朱劲涛

（南京信息工程大学，江苏 南京 210044）

0 引 言

无刷直流电机（Brushless DC Motor，BLDCM）由于具有起动和调速性好，控制简单以及堵转转矩大等特点，在航空航天、数控装置以及汽车电子等驱动和伺服系统中得到了广泛应用[1,2]。在BLDCM控制系统中，常采用二二导通单管调制方式，需要检测转子磁场相对于定子绕组的位置以控制逆变电路的导通与关断。为了获得转子位置信息，传统的方式是直接使用如霍尔传感器的位置传感器检测，但其使得电机体积增大，难以在高低温环境下工作，并且使用传感器会增加接线，引入干扰，因此需要发展无位置传感器控制方式。

本文探讨一种基于现场可编程门阵列（Field-Programmable Gate Array，FPGA）加速神经网络的BLDCM控制系统，利用深度学习技术改善对控制信号的分析，提高控制精度，实现无BLDCM的自适应控制。

1 现场可编程门阵列

FPGA是常用的神经网络加速器，其逻辑部分主要由可配置逻辑块和用于接口的输入/输出块组成，开发的一般流程如图1所示，主要包括电路功能设计、设计输入、综合、实现与布线、器件编程、功能仿真、综合后仿真、时序检查、板级仿真以及电路验证等[3]。

图1 FPGA开发的一般流程

1.1 FPGA加速目标

深度学习是一种以人工神经网络为框架，利用简单但非线性的模型对数据进行表征学习并提取数据特征的方法。其中卷积神经网络（Convolutional Neural Network，CCN）是一种被广泛使用的深度学习的基础模型，它是一个多层神经网络，主要的层包括卷积层、池化层以及全连接层[4,5]。CNN一般分为训练过程和推理过程，训练过程主要为处理数据和反向调整模型的参数，推理过程则是利用额外的数据测试模型对数据进行处理与分类。……