STMicroelectronics přináší do systémů řízení motorů inteligenci využívající umělou inteligenci

Umělá inteligence nenápadně mění způsob fungování motorových pohonů v praxi

Společnost STMicroelectronics rozšířila své portfolio pro průmyslové řízení pohybu o FP-IND-MCAI1, softwarový balíček pro řízení motorů s podporou umělé inteligence, určený pro platformy pohonů BLDC. Novinka cílí na konstruktéry pracující s kompaktními servosystémy a nízkonapěťovými motory, které vyžadují adaptivní výkon namísto statického nastavení.

Na rozdíl od tradičního firmwaru pohonů tento balíček integruje funkce strojového učení přímo do regulační smyčky. Nevykonává pouze povely k pohybu, ale také v reálném čase vyhodnocuje provozní podmínky.

Tento posun signalizuje širší transformaci řízení pohybu, v níž vestavěná inteligence začíná nahrazovat ruční nastavování v servosystémech a lehkých průmyslových robotických systémech.

Platforma EVLSPIN32G4-ACT ukazuje, jak mohou řídicí sady připravené na umělou inteligenci fungovat v kompaktních hardwarových architekturách pohonů BLDC.

Když se regulační smyčky začnou učit ze samotného stroje

Od nastavování PID k adaptivní inteligenci

Tradiční servosystémy využívají ručně nastavované parametry PID. Inženýři upravují zesílení na základě zkušeností a výsledků uvedení do provozu. FP-IND-MCAI1 tento postup mění tím, že jako referenci pro nastavení využívá historické chování motoru.

Software sleduje odezvu točivého momentu, změny zatížení a stabilitu pohybu. Následně upravuje chování řízení s cílem zvýšit účinnost a postupem času omezit mechanické namáhání.

Vibrace se stávají digitálním signálem, nejen šumem

Jedna z klíčových funkcí vychází z volitelné integrace snímání vibrací. Systém pomocí vestavěného modelu strojového učení klasifikuje provozní stavy jako normální, vysoce vibrační nebo nestabilní.

Model průběžně zpracovává proudové signály a vstupy ze snímačů. To umožňuje včas odhalit vzorce zhoršování stavu, které by při běžné diagnostice pohonů obvykle zůstaly skryté.

Klasifikace stavu motoru umožňuje obsluze odhalit nestandardní chování dříve, než se rozvine v mechanické selhání.

Kam zapadají pohony s umělou inteligencí v reálných průmyslových systémech

Tato softwarová sada cílí na aplikace, v nichž konzistentní pohyb přímo ovlivňuje produktivitu. Mezi hlavní příjemce patří robotika, kompaktní automatizační buňky a přesné montážní systémy.

U strojů typu pick-and-place i malé zvýšení účinnosti zkracuje dobu cyklu při tisících opakování. Adaptivní nastavování pomáhá zachovat konzistentní profily pohybu i s postupujícím mechanickým opotřebením.

Ekosystém řízení motorů STM32 a nástroj NanoEdge AI Studio rozšiřují tuto schopnost do pracovních postupů vývojářů. Inženýři mohou zdokonalovat modely a integrovat je do vlastní řídicí logiky, aniž by museli znovu budovat celou systémovou architekturu.

Průmysl přechází od řízení k předvídání chování

Řízení motorů s podporou umělé inteligence není o nahrazení servologiky. Jde o přidání zpětnovazební vrstvy, která rozumí zhoršování stavu, změnám zatížení a vzorcům namáhání vlivem prostředí.

Tento přístup odpovídá širším průmyslovým trendům v oblasti údržby podle stavu a analýzy na okraji sítě. Systémy místo reakce na poruchy začínají poruchy předvídat.

S tím, jak výrobci polovodičů integrují inteligenci blíže k výkonovému stupni pohonu, se hranice mezi řídicím systémem a analytickým modulem stále více stírá.

Technologický posun, který změní filozofii návrhu pohybových systémů

FP-IND-MCAI1 odráží jasný směr vývoje průmyslové automatizace. Inženýři řízení už pouze nenastavují chování pohybu. Nyní vytvářejí adaptivní systémy, které se během provozu vyvíjejí.

To pravděpodobně ovlivní serv architektury nové generace, zejména v kompaktní robotice a distribuovaných pohybových systémech, kde palubní inteligence snižuje závislost na centrálních řídicích jednotkách.

Dlouhodobý dopad je strukturální. Pohybové systémy se budou stále více chovat jako učící se komponenty namísto zařízení s pevně danými funkcemi.

*Daniel Mercer, reportér průmyslových systémů se 14 lety zkušeností se servosystémy, platformami řízení na okraji sítě a automatizačními architekturami v rámci projektů společností Siemens, Schneider Electric a Beckhoff Automation.*