相关实验视频
Updated: Jan 13, 2026
12:22
Optimization, Test and Diagnostics of Miniaturized Hall Thrusters
Published on: February 16, 2019
9.5K
基于机器学习的位置检测,使用资源有限的微控制器上的大厅效应传感器阵列
Zalán Németh1, Chan Hwang See1, Keng Goh1
1School of Computing, Engineering and the Built Environment, Edinburgh Napier University, Edinburgh EH10 5DT, UK.
Sensors (Basel, Switzerland)
|October 29, 2025
概括
这项研究介绍了一种新的电磁悬浮系统,使用TinyML精确定位物体. 它以降低成本和复杂性实现了光学水平的准确性,使先进的磁悬浮更容易获得.
科学领域:
- 物理 物理学 物理
- 工程 工程师 工程师 工程师
- 机器学习 机器学习
背景情况:
- 传统的磁悬浮系统通常依赖于复杂而昂贵的光学跟踪方法来检测位置.
- 需要具有成本效益和集成的解决方案,用于电磁悬浮中的实时位置传感.
研究的目的:
- 开发和验证基于TinyML的电磁悬浮系统,以取代传统的光学跟踪.
- 为了证明使用微控制器优化的神经网络用于在磁悬浮中准确的实时位置检测的可行性.
主要方法:
- 使用有限元素分析设计和优化一组电磁体.
- 实施微控制器优化的神经网络来处理霍尔效应传感器数据以预测物体位置.
- 训练监督的多输出回归模型,使用空间采样数据的量化和全精度实现.
主要成果:
- 在位置检测中达到0.0263-0.0381mm的平均绝对误差.
- 在控制频率为850-1000Hz的稳定系统运行证明.
- 使用标准的微控制器和最小的硬件验证了30微米以下的精度.
结论:
- 机器学习,特别是TinyML,为磁悬浮中的光学位置检测提供了一种可行且具有成本效益的替代方案.
- 拟议的系统消除了对外部跟踪设备和高性能计算的需求,降低了实施障碍.
- 这项研究为研究和工业应用中更广泛采用先进的磁悬浮铺平了道路.
