Branchenweit erste* MCU, die ohne Netzwerk durch geräteinternes Lernen und Inferenzen Anomalien vorhersagen kann

ROHM stellt neue MCUs mit KI-Fähigkeiten (KI-MCUs) vor: ML63Q253x-NNNxx / ML63Q255x-NNNxx. Sie ermöglichen anhand von Sensordaten Fehlerprognosen und Verschleißvorhersagen in einer Vielzahl von Geräten, darunter auch industriell genutzte Geräte wie Motoren. Diese MCUs sind die branchenweit ersten* Prozessoren, die sowohl das Lernen als auch die Inferenz unabhängig voneinander und ohne Netzwerkverbindung ausführen können.

Der Bedarf an einem effizienten Betrieb von Geräten und Maschinen wächst kontinuierlich. Deshalb haben sich die frühzeitige Erkennung von Ausfällen und eine effizientere Wartung zu zentralen Herausforderungen entwickelt. Gerätehersteller suchen nach Lösungen, die eine Echtzeitüberwachung des Betriebsstatus ermöglichen und gleichzeitig die Nachteile von Netzwerkverzögerungen und Sicherheitsrisiken vermeiden. Allerdings sind Standard-KI-Verarbeitungsmodelle in der Regel auf Netzwerkkonnektivität und leistungsstarke CPUs angewiesen, die kostspielig und schwierig zu installieren sein können.

Als Antwort darauf hat ROHM KI-MCUs entwickelt, die eigenständiges KI-Lernen und Inferenzen direkt auf dem Bauelement ermöglichen. Diese netzwerkunabhängigen Lösungen unterstützen die frühzeitige Erkennung von Anomalien vor dem Ausfall eines Geräts. Sie tragen so zu einem stabileren und effizienteren Systembetrieb bei, reduzieren die Wartungskosten und senken das Risiko von Produktionsausfällen.

Die neuen Komponenten verwenden einen einfachen Drei-Schicht-Neuralnetzwerk-Algorithmus zur Implementierung der ROHM-eigenen KI-Lösung „Solist-AI™“ auf dem Bauelement. Dadurch können die MCUs unabhängig voneinander lernen und Inferenzen durchführen, ohne dass eine Cloud- oder Netzwerkverbindung erforderlich ist.

KI-Verarbeitungsmodelle werden im Allgemeinen in drei Typen unterteilt: Cloud-basierte KI, Edge-KI und Endpunkt-KI. Cloud-basierte KI führt sowohl das Training als auch die Inferenz in der Cloud durch, während Edge-KI eine Kombination aus Cloud- und Vor-Ort-Systemen nutzt, die über ein Netzwerk verbunden sind, beispielsweise Fertigungsanlagen und SPSen. Typische Endpunkt-KI führt das Training in der Cloud durch und die Inferenz auf lokalen Bauelementen, sodass weiterhin eine Netzwerkverbindung erforderlich ist. Darüber hinaus führen diese Modelle die Inferenz in der Regel per Software durch, was den Einsatz von GPUs oder Hochleistungs-CPUs erforderlich macht.

Im Gegensatz dazu können die KI-MCUs von ROHM, obwohl sie als Endpunkt-KI kategorisiert sind, sowohl das Lernen als auch die Inferenz durch On-Device-Lernen unabhängig voneinander ausführen. Dies erlaubt eine flexible Anpassung an unterschiedliche Installationsumgebungen und Abweichungen zwischen einzelnen Geräten, selbst innerhalb desselben Gerätemodells. Ausgestattet mit dem proprietären KI-Beschleuniger „AxlCORE-ODL“ von ROHM bieten diese MCUs eine rund 1.000-mal schnellere KI-Verarbeitung als die herkömmlichen softwarebasierten MCUs von ROHM (theoretischer Wert bei 12 MHz Betrieb). Dies ermöglicht die Echtzeit-Erkennung und numerische Ausgabe von Anomalien. Darüber hinaus ist ein schnelles Lernen am Installationsort möglich, wodurch sich die KI-MCUs ideal zur Nachrüstung bestehender Anlagen eignen.

Die KI-MCUs verfügen über einen 32-Bit-Arm® Cortex®-M0+-Kern, einen CAN-FD-Controller, eine Drei-Phasen-Motorsteuerungs-PWM und zwei A/D-Wandler und haben eine niedrige Leistungsaufnahme von ca. 40 mW. Damit eignen sie sich ideal für die Fehlerprognose und Anomalieerkennung in Industrieanlagen, gebäudetechnischen Anlagen und Haushaltsgeräten.

Das Produktportfolio umfasst 16 Prozessoren mit unterschiedlichen Speichergrößen, Gehäusetypen, Pin-Anzahlen und Packaging-Spezifikationen. Die Serienproduktion von acht Modellen im TQFP-Gehäuse wurde im Februar 2025 schrittweise aufgenommen. Zwei dieser Modelle mit 256 KB Code-Flash-Speicher und Taping-Gehäuse sind zusammen mit einem MCU-Evaluierungsboard über Online-Distributoren erhältlich.

ROHM stellt außerdem auf seiner Website das KI-Simulationstool "Solist-AI™ Sim" zur Verfügung, mit dem Anwender die Effektivität des Lernens und der Inferenz vor dem Einrichten der KI-MCU bewerten können. Die mit diesem Tool generierten Daten können auch als Trainingsdaten für die eigentliche KI-MCU dienen, wodurch die Validierung vor der Implementierung unterstützt und die Genauigkeit der Inferenz verbessert wird.

Um die Einführung zu erleichtern, hat ROHM gemeinsam mit Partnerunternehmen ein Ökosystem aufgebaut, das umfassende Unterstützung bei der Modellentwicklung und Integration bietet. ROHM wird dieses Ökosystem auch in Zukunft weiter ausbauen und durch Unterstützung bei der Erstellung von Trainingsdaten und Vorschläge für optimale Implementierungsmethoden benutzerfreundlichere Umgebungen bereitstellen.