[論文レビュー] Machine Learning for the Control and Monitoring of Electric Machine Drives: Advances and Trends

Shen Zhang, Oliver Wallscheid+1 more|arXiv (Cornell University)|Oct 11, 2021

Sensorless Control of Electric Motors被引用数 4

ひとこと要約

この論文は、深層学習、強化学習、従来の機械学習技術を用いた電動機ドライブにおける制御および状態監視を焦点として、機械学習（ML）の応用をレビューしている。計算制約があるにもかかわらず、リアルタイムで高パフォーマンスを発揮できるように、これらのモデルを埋め込み型FPGAベースのSoCにデプロイすることを提案しており、リソース制限のあるハードウェア上で効率的な推論を実現するための量子化とプルーニングの重要性を強調している。

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.

研究の動機と目的

• アルゴリズムとハードウェアの進歩にもかかわらず、電動機ドライブにおけるMLの産業的導入に大きなギャップが存在することを解決すること。
• 特に高い更新レート（10 kHz）と計算制約が原因で、リアルタイムMLのデプロイが阻害されることを克服すること。
• モーター制御システムにおける効率的で低遅延の推論を可能にするために、埋め込み型FPGAベースのシステムオンチップ（SoC）プラットフォームの使用を促進すること。
• エッジハードウェアに最適化されたMLモデルのデプロイを通じて、高パフォーマンスでデータ駆動型の制御と故障監視を実現すること。
• スケーラブルで効率的かつハードウェアに配慮したモデル設計を用いた、MLを産業用電動ドライブシステムに統合するためのロードマップを提供すること。

提案手法

• 電動機ドライブにおけるML応用に関する既存の文献を体系的にレビューし、制御、監視、故障診断の観点から手法を分類する。
• リアルタイム制御および状態監視に向けた深層学習（例：CNN、RNN）、強化学習、および古典的ML（例：回帰、分類）に焦点を当てる。
• 埋め込みデプロイに適したモデルの小型化と計算負荷の低減を図るため、プルーニングや量子化といったモデル圧縮技術を強調する。
• FPGAベースのSoC（例：Xilinx Zynq）をターゲットとしたハードウェアに配慮したモデル設計を提案し、並列処理と低遅延推論を実現する。
• FPGA上でのMLモデルの迅速なプロトタイピングとデプロイを可能にするツールやフレームワーク（例：PYNQ、HDL Coder、DPU）をレビューする。
• 次世代エッジAIにおける電力電子分野での適応的計算アクセラレーションプラットフォーム（ACAP）であるXilinx Versalの役割を分析する。

実験結果

リサーチクエスチョン

• RQ1 機械学習を、電動機ドライブのリアルタイム制御および状態監視に効果的に応用するにはどうすればよいか？
• RQ2 リソース制限のある埋め込みシステムにMLモデルをデプロイするにあたり、主な課題は何か？
• RQ3 プルーニングや量子化といったモデル圧縮技術が、FPGA上での深層学習モデルの効率的デプロイをどのように可能にするか？
• RQ4 FPGAベースのSoCが、モーター制御アプリケーションにおける高パフォーマンスで低遅延の推論を実現するために果たす役割は何か？
• RQ5 産業用電動ドライブシステムへのML統合における現在のトレンドと今後の方向性は何か？

主な発見

• 数十年にわたる研究にもかかわらず、ハードウェア制約とリアルタイム性能要件のため、電動ドライブにおけるMLの産業的導入は依然として限定的である。
• プルーニングや量子化によるモデル圧縮により、モデルサイズと計算負荷を顕著に低減でき、精度の損失は最小限に抑えられ、リアルタイムデプロイが可能になる。
• FPGAベースのSoC（例：Xilinx Zynq、Versal）は、高周波数制御（最大10 kHz）に必要な並列処理と低遅延を提供し、従来のDSPを上回る性能を発揮する。
• PYNQ や HDL Coder といったハードウェアプラットフォームは、FPGA上でのMLモデル開発とデプロイのパイプラインを簡素化し、プロトタイピングを加速する。
• 最近のACAP（例：Xilinx Versal）の進歩により、多様なワークロードに対応する適応的アクセラレーションが可能となり、推論とデバイス内学習の両方をサポートするようになった。
• MLの電動ドライブシステムへの統合は、今後、高度なMLモデルと効率的な埋め込みハードウェアの統合に伴い、成長が見込まれる。