電子發燒友網報道（文/吳子鵬）電動化是智能化的基石，這句話不僅僅適用于汽車領域，對于工業、消費電子等領域，這句話同樣有效。作為電動化的動力源，電機的發展也受到終端行業智能化升級的影響，同時電機控制與驅動系統本身也在經歷著智能化升級。

電機控制與驅動的智能化升級主要體現在兩個方面：其一是電機控制算法越來越智能，讓電機系統變得更加聰明、高效；其二是電機系統融合的元素越來越多，尤其是電機與傳感器、機器學習等技術的結合，使得電機控制和反饋形成了閉環，控制過程也更加靈活。這兩點在以控制著稱的無刷直流（BLDC）電機領域尤為明顯，當前BLDC正經歷智能化變革，采用AI算法、物聯網、邊緣計算和模塊化設計提升效率和性能，使得BLDC控制不再依賴固定的參數，而是能夠實時調整控制參數，以適應不同的工作環境和負載條件，從而提高電機的效率和性能。

不過，對于如何承載電機控制算法，目前產業界的認知并不統一，作為提供最基礎算力的MCU，實際上也具有一定的算法承載能力，目前大部分智能化的算法都可以通過MCU來運行，且廠商在迭代的新產品里擴大了存儲資源，并升級了核心性能，使得MCU承載算法的能力進一步增強。不過，也有一部分廠商選擇在現階段就集成更好運轉智能算法的NPU，但落地場景更多還在摸索階段。因而，到底電機控制需要不需要NPU，或者說何時需要NPU，這是值得探討的。

電機控制和驅動的智能化升級

電機控制與驅動系統主要包含以下幾部分：?驅動電機、?電機控制器、減速器、冷卻系統、旋轉變壓器和各種傳感器等。其中，?電機控制器的主要作用包括控制電機的運行、保護電機、提高電機效率以及實現通信與反饋?。具體來說，電機控制器能夠根據輸入信號控制電機的啟動、停止、加速、減速、正轉、反轉等運行狀態，同時監測電機的運行狀態，如電流、電壓、溫度等參數，一旦發現異常，能夠及時切斷電源，防止電機損壞。此外，電機控制器可以通過脈寬調制（PWM）技術精準控制電機功率輸出。

當然，電機控制器想要發揮上述作用，離不開電機控制算法。電機控制算法是指在機電一體化中，進行電機控制系統的分析、綜合或設計時所使用的控制算法。在進行電機控制系統的設計和分析時，首先需要建立該系統的數學模型，以反映系統的數據和邏輯關系。
?
根據應用場景的不同，常見的電機控制算法包括開環、PID、矢量控制、直接轉矩控制、模糊控制、神經網絡控制等。當然，根據電機類型的不同，控制算法也會有差異，還以BLDC為例，梯形整流換向和正弦整流換向都可以控制BLDC，不過梯形整流換向雖然算法相對簡單但會遭遇轉矩紋波問題。另外，BLDC的算法也可以分為有感和無感，其中有感控制算法通過位置傳感器直接對轉子位置信息檢測，但增加了傳感器就增加了成本；無感控制算法則用于代替位置傳感器對轉子位置信息進行估計，常用的方法有反電動勢法、定子磁鏈法、電感法等。

在電機控制算法中，有一類算法被稱為神經網絡控制算法。神經網絡控制是一種基于人工神經網絡的電機控制算法。它通過訓練神經網絡模型來預測電機的輸出，然后通過調整神經網絡的權重和閾值來實現對電機的控制。具有較好的自適應性和魯棒性，適用于非線性、不確定性較大的電機控制場合。尤其是當神經網絡算法中加入深度學習算法后，效果改善會更加明顯，比如深度學習算法可以分析電機運行數據，預測潛在的故障并優化控制策略。

實際上，神經網絡算法就是電機控制智能化升級的典型代表，此外還有模糊控制算法和遺傳算法優化控制等。這些都被統稱為智能控制算法，主要的研究方向包括以下幾點：其一是電機模型建立，為電機建模是使用智能控制算法的基礎，描述了電機的動態特性和靜態特性，使得算法和工程師能夠更好地了解電機；其二是選擇最優的控制策略，控制策略是智能控制算法的核心，決定了電機驅動的方式和控制的效果；其三是實時監測與反饋，如上所述，智能化控制不依賴固定的電機參數，可以根據電機實時參數而調整控制策略；其四是安全性與可靠性，智能控制算法可以預先判斷電機后續的狀態，確保系統運行的可靠性，尤其是預測性維護策略，這是電機控制算法升級的主要方向之一。

那么，很明顯電機控制智能化升級的本質就是，融合AI算法，實現精準控制與自適應調節。

如何承載電機智能控制算法？

電機控制和驅動智能化升級的方向是非常明確的，問題在于通過怎樣的硬件基礎承載這樣的算法，尤其是作為系統核心的MCU該如何應對？

此前，筆者分享了主要MCU廠商的AI布局策略。其中提到了瑞薩電子的Reality AI Explorer Tier工具，這款工具允許工程師基于高級信號處理生成和構建TinyML和Edge AI模型。用戶可以自動瀏覽傳感器數據并生成優化模型。Reality AI工具包含用于查找最佳傳感器或傳感器組合、傳感器放置位置和自動生成組件規格的分析，并包括時域、頻域方面完全可解釋的模型函數，以及用于Arm Cortex M/A/R實現的優化代碼。因此，如果工程師選擇瑞薩電子的Reality AI Explorer Tier工具對電機建模并生成算法，其實可以選擇部署在瑞薩電子普通類型的MCU上，這是可行的路徑。當然，如果這個算法對算力的要求有點高，那么可以選擇瑞薩電子RA8T1 32位電機控制優化型MCU，這款MCU基于高性能Arm Cortex-M85內核，也并不需要NPU。工程師還可以將Reality AI Tools創建的AI模塊與通過瑞薩e-AI轉換器從其他機器學習平臺導入的開源AI模型相結合。

瑞薩電子RA8T1是一個典型，一些還沒有部署NPU的廠商的策略是大抵相同的，比如國內的兆易創新，該公司GD32H7系列MCU采用基于Armv7E-M架構的600MHz Arm Cortex-M7高性能內核，配備了1024KB到3840KB的片上Flash及1024KB的SRAM，還提供高級DSP硬件加速器和雙精度浮點單元（FPU），以及硬件三角函數加速器（TMU）和濾波算法加速器（FAC），這些配置讓GD32H7系列適用于機器學習和邊緣計算等諸多高端創新場景，這些場景是包含電機控制的。

不過，由于NPU在運行AI算法方面的先天優勢，隨著電機智能控制算法越來越強大，NPU一定是未來的方向，行業中也已經有了先行者。比如德州儀器公司的C2000實時MCU新品——TMS320F28P550SJ。這款器件不僅提供獨立32位浮點數學加速器CLA、浮點單元 (FPU)、三角函數加速器 (TMU) 和 VCRC（循環冗余校驗）擴展指令集，還提供NPU。這顆NPU能夠處理600–1200MOPS（兆次運算/秒），并且為電弧故障檢測或電機故障檢測提供模型支持，與僅基于軟件的實現方案相比，將NN推理周期改進了高達10倍。

恩智浦的MCX N系列MCU也是一個很有代表性的產品，在內核方面，MCX N系列采用雙核ArmvCortex-M33架構，運行頻率為150MHz，和上述提到的高性能MCU相比，這個性能并不高。不過，MCX N系列集成恩智浦 eIQ Neutron神經處理單元（NPU），可用于機器學習（ML） 加速。另外，MCX MCU系列還支持eIQ 機器學習軟件開發環境和eIQ工具集，用于開發或轉換機器學習模型，使其能夠高效地運行在MCX CPU和eIQ Neutron NPU上。得益于這顆NPU，MCX MCU系列承載電機智能控制算法的能力得到了顯著增強。

因而，雖然MCU集成NPU在智能電機控制方面還不是業界共識的方案，但NPU的加入確實顯著增強了算法支持的能力，有助于打造更智能的電機系統。也就是說，現在硬件已經就緒，只待殺手級的應用，不過應用尚處于摸索期確實也是行業共識。

結語

電機控制智能化升級趨勢是不可逆的，隨著終端設備升級，會有越來越多的設備采用智能算法驅動的電機，不過現階段算法對NPU需求并不強，高性能MCU就可以很好地支持。一旦算法更進一步，NPU的優勢將顯露無遺，屆時集成NPU的MCU將擁有先發優勢。還是那句話——電動化是智能化的基石，而電機是電動化的動力源，怎么能不智能呢。