図1　NPU集積マイコン（左）と32ビットDSPコア集積マイコン（��）　出�Z：Texas Instruments

TMS320F28P55xシリーズにCNN（�Qみ込みニューラルネットワーク）を実行するNPUを集積したのは、動作中の異常を��確に把�曚垢襪燭瓩任△�。��来、モーター ドライブやソーラー システムでは、誤アラートや異常を見つけることが�Mしかった。��来のルールベースでの異常検出では誤検出や異常の監��は�科�ではなかった。その信頼性を高めるためには、誤アラートを低��(f┫)すると同時に、モーター ベアリングの異常や実際の障害を監��できるよう、高�]で予�R可�Δ淵轡好謄狆祿恩―亠��Δ���要だった。

TIは、モータードライブのベアリングの異常とソーラーパネルのアークを検出するという二つのユースケースを検討している。

モーター ベアリングの障害は、電動モーターのベアリングに異常な�X��や劣化がある場合に発�擇垢�。モーター ベアリング��の CNN モデルは、振動信��(gu┤)などのセンサ データから��雑な��常信��(gu┤)のパターンを学�{し、そこから外れた信��(gu┤)を異常と見なすように学�{させると、ベアリングの障害を��(j┤)す微��な変動を検出できる。CNNで はベアリングの磨耗や�v転子の不均衡などの障害パターンを、振動や電流信��(gu┤)から識別できるという。予期しない障害の防�Vや、ダウンタイムの�]縮、メンテナンス コストの削��(f┫)には、こうした障害を検出することが�L(f┘ng)かせない。

ソーラーパネルの異常検出では、ソーラーからのDC電流や、バッテリに溜める電圧と電流などのセンサデータからCNNモデルは�O��的に学�{させることができる。常に��常な電流値を学�{させておけば、アーク放電などでDC電流の異常を見つけることができる。またこれをバッテリ管理システムに応��すると、バッテリの充電プロファイルの経時変化を学�{させておけば、バッテリの�X��をモニタリングしていると充電�X��を推定できるようになる。TMS320F28P55xシリーズでは、システム障害の検出�@度は99%まで高めることができるようになるとしている。

図2　ソーラーパネルでアーク放電を検出する　出�Z：Texas Instruments

��来のシステムでは、パワーコンディショナー（図2のDC/DC MPPTs+DC/AC Inverter Power Stages）を�U(ku┛)御するC2000とアーク放電を検出するICの2チップ構成だったが、今�vのICは1チップ構成で、しかも検出�@度は��来のルールベースでの80%から99%に�屬�った。

もう�kつのF29H85xシリーズは、リアルタイム�U(ku┛)御性�Δ��屬欧�ICであり、ここではNPUを集積していない。その代わりHSM（ハードウエアセキュリティモジュール）を搭載し、しかもマイコンのコアとは分�`しており、セキュリティを��(d┛ng)化している。��来の同社のC28シリーズのコアと比べ、シグナルチェーンの性�Δ�2〜3倍高く、DSPによるFFT（高�]フーリエ変換）性�Δ�5倍、マイコンとしての割り込み応答時間とレイテンシは1/4などと性�Δ�向�屬靴討い�。性�Δ��屬欧襪燭�VLIW（Very Long Instruction Words）アーキテクチャを使っており、最�j(lu┛)8命令を処理する。