TOP特許意匠商標
特許ウォッチ DM通知 Twitter
10個以上の画像は省略されています。
公開番号2021090340
公報種別公開特許公報(A)
公開日20210610
出願番号2020116030
出願日20200704
発明の名称AI搭載型モータ状態量推定システムおよびモータモデル用機械学習方法
出願人ディエスピーテクノロジ株式会社
代理人個人
主分類H02P 23/14 20060101AFI20210514BHJP(電力の発電,変換,配電)
要約【課題】機械学習モデルを用いることにより、モータの特定のモータ状態量をその状態量をダイレクトに検出するセンサを用いることなく推定する。
【解決手段】モータ12を停止または回転させるモータ駆動系110についての複数の入力変数から少なくとも1つの状態量を少なくとも1つの出力変数として推定するシステムにおいて、それぞれのセンサを用いて複数の入力変数を測定する測定部2001と、前記少なくとも1つの状態量を推定するための機械学習を行った学習済みの学習モデル310に、前記複数の入力変数を入力することにより、前記状態量を学習モデルから前記少なくとも1つの出力変数として推定する推定部360とを設ける。複数の入力変数は、各相のインバータ電圧関連量と、各相のモータ電流関連量とを含むが、前記少なくとも1つの状態量を含まず、測定部2001は、前記状態量を測定するためのセンサを含まない。
【選択図】図7
特許請求の範囲【請求項1】
電源からの電気エネルギーをインバータまたはパワーアンプを介してモータに出力することにより、そのモータを停止または回転させるモータ駆動系のうちのモータ自体についての複数の入力変数から、前記モータ自体についての複数の状態量のうち予め選択された少なくとも1つである選択モータ状態量を少なくとも1つの出力変数として推定するシステムであって、
前記複数の入力変数であって前記インバータまたはパワーアンプの電圧関連量および前記モータの電流関連量を含むものを測定する測定部であって各入力変数を個別にダイレクトに測定する複数のモータ状態量推定用センサを有するものと、
前記モータを停止または回転させた場合に生成される前記少なくとも1つの選択モータ状態量を推定するための機械学習を行った学習済みの学習モデルに、前記複数のモータ状態量推定用センサによって測定された複数の入力変数を入力することにより、前記少なくとも1つの選択モータ状態量を、その選択モータ状態量をダイレクトに測定するセンサを用いることなく、前記少なくとも1つの出力変数として推定する推定部と
を含み、
前記複数のモータ状態量推定用センサは、前記少なくとも1つの選択モータ状態量をダイレクトに測定するセンサを含まず、
前記機械学習は、それぞれ前記モータについて予め観測された、前記インバータまたはパワーアンプの電圧関連量と、前記モータの電流関連量と、前記少なくとも1つの選択モータ状態量とであって、それぞれ個別の機械学習用センサによって測定されたものを用いて行われ、それにより、前記学習モデルは、前記複数のモータ状態量推定用センサによってダイレクトに測定された複数の入力変数が入力されると、前記少なくとも1つの選択モータ状態量を推定するように学習されており、
前記推定部は、その学習済の学習モデルを用いることにより、前記少なくとも1つの選択モータ状態量を推定するAI搭載型モータ状態量推定システム。
続きを表示(約 2,600 文字)【請求項2】
前記複数の入力変数は、前記インバータまたはパワーアンプにおける各相の電圧関連量と、前記モータにおける各相のモータ電流関連量とを含むが、前記モータのモータ角度関連量を含まず、
前記少なくとも1つの選択モータ状態量および前記少なくとも1つの出力変数は、いずれも、前記モータ角度関連量を含み、
前記複数のモータ状態量推定用センサは、前記モータの角度をダイレクトに測定するセンサを含まず、
前記推定部は、前記学習済の学習モデルを用いることにより、前記モータ角度関連量を推定する請求項1に記載のAI搭載型モータ状態量推定システム。
【請求項3】
前記複数の入力変数は、前記インバータまたはパワーアンプにおける各相の電圧関連量と、前記モータにおける各相のモータ電流関連量とを含むが、前記モータのモータトルク関連量を含まず、
前記少なくとも1つの選択モータ状態量および前記少なくとも1つの出力変数は、いずれも、前記モータトルク関連量を含み、
前記複数のモータ状態量推定用センサは、前記モータのトルクをダイレクトに測定するセンサを含まず、
前記推定部は、前記学習済の学習モデルを用いることにより、前記モータトルク関連量を推定する請求項1または2に記載のAI搭載型モータ状態量推定システム。
【請求項4】
前記複数の入力変数は、前記インバータまたはパワーアンプの電圧関連量および前記モータの電流関連量は含むが、前記モータの温度は含まず、
前記少なくとも1つの選択モータ状態量および前記少なくとも1つの出力変数は、いずれも、前記モータの温度を含み、
前記複数のモータ状態量推定用センサは、前記モータの温度をダイレクトに測定するセンサを含まず、
前記推定部は、前記学習済の学習モデルを用いることにより、前記モータの温度を推定する請求項1ないし3のいずれかに記載のAI搭載型モータ状態量推定システム。
【請求項5】
前記モータの温度は、前記モータのうち巻線の温度がおよび/または磁石の温度を含む請求項4に記載のAI搭載型モータ状態量推定システム。
【請求項6】
前記複数の入力変数は、前記インバータまたはパワーアンプにおける各相の電圧関連量と、前記モータにおける各相のモータ電流関連量とを含むが、前記モータについての出力軸トルクと、前記モータに連結される外部負荷から作用する外部負荷トルクとを含まず、
前記少なくとも1つの選択モータ状態量および前記少なくとも1つの出力変数は、いずれも、前記出力軸トルクと前記外部負荷トルクとを、それぞれ互いに独立した変数として含み、
前記複数のモータ状態量推定用センサは、前記出力軸トルクをダイレクトに測定するセンサと、前記外部負荷トルクをダイレクトに測定するセンサとを含まず、
前記推定部は、前記学習済の学習モデルを用いることにより、前記モータ自体についての前記出力軸トルクと前記外部負荷についての前記外部負荷トルクとを推定する請求項1ないし5のいずれかに記載のAI搭載型モータ状態量推定システム。
【請求項7】
前記複数の入力変数は、前記インバータまたはパワーアンプにおける各相の電圧関連量と、前記モータにおける各相のモータ電流関連量とを含むが、前記インバータまたはパワーアンプについての合計電流と、前記インバータまたはパワーアンプについての各相ごとの個別電流とを含まず、
前記少なくとも1つの選択モータ状態量および前記少なくとも1つの出力変数は、いずれも、前記合計電流と、前記各相ごとの個別電流とを、それぞれ互いに独立した変数として含み、
前記複数のモータ状態量推定用センサは、前記合計電流をダイレクトに測定するセンサと、前記各相ごとの個別電流をダイレクトに測定するセンサとを含まず、
前記推定部は、前記学習済の学習モデルを用いることにより、前記モータ自体について前記合計電流と前記各相ごとの個別電流とを推定する請求項1ないし6のいずれかに記載のAI搭載型モータ状態量推定システム。
【請求項8】
さらに、
前記各相ごとの個別電流であって前記推定部によって推定されたものに基づき、前記インバータもしくはパワーアンプおよび/または前記モータにおけるいずれの相に故障が発生している可能性があるか否かを、故障している可能性があるいずれかの相に関連付けて判定する故障診断を行う故障診断部を含む請求項7に記載のAI搭載型モータ状態量推定システム。
【請求項9】
前記複数の入力変数は、前記インバータまたはパワーアンプにおける各相の電圧関連量と、前記モータにおける各相のモータ電流関連量とを含むが、前記モータにおけるステータの振動状態量を含まず、
前記少なくとも1つの選択モータ状態量および前記少なくとも1つの出力変数は、いずれも、前記ステータの振動状態量を含み、
前記複数のモータ状態量推定用センサは、前記ステータの振動状態量をダイレクトに測定するセンサを含まず、
前記推定部は、前記学習済の学習モデルを用いることにより、前記モータ自体について前記ステータの振動状態量を推定する請求項1ないし8のいずれかに記載のAI搭載型モータ状態量推定システム。
【請求項10】
さらに、
前記ステータの振動状態量であって前記推定部によって推定されたものに基づき、前記モータの寿命の末期を推定し、その時期を事前に告知する寿命予測部を含む請求項9に記載のAI搭載型モータ状態量推定システム。
【請求項11】
前記機械学習は、前記ステータの振動状態量であって、前記モータに設置される加速度センサおよび/またはトルクセンサを用いて測定されたものを用いて行われる請求項9または10に記載のAI搭載型モータ状態量推定システム。
【請求項12】
前記モータは、巻線,鉄心および永久磁石を含み、
前記モータの温度は、前記巻線,鉄心および永久磁石のうちの少なくとも1つの温度を含む請求項4に記載のAI搭載型モータ状態量推定システム。

発明の詳細な説明【技術分野】
【0001】
本発明は、電気エネルギーを運動エネルギーに変換するモータの状態量を取得する技術に関し、モータに搭載されるセンサに代えて機械学習モデル(AI)を用いることにより、センサレス・パラメータ推定法によって特定のモータ状態量を取得する技術および/または前記機械学習モデルを構築する技術に関する。
続きを表示(約 5,100 文字)【背景技術】
【0002】
電気エネルギーを運動エネルギーに変換するために、電気的に駆動されるモータが使用される。この種のモータは、ますます拡大する種々の用途を有しており、そのような用途としては、例えば、自動車の如き移動体の駆動源や、ロボット、工作機械、搬送機械、荷役機械、空調機器、事務機器の如き運動発生装置の駆動源(アクチュエータ)がある。
【0003】
例えば、自動車という用途においては、モータのみを駆動源として搭載する形式であるか、モータと燃焼機関とをいずれも駆動源として搭載する形式であるかを問わず、モータを駆動源として自動車に搭載することが普及している。この用途においては、モータの種類やモータが使用される環境の如何を問わず、モータを思い通りに制御することがますます必要となってきている。
【0004】
モータを使用する場合には、そのモータを制御する制御系の設計が重要である。また、モータを精度よく制御するためには、モータの入出力特性に適合する制御系の設計が必要である。
【0005】
さらに、モータを精度よく制御するためには、モータまたはそれを主体とするモータ駆動系全体の実状を正確に監視し、その結果を踏まえてモータの制御信号(例えば、モータ電流指令値、インバータ/パワーアンプ電圧指令値など)を決定することが重要である。具体的には、モータまたはそれを主体とするモータ駆動系に関する状態量すなわち状態変数の実際値を精度よくリアルタイムに取得することが重要である。
【0006】
また、モータのための制御系を設計するために、実際のモータを使用することが困難である場合がある。この場合には、その実モータの入出力特性を模擬する計算を行う仮想モータが実モータの代わりに使用され、その仮想モータを用いて、実モータのための制御系が設計される場合もある(例えば、特許文献1参照。)。
【0007】
さらに、近年、人工知能(AI)に関し、ニューラルネットワークおよびディープラーニングなどの技術が急速に進歩し、その結果、人工知能を用いた推論システムの実用化が急速に普及している。
【0008】
そして、AIが搭載されたモータ駆動系も既に提案されている(例えば、特許文献2および3参照。)。
【0009】
特許文献2に開示されているモータ駆動系は、機械学習装置を備えており、その機械学習装置は、状態観測部と学習部とを有するように構成される。その状態観測部は、当該モータ駆動系についての複数の入力変数(モータ駆動系における各構成要素の状態変数)を検出するために、温度センサ、電流センサ、電圧センサおよびモータ位置センサを有する。
【0010】
特許文献3には、モータの位置すなわち回転角度を検出するためにロータリーエンコーダが使用されることが開示されている。
【先行技術文献】
【特許文献】
【0011】
特開2014−217086号公報
特許第6243385号公報
特許第6567205号公報
【発明の概要】
【発明が解決しようとする課題】
【0012】
前述のように、モータ駆動系において、制御対象(例えば、モータなど)の状態量すなわち状態変数を取得するために、一般に、センサが用いられる。センサは、取得することが必要な状態量をダイレクトに、すなわち、別の測定値からの推定なしで取得することができるため、状態量についての高精度かつリアルタイムな取得に適している。
【0013】
しかしながら、モータ駆動系について取得することが必要な複数の状態量をそれぞれ検出することが可能な複数のセンサのすべてを当該モータ駆動系に搭載することが困難ないしは不可能なことがある。
【0014】
それは、例えば、センサをモータに設置するのに必要なスペースが増加するという問題、センサ自体が精密機械であるために高価であるという問題、モータへのセンサの設置不良という問題、センサ自体の機械的故障(信号線の断線、耐環境性など)という問題などがあるからである。
【0015】
モータ駆動系に搭載されることが可能なセンサの例として、モータの角度(角度位置、回転位置)を検出する角度センサ(位置センサ)がある。角度センサとしては、例えば、前述のロータリーエンコーダやレゾルバがある。それら例示的な角度センサは、機械的な位置センサに分類される。
【0016】
モータ駆動系におけるモータに角度センサを搭載することが可能であれば、理論的には、その角度センサにより、モータの全回転速度域においてモータ角度を精度よく測定できる。
【0017】
しかし、実際には、角度センサは、例えば、取付スペースに関する問題、コストに関する問題などがあるために、実用上は(試験品ならともかく実機としては、量産段階では)、モータに搭載することが困難である。
【0018】
そのため、モータ駆動系においては、モータ角度が、モータの別の状態量の測定値からの推定によって取得される場合がある。その手法の一つとして、モータの電圧や電流、磁力、トルクなどをセンサによって検出し、その電流検出値からモータ角度が推定される。
【0019】
図25には、モータの回転速度とモータに発生するトルクおよび誘起電圧との関係の一例がグラフで表されている。角度センサを用いずにモータ角度(「モータ位置」とも称する)を推定する方法は、センサレス・パラメータ計測(推定)法とも称される。
【0020】
主なセンサレス・パラメータ計測法は、誘起電圧を利用する計測方式と、高周波信号を注入する計測方式(高調波電圧重畳法など)とに大別される。
【0021】
しかし、誘起電圧を利用する計測方式は、モータの停止時および低速域では、誘起電圧が発生しないかまたは微弱であるため、それらのモータ速度域においては、モータ位置推定法としては不適当である。
【0022】
また、高周波信号を注入する計測方式は、モータの突極性(高周波特性)を利用して、モータの回転角(位置)を推定するものである。しかし、この計測方式は、注入される高周波の影響によってモータが振動する場合があるという問題がある。また、モータの高速回転域においては、位置推定誤差が増加する場合があるという問題がある。
【0023】
そのため、モータ位置を上述の複数のセンサレス・パラメータ計測法によって取得するためには、各モータ速度域ごとに計測方式を異ならせることが必要である。その結果、この場合には、必要な信号処理が複雑となるという問題がある。
【0024】
以上説明した事情を背景として、本発明は、モータに搭載されるセンサに代えて機械学習モデル(AI)を用いることにより、モータの状態量をその状態量(「状態変数」とも称される。)をダイレクトに検出するセンサを用いることなくセンサレス・パラメータ推定(後述の「限定的センサレス推定」)によって取得し、および/または前記機械学習モデルを構築することを課題としてなされたものである。
【課題を解決するための手段】
【0025】
その課題を解決するために、本発明の一側面によれば、電源からの電気エネルギーをインバータまたはパワーアンプを介してモータに出力することにより、そのモータを停止または回転させるモータ駆動系のうちのモータ自体についての複数の入力変数から、前記モータ自体についての複数の状態量のうち予め選択された少なくとも1つである選択モータ状態量を少なくとも1つの出力変数として推定するシステムであって、
前記複数の入力変数であって前記インバータまたはパワーアンプの電圧関連量および前記モータの電流関連量を含むものを測定する測定部であって各入力変数を個別にダイレクトに測定する複数のモータ状態量推定用センサを有するものと、
前記モータを停止または回転させた場合に生成される前記少なくとも1つの選択モータ状態量を推定するための機械学習を行った学習済みの学習モデルに、前記複数のモータ状態量推定用センサによって測定された複数の入力変数を入力することにより、前記少なくとも1つの選択モータ状態量を、その選択モータ状態量をダイレクトに測定するセンサを用いることなく、前記少なくとも1つの出力変数として推定する推定部と
を含み、
前記複数のモータ状態量推定用センサは、前記少なくとも1つの選択モータ状態量をダイレクトに測定するセンサを含まず、
前記機械学習は、それぞれ前記モータについて予め観測された、前記インバータまたはパワーアンプの電圧関連量と、前記モータの電流関連量と、前記少なくとも1つの選択モータ状態量とであって、それぞれ個別の機械学習用センサによってダイレクトに測定されたものを用いて行われ、それにより、前記学習モデルは、前記複数のモータ状態量推定用センサによって測定された複数の入力変数が入力されると、前記少なくとも1つの選択モータ状態量を推定するように学習されており、
前記推定部は、その学習済の学習モデルを用いることにより、前記少なくとも1つの選択モータ状態量を推定するAI搭載型モータ状態量推定システムが提供される。
【0026】
このシステムは、閉じた系としてのモータにおいて、そのモータの複数の状態変数のうちの一部である複数のモータ状態量を各モータ状態量推定用センサによってダイレクトにかつ実質的にリアルタイムで測定したうえで、その測定結果と、機械学習モデルとを実質的にリアルタイムに用いることにより、同じモータについての他の状態変数(「選択モータ状態量」)を、それをダイレクトに測定するセンサを用いることなく、実質的にリアルタイムで推定すること(以下、説明の便宜上、この固有の推定法を、選択モータ状態量に着目する限りにおいて狭義のセンサレス推定とみなすことができることから、以下、「限定的センサレス推定」という。)を特徴とする。
【0027】
このシステムは、さらに、前記機械学習モデルが、モータ自体について一定の因果関係を有する3個の事前の(リアルタイムではなく)センサ観測値(教示値)、すなわち、インバータまたはパワーアンプの電圧関連量であって事前にセンサによってダイレクトに観測された値と、モータの電流関連量であって事前にセンサによってダイレクトに観測された値と、少なくとも1つの選択モータ状態量であって事前にセンサによってダイレクトに観測された値とをそれぞれ教示値として用いて機械学習されることによって構築されたものであることを特徴とする。
【0028】
このシステムは、さらに、選択モータ状態量が、モータ電流関連量のセンサ測定値およびインバータまたはパワーアンプの電圧関連量のセンサ測定値のうちのいずれかのみが考慮されて推定されるのではなく、それらセンサ測定値の双方が考慮されて推定されることを特徴とする。
【0029】
本発明によって下記の各態様が得られる。各態様は、項に区分し、各項には番号を付し、必要に応じて他の項の番号を引用する形式で記載する。これは、本発明が採用し得る技術的特徴の一部およびそれの組合せの理解を容易にするためであり、本発明が採用し得る技術的特徴およびそれの組合せが以下の態様に限定されると解釈すべきではない。すなわち、下記の態様には記載されていないが本明細書には記載されている技術的特徴を本発明の技術的特徴として適宜抽出して採用することは妨げられないと解釈すべきなのである。
【0030】
さらに、各項を他の項の番号を引用する形式で記載することが必ずしも、各項に記載の技術的特徴を他の項に記載の技術的特徴から分離させて独立させることを妨げることを意味するわけではなく、各項に記載の技術的特徴をその性質に応じて適宜独立させることが可能であると解釈すべきである。
(【0031】以降は省略されています)

この特許をJ-PlatPatで参照する

関連特許

ディエスピーテクノロジ株式会社
AI搭載型モータ状態量推定システムおよびモータモデル用機械学習方法
個人
発電機
個人
表示器
個人
微小機械
個人
微小機械
個人
交流発電機
個人
接続箱
個人
巻線機
個人
巻線機
個人
巻線機
個人
回転電機の鉄心
個人
インバータ駆動法
個人
自家発電システム
個人
連軸二重空隙電機
日本電産株式会社
モータ
株式会社ニッセイ
モータ
個人
電源供給装置
株式会社CSR
充電装置
株式会社五常
建物
日本電産株式会社
モータ
日立金属株式会社
配線部品
日立金属株式会社
配電部材
個人
太陽光発電装置
個人
モータとその制御装置
個人
磁気誘導発電機
国立大学法人信州大学
モータ
個人
回転動力機構
株式会社デンソー
モータ
エイブリック株式会社
昇圧回路
個人
誘導モータとその制御装置
個人
回転体および発電機
テンパール工業株式会社
分電盤
KYB株式会社
回転電機
個人
天軸型太陽光発電システム
日本精機株式会社
電源出力回路
テンパール工業株式会社
分電盤
続きを見る