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

Resumo Técnico: Redes Neurais Informadas por Física Residuais para Modelagem de Alta Fidelidade de Motores BLDC

Definição do Problema
A modelagem dinâmica precisa de motores de Corrente Contínua sem Escovas (BLDC) é essencial para o controle de alto desempenho em juntas robóticas e veículos aéreos. Embora os modelos clássicos de "caixa branca" baseados em Equações Diferenciais Ordinárias (ODEs) de primeira ordem sejam interpretáveis, eles exigem identificação precisa de parâmetros; mesmo erros menores em resistência ou indutância podem degradar o desempenho do controle. Por outroego, redes neurais de "caixa preta" podem aproximar mapeamentos complexos, mas frequentemente violam leis físicas ao extrapolar além das distribuições de treinamento. Além disso, solvers numéricos de ODE padrão (ex: Runge-Kutta) têm dificuldade em atender aos requisitos rigorosos de latência (<1 ms) de controladores em tempo real, particularmente quando uma alta precisão é necessária.

Metodologia
Os autores propõem uma Rede Neural Informada pela Física (PINN) com um backbone de rede residual profunda (ResNet) para criar um modelo substituto de tempo contínuo para um motor BLDC trifásico.

• Arquitetura: O modelo utiliza uma arquitetura ResNet com dois blocos residuais e uma dimensão oculta de 16, resultando em aproximadamente 1.300 parâmetros treináveis. Este design compacto foi escolhido especificamente para implantação em tempo real. A rede mapeia entradas de tempo ($t$), frequência de excitação ($f$), amplitude ($A$) e tensões trifásicas aplicadas ($V_a, V_b, V_c$) diretamente para o vetor de estado de seis dimensões: ângulo do rotor ($\theta$), velocidade angular ($\omega$), correntes trifásicas ($I_a, I_b, I_c$) e temperatura do enrolamento ($T$).
• Restrições Físicas: A perda de treinamento é uma composição da perda de dados (Erro Quadrático Médio Normalizado contra dados de simulação) e uma perda de física. Crucialmente, esses resíduos são computados via diferenciação automática da saída da rede em relação ao tempo, garantindo que os gradientes fluam de volta através dos pesos da rede para impor consistência física.
• Estratégia de Treinamento: Para abordar a dificuldade de otimizar ODEs rígidas (stiff), os autores empregam uma estratégia de agendamento de currículo. O peso da penalidade de física ($\lambda_p$) é zero durante uma fase inicial de aquecimento (épocas 1–50) para permitir que a rede se ajuste aos dados, sendo então aumentado linearmente até 1,0 na época 400. Isso evita que as restrições físicas interrompam o ajuste inicial dos dados.
• Normalização: Os resíduos das ODEs são normalizados por vetores de escala característica derivados dos parâmetros do motor para garantir contribuições de gradiente equilibradas entre as diferentes variáveis de estado.

Principais Contribuições

1. Substituto ResNet-PINN: Desenvolvimento de um substituto de tempo contínuo que mapeia parâmetros de excitação para a dinâmica completa de seis estados do BLDC, utilizando um backbone ResNet para mitigar o desaparecimento de gradientes e o viés espectral comuns em PINNs profundas.
2. Agendamento de Currículo e Perda Composta: Implementação de uma normalização de resíduo de ODE por canal e um cronograma de currículo dinâmico que ativa gradualmente a penalidade de física, garantindo convergência estável.
3. Benchmarking Sistemático de Latência: Uma comparação rigorosa das velocidades de inferência da PINN contra solvers Euler explícito e Runge-Kutta (RK45) através de tamanhos de lote variando de 1 a 10.000.

Resultados

• Precisão: Em uma trajetória de teste com parâmetros de excitação não vistos, o modelo compacto alcançou Erros de Raiz Quadrada do Erro Médio Normalizado (NRMSE) de <14% para estados lentos (ângulo e temperatura) e <32% para correntes elétricas rápidas. Os autores observam que o modelo atual prioriza a velocidade de inferência; espera-se que escalar a arquitetura para dimensões maiores reduza o NRMSE para abaixo de 5%.
• Eficiência de Treinamento: O treinamento foi concluído em aproximadamente 110 segundos em uma CPU padrão usando um tamanho de mini-lote de 1.024.
• Velocidade de Inferência: A PINN demonstrou vantagens significativas de velocidade sobre os solvers tradicionais. Para uma única consulta, a PINN foi 14,2× mais rápida que o solver Euler e 10,8× mais rápida que o RK45. À medida que o tamanho do lote aumentou para 10.000 pontos, o throughput da PINN cresceu linearmente devido ao paralelismo, alcançando latências de 0,1–22 µs por consulta. Isso representa uma aceleração de até 118× em comparação com o solver RK45.

Significância e Alegações
O artigo afirma que a ResNet-PINN proposta consegue unir a lacuna entre a precisão de ajuste de dados e a interpretabilidade física para a dinâmica de motores BLDC. Ao incorporar os resíduos das equações diferenciais diretamente na perda de treinamento, o modelo produz um substituto fisicamente consistente sem depender exclusivamente de simulações densas de elementos finitos.

A principal significância reside na velocidade de inferência. Os autores afirmam que a capacidade da PINN de processar grandes lotes com latência de nível de microssegundos a torna adequada para aplicações de observador e controle em tempo real, como o Controle Preditivo Baseado em Modelo (MPC), onde solvers de ODE convencionais são computacionalmente proibitivos. O trabalho estabelece que, com escolhas arquiteturais adequadas (ResNet) e estratégias de treinamento (aprendizado de currículo), as PINNs podem servir como substitutos práticos e de alta fidelidade para o controle mecatrônico em tempo real.