电子发烧友网报道（文/吴子鹏）电动化是智能化的基石，这句话不仅仅适用于汽车领域，对于工业、消费电子等领域，这句话同样有效。作为电动化的动力源，电机的发展也受到终端行业智能化升级的影响，同时电机控制与驱动系统本身也在经历着智能化升级。 电机控制与驱动的智能化升级主要体现在两个方面：其一是电机控制算法越来越智能，让电机系统变得更加聪明、高效；其二是电机系统融合的元素越来越多，尤其是电机与传感器、机器学习等技术的结合，使得电机控制和反馈形成了闭环，控制过程也更加灵活。这两点在以控制著称的无刷直流（BLDC）电机领域尤为明显，当前BLDC正经历智能化变革，采用AI算法、物联网、边缘计算和模块化设计提升效率和性能，使得BLDC控制不再依赖固定的参数，而是能够实时调整控制参数，以适应不同的工作环境和负载条件，从而提高电机的效率和性能。 不过，对于如何承载电机控制算法，目前产业界的认知并不统一，作为提供最基础算力的MCU，实际上也具有一定的算法承载能力，目前大部分智能化的算法都可以通过MCU来运行，且厂商在迭代的新产品里扩大了存储资源，并升级了核心性能，使得MCU承载算法的能力进一步增强。不过，也有一部分厂商选择在现阶段就集成更好运转智能算法的NPU，但落地场景更多还在摸索阶段。因而，到底电机控制需要不需要NPU，或者说何时需要NPU，这是值得探讨的。 电机控制和驱动的智能化升级电机控制与驱动系统主要包含以下几部分：‌驱动电机、‌电机控制器、减速器、冷却系统、旋转变压器和各种传感器等。其中，‌电机控制器的主要作用包括控制电机的运行、保护电机、提高电机效率以及实现通信与反馈‌。具体来说，电机控制器能够根据输入信号控制电机的启动、停止、加速、减速、正转、反转等运行状态，同时监测电机的运行状态，如电流、电压、温度等参数，一旦发现异常，能够及时切断电源，防止电机损坏。此外，电机控制器可以通过脉宽调制（PWM）技术精准控制电机功率输出。 当然，电机控制器想要发挥上述作用，离不开电机控制算法。电机控制算法是指在机电一体化中，进行电机控制系统的分析、综合或设计时所使用的控制算法。在进行电机控制系统的设计和分析时，首先需要建立该系统的数学模型，以反映系统的数据和逻辑关系。‌ 根据应用场景的不同，常见的电机控制算法包括开环、PID、矢量控制、直接转矩控制、模糊控制、神经网络控制等。当然，根据电机类型的不同，控制算法也会有差异，还以BLDC为例，梯形整流换向和正弦整流换向都可以控制BLDC，不过梯形整流换向虽然算法相对简单但会遭遇转矩纹波问题。另外，BLDC的算法也可以分为有感和无感，其中有感控制算法通过位置传感器直接对转子位置信息检测，但增加了传感器就增加了成本；无感控制算法则用于代替位置传感器对转子位置信息进行估计，常用的方法有反电动势法、定子磁链法、电感法等。 在电机控制算法中，有一类算法被称为神经网络控制算法。神经网络控制是一种基于人工神经网络的电机控制算法。它通过训练神经网络模型来预测电机的输出，然后通过调整神经网络的权重和阈值来实现对电机的控制。具有较好的自适应性和鲁棒性，适用于非线性、不确定性较大的电机控制场合。尤其是当神经网络算法中加入深度学习算法后，效果改善会更加明显，比如深度学习算法可以分析电机运行数据，预测潜在的故障并优化控制策略。 实际上，神经网络算法就是电机控制智能化升级的典型代表，此外还有模糊控制算法和遗传算法优化控制等。这些都被统称为智能控制算法，主要的研究方向包括以下几点：其一是电机模型建立，为电机建模是使用智能控制算法的基础，描述了电机的动态特性和静态特性，使得算法和工程师能够更好地了解电机；其二是选择最优的控制策略，控制策略是智能控制算法的核心，决定了电机驱动的方式和控制的效果；其三是实时监测与反馈，如上所述，智能化控制不依赖固定的电机参数，可以根据电机实时参数而调整控制策略；其四是安全性与可靠性，智能控制算法可以预先判断电机后续的状态，确保系统运行的可靠性，尤其是预测性维护策略，这是电机控制算法升级的主要方向之一。 那么，很明显电机控制智能化升级的本质就是，融合AI算法，实现精准控制与自适应调节。 如何承载电机智能控制算法？电机控制和驱动智能化升级的方向是非常明确的，问题在于通过怎样的硬件基础承载这样的算法，尤其是作为系统核心的MCU该如何应对？ 此前，笔者分享了主要MCU厂商的AI布局策略。其中提到了瑞萨电子的Reality AI Explorer Tier工具，这款工具允许工程师基于高级信号处理生成和构建TinyML和Edge AI模型。用户可以自动浏览传感器数据并生成优化模型。Reality AI工具包含用于查找最佳传感器或传感器组合、传感器放置位置和自动生成组件规格的分析，并包括时域、频域方面完全可解释的模型函数，以及用于Arm Cortex M/A/R实现的优化代码。因此，如果工程师选择瑞萨电子的Reality AI Explorer Tier工具对电机建模并生成算法，其实可以选择部署在瑞萨电子普通类型的MCU上，这是可行的路径。当然，如果这个算法对算力的要求有点高，那么可以选择瑞萨电子RA8T1 32位电机控制优化型MCU，这款MCU基于高性能Arm Cortex-M85内核，也并不需要NPU。工程师还可以将Reality AI Tools创建的AI模块与通过瑞萨e-AI转换器从其他机器学习平台导入的开源AI模型相结合。 瑞萨电子RA8T1是一个典型，一些还没有部署NPU的厂商的策略是大抵相同的，比如国内的兆易创新，该公司GD32H7系列MCU采用基于Armv7E-M架构的600MHz Arm Cortex-M7高性能内核，配备了1024KB到3840KB的片上Flash及1024KB的SRAM，还提供高级DSP硬件加速器和双精度浮点单元（FPU），以及硬件三角函数加速器（TMU）和滤波算法加速器（FAC），这些配置让GD32H7系列适用于机器学习和边缘计算等诸多高端创新场景，这些场景是包含电机控制的。 不过，由于NPU在运行AI算法方面的先天优势，随着电机智能控制算法越来越强大，NPU一定是未来的方向，行业中也已经有了先行者。比如德州仪器公司的C2000实时MCU新品——TMS320F28P550SJ。这款器件不仅提供独立32位浮点数学加速器CLA、浮点单元 (FPU)、三角函数加速器 (TMU) 和 VCRC（循环冗余校验）扩展指令集，还提供NPU。这颗NPU能够处理600–1200MOPS（兆次运算/秒），并且为电弧故障检测或电机故障检测提供模型支持，与仅基于软件的实现方案相比，将NN推理周期改进了高达10倍。 恩智浦的MCX N系列MCU也是一个很有代表性的产品，在内核方面，MCX N系列采用双核ArmvCortex-M33架构，运行频率为150MHz，和上述提到的高性能MCU相比，这个性能并不高。不过，MCX N系列集成恩智浦 eIQ Neutron神经处理单元（NPU），可用于机器学习（ML） 加速。另外，MCX MCU系列还支持eIQ 机器学习软件开发环境和eIQ工具集，用于开发或转换机器学习模型，使其能够高效地运行在MCX CPU和eIQ Neutron NPU上。得益于这颗NPU，MCX MCU系列承载电机智能控制算法的能力得到了显著增强。 因而，虽然MCU集成NPU在智能电机控制方面还不是业界共识的方案，但NPU的加入确实显著增强了算法支持的能力，有助于打造更智能的电机系统。也就是说，现在硬件已经就绪，只待杀手级的应用，不过应用尚处于摸索期确实也是行业共识。 结语电机控制智能化升级趋势是不可逆的，随着终端设备升级，会有越来越多的设备采用智能算法驱动的电机，不过现阶段算法对NPU需求并不强，高性能MCU就可以很好地支持。一旦算法更进一步，NPU的优势将显露无遗，届时集成NPU的MCU将拥有先发优势。还是那句话——电动化是智能化的基石，而电机是电动化的动力源，怎么能不智能呢。