Este trabajo propone un método novedoso para la identificación en tiempo real y el control no lineal de un motor síncrono de imán permanente (PMSM) basado en una Red Neuronal Informada por la Física (PINN) y el enfoque de linealización de retroalimentación exacta. El enfoque propuesto se presenta en un marco de cuadratura directa, donde la corriente de cuadratura y la velocidad de rotación se seleccionan como salidas y las tensiones directa y de cuadratura se seleccionan como entradas. Se selecciona una ecuación de diferencia no lineal para describir la dinámica física del PMSM, y se diseña una PINN basada en la estructura mencionada. Se diseña un esquema de entrenamiento simplificado para la PINN basado en una estructura de mínimos cuadrados para facilitar el entrenamiento en línea en tiempo real. Se diseña un controlador no lineal basado en la linealización de retroalimentación exacta considerando el modelo no lineal del sistema identificado basado en la PINN. Por lo tanto, el enfoque propuesto implica identificación y control en tiempo real, donde la PINN se entrena en línea. Con el fin de seguir la referencia para la velocidad de rotación, se diseña un controlador no lineal con acción integral basado en la linealización de retroalimentación exacta basado en un regulador cuadrático lineal. Como resultado, el enfoque propuesto se puede utilizar para identificar el sistema a controlar en tiempo real, y es capaz de seguir cualquier pequeño cambio en el modelo real; además, es robusto tanto a perturbaciones externas como internas, como variaciones en la carga de par y resistencia. El enfoque propuesto se evalúa a través de simulación y utilizando un PMSM real, y se evalúan los resultados del seguimiento de referencia bajo perturbaciones. El rendimiento de identificación se evalúa utilizando un diagrama de Taylor bajo estructuras de lazo cerrado y lazo abierto, donde se utilizan estructuras ARX y NARX para comparación. Se verifica así que este novedoso enfoque de control propuesto que involucra un modelo basado en PINN puede seguir adecuadamente la dinámica de un sistema PMSM, donde el rendimiento del control no lineal propuesto se mantiene incluso al utilizar el modelo identificado basado en la PINN.