Integration von Edge Machine Learning in Mikrocontroller-Architekturen für fortschrittliche Brandmeldesysteme

Da Gemeinschaften wachsen und die Sicherheitsstandards steigen, werden zuverlässige Brandmeldesysteme immer essenzieller. Ob in gewerblichen Räumen oder in privaten Haushalten: Rauchmelder spielen eine entscheidende Rolle beim Schutz von Leben und Eigentum.

Mit der Weiterentwicklung der Raucherkennungstechnologie steigen auch die Erwartungen an die Leistung dieser Systeme in realen Umgebungen. Moderne Melder müssen empfindlich genug sein, um frühe Warnzeichen zu erfassen, und gleichzeitig effizient genug, um über Jahre hinweg zuverlässig zu funktionieren.

Vor diesem Hintergrund haben wir Ansätze untersucht, die energiesparende Hardware mit intelligenter Signalverarbeitung kombinieren – beispielsweise durch den Einsatz des RL78/G22-Mikrocontrollers (MCU) zusammen mit TinyML-Modellen, die mit Reality AI Tools erstellt wurden. Zusammen ermöglichen sie es Meldern, Rauchmuster präziser zu erkennen, Anomalien zu identifizieren und letztendlich sicherere, reaktionsschnellere Designs zu unterstützen – bei gleichzeitiger Beschleunigung der Produktentwicklung und -integration.

Rauchmelder-Lösung
Zu den gängigen Erkennungsmethoden in der Rauchmeldertechnologie gehören fotoelektrische, Ionisations- und Dual-Sensor-Ansätze. Die Renesas-Lösung nutzt das fotoelektrische Verfahren, das besonders effektiv bei der Erkennung von langsam brennenden Feuern im Frühstadium ist.

Mit den jüngsten Überarbeitungen der UL-Norm (insbesondere der Aufnahme von Prüfungen für Polyurethanbrände und Fehlalarme durch Kochdämpfe) sind die Anforderungen an die Erkennungsgenauigkeit deutlich strenger geworden. Um diesen Anforderungen gerecht zu werden, nutzt unsere Lösung eine LED-Sensorarchitektur mit zwei Wellenlängen. LED-Licht unterschiedlicher Wellenlängen weist je nach Größe der Rauchpartikel unterschiedliche Streuintensitäten auf. Infolgedessen unterscheidet sich auch die Intensität der von der Fotodiode erfassten optischen Signale. Dank dieser Eigenschaft kann die Lösung präziser zwischen echtem Rauch und Kochdämpfen unterscheiden.

Abbildung 1: Wie man präzise zwischen Rauch und Kochdämpfen unterscheidet

Um diese Sensorarchitektur effektiv umzusetzen, nutzt unsere Lösung ein integriertes Hardware-Design, das um die RL78/G22 MCU und ein Analog-Front-End (AFE)-IC aufgebaut ist. Das System ist für herkömmliche, gewerblich genutzte Rauchmelder konzipiert und arbeitet mit einer Stromversorgung von 24 V bis 40 V. Es enthält eine Strombegrenzungsschaltung sowie eine externe Benachrichtigungssignalschaltung und bietet die folgenden Hauptvorteile:

Abbildung 2: Konfiguration des intelligenten Rauchmelders

KI-gestützte Sensorik mit nur einem intelligenten Sensor
Der traditionelle Ansatz, zwei LEDs zur Klassifizierung von Rauchtypen mit einem effektiven Algorithmus nach der Erfassung und Digitalisierung des gestreuten LED-Lichts sowie der unterstützenden Treiberschaltung einzusetzen, funktioniert zwar – erhöht jedoch Kosten und Komplexität jedes Melders. Daher haben wir das Problem grundlegend neu überdacht. Anstatt uns zu fragen, wie wir zwei Lichtquellen steuern können, stellten wir eine einfachere Frage: Könnte eine einzelne IR-LED alle Informationen liefern, die ein Melder benötigt?

Durch den Einsatz von Edge-KI können wir über die einfache Schwellenwerterkennung hinausgehen. Anstatt nur die Menge des gestreuten Lichts zu betrachten, analysiert unser KI-Modell die einzigartige zeitliche Signatur des Signals. Wir haben einen umfangreichen Datensatz gesammelt, indem wir unser Referenzdesign der gesamten Palette UL-spezifischer Szenarien ausgesetzt haben – von glimmendem Holz und brennendem Polyurethan bis hin zu häufigen Störquellen wie Kochdämpfen (einschließlich des berüchtigten „Hamburger-Tests“). Auf Basis dieser Daten haben wir ein Modell für maschinelles Lernen trainiert, das direkt auf der RL78/G22 MCU läuft und es dem System ermöglicht, die charakteristischen Signalmuster jedes Ereignistyps zu unterscheiden.

Das Ergebnis ist ein Melder, der interpretieren kann, was er wahrnimmt, anstatt nur auf reine Intensitätsänderungen zu reagieren. Er kann mit bemerkenswerter Genauigkeit und unter Verwendung einer einzigen, kostengünstigen IR-LED zwischen einem echten Brand und einem Fehlalarm unterscheiden.



Abbildung 3: Von der Fotodiode erfasster LED-Stromwert

Ihr Weg zu intelligenterer Brandsicherheit
Die Zukunft der Brandsicherheit besteht nicht nur darin, Standards zu erfüllen – es geht darum, intelligentere, zuverlässigere und effizientere Geräte zu bauen. Durch die Kombination der effizientesten MCU der Branche mit der Intelligenz des maschinellen Lernens löst die Renesas-Lösung die Kernherausforderungen der neuen UL-Normen, ohne Kompromisse bei Kosten oder Leistung einzugehen. So können sich Unternehmen voll und ganz auf die Entwicklung der nächsten Generation von Rauchmeldern konzentrieren.

www.renesas.com