھ ، یہ توقع کی جارہی ہے کہ اے ایف سی آئی کی سالانہ ترسیل 2030 تک 40 ملین یونٹ سے تجاوز کر جائے گی۔ فوچنگ الیکٹرانکس نے ریمساس را 6 ایم 4 ایم سی یو اور ریئلٹی اے آئی ٹولز کے مقابلے میں 100 سے کم کا استعمال کیا ہے۔ 4ms ، تقریبا false غلط الارم کو ختم کرنا اور خطرناک ڈی سی اور اے سی آرکس کی نشاندہی کرنا جسے دوسرے آلات نہیں پہچان سکتے ہیں۔
بنیادی فائدہ: مصنوعی ذہانت پر مبنی ٹائم سیریز کی پہچان ، رینیساس ریئلٹی اے آئی کے تعاون سے
پتہ لگانے: آرک کی غلطیاں (چھوٹے اور بڑے آرکس) ، اوپن سرکٹ اور بند سرکٹ چھیڑ چھاڑ ، اور غیر معمولی موجودہ منحنی خطوط
الٹرا فاسٹ کا پتہ لگانا: پری پروسیسنگ اور ملٹی ونڈو کی توثیق سمیت 10-250 ملی سیکنڈ تک کم وقت کا وقت۔
ایک کلک لرننگ: آن بورڈ بٹن کسٹمر کے ڈیزائن ماحول کے مطابق سرکٹ بورڈ کو خود بخود کیلیبریٹ کرنے میں مدد کرسکتا ہے۔ دوسرے سرکٹ بورڈز میں کیلیبریٹڈ ڈیٹا کاپی کرنے کے قابل۔ بادل پر مبنی AI/ML تربیت کی ضرورت نہیں ہے
ٹارگٹ مارکیٹس اور ایپلی کیشنز: شمسی انورٹرز ، سرکٹ بریکر ، بیٹری انرجی اسٹوریج سسٹم (بی ای ایس ایس) ، انورٹرز ، الیکٹرک وہیکل ڈی سی چارجرز ، صنعتی سوئچ گیئر ، پی ڈی یو ہائی - مصنوعی انٹلیجنس ڈیٹا سینٹرز کے لئے بجلی کی بیٹری ٹولز ، الیکٹرک گاڑیاں
رینیساس الیکٹرانکس 'RA6M4 مائکروکونٹرولر (MCU) پروڈکٹ گروپ ٹرسٹ زون سپورٹ ® اعلی - پرفارمنس آرم پرانتستا - M33 کور کا استعمال کرتا ہے۔ جب چپ کے اندر محفوظ کریپٹو انجن (ایس سی ای) کے ساتھ مل کر استعمال کیا جائے تو ، یہ ایک محفوظ چپ کی فعالیت فراہم کرسکتا ہے۔ سرشار ڈی ایم اے کے ساتھ انٹیگریٹڈ ایتھرنیٹ میک اعلی ڈیٹا تھروپپٹ کو یقینی بناتا ہے۔ RA6M4 ایک موثر 40Nm عمل کو اپناتا ہے ، جس کی تائید فریورٹوس پر مبنی لچکدار کنفیگریشن پیکیج (ایف ایس پی) کے کھلے اور لچکدار ماحولیاتی نظام کے تصور سے ہوتی ہے ، اور دوسرے حقیقی - ٹائم آپریٹنگ سسٹم (آر ٹی او ایس) اور مڈل ویئر کو استعمال کرنے کے لئے اس میں توسیع کی جاسکتی ہے۔ RA6M4 IOT ایپلی کیشنز کی ضروریات کے لئے موزوں ہے جیسے ایتھرنیٹ ، آئندہ کی ایپلی کیشنز کے لئے سیکیورٹی کی خصوصیات ، بڑی صلاحیت سے سرایت شدہ رام ، اور کم بجلی کی کھپت (فلیش میموری سے کورمارک الگورتھم چل رہا ہے ، کم سے کم 99 µ A/میگاہرٹز)۔
ٹیکساس کے آلات
اگرچہ اصلی - ٹائم کنٹرول سسٹم جیسے موٹر ڈرائیو ، شمسی توانائی ، اور بیٹری مینجمنٹ میں AI کے اطلاق نے بڑی بڑی زبان کے ماڈلز جیسی سرخیوں کو کثرت سے نہیں پکڑا ہے ، لیکن غلطی کا پتہ لگانے میں ایج AI کا اطلاق نظام کی کارکردگی ، حفاظت اور پیداواری صلاحیت کو مؤثر طریقے سے بہتر بنا سکتا ہے۔
ایم سی یو اعلی -} وولٹیج اصلی - ٹائم کنٹرول سسٹم میں غلطی کا پتہ لگانے کی صلاحیت کو بڑھا سکتا ہے۔ اس طرح کے ایم سی یو انٹیگریٹڈ نیورل نیٹ ورک پروسیسنگ یونٹوں (این پی یو) کا استعمال کنفیوئل نیورل نیٹ ورک (سی این این) ماڈل چلانے کے لئے کرتے ہیں ، جو نظام کی خرابیوں کی نگرانی کرتے وقت تاخیر اور بجلی کی کھپت کو مؤثر طریقے سے کم کرسکتے ہیں۔ ایج AI کے افعال کو اسی MCU میں مربوط کرنا جو حقیقی - ٹائم کنٹرول کا انتظام کرتا ہے وہ نظام کے ڈیزائن کو بہتر بنانے اور مجموعی کارکردگی کو بہتر بنانے میں مدد کرسکتا ہے۔ موٹر ڈرائیو اور شمسی توانائی کے نظام میں قابل اعتماد آپریشن کی کلید تیز اور پیش گوئی کی غلطی کا پتہ لگانے میں ہے ، جو نہ صرف جھوٹے الارم کو کم کرتی ہے بلکہ موٹر پر اثر انداز ہونے والی اسامانیتاوں اور اصل غلطیوں پر بھی نظر رکھتی ہے۔
ایج AI صلاحیتوں کے ساتھ MCUs دو قسم کے غلطیوں کی نگرانی کر سکتے ہیں: ایک موٹر بیئرنگ فالٹس ہے۔ جب موٹر بیرنگ میں غیر معمولی حالات یا کارکردگی کا انحطاط پائے جاتے ہیں تو ، غیر متوقع طور پر بند ہونے سے بچنے ، ٹائم ٹائم کو مختصر کرنے اور بحالی کے اخراجات کو کم کرنے کے لئے اس طرح کے غلطیوں کا بروقت پتہ لگانا بہت ضروری ہے۔ دوسرا شمسی آرک فالٹ ہے ، جس سے مراد غیر متوقع راستوں کی وجہ سے آرک خارج ہونے والے مادہ کے رجحان سے مراد ہے جیسے موجودہ ہوا سے گزرنا۔ یہ اکثر موصلیت کی ناکامی ، ڈھیلے رابطوں اور شمسی توانائی کے نظام میں دیگر امور کی وجہ سے ہوتا ہے۔ اس غلطی سے پیدا ہونے والا اعلی درجہ حرارت آگ یا بجلی کے نظام کو نقصان پہنچا سکتا ہے۔ لہذا ، شمسی توانائی کے نظام کے محفوظ اور قابل اعتماد آپریشن کو یقینی بنانے کے لئے اس غلطی کی نگرانی اور ان کا پتہ لگانا ایک ضروری ذریعہ ہے۔
روایتی غلطی کا پتہ لگانے کے طریقے ، جیسے موٹر بیئرنگ فالٹ مانیٹرنگ ، ملٹی ڈیوائس مجرد پتہ لگانے اور قاعدہ - پر مبنی تجزیہ پر انحصار کرتے ہیں ، جبکہ شمسی آرک فالٹ کا پتہ لگانے میں فریکوینسی ڈومین موجودہ سگنل تجزیہ اور تھریشولڈ فیصلے کا استعمال ہوتا ہے۔ ان طریقوں کو نہ صرف گہری پیشہ ورانہ علم کی ضرورت ہوتی ہے ، بلکہ اس میں محدود موافقت اور حساسیت بھی ہوتی ہے ، جس کی وجہ سے پتہ لگانے کی درستگی اور نظام کی پیچیدگی میں اضافہ کی ضمانت دینا مشکل ہوجاتا ہے۔
غلطی کا پتہ لگانے کے لئے مربوط ایج AI کی بنیاد پر ، اصلی - وقت کا استعمال کرتے ہوئے MCUs جیسے TMS320F28P550SJ کیریئر کے طور پر ، مقامی طور پر CNN ماڈل چلانے سے غلطی کا پتہ لگانے کی شرح کو مؤثر طریقے سے بہتر بنایا جاسکتا ہے ، غلط الارم کو کم کیا جاسکتا ہے ، اور زیادہ درست پیش گوئی کی بحالی حاصل ہوسکتی ہے۔ سی این این ماڈل ، خام سینسر کے اعداد و شمار سے خود مختار طور پر پیچیدہ نمونے سیکھنے کی صلاحیت کے ساتھ ، کمپن سگنلز ، ڈی سی دھاروں اور دیگر ڈیٹا سے براہ راست خصوصیات نکال سکتا ہے۔ مختلف آپریٹنگ شرائط ، ہارڈ ویئر کے اختلافات ، اور پری پروسیسنگ الگورتھم کو جوڑ کر ، ماڈل کی موافقت اور وشوسنییتا کو بہتر بنایا جاسکتا ہے ، اور پتہ لگانے میں تاخیر کو کم کیا جاسکتا ہے۔ موٹر ڈرائیو ، شمسی توانائی ، اور بیٹری مینجمنٹ جیسے منظرناموں میں ، سی این این ماڈل غلطی کے طریقوں کی درست شناخت کرسکتے ہیں اور متحرک ماحول میں حقیقی - وقت اور موثر پتہ لگانے کے لئے درست طریقے سے شناخت کرسکتے ہیں۔
خلاصہ
موٹر ڈرائیو اور شمسی توانائی جیسے اطلاق کے منظرناموں میں ، حقیقی - وقت کی غلطی کا پتہ لگانا آپریشنل حفاظت اور لمبی - اصطلاح کی وشوسنییتا کو یقینی بنانے کا سنگ بنیاد ہے۔ ایج اے آئی ، اپنے مقامی حقیقی - وقت کے ڈیٹا پروسیسنگ کی صلاحیتوں کے ساتھ ، غلطی کا پتہ لگانے کے طریقوں میں انقلاب لاتا ہے ، جس سے پتہ لگانے کی درستگی میں نمایاں بہتری آتی ہے اور تاخیر کو کم کیا جاتا ہے ، جس سے موثر اور مستحکم نظام کے عمل کے لئے مضبوط مدد فراہم کی جاتی ہے۔