DE102016011527B4

DE102016011527B4 - Maschinenlernvorrichtung und Verfahren zum Lernen einer Anordungsposition eines Magneten in einem Rotor und Rotordesignvorrichtung, die die Maschinenlernvorrichtung umfasst

Info

Publication number: DE102016011527B4
Application number: DE102016011527.0A
Authority: DE
Inventors: Yoshinori Murakami
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2015-09-30
Filing date: 2016-09-23
Publication date: 2023-07-27
Anticipated expiration: 2036-09-24
Also published as: CN106557605B; JP2017070100A; DE102016011527A1; CN106557605A; US10103611B2; US20170093256A1; JP6088613B1

Abstract

Maschinenlernvorrichtung (1), die einen Zustand lernt, der mit einer Anordnungsposition eines Magneten auf einem Kern einer Motorrotors assoziiert ist, wobei die Maschinenlernvorrichtung (1) umfasst:eine Statusbeobachtungseinheit (11), die eingerichtet ist, um eine Statusvariable zu beobachten, die aus Daten, die sich auf Anordnungspositionen einer Mehrzahl von auf dem Kern angeordneten Magneten beziehen, Daten, die sich auf eine Größenordnung eines Rastmoments beziehen, das erzeugt wird, wenn die Mehrzahl von Magneten in den jeweiligen Anordnungspositionen angeordnet sind, und Daten, die sich auf eine Magnetflussdichte jedes der Magneten beziehen, zusammengesetzt ist; undeine Lerneinheit (12), die eingerichtet ist, um den Zustand, der mit Anordnungspositionen der Magnete auf dem Kern assoziiert ist, gemäß einem Schulungsdatensatz zu lernen, der durch die Statusvariable gebildet wird.

Description

Hintergrund der Erfindung
1. Gebiet der Erfindung
Die vorliegende Erfindung bezieht sich auf eine Maschinenlernvorrichtung und ein Verfahren zum Lernen einer Anordnungsposition eines Magneten in einem Motorrotor und auf eine Rotordesignvorrichtung, die die Maschinenlernvorrichtung umfasst.
2. Beschreibung des verwandten Standes der Technik
11 ist eine schematische Ansicht, die die Zusammenfügung eines Rotors eines allgemeinen Synchronmotors erläutert. Wie beispielsweise in der JP 2010-233 325 A beschrieben, ist ein Rotor 100 eines Synchronmotors derart ausgebildet, dass eine Mehrzahl von Magneten 102 auf einer Umfangsfläche eines Kerns 101 angeordnet ist.
Da jeder der auf dem Kern angeordneten Magneten, die den Rotor bilden, eine schwankende Magnetflussdichte aufweist, variiert ein Rastmoment je nachdem, wie die Magnete auf dem Kern angeordnet sind (Anordnungsposition). Anders ausgedrückt kann der ruhige Vorschublauf des zusammengefügten Rotors (Rastmoment) sich manchmal abhängig von den Anordnungspositionen des Magneten verschlechtern.
Für gewöhnlich gibt es ein Verfahren zum Optimieren des ruhigen Vorschublaufs durch Hinzufügen einer Komponente zum Einstellen der Magnetflussdichte jedes einzelnen Magneten, wenn eine Schwankung der Magnetflussdichte jedes einzelnen Magneten während des Zusammenfügens eines Rotors berücksichtigt wird, wie in der JP 2010-233 325 A . Es liegt jedoch dahingehend ein Problem vor, dass sich durch die Hinzufügung der Komponente die Kosten erhöhen und Zeit für deren Einstellung erforderlich ist.
Des Weiteren kann die Beziehung zwischen Rastmoment (ruhiger Vorschublauf) und Anordnungsbeziehungen von Magneten mit im Handel erhältlicher Analysesoftware simuliert werden. Beispielweise wenn jedoch n Magnetstücke (wobei n eine natürliche Zahl ist) auf einem Kern angeordnet sind, sind "n! (d. h. Fakultät von n) Ordnungen der Anordnung der Magneten vorhanden. Es ist unrealistisch und praktisch schwierig, die Magnetflussdichte jedes der n Magnetstücke zu messen und danach eine Simulationsanalyse der Größenordnung eines Rastmoments für alle „n!“-Anordnungsmuster der Magnete durchzuführen, um die Anordnungspositionen der Magnete zu bestimmen, deren Größenordnung des Rastmoments minimiert wird (der ruhige Vorschublauf des Rotors wird optimiert).
Die Druckschrift US 2011/0 192 018 A1 offenbart ein Verfahren, das zur Verringerung des Rastmoments eines Motors einen Zustand verwendet, der mit einer Anordnungsposition eines Magneten auf einem Kern eines Motorrotors assoziiert ist. Das Verfahren umfasst einen Statusbeobachtungsschritt, der eine Statusvariable beobachtet, die aus Daten, die sich auf Anordnungspositionen einer Mehrzahl von auf dem Kern angeordneten Magneten beziehen, und Daten, die sich auf eine Größenordnung eines Rastmoments beziehen, das erzeugt wird, wenn die Mehrzahl von Magneten in den jeweiligen Anordnungspositionen angeordnet sind, zusammengesetzt ist.
Die Druckschrift US 2012/0 119 506 A1 offenbart ein Verfahren zum Anordnen von Magneten eines Rotors/Stators einer Elektromaschine, das Magnete in Gruppen unterteilt und Leistungsparameter der Elektromaschine gegen Variablen der jeweiligen Gruppe abgleicht, um eine optimale Anordnung der Gruppen zu erlangen.
KURZDARSTELLUNG DER ERFINDUNG
Ein Ziel der vorliegenden Erfindung liegt in der Bereitstellung einer Maschinenlernvorrichtung und eines Verfahrens, das in der Lage ist, optimale Anordnungspositionen von Magneten auf einem Kern eines Motorrotors auf einfache Weise zu bestimmen, und einer Rotordesignvorrichtung, die die Maschinenlernvorrichtung umfasst, angesichts der oben beschriebenen Probleme.
Gemäß der Erfindung werden eine Maschinenlernvorrichtung, eine Rotordesignvorrichtung und ein Maschinenlernverfahren gemäß den unabhängigen Ansprüchen bereitgestellt. Entwicklungen sind in den abhängigen Ansprüchen definiert.
Die Maschinenlernvorrichtung, die einen Zustand lernt, der mit den Anordnungspositionen der Magnete auf dem Kern des Motorrotors assoziiert ist, umfasst vorzugsweise: eine Statusbeobachtungseinheit, die eine Statusvariable beobachtet, die aus Daten, die sich auf Anordnungspositionen einer Mehrzahl der auf dem Kern angeordneten Magnete beziehen, Daten, die sich auf eine Größenordnung eines Rastmoments beziehen, das erzeugt wird, wenn die Mehrzahl von Magneten in den jeweiligen Anordnungspositionen angeordnet ist, und Daten, die sich auf die Magnetflussdichte jedes der Magneten beziehen, zusammengesetzt ist; und eine Lerneinheit, die den Zustand, der mit den Anordnungspositionen der Magnete auf dem Kern assoziiert ist, gemäß einem Schulungsdatensatz lernt, der durch die Statusvariable gebildet ist.
Die Lerneinheit umfasst vorzugsweise: eine Belohnungsberechnungseinheit, die eine Belohnung auf Basis der Größenordnung des Rastmoments berechnet, das erzeugt wird, wenn die Mehrzahl von Magneten in gewissen Anordnungspositionen auf dem Kern angeordnet ist; und eine Funktionsaktualisierungseinheit, die eine Funktion zum Berechnen der Anordnungspositionen der Magneten auf dem Kern auf Basis der Statusvariable und der Belohnung aktualisiert.
Die Belohnungsberechnungseinheit ist vorzugsweise so konfiguriert, dass sie die Belohnung erhöht, wenn die Größenordnung des Rastmoments, das erzeugt wird, wenn die Mehrzahl von Magneten in gewissen Anordnungspositionen auf dem Kern angeordnet ist, kleiner als die Größenordnung des Rastmoments ist, das von der Statusbeobachtungseinheit beobachtet wurde, bevor der Größenordnung des aktuellen Rastmoments, und dass sie die Belohnung verringert, wenn sie größer ist.
Des Weiteren ist die Belohnungsberechnungseinheit vorzugsweise so konfiguriert, dass sie die Belohnung erhöht, wenn die Größenordnung des Rastmoments, das erzeugt wird, wenn die Mehrzahl von Magneten in gewissen Anordnungspositionen auf dem Kern angeordnet ist, innerhalb eines angegebenen Bereichs liegt, und dass sie die Belohnung verringert, wenn die Größenordnung außerhalb des angegebenen Bereichs liegt.
Des Weiteren ist die Funktionsaktualisierungseinheit vorzugsweise so konfiguriert, dass sie die Funktion zum Berechnen der Anordnungspositionen der Magnete auf dem Kern auf Basis der Statusvariable und der Belohnung und gemäß einem Modell eines neuronalen Netzes aktualisiert.
Des Weiteren ist die Lerneinheit vorzugsweise so konfiguriert, dass sie den obigen Zustand gemäß dem Schulungsdatensatz lernt, der in Bezug auf eine Mehrzahl von Rotoren erstellt wird.
Die Rotordesignvorrichtung, die die oben beschriebene Maschinenlernvorrichtung umfasst, umfasst vorzugsweise des Weiteren: eine Eingabeeinheit, in die Daten eingegeben werden, die sich auf die Magnetflussdichte jedes Magneten beziehen; eine Rastmomentberechnungseinheit, die eine Größenordnung eines Rastmoments berechnet, das erzeugt wird, wenn eine Mehrzahl von Magneten in Anordnungspositionen auf einem Kern angeordnet ist, auf Basis der über die Eingabeeinheit eingegebenen Daten, die sich auf die Magnetflussdichte jedes Magneten beziehen; eine Entscheidungseinheit, die die Anordnungspositionen der Magnete auf dem Kern auf Basis eines Ergebnisses bestimmt, das von der Lerneinheit gemäß dem Schulungsdatensatz und in Reaktion auf eine Eingabe einer aktuelles Statusvariable gelernt wird; und eine Benachrichtigungseinheit, die die Anordnungspositionen der Magnete, die von der Entscheidungseinheit bestimmt werden, bekanntgibt.
Des Weiteren ist die Rotordesignvorrichtung vorzugsweise so konfiguriert, dass sie eine Datenspeichereinheit umfasst, die Daten speichert, die sich auf die Magnetflussdichten der vorrätigen Magnete beziehen, die mehr als die Anzahl der Magnete ist, die zum Zusammenfügen eines gewissen Rotors verwendet werden; die Entscheidungseinheit ist vorzugsweise so konfiguriert, dass sie eine Kombination und Anordnungspositionen von Magneten bestimmt, die bei der Konfiguration jedes Rotors verwendet werden, dessen Größenordnung eines Rastmoments, das durch die auf dem Kern angeordneten Magneten erzeugt wird, aus unter den vorrätigen Magneten, für jeden Rotor minimiert wird, auf Basis eines Ergebnisses, das von der Lerneinheit gemäß dem Schulungsdatensatz gelernt wird, die die Daten umfassen, die sich auf die Magnetflussdichten der vorrätigen Magnete beziehen, die in der Datenspeichereinheit gespeichert sind; und die Benachrichtigungseinheit ist vorzugsweise so konfiguriert, dass sie die Kombination und die Anordnungspositionen der Magnete, die von der Entscheidungseinheit bestimmt wurden, bekanntgibt.
Das Maschinenlernverfahren zum Lernen eines Zustands, der mit Anordnungspositionen von Magneten auf einem Kern eines Motorrotors assoziiert ist, umfasst vorzugsweise: einen Statusbeobachtungsschritt, der eine Statusvariable beobachtet, die aus Daten, die sich auf Anordnungspositionen einer Mehrzahl von auf dem Kern angeordneten Magneten beziehen, Daten, die sich auf eine Größenordnung eines Rastmoments beziehen, das erzeugt wird, wenn die Mehrzahl von Magneten in den jeweiligen Anordnungspositionen angeordnet ist, und Daten, die sich auf die Magnetflussdichte jedes Magneten beziehen, zusammengesetzt ist; und einen Lernschritt, der den Zustand, der mit den Anordnungspositionen der Magnete auf dem Kern assoziiert ist, gemäß einem Schulungsdatensatz lernt, der durch die Statusvariable gebildet ist.
Figurenliste
Die vorliegende Erfindung ist unter Bezugnahme auf die folgenden beiliegenden Zeichnungen deutlicher zu verstehen:

1 ist ein Prinzipblockschaubild einer Maschinenlernvorrichtung gemäß einer Ausführungsform;
2 ist eine Ansicht, die eine Magnetflussdichte eines Magneten veranschaulicht;
3 ist ein Ablaufplan, der einen Betriebsgrundsatz eines Maschinenlernverfahrens gemäß einer Ausführungsform veranschaulicht;
4 ist ein Prinzipblockschaubild einer Maschinenlernvorrichtung unter Verwendung von Verstärkungslernen gemäß einer Ausführungsform;
5 ist ein Ablaufplan, der einen Betriebsgrundsatz eines Maschinenlernverfahrens unter Verwendung von Verstärkungslernen gemäß einer Ausführungsform veranschaulicht;
6 ist ein Grundsatzblockschaubild, das eine Rotordesignvorrichtung, die die Maschinenlernvorrichtung umfasst, gemäß einer Ausführungsform veranschaulicht;
7 ist ein Ablaufplan, der einen Betriebsablauf der Rotordesignvorrichtung, die die Maschinenlernvorrichtung umfasst, gemäß der Ausführungsform veranschaulicht;
8 ist ein Grundsatzblockschaubild, das eine Rotordesignvorrichtung, die die Maschinenlernvorrichtung umfasst, gemäß einer Modifikation der Ausführungsform veranschaulicht;
9 ist ein schematisches Schaubild, das ein Modell eines Neurons veranschaulicht;
10 ist ein schematisches Schaubild, das ein neuronales Netz mit Gewichten von drei Schichten D1 bis D3 veranschaulicht; und
11 ist eine schematische Ansicht, die die Zusammenfügung eines Rotors eines allgemeinen Synchronmotors erläutert.

Ausführliche Beschreibung
Eine Maschinenlernvorrichtung und ein Verfahren, das eine Anordnungsposition eines Magneten auf einem Rotor lernt, und eine Rotordesignvorrichtung, die die Maschinenlernvorrichtung umfasst, werden unter Bezugnahme auf die Zeichnungen beschrieben. Es sei jedoch verstanden, dass die vorliegende Erfindung nicht auf die nachstehend beschriebenen Zeichnungen oder Ausführungsformen beschränkt ist.
1 ist ein Prinzipblockschaubild einer Maschinenlernvorrichtung gemäß einer Ausführungsform. Im Folgenden wird verstanden, dass Komponenten, denen identische Bezugszeichen in unterschiedlichen Zeichnungen zugewiesen sind, jene mit identischen Funktionen sind.
Ein Rotor eines Synchronmotors ist derart ausgebildet, dass eine Mehrzahl von Magneten auf einem Kern angeordnet ist, und die Maschinenlernvorrichtung 1 gemäß der Ausführungsform ist so konfiguriert, dass sie Anordnungspositionen der Magnete auf dem Kern des Rotors des Motors lernt. Die vorliegende Erfindung ist auf einen beliebigen Motor (Synchronmotor) anwendbar, bei dem Magnete mit dem Rotor verwendet werden, und auch auf einen Motor mit Anbringung an der Oberfläche (SPM), bei dem Magnete an der Rotoroberfläche angebracht sind, und einen Motor vom verborgenen Typ (IMP), bei dem die Magnete im Rotor verborgen sind.
Die Maschinenlernvorrichtung 1 umfasst eine Statusbeobachtungseinheit 11 und eine Lerneinheit 12.
Die Statusbeobachtungseinheit 11, die eine Statusvariable beobachtet, die aus Daten, die sich auf Anordnungspositionen einer Mehrzahl von auf einem Kern angeordneten Magneten beziehen, Daten, die sich auf eine Größenordnung eines Rastmoments beziehen, das erzeugt wird, wenn die Mehrzahl von Magneten in den Anordnungspositionen angeordnet sind, und Daten, die sich auf eine Magnetflussdichte jedes der Magneten beziehen, zusammengesetzt ist.
Wenn eine Mehrzahl von Magneten auf einem Kern angeordnet ist, gibt es eine Mehrzahl von Mustern in der Ordnung der Anordnung der Magnete und die Größenordnung eines Rastmoments für jedes Muster wird von einem Computer unter Verwendung von hinlänglich bekannter Analysesoftware berechnet. Des Weiteren ist 2 eine Ansicht, die eine Magnetflussdichte von Magneten veranschaulicht. Es gibt eine Schwankung der Magnetflussdichte für die einzelnen Magnete, die auf einem Kern angeordnet sind, die einen Rotor bilden, und bei der vorliegenden Ausführungsform wird die Magnetflussdichte für jeden Magneten vorab gemessen und in Assoziation mit einer Kennnummer (im veranschaulichten Beispiel M1 bis M5) in Datenbanken erfasst.
Die Lerneinheit 12 lernt eine Anordnungsposition der Magnete auf dem Kern gemäß einem Schulungsdatensatz, der durch eine Statusvariable gebildet wird. Des Weiteren kann ein Schulungsdatensatz für den Fall erfasst werden, dass eine Mehrzahl von Rotoren vorliegt; in einem solchen Fall lernt die Lerneinheit 12 die Anordnungspositionen der Magnete auf dem Kern gemäß dem Schulungsdatensatz, der für die Mehrzahl von Rotoren erstellt wird. Die Lerneinheit 12 kann im Übrigen die Anordnungspositionen der Magnete auf dem Kern auf Basis eines Ergebnisses lernen, das von einer Lerneinheit in einer Maschinenlernvorrichtung gelernt wird, die von der Maschinenlernvorrichtung 1 getrennt ist, die mit der Lerneinheit 12 bereitgestellt ist.
3 ist ein Ablaufplan, der einen Betriebsgrundsatz des Maschinenlernverfahrens gemäß der Ausführungsform veranschaulicht. Das Maschinenlernverfahren zum Lernen eines Zustands, der mit den Anordnungspositionen der Magneten auf dem Rotor des Motors assoziiert ist, umfasst einen Statusbeobachtungsschritt S101 und einen Lernschritt S102.
Der Statusbeobachtungsschritt S101 wird von der Statusbeobachtungseinheit 11 durchgeführt, und d. h., sie beobachtet eine Statusvariable, die aus Daten, die sich auf Anordnungspositionen einer Mehrzahl von auf einem Kern angeordneten Magneten beziehen, Daten, die sich auf eine Größenordnung eines Rastmoments beziehen, das erzeugt wird, wenn die Mehrzahl von Magneten in den Anordnungspositionen angeordnet sind, und Daten, die sich auf eine Magnetflussdichte jedes der Magneten beziehen, zusammengesetzt ist.
Der Lernschritt S102 wird von der Lerneinheit 12 durchgeführt und d. h., dass sie die Anordnungspositionen der Magnete auf dem Kern assoziiert ist, gemäß einem Schulungsdatensatz lernt, der durch die Statusvariable gebildet wird.
Die Maschinenlernvorrichtung 1 kann einen beliebigen Lernalgorithmus verwenden. Die Maschinenlernvorrichtung 1 verfügt über Funktionen zum analytischen Extrahieren einer nützlichen Regel, einer Wissensrepräsentation, eines Beurteilungskriteriums oder dergleichen, das darin umfasst ist, zum Ausgeben eines Ergebnisses der Beurteilung und zum Durchführen des Lernens des Lernens von Wissens aus einem Satz von in die Vorrichtung eingegebenen Daten. Die Technik ist vielfältig und wird breit als „überwachtes Lernen“, „unüberwachtes Lernen“ oder „Verstärkungslernen“ klassifiziert. Des Weiteren gibt es eine Technik, die als „tiefes Lernen“ bezeichnet wird, die eine Extraktion eines Merkmalswerts lernt, um diese Techniken umzusetzen. Im Folgenden wird ein Fall, bei dem ein Verstärkungslernen verwendet wird, unter Bezugnahme auf die 4 und 5 beispielhaft beschrieben. Im Folgenden werden „überwachtes Lernen“ und „nichtüberwachtes Lernen“ beschrieben.
4 ist ein Prinzipblockschaubild der Maschinenlernvorrichtung unter Verwendung von Verstärkungslernen gemäß der Ausführungsform. Die Lerneinheit 12 umfasst eine Belohnungsberechnungseinheit 21 und eine Funktionsaktualisierungseinheit 22. Außerdem sind Komponenten, bei denen es sich nicht um die Belohnungsberechnungseinheit 21 und die Funktionsaktualisierungseinheit 22 handelt, den in 1 veranschaulichten Komponenten ähnlich; aus diesem Grund sind identischen Komponenten identische Bezugszeichen zugewiesen und wird auf eine ausführliche Beschreibung dieser verzichtet.
Die Belohnungsberechnungseinheit 21 berechnet eine Belohnung auf Basis einer Größenordnung eines Rastmoments, das erzeugt wird, wenn die Mehrzahl von Magneten in gewissen Anordnungspositionen auf dem Kern angeordnet ist. Anders ausgedrückt ist die Belohnung, die die Belohnungsberechnungseinheit 21 bereitstellt, umso größer, desto kleiner die Größenordnung des Rastmoments ist, wobei anerkannt wird, dass die Anordnungspositionen der Magnete auf dem Kern einen günstigeren Einfluss haben. Die Belohnungsberechnungseinheit 21 beispielsweise kann so konfiguriert sein, dass sie die Belohnung erhöht, wenn die Größenordnung des Rastmoments, das erzeugt wird, wenn die Mehrzahl von Magneten in gewissen Anordnungspositionen auf dem Kern angeordnet ist, kleiner als die Größenordnung des Rastmoments ist, das von der Statusbeobachtungseinheit 11 beobachtet wurde, bevor der Größenordnung des aktuellen Rastmoments, und dass sie die Belohnung verringert, wenn sie größer ist. Des Weiteren kann die Belohnungsberechnungseinheit 21 beispielsweise so konfiguriert sein, dass sie die Belohnung erhöht, wenn die Größenordnung des Rastmoments, das erzeugt wird, wenn die Mehrzahl von Magneten in gewissen Anordnungspositionen auf dem Kern angeordnet ist, innerhalb eines angegebenen Bereichs liegt, und dass sie die Belohnung verringert, wenn die Größenordnung außerhalb des angegebenen Bereichs liegt.
Die Funktionsaktualisierungseinheit 22 aktualisiert eine Funktion (Aktionswerttabelle) zum Berechnen der Anordnungspositionen der Magnet auf dem Kern auf Basis der Statusvariable, die von der Statusbeobachtungseinheit 11 beobachtet wird, und der Belohnung, die von der Belohnungsberechnungseinheit 21 berechnet wird. Ein Verfahren zum Aktualisieren der Funktion (Aktionswerttabelle) wird nachstehend beschrieben.
Die Lerneinheit 12 kann die Statusvariable, die von der Statusbeobachtungseinheit 11 beobachtet wird, in einer mehrschichtigen Struktur berechnen und die Funktion (Aktionswerttabelle) in Echtzeit aktualisieren. Beispielsweise kann die Funktionsaktualisierungseinheit 22 so konfiguriert sein, dass sie die Funktion zum Berechnen der Anordnungspositionen der Magnete auf dem Kern auf Basis der Statusvariable, die von der Statusbeobachtungseinheit 11 beobachtet wird, und der Belohnung, die von der Belohnungsberechnungseinheit 21 berechnet wird, und gemäß einem Modell eines neuronalen Netzes aktualisiert. Als Verfahren zum Berechnen der Statusvariable in einer mehrschichtigen Struktur ist es z. B. möglich, ein mehrschichtiges neuronales Netz zu verwenden, wie hier nachstehend in 10 veranschaulicht.
5 ist ein Ablaufplan, der einen Betriebsgrundsatz des Maschinenlernverfahrens unter Verwendung von Verstärkungslernen gemäß einer Ausführungsform veranschaulicht.
Zunächst beobachtet die Statusbeobachtungseinheit 11 im Statusbeobachtungsschritt S101 eine Statusvariable, die aus Daten, die sich auf die Anordnungspositionen der Mehrzahl von auf dem Kern angeordneten Magneten beziehen, Daten, die sich auf die Größenordnung eines Rastmoments beziehen, das erzeugt wird, wenn die Mehrzahl von Magneten in den Anordnungspositionen angeordnet sind, und Daten, die sich auf die Magnetflussdichte jedes der Magneten beziehen, zusammengesetzt ist.
Danach berechnet die Belohnungsberechnungseinheit 21 im Belohnungsberechnungsschritt S102-1 eine Belohnung auf Basis der Größenordnung eines Rastmoments, das erzeugt wird, wenn die Mehrzahl von Magneten in gewissen Anordnungspositionen auf dem Kern angeordnet sind.
Danach aktualisiert die Funktionsaktualisierungseinheit 22 im Funktionsaktualisierungsschritt S102-2 die Funktion (Aktionswerttabelle) zum Berechnen der Anordnungspositionen der Magnet auf dem Kern auf Basis der Statusvariable, die von der Statusbeobachtungseinheit 11 beobachtet wird, und der Belohnung, die von der Belohnungsberechnungseinheit 21 berechnet wird.
Im Folgenden wird eine Rotordesignvorrichtung beschrieben, die die oben beschriebene Maschinenlernvorrichtung umfasst.
6 ist ein Grundsatzblockschaubild, das die Rotordesignvorrichtung, die die Maschinenlernvorrichtung umfasst, gemäß einer Ausführungsform veranschaulicht.
Die Rotordesignvorrichtung 100 gemäß der vorliegenden Ausführungsform umfasst die oben beschriebene Maschinenlernvorrichtung 1, eine Entscheidungseinheit 13, eine Eingabeeinheit 14, eine Rastmomentberechnungseinheit 15 und eine Benachrichtigungseinheit 16.
Die Eingabeeinheit 14 ist eine, über die Daten eingegeben werden, die sich auf die gemessene Magnetflussdichte jedes Magneten beziehen, und kann z. B. eine Tastatur, eine Maus, ein Touchfeld und so weiter umfassen, die Zubehör eines Computers (nicht veranschaulicht) sind. Des Weiteren kann die Eingabeeinheit 14 alternativ eine sein, über die Daten, die von einer Messvorrichtung (nicht veranschaulicht) ausgegeben werden, die die Magnetflussdichte des Magneten misst, direkt über kabelgebundene oder drahtlose Kommunikation eingegeben werden. Die eingegebenen Daten, die sich auf die Magnetflussdichte beziehen, werden in einer Speichereinrichtung (nicht veranschaulicht) in Assoziation mit der Kennnummer jedes Magneten gespeichert und für die Verarbeitung in einer darauf folgenden Rastmomentberechnungseinheit 15 verwendet.
Die Rastmomentberechnungseinheit 15 berechnet die Größenordnung des Rastmoments, das erzeugt wird, wenn die Mehrzahl von Magneten in gewissen Anordnungspositionen auf dem Kern angeordnet sind, auf Basis der über die Eingabeeinheit 14 eingegebenen Daten, die sich auf die Magnetflussdichte jedes Magneten beziehen. Die Daten, die sich auf die Größenordnung des Rastmoments für jede Anordnungsposition beziehen, die von der Rastmomentberechnungseinheit 15 berechnet wird, werden in die Statusbeobachtungseinheit 11 in der Maschinenlernvorrichtung 1 eingegeben. Je stärker die Schwankung der Anordnungsposition des Magneten ist, dessen Größenordnung des Rastmoments berechnet wird, desto besser ist die Genauigkeit des Lernergebnisses. Beispielsweise wenn die Anzahl der Magnete n ist (wobei n eine natürliche Zahl ist), sind "n! (d. h. Fakultät von n) Anordnungspositionsmuster der (Ordnungen der Anordnungen) vorhanden.
Die Maschinenlernvorrichtung 1 in der Rotordesignvorrichtung 100 umfasst die Statusbeobachtungseinheit 11 und die Lerneinheit 12, wie oben beschrieben.
Die Statusbeobachtungsschritt 11 beobachtet eine Statusvariable, die aus Daten, die sich auf Anordnungspositionen der Mehrzahl von auf dem Kern angeordneten Magneten beziehen, die von der Rastmomentberechnungseinheit 15 eingegeben werden, Daten, die sich auf die Größenordnung eines Rastmoments beziehen, das erzeugt wird, wenn die Mehrzahl von Magneten in den jeweiligen Anordnungspositionen angeordnet sind, und Daten, die sich auf die Magnetflussdichte jedes Magneten beziehen, die von der Eingabeeinheit 14 eingegeben werden, zusammengesetzt ist.
Die Belohnungsberechnungseinheit 21 in der Lerneinheit 12 berechnet eine Belohnung auf Basis der Größenordnung eines Rastmoments, das erzeugt wird, wenn die Mehrzahl von Magneten in gewissen Anordnungspositionen auf dem Kern angeordnet ist. Die Belohnungsberechnungseinheit 21 beispielsweise erhöht die Belohnung, wenn die Größenordnung des Rastmoments, das erzeugt wird, wenn die Mehrzahl von Magneten in gewissen Anordnungspositionen auf dem Kern angeordnet ist, kleiner als die Größenordnung des Rastmoments ist, das von der Statusbeobachtungseinheit 11 beobachtet wurde, bevor der Größenordnung des aktuellen Rastmoments, und verringert die Belohnung, wenn sie größer ist. Des Weiteren die Belohnungsberechnungseinheit 21 erhöht die Belohnung, wenn die Größenordnung eines Rastmoments, das erzeugt wird, wenn die Mehrzahl von Magneten in gewissen Anordnungspositionen auf dem Kern angeordnet ist, innerhalb eines angegebenen Bereichs liegt, und verringert die Belohnung, wenn die Größenordnung außerhalb des angegebenen Bereichs liegt.
Die Funktionsaktualisierungseinheit 22 in der Lerneinheit 12 aktualisiert eine Funktion (Aktionswerttabelle) zum Berechnen der Anordnungsposition des Magneten auf dem Kern auf Basis der Statusvariable, die von der Statusbeobachtungseinheit 11 beobachtet wird, und der Belohnung, die von der Belohnungsberechnungseinheit 21 berechnet wird.
Die Entscheidungseinheit 13 bestimmt die Anordnungspositionen der Magneten auf dem Kern auf Basis eines Ergebnisses, das von der Lerneinheit 12 gelernt wurde, gemäß einem Schulungsdatensatz und in Reaktion auf eine Eingabe einer aktuellen Statusvariablen. Bei der vorliegenden Ausführungsform aktualisiert, da ein Verstärkungslernen beispielhaft als Lernalgorithmus verwendet wird, die Funktionsaktualisierungseinheit 22 in der Lerneinheit 12 die Funktion zum Berechnen der Anordnungspositionen der Magneten auf dem Kern auf Basis der Belohnung, die von der Belohnungsberechnungseinheit 21 in der Lerneinheit 12 berechnet wurde, und wählt die Entscheidungseinheit 13 die Anordnungspositionen des Magneten, für den die höchste Belohnung erhalten wird, auf Basis der aktualisierten Funktion aus.
Die Benachrichtigungseinheit 16 benachrichtigt den Benutzer über die Anordnungspositionen der Magnete die von der Entscheidungseinheit 13 bestimmt werden, für die die höchste Belohnung erhalten wird. Die Benachrichtigungseinheit 16 kann z. B. eine Anzeige auf einem Computer, ein tragbares Endgerät oder ein Touchfeld oder dergleichen sein und in diesem Fall wird die bestimmte Anordnungsposition in einem Zeichenformat dargestellt, das die Kennnummern der Magnete auflistet, oder in einem Zeichnungsformat. Alternativ kann die Benachrichtigungseinheit 16 durch eine Audioeinrichtung umgesetzt sein, die Ton ausgibt, wie z. B. einen Lautsprecher, einen Buzzer oder eine Glocke, und in diesem Fall benachrichtigt sie den Benutzer über die bestimmte Anordnungsposition mit einem Ton, der die Kennnummer des Magneten darstellt, oder eine Anzahl von Malen, die der Buzzer oder die Glocke einen Ton ausgibt. Weiter alternativ kann die Benachrichtigungseinheit 16 eine Form annahmen, bei der etwas, das von einem Drucker auf eine Papieroberfläche oder dergleichen gedruckt wird, einem Benutzer bekanntgegeben wird. Weiter alternativ kann die Benachrichtigungseinheit durch Kombinieren dieser nach Bedarf umgesetzt werden.
7 ist ein Ablaufplan, der einen Betriebsablauf der Rotordesignvorrichtung, die die Maschinenlernvorrichtung umfasst, gemäß einer Ausführungsform veranschaulicht.
Im Allgemeinen wird der Ausgangswert einer Aktion beim Verstärkungslernen willkürlich ausgewählt. Bei der vorliegenden Ausführungsform wird in Schritt S201 die Anordnungsposition (Anordnungsordnung) des Magneten auf dem Kern, die Aktion ist, willkürlich ausgewählt.
Die Rastmomentberechnungseinheit 15 berechnet in Schritt S202 die Größenordnung eines Rastmoments, das erzeugt wird, wenn die Mehrzahl von Magneten auf dem Kern angeordnet sind, auf Basis von über die Eingabeeinheit 14 eingegebenen Daten, die sich auf die Magnetflussdichte jedes Magneten beziehen.
Die Statusbeobachtungsschritt 11 beobachtet in Schritt S203 eine Statusvariable, die aus Daten, die sich auf den Anordnungspositionen der Mehrzahl von auf dem Kern angeordneten Magneten beziehen, die von der Rastmomentberechnungseinheit 15 eingegeben werden, Daten, die sich auf die Größenordnung eines Rastmoments beziehen, das erzeugt wird, wenn die Mehrzahl von Magneten in den jeweiligen Anordnungspositionen angeordnet sind, und Daten, die sich auf die Magnetflussdichte jedes Magneten beziehen, die von der Eingabeeinheit 14 eingegeben werden, zusammengesetzt ist.
Die Statusbeobachtungseinheit 11 bestimmt in Schritt S204, ob die Größenordnung des Rastmoments, das erzeugt wird, wenn die Mehrzahl von Magneten in gewissen Anordnungspositionen auf dem Kern angeordnet ist, innerhalb eines angegebenen Bereichs liegt. Wenn die Statusbeobachtungseinheit 11 bestimmt, dass die Größenordnung des Rastmoments, das erzeugt wird, wenn die Mehrzahl von Magneten in gewissen Anordnungspositionen auf dem Kern angeordnet sind, innerhalb des angegebenen Bereichs liegt, erhöht die Belohnungsberechnungseinheit 21 die Belohnung in Schritt S205. Wenn die Statusbeobachtungseinheit 11 hingegen bestimmt, dass die Größenordnung des Rastmoments außerhalb des angegebenen Bereichs liegt, verringert die Belohnungsberechnungseinheit 21 die Belohnung in Schritt S206. Der angegebene Bereich kann vom Benutzer nach Bedarf eingestellt werden, wobei diverse Faktoren wie z. B. die Herstellungskosten des Rotors, die Einsatzumgebung oder dergleichen berücksichtigt werden. Auch wenn in den in 7 veranschaulichten Beispiel die Konfiguration derart ist, dass die Belohnungsberechnungseinheit 21 die Belohnung erhöht, wenn die Größenordnung des Rastmoments, das erzeugt wird, wenn die Mehrzahl von Magneten in gewissen Anordnungspositionen auf dem Kern angeordnet sind, innerhalb des angegebenen Bereichs liegt, und die Belohnung verringert, wenn die Größenordnung außerhalb des angegebenen Bereichs liegt, kann die Konfiguration alternativ eine solche sein, dass die Belohnungsberechnungseinheit 21 die Belohnung erhöht, wenn die Größenordnung eines Rastmoments, das erzeugt wird, wenn die Mehrzahl von Magneten in gewissen Anordnungspositionen auf dem Kern angeordnet ist, kleiner als die Größenordnung des Rastmoments ist, von der der Statusbeobachtungseinheit 11 beobachtet wird, vor der Größenordnung des aktuellen Rastmoments, und sie die Belohnung verringert, wenn diese größer ist.
In Schritt S207 aktualisiert die Funktionsaktualisierungseinheit 22 die Funktion zum Berechnen der Anordnungspositionen der Magnet auf dem Kern auf Basis der Statusvariable, die von der Statusbeobachtungseinheit 11 beobachtet wird, und der Belohnung, die von der Belohnungsberechnungseinheit 21 berechnet wird.
In Schritt S208 bestimmt die Entscheidungseinheit 13, ob ein Bestimmungsbefehl zum Anweisen einer Bestimmung der Anordnungspositionen der Magnete empfangen wurde. Der Bestimmungsbefehl wird über eine Eingabevorrichtung in die Entscheidungseinheit 13 eingegeben, z. B. zu einem Zeitpunkt, an dem der Benutzer die Ausgabe des Ergebnisses eines Lernens durch die Maschinenlernvorrichtung 1 wünscht. Wenn die Entscheidungseinheit 13 in Schritt S208 bestimmt, dass der Bestimmungsbefehl nicht empfangen wurde, kehrt der Prozess zu Schritt S202 zurück. Wenn ermittelt wird, dass der Bestimmungsbefehl empfangen wurde, geht der Prozess zu Schritt S209 über. Auch wenn die Entscheidungseinheit 13 in dem in 7 veranschaulichten Beispiel auf Basis dessen, ob der Bestimmungsbefehl empfangen wurde, bestimmt, ob die Anordnungspositionen der Magnete zu bestimmen sind oder der Maschinenlernprozess fortzusetzen ist, kann die Entscheidungseinheit 13 im Übrigen alternativ auf Basis dessen, ob die Rastmomentberechnungseinheit 15 die Größenordnung des Rastmoments für alle Anordnungsmuster berechnet, bestimmen, ob die Anordnungspositionen der Magnete zu bestimmen sind oder der Maschinenlernprozess fortzusetzen ist. In diesem Fall geht der Prozess zu Schritt S209 über, wenn die Entscheidungseinheit 13 bestimmt, dass die Rastmomentberechnungseinheit 15 die Größenordnung des Rastmoments für alle Anordnungsmuster berechnet hat. Da die Prozesse der Schritte S202 bis S208 wiederholt durchgeführt werden, geht die Maschinenlernvorrichtung 1 dazu über, optimale Anordnungspositionen des Magneten zu lernen, dessen Rastmoment minimiert wird. Im Übrigen kann der Schulungsdatensatz für den Fall erhalten werden, dass eine Mehrzahl von Rotoren vorhanden sind, und in diesem Fall führt die Lerneinheit 12 die Prozesse der Schritte S201 bis S208 gemäß dem Schulungsdatensatz wiederholt durch, der in Bezug auf die Mehrzahl von Rotoren erstellt wurde, und geht dazu über, die Anordnungspositionen der Magneten auf dem Kern zu lernen. Durch Erhalt des Schulungsdatensatzes in Bezug auf die Mehrzahl von Rotoren erhalten wird die Lerngenauigkeit der Maschinenlernvorrichtung 1 verbessert.
In Schritt S209 extrahiert (wählt aus) die Entscheidungseinheit 13 die Anordnungsposition der Magneten, für den die höchste Belohnung erhalten wird, und zwar auf Basis der in Schritt S207 aktualisierten Funktion.
Im darauf folgenden Schritt S210 benachrichtigt die Benachrichtigungseinheit 16 den Benutzer über die Anordnungsposition der Magnete, die in Schritt S209 bestimmt wurde, für die die höchste Belohnung erhalten wird.
Anhand eines modifizierten Beispiels der oben beschriebenen Rotordesignvorrichtung kann die Rotordesignvorrichtung in dem Fall, dass ein Vorrat von Magneten bereitgestellt wird, dessen Anzahl größer als die Anzahl von Magneten ist, die zum Zusammenfügen eines Rotors verwendet werden, so konfiguriert sein, dass sie Magneten zum Bilden einer Mehrzahl von Rotoren aus dem Vorrat von Magneten (im Folgenden manchmal als „vorrätige Magneten“ bezeichnet) auswählt, so dass die Größenordnung des erzeugten Rastmoments im Durchschnitt klein wird, anstatt unregelmäßig groß oder klein zu sein, in Bezug auf jeden der zusammengefügten Rotoren. 8 ist ein Grundsatzblockschaubild, das die Rotordesignvorrichtung, die die Maschinenlernvorrichtung umfasst, gemäß einer Modifikation einer Ausführungsform veranschaulicht. Bei der vorliegenden modifizierten Ausführungsform umfasst die in 6 veranschaulichte Rotordesignvorrichtung 100 des Weiteren eine Datenspeichereinheit 17, die Daten speichert, die sich auf die Magnetflussdichten der vorrätigen Magnete beziehen, die mehr als die Anzahl der Magnete sind, die zum Zusammenfügen eines gewissen Rotors verwendet werden.
Die Daten, die sich auf die vorgemessenen Magnetflussdichten der vorrätigen Magneten bezieht, werden über die Eingabeeinheit 14 eingegeben und in der Datenspeichereinheit 17 in Assoziation mit den Kennzahlen der jeweiligen vorrätigen Magneten gespeichert. Die Rastmomentberechnungseinheit 15 berechnet die Größenordnungen von Rastmomenten für eine Vielzahl von Anordnungspositionsmuster der vorrätigen Magneten auf Basis der Daten, die sich auf die Magnetflussdichten der vorrätigen Magnete beziehen, die in der Datenspeichereinheit 17 gespeichert sind. Die Entscheidungseinheit 13 bestimmt eine solche Kombination und Anordnungspositionen von Magneten, die verwendet werden, um jeden Rotor zu konfigurieren, so dass die Größenordnungen von Rastmomenten, die durch die auf dem Kern angeordneten Magnete erzeugt werden, aus unter den vorrätigen Magneten, in Bezug auf die jeweiligen Rotoren minimal werden, auf Basis eines Ergebnisses, das von der Lerneinheit 12 gelernt wird, gemäß einem Schulungsdatensatz, der Daten umfasst, die sich auf die Magnetflussdichten der vorrätigen Magnete beziehen, wie in der Datenspeichereinheit 17 gespeichert. Die Benachrichtigungseinheit 16 gibt die Kombination und Anordnungspositionen der Magnete bekannt, wie von der Entscheidungseinheit 13 bestimmt. Da Komponenten, bei denen es sich nicht um diese handelt, und Betriebe dieser dem hier oben in Bezug auf die 7 und 8 Beschriebenen ähneln, sind identischen Komponenten außerdem identische Bezugszeichen zugewiesen und wird auf eine ausführliche Beschreibung solcher Komponenten verzichtet.
Gemäß der vorliegenden modifizierten Ausführungsform können, wenn eine Mehrzahl von Rotoren unter Verwendung der zahlreichen vorrätigen Magnete hergestellt werden, Schwankungen der Größenordnung eines Rastmoments eines Rotors aufgrund von Unterschieden der Herstellungscharge unterdrückt werden, und kann die Größenordnung des Rastmoments als Ganzes verringert werden, so dass die ökonomische Leistung verbessert wird.
Die Maschinenlernvorrichtung 1 wird ausführlicher beschrieben. Die Maschinenlernvorrichtung 1 verfügt über Funktionen zum analytischen Extrahieren einer nützlichen Regel, einer Wissensrepräsentation, eines Beurteilungskriteriums oder dergleichen, das darin umfasst ist, zum Ausgeben eines Ergebnisses der Beurteilung und zum Durchführen des Lernens des Lernens von Wissens aus einem Satz von in die Vorrichtung eingegebenen Daten. Die Technik ist vielfältig und wird breit als „überwachtes Lernen“, „unüberwachtes Lernen“ oder „Verstärkungslernen“ klassifiziert. Des Weiteren gibt es eine Technik, die als „tiefes Lernen“ bezeichnet wird, die eine Extraktion eines Merkmalswerts per Schusseinheit für das elastische Element lernt, um diese Techniken umzusetzen.
„Überwachtes Lernen“ ist ein Modell, das eine große Menge an Datensätzen mancher Eingaben und Ergebnisse (Markierungen) an eine Lernvorrichtung bereitstellt, um Merkmale in den Datensätzen zu lernen und die Ergebnisse aus der Eingabe abzuleiten, wobei eine Beziehung rekursiv erfasst werden kann. Bei der vorliegenden Ausführungsform kann es in einem Teil zum Berechnen der Anordnungspositionen der Magnete auf dem Kern verwendet werden. Die Umsetzung kann unter Verwendung eines Algorithmus wie z. B. eines neuronalen Netzes erfolgen, wie nachstehend beschrieben.
„Unüberwachtes Lernen“ ist eine Technik, die eine große Menge an Eingabedaten allein an eine Lernvorrichtung bereitstellt, um zu lernen, wie die Eingabedaten verteilt werden, und eine Einrichtung zu lernen, die ein Komprimieren, Sortieren, Formen oder dergleichen an den Eingabedaten durchführt, ohne dass entsprechender Lehrerausgabedaten an diese bereitgestellt werden. Ähnliche Merkmale in den Datensätzen können gruppiert werden. Es ist möglich, eine Ausgabeprognose unter Verwendung dieses Ergebnisses zu erzielen, und durch Durchführung einer Ausgabenzuordnung, so dass manche Kriterien bereitgestellt werden, wird das Ergebnis verbessert. Des Weiteren gibt es als Problemstellung zwischen „unüberwachtem Lernen“ und „überwachtem Lernen“ etwas, das als „halbüberwachtes Lernen“ bezeichnet wird, das dem Fall entspricht, dass nur manche einen Satz von Eingabe- und Ausgabedaten beinhalten und im Rest nur Eingabedaten vorhanden sind. Bei der vorliegenden Ausführungsform ist es möglich, Daten beim unüberwachten Lernen zu verwenden, die erfasst werden können, ohne dass die Rotordesignvorrichtung tatsächlich betrieben wird, und ein Lernen kann effizient erfolgen.
Ein Problem des Verstärkungslernens ist wie nachstehend beschrieben.
Die Rotordesignvorrichtung beobachtet einen Status einer Umgebung und bestimmt eine Aktion.
Eine Umgebung ändert sich gemäß einer gewissen Regel und des Weiteren kann die eigene Aktion die Umgebung verändern.
Ein Belohnungssignal wird jedes Mal zurückgegeben, wenn eine Aktion durchgeführt wird.
Es ist die Summe von Belohnungen (Diskont) in der Zukunft, die es zu maximieren gilt.
Das Lernen beginnt in einem Status, in dem das Ergebnis, das durch eine Aktion bewirkt wird, nicht bekannt oder nur teilweise bekannt ist. Die Rotordesignvorrichtung kann das Ergebnis erst dann als Daten erfassen, nachdem sie tatsächlich arbeitet. Anders ausgedrückt wird bevorzugt, die optimale Aktion durch die Trial-and-Error-Methode zu erhalten.
Mit einem Status, in dem ein vorheriges Lernen (eine Technik wie z. B. das oben beschriebene überwachte Lernen oder ein umgekehrtes Verstärkungslernen) durchgeführt wird, um eine menschliche Bewegung nachzuahmen, als Ausgangsstatus kann ein Lernen von einem guten Ausgangspunkt aus begonnen werden.
Das „Verstärkungslernen“ ist ein Verfahren zum Lernen einer geeigneten Aktion auf Basis der Interaktion, die durch eine Aktion an die Umgebung bereitgestellt wird, nicht nur durch Bestimmen oder Sortieren, sondern auch durch Lernen einer Aktion, d. h. zum Lernen, um die in der Zukunft zu erhaltende Belohnung zu maximieren. Dies indiziert, dass eine solche Aktion zum Beeinflussen der Zukunft bei der vorliegenden Ausführungsform erhalten werden kann. Beispielsweise wird die Beschreibung in Bezug auf den Fall des Q-Learning fortgesetzt, ohne jedoch darauf beschränkt zu sein.
Das Q-Learning ist ein Verfahren zum Lernen eines Werts Q(s, a), der eine Aktion in einem Umgebungsstatus s auswählt. Anders ausgedrückt kann, wenn ein Status s vorliegt, die höchste Aktion a des Werts Q(s, a) als optimale Aktion ausgewählt werden. Zunächst ist der korrekte Wert für den Wert Q(s, a) für eine Kombination des Status S und der Aktion a jedoch gänzlich unbekannt. Demgemäß wählt ein Agent (Aktionssubjekt) diverse Aktionen unter einem Status s aus und erhält für die Aktion a zu diesem Zeitpunkt eine Belohnung. In diesem Fall wählt der Agent eine bessere Aktion aus, d. h. geht dazu über, den Korrekturwert Q(s, a) zu lernen.
Infolge der Aktion ist es wünschenswert, die Summe der in Zukunft zu erhaltenden Belohnung zu maximieren, und schließlich besteht ein Ziel darin, Q(s, a)=E[Σγ^tr_t] zu erhalten (der zu erwartende Wert wird für den Fall herangezogen, dass der Status gemäß der optimalen Aktion variiert. Da es nicht bekannt ist, muss natürlich nicht erwähnt werden, dass das Lernen während einer Erforschung bevorzugt wird). Eine Aktualisierungsform für einen solchen Wert Q(s, a) kann z. B. durch Gleichung (1) wie folgt dargestellt sein: $Q (s_{t}, a_{t}) \leftarrow Q (s_{t}, a_{t}) + α (r_{t + 1} + γ max_{a} Q (s_{t + 1}, a_{t}) - Q (s_{t}, a_{t}))$
Bei der obigen Gleichung s_t stellt den Status der Umgebung zum Zeitpunkt t dar und a_t stellt eine Aktion zum Zeitpunkt t dar. Durch die Aktion a_t verändert sich das Status zu s_t+1. r_t+1 stellte eine Belohnung dar, die durch die Änderung des Status erhalten werden kann. Des Weiteren ist der Term mit max der Q-Wert multipliziert mit γ, für den Fall, dass die Aktion a für den höchsten Q-Wert, der zu diesem Zeitpunkt bekannt ist, unter dem Status s_t+1 ausgewählt wird. γ ist ein Parameter von 0 < γ ≤ 1 und wird als Diskontierungsrate bezeichnet. α ist ein Lernfaktor, der im Bereich von 0 < α ≤ 1 liegt.
Gleichung (1) stellt ein Verfahren zum Aktualisieren des Schätzwerts Q(s_t, a_t) der Aktion a_t im Status s_t auf Basis der Belohnung r_t+1 dar, die als Ergebnis der Aktion a_t zurückgegeben wird. Es wird gezeigt, dass, wenn der Schätzwert Q(s_t+1, max a_t+1) der besten Aktion max a im nächsten Status auf Basis einer Belohnung r_t+1 + Aktion a größer als der Schätzwert Q(s_t, a_t) der Aktion a im Status s ist, Q(s_t, a_t) erhöht wird, und dass, wenn er hingegen kleiner ist, Q(s_t, a_t) ebenfalls verringert wird. Anders ausgedrückt ist die Konfiguration eine solche, dass der Wert einer gewissen Aktion in einem gewissen Status näher zu der Belohnung gebracht wird, die als Ergebnis sofort zurückgegeben wird, und zum Wert der besten Aktion im nächsten Status auf Basis dieser Aktion.
Verfahren zum Darstellen von Q(s, a) auf einem Computer umfassen ein Verfahren, bei dem der Wert als Tabelle (Aktionswerttabelle) für alle Status-Aktion-Paare (s, a) erhalten wird, und ein Verfahren, bei dem eine zu Q(s, a) approximierte Funktion erstellt wird. Beim letzteren Verfahren kann die oben beschriebene Aktualisierungsformel durch Anpassen von Parametern der Approximationsfunktion unter Verwendung einer Technik wie z. B. dem Verfahren des stochastischen Gradientenabstiegs umgesetzt werden. Die Approximationsfunktion kann sich eines neuronalen Netzes bedienen, das nachstehend beschrieben ist.
Als Approximationsalgorithmus für die Wertfunktion beim überwachten Lernen, unüberwachten Lernen und Verstärkungslernen kann ein neuronales Netz verwendet werden. Das neuronale Netz ist z. B. aus einer arithmetischen Einheit, einem Speicher oder dergleichen konfiguriert, die bzw. der ein neuronales Netz umsetzt, das ein Modell eines Neurons imitiert, wie z. B. in 9 veranschaulicht. 9 ist ein schematisches Schaubild, das das Modell eines Neurons veranschaulicht.
Wie in 9 veranschaulicht, gibt das Neuron eine Ausgabe y für eine Mehrzahl von Eingaben x aus (hier z. B. Eingabe x1 bis Eingabe x3). Jede der Eingaben x1 bis x3 wird mit einem Gewicht w (w1 bis w3) multipliziert, das der Eingabe x entspricht. In diesem Fall gibt das Neuron die Ausgabe y aus, die durch eine Gleichung (2) dargestellt ist. Die Eingabe x, die Ausgabe y und das Gewicht w sind allesamt Vektoren. $y = f_{k} (\sum_{i = 1}^{1} x_{i} w_{i} - θ)$
wobei θ eine Verzerrung ist und f_k eine Aktivierungsfunktion ist.
Im Folgenden wird ein neuronales Netz mit dreischichtigen Gewichten unter Bezugnahme auf 10 beschrieben, das eine Kombination der oben beschriebenen Neuronen ist. 10 ist ein schematisches Schaubild, das ein Modell eines neuronalen Netzes mit dreischichtigen Gewichten von D1 bis D3.
Wie in 10 veranschaulicht, wird eine Mehrzahl von Eingaben x (hier z. B. Eingabe x1 bis Eingabe x3) von der linken Seite des neuronalen Netzes eingegeben und wird ein Ergebnis y (hier z. B. Ergebnis y1 bis Ergebnis y3) von der rechten Seite ausgegeben.
Insbesondere werden die Eingabe x1 bis Eingabe x3 mit einem entsprechenden Gewicht multipliziert und in jedes der drei Neuronen N11 bis N13 eingegeben. Die auf diese Eingaben angewandten Gewichte werden gesammelt als w1 angezeigt.
Die Neuronen N11 bis N13 geben z11 bis z13 aus. z11 bis z13 sind gesammelt als Merkmalsvektor z1 dargestellt und können als Vektor angesehen werden, aus dem der Merkmalswert des Eingabevektors extrahiert wird. Der Merkmalsvektor z1 ist ein Merkmalsvektor zwischen dem Gewicht w1 und Gewicht w2. z11 bis z11 mit einem entsprechenden Gewicht werden mit einem entsprechenden Gewicht multipliziert und in jedes der zwei Neuronen N21 und N22 eingegeben. Die Gewichte, die auf diese Merkmalsvektoren angewandt werden, sind gesammelt als w2 dargestellt.
Die Neuronen N21 und N22 geben z21 bzw. z22 aus, die gesammelt als Merkmalsvektor z2 dargestellt werden. Der Merkmalsvektor z2 ist ein Merkmalsvektor zwischen dem Gewicht w2 und Gewicht w3.
Die Merkmalsvektoren z21 und z22 werden mit einem entsprechenden Gewicht multipliziert und in jedes der drei Neuronen N31 bis N33 eingegeben. Die Gewichte, die mit diesen Merkmalsvektoren multipliziert werden, sind gesammelt als w3 dargestellt.
Schließlich geben die Neuronen N31 bis N33 Ergebnis y1 bis y3 aus.
Der Betrieb des neuronalen Netzes umfasst einen Lernmodus und einen Wertprognosemodus;1beim Lernmodus wird das Gewicht w unter Verwendung eines Lerndatensatzes gelernt, und beim Prognosemodus wird die Aktionsentscheidung der Rotordesignvorrichtung unter Verwendung der Parameter durchgeführt (der Einfachheit halber wird auf eine Prognose Bezug genommen, aber es sind diverse Aufgaben wie z. B. Erkennen, Klassifizieren, Interferenz oder dergleichen möglich).
Es ist möglich, dass die Rotordesignvorrichtung tatsächlich im Prognosemodus betrieben werden kann, um sofort zu lernen und zu bewirken, dass die erhaltenen Daten in der darauf folgenden Aktion widergespiegelt werden (On-Line-Lernen), und auch, dass eine Gruppe von vorgesammelten Daten verwendet werden kann, um ein Sammellernen durchzuführen und einen Erkennungsmodus umzusetzen, mit dem Parameter danach, für eine Weile (stückweises Lernen). Ein Zwischenfall ist ebenfalls möglich, bei dem ein Lernmodus jedes Mal dann eingeführt wird, wenn Daten in einem gewissen Grad angesammelt wurden.
Die Gewichte w1 bis w3 können durch ein Fehlerrückpropagierungsverfahren gelernt werden. Die Fehlerinformationen treten von der rechten Seite ein und fließen auf die linke Seite. Das Fehlerrückpropagierungsverfahren ist eine Technik zum Einstellen (Lernen) jedes Gewichts, um den Unterschied zwischen einer Ausgabe y, wenn eine Eingabe x eingegeben wird, und einer wahren Ausgabe y (Lehrer) für jedes Neuron zu minimieren.
Ein solches neuronales Netz kann des Weiteren die Schichten auf drei oder mehr erhöhen (als tiefes Lernen bezeichnet). Es ist möglich, eine Merkmalsextraktion einer Eingabe schrittweise durchzuführen und eine arithmetische Einheit automatisch zu erfassen, die die Ergebnisse regrediert, anhand der Lehrerdaten allein.
Demgemäß umfasst die Maschinenlernvorrichtung 1 gemäß der vorliegenden Ausführungsform die Statusbeobachtungseinheit 11, die Lerneinheit 12 und Entscheidungseinheit 13, wie z. B. in 4 veranschaulicht, um das oben beschriebene Q-Learning durchzuführen. Das bei der vorliegenden Erfindung angewandte Maschinenlernverfahren ist jedoch keineswegs auf Q-Learning beschränkt. Beispielsweise wenn überwachtes Lernen angewandt wird, entspricht die Wertfunktion einem Lernmodell und entspricht die Belohnung einem Fehler. Es ist möglich, eine Approximationsfunktion unter Verwendung des oben beschriebenen Netzes als Aktionswerttabelle zu verwenden, und dies ist insbesondere effektiv, wenn die Informationsmenge von s und a gewaltig ist, wie bei Bilddaten oder dergleichen.
Die oben beschriebene Statusbeobachtungseinheit 11, Lerneinheit 12, Entscheidungseinheit 13 und Rastmomentberechnungseinheit 15 können z. B. in Form eines Software-Programms oder alternativ als Kombination diverser elektronischer Schaltkreise und eines Software-Programms konstruiert sein. Beispielsweise wenn sie in Form eines Software-Programms konstruiert sind, wird die Funktion jeder der oben beschriebenen Einheiten durch Betreiben einer arithmetischen Verarbeitungseinheit, die sich in einem Computer befindet, gemäß dem Software-Programm umgesetzt. Alternativ kann die Maschinenlernvorrichtung 1, die die Statusbeobachtungseinheit 11 und die Lerneinheit 12 beinhaltet, als integrierte Halbleiterschaltung umgesetzt werden, in die ein Softwareprogramm geschrieben ist, das die Funktion jeder Einheit umsetzt. Des Weiteren kann alternativ ein integrierter Halbleiterschaltkreis, bei dem eine Software-Programm, das die Funktion jeder Einheit umsetzt, in einer Form umgesetzt sein kann, die nicht nur die Maschinenlernvorrichtung 1 umfasst, die die Statusbeobachtungseinheit 11 und die Lerneinheit 12 umfasst, sondern auch die Entscheidungseinheit 13, oder in einer Form, die die Statusbeobachtungseinheit 11, die Lerneinheit 12, die Entscheidungseinheit 13 und die Rastmomentberechnungseinheit 15 umfasst.
Gemäß der vorliegenden Erfindung ist es möglich, eine Maschinenlerneinheit und ein Verfahren umzusetzen, das in der Lage ist, optimale Anordnungspositionen von Magneten auf einem Kern eines Motorrotors auf einfache Weise zu bestimmen, und eine Rotordesignvorrichtung, die die Maschinenlernvorrichtung umfasst.
Gemäß der vorliegenden Erfindung geht die Maschinenlernvorrichtung zum Lernen über und stellt die Anordnungspositionen (Anordnung) der Magneten, deren Größenordnung eines Rastmoments minimiert wird, das durch die auf dem Kern angeordneten Magneten erzeugt wird, und der ruhige Vorschublauf wird optimiert, so dass die zum Entwickeln des Rotors erforderliche Zeit verringert wird, wodurch es möglich wird, die Belastung des Benutzers zu verringern.
Gemäß einer modifizierten Ausführungsform der vorliegenden Erfindung können, wenn eine Mehrzahl von Rotoren unter Verwendung der zahlreichen vorrätigen Magnete hergestellt werden, Schwankungen der Größenordnung eines Rastmoments eines Rotors aufgrund von Unterschieden der Herstellungscharge unterdrückt werden, und kann die Größenordnung des Rastmoments als Ganzes verringert werden, so dass die ökonomische Leistung verbessert wird.

Claims

Maschinenlernvorrichtung (1), die einen Zustand lernt, der mit einer Anordnungsposition eines Magneten auf einem Kern einer Motorrotors assoziiert ist, wobei die Maschinenlernvorrichtung (1) umfasst: eine Statusbeobachtungseinheit (11), die eingerichtet ist, um eine Statusvariable zu beobachten, die aus Daten, die sich auf Anordnungspositionen einer Mehrzahl von auf dem Kern angeordneten Magneten beziehen, Daten, die sich auf eine Größenordnung eines Rastmoments beziehen, das erzeugt wird, wenn die Mehrzahl von Magneten in den jeweiligen Anordnungspositionen angeordnet sind, und Daten, die sich auf eine Magnetflussdichte jedes der Magneten beziehen, zusammengesetzt ist; und eine Lerneinheit (12), die eingerichtet ist, um den Zustand, der mit Anordnungspositionen der Magnete auf dem Kern assoziiert ist, gemäß einem Schulungsdatensatz zu lernen, der durch die Statusvariable gebildet wird.
Maschinenlernvorrichtung (1) nach Anspruch 1, wobei die Lerneinheit (12) umfasst: eine Belohnungsberechnungseinheit (21), die eingerichtet ist, um eine Belohnung auf Basis der Größenordnung des Rastmoments zu berechnen, das erzeugt wird, wenn die Mehrzahl von Magneten in gewissen Anordnungspositionen auf dem Kern angeordnet sind; und eine Funktionsaktualisierungseinheit (22), die eingerichtet ist, um eine Funktion zum Berechnen der Anordnungspositionen der Magneten auf dem Kern auf Basis der Statusvariable und der Belohnung zu berechnen.
Maschinenlernvorrichtung (1) nach Anspruch 2, wobei die Belohnungsberechnungseinheit (21) eingerichtet ist, um die Belohnung zu erhöhen, wenn die Größenordnung des Rastmoments, das erzeugt wird, wenn die Mehrzahl von Magneten in gewissen Anordnungspositionen auf dem Kern angeordnet ist, kleiner als eine Größenordnung des Rastmoments ist, das von der Statusbeobachtungseinheit (11) beobachtet wurde, bevor der Größenordnung des aktuellen Rastmoments, und die Belohnung verringert, wenn sie größer ist.
Maschinenlernvorrichtung (1) nach Anspruch 2, wobei die Belohnungsberechnungseinheit (21) eingerichtet ist, um die Belohnung zu erhöhen, wenn die Größenordnung des Rastmoments, das erzeugt wird, wenn die Mehrzahl von Magneten in gewissen Anordnungspositionen auf dem Kern angeordnet ist, innerhalb eines angegebenen Bereichs liegt, und die Belohnung zu verringern, wenn die Größenordnung des Rastmoments außerhalb des angegebenen Bereichs liegt.
Maschinenlernvorrichtung (1) nach einem der Ansprüche 2 bis 4, wobei die Funktionsaktualisierungseinheit (22) eingerichtet ist, um die Funktion zum Berechnen der Anordnungspositionen der Magnete auf dem Kern auf Basis der Statusvariable und der Belohnung und gemäß einem Modell eines neuronalen Netzes zu aktualisieren.
Maschinenlernvorrichtung (1) nach einem der Ansprüche 1 bis 5, wobei die Lerneinheit (12) eingerichtet ist, um den Zustand gemäß dem Schulungsdatensatz zu lernen, der in Bezug auf eine Mehrzahl von Rotoren erstellt wird.
Rotordesignvorrichtung (100), die die Maschinenlernvorrichtung (1) nach einem der Ansprüche 1 bis 6 umfasst, die umfasst: eine Eingabeeinheit (14), die eingerichtet ist, um die Daten einzugeben, die sich auf die Magnetflussdichte jedes der Magneten beziehen; eine Rastmomentberechnungseinheit (15), die eingerichtet ist, um eine Größenordnung eines Rastmoments zu berechnen, das erzeugt wird, wenn die Mehrzahl von Magneten in gewissen Anordnungspositionen auf dem Kern angeordnet sind, auf Basis der über die Eingabeeinheit (14) eingegebenen Daten, die sich auf die Magnetflussdichte jedes Magneten beziehen; eine Entscheidungseinheit (13), die eingerichtet ist, um die Anordnungspositionen der Magneten auf dem Kern auf Basis eines Ergebnisses zu bestimmen, das von der Lerneinheit (12) gelernt wurde, gemäß dem Schulungsdatensatz und in Reaktion auf eine Eingabe der aktuellen Statusvariable; und eine Benachrichtigungseinheit (16), die eingerichtet ist, um die Anordnungspositionen der Magnete, wie von der Entscheidungseinheit (13) bestimmt, bekanntzugeben.
Rotordesignvorrichtung (100) nach Anspruch 7, die des Weiteren eine Datenspeichereinheit (17) umfasst, die eingerichtet ist, um Daten zu speichern, die sich auf die Magnetflussdichten der vorrätigen Magnete beziehen, die mehr als die Anzahl der Magnete sind, die zum Zusammenfügen eines gewissen Rotors verwendet werden, wobei die Entscheidungseinheit (13) eingerichtet ist, um eine solche Kombination und Anordnungspositionen von Magneten zu bestimmen, die verwendet werden, um jeden Rotor zu konfigurieren, so dass die Größenordnungen von Rastmomenten, die durch die auf dem Kern angeordneten Magnete erzeugt werden, aus unter den vorrätigen Magneten, in Bezug auf die jeweiligen Rotoren minimal werden, auf Basis eines Ergebnisses, das von der Lerneinheit (12) gelernt wird, gemäß dem Schulungsdatensatz, der Daten umfasst, die sich auf die Magnetflussdichten der vorrätigen Magnete beziehen, wie in der Datenspeichereinheit (17) gespeichert, und wobei die Benachrichtigungseinheit (16) eingerichtet ist, um die Kombination und Anordnungspositionen der Magnete, wie von der Entscheidungseinheit (13) bestimmt, bekanntzugeben.
Maschinenlernverfahren zum Lernen eines Zustands, der mit einer Anordnungsposition eines Magneten auf einem Kern einer Motorrotors assoziiert ist, wobei das Maschinenlernverfahren umfasst: einen Statusbeobachtungsschritt (S101), der eine Statusvariable beobachtet, die aus Daten, die sich auf Anordnungspositionen einer Mehrzahl von auf dem Kern angeordneten Magneten beziehen, Daten, die sich auf eine Größenordnung eines Rastmoments beziehen, das erzeugt wird, wenn die Mehrzahl von Magneten in den jeweiligen Anordnungspositionen angeordnet sind, und Daten, die sich auf die Magnetflussdichte jedes Magneten beziehen, zusammengesetzt ist; und einen Lernschritt (S102), der den Zustand, der mit Anordnungspositionen der Magnete auf dem Kern assoziiert ist, gemäß einem Schulungsdatensatz lernt, der durch die Statusvariable gebildet wird.