基於殘差物理資訊神經網路的高保真無刷直流電機建模
本文提出一種基於深度殘差網路（ResNet）的物理資訊神經網路（PINN），用於學習無刷直流（BLDC）電機的連續時間六狀態動力學。該網路以模擬時間、三相電壓和勵磁引數為輸入，直接預測轉子角度、角速度、三相電流和繞組溫度，同時透過複合物理資料損失滿足機電和熱ODE約束。採用課程排程策略逐步啟用物理懲罰，防止過早收斂。在標準CPU上訓練時間不到兩分鐘。推理延遲為0.1–22微秒，比傳統ODE求解器快118倍，適用於即時觀測和控制。
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效能運動控制的基礎。然而，傳統的基於物理方程的建模方法往往計算成本高，難以滿足即時性要求。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資訊神經網路（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路（ResNet）作為主幹結構。與傳統神經網路不同，ResNet透過跳躍連線緩解了深層網路中的梯度消失問題，使其能夠學習更復雜的對映關係。網路的輸入包括模擬時間、施加的三相電壓以及勵磁引數，輸出直接涵蓋了電機的全部六種狀態變數：轉子角度、角速度、三相電流和繞組溫度。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。
為了同時滿足資料擬合和物理定律，研究人員設計了一個複合損失函式。該函式包含兩部分：一部分是網路預測與模擬資料之間的均方誤差，另一部分則是電機執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區域性最優。為此，他們引入了課程排程策略：先讓網路從資料中學習基本模式，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。這一效能使得它非常適合用於即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。