সম্প্রতি, ন্যাশনাল ডেভেলপমেন্ট অ্যান্ড রিফর্ম কমিশন এবং ন্যাশনাল এনার্জি অ্যাডমিনিস্ট্রেশন যৌথভাবে "কৃত্রিম বুদ্ধিমত্তা+" শক্তির উচ্চ মানের উন্নয়ন-উন্নীত করার বিষয়ে বাস্তবায়ন মতামত প্রকাশ করেছে। মতামতগুলি বিশেষভাবে একটি পয়েন্ট উল্লেখ করেছে: পাওয়ার সরঞ্জামের অবস্থা মূল্যায়ন এবং বুদ্ধিমান অপারেশন এবং রক্ষণাবেক্ষণ। বুদ্ধিমান উপলব্ধি এবং সরঞ্জামের অবস্থার সতর্কতা, বুদ্ধিমান অবস্থান এবং সরঞ্জামের ত্রুটিগুলির নির্ণয়, সরঞ্জামের অবস্থা রক্ষণাবেক্ষণের জন্য বুদ্ধিমান সিদ্ধান্ত-, সরঞ্জামের দুর্যোগের ঝুঁকির বুদ্ধিমান ভবিষ্যদ্বাণী, এবং সরঞ্জামগুলির চর্বিহীন ব্যবস্থাপনার স্তরকে উন্নত করতে রক্ষণাবেক্ষণ কাজের টিকিটগুলির বুদ্ধিমান প্রজন্মের মতো অ্যাপ্লিকেশন তৈরি করুন৷
সৌর ফটোভোলটাইক শিল্পে, এআই শান্তভাবে বিকাশ করছে।
সাম্প্রতিক বছরগুলিতে, সৌর শক্তি দ্রুত বিকশিত হয়েছে। 2024 সালে, ফটোভোলটাইক্সের বিশ্বব্যাপী ইনস্টল করা ক্ষমতা 597 গিগাওয়াটের রেকর্ড উচ্চতায় পৌঁছাবে, যা 2023 সালে 449 গিগাওয়াট থেকে 33% বৃদ্ধি পাবে। এই বৃদ্ধির ফলে বিশ্বব্যাপী মোট ইনস্টল করা সৌর ক্ষমতা 2.2 টেরাওয়াট ছাড়িয়ে যাবে, যা ইউরোপের প্রায় 1.6 বাই টেরাওয়াট টেরাওয়াট পূর্বের তুলনায়। 2025 সালের মধ্যে সৌর স্থাপিত ক্ষমতা আরও 10% বৃদ্ধি পেয়ে 655 গিগাওয়াট হবে। বর্তমানে, সৌর শক্তি বিশ্বব্যাপী বিদ্যুৎ সরবরাহের প্রায় 6.9%, যা 2023 সালে প্রায় 5.6% থেকে বেড়েছে। সৌর শক্তির দ্রুত বৃদ্ধি এবং বিপুল সম্ভাবনা থাকা সত্ত্বেও, অনেক কোম্পানি, সংস্থা এবং শিল্পগুলি এখনও এটিকে আন্তঃপ্রকাশ করতে এবং আন্তঃপ্রকাশ করতে বাধ্য নয়। দক্ষতার সীমাবদ্ধতা।
সৌর প্যানেলের কার্যকারিতা বিভিন্ন কারণের দ্বারা প্রভাবিত হয়, যার মধ্যে রয়েছে আবহাওয়ার পরিবর্তন, সূর্যালোকের বিভিন্ন তীব্রতা এবং সিস্টেমের পাওয়ার ট্রান্সমিশন পরিচালনা করার ক্ষমতা। উত্পাদিত বিদ্যুত সঠিকভাবে নিয়ন্ত্রিত না হলে, এটি শক্তির অপচয়, কম দক্ষতা, বা অবিশ্বস্ত বিদ্যুৎ সরবরাহের দিকে পরিচালিত করতে পারে - উদ্বেগ যে ব্যবহারকারী এবং ব্যবসা যারা স্থিতিশীল শক্তির উপর নির্ভর করে তা বহন করতে পারে না৷ এই ক্ষেত্রে, সৌর প্যানেল সিস্টেমের শক্তির সর্বোচ্চ ব্যবহার করার জন্য ডিউটি সাইকেল (অর্থাৎ সৌর প্যানেলের অন টাইম থেকে অফ টাইমের অনুপাত) ঠিক করা গুরুত্বপূর্ণ।
অন্যদিকে, মেশিন লার্নিং (ML) এবং এজ আর্টিফিশিয়াল ইন্টেলিজেন্স (Edge AI) স্মার্ট, ডেটা{0}}চালিত সিদ্ধান্ত-গ্রহণকে সক্ষম করে বিভিন্ন শিল্পের দক্ষতাকে মৌলিকভাবে পরিবর্তন করছে৷ উদাহরণস্বরূপ, পুনর্নবীকরণযোগ্য শক্তির ক্ষেত্রে, মেশিন লার্নিং পরিবেশগত পরিস্থিতি বিশ্লেষণ করে, শক্তি উৎপাদনের পূর্বাভাস দিয়ে এবং ডাউনটাইম কমানোর জন্য ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ প্রয়োগ করে সৌর প্যানেলের কার্যকারিতাকে অনুকূল করে। সৌর শক্তির পাশাপাশি, মেশিন লার্নিং ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ এবং প্রক্রিয়া স্বয়ংক্রিয়তার মাধ্যমে উত্পাদন দক্ষতা উন্নত করতে পারে, বাস্তব-সময় লোড পূর্বাভাসের মাধ্যমে স্মার্ট গ্রিডে শক্তির অপচয় কমাতে পারে, এবং নির্ভুল কৃষি প্রযুক্তি সমর্থন করে কৃষি উৎপাদনশীলতা বাড়াতে পারে৷ এই বৈচিত্র্যময় ব্যবহারের ক্ষেত্রে, মেশিন লার্নিং জটিল ডেটাকে কার্যযোগ্য অন্তর্দৃষ্টিতে রূপান্তরিত করে, শেষ পর্যন্ত সময় বাঁচায়, খরচ কমিয়ে এবং স্থায়িত্ব বৃদ্ধি করে ক্রমাগত উন্নতি করে। এই প্রবণতার প্রতিক্রিয়া হিসাবে, বিভিন্ন কন্ট্রোলার নির্মাতারা ফটোভোলটাইক ইনভার্টার শিল্পের নতুন চাহিদা মেটাতে এমসিইউ/এমপিইউতে AI প্রযুক্তিকে একীভূত করেছে।
Infineon
HTEC টিম Infineon-এর PSoC Edge প্রসেসর ব্যবহার করে কিভাবে ডিপ নিউরাল নেটওয়ার্ক (DNNs) ব্যবহার করতে হয় তা অনুসন্ধান করতে DC-DC রূপান্তরকারীর সর্বোত্তম ডিউটি চক্রের পূর্বাভাস দিতে, কর্মক্ষমতা এবং নির্ভরযোগ্যতা উন্নত করার জন্য সবচেয়ে প্রাসঙ্গিক ইনপুট বৈশিষ্ট্যগুলি সনাক্ত করার উপর ফোকাস করে৷
এই পদ্ধতিগুলির মধ্যে অনেকগুলি সৌর বিকিরণ এবং পরিবেষ্টিত তাপমাত্রার মতো পরিমাপের ডেটার উপর নির্ভর করে, কারণ এই প্যারামিটারগুলি সৌর প্যানেলের পাওয়ার আউটপুটের সাথে ঘনিষ্ঠভাবে সম্পর্কিত। যাইহোক, ইরেডিয়েন্স সেন্সরগুলির একীকরণ কিছু ত্রুটিও নিয়ে আসে, যার মধ্যে অতিরিক্ত খরচ এবং ধুলো জমা বা সেন্সরের অবস্থানের পার্থক্যের মতো কারণগুলির কারণে ভুল পরিমাপের ঝুঁকি সহ। এই সমস্যাটি সমাধান করার জন্য, কিছু গবেষক ইনফ্রারেড বিকিরণ মানগুলির পরোক্ষ অনুমানের প্রস্তাব করেছেন, তবে এটি মডেলিং জটিলতা বাড়ায় এবং এমপিপিটি অ্যালগরিদমের মাধ্যমে প্রচারিত ত্রুটির উত্সগুলি প্রবর্তন করতে পারে।
উপরন্তু, সেন্সরহীন বা কম সেন্সর পদ্ধতি প্রস্তাব করা হয়েছে, যা শুধুমাত্র সৌর প্যানেল দ্বারা প্রদত্ত ভোল্টেজ এবং বর্তমান পরিমাপ ডেটা ব্যবহার করে। এই অভ্যন্তরীণ সংকেতগুলি অ্যাক্সেস করা সহজ, মূলত সৌর প্যানেলের অপারেটিং অবস্থার সাথে সিঙ্ক্রোনাইজ করা হয় এবং বিকিরণ সংবেদন সম্পর্কিত অনেক জটিল সমস্যা এড়ায়।
কৃত্রিম বুদ্ধিমত্তার উপর ভিত্তি করে সর্বাধিক পাওয়ার পয়েন্ট ট্র্যাকিং (MPPT) অ্যালগরিদম বাস্তবায়নের জন্য সফ্টওয়্যারটি HTEC দ্বারা তৈরি একটি কাস্টমাইজড হার্ডওয়্যার প্ল্যাটফর্মে স্থাপন করা হয়েছে। প্ল্যাটফর্মটি সুরক্ষিতভাবে সৌর প্যানেলের আউটপুটকে একটি DC-DC কনভার্টারের সাথে সংযুক্ত করে এবং এতে ভোল্টেজ, কারেন্ট এবং পরিবেষ্টিত তাপমাত্রা নিরীক্ষণের জন্য প্রয়োজনীয় সমস্ত সেন্সিং উপাদান অন্তর্ভুক্ত থাকে। এই সংকেতগুলি DNN-এর জন্য ইনপুট হিসাবে কাজ করে, যা বাস্তব-সময়ে উপযুক্ত ডিউটি চক্র গণনা করে৷ প্ল্যাটফর্মটিতে ব্লুটুথ কমিউনিকেশন ফাংশনও রয়েছে এবং এটি মানুষের-মেশিন ইন্টারফেস (HMI) ফাংশনকে সমর্থন করে, যা ব্যবহারকারীদের শক্তি উৎপাদন এবং সিস্টেমের অবস্থার উপর বাস্তব-সময় প্রতিক্রিয়া প্রদান করতে পারে। এইভাবে, সিস্টেমটি DC-ডিসি রূপান্তরকারীদের ডিউটি চক্র পরিচালনা করতে পারে এবং সেইসাথে তথ্য প্রদান করে যা ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণের জন্য ব্যবহার করা যেতে পারে।
পাওয়ার ম্যানেজমেন্ট মডিউল: PSOC এজ এবং ব্লুটুথ মডিউলগুলিতে শক্তি বরাদ্দ করুন।
ব্লুটুথ যোগাযোগ মডিউল: HMI ফাংশনের জন্য বেতার ডেটা ট্রান্সমিশন পরিচালনা করে।
সেন্সিং মডিউল: বাস্তব-সময়ের ভোল্টেজ এবং সৌর প্যানেল দ্বারা উত্পন্ন বর্তমান পরিমাপ করে।
প্রসেসর মডিউল: PSOC এজ সিস্টেম লেভেল মডিউল (SOM): এআই ইনফারেন্স এবং কন্ট্রোল লজিক সহ সমস্ত কম্পিউটিং কাজ সম্পাদন করে।
PSOC Edge E84 সিরিজের আর্ম কর্টেক্স-M মাইক্রোকন্ট্রোলার হল একটি উচ্চ-কর্মক্ষমতা, কম-শক্তি, এবং ML ত্বরণ সহ সুরক্ষিত MCU। এটি উচ্চ-পারফরম্যান্স কর্টেক্স-M55 কোরের উপর ভিত্তি করে, হিলিয়াম ডিএসপি সমর্থন করে এবং আর্ম ইথোস-U55 NPU এবং কম-শক্তি কর্টেক্স-M33 কোরের সাথে যুক্ত। এটি Infineon আল্ট্রা-লো পাওয়ার NNLite হার্ডওয়্যার ত্বরণ প্ল্যাটফর্মের সাথে একত্রে ব্যবহৃত হয়। PSOC এজ সূর্যালোকের তীব্রতা, প্যানেলের তাপমাত্রা এবং পাওয়ার আউটপুট নিরীক্ষণ থেকে ক্রমাগত সেন্সর ডেটা বিশ্লেষণ করতে পারে। এটি এটিকে সৌর প্যানেলের দিকনির্দেশকে গতিশীলভাবে সামঞ্জস্য করতে, MPPT ট্র্যাক করতে এবং ক্লাউড প্রক্রিয়াকরণের কারণে বিলম্ব না করে বৈদ্যুতিন সংকেতের মেরু বদল অপারেশন অপ্টিমাইজ করতে সক্ষম করে। উপরন্তু, AI শক্তি খরচের ধরণগুলি সনাক্ত করতে পারে এবং চাহিদা বা শেডিং ইভেন্টগুলির ভবিষ্যদ্বাণী করতে পারে, যার ফলে শক্তি সঞ্চয়স্থান এবং বরাদ্দ কৌশলগুলি আরও অপ্টিমাইজ করে৷ কৃত্রিম বুদ্ধিমত্তা ভিত্তিক সর্বাধিক পাওয়ার পয়েন্ট ট্র্যাকিং (MPPT) সমাধানগুলির বিকাশ এবং বৈধতার জন্য উচ্চ মানের ডেটাসেটগুলি অপরিহার্য। নিবন্ধটি মার্কিন যুক্তরাষ্ট্রের হামবোল্ট স্টেট ইউনিভার্সিটি থেকে সর্বজনীনভাবে উপলব্ধ উপকূলীয় ফোটোভোলটাইক পাওয়ার প্ল্যান্ট ডেটাসেট ব্যবহার করে, তিন বছরের মধ্যে এক মিনিটের ব্যবধানে উচ্চ-ফ্রিকোয়েন্সি স্যাম্পলিং ডেটা নির্বাচন করে, সৌর বিকিরণ এবং সর্বোচ্চ তাপমাত্রার উপর ভিত্তি করে ফটোভোলটাইক প্যানেলের ভোল্টেজ এবং বর্তমান আউটপুট অনুকরণ করে, প্রশিক্ষণ লেবেল হিসাবে পয়েন্ট. একই সময়ে, ভোল্টেজ এবং বর্তমান পরিবর্তনের মতো সহায়ক বৈশিষ্ট্যগুলি বের করা হয় এবং রাত্রিকালীন ডেটা স্বাভাবিককরণ এবং অপসারণের মতো প্রাক প্রক্রিয়াকরণের পরে, প্রশিক্ষণের জন্য নির্ভরযোগ্য ডেটা সহায়তা প্রদান করা হয়। AI মডেলগুলির নির্মাণে, ধীর অভিসারণ এবং শক্তি দোলনের মতো ঐতিহ্যগত বিক্ষিপ্ততা পর্যবেক্ষণ (P&O) পদ্ধতিগুলির ত্রুটিগুলি সমাধান করার জন্য একটি মাল্টি-স্তর পারসেপ্ট্রন (MLP) আর্কিটেকচার গ্রহণ করা হয়। মডেল কর্মক্ষমতা একটি দুই-পর্যায়ে পদ্ধতির-দ্বারা-পদক্ষেপ প্রশিক্ষণ এবং বাস্তব-প্রশিক্ষণের মাধ্যমে অপ্টিমাইজ করা হয়েছে ধাপে ধাপে প্রশিক্ষণ মডেলটিকে তাৎক্ষণিক পরিমাপের মানগুলির উপর ভিত্তি করে সর্বোত্তম বৈদ্যুতিক পরামিতিগুলির পূর্বাভাস দিতে দেয়, যখন বাস্তব-কালীন প্রশিক্ষণ একটি প্রতিক্রিয়া পদ্ধতির প্রবর্তন করে যা পরবর্তী ইনপুট হিসাবে পূর্ববর্তী ভবিষ্যদ্বাণী গ্রহণ করে, বাস্তব পরিস্থিতির অনুকরণের জন্য পুনরাবৃত্তিমূলকভাবে এটিকে সংশোধন করে, এবং শেষ পর্যন্ত এমপিটি প্ল্যাটফর্মের উচ্চ এম্বস্টেড প্ল্যাটফর্মের উচ্চতা অর্জন করে। স্থাপনা, গতিশীল পরিবেশে ফোটোভোলটাইক সিস্টেমের শক্তি ব্যবহারের দক্ষতা উন্নত করা।
PSOC এজ প্ল্যাটফর্মে AI মডেল স্থাপন করার জন্য, মডেলটিকে 32-বিট ফ্লোটিং-পয়েন্ট ফর্ম্যাট থেকে 8-বিট ফর্ম্যাটে রূপান্তর করতে হবে৷ MPPT কাজের জন্য ডিজাইন করা তুলনামূলকভাবে কমপ্যাক্ট নিউরাল নেটওয়ার্ক আর্কিটেকচার বিবেচনা করে, মডেল কোয়ান্টাইজেশন প্রধানত একটি অপ্টিমাইজেশান কৌশল হিসাবে ব্যবহৃত হয় এবং মডেল ডিস্টিলেশনের মতো আরও উন্নত কম্প্রেশন কৌশল প্রয়োগ করা হয় না, কারণ এটি ইতিমধ্যে অত্যন্ত ছোট মডেল আকারের কার্যকারিতা উল্লেখযোগ্যভাবে উন্নত করে না। মডেল কোয়ান্টাইজেশন মডেল প্যারামিটারগুলিকে 32-বিট বা 64 বিট ফ্লোটিং-পয়েন্ট উপস্থাপনা থেকে 8-বিট পূর্ণসংখ্যার মতো কম নির্ভুল ফর্ম্যাটে রূপান্তরিত করে, মডেলের মেমরি পদচিহ্ন এবং গণনাগত প্রয়োজনীয়তা উল্লেখযোগ্যভাবে হ্রাস করে, এটি প্রান্ত ডিভাইস স্থাপনের জন্য আরও উপযুক্ত করে তোলে। একই সময়ে, প্রশিক্ষণ পর্বের সময় কোয়ান্টাইজেশন পরিবেশ অনুকরণ করার জন্য কোয়ান্টাইজেশন সচেতন প্রশিক্ষণ (QAT) ব্যবহার করে, মডেল নির্ভুলতার উপর হ্রাসকৃত নির্ভুলতার নেতিবাচক প্রভাব প্রশমিত করা যেতে পারে, এমনকি সাধারণীকরণ ক্ষমতাও উন্নত হতে পারে।
মডেল অপ্টিমাইজেশন সম্পন্ন হওয়ার পর, AI অ্যালগরিদম ModusToolbox ডেভেলপমেন্ট ফ্রেমওয়ার্ক ব্যবহার করে Infineon PSOC Edge প্ল্যাটফর্মে স্থাপন করা হয়। ফ্রেমওয়ার্কটি 8-বিট কোয়ান্টাইজেশন মডেল স্থাপনকে সমর্থন করে, এবং ব্যবহারকারীদের শুধুমাত্র টেনসরফ্লো লাইট (TFLite) ফর্ম্যাটে মডেলটি রপ্তানি করতে হবে যাতে এটিকে প্ল্যাটফর্মের AI অ্যাক্সিলারেটরে নির্বিঘ্নে একত্রিত করা যায়। ফ্লোটিং পয়েন্ট কেরাস মডেলগুলিকে ফ্রেমওয়ার্কের মধ্যে কোয়ান্টাইজেশন অপ্টিমাইজেশন পরিচালনা করতে সরাসরি স্থাপন করা যেতে পারে। রূপান্তরিত AI মডেলটিকে একটি C সামঞ্জস্যপূর্ণ ফর্ম্যাটে রূপান্তরিত করা হবে, ওজন এবং পরামিতিগুলিকে AI এক্সিলারেটরের 8-বিট আর্কিটেকচারের সাথে মেলে, যাতে দ্রুত অনুমান এবং মেমরির ব্যবহার কম হয়। কর্মক্ষমতা মূল্যায়ন দেখায় যে যদিও কোয়ান্টাইজেশন মডেলের শক্তি ভবিষ্যদ্বাণী ত্রুটি 0.0109% থেকে 0.6145% পর্যন্ত বৃদ্ধি পেয়েছে, তবে অনুমান বিলম্ব 3 মিলিসেকেন্ড থেকে 0.3 মিলিসেকেন্ডে কমেছে এবং অনুমান প্রতি শক্তি খরচ 68.904 মাইক্রোজোউল 292 মাইক্রোজোলে থেকে কমেছে। অধিকন্তু, আর্ম কর্টেক্স-এম4 সলিউশনের উপর ভিত্তি করে PSOC এজ-এর কর্মক্ষমতা 23 গুণেরও বেশি কম, 23 গুণেরও বেশি বিলম্ব হ্রাস এবং 42 গুণেরও বেশি শক্তি খরচ হ্রাস সহ, এই প্রান্ত এমপিপিটির প্ল্যাটফর্মে রিয়েল-টাইম এবং দক্ষ AI সমাধানগুলি স্থাপনের সুবিধাগুলি সম্পূর্ণরূপে প্রদর্শন করে৷
MPPT অপ্টিমাইজ করার পাশাপাশি, বাস্তব-টাইম এআই অন্তর্দৃষ্টিগুলি অতিরিক্ত সুবিধাও নিয়ে আসে - ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ। HTEC টিম একটি ডেডিকেটেড ইউজার ইন্টারফেস তৈরি করেছে যা AI মডেলের উপর ভিত্তি করে সিস্টেম পারফরম্যান্সের ক্রমাগত অন্তর্দৃষ্টির পূর্বাভাস দিতে পারে। এই ভবিষ্যদ্বাণীগুলি প্রকৃত বিদ্যুত উত্পাদনের সাথে ক্রস রেফারেন্স করা যেতে পারে যা উল্লেখযোগ্য পার্থক্যগুলি চিহ্নিত করতে পারে যা উপাদান কর্মক্ষমতা হ্রাসের কারণে হতে পারে, স্টেকহোল্ডারদের সক্রিয়ভাবে রক্ষণাবেক্ষণের ব্যবস্থা করতে সক্ষম করে। HTEC নির্দেশ করে যে ভবিষ্যতের কাজ আরও অপ্টিমাইজেশান কৌশলগুলি অন্বেষণ করতে পারে, যেমন আরও সেন্সর ডেটা একীভূত করা বা উন্নত মডেল কম্প্রেশন পদ্ধতি ব্যবহার করে, সিস্টেমের নির্ভুলতা এবং কর্মক্ষমতা আরও উন্নত করতে। তবুও, বর্তমান পদ্ধতিটি এমবেডেড সোলার সলিউশনে AI চালিত MPPT-এর সম্ভাব্যতা তুলে ধরে, আরও দক্ষ এবং টেকসই শক্তি ব্যবস্থাপনা এবং স্মার্ট এজ ডিভাইস রক্ষণাবেক্ষণ অনুশীলনের জন্য নির্দেশিকা প্রদান করে।
এসটিমাইক্রোইলেক্ট্রনিক্স
STMicroelectronics STM32 এর উপর ভিত্তি করে একটি এজ এআই আর্ক ফল্ট সার্কিট ব্রেকার (AFCI) সমাধান চালু করেছে।
বৈদ্যুতিক নিরাপত্তার ক্ষেত্রে, আর্ক ফল্টের কারণে সৃষ্ট অগ্নিকাণ্ড এক চতুর্থাংশ পর্যন্ত হয়ে থাকে এবং সৌর প্যানেল, পাওয়ার ব্যাটারি, বৈদ্যুতিক সরঞ্জাম এবং বৈদ্যুতিক বাইসাইকেলের মতো নতুন প্রয়োগের পরিস্থিতির ক্রমাগত উত্থান আর্ক সুরক্ষা প্রযুক্তির জন্য উচ্চতর উদ্ভাবনী প্রয়োজনীয়তাকে এগিয়ে দিয়েছে। যদিও নিয়ম ভিত্তিক অ্যালগরিদমগুলি বৈদ্যুতিক ডিভাইসগুলির নিরাপত্তা উন্নত করতে পারে, তবে তাদের পরিবেশগত অভিযোজনযোগ্যতা সীমিত এবং মিথ্যা অ্যালার্মের হার বেশি৷ ক্লাউড ভিত্তিক AI সমাধান, যদিও অত্যন্ত নির্ভুল, লেটেন্সি এবং গোপনীয়তা ঝুঁকির সম্মুখীন।
এই প্রেক্ষাপটে, এজ এআই সমাধানগুলি একটি আদর্শ ব্যালেন্স পয়েন্ট হয়ে উঠেছে - তাদের নেটওয়ার্ক সংযোগ এবং বাহ্যিক প্রক্রিয়াকরণের প্রয়োজন নেই, এবং গোপনীয়তা এবং নিরাপত্তা ঝুঁকিগুলি দূর করার সাথে সাথে তাত্ক্ষণিক সনাক্তকরণ এবং আর্কগুলির প্রতিক্রিয়া অর্জন করে, রিয়েল টাইমে ডিভাইসে স্থানীয়ভাবে ডেটা প্রক্রিয়াকরণ সম্পূর্ণ করতে পারে৷ একই সময়ে, বিভিন্ন পরিবেশের সাথে খাপ খাইয়ে নেওয়ার জন্য ক্রমাগত শেখার মাধ্যমে, তারা উল্লেখযোগ্যভাবে মিথ্যা অ্যালার্মের হার হ্রাস করে এবং সিস্টেমের দক্ষতা উন্নত করে। NanoEdge AI স্টুডিও টুলকে ডেভেলপমেন্ট কোর হিসেবে বেছে নেওয়া, এর ব্যবহারকারী-বান্ধব ইন্টারফেস এবং ব্যবহারের সহজতার সাথে, এটি স্বয়ংক্রিয়ভাবে ফিল্টার করতে পারে এবং ব্যবহারকারীর ডেটার উপর ভিত্তি করে সর্বোত্তম মডেল তৈরি করতে পারে; যদি প্রাক প্রশিক্ষিত নিউরাল নেটওয়ার্ক পাওয়া যায়, STM32Cube.AI এছাড়াও এমবেডেড পরিবেশের সাথে মানিয়ে নিতে কম্প্রেশন অপ্টিমাইজেশানের জন্য ব্যবহার করা যেতে পারে।
নির্দিষ্ট বাস্তবায়নে, একটি কাস্টমাইজড AFCI বোর্ড STM32G4 সহ কোর হিসাবে হার্ডওয়্যার ক্যারিয়ার হিসাবে ব্যবহৃত হয়। স্বাভাবিক অপারেশন সিগন্যালের প্রায় 1000 সেট প্রথমে সংগ্রহ করা হয় এবং তারপর সমান সংখ্যক আর্ক ফল্ট সিগন্যাল সংগ্রহ করা হয়। NanoEdge AI স্টুডিওর শ্রেণীবিন্যাস প্রকল্পে দুই ধরনের ডেটা আমদানি করা হয়, এবং টুলটি স্বয়ংক্রিয়ভাবে একটি অভিযোজিত AI লাইব্রেরি তৈরি করে এবং বর্তমান এবং আর্ক ট্রিগারিং অ্যালার্মগুলির বাস্তব-সময় নিরীক্ষণের জন্য এটিকে কোডে সংহত করে৷ এই স্কিমটি 2048 × 1 অক্ষের জন্য দুটি ধরণের ডেটা (আর্ক ফল্ট এবং কোনও চাপ নেই) প্রক্রিয়া করতে একটি 150kHz স্যাম্পলিং রেট বর্তমান সেন্সর ব্যবহার করে, শেষ পর্যন্ত 100% সনাক্তকরণ নির্ভুলতা অর্জন করে, শুধুমাত্র 16.7KB RAM এবং 0.5KB ফ্ল্যাশ সঞ্চয়স্থান দখল করে৷
এনএক্সপি
এনএক্সপি এমসিএক্স এন সিরিজ এনপিইউ-এর আর্ক ডিটেকশন টেকনোলজি বিভিন্ন অনুষ্ঠানে ব্যাপকভাবে ব্যবহৃত হয় যার জন্য আর্ক ডিটেকশনের প্রয়োজন হয়, যেমন:
পাওয়ার সিস্টেম: পাওয়ার সিস্টেমে আর্ক ফল্টগুলি নিরীক্ষণ এবং সনাক্ত করতে ব্যবহৃত হয় এবং ত্রুটিগুলির প্রসারণ রোধ করতে সময়মত ব্যবস্থা নেওয়া হয়।
শিল্প নিয়ন্ত্রণ: সম্ভাব্য চাপ ঝুঁকি সনাক্ত করতে এবং উত্পাদন নিরাপত্তা নিশ্চিত করতে শিল্প অটোমেশন এবং রোবট নিয়ন্ত্রণ ব্যবস্থায় ব্যবহৃত হয়।
স্মার্ট হোম: স্মার্ট হোম সিস্টেমে, এটি সার্কিটের চাপ পরিস্থিতি নিরীক্ষণ করতে এবং পরিবারের বিদ্যুৎ খরচের নিরাপত্তা উন্নত করতে ব্যবহৃত হয়।
NXP আর্ক ডিটেকশন সফ্টওয়্যার এবং হার্ডওয়্যার সলিউশন চালু করেছে, সেইসাথে ডেটা অধিগ্রহণ প্রশিক্ষণ সফ্টওয়্যার, যা ব্যবহারকারীর আর্ক সনাক্তকরণ পণ্যগুলির বিকাশের গতিকে ব্যাপকভাবে ত্বরান্বিত করতে পারে। MCX N সিরিজ MCU অভ্যন্তরীণভাবে NPU-কে একীভূত করে, যা 4.8 Gops-এর একটি শিল্প-প্রধান অনুমান গতি অর্জন করতে পারে এবং কনভোলিউশনাল নিউরাল নেটওয়ার্কের অপারেশনকে ত্বরান্বিত করতে পারে। আর্ক ফল্ট সনাক্তকরণের বাস্তব-সময়ের কর্মক্ষমতা উন্নত করুন।
AI ভিত্তিক ফল্ট আর্ক শনাক্তকরণের বাস্তবায়ন প্রক্রিয়ায় পাঁচটি ধাপ রয়েছে: ডেটা অধিগ্রহণ, ডেটা প্রশিক্ষণ, মডেলের পরিমাণ নির্ধারণ, মডেলের বৈধতা এবং স্থাপনা, যার সবই NXP দ্বারা প্রদত্ত ওয়ান স্টপ আপার কম্পিউটার সফ্টওয়্যারের মাধ্যমে সম্পন্ন করা যেতে পারে।
নীচের চিত্রে দেখানো হয়েছে, UL1699B প্রয়োজনীয়তা অনুসারে একটি পরীক্ষার প্ল্যাটফর্ম তৈরি করা হয়েছে। পিভি সিমুলেশন সোর্স আউটপুটটি আর্ক জেনারেটিং ডিভাইসের মধ্য দিয়ে যাওয়ার পরে ফটোভোলটাইক ইনভার্টারের ডিসি পিভি ইনপুট টার্মিনালে ইনপুট হয়। সিরিজে ট্রান্সফরমার সংযোগ করে, ফল্ট আর্ক দ্বারা উত্পন্ন AC সংকেত সনাক্ত করুন। অধিগ্রহণ বোর্ডের মাধ্যমে, MCXN947-এ সংহত ADC-এর একটি 16 বিট রেজোলিউশন রয়েছে এবং এটি 16 বিট রেজোলিউশনে 2Mbps পর্যন্ত স্যাম্পলিং রেট সমর্থন করতে পারে, যা আর্ক সিগন্যাল অধিগ্রহণের জন্য এটিকে খুব উপযুক্ত করে তোলে। সংকেতটি ADC দ্বারা নমুনা করা হয় এবং MCU দ্বারা প্রক্রিয়াজাত করা হয়।
Tএনএক্সপি দ্বারা প্রদত্ত সে অধিগ্রহণ বোর্ড বর্তমানে দুটি আর্ক সংকেত একযোগে সনাক্তকরণকে সমর্থন করে এবং অধিগ্রহণ বোর্ডটি কন্যা কার্ড হিসাবে FRDM{{0}MXN947 বোর্ডে প্লাগ করা হয়েছে৷
অধিগ্রহণ সার্কিটের নকশা সম্পর্কে, তাত্ত্বিক গবেষণায়, ফ্রিকোয়েন্সি ডোমেনের বৈশিষ্ট্যগুলি বিশ্লেষণ করে, এটি সাধারণত পাওয়া যায় যে যখন একটি DC ফল্ট আর্ক ঘটে তখন 10KHz-100kHz ফ্রিকোয়েন্সি পরিসরে DC কারেন্টের সুরেলা শক্তি উল্লেখযোগ্যভাবে বৃদ্ধি পাবে। তাই ডিজাইন করা সার্কিট ইনপুট সিগন্যাল প্রক্রিয়া করতে ব্যান্ডপাস ফিল্টারিং ব্যবহার করে। ফ্রিকোয়েন্সি ব্যান্ডের বৈশিষ্ট্যগুলি নিম্নলিখিত চিত্রে দেখানো হয়েছে:
একই সময়ে, ফ্রিকোয়েন্সি ডোমেন সনাক্তকরণ পদ্ধতির প্রয়োগে, ডিসি ফল্ট আর্কসের চরিত্রগত ফ্রিকোয়েন্সি ব্যান্ড এবং ফটোভোলটাইক সিস্টেমের স্ব-নিয়ন্ত্রণ দ্বারা সৃষ্ট সুরেলা বিকৃতি ফ্রিকোয়েন্সি ব্যান্ডের মধ্যে পারস্পরিক সংযোগ এবং হস্তক্ষেপ এড়ানোর জন্য, 10kHz-100kHz ফ্রিকোয়েন্সি ব্যান্ডটিকে ডিসি ফল্ট আর্কের বৈশিষ্ট্যগত ফ্রিকোয়েন্সি ব্যান্ড এবং ডিসি ফল্ট আর্কস সনাক্তকরণের জন্য বৈশিষ্ট্যযুক্ত ফ্রিকোয়েন্সি ব্যান্ড হিসাবে নির্বাচিত করা হয়েছিল।
নীতিগতভাবে, এফএফটি সুরেলা গণনার জন্য ব্যবহৃত হয়, এফএফটি অপারেশনের জন্য বিভাগ হিসাবে 2048 পয়েন্ট গ্রহণ করে। MCXN947 এর ভিতরে একটি PowerQuad মডিউল রয়েছে, যা FFT অপারেশনকে ত্বরান্বিত করতে পারে। গণনা করা ফলাফলগুলি পরিমাপ করা হয় এবং প্রক্রিয়াকরণের জন্য MCXN947 দ্বারা বাহিত NPU-তে খাওয়ানো হয়। চূড়ান্ত শ্রেণীবিভাগ ফলাফল প্রাপ্ত. এইভাবে কার্যকরভাবে বৈদ্যুতিক আর্ক সঙ্গে দৃশ্য সনাক্ত.
রিয়েল টাইম অপারেশনের সময়, সনাক্তকরণের ফলাফল সিরিয়াল পোর্টের মাধ্যমে প্রিন্ট করা হয়। বর্তমানে, যখন একটি চাপ শনাক্ত করা হয়, তখন আউটপুট স্বীকৃতি মেলে ডিগ্রী 99%।
রেনেসাস ইলেকট্রনিক্স
Fuchang Electronics Renesas Electronics' RA6M4 MCU ব্যবহার করে এজ আর্টিফিশিয়াল ইন্টেলিজেন্স (AI) আর্ক ফল্ট ডিটেকশন সিস্টেম চালু করেছে, যা দ্রুত এবং দক্ষ সনাক্তকরণ অর্জন করতে পারে। এই সিস্টেমটি সৌর শক্তি, স্মার্ট এনার্জি এবং DC সিস্টেমের জন্য অত্যন্ত উপযোগী, ন্যূনতম সংস্থানগুলির সাথে বাস্তব-নিরাপত্তা পর্যবেক্ষণ প্রদান করে৷ AFCI সলিউশন ফিউচার ডিজাইন সেন্টার (FDC) থেকে AI Plus সলিউশন গ্রহণ করে, যা FDC AI এবং Reality AI সলিউশনকে একীভূত করে।
NEC, IEC 60364-4-42, এবং UL 1699B স্ট্যান্ডার্ডগুলির বিশ্বব্যাপী প্রচারের সাথে, আশা করা হচ্ছে যে 2030 সালের মধ্যে AFCI-এর বার্ষিক চালান 40 মিলিয়ন ইউনিট ছাড়িয়ে যাবে। Fuchang ইলেকট্রনিক্স রেনেসাস RA6M4 MCU এবং রিয়ালিটি AI শব্দটি ব্যবহার করে যা একটি গ্রাউন্ড-এআই টুলস তৈরি করেছে। 100kB এর কম ফ্ল্যাশ/RAM ব্যবহার করে 4ms এর কম সময়ে নিখুঁত সনাক্তকরণ অর্জন করতে, প্রায় মিথ্যা অ্যালার্ম নির্মূল করে এবং বিপজ্জনক DC এবং AC আর্কগুলি সনাক্ত করে যা অন্য ডিভাইসগুলি চিনতে পারে না।
প্রধান সুবিধা: কৃত্রিম বুদ্ধিমত্তার উপর ভিত্তি করে টাইম সিরিজ স্বীকৃতি, রেনেসাস রিয়েলিটি এআই দ্বারা সমর্থিত
সনাক্তকরণ: আর্ক ফল্ট (ছোট এবং বড় আর্কস), ওপেন সার্কিট এবং ক্লোজ সার্কিট টেম্পারিং, এবং অস্বাভাবিক বর্তমান বক্ররেখা
অতি দ্রুত সনাক্তকরণ: অনুমান সময় 10-250 মিলিসেকেন্ডের মতো কম, প্রিপ্রসেসিং এবং মাল্টি উইন্ডো বৈধতা সহ।
এক ক্লিকে শেখা: অনবোর্ড বোতামটি গ্রাহকের ডিজাইন পরিবেশ অনুযায়ী সার্কিট বোর্ডকে স্বয়ংক্রিয়ভাবে ক্যালিব্রেট করতে সাহায্য করতে পারে। অন্যান্য সার্কিট বোর্ডে ক্যালিব্রেটেড ডেটা অনুলিপি করতে সক্ষম। ক্লাউড ভিত্তিক এআই/এমএল প্রশিক্ষণের প্রয়োজন নেই
লক্ষ্য বাজার এবং অ্যাপ্লিকেশন: সোলার ইনভার্টার, সার্কিট ব্রেকার, ব্যাটারি এনার্জি স্টোরেজ সিস্টেম (BESS), ইনভার্টার, বৈদ্যুতিক গাড়ির ডিসি চার্জার, ইন্ডাস্ট্রিয়াল সুইচগিয়ার, কৃত্রিম বুদ্ধিমত্তা ডেটা সেন্টারের জন্য PDU উচ্চ{0}}পাওয়ার ব্যাটারি টুল, বৈদ্যুতিক যানবাহন
রেনেসাস ইলেক্ট্রনিক্সের RA6M4 মাইক্রোকন্ট্রোলার (MCU) পণ্য গোষ্ঠী TrustZone সমর্থন ® উচ্চ-পারফরম্যান্স আর্ম কর্টেক্স-M33 কোর ব্যবহার করে। চিপের মধ্যে সিকিউর ক্রিপ্টো ইঞ্জিন (SCE) এর সাথে ব্যবহার করা হলে, এটি একটি সুরক্ষিত চিপের কার্যকারিতা প্রদান করতে পারে। ডেডিকেটেড ডিএমএ সহ ইন্টিগ্রেটেড ইথারনেট MAC উচ্চ ডেটা থ্রুপুট নিশ্চিত করে। RA6M4 একটি দক্ষ 40nm প্রক্রিয়া গ্রহণ করে, যা FreeRTOS ভিত্তিক নমনীয় কনফিগারেশন প্যাকেজ (FSP) এর উন্মুক্ত এবং নমনীয় ইকোসিস্টেম ধারণা দ্বারা সমর্থিত, এবং অন্যান্য রিয়েল টাইম অপারেটিং সিস্টেম (RTOS) এবং মিডলওয়্যার ব্যবহার করার জন্য প্রসারিত করা যেতে পারে। RA6M4 IoT অ্যাপ্লিকেশনগুলির প্রয়োজন যেমন ইথারনেট, ভবিষ্যতের অ্যাপ্লিকেশনগুলির জন্য নিরাপত্তা বৈশিষ্ট্য, বৃহৎ ক্ষমতা এমবেডেড RAM, এবং কম শক্তি খরচ (ফ্ল্যাশ মেমরি থেকে CoreMark অ্যালগরিদম চালানো, 99 µ A/MHz কম) এর জন্য উপযুক্ত।
টেক্সাস ইন্সট্রুমেন্টস
যদিও মোটর ড্রাইভ, সৌর শক্তি, এবং ব্যাটারি ব্যবস্থাপনার মতো বাস্তব-সময় নিয়ন্ত্রণ ব্যবস্থায় AI-এর প্রয়োগ নতুন বড় ভাষার মডেলগুলির মতো প্রায়শই শিরোনাম দখল করেনি, ত্রুটি সনাক্তকরণে প্রান্ত AI-এর প্রয়োগ কার্যকরভাবে সিস্টেমের দক্ষতা, নিরাপত্তা এবং উৎপাদনশীলতাকে উন্নত করতে পারে৷
MCU উচ্চ-ভোল্টেজ রিয়েল-টাইম কন্ট্রোল সিস্টেমে ত্রুটি শনাক্ত করার ক্ষমতা বাড়াতে পারে। এই ধরনের MCU গুলি কনভোল্যুশনাল নিউরাল নেটওয়ার্ক (CNN) মডেলগুলি চালানোর জন্য ইন্টিগ্রেটেড নিউরাল নেটওয়ার্ক প্রসেসিং ইউনিট (NPUs) ব্যবহার করে, যা সিস্টেমের ত্রুটিগুলি পর্যবেক্ষণ করার সময় কার্যকরভাবে বিলম্ব এবং শক্তি খরচ কমাতে পারে। এজ এআই ফাংশনগুলিকে একই MCU-তে একীভূত করা যা বাস্তব-সময় নিয়ন্ত্রণ পরিচালনা করে তা সিস্টেম ডিজাইনকে অপ্টিমাইজ করতে এবং সামগ্রিক কর্মক্ষমতা উন্নত করতে সাহায্য করতে পারে। মোটর ড্রাইভ এবং সৌর শক্তি সিস্টেমে নির্ভরযোগ্য অপারেশনের চাবিকাঠি দ্রুত এবং অনুমানযোগ্য ত্রুটি সনাক্তকরণের মধ্যে রয়েছে, যা শুধুমাত্র মিথ্যা অ্যালার্ম কমায় না কিন্তু বাস্তব সময়ে মোটর ভারবহন অস্বাভাবিকতা এবং প্রকৃত ত্রুটিগুলিও নিরীক্ষণ করে।
প্রান্ত এআই ক্ষমতা সহ MCU দুটি ধরনের ত্রুটি নিরীক্ষণ করতে পারে: একটি হল মোটর বিয়ারিং ফল্ট। যখন মোটর বিয়ারিং-এ অস্বাভাবিক অবস্থা বা কর্মক্ষমতার অবনতি ঘটে, তখন অপ্রত্যাশিত শাটডাউন প্রতিরোধ, ডাউনটাইম সংক্ষিপ্ত করা এবং রক্ষণাবেক্ষণ খরচ কমানোর জন্য এই ধরনের ত্রুটির সময়মত সনাক্তকরণ অত্যন্ত গুরুত্বপূর্ণ; দ্বিতীয়টি হল সোলার আর্ক ফল্ট, যা বাতাসের মধ্য দিয়ে কারেন্ট যাওয়ার মতো অপ্রত্যাশিত পথ দ্বারা সৃষ্ট আর্ক ডিসচার্জের ঘটনাকে বোঝায়। এটি প্রায়শই সৌর শক্তি সিস্টেমে নিরোধক ব্যর্থতা, আলগা সংযোগ এবং অন্যান্য সমস্যার কারণে ঘটে। এই ফল্ট দ্বারা উত্পন্ন উচ্চ তাপমাত্রা আগুন বা বৈদ্যুতিক সিস্টেমের ক্ষতি হতে পারে। অতএব, সৌর শক্তি সিস্টেমের নিরাপদ এবং নির্ভরযোগ্য অপারেশন নিশ্চিত করার জন্য এই ত্রুটিটি পর্যবেক্ষণ এবং সনাক্তকরণ একটি প্রয়োজনীয় উপায়।
প্রথাগত ত্রুটি সনাক্তকরণ পদ্ধতি, যেমন মোটর বিয়ারিং ফল্ট মনিটরিং, মাল্টি ডিভাইস ডিসক্রিট ডিটেকশন এবং নিয়ম-ভিত্তিক বিশ্লেষণের উপর নির্ভর করে, যখন সোলার আর্ক ফল্ট সনাক্তকরণ ফ্রিকোয়েন্সি ডোমেন বর্তমান সংকেত বিশ্লেষণ এবং থ্রেশহোল্ড বিচার ব্যবহার করে। এই পদ্ধতিগুলির জন্য শুধুমাত্র গভীর পেশাদার জ্ঞানের প্রয়োজন হয় না, তবে সীমিত অভিযোজনযোগ্যতা এবং সংবেদনশীলতাও রয়েছে, যা সনাক্তকরণের নির্ভুলতা এবং সিস্টেমের জটিলতা বৃদ্ধির গ্যারান্টি দেওয়া কঠিন করে তোলে।
ত্রুটি সনাক্তকরণের জন্য ইন্টিগ্রেটেড এজ এআই-এর উপর ভিত্তি করে, বাহক হিসাবে TMS320F28P550SJ এর মতো বাস্তব-সময়ের MCUs ব্যবহার করে, স্থানীয়ভাবে CNN মডেলগুলি চালানো কার্যকরভাবে ত্রুটি সনাক্তকরণের হার উন্নত করতে পারে, মিথ্যা অ্যালার্ম কমাতে পারে এবং আরও সঠিক ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ অর্জন করতে পারে৷ সিএনএন মডেল, কাঁচা সেন্সর ডেটা থেকে স্বায়ত্তশাসিতভাবে জটিল নিদর্শন শেখার ক্ষমতা সহ, কম্পন সংকেত, ডিসি কারেন্ট এবং অন্যান্য ডেটা থেকে সরাসরি বৈশিষ্ট্যগুলি বের করতে পারে। বিভিন্ন অপারেটিং অবস্থা, হার্ডওয়্যার পার্থক্য, এবং প্রিপ্রসেসিং অ্যালগরিদমগুলিকে একত্রিত করে, মডেলের অভিযোজনযোগ্যতা এবং নির্ভরযোগ্যতা উন্নত করা যেতে পারে এবং সনাক্তকরণের লেটেন্সি হ্রাস করা যেতে পারে। মোটর ড্রাইভ, সৌর শক্তি, এবং ব্যাটারি পরিচালনার মতো পরিস্থিতিতে, CNN মডেলগুলি সঠিকভাবে ফল্ট মোড সনাক্ত করতে পারে এবং গতিশীল পরিবেশে বাস্তব-সময় এবং দক্ষ সনাক্তকরণ অর্জন করতে পারে।
সারাংশ
মোটর ড্রাইভ এবং সৌর শক্তির মতো অ্যাপ্লিকেশন পরিস্থিতিতে, বাস্তব-সময়ের ত্রুটি সনাক্তকরণ হল অপারেশনাল নিরাপত্তা এবং দীর্ঘ-নির্ভরযোগ্যতা নিশ্চিত করার ভিত্তি। Edge AI, তার স্থানীয় রিয়েল টাইম ডেটা প্রসেসিং ক্ষমতার সাথে, ত্রুটি সনাক্তকরণ পদ্ধতিতে বৈপ্লবিক পরিবর্তন এনেছে, উল্লেখযোগ্যভাবে সনাক্তকরণের নির্ভুলতা উন্নত করে এবং লেটেন্সি হ্রাস করে, দক্ষ এবং স্থিতিশীল সিস্টেম অপারেশনের জন্য শক্তিশালী সমর্থন প্রদান করে।