瑞萨丨AI加持，为储能安全构筑“智慧防线”-Ameya360 electronic components purchasing network

瑞萨丨AI加持，为储能安全构筑“智慧防线”

Release time：2026-07-10

author：AMEYA360

source：瑞萨

reading：161

　　2026年7月1日-7月3日，慕尼黑上海电子展于上海新国际博览中心盛大举办。展会同期，十余场行业高峰论坛轮番开讲，紧扣热门赛道发展趋势，为参会同仁带来集硬核技术与前沿洞察于一体的行业盛会。

　　瑞萨电子受邀出席多场主题论坛并发表技术演讲，围绕储能、汽车电子、端侧智能等领域分享前沿成果与落地实践。本篇为系列演讲内容的首篇，聚焦2026年创新储能技术论坛的精彩分享。

　　创新储能技术论坛

　　基于瑞萨电子AI工具链实现拉弧检测

　　在由电子发烧友网和慕尼黑上海电子展联合举办的2026年创新储能技术论坛上，瑞萨电子嵌入式处理器事业部高级系统架构师苏勇发表了题为《物理AI应用实践：基于瑞萨电子AI工具链实现拉弧检测》的精彩演讲，演示了一套从数据采集、模型训练到嵌入式部署的端到端拉弧检测方案。

瑞萨丨AI加持，为储能安全构筑“智慧防线”

　　瑞萨电子嵌入式处理器事业部高级系统架构师苏勇

　　电子拉弧是电流击穿空气形成的持续火花放电现象，其产生的局部高温和电离效应是引发电气火灾的重大隐患。在光伏、储能、家电以及工业设备中，预先检测拉弧信号并采取保护措施至关重要。传统的检测方案，如电流比值法、波形分析法等，严重依赖设计人员的信号分析专业背景，且准确率通常仅在50%左右，难以满足日益增长的安全需求。相比之下，基于AI模型的方案开发流程更简单，检测准确率可高达95%。

　　苏勇介绍道，瑞萨搭建了一个AFCI拉弧检测仿真系统，其基于搭载AI的RA6M5 AFCI开发板实现。在数据采集时，拉弧检测电路板变身数据采集卡，配合上位机工具和电路板的固件，实现以指定ADC采样率采集数据，并通过USB将数据传递到电脑保存成样本文件，为后续模型训练做准备。数据准备就绪后，借助Reality AI Tools生成AI模型，并通过混淆矩阵评估模型准确度。模型训练完成后，Reality AI Tools可直接导出适用于目标嵌入式平台的C语言源码库。开发者能轻松地将其集成到RA6M5的嵌入式工程中，通过调用简单的API即可实现实时推理与响应。

　　经实测，单次推理加消抖处理仅耗时4.3 ms，最终固件占用Flash约16 KB、RAM约32.5 KB，充分验证了AI模型在资源受限的边缘设备上的可行性与高效性。

　　从数据采集、模型训练到边缘部署的全链路方案，为储能安全检测提供了更高效的解题思路。依托完整的嵌入式产品生态与成熟的AI工具能力，瑞萨将持续推动物理AI在更多工业与汽车场景落地，为客户创造更高的技术价值。

瑞萨丨AI加持，为储能安全构筑“智慧防线”

（"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

瑞萨丨机器人的灵活操作：助力之手

　　技术发展和研究的加速，推动了人们对利用新能力来增强和补充现有流程与工作流的兴趣与采用，尤其是在机器人领域。　　机器人自20世纪50年代就已出现，其中最早的工业机器人之一——Unimate，是一种液压机械臂，于1953年获得专利，并在1961年安装于通用汽车工厂。机械臂专门执行重复性任务，例如焊接和压铸，从而革新了制造业自动化。此后，机器人相关技术不断演进，从电机驱动与控制到功能安全，使机器人能够执行更加复杂的任务，并被应用于更多行业。　　如今的机器人不再是固定不动、仅限于单一重复任务的设备，而是能够在动态环境中主动工作，对环境及其中的事物进行更精细、更精准的互动。当今以及未来的机器人需要具备类似“手”的灵巧性，以便与周围环境和物体进行接触与交互。　　机器人应用中“手”的关键作用　　机器人的“手”为其提供了更精细的运动能力和控制力，使其能够以更精准的方式与物体及环境进行交互。虽然提到机器人手时，人们脑海中可能会浮现出某种特定的形态，但对于不同用途的机器人来说，其“手”的外观和功能并不相同。　　例如，用于在农田中只采摘成熟草莓的机器人，其对“手”的需求，与一台用于在火星收集和搬运大型岩石的机器人截然不同。同样，在回收设施中工作的固定式机器人，需要对传送带上的可回收物进行识别、抓取和分类，其“手”和系统设计，也会与用于汽车装配中标准化抓取和放置大型金属部件的机器人有所不同。　　最终的结构形态、能力以及精度，取决于具体的应用场景和使用需求。　　在设计机器人“手”的灵巧性时，需要综合考虑多个因素，例如：需要多少个关节、需要多少电机/执行器、所需精度水平，以及是否需要主动处理和决策能力等。这些问题可以从以下几个方面来思考：　　环境：机器人部署在什么样的环境中?　　静态或动态：机器人是固定在一个位置、在有限空间内进行操作，还是需要在变化的动态环境中移动或进行交互?　　交互范围：机器人的“手”是自主机器人的一部分，与人类协同工作的工作流程中的一环，还是人类的延伸(例如：假肢手)?　　物体交互：机器人手需要处理什么样的物体?　　统一或多变：处理的物体是否是统一的(例如流水线中的相同螺丝或金属面板)，还是每次都不同(例如清理公路垃圾的机器人)?　　易碎程度：物体有多脆弱或精细?　　尺寸：被处理的物体有多大或多小?　　手所处理的物体以及其作业环境，会直接决定系统功能设计，比如：　　是否集成人工智能(AI)，还是采用固定控制算法　　电机数量　　电机控制与电机驱动精度　　电机反馈机制与传感器配置　　赋能机器人手部灵巧性的关键要素　　要让机器人“手”系统具备完整功能，其基础构建模块主要由以下子系统和功能组成：　　系统决策：基于预定义算法或用于实时决策的AI以制定动作指令　　电机控制：控制信号的生成与逻辑管理　　电机驱动：将控制信号进行功率放大，以驱动电机，实现所需的运动　　运动与手部反馈：通过电机性能反馈进行决策调整　　系统决策　　系统决策决定了机器人手部动作的触发方式，并取决于与机器人自主性对应的任务级别：动态任务(在动态环境和/或对象变化情况下需要主动决策)与标准化任务(静态环境、既定流程、对象统一)。　　一台用于汽车装配、负责抓取并固定金属面板的工业机器人需要高效、流畅的运行。因此，其系统决策通常由工业可编程逻辑控制器(PLC)实现，采用固定的系统决策方式，以优化动作流程并追求更高的生产效率。　　另一方面，一台食品配送机器人(或服务机器人)，其任务是在餐厅中将食物送到正确的桌位，并在不洒出的情况下将餐盘放置在桌面上，则很可能需要基于AI的系统决策，其决策处理系统能够进行感知(和/或视觉识别)，并对机械手应如何动作做出主动决策(例如：握持餐碗以正确放置在桌上对应的人面前，根据餐碗的装载程度确保内容物不洒出，等等)。　　机器人手的动作取决于系统决策——无论是精简的控制算法还是动态的AI驱动系统。　　在机器人手应用中，动态AI驱动系统的一个示例是瑞萨展示的带有AI视觉的灵巧手系统，该系统利用高性能视觉AI MPU，实现基于手势的智能控制。该视觉MPU与摄像头接口以获取视觉输入，并运行边缘AI处理，从而精确控制机器人手，使其能够模仿摄像头检测到的动作。　　电机控制　　一旦系统决策已决定发出某个动作指令，该指令会被发送到机器人手系统，由电机控制负责处理驱动运动的实时控制信号和逻辑管理。　　在机器人手中，电机控制是将高层意图转化为物理交互的环节。机械手可能需要在不压坏物体的情况下完成抓握，在机器人运动过程中保持抓持，并协调多个关节，使指尖沿着平滑、可重复的路径运动。这些行为取决于每个电机被指令控制的速度和精度，以及控制器利用位置、电流/扭矩和力反馈实现闭环控制的能力。随着应用场景从对统一部件的简单抓取放置，转向在动态环境中处理易碎、变化的物体，对电机控制的要求(以及其背后的架构)也会相应提升。　　该功能通常由微控制器(MCU)或微处理器(MPU)承担，其与系统决策或用户界面连接，并与传感器、反馈电路以及电机驱动级相连接。除了处理通信和信号传输外，电机控制处理器还运行控制算法，用于确定每个电机的驱动方式。关键的选型考虑包括需控制的电机数量、控制回路性能要求及计算复杂度，以及电机和手部层面所使用的传感与反馈类型。　　手部的电机控制可以采用级联方式，并与多个电机控制与驱动系统及子系统共同使用。根据子系统(如腕部、手指等的电机控制)以及手部所接触物体的脆弱性和/或尺寸，在选择控制器时需要考虑任务所需的运动能力、精度和准确性。　　以下展示了几种不同的电机控制配置示例(这些示例还包括电机驱动电路)，以适应多种手部交互和需求(包括电机类型、对运动形式及物体交互的影响、可控制的电机数量、工业通信与功能安全支持、传感器接口能力等)。　　示例电机控制应用框图　　伺服电机控制：步进电机用于角运动和保持扭矩　　带旋变的BLDC电机控制：BLDC电机用于平滑连续运动和高精度　　带以太网的6轴和9轴工业电机控制：可扩展的高性能电机控制，具备高级算术处理、运动规划和轨迹生成　　带工业网络和功能安全的电机控制系统：用于多电机(最多9个)的高性能、高精度电机控制，并集成功能安全架构　　机器人手的电机控制最终取决于具体的应用场景：机器人需要具备多大的灵巧性、执行什么类型的任务、处理哪些类型的物体等。　　根据前面的示例，在工厂装配线中运行的工业机器人，可能需要采用具备工业网络和功能安全支持的电机控制系统，以满足其应用场景下的安全规范。另一方面，如果机器人手的应用是作为辅助性的灵巧机械臂，用于帮助身体障碍人士进食，则带旋转变压器的BLDC电机控制能够提供平滑、连续的运动，并在精细操作任务中实现高精度。　　合适的电机控制处理器能够实现并提升机器人手的应用能力。您可以参考我们的电机控制处理器指南，以帮助您开始为机器人手需求选择合适的器件。　　电机驱动　　在电机控制处理器确定每个执行器应执行的动作之后，电机驱动提供实现该运动所需的电力。之所以需要电机驱动，是因为控制器的输出只能产生低功率的指令信号(如PWM、步进/方向信号或电流目标)，而机器人手中的电机则需要更高电流和特定电压波形来产生扭矩和运动。　　在实际应用中，驱动级结合了功率放大、相位切换、电流调节以及保护功能，使机械手能够高效运动，并在不同负载和接触条件下实现可预测的响应。　　根据电机类型(伺服、步进、BLDC)以及每个关节或手指的功率等级不同，同一只机械手中的电机驱动实现方式可能差异较大。从整体来看，驱动链通常包括栅极驱动器和功率MOSFET等基本模块，用于电流的开关与调节，并配套用于检测和故障处理的电路。在某些架构中，可编程混合信号器件(如：HVPAK——高压可编程混合信号器件)也可用于实现或分担驱动级周边的逻辑和保护功能。　　一个采用带栅极驱动器的三相逆变器架构的驱动链示例如下：　　电机与传感器反馈　　机器人手不仅需要确定要做什么动作，还需要确定如何对其进行控制和驱动。电机反馈和传感器对于实现闭环交互至关重要，使机械手能够在实时中对其动作进行测量并主动修正。　　反馈对于机械手尤为重要，因为其需要与周围的物体和环境进行交互：在提起物体时负载会发生变化，可能出现意外碰撞或停转等情况。对电机位置、速度、扭矩、接触力等关键参数进行持续感知，可确保机械手维持动作精度、调节抓握或接触力、检测故障，并适应物体在尺寸、形状和脆弱性方面的变化。　　多种传感器和信号调理可以集成到机器人手中，以提供：　　位置与速度反馈：用于确认每个关节的位置及其运动速度，从而实现精确轨迹和可重复抓取　　电流/扭矩反馈：用于调节电机扭矩，实现平滑运动并控制抓握力度　　力/触觉反馈：通过力传感器和压力阵列指示接触、滑动以及指尖施加的力，用于精细操作　　不同类型的传感器被布置在手部系统的关键位置，用于测量诸如压力和位置等不同参数。这些读数需要进行放大、调理和处理，使系统控制器能够准确、可靠地读取传感器数据，并据此采取相应动作以纠正机械手的运动和行为。　　尤其是当手部扩展到多自由度时，反馈变得更加重要。控制器必须在协调多个关节的同时，利用力和扭矩信息，避免对物体或机械手本身造成损坏。　　在之前的采摘草莓示例中，机械手必须能够检测接触力和滑动，从而实时调整抓取力度，在不压坏草莓的情况下完成抓取，并通过更精细的操作提升重复性。同样，如果机械手作为辅助进食机械臂为人类服务，它需要在接触到人的口部时知道何时停止，而不是继续移动。　　力感知有助于区分自由运动与接触，从而实现更安全的交互以及更可控的抓取。通过闭环力反馈和一致的传感器接口，机械手在抓取和放置任务中可以实现更高的重复性。　　以下列出了一些用于实现机器人手反馈的关键信号调理模块和传感器：　　信号调理　　传感器信号调节器(SSC)　　放大器　　旋变转数字转换器　　AnalogPAK可编程混合信号集成电路　　传感器　　电感式位置传感器(IPS)　　阻抗传感器　　综合建构：灵巧手系统设计　　借助系统决策、电机控制、电机驱动以及反馈系统这些基本构建模块，可以根据具体使用场景和最终应用需求，设计出相应的灵巧手机器人系统架构。　　例如，下图展示了一个具有17个自由度(DOF)的高性能灵巧手系统架构，该系统可部署于人形机器人或其他系统中，从而实现复杂且精细的运动操作能力。　　系统决策：从触发手部动作的来源开始，首先是系统决策。在该示例架构中，采用的是动态系统决策，它与更大的人形机器人的“小脑”相连接，用于执行AI处理和系统集成。人形机器人会利用视觉AI、语音识别、视觉建图/导航等能力进行处理，然后向手部系统发送相应指令以执行动作。　　固定的系统决策也可以通过EtherCAT®、USB或RS‑485等接口实现，使机械手能够根据最终应用场景，通过笔记本GUI、PLC等进行控制。　　电机控制与驱动：由于该灵巧手架构是一个具备17自由度(17‑DOF)的高性能手系统，因此存在多个电机控制处理器，用于与手部各个运动部件接口，包括多个手指关节以及腕部运动。每个基础动作都由一个电机控制处理器负责，执行对应部分的电机控制，同时配合电机驱动，使手/手指/关节按照预期方式运动。　　这些系统中的许多可以通过如CAN FD等接口进行堆叠和互联，从而实现无缝集成和流畅运动。在该17‑DOF架构中，由于每个关节都需要电机子系统，因此采用了这种方式。　　例如，用于控制手指远端关节(最末端关节)的电机控制处理器，只控制一个电机系统。它接收来自主手控制器的系统决策动作，并处理如何驱动该单一远端关节的逻辑和控制算法。随后，它与电机驱动组件(HVPAK)协同工作，实现关节执行，同时处理其他逻辑和信号输入，例如齿轮或电机编码信号，以实现预期的关节运动。　　传感器集成与系统反馈：除了仅负责PWM等驱动信号或编码逻辑外，电机控制处理器还集成来自电机及所部署传感器的反馈。　　在该示例中，压力传感器和力传感器被嵌入在手部内部，使其能够感知何时接触到物体以及应施加多大的抓握力。用于阻抗测量、信号检测调理以及电流检测的集成电路，可用于自身检测或与传感器接口，这些对于与电机控制器形成闭环反馈至关重要，从而使机械手能够在与周围物体和环境交互时安全且正确地运行。　　机器人手并非“一刀切”：所处环境、所处理物体的多样性与脆弱性，以及自主性水平，都会决定特定系统中“灵巧性”的含义。　　机器人手的顶层需求映射到其执行基础的核心构建模块：从系统决策(手应做什么)开始，到电机控制(如何下达与协调运动指令)，电机驱动(如何向执行器提供电能)，以及最后的电机与传感器反馈(系统如何测量结果并进行实时修正)。

2026-06-23 10:12 reading：370

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

model

brand

Quote

Texas Instruments

ROHM Semiconductor

ROHM Semiconductor

ROHM Semiconductor

onsemi

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

model

brand

To snap up

IPZ40N04S5L4R8ATMA1

Infineon Technologies

ROHM Semiconductor

ROHM Semiconductor

Texas Instruments