BLDC(無刷直流)電機是一種由直流電驅(qū)動的高效電動機。由于取消了機械刷結(jié)構(gòu)，BLDC電機相比傳統(tǒng)有刷電機具有更高的能效表現(xiàn)，廣受認可。這提供了更高的可靠性、更長的使用壽命以及幾乎無需維護的優(yōu)勢。然而，這些電機需要精確的控制算法來實現(xiàn)繞組之間的電流切換。

瑞薩電子在軟硬件精確控制算法領(lǐng)域處于行業(yè)領(lǐng)先地位，持續(xù)為客戶提供高性能、高可靠性的創(chuàng)新解決方案。驅(qū)動這些BLDC電機有多種算法，例如矢量控制(磁場定向控制)、梯形控制等，可根據(jù)具體應(yīng)用和控制需求選擇是否使用傳感器或無傳感器方案。

在這篇博客中，我們重點介紹了如何使用無傳感器方法檢測BLDC電機的啟動異常。

圖1：無傳感器BLDC電機設(shè)置概述

為何在磁場定向控制中采用無傳感器方案?

使用無傳感器方法有幾個優(yōu)點。首先，通過減少與傳感器相關(guān)的機械復(fù)雜性，我們延長了電機的使用壽命;其次，避免了額外的傳感器維護成本;最后，有效降低了物料清單(BOM)成本。然而，當(dāng)涉及到電機啟動和低速精度時，這些優(yōu)勢是有代價的。因此，我們決定通過訓(xùn)練一個可以檢測與電機啟動相關(guān)的任何異常的AI模型來改進BLDC電機的啟動。

如何檢測BLDC電機的啟動異常?

使用AI模型解決與包含兩個電機的電機臺架的BLDC電機啟動序列問題相關(guān)的異常。第一個電機用于制造啟動異常，而另一個電機僅充當(dāng)負載。這個電機臺的美妙之處在于它能夠?qū)崟r改變施加到電機上的負載。每個電機都通過瑞薩電子RA6T2電機控制套件(MCK-RA6T2)進行控制。MCK-RA6T2由MCB-RA6T2 CPU單元和MCI-LV-1低壓逆變器組成。設(shè)置如下所示：

圖2：設(shè)置概述

電機測試平臺通過本地PC上的圖形用戶界面(GUI)進行控制，并連接至MCK-RA6T2開發(fā)板。當(dāng)電機參數(shù)設(shè)置不正確時，電機會嘗試啟動，但如果連接了負載，則可能會發(fā)生停轉(zhuǎn)現(xiàn)象。然而，在這種情況下，圖形用戶界面(GUI)并未顯示電機已停止，反而接收到電機始終在運行的反饋信息。

可以訓(xùn)練AI模型來檢測電機啟動的模式并檢測任何異常。首先，我們從電機收集一個數(shù)據(jù)集，其中包括由逆變器測量的電流和電壓。一旦AI模型經(jīng)過充分訓(xùn)練，它就能識別電機電流中的不同模式，并提供關(guān)于當(dāng)前電機啟動的準(zhǔn)確信息。這將使圖形用戶界面能夠準(zhǔn)確地顯示電機啟動狀態(tài)的結(jié)果。

AI模型開發(fā)

瑞薩電子AI卓越中心(COE)團隊開發(fā)了一種AI模型來檢測異常情況。我們使用上述電機臺架通過修改啟動參數(shù)來模擬這種異常，如果用戶不知道構(gòu)建成功啟動序列的正確參數(shù)，就會發(fā)生這種情況。

為了開發(fā)AI模型，我們從圖2中的電機工作臺中收集了一個數(shù)據(jù)集。該數(shù)據(jù)集描述了可能影響電機的兩種情況，第一種情況是電機連接到負載，而另一種是電機上沒有任何負載。

模型可以檢測到四種情況：

電機具有附加負載時的異常行為

電機無負載時的正常行為

電機無負載時的異常行為

所有這些情況都需要使用我們開發(fā)的AI模型進行評估和測試，以確保我們能夠檢測到任何啟動異常。我們?yōu)樯鲜雒糠N情況收集了一個數(shù)據(jù)集，并為它們都訓(xùn)練了一個AI模型。

數(shù)據(jù)集收集和AI模型訓(xùn)練

數(shù)據(jù)集是使用數(shù)據(jù)存儲工具收集的。該工具是集成到e2工作室中的Reality AI Utilities的一部分。它將從MCK-RA6T2捕獲數(shù)據(jù)，并將收集的數(shù)據(jù)直接上傳到瑞薩電子的Reality AI Tools。使用此云工具，可以針對瑞薩電子MCU訓(xùn)練和優(yōu)化AI模型，從而最大限度地減少RAM和閃存的占用空間。一旦模型經(jīng)過良好的訓(xùn)練，就會在獨立的數(shù)據(jù)集上進行測試，以檢查模型的性能。如果模型的性能與訓(xùn)練結(jié)果相關(guān)，我們將模型部署在MCK-RA6T2上，并對電機本身進行另一次測試。

圖3：Reality AI工具上的模型訓(xùn)練

模型的準(zhǔn)確性直接從字段中收集，導(dǎo)致模型的RAM消耗為576字節(jié)，F(xiàn)lash為4146字節(jié)。

通過使用邊緣人工智能并將該模型直接集成到我們的電機控制固件中，我們將能夠?qū)崟r檢測影響電機的啟動異常。