STMicroelectronics Membawa Kecerdasan Berbasis AI ke Sistem Kontrol Motor

AI diam-diam mengubah cara kerja motor drive di lapangan

STMicroelectronics telah memperluas portofolio gerak industrinya dengan FP-IND-MCAI1, paket perangkat lunak kontrol motor yang ditingkatkan dengan AI yang dibuat untuk platform drive BLDC. Rilis ini ditujukan untuk insinyur yang bekerja dengan sistem servo kompak dan motor tegangan rendah yang membutuhkan performa adaptif daripada penyetelan statis.

Berbeda dengan firmware drive tradisional, paket ini mengintegrasikan fitur pembelajaran mesin langsung ke dalam loop kontrol. Paket ini tidak hanya menjalankan perintah gerak tetapi juga menginterpretasikan kondisi operasi secara real time.

Perubahan ini menandai transisi yang lebih luas dalam kontrol gerak, di mana kecerdasan tertanam mulai menggantikan praktik penyetelan manual di seluruh sistem servo dan robotika industri ringan.

Platform EVLSPIN32G4-ACT menunjukkan bagaimana tumpukan kontrol siap AI dapat beroperasi dalam arsitektur perangkat keras drive BLDC yang kompak.

Kapan loop kontrol mulai belajar dari mesin itu sendiri

Dari penyetelan PID ke kecerdasan adaptif

Sistem servo tradisional mengandalkan parameter PID yang disetel secara manual. Insinyur menyesuaikan gain berdasarkan pengalaman dan hasil commissioning. FP-IND-MCAI1 mengubah alur kerja ini dengan menggunakan perilaku motor historis sebagai referensi penyetelan.

Perangkat lunak mengamati respons torsi, variasi beban, dan stabilitas gerak. Kemudian menyesuaikan perilaku kontrol untuk meningkatkan efisiensi dan mengurangi stres mekanis seiring waktu.

Getaran menjadi sinyal digital, bukan sekadar kebisingan

Salah satu kemampuan utama berasal dari integrasi sensor getaran opsional. Sistem mengklasifikasikan kondisi operasi menjadi normal, getaran tinggi, atau kondisi tidak stabil menggunakan model ML tertanam.

Sinyal arus dan input sensor terus-menerus memberi makan model ini. Ini memungkinkan deteksi dini pola degradasi yang biasanya tidak terlihat dalam diagnostik drive konvensional.

Klasifikasi kondisi motor memungkinkan operator mengidentifikasi perilaku abnormal sebelum berkembang menjadi kegagalan mekanis.

Di mana drive berkemampuan AI cocok dalam sistem industri nyata

Tumpukan perangkat lunak ini ditargetkan untuk aplikasi di mana konsistensi gerak secara langsung memengaruhi produktivitas. Robotika, sel otomasi kompak, dan sistem perakitan presisi adalah penerima manfaat utama.

Dalam mesin pick-and-place, bahkan peningkatan efisiensi kecil mengurangi waktu siklus di ribuan pengulangan. Penyetelan adaptif membantu mempertahankan profil gerak yang konsisten seiring keausan mekanis berlangsung.

Ekosistem kontrol motor STM32 dan NanoEdge AI Studio memperluas kemampuan ini ke dalam alur kerja pengembang. Insinyur dapat menyempurnakan model dan mengintegrasikannya ke dalam logika kontrol khusus tanpa membangun ulang seluruh arsitektur sistem.

Industri bergerak dari kontrol ke prediksi perilaku

Kontrol motor berbantuan AI bukan tentang menggantikan logika servo. Ini tentang menambahkan lapisan umpan balik yang memahami degradasi, variasi beban, dan pola stres lingkungan.

Pendekatan ini sejalan dengan tren industri yang lebih luas yang terlihat dalam pemeliharaan berbasis kondisi dan analitik edge. Alih-alih bereaksi terhadap kesalahan, sistem mulai mengantisipasinya.

Seiring vendor semikonduktor mengintegrasikan kecerdasan lebih dekat ke tahap drive, batas antara sistem kontrol dan mesin analitik terus kabur.

Perubahan teknis yang akan mengubah filosofi desain gerak

FP-IND-MCAI1 mencerminkan arah yang jelas dalam desain otomasi industri. Insinyur kontrol tidak lagi hanya menyetel perilaku gerak. Mereka kini membentuk sistem adaptif yang berkembang selama operasi.

Ini kemungkinan akan memengaruhi arsitektur servo generasi berikutnya, terutama dalam robotika kompak dan sistem gerak terdistribusi di mana kecerdasan onboard mengurangi ketergantungan pada pengendali pusat.

Dampak jangka panjangnya bersifat struktural. Sistem gerak akan semakin berperilaku seperti komponen pembelajar daripada perangkat fungsi tetap.

*Daniel Mercer, Pelapor Sistem Industri dengan 14 tahun pengalaman dalam sistem servo, platform kontrol edge, dan arsitektur otomasi di berbagai proyek Siemens, Schneider Electric, dan Beckhoff Automation.*