Enhancing Field-Oriented Control of Electric Drives with Tiny Neural Network Optimized for Micro-controllers

神经网络在资源受限的微控制器上的部署已获得 momentum，推动了 Tiny Neural Networks 的许多进展。本文介绍了一种小型前馈神经网络 TinyFC，并将其集成到永磁同步电机（PMSM）的磁场定向控制（FOC）中。比例积分（PI）控制器由于其简单性而在 FOC 中广泛使用，但它们在处理非线性动态方面的局限性影响了精度。为了解决这一问题，设计了一个仅有 1,400 个参数的小型 TinyFC，以增强 FOC 的性能，同时符合微控制器的计算和内存限制。采用先进的优化技术，包括剪枝、超参数调整和量化到 8 位整数，以减少模型的占用空间，同时保持网络的有效性。仿真结果显示，所提出的方法显著减少了高达 87.5% 的超调量，经过剪枝的模型完全消除了超调，突显了小型神经网络在实时电机控制应用中的潜力。 注：原文中的“gained momentum”翻译成中文时通常表达为“获得了势头”或“加速发展”，这里为了更自然的表达，采用了“已获得 momentum”的直译方式，但在正式文本中建议改为“已加速发展”。

该论文试图解决永磁同步电机（PMSM）的磁场定向控制（FOC）中，传统比例积分（PI）控制器在处理非线性动态时精度不足的问题。这是个长期存在的问题，特别是在资源受限的微控制器环境中实现高性能控制方面。

论文提出了一种名为TinyFC的小型前馈神经网络，专门设计用于嵌入PMSM的FOC系统中。通过使用先进的优化技术如剪枝、超参数调整和量化到8位整数，TinyFC能够在保持网络效能的同时大幅减少模型大小，使其适应微控制器的计算和内存限制。这一思路新颖之处在于将微型神经网络应用于实时电机控制系统，以克服传统PI控制器的局限。

实验设计包括仿真测试，结果显示TinyFC显著降低了最大87.5%的过冲现象，经过剪枝后的模型甚至实现了过冲完全消除。研究还展示了如何通过特定的技术手段最小化模型尺寸而不牺牲性能。此外，这项工作强调了小型神经网络在实际工业应用中的潜力，特别是对于需要高效能但资源有限的环境。值得注意的是，文中并未提及是否提供了开源代码或具体的数据集信息。

最近几年，关于TinyML（Tiny Machine Learning）的研究逐渐增多，尤其是针对物联网设备和其他资源受限平台上的机器学习应用。相关研究还包括： - 'TinyML: Enabling Machine Learning on IoT Devices' - 'Efficient Processing of Deep Neural Networks: A Tutorial and Survey' - 'Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Coding' 这些研究均探讨了不同形式的模型压缩技术和在低功耗设备上的部署策略。