JP2021135774A - 回転電機の場予測装置、予測モデルの学習方法、及び回転電機制御システム - Google Patents

回転電機の場予測装置、予測モデルの学習方法、及び回転電機制御システム Download PDF

Info

Publication number
JP2021135774A
JP2021135774A JP2020031841A JP2020031841A JP2021135774A JP 2021135774 A JP2021135774 A JP 2021135774A JP 2020031841 A JP2020031841 A JP 2020031841A JP 2020031841 A JP2020031841 A JP 2020031841A JP 2021135774 A JP2021135774 A JP 2021135774A
Authority
JP
Japan
Prior art keywords
learning
prediction
encoder
data
decoder
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.)
Pending
Application number
JP2020031841A
Other languages
English (en)
Inventor
啓 町田
Hiroshi Machida
啓 町田
宏紀 坂本
Hiroki Sakamoto
宏紀 坂本
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Meidensha Corp
Meidensha Electric Manufacturing Co Ltd
Original Assignee
Meidensha Corp
Meidensha Electric Manufacturing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Meidensha Corp, Meidensha Electric Manufacturing Co Ltd filed Critical Meidensha Corp
Priority to JP2020031841A priority Critical patent/JP2021135774A/ja
Publication of JP2021135774A publication Critical patent/JP2021135774A/ja
Pending legal-status Critical Current

Links

Images

Landscapes

  • Control Of Ac Motors In General (AREA)

Abstract

【課題】回転電機の内部に形成される場の量を予測モデルによって予測する回転電機の場予測装置を提供すること。【解決手段】回転電機の場予測装置は、三相交流電流が流れると回転磁場を生成する固定子と回転磁場によって回転する回転子とを備える回転電機の内部における場の量を予測する。場予測装置は、回転電機のｄ軸電流、ｑ軸電流及び機械角又はこれらパラメータに基づいて生成される入力データが入力されるとニューラルネットワークに基づいて回転電機の内部におけるベクトルポテンシャルの予測量を含む出力データを出力する予測モデル６２を備える。予測モデル６２は、オートエンコーダ６５の第１学習デコーダ６５２に基づいて構築される予測デコーダ６２２と、第２学習エンコーダ６６１に基づいて構築される予測エンコーダ６２１と、を備える。【選択図】図２

Description

本発明は、回転電機の場予測装置、予測モデルの学習方法、及び回転電機制御システムに関する。より詳しくは、回転電機の内部における場の量を予測モデルによって予測する回転電機の場予測装置、予測モデルの学習方法、及び場予測装置を備える回転電機制御システムに関する。
ある構造物の内部においてエネルギ源（例えば、熱源や電流等）によって形成される場（例えば、温度や磁場等）の量を解析する技術の一つとして、有限要素法（以下、「ＦＥＭ（Ｆｉｎｉｔｅ Ｅｌｅｍｅｎｔ Ｍｅｔｈｏｄ）」との略称を用いる）に基づく数値解析方法が広く用いられている。一般的にＦＥＭに基づく数値解析方法は、節点数が多くなるほど計算量も増加するため、大型の計算サーバや高性能なワークステーションを必要とする。またＦＥＭに基づく数値解析を行うためには、ソフトウェアの知識やモデリング技術も必要とされる。また１ショットにかかる計算時間も膨大であるため、エネルギ源の条件を僅かに変更して再計算を行うだけでも膨大な時間がかかる。
本願出願人による特許文献１には、熱源から供給される熱が伝達するアルミ板に定められた予測エリア内の温度分布を、ニューラルネットワークによって構築された予測モデルで予測する状態予測装置に関する発明が示されている。特許文献１に示された発明では、熱源位置及び熱源温度等の熱源の条件に関する正解ラベルデータと、この熱源の条件の下でシミュレーションを行うことによって算出される温度分布に関する分布データとを含むサンプルデータを用いて予測モデルの学習を行うことにより、ＦＥＭに基づく演算を経ることなくアルミ板における温度分布の予測を可能としている。
特願２０１９−１３３９９９号
以上のように特許文献１には、エネルギ源を熱源とし、この熱源によってアルミ板に形成される温度分布を予測する技術について記載されている。ところで固定子と回転子とを備える回転電機の内部には、コイルを流れる三相交流電流や永久磁石等によって様々な場が形成され、また回転電機の内部に形成される場は回転子の位置によって変化すると考えられるが、特許文献１ではこのような回転電機への応用については具体的に検討されていない。
本発明は、回転電機の内部に形成される場の量を予測モデルによって予測する回転電機の場予測装置、この予測モデルを学習する予測モデルの学習方法、及びこの場予測装置を備える回転電機制御システムを提供することを目的とする。
（１）本発明に係る回転電機（例えば、後述の回転電機２）の場予測装置（例えば、後述の場予測装置６，６Ａ，６Ｂ）は、三相交流電流が流れると回転磁場を生成する固定子（例えば、後述の固定子２２）と回転磁場によって回転する回転子（例えば、後述の回転子２１）とを備える回転電機の内部における場の量を予測するものであって、前記回転電機のｄ軸電流、ｑ軸電流及び機械角又はこれらパラメータに基づいて生成される入力データが入力されるとニューラルネットワークに基づいて前記回転電機の内部における場の予測量を含む出力データを出力する予測モデル（例えば、後述の予測モデル６２，６２Ａ，７）を備えることを特徴とする。
（２）この場合、前記回転電機の内部には、前記回転子の軸線に対し直交する断面視で格子状に区画することによって、複数の節点と、互いに隣接する前記節点によって囲まれる複数の面要素と、が定義され、前記予測モデルは、前記節点又は前記面要素におけるスカラー場又はベクトル場の予測量を算出することが好ましい。
（３）この場合、前記予測モデルは、前記節点におけるスカラー場であるベクトルポテンシャルの予測量を算出することが好ましい。
（４）この場合、前記予測モデルの出力データに基づいて、前記面要素におけるベクトル場である磁束密度の予測量の分布を算出する磁束密度分布算出部（例えば、後述の磁束密度分布算出部６３）をさらに備えることが好ましい。
（５）この場合、複数の前記節点は、前記固定子上に定められる固定子節点と、前記回転子上に定められる回転子節点と、前記固定子の内周面と前記回転子の外周面との間に定められるギャップ節点と、に分けられ、複数の前記面要素は、互いに隣接する前記固定子節点によって囲まれる固定子面要素と、互いに隣接する前記回転子節点によって囲まれる回転子面要素と、互いに隣接する前記ギャップ節点によって囲まれるギャップ面要素と、に分けられ、複数の前記固定子節点の一部及び複数の前記ギャップ節点の一部は前記回転子の回転中心を中心とした円周上に定められ、前記固定子節点及び前記固定子面要素は、前記回転中心を原点とした静止座標系に定められ、前記回転子節点、前記ギャップ節点、前記回転子面要素、及び前記ギャップ面要素は、前記回転中心を原点としかつ前記静止座標系に対し前記機械角に比例する角度で傾斜する回転座標系に定められ、前記予測モデルの出力データは、前記各節点におけるベクトルポテンシャルの予測量を要素とした配列であり、前記磁束密度分布算出部は、前記静止座標系での前記回転子面要素及び前記ギャップ面要素の位置と、前記予測モデルの出力データのうちこれら面要素における磁束密度と相関のある要素番号とを関連付ける変換マップと、前記予測モデルの出力データとに基づいて前記固定子面要素、前記回転子面要素、及び前記ギャップ面要素における磁束密度の予測量の前記静止座標系における分布を算出することが好ましい。
（６）この場合、前記変換マップは、前記機械角に対するサンプリング角と関連付けた状態で記憶媒体に複数記憶されており、前記磁束密度分布算出部は、前記機械角と複数の前記サンプリング角の何れかと一致する場合には、当該サンプリング角と関連付けられた前記変換マップを参照して磁束密度の予測量の前記静止座標系における分布を算出し、前記機械角と複数の前記サンプリング角の何れかとも一致しない場合には、補間演算を行うことによって磁束密度の予測量の前記静止座標系における分布を算出することが好ましい。
（７）この場合、前記予測モデルは、前記面要素におけるベクトル場である磁束密度の予測量を算出することが好ましい。
（８）この場合、複数の前記節点は、前記固定子上に定められる固定子節点と、前記回転子上に定められる回転子節点と、前記固定子の内周面と前記回転子の外周面との間に定められるギャップ節点と、に分けられ、複数の前記面要素は、互いに隣接する前記固定子節点によって囲まれる固定子面要素と、互いに隣接する前記回転子節点によって囲まれる回転子面要素と、互いに隣接する前記ギャップ節点によって囲まれるギャップ面要素と、に分けられ、複数の前記固定子節点の一部及び複数の前記ギャップ節点の一部は前記回転子の回転中心を中心とした円周上に定められ、前記固定子節点及び前記固定子面要素は、前記回転中心を原点とした静止座標系に定められ、前記回転子節点、前記ギャップ節点、前記回転子面要素、及び前記ギャップ面要素は、前記回転中心を原点としかつ前記静止座標系に対し前記機械角に比例する角度で傾斜する回転座標系に定められ、前記予測モデルの出力データは、前記各面要素における磁束密度の予測量を要素とした配列であり、前記静止座標系での前記回転子面要素又は前記ギャップ面要素の位置と、前記予測モデルの出力データの要素番号とを関連付ける変換マップと、前記予測モデルの出力データとに基づいて前記固定子面要素、前記回転子面要素及び前記ギャップ面要素における磁束密度の予測量の前記静止座標系における分布を算出する磁束密度分布算出部を備えることが好ましい。
（９）この場合、前記変換マップは、前記機械角に対するサンプリング角と関連付けられた状態で記憶媒体に複数記憶されており、前記磁束密度分布算出部は、前記機械角と複数の前記サンプリング角の何れかと一致する場合には、当該サンプリング角と関連付けられた前記変換マップを参照して磁束密度の予測量の前記静止座標系における分布を算出し、前記機械角と複数の前記サンプリング角の何れかとも一致しない場合には、補間演算を行うことによって磁束密度の予測量の前記静止座標系における分布を算出することが好ましい。
（１０）この場合、前記入力データは、前記ｄ軸電流、前記ｑ軸電流、前記機械角の正弦及び余弦、並びに前記回転電機の電気角の正弦及び余弦を含み、前記予測モデルは、前記入力データが入力されると特徴量を出力する予測エンコーダ（例えば、後述の予測エンコーダ６２１，６２１Ａ）と、前記特徴量が入力されると前記回転電機の内部における場の予測量に関する情報を含む出力データを出力する予測デコーダ（例えば、後述の予測デコーダ６２２，６２２Ａ）と、を備えることが好ましい。
（１１）この場合、前記入力データは、前記ｄ軸電流、前記ｑ軸電流、前記機械角に比例する前記回転電機の電気角の正弦及び余弦を含む第１入力データと、前記機械角の正弦及び余弦、並びに前記機械角の整数倍の正弦及び余弦を含む第２入力データと、に分けられ、前記予測モデルは、前記第１入力データが入力されると第１特徴量を出力する第１予測エンコーダ（例えば、後述の第１予測エンコーダ７２）と、前記第１特徴量が入力されると前記回転電機の内部における場の予測量に関する情報を含む第１出力データを出力する第１予測デコーダ（例えば、後述の第１予測デコーダ７３）と、前記第２入力データが入力されると第２特徴量を出力する第２予測エンコーダ（例えば、後述の第２予測エンコーダ７５）と、前記第２特徴量が入力されると前記回転電機の内部における場の予測量に関する情報を含む第２出力データを出力する第２予測デコーダ（例えば、後述の第２予測デコーダ７６）と、前記第１出力データと前記第２出力データとを合成する合成部（例えば、後述の合成部７７）と、を備えることが好ましい。
（１２）本発明に係る予測モデルの学習方法は、（１０）に記載の予測モデルをコンピュータによって学習する方法であって、複数組の異なる前記入力データの下でシミュレーションを行うことによって前記回転電機の内部における場の予測量を算出し、複数の学習データを生成する工程と、前記入力データと前記学習データとを関連付けて保存する工程と、第１学習エンコーダ及び第１学習デコーダを備えるオートエンコーダを準備し、前記第１学習エンコーダに前記学習データを入力した場合に前記第１学習デコーダから出力される出力データと前記学習データとの差が所定値以下になるまで前記第１学習エンコーダ及び前記第１学習デコーダを学習する工程と、前記入力データと、当該入力データと関連付けられた前記学習データと、当該学習データを学習済みの前記第１学習エンコーダに入力した場合に当該第１学習エンコーダから出力される特徴量と、を関連付けて保存する工程と、第２学習エンコーダを準備し、当該第２学習エンコーダに前記入力データを入力した場合に当該第２学習エンコーダから出力される出力データと前記入力データと関連付けられた前記特徴量との差が所定値以下になるまで前記第２学習エンコーダを学習する工程と、学習済みの前記第２学習エンコーダを前記予測エンコーダとし、学習済みの前記第１学習デコーダを前記予測デコーダとし、前記予測エンコーダ及び前記予測デコーダを組み合わせることによって前記予測モデルを構築する工程と、前記予測エンコーダに前記入力データを入力した場合に前記予測デコーダから出力される出力データと前記入力データと関連付けられた前記学習データとの差が所定値以下になるまで、前記予測エンコーダに対しては重みを凍結しないファインチューニング学習を行うとともに前記予測デコーダに対しては重みを凍結した転移学習を行うことを特徴とする。
（１３）本発明に係る予測モデルの学習方法は、（１０）に記載の予測モデルをコンピュータによって学習する方法であって、複数組の異なる前記入力データの下でシミュレーションを行うことによって前記回転電機の内部における場の予測量を算出し、複数の学習データを生成する工程と、前記入力データと前記学習データとを関連付けて保存する工程と、第１学習エンコーダ及び第１学習デコーダを備えるオートエンコーダを準備し、前記第１学習エンコーダに前記学習データを入力した場合に前記第１学習デコーダから出力される出力データと前記学習データとの差が所定値以下になるまで前記第１学習エンコーダ及び前記第１学習デコーダを学習する工程と、学習済みの前記第１学習デコーダを前記予測デコーダとし、当該予測デコーダと前記予測エンコーダとを組み合わせることによって前記予測モデルを構築する工程と、前記予測エンコーダに前記入力データを入力した場合に前記予測デコーダから出力される出力データと前記入力データと関連付けられた前記学習データとの差が所定値以下になるまで、前記予測エンコーダに対しては重みを凍結せずに学習を行うとともに前記予測デコーダに対しては重みを凍結した転移学習を行うことを特徴とする。
（１４）本発明に係る予測モデルの学習方法は、（１１）に記載の予測モデルをコンピュータによって学習する方法であって、複数組の異なる前記入力データの下でシミュレーションを行うことによって前記回転電機の内部における場の予測量を算出し、複数の学習データを生成する工程と、前記第１入力データと前記学習データとを関連付けて保存する工程と、第１学習エンコーダ及び第１学習デコーダを備えるオートエンコーダを準備し、前記第１学習エンコーダに前記学習データを入力した場合に前記第１学習デコーダから出力される出力データと前記学習データとの差が所定値以下になるまで前記第１学習エンコーダ及び前記第１学習デコーダを学習する工程と、前記第１入力データと、当該第１入力データと関連付けられた前記学習データと、当該学習データを学習済みの前記第１学習エンコーダに入力した場合に当該第１学習エンコーダから出力される第１特徴量と、を関連付けて保存する工程と、第２学習エンコーダを準備し、当該第２学習エンコーダに前記第１入力データを入力した場合に当該第２学習エンコーダから出力される出力データと前記第１入力データと関連付けられた前記第１特徴量との差が所定値以下になるまで前記第２学習エンコーダを学習する工程と、学習済みの前記第２学習エンコーダと学習済みの前記第１学習デコーダとを組み合わせることによって第１予測モデルを構築する工程と、前記第１予測モデルの前記第２学習エンコーダに前記第１入力データを入力した場合に前記第１学習デコーダから出力される出力データと前記第１入力データと関連付けられた前記学習データとの差が所定値以下になるまで、前記第２学習エンコーダに対しては重みを凍結しないファインチューニング学習を行うとともに前記第１学習デコーダに対しては重みを凍結した転移学習を行う工程と、ファインチューニング学習後の前記第２学習エンコーダを前記第１予測エンコーダとし、転移学習後の前記第１学習デコーダを前記第１予測デコーダとし、これら前記第１予測エンコーダ及び前記第１予測デコーダと、前記第２予測エンコーダと、前記第２予測デコーダと、前記合成部と、を組み合わせることによって前記予測モデルを構築する工程と、前記第１予測エンコーダに前記第１入力データを入力しかつ前記第２予測エンコーダに前記第１入力データと関連付けられた前記第２入力データを入力した場合に前記合成部から出力される出力データと前記第１入力データと関連付けられた前記学習データとの差が所定値以下になるまで、前記第１予測エンコーダ及び前記第１予測デコーダに対しては重みを凍結した転移学習を行い、前記第１予測エンコーダ及び前記第１予測デコーダに対しては重みを凍結した転移学習を行うとともに、前記第２予測エンコーダ及び前記第２予測デコーダに対しては重みを凍結せずに学習を行う工程と、を備えることを特徴とする。
（１５）本発明に係る回転電機制御システムは、三相交流電流が流れると回転磁場を生成する固定子と回転磁場によって回転する回転子とを備える回転電機と、前記回転電機を流れる三相交流電流を検出する電流センサと、前記回転電機の機械角を取得する機械角取得手段と、（１）から（１１）の何れかに記載の場予測装置と、前記電流センサの検出信号に基づいて算出される前記回転電機のｄ軸電流及びｑ軸電流、並びに前記機械角取得手段によって取得される前記回転電機の機械角に基づいて生成した入力データを前記場予測装置に入力した場合に前記場予測装置から出力される出力データに基づいて前記回転電機の制御パラメータを算出する制御パラメータ算出部と、前記電流センサの検出信号及び前記制御パラメータに基づいて前記回転電機を流れる三相交流電流を制御する制御装置と、を備えることを特徴とする。
（１）本発明に係る場予測装置は、回転電機のｄ軸電流、ｑ軸電流及び機械角又はこれらパラメータに基づいて生成される入力データが入力されるとニューラルネットワークに基づいて回転電機の内部における場の予測量を含む出力データを出力する予測モデルを備える。本発明によれば、このような予測モデルを用いることにより、固定子及び回転子を備える回転電機の内部における場の量を、シミュレーションを経ることなく速やかに予測することができる。
（２）本発明において、予測モデルは、回転電機の内部に回転子の軸線に対し直交する断面視で格子状に区画することによって複数の節点及び面要素を定義し、これら節点又は面要素におけるスカラー場又はベクトル場の予測量を算出する。これにより、回転電機の内部におけるスカラー場やベクトル場の分布を、シミュレーションを経ることなく速やかに予測することができる。
（３）本発明において、予測モデルは、節点におけるベクトルポテンシャルの予測量を算出する。これにより、回転電機の内部におけるベクトルポテンシャルの分布を、シミュレーションを経ることなく速やかに予測することができる。
（４）本発明は、予測モデルの出力データに基づいて、面要素における磁束密度の予測量の分布を算出する磁束密度分布算出部を備える。これにより、回転電機の内部における磁束密度の分布を、シミュレーションを経ることなく速やかに予測することができる。
（５）固定子によって形成される回転磁場の下、回転子はその軸線を中心として回転する。そこで本発明では、固定子節点及び固定子面要素を回転子の回転中心を原点とした静止座標系に定義し、回転子節点、ギャップ節点、回転子面要素、及びギャップ面要素を、上記回転中心を原点とした回転座標系に定義する。しかしながらこのような回転座標系に回転子面要素やギャップ面要素を定義すると、各節点におけるベクトルポテンシャルの予測量を要素とした配列である予測モデルの出力データと各面要素との対応関係が不明になる。そこで磁束密度分布算出部は、静止座標系での回転子面要素又はギャップ面要素の位置と予測モデルの出力データのうちこれら面要素における磁束密度と相関のある要素番号とを関連付ける変換マップと、予測モデルの出力データとに基づいて、固定子面要素、回転子面要素、及びギャップ面要素における磁束密度の予測量の静止座標系における分布を算出する。これにより、所定の機械角における回転電機の内部の磁束密度の分布を、シミュレーションを経ることなく速やかに予測することができる。
（６）本発明において、磁束密度分布算出部は、機械角と複数のサンプリング角の何れかと一致する場合には、このサンプリング角と関連付けられた変換マップを参照して磁束密度の予測量の静止座標系における分布を算出し、機械角と複数のサンプリング角の何れかとも一致しない場合には、補間演算を行うことによって磁束密度の予測量の静止座標系における分布を算出する。これにより、サンプリング角以外の任意の機械角における回転電機の内部の磁束密度の分布を、シミュレーションを経ることなく速やかに予測することができる。
（７）本発明において、予測モデルは、面要素における磁束密度の予測量を算出する。これにより、回転電機の内部における磁束密度の分布を、シミュレーションを経ることなく速やかに予測することができる。
（８）本発明において、磁束密度分布算出部は、静止座標系での回転子面要素又はギャップ面要素の位置と予測モデルの出力データのうちこれら面要素における磁束密度と相関のある要素番号とを関連付ける変換マップと、予測モデルの出力データとに基づいて、固定子面要素、回転子面要素、及びギャップ面要素における磁束密度の予測量の静止座標系における分布を算出する。これにより、所定の機械角における回転電機の内部の磁束密度の分布を、シミュレーションを経ることなく速やかに予測することができる。
（９）本発明において、磁束密度分布算出部は、機械角と複数のサンプリング角の何れかと一致する場合には、このサンプリング角と関連付けられた変換マップを参照して磁束密度の予測量の静止座標系における分布を算出し、機械角と複数のサンプリング角の何れかとも一致しない場合には、補間演算を行うことによって磁束密度の予測量の静止座標系における分布を算出する。これにより、サンプリング角以外の任意の機械角における回転電機の内部の磁束密度の分布を、シミュレーションを経ることなく速やかに予測することができる。
（１０）本発明では、予測モデルを予測エンコーダと予測デコーダとを組み合わせることによって構成する。また予測エンコーダへの入力データには、ｄ軸電流、ｑ軸電流、機械角の正弦及び余弦、並びに電気角の正弦及び余弦を含める。ニューラルネットワークとして広く用いられる多層パーセプトロンは周期成分を学習することができない。そこで本発明では、周期的に変化する機械角や電気角については、各々の正弦及び余弦を予測エンコーダへの入力とすることにより、機械角や電気角に応じて周期的に変動する回転電機の内部の場の量を、シミュレーションを経ることなく速やかに予測することができる。
（１１）回転電機の内部における回転子は、周期的に変動する回転磁場の下で回転する。このため、回転電機の内部に形成される場の量は、直流成分及び基本波成分の他、回転子や固定子の構造に起因する空間的な周波数や、電源電流の時間変化に起因する時間的な周波数等の様々な周波数の下で変動する成分を含んだものとなっている。これに対し本発明では、予測モデルを、第１予測エンコーダ及び第１予測デコーダを組み合わせた第１チャネルと、第２予測エンコーダ及び第２予測デコーダを組み合わせた第２チャネルと、これら第１チャネル及び第２チャネルの出力を合成する合成部と、によって構成する。また第１チャネルへの第１入力データには、ｄ軸電流、ｑ軸電流、電気角の正弦及び余弦を含め、第２チャネルへの第２入力データには、機械角の整数倍の正弦及び余弦を含める。これにより、第１チャネルでは回転電機の内部に形成される場の量のうち直流成分及び基本波成分を予測し、第２チャネルでは回転電機の内部に形成される場の量のうち固定子や回転子の構造に起因する周波数成分を予測することができる。これにより、回転電機の内部の場の量を、シミュレーションを経ることなく速やかかつ精度良く予測することができる。
（１２）本発明に係る学習方法は、シミュレーションを行うことによって複数の学習データを生成する工程と、これら学習データと入力データとを関連付けて保存する工程と、予め準備したオートエンコーダの第１学習エンコーダに学習データを入力した場合に第１学習デコーダから出力される出力データと学習データとの差が所定値以下になるまでこれら第１学習エンコーダ及び第１学習デコーダを学習する工程と、入力データと学習データと特徴量とを関連付けて保存する工程と、予め準備した第２学習エンコーダに入力データを入力した場合に、この第２学習エンコーダから出力される出力データと上記特徴量との差が所定値以下になるまで第２学習エンコーダを学習する工程と、これら学習済みの第２学習エンコーダ及び第１学習デコーダをそれぞれ予測エンコーダ及び予測デコーダとして予測モデルを構築する工程と、この予測エンコーダに入力データを入力した場合に予測デコーダから出力される出力データと学習データとの差が所定値以下になるまで、予測エンコーダに対しては重みを凍結しないファインチューニング学習を行うとともに予測デコーダに対しては重みを凍結した転移学習を行う工程と、を備える。これにより、回転電機の内部の場の量の予測精度の高い場予測装置を構築することができる。
（１３）本発明に係る学習方法は、シミュレーションを行うことによって複数の学習データを生成する工程と、これら学習データと入力データとを関連付けて保存する工程と、予め準備したオートエンコーダの第１学習エンコーダに学習データを入力した場合に第１学習デコーダから出力される出力データと学習データとの差が所定値以下になるまでこれら第１学習エンコーダ及び第１学習デコーダを学習する工程と、この学習済みの第１学習デコーダを予測デコーダとし、この予測デコーダと未学習の予測エンコーダとを組み合わせることによって予測モデルを構築する工程と、この予測エンコーダに入力データを入力した場合に予測デコーダから出力される出力データと学習データとの差が所定値以下になるまで、予測エンコーダに対しては重みを凍結しない学習を行うとともに予測デコーダに対しては重みを凍結した転移学習を行う工程と、を備える。これにより、回転電機の内部の場の量の予測精度の高い場予測装置を構築することができる。また上記（１２）に係る発明と比較した場合、入力データと学習データと特徴量とを関連付けて保存する必要が無いので、その分必要な記憶領域を小さくできる。
（１４）本発明に係る学習方法は、シミュレーションを行うことによって複数の学習データを生成する工程と、これら学習データと第１入力データとを関連付けて保存する工程と、予め準備したオートエンコーダの第１学習エンコーダに学習データを入力した場合に第１学習デコーダから出力される出力データと学習データとの差が所定値以下になるまでこれら第１学習エンコーダ及び第１学習デコーダを学習する工程と、第１入力データと学習データと第１特徴量とを関連付けて保存する工程と、予め準備した第２学習エンコーダに第１入力データを入力した場合に、この第２学習エンコーダから出力される出力データと上記第１特徴量との差が所定値以下になるまで第２学習エンコーダを学習する工程と、学習済みの第２学習エンコーダ及び第１学習デコーダを組み合わせて第１予測モデルを構築する工程と、この第１予測モデルに第１入力データを入力した場合に第１学習デコーダから出力される出力データと学習データとの差が所定値以下になるまで、第２学習エンコーダに対しては重みを凍結しないファインチューニング学習を行うとともに第１学習デコーダに対しては重みを凍結した転移学習を行う工程と、ファインチューニング学習後の第２学習エンコーダを第１予測エンコーダとし転移学習後の第１学習デコーダを第１予測デコーダとし、これら第１予測エンコーダ、第１予測デコーダ、未学習の第２予測エンコーダ、未学習の第２予測デコーダ、及び合成部を組み合わせることによって２チャネルの予測モデルを構築する工程と、第１予測エンコーダに第１入力データを入力しかつ第２予測エンコーダに第２入力データを入力した場合に合成部から出力される出力データと学習データとの差が所定値以下になるまで、第１予測エンコーダ及び第１予測デコーダ（すなわち、上述の第１チャネル）に対しては重みを凍結した転移学習を行い、第２予測エンコーダ及び第２予測デコーダ（すなわち、上述の第２チャネル）に対しては重みを凍結せずに学習を行う工程と、を備える。換言すれば、本発明に係る学習方法では、回転電機の内部に形成される場の量のうち大部分を占める直流成分及び基本波成分を予測する第１チャネルを先に学習した後、残りの周波数成分を予測する第２チャネルを学習する。これにより、回転電機の内部の場の量の予測精度の高い場予測装置を構築することができる。
（１５）上述のように（１）〜（１１）に係る場予測装置は、回転電機の内部における場の量を、シミュレーションを経ることなく速やかに予測することができる。場予測装置のこのような特徴を利用して本発明に係る回転電機制御システムでは、場予測装置から出力される出力データに基づいて回転電機の制御パラメータを算出し、制御装置は、電流センサの検出信号及び制御パラメータに基づいて回転電機を流れる三相交流電流を制御する。換言すれば、制御装置は、電流センサによる検出信号とともに、場予測装置の出力を利用して算出される制御パラメータを利用して回転電機の三相交流電流を制御する。これにより、回転電機の内部の状態に応じて適切に三相交流電流を制御することができる。
本発明の第１実施形態に係る回転電機制御システムの構成を示す図である。 場予測装置の構成を示す図である。 出力データを構成する各要素の値を要素番号順でプロットした図である。 回転電機の断面図であり、場予測装置による場の予測範囲を示す図である。 回転電機の内部のうち、回転子とギャップ部と固定子とを含む一部に定義される節点及び面要素の一例を示す図である（機械角とサンプリング角とが一致しない場合）。 回転電機の内部のうち、回転子とギャップ部と固定子とを含む一部に定義される節点及び面要素の一例を示す図である（機械角とサンプリング角とが一致する場合）。 第１の学習方法の手順を示すフローチャートである。 第１の学習方法の手順を模式的に示す図である。 第２の学習方法の手順を示すフローチャートである。 本発明の第２実施形態に係る場予測装置の構成を示す図である。 本発明の第３実施形態に係る場予測装置の構成を示す図である。 第１チャネルの構成を示す図である。 第２チャネルの構成を示す図である。 第３の学習方法の手順を示すフローチャートである。 第４の学習方法の手順を示すフローチャートである。
＜第１実施形態＞
以下、本発明の第１実施形態に係る回転電機２の場予測装置６、この場予測装置６が適用された回転電機制御システム１、及び場予測装置６の学習方法について、図面を参照しながら詳細に説明する。
図１は、本実施形態に係る回転電機制御システム１の構成を示す図である。
回転電機制御システム１は、回転電機２と、電流センサ３と、回転検出器４と、制御装置５と、場予測装置６と、を備える。
回転電機２は、三相交流電流が流れるとその電源周波数に応じた回転磁場を生成する固定子と、この固定子によって生成される回転磁場によって回転する回転子と、を備える。本実施形態では、回転電機２として、回転子に永久磁石が埋め込まれた永久磁石型同期電動機（ＩＰＭＳＭ）を用いた場合について説明するが、本発明はこれに限らない。回転電機２は、上述のような固定子及び回転子を備えるものであればどのようなものであってもよい。
電流センサ３は、回転電機２を流れる三相交流電流Ｉａ，Ｉｂ，Ｉｃを検出し、これら三相交流電流に応じた検出信号を制御装置５へ送信する。
回転検出器４は、回転電機２の回転子の位置に応じた信号を制御装置５へ送信する。以下では、回転検出器４として、回転電機２の回転子の所定の基準位置からの絶対位置に相当する機械角を検出し、この機械角に応じた検出信号を制御装置５へ送信するアブソリュートエンコーダを用いた場合について説明するが、本発明はこれに限らない。
回転検出器４としては、例えば回転子が回転するとその回転変位量に応じたパルス信号を発生し、このパルス信号を制御装置５へ送信するインクリメンタルエンコーダを用いてもよい。この場合、回転電機２の機械角は、インクリメンタルエンコーダからのパルス信号に基づく制御装置５における演算によって算出することができる。
また制御装置５としてエンコーダを用いない所謂センサレス制御によって回転電機２の制御を行うことが可能なものを用いる場合、回転電機２の機械角は、この制御装置５における演算によって算出することができる。またこの場合、回転検出器４は不要となる。
以上より、本実施形態において回転電機２の機械角を取得する機械角取得手段は、回転検出器４及び制御装置５又はこれら回転検出器４及び制御装置５の何れかによって実現される。
制御装置５は、交流電源Ｐから供給される交流電力を三相交流電力に変換し回転電機２へ供給するＰＷＭインバータと、このＰＷＭインバータを操作することにより回転電機２を流れる三相交流電流を制御するコンピュータであるベクトル制御用コントローラと、を備える。ベクトル制御用コントローラは、電流センサ３によって検出される三相交流電流を用いてｄｑ変換を行うことにより、ｄ軸電流とｑ軸電流との直流成分を算出するとともに、これらｄ軸電流とｑ軸電流と後述の場予測装置６によって逐次算出される制御パラメータとに基づくベクトル制御を行うことによって回転電機２を流れる三相交流電流を制御する。
場予測装置６は、制御装置５との間で通信可能なコンピュータである。場予測装置６は、回転電機２のｄ軸電流及びｑ軸電流、回転電機２の機械角及び電気角等によって構成される入力データが入力されると、ニューラルネットワークに基づいて回転電機２の内部における場の予測量を算出する予測モデルを備え、この予測モデルの出力に基づいて上述の制御パラメータを算出し、これを制御装置５へフィードバックする。
図２は、場予測装置６の構成を示す図である。
場予測装置６は、入力データ生成部６１と、予測モデル６２と、磁束密度分布算出部６３と、制御パラメータ算出部６４と、を備える。
入力データ生成部６１は、制御装置５から送信されるデータに基づいて、上述のようにニューラルネットワークを備える予測モデル６２に対する入力データを生成し、この入力データを予測モデル６２へ入力する。入力データ生成部６１によって生成される入力データは、少なくともｄ軸電流Ｉｄ、ｑ軸電流Ｉｑ、及び機械角θｍ又はこれら電流Ｉｄ，Ｉｑ及び機械角θｍによって生成されるパラメータを含む。
本実施形態では、入力データは、ｄ軸電流Ｉｄと、ｑ軸電流Ｉｑと、機械角θｍの正弦ｓｉｎθｍと、機械角θｍの余弦ｃｏｓθｍと、電気角θｅの正弦ｓｉｎθｅと、電気角θｅの余弦ｃｏｓθｅと、を要素とした６次元の配列とした場合について説明するが、本発明はこれに限らない。入力データの次元数は、６以外であってもよい。なお電気角θｅは、回転電機２の極対数が分かれば既知の式を用いて機械角θｍに基づいて算出される。例えば回転電機２の極対数がＮｍである場合、電気角θｅは機械角θｍのＮｍ倍である（θｅ＝Ｎｍθｍ）。なお後述の予測モデル６２において用いられる多層パーセプトロンは周期成分を学習することができない。このため入力データには、機械角θｍや電気角θｅの正弦及び余弦を含めることが好ましい。なお本実施形態では、機械角や電気角に対する正弦及び余弦の演算は、場予測装置６側において行う場合について説明するが、本発明はこれに限らない。これら機械角や電気角に対する正弦及び余弦の演算は、制御装置５側において行ってもよい。
予測モデル６２は、入力データ生成部６１によって生成された入力データが入力されると特徴量データを出力する学習済みの予測エンコーダ６２１と、この予測エンコーダ６２１から出力される特徴量データが入力されると回転電機２の内部における場の予測量に関する情報を含む出力データを出力する学習済みの予測デコーダ６２２と、を備える。これら予測エンコーダ６２１及び予測デコーダ６２２は、それぞれ後に図７〜図９等を参照して説明する学習方法を経た学習済みのニューラルネットワークによって構成される。
予測エンコーダ６２１は、入力データを受容する入力層と、この入力層と結合された中間層と、この中間層と結合され特徴量データを出力する出力層と、を備える。入力層の次元数は、入力データの次元数と同じであり、本実施形態では６である。中間層は所定次元数の多層パーセプトロンであり、その重みは、入力データから所定次元数の特徴量データが抽出されるように後述の学習方法によって調整されている。なお中間層の各層は、前層の全てと結合されている全結合層とすることが好ましい。出力層は、中間層によって入力データから抽出された特徴量データを出力する。なお特徴量データの次元数は、入力データの次元数や出力データの次元数等に応じて好ましい値に調整される。
予測デコーダ６２２は、特徴量データを受容する入力層と、この入力層と結合された中間層と、この中間層と結合され出力データを出力する出力層と、を備える。入力層の次元数は、特徴量データの次元数と同じである。中間層は所定次元数の多層パーセプトロンであり、その重みは、特徴量データから所定次元数の出力データが出力されるように後述の学習方法によって調整されている。出力層の次元数は、出力データの次元数と同じである。また出力データの次元数は、入力データの次元数、及び特徴量データの次元数よりも大きい。なお中間層の各層は、前層の全てと結合されている全結合層とすることが好ましい。出力層は、中間層によって特徴量データから展開された出力データを出力する。出力データは、回転電機２の内部の各部分における場の予測量を要素としたＮ次元の配列である。
次に、出力データの構成について図３〜図５を参照しながら詳細に説明する。
図３は、出力データを構成する各要素の値を要素番号順でプロットした図である。図３において、横軸は出力データの要素番号を示し、縦軸は各要素の値を示す。
図４は、回転電機２の断面図であり、場予測装置６による場の予測範囲を示す図である。より具体的には、図４は、回転電機２を回転子２１の軸線を中心とした扇状に１／８に切断したものの軸線に対し直交する面に沿った断面図である。
回転電機２の内部に形成される場は周期性がある。このため場予測装置６では、図４に示すように回転電機２の内部のうち回転子２１の軸線を中心とした所定の仰角（本実施形態では、４５°）の範囲に含まれる部分に予測範囲を定め、この予測範囲内における場の量を予測する。
図４に示すように、回転電機２の内部には、中空の円筒状の固定子２２と、この固定子２２の内部において回転自在に配置された円柱状の回転子２１と、これら固定子２２の内周面と回転子２１の外周面との間の隙間であるギャップ部２３と、が形成されている。回転子２１には軸線に沿って延びる柱状の永久磁石２４が埋め込まれている。固定子２２には周方向に沿って延びる複数の溝状のスロット２５が形成されている。また隣接する２つのスロット２５の間に形成されるティース部２６には、図示しないコイルが巻き付けられている。
場予測装置６は、回転電機２の内部の予測範囲内に、回転子２１の軸線に対し直交する断面視で格子状に区画することによって、複数の節点と、互いに隣接する節点によって囲まれる複数の面要素と、を定義し、これら節点や面要素におけるスカラー場やベクトル場の予測量を算出する。
図５は、回転電機２の内部のうち、回転子２１とギャップ部２３と固定子２２とを含む一部（図４中、破線２８で示す部分）に定義される節点及び面要素の一例を示す図である。以下では、回転電機２の内部のうち、回転子２１上に定められる節点及び面要素を回転子節点及び回転子面要素といい、固定子２２上に定められる節点及び面要素を固定子節点及び固定子面要素といい、ギャップ部２３上に定められる節点及び面要素をそれぞれギャップ節点及びギャップ面要素という。
図５において、番号ｎ１〜ｎ１０で示す節点は回転子節点であり、番号ｎ６〜ｎ１５で示す節点はギャップ節点である。なお番号ｎ６〜ｎ１０で示す部分は、回転子節点でありかつギャップ節点でもある。また番号１６〜ｎ２５で示す節点は固定子節点である。図５に示すように、固定子節点ｎ１６〜ｎ２５のうち回転子側の固定子節点ｎ１６〜ｎ２０と、ギャップ節点ｎ６〜ｎ１５のうち固定子側のギャップ節点ｎ１１〜ｎ１５とは、それぞれ回転子２１の中心軸線を中心とした円周であるスライド線Ｌ上に定められている。
また図５において、番号ｓ１〜ｓ４で示す面要素は、回転子節点によって囲まれる回転子面要素であり、番号ｓ５〜ｓ８で示す面要素は、ギャップ節点によって囲まれるギャップ面要素であり、番号ｓ９〜ｓ１２で示す面要素は、固定子節点によって囲まれる固定子面要素である。
図５に示すように、場予測装置６は、複数の節点及び面要素のうち、固定子節点及び固定子面要素については回転子２１の回転中心を原点とした静止座標系に定め、回転子節点、ギャップ節点、回転子面要素、及びギャップ面要素については、回転子２１の回転中心を原点としかつ上記静止座標系に対し機械角だけ傾斜する回転座標系に定める。従ってスライド線Ｌ上に定められたギャップ節点ｎ１１〜ｎ１５は、機械角が変化するとスライド線Ｌに沿って移動する。
予測モデル６２は、以上のようにして予測範囲内に定められた複数の回転子節点、複数のギャップ節点、複数の固定子節点におけるスカラー場であるベクトルポテンシャルの予測量を出力データとして出力する。すなわち本実施形態における予測モデル６２の出力データは、回転座標系上に定められた複数の回転子節点及びギャップ節点におけるベクトルポテンシャルの予測量及び静止座標系上に定められた複数の固定子節点におけるベクトルポテンシャルの予測量を要素とした配列である。従って予測モデル６２の出力データの要素番号（１〜Ｎ）は回転座標系及び静止座標系に定義される節点の番号と対応している。
図２に戻り、磁束密度分布算出部６３は、予測モデル６２の出力データに基づいて、上述の面要素におけるベクトル場である磁束密度の予測量の静止座標系における分布を算出する。図５を参照して説明したように、各面要素は、隣接する複数の節点によって囲まれる面として定義される。例えば図５において、回転子面要素ｓ２は４つの回転子節点ｎ２，ｎ３，ｎ７，ｎ８によって囲まれている。そこで磁束密度分布算出部６３は、対象とする面要素と、この面要素を取り囲む複数の節点とを特定し、特定した複数の節点におけるベクトルポテンシャルの予測量を予測モデル６２の出力データから読み込み、読み込んだ各節点におけるベクトルポテンシャルの予測量を用いた既知の演算式に基づいて対象とする面要素における磁束密度の予測量の静止座標系における分布を算出する。従って磁束密度分布算出部６３の出力データは、静止座標系での複数の固定子面要素、複数の回転子面要素、及び複数のギャップ面要素における磁束密度の予測量を要素とした配列である。従って磁束密度分布算出部６３の出力データの要素番号は静止座標系に定義される面要素の番号と対応している。なお図２には、磁束密度分布算出部６３の出力データの各要素の値を濃淡によって表示したものを図示する。
図５を参照して説明したように、静止座標系上に定められる固定子面要素の位置は機械角に応じて変化しない。このため固定子面要素における磁束密度の予測量を算出するために必要となる予測モデル６２の出力データの要素番号は、機械角によらず普遍である。従って磁束密度分布算出部６３は、固定子面要素における磁束密度の予測量の分布については、予測モデル６２の出力データに基づいて機械角によらず一意的に算出することができる。
これに対し回転座標系上に定められる回転子面要素及びギャップ面要素の静止座標系での位置は、機械角に応じて変化する。このため回転子面要素及びギャップ面要素における磁束密度の予測量を算出するために必要となる予測モデル６２の出力データの要素番号は、機械角に応じて変化する。このため磁束密度分布算出部６３の記憶媒体には、静止座標系での回転子面要素及びギャップ面要素の位置と、予測モデル６２の出力データのうちこれら面要素における磁束密度の予測量と相関のある要素番号とを関連付ける変換マップが複数記憶されている。より具体的には、複数の変換マップは、機械角に対するサンプリング角と関連付けられた状態で磁束密度分布算出部６３の記憶媒体に記憶されている。
磁束密度分布算出部６３は、機械角が複数のサンプリング角の何れかと一致する場合には、このサンプリング角と関連付けられた変換マップを参照することによって静止座標系での回転子面要素及びギャップ面要素における磁束密度の予測量を算出するために必要となる予測モデル６２の出力データの要素番号を特定し、これら要素番号のベクトルポテンシャルの予測量を用いた既知の演算式に基づいて回転子面要素及びギャップ面要素における磁束密度の予測量の静止座標系における分布を算出する。また磁束密度分布算出部６３は、機械角が複数のサンプリング角の何れかとも一致しない場合には、所定の補間演算を行うことによって静止座標系での回転子面要素及びギャップ面要素における磁束密度の予測量の分布を算出するために必要となる予測モデル６２の出力データの要素番号を特定し、これら要素番号のベクトルポテンシャルの予測量を用いた既知の演算式に基づいて回転子面要素及びギャップ面要素における磁束密度の予測量の静止座標系における分布を算出する。
ここでサンプリング角とは、図６に示すように、スライド線Ｌ上に定められた複数のギャップ節点ｎ１１〜ｎ１５と固定子節点ｎ１６〜ｎ２０とが一致する機械角をいう。すなわち、スライド線Ｌ上に定められたギャップ節点ｎ１１〜ｎ１５は、機械角が変化するとスライド線Ｌに沿って移動する。このため、スライド線Ｌ上における節点の間隔に比例した所定のサンプリング角と機械角とが一致すると、図６に示すようにギャップ節点ｎ１１〜ｎ１５と固定子節点ｎ１６〜ｎ２０とが一致する。
また図５及び図６に示すように、回転座標系上に定義される回転子面要素及びギャップ面要素のうち、ギャップ面要素は回転座標系上に定義されるギャップ節点ｎ１１〜ｎ１５だけでなく静止座標系上に定義される固定子節点ｎ１６〜ｎ２０とも隣接する。そこで磁束密度分布算出部６３は、ギャップ面要素における磁束密度の予測量を算出する場合において、図６に示すように機械角とサンプリング角とが一致する場合、スライド線Ｌ上におけるギャップ節点ｎ１１〜ｎ１５におけるベクトルポテンシャルの予測量とこれらギャップ節点ｎ１１〜ｎ１５と重複する固定子節点ｎ１６〜ｎ２０におけるベクトルポテンシャルの予測量とは等しいものとし、固定子節点ｎ１６〜ｎ２０におけるベクトルポテンシャルの予測量に基づいて対象とするギャップ面要素における磁束密度の予測量を算出する。より具体的には、例えば図６に示すような例において、ギャップ面要素ｓ７における磁束密度の予測量を算出する場合、上述の変換マップは、ギャップ節点ｎ８，ｎ９及び固定子節点ｎ１８，ｎ１９におけるベクトルポテンシャルの予測量が読み込まれるように構成されている。
また磁束密度分布度算出部６３は、ギャップ面要素における磁束密度の予測量を算出する場合において、図５に示すように機械角とサンプリング角とが一致しない場合、対象とするギャップ面要素を取り囲むギャップ節点のうちスライド線Ｌ上に定義されているものについては、これらスライド線Ｌ上に定義されているギャップ節点と隣接する固定子節点におけるベクトルポテンシャルの予測量に基づいて対象とするギャップ面要素における磁束密度の予測量を算出する。より具体的には、例えば図５に示すような例において、ギャップ面要素ｓ７における磁束密度の予測量を算出する場合、上述の補間演算は、ギャップ節点ｎ８，ｎ９及びギャップ節点ｎ１３，ｎ１４と隣接する３つの固定子節点ｎ１８，ｎ１９，ｎ２０におけるベクトルポテンシャルの予測量を読み込まれるように構成されている。
図２に戻り、制御パラメータ算出部６４は、磁束密度分布算出部６３の出力データに基づいて制御装置５のベクトル制御用コントローラにおけるベクトル制御に用いられる制御パラメータを算出し、これを制御装置５へ送信する。ここで制御パラメータ算出部６４において磁束密度分布算出部６３の出力データに基づいて算出可能な制御パラメータの具体例としては、回転電機２のトルク、平均トルク、鉄損、トルクリプル率、及び変位等が挙げられる。
次に、以上のような場予測装置６の予測モデル６２をコンピュータによって学習する学習方法の手順について、図７〜図９を参照しながら説明する。
図７は、第１の学習方法の手順を示すフローチャートである。
図８は、第１の学習方法の手順を模式的に示す図である。
始めにＳ１では、作業者は、複数組の異なる入力データの下でコンピュータを用いた数値シミュレーション（例えば、ＦＥＭ）を行うことによって複数組の学習データを生成する（図８中、矢印８Ａ参照）。より具体的には、作業者は、回転電機２の諸元や動作条件に基づいて、予測モデル６２に対する入力データを構成する各パラメータ（ｄ軸電流、ｑ軸電流、及び機械角等）を所定範囲内でスイープさせることにより、複数組の異なる入力データを準備する。ここで機械角については、上述のサンプリング角間隔でスイープさせることが好ましい。次に作業者は、生成した各入力データの下で数値シミュレーションを行うことにより、回転電機の内部におけるベクトルポテンシャルの分布、より具体的には上述の回転座標系及び静止座標系上の各節点におけるベクトルポテンシャルを算出し、これを学習データとする。Ｓ１では、作業者は、準備した入力データ毎に以上のような作業を繰り返し行うことにより、複数組の入力データと、これら入力データに応じた複数組の学習データを生成する。
またＳ１では、複数組の学習データとともに、各学習データに基づいて、回転電機２の内部における磁束密度の分布、より具体的には上述の回転座標系及び静止座標系上の各面要素における磁束密度を算出する（図８中、矢印８Ｂ参照）。より具体的には、作業者は、学習データとして算出した各節点のベクトルポテンシャルの分布に基づいて既知の演算を行うことにより、回転座標系及び静止座標系上の各面要素における磁束密度を算出する。
ここで面要素に定義される磁束密度と節点に定義されるベクトルポテンシャルとの間で変換するためには、回転座標系における面要素と節点との対応関係を規定しておく必要がある。そこで作業者は、Ｓ１においてベクトルポテンシャルから磁束密度に変換する際に規定した対応関係に基づいて、上述の磁束密度分布算出部６３における変換マップをサンプリング角毎に作成しておき、サンプリング角と変換マップとを関連付けて記憶媒体に保存しておくことが好ましい。
Ｓ２では、作業者は、Ｓ１で準備した複数組の入力データと、各入力データに基づいて生成された複数組の学習データと、を関連付けて記憶媒体に保存する。
Ｓ３では、作業者は、第１学習エンコーダ６５１及び第１学習デコーダ６５２を備えるオートエンコーダ６５を準備し、複数組の学習データを正解ラベルとして用いることによってこれら第１学習エンコーダ６５１及び第１学習デコーダ６５２を学習する（図８中、矢印８Ｃ参照）。ここで第１学習エンコーダ６５１の入力層の次元数及び第１学習デコーダ６５２の出力層の次元数は、Ｓ１で生成した学習データと同じ次元数とする。作業者は、このような第１学習エンコーダ６５１に学習データを入力した場合に第１学習デコーダ６５２から出力される出力データと、第１学習エンコーダ６５１へ入力した学習データとの差が所定値以下になるまで既知のアルゴリズムに基づいて第１学習エンコーダ６５１及び第１学習デコーダ６５２を学習する。
Ｓ４では、作業者は、Ｓ１で準備した複数組の入力データと、各入力データに基づいて生成された複数組の学習データと、各学習データをＳ３における学習済みの第１学習エンコーダ６５１に入力した場合にこの第１学習エンコーダ６５１から出力される複数組の第１特徴量データと、を関連付けて記憶媒体に保存する。
Ｓ５では、作業者は、第２学習エンコーダ６６１を準備し、複数組の第１特徴量データを正解ラベルとして用いることによってこの第２学習エンコーダ６６１を学習する（図８中、矢印８Ｄ参照）。ここで第２学習エンコーダ６６１の入力層の次元数は入力データの次元数と同じとし、第２学習エンコーダ６６１の出力層の次元数は第１特徴量データの次元数と同じとする。作業者は、このような第２学習エンコーダ６６１に入力データを入力した場合にこの第２学習エンコーダ６６１から出力される出力データと、第２学習エンコーダ６６１に入力した入力データと関連付けて保存した第１特徴量データとの差が所定値以下になるまで第２学習エンコーダ６６１を学習する。
Ｓ６では、作業者は、学習済みの第２学習エンコーダ６６１と学習済みの第１学習デコーダ６５２とを組み合わせることにより予測モデル６２を構築する。より具体的には、作業者は、Ｓ５における学習済みの第２学習エンコーダ６６１を予測エンコーダ６２１とし、Ｓ２における学習済みの第１学習デコーダ６５２を予測デコーダ６２２とし、これら予測エンコーダ６２１及び予測デコーダ６２２を組み合わせることによって予測モデル６２を構築する。
Ｓ７では、作業者は、学習データを正解ラベルとして用いることによって、予測エンコーダ６２１のファインチューニング学習及び予測デコーダ６２２の転移学習を行う（図８中、矢印８Ｅ参照）。より具体的には、作業者は、予測エンコーダ６２１に入力データを入力した場合に予測デコーダ６２２から出力される出力データと、予測エンコーダ６２１への入力データと関連付けられた学習データとの差が所定値以下になるまで、予測エンコーダ６２１に対しては中間層の重みを凍結しないファインチューニング学習を行うとともに、予測デコーダ６２２に対しては中間層の重みを凍結した転移学習を行う。図２に示す予測モデル６２には、以上のような工程を経て学習されたものが用いられる。
図９は、第２の学習方法の手順を示すフローチャートである。なお以下の図９の説明において、Ｓ１１〜Ｓ１３に示す処理は、図７のＳ１〜Ｓ３に示す処理と同じであるので、詳細な説明を省略する。
Ｓ１４では、作業者は、学習済みの第１学習デコーダ６５２と未学習の予測エンコーダ６２１とを組み合わせることにより予測モデル６２を構築する。より具体的には、作業者は、Ｓ１２における学習済みの第１学習デコーダ６５２を予測デコーダ６２２とし、この予測デコーダ６２２と未学習の予測エンコーダ６２１とを組み合わせることによって予測モデル６２を構築する。
Ｓ１５では、作業者は、学習データを正解ラベルとして用いることによって、予測エンコーダ６２１の学習及び予測デコーダ６２２の転移学習を行う。より具体的には、作業者は、予測エンコーダ６２１に入力データを入力した場合に予測デコーダ６２２から出力される出力データと、予測エンコーダ６２１への入力データと関連付けられた学習データとの差が所定値以下になるまで、予測エンコーダ６２１に対しては中間層の重みを凍結せずに学習を行うとともに、予測デコーダ６２２に対しては中間層の重みを凍結した転移学習を行う。図２に示す予測モデル６２には、以上のような工程を経て学習したものを用いることもできる。
なお上記第１実施形態では、回転電機２の場予測装置６を回転電機制御システム１に組み込んだ場合について説明したが、本発明はこれに限らない。上述のように場予測装置６は、ｄ軸電流Ｉｄやｑ軸電流Ｉｑ等によって構成される入力データを入力すると、シミュレーションを経ることなく速やかに回転電機の内部における磁束密度の分布を出力する機能を備える。このため、場予測装置６は、回転電機の設計、開発時に利用することもできる。
なお上記第１実施形態では、第１及び第２の学習方法の手順について回転電機２の場予測装置６の予測モデル６２を例に説明したが、本発明はこれに限らない。上述の第１及び第２の学習方法は、回転電機２の場予測装置６に限らず、一般的な場予測装置にも適用することができる。ここで一般的な場予測装置とは、何等かのエネルギ源（熱源、電流等）から供給されるエネルギ（熱、電場、磁場等）が伝達する構造物の内部における場の量をニューラルネットワークによって構築される予測モデルで予測するものをいう。またこのような予測モデルを、エネルギ源の状態に関する情報を含む入力データが入力されると特徴量データを出力する予測エンコーダと、この特徴量データが入力されると構造物の内部における場の予測量に関する情報を含む出力データを出力する予測デコーダと、によって構築した場合、これら予測エンコーダ及び予測デコーダは、上述の第１及び第２の学習方法と同じ手順によって学習することができる。
本実施形態に係る場予測装置６によれば、以下の効果を奏する。
（１）場予測装置６は、回転電機２のｄ軸電流、ｑ軸電流及び機械角又はこれらパラメータに基づいて生成される入力データが入力されるとニューラルネットワークに基づいて回転電機２の内部における場の予測量を含む出力データを出力する予測モデル６２を備える。場予測装置６によれば、このような予測モデル６２を用いることにより、固定子２２及び回転子２１を備える回転電機２の内部における場の量を、シミュレーションを経ることなく速やかに予測することができる。
（２）予測モデル６２は、回転電機２の内部に回転子２１の軸線に対し直交する断面視で格子状に区画することによって複数の節点及び面要素を定義し、これら節点又は面要素におけるスカラー場又はベクトル場の予測量を算出する。これにより、回転電機２の内部におけるスカラー場やベクトル場の分布を、シミュレーションを経ることなく速やかに予測することができる。
（３）予測モデル６２は、節点におけるベクトルポテンシャルの予測量を算出する。これにより、回転電機２の内部におけるベクトルポテンシャルの分布を、シミュレーションを経ることなく速やかに予測することができる。
（４）場予測装置６は、予測モデル６２の出力データに基づいて、面要素における磁束密度の予測量の分布を算出する磁束密度分布算出部６３を備える。これにより、回転電機２の内部における磁束密度の分布を、シミュレーションを経ることなく速やかに予測することができる。
（５）磁束密度分布算出部６３は、静止座標系での回転子面要素又はギャップ面要素の位置と予測モデル６２の出力データのうちこれら面要素における磁束密度と相関のある要素番号とを関連付ける変換マップと、予測モデル６２の出力データとに基づいて、固定子面要素、回転子面要素、及びギャップ面要素における磁束密度の予測量の静止座標系における分布を算出する。これにより、所定の機械角における回転電機２の内部の磁束密度の分布を、シミュレーションを経ることなく速やかに予測することができる。
（６）磁束密度分布算出部６３は、機械角と複数のサンプリング角の何れかと一致する場合には、このサンプリング角と関連付けられた変換マップを参照して磁束密度の予測量の静止座標系における分布を算出し、機械角と複数のサンプリング角の何れかとも一致しない場合には、補間演算を行うことによって磁束密度の予測量の静止座標系における分布を算出する。これにより、サンプリング角以外の任意の機械角における回転電機２の内部の磁束密度の分布を、シミュレーションを経ることなく速やかに予測することができる。
（７）場予測装置６では、予測モデル６２を予測エンコーダ６２１と予測デコーダ６２２とを組み合わせることによって構成する。また予測エンコーダ６２１への入力データには、ｄ軸電流、ｑ軸電流、機械角の正弦及び余弦、並びに電気角の正弦及び余弦を含める。ニューラルネットワークとして広く用いられる多層パーセプトロンは周期成分を学習することができない。そこで場予測装置６では、周期的に変化する機械角や電気角については、各々の正弦及び余弦を予測エンコーダ６２１への入力とすることにより、機械角や電気角に応じて周期的に変動する回転電機２の内部の場の量を、シミュレーションを経ることなく速やかに予測することができる。
本実施形態に係る第１の学習方法によれば、以下の効果を奏する。
（８）第１の学習方法によれば、回転電機２の内部の場の量の予測精度の高い場予測装置６を構築することができる。
本実施形態に係る第２の学習方法によれば、以下の効果を奏する。
（９）第２の学習方法によれば、第１の学習方法と同様に、回転電機２の内部の場の量の予測精度の高い場予測装置６を構築することができる。また第１の学習方法と比較した場合、入力データと学習データと特徴量とを関連付けて保存する必要が無いので、その分必要な記憶領域を小さくできる。
本実施形態に係る回転電機制御システム１によれば、以下の効果を奏する。
（１０）上述のように場予測装置６は、回転電機２の内部における場の量を、シミュレーションを経ることなく速やかに予測することができる。場予測装置６のこのような特徴を利用して回転電機制御システム１では、場予測装置６から出力される出力データに基づいて回転電機２の制御パラメータを算出し、制御装置５は、電流センサ３の検出信号及び制御パラメータに基づいて回転電機２を流れる三相交流電流を制御する。換言すれば、制御装置５は、電流センサ３による検出信号とともに、場予測装置６の出力を利用して算出される制御パラメータを利用して回転電機２の三相交流電流を制御する。これにより、回転電機２の内部の状態に応じて適切に三相交流電流を制御することができる。
＜第２実施形態＞
次に、本発明の第２実施形態に係る回転電機の場予測装置６Ａについて、図面を参照しながら詳細に説明する。
図１０は、本実施形態に係る場予測装置６Ａの構成を示す図である。場予測装置６Ａは、第１実施形態に係る場予測装置６と、予測モデル６２Ａ及び磁束密度分布算出部６３Ａの構成が異なる。より具体的には、第１実施形態に係る場予測装置６と本実施形態に係る場予測装置６Ａとでは、予測モデル６２Ａの出力データの構成が異なる。なお以下の場予測装置６Ａの説明において、第１実施形態に係る場予測装置６と同じ構成については同じ符号を付し、詳細な説明を省略する。
予測モデル６２Ａは、入力データ生成部６１によって生成された入力データが入力されると特徴量データを出力する学習済みの予測エンコーダ６２１Ａと、この予測エンコーダ６２１Ａから出力される特徴量データが入力されると回転電機２の内部における場の予測量に関する情報を含む出力データを出力する学習済みの予測デコーダ６２２Ａと、を備える。これら予測エンコーダ６２１Ａ及び予測デコーダ６２２Ａの構成は、第１実施形態に係る予測エンコーダ６２１及び予測デコーダ６２２とほぼ同じであるが、予測エンコーダ６２１Ａから出力される特徴量データ及び予測デコーダ６２２Ａから出力される出力データの構成が異なる。より具体的には、予測モデル６２Ａの予測デコーダ６２２Ａは、図５等を参照して説明したように予測範囲内に定められた複数の回転子面要素、複数のギャップ面要素、複数の固定子面要素におけるベクトル場である磁束密度の予測量を出力データとして出力する。すなわち本実施形態おける予測モデル６２Ａの出力データは、回転座標系上に定められた複数の回転子面要素及びギャップ面要素における磁束密度の予測量及び静止座標系上に定められた複数の固定子面要素における磁束密度の予測量を要素とした配列である。従って予測モデル６２Ａの出力データの要素番号（１〜Ｍ）は回転座標系及び静止座標系に定義される面要素の番号と対応している。
磁束密度分布算出部６３Ａは、予測モデル６２Ａの出力データに基づいて磁束密度の予測量の静止座標系における分布を算出する。図５を参照して説明したように、静止座標系上に定められる固定子面要素の位置は機械角に応じて変化しない。このため磁束密度分布算出部６３Ａは、固定子面要素における磁束密度の予測量の分布については、予測モデル６２Ａの出力データに基づいて機械角によらず一意的に算出することができる。
これに対し回転座標系上に定められる回転子面要素及びギャップ面要素の静止座標系での位置は、機械角に応じて変化する。このため磁束密度分布算出部６３Ａの記憶媒体には、静止座標系での回転子面要素及びギャップ面要素の位置と、予測モデル６２Ａの出力データの要素番号とを関連付ける変換マップが複数記憶されている。より具体的には、複数の変換マップは、機械角に対するサンプリング角と関連付けられた状態で磁束密度分布算出部６３Ａの記憶媒体に記憶されている。
磁束密度分布算出部６３Ａは、機械角が複数のサンプリング角の何れかと一致する場合には、このサンプリング角と関連付けられた変換マップと予測モデル６２Ａの出力データとを参照することによって回転子面要素及びギャップ面要素における磁束密度の予測量の静止座標系における分布を算出する。また磁束密度分布算出部６３Ａは、機械角が複数のサンプリング角の何れかとも一致しない場合には、所定の補間演算を行うことによって回転子面要素及びギャップ面要素における磁束密度の予測量の静止座標系における分布を算出する。
以上のような予測モデル６２Ａの予測エンコーダ６２１Ａ及び予測デコーダ６２２Ａは、図７〜図９に示す第１の学習方法又は第２の学習方法とほぼ同じ手順によって好ましい入出力特性が得られるように学習することができる。より具体的には、第１の学習方法及び第２の学習方法では、回転座標系及び静止座標系における各節点のベクトルポテンシャルを学習データとした。これに対し本実施形態に係る予測エンコーダ６２１Ａ及び予測デコーダ６２２Ａは、上述の第１の学習方法及び第２の学習方法において、回転座標系及び静止座標系における各面要素の磁束密度を学習データとすることにより、ほぼ同じ手順によって学習することができる。
本実施形態に係る場予測装置６Ａによれば、以下の効果を奏する。
（１１）予測モデル６２Ａは、面要素における磁束密度の予測量を算出する。これにより、回転電機２の内部における磁束密度の分布を、シミュレーションを経ることなく速やかに予測することができる。
（１２）磁束密度分布算出部６３Ａは、静止座標系での回転子面要素又はギャップ面要素の位置と予測モデル６２Ａの出力データのうちこれら面要素における磁束密度と相関のある要素番号とを関連付ける変換マップと、予測モデル６２Ａの出力データとに基づいて、固定子面要素、回転子面要素、及びギャップ面要素における磁束密度の予測量の静止座標系における分布を算出する。これにより、所定の機械角における回転電機２の内部の磁束密度の分布を、シミュレーションを経ることなく速やかに予測することができる。
（１３）磁束密度分布算出部６３Ａによれば、サンプリング角以外の任意の機械角における回転電機２の内部の磁束密度の分布を、シミュレーションを経ることなく速やかに予測することができる。
＜第３実施形態＞
次に、本発明の第３実施形態に係る回転電機の場予測装置６Ｂについて、図面を参照しながら詳細に説明する。
図１１は、本実施形態に係る場予測装置６Ｂの構成を示す図である。場予測装置６Ｂは、第１実施形態に係る場予測装置６と、入力データ生成部６１Ｂ及び予測モデル７の構成が異なる。より具体的には、第１実施形態に係る場予測装置６の予測モデル６２は入力データを１系統とする１−チャネルのニューラルネットワークであったのに対し、本実施形態に係る場予測装置６Ｂの予測モデル７は入力データを２系統とする２−チャネルのニューラルネットワークである点において異なる。なお以下の場予測装置６Ｂの説明において、第１実施形態に係る場予測装置６と同じ構成については同じ符号を付し、詳細な説明を省略する。
入力データ生成部６１Ｂは、図示しない制御装置５から送信されるデータに基づいて、上述のように２−チャネルのニューラルネットワークを備える予測モデル７に対する第１入力データ及び第２入力データを生成し、これら第１及び第２入力データを予測モデル７へ入力する。これら第１及び第２入力データは、少なくともｄ軸電流Ｉｄ、ｑ軸電流Ｉｑ、電気角θｅ、及び機械角θｍ又はこれら電流Ｉｄ，Ｉｑ及び角θｍ，θｅによって生成されるパラメータを含む。
第１入力データは、ｄ軸電流Ｉｄと、ｑ軸電流Ｉｑと、電気角θｅの正弦ｓｉｎθｅと、電気角θｅの余弦ｃｏｓθｅと、を要素とした４次元の配列とした場合について説明するが、本発明はこれに限らない。第１入力データの次元数は、４以外であってもよい。なお電気角θｅは、回転電機２の極対数が分かれば既知の式を用いて機械角θｍに基づいて算出される。例えば回転電機２の極対数がＮｍである場合、電気角θｅは機械角θｍのＮｍ倍である（θｅ＝Ｎｍθｍ）。
また第２入力データは、機械角θｍの正弦ｓｉｎθｍと、機械角θｍの余弦ｃｏｓθｍと、機械角θｍの整数Ｍ倍角の正弦ｓｉｎＭθｍと、機械角θｍの整数Ｍ倍角の余弦ｓｉｎＭθｍと、機械角θｍの整数Ｎ倍角の正弦ｓｉｎＮθｍと、機械角θｍの整数Ｎ倍角の余弦ｓｉｎＮθｍと、機械角θｍの整数Ｓ倍角の正弦ｓｉｎＳθｍと、機械角θｍの整数Ｓ倍角の余弦ｓｉｎＳθｍと、を要素とした８次元の配列とした場合について説明するが、本発明はこれに限らない。第２入力データの次元数は、８以外であってもよい。これら整数Ｍ，Ｎ，Ｓは、それぞれ回転電機の構造から定められる。より具体的には、整数Ｓは同期電動機特有の脈動トルクとして知られているコギングトルク成分（スロット数と極数の最小公倍数成分及びその整数倍成分）に相当し、整数Ｎは回転電機の相数と極数との積に相当し、整数Ｍは極対数当たりの永久磁石の数に相当する。なおこれら機械角θｍの倍角（Ｍθｍ，Ｎθｍ，Ｓθｍ）のうち電気角θｅと同じものについては、第２入力データから除いておくことが好ましい。
なお以下では、電気角θｅは機械角θｍの２倍（θｅ＝２θｍ）とし、整数Ｓは２４とし、整数Ｎは１２とし、整数Ｍは２とした場合について説明する。この場合、機械角θｍの整数Ｍ倍角は、電気角θｅと等しいので、第２入力データのうち機械角θｍの整数Ｍ倍角については省略することができる。従って以下では、第１入力データは４次元とし、第２入力データは６次元とした場合について説明する。
予測モデル７は、第１入力データが入力される第１チャネル７１と、第２入力データが入力される第２チャネル７４と、これら第１チャネル７１の第１出力データと第２チャネル７４の第２出力データとを合成する合成部７７と、を備える。
第１チャネル７１は、第１入力データが入力されると第１特徴量データを出力する学習済みの第１予測エンコーダ７２と、この第１予測エンコーダ７２から出力される第１特徴量データが入力されると回転電機の内部における場の予測量に関する情報を含む第１出力データを出力する学習済みの第１予測デコーダ７３と、を備える。これら第１予測エンコーダ７２及び第１予測デコーダ７３は、それぞれ後に図１４及び図１５を参照して説明する学習方法を経た学習済みのニューラルネットワークによって構成される。
図１２は、第１チャネル７１の構成を示す図である。第１予測エンコーダ７２は、第１入力データを受容する入力層７２１と、この入力層７２１と結合された第１中間層７２２と、この第１中間層７２２の一部と結合された第２中間層７２３と、第１中間層７２２の一部及び第２中間層７２３と結合された第３中間層７２４と、この第３中間層７２４と結合された第４中間層７２５と、この第４中間層７２５と結合され第１特徴量データを出力する出力層７２６と、を備える。第１中間層７２２〜第４中間層７２５は、それぞれ所定次元数及び所定層数のパーセプトロンであり、その重みは、入力データから所定次元数の第１特徴量データが抽出されるように後述の学習方法によって調整されている。なお各中間層７２２〜７２５を構成する各層は、それぞれ前層の全てと結合されている全結合層とすることが好ましい。
入力層７２１は、第１入力データのうち直流成分の１つであるｄ軸電流Ｉｄを受容する入力層７２１ａと、第１入力データのうち直流成分の１つであるｑ軸電流Ｉｑを受容する入力層７２１ｂと、第１入力データのうち基本波成分である電気角２θｍの正弦ｓｉｎ２θｍ及び余弦ｃｏｓ２θｍを受容する入力層７２１ｃと、を備える。従って入力層７２１の次元数は、第１入力データの次元数と同じ４である。
第１中間層７２２は、入力層７２１ａのみと結合された中間層７２２ａと、入力層７２１ｂのみと結合された中間層７２２ｂと、入力層７２１ｃのみと結合された中間層７２２ｃと、を備える。第１中間層７２２の次元数は、入力層７２１の次元数と同じ４であるが、本発明はこれに限らない。
第２中間層７２３は、第１中間層７２２のうち、基本波成分が入力される中間層７２２ｃのみと結合されている。第２中間層７２３の次元数は、第１中間層７２２の中間層７２２ｃの次元数と同じ２であるが、本発明はこれに限らない。
第３中間層７２４は、第１中間層７２２のうち直流成分が入力される中間層７２２ａ，７２２ｂ及び第２中間層７２３と結合されている。第３中間層７２４の次元数は、入力層７２１の次元数よりも小さな４であるが、本発明はこれに限らない。
第４中間層７２５は、第３中間層７２４と結合されている。第４中間層７２５の次元数、出力層７２６の次元数、及び第１特徴量データの次元数は、それぞれ抽出したいパラメータの数以上であり、例えば８以上である。以下では、第４中間層７２５の次元数、出力層７２６の次元数、及び第１特徴量データの次元数を８とした場合について説明するが、本発明はこれに限らない。
第１予測デコーダ７３は、第１特徴量データを受容する入力層７３１と、この入力層７３１と結合された中間層７３２と、この中間層７３２と結合され第１出力データを出力する出力層７３３と、を備える。入力層７３１の次元数は、第１特徴量データの次元数と同じである。中間層７３２は、所定次元数の多層パーセプトロンであり、その重みは、第１特徴量データから所定次元数の第１出力データが出力されるように後述の学習方法によって調整される。出力層７３３の次元数は、第１出力データの次元数と同じである。また第１出力データの次元数は、第１入力データの次元数、及び第１特徴量データの次元数よりも大きい。なお中間層７３２の各層は、前層の全てと結合されている全結合層とすることが好ましい。出力層７３３は、中間層７３２によって第１特徴量データから展開された第１出力データを出力する。
第１出力データは、回転電機の内部の各部分における場の予測量を要素としたＮ次元の配列である。なお本実施形態では、第１出力データは、第１実施形態と同様に、各節点におけるベクトルポテンシャルの予測量を要素とする配列とした場合について説明するが、本発明はこれに限らない。第１出力データは、第２実施形態と同様に、各面要素における磁束密度の予測量を要素とする配列としてもよい。
図１１に戻り、第２チャネル７４は、第２入力データが入力されると第２特徴量データを出力する学習済みの第２予測エンコーダ７５と、この第２予測エンコーダ７５から出力される第２特徴量データが入力されると回転電機の内部における場の予測量に関する情報を含む第２出力データを出力する学習済みの第２予測デコーダ７６と、を備える。これら第２予測エンコーダ７５及び第２予測デコーダ７６は、それぞれ後に図１４及び図１５を参照して説明する学習方法を経た学習済みのニューラルネットワークによって構成される。
図１３は、第２チャネル７４の構成を示す図である。第２予測エンコーダ７５は、第２入力データを受容する入力層７５１と、この入力層７５１と結合された第１中間層７５２と、この第１中間層７５２と結合された第２中間層７５３と、この第２中間層７５３と結合された第３中間層７５４と、この第３中間層７５４と結合され第２特徴量データを出力する出力層７５５と、を備える。第１中間層７５２〜第３中間層７５４は、それぞれ所定次元数及び所定層数のパーセプトロンであり、その重みは、入力データから所定次元数の第２特徴量データが抽出されるように後述の学習方法によって調整されている。なお各中間層７５２〜７５４を構成する各層は、それぞれ前層の全てと結合されている全結合層とすることが好ましい。
入力層７５１は、第２入力データのうち機械角θｍの正弦ｓｉｎθｍ及び余弦ｃｏｓθｍを受容する入力層７５１ａと、第２入力データのうち機械角θｍの１２倍角の正弦ｓｉｎ１２θｍ及び余弦ｃｏｓ１２θｍを受容する入力層７５１ｂと、第２入力データのうち機械角θｍの２４倍角の正弦ｓｉｎ２４θｍ及び余弦ｃｏｓ２４θｍを受容する入力層７５１ｃと、を備える。従って入力層７５１の次元数は、第２入力データの次元数と同じ６である。
第１中間層７５２は、入力層７５１ａのみと結合された中間層７５２ａと、入力層７５１ｂのみと結合された中間層７５２ｂと、入力層７５１ｃのみと結合された中間層７５２ｃと、を備える。第１中間層７５２の次元数は、入力層７５１の次元数と同じ６であるが、本発明はこれに限らない。
第２中間層７５３は、中間層７５２ａのみと結合された中間層７５３ａと、中間層７５２ｂのみと結合された中間層７５３ｂと、中間層７５２ｃのみと結合された中間層７５３ｃと、を備える。第２中間層７５３の次元数は、入力層７５１の次元数と同じ６であるが、本発明はこれに限らない。
第３中間層７５４は、第２中間層７５３と結合されている。第３中間層７５４の次元数、出力層７５５の次元数、及び第２特徴量データの次元数は、例えば第２中間層７５３の次元数と同じ６であるが、本発明はこれに限らない。
第２予測デコーダ７６は、第２特徴量データを受容する入力層７６１と、この入力層７６１と結合された中間層７６２と、この中間層７６２と結合され第２出力データを出力する出力層７６３と、を備える。入力層７６１の次元数は、第２特徴量データの次元数と同じである。中間層７６２は、所定次元数の多層パーセプトロンであり、その重みは、第２特徴量データから所定次元数の第２出力データが出力されるように後述の学習方法によって調整される。出力層７６３の次元数は、第２出力データの次元数と同じである。また第２出力データの次元数は、第１出力データの次元数と同じである。なお中間層７６２の各層は、前層の全てと結合されている全結合層とすることが好ましい。出力層７６３は、中間層７６２によって第２特徴量データから展開された第２出力データを出力する。
第２出力データは、第１出力データと同様、回転電機の内部の各部分における場の予測量を要素としたＮ次元の配列である。
図１１に戻り、合成部７７は、第１出力データと第２出力データとを合成し、出力データを出力する。より具体的には、合成部７７は、第１出力データの各成分と第２出力データの各成分とを合算することによって出力データを出力する。
次に、以上のような場予測装置６Ｂの予測モデル７をコンピュータによって学習する学習方法の手順について、図１４及び図１５を参照しながら説明する。
図１４は、第３の学習方法の手順を示すフローチャートである。
始めにＳ３１では、作業者は、複数組の異なる入力データの下でコンピュータを用いた数値シミュレーションを行うことによって複数組の学習データを生成する。なおＳ２１において複数組の学習データを生成する具体的な手順は、図７のＳ１における処理と同じであるので、詳細な説明は省略する。
Ｓ３２では、作業者は、Ｓ３１で準備した複数組の入力データを第１入力データと第２入力データに分けるとともに、複数組の第１入力データと、複数組の第２入力データと、各入力データに基づいて生成された複数組の学習データと、を関連付けて記憶媒体に保存する。
Ｓ３３では、作業者は、第１学習エンコーダ及び第１学習デコーダを備えるオートエンコーダを準備し、複数組の学習データを正解ラベルとして用いることによってこれら第１学習エンコーダ及び第１学習デコーダを学習する。ここで第１学習エンコーダの入力層の次元数及び第１学習デコーダの出力層の次元数は、Ｓ３１で生成した学習データと同じ次元数とする。作業者は、このような第１学習エンコーダに学習データを入力した場合に第１学習デコーダから出力される出力データと、第１学習エンコーダへ入力した学習データとの差が所定値以下になるまで既知のアルゴリズムに基づいて第１学習エンコーダ及び第１学習デコーダを学習する。
Ｓ３４では、作業者は、Ｓ３２で生成した複数組の第１入力データと、第２入力データと、各入力データに基づいて生成された複数組の学習データと、各学習データをＳ３３における学習済みの第１学習エンコーダに入力した場合にこの第１学習エンコーダから出力される複数組の第１特徴量データと、を関連付けて記憶媒体に保存する。
Ｓ３５では、作業者は、第２学習エンコーダを準備し、複数組の第１特徴量データを正解ラベルとして用いることによってこの第２学習エンコーダを学習する。ここで第２学習エンコーダの入力層の次元数は第１入力データの次元数と同じとし、第２学習エンコーダの出力層の次元数は第１特徴量データの次元数と同じとする。作業者は、このような第２学習エンコーダに第１入力データを入力した場合にこの第２学習エンコーダから出力される出力データと、第２学習エンコーダに入力した第１入力データと関連付けて保存した第１特徴量データとの差が所定値以下になるまで第２学習エンコーダを学習する。
Ｓ３６では、作業者は、Ｓ３５における学習済みの第２学習エンコーダと、Ｓ３２における学習済みの第１学習デコーダと、を組み合わせることにより第１予測モデルを構築する。
Ｓ３７では、作業者は、学習データを正解ラベルとして用いることによって、第２学習エンコーダのファインチューニング学習及び第１学習デコーダの転移学習を行う。より具体的には、作業者は、Ｓ３６で構築した第１予測モデルの第２学習エンコーダに第１入力データを入力した場合に第１学習デコーダから出力される第１出力データと、第２学習エンコーダへの第１入力データと関連付けられた学習データとの差が所定値以下になるまで、第２学習エンコーダに対しては中間層の重みを凍結しないファインチューニング学習を行うとともに、第１学習デコーダに対しては中間層の重みを凍結した転移学習を行う。
Ｓ３８では、作業者は、ファインチューニング学習後の第２学習エンコーダと、転移学習後の第１学習デコーダと、未学習の第２予測エンコーダ７５と、未学習の第２予測デコーダ７６と、合成部７７と、を組み合わせることによって予測モデル７を構築する。より具体的には、作業者は、Ｓ３７におけるファインチューニング学習後の第２学習エンコーダを第１予測エンコーダ７２とし、Ｓ３７における転移学習後の第１学習デコーダを第１予測デコーダ７３とし、これら第１予測エンコーダ７２と第１予測デコーダ７３とを組み合わせることによって第１チャネル７１を構築する。また作業者は、未学習の第２予測エンコーダ７５と未学習の第２予測デコーダ７６とを組み合わせることによって第２チャネル７４を構築する。また作業者は、これら第１チャネル７１と、第２チャネル７４と、予め準備した合成部７７と、を組み合わせることによって予測モデル７を構築する。
Ｓ３９では、作業者は、学習データを正解ラベルとして用いることによって、第１予測エンコーダ７２及び第１予測デコーダ７３の転移学習並びに第２予測エンコーダ７５及び第２予測デコーダ７６の学習を行う。より具体的には、作業者は、第１予測エンコーダ７２に第１入力データを入力しかつ第２予測エンコーダ７５に第１入力データと関連付けられた第２入力データを入力した場合に合成部７７から出力される出力データと第１入力データと関連付けられた学習データとの差が所定値以下になるまで、第１予測エンコーダ７２及び第１予測デコーダ７３に対しては重みを凍結した転移学習を行うとともに、第２予測エンコーダ７５及び第２予測デコーダ７６に対しては重みを凍結せずに学習を行う。図１１に示す予測モデル７には、以上のような工程を経て学習されたものが用いられる。
図１５は、第４の学習方法の手順を示すフローチャートである。なお以下の図１５の説明において、Ｓ５１〜Ｓ５３、Ｓ５６〜Ｓ５７に示す処理は、図１４のＳ３１〜Ｓ３３、Ｓ３８〜Ｓ３９に示す処理と同じであるので、詳細な説明を省略する。
Ｓ５４では、作業者は、未学習の第２学習エンコーダを準備し、この第２学習エンコーダと学習済みの第１学習デコーダとを組み合わせることにより第１予測モデルを構築する。
Ｓ５５では、作業者は、学習データを正解ラベルとして用いることによって、第２学習エンコーダの学習及び第１学習デコーダの転移学習を行う。より具体的には、作業者は、第２学習エンコーダに第１入力データを入力した場合に第１学習デコーダから出力される第１出力データと、第２学習エンコーダへの第１入力データと関連付けられた学習データとの差が所定値以下になるまで、第２学習エンコーダに対しては中間層の重みを凍結せずに学習を行うとともに、第１学習デコーダに対しては中間層の重みを凍結した転移学習を行う。
なお上記第３実施形態では、第３及び第４の学習方法の手順について回転電機の場予測装置６Ｂの予測モデル７を例に説明したが、本発明はこれに限らない。上述の第３及び第４の学習方法は、回転電機の場予測装置６Ｂに限らず、一般的な場予測装置にも適用することができる。ここで一般的な場予測装置とは、何等かのエネルギ源（熱源、電流等）から供給されるエネルギ（熱、電場、磁場等）が伝達する構造物の内部における場の量をニューラルネットワークによって構築される予測モデルで予測するものをいう。またこのような予測モデルを、エネルギ源の状態に関する情報を含む第１入力データが入力されると第１特徴量データを出力する第１予測エンコーダと、第１特徴量データが入力されると構造物の内部における場の予測量に関する情報を含む第１出力データを出力する第１予測デコーダと、第１入力データに基づいて生成される第２入力データが入力されると第２特徴量データを出力する第２予測エンコーダと、第２特徴量データが入力されると構造物の内部における場の予測量に関する情報を含む第２出力データを出力する第２予測デコーダと、第１出力データと第２出力データとを合成する合成部と、によって構築した場合、これら第１予測エンコーダ、第１予測デコーダ、第２予測エンコーダ、及び第２予測デコーダは、上述の第３及び第４の学習方法と同じ手順によって学習することができる。
本実施形態に係る場予測装置６Ｂによれば、以下の効果を奏する。
（１４）回転電機２の内部における回転子２１は、周期的に変動する回転磁場の下で回転する。このため、回転電機２の内部に形成される場の量は、直流成分及び基本波成分の他、回転子２１や固定子２２の構造に起因する空間的な周波数や、電源電流の時間変化に起因する時間的な周波数等の様々な周波数の下で変動する成分を含んだものとなっている。これに対し場予測装置６Ｂでは、予測モデル７を、第１予測エンコーダ７２及び第１予測デコーダ７３を組み合わせた第１チャネル７１と、第２予測エンコーダ７５及び第２予測デコーダ７６を組み合わせた第２チャネル７４と、これら第１チャネル７１及び第２チャネル７４の出力を合成する合成部７７と、によって構成する。また第１チャネル７１への第１入力データには、ｄ軸電流、ｑ軸電流、電気角の正弦及び余弦を含め、第２チャネル７４への第２入力データには、機械角の整数倍の正弦及び余弦を含める。これにより、第１チャネル７１では回転電機２の内部に形成される場の量のうち直流成分及び基本波成分を予測し、第２チャネル７４では回転電機２の内部に形成される場の量のうち固定子２２や回転子２１の構造に起因する周波数成分を予測することができる。これにより、回転電機２の内部の場の量を、シミュレーションを経ることなく速やかかつ精度良く予測することができる。
本実施形態に係る第３の学習方法によれば、以下の効果を奏する。
（１５）第３の学習方法によれば、回転電機２の内部に形成される場の量のうち大部分を占める直流成分及び基本波成分を予測する第１チャネル７１を先に学習した後、残りの周波数成分を予測する第２チャネル７４を学習する。これにより、回転電機２の内部の場の量の予測精度の高い場予測装置６Ｂを構築することができる。
以上、本発明の第１〜第３実施形態について説明したが、本発明はこれに限らない。本発明の趣旨の範囲内で、細部の構成を適宜変更してもよい。
１…回転電機制御システム
２…回転電機
２１…回転子
２２…固定子
３…電流センサ
４…回転検出器（機械角取得手段）
５…制御装置（機械角取得手段）
６，６Ａ，６Ｂ…場予測装置
６１，６１Ｂ…入力データ生成部
６２，６２Ａ…予測モデル
６２１，６２１Ａ…予測エンコーダ
６２２，６２２Ａ…予測デコーダ
６３，６３Ａ…磁束密度分布算出部
６４…制御パラメータ算出部
７…予測モデル
７１…第１チャネル
７２…第１予測エンコーダ
７３…第１予測デコーダ
７４…第２チャネル
７５…第２予測エンコーダ
７６…第２予測デコーダ
７７…合成部

Claims (15)

  1. 三相交流電流が流れると回転磁場を生成する固定子と回転磁場によって回転する回転子とを備える回転電機の内部における場の量を予測する回転電機の場予測装置であって、
    前記回転電機のｄ軸電流、ｑ軸電流及び機械角又はこれらパラメータに基づいて生成される入力データが入力されるとニューラルネットワークに基づいて前記回転電機の内部における場の予測量を含む出力データを出力する予測モデルを備えることを特徴とする回転電機の場予測装置。
  2. 前記回転電機の内部には、前記回転子の軸線に対し直交する断面視で格子状に区画することによって、複数の節点と、互いに隣接する前記節点によって囲まれる複数の面要素と、が定義され、
    前記予測モデルは、前記節点又は前記面要素におけるスカラー場又はベクトル場の予測量を算出することを特徴とする請求項１に記載の回転電機の場予測装置。
  3. 前記予測モデルは、前記節点におけるスカラー場であるベクトルポテンシャルの予測量を算出することを特徴とする請求項２に記載の回転電機の場予測装置。
  4. 前記予測モデルの出力データに基づいて、前記面要素におけるベクトル場である磁束密度の予測量の分布を算出する磁束密度分布算出部をさらに備えることを特徴とする請求項３に記載の回転電機の場予測装置。
  5. 複数の前記節点は、前記固定子上に定められる固定子節点と、前記回転子上に定められる回転子節点と、前記固定子の内周面と前記回転子の外周面との間に定められるギャップ節点と、に分けられ、
    複数の前記面要素は、互いに隣接する前記固定子節点によって囲まれる固定子面要素と、互いに隣接する前記回転子節点によって囲まれる回転子面要素と、互いに隣接する前記ギャップ節点によって囲まれるギャップ面要素と、に分けられ、
    複数の前記固定子節点の一部及び複数の前記ギャップ節点の一部は前記回転子の回転中心を中心とした円周上に定められ、
    前記固定子節点及び前記固定子面要素は、前記回転中心を原点とした静止座標系に定められ、
    前記回転子節点、前記ギャップ節点、前記回転子面要素、及び前記ギャップ面要素は、前記回転中心を原点としかつ前記静止座標系に対し前記機械角に比例する角度で傾斜する回転座標系に定められ、
    前記予測モデルの出力データは、前記各節点におけるベクトルポテンシャルの予測量を要素とした配列であり、
    前記磁束密度分布算出部は、前記静止座標系での前記回転子面要素及び前記ギャップ面要素の位置と、前記予測モデルの出力データのうちこれら面要素における磁束密度と相関のある要素番号とを関連付ける変換マップと、前記予測モデルの出力データとに基づいて前記固定子面要素、前記回転子面要素、及び前記ギャップ面要素における磁束密度の予測量の前記静止座標系における分布を算出することを特徴とする請求項４に記載の回転電機の場予測装置。
  6. 前記変換マップは、前記機械角に対するサンプリング角と関連付けた状態で記憶媒体に複数記憶されており、
    前記磁束密度分布算出部は、前記機械角と複数の前記サンプリング角の何れかと一致する場合には、当該サンプリング角と関連付けられた前記変換マップを参照して磁束密度の予測量の前記静止座標系における分布を算出し、前記機械角と複数の前記サンプリング角の何れかとも一致しない場合には、補間演算を行うことによって磁束密度の予測量の前記静止座標系における分布を算出することを特徴とする請求項５に記載の回転電機の場予測装置。
  7. 前記予測モデルは、前記面要素におけるベクトル場である磁束密度の予測量を算出することを特徴とする請求項２に記載の回転電機の場予測装置。
  8. 複数の前記節点は、前記固定子上に定められる固定子節点と、前記回転子上に定められる回転子節点と、前記固定子の内周面と前記回転子の外周面との間に定められるギャップ節点と、に分けられ、
    複数の前記面要素は、互いに隣接する前記固定子節点によって囲まれる固定子面要素と、互いに隣接する前記回転子節点によって囲まれる回転子面要素と、互いに隣接する前記ギャップ節点によって囲まれるギャップ面要素と、に分けられ、
    複数の前記固定子節点の一部及び複数の前記ギャップ節点の一部は前記回転子の回転中心を中心とした円周上に定められ、
    前記固定子節点及び前記固定子面要素は、前記回転中心を原点とした静止座標系に定められ、
    前記回転子節点、前記ギャップ節点、前記回転子面要素、及び前記ギャップ面要素は、前記回転中心を原点としかつ前記静止座標系に対し前記機械角に比例する角度で傾斜する回転座標系に定められ、
    前記予測モデルの出力データは、前記各面要素における磁束密度の予測量を要素とした配列であり、
    前記静止座標系での前記回転子面要素又は前記ギャップ面要素の位置と、前記予測モデルの出力データの要素番号とを関連付ける変換マップと、前記予測モデルの出力データとに基づいて前記固定子面要素、前記回転子面要素及び前記ギャップ面要素における磁束密度の予測量の前記静止座標系における分布を算出する磁束密度分布算出部を備えることを特徴とする請求項７に記載の回転電機の場予測装置。
  9. 前記変換マップは、前記機械角に対するサンプリング角と関連付けられた状態で記憶媒体に複数記憶されており、
    前記磁束密度分布算出部は、前記機械角と複数の前記サンプリング角の何れかと一致する場合には、当該サンプリング角と関連付けられた前記変換マップを参照して磁束密度の予測量の前記静止座標系における分布を算出し、前記機械角と複数の前記サンプリング角の何れかとも一致しない場合には、補間演算を行うことによって磁束密度の予測量の前記静止座標系における分布を算出することを特徴とする請求項８に記載の回転電機の場予測装置。
  10. 前記入力データは、前記ｄ軸電流、前記ｑ軸電流、前記機械角の正弦及び余弦、並びに前記回転電機の電気角の正弦及び余弦を含み、
    前記予測モデルは、前記入力データが入力されると特徴量を出力する予測エンコーダと、前記特徴量が入力されると前記回転電機の内部における場の予測量に関する情報を含む出力データを出力する予測デコーダと、を備えることを特徴とする請求項１から９の何れかに記載の回転電機の場予測装置。
  11. 前記入力データは、前記ｄ軸電流、前記ｑ軸電流、前記機械角に比例する前記回転電機の電気角の正弦及び余弦を含む第１入力データと、前記機械角の正弦及び余弦、並びに前記機械角の整数倍の正弦及び余弦を含む第２入力データと、に分けられ、
    前記予測モデルは、
    前記第１入力データが入力されると第１特徴量を出力する第１予測エンコーダと、
    前記第１特徴量が入力されると前記回転電機の内部における場の予測量に関する情報を含む第１出力データを出力する第１予測デコーダと、
    前記第２入力データが入力されると第２特徴量を出力する第２予測エンコーダと、
    前記第２特徴量が入力されると前記回転電機の内部における場の予測量に関する情報を含む第２出力データを出力する第２予測デコーダと、
    前記第１出力データと前記第２出力データとを合成する合成部と、を備えることを特徴とする請求項１から９の何れかに記載の回転電機の場予測装置。
  12. 請求項１０に記載の予測モデルをコンピュータによって学習する予測モデルの学習方法であって、
    複数組の異なる前記入力データの下でシミュレーションを行うことによって前記回転電機の内部における場の予測量を算出し、複数の学習データを生成する工程と、
    前記入力データと前記学習データとを関連付けて保存する工程と、
    第１学習エンコーダ及び第１学習デコーダを備えるオートエンコーダを準備し、前記第１学習エンコーダに前記学習データを入力した場合に前記第１学習デコーダから出力される出力データと前記学習データとの差が所定値以下になるまで前記第１学習エンコーダ及び前記第１学習デコーダを学習する工程と、
    前記入力データと、当該入力データと関連付けられた前記学習データと、当該学習データを学習済みの前記第１学習エンコーダに入力した場合に当該第１学習エンコーダから出力される特徴量と、を関連付けて保存する工程と、
    第２学習エンコーダを準備し、当該第２学習エンコーダに前記入力データを入力した場合に当該第２学習エンコーダから出力される出力データと前記入力データと関連付けられた前記特徴量との差が所定値以下になるまで前記第２学習エンコーダを学習する工程と、
    学習済みの前記第２学習エンコーダを前記予測エンコーダとし、学習済みの前記第１学習デコーダを前記予測デコーダとし、前記予測エンコーダ及び前記予測デコーダを組み合わせることによって前記予測モデルを構築する工程と、
    前記予測エンコーダに前記入力データを入力した場合に前記予測デコーダから出力される出力データと前記入力データと関連付けられた前記学習データとの差が所定値以下になるまで、前記予測エンコーダに対しては重みを凍結しないファインチューニング学習を行うとともに前記予測デコーダに対しては重みを凍結した転移学習を行うことを特徴とする予測モデルの学習方法。
  13. 請求項１０に記載の予測モデルをコンピュータによって学習する予測モデルの学習方法であって、
    複数組の異なる前記入力データの下でシミュレーションを行うことによって前記回転電機の内部における場の予測量を算出し、複数の学習データを生成する工程と、
    前記入力データと前記学習データとを関連付けて保存する工程と、
    第１学習エンコーダ及び第１学習デコーダを備えるオートエンコーダを準備し、前記第１学習エンコーダに前記学習データを入力した場合に前記第１学習デコーダから出力される出力データと前記学習データとの差が所定値以下になるまで前記第１学習エンコーダ及び前記第１学習デコーダを学習する工程と、
    学習済みの前記第１学習デコーダを前記予測デコーダとし、当該予測デコーダと前記予測エンコーダとを組み合わせることによって前記予測モデルを構築する工程と、
    前記予測エンコーダに前記入力データを入力した場合に前記予測デコーダから出力される出力データと前記入力データと関連付けられた前記学習データとの差が所定値以下になるまで、前記予測エンコーダに対しては重みを凍結せずに学習を行うとともに前記予測デコーダに対しては重みを凍結した転移学習を行うことを特徴とする予測モデルの学習方法。
  14. 請求項１１に記載の予測モデルをコンピュータによって学習する予測モデルの学習方法であって、
    複数組の異なる前記入力データの下でシミュレーションを行うことによって前記回転電機の内部における場の予測量を算出し、複数の学習データを生成する工程と、
    前記第１入力データと前記学習データとを関連付けて保存する工程と、
    第１学習エンコーダ及び第１学習デコーダを備えるオートエンコーダを準備し、前記第１学習エンコーダに前記学習データを入力した場合に前記第１学習デコーダから出力される出力データと前記学習データとの差が所定値以下になるまで前記第１学習エンコーダ及び前記第１学習デコーダを学習する工程と、
    前記第１入力データと、当該第１入力データと関連付けられた前記学習データと、当該学習データを学習済みの前記第１学習エンコーダに入力した場合に当該第１学習エンコーダから出力される第１特徴量と、を関連付けて保存する工程と、
    第２学習エンコーダを準備し、当該第２学習エンコーダに前記第１入力データを入力した場合に当該第２学習エンコーダから出力される出力データと前記第１入力データと関連付けられた前記第１特徴量との差が所定値以下になるまで前記第２学習エンコーダを学習する工程と、
    学習済みの前記第２学習エンコーダと学習済みの前記第１学習デコーダとを組み合わせることによって第１予測モデルを構築する工程と、
    前記第１予測モデルの前記第２学習エンコーダに前記第１入力データを入力した場合に前記第１学習デコーダから出力される出力データと前記第１入力データと関連付けられた前記学習データとの差が所定値以下になるまで、前記第２学習エンコーダに対しては重みを凍結しないファインチューニング学習を行うとともに前記第１学習デコーダに対しては重みを凍結した転移学習を行う工程と、
    ファインチューニング学習後の前記第２学習エンコーダを前記第１予測エンコーダとし、転移学習後の前記第１学習デコーダを前記第１予測デコーダとし、これら前記第１予測エンコーダ及び前記第１予測デコーダと、前記第２予測エンコーダと、前記第２予測デコーダと、前記合成部と、を組み合わせることによって前記予測モデルを構築する工程と、
    前記第１予測エンコーダに前記第１入力データを入力しかつ前記第２予測エンコーダに前記第１入力データと関連付けられた前記第２入力データを入力した場合に前記合成部から出力される出力データと前記第１入力データと関連付けられた前記学習データとの差が所定値以下になるまで、前記第１予測エンコーダ及び前記第１予測デコーダに対しては重みを凍結した転移学習を行い、前記第１予測エンコーダ及び前記第１予測デコーダに対しては重みを凍結した転移学習を行うとともに、前記第２予測エンコーダ及び前記第２予測デコーダに対しては重みを凍結せずに学習を行う工程と、を備えることを特徴とする予測モデルの学習方法。
  15. 三相交流電流が流れると回転磁場を生成する固定子と回転磁場によって回転する回転子とを備える回転電機と、
    前記回転電機を流れる三相交流電流を検出する電流センサと、
    前記回転電機の機械角を取得する機械角取得手段と、
    請求項１から１１の何れかに記載の場予測装置と、
    前記電流センサの検出信号に基づいて算出される前記回転電機のｄ軸電流及びｑ軸電流、並びに前記機械角取得手段によって取得される前記回転電機の機械角に基づいて生成した入力データを前記場予測装置に入力した場合に前記場予測装置から出力される出力データに基づいて前記回転電機の制御パラメータを算出する制御パラメータ算出部と、
    前記電流センサの検出信号及び前記制御パラメータに基づいて前記回転電機を流れる三相交流電流を制御する制御装置と、を備えることを特徴とする回転電機制御システム。
JP2020031841A 2020-02-27 2020-02-27 回転電機の場予測装置、予測モデルの学習方法、及び回転電機制御システム Pending JP2021135774A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020031841A JP2021135774A (ja) 2020-02-27 2020-02-27 回転電機の場予測装置、予測モデルの学習方法、及び回転電機制御システム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020031841A JP2021135774A (ja) 2020-02-27 2020-02-27 回転電機の場予測装置、予測モデルの学習方法、及び回転電機制御システム

Publications (1)

Publication Number Publication Date
JP2021135774A true JP2021135774A (ja) 2021-09-13

Family

ID=77661316

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020031841A Pending JP2021135774A (ja) 2020-02-27 2020-02-27 回転電機の場予測装置、予測モデルの学習方法、及び回転電機制御システム

Country Status (1)

Country Link
JP (1) JP2021135774A (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115864929A (zh) * 2022-12-27 2023-03-28 江西安百川电气有限公司 一种永磁同步电机转子失步检测方法及其装置
GB2618576A (en) * 2022-05-11 2023-11-15 Monumo Ltd Virtual current representation of magnetic fields for electric motor design
JP7553881B1 (ja) 2023-03-02 2024-09-19 日本製鉄株式会社 推定装置、推定モデル作成装置、推定方法、推定モデル作成方法およびプログラム

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2618576A (en) * 2022-05-11 2023-11-15 Monumo Ltd Virtual current representation of magnetic fields for electric motor design
US11934751B2 (en) 2022-05-11 2024-03-19 Monumo Limited Virtual current representation of magnetic fields for electric motor design
CN115864929A (zh) * 2022-12-27 2023-03-28 江西安百川电气有限公司 一种永磁同步电机转子失步检测方法及其装置
CN115864929B (zh) * 2022-12-27 2023-06-06 江西安百川电气有限公司 一种永磁同步电机转子失步检测方法及其装置
JP7553881B1 (ja) 2023-03-02 2024-09-19 日本製鉄株式会社 推定装置、推定モデル作成装置、推定方法、推定モデル作成方法およびプログラム

Similar Documents

Publication Publication Date Title
JP2021135774A (ja) 回転電機の場予測装置、予測モデルの学習方法、及び回転電機制御システム
Mirimani et al. An online method for static eccentricity fault detection in axial flux machines
US6756757B2 (en) Control system and method for a rotating electromagnetic machine
Xiang et al. Practical modeling and comprehensive system identification of a BLDC motor
Šmídl et al. Direct speed control of a PMSM drive using SDRE and convex constrained optimization
Farooq et al. Analytical modeling approach to detect magnet defects in permanent-magnet brushless motors
CN110073590A (zh) 用于电动机电路的控制系统
JP2021135775A (ja) 場予測装置装置の学習方法
WO2020188650A1 (ja) 制御装置および制御システム
Mossa et al. Effective model predictive direct torque control for an induction motor drive
Oksuztepe et al. Sensorless vector control of PMSM with non-sinusoidal flux using observer based on FEM
CN108521246B (zh) 永磁同步电机单电流传感器电流预测控制的方法及装置
Secrest et al. Adaptive decoupling of nonideal machine and sensor properties for extraction of fine details when using the motor drive as a diagnostic sensor
CN115001335A (zh) 基于神经网络的无轴承磁通切换电机转子悬浮控制方法
Khaliq et al. Indirect vector control of linear induction motors using space vector pulse width modulation
Amor et al. Adaptive nonlinear torque control of a switched reluctance motor via flux observation
Kimpara et al. A new synchronous machine modeling using the field reconstruction method
CN117544030B (zh) 降低估算复杂度的永磁同步电机无传感器控制方法及系统
Barreng et al. Parameter Estimation in a Permanent Magnet Synchronous Motor
Roșca et al. An online observer for minimization of pulsating torque in SMPM motors
Savarapu et al. Real-Time Implementation of Brain Emotional Controller for Sensorless Induction Motor Drive with Adaptive System
Niasar et al. An improved analytical dynamic modeling of hysteresis motor
Zare et al. Improving the performance of helical motion resolver based on accurate modelling of longitudinal end effect
Govindaraj et al. Simulation modelling of sensor less speed control of BLDC motor using artificial neural network
Boccaletti et al. Parametric analysis of axial flux wind generators focused on total harmonic distortion evaluation