Questa pagina è stata tradotta automaticamente.
Completa un sondaggio di 1 minuto sulla qualità di questa traduzione.
STMicroelectronics ha applicato TinyML per migliorare le prestazioni del controllo Field-Oriented
Un workflow end-to-end con MATLAB e Simulink
“STMicroelectronics, insieme agli strumenti di intelligenza artificiale di MATLAB e Simulink, offre una combinazione perfetta per sviluppare una metodologia semplice da utilizzare, che consenta a chiunque di effettuare il deployment su microcontrollori per casi d’uso specifici.”
Risultati chiave
- L’integrazione di una tinyNN nel sistema FOC ha minimizzato deviazioni e sovraelongamenti della corrente di riferimento, garantendo prestazioni quasi ottimali. STMicroelectronics ha raggiunto questo obiettivo utilizzando Deep Learning Toolbox per progettare, addestrare, potare e quantizzare la rete neurale.
- La rete neurale ottimizzata è stata deployata con successo sugli MCU, garantendo controllo in tempo reale con tempi di inferenza e consumo di memoria ridotti. Questo deployment è stato testato utilizzando la piattaforma ST Edge AI Developer Cloud, garantendo l’idoneità della rete neurale per applicazioni embedded.
- Il progetto ha dimostrato un workflow end-to-end, dal concept al deployment, utilizzando MATLAB e Simulink per modellare il sistema FOC, addestrare la rete neurale e integrarla nel ciclo di controllo. L’approccio ha ottimizzato il processo di sviluppo, consentendo prototipazione e test rapidi del sistema di controllo avanzato.
STMicroelectronics progetta e realizza microcontrollori (MCU) impiegati in un’ampia gamma di applicazioni industriali, automobilistiche e consumer. Il progetto mirava a ottimizzare l’efficienza e la precisione del controllo Field-Oriented (FOC) nei motori sincroni a magneti permanenti (PMSM). I classici controllori PID impiegati nel FOC tendono a generare deviazioni e sovraelongazioni, riducendo l’efficacia nella regolazione di velocità e coppia del motore.
Per migliorare le prestazioni FOC, il team STMicroelectronics ha applicato un approccio in due fasi utilizzando MATLAB® e Simulink®. È stata progettata e integrata una tinyNN per compensare le deviazioni nella corrente di riferimento Iq prodotta dal controller PID di velocità. Per addestrare, potare e quantizzare la rete neurale è stato utilizzato Deep Learning Toolbox™ . La correzione dei segnali di corrente ha aumentato la precisione del sistema FOC. Il sistema di controllo potenziato con l’IA è stato modellato e validato in Simulink e i test di deployment sull’ST Edge AI Developer Cloud ne hanno confermato la fattibilità in tempo reale. La soluzione ha ridotto il sovraelongamento, migliorato la risposta dinamica e garantito un’implementazione efficiente sugli MCU.
I prodotti utilizzati
Ulteriori risorse
