～凭借高速响应和低噪声性能，助力实现基于机器学习的高精度检测～
- 无磁芯电流传感器CZ39系列与CZ3K系列，获Microchip公司电弧故障检测参考设计采用，成为其关键组成器件。
- 凭借100 ns的高速响应和低噪声性能，助力精准捕捉电弧故障特有的电流信号。
- 将旭化成微电子（AKM）的电流检测技术与Microchip公司的机器学习技术相结合，助力减少误检并提升检测性能
东京2026年9月8日 /美通社/ -- 旭化成微电子株式会社（总公司：日本东京、法定代表人总经理：栗田直幸、以下简称"AKM"）宣布，其无磁芯电流传感器CZ39系列（以下简称"CZ39"）及CZ3K系列（以下简称"CZ3K"）已被美国大型半导体制造商Microchip Technology Inc.（以下简称"Microchip"）采用，成为其基于机器学习（ML：Machine Learning）和人工智能（AI）的电弧故障※1检测参考设计中的关键组成器件。
该参考设计采用了兼具控制功能和数字信号处理功能的Microchip公司"dsPIC33A DSC" ※2。通过将AKM的电流传感技术与该产品的实时信号处理及边缘机器学习处理相结合，助力实现高精度、高可靠性的电弧故障检测。
Microchip基于机器学习／AI的电弧故障检测演示应用
传统方法面临的挑战与本参考设计的特点
电弧故障是光伏发电系统、储能系统、电动汽车充电基础设施以及工业和住宅配电设备发生电气火灾的主要原因之一。传统的电弧故障检测通常将传感器检测到的信号与预先设定的阈值进行比较，以判断是否存在异常。
然而，在住宅及商业场所的交流（AC）电路中，吸尘器、电钻和调光器（Dimmer）等日常用电设备会在开关触点或电机电刷处产生电弧，从而生成与危险电弧故障高度相似的信号。
此外，在光伏发电、电动汽车充电器和储能系统等直流（DC）系统中，由继电器触点抖动、逆变器运行以及电容器浪涌电流等引起的开关瞬态现象※3，会在与实际电弧故障相同的频段内产生宽带噪声，从而导致误检及不必要的系统停机。
针对上述挑战，Microchip公司基于机器学习的AFD参考设计提供了解决方案。通过在集成DSP引擎和先进模拟外设的dsPIC33A DSC上直接运行边缘机器学习模型，实现低延迟的机器学习推理。与传统方法相比，该设计能够在减少误检的同时，提升电弧故障检测性能。
电流传感器的作用及双方合作
要利用机器学习高精度地检测电弧故障，传感器准确捕捉电弧故障特有的电流信号至关重要。
AKM的CZ39与CZ3K是采用"无磁芯"技术的电流传感器，无需使用磁性材料制成的磁芯即可检测电流。凭借100 ns的高速响应和低噪声性能，助力Microchip参考设计实现高精度判定。
此外，AKM的美国子公司AKM Semiconductor, Inc.（以下简称"AKMS"）的工程团队在参考设计的开发与验证阶段，围绕电流检测架构与Microchip开展了紧密合作。双方将高性能电流检测与边缘处理相结合，打造出全新的保护解决方案，助力减少误检并提升电弧故障检测性能。
AKMS业务开发副总裁Chris Baltar表示：
"我们很高兴能够支持Microchip公司使用AKM的CZ39和CZ3K系列构建并验证这款参考设计。此次合作表明，将高性能电流传感与智能边缘处理相结合，能够帮助设计人员在广泛的电力应用中实现先进的保护功能。随着AI处理规模持续扩大，市场对更高功率密度及新型高压电源系统的需求日益增长。未来，我们也希望进一步探索该参考设计在数据中心等应用领域的拓展潜力。"
应用领域与未来展望
该演示应用通过Microchip的参考设计项目提供，可应用于光伏发电、储能系统、电动汽车充电器、智能点火系统、电子保险丝（e-Fuse），以及住宅和工业用安全开关等领域。
旭化成集团将电子业务定位为引领集团整体利润增长的"重点成长"业务。在电子元器件领域，集团提供面向移动设备摄像头模组的IC、车载音频解决方案等独具特色的高性能元器件。无芯电流传感器也被定位为支撑未来增长的核心产品。今后，旭化成集团将以其在电动汽车领域积累的应用成果为基础，进一步拓展AI数据中心等应用领域。
有关产品信息及合作伙伴的更多详情，请访问以下网站：
- "CZ39"系列产品信息：https://www.akm.com/cn/zh-cn/products/current-sensor/lineup-current-sensor/cz39-series/
- "CZ3K"系列相关新闻稿：https://www.akm.com/cn/zh-cn/about-us/news/2026/20260512-cz3k/
- Microchip电弧故障检测参考设计：https://www.microchip.com/en-us/tools-resources/reference-designs/machine-learning-ai-based-arc-fault-detection-demo-application
