Residual Physics-Informed Neural Networks for High-Fidelity BLDC Motor Modeling

Resumen Técnico: Redes Neuronales de Física Informada Residuales para el Modelado de Alta Fidelidad de Motores BLDC

Planteamiento del Problema
El modelado preciso de la dinámica de los motores de corriente continua sin escobillas (BLDC) es esencial para el control de alto rendimiento en articulaciones robóticas y vehículos aéreos. Si bien los modelos clásicos de "caja blanca" basados en ecuaciones diferenciales ordinarias (ODE) de primeros principios son interpretables, requieren una identificación precisa de parámetros; incluso errores menores en la resistencia o la inductancia pueden degradar el rendimiento del control. Por el contrario, las redes neuronales de "caja negra" pueden aproximar mapeos complejos, pero a menudo violan las leyes físicas al extrapolar más allá de las distribuciones de entrenamiento. Además, los resolvedores de ODE numéricos estándar (por ejemplo, Runge-Kutta) tienen dificultades para cumplir con los estrictos requisitos de latencia (<1 ms) de los controladores en tiempo real, particularmente cuando se requiere una alta precisión.

Metodología
Los autores proponen una Red Neuronal de Física Informada (PINN) con una arquitectura de red residual profunda (ResNet) para crear un modelo sustituto de tiempo continuo para un motor BLDC trifásico.

• Arquitectura: El modelo utiliza una arquitectura ResNet con dos bloques residuales y una dimensión oculta de 16, lo que resulta en aproximadamente 1,300 parámetros entrenables. Este diseño compacto se eligió específicamente para el despliegue en tiempo real. La red mapea las entradas de tiempo ($t$), frecuencia de excitación ($f$), amplitud ($A$) y voltajes trifásicos aplicados ($V_a, V_b, V_c$) directamente al vector de estado de seis dimensiones: ángulo del rotor ($\theta$), velocidad angular ($\omega$), corrientes trifásicas ($I_a, I_b, I_c$) y temperatura del devanado ($T$).
• Restricciones Físicas: La pérdida de entrenamiento es una composición de la pérdida de datos (Error Cuadrático Medio Normalizado frente a datos de simulación) y una pérdida de física. La pérdida de física se deriva de los residuales de las ODE electromecánicas y térmicas gobernantes. Crucialmente, estos residuales se calculan mediante diferenciación automática de la salida de la red con respecto al tiempo, asegurando que los gradientes fluyan de vuelta a través de los pesos de la red para imponer la consistencia física.
• Estrategia de Entrenamiento: Para abordar la dificultad de optimizar ODEs rígidas (stiff), los autores emplean una estrategia de programación de currículo (curriculum scheduling). El peso de la penalización física ($\lambda_p$) es cero durante una fase inicial de calentamiento (épocas 1–50) para permitir que la red se ajuste a los datos, y luego se incrementa linealmente hasta 1.0 en la época 400. Esto evita que las restricciones físicas interrumpan el ajuste de datos temprano.
• Normalización: Los residuales de las ODE se normalizan mediante vectores de escala característicos derivados de los parámetros del motor para asegurar contribuciones de gradiente equilibradas entre las diferentes variables de estado.

Contribuciones Clave

1. Sustituto ResNet-PINN: Desarrollo de un sustituto de tiempo continuo que mapea los parámetros de excitación a la dinámica completa de seis estados del BLDC, utilizando una arquitectura ResNet para mitigar el desvanecimiento de gradientes y el sesgo espectral comunes en las PINNs profundas.
2. Programación de Currículo y Pérdida Compuesta: Implementación de una normalización de residual de ODE por canal y un esquema de programación dinámica que activa gradualmente la penalización física, asegurando una convergencia estable.
3. Benchmarking Sistemático de Latencia: Una comparación rigurosa de las velocidades de inferencia de la PINN frente a los resolvedores de Euler explícito y Runge-Kutta (RK45) a través de tamaños de lote que van desde 1 hasta 10,000.

Resultos

• Precisión: En una trayectoria de prueba con parámetros de excitación no vistos, el modelo compacto logró Errores de Raíz Cuadrática Media Normalizados (NRMSE) de <14% para estados lentos (ángulo y temperatura) y <32% para corrientes eléctricas rápidas. Los autores señalan que el modelo actual prioriza la velocidad de inferencia; se espera que escalar la arquitectura a dimensiones mayores reduzca el NRMSE por debajo del 5%.
• Eficiencia de Entrenamiento: El entrenamiento se completó en aproximadamente 110 segundos en una CPU estándar utilizando un tamaño de mini-lote de 1,024.
• Velocidad de Inferencia: La PINN demostró ventajas significativas de velocidad sobre los resolvedores tradicionales. Para una consulta única, la PINN fue 14.2× más rápida que el resolvedor Euler y 10.8× más rápida que RK45. A medida que el tamaño del lote aumentó a 10,000 puntos, el rendimiento de la PINN creció linealmente debido a la paralelización, logrando latencias de 0.1–22 µs por consulta. Esto representa una aceleración de hasta 118× en comparación con el resolvedor RK45.

Significancia y Reivindicaciones
El artículo afirma que la ResNet-PINN propuesta logra cerrar la brecha entre la precisión de ajuste de datos y la interpretabilidad física para la dinámica de motores BLDC. Al incrustar los residuales de las ecuaciones diferenciales directamente en la función de pérdida, el modelo produce un sustituto físicamente consistente sin depender exclusivamente de simulaciones densas de elementos finitos.

La significancia principal reside en la velocidad de inferencia. Los autores aseguran que la capacidad de la PINN para procesar grandes lotes con latencia de nivel de microsegundos la hace adecuada para aplicaciones de observación y control en tiempo real, como el Control Predictivo basado en Modelo (MPC), donde los resolvedores de ODE convencionales son computacionalmente prohibitivos. El trabajo establece que, con elecciones arquitectónicas adecuadas (ResNet) y estrategias de entrenamiento (aprendizaje de currículo), las PINNs pueden servir como sustitutos prácticos y de alta fidelidad para el control mecatrónico en tiempo real.