特許ウォッチ

公開番号2025007572
公報種別公開特許公報(A)
公開日2025-01-17
出願番号2023109060
出願日2023-07-03
発明の名称モータ制御装置
出願人国立大学法人群馬大学,サンデン株式会社
代理人個人
主分類H02P 21/22 20160101AFI20250109BHJP(電力の発電,変換,配電)
要約【課題】ニューラルネットワーク構造により、直接的に最適効率となる出力信号を学習的に導出する場合に、物理的な制約を学習アルゴリズムに組み込むことで、リアルタイムでより最適な効率改善を図ることができるモータ制御装置を提供する。
【解決手段】モータ制御装置1は、モータ6を制御するものであって、入力信号を入力し、順伝搬と逆伝搬による学習を繰り返すことにより、最適効率となる出力信号を導出するニューラルネットワーク補償器11を備え、入力信号を電流波高指令値i_p ^*と電流波高値i_pとし、出力信号を電流位相指令値θ_i ^*とし、傾きΔi_p/Δθ_i ^*に基づく値を教師信号として教師信号を最小化するように入力信号から出力信号を学習的に導出する。
【選択図】図1
特許請求の範囲【請求項１】
入力信号を入力し、順伝搬と逆伝搬による学習を繰り返すことにより、モータの効率改善のための出力信号を導出するニューラルネットワーク補償器を備え、該ニューラルネットワーク補償器が導出した前記出力信号に基づき、前記モータを制御するモータ制御装置において、
前記ニューラルネットワーク補償器は、
前記入力信号を、電流波高指令値ｉ
p
*
と電流波高値ｉ
p
とし、
前記出力信号を、電流位相指令値θ
i
*
とすると共に、
傾きΔｉ
p
／Δθ
i
*
に基づく値を教師信号として、当該教師信号を最小化するように、前記入力信号から前記出力信号を学習的に導出することを特徴とするモータ制御装置。
続きを表示（約 600 文字）【請求項２】
前記傾きΔｉ
p
／Δθ
i
*
に基づく値である符号関数ｓｇｎ（Δｉ
p
／Δθ
i
*
）を前記ニューラルネットワーク補償器の教師信号とすることを特徴とする請求項１に記載のモータ制御装置。
【請求項３】
前記ニューラルネットワーク補償器は、前記入力信号として機械角速度指令値ω
*
と機械角速度推定値ωを更に入力し、前記モータの動特性改善のための補償電流値ｉ
N
を前記出力信号として更に導出することを特徴とする請求項１に記載のモータ制御装置。
【請求項４】
前記ニューラルネットワーク補償器は、入力層、中間層及び出力層を備えた単一構成のものであることを特徴とする請求項３に記載のモータ制御装置。
【請求項５】
前記モータは、永久磁石同期電動機であることを特徴とする請求項１乃至請求項４のうちの何れかに記載のモータ制御装置。
【請求項６】
前記モータを駆動制御するモータ駆動部と、
前記ニューラルネットワーク補償器の前記出力信号に基づいて前記モータ駆動部により前記モータを制御するモータ制御部と、
を備えたことを特徴とする請求項１乃至請求項４のうちの何れかに記載のモータ制御装置。

発明の詳細な説明【技術分野】
【０００１】
本発明は、ニューラルネットワーク制御を利用してモータの運転を制御するモータ制御装置に関するものである。
続きを表示（約 1,700 文字）【背景技術】
【０００２】
永久磁石埋込型（ＩＰＭ）モータ（永久磁石同期電動機）は、永久磁石を回転子内部に配置した構造で、リラクタンストルクを併用可能であり、高効率化を図りやすいため、家電機器や産業機器、自動車分野の用途などに広く用いられてきている。また、近年のＡＩ技術の発展に伴い、この種モータ制御の分野においてもその導入が検討されて来ている。
【０００３】
例えば、特許文献１ではモータの電流制御系において，ステップ状のトルク指令に対する電流のオーバーシュート量、アンダーシュート量、立ち上がり時間を報酬とした学習により、電流制御器のＰＩゲインを最適化する学習装置と学習方法を提案している。また、例えば、特許文献２ではモータの最適電流指令を学習することができる機械学習方法を提案している。この文献では、モータトルク、モータ電流、モータ電圧を報酬とした学習により、モータの電流指令値を導出している。
【０００４】
更に、例えば、特許文献３ではニューラルネットワーク手段を用いて、１次電圧と位相角を導出し、誘導機を制御する装置が提案されている。しかしながら、何れの文献に記載の構成によっても、モータの製品ばらつきや経年変化によるモータパラメータの変動に対して、応答性良く損失を最小化し、効率の低下を防止することは難しいという問題があった。
【０００５】
そこで、例えば特許文献４では、ニューラルネットワーク制御により、リアルタイムで最適効率となる出力信号を学習的に導出し、モータの総合効率（機械出力／電源入力）が最適になるように補償を行うモータ制御装置を提案していた。
【先行技術文献】
【特許文献】
【０００６】
特開２０１７－３４８４４号公報
特開２０１８－１４８３８号公報
特許第３０５４５２１号公報
特開２０２２－４２８７１号公報
【発明の概要】
【発明が解決しようとする課題】
【０００７】
しかしながら、従来のニューラルネットワーク制御による補償では、学習方法が場当たり的にデータを与えて学習させるものであったため、制御装置と外部環境要因に応じた最適値からずれてしまう。即ち、モータの製造バラツキや経年変化等でパラメータが変化してしまった場合、損失が最小となるような運転点で動作できず、総合効率（機械出力／電源入力）が低下してしまう。
【０００８】
また、安価でバラツキの大きな部品を採用した場合も、損失が最小となるような運転点で動作できず、やはり総合効率が低下してしまう。それにより、電流が増加して熱が増えるため、素子の寿命が低下する。また、インバータの故障を防ぐために運転時間が短くなる問題があった。
【０００９】
本発明は、係る従来の技術的課題を解決するために成されたものであり、ニューラルネットワーク構造により、直接的に最適効率となる出力信号を学習的に導出する場合に、物理的な制約を学習アルゴリズムに組み込むことで、リアルタイムでより最適な効率改善を図ることができるモータ制御装置を提供することを目的とする。
【課題を解決するための手段】
【００１０】
本発明のモータ制御装置は、入力信号を入力し、順伝搬と逆伝搬による学習を繰り返すことにより、モータの効率改善のための出力信号を導出するニューラルネットワーク補償器を備え、このニューラルネットワーク補償器が導出した出力信号に基づき、モータを制御するものであって、ニューラルネットワーク補償器は、入力信号を、電流波高指令値ｉ
p
*
と電流波高値ｉ
p
とし、出力信号を、電流位相指令値θ
i
*
とすると共に、傾きΔｉ
p
／Δθ
i
*
に基づく値を教師信号として、当該教師信号を最小化するように、入力信号から出力信号を学習的に導出することを特徴とする。
（【００１１】以降は省略されています）

関連特許