本页面使用了机器翻译。
请花 1 分钟时间完成一个翻译质量的调查。
STMicroelectronics 应用 TinyML 增强磁场定向控制的性能
使用 MATLAB 和 Simulink 的端到端工作流
“STMicroelectronics 和 MATLAB 与 Simulink AI 工具提供了完美的组合来构建一种方法，这种方法应该非常简单，每个人都可以用来针对特定用例部署在微控制器上。”
关键成果
- 通过将 tinyNN 集成到 FOC 系统中，该解决方案显著减少了参考电流中的偏差和超调，从而实现了接近最佳的性能。STMicroelectronics 通过使用 Deep Learning Toolbox 设计、训练、修剪和量化神经网络实现了这一目标。
- 优化后的神经网络成功部署在 MCU 上，以最小的推理时间和内存占用满足了实时控制要求。此部署使用 ST Edge AI Developer Cloud 平台进行了验证，确保了神经网络对嵌入式应用的适用性。
- 该项目展示了从概念到部署的端到端工作流，使用 MATLAB 和 Simulink 对 FOC 系统进行建模、训练神经网络并将其集成到控制环路中。这种方法改进了开发过程，实现了增强控制系统的快速原型设计和测试。
STMicroelectronics 设计和制造广泛应用于工业、汽车和消费类领域的微控制器 (MCU)。该项目旨在提高永磁同步电机 (PMSM) 磁场定向控制 (FOC) 的效率和精度。FOC 中使用的传统 PID 控制器往往会导致偏差和超调，从而在调节电机速度和扭矩时导致性能欠佳。
为了增强 FOC 性能，STMicroelectronics 团队应用了一种使用 MATLAB® 和 Simulink® 的两步法。他们设计并集成了一个微型神经网络 (tinyNN)，以校正由速度 PID 控制器生成的参考电流 Iq 中的偏差。Deep Learning Toolbox™ 被用于训练、剪枝和量化该神经网络。校正后的电流信号提高了 FOC 系统的精度。Simulink 用于对 AI 增强型控制系统进行建模和验证，而在 ST Edge AI Developer Cloud 上的部署测试确认了其实时可行性。该解决方案减少了超调，改善了动态响应，并确保了高效的 MCU 实现。
