瑞萨RX23E-A MCU实现传感器设备通用化的实例-Ameya360 electronic components purchasing network

瑞萨RX23E-A MCU实现传感器设备通用化的实例

Release time：2023-02-03

author：Ameya360

source：网络

reading：2739

　　我们经常听到“通用化设计”的要求。通用化设计不仅可以降低元件的成本，还可以压缩未来的维护工时。特别是瑞萨的RX23E-A作为主要目标的工业传感器设备，具有产品生命周期长、规格多样的特点，因此可以说通用化的好处是很大的。

　　通用化大致分为两个方向。一种是同类产品之间的通用化。例如，高端产品和低端产品的通用化。另一种通用化是不同类别产品之间的通用化。例如，压力计和温度计的通用化。本期将通过具体示例为大家介绍RX23E-A是如何帮助前者即同类产品之间实现通用化的。

瑞萨RX23E-A MCU实现传感器设备通用化的实例

　　RX23E-A产品阵容包括RX23E-A/2units（配备了2台ΔΣADC）和RX23E-A/1unit（配备了1台ΔΣADC）。下面介绍区别运用RX23E-A/2units和RX23E-A/1unit实现通用化设计的示例。需要注意的是，本次介绍的示例中包含作者的一些设想。

　　示例1：荷载测量

　　第一个示例是重量、力和扭矩等荷载测量的例子。在荷载测量应用中，事实上有许多不同的版本。最简单的版本是配备有一个负载传感器和一个ΔΣADC的版本，如下左图所示。然而，根据机械结构、精度/准确度和测量周期的不同，某些版本可能具有多个负载传感器和多个ΔΣADC，如下右图所示。比如高端版本的称重仪，在称重台的四个角放置应变传感器，似乎可以提高精度。区别运用RX23E-A/1unit和RX23E-A/2units，可实现这些不同版本的通用化。

瑞萨RX23E-A MCU实现传感器设备通用化的实例

　　示例2：压力控制

　　第二个示例是压力控制应用中的例子。用于控制压力的机制如下所示。

　　当供应阀打开而排气阀关闭时，供压被提供给输出侧，从而使输出压力上升。

　　当供应阀关闭而排气阀打开时，使输出压力减小。

　　重复上述两个动作，可控制压力恒定。

　　常规版本的控制系统只配备了一个压力传感器来测量输出压力，如左图所示。而高端版本的控制系统则如右图所示，分别配备了一个用于测量输出压力的压力传感器和一个用于测量供压的压力传感器。在左图的情况下，当供压发生变化时，输出压力变化幅度较大和调整时间变长可能成为一个大问题。另一方面，在右图的情况下，通过测量供压应该可以解决这些问题。因此，区别运用RX23E-A/1unit和RX23E-A/2units可实现常规版本和高端版本的通用化。

瑞萨RX23E-A MCU实现传感器设备通用化的实例

　　示例3：温度测量

　　第三个示例是利用热电偶进行温度测量的例子。

　　使用热电偶进行温度测量时，除了热电偶本身的测量外，还需要测量参比端（RJC：Reference Junction Compensation）的温度。PT100通常用于测量参比端。与上述示例相比，温度是一个变化较慢的信号，因此许多版本采用MUX在热电偶和参比端PT100之间进行切换测量，如左图所示。但是，某些版本也会同时进行热电偶测量和参比端测量。在这种情况下，可以使用便宜的数字温度传感器来测量参比端。这意味着测量参比端的方法因版本而异。从通用化的角度来看，这是我们要避免的。

　　以此为出发点，RX23E-A/2units允许同时测量热电偶和参比端PT100，如右图所示。因此，区别运用RX23E-A/1unit和RX23E-A/2units可消除对数字温度传感器的需求，并实现元件的通用化。

瑞萨RX23E-A MCU实现传感器设备通用化的实例

　　以上介绍了3个示例。最后补充一点，RX23E-A/2units和RX23E-A/1unit是针脚兼容的，并且具有通用的开发工具。本期介绍的是基于硬件角度的通用化，当然固件通用化也是可以的。

（"Note: The information presented in this article is gathered from the internet and is provided as a reference for educational purposes. It does not signify the endorsement or standpoint of our website. If you find any content that violates copyright or intellectual property rights, please inform us for prompt removal."）

行业新闻

瑞萨丨技术干货｜解决方案套件概念：AI赋能的智能电动自行车——重塑城市出行与智能交通

　　电动自行车正在迅速重塑城市出行方式。作为汽车之外更可持续、更灵活的选择，电动自行车不仅有助于缓解交通拥堵，也符合绿色低碳的发展趋势。随着电动自行车技术的不断进步和普及，用户对安全性、可靠性和智能辅助功能的期待也在持续提升。　　然而，无论是传统机械自行车还是电动自行车，当前仍高度依赖骑手的主动感知以及按计划进行的维护保养。许多机械问题往往是逐步演变的，在性能明显下降或故障真正发生之前，几乎没有预警信号。这种被动式维护方式容易导致意外故障、更高的维修成本，甚至带来潜在的安全隐患。　　瑞萨通过AI赋能的智能电动自行车概念方案应对这些挑战。该方案基于嵌入式边缘人工智能(AI)，在自行车本体上即可实现预测性维护、智能骑行辅助、环境感知以及电池管理优化，无需依赖云端连接。　　嵌入式边缘AI实现预测性与智能骑行　　智能电动自行车的核心由Renesas AIK-RA8D1 AI开发套件驱动。该套件基于RA8D1微控制器(MCU))，这是一款面向实时嵌入式AI应用设计的高性能Arm® Cortex-M85® MCU。借助Renesas Reality AI Tools®，开发者可以部署高度优化的AI模型，使其完全运行于MCU本地，无需云端计算支持。　　这种系统架构在实现更安全、更高效骑行体验的同时，也有效控制了功耗和系统成本，非常适合大规模部署于智能出行设备中。　　AI赋能的智能电动自行车围绕以下两大核心能力，全面提升骑行体验:　　AI驱动的状态监测　　更顺畅、更安全的骑行体验，全面提升用户感受　　瑞萨电动自行车概念　　AI驱动的状态监测　　无论是传统自行车、电动自行车，还是共享出行车队中的自行车，本质上都是精密的机械系统。其性能高度依赖于关键部件的健康状况，包括链条、齿轮、轴承以及车架连接部位。随着时间推移，这些部件会因机械应力、环境影响以及骑行工况而逐渐磨损和劣化。　　传统的维护方式通常依赖定期人工检查或基于里程的保养周期。这些方法往往不够精准且偏被动，容易导致突发故障，增加维护成本和运营风险。　　通过将AIK‑RA8D1与加速度传感器直接集成到自行车中，实时AI驱动的状态监测成为可能。系统可持续分析振动特征和运动模式，及早发现机械性能退化的迹象。　　关键预测性维护功能包括：　　链条劣化检测(Chain Deterioration Detection)——系统监测传动系统的振动模式。当振动特征偏离正常状态时，可在性能明显下降之前识别出链条过度磨损或润滑异常问题。　　齿轮异常检测(Gear Anomaly Detection)——AI模型可识别由齿轮齿面磨损、损坏或变速器对位异常引起的异常振动模式，实现早期干预。　　轴承失效检测(Bearing Failure Detection)——轴承在劣化过程中会产生特定的高频振动特征。系统可在出现可听噪声或严重机械损伤之前就检测到这些异常。　　车架结构监测(Frame Structure Monitoring)——通过振动分析，还可识别车架的松动或结构性变化，从而提升骑行安全性并延长整车使用寿命　　瑞萨如何实现智能自行车监测　　要构建高精度的状态监测AI模型，必须采集涵盖正常运行状态和多种机械故障状态的数据集。　　为此，系统采用AIK-RA8D1 AI开发套件，并通过Pmod™模块连接外部加速度传感器。开发套件和传感器均直接安装在自行车上，在真实骑行场景中采集振动和运动数据。　　数据集采集通过Data Storage Tools完成。该工具可作为插件集成在Renesas e² studio中，也可作为独立应用供第三方IDE用户使用工具可实时采集加速度传感器的原始数据，并进行存储，用于后续的数据标注和AI模型训练。　　Figure1.Training Set-up　　AI模型开发与部署　　在完成数据标注并上传至Renesas Reality AI Tools后，可利用云端AutoML功能训练和评估多个AI模型，并针对RA8D1 MCU进行部署优化。　　最终选定的模型能够识别七种系统状态：　　电动自行车状态：识别空闲与静止状态　　链条运行状态：识别正常的正向与反向链条运动　　齿轮异常：基于变速器位置检测两种故障状态　　后轮结构状态：识别潜在的后轮松动问题　　该优化模型在仅占用5KB内存的情况下，实现了99.63%的识别准确率，可高效运行于RA8D1 MCU上。　　Figure2.Model Development to Deployment Flow　　部署完成后，推理结果可通过集成在e² studio开发环境中的AI Live Monitor工具进行实时监控。　　AI增强型骑行智能　　除状态监测外，AIK RA8D1还可作为智能电动自行车计算核心，充当中央处理节点，分析来自电机、电池及各类传感器的数据——支持在有或无额外传感硬件的情况下运行。　　AI赋能的骑行功能示例包括：　　载荷分布检测——通过分析振动与运动信号，系统可估算骑手及货物的重量分布。据此推荐或自动调整坐垫位置，以提升舒适性和踩踏效率。　　路面类型识别(Surface Detection)——AI模型可识别沥青路、碎石路或不平整地形。并根据路况动态调整电机扭矩和功率输出，从而提升稳定性与能效。　　目标检测，实现更安全骑行(Object Detection for Safer Riding)——结合视觉传感器时，AI模型可识别周围车辆与障碍物，在盲区来车时触发预警。　　“See with Sound”的空间感知能力——通过麦克风阵列，系统可估算周围车辆的来向，并向骑手提供空间方位提示，而无需持续视觉关注。　　推动下一代智能出行　　AI驱动的智能电动自行车方案充分展示了嵌入式边缘AI对个人出行和共享交通的变革潜力。通过将预测性维护与环境感知能力直接集成到自行车中，制造商能够打造更安全、更可靠、更高效的出行解决方案。　　瑞萨AI技术致力于帮助客户基于可扩展的边缘AI平台，构建适用于实时嵌入式部署的智能出行系统。　　告别突发故障，从瑞萨开始打造更智能、更安全的自行车。　　准备好将AI驱动的状态监测引入骑行领域了吗?

2026-06-02 09:56 reading：306

model	brand	Quote
MC33074DR2G	onsemi
CDZVT2R20B	ROHM Semiconductor
BD71847AMWV-E2	ROHM Semiconductor
RB751G-40T2R	ROHM Semiconductor
TL431ACLPR	Texas Instruments

model

brand

Quote

onsemi

ROHM Semiconductor

ROHM Semiconductor

ROHM Semiconductor

Texas Instruments

model	brand	To snap up
STM32F429IGT6	STMicroelectronics
TPS63050YFFR	Texas Instruments
BU33JA2MNVX-CTL	ROHM Semiconductor
ESR03EZPJ151	ROHM Semiconductor
BP3621	ROHM Semiconductor
IPZ40N04S5L4R8ATMA1	Infineon Technologies

model

brand

To snap up

STMicroelectronics

Texas Instruments

ROHM Semiconductor

ROHM Semiconductor