BLDC（无刷直流）电机是一种由直流电驱动的高效电动机。 由于取消了机械刷结构，BLDC电机相比传统有刷电机具有更高的能效表现，广受认可。 这提供了更高的可靠性、更长的使用寿命以及几乎无需维护的优势。 然而，这些电机需要精确的控制算法来实现绕组之间的电流切换。 瑞萨电子在软硬件精确控制算法领域处于行业领先地位，持续为客户提供高性能、高可靠性的创新解决方案。 驱动这些BLDC电机有多种算法，例如矢量控制（磁场定向控制）、梯形控制等，可根据具体应用和控制需求选择是否使用传感器或无传感器方案。
在这篇博客中，我们重点介绍了如何使用无传感器方法检测 BLDC 电机的启动异常。
为何在磁场定向控制中采用无传感器方案？
使用无传感器方法有几个优点。 首先，通过减少与传感器相关的机械复杂性，我们延长了电机的使用寿命；其次，避免了额外的传感器维护成本；最后，有效降低了物料清单（BOM）成本。 然而，当涉及到电机启动和低速精度时，这些优势是有代价的。 因此，我们决定通过训练一个可以检测与电机启动相关的任何异常的 AI 模型来改进 BLDC 电机的启动。
如何检测BLDC电机的启动异常？
使用 AI 模型解决与包含两个电机的电机台架的 BLDC 电机启动序列问题相关的异常。 第一个电机用于制造启动异常，而另一个电机仅充当负载。 这个电机台的美妙之处在于它能够实时改变施加到电机上的负载。 每个电机都通过瑞萨电子 RA6T2 电机控制套件 （MCK-RA6T2） 进行控制。 MCK-RA6T2 由 MCB-RA6T2 CPU 单元和 MCI-LV-1 低压逆变器组成。 设置如下所示：
电机测试平台通过本地PC上的图形用户界面（GUI）进行控制，并连接至MCK-RA6T2开发板。 当电机参数设置不正确时，电机会尝试启动，但如果连接了负载，则可能会发生停转现象。 然而，在这种情况下，图形用户界面（GUI）并未显示电机已停止，反而接收到电机始终在运行的反馈信息。
可以训练 AI 模型来检测电机启动的模式并检测任何异常。 首先，我们从电机收集一个数据集，其中包括由逆变器测量的电流和电压。 一旦AI模型经过充分训练，它就能识别电机电流中的不同模式，并提供关于当前电机启动的准确信息。 这将使图形用户界面能够准确地显示电机启动状态的结果。
AI 模型开发
瑞萨电子 AI 卓越中心 （COE） 团队开发了一种 AI 模型来检测异常情况。 我们使用上述电机台架通过修改启动参数来模拟这种异常，如果用户不知道构建成功启动序列的正确参数，就会发生这种情况。
为了开发 AI 模型，我们从图 2 中的电机工作台中收集了一个数据集。 该数据集描述了可能影响电机的两种情况，第一种情况是电机连接到负载，而另一种是电机上没有任何负载。
模型可以检测到四种情况：
- 电机有附加负载时的正常行为
- 电机具有附加负载时的异常行为
- 电机无负载时的正常行为
- 电机无负载时的异常行为
所有这些情况都需要使用我们开发的 AI 模型进行评估和测试，以确保我们能够检测到任何启动异常。 我们为上述每种情况收集了一个数据集，并为它们都训练了一个AI模型。
数据集收集和 AI 模型训练
数据集是使用数据存储工具收集的。 该工具是集成到 e2 工作室中的 Reality AI Utilities 的一部分。 它将从 MCK-RA6T2 捕获数据，并将收集的数据直接上传到瑞萨电子的 Reality AI Tools®。 使用此云工具，可以针对瑞萨电子 MCU 训练和优化 AI 模型，从而最大限度地减少 RAM 和闪存的占用空间。 一旦模型经过良好的训练，就会在独立的数据集上进行测试，以检查模型的性能。 如果模型的性能与训练结果相关，我们将模型部署在 MCK-RA6T2 上，并对电机本身进行另一次测试。
模型的准确性直接从字段中收集，导致模型的 RAM 消耗为 576 字节，Flash 为 4146 字节。
通过使用边缘人工智能并将该模型直接集成到我们的电机控制固件中，我们将能够实时检测影响电机的启动异常。
如需了解更多信息，或开始使用 Renesas 进行评估，请查看我们的电机控制套件（MCK-RA6T2），并申请 Reality AI Tools 的演示。