JP2020148329A - 機械学習装置、及び、磁気軸受装置 - Google Patents
機械学習装置、及び、磁気軸受装置 Download PDFInfo
- Publication number
- JP2020148329A JP2020148329A JP2019048948A JP2019048948A JP2020148329A JP 2020148329 A JP2020148329 A JP 2020148329A JP 2019048948 A JP2019048948 A JP 2019048948A JP 2019048948 A JP2019048948 A JP 2019048948A JP 2020148329 A JP2020148329 A JP 2020148329A
- Authority
- JP
- Japan
- Prior art keywords
- shaft
- unit
- learning
- value
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 125
- 238000011156 evaluation Methods 0.000 claims abstract description 191
- 238000006073 displacement reaction Methods 0.000 claims description 158
- 230000006870 function Effects 0.000 claims description 140
- 238000001514 detection method Methods 0.000 claims description 122
- 239000003507 refrigerant Substances 0.000 claims description 116
- 230000007246 mechanism Effects 0.000 claims description 25
- 230000004907 flux Effects 0.000 claims description 19
- 238000007710 freezing Methods 0.000 claims description 13
- 230000008014 freezing Effects 0.000 claims description 13
- 230000000704 physical effect Effects 0.000 claims description 7
- 230000004043 responsiveness Effects 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 120
- 238000012986 modification Methods 0.000 description 98
- 230000004048 modification Effects 0.000 description 96
- 238000003066 decision tree Methods 0.000 description 60
- 238000012549 training Methods 0.000 description 56
- 238000010586 diagram Methods 0.000 description 48
- 230000001276 controlling effect Effects 0.000 description 38
- 238000013528 artificial neural network Methods 0.000 description 36
- 230000009471 action Effects 0.000 description 34
- 230000000875 corresponding effect Effects 0.000 description 32
- 239000013598 vector Substances 0.000 description 32
- 210000002569 neuron Anatomy 0.000 description 30
- 238000007637 random forest analysis Methods 0.000 description 28
- 230000002787 reinforcement Effects 0.000 description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 22
- 238000012706 support-vector machine Methods 0.000 description 20
- 238000005339 levitation Methods 0.000 description 16
- 230000004044 response Effects 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 14
- 239000003795 chemical substances by application Substances 0.000 description 14
- 230000006835 compression Effects 0.000 description 14
- 238000007906 compression Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 14
- 230000000737 periodic effect Effects 0.000 description 10
- 238000000611 regression analysis Methods 0.000 description 10
- 241001123248 Arma Species 0.000 description 8
- 239000010749 BS 2869 Class C1 Substances 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000001816 cooling Methods 0.000 description 8
- 239000012530 fluid Substances 0.000 description 8
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 8
- 230000002093 peripheral effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004804 winding Methods 0.000 description 8
- 239000010750 BS 2869 Class C2 Substances 0.000 description 6
- 241000728173 Sarima Species 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000005484 gravity Effects 0.000 description 6
- 238000009413 insulation Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000001932 seasonal effect Effects 0.000 description 4
- 230000005654 stationary process Effects 0.000 description 4
- 238000012731 temporal analysis Methods 0.000 description 4
- 238000000700 time series analysis Methods 0.000 description 4
- 238000013526 transfer learning Methods 0.000 description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 210000003792 cranial nerve Anatomy 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000010030 laminating Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000001373 regressive effect Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 210000000225 synapse Anatomy 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D17/00—Radial-flow pumps, e.g. centrifugal pumps; Helico-centrifugal pumps
- F04D17/08—Centrifugal pumps
- F04D17/10—Centrifugal pumps for compressing or evacuating
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
- F16C32/00—Bearings not otherwise provided for
- F16C32/04—Bearings not otherwise provided for using magnetic or electric supporting means
- F16C32/0406—Magnetic bearings
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D25/00—Pumping installations or systems
- F04D25/02—Units comprising pumps and their driving means
- F04D25/06—Units comprising pumps and their driving means the pump being electrically driven
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D29/00—Details, component parts, or accessories
- F04D29/05—Shafts or bearings, or assemblies thereof, specially adapted for elastic fluid pumps
- F04D29/051—Axial thrust balancing
- F04D29/0513—Axial thrust balancing hydrostatic; hydrodynamic thrust bearings
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D29/00—Details, component parts, or accessories
- F04D29/05—Shafts or bearings, or assemblies thereof, specially adapted for elastic fluid pumps
- F04D29/056—Bearings
- F04D29/058—Bearings magnetic; electromagnetic
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
- F16C32/00—Bearings not otherwise provided for
- F16C32/04—Bearings not otherwise provided for using magnetic or electric supporting means
- F16C32/0406—Magnetic bearings
- F16C32/044—Active magnetic bearings
- F16C32/0444—Details of devices to control the actuation of the electromagnets
- F16C32/0446—Determination of the actual position of the moving member, e.g. details of sensors
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
- F16C32/00—Bearings not otherwise provided for
- F16C32/04—Bearings not otherwise provided for using magnetic or electric supporting means
- F16C32/0406—Magnetic bearings
- F16C32/044—Active magnetic bearings
- F16C32/0444—Details of devices to control the actuation of the electromagnets
- F16C32/0451—Details of controllers, i.e. the units determining the power to be supplied, e.g. comparing elements, feedback arrangements with P.I.D. control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
- F16C32/00—Bearings not otherwise provided for
- F16C32/04—Bearings not otherwise provided for using magnetic or electric supporting means
- F16C32/0406—Magnetic bearings
- F16C32/044—Active magnetic bearings
- F16C32/0444—Details of devices to control the actuation of the electromagnets
- F16C32/0451—Details of controllers, i.e. the units determining the power to be supplied, e.g. comparing elements, feedback arrangements with P.I.D. control
- F16C32/0453—Details of controllers, i.e. the units determining the power to be supplied, e.g. comparing elements, feedback arrangements with P.I.D. control for controlling two axes, i.e. combined control of x-axis and y-axis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
- F16C32/00—Bearings not otherwise provided for
- F16C32/04—Bearings not otherwise provided for using magnetic or electric supporting means
- F16C32/0406—Magnetic bearings
- F16C32/044—Active magnetic bearings
- F16C32/0444—Details of devices to control the actuation of the electromagnets
- F16C32/0457—Details of the power supply to the electromagnets
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
- F16C41/00—Other accessories, e.g. devices integrated in the bearing not relating to the bearing function as such
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
- F16C32/00—Bearings not otherwise provided for
- F16C32/04—Bearings not otherwise provided for using magnetic or electric supporting means
- F16C32/0406—Magnetic bearings
- F16C32/044—Active magnetic bearings
- F16C32/0459—Details of the magnetic circuit
- F16C32/0468—Details of the magnetic circuit of moving parts of the magnetic circuit, e.g. of the rotor
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
- F16C32/00—Bearings not otherwise provided for
- F16C32/04—Bearings not otherwise provided for using magnetic or electric supporting means
- F16C32/0406—Magnetic bearings
- F16C32/044—Active magnetic bearings
- F16C32/047—Details of housings; Mounting of active magnetic bearings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Fluid Mechanics (AREA)
- Magnetic Bearings And Hydrostatic Bearings (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
Description
第1実施形態に係る磁気軸受装置10を備える空気調和装置100について、図面を参照しながら説明する。
図1は、空気調和装置100の全体構成図である。空気調和装置100は、冷媒回路190を備える。冷媒回路190は、冷媒が充填された閉回路である。冷媒回路190には、圧縮機110、凝縮器120、膨張弁130、蒸発器140、及び、電動機冷却制御装置150が設けられている。圧縮機110には、種々の圧縮機を採用できる。本実施形態では、圧縮機110は、ターボ圧縮機である。圧縮機110は、電動機114によって駆動される。電動機114には、電動機制御装置160から電力が供給される。
磁気軸受装置10は、被支持体であるシャフト115を磁気浮上させることで、シャフト115を非接触で回転可能に支持する。磁気軸受装置10は、主として、1つ又は複数(本実施形態では3つ)の磁気軸受21,22と、1つ又は複数(本実施形態では5つ)の変位センサ31,32と、制御部40とを備える。
磁気軸受21,22は、被支持体を挟んで互いに対向する電磁石対を有する。磁気軸受21,22は、電磁石対の合成電磁力により被支持体を非接触に支持するように構成されている。磁気軸受21,22では、電磁石対に流れる電流を制御することにより、その電磁石対の合成電磁力を制御して、その電磁石対の対向方向における被支持体の位置を制御することができる。本実施形態では、磁気軸受装置10は、磁気軸受21,22として、2つのラジアル磁気軸受21と、1つのスラスト磁気軸受22とを備える。
図3は、ラジアル磁気軸受21の横断面図である。図4は、ラジアル磁気軸受21の縦断面図である。図3及び図4に示されるように、ラジアル磁気軸受21は、第1〜第4電磁石51〜54を有し、ヘテロポーラ型のラジアル磁気軸受を構成している。第1及び第2電磁石51,52は、シャフト115を挟んで互いに対向し、第1及び第2電磁石51,52の電磁力F1,F2によりシャフト115を非接触に支持する。第3及び第4電磁石53,54は、シャフト115を挟んで互いに対向し、第3及び第4電磁石53,54の電磁力F3,F4によりシャフト115を非接触に支持する。第3及び第4電磁石53,54の対向方向は、平面視において、第1及び第2電磁石51,52の対向方向と直交している。
図5は、スラスト磁気軸受22の平面図である。図6は、スラスト磁気軸受22の縦断面図である。図5及び図6に示されるように、スラスト磁気軸受22は、第1及び第2電磁石51,52を有している。第1及び第2電磁石51,52は、円盤部115aを水平方向に挟んで互いに対向し、第1及び第2電磁石51,52の電磁力F1,F2により円盤部115aを非接触に支持する。
変位センサ31,32は、いずれも渦電流式の変位センサである。変位センサ31,32は、被支持体を挟んで互いに対向する電磁石対(第1及び第2電磁石51,52の組)に対応して設けられる。変位センサ31,32は、変位センサ31,32の基準位置に対する被支持体の変位量を検出する。変位センサ31,32の基準位置とは、例えば、変位センサ31,32のセンサヘッドの位置、又は、電磁石対の対向方向における中央位置である。電磁石対の対向方向における中央位置とは、例えば、第1電磁石51と第2電磁石52との間の中央位置である。本実施形態では、磁気軸受装置10は、変位センサ31,32として、ラジアル変位センサ31と、スラスト変位センサ32とを有する。
ラジアル変位センサ31は、各ラジアル磁気軸受21に2つずつ設けられている。言い換えると、磁気軸受装置10は、4つのラジアル変位センサ31を備える。ラジアル変位センサ31は、ラジアル変位センサ31の基準位置に対する変位量を検出する。ラジアル変位センサ31の基準位置とは、例えば、ラジアル変位センサ31のセンサヘッドの位置、又は、シャフト115の中央位置である。各ラジアル磁気軸受21では、一方のラジアル変位センサ31が、ラジアル磁気軸受21の第1電磁石51と第2電磁石52との対向方向(X軸方向)の変位量を検出する。X軸方向は、ラジアル磁気軸受21の径方向である。他方のラジアル変位センサ31は、ラジアル磁気軸受21の第3電磁石53と第4電磁石54との対向方向(Y軸方向)の変位量を検出する。Y軸方向は、X軸方向と直交する、ラジアル磁気軸受21の径方向である。
磁気軸受装置10は、1つのスラスト変位センサ32を備える。スラスト変位センサ32は、スラスト磁気軸受22の第1電磁石51と第2電磁石52との対向方向(Z軸方向)の変位量を検出する。Z軸方向は、シャフト115の回転軸に沿った方向である。スラスト変位センサ32は、スラスト変位センサ32の基準位置に対する変位量を検出する。スラスト変位センサ32の基準位置とは、例えば、スラスト変位センサ32のセンサヘッドの位置、又は、円盤部115aの中央位置である。
制御部40は、被支持体(シャフト115及び円盤部115a)が非接触に支持されるように、1つ又は複数の磁気軸受21,22を制御する。制御部40は、各磁気軸受21,22の電磁力を制御することによって、被支持体の浮上制御を行う。制御部40は、具体的には、マイクロコンピュータと、それを動作させるためのソフトウェアを格納したメモリディバイス等から構成される。制御部40は、ラジアル制御部41と、スラスト制御部42とを有する。
ラジアル制御部41は、2つのラジアル磁気軸受21によるシャフト115の浮上制御を行う。この浮上制御では、ラジアル制御部41は、X軸方向及びY軸方向のそれぞれにおけるシャフト115の位置制御を行う。具体的には、ラジアル制御部41は、X軸方向及びY軸方向の各方向について、ラジアル変位センサ31が検出した変位量に基づいて、シャフト115の位置と、予め定められた位置指令値との差分値がゼロに収束するように、ラジアル磁気軸受21の第1〜第4電磁石51〜54を構成するそれぞれのコイル65に電流(制御電流)を流す。ラジアル制御部41は、各コイル65に制御電流が流れるように、各コイル65に印加される電圧(電圧指令値)を出力する。
スラスト制御部42は、スラスト磁気軸受22による円盤部115aの浮上制御を行う。この浮上制御では、スラスト制御部42は、Z軸方向における円盤部115aの位置制御を行う。具体的には、スラスト制御部42は、Z軸方向について、スラスト変位センサ32が検出した変位量に基づいて、円盤部115aの位置と、予め定められた位置指令値との差分値がゼロに収束するように、スラスト磁気軸受22の第1及び第2電磁石51,52を構成するそれぞれのコイル65に電流(制御電流)を流す。スラスト制御部42は、各コイル65に制御電流が流れるように、各コイル65に印加される電圧(電圧指令値)を出力する。
磁気軸受装置10は、シャフト115の位置制御システムを有する。位置制御システムでは、制御部40は、各磁気軸受21,22の電磁力を制御することによって、非接触支持されているシャフト115の位置制御を行う。
状態変数取得部43は、磁気軸受装置10の動作中に磁気軸受装置10の状態を観測して、観測された状態に関する情報を状態変数として取得する。言い換えると、状態変数取得部43は、磁気軸受装置10の状態が入力され、状態変数を出力する。状態変数は、シャフト115の位置に相関する少なくとも1つのパラメータを含む。本実施形態では、状態変数は、変位センサ31,32の出力値である。状態変数は、教師あり学習において教師データとして用いられる。
評価データ取得部44は、判定データを評価して、評価データを取得する。評価データは、教師あり学習において教師データとして用いられる。評価データは、シャフト115の位置の測定値、シャフト115の位置の目標値、及び、シャフト115の位置の目標値からの偏差に相関するパラメータ、のうちの少なくとも1つのパラメータを含む。評価データ取得部44は、例えば、判定データを所定の評価関数に入力して、評価関数の出力値を評価データとして取得する。言い換えると、評価データ取得部44は、判定データが入力され、評価データを出力する。判定データは、例えば、シャフト115の位置制御の評価に用いることができるデータである。本実施形態では、判定データは、シャフト115の可動範囲の中心位置(位置指令値)、及び、シャフト115の位置の検出値(位置検出値)である。位置指令値は、シャフト115の位置の目標値である。位置検出値は、例えば、変位センサ31,32の出力値から得られた、シャフト115の位置の検出値である。
学習部45は、シャフト115の位置制御を適切に行うための条件(位置制御条件)を、教師あり学習又は強化学習の手法を用いて学習する。学習部45は、更新部47の出力に従って位置制御条件を学習する。次に、教師あり学習を用いる場合の学習部45の動作について説明する。
更新部47は、評価データを用いて学習部45の学習状態を更新する。学習部45は、更新部47の出力(教師データ)に従って、識別関数のパラメータの変更を複数回行い、パラメータが変更された識別関数ごとに状態変数から制御条件(位置制御条件)を出力する。
決定部46は、学習部45による学習の結果得られた学習済みモデルに基づいて、シャフト115の位置に相関する新規の状態変数から、シャフト115の位置制御を適切に行うための条件(位置制御条件)を決定して出力する。シャフト115の位置に相関する状態変数は、変位センサ31,32の出力値である。位置制御条件は、磁気軸受装置10を駆動するための情報である。本実施形態では、位置制御条件は、磁気軸受装置10を駆動するための電流又は電圧であり、具体的には、磁気軸受21,22のコイル65に印加される電圧(電圧指令値)である。
学習部45が用いる機械学習の手法である教師あり学習について説明する。教師あり学習は、教師データを用いて、未知の入力データに対応する出力を生成する手法である。教師あり学習では、学習データと識別関数とが用いられる。学習データとは、入力データと、それに対応する教師データとの対の集合である。入力データは、例えば、特徴空間における特徴ベクトルである。教師データは、例えば、入力データの識別、分類及び評価に関するパラメータである。識別関数は、入力データから、それに対応する出力への写像を表す。教師あり学習は、事前に与えられた学習データを用いて、識別関数の出力と教師データとの誤差が小さくなるように、識別関数のパラメータを調整する手法である。教師あり学習で用いられるモデル又はアルゴリズムとしては、回帰分析、時系列分析、決定木、サポートベクターマシン、ニューラルネットワーク、アンサンブル学習等が挙げられる。
図10は、ニューラルネットワークのニューロンのモデルの模式図である。図11は、図10に示されるニューロンを組み合わせて構成した三層のニューラルネットワークの模式図である。図10に示されるように、ニューロンは、複数の入力x(図10では入力x1,x2,x3)に対する出力yを出力する。各入力x(図10では入力x1,x2,x3)には、対応する重みw(図10では重みw1,w2,w3)が乗算される。ニューロンは、次の式(1)を用いて出力yを出力する。
サポートベクターマシン(SVM)とは、最大マージンを実現する2クラス線形識別関数を求めるアルゴリズムである。図12は、SVMを説明するための図である。2クラス線形識別関数とは、図12に示される特徴空間において、2つのクラスC1,C2の学習データを線形分離するための超平面である識別超平面P1,P2を表す。図12において、クラスC1の学習データは円で示され、クラスC2の学習データは正方形で示されている。識別超平面のマージンとは、識別超平面に最も近い学習データと、識別超平面との間の距離である。図12には、識別超平面P1のマージンd1、及び、識別超平面P2のマージンd2が示されている。SVMでは、マージンが最大となるような識別超平面である最適識別超平面P1が求められる。一方のクラスC1の学習データと最適識別超平面P1との間の距離の最小値d1は、他方のクラスC2の学習データと最適識別超平面P2との間の距離の最小値d1と等しい。
決定木とは、複数の識別器を組み合わせて複雑な識別境界(非線形識別関数等)を得るためのモデルである。識別器とは、例えば、ある特徴軸の値と閾値との大小関係に関する規則である。学習データから決定木を構成する方法としては、例えば、特徴空間を2分割する規則(識別器)を求めることを繰り返す分割統治法がある。図14は、分割統治法によって構成された決定木の一例である。図15は、図14の決定木によって分割される特徴空間を表す。図15では、学習データは白丸又は黒丸で示され、図14に示される決定木によって、各学習データは、白丸のクラス又は黒丸のクラスに分類される。図14には、1から11までの番号が付されたノードと、ノード間を結びYes又はNoのラベルが付されたリンクとが示されている。図14において、終端ノード(葉ノード)は、四角で示され、非終端ノード(根ノード及び内部ノード)は、丸で示されている。終端ノードは、6から11までの番号が付されたノードであり、非終端ノードは、1から5までの番号が付されたノードである。各終端ノードには、学習データを表す白丸又は黒丸が示されている。各非終端ノードには、識別器が付されている。識別器は、特徴軸x1、x2の値と閾値a〜eとの大小関係を判断する規則である。リンクに付されたラベルは、識別器の判断結果を示す。図15において、識別器は点線で示され、識別器によって分割された領域には、対応するノードの番号が付されている。
(a)識別器を構成するための特徴軸及び閾値の選択。
(b)終端ノードの決定。例えば、1つの終端ノードに含まれる学習データが属するクラスの数。又は、決定木の剪定(根ノードが同じ部分木を得ること)をどこまで行うかの選択。
(c)終端ノードに対する多数決によるクラスの割り当て。
(a)ノードtにおける誤り率
ランダムフォレストは、アンサンブル学習の一種であって、複数の決定木を組み合わせて識別性能を強化する手法である。ランダムフォレストを用いる学習では、相関が低い複数の決定木からなる群(ランダムフォレスト)が生成される。ランダムフォレストの生成及び識別には、以下のアルゴリズムが用いられる。
(1)m=1からMまで以下を繰り返す。
(a)N個のd次元学習データから、m個のブートストラップサンプルZmを生成する。
(b)Zmを学習データとして、以下の手順で各ノードtを分割して、m個の決定木を生成する。
(i)d個の特徴からd´個の特徴をランダムに選択する。(d´<d)
(ii)選択されたd´個の特徴の中から、学習データの最適な分割を与える特徴と分割点(閾値)を求める。
(iii)求めた分割点でノードtを2分割する。
(2)m個の決定木からなるランダムフォレストを出力する。
(3)入力データに対して、ランダムフォレストの各決定木の識別結果を得る。ランダムフォレストの識別結果は、各決定木の識別結果の多数決によって決定される。
ランダムフォレストを用いる学習では、決定木の各非終端ノードにおいて識別に用いる特徴をあらかじめ決められた数だけランダムに選択することで、決定木間の相関を低くすることができる。
学習部45が用いる機械学習の手法である強化学習について説明する。強化学習は、一連の行動の結果としての報酬が最大となるような方策を学習する手法である。強化学習で用いられるモデル又はアルゴリズムは、Q学習(Q−learning)等がある。Q学習は、状態sの下で行動aを選択する価値を表すQ値を学習する手法である。Q学習では、Q値が最も高い行動aが最適な行動として選択される。高いQ値を求めるため、行動aの主体(エージェント)には、状態sの下で選択した行動aに対して報酬が与えられる。Q学習では、エージェントが行動するたびに、以下の式(10)を用いて、Q値が更新される。
学習部45は、種種の機械学習の手法を用い得る。学習部45が用い得る機械学習の手法は、既に説明した教師あり学習及び強化学習の他に、教師なし学習、半教師あり学習、トランスダクティブ学習、マルチタスク学習及び転移学習等がある。学習部45は、これらの手法を組み合わせて用いてもよい。
本実施形態において、制御部40が機械学習の手法を用いて学習済みモデルを生成するために使用するデータについて説明する。
本実施形態の空気調和装置100が備える磁気軸受装置10は、磁気軸受のコイルに印加される電圧(電圧指令値)等を調整して、磁気浮上しているシャフト115の位置制御システムを備える。従来の位置制御システムは、予め定められた制御規則に基づいて、電圧指令値等を調整する。この場合、装置の品質のバラツキ、及び、システムの経時変化等によって適切な電圧指令値が得られず、シャフトの浮上制御の安定性が低下したり、浮上中に大きな外乱力が発生した場合にシャフトがタッチダウン軸受に接触したりするおそれがある。
第1実施形態では、状態変数取得部43は、状態変数として、変位センサ31,32の出力値を取得する。変位センサ31,32の出力値は、シャフト115の位置に相関するパラメータである。
(a)電圧指令値と電流検出値
(b)電流指令値と電圧検出値
(c)電流検出値と磁束検出値
第1及び第2実施形態では、図7に示される従来の制御部940の代わりに、学習機能を有する制御部40が用いられている。言い換えると、第1及び第2実施形態は、図7に示される位置検出部941、位置制御部942及び電流制御部943の全ての機能が学習機能を有する構成に関する。
本実施形態は、従来の制御部940の位置制御部942のみが学習機能を有する構成に関する。図18は、本実施形態における、シャフト115の位置制御システムのブロック構成図である。図18に示されるように、図7の位置制御部942に相当するブロックが、学習機能を有する学習制御部440に置き換えられている。学習制御部440は、第1及び第2実施形態の制御部40と同じ機能を有する。言い換えると、学習制御部440は、図9A及び図9Bに示されるように、状態変数取得部43と、評価データ取得部44と、学習部45と、決定部46とを有する。以下、第1及び第2実施形態の制御部40との相違点を中心に説明する。
本実施形態は、従来の制御部940の電流制御部943のみが学習機能を有する構成に関する。図19は、本実施形態における、シャフト115の位置制御システムのブロック構成図である。図19に示されるように、図7の電流制御部943に相当するブロックが、学習機能を有する学習制御部540に置き換えられている。学習制御部540は、第1及び第2実施形態の制御部40と同じ機能を有する。言い換えると、学習制御部540は、図9A及び図9Bに示されるように、状態変数取得部43と、評価データ取得部44と、学習部45と、決定部46とを有する。以下、第1及び第2実施形態の制御部40との相違点を中心に説明する。
以下、第1〜第5実施形態の少なくとも一部の変形例について説明する。
本変形例は、第1、第2及び第5実施形態において、評価データ取得部44は、判定データとして、磁気軸受21,22を駆動するための電流値に相関するパラメータをさらに用いる。評価データ取得部44は、評価データとして、磁気軸受21,22を駆動するための電流値をさらに取得する。更新部47は、磁気軸受21,22を駆動するための電流値を所定値以下にするように学習部45を学習させる。所定値とは、具体的には、磁気軸受21,22を駆動するためのインバータの許容電流値である。本変形例は、インバータの仕様が決まっている場合において、インバータの故障の発生を抑制することができる。
本変形例は、第1、第2及び第5実施形態において、評価データ取得部44は、判定データとして、磁気軸受21,22を駆動するためのインバータの温度に相関するパラメータをさらに用いる。評価データ取得部44は、評価データとして、磁気軸受21,22を駆動するためのインバータの温度をさらに取得する。更新部47は、インバータの温度を所定値以下にするように学習部45を学習させる。所定値とは、具体的には、インバータの許容温度である。本変形例は、インバータの仕様が決まっている場合において、インバータの故障の発生を抑制することができる。
本変形例は、第1、第2、第4及び第5実施形態において、状態変数取得部43は、状態変数として、磁気軸受21,22が電圧型インバータによって駆動される場合において磁気軸受21,22の電磁石の電流検出値をさらに取得し、磁気軸受21,22が電流型インバータによって駆動される場合において磁気軸受21,22の電磁石の電圧検出値をさらに取得する。
本変形例は、変形例Cにおいて、評価データ取得部44は、判定データとして、電流指令値及び位置検出値をさらに用いる。評価データ取得部44は、評価データとして、電流制御の応答性に関する量(応答レベル)をさらに取得する。応答レベルは、ゼロに近いほど好ましいパラメータである。応答レベルは、例えば、電流指令値を基準にした場合の電流検出値の偏差の絶対値、二乗平均平方根(RMS)又は二乗平均(MS)であってもよく、強制的に外乱を加えた場合の当該偏差のオーバーシュート量又は整定時間であってもよい。更新部47は、応答レベルを小さくするように学習部45を学習させる。
本変形例は、第1、第2、第4及び第5実施形態において、状態変数取得部43は、状態変数として、シャフト115の回転数をさらに取得する。
本変形例は、第1、第2、第4及び第5実施形態において、状態変数取得部43は、状態変数として、空気調和装置100の運転条件に相関する少なくとも1つのパラメータをさらに取得する。
(a)圧縮機110に吸入される冷媒の温度
(b)圧縮機110から吐出される冷媒の温度
(c)圧縮機110に吸入される冷媒の圧力
(d)圧縮機110から吐出される冷媒の圧力
(e)冷媒回路190を循環する冷媒の流量
(f)凝縮器120に流入する水の温度
(g)凝縮器120から流出する水の温度
(h)蒸発器140に流入する水の温度
(i)蒸発器140から流出する水の温度
(j)インレットガイドベーン113bの開度
(k)電動機114の回転数
(l)電動機114の回転角度
(m)電動機114のトルク
(n)電動機114の電流値
本変形例は、変形例Fにおいて、状態変数取得部43は、状態変数として、シャフト115に付与される電磁力に相関する少なくとも1つのパラメータをさらに取得する。
本変形例は、変形例Fにおいて、状態変数取得部43は、状態変数として、磁気軸受21,22の特性に相関する少なくとも1つのパラメータをさらに取得する。
本変形例は、第1、第2及び第5実施形態において、評価データ取得部44は、判定データとして、磁気軸受21,22の消費電力に相関するパラメータをさらに用いる。
本変形例は、変形例A,B,Iにおいて、状態変数取得部43は、状態変数として、空気調和装置100の運転条件に相関する少なくとも1つのパラメータをさらに取得する。空気調和装置100の運転条件に相関するパラメータは、変形例Fにおいて列挙されたパラメータ(a)〜(n)の少なくとも1つを含む。空気調和装置100の運転条件に相関するパラメータは、さらに、冷媒の種類に関する情報を含んでもよい。
本変形例は、第1、第2、第4及び第5実施形態において、評価データ取得部44は、判定データとして、電動機114によって駆動される圧縮機110に供給される入力エネルギーに相関する少なくとも1つのパラメータをさらに用いる。入力エネルギーに相関するパラメータとは、磁気軸受21,22の入力電流、磁気軸受21,22の入力電力、磁気軸受21,22を駆動するためのインバータの入力電流、磁気軸受21,22を駆動するためのインバータの入力電力、電動機114の入力電流、電動機114の入力電力、電動機114を駆動するためのインバータの入力電流、及び、電動機114を駆動するためのインバータの入力電力の少なくとも1つを含む。評価データ取得部44は、評価データとして、圧縮機110に供給される入力エネルギーをさらに取得する。
本変形例は、変形例Jにおいて、状態変数取得部43は、状態変数として、空気調和装置100の運転条件に相関する少なくとも1つのパラメータ、及び、シャフト115に連結される羽根車113aの断熱効率に相関する少なくとも1つのパラメータの少なくとも1つをさらに取得する。
本変形例では、状態変数取得部43は、状態変数として、変位センサ31,32の出力値を取得する場合に、変位センサ31,32の温度に相関するパラメータをさらに取得する。変位センサ31,32の温度に相関するパラメータは、変形例Fにおいて列挙されたパラメータ(a)〜(i)の少なくとも1つを含む。冷媒の温度に相関するパラメータは、さらに、冷媒の種類に関する情報を含んでもよい。
本変形例では、第1、第2、第4及び第5実施形態において、磁気軸受装置10の運転開始時等に、変位センサ31,32のキャリブレーションが行われる。キャリブレーションによって、例えば、変位センサ31,32の異常を検出することができる。
上記の各実施形態及び各変形例では、制御部40は、教師あり学習又は強化学習の手法を用いて、シャフト115の位置制御を適切に行うための条件を学習する。しかし、制御部40は、教師あり学習と強化学習とを組み合わせた手法を用いて、シャフト115の位置制御を適切に行うための条件を学習してもよい。
上記の各実施形態及び各変形例では、ラジアル磁気軸受21は、ベアリングレスモータ(シャフトを非接触で支持する機能を有する電動機)の支持機構を用いてもよい。
以上、本開示の実施形態を説明したが、特許請求の範囲に記載された本開示の趣旨及び範囲から逸脱することなく、形態や詳細の多様な変更が可能なことが理解されるであろう。
21 ラジアル磁気軸受(磁気軸受)
22 スラスト磁気軸受(磁気軸受)
31 ラジアル変位センサ(変位センサ)
32 スラスト変位センサ(変位センサ)
43 状態変数取得部
44 評価データ取得部
45 学習部
46 決定部
47 更新部
47a 蓄積部
47b 判定部
51 第1電磁石(電磁石)
52 第2電磁石(電磁石)
53 第3電磁石(電磁石)
54 第4電磁石(電磁石)
100 空気調和装置(冷凍装置)
110 圧縮機
113a 羽根車(インペラ)
115 シャフト
120 凝縮器
130 膨張機構
140 蒸発器
190 冷媒回路
第1実施形態に係る磁気軸受装置10を備える空気調和装置100について、図面を参照しながら説明する。
図1は、空気調和装置100の全体構成図である。空気調和装置100は、冷媒回路190を備える。冷媒回路190は、冷媒が充填された閉回路である。冷媒回路190には、圧縮機110、凝縮器120、膨張弁130、蒸発器140、及び、電動機冷却制御装置150が設けられている。圧縮機110には、種々の圧縮機を採用できる。本実施形態では、圧縮機110は、ターボ圧縮機である。圧縮機110は、電動機114によって駆動される。電動機114には、電動機制御装置160から電力が供給される。
磁気軸受装置10は、被支持体であるシャフト115を磁気浮上させることで、シャフト115を非接触で回転可能に支持する。磁気軸受装置10は、主として、1つ又は複数(本実施形態では3つ)の磁気軸受21,22と、1つ又は複数(本実施形態では5つ)の変位センサ31,32と、制御部40とを備える。
磁気軸受21,22は、被支持体を挟んで互いに対向する電磁石対を有する。磁気軸受21,22は、電磁石対の合成電磁力により被支持体を非接触に支持するように構成されている。磁気軸受21,22では、電磁石対に流れる電流を制御することにより、その電磁石対の合成電磁力を制御して、その電磁石対の対向方向における被支持体の位置を制御することができる。本実施形態では、磁気軸受装置10は、磁気軸受21,22として、2つのラジアル磁気軸受21と、1つのスラスト磁気軸受22とを備える。
図3は、ラジアル磁気軸受21の横断面図である。図4は、ラジアル磁気軸受21の縦断面図である。図3及び図4に示されるように、ラジアル磁気軸受21は、第1〜第4電磁石51〜54を有し、ヘテロポーラ型のラジアル磁気軸受を構成している。第1及び第2電磁石51,52は、シャフト115を挟んで互いに対向し、第1及び第2電磁石51,52の電磁力F1,F2によりシャフト115を非接触に支持する。第3及び第4電磁石53,54は、シャフト115を挟んで互いに対向し、第3及び第4電磁石53,54の電磁力F3,F4によりシャフト115を非接触に支持する。第3及び第4電磁石53,54の対向方向は、平面視において、第1及び第2電磁石51,52の対向方向と直交している。
図5は、スラスト磁気軸受22の平面図である。図6は、スラスト磁気軸受22の縦断面図である。図5及び図6に示されるように、スラスト磁気軸受22は、第1及び第2電磁石51,52を有している。第1及び第2電磁石51,52は、円盤部115aを水平方向に挟んで互いに対向し、第1及び第2電磁石51,52の電磁力F1,F2により円盤部115aを非接触に支持する。
変位センサ31,32は、いずれも渦電流式の変位センサである。変位センサ31,32は、被支持体を挟んで互いに対向する電磁石対(第1及び第2電磁石51,52の組)に対応して設けられる。変位センサ31,32は、変位センサ31,32の基準位置に対する被支持体の変位量を検出する。変位センサ31,32の基準位置とは、例えば、変位センサ31,32のセンサヘッドの位置、又は、電磁石対の対向方向における中央位置である。電磁石対の対向方向における中央位置とは、例えば、第1電磁石51と第2電磁石52との間の中央位置である。本実施形態では、磁気軸受装置10は、変位センサ31,32として、ラジアル変位センサ31と、スラスト変位センサ32とを有する。
ラジアル変位センサ31は、各ラジアル磁気軸受21に2つずつ設けられている。言い換えると、磁気軸受装置10は、4つのラジアル変位センサ31を備える。ラジアル変位センサ31は、ラジアル変位センサ31の基準位置に対する変位量を検出する。ラジアル変位センサ31の基準位置とは、例えば、ラジアル変位センサ31のセンサヘッドの位置、又は、シャフト115の中央位置である。各ラジアル磁気軸受21では、一方のラジアル変位センサ31が、ラジアル磁気軸受21の第1電磁石51と第2電磁石52との対向方向(X軸方向)の変位量を検出する。X軸方向は、ラジアル磁気軸受21の径方向である。他方のラジアル変位センサ31は、ラジアル磁気軸受21の第3電磁石53と第4電磁石54との対向方向(Y軸方向)の変位量を検出する。Y軸方向は、X軸方向と直交する、ラジアル磁気軸受21の径方向である。
磁気軸受装置10は、1つのスラスト変位センサ32を備える。スラスト変位センサ32は、スラスト磁気軸受22の第1電磁石51と第2電磁石52との対向方向(Z軸方向)の変位量を検出する。Z軸方向は、シャフト115の回転軸に沿った方向である。スラスト変位センサ32は、スラスト変位センサ32の基準位置に対する変位量を検出する。スラスト変位センサ32の基準位置とは、例えば、スラスト変位センサ32のセンサヘッドの位置、又は、円盤部115aの中央位置である。
制御部40は、被支持体(シャフト115及び円盤部115a)が非接触に支持されるように、1つ又は複数の磁気軸受21,22を制御する。制御部40は、各磁気軸受21,22の電磁力を制御することによって、被支持体の浮上制御を行う。制御部40は、具体的には、マイクロコンピュータと、それを動作させるためのソフトウェアを格納したメモリディバイス等から構成される。制御部40は、ラジアル制御部41と、スラスト制御部42とを有する。
ラジアル制御部41は、2つのラジアル磁気軸受21によるシャフト115の浮上制御を行う。この浮上制御では、ラジアル制御部41は、X軸方向及びY軸方向のそれぞれにおけるシャフト115の位置制御を行う。具体的には、ラジアル制御部41は、X軸方向及びY軸方向の各方向について、ラジアル変位センサ31が検出した変位量に基づいて、シャフト115の位置と、予め定められた位置指令値との差分値がゼロに収束するように、ラジアル磁気軸受21の第1〜第4電磁石51〜54を構成するそれぞれのコイル65に電流(制御電流)を流す。ラジアル制御部41は、各コイル65に制御電流が流れるように、各コイル65に印加される電圧(電圧指令値)を出力する。
スラスト制御部42は、スラスト磁気軸受22による円盤部115aの浮上制御を行う。この浮上制御では、スラスト制御部42は、Z軸方向における円盤部115aの位置制御を行う。具体的には、スラスト制御部42は、Z軸方向について、スラスト変位センサ32が検出した変位量に基づいて、円盤部115aの位置と、予め定められた位置指令値との差分値がゼロに収束するように、スラスト磁気軸受22の第1及び第2電磁石51,52を構成するそれぞれのコイル65に電流(制御電流)を流す。スラスト制御部42は、各コイル65に制御電流が流れるように、各コイル65に印加される電圧(電圧指令値)を出力する。
磁気軸受装置10は、シャフト115の位置制御システムを有する。位置制御システムでは、制御部40は、各磁気軸受21,22の電磁力を制御することによって、非接触支持されているシャフト115の位置制御を行う。
状態変数取得部43は、磁気軸受装置10の動作中に磁気軸受装置10の状態を観測して、観測された状態に関する情報を状態変数として取得する。言い換えると、状態変数取得部43は、磁気軸受装置10の状態が入力され、状態変数を出力する。状態変数は、シャフト115の位置に相関する少なくとも1つのパラメータを含む。本実施形態では、状態変数は、変位センサ31,32の出力値である。状態変数は、教師あり学習において教師データとして用いられる。
評価データ取得部44は、判定データを評価して、評価データを取得する。評価データは、教師あり学習において教師データとして用いられる。評価データは、シャフト115の位置の測定値、シャフト115の位置の目標値、及び、シャフト115の位置の目標値からの偏差に相関するパラメータ、のうちの少なくとも1つのパラメータを含む。評価データ取得部44は、例えば、判定データを所定の評価関数に入力して、評価関数の出力値を評価データとして取得する。言い換えると、評価データ取得部44は、判定データが入力され、評価データを出力する。判定データは、例えば、シャフト115の位置制御の評価に用いることができるデータである。本実施形態では、判定データは、シャフト115の可動範囲の中心位置(位置指令値)、及び、シャフト115の位置の検出値(位置検出値)である。位置指令値は、シャフト115の位置の目標値である。位置検出値は、例えば、変位センサ31,32の出力値から得られた、シャフト115の位置の検出値である。
学習部45は、シャフト115の位置制御を適切に行うための条件(位置制御条件)を、教師あり学習又は強化学習の手法を用いて学習する。学習部45は、更新部47の出力に従って位置制御条件を学習する。次に、教師あり学習を用いる場合の学習部45の動作について説明する。
更新部47は、評価データを用いて学習部45の学習状態を更新する。学習部45は、更新部47の出力(教師データ)に従って、識別関数のパラメータの変更を複数回行い、パラメータが変更された識別関数ごとに状態変数から制御条件(位置制御条件)を出力する。
決定部46は、学習部45による学習の結果得られた学習済みモデルに基づいて、シャフト115の位置に相関する新規の状態変数から、シャフト115の位置制御を適切に行うための条件(位置制御条件)を決定して出力する。シャフト115の位置に相関する状態変数は、変位センサ31,32の出力値である。位置制御条件は、磁気軸受装置10を駆動するための情報である。本実施形態では、位置制御条件は、磁気軸受装置10を駆動するための電流又は電圧であり、具体的には、磁気軸受21,22のコイル65に印加される電圧(電圧指令値)である。
学習部45が用いる機械学習の手法である教師あり学習について説明する。教師あり学習は、教師データを用いて、未知の入力データに対応する出力を生成する手法である。教師あり学習では、学習データと識別関数とが用いられる。学習データとは、入力データと、それに対応する教師データとの対の集合である。入力データは、例えば、特徴空間における特徴ベクトルである。教師データは、例えば、入力データの識別、分類及び評価に関するパラメータである。識別関数は、入力データから、それに対応する出力への写像を表す。教師あり学習は、事前に与えられた学習データを用いて、識別関数の出力と教師データとの誤差が小さくなるように、識別関数のパラメータを調整する手法である。教師あり学習で用いられるモデル又はアルゴリズムとしては、回帰分析、時系列分析、決定木、サポートベクターマシン、ニューラルネットワーク、アンサンブル学習等が挙げられる。
図10は、ニューラルネットワークのニューロンのモデルの模式図である。図11は、図10に示されるニューロンを組み合わせて構成した三層のニューラルネットワークの模式図である。図10に示されるように、ニューロンは、複数の入力x(図10では入力x1,x2,x3)に対する出力yを出力する。各入力x(図10では入力x1,x2,x3)には、対応する重みw(図10では重みw1,w2,w3)が乗算される。ニューロンは、次の式(1)を用いて出力yを出力する。
サポートベクターマシン(SVM)とは、最大マージンを実現する2クラス線形識別関数を求めるアルゴリズムである。図12は、SVMを説明するための図である。2クラス線形識別関数とは、図12に示される特徴空間において、2つのクラスC1,C2の学習データを線形分離するための超平面である識別超平面P1,P2を表す。図12において、クラスC1の学習データは円で示され、クラスC2の学習データは正方形で示されている。識別超平面のマージンとは、識別超平面に最も近い学習データと、識別超平面との間の距離である。図12には、識別超平面P1のマージンd1、及び、識別超平面P2のマージンd2が示されている。SVMでは、マージンが最大となるような識別超平面である最適識別超平面P1が求められる。一方のクラスC1の学習データと最適識別超平面P1との間の距離の最小値d1は、他方のクラスC2の学習データと最適識別超平面P2との間の距離の最小値d1と等しい。
決定木とは、複数の識別器を組み合わせて複雑な識別境界(非線形識別関数等)を得るためのモデルである。識別器とは、例えば、ある特徴軸の値と閾値との大小関係に関する規則である。学習データから決定木を構成する方法としては、例えば、特徴空間を2分割する規則(識別器)を求めることを繰り返す分割統治法がある。図14は、分割統治法によって構成された決定木の一例である。図15は、図14の決定木によって分割される特徴空間を表す。図15では、学習データは白丸又は黒丸で示され、図14に示される決定木によって、各学習データは、白丸のクラス又は黒丸のクラスに分類される。図14には、1から11までの番号が付されたノードと、ノード間を結びYes又はNoのラベルが付されたリンクとが示されている。図14において、終端ノード(葉ノード)は、四角で示され、非終端ノード(根ノード及び内部ノード)は、丸で示されている。終端ノードは、6から11までの番号が付されたノードであり、非終端ノードは、1から5までの番号が付されたノードである。各終端ノードには、学習データを表す白丸又は黒丸が示されている。各非終端ノードには、識別器が付されている。識別器は、特徴軸x1、x2の値と閾値a〜eとの大小関係を判断する規則である。リンクに付されたラベルは、識別器の判断結果を示す。図15において、識別器は点線で示され、識別器によって分割された領域には、対応するノードの番号が付されている。
ランダムフォレストは、アンサンブル学習の一種であって、複数の決定木を組み合わせて識別性能を強化する手法である。ランダムフォレストを用いる学習では、相関が低い複数の決定木からなる群(ランダムフォレスト)が生成される。ランダムフォレストの生成及び識別には、以下のアルゴリズムが用いられる。
(ii)選択されたd´個の特徴の中から、学習データの最適な分割を与える特徴と分割点(閾値)を求める。
学習部45が用いる機械学習の手法である強化学習について説明する。強化学習は、一連の行動の結果としての報酬が最大となるような方策を学習する手法である。強化学習で用いられるモデル又はアルゴリズムは、Q学習(Q−learning)等がある。Q学習は、状態sの下で行動aを選択する価値を表すQ値を学習する手法である。Q学習では、Q値が最も高い行動aが最適な行動として選択される。高いQ値を求めるため、行動aの主体(エージェント)には、状態sの下で選択した行動aに対して報酬が与えられる。Q学習では、エージェントが行動するたびに、以下の式(10)を用いて、Q値が更新される。
学習部45は、種種の機械学習の手法を用い得る。学習部45が用い得る機械学習の手法は、既に説明した教師あり学習及び強化学習の他に、教師なし学習、半教師あり学習、トランスダクティブ学習、マルチタスク学習及び転移学習等がある。学習部45は、これらの手法を組み合わせて用いてもよい。
本実施形態において、制御部40が機械学習の手法を用いて学習済みモデルを生成するために使用するデータについて説明する。
本実施形態の空気調和装置100が備える磁気軸受装置10は、磁気軸受のコイルに印加される電圧(電圧指令値)等を調整して、磁気浮上しているシャフト115の位置制御システムを備える。従来の位置制御システムは、予め定められた制御規則に基づいて、電圧指令値等を調整する。この場合、装置の品質のバラツキ、及び、システムの経時変化等によって適切な電圧指令値が得られず、シャフトの浮上制御の安定性が低下したり、浮上中に大きな外乱力が発生した場合にシャフトがタッチダウン軸受に接触したりするおそれがある。
―第2実施形態―
第1実施形態では、状態変数取得部43は、状態変数として、変位センサ31,32の出力値を取得する。変位センサ31,32の出力値は、シャフト115の位置に相関するパラメータである。
(b)電流指令値と電圧検出値
(c)電流検出値と磁束検出値
情報(a)を用いる場合、状態変数取得部43は、電圧指令値を入力し、電流検出値を取得することで、シャフト115の位置を推定する。
―第3実施形態―
第1及び第2実施形態では、図7に示される従来の制御部940の代わりに、学習機能を有する制御部40が用いられている。言い換えると、第1及び第2実施形態は、図7に示される位置検出部941、位置制御部942及び電流制御部943の全ての機能が学習機能を有する構成に関する。
―第4実施形態―
本実施形態は、従来の制御部940の位置制御部942のみが学習機能を有する構成に関する。図18は、本実施形態における、シャフト115の位置制御システムのブロック構成図である。図18に示されるように、図7の位置制御部942に相当するブロックが、学習機能を有する学習制御部440に置き換えられている。学習制御部440は、第1及び第2実施形態の制御部40と同じ機能を有する。言い換えると、学習制御部440は、図9A及び図9Bに示されるように、状態変数取得部43と、評価データ取得部44と、学習部45と、決定部46とを有する。以下、第1及び第2実施形態の制御部40との相違点を中心に説明する。
―第5実施形態―
本実施形態は、従来の制御部940の電流制御部943のみが学習機能を有する構成に関する。図19は、本実施形態における、シャフト115の位置制御システムのブロック構成図である。図19に示されるように、図7の電流制御部943に相当するブロックが、学習機能を有する学習制御部540に置き換えられている。学習制御部540は、第1及び第2実施形態の制御部40と同じ機能を有する。言い換えると、学習制御部540は、図9A及び図9Bに示されるように、状態変数取得部43と、評価データ取得部44と、学習部45と、決定部46とを有する。以下、第1及び第2実施形態の制御部40との相違点を中心に説明する。
―変形例―
以下、第1〜第5実施形態の少なくとも一部の変形例について説明する。
本変形例は、第1、第2及び第5実施形態において、評価データ取得部44は、判定データとして、磁気軸受21,22を駆動するための電流値に相関するパラメータをさらに用いる。評価データ取得部44は、評価データとして、磁気軸受21,22を駆動するための電流値をさらに取得する。更新部47は、磁気軸受21,22を駆動するための電流値を所定値以下にするように学習部45を学習させる。所定値とは、具体的には、磁気軸受21,22を駆動するためのインバータの許容電流値である。本変形例は、インバータの仕様が決まっている場合において、インバータの故障の発生を抑制することができる。
本変形例は、第1、第2及び第5実施形態において、評価データ取得部44は、判定データとして、磁気軸受21,22を駆動するためのインバータの温度に相関するパラメータをさらに用いる。評価データ取得部44は、評価データとして、磁気軸受21,22を駆動するためのインバータの温度をさらに取得する。更新部47は、インバータの温度を所定値以下にするように学習部45を学習させる。所定値とは、具体的には、インバータの許容温度である。本変形例は、インバータの仕様が決まっている場合において、インバータの故障の発生を抑制することができる。
本変形例は、第1、第2、第4及び第5実施形態において、状態変数取得部43は、状態変数として、磁気軸受21,22が電圧型インバータによって駆動される場合において磁気軸受21,22の電磁石の電流検出値をさらに取得し、磁気軸受21,22が電流型インバータによって駆動される場合において磁気軸受21,22の電磁石の電圧検出値をさらに取得する。
本変形例は、変形例Cにおいて、評価データ取得部44は、判定データとして、電流指令値及び位置検出値をさらに用いる。評価データ取得部44は、評価データとして、電流制御の応答性に関する量(応答レベル)をさらに取得する。応答レベルは、ゼロに近いほど好ましいパラメータである。応答レベルは、例えば、電流指令値を基準にした場合の電流検出値の偏差の絶対値、二乗平均平方根(RMS)又は二乗平均(MS)であってもよく、強制的に外乱を加えた場合の当該偏差のオーバーシュート量又は整定時間であってもよい。更新部47は、応答レベルを小さくするように学習部45を学習させる。
本変形例は、第1、第2、第4及び第5実施形態において、状態変数取得部43は、状態変数として、シャフト115の回転数をさらに取得する。
本変形例は、第1、第2、第4及び第5実施形態において、状態変数取得部43は、状態変数として、空気調和装置100の運転条件に相関する少なくとも1つのパラメータをさらに取得する。
(b)圧縮機110から吐出される冷媒の温度
(c)圧縮機110に吸入される冷媒の圧力
(d)圧縮機110から吐出される冷媒の圧力
(e)冷媒回路190を循環する冷媒の流量
(f)凝縮器120に流入する水の温度
(g)凝縮器120から流出する水の温度
(h)蒸発器140に流入する水の温度
(i)蒸発器140から流出する水の温度
(j)インレットガイドベーン113bの開度
(k)電動機114の回転数
(l)電動機114の回転角度
(m)電動機114のトルク
(n)電動機114の電流値
パラメータ(f)〜(i)の「水」は、凝縮器120又は蒸発器140において冷媒と熱交換される媒体である水を意味する。空気調和装置100の運転条件に相関するパラメータは、上記のパラメータ(a)〜(n)の少なくとも1つを含む。空気調和装置100の運転条件に相関するパラメータは、さらに、冷媒の種類に関する情報を含んでもよい。
本変形例は、変形例Fにおいて、状態変数取得部43は、状態変数として、シャフト115に付与される電磁力に相関する少なくとも1つのパラメータをさらに取得する。
本変形例は、変形例Fにおいて、状態変数取得部43は、状態変数として、磁気軸受21,22の特性に相関する少なくとも1つのパラメータをさらに取得する。
本変形例は、第1、第2及び第5実施形態において、評価データ取得部44は、判定データとして、磁気軸受21,22の消費電力に相関するパラメータをさらに用いる。
本変形例は、変形例A,B,Iにおいて、状態変数取得部43は、状態変数として、空気調和装置100の運転条件に相関する少なくとも1つのパラメータをさらに取得する。空気調和装置100の運転条件に相関するパラメータは、変形例Fにおいて列挙されたパラメータ(a)〜(n)の少なくとも1つを含む。空気調和装置100の運転条件に相関するパラメータは、さらに、冷媒の種類に関する情報を含んでもよい。
本変形例は、第1、第2、第4及び第5実施形態において、評価データ取得部44は、判定データとして、電動機114によって駆動される圧縮機110に供給される入力エネルギーに相関する少なくとも1つのパラメータをさらに用いる。入力エネルギーに相関するパラメータとは、磁気軸受21,22の入力電流、磁気軸受21,22の入力電力、磁気軸受21,22を駆動するためのインバータの入力電流、磁気軸受21,22を駆動するためのインバータの入力電力、電動機114の入力電流、電動機114の入力電力、電動機114を駆動するためのインバータの入力電流、及び、電動機114を駆動するためのインバータの入力電力の少なくとも1つを含む。評価データ取得部44は、評価データとして、圧縮機110に供給される入力エネルギーをさらに取得する。
本変形例は、変形例Jにおいて、状態変数取得部43は、状態変数として、空気調和装置100の運転条件に相関する少なくとも1つのパラメータ、及び、シャフト115に連結される羽根車113aの断熱効率に相関する少なくとも1つのパラメータの少なくとも1つをさらに取得する。
本変形例では、状態変数取得部43は、状態変数として、変位センサ31,32の出力値を取得する場合に、変位センサ31,32の温度に相関するパラメータをさらに取得する。変位センサ31,32の温度に相関するパラメータは、変形例Fにおいて列挙されたパラメータ(a)〜(i)の少なくとも1つを含む。冷媒の温度に相関するパラメータは、さらに、冷媒の種類に関する情報を含んでもよい。
本変形例では、第1、第2、第4及び第5実施形態において、磁気軸受装置10の運転開始時等に、変位センサ31,32のキャリブレーションが行われる。キャリブレーションによって、例えば、変位センサ31,32の異常を検出することができる。
上記の各実施形態及び各変形例では、制御部40は、教師あり学習又は強化学習の手法を用いて、シャフト115の位置制御を適切に行うための条件を学習する。しかし、制御部40は、教師あり学習と強化学習とを組み合わせた手法を用いて、シャフト115の位置制御を適切に行うための条件を学習してもよい。
上記の各実施形態及び各変形例では、ラジアル磁気軸受21は、ベアリングレスモータ(シャフトを非接触で支持する機能を有する電動機)の支持機構を用いてもよい。
―むすび―
以上、本開示の実施形態を説明したが、特許請求の範囲に記載された本開示の趣旨及び範囲から逸脱することなく、形態や詳細の多様な変更が可能なことが理解されるであろう。
21 ラジアル磁気軸受(磁気軸受)
22 スラスト磁気軸受(磁気軸受)
31 ラジアル変位センサ(変位センサ)
32 スラスト変位センサ(変位センサ)
43 状態変数取得部
44 評価データ取得部
45 学習部
46 決定部
47 更新部
47a 蓄積部
47b 判定部
51 第1電磁石(電磁石)
52 第2電磁石(電磁石)
53 第3電磁石(電磁石)
54 第4電磁石(電磁石)
100 空気調和装置(冷凍装置)
110 圧縮機
113a 羽根車(インペラ)
115 シャフト
120 凝縮器
130 膨張機構
140 蒸発器
190 冷媒回路
Claims (23)
- シャフト(115)に電磁力を付与する複数の電磁石(51〜54)を有する磁気軸受(21,22)を備える磁気軸受装置(10)の制御条件を学習する機械学習装置であって、
学習部(45)と、
前記シャフトの位置に相関する少なくとも1つのパラメータを含む状態変数を取得する状態変数取得部(43)と、
前記シャフトの位置の測定値、前記シャフトの位置の目標値、及び、前記目標値からの偏差に相関するパラメータのうちの少なくとも1つのパラメータを含む評価データを取得する評価データ取得部(44)と、
前記評価データを用いて前記学習部の学習状態を更新する更新部(47)と、
を備え、
前記学習部は、前記更新部の出力に従って、前記制御条件を学習する、
機械学習装置。 - 前記状態変数は、前記シャフトの位置に応じた信号を出力する変位センサ(31,32)の出力値を少なくとも含み、
前記学習部は、前記電磁石の電圧値、及び、前記電磁石の電流値の少なくとも1つを前記制御条件として学習する、
請求項1に記載の機械学習装置。 - 前記状態変数は、前記電磁石の電流値及び電圧値、又は、前記電磁石の電流値及び磁束を少なくとも含み、
前記学習部は、前記電磁石の電圧値、及び、前記電磁石の電流値の少なくとも1つを前記制御条件として学習する、
請求項1に記載の機械学習装置。 - 前記状態変数は、前記シャフトの位置に応じた信号を出力する変位センサ(31,32)の出力値を少なくとも含み、
前記評価データは、前記シャフトの位置の真値を少なくとも含み、
前記学習部は、前記シャフトの位置を前記制御条件として学習する、
請求項1に記載の機械学習装置。 - 前記状態変数は、前記電磁石の電流値及び電圧値、又は、前記電磁石の電流値及び磁束を少なくとも含み、
前記評価データは、前記シャフトの位置の真値を少なくとも含み、
前記学習部は、前記シャフトの位置を前記制御条件として学習する、
請求項1に記載の機械学習装置。 - 前記状態変数は、前記シャフトの位置の検出値、及び、前記シャフトの位置の指令値を少なくとも含み、
前記学習部は、前記電磁石の電圧値、及び、前記電磁石の電流値の少なくとも1つを前記制御条件として学習する、
請求項1に記載の機械学習装置。 - 前記更新部は、前記磁気軸受を駆動するための電流値を所定の許容値以下にするように前記学習部をさらに学習させる、
請求項2又は3に記載の機械学習装置。 - 前記評価データは、前記磁気軸受を駆動するインバータの温度に相関するパラメータをさらに含み、
前記更新部は、前記インバータの温度を所定の許容値以下にするように前記学習部をさらに学習させる、
請求項2又は3に記載の機械学習装置。 - 前記状態変数は、
前記磁気軸受が電圧型インバータによって駆動される場合には前記電磁石の電流検出値をさらに含み、
前記磁気軸受が電流型インバータによって駆動される場合には前記電磁石の電圧検出値をさらに含む、
請求項2,3及び6のいずれか1項に記載の機械学習装置。 - 前記更新部は、前記電流値の制御の応答性に相関する値を小さくするために前記学習部をさらに学習させる、
請求項9に記載の機械学習装置。 - 前記状態変数は、前記シャフトの回転数をさらに含む、
請求項2,3及び6のいずれか1項に記載の機械学習装置。 - 前記状態変数は、冷凍装置(100)の運転条件に相関する少なくとも1つのパラメータをさらに含み、
前記冷凍装置は、圧縮機(110)と、凝縮器(120)と、膨張機構(130)と、蒸発器(140)とが接続された冷媒回路(190)を備え、
前記運転条件は、前記冷凍装置の冷凍能力の範囲、及び、前記冷媒回路を循環する冷媒と熱交換される媒体であって前記凝縮器に流入する前記媒体の温度の範囲を含む、
請求項2,3及び6のいずれか1項に記載の機械学習装置。 - 前記状態変数は、前記シャフトに付与される電磁力に相関する少なくとも1つのパラメータをさらに含み、
前記電磁力に相関するパラメータは、前記冷凍装置の冷媒負荷に相関するパラメータ、及び、前記冷凍装置の物理特性に相関するパラメータの少なくとも1つを含む、
請求項12に記載の機械学習装置。 - 前記状態変数は、前記磁気軸受の特性に相関する少なくとも1つのパラメータをさらに含み、
前記磁気軸受の特性に相関するパラメータは、前記電磁石のコイルのインダクタンスに相関するパラメータ、及び、前記電磁石のコイルの抵抗に相関するパラメータの少なくとも1つを含む、
請求項12に記載の機械学習装置。 - 前記評価データは、前記磁気軸受の消費電力に相関するパラメータをさらに含み、
前記更新部は、前記消費電力を小さくするために前記学習部をさらに学習させ、
前記消費電力に相関するパラメータは、前記磁気軸受を駆動するための電流値、前記磁気軸受を駆動するための電圧値、及び、前記電磁石のコイルの抵抗のうちの少なくとも2つを含む、
請求項2又は3に記載の機械学習装置。 - 前記状態変数は、冷凍装置(100)の運転条件に相関する少なくとも1つのパラメータをさらに含み、
前記冷凍装置は、圧縮機(110)と、凝縮器(120)と、膨張機構(130)と、蒸発器(140)とが接続された冷媒回路(190)を備え、
前記運転条件は、前記冷凍装置の冷凍能力の範囲、及び、前記冷媒回路を循環する冷媒と熱交換される媒体であって前記凝縮器に流入する前記媒体の温度の範囲を含む、
請求項7,8及び15のいずれか1項に記載の機械学習装置。 - 前記評価データは、圧縮機(110)に供給される入力エネルギーに相関する少なくとも1つのパラメータをさらに含み、
前記更新部は、前記入力エネルギーを小さくするために前記学習部をさらに学習させる、
請求項2,3及び6のいずれか1項に記載の機械学習装置。 - 前記状態変数は、冷凍装置(100)の運転条件に相関する少なくとも1つのパラメータ、及び、前記シャフトに連結されるインペラ(113a)の断熱効率に相関する少なくとも1つのパラメータの少なくとも1つをさらに含み、
前記冷凍装置は、圧縮機(110)と、凝縮器(120)と、膨張機構(130)と、蒸発器(140)とが接続された冷媒回路(190)を備え、
前記運転条件は、前記冷凍装置の冷凍能力の範囲、及び、前記冷媒回路を循環する冷媒と熱交換される媒体であって前記凝縮器に流入する前記媒体の温度の範囲を含み、
前記インペラの断熱効率に相関するパラメータは、前記冷媒の圧力に相関するパラメータ、及び、前記冷媒の温度に相関するパラメータの少なくとも1つを含む、
請求項17に記載の機械学習装置。 - 前記状態変数は、前記変位センサの温度に相関するパラメータをさらに含む、
請求項2又は4に記載の機械学習装置。 - 前記更新部は、前記評価データに基づいて報酬を算出し、
前記学習部は、前記報酬を用いて学習する、
請求項1から19のいずれか1項に記載の機械学習装置。 - 前記学習部は、前記更新部の出力に従って、関数のパラメータの変更を複数回行い、前記パラメータが変更された前記関数ごとに前記状態変数から前記制御条件を出力し、
前記更新部は、蓄積部(47a)と、判定部(47b)とを備え、
前記判定部は、前記評価データを判定して、判定結果を出力し、
前記蓄積部は、前記判定結果に基づいて、前記状態変数及び前記評価データから教師データを作成して蓄積し、
前記学習部は、前記蓄積部に蓄積された前記教師データに基づいて学習する、
請求項1から19のいずれか1項に記載の機械学習装置。 - 前記学習部が学習した結果得られた学習済みモデルに基づいて、前記制御条件を出力する、
請求項1から21のいずれか1項に記載の機械学習装置。 - 請求項22に記載の機械学習装置を備える、磁気軸受装置。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019048948A JP6828762B2 (ja) | 2019-03-15 | 2019-03-15 | 機械学習装置、及び、磁気軸受装置 |
CN202080020858.8A CN113574289B (zh) | 2019-03-15 | 2020-03-13 | 机器学习装置和磁轴承装置 |
PCT/JP2020/011162 WO2020189565A1 (ja) | 2019-03-15 | 2020-03-13 | 機械学習装置、及び、磁気軸受装置 |
EP20773439.3A EP3940254B1 (en) | 2019-03-15 | 2020-03-13 | Machine-learning device and magnetic bearing device |
US17/435,242 US20220056953A1 (en) | 2019-03-15 | 2020-03-13 | Machine learning device and magnetic bearing device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019048948A JP6828762B2 (ja) | 2019-03-15 | 2019-03-15 | 機械学習装置、及び、磁気軸受装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020148329A true JP2020148329A (ja) | 2020-09-17 |
JP6828762B2 JP6828762B2 (ja) | 2021-02-10 |
Family
ID=72429391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019048948A Active JP6828762B2 (ja) | 2019-03-15 | 2019-03-15 | 機械学習装置、及び、磁気軸受装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220056953A1 (ja) |
EP (1) | EP3940254B1 (ja) |
JP (1) | JP6828762B2 (ja) |
CN (1) | CN113574289B (ja) |
WO (1) | WO2020189565A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022052545A (ja) * | 2020-09-23 | 2022-04-04 | ダイキン工業株式会社 | 情報処理装置、情報処理方法、及びプログラム |
JP7445718B1 (ja) | 2022-08-24 | 2024-03-07 | 東京瓦斯株式会社 | 熱源システム |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7093527B2 (ja) * | 2020-11-20 | 2022-06-30 | 株式会社エイシング | 情報処理装置、方法、プログラム及びシステム |
CN114720128B (zh) * | 2022-05-12 | 2022-12-27 | 珠海格力电器股份有限公司 | 一种电磁轴承控制方法、装置及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0699373A (ja) * | 1992-09-21 | 1994-04-12 | Toyoda Mach Works Ltd | ロボット制御装置 |
JPH09191683A (ja) * | 1996-01-12 | 1997-07-22 | Matsushita Electric Ind Co Ltd | インバータ装置 |
JP2001165163A (ja) * | 1999-12-03 | 2001-06-19 | Ebara Densan Ltd | 磁気軸受制御装置 |
JP2002174199A (ja) * | 2000-12-05 | 2002-06-21 | Nsk Ltd | レーザ発振器ブロワ用軸受装置 |
CN103631137A (zh) * | 2013-10-08 | 2014-03-12 | 江苏大学 | 五自由度交流主动磁轴承混合核函数支持向量机检测方法 |
JP2018005739A (ja) * | 2016-07-06 | 2018-01-11 | 株式会社デンソー | ニューラルネットワークの強化学習方法及び強化学習装置 |
WO2018033945A1 (ja) * | 2016-08-18 | 2018-02-22 | ダイキン工業株式会社 | 磁気軸受装置、及びそれを用いた流体機械システム |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2564510Y2 (ja) | 1990-07-31 | 1998-03-09 | エヌティエヌ株式会社 | 磁気軸受装置 |
US6965181B1 (en) * | 1997-09-15 | 2005-11-15 | Mohawk Innovative Technology, Inc. | Hybrid foil-magnetic bearing with improved load sharing |
US6323614B1 (en) * | 1998-09-04 | 2001-11-27 | The Texas A&M University System | System and method for controlling suspension using a magnetic field |
JP2008190376A (ja) * | 2007-02-02 | 2008-08-21 | Ntn Corp | 空気サイクル冷凍機用タービンユニット |
EP2829756B1 (en) * | 2013-07-26 | 2016-06-29 | SKF Magnetic Mechatronics S.A.S. | Auxiliary bearing of the ball bearing type for a magnetically suspended rotor system |
JP6241551B2 (ja) * | 2014-09-01 | 2017-12-06 | ダイキン工業株式会社 | 磁気軸受 |
WO2017098541A1 (ja) * | 2015-12-10 | 2017-06-15 | ダイキン工業株式会社 | 磁気軸受装置および圧縮機 |
DE112018000122T8 (de) * | 2018-06-14 | 2020-04-09 | Mitsubishi Electric Corporation | Maschinelles-Lernen-Vorrichtung, Korrekturparameter-Anpassungssystem und Maschinelles-Lernen-Verfahren |
-
2019
- 2019-03-15 JP JP2019048948A patent/JP6828762B2/ja active Active
-
2020
- 2020-03-13 US US17/435,242 patent/US20220056953A1/en active Pending
- 2020-03-13 EP EP20773439.3A patent/EP3940254B1/en active Active
- 2020-03-13 CN CN202080020858.8A patent/CN113574289B/zh active Active
- 2020-03-13 WO PCT/JP2020/011162 patent/WO2020189565A1/ja active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0699373A (ja) * | 1992-09-21 | 1994-04-12 | Toyoda Mach Works Ltd | ロボット制御装置 |
JPH09191683A (ja) * | 1996-01-12 | 1997-07-22 | Matsushita Electric Ind Co Ltd | インバータ装置 |
JP2001165163A (ja) * | 1999-12-03 | 2001-06-19 | Ebara Densan Ltd | 磁気軸受制御装置 |
JP2002174199A (ja) * | 2000-12-05 | 2002-06-21 | Nsk Ltd | レーザ発振器ブロワ用軸受装置 |
CN103631137A (zh) * | 2013-10-08 | 2014-03-12 | 江苏大学 | 五自由度交流主动磁轴承混合核函数支持向量机检测方法 |
JP2018005739A (ja) * | 2016-07-06 | 2018-01-11 | 株式会社デンソー | ニューラルネットワークの強化学習方法及び強化学習装置 |
WO2018033945A1 (ja) * | 2016-08-18 | 2018-02-22 | ダイキン工業株式会社 | 磁気軸受装置、及びそれを用いた流体機械システム |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022052545A (ja) * | 2020-09-23 | 2022-04-04 | ダイキン工業株式会社 | 情報処理装置、情報処理方法、及びプログラム |
JP7093031B2 (ja) | 2020-09-23 | 2022-06-29 | ダイキン工業株式会社 | 情報処理装置、情報処理方法、及びプログラム |
US11774955B1 (en) | 2020-09-23 | 2023-10-03 | Daikin Industries, Ltd. | Information processing apparatus, information processing method, and program |
JP7445718B1 (ja) | 2022-08-24 | 2024-03-07 | 東京瓦斯株式会社 | 熱源システム |
Also Published As
Publication number | Publication date |
---|---|
EP3940254A4 (en) | 2022-11-30 |
JP6828762B2 (ja) | 2021-02-10 |
CN113574289B (zh) | 2023-06-09 |
US20220056953A1 (en) | 2022-02-24 |
EP3940254A1 (en) | 2022-01-19 |
CN113574289A (zh) | 2021-10-29 |
EP3940254B1 (en) | 2023-12-06 |
WO2020189565A1 (ja) | 2020-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020189565A1 (ja) | 機械学習装置、及び、磁気軸受装置 | |
US11774923B2 (en) | Augmented deep learning using combined regression and artificial neural network modeling | |
Li et al. | A semi-supervised approach to fault detection and diagnosis for building HVAC systems based on the modified generative adversarial network | |
WO2021107054A1 (ja) | 機械学習装置、デマンド制御システム、及び、空調制御システム | |
Li et al. | Diagnosis for multiple faults of chiller using ELM-KNN model enhanced by multi-label learning and specific feature combinations | |
Qin et al. | IIoT-enabled health monitoring for integrated heat pump system using mixture slow feature analysis | |
Djelloul et al. | Fault diagnosis of manufacturing systems using data mining techniques | |
Dey et al. | Semi-supervised learning techniques for automated fault detection and diagnosis of HVAC systems | |
Gupta et al. | Lightweight computational intelligence for IoT health monitoring of off-road vehicles: Enhanced selection log-scaled mutation GA structured ANN | |
Nourmohammadzadeh et al. | Fault classification of a centrifugal pump in normal and noisy environment with artificial neural network and support vector machine enhanced by a genetic algorithm | |
JP7275305B2 (ja) | 故障予測装置、学習装置、および学習方法 | |
Ilott et al. | Fault diagnosis of pumping machinery using artificial neural networks | |
Martin et al. | Automated eigenmode classification for airfoils in the presence of fixation uncertainties | |
JP2021056893A (ja) | 機械学習装置、及び、空調制御システム | |
Dey et al. | Automated terminal unit performance analysis employing x-RBF neural network and associated energy optimisation–A case study based approach | |
Otaka et al. | Refrigerated showcase fault analysis by a Correntropy based artificial neural network using particle swarm optimization | |
Otaka et al. | Refrigerated showcase fault detection by a pasting based artificial neural networks using parallel multi-population modified brain storm optimization and Correntropy | |
Dutta et al. | Application of machine learning algorithm for anomaly detection for industrial pumps | |
Muscat et al. | Hierarchical fuzzy support vector machine (SVM) for rail data classification | |
Liu et al. | A hybrid data-fusion estimate method for health status of train braking system | |
Yuwono et al. | Automatic feature selection using multiobjective cluster optimization for fault detection in a heating ventilation and air conditioning system | |
Bam et al. | Machine learning-based predictive maintenance for diagnostics and prognostics of engineering systems | |
Turunen | Machine learning for centrifugal pump condition monitoring using data from variable frequency drive | |
Otaka et al. | Refrigerated showcase fault detection by a correntropy based artificial neural network using fast brain storm optimization | |
Dudley et al. | Semi-Supervised Learning Techniques for Automated Fault Detection and Diagnosis of HVAC System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200317 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200602 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200728 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20201222 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210104 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 6828762 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |