《Mathematics》：Motor Control System Implementation and Speed Estimation Method Using ANN with Offline Training and Online Inference
编辑推荐：
本文提出了一种使用离线训练和在线推理的人工神经网络（ANN）的电机控制系统实现与速度估计方法。近年来的研究越来越多地探索了ANN在电机驱动系统中的应用。然而，这些研究大多聚焦于改善控制性能，关于如何将ANN实现并应用于电机驱动系统的讨论相对有限。为解决这一局限
本文提出了一种使用离线训练和在线推理的人工神经网络（ANN）的电机控制系统实现与速度估计方法。近年来的研究越来越多地探索了ANN在电机驱动系统中的应用。然而，这些研究大多聚焦于改善控制性能，关于如何将ANN实现并应用于电机驱动系统的讨论相对有限。为解决这一局限，本文提出了将ANN应用于电机驱动系统所需的步骤，包括在各种运行条件下的数据采集、ANN模型设计与训练，以及在线推理。所提方法降低了训练过程中的计算负担，并在驱动环境中实现了快速推理。此外，通过估计性能比较，设计了适合电机驱动系统的ANN模型。通过仿真和实验结果验证了所提系统的有效性。
**论文解读：基于离线训练与在线推理人工神经网络的电机控制系统实现与速度估计方法**
**研究背景与问题**
电机驱动系统广泛用于家用电器、机器人、电动汽车和铁路等领域，对高效率和性能的需求日益增长。随着应用范围的扩大，运行条件变得多样，系统受到非线性、参数变化和外部扰动的显著影响。传统上，利用物理传感器（如编码器）测量速度、电流等变量，虽信号处理直观且实现简单，但增加了系统成本、体积和安装复杂性，且传感器故障会降低系统稳定性和可靠性。为克服这些限制，近年人工智能（AI）技术，特别是人工神经网络（ANN），被用于学习和预测复杂系统特性。然而，现有研究大多关注ANN在控制性能上的提升，缺乏对如何将ANN实际应用于电机驱动系统的系统性讨论，包括训练数据获取、模型设计、在线推理可行性等问题。此外，在线训练计算负担大，难以在短控制周期内完成，可能导致延迟和不稳定性。因此，研究人员提出了一种基于离线训练与在线推理的ANN电机控制系统实现与速度估计方法，旨在通过分离训练和推理过程，降低计算负担，实现快速推理，并为实际应用提供系统化的设计流程。该论文发表在《Mathematics》。
**关键技术方法**
研究人员采用的主要关键技术方法包括：（1）数据采集：在不同参考转速（200–1400 rpm，步长200 rpm）和负载转矩（0–16 N·m，步长4 N·m）条件下，以100 μs控制周期（采样频率10 kHz）采集共510,000个数据样本，并划分为训练（60%）、验证（20%）和测试（20%）集。（2）ANN模型设计：输入层包含d轴和q轴参考电压及电流（4个输入），输出层为转子位置的正弦和余弦分量（2个输出），通过比较不同隐藏层数（1–3层）和神经元数（5–20个）的估计性能，选择4-10-10-2结构（182个可训练参数）；激活函数经比较（ReLU、Sigmoid、Tanh）选择ReLU；损失函数采用均方误差（MSE）；训练周期数经比较（10–200）选择170个周期，并应用早停防止过拟合。（3）离线训练与在线推理分离：离线训练使用TensorFlow进行，在线推理在TMS320F28335数字信号处理器（DSP）上仅执行前向传播，推理时间约55 μs，小于100 μs控制周期。（4）转子位置与速度估计：利用ANN输出的正弦和余弦分量，通过锁相环（PLL）估计转子位置和速度，其中位置误差通过三角关系和小信号近似计算，经PI环路滤波器和积分器得到估计速度与位置。
**研究结果**
- **3.1 ANN架构设计**：通过比较5种不同ARCHITECTURE（隐藏层数和神经元数）的估计性能，发现4-10-10-2结构（2个隐藏层各10个神经元）在估计性能与模型复杂度之间取得最佳平衡，其MSE和RMSE较低，可训练参数数量适中（182个），避免了过拟合和高计算负担。
- **3.2 训练参数设置**：通过比较ReLU、Sigmoid和Tanh激活函数在不同训练周期（10–200）下的测试RMSE，ReLU函数在170个周期时达到最低测试MSE（0.0000967）和RMSE（0.009833），且训练与验证误差差异小，推理时间短。Sigmoid和Tanh在某些条件下验证误差低，但测试误差较大。因此，选择ReLU激活函数和170个周期作为最优训练参数。
- **3.3 离线训练–在线推理过程**：离线训练阶段包括数据准备、ANN配置、训练与验证、模型选择与存储；在线推理阶段仅执行参数加载、数据预处理、ANN前向传播及后处理。通过此流程，训练计算负担被离线处理，在线推理快速完成，满足实时控制要求。
- **3.4 转子位置与速度估计方法**：利用ANN输出的正弦和余弦分量，通过PLL估计转子位置和速度。该方法避免了直接估计转子位置（锯齿波）带来的大误差，通过位置误差的PI调节和积分实现稳定估计。
- **4 仿真结果**：在PSIM和TensorFlow环境下验证。最优ANN模型（ReLU，170周期）的正弦和余弦输出与目标值高度吻合，RMSE分别为0.01和0.02。与基于PLL的扩展电动势（EEMF）估计器相比，ANN估计器的转子位置误差RMSE（0.37°）、MAE（0.34°）和最大绝对误差（0.81°）分别降低约41.6%、45.4%和23.0%。在无负载和负载条件下（5 N·m），速度估计误差低于参考转速的1%，表明系统稳定。
- **5 实验结果**：在实验平台（TMS320F28335 DSP、3相2电平逆变器）上验证。ANN推理时间约55 μs，小于控制周期。尽管存在测量噪声和非理想因素，ANN输出正弦与余弦分量仍与目标值匹配。与PLL-EEMF估计器相比，ANN估计器的转子位置RMSE（8.71°）和MAE（2.02°）分别降低约26.5%和32.2%。在无负载和负载条件下，速度误差在0.5%–1.31%之间，证明方法在实际系统中的有效性。
**讨论与结论**
讨论部分指出，仿真中理想模型导致较小误差，而实验中非理想因素（测量噪声、延迟、逆变器非线性、电机参数误差）使误差增大，但ANN估计器仍优于传统方法，表明其鲁棒性。结论部分翻译如下：本文提出了一种使用离线训练和在线推理的人工神经网络（ANN）的电机控制系统实现与速度估计方法。通过分离离线训练和在线推理，降低了训练过程中的巨大计算负担，并在驱动环境中实现了基于训练模型的快速推理。此外，通过比较ANN结构、训练周期、激活函数和损失函数对估计性能的影响，设计了适合电机驱动系统的ANN模型。该ANN模型能在各种运行条件下稳定估计转子位置和电机速度。同时，通过将ANN模型设计到电机驱动系统应用的过程系统化，提供了实用指南。仿真和实验结果验证了所提方法的有效性。
