Renesas Electronics stellte jetzt in München einen Embedded-Controller für Energy Harvesting vor, der zukünftig Batterien in IoT-Geräten überflüssig machen soll. Der Embedded Controller wurde auf der Grundlage der von Renesas neu entwickelten SOTB-Prozesstechnologie (Silicon-on-Thin-Buried-Oxid) entwickelt, mit der eine erhebliche Reduzierung des Stromverbrauchs im aktiven sowie Standby-Betrieb möglich ist.
Diese Eigenschaften waren bisher aufgrund physikalischer Gesetzmäßigkeiten in konventionellen Mikrocontrollern in dieser Form nicht möglich. Die extrem geringen Stromwerte des SOTB-basierten Embedded-Controllers ermöglichen es Systemherstellern, den Bedarf an Batterien in einigen ihrer Produkte durch die Nutzung von Umgebungsenergiequellen wie Licht, Vibration und Strömung zu reduzieren bzw. zu eliminieren. Der Einsatz von extrem stromsparenden Technologien und Energy Harvesting eröffnet einen neuen Markt für wartungsfreie vernetzte IoT-Sensorgeräte sowie Intelligenz im Embedded-Endgerät. Der Halbleiterhersteller hat damit begonnen, den Embedded-Controller an erste Kunden auszuliefern.
Das erste kommerzielle Produkt von Renesas mit SOTB-Technologie, der R7F0E, ist ein 32-Bit Embedded-Controller auf der Basis eines Arm-Cortex mit bis zu 64 MHz Taktfrequenz für eine schnelle lokale Verarbeitung von Sensordaten, sowie die Ausführung komplexer Analyse- und Steuerfunktionen. Mit nur 20 μA/MHz im aktiven Betrieb und einem Deep-Standby-Strom von nur 150 nA, etwa einem Zehntel des Wertes herkömmlicher Low-Power-MCUs, sind diese Eigenschaften bestens für extrem stromsparende und Energy-Harvesting-Anwendungen geeignet.
Mit dem R7F0E entfallen viele Herausforderungen für Systementwickler, die kostengünstige Produkte mit effizienten Energy-Harvesting-Funktionen entwickeln wollen. Er hat eine innovative und konfigurierbare EHC-Funktion (Energy Harvest Controller), die die Stabilität des Systems erhöht und die Anzahl kostspieliger externer Komponenten minimiert. Der EHC ermöglicht den direkten Anschluss an viele verschiedene Arten von Umgebungsenergiequellen, wie Solarenergie oder Piezoelektrizität. Gleichzeitig schützt der Baustein vor gefährlichen Einschaltstromspitzen beim Booten. Der EHC verwaltet auch das Laden von externen Energiespeichern wie Superkondensatoren oder optionalen wiederaufladbaren Batterien. Der R7F0E adressiert viele weitere Systemanforderungen für Systeme mit extrem niedrigen Stromverbrauch. Drei Beispiele entsprechender Fähigkeiten sind: Erstens, externe analoge Signale jederzeit zu erfassen, da der 14-Bit-Analog-Digital-Wandler (ADC) nur 3 µA Strom verbraucht; zweitens, bis zu 256 KB SRAM-Dateninhalt bei gleichzeitigem Verbrauch von nur einem nA pro KB SRAM im Speicher zu erhalten; und drittens, grafische Datenkonvertierung einschließlich Drehung, Scrollen und Kolorierung durch die Integration ausgeklügelter Low-Power-Hardwaretechniken zum Ansteuern eines externen Displays unter Verwendung der Memory-In-Pixel LCD-Technologie, die praktisch keine Energie verbraucht, um ein Bild zu erhalten. Diese wenigen Beispiele zeigen die Detailgenauigkeit, die die Entwickler des R7F0E im Blick hatten, um den Bedürfnissen der Ingenieure gerecht zu werden, die die Anforderungen an das Gesamtsystem für extrem stromsparende Designs berücksichtigen müssen.
AI-Unit-Solution verbessert Produktivität
Ziel des Unternehmens ist es dabei, den Einsatz von Künstlicher Intelligenz im Endgerät zu unterstützen. Gemeinsam mit einem Partner hat der Halbleiterhersteller die eigene AI-Unit-Solution getestet. Die AI-Unit-Solution zählt zu den e-AI-Lösungen (Embedded Artificial Intelligence) von Renesas für Fertigungsanlagen, die den Einsatz von künstlicher Intelligenz in Embedded-Endpunkten ermöglichen.
Die AI-Unit-Solutions für Geräte der Fertigungsindustrie zählen zu den verifizierten Einsatzmöglichkeiten der e-AI-Lösungspalette. Sie implementieren Fehlererkennung und vorausschauende Wartung und lassen sich als zusätzliche AI-Unit in bestehenden Fertigungsanlagen oder Maschinen installieren. Sie ermöglichen, zuvor trainierte neuronale Netzwerk-Modelle je nach Anwendung in nur einem Tag anzupassen. Danach lässt sich die AI-Auswertung inklusive der Erfassung der Sensordaten sowie der Datenvorverarbeitung bis hin zur abschließenden Beurteilung des entsprechenden Produktionsschrittes in Echtzeit umsetzen. Vorher nicht erkennbare kleinste Fehler und Mängel lassen sich dann sofort in der Fertigungsstraße ermitteln. Dies vermeidet unnötige Arbeitsschritte bevor Mängel erkannt werden und erhöht darüber hinaus den Nutzwert des Endprodukts, zum Beispiel durch eine verbesserte Produktqualität. ge
