电子发烧友网报道(文/吴子鹏)电动化是智能化的基石,这句话不仅仅适用于汽车领域,对于工业、消费电子等领域,这句话同样有效。作为电动化的动力源,电机的发展也受到终端行业智能化升级的影响,同时电机控制与驱动系统本身也在经历着智能化升级。
电机控制与驱动的智能化升级主要体现在两个方面:其一是电机控制算法越来越智能,让电机系统变得更加聪明、高效;其二是电机系统融合的元素越来越多,尤其是电机与传感器、机器学习等技术的结合,使得电机控制和反馈形成了闭环,控制过程也更加灵活。这两点在以控制著称的无刷直流(BLDC)电机领域尤为明显,当前BLDC正经历智能化变革,采用AI算法、物联网、边缘计算和模块化设计提升效率和性能,使得BLDC控制不再依赖固定的参数,而是能够实时调整控制参数,以适应不同的工作环境和负载条件,从而提高电机的效率和性能。
不过,对于如何承载电机控制算法,目前产业界的认知并不统一,作为提供最基础算力的MCU,实际上也具有一定的算法承载能力,目前大部分智能化的算法都可以通过MCU来运行,且厂商在迭代的新产品里扩大了存储资源,并升级了核心性能,使得MCU承载算法的能力进一步增强。不过,也有一部分厂商选择在现阶段就集成更好运转智能算法的NPU,但落地场景更多还在摸索阶段。因而,到底电机控制需要不需要NPU,或者说何时需要NPU,这是值得探讨的。
电机控制和驱动的智能化升级
电机控制与驱动系统主要包含以下几部分:驱动电机、电机控制器、减速器、冷却系统、旋转变压器和各种传感器等。其中,电机控制器的主要作用包括控制电机的运行、保护电机、提高电机效率以及实现通信与反馈。具体来说,电机控制器能够根据输入信号控制电机的启动、停止、加速、减速、正转、反转等运行状态,同时监测电机的运行状态,如电流、电压、温度等参数,一旦发现异常,能够及时切断电源,防止电机损坏。此外,电机控制器可以通过脉宽调制(PWM)技术精准控制电机功率输出。
当然,电机控制器想要发挥上述作用,离不开电机控制算法。电机控制算法是指在机电一体化中,进行电机控制系统的分析、综合或设计时所使用的控制算法。在进行电机控制系统的设计和分析时,首先需要建立该系统的数学模型,以反映系统的数据和逻辑关系。
根据应用场景的不同,常见的电机控制算法包括开环、PID、矢量控制、直接转矩控制、模糊控制、神经网络控制等。当然,根据电机类型的不同,控制算法也会有差异,还以BLDC为例,梯形整流换向和正弦整流换向都可以控制BLDC,不过梯形整流换向虽然算法相对简单但会遭遇转矩纹波问题。另外,BLDC的算法也可以分为有感和无感,其中有感控制算法通过位置传感器直接对转子位置信息检测,但增加了传感器就增加了成本;无感控制算法则用于代替位置传感器对转子位置信息进行估计,常用的方法有反电动势法、定子磁链法、电感法等。
在电机控制算法中,有一类算法被称为神经网络控制算法。神经网络控制是一种基于人工神经网络的电机控制算法。它通过训练神经网络模型来预测电机的输出,然后通过调整神经网络的权重和阈值来实现对电机的控制。具有较好的自适应性和鲁棒性,适用于非线性、不确定性较大的电机控制场合。尤其是当神经网络算法中加入深度学习算法后,效果改善会更加明显,比如深度学习算法可以分析电机运行数据,预测潜在的故障并优化控制策略。
实际上,神经网络算法就是电机控制智能化升级的典型代表,此外还有模糊控制算法和遗传算法优化控制等。这些都被统称为智能控制算法,主要的研究方向包括以下几点:其一是电机模型建立,为电机建模是使用智能控制算法的基础,描述了电机的动态特性和静态特性,使得算法和工程师能够更好地了解电机;其二是选择最优的控制策略,控制策略是智能控制算法的核心,决定了电机驱动的方式和控制的效果;其三是实时监测与反馈,如上所述,智能化控制不依赖固定的电机参数,可以根据电机实时参数而调整控制策略;其四是安全性与可靠性,智能控制算法可以预先判断电机后续的状态,确保系统运行的可靠性,尤其是预测性维护策略,这是电机控制算法升级的主要方向之一。
那么,很明显电机控制智能化升级的本质就是,融合AI算法,实现精准控制与自适应调节。
如何承载电机智能控制算法?
电机控制和驱动智能化升级的方向是非常明确的,问题在于通过怎样的硬件基础承载这样的算法,尤其是作为系统核心的MCU该如何应对?
此前,笔者分享了主要MCU厂商的AI布局策略。其中提到了瑞萨电子的Reality AI Explorer Tier工具,这款工具允许工程师基于高级信号处理生成和构建TinyML和Edge AI模型。用户可以自动浏览传感器数据并生成优化模型。Reality AI工具包含用于查找最佳传感器或传感器组合、传感器放置位置和自动生成组件规格的分析,并包括时域、频域方面完全可解释的模型函数,以及用于Arm Cortex M/A/R实现的优化代码。因此,如果工程师选择瑞萨电子的Reality AI Explorer Tier工具对电机建模并生成算法,其实可以选择部署在瑞萨电子普通类型的MCU上,这是可行的路径。当然,如果这个算法对算力的要求有点高,那么可以选择瑞萨电子RA8T1 32位电机控制优化型MCU,这款MCU基于高性能Arm Cortex-M85内核,也并不需要NPU。工程师还可以将Reality AI Tools创建的AI模块与通过瑞萨e-AI转换器从其他机器学习平台导入的开源AI模型相结合。
瑞萨电子RA8T1是一个典型,一些还没有部署NPU的厂商的策略是大抵相同的,比如国内的兆易创新,该公司GD32H7系列MCU采用基于Armv7E-M架构的600MHz Arm Cortex-M7高性能内核,配备了1024KB到3840KB的片上Flash及1024KB的SRAM,还提供高级DSP硬件加速器和双精度浮点单元(FPU),以及硬件三角函数加速器(TMU)和滤波算法加速器(FAC),这些配置让GD32H7系列适用于机器学习和边缘计算等诸多高端创新场景,这些场景是包含电机控制的。
不过,由于NPU在运行AI算法方面的先天优势,随着电机智能控制算法越来越强大,NPU一定是未来的方向,行业中也已经有了先行者。比如德州仪器公司的C2000实时MCU新品——TMS320F28P550SJ。这款器件不仅提供独立32位浮点数学加速器CLA、浮点单元 (FPU)、三角函数加速器 (TMU) 和 VCRC(循环冗余校验)扩展指令集,还提供NPU。这颗NPU能够处理600–1200MOPS(兆次运算/秒),并且为电弧故障检测或电机故障检测提供模型支持,与仅基于软件的实现方案相比,将NN推理周期改进了高达10倍。
恩智浦的MCX N系列MCU也是一个很有代表性的产品,在内核方面,MCX N系列采用双核ArmvCortex-M33架构,运行频率为150MHz,和上述提到的高性能MCU相比,这个性能并不高。不过,MCX N系列集成恩智浦 eIQ Neutron神经处理单元(NPU),可用于机器学习(ML) 加速。另外,MCX MCU系列还支持eIQ 机器学习软件开发环境和eIQ工具集,用于开发或转换机器学习模型,使其能够高效地运行在MCX CPU和eIQ Neutron NPU上。得益于这颗NPU,MCX MCU系列承载电机智能控制算法的能力得到了显著增强。
因而,虽然MCU集成NPU在智能电机控制方面还不是业界共识的方案,但NPU的加入确实显著增强了算法支持的能力,有助于打造更智能的电机系统。也就是说,现在硬件已经就绪,只待杀手级的应用,不过应用尚处于摸索期确实也是行业共识。
结语
电机控制智能化升级趋势是不可逆的,随着终端设备升级,会有越来越多的设备采用智能算法驱动的电机,不过现阶段算法对NPU需求并不强,高性能MCU就可以很好地支持。一旦算法更进一步,NPU的优势将显露无遗,届时集成NPU的MCU将拥有先发优势。还是那句话——电动化是智能化的基石,而电机是电动化的动力源,怎么能不智能呢。
更多热点文章阅读
点击关注 星标我们
喜欢就奖励一个“在看”吧!