通过单芯片AI技术实现设备监控
适用于边缘计算的完全独立型AI解决方案“Solist-AI™”
- Solist-AI™解决方案无需依赖云端服务器或网络，即可在独立的边缘设备上执行实时训练和推理处理，有助于实现AI创新和扩展。
Solist-AI™的特点
Solist-AI™解决方案可在边缘计算领域的各类设备中实现基于AI技术的状态监控和劣化预测等功能。由于支持在现场独立工作的训练，因此即使在没有通信环境的地方，只需连接传感器也可轻松构建系统。
本演示视频中，通过现场训练掌握风扇出风口的“开/闭”状态，实现在监控（推理）时的异常检测。状态通过LED指示灯显示【橙色=训练中（闪烁）／绿色=监控中（灯亮）／黄色=异常（灯亮）】
以往的解决方案和Solist-AI™比较
技术
概要
Solist-AI™解决方案主要由配备ROHM自有AI处理专用硬件加速器“AxlCORE-ODL”的Solist-AI™微控制器，以及支持系统引入的专用实用软件构成。
Solist-AI™微控制器的特点
Solist-AI™通过采用配有AxlCORE-ODL的Solist-AI™微控制器，具有“独立AI工作”、“设备端学习和增量训练”以及“同时执行AI以外的处理”的特点。
开发环境/实用软件
为了让用户能够立即评估Solist-AI™，ROHM已经在官网上公开发布了在可行性研究和实机验证的各个阶段进行AI工作分析所需的支持环境（实用软件）。
生态系统
Solist-AI™解决方案并非ROHM的独立项目，而是与多家生态系统合作伙伴联合提供的。从硬件和软件开发到基础环境的开发与提供，我们将提供全方位支持，助力客户能够快速使用和引入产品。 另外，为了通过Solist-AI™推动AI创新和扩展，ROHM正持续招募生态系统合作伙伴。诚邀有意向者随时与我们联系。
应用案例
Solist-AI™应用案例1−预测性维护−
电机轴承的损伤检测：用于生产设备或机器的预测性维护，实现状态基准监控（CBM）
Solist-AI™微控制器的各类外设驱动、AI程序库及相关组件
背景和挑战
- 希望对生产设施或机器等的异常或故障进行预测性维护
- 缺乏定期检查人才（有专业知识的工程师）
Solist-AI™的应用
- 在设备引入初期，使用加速度传感器等采集恒速运行的振动状态作为正常数据进行现场训练
- 将常规运行时的振动状态与训练数据进行持续比对，当出现一定量偏离时即发出异常征兆警报（＝“不同于以往”）
预期效果
- 通过AI及早发现“不同于以往”并调查原因
⇒减少计划外的设备维修或更换以及短暂或长期停机 - 将人工TBM转为AI系统构建的CBM
⇒降低整体维护成本
※以上是预测性维护的一个示例。不仅适用于电机系统，还可广泛应用于各类系统。
Solist-AI™应用案例2−状态/劣化/参数预测−
电池的劣化预测和状态变化检测：用于预测产品劣化指标的未来趋势，以及推测常规无法测量的参数
背景和挑战
- 客户的配备电池设备的使用方式各异
- 无法掌握电池满充容量的劣化等情况，导致使用方式受到限制
Solist-AI™的应用
- 预先训练标准劣化特性（SOH）后出厂。对实际使用中的SOH进行增量训练，以高精度地预测电池劣化
- 预先训练电池各单元的标准充放电特性后出厂。在实际使用过程中进行增量训练，并检测出考量了每个单元个体差异后的状态变化
预期效果
- 训练客户的使用方式和使用环境
⇒预测未来的恶化趋势，延长使用寿命 - 在考量每个单元个体差异的基础上进行训练
⇒尽早发现充电容量异常、平衡异常以及状态变化
※以上是状态和劣化预测的一个示例。不仅适用于电池系统，还可广泛应用于各类系统。
Solist-AI™应用案例集
我们已将电机异常检测、电池劣化案例以及工业设备、电子产品和生产设备等多种场景的引入实例整理成详细资料，希望对用户在考虑引入Solist-AI™时会有所帮助。
Solist-AI™解决方案介绍资料
我们已准备好详细资料，供客户评估时参考使用。
联系我们・征集生态系统合作伙伴
我们欢迎那些赞同Solist-AI™生态系统，并希望共同推动技术创新的企业加入我们。让我们携手引领行业，创造新的价值。您愿意与我们一起实现下一代的技术创新吗？
注）“Solist-AI™”是ROHM Co.，Ltd.的商标或注册商标。