在機器人關節控制中，精確的無刷直流（BLDC）電機動力學建模是實現高性能運動控制的基礎。然而，傳統的基於物理方程的建模方法往往計算成本高，難以滿足實時性要求。近日，一篇發表在arXiv上的論文（編號2607.09136）提出了一種基於殘差物理信息神經網絡（Residual Physics-Informed Neural Network, PINN）的方法，實現了高保真的BLDC電機動態模擬，同時將推理延遲降低了兩個數量級。
該模型採用深度殘差網絡（ResNet）作為主幹結構。與傳統神經網絡不同，ResNet通過跳躍連接緩解了深層網絡中的梯度消失問題，使其能夠學習更復雜的映射關係。網絡的輸入包括仿真時間、施加的三相電壓以及勵磁參數，輸出直接涵蓋了電機的全部六種狀態變量：轉子角度、角速度、三相電流和繞組温度。這種端到端的設計避免了傳統方法中需要分別求解多個微分方程的繁瑣流程。
為了同時滿足數據擬合和物理定律，研究人員設計了一個複合損失函數。該函數包含兩部分：一部分是網絡預測與仿真數據之間的均方誤差，另一部分則是電機運行時必須遵循的機電和熱力學常微分方程（ODE）殘差。然而，在訓練初期，物理約束過強會導致模型過早收斂到局部最優。為此，他們引入了課程調度策略：先讓網絡從數據中學習基本模式，然後逐步增加物理懲罰項的權重，使模型在後期能夠更好地遵守物理規律。這種策略顯著提高了訓練的穩定性和最終模型的準確性。
實驗結果表明，該PINN在標準CPU上的訓練時間不超過兩分鐘。一旦訓練完成，每次推理的延遲僅為0.1至22微秒，比傳統ODE求解器快至少118倍。這一性能使得它非常適合用於實時觀測器和控制場景，例如機器人關節的高速反饋控制或狀態估計。論文作者Haitham El-Hussieny來自IEEE Member，該研究為機器人領域提供了一種高效且準確的電機建模新思路。