This master thesis addresses the control of electric propulsion motors in a marine context. The focus lies mainly on the implementation of field oriented control (FOC) in a field programmable gate array (FPGA). The hypothesis is that FPGAs provide performance advantages over microcontroller-based control solutions by enabling parallel processing. Zparq AB, a startup specializing in electric marine propulsion, serves as the industry partner for this project. They develop sustainable alternatives to traditional fossil fuel powered propulsion, and the aim is to develop every included part of their electric propulsion systems inhouse. That makes the development of an FPGA-based motor control solution relevant to their goal. The research question focuses on how multiple marine propulsion motors can be controlled from a single FPGA. To answer this, the study investigates relevant engineering aspects such as reference frame transformations, motor control strategies, pulse width modulation (PWM) methods and technological aspects of modern FPGA architectures. For developing the motor controller, a Digilent Arty Z7-20 FPGA board is used. In the design process, all included functions are written as code in a hardware description language (HDL). This approach aims at maintaining complete insight in all details of the solution. Two variants of conventional FOC are developed; one with position feedback from an encoder and one sensorless. The developed motor controller is tested by controlling a brushless direct current (BLDC) motor, and the results prove the functionality of the encoder-based variant. They also show a latency of less than 15 microseconds and indicate the feasibility of the chosen approach. The modularity of the FPGA is demonstrated by successfully controlling two motors, using two copies of the developed solution in a single FPGA. A discussion on combining FPGA-based controllers with wide bandgap (WBG) semiconductors is also included, where the main discussed advantage is high switching frequency. In conclusion, the results and insights from the project contribute to future development of FPGA-based motor control solutions, both within Zparq and the research field. The insights regarding the specific chosen approach for the FPGA development can also be useful for similar projects. / Detta masterarbete behandlar styrning av elektriska motorer i ett marint kontext. Fokus ligger huvudsakligen på implementeringen av fältorienterad styrning (FOC) i en ifält-programmerbar grindmatris (FPGA). Hypotesen är att FPGAer erbjuder prestandafördelar jämfört med mikrokontroller-baserade styrlösningar, genom att möjliggöra parallella beräkningsprocesser. Zparq AB, ett startup som specialiserar sig på elektriska marina drivsystem, är industripartner för detta projekt. De utvecklar hållbara alternativ till traditionell fossildriven framdrift och målet är att på egen hand utveckla alla ingående delar i deras elektriska drivsystem. Det gör att utvecklingen av en FPGA-baserad lösning för motorstyrning är relevant inom ramen för deras mål. Forskningsfrågan fokuserar på hur ett flertal motorer för marin framdrift kan styras från en enda FPGA. För att svara på detta undersöks relevanta tekniska aspekter såsom koordinattransformationer, motorstyrningsstrategier, metoder för pulsbreddsmodulering (PWM) samt teknologiska aspekter av moderna FPGA-arkitekturer. För utvecklingen av motorstyrningen används ett Digilent Arty Z7-20 FPGA-kort. I designprocessen formuleras alla inkluderade funktioner som kod i ett hårdvarubeskrivande språk (HDL). Detta tillvägagångssätt syftar till att ha god insyn i hela lösningen, ner på detaljnivå. Två varianter av konventionell FOC utvecklas; en med positionsfeedback från vinkelgivare och en sensorlös. Den utvecklade motorstyrningen testas genom att driva en borstlös likströmsmotor (BLDC) och resultaten visar på den vinkelgivarbaserade variantens funktionalitet. De visar även att fördröjningen är under 15 mikrosekunder, samt på genomförbarheten av det valda tillvägagångssättet. Modulariteten i FPGAn demonstreras genom att framgångsrikt styra två motorer med hjälp av två kopior av den utvecklade lösningen i en och samma FPGA. En diskussion kring att kombinera FPGA-baserad styrning och halvledare med brett bandgap (WBG) är också inkluderad, där den huvudsakliga fördelen som diskuteras är hög switchfrekvens.svis bidrar resultaten och insikterna från projektet till framtida utveckling av FPGA-baserade lösningar för motorstyrning, både inom Zparq och övriga forskningsfältet. Insikterna från det specifika valda tillvägagångssättet för FPGA-utvecklingen kan även de vara användbara i liknande projekt.

In this thesis, two different architecture designs of a Multi-Layer Perceptron network have been implemented. One architecture being an ordinary MLP, and in the other adding DenseNet inspired skip connections to an MLP architecture. The models were used and evaluated on the classification task, where the goal was to classify if subjects were diagnosed with Parkinson’s disease or not based on vocal features. The models were trained on an openly available dataset for Parkinson’s classification and evaluated on a hold-out set from this dataset and on two datasets recorded in another sound recording environment than the training data. The thesis searched for the answer to two questions; How insensitive models for Parkinson’s classification are to the sound recording environment and how the proposed skip connections in an MLP model could help improve performance and generalization capacity. The thesis results show that the sound environment affects the accuracy. Nevertheless, it concludes that one would be able to overcome this with more time and allow for good accuracy when models are exposed to data from a new sound environment than the training data. As for the question, if the skip connections improve accuracy and generalization, the thesis cannot draw any broad conclusions due to the data that were used. The models had, in general, the best performance with shallow networks, and it is with deeper networks that the skip connections are argued to help improve these attributes. However, when evaluating on the data from a different sound recording environment than the training data, the skip connections had the best performance in two out of three tests. / I denna avhandling har två olika arkitektur designer för ett artificiellt flerskikts neuralt nätverk implementerats. En arkitektur som följer konventionen för ett vanlig MLP nätverk, samt en ny arkitektur som introducerar DenseNet inspirerade genvägs kopplingar i MLP nätverk. Modellerna användes och utvärderades för klassificering, vars mål var att urskilja försökspersoner som friska eller diagnostiserade med Parkinsons sjukdom baserat på röst attribut. Modellerna tränades på ett öppet tillgänglig dataset för Parkinsons klassificering och utvärderades på en delmängd av denna data som inte hade använts för träningen, samt två dataset som kommer från en annan ljudinspelnings miljö än datan för träningen. Avhandlingen sökte efter svaret på två frågor; Hur okänsliga modeller för Parkinsons klassificering är för ljudinspelnings miljön och hur de föreslagna genvägs kopplingarna i en MLP-modell kan bidra till att förbättra prestanda och generalisering kapacitet. Resultaten av avhandlingen visar att ljudmiljön påverkar noggrannheten, men drar slutsatsen att med mer tid skulle man troligen kunna övervinna detta och möjliggöra god noggrannhet i nya ljudmiljöer. När det kommer till om genvägs kopplingarna förbättrar noggrannhet och generalisering, är avhandlingen inte i stånd att dra några breda slutsatser på grund av den data som användes. Modellerna hade generellt bästa prestanda med grunda nätverk, och det är i djupare nätverk som genvägs kopplingarna argumenteras för att förbättra dessa egenskaper. Med det sagt, om man bara kollade på resultaten på datan som är ifrån en annan ljudinspelnings miljö så hade genvägs arkitekturen bättre resultat i två av de tre testerna som utfördes.