Esta página fue traducida automáticamente.
Complete una encuesta de 1 minuto sobre la calidad de esta traducción.
STMicroelectronics aplicó TinyML para mejorar el rendimiento del control de campo orientado.
Flujo de trabajo de extremo a extremo con MATLAB y Simulink
“STMicroelectronics y las herramientas de inteligencia artificial de MATLAB y Simulink proporcionan una combinación perfecta para construir una metodología, la que debería ser muy sencilla de utilizar con el fin de implementarla en microcontroladores para casos de uso específicos".
Resultados principales
- Al integrar una tinyNN en el sistema FOC, la solución redujo significativamente las desviaciones y el sobreimpulso en la corriente de referencia, lo que condujo a un rendimiento casi óptimo. STMicroelectronics logró esto utilizando Deep Learning Toolbox para diseñar, entrenar, podar y cuantizar la red neuronal.
- La red neuronal optimizada fue desplegada con éxito en los MCU, cumpliendo con los requisitos de control en tiempo real con un tiempo de inferencia mínimo y una superficie de memoria reducida. Este despliegue fue validado utilizando la plataforma ST Edge AI Developer Cloud, asegurando la idoneidad de la red neuronal para aplicaciones embebidas.
- El proyecto demostró un flujo de trabajo de principio a fin, desde el concepto hasta el despliegue, utilizando MATLAB y Simulink para el modelado del sistema FOC, entrenar la red neuronal e integrarla en el bucle de control. Este enfoque mejoró el proceso de desarrollo, permitiendo la creación rápida de prototipos y la prueba del sistema de control mejorado.
STMicroelectronics diseña y fabrica microcontroladores (MCU) que se utilizan ampliamente en aplicaciones industriales, de automoción y de consumo. Este proyecto tuvo como objetivo mejorar la eficiencia y precisión del control de campo orientado (FOC) para motores síncronos de imanes permanentes (PMSM). Los controladores PID tradicionales utilizados en FOC a menudo resultan en desviaciones y sobreimpulsos, lo que conduce a un rendimiento no óptimo al regular la velocidad y el par motor.
Para mejorar el rendimiento del FOC, el equipo de STMicroelectronics aplicó un enfoque de dos pasos utilizando MATLAB® and Simulink®. Diseñaron e integraron una red neuronal de tamaño reducido (tinyNN) para corregir las desviaciones en la corriente de referencia Iq generada por el controlador PID de velocidad. Se utilizó Deep Learning Toolbox™ para entrenar, podar y cuantificar la red neuronal. Las señales de corriente corregidas mejoraron la precisión del sistema FOC. Simulink se utilizó para modelar y validar el sistema de control mejorado por IA, mientras que las pruebas de despliegue en ST Edge AI Developer Cloud confirmaron la viabilidad en tiempo real. La solución redujo el sobreimpulso, mejoró la respuesta dinámica y garantizó una implementación eficiente del MCU.
Productos utilizados
Recursos relacionados
