Integración del Aprendizaje Automático Perimetral en Arquitecturas de Microcontroladores para Sistemas Avanzados de Detección de Incendios

A medida que las comunidades crecen y los estándares de seguridad aumentan, los sistemas de detección de incendios confiables se vuelven esenciales. Ya sea en espacios comerciales o en viviendas particulares, los detectores de humo desempeñan un papel fundamental en la protección de vidas y bienes.

Con la evolución de la tecnología de detección de humo, también cambian las expectativas sobre el rendimiento de estos sistemas en entornos reales. Los detectores modernos deben ser lo suficientemente sensibles como para captar señales de advertencia tempranas, pero también lo bastante eficientes para funcionar de manera confiable durante años.

Teniendo esto en cuenta, hemos estado explorando enfoques que combinan hardware de bajo consumo con procesamiento inteligente de señales; por ejemplo, utilizando el microcontrolador (MCU) RL78/G22 junto con modelos TinyML generados mediante Reality AI Tools. Juntos, permiten que los detectores reconozcan los patrones de humo con mayor precisión, identifiquen anomalías y, en última instancia, respalden diseños más seguros y adaptables, todo mientras se acelera el desarrollo e integración de productos.

Solución de detector de humo
Los métodos comunes en la tecnología de detección de humo incluyen enfoques fotoeléctricos, de ionización y de doble sensor. La solución de Renesas adopta el método fotoeléctrico, el cual es particularmente eficaz para detectar incendios en etapas tempranas de combustión lenta.

Con las recientes revisiones de la norma UL, específicamente la inclusión de pruebas de fuego con poliuretano y falsas alarmas por cocina, los requisitos de precisión de detección se han vuelto significativamente más estrictos. Para responder a estas exigencias, nuestra solución utiliza una arquitectura de detección mediante LED de doble longitud de onda. La luz LED en diferentes longitudes de onda presenta intensidades de dispersión distintas según el tamaño de las partículas de humo. Como resultado, la intensidad de las señales ópticas detectadas por el fotodiodo también varía. Gracias a esta característica, la solución puede distinguir con mayor precisión entre el humo de un incendio y el humo generado al cocinar.



Figura 1. Cómo distinguir con precisión entre el humo de incendio y el humo de cocina

Para implementar esta arquitectura de detección de forma eficaz, nuestra solución adopta un diseño de hardware integrado centrado en el MCU RL78/G22 y un circuito integrado de frente analógico (AFE). Diseñado para detectores de humo de tipo convencional y uso comercial, el sistema funciona con una fuente de alimentación de 24 V a 40 V. Incorpora un circuito limitador de corriente, así como un circuito externo de señal de notificación para proporcionar las siguientes ventajas clave:

Figura 2. Configuración del detector de humo inteligente

Detección basada en IA con un solo sensor inteligente
El enfoque tradicional de utilizar dos LED para clasificar los tipos de humo mediante un algoritmo eficaz tras detectar y digitalizar la luz LED dispersa —junto con el circuito controlador de soporte— funciona, pero añade coste y complejidad a cada detector. Por ello, dimos un paso atrás y replanteamos el problema. En lugar de preguntarnos cómo gestionar dos fuentes de luz, nos hicimos una pregunta más sencilla: ¿podría un único LED infrarrojo (IR) proporcionar toda la información que necesita un detector?

Aprovechando la IA en la periferia (edge AI), podemos ir más allá de la simple detección por umbral: en lugar de limitarnos a observar la cantidad de luz dispersa, nuestro modelo de IA analiza la firma temporal única de la señal. Recopilamos un amplio conjunto de datos sometiendo a nuestro diseño de referencia a toda la gama de escenarios especificados por UL: desde madera en combustión lenta y poliuretano en llamas hasta fuentes habituales de falsas alarmas como el humo de cocina (incluida la conocida "prueba de la hamburguesa"). Utilizando estos datos, entrenamos un modelo de aprendizaje automático que se ejecuta directamente en el MCU RL78/G22, permitiendo al sistema distinguir los patrones de señal característicos de cada tipo de evento.

El resultado es un detector capaz de interpretar lo que percibe, en lugar de simplemente reaccionar a los cambios de intensidad bruta, y que puede diferenciar entre un incendio real y una falsa alarma con una precisión sorprendente utilizando solo un LED IR de bajo coste.



Figura 3. Valor de corriente del LED detectado por el fotodiodo

Su camino hacia una seguridad contra incendios más inteligente
El futuro de la seguridad contra incendios no se limita a cumplir las normas; se trata de construir dispositivos más inteligentes, confiables y eficientes. Al combinar el MCU más eficiente de la industria con la inteligencia del aprendizaje automático, la solución de Renesas resuelve los desafíos centrales de las nuevas normas UL sin comprometer el coste ni el rendimiento, lo que permite a las empresas concentrarse en innovar en la próxima generación de detectores de humo.

www.renesas.com