AI熱潮席捲科技產業，現在連馬達的驅動/控制，也開始思考如何導入機器學習(ML)，為各式各樣的馬達應用創造更多附加價值。不過，要發揮機器學習的威力，馬達驅控系統還需要靠外部輸入各種資料，也因為如此，時效性網路(TSN)、加速度感測器、MEMS麥克風等技術，未來都有可能成為馬達驅控系統中的一環。
融合IT/MT 為機器學習鋪路
台灣東芝(Toshiba)電子元件行銷部副協理水沼仁志(圖1)表示，在物聯網風潮影響下，IT技術的應用日益廣泛。很快的，各種以馬達技術(Motor Technology, MT)為核心的應用，諸如電動車、機器手臂、冷氣機、冰箱等家電，都會內建更複雜、更智慧化的控制系統。
這會對馬達驅動控制帶來新的挑戰，特別是在非常重視即時性，而且系統組成相對複雜的馬達應用，例如電動車跟智慧工廠的產線設備，挑戰更是艱鉅。因為在這類複雜的系統中，馬達的驅動跟控制單元必須透過網路連接，要確保控制單元的命令以最快速度傳遞到驅動單元，必須使用低延遲的網路技術。
原本被稱為Ethernet AVB，現在已改名為時效性網路(TSN)的新一代乙太網技術，就是為了確保重要的控制訊號能在最短時間內送到驅動單元而設計的技術。在TSN網路中，擁有最高優先性的封包資料，會擁有最高的網路頻寬使用權，其他優先次序較低的資料則會延後傳遞，以保障高優先性的資料能有最好的網路服務品質(QoS)。
目前東芝已經開發出支援TSN的MAC解決方案，以Arm Cortex-M3為基礎，可以讓電動車跟工業設備的網路互連升級為TSN網路。不過，目前的TSN網路頻寬還停留在1Gbps。預計在不久的將來，東芝將會推出支援10Gbps的TSN方案，更進一步促成IT與MT的融合。
除了驅動跟控制單元的連線外，大多數的馬達應用系統，例如電風扇、空氣清淨機等，驅動跟控制之間的關係不像電動車或工具機、機器手臂那麼複雜，需要透過乙太網連線。因此，對這類應用而言，如何藉由更高的整合度、更精準的控制算法，來提高驅動馬達時的能源效率、降低成本，會是比較重要的市場趨勢。
在這方面，東芝提出的解決方案是內建向量引擎與閉環檢測功能的MCU單晶片解決方案。如果要驅動的馬達功率輸出較大，例如冰箱、冷氣機跟洗衣機等，則建議搭配包爾英特(Power Integration, PI)的IPD方案作為外部驅動器。
不過，展望未來，家電智慧化是難以抵擋的趨勢，特別是導入機器學習(ML)，讓家電設備可以利用影像識別自動控制，或讓使用者以語音指令取代遙控器，將是家電產業必然要走的路。因此，東芝在機器學習領域，也已經開始展開研究，並有初步成果可供展示。
水沼表示，在影像識別方面，目前東芝所研發的Visconti影像辨識處理器，已經開始應用在豐田汽車(Toyota)的ADAS，但除了汽車產業外，像保全監控、智慧零售甚至空調、照明控制等領域，也有Visconti可以發揮的空間。
舉例來說，搭載Visconti-2的監控攝影機可以和辦公室的照明、空調系統連線，自動控制辦公室裡的照明跟空調，只針對有人活動的區域開啟照明跟空調；當所有人都離開辦公室後，空調跟照明則會自動關閉，避免浪費電力。
至於在語音控制方面，雖然目前有一派智慧家電的趨勢是以智慧音箱作為各種家電設備的控制中樞，但由於智慧音箱需要靠雲端來處理語音辨識，因此延遲時間長、網路成本跟資安疑慮也都是問題。如果家電本身就具備接收語音指令的能力，就不會有上述疑慮。
但對於帶有馬達或壓縮機的家電來說，要在環境噪音(機器運轉聲、風切聲)較強的情況下辨識出語音指令，是比較有挑戰性的設計目標。因此，東芝目前已利用機器學習來強化抗噪能力，並推出名為TZ2100的處理器與整合式模組方案。藉由該模組，設備製造商可以很輕鬆地將語音控制功能添加到既有的家電設備中。
瑞薩馬達驅控也走AI路線
相較於東芝主要將機器學習應用在馬達控制，另一家日系半導體大廠瑞薩電子(Renesas)，則是將機器學習的應用重心放在馬達狀態的監控跟診斷上。而為了達成此一目標，該公司專為馬達驅控所設計的新一代RX66T在CPU效能、PWM功能跟周邊支援上，都比過去大幅提升。
瑞薩電子產業事業部經理黎柏均(圖2)表示，RX66T在瑞薩的產品組合中，屬於專為馬達驅控設計的高階MCU，與前一代產品RX63T相比，CPU時脈從100MHz提高到160MHz，記憶體容量也從512KB提高到1MB。這些額外運算效能使得RX66T最高可同時控制四顆三相馬達，而且在PWM產生器跟類比數位轉換器(ADC)等類比功能方面，也都比過去更為強大。這些性能上的突破，都有助於馬達應用開發者設計出滿足未來客戶需求的系統。
但RX66T的效能提升，同時也為馬達應用開發者導入機器學習打下基礎。藉由瑞薩的開發工具、布署在馬達上的加速度計，還有瑞薩發展出來的嵌入式AI(Embedding AI, eAI)開發流程，RX66T可以很準確地抓到多種馬達異常訊號，例如安裝時的螺絲沒有正確鎖緊、馬達運作時轉軸螺絲是否鬆脫等，從而實現馬達故障的預兆診斷或預防性維護。
瑞薩的eAI工具可以大幅簡化AI的布署作業，並且把模型占用的記憶體空間壓縮到64.9KB，這使得用AI來監控馬達運作成為一個可行的選擇，而且整個AI系統的開發時間很短。根據瑞薩自行開發eAI展示系統的經驗，整個開發時程不到兩個月。
實現馬達監測 MEMS感測器學問多
雖然馬達驅控MCU廠商都將機器學習列為日後技術發展的重點，但除了MCU之外，實際負責監控馬達狀態的加速度感測器，也是不可或缺的關鍵元件，且由於機器學習乃是一項資料分析技術，因此感測器所提供的資料正確與否，能否抓到真正關鍵的異常訊號，將直接影響整個馬達監診系統的準確度。
安馳科技應用工程經理高富華(圖3)表示，用加速度計來監測馬達運作狀態，最重要的是關鍵是感測器安裝的位置，如果安裝的位置不理想，取得的監測資料自然會有所偏差。因此，馬達製造商或馬達應用開發商在規劃感測器位置時，必須先找到最適合的安裝位置。
確定安裝位置後，接下來要評估的就是振動訊號的特質。有些馬達振動的訊號是相當寬頻的訊號，如果要完整擷取，感測器本身必須具有相當高的頻寬，例如亞德諾(ADI)所提供的ADXL35x系列跟ADIS16228感測器，就支援從1kHz以下到超過10kHz的頻寬，供馬達相關業者選擇。一般來說，根據ISO 10816跟13373規範的要求，馬達振動監控所需的頻寬不會高於10kHz。
除了頻寬外，感測器本身能承受的G力也很重要。事實上，馬達用的加速度感測器除了MEMS之外，還有另一種基於壓電(PZT)技術的感測手段，但這類元件通常比較脆弱，在高G力的環境下比較容易故障，且因為PZT感測器沒有直流響應，因此在監測低頻訊號時，效能表現會比較差。
最後，感測器本體如何安裝到馬達上，也會影響到訊號量測的結果。目前業界所使用的安裝方式有Hand Probe、各種磁吸式安裝法，到直接將感測器焊在馬達外殼上。不同安裝方法，會影響到感測器取得的訊號。
