基于残差物理信息神经网络的高保真无刷直流电机建模
本文提出一种基于深度残差网络（ResNet）的物理信息神经网络（PINN），用于学习无刷直流（BLDC）电机的连续时间六状态动力学。该网络以仿真时间、三相电压和励磁参数为输入，直接预测转子角度、角速度、三相电流和绕组温度，同时通过复合物理数据损失满足机电和热ODE约束。采用课程调度策略逐步激活物理惩罚，防止过早收敛。在标准CPU上训练时间不到两分钟。推理延迟为0.1–22微秒，比传统ODE求解器快118倍，适用于实时观测和控制。
在机器人关节控制中，精确的无刷直流（BLDC）电机动力学建模是实现高性能运动控制的基础。然而，传统的基于物理方程的建模方法往往计算成本高，难以满足实时性要求。近日，一篇发表在arXiv上的论文（编号2607.09136）提出了一种基于残差物理信息神经网络（Residual Physics-Informed Neural Network, PINN）的方法，实现了高保真的BLDC电机动态模拟，同时将推理延迟降低了两个数量级。
该模型采用深度残差网络（ResNet）作为主干结构。与传统神经网络不同，ResNet通过跳跃连接缓解了深层网络中的梯度消失问题，使其能够学习更复杂的映射关系。网络的输入包括仿真时间、施加的三相电压以及励磁参数，输出直接涵盖了电机的全部六种状态变量：转子角度、角速度、三相电流和绕组温度。这种端到端的设计避免了传统方法中需要分别求解多个微分方程的繁琐流程。
为了同时满足数据拟合和物理定律，研究人员设计了一个复合损失函数。该函数包含两部分：一部分是网络预测与仿真数据之间的均方误差，另一部分则是电机运行时必须遵循的机电和热力学常微分方程（ODE）残差。然而，在训练初期，物理约束过强会导致模型过早收敛到局部最优。为此，他们引入了课程调度策略：先让网络从数据中学习基本模式，然后逐步增加物理惩罚项的权重，使模型在后期能够更好地遵守物理规律。这种策略显著提高了训练的稳定性和最终模型的准确性。
实验结果表明，该PINN在标准CPU上的训练时间不超过两分钟。一旦训练完成，每次推理的延迟仅为0.1至22微秒，比传统ODE求解器快至少118倍。这一性能使得它非常适合用于实时观测器和控制场景，例如机器人关节的高速反馈控制或状态估计。论文作者Haitham El-Hussieny来自IEEE Member，该研究为机器人领域提供了一种高效且准确的电机建模新思路。