このページは機械翻訳を使用して翻訳されました。
翻訳品質のアンケートに 1 分ご協力ください。
STMicroelectronics、TinyML を適用してベクトル制御の性能を向上
MATLAB と Simulink を使用したエンドツーエンド ワークフロー
「STMicroelectronics と MATLAB および Simulink AI ツールは、特定のユースケース向けにマイクロコントローラへデプロイするための方法論を構築するうえで、誰にとっても非常に簡単に使える理想的な組み合わせを提供します。」
主な成果
- このソリューションでは、tinyNN を FOC システムに統合することで、基準電流の偏差とオーバーシュートが大幅に削減され、ほぼ最適なパフォーマンスが実現しました。STMicroelectronics は、Deep Learning Toolbox を使用してニューラル ネットワークの設計、トレーニング、枝刈り、量子化を行うことでこれを実現しました。
- 最適化されたニューラル ネットワークは MCU に正常に導入され、最小限の推論時間とメモリ フットプリントでリアルタイム制御要件を満たしました。この展開は、ST Edge AI Developer Cloud プラットフォームを使用して検証され、ニューラル ネットワークが組み込みアプリケーションに適していることが確認されました。
- このプロジェクトでは、 MATLABとSimulink を使用して FOC システムのモデリング、ニューラル ネットワークのトレーニング、制御ループへの統合を行い、コンセプトから展開までのエンドツーエンドのワークフローを実証しました。このアプローチにより開発プロセスが改善され、強化された制御システムの迅速なプロトタイピングとテストが可能になりました。
STMicroelectronics は、産業、自動車、民生用アプリケーションで幅広く使用されているマイクロコントローラ (MCU) を設計および製造しています。このプロジェクトの目的は、永久磁石同期モーター (PMSM) のベクトル制御 (FOC) の効率と精度を向上させることです。FOC で使用される従来の PID コントローラでは、多くの場合、偏差やオーバーシュートが発生し、モーターの速度とトルクを制御する際にパフォーマンスが最適ではなくなります。
FOC パフォーマンスを向上させるために、STMicroelectronics チームはMATLAB®および Simulink® を使用した 2 段階のアプローチを適用しました。彼らは、速度 PID コントローラによって生成された基準電流 Iq の偏差を修正するために、小型ニューラル ネットワーク (tinyNN) を設計して統合しました。Deep Learning Toolbox™ を使用して、ニューラル ネットワークのトレーニング、枝刈り、量子化を行いました。修正された電流信号により、FOC システムの精度が向上しました。Simulinkを使用して AI 強化制御システムをモデル化および検証し、ST Edge AI Developer Cloud での展開テストでリアルタイムの実現可能性を確認しました。このソリューションにより、オーバーシュートが削減され、動的応答が改善され、効率的な MCU 実装が保証されました。
