[논문 리뷰] Machine Learning for the Control and Monitoring of Electric Machine Drives: Advances and Trends

Shen Zhang, Oliver Wallscheid외 1명|arXiv (Cornell University)|2021. 10. 11.

Sensorless Control of Electric Motors인용 수 4

한 줄 요약

이 논문은 전기 기계 드라이브에서 기계 학습(ML) 응용에 대해 검토하며, 딥 러닝, 강화 학습, 전통적 ML 기법을 사용한 제어 및 상태 모니터링에 중점을 둔다. 이는 계산 자원 제약에도 불구하고 실시간 고성능 운영을 가능하게 하기 위해 임베디드 FPGA 기반 SoC에 이러한 모델을 구현할 것을 제안하며, 자원 제한된 하드웨어에서 효율적인 추론을 위해 정밀도 조정과 양자화 기법을 강조한다.

ABSTRACT

This review paper systematically summarizes the existing literature on utilizing machine learning (ML) techniques for the control and monitoring of electric machine drives. It is anticipated that with the rapid progress in learning algorithms and specialized embedded hardware platforms, machine learning-based data-driven approaches will become standard tools for the automated high-performance control and monitoring of electric drives. Additionally, this paper also provides some outlook toward promoting its widespread application in the industry with a focus on deploying ML algorithms onto embedded system-on-chip (SoC) field-programmable gate array (FPGA) devices.

연구 동기 및 목표

• 알고리즘과 하드웨어의 발전에도 불구하고 산업 현장에서 전기 기계 드라이브에 대한 기계 학습의 산업적 도입에 미치지 못하는 격차를 해소하기 위해.
• 특히 높은 업데이트 레이트(10 kHz)와 계산 자원 제약로 인해 실시간 기계 학습 배포가 저해되는 하드웨어 한계를 극복하기 위해.
• 모터 제어 시스템에서 효율적이고 저지연 추론을 위한 임베디드 FPGA 기반 시스템온칩(SoC) 플랫폼의 사용을 촉진하기 위해.
• 에지 하드웨어에 최적화된 기계 학습 모델 배포를 통해 고성능 데이터 기반 제어 및 고장 모니터링을 가능하게 하기 위해.
• 확장 가능하고 효율적이며 하드웨어 인지적인 모델 설계를 통한 산업 전기 드라이브 시스템에 기계 학습 통합을 위한 도로도 제공하기 위해.

제안 방법

• 전기 기계 드라이브에서 기계 학습 응용에 관한 기존 문헌을 체계적으로 검토하며, 제어, 모니터링, 고장 진단 기준으로 방법을 분류한다.
• 실시간 제어 및 상태 모니터링을 위한 딥 러닝(예: CNNs, RNNs), 강화 학습, 고전적 기계 학습(예: 회귀, 분류)에 중점을 둔다.
• 임베디드 배포를 위한 모델 크기 및 계산 부담을 줄이기 위해 정렬 및 양자화와 같은 모델 압축 기법을 강조한다.
• 임베디드 FPGA 기반 SoC(예: Xilinx Zynq)를 대상으로 하드웨어 인지적인 모델 설계를 제안하여 병렬 처리 및 저지연 추론을 실현한다.
• FPGA에서 기계 학습 모델의 빠른 프로토타이핑 및 배포를 가능하게 하는 도구 및 프레임워크(예: PYNQ, HDL Coder, DPU)를 검토한다.
• 전력 전자 분야의 차세대 엣지 AI를 위한 적응형 컴퓨팅 가속 플랫폼(ACAP)인 Xilinx Versal의 역할을 분석한다.

실험 결과

연구 질문

• RQ1 기계 학습은 전기 기계 드라이브의 실시간 제어 및 상태 모니터링에 어떻게 효과적으로 적용될 수 있는가?
• RQ2 전기 드라이브의 자원 제한된 임베디드 시스템에 기계 학습 모델을 배포할 때 발생하는 주요 과제는 무엇인가?
• RQ3 정렬 및 양자화와 같은 모델 압축 기법은 어떻게 딥 러닝 모델을 FPGA에 효율적으로 배포할 수 있게 하는가?
• RQ4 임베디드 FPGA 기반 SoC는 모터 제어 응용 분야에서 고성능·저지연 추론을 어떻게 가능하게 하는가?
• RQ5 산업 전기 드라이브 시스템에 기계 학습을 통합하기 위한 현재의 추세와 향후 방향성은 무엇인가?

주요 결과

• 수십 년에 걸친 연구에도 불구하고, 하드웨어 제약과 실시간 성능 요구로 인해 전기 드라이브에서 기계 학습의 산업적 도입은 여전히 제한되어 있다.
• 정렬 및 양자화를 통한 모델 압축은 정확도 손실를 최소화하면서도 모델 크기와 계산 부담을 크게 줄여 실시간 배포를 가능하게 한다.
• FPGA 기반 SoC(예: Xilinx Zynq, Versal)는 고주기 제어(최대 10 kHz)에 필요한 병렬 처리 능력과 저지연 특성을 제공하여 기존 DSP보다 뛰어난 성능을 발휘한다.
• PYNQ 및 HDL Coder와 같은 하드웨어 플랫폼은 FPGA에서 기계 학습 모델의 개발 및 배포 파이프라인을 간소화하여 프로토타이핑 속도를 가속화한다.
• 최근 ACAP(예: Xilinx Versal)의 발전은 다양한 워크로드에 대응하는 적응형 가속을 가능하게 하여 추론과 현장 학습 모두를 지원한다.
• 기계 학습의 전기 드라이브 시스템 통합은 향후 고도화된 기계 학습 모델과 효율적인 임베디드 하드웨어의 융합으로 인해 성장할 전망이다.