МИКРОКОНТРОЛЛЕРЫ С ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ В ИЗМЕРИТЕЛЬНОЙ ТЕХНИКЕ: ОЦЕНКА АКТУАЛЬНОСТИ И ОГРАНИЧЕНИЙ

ARTIFICIAL INTELLIGENCE MICROCONTROLLERS IN MEASURING TECHNOLOGY: ASSESSMENT OF RELEVANCE AND LIMITATIONS

Bukushev Timur Yermekovich

Student, Department of Electronic Engineering and Instrument Engineering, Saratov State Technical University named after A.Y. Gagarin,

Russia, Saratov

Miroshnichenko Alexey Yurievich

Scientific supervisor, Doctor of Technical Sciences, Associate Professor, Department of Electronic Engineering and Instrument Engineering, Saratov State Technical University named after A.Y. Gagarin,

Russia, Saratov

АННОТАЦИЯ

В статье проведён анализ актуальности, технологических возможностей и ограничений применения микроконтроллеров (МК) с поддержкой искусственного интеллекта (ИИ) в измерительной технике в период с 2021 по 2026 года. Рассмотрены тенденции развития технологий TinyML и Edge AI в глобальном контексте, приведены примеры внедрения в промышленности, а также выполнен сравнительный анализ МК с ИИ, традиционных МК и программируемых логических контроллеров (ПЛК). Рассмотрены применения данной технологии в российских условиях с учётом новых метрологических стандартов, состояния отечественной микроэлектроники и барьеров внедрения. На основании анализа сделаны практические рекомендации по выбору аппаратной платформы для измерительных систем различного назначения.

ABSTRACT

The article analyzes the relevance, technological capabilities, and limitations of using microcontrollers (MCs) with artificial intelligence (AI) support in measuring equipment from 2021 to 2026. It examines the trends in the development of TinyML and Edge AI technologies in a global context, provides examples of their implementation in industry, and conducts a comparative analysis of MCs with AI, traditional MCs, and programmable logic controllers (PLCs). The article also explores the applications of these technologies in Russia, taking into account new metrological standards, the state of domestic microelectronics, and the barriers to their implementation. Based on the analysis, practical recommendations are made for selecting a hardware platform for various measurement systems.

Ключевые слова: Контроллер; Микроконтроллеры; Контроллеры AI-ML; TinyML; Измерительная техника.

Keywords: Controller; Microcontrollers; AI-ML Controllers; TinyML; Мeasuring equipment.

Введение

Цифровизация промышленности и измерительной техники сопровождается активным переносом алгоритмов искусственного интеллекта на периферийные устройства - в том числе на микроконтроллеры. Технологии TinyML (Tiny Machine Learning) и Edge AI позволяют выполнять нейросетевые модели непосредственно на МК, обеспечивая автономность, энергоэффективность и локальную обработку данных без передачи «сырых» сигналов в облако.

За период 2021–2026 гг. эти технологии перешли из стадии экспериментальных прототипов в промышленное применение: появились специализированные МК с нейропроцессорными ускорителями (NPU), сформировалась нормативная база, разработаны методики сжатия и оптимизации моделей для работы в условиях жёстких ограничений по памяти и энергопотреблению.

1. Глобальные тенденции и технологическое состояние (2021-2026)

1.1. TinyML и Edge AI: переход к промышленному применению

TinyML (Tiny Machine Learning, маленькое машинное обучение) – это направление машинного обучения, заточенная на выполнение задач на маломощных устройствах с энергопотреблением порядка милливатт и менее.

Edge AI подразумевает выполнение инференса (выводов модели) непосредственно на периферийном устройстве, что обеспечивает низкую задержку, конфиденциальность данных и экономию сетевого трафика.

Ключевые достижения 2021–2026 гг.:

• Энергоэффективность. Специализированные NPU на МК обеспечивают до 100-кратного снижения энергопотребления на одно умозаключение по сравнению с выполнением тех же задач на универсальных MCU без аппаратного ускорения [1].
• Стандартизация. Появился общепризнанный бенчмарк MLPerf Tiny, позволяющий сравнивать производительность и энергопотребление различных платформ на типовых задачах (Keyword Spotting, Visual Wake Words, Anomaly Detection).
• Практические внедрения. TinyML активно применяется для предиктивного обслуживания (анализ вибраций, аномалий), интеллектуальной калибровки датчиков (снижение погрешности MEMS-акселерометров до 21,8%) и автоматизации метрологических расчётов (сокращение времени обработки с часов до секунд при точности 99,3%).

1.2. Области применения в измерительной технике

Предиктивное обслуживание.

Анализ вибраций электродвигателей и насосов с помощью акселерометров и МК (ESP32, ADXL355) с применением сверточных автоэнкодеров позволяет обнаруживать аномалии и классифицировать состояние оборудования (норма, дисбаланс, неисправность) с высокой точностью.

Интеллектуальные датчики.

Встроенная обработка сигналов с температурных, газовых, акустических сенсоров для локального распознавания событий (например, умные стены с распознаванием жестов, смарт-упаковка для контроля обращения с грузами) [2].

Калибровка и компенсация погрешностей.

Нейросетевые методы калибровки MEMS-датчиков позволяют существенно снизить погрешность измерений по сравнению с традиционными методами.

Метрологические расчёты.

Полносвязные нейросети и трансформеры автоматизируют вычисление стандартного отклонения и неопределённости измерений, сокращая время обработки и повышая воспроизводимость результатов.

2. Технические характеристики и сравнение платформ

2.1. Современные МК с поддержкой ИИ

На рынке представлены МК с аппаратными ускорителями для нейросетевых вычислений, предоставлены в таблице 1:

Таблица 1.

Микроконтроллеры с поддержкой технологии Edge AI

Эти платформы позволяют размещать оптимизированные модели на МК и выполнять инференс с низкой задержкой и минимальным энергопотреблением.

2.2. Методы оптимизации моделей для МК

 Для размещения нейросетевых моделей в условиях ограниченного объёма памяти (256 КБ Flash, 64 КБ ОЗУ) применяются следующие методы:

• Квантование (INT8 вместо FP32): сжатие модели в 3–4 раза при потере точности 0,3–1,2%.
• Прунинг (удаление малозначимых связей): позволяет дополнительно уменьшить размер модели, но может снижать точность.
• Дистилляция знаний (Knowledge Distillation): компактные модели-«ученики» сохраняют до 94,7% точности «учителя» (например, ResNet-50).

3. Сравнительный анализ: МК с ИИ vs. традиционные МК vs. ПЛК

Важное уточнение, что прямое сравнение МК с поддержкой технологий TinyML с обычными МК и ПЛК затруднительно, так как в измерительных приборах используются эти компоненты используются комплексно и не заменяют возможности друг друга. Но на стадии проектирования важно учитывать стоимость, энергопотребление, совместимость контроллеров [1].

Таблица 2.

Характеристики контроллеров

Из таблицы видно, что каждая платформа имеет свою нишу: МК с ИИ оптимальны для автономных, энергоэффективных и гибких решений; традиционные МК - для простых и недорогих измерителей; ПЛК - для надёжных, детерминированных и легко сертифицируемых систем управления и измерений [3].

4. Метрологические риски и требования сертификации

Применение ИИ в средствах измерений связано с принципиально новыми рисками, которые отражены в ГОСТ Р 71562-2024:

• «Чёрный ящик» и объяснимость. Алгоритмы машинного обучения зачастую не позволяют однозначно проследить, как из входных данных был получен результат измерения. Это противоречит требованиям прослеживаемости результатов, установленным в ГОСТ ISO/IEC 17025-2019.
• Дрейф концепции (Concept Drift). Модель, обученная на определённом наборе данных, со временем может терять точность из-за изменения условий эксплуатации (температуры, влажности, износа датчиков и т. п.). В отличие от классических методов коррекции погрешностей, ИИ-модели требуют регулярного мониторинга и, при необходимости, переобучения.
• Валидация на репрезентативной выборке. Для подтверждения метрологических характеристик необходимо проводить верификацию на широком наборе данных, что усложняет процесс сертификации и увеличивает сроки вывода изделия на рынок.

Для традиционных МК и ПЛК эти проблемы нехарактерны: алгоритмы обработки сигналов в них детерминированы, легко воспроизводимы и поддаются формальной верификации [4].

5. Российская специфика: стандарты, разработки, барьеры

5.1. Нормативная база

В 2024 году в России вступили в силу ГОСТ Р 71561-2024 и ГОСТ Р 71562-2024 - первые стандарты, регламентирующие применение ИИ в метрологии. Они определяют:

• классификацию и структуру средств измерений на основе ИИ;
• требования к метрологическому обеспечению, включая валидацию, прослеживаемость и мониторинг дрейфа моделей.

Эти стандарты формируют основу для сертификации средств измерений с ИИ и задают высокие требования к прозрачности и воспроизводимости алгоритмов [5].

5.2. Отечественные разработки

В России ведутся собственные разработки в области Edge AI и нейроморфных вычислений:

• Нейроморфный процессор «Алтай» (Мотив НТ, Лаборатория Касперского): цифровой импульсный нейроморфный процессор (SNN) с низким энергопотреблением, прототипы с 16 нейроядрами, потребление одного ядра <4 мВт.
• Нейропроцессоры «Арамис» (НТЦ «Модуль»): линейка на архитектуре NeuroMatrix с производительностью до 64 TOPS int8, анонсированы новые модели с поддержкой дообучения.
• МК «Байкал U1000» (АО «Байкал Электроникс»): 3-ядерный МК на базе RISC-V с Flash 256 КБ, ОЗУ 192 КБ, энергопотреблением ≈1 мА/МГц.
• МК «Миландр» К1986ВЕ92FI: ARM Cortex-M3, 80 МГц, 128 КБ Flash, 32 КБ ОЗУ - без аппаратного ускорения ИИ, подходит только для базовых TinyML-моделей на CPU.

Большинство отечественных решений либо находятся на стадии прототипов, либо выпускаются ограниченными партиями, что затрудняет их массовое применение в измерительной технике.

5.3. Барьеры внедрения в России

• Технологическое отставание. Российские производители микроэлектроники работают преимущественно по техпроцессу 28 нм, тогда как ведущие мировые компании используют 3–5 нм. Это ограничивает производительность и энергоэффективность отечественных решений.
• Санкционные ограничения. Доступ к передовым инструментам разработки (PyTorch, TensorFlow, GitHub Copilot) и производственным мощностям (TSMC) ограничен, что замедляет разработку и выпуск новых изделий.
• Кадровый дефицит. Наблюдается острая нехватка специалистов, обладающих одновременно компетенциями в области машинного обучения, встраиваемых систем и метрологии. По оценкам, до 99% компаний испытывают трудности с подбором таких кадров.
• Инфраструктура и финансирование. Траты на НИОКР в России составляют около 1% ВВП (против 2–3% в США/КНР), а доля вузов, полностью обеспеченных GPU-серверами для обучения, не превышает 4% [6].

6. Практические рекомендации по выбору платформы

Выбор между МК с ИИ, традиционными МК и ПЛК должен основываться на приоритетах задачи:

1. Если критичны надёжность, детерминизм и простота сертификации (например, для ответственных промышленных измерений), предпочтительнее использовать ПЛК либо традиционные МК с классическими алгоритмами обработки сигналов.
2. Если важны автономность, низкая стоимость и энергоэффективность (для распределённых датчиков, IoT-систем), целесообразно применять МК с ИИ - при условии, что алгоритмы прошли валидацию, а риски дрейфа модели учтены.
3. Для задач, требующих сложной обработки неструктурированных данных (анализ вибраций, изображений, аудио), МК с ИИ являются практически единственным эффективным решением.
4. В российских условиях при проектировании измерительных систем на базе МК с ИИ необходимо:
   • закладывать в архитектуру возможность ведения журналов работы алгоритма и мониторинга его точности;
   • предусматривать процедуры периодической валидации и, при необходимости, обновления модели;
   • учитывать доступность отечественных компонентов и инструментов разработки, а также сроки их поставки [5].

Заключение

За период 2021–2026 гг. технологии TinyML и Edge AI перешли из категории экспериментальных в статус промышленно значимых. Микроконтроллеры с ИИ открывают новые возможности для создания автономных, интеллектуальных и энергоэффективных измерительных устройств, позволяя реализовывать предиктивную аналитику, интеллектуальную калибровку и автоматизацию метрологических расчётов.

Однако применение МК с ИИ в метрологически значимых задачах сопряжено с серьёзными ограничениями: вариативностью времени выполнения, сложностью обеспечения детерминизма, рисками дрейфа модели и трудностями сертификации. В сравнении с традиционными МК и ПЛК МК с ИИ выигрывают в гибкости и энергоэффективности, но уступают в надёжности и простоте метрологического сопровождения.

В российских реалиях эти недостатки усугубляются технологическим отставанием, санкционными ограничениями и кадровым дефицитом. Поэтому выбор платформы должен осуществляться с учётом не только технических характеристик, но и требований нормативной базы, доступности компонентов, а также долгосрочных планов по поддержке и развитию измерительной системы.

Список литературы:

1. [б. а.] NPU Bench 2025 : технический отчёт / [б. м.] : ANIL, [б. г.]. — Текст: электронный // ANIL. — URL: https://anil.recoil.org/papers/2025-npu-bench.pdf (дата обращения 10.07.2026).
2. [б. а.] Tiny Machine Learning (TinyML): Advancements for Intelligent Battery Powered IoT Sensors : научная статья / [б. м.] : Academia.edu, [б. г.]. — Текст: электронный. — URL: https://www.academia.edu/143847567/TINY_MACHINE_LEARNING_TINYML_ADVANCEMENTS_FOR_INTELLIGENT_BATTERY_POWERED_IOT_SENSORS (дата обращения 10.07.2026).
3. [б. а.] Нейросетевые технологии в метрологии: автоматизация расчётов стандартного отклонения и неопределённости измерений : научная статья // КиберЛенинка. — [б. м.], [б. г.]. — Текст : электронный. — URL: https://cyberleninka.ru/article/n/neyrosetevye-tehnologii-v-metrologii-avtomatizatsiya-raschetov-standartnogo-otkloneniya-i-neopredelennosti-izmereniy/viewer (дата обращения: [указать]).Modbus Organization. Modbus Application Protocol Specification V1.1b3. – 2012. – URL: https://www.modbus.org/modbus-specifications (дата обращения 12.07.2026).
4. MCU vs PLC: Rivals or Partners in the Future of Automation? // MinePower. — 2025. — Текст : электронный. — URL:  (дата обращения: 12.07.2026).
5. ГОСТ Р 71562‑2024. — Текст : электронный. — URL: https://files.stroyinf.ru/Data/838/83829.pdf  (дата обращения: 13.07.2026).
6. Российское микроэлектронное производство: состояние и перспективы // Главный радиочастотный центр. — 2025. — Текст : электронный. — URL: https://rdc.grfc.ru/2025/02/russian_microelectronics_state_and_prospects/ (дата обращения: 14.07.2026).