WO2022244204A1 - 回転機制御装置、機械学習装置および推論装置 - Google Patents

回転機制御装置、機械学習装置および推論装置 Download PDF

Info

Publication number
WO2022244204A1
WO2022244204A1 PCT/JP2021/019223 JP2021019223W WO2022244204A1 WO 2022244204 A1 WO2022244204 A1 WO 2022244204A1 JP 2021019223 W JP2021019223 W JP 2021019223W WO 2022244204 A1 WO2022244204 A1 WO 2022244204A1
Authority
WO
WIPO (PCT)
Prior art keywords
value
current
magnetic flux
control period
length
Prior art date
Application number
PCT/JP2021/019223
Other languages
English (en)
French (fr)
Inventor
孝志 保月
弘淳 福岡
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to CN202180086576.2A priority Critical patent/CN116648848A/zh
Priority to PCT/JP2021/019223 priority patent/WO2022244204A1/ja
Priority to JP2021567903A priority patent/JP7038931B1/ja
Priority to US18/032,569 priority patent/US11929694B2/en
Publication of WO2022244204A1 publication Critical patent/WO2022244204A1/ja

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/22—Current control, e.g. using a current control loop
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P1/00—Arrangements for starting electric motors or dynamo-electric converters
    • H02P1/02—Details of starting control
    • H02P1/029—Restarting, e.g. after power failure
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P21/0025—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control implementing a off line learning phase to determine and store useful data for on-line control
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
    • H02P21/141—Flux estimation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
    • H02P21/18—Estimation of position or speed
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/34—Arrangements for starting
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P25/00—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details
    • H02P25/02—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details characterised by the kind of motor
    • H02P25/022—Synchronous motors
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P2207/00—Indexing scheme relating to controlling arrangements characterised by the type of motor
    • H02P2207/05—Synchronous machines, e.g. with permanent magnets or DC excitation

Definitions

  • the present disclosure relates to a rotating machine control device that controls a rotating machine, a machine learning device, and an inference device.
  • a position sensor was used to detect the rotor position in an AC rotating machine.
  • the phase of the magnetic flux vector is obtained by detecting the induced voltage generated by the rotation of the magnetic flux vector in the AC rotating machine, and the rotor is synchronized with the phase of the magnetic flux vector.
  • Sensorless vector control for position determination is known. According to the sensorless vector control, the AC rotating machine does not require a position sensor, which is a precision device, so failures can be reduced and costs can be reduced.
  • the rotating machine control device In sensorless vector control, the rotating machine control device generally estimates the induced voltage based on the voltage command value input to the power converter or the detected value of the current flowing through the AC rotating machine. When estimating the induced voltage based on the voltage command value or current detection value, the rotating machine control device cannot detect the phase and frequency of the magnetic flux vector when the AC rotating machine is in a free-running state.
  • the free run state is a state in which the rotor continues to rotate due to inertia when the power supply from the power converter is cut off while the rotor is rotating.
  • the phase and frequency cannot be detected, and appropriate current control becomes difficult. Due to the occurrence of pulsation at , it becomes difficult to start from the free-running state. If the generated torque is regenerative torque, a sudden rise in the DC bus voltage of the power converter may cause problems in the power converter.
  • Patent Literature 1 discloses a rotating machine control device that determines a voltage command value by performing current control to set the current command value to zero during a startup control period.
  • the startup control period it is desirable to set a voltage command value that can reduce the generation of excessive torque, the generation of pulsation, and the rise of the DC bus voltage as much as possible. Therefore, it is desirable to determine the voltage command value by current control using a very small current command value.
  • the current command value during the startup control period is small, the generation of excessive torque can be reduced, while the magnetic flux generated by the excitation in the AC rotating machine also becomes small. The smaller the magnetic flux, the more unstable the magnetic flux, which requires a certain time constant until the estimated phase or frequency stabilizes, thus lengthening the start-up control period. Also, the small and unstable magnetic flux is likely to cause unintended torque and current or frequency pulsation.
  • the present disclosure has been made in view of the above, and can shorten the time required to start a rotating machine from a free-running state, and can reduce the occurrence of unintended torque and current or frequency pulsation. It is an object of the present invention to obtain a rotating machine control device that
  • a rotating machine control device includes a current detector that detects an alternating current flowing through a rotating machine and outputs a current detection value, and a voltage command value based on a voltage command value.
  • a power converter that supplies power to the rotating machine by applying an alternating voltage
  • a current controller that adjusts the voltage command value so that the detected current value matches the current command value, and an estimation of the amplitude of the magnetic flux vector in the rotating machine.
  • An estimator that obtains a magnetic flux estimated value that is a value, and a starting control period from when the power supply from the power converter is cut off and the rotating machine starts to rotate by inertia to when the power supply is restarted is set. and a magnetic flux controller that adjusts the current command value so that the magnetic flux estimated value matches the magnetic flux command value.
  • the rotating machine control device can shorten the time required to start the rotating machine from the free-running state, and can reduce the occurrence of unintended torque and current or frequency pulsation.
  • FIG. 1 is a diagram showing a configuration example of a rotating machine control device according to a first embodiment
  • FIG. FIG. 2 is a diagram showing a configuration example of a controller included in the rotating machine control device according to the first embodiment
  • FIG. 3 is a diagram showing a configuration example of an estimator included in the rotating machine control device according to the first embodiment
  • FIG. 4 is a diagram for explaining the operation of the rotating machine control device according to the first embodiment during a startup control period
  • FIG. 7 is a diagram showing a configuration example of an estimator included in the rotating machine control device according to the second embodiment
  • FIG. 4 is a diagram showing a configuration example of hardware that realizes the voltage commander of the rotating machine control device according to the first to third embodiments;
  • FIG. 11 is a diagram showing a machine learning device and a rotating machine control device according to a fourth embodiment; 10 is a flowchart showing the processing procedure of the machine learning device according to the fourth embodiment;
  • FIG. 11 shows an inference device and a rotating machine control device according to a fifth embodiment;
  • 14 is a flow chart showing a processing procedure of an inference device according to a fifth embodiment;
  • FIG. 12 shows an inference device and a rotating machine control device according to a modification of the fifth embodiment;
  • FIG. 1 is a diagram showing a configuration example of a rotating machine control device 20 according to a first embodiment.
  • the rotating machine control device 20 controls a synchronous machine 21 that is an AC rotating machine.
  • the two axes in the fixed coordinate system are called the ⁇ -axis and ⁇ -axis
  • the two axes in the rotating coordinate system are called the d-axis and the q-axis.
  • Embodiment 1 describes a case where the control phase is synchronized with the phase of the primary magnetic flux vector.
  • the d-axis and the q-axis in the case of coordinate conversion to the rotating coordinates with the direction of the primary magnetic flux vector as the reference d-axis are referred to as the ds-axis and the qs-axis, respectively.
  • the ds-axis is the axis in the direction of the primary flux vector.
  • the qs axis is the axis perpendicular to the primary magnetic flux vector.
  • the primary magnetic flux represents the stator magnetic flux.
  • a secondary magnetic flux represents a magnetic flux corresponding to the magnetic field of the synchronous machine 21 .
  • the secondary magnetic flux is the magnetic flux generated by the magnetic field of the rotor.
  • the secondary magnetic flux is the combined magnetic flux generated by the magnetic field of the rotor and the magnetic flux produced by the saliency of the rotor. If the synchronous machine 21 is a synchronous machine that does not have a magnetic field in the rotor, such as a reluctance synchronous machine, the secondary magnetic flux is the magnetic flux produced by the saliency of the rotor.
  • the rotating machine control device 20 includes a voltage commander 10 that outputs voltage command values vus * , vvs * , and vws * based on current detection values ius, ivs , and iws , and a voltage command value vus * , v vs * and v ws * , the power converter 11 supplies power to the synchronous machine 21 by applying an AC voltage based on , v vs * and v ws *, and the AC current flowing through the synchronous machine 21 is detected to detect current values i us , i vs , and a current detector 12 which outputs i_ws .
  • the voltage commander 10 has a controller 1 that generates voltage command values vus * , vvs * , vws * , and an estimator 2 that estimates magnetic flux, phase and frequency.
  • the estimator 2 obtains a magnetic flux estimated value
  • the estimator 2 obtains an estimated phase value ⁇ , which is an estimated value of the phase of the magnetic flux vector.
  • the estimator 2 obtains a frequency estimate ⁇ , which is an estimate of the frequency of the magnetic flux vector.
  • and the phase estimated value ⁇ output from the estimator 2 are input to the controller 1 and used to control the synchronous machine 21 during the startup control period.
  • the phase estimated value ⁇ and frequency estimated value ⁇ output from the estimator 2 can also be used for control when the synchronous machine 21 returns from the free-running state to the normal driving state.
  • Variables marked with ' ⁇ ' represent estimated values.
  • FIG. 2 is a diagram showing a configuration example of the controller 1 included in the rotating machine control device 20 according to the first embodiment.
  • the controller 1 has a three-phase dq converter 31 , a dq three-phase converter 32 , a current controller 33 , a switch 34 and a magnetic flux controller 35 .
  • the three-phase dq converter 31 receives the current detection values i us , i vs , and i ws and the phase estimation value ⁇ .
  • the three-phase dq converter 31 outputs a ds -axis current detection value ids and a qs -axis current detection value iqs by coordinate transformation of the current detection values i us , i vs , and i ws based on the phase estimation value ⁇ . .
  • the current controller 33 receives the ds-axis current detection value ids, the qs-axis current detection value iqs , the ds -axis current command value ids * , and the qs-axis current command value iqs * .
  • the current controller 33 controls the ds-axis current detection value ids such that the ds-axis current detection value ids matches the ds -axis current command value ids * and the qs-axis current detection value iqs matches the qs -axis current command value iqs * .
  • a voltage command value v ds * and a qs-axis voltage command value v qs * are obtained.
  • the current controller 33 outputs a ds-axis voltage command value v ds * and a qs-axis voltage command value v qs * . That is, the current controller 33 adjusts the voltage command value so that the detected current value matches the current command value.
  • the ds-axis voltage command value v ds * , the qs-axis voltage command value v qs * , and the phase estimation value ⁇ are input to the dq three-phase converter 32 .
  • the dq three-phase converter 32 converts the ds-axis voltage command value v ds * and the qs-axis voltage command value v qs * based on the phase estimation value ⁇ into the voltage command values v us * , v vs * , v Output ws * .
  • the voltage commander 10 outputs voltage command values v us * , v vs * , v ws * to the power converter 11 .
  • and a preset magnetic flux command value ⁇ * are input to the magnetic flux controller 35 .
  • the magnetic flux controller 35 obtains an exciting current command value such that the magnetic flux estimated value
  • the magnetic flux controller 35 outputs a d-axis excitation current command value.
  • the switch 34 converts one of the d -axis current command value id * , which is a preset excitation current command value, and the d-axis excitation current command value output from the magnetic flux controller 35, to the ds-axis current command value. Output as i ds * .
  • Information indicating the current control period T1 and information indicating the magnetic flux control period T2 are input to the switch 34 .
  • the switch 34 selects between the d-axis current command value i d * and the d-axis excitation current command value output from the magnetic flux controller 35 based on the information on the current control period T1 and the information on the magnetic flux control period T2. Choose one.
  • the current control period T1 and the magnetic flux control period T2 will be described later.
  • the ds-axis current command value i ds * is input to the current controller 33 .
  • FIG. 3 is a diagram showing a configuration example of the estimator 2 included in the rotating machine control device 20 according to the first embodiment.
  • the estimator 2 operates during the entire startup control period.
  • the estimator 2 receives voltage command values vus * , vvs * , vws * and current detection values ius, ivs , iws .
  • One of the two three-phase dq converters in the estimator 2 converts the voltage command values vus * , vvs * , vws * based on the phase estimation value ⁇ into the ds-axis voltage
  • a command value v ds * and a qs-axis voltage command value v qs * are output.
  • the other of the two three-phase dq converters in the estimator 2 converts the current detection values i us , i vs , and i ws based on the phase estimation value ⁇ into the ds-axis current detection value i It outputs the ds and qs axis current detection values i qs .
  • a ds -axis primary voltage vds and a qs -axis primary voltage vqs of the synchronous machine 21 are represented by the following equation (1).
  • ⁇ ds is the ds -axis primary magnetic flux
  • ⁇ qs is the qs-axis primary magnetic flux
  • ids is the ds -axis primary current
  • iqs is the qs-axis primary current
  • Rs is the primary phase resistance
  • ⁇ s is the frequency of the primary magnetic flux vector
  • s is the Laplacian operator.
  • of the primary magnetic flux vector is equal to the ds-axis primary magnetic flux ⁇ ds .
  • of the primary magnetic flux vector is expressed by the following equation (2).
  • the frequency ⁇ s of the primary magnetic flux vector is expressed by the following equation (3).
  • the estimator 2 having the configuration in FIG. 3, performs the calculation shown in Equation (3) from the voltage command value and the current detection value to estimate the frequency ⁇ s of the primary magnetic flux vector.
  • the phase ⁇ s of the primary magnetic flux vector is represented by the following equation (4).
  • the estimator 2 having the configuration of FIG. 3, performs the calculation shown in Equation (4) from the voltage command value and the current detection value to estimate the phase ⁇ s of the primary magnetic flux vector.
  • the estimator 2 outputs a flux estimate
  • the estimator 2 outputs a frequency estimate ⁇ which is an estimate of the frequency of the primary flux vector ⁇ s .
  • the estimator 2 outputs a phase estimate ⁇ ⁇ which is an estimate ⁇ s ⁇ of the phase of the primary magnetic flux vector.
  • the term of the voltage command value may include a term for correcting the voltage error of the power converter 11 .
  • FIG. 4 is a diagram for explaining the operation of the rotating machine control device 20 according to the first embodiment during the startup control period.
  • the horizontal axis represents time.
  • FIG. 4 shows the state transition of the rotating machine control device 20 and the details of the startup control period.
  • a driving state refers to a state in which the synchronous machine 21 is driven under normal control by the rotating machine control device 20 .
  • the state of the synchronous machine 21 changes from the driving state to the free-running state, and then returns to the driving state.
  • the startup control period consists of a current control period T1 in which current control is performed based on the d -axis current command value id * , which is a predetermined command value, and a current control period T1 based on the d-axis excitation current command value output by the magnetic flux controller 35. and a flux control period T2 during which control is performed.
  • the current control period T1 is a period from t0 to t1.
  • the magnetic flux control period T2 is a period from t1 to t2, which is the end of the activation control period.
  • the synchronous machine 21 transitions from the free-running state to the driving state.
  • the switch 34 selects the d-axis current command value i d * according to information on the current control period T1.
  • the switch 34 outputs a ds-axis current command value i ds * that is the d-axis current command value i d * .
  • the d-axis current command value i d * is a value that indicates a minute excitation current.
  • the rotating machine control device 20 causes the synchronous machine 21 to generate magnetic flux by causing a minute excitation current to flow through the synchronous machine 21 during the current control period T1.
  • the current control period T1 is a preliminary operation period for smoothly starting the magnetic flux control in the magnetic flux control period T2 following the current control period T1. Therefore, basically, in the startup control period, the magnetic flux control period T2 is set to be longer than the current control period T1.
  • the switch 34 selects the d-axis excitation current command value output by the magnetic flux controller 35 according to the information on the magnetic flux control period T2.
  • the switch 34 outputs a ds -axis current command value ids * , which is the d-axis excitation current command value output by the magnetic flux controller 35 .
  • the phase estimate ⁇ obtained by the estimator 2 during the start-up control period is used as the initial phase value in normal control from t2.
  • the frequency estimate ⁇ obtained by the estimator 2 during the start-up control period is used as the initial value of the frequency in normal control from t2.
  • the phase estimated value ⁇ and frequency estimated value ⁇ are the phase and frequency of the primary magnetic flux vector. Since the synchronous machine 21 has no load in the free-running state, the direction of the primary magnetic flux vector is the same as the direction of the secondary magnetic flux vector in the free-running state. Therefore, even if a control method based on the secondary magnetic flux vector is adopted for control in the drive state, the phase It does not matter if the estimate ⁇ and the frequency estimate ⁇ are used.
  • the entire activation control period is the current control period.
  • the current command value in order to minimize generation of excessive torque, generation of pulsation, and rise in the DC bus voltage, the current command value must be set to a value that indicates a minute excitation current. In this case, a certain time constant is required until the estimated phase or frequency stabilizes, so the activation control period becomes longer.
  • the phase and frequency obtained from the magnetic flux vector of the synchronous machine 21 or the induced voltage generated by the rotation of the magnetic flux vector are likely to be unstable due to the influence of disturbances and the like. Phase and frequency instability can easily lead to unintended torque generation and current or frequency pulsation. Also, the DC bus voltage may rise.
  • the rotating machine control device 20 provides the current control period T1 before the magnetic flux control period T2 in the startup control period, so that the magnetic flux estimated value
  • the rotating machine control device 20 performs magnetic flux control using the magnetic flux estimated value
  • the rotating machine control device 20 switches from the current control period T1 to the magnetic flux control period T2 at an appropriate timing, and performs magnetic flux control using the magnetic flux estimated value
  • the rotating machine control device 20 uses the d-axis excitation current command value output by the magnetic flux controller 35 in the magnetic flux control period T2, thereby increasing the magnetic flux vector at an early stage. value and stabilize the magnetic flux vector at an early stage. Therefore, the rotating machine control device 20 can shorten the time until the estimated phase and frequency are stabilized. As a result, the synchronous machine 21 can transition from the free-running state to the driving state in a short startup control period. In addition, the synchronous machine 21 can reduce phase and frequency fluctuations due to disturbances and the like. By stabilizing phase and frequency early, unintended torque generation and current or frequency pulsation can be reduced. Further, the rotating machine control device 20 can reduce the increase in the DC bus voltage.
  • the rotating machine control device 20 can shorten the time required to start the rotating machine from the free-running state, and can reduce the occurrence of unintended torque and current or frequency pulsation. .
  • Embodiment 2 In the first embodiment, an example of obtaining the magnetic flux estimation value
  • FIG. 5 is a diagram showing a configuration example of the estimator 2A included in the rotating machine control device 20 according to the second embodiment.
  • the configuration of the rotating machine control device 20 according to the second embodiment other than the estimator 2A is the same as that of the rotating machine control device 20 according to the first embodiment.
  • descriptions overlapping those of the first embodiment are omitted.
  • the rotating machine control device 20 synchronizes the control phase with the phase of the primary magnetic flux vector.
  • the ⁇ -axis and ⁇ -axis in the case of performing coordinate conversion to fixed coordinates with the direction of the primary magnetic flux vector as the reference ⁇ -axis are referred to as the ⁇ s-axis and the ⁇ s-axis, respectively.
  • the ⁇ s axis is the axis in the direction of the primary magnetic flux vector.
  • the ⁇ s axis is the axis perpendicular to the primary magnetic flux vector.
  • the voltage command values vus * , vvs * , vws * and the current detection values ius, ivs, iws are input to the estimator 2A.
  • One of the two three-phase ⁇ converters in the estimator 2A converts the voltage command values vus * , vvs * , and vws * into the ⁇ s-axis voltage command values v ⁇ s * and the ⁇ s-axis Output the voltage command value v ⁇ s * .
  • the other of the two three-phase ⁇ converters in the estimator 2A converts the current detection values i us , i vs , and i ws into the ⁇ s-axis current detection value i ⁇ s and the ⁇ s-axis current detection value i Output ⁇ s .
  • the following formula (5) is a formula expressing the above formula (1) with the ⁇ -axis and the ⁇ -axis.
  • v ⁇ s is the ⁇ s-axis primary voltage
  • v ⁇ s is the ⁇ s-axis primary voltage
  • i ⁇ s is the ⁇ s-axis primary current
  • i ⁇ s is the ⁇ s-axis primary current
  • ⁇ ⁇ s is the ⁇ s-axis primary magnetic flux
  • ⁇ ⁇ s is the ⁇ s-axis primary magnetic flux.
  • Equation (6) is the integration of the AC quantity, unlike Equation (2) above. Therefore, in order to avoid accumulating a DC component error such as a detection offset, the calculation may be combined with a high-pass filter having a cutoff frequency ⁇ k .
  • the cutoff frequency ⁇ k is a value less than the frequency estimate ⁇ and is determined by multiplying the frequency estimate ⁇ by a constant.
  • a constant is, for example, a value of 1/3 or less than 1/3.
  • FIG. 5 shows a configuration example of the estimator 2A when a high-pass filter is combined.
  • of the primary magnetic flux vector is expressed by the following equation (8).
  • the estimator 2A having the configuration in FIG. 5, performs the calculations shown in equations (7) and (8) from the voltage command value and current detection value to estimate the amplitude
  • the estimator 2A may estimate the amplitude
  • the phase ⁇ s of the primary magnetic flux vector is represented by the following equation (9).
  • the estimator 2A having the configuration of FIG. 5, performs the calculations shown in equations (7) and (9) from the voltage command value and current detection value to estimate the phase ⁇ s of the primary magnetic flux vector.
  • the estimator 2A may estimate the phase ⁇ s of the primary magnetic flux vector by performing the calculations shown in Equations (6) and (9).
  • the frequency ⁇ s of the primary magnetic flux vector is expressed by the following equation (10).
  • the estimator 2A having the configuration shown in FIG. 5, performs the calculations shown in equations (7) and (10) from the voltage command value and current detection value to estimate the frequency ⁇ s of the primary magnetic flux vector.
  • the estimator 2A may estimate the frequency ⁇ s of the primary magnetic flux vector by performing the calculations shown in Equations (6) and (10).
  • the estimator 2A outputs the magnetic flux estimate
  • the estimator 2A outputs a frequency estimate ⁇ which is an estimate of the frequency of the primary magnetic flux vector ⁇ ⁇ .
  • the estimator 2A outputs a phase estimate ⁇ ⁇ , which is an estimate ⁇ s ⁇ of the phase of the primary magnetic flux vector.
  • the term for the voltage command value may include a term for correcting the voltage error of the power converter 11 .
  • the rotating machine control device 20 can shorten the time required to start the rotating machine from the free-run state, generate unintended torque, Alternatively, it is possible to reduce the occurrence of frequency pulsation.
  • Embodiment 3 In Embodiments 1 and 2, the example in which the magnetic flux estimated value
  • FIG. 6 is a diagram showing a configuration example of the estimator 2B included in the rotating machine control device 20 according to the third embodiment.
  • the configuration of the rotating machine control device 20 according to the third embodiment other than the estimator 2B is the same as that of the rotating machine control device 20 according to the first embodiment.
  • descriptions overlapping those of the first embodiment are omitted.
  • the rotating machine control device 20 synchronizes the control phase with the phase of the secondary magnetic flux vector.
  • the ⁇ -axis and ⁇ -axis when the coordinate transformation is performed with the direction of the secondary magnetic flux vector as the reference ⁇ -axis are referred to as the ⁇ r-axis and the ⁇ r-axis, respectively.
  • the ⁇ r axis is the axis in the direction of the secondary magnetic flux vector.
  • the ⁇ r axis is the axis perpendicular to the secondary magnetic flux vector.
  • the voltage command values vus * , vvs * , vws * and the current detection values ius, ivs, iws are input to the estimator 2B.
  • One of the two three-phase ⁇ converters in the estimator 2B converts the voltage command values v us * , v vs * , and v ws * into the ⁇ s-axis voltage command values v ⁇ s * and the ⁇ s-axis Output the voltage command value v ⁇ s * .
  • the other of the two three-phase ⁇ converters in the estimator 2B converts the current detection values i us , i vs , and i ws into the ⁇ s-axis current detection value i ⁇ s and the ⁇ s-axis current detection value i Output ⁇ s .
  • FIG. 6 shows a configuration example of the estimator 2B when a high-pass filter is combined as in the second embodiment.
  • a method for extracting the components synchronous with the ⁇ r-axis and the ⁇ r-axis from the primary magnetic flux vector shown in the above equation (7) a method according to a known technique can be used.
  • Equation (11) shows an example of a method for extracting components synchronized with the ⁇ r-axis and the ⁇ r-axis.
  • the ⁇ r-axis primary magnetic flux ⁇ ⁇ r and the ⁇ r-axis primary magnetic flux ⁇ ⁇ r are obtained by the equation (11).
  • L qr is the inductance of the qr-axis component.
  • the d-axis and the q-axis in the case of performing the coordinate conversion to the rotating coordinates with the direction of the secondary magnetic flux vector as the reference d-axis are referred to as the dr-axis and the qr-axis, respectively.
  • of the secondary magnetic flux vector is expressed by the following equation (12).
  • the estimator 2B estimates the amplitude
  • the phase ⁇ r of the secondary magnetic flux vector is represented by the following equation (13).
  • the estimator 2B estimates the phase ⁇ r of the secondary magnetic flux vector with the configuration of FIG.
  • the frequency ⁇ r of the secondary magnetic flux vector is expressed by the following equation (14).
  • the estimator 2B estimates the frequency ⁇ r of the secondary magnetic flux vector with the configuration of FIG.
  • the estimator 2B outputs a magnetic flux estimate
  • the estimator 2B outputs a frequency estimate ⁇ which is an estimate of the frequency of the secondary flux vector ⁇ r ⁇ .
  • the estimator 2B outputs a phase estimate ⁇ ⁇ which is an estimate ⁇ r ⁇ of the phase of the secondary magnetic flux vector.
  • the term for the voltage command value may include a term for correcting the voltage error of the power converter 11 .
  • the phase estimated value ⁇ and frequency estimated value ⁇ are the phase and frequency of the secondary magnetic flux vector. Since the synchronous machine 21 has no load in the free-running state, the direction of the secondary magnetic flux vector is the same as the direction of the primary magnetic flux vector in the free-running state. Therefore, even if a control method based on the primary magnetic flux vector is adopted for control in the driving state, the phase It does not matter if the estimate ⁇ and the frequency estimate ⁇ are used.
  • the rotating machine control device 20 can shorten the time until the estimated phase and frequency stabilize, as in the case of the first embodiment. Therefore, the synchronous machine 21 can transition from the free-running state to the driving state in a short startup control period. In addition, the synchronous machine 21 can reduce phase and frequency fluctuations due to disturbances and the like. By stabilizing phase and frequency early, unintended torque generation and current or frequency pulsation can be reduced. Further, the rotating machine control device 20 can reduce the increase in the DC bus voltage.
  • the rotating machine control device 20 can shorten the time required to start the rotating machine from the free-running state, and can reduce the occurrence of unintended torque and current or frequency pulsation. .
  • FIG. 7 is a diagram showing a configuration example of hardware that implements the voltage commander 10 of the rotating machine control device 20 according to the first to third embodiments.
  • FIG. 7 shows a configuration example in which controller 1 and estimators 2, 2A and 2B of voltage commander 10 are realized by processing circuit 61 having processor 63 and memory 64.
  • processing circuit 61 having processor 63 and memory 64.
  • the processor 63 is a CPU (Central Processing Unit).
  • the processor 63 may be an arithmetic unit, microprocessor, microcomputer, or DSP (Digital Signal Processor).
  • the memory 64 is, for example, a volatile or It is a non-volatile semiconductor memory.
  • the memory 64 stores programs for operating as the controller 1 and the estimators 2, 2A, and 2B.
  • the controller 1 and the estimators 2, 2A and 2B can be realized by reading and executing this program by the processor 63.
  • the programs stored in the memory 64 for operating as the controller 1 and the estimators 2, 2A, and 2B are stored in storage media such as CD (Compact Disc)-ROM, DVD (Digital Versatile Disc)-ROM, etc. It may be provided to a user or the like in a state in which it is written in the file, or may be provided via a network.
  • the processor 63 outputs data such as calculation results to the volatile memory of the memory 64 .
  • the processor 63 stores the data such as the calculation result by outputting the data to the auxiliary storage device via the volatile memory of the memory 64 .
  • the input unit 62 is a circuit that receives an input signal to the voltage commander 10 from the outside.
  • the input unit 62 receives the current detection values i us , i vs , i ws , information on the current control period T1, and information on the magnetic flux control period T2.
  • the output unit 65 is a circuit that outputs the signal generated by the voltage commander 10 to the outside.
  • the output unit 65 outputs voltage command values vus * , vvs * , and vws * .
  • FIG. 7 is an example of hardware when the controller 1 and estimators 2, 2A, and 2B are implemented by a general-purpose processor 63 and memory 64.
  • a dedicated processing circuit is used for control. 1 and estimators 2, 2A, 2B may be implemented. That is, the controller 1 and the estimators 2, 2A, and 2B may be realized by dedicated processing circuits.
  • the dedicated processing circuit is a single circuit, a composite circuit, an ASIC (Application Specific Integrated Circuit), an FPGA (Field Programmable Gate Array), or a circuit combining these.
  • a part of the controller 1 and the estimators 2, 2A and 2B may be realized by the processor 63 and the memory 64, and the rest may be realized by a dedicated processing circuit.
  • Embodiment 4 describes a machine learning device that generates a learned model for inferring the length of the current control period T1 and the length of the magnetic flux control period T2.
  • FIG. 8 is a diagram showing the machine learning device 40 and the rotary machine control device 20A according to the fourth embodiment.
  • the same components as those in the first to third embodiments are denoted by the same reference numerals, and different configurations from those in the first to third embodiments will be mainly described.
  • a machine learning device 40 shown in FIG. 8 is provided outside the rotating machine control device 20A.
  • a rotating machine control device 20A is obtained by adding a voltage detector 15 to the rotating machine control device 20 according to any one of the first to third embodiments.
  • the voltage detector 15 detects the DC bus voltage of the power converter 11 and outputs a bus voltage detection value Vdc .
  • the machine learning device 40 reduces the rise of the DC bus voltage in the power converter 11, reduces the pulsation width of the DC bus voltage, and reduces the pulsation width of the frequency of the magnetic flux vector in the synchronous machine 21 for the rotating machine control device 20A.
  • the length of the current control period T1 and the length of the magnetic flux control period T2 that enable reduction and reduction of the pulsation width of the current effective value of the current flowing through the synchronous machine 21 are learned.
  • the machine learning device 40 has a learning data acquisition unit 41 , a reward calculation data acquisition unit 42 , a model generation unit 43 , and a learned model storage unit 46 .
  • the machine learning device 40 performs at least the reduction of the rise in the DC bus voltage, the reduction of the pulsation width of the DC bus voltage, the reduction of the pulsation width of the frequency of the magnetic flux vector, and the reduction of the pulsation width of the current effective value. It is sufficient if the length of the current control period T1 and the length of the magnetic flux control period T2 that enable one are learned.
  • the learning data acquisition unit 41 obtains the value indicating the length of the current control period T1, the value indicating the length of the magnetic flux control period T2, the estimated frequency value ⁇ , and the effective current value I rms from the voltage commander 10. Get from Hereinafter, the value indicating the length of the current control period T1 will be referred to as the value of the current control period T1. A value indicating the length of the magnetic flux control period T2 is referred to as a value of the magnetic flux control period T2. The learning data acquisition unit 41 acquires learning data including values of the current control period T1 and the magnetic flux control period T2, the estimated frequency value ⁇ , and the current effective value I rms .
  • the current effective value Irms is a current effective value obtained from the current detection values ius , ivs , and iws , and is a current effective value based on at least one of the current detection values ius, ivs , and iws . .
  • a three-phase dq converter 31 in the power converter 11 calculates a current rms value I rms from at least one of the current detection values i us , ivs and i ws .
  • the learning data acquisition unit 41 acquires the current effective value I rms calculated by the three-phase dq converter 31 .
  • the three-phase dq converter 31 may calculate the current effective value I rms from the ds -axis primary current ids or the qs-axis primary current i qs .
  • the current effective value I rms is calculated by the three-phase dq converter 31, it is not limited to this.
  • the current effective value I rms may be calculated by either an internal element of the rotating machine control device 20A or an external element of the rotating machine control device 20A. Elements internal to the machine learning device 40 may calculate the current rms value I rms .
  • the learning data acquisition unit 41 acquires the current detection values ius, ivs, and iws , the ds -axis primary current ids, or the qs -axis primary current iqs, and calculates the current effective value Irms . Also good.
  • the learning data acquisition unit 41 operates and acquires learning data when the synchronous machine 21 is in the driving state.
  • the learning data acquisition unit 41 creates a data set in which learning data, which are each value of the current control period T1 and the magnetic flux control period T2, the estimated frequency value ⁇ , and the current effective value I rms are put together.
  • the learning data acquisition unit 41 sends the created data set to the model generation unit 43 .
  • the reward calculation data acquisition unit 42 acquires the estimated frequency value ⁇ and the effective current value I rms from the voltage commander 10 .
  • the remuneration calculation data acquisition unit 42 acquires the bus voltage detection value Vdc from the voltage detector 15 .
  • the remuneration calculation data acquisition unit 42 operates from when the synchronous machine 21 is in the driving state to when the synchronous machine 21 is in the free-running state.
  • the remuneration calculation data acquisition unit 42 acquires the estimated frequency value ⁇ , the current effective value I rms , and the bus voltage detection value V dc .
  • the remuneration calculation data acquisition unit 42 obtains the pulsation width V dc _rip of the bus voltage detection value V dc from the acquired bus voltage detection value V dc .
  • the pulsation width V dc _rip is the amplitude of the waveform representing the time series change of the bus voltage detection value V dc .
  • the remuneration calculation data acquisition unit 42 obtains the pulsation width ⁇ _rip of the frequency estimate ⁇ from the acquired frequency estimate ⁇ .
  • the pulsation width ⁇ _rip is the amplitude of the waveform representing the time series change of the estimated frequency value ⁇ .
  • the remuneration calculation data acquisition unit 42 obtains the pulsation width I rms _rip of the current effective value I rms from the acquired current effective value I rms .
  • the pulsation width I rms _rip is the amplitude of the waveform representing the chronological change in the current effective value I rms .
  • Each pulsation width V dc _rip, ⁇ _rip, and I rms _rip is an absolute value.
  • the remuneration calculation data acquisition unit 42 uses an arbitrary filtering method such as a high-pass filter to obtain the pulsation widths Vdc_rip , ⁇ _rip , Extract I rms _rip respectively. Thereby, the remuneration calculation data acquisition unit 42 obtains the pulsation widths Vdc_rip , ⁇ _rip , and Irms_rip.
  • the reward calculation data acquisition unit 42 stores the bus voltage detection value V dc and the pulsation widths V dc _rip, ⁇ _rip, and I rms _rip.
  • the remuneration calculation data acquisition unit 42 stores the remuneration calculation data at preset timings when the synchronous machine 21 is in the driving state.
  • the reward calculation data acquisition unit 42 acquires the bus voltage detection value V dc and the pulsation widths V dc _rip, ⁇ _rip, and I rms _rip at a plurality of timings, and stores the average value of the acquired data. Also good.
  • V dc _drv V dc _rip_drv
  • Irms_rip_drv Irms_rip_drv .
  • the remuneration calculation data acquisition unit 42 acquires the frequency estimated value ⁇ , the current effective value I rms , and the bus voltage detection value V dc during the startup control period in which the synchronous machine 21 is in the free-run state.
  • the remuneration calculation data acquisition unit 42 obtains the maximum value Vdc_rstmax of the bus voltage detection value Vdc during the activation control period.
  • the remuneration calculation data acquisition unit 42 uses an arbitrary filtering method such as a high-pass filter to determine the maximum value Vdc_rip_rstmax of the pulsation width of the bus voltage detection value Vdc during the startup control period from the acquired bus voltage detection value Vdc .
  • the reward calculation data acquisition unit 42 uses an arbitrary filtering method such as a high-pass filter to obtain the maximum pulsation width ⁇ _rip_rstmax of the frequency estimate ⁇ during the startup control period from the acquired frequency estimate ⁇ . .
  • the remuneration calculation data acquisition unit 42 uses an arbitrary filtering method such as a high-pass filter to obtain the maximum value I rms _rip_rstmax of the pulsation width of the current rms value I rms during the startup control period from the acquired current rms value I rms. .
  • the reward calculation data acquisition unit 42 obtains an increase V dc _rip_dat in the pulsation width V dc _rip, an increase ⁇ ⁇ _rip_dat in the pulsation width ⁇ ⁇ _rip, an increase I rms _rip_dat in the pulsation width I rms _rip, An increase V dc _dat of the bus voltage detection value V dc is obtained.
  • the increments V dc _rip_dat, ⁇ _rip_dat, I rms _rip_dat, and V dc _dat are increments for when the synchronous machine 21 is in the driving state.
  • the remuneration calculation data acquisition unit 42 obtains the increase amount V dc _rip_dat by the calculation shown in the following equation (15).
  • Vdc_rip_dat Vdc_rip_rstmax ⁇ Vdc_rip_drv (15)
  • the remuneration calculation data acquisition unit 42 obtains the increase amount ⁇ _rip_dat by the calculation shown in the following equation (16).
  • ⁇ _rip_dat ⁇ _rip_rstmax ⁇ _rip_drv (16)
  • the remuneration calculation data acquisition unit 42 obtains the increment I rms _rip_dat by the calculation shown in the following equation (17).
  • Irms_rip_dat Irms_rip_rstmax ⁇ Irms_rip_drv (17)
  • the remuneration calculation data acquisition unit 42 obtains the increase amount V dc — dat by the calculation shown in the following equation (18).
  • Vdc_dat Vdc_rstmax ⁇ Vdc_drv (18)
  • the remuneration calculation data acquisition unit 42 sends the increase amounts V dc _rip_dat, ⁇ _rip_dat, I rms _rip_dat, and V dc _dat, which are remuneration calculation data, to the model generation unit 43 .
  • the model generation unit 43 generates a learned model using a data set created based on each value of the current control period T1 and the magnetic flux control period T2, the frequency estimation value ⁇ , and the current effective value Irms .
  • the model generating unit 43 reduces the rise in the DC bus voltage in the power converter 11, reduces the pulsation width of the DC bus voltage, reduces the pulsation width of the frequency of the magnetic flux vector in the synchronous machine 21, Learning to infer the length of the current control period T1 and the length of the magnetic flux control period T2 from the frequency estimate ⁇ and the current rms value I rms Generate a finished model.
  • the model generation unit 43 reduces the rise in the DC bus voltage, reduces the pulsation width of the DC bus voltage, reduces the pulsation width of the frequency of the magnetic flux vector, and reduces the pulsation width of the current effective value Irms . It is sufficient to generate a learned model for inferring the length of the current control period T1 and the length of the magnetic flux control period T2 that enable at least one of the following.
  • the reward calculation data may be at least one of the amount of increase V dc _rip_dat, the amount of increase ⁇ _rip_dat, the amount of increase I rms _rip_dat, and the amount of increase V dc _dat.
  • the reward calculation data When aiming to reduce the pulsation width of the DC bus voltage, the reward calculation data includes the increment V dc _rip_dat. In order to reduce the pulsation width of the frequency of the magnetic flux vector, the reward calculation data includes an increase amount ⁇ _rip_dat. When reducing the pulsation width of the current effective value I rms , the reward calculation data includes the increase I rms _rip_dat. When aiming to reduce the amount of increase in the DC bus voltage, the remuneration calculation data includes the amount of increase V dc _dat.
  • supervised learning is that an action subject, an agent, in an environment observes the current state and decides what action to take. Agents obtain rewards from the environment by selecting actions, and learn policies that maximize rewards through a series of actions.
  • Q-learning and TD-learning are known.
  • the action-value table which is a general update formula for the action-value function Q(s, a)
  • the action value function Q(s, a) represents the action value Q, which is the action value of selecting the action 'a' under the environment 's'.
  • 's t ' represents the state of the environment at time 't'.
  • "a t " represents an action at time “t”.
  • Action "a t " changes the state from “s t " to "s t+1 ".
  • 'r t+1 ' represents the reward obtained by changing the state from 's t ' to 's t+1 '.
  • “ ⁇ ” represents a discount rate and satisfies 0 ⁇ 1.
  • “ ⁇ ” represents a learning coefficient and satisfies 0 ⁇ 1.
  • the action "a t " is each value of the current control period T1 and the magnetic flux control period T2.
  • the state 's t ' is the frequency estimate ⁇ and the current rms I rms .
  • the model generator 43 learns the best action 'a t ' in the state 's t ' at the time 't'.
  • the update formula represented by the above formula (19) is that if the action value of the best action “a” at time “t+1" is greater than the action value Q of the action "a” executed at time “t” , the action value Q is increased, and vice versa, the action value Q is decreased.
  • the action value function Q(s, a) is updated so that the action value Q of action "a” at time “t” approaches the best action value at time "t+1".
  • the model generator 43 has a reward calculator 44 and a function updater 45 . Based on the increments Vdc_rip_dat , ⁇ _rip_dat , Irms_rip_dat , and Vdc_dat, the reward calculation unit 44 calculates each value of the current control period T1 and the magnetic flux control period T2, the estimated frequency value ⁇ , and the effective current Calculate the reward for the combination with the value I rms .
  • the function updating unit 45 updates the function for obtaining the respective values of the current control period T1 and the magnetic flux control period T2 from the estimated frequency value ⁇ and the effective current value I rms according to the reward.
  • the function update unit 45 outputs the learned model created by updating the function to the learned model storage unit 46 .
  • the learned model storage unit 46 stores learned models.
  • the reward calculation unit 44 calculates each value of the current control period T1 and the magnetic flux control period T2, the estimated frequency value ⁇ , the current effective value I rms , and the amount of increase V dc _rip_dat, ⁇ ⁇ _rip_dat, I rms _rip_dat, V dc Calculate the reward 'r' based on _dat. For example, when at least one of the increments V dc _rip_dat, ⁇ _rip_dat, I rms _rip_dat, and V dc _dat decreases as a result of changing the value of the current control period T1 or the value of the magnetic flux control period T2, the reward calculation unit 44 increases the reward "r". The reward calculation unit 44 increases the reward "r" by giving "1", which is the value of the reward. Note that the reward value is not limited to "1".
  • the reward calculation unit 44 decreases the reward "r".
  • the reward calculation unit 44 reduces the reward "r” by giving "-1", which is the value of the reward. Note that the reward value is not limited to "-1".
  • the reward calculation data can be selected according to the installation environment of the synchronous machine 21 and the like.
  • Each of the increments V dc _rip_dat, ⁇ _rip_dat, and I rms _rip_dat may be omitted as appropriate when the pulsation width is sufficiently below the system requirements and no measures for reduction are necessary.
  • the function update unit 45 updates the function for determining each value of the current control period T1 and the magnetic flux control period T2 according to the reward calculated by the reward calculation unit 44.
  • the machine learning device 40 repeatedly executes the learning described above.
  • the function update unit 45 outputs the learned model created by updating the function to the learned model storage unit 46 .
  • the machine learning device 40 determines each value of the current control period T1 and the magnetic flux control period T2 for the action value function Q(s t , at ) represented by the above equation (19). It is used as a function for
  • the learned model storage unit 46 stores the action-value function Q(s t , a t ) updated by the function update unit 45, that is, the learned model.
  • FIG. 9 is a flow chart showing the processing procedure of the machine learning device 40 according to the fourth embodiment.
  • a reinforcement learning method for updating the action-value function Q(s, a) will be described with reference to the flowchart of FIG.
  • step S1 the machine learning device 40 acquires values of the current control period T1 and the magnetic flux control period T2, the estimated frequency value ⁇ , and the effective current value I rms in the learning data acquisition unit 41 . That is, the machine learning device 40 acquires learning data. In addition, the machine learning device 40 acquires the increments Vdc_rip_dat , ⁇ _rip_dat , Irms_rip_dat , and Vdc_dat, which are data for remuneration calculation, by calculation in the remuneration calculation data acquisition unit 42 .
  • step S ⁇ b>2 the machine learning device 40 uses the reward calculator 44 to calculate the reward.
  • the reward calculator 44 calculates a reward for a combination of each value of the current control period T1 and the magnetic flux control period T2, the estimated frequency value ⁇ , and the effective current value Irms .
  • the remuneration calculation unit 44 increases or decreases the remuneration based on the comparison result between the acquired remuneration calculation data and the previous remuneration calculation data.
  • the machine learning device 40 updates the action-value function Q(s, a) based on the reward calculated at step S2.
  • the machine learning device 40 updates the action-value function Q(s t , at ) stored in the learned model storage unit 46 .
  • step S4 the machine learning device 40 determines whether or not the action value function Q(s, a) has converged.
  • the machine learning device 40 determines that the action-value function Q(s, a) has converged by not updating the action-value function Q(s, a) in step S3.
  • step S4 When it is determined that the action-value function Q(s, a) has not converged (step S4, No), the machine learning device 40 returns the procedure to step S1. When it is determined that the action-value function Q(s, a) has converged (step S4, Yes), the machine learning device 40 terminates learning according to the procedure shown in FIG. Note that the machine learning device 40 may continue learning by returning the procedure from step S3 to step S1 without making the determination in step S4.
  • the learned model storage unit 46 stores a learned model that is the generated action-value function Q(s, a).
  • reinforcement learning is applied to the learning algorithm used by the machine learning device 40
  • learning other than reinforcement learning may be applied to the learning algorithm.
  • the machine learning device 40 executes machine learning using known learning algorithms other than reinforcement learning, such as deep learning, neural networks, genetic programming, inductive logic programming, or support vector machines. Also good.
  • the machine learning device 40 shown in FIG. 8 is provided outside the rotating machine control device 20A.
  • the machine learning device 40 may be a device built into the rotating machine control device 20A.
  • the machine learning device 40 may be a device connectable to the rotating machine control device 20A via a network.
  • Machine learning device 40 may be a device that resides on a cloud server.
  • the machine learning device 40 may learn each value of the current control period T1 and the magnetic flux control period T2 according to a data set created for a plurality of rotating machine control devices 20A.
  • the machine learning device 40 may acquire learning data from a plurality of rotating machine control devices 20A used at the same location, or acquire learning data from a plurality of rotating machine control devices 20A used at different locations. You can get the data.
  • the learning data may be collected from a plurality of rotating machine control devices 20A that operate independently of each other at a plurality of locations. After starting to collect learning data from a plurality of rotating machine control devices 20A, a new rotating machine control device 20A may be added as a target for which learning data is collected. Further, after starting to collect learning data from the plurality of rotating machine control devices 20A, some of the plurality of rotating machine control devices 20A may be excluded from targets for which learning data is collected.
  • the machine learning device 40 that has learned about one rotating machine control device 20A may also learn about other rotating machine control devices 20A other than the rotating machine control device 20A.
  • the machine learning device 40 that performs learning for the other rotating machine control device 20A can update the learned model by re-learning in the other rotating machine control device 20A.
  • the machine learning device 40 generates a trained model for inferring the values of the current control period T1 and the magnetic flux control period T2 from the frequency estimate ⁇ and the current effective value I rms .
  • the machine learning device 40 reduces the rise in the DC bus voltage in the power converter 11, reduces the pulsation width of the DC bus voltage, reduces the pulsation width of the frequency of the magnetic flux vector in the synchronous machine 21, and reduces the pulsation width in the synchronous machine 21. It is possible to generate a learned model for obtaining the values of the current control period T1 and the magnetic flux control period T2 that enable reduction of the pulsation width of the current effective value I rms of the flowing current.
  • Embodiment 5 In a fifth embodiment, an inference device that infers the length of the current control period T1 and the length of the magnetic flux control period T2 using the learned model generated by the machine learning apparatus 40 according to the fourth embodiment will be described.
  • FIG. 10 is a diagram showing an inference device 50 and a rotary machine control device 20 according to the fifth embodiment.
  • Embodiment 5 the same components as those in Embodiments 1 to 4 are denoted by the same reference numerals, and configurations different from those in Embodiments 1 to 4 will be mainly described.
  • the inference device 50 shown in FIG. 10 is provided outside the rotating machine control device 20 . 10 shows only the learned model storage unit 46 of the machine learning device 40. As shown in FIG.
  • the rotating machine control device 20 is the rotating machine control device 20 according to any one of the first to third embodiments.
  • the rotating machine control device 20A of the fourth embodiment may be applied instead of the rotating machine control device 20 of any one of the first to third embodiments.
  • the inference device 50 reduces the rise of the DC bus voltage in the power converter 11, reduces the pulsation width of the DC bus voltage, and reduces the pulsation width of the frequency of the magnetic flux vector in the synchronous machine 21, for the rotating machine control device 20. , and the length of the current control period T1 and the length of the magnetic flux control period T2 that make it possible to reduce the pulsation width of the current effective value of the current flowing through the synchronous machine 21 are inferred.
  • the inference device 50 has an inference data acquisition unit 51 and an inference unit 52 .
  • the inference data acquisition unit 51 acquires inference data, which are the estimated frequency value ⁇ and the current effective value I rms , from the voltage commander 10 of the rotating machine control device 20 .
  • the inference data acquisition unit 51 sends the acquired inference data to the inference unit 52 .
  • the inference unit 52 reads the learned model generated by the machine learning device 40 according to the fourth embodiment from the learned model storage unit 46 .
  • the inference unit 52 infers the length of the current control period T1 and the length of the magnetic flux control period T2 by inputting the estimated frequency value ⁇ and the effective current value Irms , which are data for inference, to the learned model.
  • Each value of the current control period T1 and the magnetic flux control period T2, which are inference results, are output from the learned model.
  • the inference unit 52 sends the values of the current control period T1 and the magnetic flux control period T2 output from the learned model to the rotating machine control device 20 .
  • FIG. 11 is a flowchart of the processing procedure of the inference device 50 according to the fifth embodiment.
  • the inference device 50 acquires the frequency estimation value ⁇ and current effective value I rms as inference data in the inference data acquisition unit 51 .
  • the inference unit 52 of the inference unit 52 inputs the estimated frequency value ⁇ and the effective current value I rms to the trained model, and obtains the length of the current control period T1 and the length of the magnetic flux control period T2.
  • step S ⁇ b>13 the inference device 50 outputs each value of the current control period T ⁇ b>1 and the magnetic flux control period T ⁇ b>2 from the inference unit 52 to the rotating machine control device 20 .
  • the inference device 50 ends the processing according to the procedure shown in FIG.
  • the inference device 50 shown in FIG. 10 is provided outside the rotary machine control device 20.
  • the inference device 50 may be a device built into the rotating machine control device 20 .
  • the inference device 50 may be a device connectable to the rotating machine control device 20 via a network.
  • the inference device 50 may be a device existing on a cloud server.
  • the inference device 50 infers the length of the current control period T1 and the length of the magnetic flux control period T2 from the learned model based on the learning data acquired from the rotating machine control device 20A, and performs current control.
  • Each value of the period T1 and the magnetic flux control period T2 is sent to the rotary machine control device 20 other than the rotary machine control device 20A.
  • the rotary machine controllers 20 and 20A to which the values of the current control period T1 and the magnetic flux control period T2 are sent may be the rotary machine controllers 20 and 20A from which the learning data is acquired.
  • the rotary machine control devices 20 and 20A other than the rotary machine control devices 20 and 20A may be used.
  • Inference device 50 performs inference using a learned model to reduce the amount of rise in the DC bus voltage and to reduce the pulsations of the DC bus voltage, frequency, and current effective value Irms .
  • the length and length of the flux control period T2 can be inferred.
  • the rotating machine control device 20 receives the values of the current control period T1 and the flux control period T2 sent by the reasoning device 50 .
  • the rotating machine control device 20 determines the length of the current control period T1 and the length of the magnetic flux control period T2 in the startup control period based on the respective values of the current control period T1 and the magnetic flux control period T2.
  • Rotating machine control device 20 reduces the amount of rise in the DC bus voltage in power converter 11, reduces the pulsation width of the DC bus voltage, reduces the pulsation width of the frequency of the magnetic flux vector in synchronous machine 21, It is possible to reduce the pulsation width of the current effective value I rms of the current flowing through.
  • the rotating machine control device 20 is able to recover the synchronous machine 21 from the free-run state in a state in which the rise in the DC bus voltage is reduced and the pulsations of the DC bus voltage, the frequency, and the current effective value Irms are reduced. can be started stably.
  • the rotating machine control device 20 can stabilize the startup of the synchronous machine 21 .
  • the rotating machine control device 20 can reduce the generation of unintended torque by being able to reduce fluctuations in the DC bus voltage.
  • the rotary machine control device 20 can start the synchronous machine 21 from the free-run state in a state in which the generation of unintended torque is reduced.
  • each of the learning data and the inference data includes the bus voltage detection value Vdc .
  • FIG. 12 is a diagram showing a machine learning device 40A and a rotating machine control device 20A according to a modification of the fifth embodiment.
  • FIG. 13 is a diagram showing an inference device 50A and a rotating machine control device 20 according to a modification of the fifth embodiment.
  • the learning data acquisition unit 41A of the machine learning device 40A shown in FIG. and the current effective value I rms .
  • the learning data acquisition unit 41A further acquires the bus voltage detection value V dc from the voltage detector 15 .
  • the learning data acquired by the learning data acquisition unit 41A includes values of the current control period T1 and the magnetic flux control period T2, the estimated frequency value ⁇ , the current effective value I rms , and the bus voltage detection value V dc . include.
  • the learning data acquisition unit 41A obtains a data set in which each value of the current control period T1 and the magnetic flux control period T2, the estimated frequency value ⁇ , the current effective value I rms , and the bus voltage detection value V dc are put together. create.
  • the model generation unit 43 generates a data set based on each value of the current control period T1 and the magnetic flux control period T2, the estimated frequency value ⁇ , the current effective value Irms , and the bus voltage detection value Vdc . Generate a trained model using Thereby, the machine learning device 40A generates a learned model for inferring the respective values of the current control period T1 and the magnetic flux control period T2 from the estimated frequency value ⁇ , the effective current value I rms and the bus voltage detection value V dc . do.
  • An inference data acquisition unit 51A of an inference device 50A shown in FIG. 13 acquires a frequency estimated value ⁇ and a current effective value I rms from the rotating machine control device 20, similarly to the inference data acquisition unit 51 shown in FIG. do.
  • the inference data acquisition unit 51A further acquires the bus voltage detection value Vdc from the voltage detector 15 of the rotating machine control device 20 .
  • the inference data acquired by the inference data acquisition unit 51A includes the estimated frequency value ⁇ , the current effective value I rms , and the bus voltage detection value V dc .
  • the inference unit 52 uses the learned model generated by the machine learning device 40A to determine the length of the current control period T1 and the magnetic flux control period T2 from the estimated frequency value ⁇ , the effective current value Irms , and the bus voltage detection value Vdc . infer the length of The inference unit 52 inputs the estimated frequency value ⁇ , the effective current value I rms , and the detected bus voltage V dc , which are data for inference, to the learned model, thereby determining the length of the current control period T1 and the magnetic flux control period T2. infer the length of
  • machine learning device 40A can generate a more accurate learned model by adding bus voltage detection value Vdc to learning data.
  • Inference device 50A by reasoning using a learned model, reduces the rise in the DC bus voltage and reduces the pulsations of the DC bus voltage, frequency, and current effective value Irms .
  • a highly accurate inference can be made about the length and the length of the magnetic flux control period T2.
  • the machine learning devices 40, 40A according to the fourth or fifth embodiment are implemented by a hardware configuration similar to the configuration shown in FIG.
  • the learning data acquisition units 41 and 41A, the reward calculation data acquisition unit 42, and the model generation unit 43 are implemented by a processing circuit 61 having a processor 63 and a memory 64.
  • the learning data acquisition units 41 and 41A, the reward calculation data acquisition unit 42, and the model generation unit 43 may be realized by dedicated processing circuits.
  • the reasoning devices 50 and 50A according to the fifth embodiment are implemented by a hardware configuration similar to the configuration shown in FIG.
  • the inference data acquisition units 51 and 51A and the inference unit 52 are implemented by a processing circuit 61 having a processor 63 and a memory 64 .
  • the inference data acquisition units 51 and 51A and the inference unit 52 may be realized by dedicated processing circuits.
  • the machine learning devices 40 and 40A may include the amount of increase in the torque detection value of the synchronous machine 21 in the reward calculation data.
  • a reward calculation data acquisition unit 42 of the machine learning devices 40 and 40A acquires a torque detection value from a torque detector installed in the synchronous machine 21 .
  • the remuneration calculation data acquisition unit 42 obtains the amount of increase in the torque detection value during the activation control period.
  • the amount of increase is the amount of increase when the synchronous machine 21 is in the driving state.
  • the remuneration calculator 44 increases the remuneration when the amount of increase in the detected torque value decreases, and decreases the value of the remuneration when the amount of increase in the detected torque value increases.
  • the machine learning devices 40 and 40A can generate learned models for obtaining values of the current control period T1 and the magnetic flux control period T2 that can reduce unintended torque increases.
  • a torque detection value may be added to each of the learning data and the inference data.
  • Learning data acquisition units 41 and 41A of machine learning devices 40 and 40A acquire torque detection values from torque detectors.
  • the inference data acquisition units 51 and 51A of the inference devices 50 and 50A acquire torque detection values from the torque detectors.
  • the machine learning devices 40 and 40A can generate a more accurate learned model by adding the torque detection value to the learning data.
  • the inference devices 50, 50A use the learned models generated by the machine learning devices 40, 40A to infer the length of the current control period T1 and the length of the magnetic flux control period T2 that can reduce the increase in torque. be able to.
  • each embodiment is an example of the content of the present disclosure.
  • the configuration of each embodiment can be combined with another known technique. Configurations of respective embodiments may be combined as appropriate. A part of the configuration of each embodiment can be omitted or changed without departing from the gist of the present disclosure.

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Control Of Ac Motors In General (AREA)

Abstract

回転機制御装置（２０）は、回転機に流れる交流電流を検出して電流検出値を出力する電流検出器（１２）と、電圧指令値に基づいた交流電圧の印加によって回転機へ電力を供給する電力変換器（１１）と、電流検出値が電流指令値に一致するように電圧指令値を調整する電流制御器と、回転機における磁束ベクトルの振幅の推定値である磁束推定値を求める推定器（２）と、回転機が、電力変換器（１１）による電力供給が遮断されて惰性で回転する状態となってから電力供給が再開されるまでの起動制御期間において、設定された磁束指令値に磁束推定値が一致するように電流指令値を調整する磁束制御器と、を備える。

Description

回転機制御装置、機械学習装置および推論装置
　本開示は、回転機を制御する回転機制御装置、機械学習装置および推論装置に関する。
　従来、回転機制御装置による制御の方法の１つであるベクトル制御では、交流回転機における回転子位置を検出する位置センサが用いられていた。また、位置センサを用いずに交流回転機を制御する方法として、交流回転機における磁束ベクトルの回転によって生じる誘起電圧を検出することによって磁束ベクトルの位相を求め、磁束ベクトルの位相に同期した回転子位置を求めるセンサレスベクトル制御が知られている。センサレスベクトル制御によると、交流回転機は、精密機器である位置センサが不要であることにより、故障を低減でき、かつ低コスト化が可能となる。
　センサレスベクトル制御では、回転機制御装置は、電力変換器へ入力される電圧指令値、または交流回転機に流れた電流の検出値を基に誘起電圧を推定するのが一般的である。電圧指令値または電流検出値を基に誘起電圧を推定する場合、回転機制御装置は、交流回転機がフリーラン状態であるときには磁束ベクトルの位相および周波数を検出することができない。フリーラン状態は、回転子が回転している状態で電力変換器からの電力供給を遮断したときに、回転子が惰性で回転し続ける状態である。フリーラン状態から交流回転機を起動する際に位相および周波数を検出することができず、適切な電流制御が困難となることによって、交流回転機は、過大なトルクの発生、あるいは、電流または周波数における脈動の発生によって、フリーラン状態からの起動が困難となる。発生するトルクが回生トルクである場合、電力変換器の直流母線電圧が急上昇することによって電力変換器に不具合が生じることもあり得る。
　そこで、フリーラン状態から通常の制御に戻るまでの間の起動制御期間において、何らかの電圧指令値に従って交流回転機に交流電圧を印加し、その電圧指令値と電流検出値とを基に磁束ベクトルの位相および周波数を推定する技術が提案されている。特許文献１には、起動制御期間において電流指令値をゼロとする電流制御を行うことによって電圧指令値を決定する回転機制御装置が開示されている。
特開２００４－４０８３７号公報
　起動制御期間では、過大なトルクの発生、脈動の発生、および直流母線電圧の上昇をできるだけ低減可能とする電圧指令値を設定することが望まれる。このため、微小な電流指令値を用いた電流制御によって電圧指令値を決定することが望まれる。しかしながら、起動制御期間における電流指令値が小さければ、過大なトルクの発生を低減できる一方、交流回転機における励磁によって発生する磁束も小さくなる。磁束が小さいほど磁束が不安定になることによって、推定される位相または周波数が安定するまでに一定の時定数を要するため、起動制御期間が長くなる。また、磁束が小さく不安定であることによって、意図しないトルクと、電流または周波数の脈動とが発生し易くなる。特許文献１にかかる従来の技術によると、電流指令値をゼロとする電流制御を行うため、フリーラン状態からの起動に要する時間が長くなり、意図しないトルクの発生、または、電流または周波数の脈動の発生を低減できないという問題があった。
　本開示は、上記に鑑みてなされたものであって、フリーラン状態からの回転機の起動に要する時間を短くでき、かつ、意図しないトルクと、電流または周波数の脈動の発生とを低減可能とする回転機制御装置を得ることを目的とする。
　上述した課題を解決し、目的を達成するために、本開示にかかる回転機制御装置は、回転機に流れる交流電流を検出して電流検出値を出力する電流検出器と、電圧指令値に基づいた交流電圧の印加によって回転機へ電力を供給する電力変換器と、電流検出値が電流指令値に一致するように電圧指令値を調整する電流制御器と、回転機における磁束ベクトルの振幅の推定値である磁束推定値を求める推定器と、回転機が、電力変換器による電力供給が遮断されて惰性で回転する状態となってから電力供給が再開されるまでの起動制御期間において、設定された磁束指令値に磁束推定値が一致するように電流指令値を調整する磁束制御器と、を備える。
　本開示にかかる回転機制御装置は、フリーラン状態からの回転機の起動に要する時間を短くでき、かつ、意図しないトルクと、電流または周波数の脈動の発生とを低減できるという効果を奏する。
実施の形態１にかかる回転機制御装置の構成例を示す図 実施の形態１にかかる回転機制御装置が有する制御器の構成例を示す図 実施の形態１にかかる回転機制御装置が有する推定器の構成例を示す図 実施の形態１にかかる回転機制御装置の起動制御期間における動作について説明するための図 実施の形態２にかかる回転機制御装置が有する推定器の構成例を示す図 実施の形態３にかかる回転機制御装置が有する推定器の構成例を示す図 実施の形態１から３にかかる回転機制御装置の電圧指令器を実現するハードウェアの構成例を示す図 実施の形態４にかかる機械学習装置と回転機制御装置とを示す図 実施の形態４にかかる機械学習装置の処理手順を示すフローチャート 実施の形態５にかかる推論装置と回転機制御装置とを示す図 実施の形態５にかかる推論装置の処理手順を示すフローチャート 実施の形態５の変形例にかかる機械学習装置と回転機制御装置とを示す図 実施の形態５の変形例にかかる推論装置と回転機制御装置とを示す図
　以下に、実施の形態にかかる回転機制御装置、機械学習装置および推論装置を図面に基づいて詳細に説明する。
実施の形態１．
　図１は、実施の形態１にかかる回転機制御装置２０の構成例を示す図である。回転機制御装置２０は、交流回転機である同期機２１を制御する。以下の説明において、固定座標系における二軸をα軸およびβ軸、回転座標系における二軸をｄ軸およびｑ軸と称する。実施の形態１では、一次磁束ベクトルの位相に制御位相を同期させる場合について説明する。一次磁束ベクトルの位相を用いて、一次磁束ベクトルの方向を基準のｄ軸とする回転座標への座標変換を行った場合におけるｄ軸およびｑ軸を、それぞれｄｓ軸、ｑｓ軸と表す。ｄｓ軸は、一次磁束ベクトルの方向の軸である。ｑｓ軸は、一次磁束ベクトルに直交する方向の軸である。
　本明細書において、一次磁束とは、固定子磁束を表す。二次磁束とは、同期機２１の界磁に相当する磁束を表す。例えば、同期機２１が非突極機である場合、二次磁束は、回転子が有する界磁により発生する磁束である。同期機２１が突極機である場合、二次磁束は、回転子が有する界磁により発生する磁束と回転子の突極性によって作られる磁束とを合わせた磁束である。同期機２１が、リラクタンス型同期機のように回転子に界磁を持たない同期機である場合、二次磁束は、回転子の突極性によって作られる磁束である。
　回転機制御装置２０は、電流検出値ｉｕｓ，ｉｖｓ，ｉｗｓに基づいて電圧指令値ｖｕｓ ＊，ｖｖｓ ＊，ｖｗｓ ＊を出力する電圧指令器１０と、電圧指令値ｖｕｓ ＊，ｖｖｓ ＊，ｖｗｓ ＊に基づいた交流電圧の印加によって同期機２１へ電力を供給する電力変換器１１と、同期機２１に流れる交流電流を検出して電流検出値ｉｕｓ，ｉｖｓ，ｉｗｓを出力する電流検出器１２とを有する。
　電圧指令器１０は、電圧指令値ｖｕｓ ＊，ｖｖｓ ＊，ｖｗｓ ＊を生成する制御器１と、磁束、位相および周波数を推定する推定器２とを有する。推定器２は、同期機２１における磁束ベクトルの振幅の推定値である磁束推定値｜φ＾｜を求める。推定器２は、磁束ベクトルの位相の推定値である位相推定値θ＾を求める。推定器２は、磁束ベクトルの周波数の推定値である周波数推定値ω＾を求める。推定器２から出力される磁束推定値｜φ＾｜および位相推定値θ＾は、制御器１へ入力され、起動制御期間における同期機２１の制御に使用される。また、推定器２から出力される位相推定値θ＾および周波数推定値ω＾は、同期機２１がフリーラン状態から通常の駆動状態へ戻る際における制御にも使用できる。「＾」が付された変数は、推定値を表す。
　図２は、実施の形態１にかかる回転機制御装置２０が有する制御器１の構成例を示す図である。制御器１は、三相ｄｑ変換器３１と、ｄｑ三相変換器３２と、電流制御器３３と、切替器３４と、磁束制御器３５とを有する。
　三相ｄｑ変換器３１には、電流検出値ｉｕｓ，ｉｖｓ，ｉｗｓと位相推定値θ＾とが入力される。三相ｄｑ変換器３１は、位相推定値θ＾に基づいた電流検出値ｉｕｓ，ｉｖｓ，ｉｗｓの座標変換によって、ｄｓ軸電流検出値ｉｄｓおよびｑｓ軸電流検出値ｉｑｓを出力する。
　電流制御器３３には、ｄｓ軸電流検出値ｉｄｓと、ｑｓ軸電流検出値ｉｑｓと、ｄｓ軸電流指令値ｉｄｓ ＊と、ｑｓ軸電流指令値ｉｑｓ ＊とが入力される。電流制御器３３は、ｄｓ軸電流検出値ｉｄｓがｄｓ軸電流指令値ｉｄｓ ＊に一致し、かつｑｓ軸電流検出値ｉｑｓがｑｓ軸電流指令値ｉｑｓ ＊に一致するようなｄｓ軸電圧指令値ｖｄｓ ＊およびｑｓ軸電圧指令値ｖｑｓ ＊を求める。電流制御器３３は、ｄｓ軸電圧指令値ｖｄｓ ＊およびｑｓ軸電圧指令値ｖｑｓ ＊を出力する。すなわち、電流制御器３３は、電流検出値が電流指令値に一致するように電圧指令値を調整する。
　ｄｑ三相変換器３２には、ｄｓ軸電圧指令値ｖｄｓ ＊と、ｑｓ軸電圧指令値ｖｑｓ ＊と、位相推定値θ＾とが入力される。ｄｑ三相変換器３２は、位相推定値θ＾に基づいたｄｓ軸電圧指令値ｖｄｓ ＊およびｑｓ軸電圧指令値ｖｑｓ ＊の座標変換によって、電圧指令値ｖｕｓ ＊，ｖｖｓ ＊，ｖｗｓ ＊を出力する。電圧指令器１０は、電力変換器１１へ電圧指令値ｖｕｓ ＊，ｖｖｓ ＊，ｖｗｓ ＊を出力する。
　磁束制御器３５には、磁束推定値｜φ＾｜と、あらかじめ設定された磁束指令値φ＊とが入力される。磁束制御器３５は、磁束推定値｜φ＾｜が磁束指令値φ＊に一致するような励磁電流の指令値を求める。すなわち、磁束制御器３５は、設定された磁束指令値φ＊に磁束推定値｜φ＾｜が一致するように電流指令値を調整する。磁束制御器３５は、ｄ軸の励磁電流指令値を出力する。
　切替器３４は、あらかじめ設定された励磁電流指令値であるｄ軸電流指令値ｉｄ ＊と、磁束制御器３５から出力されるｄ軸の励磁電流指令値との一方を、ｄｓ軸電流指令値ｉｄｓ ＊として出力する。切替器３４には、電流制御期間Ｔ１を示す情報と磁束制御期間Ｔ２を示す情報とが入力される。切替器３４は、電流制御期間Ｔ１の情報と磁束制御期間Ｔ２の情報とに基づいて、ｄ軸電流指令値ｉｄ ＊と、磁束制御器３５から出力されるｄ軸の励磁電流指令値との一方を選択する。電流制御期間Ｔ１および磁束制御期間Ｔ２については後述する。ｄｓ軸電流指令値ｉｄｓ ＊は、電流制御器３３へ入力される。
　図３は、実施の形態１にかかる回転機制御装置２０が有する推定器２の構成例を示す図である。推定器２は、起動制御期間の全体において動作する。推定器２には、電圧指令値ｖｕｓ ＊，ｖｖｓ ＊，ｖｗｓ ＊と、電流検出値ｉｕｓ，ｉｖｓ，ｉｗｓとが入力される。推定器２内にある２個の三相ｄｑ変換器のうちの一方は、位相推定値θ＾に基づいた電圧指令値ｖｕｓ ＊，ｖｖｓ ＊，ｖｗｓ ＊の座標変換によって、ｄｓ軸電圧指令値ｖｄｓ ＊およびｑｓ軸電圧指令値ｖｑｓ ＊を出力する。推定器２内にある２個の三相ｄｑ変換器のうちの他方は、位相推定値θ＾に基づいた電流検出値ｉｕｓ，ｉｖｓ，ｉｗｓの座標変換によって、ｄｓ軸電流検出値ｉｄｓおよびｑｓ軸電流検出値ｉｑｓを出力する。
　同期機２１のｄｓ軸一次電圧ｖｄｓおよびｑｓ軸一次電圧ｖｑｓは、次の式（１）により表される。なお、φｄｓはｄｓ軸一次磁束、φｑｓはｑｓ軸一次磁束、ｉｄｓはｄｓ軸一次電流、ｉｑｓはｑｓ軸一次電流、Ｒｓは一次相抵抗、ωｓは一次磁束ベクトルの周波数、ｓはラプラス演算子である。
Figure JPOXMLDOC01-appb-M000001
　制御位相が一次磁束ベクトルの位相に同期している場合は、φｑｓ＝０である。このため、一次磁束ベクトルの振幅｜φｓ｜は、ｄｓ軸一次磁束φｄｓと等しい。一次磁束ベクトルの振幅｜φｓ｜は、次の式（２）により表される。推定器２は、図３の構成によって、電圧指令値および電流検出値から式（２）に示される演算を行い、一次磁束ベクトルの振幅｜φｓ｜を推定する。
Figure JPOXMLDOC01-appb-M000002
　一次磁束ベクトルの周波数ωｓは、次の式（３）により表される。推定器２は、図３の構成によって、電圧指令値および電流検出値から式（３）に示される演算を行い、一次磁束ベクトルの周波数ωｓを推定する。
Figure JPOXMLDOC01-appb-M000003
　一次磁束ベクトルの位相θｓは、次の式（４）により表される。推定器２は、図３の構成によって、電圧指令値および電流検出値から式（４）に示される演算を行い、一次磁束ベクトルの位相θｓを推定する。
Figure JPOXMLDOC01-appb-M000004
　推定器２は、一次磁束ベクトルの振幅の推定値｜φｓ＾｜である磁束推定値｜φ＾｜を出力する。推定器２は、一次磁束ベクトルの周波数の推定値ωｓ＾である周波数推定値ω＾を出力する。推定器２は、一次磁束ベクトルの位相の推定値θｓ＾である位相推定値θ＾を出力する。なお、推定器２における磁束を推定するための演算において、電圧指令値の項には、電力変換器１１の電圧誤差を補正するための項が含められても良い。
　次に、起動制御期間における回転機制御装置２０の動作について説明する。図４は、実施の形態１にかかる回転機制御装置２０の起動制御期間における動作について説明するための図である。図４において、横軸は時間を表す。図４には、回転機制御装置２０の状態の遷移と、起動制御期間の詳細とを示す。
　駆動状態とは、回転機制御装置２０による通常の制御によって同期機２１を駆動している状態を指す。図４に示す時間軸において、同期機２１の状態は、駆動状態からフリーラン状態となり、再び駆動状態に戻る。
　起動制御期間の開始時をｔ０とする。ｔ０よりも前のｔ－１において、同期機２１は、電力変換器１１からの電力供給が遮断され、駆動状態からフリーラン状態へ移行する。起動制御期間は、既定指令値であるｄ軸電流指令値ｉｄ ＊を基に電流制御が行われる電流制御期間Ｔ１と、磁束制御器３５が出力するｄ軸の励磁電流指令値を基に電流制御が行われる磁束制御期間Ｔ２とを含む。電流制御期間Ｔ１は、ｔ０からｔ１までの期間である。磁束制御期間Ｔ２は、ｔ１から、起動制御期間の終了時であるｔ２までの期間である。ｔ２において、同期機２１は、フリーラン状態から駆動状態へ移行する。
　ｔ０において、電流制御期間Ｔ１の情報が切替器３４に入力される。切替器３４は、電流制御期間Ｔ１の情報に応じて、ｄ軸電流指令値ｉｄ ＊を選択する。電流制御期間Ｔ１において、切替器３４は、ｄ軸電流指令値ｉｄ ＊であるｄｓ軸電流指令値ｉｄｓ ＊を出力する。ｄ軸電流指令値ｉｄ ＊は微小な励磁電流を示す値である。回転機制御装置２０は、電流制御期間Ｔ１において、微小な励磁電流を同期機２１に流すことによって同期機２１に磁束を生じさせる。電流制御期間Ｔ１は、電流制御期間Ｔ１に続く磁束制御期間Ｔ２における磁束制御をスムーズに起動させるための予備運転期間である。したがって、基本的には、起動制御期間において、磁束制御期間Ｔ２は、電流制御期間Ｔ１よりも長い期間とする。
　一方、ｔ１において、磁束制御期間Ｔ２の情報が切替器３４に入力される。切替器３４は、磁束制御期間Ｔ２の情報に応じて、磁束制御器３５が出力するｄ軸の励磁電流指令値を選択する。切替器３４は、磁束制御器３５が出力するｄ軸の励磁電流指令値であるｄｓ軸電流指令値ｉｄｓ ＊を出力する。
　起動制御期間に推定器２によって得られた位相推定値θ＾は、ｔ２からの通常の制御における位相の初期値として使用される。起動制御期間に推定器２によって得られた周波数推定値ω＾は、ｔ２からの通常の制御における周波数の初期値として使用される。ｔ２において同期機２１が駆動状態に戻ると、同期機２１は、任意の方法によって制御される。駆動状態における同期機２１の制御方法には、公知のベクトル制御の方法を採用することができる。ここでは、駆動状態における同期機２１の制御についての説明は省略する。駆動状態における通常の制御は、回転機制御装置２０の内部の構成によって実現されても良く、回転機制御装置２０の外部の構成によって実現されても良い。
　実施の形態１では、位相推定値θ＾および周波数推定値ω＾は、一次磁束ベクトルの位相および周波数とした。フリーラン状態では同期機２１は無負荷であるため、フリーラン状態において、一次磁束ベクトルの方向は、二次磁束ベクトルの方向と同一となる。このため、駆動状態における制御に、二次磁束ベクトルを基準とする制御方式が採用されている場合であっても、フリーラン状態から駆動状態に変わる瞬間における初期値として、一次磁束ベクトルについての位相推定値θ＾および周波数推定値ω＾が使用されても問題は無い。
　特許文献１に示される従来の技術では、起動制御期間の全てが電流制御期間とされる。この場合、過大なトルクの発生、脈動の発生、および直流母線電圧の上昇をできるだけ低減するために、電流指令値には、微小な励磁電流を示す値を設定せざるを得ない。この場合、推定される位相または周波数が安定するまでに一定の時定数を要するため、起動制御期間が長くなる。また、微小な電流により励磁される磁束が小さいことから、同期機２１の磁束ベクトルまたは磁束ベクトルの回転によって生じる誘起電圧から求まる位相および周波数は、外乱などの影響により不安定になり易い。位相および周波数が不安定になることによって、意図しないトルクの発生と、電流または周波数の脈動とが生じ易くなる。また、直流母線電圧が上昇する場合もある。
　実施の形態１によると、回転機制御装置２０は、起動制御期間において磁束制御期間Ｔ２の前に電流制御期間Ｔ１を設けたことで、磁束制御期間Ｔ２の開始時に、初期励磁による磁束推定値｜φ＾｜を得ることができる。回転機制御装置２０は、磁束制御期間Ｔ２の開始時から磁束推定値｜φ＾｜を用いた磁束制御を行うことで、磁束の急激な変化を生じさせずに磁束制御を起動できる。回転機制御装置２０は、適切なタイミングで電流制御期間Ｔ１から磁束制御期間Ｔ２への切り替えを行うとともに、磁束制御期間Ｔ２の開始時から磁束推定値｜φ＾｜を用いた磁束制御を行うことで、早い時期に磁束ベクトルをより大きい値にすることができ、かつ、早い時期に磁束ベクトルを安定させることができる。
　さらに、実施の形態１によると、回転機制御装置２０は、磁束制御期間Ｔ２において、磁束制御器３５が出力するｄ軸の励磁電流指令値が用いられることによって、早い時期に磁束ベクトルをより大きい値にすることができ、かつ、早い時期に磁束ベクトルを安定させることができる。このため、回転機制御装置２０は、推定される位相および周波数が安定するまでの時間を短くすることができる。これにより、同期機２１は、短い起動制御期間によって、フリーラン状態から駆動状態への移行が可能となる。また、同期機２１は、外乱などに対し位相および周波数の変動を低減できる。位相および周波数を早期に安定させることによって、意図しないトルクの発生と、電流または周波数の脈動との低減が可能となる。また、回転機制御装置２０は、直流母線電圧の上昇を低減できる。
　以上により、回転機制御装置２０は、フリーラン状態からの回転機の起動に要する時間を短くでき、かつ、意図しないトルクの発生と、電流または周波数の脈動の発生とを低減できるという効果を奏する。
実施の形態２．
　実施の形態１では、ｄ軸の一次磁束およびｑ軸の一次磁束から磁束推定値｜φ＾｜を求める例について説明した。実施の形態２では、α軸の一次磁束およびβ軸の一次磁束から磁束推定値｜φ＾｜を求める例について説明する。
　図５は、実施の形態２にかかる回転機制御装置２０が有する推定器２Ａの構成例を示す図である。実施の形態２にかかる回転機制御装置２０のうち推定器２Ａ以外の構成は、実施の形態１にかかる回転機制御装置２０と同様である。実施の形態２では、上記実施の形態１と重複する説明を省略する。
　実施の形態２にかかる回転機制御装置２０は、一次磁束ベクトルの位相に制御位相を同期させる。一次磁束ベクトルの位相を用いて、一次磁束ベクトルの方向を基準のα軸とする固定座標への座標変換を行った場合におけるα軸およびβ軸を、それぞれαｓ軸、βｓ軸と表す。αｓ軸は、一次磁束ベクトルの方向の軸である。βｓ軸は、一次磁束ベクトルに直交する方向の軸である。
　推定器２Ａには、電圧指令値ｖｕｓ ＊，ｖｖｓ ＊，ｖｗｓ ＊と、電流検出値ｉｕｓ，ｉｖｓ，ｉｗｓとが入力される。推定器２Ａ内にある２個の三相αβ変換器のうちの一方は、電圧指令値ｖｕｓ ＊，ｖｖｓ ＊，ｖｗｓ ＊の座標変換によって、αｓ軸電圧指令値ｖαｓ ＊およびβｓ軸電圧指令値ｖβｓ ＊を出力する。推定器２Ａ内にある２個の三相αβ変換器のうちの他方は、電流検出値ｉｕｓ，ｉｖｓ，ｉｗｓの座標変換によって、αｓ軸電流検出値ｉαｓおよびβｓ軸電流検出値ｉβｓを出力する。
　次の式（５）は、上記式（１）をα軸およびβ軸で表した式である。なお、ｖαｓはαｓ軸一次電圧、ｖβｓはβｓ軸一次電圧、ｉαｓはαｓ軸一次電流、ｉβｓはβｓ軸一次電流、φαｓはαｓ軸一次磁束、φβｓはβｓ軸一次磁束である。
Figure JPOXMLDOC01-appb-M000005
　式（５）から、αｓ軸一次磁束φαｓおよびβｓ軸一次磁束φβｓは、次の式（６）により表される。
Figure JPOXMLDOC01-appb-M000006
　式（６）に示される演算は、上記式（２）とは異なり、交流量の積分となる。このため、検出オフセットといった直流分の誤差が蓄積されることを避けるために、当該演算には、カットオフ周波数ωｋを持つハイパスフィルタが組み合わせられても良い。カットオフ周波数ωｋは、周波数推定値ω＾よりも小さい値であって、周波数推定値ω＾に定数を掛け合わせることによって決定される。定数は、例えば、１／３または１／３未満の値である。
　式（６）にハイパスフィルタが組み合わせられた演算は、次の式（７）により表される。図５には、ハイパスフィルタが組み合わせられる場合における推定器２Ａの構成例を示す。
Figure JPOXMLDOC01-appb-M000007
　一次磁束ベクトルの振幅｜φｓ｜は、次の式（８）により表される。推定器２Ａは、図５の構成によって、電圧指令値および電流検出値から式（７）および式（８）に示される演算を行い、一次磁束ベクトルの振幅｜φｓ｜を推定する。推定器２Ａは、式（６）および式（８）に示される演算を行うことで、一次磁束ベクトルの振幅｜φｓ｜を推定しても良い。
Figure JPOXMLDOC01-appb-M000008
　一次磁束ベクトルの位相θｓは、次の式（９）により表される。推定器２Ａは、図５の構成によって、電圧指令値および電流検出値から式（７）および式（９）に示される演算を行い、一次磁束ベクトルの位相θｓを推定する。推定器２Ａは、式（６）および式（９）に示される演算を行うことで、一次磁束ベクトルの位相θｓを推定しても良い。
Figure JPOXMLDOC01-appb-M000009
　一次磁束ベクトルの周波数ωｓは、次の式（１０）により表される。推定器２Ａは、図５の構成によって、電圧指令値および電流検出値から式（７）および式（１０）に示される演算を行い、一次磁束ベクトルの周波数ωｓを推定する。推定器２Ａは、式（６）および式（１０）に示される演算を行うことで、一次磁束ベクトルの周波数ωｓを推定しても良い。
Figure JPOXMLDOC01-appb-M000010
　推定器２Ａは、一次磁束ベクトルの振幅の推定値｜φｓ＾｜である磁束推定値｜φ＾｜を出力する。推定器２Ａは、一次磁束ベクトルの周波数の推定値ωｓ＾である周波数推定値ω＾を出力する。推定器２Ａは、一次磁束ベクトルの位相の推定値θｓ＾である位相推定値θ＾を出力する。なお、推定器２Ａにおける磁束を推定するための演算において、電圧指令値の項には、電力変換器１１の電圧誤差を補正するための項が含められても良い。
　実施の形態２においても、回転機制御装置２０は、実施の形態１の場合と同様に、フリーラン状態からの回転機の起動に要する時間を短くでき、かつ、意図しないトルクの発生と、電流または周波数の脈動の発生とを低減できるという効果を奏する。
実施の形態３．
　実施の形態１および２では、一次磁束から磁束推定値｜φ＾｜を求める例について説明した。実施の形態３では、二次磁束から磁束推定値｜φ＾｜を求める例について説明する。
　図６は、実施の形態３にかかる回転機制御装置２０が有する推定器２Ｂの構成例を示す図である。実施の形態３にかかる回転機制御装置２０のうち推定器２Ｂ以外の構成は、実施の形態１にかかる回転機制御装置２０と同様である。実施の形態３では、上記実施の形態１と重複する説明を省略する。
　実施の形態３にかかる回転機制御装置２０は、二次磁束ベクトルの位相に制御位相を同期させる。二次磁束ベクトルの位相を用いて、二次磁束ベクトルの方向を基準のα軸とする座標変換を行った場合におけるα軸およびβ軸を、それぞれαｒ軸、βｒ軸と表す。αｒ軸は、二次磁束ベクトルの方向の軸である。βｒ軸は、二次磁束ベクトルに直交する方向の軸である。
　推定器２Ｂには、電圧指令値ｖｕｓ ＊，ｖｖｓ ＊，ｖｗｓ ＊と、電流検出値ｉｕｓ，ｉｖｓ，ｉｗｓとが入力される。推定器２Ｂ内にある２個の三相αβ変換器のうちの一方は、電圧指令値ｖｕｓ ＊，ｖｖｓ ＊，ｖｗｓ ＊の座標変換によって、αｓ軸電圧指令値ｖαｓ ＊およびβｓ軸電圧指令値ｖβｓ ＊を出力する。推定器２Ｂ内にある２個の三相αβ変換器のうちの他方は、電流検出値ｉｕｓ，ｉｖｓ，ｉｗｓの座標変換によって、αｓ軸電流検出値ｉαｓおよびβｓ軸電流検出値ｉβｓを出力する。
　図６には、実施の形態２と同様にハイパスフィルタが組み合わせられる場合における推定器２Ｂの構成例を示す。上記式（７）に示される一次磁束ベクトルからαｒ軸およびβｒ軸に同期した成分を取り出す方法としては、公知の技術による方法を用いることができる。
　次の式（１１）は、αｒ軸およびβｒ軸に同期した成分を取り出す方法の一例を示す。αｒ軸一次磁束φαｒおよびβｒ軸一次磁束φβｒは、式（１１）により求まる。Ｌｑｒは、ｑｒ軸成分のインダクタンスである。二次磁束ベクトルの方向を基準のｄ軸とする回転座標への座標変換を行った場合におけるｄ軸およびｑ軸を、それぞれｄｒ軸、ｑｒ軸と表す。式（１１）に示される方法については、「I.　Boldea，　M.　C.　Paicu，　and　G.　D.　Andreescu，　Active　flux　concept　for　motion-sensorless　unified　ac　drives，　IEEE　Transactions　on　Power　Electronics，　Vol.23，　No.5，　pp.2612-2618，2008」に説明されている。
Figure JPOXMLDOC01-appb-M000011
　二次磁束ベクトルの振幅｜φｒ｜は、次の式（１２）により表される。推定器２Ｂは、図６の構成によって、二次磁束ベクトルの振幅｜φｒ｜を推定する。
Figure JPOXMLDOC01-appb-M000012
　二次磁束ベクトルの位相θｒは、次の式（１３）により表される。推定器２Ｂは、図６の構成によって、二次磁束ベクトルの位相θｒを推定する。
Figure JPOXMLDOC01-appb-M000013
　二次磁束ベクトルの周波数ωｒは、次の式（１４）により表される。推定器２Ｂは、図６の構成によって、二次磁束ベクトルの周波数ωｒを推定する。
Figure JPOXMLDOC01-appb-M000014
　推定器２Ｂは、二次磁束ベクトルの振幅の推定値｜φｒ＾｜である磁束推定値｜φ＾｜を出力する。推定器２Ｂは、二次磁束ベクトルの周波数の推定値ωｒ＾である周波数推定値ω＾を出力する。推定器２Ｂは、二次磁束ベクトルの位相の推定値θｒ＾である位相推定値θ＾を出力する。なお、推定器２Ｂにおける磁束を推定するための演算において、電圧指令値の項には、電力変換器１１の電圧誤差を補正するための項が含められても良い。
　実施の形態３では、位相推定値θ＾および周波数推定値ω＾は、二次磁束ベクトルの位相および周波数とした。フリーラン状態では同期機２１は無負荷であるため、フリーラン状態において、二次磁束ベクトルの方向は、一次磁束ベクトルの方向と同一となる。このため、駆動状態における制御に、一次磁束ベクトルを基準とする制御方式が採用されている場合であっても、フリーラン状態から駆動状態に変わる瞬間における初期値として、二次磁束ベクトルについての位相推定値θ＾および周波数推定値ω＾が使用されても問題は無い。
　実施の形態３によると、回転機制御装置２０は、実施の形態１の場合と同様に、推定される位相および周波数が安定するまでの時間を短くすることができる。このため、同期機２１は、短い起動制御期間によって、フリーラン状態から駆動状態への移行が可能となる。また、同期機２１は、外乱などに対し位相および周波数の変動を低減できる。位相および周波数を早期に安定させることによって、意図しないトルクの発生と、電流または周波数の脈動との低減が可能となる。また、回転機制御装置２０は、直流母線電圧の上昇を低減できる。
　以上により、回転機制御装置２０は、フリーラン状態からの回転機の起動に要する時間を短くでき、かつ、意図しないトルクの発生と、電流または周波数の脈動の発生とを低減できるという効果を奏する。
　次に、実施の形態１から３にかかる回転機制御装置２０の要部である電圧指令器１０を実現するハードウェア構成について説明する。図７は、実施の形態１から３にかかる回転機制御装置２０の電圧指令器１０を実現するハードウェアの構成例を示す図である。図７には、電圧指令器１０の制御器１および推定器２，２Ａ，２Ｂを、プロセッサ６３とメモリ６４とを有する処理回路６１によって実現する場合の構成例を示す。
　プロセッサ６３は、ＣＰＵ（Central　Processing　Unit）である。プロセッサ６３は、演算装置、マイクロプロセッサ、マイクロコンピュータ、またはＤＳＰ（Digital　Signal　Processor）でも良い。メモリ６４は、例えば、ＲＡＭ（Random　Access　Memory）、ＲＯＭ（Read　Only　Memory）、フラッシュメモリ、ＥＰＲＯＭ（Erasable　Programmable　Read　Only　Memory）、ＥＥＰＲＯＭ（登録商標）（Electrically　Erasable　Programmable　Read　Only　Memory）といった、揮発性あるいは不揮発性の半導体メモリである。
　メモリ６４には、制御器１および推定器２，２Ａ，２Ｂとして動作するためのプログラムが格納される。このプログラムをプロセッサ６３が読み出して実行することにより、制御器１および推定器２，２Ａ，２Ｂを実現することが可能である。なお、メモリ６４に格納される、制御器１および推定器２，２Ａ，２Ｂとして動作するためのプログラムは、例えば、ＣＤ（Compact　Disc）－ＲＯＭ、ＤＶＤ（Digital　Versatile　Disc）－ＲＯＭなどの記憶媒体に書き込まれた状態でユーザ等に提供される形態であっても良いし、ネットワークを介して提供される形態であっても良い。また、プロセッサ６３は、演算結果等のデータをメモリ６４の揮発性メモリに出力する。または、プロセッサ６３は、演算結果等のデータを、メモリ６４の揮発性メモリを介して補助記憶装置に出力することによってデータを保存する。
　入力部６２は、電圧指令器１０に対する入力信号を外部から受信する回路である。入力部６２は、電流検出値ｉｕｓ，ｉｖｓ，ｉｗｓと、電流制御期間Ｔ１の情報と、磁束制御期間Ｔ２の情報とを受信する。出力部６５は、電圧指令器１０で生成した信号を外部へ出力する回路である。出力部６５は、電圧指令値ｖｕｓ ＊，ｖｖｓ ＊，ｖｗｓ ＊を出力する。
　図７は、汎用のプロセッサ６３およびメモリ６４により制御器１および推定器２，２Ａ，２Ｂを実現する場合のハードウェアの例であるが、プロセッサ６３およびメモリ６４の代わりに専用の処理回路で制御器１および推定器２，２Ａ，２Ｂを実現してもよい。すなわち、専用の処理回路で制御器１および推定器２，２Ａ，２Ｂを実現しても良い。ここで、専用の処理回路は、単一回路、複合回路、ＡＳＩＣ（Application　Specific　Integrated　Circuit）、ＦＰＧＡ（Field　Programmable　Gate　Array）、またはこれらを組み合わせた回路である。なお、制御器１および推定器２，２Ａ，２Ｂの一部をプロセッサ６３およびメモリ６４で実現し、残りを専用の処理回路で実現しても良い。
実施の形態４．
　実施の形態４では、電流制御期間Ｔ１の長さと磁束制御期間Ｔ２の長さとを推論するための学習済モデルを生成する機械学習装置について説明する。
　図８は、実施の形態４にかかる機械学習装置４０と回転機制御装置２０Ａとを示す図である。実施の形態４では、実施の形態１から３と同一の構成要素には同一の符号を付し、実施の形態１から３とは異なる構成について主に説明する。図８に示す機械学習装置４０は、回転機制御装置２０Ａの外部に設けられている。
　回転機制御装置２０Ａは、実施の形態１から３のいずれか１つの回転機制御装置２０に、電圧検出器１５が追加されたものである。電圧検出器１５は、電力変換器１１の直流母線電圧を検出して、母線電圧検出値Ｖｄｃを出力する。
　機械学習装置４０は、回転機制御装置２０Ａについて、電力変換器１１における直流母線電圧の上昇分の低減と、直流母線電圧の脈動幅の低減と、同期機２１における磁束ベクトルの周波数の脈動幅の低減と、同期機２１に流れる電流の電流実効値の脈動幅の低減とを可能とする電流制御期間Ｔ１の長さと磁束制御期間Ｔ２の長さとを学習する。機械学習装置４０は、学習用データ取得部４１と、報酬計算用データ取得部４２と、モデル生成部４３と、学習済モデル記憶部４６とを有する。なお、機械学習装置４０は、直流母線電圧の上昇分の低減と、直流母線電圧の脈動幅の低減と、磁束ベクトルの周波数の脈動幅の低減と、電流実効値の脈動幅の低減との少なくとも１つを可能とする電流制御期間Ｔ１の長さと磁束制御期間Ｔ２の長さとを学習するものであれば良い。
　学習用データ取得部４１は、電流制御期間Ｔ１の長さを示す値と、磁束制御期間Ｔ２の長さを示す値と、周波数推定値ω＾と、電流実効値Ｉｒｍｓとを電圧指令器１０から取得する。以下、電流制御期間Ｔ１の長さを示す値を、電流制御期間Ｔ１の値と称する。磁束制御期間Ｔ２の長さを示す値を、磁束制御期間Ｔ２の値と称する。学習用データ取得部４１は、電流制御期間Ｔ１および磁束制御期間Ｔ２の各値と周波数推定値ω＾と電流実効値Ｉｒｍｓとである学習用データを取得する。
　電流実効値Ｉｒｍｓは、電流検出値ｉｕｓ，ｉｖｓ，ｉｗｓから求まる電流実効値であって、電流検出値ｉｕｓ，ｉｖｓ，ｉｗｓのうち少なくとも１つに基づく電流実効値である。電力変換器１１内の三相ｄｑ変換器３１は、電流検出値ｉｕｓ，ｉｖｓ，ｉｗｓのうち少なくとも１つから電流実効値Ｉｒｍｓを計算する。学習用データ取得部４１は、三相ｄｑ変換器３１によって計算された電流実効値Ｉｒｍｓを取得する。三相ｄｑ変換器３１は、ｄｓ軸一次電流ｉｄｓまたはｑｓ軸一次電流ｉｑｓから電流実効値Ｉｒｍｓを計算しても良い。
　なお、電流実効値Ｉｒｍｓは三相ｄｑ変換器３１によって計算されることとしたが、これに限られない。電流実効値Ｉｒｍｓは、回転機制御装置２０Ａの内部の要素および回転機制御装置２０Ａの外部の要素のどちらによって計算されても良い。機械学習装置４０の内部の要素が電流実効値Ｉｒｍｓを計算しても良い。この場合、学習用データ取得部４１が、電流検出値ｉｕｓ，ｉｖｓ，ｉｗｓ、ｄｓ軸一次電流ｉｄｓまたはｑｓ軸一次電流ｉｑｓを取得して、電流実効値Ｉｒｍｓを計算しても良い。
　学習用データ取得部４１は、同期機２１が駆動状態であるときに動作して、学習用データを取得する。また、学習用データ取得部４１は、電流制御期間Ｔ１および磁束制御期間Ｔ２の各値と周波数推定値ω＾と電流実効値Ｉｒｍｓとである学習用データをまとめ合わせたデータセットを作成する。学習用データ取得部４１は、作成されたデータセットをモデル生成部４３へ送る。
　報酬計算用データ取得部４２は、周波数推定値ω＾と電流実効値Ｉｒｍｓとを電圧指令器１０から取得する。報酬計算用データ取得部４２は、電圧検出器１５から母線電圧検出値Ｖｄｃを取得する。報酬計算用データ取得部４２は、同期機２１が駆動状態であるときから同期機２１がフリーラン状態であるときにかけて動作する。
　同期機２１が駆動状態であるときに、報酬計算用データ取得部４２は、周波数推定値ω＾と電流実効値Ｉｒｍｓと母線電圧検出値Ｖｄｃとを取得する。報酬計算用データ取得部４２は、取得された母線電圧検出値Ｖｄｃから、母線電圧検出値Ｖｄｃの脈動幅Ｖｄｃ_ｒｉｐを求める。脈動幅Ｖｄｃ_ｒｉｐは、母線電圧検出値Ｖｄｃの時系列変化を示す波形の振幅である。
　報酬計算用データ取得部４２は、取得された周波数推定値ω＾から、周波数推定値ω＾の脈動幅ω＾_ｒｉｐを求める。脈動幅ω＾_ｒｉｐは、周波数推定値ω＾の時系列変化を示す波形の振幅である。報酬計算用データ取得部４２は、取得された電流実効値Ｉｒｍｓから、電流実効値Ｉｒｍｓの脈動幅Ｉｒｍｓ_ｒｉｐを求める。脈動幅Ｉｒｍｓ_ｒｉｐは、電流実効値Ｉｒｍｓの時系列変化を示す波形の振幅である。各脈動幅Ｖｄｃ_ｒｉｐ，ω＾_ｒｉｐ，Ｉｒｍｓ_ｒｉｐは、絶対値とする。
　報酬計算用データ取得部４２は、ハイパスフィルタといった任意のフィルタリング方法を用いて、母線電圧検出値Ｖｄｃと周波数推定値ω＾と電流実効値Ｉｒｍｓとから脈動幅Ｖｄｃ_ｒｉｐ，ω＾_ｒｉｐ，Ｉｒｍｓ_ｒｉｐをそれぞれ抽出する。これにより、報酬計算用データ取得部４２は、脈動幅Ｖｄｃ_ｒｉｐ，ω＾_ｒｉｐ，Ｉｒｍｓ_ｒｉｐを求める。
　報酬計算用データ取得部４２は、母線電圧検出値Ｖｄｃと、脈動幅Ｖｄｃ_ｒｉｐ，ω＾_ｒｉｐ，Ｉｒｍｓ_ｒｉｐとを記憶する。報酬計算用データ取得部４２は、同期機２１が駆動状態であるときに、あらかじめ設定されたタイミングにおいて報酬計算用データを記憶する。報酬計算用データ取得部４２は、複数のタイミングにおいて母線電圧検出値Ｖｄｃと、脈動幅Ｖｄｃ_ｒｉｐ，ω＾_ｒｉｐ，Ｉｒｍｓ_ｒｉｐとを取得し、取得されたデータの平均値を記憶しても良い。以下、報酬計算用データ取得部４２に記憶された母線電圧検出値Ｖｄｃと、脈動幅Ｖｄｃ_ｒｉｐ，ω＾_ｒｉｐ，Ｉｒｍｓ_ｒｉｐとを、それぞれＶｄｃ_ｄｒｖ，Ｖｄｃ_ｒｉｐ_ｄｒｖ，ω＾_ｒｉｐ_ｄｒｖ，Ｉｒｍｓ_ｒｉｐ_ｄｒｖと表す。
　また、報酬計算用データ取得部４２は、同期機２１がフリーラン状態である起動制御期間において、周波数推定値ω＾と電流実効値Ｉｒｍｓと母線電圧検出値Ｖｄｃとを取得する。報酬計算用データ取得部４２は、起動制御期間における母線電圧検出値Ｖｄｃの最大値Ｖｄｃ_ｒｓｔｍａｘを求める。報酬計算用データ取得部４２は、ハイパスフィルタといった任意のフィルタリング方法を用いて、取得された母線電圧検出値Ｖｄｃから、起動制御期間における母線電圧検出値Ｖｄｃの脈動幅の最大値Ｖｄｃ_ｒｉｐ_ｒｓｔｍａｘを求める。報酬計算用データ取得部４２は、ハイパスフィルタといった任意のフィルタリング方法を用いて、取得された周波数推定値ω＾から、起動制御期間における周波数推定値ω＾の脈動幅の最大値ω＾_ｒｉｐ_ｒｓｔｍａｘを求める。報酬計算用データ取得部４２は、ハイパスフィルタといった任意のフィルタリング方法を用いて、取得された電流実効値Ｉｒｍｓから、起動制御期間における電流実効値Ｉｒｍｓの脈動幅の最大値Ｉｒｍｓ_ｒｉｐ_ｒｓｔｍａｘを求める。
　さらに、報酬計算用データ取得部４２は、脈動幅Ｖｄｃ_ｒｉｐの増加量Ｖｄｃ_ｒｉｐ_ｄａｔと、脈動幅ω＾_ｒｉｐの増加量ω＾_ｒｉｐ_ｄａｔと、脈動幅Ｉｒｍｓ_ｒｉｐの増加量Ｉｒｍｓ_ｒｉｐ_ｄａｔと、母線電圧検出値Ｖｄｃの増加量Ｖｄｃ_ｄａｔとを求める。増加量Ｖｄｃ_ｒｉｐ_ｄａｔ，ω＾_ｒｉｐ_ｄａｔ，Ｉｒｍｓ_ｒｉｐ_ｄａｔ，Ｖｄｃ_ｄａｔは、同期機２１が駆動状態であるときに対する増加量である。
　報酬計算用データ取得部４２は、次の式（１５）に示される演算により、増加量Ｖｄｃ_ｒｉｐ_ｄａｔを求める。
Ｖｄｃ_ｒｉｐ_ｄａｔ＝Ｖｄｃ_ｒｉｐ_ｒｓｔｍａｘ－Ｖｄｃ_ｒｉｐ_ｄｒｖ　　・・・（１５）
　報酬計算用データ取得部４２は、次の式（１６）に示される演算により、増加量ω＾_ｒｉｐ_ｄａｔを求める。
ω＾_ｒｉｐ_ｄａｔ＝ω＾_ｒｉｐ_ｒｓｔｍａｘ－ω＾_ｒｉｐ_ｄｒｖ　　・・・（１６）
　報酬計算用データ取得部４２は、次の式（１７）に示される演算により、増加量Ｉｒｍｓ_ｒｉｐ_ｄａｔを求める。
Ｉｒｍｓ_ｒｉｐ_ｄａｔ＝Ｉｒｍｓ_ｒｉｐ_ｒｓｔｍａｘ－Ｉｒｍｓ_ｒｉｐ_ｄｒｖ　　・・・（１７）
　報酬計算用データ取得部４２は、次の式（１８）に示される演算により、増加量Ｖｄｃ_ｄａｔを求める。
Ｖｄｃ_ｄａｔ＝Ｖｄｃ_ｒｓｔｍａｘ－Ｖｄｃ_ｄｒｖ　　・・・（１８）
　報酬計算用データ取得部４２は、報酬計算用データである増加量Ｖｄｃ_ｒｉｐ_ｄａｔ，ω＾_ｒｉｐ_ｄａｔ，Ｉｒｍｓ_ｒｉｐ_ｄａｔ，Ｖｄｃ_ｄａｔをモデル生成部４３へ送る。
　モデル生成部４３は、電流制御期間Ｔ１および磁束制御期間Ｔ２の各値と周波数推定値ω＾と電流実効値Ｉｒｍｓとに基づいて作成されたデータセットを用いて学習済モデルを生成する。モデル生成部４３は、電力変換器１１における直流母線電圧の上昇分の低減と、直流母線電圧の脈動幅の低減と、同期機２１における磁束ベクトルの周波数の脈動幅の低減と、同期機２１に流れる電流の電流実効値Ｉｒｍｓの脈動幅の低減とを可能とする電流制御期間Ｔ１の長さと磁束制御期間Ｔ２の長さとを周波数推定値ω＾および電流実効値Ｉｒｍｓから推論するための学習済モデルを生成する。
　なお、モデル生成部４３は、直流母線電圧の上昇分の低減と、直流母線電圧の脈動幅の低減と、磁束ベクトルの周波数の脈動幅の低減と、電流実効値Ｉｒｍｓの脈動幅の低減との少なくとも１つを可能とする電流制御期間Ｔ１の長さと磁束制御期間Ｔ２の長さとを推論するための学習済モデルを生成するものであれば良い。報酬計算用データは、増加量Ｖｄｃ_ｒｉｐ_ｄａｔと、増加量ω＾_ｒｉｐ_ｄａｔと、増加量Ｉｒｍｓ_ｒｉｐ_ｄａｔと、増加量Ｖｄｃ_ｄａｔとの少なくとも１つであれば良い。直流母線電圧の脈動幅の低減を図る場合には、報酬計算用データには増加量Ｖｄｃ_ｒｉｐ_ｄａｔが含められる。磁束ベクトルの周波数の脈動幅の低減を図る場合には、報酬計算用データには増加量ω＾_ｒｉｐ_ｄａｔが含められる。電流実効値Ｉｒｍｓの脈動幅の低減を図る場合には、報酬計算用データには増加量Ｉｒｍｓ_ｒｉｐ_ｄａｔが含められる。直流母線電圧の上昇分の低減を図る場合には、報酬計算用データには増加量Ｖｄｃ_ｄａｔが含められる。
　モデル生成部４３が用いる学習アルゴリズムには、教師あり学習、教師なし学習、強化学習などの公知のアルゴリズムを用いることができる。一例として、強化学習（Reinforcement　Learning）を適用した場合について説明する。強化学習は、ある環境内におけるエージェントである行動主体が、現在の状態を観測し、取るべき行動を決定する、というものである。エージェントは行動を選択することで環境から報酬を得て、一連の行動を通じて報酬が最も多く得られるような方策を学習する。強化学習の代表的な手法として、Ｑ学習（Q－Learning）およびＴＤ学習（TD－Learning）などが知られている。例えば、Ｑ学習の場合、行動価値関数Ｑ（ｓ，ａ）の一般的な更新式である行動価値テーブルは、次の式（１９）で表される。行動価値関数Ｑ（ｓ，ａ）は、環境「ｓ」のもとで行動「ａ」を選択する行動の価値である行動価値Ｑを表す。
Figure JPOXMLDOC01-appb-M000015
　「ｓｔ」は、時刻「ｔ」における環境の状態を表す。「ａｔ」は、時刻「ｔ」における行動を表す。行動「ａｔ」により、状態は「ｓｔ」から「ｓｔ＋１」へ変わる。「ｒｔ＋１」は、状態が「ｓｔ」から「ｓｔ＋１」へ変わることによってもらえる報酬を表す。「γ」は、割引率を表し、０＜γ≦１を満たす。「α」は、学習係数を表し、０＜α≦１を満たす。実施の形態４において、行動「ａｔ」は、電流制御期間Ｔ１および磁束制御期間Ｔ２の各値である。状態「ｓｔ」は、周波数推定値ω＾および電流実効値Ｉｒｍｓである。モデル生成部４３は、時刻「ｔ」の状態「ｓｔ」における最良の行動「ａｔ」を学習する。
　上記の式（１９）により表される更新式は、時刻「ｔ＋１」における最良の行動「ａ」の行動価値が、時刻「ｔ」において実行された行動「ａ」の行動価値Ｑよりも大きければ、行動価値Ｑを大きくし、逆の場合は、行動価値Ｑを小さくする。換言すれば、時刻「ｔ」における行動「ａ」の行動価値Ｑを、時刻「ｔ＋１」における最良の行動価値に近づけるように、行動価値関数Ｑ（ｓ，ａ）を更新する。それにより、ある環境における最良の行動価値が、それ以前の環境における行動価値に順次伝播する。
　モデル生成部４３は、報酬計算部４４と関数更新部４５とを有する。報酬計算部４４は、増加量Ｖｄｃ_ｒｉｐ_ｄａｔ，ω＾_ｒｉｐ_ｄａｔ，Ｉｒｍｓ_ｒｉｐ_ｄａｔ，Ｖｄｃ_ｄａｔを基に、電流制御期間Ｔ１および磁束制御期間Ｔ２の各値と、周波数推定値ω＾と、電流実効値Ｉｒｍｓとの組み合わせに対する報酬を計算する。関数更新部４５は、周波数推定値ω＾および電流実効値Ｉｒｍｓから電流制御期間Ｔ１および磁束制御期間Ｔ２の各値を求めるための関数を報酬に従って更新する。関数更新部４５は、関数の更新によって作成された学習済モデルを学習済モデル記憶部４６へ出力する。学習済モデル記憶部４６は、学習済モデルを記憶する。
　報酬計算部４４は、電流制御期間Ｔ１および磁束制御期間Ｔ２の各値と、周波数推定値ω＾と、電流実効値Ｉｒｍｓと、増加量Ｖｄｃ_ｒｉｐ_ｄａｔ，ω＾_ｒｉｐ_ｄａｔ，Ｉｒｍｓ_ｒｉｐ_ｄａｔ，Ｖｄｃ_ｄａｔとに基づいて、報酬「ｒ」を計算する。例えば、電流制御期間Ｔ１の値または磁束制御期間Ｔ２の値が変更された結果、増加量Ｖｄｃ_ｒｉｐ_ｄａｔ，ω＾_ｒｉｐ_ｄａｔ，Ｉｒｍｓ_ｒｉｐ_ｄａｔ，Ｖｄｃ_ｄａｔの少なくとも１つが減少した場合において、報酬計算部４４は、報酬「ｒ」を増大させる。報酬計算部４４は、報酬の値である「１」を与えることによって報酬「ｒ」を増大させる。なお、報酬の値は「１」に限られない。
　一方、電流制御期間Ｔ１の値または磁束制御期間Ｔ２の値が変更された結果、増加量Ｖｄｃ_ｒｉｐ_ｄａｔ，ω＾_ｒｉｐ_ｄａｔ，Ｉｒｍｓ_ｒｉｐ_ｄａｔ，Ｖｄｃ_ｄａｔの少なくとも１つが増大した場合において、報酬計算部４４は、報酬「ｒ」を減少させる。報酬計算部４４は、報酬の値である「－１」を与えることによって報酬「ｒ」を低減させる。なお、報酬の値は「－１」に限られない。
　報酬計算用データは、同期機２１の設置環境などに応じて取捨選択することができる。増加量Ｖｄｃ_ｒｉｐ_ｄａｔ，ω＾_ｒｉｐ_ｄａｔ，Ｉｒｍｓ_ｒｉｐ_ｄａｔの各々は、脈動幅がシステムの要求基準を十分下回っており、低減のための措置が不要である場合は、適宜省略しても良い。
　関数更新部４５は、電流制御期間Ｔ１および磁束制御期間Ｔ２の各値を決定するための関数を、報酬計算部４４によって計算された報酬に従って更新する。機械学習装置４０は、以上に説明する学習を繰り返し実行する。関数更新部４５は、関数の更新によって作成された学習済モデルを学習済モデル記憶部４６へ出力する。
　例えばＱ学習の場合、機械学習装置４０は、上記の式（１９）で表される行動価値関数Ｑ（ｓｔ，ａｔ）を、電流制御期間Ｔ１および磁束制御期間Ｔ２の各値を決定するための関数として用いる。学習済モデル記憶部４６は、関数更新部４５によって更新された行動価値関数Ｑ（ｓｔ，ａｔ）、すなわち、学習済モデルを記憶する。
　図９は、実施の形態４にかかる機械学習装置４０の処理手順を示すフローチャートである。図９のフローチャートを参照して、行動価値関数Ｑ（ｓ，ａ）を更新する強化学習方法について説明する。
　ステップＳ１において、機械学習装置４０は、学習用データ取得部４１において、電流制御期間Ｔ１および磁束制御期間Ｔ２の各値と、周波数推定値ω＾と、電流実効値Ｉｒｍｓとを取得する。すなわち、機械学習装置４０は、学習用データを取得する。また、機械学習装置４０は、報酬計算用データ取得部４２における計算によって、報酬計算用データである増加量Ｖｄｃ_ｒｉｐ_ｄａｔ，ω＾_ｒｉｐ_ｄａｔ，Ｉｒｍｓ_ｒｉｐ_ｄａｔ，Ｖｄｃ_ｄａｔを取得する。
　ステップＳ２において、機械学習装置４０は、報酬計算部４４により報酬を計算する。報酬計算部４４は、電流制御期間Ｔ１および磁束制御期間Ｔ２の各値と、周波数推定値ω＾と、電流実効値Ｉｒｍｓとの組み合わせに対する報酬を計算する。報酬計算部４４は、取得された報酬計算用データと前回の報酬計算用データとの比較結果に基づいて、報酬を増大または減少させる。
　ステップＳ３において、機械学習装置４０は、ステップＳ２において計算された報酬に基づいて行動価値関数Ｑ（ｓ，ａ）を更新する。機械学習装置４０は、学習済モデル記憶部４６に記憶されている行動価値関数Ｑ（ｓｔ，ａｔ）を更新する。
　ステップＳ４において、機械学習装置４０は、行動価値関数Ｑ（ｓ，ａ）が収束したか否かを判断する。機械学習装置４０は、ステップＳ３における行動価値関数Ｑ（ｓ，ａ）の更新が行われなくなることによって行動価値関数Ｑ（ｓ，ａ）が収束したと判断する。
　行動価値関数Ｑ（ｓ，ａ）が収束していないと判断された場合（ステップＳ４，Ｎｏ）、機械学習装置４０は、手順をステップＳ１へ戻す。行動価値関数Ｑ（ｓ，ａ）が収束したと判断された場合（ステップＳ４，Ｙｅｓ）、機械学習装置４０は、図９に示す手順による学習を終了する。なお、機械学習装置４０は、ステップＳ４による判断をせず、ステップＳ３からステップＳ１へ手順を戻すことによって学習を継続しても良い。学習済モデル記憶部４６は、生成された行動価値関数Ｑ（ｓ，ａ）である学習済モデルを記憶する。
　実施の形態４では、機械学習装置４０が用いる学習アルゴリズムに強化学習を適用する場合について説明したが、学習アルゴリズムには、強化学習以外の学習が適用されても良い。機械学習装置４０は、強化学習以外の公知の学習アルゴリズム、例えば、深層学習（Deep　Learning）、ニューラルネットワーク、遺伝的プログラミング、帰納論理プログラミングあるいはサポートベクターマシンといった学習アルゴリズムを用いて機械学習を実行しても良い。
　図８に示す機械学習装置４０は、回転機制御装置２０Ａの外部に設けられている。機械学習装置４０は、回転機制御装置２０Ａに内蔵される装置であっても良い。機械学習装置４０は、ネットワークを介して回転機制御装置２０Ａに接続可能な装置であっても良い。機械学習装置４０は、クラウドサーバ上に存在する装置であっても良い。
　機械学習装置４０は、複数の回転機制御装置２０Ａについて作成されたデータセットに従って、電流制御期間Ｔ１および磁束制御期間Ｔ２の各値を学習しても良い。機械学習装置４０は、同一の場所で使用される複数の回転機制御装置２０Ａから学習用データを取得しても良く、または、互いに異なる場所で使用される複数の回転機制御装置２０Ａから学習用データを取得しても良い。学習用データは、複数の場所において互いに独立して稼働する複数の回転機制御装置２０Ａから収集されたものであっても良い。複数の回転機制御装置２０Ａからの学習用データの収集を開始した後に、学習用データが収集される対象に新たな回転機制御装置２０Ａが追加されても良い。また、複数の回転機制御装置２０Ａからの学習用データの収集を開始した後に、学習用データが収集される対象から、複数の回転機制御装置２０Ａのうちの一部が除外されても良い。
　ある１つの回転機制御装置２０Ａについて学習を行った機械学習装置４０は、当該回転機制御装置２０Ａ以外の他の回転機制御装置２０Ａについての学習を行っても良い。当該他の回転機制御装置２０Ａについての学習を行う機械学習装置４０は、当該他の回転機制御装置２０Ａにおける再学習によって、学習済モデルを更新することができる。
　実施の形態４によると、機械学習装置４０は、周波数推定値ω＾および電流実効値Ｉｒｍｓから電流制御期間Ｔ１および磁束制御期間Ｔ２の各値を推論するための学習済モデルを生成する。機械学習装置４０は、電力変換器１１における直流母線電圧の上昇分の低減と、直流母線電圧の脈動幅の低減と、同期機２１における磁束ベクトルの周波数の脈動幅の低減と、同期機２１に流れる電流の電流実効値Ｉｒｍｓの脈動幅の低減とを可能とする電流制御期間Ｔ１および磁束制御期間Ｔ２の各値を得るための学習済モデルを生成できる。
実施の形態５．
　実施の形態５では、実施の形態４にかかる機械学習装置４０によって生成された学習済モデルを用いて電流制御期間Ｔ１の長さと磁束制御期間Ｔ２の長さとを推論する推論装置について説明する。
　図１０は、実施の形態５にかかる推論装置５０と回転機制御装置２０とを示す図である。実施の形態５では、実施の形態１から４と同一の構成要素には同一の符号を付し、実施の形態１から４とは異なる構成について主に説明する。図１０に示す推論装置５０は、回転機制御装置２０の外部に設けられている。なお、図１０には、機械学習装置４０のうち学習済モデル記憶部４６のみを示す。
　回転機制御装置２０は、実施の形態１から３のいずれか１つの回転機制御装置２０である。実施の形態５では、実施の形態１から３のいずれか１つの回転機制御装置２０に代えて、実施の形態４の回転機制御装置２０Ａが適用されても良い。
　推論装置５０は、回転機制御装置２０について、電力変換器１１における直流母線電圧の上昇分の低減と、直流母線電圧の脈動幅の低減と、同期機２１における磁束ベクトルの周波数の脈動幅の低減と、同期機２１に流れる電流の電流実効値の脈動幅の低減とを可能とする電流制御期間Ｔ１の長さと磁束制御期間Ｔ２の長さとを推論する。推論装置５０は、推論用データ取得部５１と推論部５２とを有する。
　推論用データ取得部５１は、周波数推定値ω＾と電流実効値Ｉｒｍｓとである推論用データを、回転機制御装置２０の電圧指令器１０から取得する。推論用データ取得部５１は、取得された推論用データを推論部５２へ送る。
　推論部５２は、実施の形態４にかかる機械学習装置４０によって生成された学習済モデルを、学習済モデル記憶部４６から読み出す。推論部５２は、推論用データである周波数推定値ω＾と電流実効値Ｉｒｍｓとを学習済モデルへ入力することによって、電流制御期間Ｔ１の長さと磁束制御期間Ｔ２の長さとを推論する。学習済モデルからは、推論結果である電流制御期間Ｔ１および磁束制御期間Ｔ２の各値が出力される。推論部５２は、学習済モデルから出力された電流制御期間Ｔ１および磁束制御期間Ｔ２の各値を、回転機制御装置２０へ送る。
　図１１は、実施の形態５にかかる推論装置５０の処理手順を示すフローチャートである。ステップＳ１１において、推論装置５０は、推論用データ取得部５１において、推論用データである周波数推定値ω＾および電流実効値Ｉｒｍｓを取得する。ステップＳ１２において、推論装置５０は、推論部５２において、学習済モデルへ周波数推定値ω＾および電流実効値Ｉｒｍｓを入力し、電流制御期間Ｔ１の長さと磁束制御期間Ｔ２の長さとを求める。
　ステップＳ１３において、推論装置５０は、電流制御期間Ｔ１および磁束制御期間Ｔ２の各値を推論部５２から回転機制御装置２０へ出力する。これにより、推論装置５０は、図１１に示す手順による処理を終了する。
　図１０に示す推論装置５０は、回転機制御装置２０の外部に設けられている。推論装置５０は、回転機制御装置２０に内蔵される装置であっても良い。推論装置５０は、ネットワークを介して回転機制御装置２０に接続可能な装置であっても良い。推論装置５０は、クラウドサーバ上に存在する装置であっても良い。
　実施の形態５では、推論装置５０は、回転機制御装置２０Ａから取得された学習用データに基づく学習済モデルから電流制御期間Ｔ１の長さと磁束制御期間Ｔ２の長さとを推論して、電流制御期間Ｔ１および磁束制御期間Ｔ２の各値を当該回転機制御装置２０Ａ以外の回転機制御装置２０へ送る。電流制御期間Ｔ１および磁束制御期間Ｔ２の各値が送られる回転機制御装置２０，２０Ａは、学習用データが取得された回転機制御装置２０，２０Ａであっても良く、学習用データが取得された回転機制御装置２０，２０Ａ以外の回転機制御装置２０，２０Ａであっても良い。
　推論装置５０は、学習済モデルを用いた推論によって、直流母線電圧の上昇分の低減と、直流母線電圧、周波数および電流実効値Ｉｒｍｓの各脈動の低減とを可能とする電流制御期間Ｔ１の長さと磁束制御期間Ｔ２の長さとを推論することができる。
　回転機制御装置２０は、推論装置５０によって送られた電流制御期間Ｔ１および磁束制御期間Ｔ２の各値を受信する。回転機制御装置２０は、電流制御期間Ｔ１および磁束制御期間Ｔ２の各値を基に、起動制御期間における電流制御期間Ｔ１の長さと磁束制御期間Ｔ２の長さとを決定する。回転機制御装置２０は、電力変換器１１における直流母線電圧の上昇分の低減と、直流母線電圧の脈動幅の低減と、同期機２１における磁束ベクトルの周波数の脈動幅の低減と、同期機２１に流れる電流の電流実効値Ｉｒｍｓの脈動幅の低減とが可能となる。これにより、回転機制御装置２０は、直流母線電圧の上昇が低減され、かつ、直流母線電圧、周波数および電流実効値Ｉｒｍｓの各脈動が低減された状態において、フリーラン状態からの同期機２１の安定した起動が可能となる。回転機制御装置２０は、同期機２１の起動を安定させることができる。
　回転機制御装置２０は、直流母線電圧の変動を低減可能であることによって、意図しないトルクの発生を低減できる。回転機制御装置２０は、意図しないトルクの発生が低減された状態において、フリーラン状態からの同期機２１の起動が可能となる。
　次に、機械学習装置および推論装置の変形例について説明する。実施の形態５の変形例では、学習用データと推論用データとの各々に母線電圧検出値Ｖｄｃが含まれる。図１２は、実施の形態５の変形例にかかる機械学習装置４０Ａと回転機制御装置２０Ａとを示す図である。図１３は、実施の形態５の変形例にかかる推論装置５０Ａと回転機制御装置２０とを示す図である。
　図１２に示す機械学習装置４０Ａの学習用データ取得部４１Ａは、図８に示す学習用データ取得部４１と同様に、電流制御期間Ｔ１および磁束制御期間Ｔ２の各値と、周波数推定値ω＾と、電流実効値Ｉｒｍｓとを取得する。学習用データ取得部４１Ａは、さらに、電圧検出器１５から母線電圧検出値Ｖｄｃを取得する。学習用データ取得部４１Ａが取得する学習用データは、電流制御期間Ｔ１および磁束制御期間Ｔ２の各値と、周波数推定値ω＾と、電流実効値Ｉｒｍｓと、母線電圧検出値Ｖｄｃとを含む。学習用データ取得部４１Ａは、電流制御期間Ｔ１および磁束制御期間Ｔ２の各値と、周波数推定値ω＾と、電流実効値Ｉｒｍｓと、母線電圧検出値Ｖｄｃとをまとめ合わせたデータセットを作成する。
　モデル生成部４３は、電流制御期間Ｔ１および磁束制御期間Ｔ２の各値と、周波数推定値ω＾と、電流実効値Ｉｒｍｓと、母線電圧検出値Ｖｄｃとに基づいて作成されたデータセットを用いて学習済モデルを生成する。これにより、機械学習装置４０Ａは、周波数推定値ω＾、電流実効値Ｉｒｍｓおよび母線電圧検出値Ｖｄｃから電流制御期間Ｔ１および磁束制御期間Ｔ２の各値を推論するための学習済モデルを生成する。
　図１３に示す推論装置５０Ａの推論用データ取得部５１Ａは、図１０に示す推論用データ取得部５１と同様に、回転機制御装置２０から周波数推定値ω＾と電流実効値Ｉｒｍｓとを取得する。推論用データ取得部５１Ａは、さらに、回転機制御装置２０の電圧検出器１５から母線電圧検出値Ｖｄｃを取得する。推論用データ取得部５１Ａが取得する推論用データは、周波数推定値ω＾と電流実効値Ｉｒｍｓと母線電圧検出値Ｖｄｃとを含む。
　推論部５２は、機械学習装置４０Ａによって生成された学習済モデルを用いて、周波数推定値ω＾、電流実効値Ｉｒｍｓおよび母線電圧検出値Ｖｄｃから電流制御期間Ｔ１の長さと磁束制御期間Ｔ２の長さとを推論する。推論部５２は、推論用データである周波数推定値ω＾と電流実効値Ｉｒｍｓと母線電圧検出値Ｖｄｃとを学習済モデルへ入力することによって、電流制御期間Ｔ１の長さと磁束制御期間Ｔ２の長さとを推論する。
　実施の形態５の変形例によると、機械学習装置４０Ａは、学習用データに母線電圧検出値Ｖｄｃが追加されることで、より精度が高い学習済モデルを生成できる。推論装置５０Ａは、学習済モデルを用いた推論によって、直流母線電圧の上昇分の低減と、直流母線電圧、周波数および電流実効値Ｉｒｍｓの各脈動の低減とを可能とする電流制御期間Ｔ１の長さと磁束制御期間Ｔ２の長さとについて、高精度な推論が可能となる。
　実施の形態４または５にかかる機械学習装置４０，４０Ａは、図７に示す構成と同様のハードウェア構成により実現される。学習用データ取得部４１，４１Ａ、報酬計算用データ取得部４２およびモデル生成部４３は、プロセッサ６３とメモリ６４とを有する処理回路６１によって実現される。学習用データ取得部４１，４１Ａ、報酬計算用データ取得部４２およびモデル生成部４３は、専用の処理回路で実現しても良い。
　実施の形態５にかかる推論装置５０，５０Ａは、図７に示す構成と同様のハードウェア構成により実現される。推論用データ取得部５１，５１Ａおよび推論部５２は、プロセッサ６３とメモリ６４とを有する処理回路６１によって実現される。推論用データ取得部５１，５１Ａおよび推論部５２は、専用の処理回路で実現しても良い。
　機械学習装置４０，４０Ａは、報酬計算用データに、同期機２１のトルク検出値の増加量を含めても良い。機械学習装置４０，４０Ａの報酬計算用データ取得部４２は、同期機２１に設置されるトルク検出器からトルク検出値を取得する。報酬計算用データ取得部４２は、起動制御期間におけるトルク検出値の増加量を求める。増加量は、同期機２１が駆動状態であるときに対する増加量である。報酬計算部４４は、トルク検出値の増加量が減少した場合に報酬を増大させ、トルク検出値の増加量が増大した場合に報酬の値を減少させる。この場合、機械学習装置４０，４０Ａは、意図しないトルクの上昇を低減可能な電流制御期間Ｔ１および磁束制御期間Ｔ２の各値を得るための学習済モデルを生成できる。
　さらに、学習用データと推論用データとの各々にトルク検出値が追加されても良い。機械学習装置４０，４０Ａの学習用データ取得部４１，４１Ａは、トルク検出器からトルク検出値を取得する。推論装置５０，５０Ａの推論用データ取得部５１，５１Ａは、トルク検出器からトルク検出値を取得する。機械学習装置４０，４０Ａは、学習用データにトルク検出値が追加されることで、より精度が高い学習済モデルを生成できる。推論装置５０，５０Ａは、機械学習装置４０，４０Ａによって生成された学習済モデルを用いることによって、トルクの上昇を低減可能とする電流制御期間Ｔ１の長さと磁束制御期間Ｔ２の長さとを推論することができる。
　以上の各実施の形態に示した構成は、本開示の内容の一例を示すものである。各実施の形態の構成は、別の公知の技術と組み合わせることが可能である。各実施の形態の構成同士が適宜組み合わせられても良い。本開示の要旨を逸脱しない範囲で、各実施の形態の構成の一部を省略または変更することが可能である。
　１　制御器、２，２Ａ，２Ｂ　推定器、１０　電圧指令器、１１　電力変換器、１２　電流検出器、１５　電圧検出器、２０，２０Ａ　回転機制御装置、２１　同期機、３１　三相ｄｑ変換器、３２　ｄｑ三相変換器、３３　電流制御器、３４　切替器、３５　磁束制御器、４０，４０Ａ　機械学習装置、４１，４１Ａ　学習用データ取得部、４２　報酬計算用データ取得部、４３　モデル生成部、４４　報酬計算部、４５　関数更新部、４６　学習済モデル記憶部、５０，５０Ａ　推論装置、５１，５１Ａ　推論用データ取得部、５２　推論部、６１　処理回路、６２　入力部、６３　プロセッサ、６４　メモリ、６５　出力部。

Claims (12)

  1. 　回転機に流れる交流電流を検出して電流検出値を出力する電流検出器と、
    　電圧指令値に基づいた交流電圧の印加によって前記回転機へ電力を供給する電力変換器と、
    　前記電流検出値が電流指令値に一致するように前記電圧指令値を調整する電流制御器と、
    　前記回転機における磁束ベクトルの振幅の推定値である磁束推定値を求める推定器と、
    　前記回転機が、前記電力変換器による電力供給が遮断されて惰性で回転する状態となってから前記電力供給が再開されるまでの起動制御期間において、設定された磁束指令値に前記磁束推定値が一致するように前記電流指令値を調整する磁束制御器と、
    　を備えることを特徴とする回転機制御装置。
  2. 　前記磁束制御器が出力する前記電流指令値は、前記回転機の回転座標系における二軸のうちの１つであるｄ軸の電流指令値であることを特徴とする請求項１に記載の回転機制御装置。
  3. 　前記磁束ベクトルは、前記回転機の一次磁束のベクトル、または、前記回転機の二次磁束のベクトルであることを特徴とする請求項１または２に記載の回転機制御装置。
  4. 　前記起動制御期間には、前記磁束制御器が出力する前記電流指令値を基に電流制御が行われる磁束制御期間の前に、あらかじめ設定された電流指令値である既定指令値を基に電流制御が行われる電流制御期間が含まれることを特徴とする請求項１から３のいずれか１つに記載の回転機制御装置。
  5. 　前記起動制御期間において、前記磁束制御期間は前記電流制御期間よりも長いことを特徴とする請求項４に記載の回転機制御装置。
  6. 　前記磁束ベクトルの周波数推定値と前記電流検出値から求まる電流実効値とを取得する推論用データ取得部と、
    　機械学習による学習済モデルへ前記周波数推定値と前記電流実効値とを入力することによって、前記電流制御期間の長さと前記磁束制御期間の長さとを推論する推論部と、
    　をさらに備えることを特徴とする請求項４または５に記載の回転機制御装置。
  7. 　前記電流制御期間の長さを示す値と前記磁束制御期間の長さを示す値と前記周波数推定値と前記電流実効値とを取得する学習用データ取得部と、
    　前記電流制御期間の長さを示す値と前記磁束制御期間の長さを示す値と前記周波数推定値と前記電流実効値とに基づいて作成されたデータセットを用いて前記学習済モデルを生成するモデル生成部と、
    　をさらに備えることを特徴とする請求項６に記載の回転機制御装置。
  8. 　請求項４または５に記載の回転機制御装置について、電力変換器における直流母線電圧の上昇分の低減と、前記直流母線電圧の脈動幅の低減と、回転機における磁束ベクトルの周波数の脈動幅の低減と、前記回転機に流れる電流の電流実効値の脈動幅の低減との少なくとも１つを可能とする電流制御期間の長さと磁束制御期間の長さとを学習する機械学習装置であって、
    　前記電流制御期間の長さを示す値と前記磁束制御期間の長さを示す値と前記磁束ベクトルの周波数推定値と前記電流実効値とを取得する学習用データ取得部と、
    　前記電流制御期間の長さを示す値と前記磁束制御期間の長さを示す値と前記周波数推定値と前記電流実効値とに基づいて作成されたデータセットを用いて学習済モデルを生成するモデル生成部と、
    　前記学習済モデルを記憶する学習済モデル記憶部と、
    　を備えることを特徴とする機械学習装置。
  9. 　前記直流母線電圧を検出して母線電圧検出値を出力する電圧検出器と、
    　前記母線電圧検出値と前記周波数推定値と前記電流実効値とが入力され、前記母線電圧検出値の脈動幅の増加量と、前記周波数推定値の脈動幅の増加量と、前記電流実効値の脈動幅の増加量と、前記母線電圧検出値の増加量との少なくとも１つである報酬計算用データを求める報酬計算用データ取得部と、
    　をさらに備え、
    　前記モデル生成部は、
    　前記報酬計算用データを基に、前記電流制御期間の長さを示す値と前記磁束制御期間の長さを示す値と前記周波数推定値と前記電流実効値との組み合わせに対する報酬を計算する報酬計算部と、
    　前記周波数推定値および前記電流実効値から前記電流制御期間の長さを示す値と前記磁束制御期間の長さを示す値とを求めるための関数を前記報酬に従って更新する関数更新部と、を備え、
    　前記関数更新部は、前記関数の更新によって生成された前記学習済モデルを出力することを特徴とする請求項８に記載の機械学習装置。
  10. 　前記学習用データ取得部は、さらに、前記母線電圧検出値を取得し、
    　前記モデル生成部は、前記電流制御期間の長さを示す値と前記磁束制御期間の長さを示す値と前記周波数推定値と前記電流実効値と前記母線電圧検出値とに基づいて作成された前記データセットを用いて前記学習済モデルを生成することを特徴とする請求項９に記載の機械学習装置。
  11. 　請求項４または５に記載の回転機制御装置について、電力変換器における直流母線電圧の上昇分の低減と、前記直流母線電圧の脈動幅の低減と、回転機における磁束ベクトルの周波数の脈動幅の低減と、前記回転機に流れる電流の電流実効値の脈動幅の低減との少なくとも１つを可能とする電流制御期間の長さと磁束制御期間の長さとを推論する推論装置であって、
    　前記磁束ベクトルの周波数推定値と、前記電流検出値から求まる電流実効値とを取得する推論用データ取得部と、
    　前記周波数推定値および前記電流実効値から前記電流制御期間の長さと前記磁束制御期間の長さとを推論するための学習済モデルへ前記周波数推定値および前記電流実効値を入力することによって、前記電流制御期間の長さと前記磁束制御期間の長さとを推論する推論部と、
    　を備えることを特徴とする推論装置。
  12. 　前記推論用データ取得部は、さらに、前記直流母線電圧の検出値である母線電圧検出値を取得し、
    　前記推論部は、前記周波数推定値、前記電流実効値および前記母線電圧検出値から前記電流制御期間の長さと前記磁束制御期間の長さとを推論するための学習済モデルを用いて、前記周波数推定値、前記電流実効値および前記母線電圧検出値から前記電流制御期間の長さと前記磁束制御期間の長さとを推論することを特徴とする請求項１１に記載の推論装置。
PCT/JP2021/019223 2021-05-20 2021-05-20 回転機制御装置、機械学習装置および推論装置 WO2022244204A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202180086576.2A CN116648848A (zh) 2021-05-20 2021-05-20 旋转机控制装置、机器学习装置及推断装置
PCT/JP2021/019223 WO2022244204A1 (ja) 2021-05-20 2021-05-20 回転機制御装置、機械学習装置および推論装置
JP2021567903A JP7038931B1 (ja) 2021-05-20 2021-05-20 回転機制御装置、機械学習装置および推論装置
US18/032,569 US11929694B2 (en) 2021-05-20 2021-05-20 Rotary machine control apparatus, machine learning apparatus, and inference apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/019223 WO2022244204A1 (ja) 2021-05-20 2021-05-20 回転機制御装置、機械学習装置および推論装置

Publications (1)

Publication Number Publication Date
WO2022244204A1 true WO2022244204A1 (ja) 2022-11-24

Family

ID=81213700

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/019223 WO2022244204A1 (ja) 2021-05-20 2021-05-20 回転機制御装置、機械学習装置および推論装置

Country Status (4)

Country Link
US (1) US11929694B2 (ja)
JP (1) JP7038931B1 (ja)
CN (1) CN116648848A (ja)
WO (1) WO2022244204A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009171712A (ja) * 2008-01-15 2009-07-30 Fuji Electric Systems Co Ltd 速度センサレスベクトル制御装置
JP2010114969A (ja) * 2008-11-05 2010-05-20 Mitsubishi Electric Corp 電力変換装置
JP2011244655A (ja) * 2010-05-20 2011-12-01 Toshiba Corp 回転センサレス制御装置
JP2018007390A (ja) * 2016-06-30 2018-01-11 シンフォニアテクノロジー株式会社 モータ制御装置
JP2018099025A (ja) * 2016-12-15 2018-06-21 日本油圧工業株式会社 交流電動機の始動と運転のための装置及び方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003284381A (ja) * 2002-03-26 2003-10-03 Sumitomo Heavy Ind Ltd 誘導電動機の瞬停再起動方法及びインバータ制御装置
JP2004040837A (ja) 2002-06-28 2004-02-05 Meidensha Corp Ｐｍモータの位置・速度センサレス制御装置
JP3719426B2 (ja) * 2002-07-08 2005-11-24 株式会社安川電機 交流電動機の制御方法及び制御装置
KR101037519B1 (ko) * 2006-06-29 2011-05-26 미쓰비시덴키 가부시키가이샤 교류 회전기의 제어 장치
WO2008004294A1 (fr) * 2006-07-06 2008-01-10 Mitsubishi Electric Corporation Dispositif de commande de vecteur de moteur à induction, procédé de commande de vecteur de moteur à induction, et dispositif de commande d'entraînement de moteur à induction
JP2009165281A (ja) * 2008-01-08 2009-07-23 Fuji Electric Systems Co Ltd 速度センサレスベクトル制御装置
EP2600518B1 (en) 2010-07-27 2019-10-09 Mitsubishi Electric Corporation Control apparatus for ac rotating machine
DE112017007220T5 (de) * 2017-03-10 2019-11-21 Mitsubishi Electric Corporation Elektrofahrzeug-Antriebssteuervorrichtung
JP2021040353A (ja) * 2017-11-08 2021-03-11 株式会社日立製作所 誘導電動機の駆動装置および駆動方法
US11837982B2 (en) * 2021-04-28 2023-12-05 Panasonic Intellectual Property Management Co., Ltd. Rotary machine control device

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009171712A (ja) * 2008-01-15 2009-07-30 Fuji Electric Systems Co Ltd 速度センサレスベクトル制御装置
JP2010114969A (ja) * 2008-11-05 2010-05-20 Mitsubishi Electric Corp 電力変換装置
JP2011244655A (ja) * 2010-05-20 2011-12-01 Toshiba Corp 回転センサレス制御装置
JP2018007390A (ja) * 2016-06-30 2018-01-11 シンフォニアテクノロジー株式会社 モータ制御装置
JP2018099025A (ja) * 2016-12-15 2018-06-21 日本油圧工業株式会社 交流電動機の始動と運転のための装置及び方法

Also Published As

Publication number Publication date
JP7038931B1 (ja) 2022-03-18
JPWO2022244204A1 (ja) 2022-11-24
US20230353075A1 (en) 2023-11-02
CN116648848A (zh) 2023-08-25
US11929694B2 (en) 2024-03-12

Similar Documents

Publication Publication Date Title
Marino et al. On-line stator and rotor resistance estimation for induction motors
JP4989075B2 (ja) 電動機駆動制御装置及び電動機駆動システム
TW201830846A (zh) 用於啟動同步馬達的系統及方法
JP5073063B2 (ja) 永久磁石同期電動機の制御装置
CN1741367B (zh) 电动机的无位置传感器控制电路
EP1986317A1 (en) Stator resistance adaptation in sensorless PMSM drives
JP2004166408A (ja) 永久磁石同期電動機制御方法
JP2008511274A (ja) 誘導機の電力調整方法および装置
JP2002330600A (ja) 速度センサを持たない誘導モータドライブの制御システム、オブザーバ及び制御方法
JP2006191737A (ja) モータ制御装置及びこれを有するモータ駆動システム
CN110557075A (zh) 电机转矩的确定方法及装置、电机控制系统
JP6485810B2 (ja) 誘導モーターのローター角速度を制御するための方法及びシステム
CN110943657A (zh) 永磁同步电机无模型自适应转速控制方法及系统
US10840841B2 (en) Control device for power conversion device, control method, and motor drive system
JP2002136197A (ja) センサレスベクトル制御装置およびその方法
JP6851544B2 (ja) 誘導モータの動作を制御するモータ駆動装置及び方法
WO2022244204A1 (ja) 回転機制御装置、機械学習装置および推論装置
Sayouti et al. Sensor less low speed control with ANN MRAS for direct torque controlled induction motor drive
Lian et al. Robust adaptive control of linear induction motors with unknown end-effect and secondary resistance
JP5499594B2 (ja) 永久磁石形同期電動機の制御装置
JP5334524B2 (ja) 永久磁石同期モータの制御装置及びその制御方法
Himker et al. A family of adaptive position estimators for pmsm using the gradient descent method
JP4667741B2 (ja) 誘導電動機の制御装置
Younesi et al. Design of a sensorless controller for PMSM using Krill Herd algorithm
Chehimi et al. A predictive controller for induction motors using an unknown input observer for online rotor resistance estimation and an update technique for load torque

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2021567903

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21940818

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202180086576.2

Country of ref document: CN

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21940818

Country of ref document: EP

Kind code of ref document: A1