Jeff Sieracki

Director of Engineering,AI Center of Excellence

賦能未來

數字控制的電子換向電機正在迅速取代傳統設計，因為這些電機為設計人員提供了前所未有的動態控制、功率和效率。隨著工程師在工業、HVAC、消費電子和汽車系統中推動此類設計，我們被要求提供更智能的算法和日益復雜的控制功能，并且仍然限制成本。我們最近創建了一個演示，展示了瑞薩電子如何幫助實現這一目標。

我們的解決方案示例展示了RA8T1電機控制MCU的肌肉，展示了對兩個電機的獨立控制，同時運行多個AI推理模塊以檢測操作異常。我們解決軸不對中和負載不平衡情況-電機系統中常見的實際問題。但這些只是RA8內核使工程師能夠將其引入嵌入式電機控制設計的無數高級算法的示例。該演示圍繞我們的RealityCheck電機工具箱構建，用于創建和部署基于無傳感器電機控制的AI解決方案。此工作流程將e2 studio中的功能與瑞薩電子基于云的Reality AI Tools機器學習系統聯系起來。我們還允許用戶將Reality AI Tools創建的AI模塊與通過瑞薩e-AI轉換器從其他機器學習平臺導入的開源AI模型相結合。所有生成的代碼都緊湊而高效，在MCU上仍有大量資源可用于其他任務。

RA8T1快速瀏覽

RA8T1 32位MCU采用ArmCortex-M85內核，采用氦氣技術，頻率高達480MHz，封裝針對電機或逆變器控制進行了優化。與市場上的其他電機控制解決方案相比，該產品明顯更快、更先進，并為AI等高級算法帶來了充足的動力，同時保持了對多個獨立電機的精確電子控制。

在AI操作方面，通過將Arm的Helium技術和2MB緊密耦合的D-cache相結合，RA8可以在類似的時鐘速率下將推理速度提高到其他Arm內核的10倍。這為工程師提供了巨大的收益，使以前無法在中等時鐘速率芯片上運行的復雜算法和決策變得可行。

兩個電機，兩個AI模塊，一個內核

現在我們來談談新的應用程序示例。在此示例中，我們展示了RA8T1獨立控制兩個不同的電機，同時運行兩個不同的AI推理模塊。觀看“電機異常檢測-不平衡負載和軸錯位”演示。

圖1 MCK-RA8T1帶有兩個逆變器板

用于控制兩個獨立的電機組件

此設置演示了對實際電機運行中出現的兩種異常問題的檢測：軸不對中和負載不平衡情況。當電機的輸出軸在空間上與它所驅動的負載不完全對齊時，就會發生軸不對中，從而導致計劃外的扭矩和摩擦。當驅動負載的系統失去動平衡時，就會出現負載不平衡情況，當電機與軸正交旋轉時會產生振蕩力，并在每次旋轉過程中以負載電阻變化的形式產生振蕩。

這兩種情況都是電機系統的嚴重問題，會導致一系列嚴重性的問題，從功率損失到過度的噪音和振動，再到軸承的快速磨損、危險的軸承和結構故障。在某些應用中，如大功率工業系統，隨著時間的推移，即使是與正確對齊和平衡的微小偏差也會引起重大擔憂。在其他應用中，如洗衣機烘干機，預計會出現一定量的不平衡和錯位，但超過則會導致機器內部碰撞和故障。

為了在小范圍內產生軸對中問題，我們的第一臺電機配置了將其連接到變速箱的軸。當固定電機的電路板因手指推動而略微變形時，軸會彎曲并移出與變速箱的對齊位置。

為了演示平衡問題，我們的第二個電機配置了一個鋁制輪轂，我們可以選擇將M4小螺釘插入其中。沒有螺絲，輪轂為驅動電機提供正常、平衡的負載。添加螺釘后，電機負載會少量失去平衡。

圖2 從Board發送的狀態數據儀表板

我們的兩個AI模塊已經過訓練，可以檢測這兩種情況。然后，我們將通信添加到儀表板顯示中（如圖2所示），以便我們可以實時查看發生的情況。

顯示屏上標記了每個電機的條件，狀態由顏色代碼和文本指示。它還包括一個滾動時間線，每當系統看到有關特定閾值的異常（即未對齊或不平衡狀態）時，該時間線都會顯示橙色。

如圖3所示，RA8 MCU上同時運行了相當多的進程。我們有兩個獨立的矢量電機控制算法實例來驅動BLDC電機。這些實例中的每一個還將實時數據從控制過程發送到兩個耦合的AI推理模塊。AI模塊會監視此數據，以指示正常行為與問題行為。由于僅使用內部電機控制數據，因此AI系統不需要額外的傳感器來監控異常情況。這是RealityCheck Motor Toolbox的一項強大功能，允許工程師創建AI監控解決方案，而無需在其設計中增加任何傳感器BOM成本。

如表1所示，我們的AI模塊具有極小的RAM和閃存空間，并且利用RA8T1的高級功能，它們都非常快。兩者使用的總閃存低于14KB，RAM小于5KB。每個模塊在1毫秒內執行一次推理，因此即使每個電機子系統每秒8次推理，CPU上的負載也非常小。

圖3 兩個電機AI示例中的流程和數據流

表1 嵌入式模型指標

我們是如何構建的？

故事始于瑞薩電子為e2 studio用戶提供與Reality AI工具交互的無縫集成工作流程，所有這些都是我們的RealityCheck電機工具箱的一部分。功能如下圖4所示。工程師可以連接到瑞薩電機控制MCU并將數據收集直接收集到我們的數據存儲工具插件中。這可以使用MCK-RA8T1等評估板或在他們自己的基于瑞薩MCU的硬件設計中完成。我們的工具箱提供了與瑞薩電子靈活配置軟件包（FSP）堆棧相關的示例代碼，指導用戶從矢量電機控制算法中選擇和捕獲實時數據參數。在幾分鐘內，用戶可以在實際電機使用條件下從他們的電路板實時收集數據。

特別是對于不平衡負載檢測，我們的數據收集矩陣有兩列變化：（1）輪轂中有和沒有螺釘，以及（2）我們想要解決的速度范圍。為了構建我們的演示，我們收集了這些條件組合的數據樣本，并重復多次以涵蓋任何物理設置中發生的隨機變化。表2顯示了一個示例數據覆蓋率矩陣。

圖4 RealityCheck Motor工具箱為創建電機AI

提供了無縫的往返工作流程

那么，如何使用瑞薩工作流程構建有用的分類器呢？

可靠的AI結果總是從結構化數據收集開始。我們收集了各種條件下的數據示例，這些示例解決了感興趣的檢測類別以及我們期望在實踐中看到的運動條件的數據變化。

表2 不平衡負載檢測的數據收集計劃

從e2 studio數據存儲插件中，這些數據可以直接上傳到云端，在那里我們使用Reality AI Tools來訓練和優化機器學習模型。該過程使用我們專有的AI Explore方法高度自動化，但也提供了用戶可以采用的廣泛測試、調整和優化。（有關更多信息，請參閱Reality AI Tools頁面。一旦我們對模型在云中的準確性感到滿意，我們就可以生成一個推理模塊，并將嵌入式庫代碼直接導出回e2 studio進行測試。用戶可以獲得從原始數據到最終代碼生成的簡單、快速的端到端工作流程。

但是，如果您擁有自己的AI模型呢？

圖5 e-AI Translator可讓您輕松地從Keras、Tensor Flow和PyTorch等開源平臺導入AI模型，作為e2 studio項目中的代碼

一些客戶更喜歡引入自己的AI模型，這些模型是在Keras、Tensor Flow或Pytorch等知名開源框架中開發的。RealityCheck Motor在瑞薩e-AI Translator插件的幫助下也可以讓您做到這一點。這個強大的e2 studio 插件使用戶能夠導入開源創建的AI，將它們轉換為可以直接鏈接到您的項目的緊湊C代碼。

這就是我們構建軸不對中檢測器的方式。我們再次以與以前類似的方式收集數據，使用RealityCheck Motor數據采集和e2 studio中的數據存儲工具。但是，我們沒有通過Reality AI Tools，而是將這些新數據導入Python框架，并使用Keras在那里訓練我們的演示AI模型。然后，我們使用e-AI Translator將經過充分訓練的Keras模型導入到我們的項目代碼中。該模型已經配置為處理來自我們的RealityCheck Motor捕獲函數的數據流，從而可以輕松地將e-AI推理代碼與項目的其余部分集成。

此示例展示了我們如何輕松地將Reality AI Tools工作流程創建的AI模塊與通過e-AI轉換器從其他來源導入的AI模塊相結合。用戶可以從常見的訓練框架中導入任何深度學習或NN模型，因此，如果您更喜歡自帶模型，我們很樂意提供幫助。

總結一下……

RealityCheck Motor工具箱將瑞薩e2 studio IDE與我們基于云的Reality AI Tools機器學習環境相結合，為用戶創建一個無縫的端到端工作流程，從數據收集到AI模型構建，再到緊湊、高效的嵌入式代碼。所有這些都適用于您選擇的瑞薩Motor Control MCU，無論是在評估板上還是在您自己的產品硬件中。用戶可以輕松創建直接在同一MCU上運行的AI模塊，在許多情況下，除了電機控制算法的實時數據之外，無需任何其他傳感器。希望從開源AI平臺引入自己的模型的客戶可以使用e-AI Translator導入功能來實現。

RA8T1 32位電機控制優化型MCU采用高性能Arm Cortex-M85內核和高級功能，包括Helium和緊密耦合的D-cache，可將算法加速高達10倍。這種強大的功能支持多個電機、多個嵌入式AI模塊和其他高級算法，所有這些都在一個經濟高效的MCU中實現。

借助瑞薩電子技術和先進的AI解決方案，您的電機控制系統設計將在今天為未來做好準備。

瑞薩電子(TSE: 6723)

科技讓生活更輕松，致力于打造更安全、更智能、可持續發展的未來。作為全球微控制器供應商，瑞薩電子融合了在嵌入式處理、模擬、電源及連接方面的專業知識，提供完整的半導體解決方案。成功產品組合加速汽車、工業、基礎設施及物聯網應用上市，賦能數十億聯網智能設備改善人們的工作和生活方式。