Az STMicroelectronics mesterséges intelligencia által vezérelt intelligenciát hoz a motorvezérlési rendszerekbe

Az AI csendben alakítja át a motorhajtások működését a terepen

A STMicroelectronics az FP-IND-MCAI1 csomaggal bővítette ipari mozgásvezérlési portfólióját: ez egy mesterséges intelligenciával továbbfejlesztett motorvezérlő szoftvercsomag BLDC-hajtásplatformokhoz. A kiadás olyan mérnököket céloz, akik kompakt szervó- és kisfeszültségű motorrendszerekkel dolgoznak, amelyeknek a statikus hangolás helyett adaptív teljesítményre van szükségük.

A hagyományos hajtásfirmware-rel ellentétben ez a csomag közvetlenül a vezérlési hurokba integrál gépi tanulási funkciókat. Nem csupán végrehajtja a mozgásparancsokat, hanem valós időben értelmezi az üzemi körülményeket is.

Ez a változás a mozgásvezérlés szélesebb körű átalakulását jelzi: a beágyazott intelligencia kezdi felváltani a kézi hangolási gyakorlatokat a szervó- és könnyűipari robotikai rendszerekben.

Az EVLSPIN32G4-ACT platform bemutatja, hogyan működhetnek az AI-ra felkészített vezérlési szoftverkötegek kompakt BLDC-hajtáshardver-architektúrákban.

Amikor a vezérlési hurkok magából a gépből kezdenek tanulni

A PID-hangolástól az adaptív intelligenciáig

A hagyományos szervórendszerek kézzel hangolt PID-paraméterekre támaszkodnak. A mérnökök a tapasztalatuk és az üzembe helyezés eredményei alapján állítják be az erősítéseket. Az FP-IND-MCAI1 a motor korábbi működését használja hangolási referenciaként, ezzel megváltoztatva ezt a munkafolyamatot.

A szoftver figyeli a nyomatékválaszt, a terhelés változását és a mozgás stabilitását. Ezután módosítja a vezérlés működését a hatékonyság javítása és a mechanikai igénybevétel időbeli csökkentése érdekében.

A rezgés digitális jellé válik, nem csupán zaj marad

Az egyik kulcsfontosságú képességet az opcionális rezgésérzékelési integráció biztosítja. A rendszer beágyazott gépitanulás-modell segítségével normál, erősen rezgő vagy instabil állapotokba sorolja az üzemet.

Az áramjelek és az érzékelőbemenetek folyamatosan táplálják a modellt. Ez lehetővé teszi olyan romlási mintázatok korai felismerését, amelyek a hagyományos hajtásdiagnosztikában rendszerint láthatatlanok maradnának.

A motorállapot osztályozása lehetővé teszi a kezelők számára, hogy még azelőtt azonosítsák a rendellenes működést, hogy az mechanikai meghibásodássá fejlődne.

Hol illeszkednek az AI-alapú hajtások a valós ipari rendszerekbe?

Ez a szoftverköteg olyan alkalmazásokat céloz, amelyekben a mozgás állandósága közvetlenül hat a termelékenységre. A robotika, a kompakt automatizálási cellák és a precíziós összeszerelő rendszerek az elsődleges haszonélvezők.

A pick-and-place gépekben még a kisebb hatékonyságnövekedés is csökkenti a ciklusidőt több ezer ismétlés során. Az adaptív hangolás segít fenntartani az állandó mozgásprofilokat a mechanikai kopás előrehaladtával is.

Az STM32 motorvezérlési ökoszisztéma és a NanoEdge AI Studio ezt a képességet a fejlesztői munkafolyamatokba is kiterjeszti. A mérnökök finomíthatják a modelleket, és integrálhatják őket egyedi vezérlési logikába anélkül, hogy a teljes rendszerarchitektúrát újra kellene építeniük.

Az iparág a vezérléstől a viselkedés előrejelzése felé halad

Az AI-támogatott motorvezérlés nem a szervólogika lecseréléséről szól. Olyan visszacsatolási réteget ad hozzá, amely képes értelmezni a romlást, a terhelés változását és a környezeti igénybevétel mintázatait.

Ez a megközelítés összhangban áll az állapotalapú karbantartásban és a peremhálózati analitikában megfigyelhető szélesebb ipari trendekkel. A rendszerek a hibákra adott reagálás helyett elkezdik előre jelezni azokat.

Ahogy a félvezetőgyártók az intelligenciát egyre közelebb integrálják a hajtási fokozathoz, a vezérlőrendszer és az analitikai motor közötti határvonal folyamatosan elmosódik.

Technikai váltás, amely átformálja a mozgástervezés szemléletét

Az FP-IND-MCAI1 egyértelmű irányt mutat az ipari automatizálás tervezésében. A vezérlőmérnökök már nem csupán a mozgás viselkedését hangolják. Most olyan adaptív rendszereket alakítanak ki, amelyek működés közben fejlődnek.

Ez várhatóan hatással lesz a következő generációs szervóarchitektúrákra, különösen a kompakt robotikai és elosztott mozgásrendszerekben, ahol a fedélzeti intelligencia csökkenti a központi vezérlőktől való függőséget.

A hosszú távú hatás strukturális. A mozgásrendszerek egyre inkább tanuló komponensekként fognak viselkedni a rögzített funkciójú eszközök helyett.

*Daniel Mercer, ipari rendszerekkel foglalkozó riporter, 14 éves tapasztalattal a szervórendszerek, a peremhálózati vezérlőplatformok és az automatizálási architektúrák területén, többek között Siemens, Schneider Electric és Beckhoff Automation projekteken szerzett tapasztalattal.*