什么是負載檢測？為什么它很重要？

無傳感器電機控制算法不知道它們在啟動過程中需要產生的扭矩。如果電機上潛在的負載太大，而施加的電流太小，則可能無法啟動轉子向正確的方向移動。為了補償這一點，典型的方法是注入足夠大的啟動電流，以便在大負載下也能開始旋轉。然而，這意味著即使對于輕負載，我們也使用相同的大啟動電流。相反，如果我們能預測負載，我們就可以微調啟動電流，從而獲得更好的性能并減少電機上的應力。

負載檢測的工作原理是什么？

使用瑞薩的RealityCheck Motor工具，我們開發(fā)了一種基于AI/ML的解決方案，用于估計電機啟動序列開始時的負載。AI分類模型是完全不需要額外加裝傳感器的，只需要更新電機控制固件。

它是如何工作的？

- 檢測電機控制系統(tǒng)中的重要變量。

-應用Reality AI特征空間來提取相關信息。

-使用Reality AI推理來確定移動負載所需的扭矩。

-提供確定的值以將啟動電流調整到最小扭矩要求。

如果扭矩要求低于預期，我們將實現(xiàn)效率提升，因為較低的啟動電流足以開始電機運行。

瑞薩電子應用實例

為了創(chuàng)建應用示例，我們設置了兩個耦合的BLDC電機系統(tǒng)，每個系統(tǒng)都由RA6T2電機控制套件驅動。主電機通過電機軸之間的聯(lián)鎖機構連接到次級“制動”電機。使用這種設置，我們可以通過調整施加到制動電機的電流來模擬初級電機上的負載。測試表明，我們的模型可以近乎完美的準確性區(qū)分六種可能的載荷。該模型總共只需要大約12.5KB的閃存和估計的6.5KB的RAM。

我們如何創(chuàng)建應用示例的？

首先，我們?yōu)閹追N載荷設置中的每一種收集了適當數(shù)量的數(shù)據(jù)樣本。為了進行評估，我們將數(shù)據(jù)分為訓練集和測試集。然后，我們將數(shù)據(jù)上傳到瑞薩Reality AI云平臺*，并使用云工具訓練和測試模型。

最后，我們使用部署工具創(chuàng)建了一個嵌入式C包，該包可以使用瑞薩e2 studio IDE與電機控制應用程序集成。借助AI Live Monitor（Reality AI Tools套件的一部分），我們通過在改變施加的負載的同時反復啟動電機來實時測試AI應用程序。

結論

此應用示例展示了一種提高電機控制設計質量和效率的新型創(chuàng)新方法。使用RealityCheck Motor提供的完全無傳感器的AI模型，可以開始利用改進的電機啟動性能，而無需額外的單位成本，還可以延長電機的使用壽命。