[论文解读] 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 4

一句话总结

本文综述了机器学习（ML）在电动机驱动中的应用，重点探讨了利用深度学习、强化学习和传统机器学习技术进行控制与状态监测。提出将这些模型部署于基于嵌入式FPGA的片上系统（SoC），以在计算资源受限的条件下实现实时、高性能运行，强调通过量化和剪枝技术实现资源受限硬件上的高效推理。

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.

研究动机与目标

• 弥合尽管算法与硬件技术不断进步，但工业界在电动机驱动中采用机器学习仍存在明显差距的问题。
• 克服硬件限制——尤其是高更新率（10 kHz）和计算资源约束——这些限制阻碍了实时机器学习的部署。
• 推动在电动机控制系统中采用基于嵌入式FPGA的片上系统（SoC）平台，以实现高效、低延迟的模型推理。
• 通过在边缘硬件上优化部署机器学习模型，实现高性能、数据驱动的控制与故障监测。
• 提供一条可扩展、高效且硬件感知的模型设计路线图，以实现将机器学习集成到工业电动机驱动系统中。

提出的方法

• 系统性地回顾了现有文献中关于机器学习在电动机驱动中应用的研究，按控制、监测和故障诊断对方法进行分类。
• 聚焦于深度学习（如CNNs、RNNs）、强化学习以及经典机器学习（如回归、分类）在实时控制与状态监测中的应用。
• 强调模型压缩技术，如剪枝和量化，以减小模型尺寸并降低嵌入式部署的计算负载。
• 提出硬件感知的模型设计，目标是针对基于嵌入式FPGA的SoC（如Xilinx Zynq）实现并行、低延迟的推理。
• 回顾了工具与框架（如PYNQ、HDL Coder、DPU）的作用，这些工具可加速在FPGA上快速原型设计与模型部署。
• 分析了自适应计算加速平台（ACAPs）如Xilinx Versal在下一代电力电子领域边缘人工智能中的作用。

实验结果

研究问题

• RQ1 如何有效将机器学习应用于电动机驱动的实时控制与状态监测？
• RQ2 在电动机驱动的资源受限嵌入式系统中部署机器学习模型面临哪些关键挑战？
• RQ3 剪枝与量化等模型压缩技术如何实现深度学习模型在FPGA上的高效部署？
• RQ4 基于FPGA的SoC在实现电动机控制应用中高性能、低延迟推理方面发挥什么作用？
• RQ5 将机器学习集成到工业电动机驱动系统中的当前趋势与未来发展方向是什么？

主要发现

• 尽管已有数十年的研究，工业界在电动机驱动中应用机器学习仍受限，主要原因在于硬件约束和对实时性能的严苛要求。
• 通过剪枝与量化实现的模型压缩可显著减小模型尺寸与计算负载，且精度损失极小，使实时部署成为可能。
• 基于FPGA的SoC（如Xilinx Zynq、Versal）提供了实现高频控制（高达10 kHz）所必需的并行处理能力与低延迟，优于传统DSP。
• PYNQ与HDL Coder等硬件平台可简化FPGA上机器学习模型的开发与部署流程，显著加快原型设计速度。
• ACAPs（如Xilinx Versal）的最新进展支持对多样化工作负载的自适应加速，同时支持推理与设备端学习。
• 随着先进机器学习模型与高效嵌入式硬件的融合，机器学习在电动机驱动系统中的集成前景广阔，预计将持续增长。