Diese Seite wurde maschinell übersetzt.
Füllen Sie bitte eine 1-Minuten-Befragung zur Qualität dieser Übersetzung aus.
STMicroelectronics setzt TinyML zur Leistungssteigerung der feldorientierten Regelung ein
Durchgängiger Workflow mit MATLAB und Simulink
„STMicroelectronics und die KI-Tools MATLAB und Simulink bieten eine perfekte Kombination für die Entwicklung einer Methodik, die für jedermann sehr einfach anzuwenden sein sollte, um sie auf Mikrocontrollern für spezifische Anwendungsfälle zu implementieren.“
Wichtigste Ergebnisse
- Durch die Integration eines tinyNN in das FOC-System konnte die Lösung Abweichungen und Überschwingen im Referenzstrom deutlich reduzieren, was zu einer nahezu optimalen Leistung führte. STMicroelectronics erreichte dies durch den Einsatz der Deep Learning Toolbox zum Entwerfen, Trainieren, Beschneiden und Quantisieren des neuronalen Netzes.
- Das optimierte neuronale Netzwerk wurde erfolgreich auf Mikrocontrollern eingesetzt und erfüllte die Echtzeitsteuerungsanforderungen bei minimaler Inferenzzeit und geringem Speicherbedarf. Diese Implementierung wurde mithilfe der ST Edge AI Developer Cloud-Plattform validiert, um die Eignung des neuronalen Netzes für eingebettete Anwendungen sicherzustellen.
- Das Projekt demonstrierte einen durchgängigen Workflow von der Konzeption bis zur Bereitstellung, wobei MATLAB und Simulink für die Modellierung des FOC-Systems, das Training des neuronalen Netzes und dessen Integration in den Regelkreis verwendet wurden. Dieser Ansatz verbesserte den Entwicklungsprozess und ermöglichte ein schnelles Prototyping und Testen des optimierten Steuerungssystems.
STMicroelectronics entwickelt und fertigt Mikrocontroller (MCUs), die in Industrie-, Automobil- und Konsumgüteranwendungen weit verbreitet sind. Ziel dieses Projekts war die Verbesserung der Effizienz und Präzision der feldorientierten Regelung (FOC) von Permanentmagnet-Synchronmotoren (PMSM). Bei herkömmlichen PID-Reglern, die in FOC eingesetzt werden, kommt es häufig zu Abweichungen und Überschwingen, was zu einer suboptimalen Leistung bei der Regelung von Motordrehzahl und Drehmoment führt.
Um die FOC-Leistung zu verbessern, wandte das Team von STMicroelectronics einen zweistufigen Ansatz mit MATLAB® und Simulink® an. Sie entwarfen und integrierten ein winziges neuronales Netzwerk (tinyNN), um Abweichungen im Referenzstrom Iq zu korrigieren, die vom Drehzahl-PID-Regler erzeugt werden. Die Deep Learning Toolbox™ wurde verwendet, um das neuronale Netzwerk zu trainieren, zu beschneiden und zu quantisieren. Die korrigierten Stromsignale verbesserten die Genauigkeit des FOC-Systems. Simulink wurde zur Modellierung und Validierung des KI-gestützten Steuerungssystems verwendet, während Bereitstellungstests auf der ST Edge AI Developer Cloud die Echtzeit-Fähigkeit bestätigten. Die Lösung reduzierte das Überschwingen, verbesserte das dynamische Ansprechverhalten und gewährleistete eine effiziente MCU-Implementierung.
