邊緣計(jì)算通過(guò)在數(shù)據(jù)源附近進(jìn)行本地?cái)?shù)據(jù)處理，將傳感器數(shù)據(jù)轉(zhuǎn)化為決策推理，為工業(yè)現(xiàn)場(chǎng)分析提供更低延遲、更高精度和更快的實(shí)時(shí)響應(yīng)能力。傳統(tǒng)上基于云的AI計(jì)算更為常見，但受限于大型模型對(duì)算力的需求。隨著更小高效模型的演進(jìn)及嵌入式微控制器（MCU）性能的提升，邊緣AI正取得顯著進(jìn)展。與云端服務(wù)器不同，邊緣AI硬件需在振動(dòng)、高溫等惡劣環(huán)境下持續(xù)運(yùn)行，硬件選型需在速度、低功耗、體積、內(nèi)存容量與算力之間權(quán)衡。支持AI的MCU具備確定性實(shí)時(shí)運(yùn)行優(yōu)勢(shì)，可確保采樣與控制回路的時(shí)序可預(yù)測(cè)性。

在直流電弧故障檢測(cè)應(yīng)用中，微芯科技（Microchip）采用其dsPIC33系列數(shù)字信號(hào)控制器（DSC）。該芯片集成32位CPU（主頻達(dá)200 MHz）、高速DSP引擎及雙精度浮點(diǎn)單元，并配備Zui高40 MS/s的12位ADC、100 MHz運(yùn)放與5 ns比較器。相比通用MCU的多步中斷服務(wù)例程（ISR），dsPIC33采用單步ISR與上下文寄存器切換，將典型20條指令的ISR壓縮至4至6條，使中斷延遲降至0.18微秒以內(nèi)（120 MHz通用MCU為0.4微秒），從而實(shí)現(xiàn)對(duì)時(shí)間關(guān)鍵任務(wù)如實(shí)時(shí)電弧檢測(cè)的快速響應(yīng)。

針對(duì)直流電弧數(shù)據(jù)集稀缺的問(wèn)題，微芯利用IEEE低壓直流電弧公開數(shù)據(jù)集，通過(guò)MPLAB ML開發(fā)套件訓(xùn)練模型。該套件可將時(shí)域與頻域的原始傳感器數(shù)據(jù)轉(zhuǎn)換為統(tǒng)計(jì)特征，用于算法訓(xùn)練與評(píng)估，并生成可在MCU運(yùn)行的C API。基于此流程，MPLAB ML僅用13分鐘即完成模型訓(xùn)練。生成的決策樹模型應(yīng)用于dsPIC33A DSC時(shí)，代碼體積僅1,142字節(jié)，占用SRAM 1,336字節(jié)與Flash 4,522字節(jié)，推理延遲為0.6584毫秒，在直流電弧數(shù)據(jù)集上實(shí)現(xiàn)準(zhǔn)確率，顯著優(yōu)于傳統(tǒng)規(guī)則基線方法（57%準(zhǔn)確率）。

在另一類工業(yè)監(jiān)測(cè)場(chǎng)景中，德州儀器（TI）展示了基于MCU的邊緣AI齒輪箱故障診斷方案。TI MSPM0G5187 MCU內(nèi)置TinyEngine神經(jīng)處理單元（NPU），專為神經(jīng)網(wǎng)絡(luò)計(jì)算優(yōu)化，可提供640至2,560兆次運(yùn)算/秒的預(yù)處理CNN模型算力。該架構(gòu)相比純軟件AI方案，單次推理能耗降低120倍，延遲降低90倍。開發(fā)者可通過(guò)CCStudio Edge AI Studio圖形環(huán)境進(jìn)行模型開發(fā)、訓(xùn)練與編譯，利用TI Model Zoo預(yù)置模型或自定義數(shù)據(jù)，并通過(guò)神經(jīng)網(wǎng)絡(luò)編譯器將模型轉(zhuǎn)換為優(yōu)化C代碼，無(wú)縫部署至NPU或CPU。

該方案利用uest齒輪箱故障診斷模擬器采集的開源數(shù)據(jù)集進(jìn)行驗(yàn)證，數(shù)據(jù)涵蓋0%至90%負(fù)載變化下四個(gè)方向的傳感器記錄，包含健康與斷齒狀態(tài)?；谠摂?shù)據(jù)集訓(xùn)練的8個(gè)模型運(yùn)行于MCU后，優(yōu)化后的AI模型在振動(dòng)信號(hào)時(shí)域分析中達(dá)到99.9%的檢測(cè)準(zhǔn)確率，實(shí)現(xiàn)了從被動(dòng)維修向預(yù)測(cè)性維護(hù)的轉(zhuǎn)變。

資料來(lái)源：Embedded；原文發(fā)布日期：2026-10-19。本文為資料編譯。