# RK3568 NPU 电力波形故障识别 — 完整部署指南

## 概述

本指南覆盖从 PyTorch 模型训练到 RK3568 板端推理的完整链路，专为**电力二次保护设备**场景设计。

### 为什么用 NPU 做波形故障识别？

| 方案 | 推理延迟 | 功耗 | 开发复杂度 |
|------|:---:|:---:|:---:|
| CPU (Cortex-A55) 纯软件推理 | 20~50ms | 高 | 低 |
| NPU 硬件加速 | **1~3ms** | 极低 | 中 |

RK3568 内置 **1 TOPS NPU (INT8)**，专为卷积神经网络优化。电力波形是 1D 时序信号——用 1D-CNN 提取特征，NPU 做推理，完全匹配。

### 与 CAN 协议栈的整合

```
录波数据 → 滑动窗口 → NPU 推理 → 故障分类结果
                                    │
   ┌────────────────────────────────┘
   ▼
CAN 协议栈 (learn/CAN/) → 突发上送队列 (PRIO_BURST) → 数据中心
```

### 文档导航

| 序号 | 文档 | 核心内容 |
|:---:|------|------|
| [01](01-NPU硬件与驱动基础.md) | NPU 硬件与驱动基础 | NPU 架构、驱动加载、`npu_transfer_proxy`、基本验证 |
| [02](02-模型训练与导出.md) | 模型训练与导出 | 1D-CNN 设计、数据准备、PyTorch 训练、ONNX 导出 |
| [03](03-RKNN模型转换与量化.md) | RKNN 转换与量化 | RKNN-Toolkit2 安装、配置、校准量化、精度验证 |
| [04](04-板端推理部署.md) | 板端推理部署 | C API 加载模型、预处理、推理循环、结果解析 |
| [05](05-与CAN协议栈整合.md) | 与 CAN 协议栈整合 | 故障编码映射、突发上送、录波文件召唤触发 |

### 硬件信息

- **SoC**: RK3568，NPU 算力 1 TOPS (INT8)
- **NPU 架构**: 3 个 NPU 核心（可并行），每个核心含 MAC 阵列 + 卷积加速器
- **支持精度**: FP16 / INT8 / INT16
- **支持算子**: Conv2D, DepthwiseConv, FC, Pooling, Concat, Reshape, Softmax 等（详见 RKNN 算子支持列表）

### 仓库中的已有资料

| 资料 | 路径 |
|------|------|
| Rockchip NPU 开发文档 | `TL3568-EVM.../6-开发参考资料/Rockchip官方参考文档/Common/NPU/` |
| NPU 开发案例手册 | `TL3568-EVM.../3-用户手册/2-13-NPU开发案例.pdf` |
| YOLOv5 目标检测 Demo | `TL3568-EVM.../4-软件资料/Demo/platform-demos/yolov5_object_detect/` |
| RKNN API Demo | SDK 中包含 `external/rknn-toolkit2/` |