Intégration de l'Apprentissage Automatique en Périphérie dans les Architectures de Microcontrôleurs pour les Systèmes Avancés de Détection d'Incendie

À mesure que les communautés se développent et que les normes de sécurité s'élèvent, le besoin de systèmes de détection d'incendie fiables devient essentiel. Que ce soit dans les espaces commerciaux ou dans les habitations privées, les détecteurs de fumée jouent un rôle vital dans la protection des vies et des biens.

Parallèlement à l'évolution des technologies de détection de fumée, les exigences relatives aux performances de ces systèmes en conditions réelles s'accroissent. Les détecteurs modernes doivent être suffisamment sensibles pour repérer les premiers signes d'alerte, tout en restant suffisamment efficients pour fonctionner de manière fiable pendant des années.

C'est dans cette optique que nous explorons des approches combinant du matériel à faible consommation et un traitement intelligent du signal — par exemple en associant le microcontrôleur (MCU) RL78/G22 à des modèles TinyML générés avec Reality AI Tools. Ensemble, ils permettent aux détecteurs d'identifier plus précisément les profils de fumée, de détecter les anomalies et d'élaborer des équipements plus sûrs et plus réactifs, tout en accélérant le développement et l'intégration des produits.

Solution de détecteur de fumée
Les méthodes courantes de détection de la fumée reposent sur des approches photoélectriques, à ionisation et à double capteur. La solution Renesas adopte la méthode photoélectrique, particulièrement efficace pour détecter les feux couvants à un stade précoce.

Avec les récentes révisions de la norme UL, notamment l'intégration des tests d'incendie sur polyuréthane et de fausses alertes liées à la cuisson, les exigences de précision de détection sont devenues nettement plus strictes. Pour y répondre, notre solution utilise une architecture de détection par LED à double longueur d'onde. Les lumières LED de différentes longueurs d'onde présentent des intensités de diffusion distinctes selon la taille des particules de fumée. Par conséquent, l'intensité des signaux optiques captés par la photodiode varie également. Grâce à cette caractéristique, la solution différencie avec une grande précision la fumée d'incendie de la fumée de cuisson.



Figure 1. Comment distinguer précisément la fumée d'incendie de la fumée de cuisson

Pour mettre en œuvre efficacement cette architecture de détection, notre solution s'appuie sur une conception matérielle intégrée articulée autour du MCU RL78/G22 et d'un circuit intégré de frontal analogique (AFE). Conçu pour les détecteurs de fumée conventionnels à usage commercial, le système fonctionne sous une tension d'alimentation de 24 V à 40 V. Il intègre un circuit de limitation de courant ainsi qu'un circuit de signalisation de notification externe, offrant les avantages clés suivants :

Figure 2. Configuration d'un détecteur de fumée intelligent

Détection optimisée par l'IA avec un seul capteur intelligent
L'approche traditionnelle consistant à utiliser deux LED pour classifier les types de fumée — grâce à un algorithme adapté traitant la lumière LED diffusée puis numérisée, ainsi qu'aux circuits de commande associés — fonctionne, mais elle ajoute du coût et de la complexité à chaque détecteur. Nous avons donc pris du recul pour réévaluer le problème. Au lieu de chercher comment gérer deux sources lumineuses, nous nous sommes posé une question plus simple : une seule LED infrarouge (IR) pourrait-elle fournir toutes les informations nécessaires au détecteur ?

En exploitant l'IA embarquée (Edge AI), nous dépassons la simple détection à seuil. Plutôt que de mesurer uniquement la quantité de lumière diffusée, notre modèle d'IA analyse la signature temporelle unique du signal. Nous avons constitué un vaste jeu de données en soumettant notre design de référence à l'ensemble des scénarios spécifiés par la norme UL — qu'il s'agisse de bois en combustion couvante, de polyuréthane en flammes ou de sources courantes de fausses alertes comme les fumées de cuisson (y compris le célèbre « test du hamburger »). À partir de ces données, nous avons entraîné un modèle d'apprentissage automatique qui s'exécute directement sur le MCU RL78/G22, permettant au système de reconnaître les motifs de signal caractéristiques de chaque événement.

Le résultat est un détecteur capable d'interpréter ce qu'il capte au lieu de réagir passivement aux variations d'intensité brute. Il peut ainsi distinguer un véritable incendie d'une fausse alerte avec une précision remarquable, le tout à l'aide d'une seule LED IR économique.



Figure 3. Valeur du courant de la LED détectée par la photodiode

Votre voie vers une sécurité incendie plus intelligente
L'avenir de la sécurité incendie ne se limite pas au respect des normes ; il s'agit de concevoir des équipements plus intelligents, plus fiables et plus efficients. En associant le microcontrôleur le plus efficace du marché à l'intelligence de l'apprentissage automatique, la solution Renesas répond aux contraintes majeures des nouvelles normes UL sans faire de compromis sur les coûts ou les performances, permettant ainsi aux entreprises de se concentrer sur l'innovation de la prochaine génération de détecteurs de fumée.

www.renesas.com