瑞萨转矩控制解决方案加强工业自动化-Ameya360 electronic components purchasing network

瑞萨转矩控制解决方案加强工业自动化

Release time：2023-10-23

author：AMEYA360

source：网络

reading：2195

　　随着科技的不断进步和全球制造业的竞争加剧，越来越多的企业开始投资和采用自动化技术，以提高生产效率、降低成本、改善产品质量并确保过程安全。而为协同工作完成复杂任务，确保高质量的生产结果。工业自动化设备对精度控制要求非常高，如螺丝拧紧机和扭矩测试仪工作时，需要在测量扭矩的同时控制电机旋转，这个过程需要高精度的扭矩测量。

　　此次瑞萨电子推出的转矩控制解决方案，通过使用一种配备高精度模拟前端的微控制器RX23E-A将扭矩测量信号输入到电机中，并进行反馈控制。这一解决方案不仅实现了高分辨率的转矩控制，而且配置也相当简单。

　　系统框图

瑞萨转矩控制解决方案加强工业自动化

　　主要器件介绍

　　RAA227063是用于无刷直流（BLDC）电机应用的智能栅极驱动器IC。它集成了三个半桥智能栅极驱动器，能够驱动多达三个N沟道MOSFET桥，支持4.5V至60V的桥电压。每个栅极驱动器支持高达1A的拉电流和2A的灌电流驱动电流，并具有可编程的驱动强度控制。可调节和自适应的死区时间被实现，以确保稳健性和灵活性。主动栅极保持机制防止了米勒效应引起的交叉传导，进一步增强了稳健性。

　　ISL85412是一款150mA同步降压稳压器，输入范围为3.5V至40V。它提供了一种易于使用、高效低BOM数的解决方案。ISL85412集成了高边和低边的NMOS场效应管，并具备PFM模式，在轻负载下可提高效率。如果需要强制PWM模式，可以禁用此功能。该部分默认的开关频率为700kHz。由于集成了两个NMOS器件并提供了内部配置，所以只需较少的外部元件，便能减少BOM数量和设计复杂性。ISL85412具有宽VIN范围和较少的BOM，可以为各种应用提供易于实现的设计解决方案，并具备卓越的性能。它适用于高电压工业应用，并为电池供电应用提供有效的解决方案。

　　ISL80505是一款单路输出低压差线性稳压器（LDO），能够在1.8V至6V的输入电压范围内提供高达500mA的输出电流。该LDO的输出电压调节范围为0.8V至5.5V。该产品系列采用BiCMOS工艺，能够提供出色的模拟性能和整体价值。

　　RJK0854DPB是一款适用于开关（电机驱动等）和负载开关应用的MOSFET，具有低导通电阻、高速开关和高鲁棒性。

　　RA4T1 MCU基于带有TrustZone?的100 MHz Arm? Cortex-M33?内核，为电机控制和逆变器控制功能提供优化的外设，具有小型32引脚QFN和LQFP封装选项，满足了高性能、成本敏感和空间受限应用的需求。此外，它还集成了多种通信接口，包括CAN FD、I3C、SCI和SPI，满足各种电机控制和消费类应用的所有连接需求。

　　RX26T微控制器是可在单芯片上实现磁场定向控制（FOC）双电机控制和功率因数校正（PFC）控制MCU产品。它搭载工作频率为120MHz的RX第三代CPU内核——RXv3，通过可实现120MHz读取操作的高速闪存和三角函数运算单元（TFUv2）实现超高计算性能。定时器功能支持120MHz PWM，模拟功能配备3单元12位A/D转换器。此外，它还搭载了保证振荡精度为±1.0%的HOCO、数据闪存、单端PGA和比较器等，有助于减少元件数量并节省空间。它还配备了用于设备之间高速通信的CAN FD和用于与传感器实现高速通信的I3C Basic，从而可以在更短的时间内传输更多的数据。

　　RX23E-A系列微控制器配备模拟前端，无需校准即可测量温度、压力、流量和重量，精度优于0.1%，是高精度传感、测试和测量设备的理想之选。其CPU配备RXv2内核，在DSP/FPU运行中表现卓越，可以单芯片实现高精度测量、控制和通信。

（"Note: The information presented in this article is gathered from the internet and is provided as a reference for educational purposes. It does not signify the endorsement or standpoint of our website. If you find any content that violates copyright or intellectual property rights, please inform us for prompt removal."）

行业新闻

瑞萨丨技术干货｜解决方案套件概念：AI赋能的智能电动自行车——重塑城市出行与智能交通

　　电动自行车正在迅速重塑城市出行方式。作为汽车之外更可持续、更灵活的选择，电动自行车不仅有助于缓解交通拥堵，也符合绿色低碳的发展趋势。随着电动自行车技术的不断进步和普及，用户对安全性、可靠性和智能辅助功能的期待也在持续提升。　　然而，无论是传统机械自行车还是电动自行车，当前仍高度依赖骑手的主动感知以及按计划进行的维护保养。许多机械问题往往是逐步演变的，在性能明显下降或故障真正发生之前，几乎没有预警信号。这种被动式维护方式容易导致意外故障、更高的维修成本，甚至带来潜在的安全隐患。　　瑞萨通过AI赋能的智能电动自行车概念方案应对这些挑战。该方案基于嵌入式边缘人工智能(AI)，在自行车本体上即可实现预测性维护、智能骑行辅助、环境感知以及电池管理优化，无需依赖云端连接。　　嵌入式边缘AI实现预测性与智能骑行　　智能电动自行车的核心由Renesas AIK-RA8D1 AI开发套件驱动。该套件基于RA8D1微控制器(MCU))，这是一款面向实时嵌入式AI应用设计的高性能Arm® Cortex-M85® MCU。借助Renesas Reality AI Tools®，开发者可以部署高度优化的AI模型，使其完全运行于MCU本地，无需云端计算支持。　　这种系统架构在实现更安全、更高效骑行体验的同时，也有效控制了功耗和系统成本，非常适合大规模部署于智能出行设备中。　　AI赋能的智能电动自行车围绕以下两大核心能力，全面提升骑行体验:　　AI驱动的状态监测　　更顺畅、更安全的骑行体验，全面提升用户感受　　瑞萨电动自行车概念　　AI驱动的状态监测　　无论是传统自行车、电动自行车，还是共享出行车队中的自行车，本质上都是精密的机械系统。其性能高度依赖于关键部件的健康状况，包括链条、齿轮、轴承以及车架连接部位。随着时间推移，这些部件会因机械应力、环境影响以及骑行工况而逐渐磨损和劣化。　　传统的维护方式通常依赖定期人工检查或基于里程的保养周期。这些方法往往不够精准且偏被动，容易导致突发故障，增加维护成本和运营风险。　　通过将AIK‑RA8D1与加速度传感器直接集成到自行车中，实时AI驱动的状态监测成为可能。系统可持续分析振动特征和运动模式，及早发现机械性能退化的迹象。　　关键预测性维护功能包括：　　链条劣化检测(Chain Deterioration Detection)——系统监测传动系统的振动模式。当振动特征偏离正常状态时，可在性能明显下降之前识别出链条过度磨损或润滑异常问题。　　齿轮异常检测(Gear Anomaly Detection)——AI模型可识别由齿轮齿面磨损、损坏或变速器对位异常引起的异常振动模式，实现早期干预。　　轴承失效检测(Bearing Failure Detection)——轴承在劣化过程中会产生特定的高频振动特征。系统可在出现可听噪声或严重机械损伤之前就检测到这些异常。　　车架结构监测(Frame Structure Monitoring)——通过振动分析，还可识别车架的松动或结构性变化，从而提升骑行安全性并延长整车使用寿命　　瑞萨如何实现智能自行车监测　　要构建高精度的状态监测AI模型，必须采集涵盖正常运行状态和多种机械故障状态的数据集。　　为此，系统采用AIK-RA8D1 AI开发套件，并通过Pmod™模块连接外部加速度传感器。开发套件和传感器均直接安装在自行车上，在真实骑行场景中采集振动和运动数据。　　数据集采集通过Data Storage Tools完成。该工具可作为插件集成在Renesas e² studio中，也可作为独立应用供第三方IDE用户使用工具可实时采集加速度传感器的原始数据，并进行存储，用于后续的数据标注和AI模型训练。　　Figure1.Training Set-up　　AI模型开发与部署　　在完成数据标注并上传至Renesas Reality AI Tools后，可利用云端AutoML功能训练和评估多个AI模型，并针对RA8D1 MCU进行部署优化。　　最终选定的模型能够识别七种系统状态：　　电动自行车状态：识别空闲与静止状态　　链条运行状态：识别正常的正向与反向链条运动　　齿轮异常：基于变速器位置检测两种故障状态　　后轮结构状态：识别潜在的后轮松动问题　　该优化模型在仅占用5KB内存的情况下，实现了99.63%的识别准确率，可高效运行于RA8D1 MCU上。　　Figure2.Model Development to Deployment Flow　　部署完成后，推理结果可通过集成在e² studio开发环境中的AI Live Monitor工具进行实时监控。　　AI增强型骑行智能　　除状态监测外，AIK RA8D1还可作为智能电动自行车计算核心，充当中央处理节点，分析来自电机、电池及各类传感器的数据——支持在有或无额外传感硬件的情况下运行。　　AI赋能的骑行功能示例包括：　　载荷分布检测——通过分析振动与运动信号，系统可估算骑手及货物的重量分布。据此推荐或自动调整坐垫位置，以提升舒适性和踩踏效率。　　路面类型识别(Surface Detection)——AI模型可识别沥青路、碎石路或不平整地形。并根据路况动态调整电机扭矩和功率输出，从而提升稳定性与能效。　　目标检测，实现更安全骑行(Object Detection for Safer Riding)——结合视觉传感器时，AI模型可识别周围车辆与障碍物，在盲区来车时触发预警。　　“See with Sound”的空间感知能力——通过麦克风阵列，系统可估算周围车辆的来向，并向骑手提供空间方位提示，而无需持续视觉关注。　　推动下一代智能出行　　AI驱动的智能电动自行车方案充分展示了嵌入式边缘AI对个人出行和共享交通的变革潜力。通过将预测性维护与环境感知能力直接集成到自行车中，制造商能够打造更安全、更可靠、更高效的出行解决方案。　　瑞萨AI技术致力于帮助客户基于可扩展的边缘AI平台，构建适用于实时嵌入式部署的智能出行系统。　　告别突发故障，从瑞萨开始打造更智能、更安全的自行车。　　准备好将AI驱动的状态监测引入骑行领域了吗?

2026-06-02 09:56 reading：331

model	brand	Quote
RB751G-40T2R	ROHM Semiconductor
MC33074DR2G	onsemi
BD71847AMWV-E2	ROHM Semiconductor
CDZVT2R20B	ROHM Semiconductor
TL431ACLPR	Texas Instruments

model

brand

Quote

ROHM Semiconductor

onsemi

ROHM Semiconductor

ROHM Semiconductor

Texas Instruments

model	brand	To snap up
IPZ40N04S5L4R8ATMA1	Infineon Technologies
BP3621	ROHM Semiconductor
TPS63050YFFR	Texas Instruments
STM32F429IGT6	STMicroelectronics
BU33JA2MNVX-CTL	ROHM Semiconductor
ESR03EZPJ151	ROHM Semiconductor

model

brand

To snap up

IPZ40N04S5L4R8ATMA1

Infineon Technologies

ROHM Semiconductor

Texas Instruments

STMicroelectronics