基於演化算法之驅動器控制參數調整技術

機器人產業馬達與馬達驅動器應用與趨勢

近年由於人工智慧（Artificial Intelligence，簡稱AI）逐漸崛起，帶動AI應用的風潮，以自動化產業為例，在各種自動化展覽會場上隨處可見機器人（Robotics）與移動機器臂（AMR）之應用範例，連帶使得相關零組件，如馬達與馬達驅動器，備受矚目。

永磁無刷馬達可用於自動化產業、汽車、機器人等多個領域。在稀土磁性材料與製程進步的情況下，永磁馬達不僅設計得體積更小與轉動慣量較低，具有效率高，結構簡單的特點。藉由變頻驅動器控制的永磁馬達成為運動控制應用的最佳選擇，如機器人技術、工具機、電動載具等。隨著電力電子技術的快速發展和成本下降，使得變頻驅動的永磁無刷馬達已被廣泛用於工業。永磁馬達設計需要考量幾個特性，磁路設計、電流密度與電氣特性等[1]，使用ANSYS有限元素軟體進行設計，也會運用MATLAB/SIMULINK進行動態分析。永磁無刷馬達分類之中，直流電源工作環境的場合，無刷直流馬達是最為廣泛使用；因為無刷直流馬達具有高效率、高功率密度等特性，已廣泛應用於人工智慧（AI）與機器人、自動化設備等領域。據Research Nester報告指出，2024年全球無刷直流馬達市場規模達1,006.7億美元，預計2025~2037年間將以超過9.3%的年複合成長率（CAGR）持續擴大，至2037年底整體規模可達3,229.6億美元，其中協作機器人、自主移動機器人與仿生關節驅動需求占比超過60%[2]。

馬達驅動器的功能為接收機器人控制系統發出之運動命令，根據命令進行馬達運動控制，為了達到較高效率與性能的目標，馬達驅動器採用閉迴路控制，迴路控制分為多層迴路架構，若是機器人產業，馬達控制大多採用內外兩層迴路方式，內迴路為電流轉矩迴路，控制馬達電流或是轉矩，外迴路為速度迴路或阻抗模式控制；不論是何種控制迴路，都需要調整控制增益參數，調整的方法，主要有兩大類，第一大類，根據馬達系統數學模型與性能規格進行參數運算，第二類為無數學模型狀況下，根據性能規格進行最佳化參數運算。

馬達驅動器的增益調整是影響控制性能的關鍵因素，其方法從基於解析解（Analytical Solution）的理論計算。解析解法通常基於線性系統理論推導出最佳增益值，適用於簡單控制架構，但是在複雜的系統，或是不知道系統數學模型，解析解就不具備實用性，為了處理馬達驅動器的增益調整問題，非解析解方法的發展從單目標最佳化，再發展至多目標最佳化，則透過數值計算或演算法，如遺傳演算法（Genetic Algorithms，簡稱GA）來調整增益，以最佳化特定動態響應特性，例如最小化超越量（Overshoot）或縮短上升時間（Rising Time）；而多目標最佳化則進一步同時考慮多種控制需求，例如在減少超越量的同時也確保上升時間維持在可接受範圍內，以實現平穩且快速的系統響應。透過如非支配排序遺傳演算法 II（Non-dominated Sorting Genetic Algorithm II , 簡稱NSGA-II）等多目標演算法，可以尋找合適的增益參數，使驅動器在系統穩定與快速響應速度間取得平衡。