透過單晶片AI技術實現設備監控
適用於邊緣運算的完全獨立型AI解決方案「Solist-AI™」
- Solist-AI™解決方案無需依賴雲端伺服器或網路,即可在獨立的邊緣設備上執行即時學習和推理,有助實現AI創新和發展。
Solist-AI™的特點
Solist-AI™解決方案可在邊緣運算領域的各類設備中,實現基於AI技術的狀態監控和劣化預測等功能。由於可支援在現場獨立工作的學習,即使在沒有通訊環境的地方,只需連接感測器也可輕鬆建構系統。
在本示範影片中,系統會現場學習風扇出風口的「開啟/關閉」狀態,並在監控(推理)過程中偵測異常。狀態透過LED顯示(橘色=學習(閃爍)/綠色=監控(亮燈)/黃色=異常(亮燈))。
傳統的解決方案和Solist-AI™比較
技術
概要
Solist-AI™解決方案主要由配備ROHM自有AI處理專用硬體加速器「AxlCORE-ODL」的Solist-AI™微控制器,以及支援系統導入的專用實用軟體構成。
Solist-AI™微控制器的特點
Solist-AI™透過配備AxlCORE-ODL的Solist-AI™微控制器,具有“獨立AI工作”、“設備端學習和追加學習”以及“同時執行AI以外的處理”的特點。
開發環境/實用軟體
為了讓使用者能夠立即評估Solist-AI™,ROHM已經在官網上公佈了在可行性研究和實機驗證的各階段進行AI工作分析所需的支援環境(實用軟體)。
生態系
Solist-AI™解決方案並非ROHM的獨立專案,而是與多家生態系合作夥伴聯合提供的。從硬體和軟體發展到基礎環境的開發與提供,我們將提供全方位支援,助力客戶能夠快速使用和導入產品。
另外為了透過Solist-AI™推動AI創新和發展,ROHM正持續招募生態系合作夥伴。誠摯邀請有意者隨時與我們聯繫。
應用案例
Solist-AI™應用案例1−預測性維護−
馬達軸承的損傷檢測:用於生產設備或機器的預測性維護,實現狀態基準監控(CBM)
Solist-AI™微控制器的各類週邊驅動程式、AI程式庫及相關元件
背景和挑戰
- 希望對生產設備/機器等的異常/故障進行預測性維護
- 缺乏定期檢查人才(有專業知識的工程師)
Solist-AI™的應用
- 在設備導入初期,使用加速度感測器等收集定速運行的振動狀態,作為正常資料進行現場學習
- 將常規運行時的振動狀態與學習資料進行持續比對,當出現一定量偏離時即發出異常警報(=“不同於以往”)
預期效果
- 透過AI及早發現“不同於以往”並調查原因
⇒減少計畫外的設備維修/更換、以及短暫/長期停機 - "將人工TBM轉為AI系統構建的CBM
⇒降低整體維護成本"
※以上是預測性維護的一個示例。不僅適用於馬達系統,還可廣泛應用於各類系統。
Solist-AI™應用案例2−狀態/劣化/參數預測−
電池的劣化預測和狀態變化檢測:用於預測產品劣化指標的未來趨勢,以及推測一般無法計算的參數
背景和挑戰
- 客戶端電池設備的使用方式均不相同
- 無法掌握電池滿充容量劣化等情況,導致使用方式受到限制
Solist-AI™的應用
- 預先學習標準劣化特性(SOH)後出廠。對實際使用中的SOH進行追加學習,可高精度預測電池劣化
- 預先學習電池各cell的標準充放電特性後出廠。在實際使用過程中再進行追加學習,並檢測出各cell差異狀態變化
預期效果
- 學習客戶的使用方式和使用環境
⇒預測未來的劣化趨勢,延長使用壽命 - 在各cell出現差異的基礎上進行學習
⇒儘早發現充電容量異常、平衡異常以及狀態變化
※以上是狀態和劣化預測的一個示例。不僅適用於電池系統,還可廣泛應用於各類系統。
Solist-AI™應用案例
我們已將馬達異常檢測、電池劣化案例以及工業設備、電子產品和生產設備等多種場景的導入實例整理成詳細資料,希望對使用者在考慮導入Solist-AI™時會有所幫助。
Solist-AI™解決方案介紹資料
我們已準備好詳細資料,供客戶評估時參考使用。
註)「Solist-AI™」是ROHM Co., Ltd.的商標或註冊商標。
