Integrazione di Edge Machine Learning in architetture di microcontrollori per sistemi avanzati di rilevazione incendi

Con la crescita delle comunità e l'innalzamento degli standard di sicurezza, i sistemi di rilevamento incendi affidabili stanno diventando essenziali. Sia negli spazi commerciali che nelle abitazioni private, i rilevatori di fumo svolgono un ruolo fondamentale nella protezione delle vite umane e dei beni.

Con l'evoluzione della tecnologia di rilevamento del fumo, aumentano anche le aspettative sulle prestazioni di questi sistemi in ambienti reali. I rilevatori moderni devono essere abbastanza sensibili da cogliere i primi segnali d'allarme, ma al contempo sufficientemente efficienti da funzionare in modo affidabile per anni.

Tenendo a mente questo obiettivo, abbiamo esplorato approcci che combinano hardware a basso consumo con l'elaborazione intelligente del segnale, ad esempio utilizzando il microcontrollore (MCU) RL78/G22 insieme a modelli TinyML generati con gli strumenti Reality AI. Insieme, consentono ai rilevatori di riconoscere i pattern di fumo in modo più accurato, identificare le anomalie e, infine, supportare progettazioni più sicure e reattive, accelerando al contempo lo sviluppo e l'integrazione del prodotto.

Soluzione per rilevatori di fumo
I metodi di rilevamento più comuni nella tecnologia dei rilevatori di fumo includono gli approcci fotoelettrici, a ionizzazione e a doppio sensore. La soluzione Renesas adotta il metodo fotoelettrico, particolarmente efficace per rilevare gli incendi a combustione lenta nelle fasi iniziali.

Con le recenti revisioni dello standard UL, in particolare l'inclusione dei test per gli incendi da poliuretano e i falsi allarmi da cottura, i requisiti di accuratezza del rilevamento sono diventati notevolmente più restrittivi. Per soddisfare questi requisiti, la nostra soluzione utilizza un'architettura di rilevamento a LED con doppia lunghezza d'onda. Le luci LED su diverse lunghezze d'onda presentano differenti intensità di diffusione (scattering) a seconda della dimensione delle particelle di fumo. Di conseguenza, varia anche l'intensità dei segnali ottici rilevati dal fotodiodo. Grazie a questa caratteristica, la soluzione è in grado di distinguere con maggiore precisione tra il fumo d'incendio e i vapori/fumi da cottura.



Figura 1. Come distinguere con accuratezza tra fumo d'incendio e fumi da cottura

Per implementare efficacemente questa architettura di rilevamento, la nostra soluzione adotta una progettazione hardware integrata centrata sul microcontrollore RL78/G22 e un circuito integrato AFE (Analog Front-End). Progettato per rilevatori di fumo di tipo convenzionale per uso commerciale, il sistema funziona con un'alimentazione da 24 V a 40 V. Incorpora un circuito di limitazione della corrente (≤ 160 µA) e un circuito di segnalazione esterna per offrire i seguenti vantaggi chiave:

Figura 2. Configurazione del rilevatore di fumo intelligente

Rilevamento basato su IA con un singolo sensore intelligente
L'approccio tradizionale — basato sull'uso di due LED per classificare i tipi di fumo mediante un algoritmo efficace dopo aver rilevato e digitalizzato le luci LED diffuse, unitamente ai circuiti di pilotaggio di supporto — funziona, ma aggiunge costi e complessità a ogni rilevatore. Abbiamo quindi fatto un passo indietro e riconsiderato il problema. Invece di chiederci come gestire due sorgenti luminose, ci siamo posti una domanda più semplice: un singolo LED IR può fornire tutte le informazioni di cui un rilevatore ha bisogno?

Sfruttando l'Edge AI, possiamo andare oltre il semplice rilevamento a soglia: anziché valutare solo la quantità di luce diffusa, il nostro modello di intelligenza artificiale analizza la firma temporale unica del segnale. Abbiamo raccolto un ampio set di dati sottoponendo il nostro design di riferimento all'intera gamma di scenari specificati dalle norme UL, dal legno stagnante e il poliuretano in fiamme fino alle comuni fonti di falsi allarmi come i fumi da cottura (incluso il celebre "hamburger test"). Utilizzando questi dati, abbiamo addestrato un modello di machine learning che viene eseguito direttamente sul microcontrollore RL78/G22, consentendo al sistema di distinguere i pattern di segnale caratteristici di ogni tipo di evento.

Il risultato è un rilevatore in grado di interpretare ciò che rileva, anziché limitarsi a reagire alle variazioni di intensità grezze, riuscendo a differenziare un incendio reale da un falso allarme con uno straordinario livello di accuratezza, il tutto utilizzando un solo LED IR economico.



Figura 3. Valore della corrente del LED rilevato dal fotodiodo

Il vostro percorso verso una sicurezza antincendio più intelligente
Il futuro della sicurezza antincendio non consiste solo nel soddisfare le normative, ma nel realizzare dispositivi più intelligenti, affidabili ed efficienti. Combinando il microcontrollore più efficiente del settore con l'intelligenza del machine learning, la soluzione Renesas risolve le sfide fondamentali dei nuovi standard UL senza scendere a compromessi su costi o prestazioni, consentendo alle aziende di concentrarsi sull'innovazione della prossima generazione di rilevatori di fumo.

www.renesas.com