이 페이지는 기계 번역되었습니다.
번역 품질에 대한 1분 설문 조사에 참여해 주세요.
STMicroelectronics - 자속기준제어의 성능 개선을 위한 TinyML 적용 사례
MATLAB 및 Simulink를 사용한 종단간 워크플로
"STMicroelectronics와 MATLAB 및 Simulink AI 툴은 특정 활용 사례에 맞게 마이크로컨트롤러에 배포하기 위해 모든 이가 매우 간단하게 사용할 수 있는 방법론을 구축하는 데 완벽한 조합을 제공합니다."
주요 성과
- FOC 시스템에 tinyNN을 통합함으로써 이 솔루션은 기준 전류의 편차와 오버슈트를 크게 줄여 거의 최적의 성능을 달성했습니다. STMicroelectronics는 Deep Learning Toolbox를 사용해 신경망을 설계하고 훈련하며 가지치기하고 양자화하여 이를 달성했습니다.
- 최적화된 신경망은 MCU에 성공적으로 배포되어 최소한의 추론 시간과 메모리 사용량으로 실시간 제어 요구사항을 충족했습니다. 이 배포는 ST Edge AI Developer Cloud 플랫폼을 사용해 검증되었으며, 이를 통해 임베디드 애플리케이션에 대한 신경망의 적합성을 보장했습니다.
- 이 프로젝트는 MATLAB 및 Simulink를 사용해 FOC 시스템을 모델링하고 신경망을 훈련시키며 이를 제어 루프에 통합하는 등 개념부터 배포에 이르는 종단간 워크플로를 보여주었습니다. 이러한 접근 방식은 개발 프로세스를 개선하여 향상된 제어 시스템의 신속 프로토타이핑 및 테스트를 가능하게 했습니다.
STMicroelectronics는 산업, 자동차 및 소비자 응용 사례에 널리 사용되는 MCU(마이크로컨트롤러)를 설계하고 제조합니다. 이 프로젝트의 목적은 PMSM(영구자석 동기모터)에 대한 FOC(자속기준제어)의 효율성과 정밀도를 개선하는 것입니다. FOC에 사용되는 기존 PID 제어기는 종종 편차와 오버슈트를 발생시켜 모터 속도와 토크를 조절할 때 최적에 미치지 못하는 성능을 발휘합니다.
FOC 성능을 향상시키기 위해 STMicroelectronics 팀은 MATLAB® 및 Simulink®를 사용하는 2단계 접근 방식을 적용했습니다. 그들은 속도 PID 제어기가 생성한 기준 전류 Iq의 편차를 보정하기 위해 tinyNN(경량 신경망)을 설계하고 통합했습니다. 신경망의 훈련, 가지치기 및 양자화를 위해 Deep Learning Toolbox™가 사용되었습니다. 보정된 전류 신호는 FOC 시스템의 정확도를 개선시켰습니다. AI로 개선된 제어 시스템의 모델링 및 검증에 Simulink가 사용되었으며, ST Edge AI Developer Cloud에서 배포 테스트를 통해 실시간 실행가능성을 확인했습니다. 이 솔루션은 오버슈트를 줄이고, 동적 응답을 개선하며, 효율적인 MCU 구현을 보장합니다.
