Cette page a été traduite automatiquement.
Merci de bien vouloir compléter un sondage de 1 minute concernant la qualité de cette traduction.
STMicroelectronics a appliqué le TinyML pour améliorer les performances de la commande vectorielle
Un workflow de bout en bout utilisant MATLAB et Simulink
« STMicroelectronics et les outils d’IA de MATLAB et Simulink offrent une combinaison parfaite pour élaborer une méthodologie très simple à utiliser par tous, afin de la déployer sur des microcontrôleurs pour des cas d'utilisation spécifiques. »
Principaux résultats
- En intégrant un tinyNN au système FOC, la solution a permis de réduire considérablement les écarts et le dépassement du courant de référence, conduisant à des performances quasi optimales. STMicroelectronics a obtenu ce résultat en utilisant Deep Learning Toolbox pour concevoir, entraîner, élaguer et quantifier le réseau de neurones.
- Le réseau de neurones optimisé a été déployé avec succès sur des microcontrôleurs, répondant aux exigences de contrôle en temps réel avec un temps d'inférence minimal et une empreinte mémoire réduite. Ce déploiement a été validé à l'aide de la plateforme ST Edge AI Developer Cloud, garantissant ainsi l'adéquation du réseau de neurones aux applications embarquées.
- Le projet a démontré un workflow complet, du concept au déploiement, utilisant MATLAB et Simulink pour la modélisation du système FOC, l'entraînement du réseau de neurones et son intégration dans la boucle de contrôle. Cette approche a amélioré le processus de développement, permettant un prototypage et des tests rapides du système de contrôle amélioré.
STMicroelectronics conçoit et fabrique des microcontrôleurs (MCU) largement utilisés dans les applications industrielles, automobiles et grand public. Le projet présenté visait à améliorer l'efficacité et la précision de la commande vectorielle (FOC) pour les moteurs synchrones à aimants permanents (PMSM). Les régulateurs PID traditionnels utilisés en FOC entraînent souvent des écarts et des dépassements, ce qui conduit à des performances sous-optimales lors de la régulation de la vitesse et du couple du moteur.
Pour améliorer les performances de la commande vectorielle (FOC), l'équipe de STMicroelectronics a appliqué une approche en deux étapes utilisant MATLAB® et Simulink®. Les ingénieurs ont conçu et intégré un minuscule réseau de neurones (tinyNN) pour corriger les écarts du courant de référence Iq généré par le contrôleur PID de vitesse. Deep Learning Toolbox™ a été utilisé pour entraîner, élaguer et quantifier le réseau de neurones. Les signaux de courant corrigés ont amélioré la précision du système FOC. Simulink a été utilisé pour modéliser et valider le système de contrôle amélioré par l'IA, tandis que les tests de déploiement sur le cloud ST Edge AI Developer ont confirmé la faisabilité en temps réel. La solution a permis de réduire le dépassement, d'améliorer la réponse dynamique et d'assurer une implémentation efficace du microcontrôleur.
Produits utilisés
Ressources associées
