电机控制与驱动智能化升级趋势明显，下一代电机控制MCU必须带NPU？

电子发烧友网报道（文/吴子鹏）电动化是智能化的基石，这句话不仅仅适用于汽车领域，对于工业、消费电子等领域，这句话同样有效。作为电动化的动力源，电机的发展也受到终端行业智能化升级的影响，同时电机控制与驱动系统本身也在经历着智能化升级。

电机控制与驱动的智能化升级主要体现在两个方面：其一是电机控制算法越来越智能，让电机系统变得更加聪明、高效；其二是电机系统融合的元素越来越多，尤其是电机与传感器、机器学习等技术的结合，使得电机控制和反馈形成了闭环，控制过程也更加灵活。这两点在以控制著称的无刷直流（BLDC）电机领域尤为明显，当前BLDC正经历智能化变革，采用AI算法、物联网、边缘计算和模块化设计提升效率和性能，使得BLDC控制不再依赖固定的参数，而是能够实时调整控制参数，以适应不同的工作环境和负载条件，从而提高电机的效率和性能。

不过，对于如何承载电机控制算法，目前产业界的认知并不统一，作为提供最基础算力的MCU，实际上也具有一定的算法承载能力，目前大部分智能化的算法都可以通过MCU来运行，且厂商在迭代的新产品里扩大了存储资源，并升级了核心性能，使得MCU承载算法的能力进一步增强。不过，也有一部分厂商选择在现阶段就集成更好运转智能算法的NPU，但落地场景更多还在摸索阶段。因而，到底电机控制需要不需要NPU，或者说何时需要NPU，这是值得探讨的。

电机控制和驱动的智能化升级

电机控制与驱动系统主要包含以下几部分：‌驱动电机、‌电机控制器、减速器、冷却系统、旋转变压器和各种传感器等。其中，‌电机控制器的主要作用包括控制电机的运行、保护电机、提高电机效率以及实现通信与反馈‌。具体来说，电机控制器能够根据输入信号控制电机的启动、停止、加速、减速、正转、反转等运行状态，同时监测电机的运行状态，如电流、电压、温度等参数，一旦发现异常，能够及时切断电源，防止电机损坏。此外，电机控制器可以通过脉宽调制（PWM）技术精准控制电机功率输出。

当然，电机控制器想要发挥上述作用，离不开电机控制算法。电机控制算法是指在机电一体化中，进行电机控制系统的分析、综合或设计时所使用的控制算法。在进行电机控制系统的设计和分析时，首先需要建立该系统的数学模型，以反映系统的数据和逻辑关系。
‌
根据应用场景的不同，常见的电机控制算法包括开环、PID、矢量控制、直接转矩控制、模糊控制、神经网络控制等。当然，根据电机类型的不同，控制算法也会有差异，还以BLDC为例，梯形整流换向和正弦整流换向都可以控制BLDC，不过梯形整流换向虽然算法相对简单但会遭遇转矩纹波问题。另外，BLDC的算法也可以分为有感和无感，其中有感控制算法通过位置传感器直接对转子位置信息检测，但增加了传感器就增加了成本；无感控制算法则用于代替位置传感器对转子位置信息进行估计，常用的方法有反电动势法、定子磁链法、电感法等。

在电机控制算法中，有一类算法被称为神经网络控制算法。神经网络控制是一种基于人工神经网络的电机控制算法。它通过训练神经网络模型来预测电机的输出，然后通过调整神经网络的权重和阈值来实现对电机的控制。具有较好的自适应性和鲁棒性，适用于非线性、不确定性较大的电机控制场合。尤其是当神经网络算法中加入深度学习算法后，效果改善会更加明显，比如深度学习算法可以分析电机运行数据，预测潜在的故障并优化控制策略。

实际上，神经网络算法就是电机控制智能化升级的典型代表，此外还有模糊控制算法和遗传算法优化控制等。这些都被统称为智能控制算法，主要的研究方向包括以下几点：其一是电机模型建立，为电机建模是使用智能控制算法的基础，描述了电机的动态特性和静态特性，使得算法和工程师能够更好地了解电机；其二是选择最优的控制策略，控制策略是智能控制算法的核心，决定了电机驱动的方式和控制的效果；其三是实时监测与反馈，如上所述，智能化控制不依赖固定的电机参数，可以根据电机实时参数而调整控制策略；其四是安全性与可靠性，智能控制算法可以预先判断电机后续的状态，确保系统运行的可靠性，尤其是预测性维护策略，这是电机控制算法升级的主要方向之一。

那么，很明显电机控制智能化升级的本质就是，融合AI算法，实现精准控制与自适应调节。

如何承载电机智能控制算法？

电机控制和驱动智能化升级的方向是非常明确的，问题在于通过怎样的硬件基础承载这样的算法，尤其是作为系统核心的MCU该如何应对？

此前，笔者分享了主要MCU厂商的AI布局策略。其中提到了瑞萨电子的Reality AI Explorer Tier工具，这款工具允许工程师基于高级信号处理生成和构建TinyML和Edge AI模型。用户可以自动浏览传感器数据并生成优化模型。Reality AI工具包含用于查找最佳传感器或传感器组合、传感器放置位置和自动生成组件规格的分析，并包括时域、频域方面完全可解释的模型函数，以及用于Arm Cortex M/A/R实现的优化代码。因此，如果工程师选择瑞萨电子的Reality AI Explorer Tier工具对电机建模并生成算法，其实可以选择部署在瑞萨电子普通类型的MCU上，这是可行的路径。当然，如果这个算法对算力的要求有点高，那么可以选择瑞萨电子RA8T1 32位电机控制优化型MCU，这款MCU基于高性能Arm Cortex-M85内核，也并不需要NPU。工程师还可以将Reality AI Tools创建的AI模块与通过瑞萨e-AI转换器从其他机器学习平台导入的开源AI模型相结合。

瑞萨电子RA8T1是一个典型，一些还没有部署NPU的厂商的策略是大抵相同的，比如国内的兆易创新，该公司GD32H7系列MCU采用基于Armv7E-M架构的600MHz Arm Cortex-M7高性能内核，配备了1024KB到3840KB的片上Flash及1024KB的SRAM，还提供高级DSP硬件加速器和双精度浮点单元（FPU），以及硬件三角函数加速器（TMU）和滤波算法加速器（FAC），这些配置让GD32H7系列适用于机器学习和边缘计算等诸多高端创新场景，这些场景是包含电机控制的。

不过，由于NPU在运行AI算法方面的先天优势，随着电机智能控制算法越来越强大，NPU一定是未来的方向，行业中也已经有了先行者。比如德州仪器公司的C2000实时MCU新品——TMS320F28P550SJ。这款器件不仅提供独立32位浮点数学加速器CLA、浮点单元 (FPU)、三角函数加速器 (TMU) 和 VCRC（循环冗余校验）扩展指令集，还提供NPU。这颗NPU能够处理600–1200MOPS（兆次运算/秒），并且为电弧故障检测或电机故障检测提供模型支持，与仅基于软件的实现方案相比，将NN推理周期改进了高达10倍。

恩智浦的MCX N系列MCU也是一个很有代表性的产品，在内核方面，MCX N系列采用双核ArmvCortex-M33架构，运行频率为150MHz，和上述提到的高性能MCU相比，这个性能并不高。不过，MCX N系列集成恩智浦 eIQ Neutron神经处理单元（NPU），可用于机器学习（ML） 加速。另外，MCX MCU系列还支持eIQ 机器学习软件开发环境和eIQ工具集，用于开发或转换机器学习模型，使其能够高效地运行在MCX CPU和eIQ Neutron NPU上。得益于这颗NPU，MCX MCU系列承载电机智能控制算法的能力得到了显著增强。

因而，虽然MCU集成NPU在智能电机控制方面还不是业界共识的方案，但NPU的加入确实显著增强了算法支持的能力，有助于打造更智能的电机系统。也就是说，现在硬件已经就绪，只待杀手级的应用，不过应用尚处于摸索期确实也是行业共识。

结语

电机控制智能化升级趋势是不可逆的，随着终端设备升级，会有越来越多的设备采用智能算法驱动的电机，不过现阶段算法对NPU需求并不强，高性能MCU就可以很好地支持。一旦算法更进一步，NPU的优势将显露无遗，届时集成NPU的MCU将拥有先发优势。还是那句话——电动化是智能化的基石，而电机是电动化的动力源，怎么能不智能呢。