特開 2023-80426 モータ磁石温度推定装置およびモータ磁石温度推定方法および電力変換装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023080426

(43)【公開日】2023-06-09

(54)【発明の名称】モータ磁石温度推定装置およびモータ磁石温度推定方法および電力変換装置

(51)【国際特許分類】

   H02P 21/14 20160101AFI20230602BHJP

【ＦＩ】

H02P21/14

【審査請求】未請求

【請求項の数】6

【出願形態】ＯＬ

(21)【出願番号】P 2021193758

(22)【出願日】2021-11-30

(71)【出願人】

【識別番号】000006105

【氏名又は名称】株式会社明電舎

(74)【代理人】

【識別番号】100086232

【弁理士】

【氏名又は名称】小林 博通

(74)【代理人】

【識別番号】100092613

【弁理士】

【氏名又は名称】富岡 潔

(74)【代理人】

【識別番号】100104938

【弁理士】

【氏名又は名称】鵜澤 英久

(74)【代理人】

【識別番号】100210240

【弁理士】

【氏名又は名称】太田 友幸

(72)【発明者】

【氏名】安部 義隆

(72)【発明者】

【氏名】滝口 昌司

(72)【発明者】

【氏名】吉田 健人

【テーマコード（参考）】

5H505

【Ｆターム（参考）】

5H505DD03

5H505DD08

5H505EE41

5H505GG02

5H505GG04

5H505HB01

5H505JJ23

5H505JJ26

5H505LL01

5H505LL22

5H505LL39

5H505LL45

(57)【要約】

【課題】機械学習を用いて磁石温度を推定するモータ磁石温度推定装置を提供する。
【解決手段】学習フェーズに、回転位置センサ８がモータＭの位相θを検出する。電流検出器１６がインバータＩＮＶから出力された三相の電流検出値ｉ_uvwを検出する。磁石温度センサ９がモータＭの磁石温度Ｔ_pmを検出する。機械学習システム１０が、ｄｑ軸電流検出値ｉ_dqと、インバータＩＮＶのｄｑ軸電圧指令値ｖ_dq ^*またはｑ軸電圧指令値Ｖ_q ^*と、電気角ω_eと、磁石温度Ｔ_pmと、を入力して、各条件における磁石温度Ｔ_pmを機械学習する。推定フェーズに、回転位置センサ８がモータＭの位相θを検出する。電流検出器１６がインバータＩＮＶから出力された三相の電流検出値ｉ_uvwを検出する。学習済みＡＩ１２が、ｄｑ軸電流検出値ｉ_dqと、ｄｑ軸電圧指令値ｖ_dq ^*またはｑ軸電圧指令値Ｖ_q ^*と、電気角ω_eと、機械学習の結果に基づいて、磁石温度Ｔ_pmを推定する。
【選択図】図１

【特許請求の範囲】

【請求項1】

コントローラによって制御されたインバータの出力電圧により駆動するモータの磁石温度を推定するモータ磁石温度推定装置であって、
学習フェーズおよび推定フェーズに、前記モータの位相を検出する回転位置センサと、
前記学習フェーズおよび前記推定フェーズに、前記インバータから出力された三相の電流検出値を検出する電流検出器と、
前記学習フェーズに、前記磁石温度を検出する磁石温度センサと、
前記学習フェーズに、前記学習フェーズにおける前記電流検出値を回転座標変換したｄｑ軸電流検出値と、前記インバータの前記学習フェーズにおけるｄｑ軸電圧指令値または前記学習フェーズにおけるｑ軸電圧指令値と、前記学習フェーズにおける前記位相に基づいて算出された電気角と、前記学習フェーズにおける前記磁石温度と、を入力して、各条件における前記磁石温度を機械学習する機械学習システムと、
前記推定フェーズに、前記推定フェーズにおける前記電流検出値を回転座標変換した前記ｄｑ軸電流検出値と、前記推定フェーズにおける前記ｄｑ軸電圧指令値または前記推定フェーズにおける前記ｑ軸電圧指令値と、前記推定フェーズにおける前記位相に基づいて算出された前記電気角と、前記機械学習の結果に基づいて、磁石温度推定値を推定する学習済みＡＩと、
を備えたことを特徴とするモータ磁石温度推定装置。

【請求項2】

前記機械学習システムは、
入力データとしての前記学習フェーズにおける前記ｄｑ軸電圧指令値と前記学習フェーズにおける前記ｄｑ軸電流検出値と前記学習フェーズにおける前記電気角と、教師データとしての前記学習フェーズにおける前記磁石温度と、を入力して、前記入力データにおける前記磁石温度を機械学習する機械学習装置を備えたことを特徴とする請求項１記載のモータ磁石温度推定装置。

【請求項3】

前記機械学習システムは、
前記学習フェーズにおける前記ｑ軸電圧指令値と前記学習フェーズにおけるｑ軸電流検出値に基づいてオブザーバ出力を出力するｑ軸電圧外乱オブザーバと、
入力データとしての前記オブザーバ出力と前記学習フェーズにおける前記ｄｑ軸電流検出値と前記学習フェーズにおける前記電気角と、教師データとしての前記学習フェーズにおける前記磁石温度と、を入力して、前記入力データにおける前記磁石温度を機械学習する機械学習装置と、
を備えたことを特徴とする請求項１記載のモータ磁石温度推定装置。

【請求項4】

前記ｑ軸電圧外乱オブザーバは、
以下の（１）式により前記オブザーバ出力を算出することを特徴とする請求項３記載のモータ磁石温度推定装置。

【数1】

ｖ＾_q ^dis：オブザーバ出力
ｇ_dis：ｑ軸電圧外乱オブザーバのカットオフ周波数
ｓ：ラプラス演算子
ｖ_q ^*：学習フェーズにおけるｑ軸電圧指令値
Ｌ_qn：ｑ軸インダクタンスのノミナル値
Ｒ_an：抵抗のノミナル値
ｉ_q：学習フェーズにおけるｑ軸電流検出値

【請求項5】

請求項１～４のうち何れかに記載のモータ磁石温度推定装置と、
前記モータ磁石温度推定装置で推定した前記磁石温度推定値に基づいて、前記インバータを制御する前記コントローラと、
前記モータを駆動する前記インバータと、
を備えたことを特徴とする電力変換装置。

【請求項6】

コントローラによって制御されたインバータの出力電圧により駆動するモータの磁石温度を推定するモータ磁石温度推定方法であって、
学習フェーズに、
回転位置センサが前記モータの位相を検出し、
電流検出器が前記インバータから出力された三相の電流検出値を検出し、
磁石温度センサが前記磁石温度を検出し、
機械学習システムが、前記学習フェーズにおける前記電流検出値を回転座標変換したｄｑ軸電流検出値と、前記インバータの前記学習フェーズにおけるｄｑ軸電圧指令値または前記学習フェーズにおけるｑ軸電圧指令値と、前記学習フェーズにおける前記位相に基づいて算出された電気角と、前記学習フェーズにおける前記磁石温度と、を入力して、各条件における前記磁石温度を機械学習し、
推定フェーズに、
前記回転位置センサが前記位相を検出し、
前記電流検出器が前記インバータから出力された前記三相の電流検出値を検出し、
学習済みＡＩが、前記推定フェーズにおける前記電流検出値を回転座標変換した前記ｄｑ軸電流検出値と、前記推定フェーズにおける前記ｄｑ軸電圧指令値または前記推定フェーズにおける前記ｑ軸電圧指令値と、前記推定フェーズにおける前記位相に基づいて算出された前記電気角と、前記機械学習の結果に基づいて、磁石温度推定値を推定する、
ことを特徴とするモータ磁石温度推定方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、モータの磁石温度推定に関する。

【背景技術】

【0002】

特許文献１では電圧センサで計測した誘起電圧を基に磁石温度を推定している。誘起電圧を用いた磁石温度推定はよく扱われるが、特許文献１では誘起電圧の周波数スペクトルの振幅に基づいた推定法を提案している。

【0003】

特許文献２ではトルクセンサを用いた磁石温度推定が提案されている。トルクセンサを用いる利点は、モータが回転していない場合に温度推定をすることができる点であると記載されている。推定法の詳細は「詳細な説明」の［００８６］～［００９２］に記載されている。電流・磁束・トルクの関係式に電流値とトルク計測値を代入して磁束を求め、磁束の変化から磁石温度を推定するという手法である。

【0004】

非特許文献１および特許文献３では、磁束鎖交数オブザーバを用いた手法が提案されている。

【0005】

特許文献４では、機械学習を用いたモータの状態推定を一般的な形で提案している。限られた計測信号と機械学習モデルにより、他の状態変数を推定する。

【先行技術文献】

【特許文献】

【0006】

【特許文献1】特開２０２１－１１８６５２号公報

【特許文献2】特開２０１９－１７０００４号公報

【特許文献3】特開２０２１－０１６２２６号公報

【特許文献4】特開２０２１－０９０３４０号公報

【非特許文献】

【0007】

【非特許文献1】加藤崇、佐々木健介、Ｄｉｅｇｏ Ｆｅｒｎａｎｄｅｚ Ｌａｂｏｒｄａ、Ｄａｎｉｅｌ Ｆｅｒｎａｎｄｅｚ Ａｌｏｎｓｏ、Ｄａｖｉｄ Ｄｉａｚ Ｒｅｉｇｏｓａ、磁石磁束鎖交数オブサーバを用いた可変漏れ磁束型ＩＰＭＳＭにおける磁石温度推定手法、電気学会論文誌Ｄ（産業応用部門誌）、Ｖｏｌ．１４０、Ｎｏ．４（２０２０）、ｐｐ２６５－２７１

【発明の概要】

【発明が解決しようとする課題】

【0008】

特許文献１のような誘起電圧を用いる手法は電圧を計測する必要があるため、電圧センサの追加が必要である。

【0009】

特許文献２のようなトルクセンサを前提とする手法では、トルクセンサの追加が必要となる。

【0010】

非特許文献１および特許文献３のオブザーバを用いる手法はモデルを必要とするため、正確なパラメータが必要である。

【0011】

特許文献４では機械学習を用いた状態推定を一般的な形で提案しているが、磁石温度に特化したものではなく、磁石温度推定に関する技術について明確に述べられていない。

【0012】

以上示したようなことから、機械学習を用いて磁石温度を推定するモータ磁石温度推定装置を提供することが課題となる。

【課題を解決するための手段】

【0013】

本発明は、前記従来の問題に鑑み、案出されたもので、コントローラによって制御されたインバータの出力電圧により駆動するモータの磁石温度を推定するモータ磁石温度推定装置であって、学習フェーズおよび推定フェーズに、前記モータの位相を検出する回転位置センサと、前記学習フェーズおよび前記推定フェーズに、前記インバータから出力された三相の電流検出値を検出する電流検出器と、前記学習フェーズに、前記磁石温度を検出する磁石温度センサと、前記学習フェーズに、前記学習フェーズにおける前記電流検出値を回転座標変換したｄｑ軸電流検出値と、前記インバータの前記学習フェーズにおけるｄｑ軸電圧指令値または前記学習フェーズにおけるｑ軸電圧指令値と、前記学習フェーズにおける前記位相に基づいて算出された電気角と、前記学習フェーズにおける前記磁石温度と、を入力して、各条件における前記磁石温度を機械学習する機械学習システムと、前記推定フェーズに、前記推定フェーズにおける前記電流検出値を回転座標変換した前記ｄｑ軸電流検出値と、前記推定フェーズにおける前記ｄｑ軸電圧指令値または前記推定フェーズにおける前記ｑ軸電圧指令値と、前記推定フェーズにおける前記位相に基づいて算出された前記電気角と、前記機械学習の結果に基づいて、磁石温度推定値を推定する学習済みＡＩと、を備えたことを特徴とする。

【0014】

また、その一態様として、前記機械学習システムは、入力データとしての前記学習フェーズにおける前記ｄｑ軸電圧指令値と前記学習フェーズにおける前記ｄｑ軸電流検出値と前記学習フェーズにおける前記電気角と、教師データとしての前記学習フェーズにおける前記磁石温度と、を入力して、前記入力データにおける前記磁石温度を機械学習する機械学習装置を備えたことを特徴とする。

【0015】

また、他の態様として、前記機械学習システムは、前記学習フェーズにおける前記ｑ軸電圧指令値と前記学習フェーズにおけるｑ軸電流検出値に基づいてオブザーバ出力を出力するｑ軸電圧外乱オブザーバと、入力データとしての前記オブザーバ出力と前記学習フェーズにおける前記ｄｑ軸電流検出値と前記学習フェーズにおける前記電気角と、教師データとしての前記学習フェーズにおける前記磁石温度と、を入力して、前記入力データにおける前記磁石温度を機械学習する機械学習装置と、を備えたことを特徴とする。

【0016】

また、その一態様として、前記ｑ軸電圧外乱オブザーバは、以下の（１）式により前記オブザーバ出力を算出することを特徴とする。

【0017】

【数1】

【0018】

ｖ＾_q ^dis：オブザーバ出力
ｇ_dis：ｑ軸電圧外乱オブザーバのカットオフ周波数
ｓ：ラプラス演算子
ｖ_q ^*：学習フェーズにおけるｑ軸電圧指令値
Ｌ_qn：ｑ軸インダクタンスのノミナル値
Ｒ_an：抵抗のノミナル値
ｉ_q：学習フェーズにおけるｑ軸電流検出値。

【0019】

また、その一態様として、前記モータ磁石温度推定装置と、前記モータ磁石温度推定装置で推定した前記磁石温度推定値に基づいて、前記インバータを制御する前記コントローラと、前記モータを駆動する前記インバータと、を備えた電力変換装置であることを特徴とする。

【発明の効果】

【0020】

本発明によれば、機械学習を用いて磁石温度を推定するモータ磁石温度推定装置を提供することが可能となる。

【図面の簡単な説明】

【0021】

【図1】実施形態１，２における学習フェーズの電力変換装置の構成を示す図。

【図2】実施形態１における機械学習システムを示す図。

【図3】実施形態１，２における推定フェーズの電力変換装置の構成を示す図。

【図4】Ｉ_d＝５０Ａ，３０℃の時系列データを学習させた場合の学習結果を示す図。

【図5】学習済みＡＩ（Ｉ_d＝５０Ａ，３０℃）に同条件の別の時系列データを入力した場合の推定結果を示す図。

【図6】複数の時系列データを合わせて学習させた場合の学習結果を示す図。

【図7】複数のケースの学習済みＡＩにＩ_d＝５０Ａ，６０℃の別の時系列データを入力した場合の推定結果を示す図。

【図8】実施形態２の機械学習システムを示す図。

【図9】実施形態２のｑ軸電圧外乱オブザーバを示す図。

【発明を実施するための形態】

【0022】

以下、本願発明におけるモータ磁石温度推定装置の実施形態１～２を図１～図９に基づいて詳述する。

【0023】

［実施形態１］
（機械学習を用いたモータ磁石温度推定）
本実施形態１のモータ磁石温度推定装置は、学習フェーズと推定フェーズを行う。学習フェーズは機械学習装置が磁石温度推定を学習するフェーズであり、推定フェーズは学習済みＡＩを用いて磁石温度を推定するフェーズである。

【0024】

図１に本実施形態１における学習フェーズの電力変換装置の構成を示す。

【0025】

コントローラ１は、電流制御器２と、二相三相変換器３と、三相二相変換器５と、極対数演算器６と、微分演算器（ラプラス演算子）７と、を備える。

【0026】

電流制御器２は、ｄｑ軸電流指令値ｉ_dq ^*（ｄ軸電流指令値ｉ_d ^*，ｑ軸電流指令値ｉ_q ^*）とｄｑ軸電流検出値ｉ_dq（ｄ軸電流検出値ｉ_d，ｑ軸電流検出値ｉ_q）との偏差と電気角ω_eに基づいてｄｑ軸電圧指令値ｖ_dq ^*（ｄ軸電圧指令値ｖ_d ^*，ｑ軸電圧指令値ｖ_q ^*）を出力する。二相三相変換器３は、ｄｑ軸電圧指令値ｖ_dq ^*を位相θ_eに基づいて三相電圧指令値に変換する。

【0027】

インバータＩＮＶはコントローラ１によって制御される。インバータＩＮＶは三相電圧指令値に基づいてモータ（例えば、ＰＭモータ）Ｍに電圧を出力してモータＭを駆動する。モータＭには負荷４が接続されている。電流検出器１６はインバータＩＮＶから出力された三相の電流検出値ｉ_uvwを検出する。回転位置センサ８は、モータＭの位相θを検出する。磁石温度センサ（例えば、熱電対）９はモータＭの磁石温度Ｔ_pmを検出する。

【0028】

極対数演算器６は、位相θに極対数ｐを乗算して極対数を考慮した位相θ_eを出力する。三相二相変換器５は、三相の電流検出値ｉ_uvwを極対数を考慮した位相θ_eに基づいてｄｑ軸電流検出値ｉ_dqに変換する。微分演算器（ラプラス演算子）７は、極対数を考慮した位相θ_eを微分して電気角ω_eを出力する。

【0029】

学習フェーズでは、推定フェーズで用いる入力データ（ｄｑ軸電圧指令値ｖ_dq ^*，ｄｑ軸電流検出値ｉ_dq，電気角ω_e）と教師データ（磁石温度Ｔ_pm）を時系列データとして取得し、機械学習システム１０に入力する。

【0030】

機械学習システム１０の構成を図２に示す。機械学習装置（ＡＩ）１１は、入力データとしてのｄ軸電圧指令値ｖ_d ^*，ｑ軸電圧指令値ｖ_q ^*，ｄ軸電流検出値ｉ_d，ｑ軸電流検出値ｉ_q，電気角ω_e，教師データとしての磁石温度Ｔ_pmを入力する。機械学習装置（ＡＩ）１１はニューラルネットワークを示す。誤差逆伝搬法により、ニューラルネットの重みを更新する。

【0031】

なお、モータ状態量に関する機械学習方法の詳細については、特許文献４に記載されている。ただし、特許文献４には、モータ状態量が磁石温度の場合についての記載はない。

【0032】

推定フェーズの電力変換装置は図３に示すような構成とする。図３に示すように、推定フェーズの電力変換装置は、学習フェーズの電力変換装置（図１）と比較して磁石温度センサ９が省略され、その代わりに学習済みＡＩ１２が追加されている。図３に示すように、電力変換装置は、モータ磁石温度推定装置と、モータ磁石温度推定装置で推定した磁石温度推定値Ｔ＾に基づいて、インバータＩＮＶを制御するコントローラ１と、モータＭを駆動するインバータＩＮＶと、を備える。

【0033】

推定フェーズの電力変換装置では、コントローラ１内の変数の時系列データ（ｄｑ軸電圧指令値ｖ_dq ^*，ｄｑ軸電流検出値ｉ_dq，電気角ω_e）を学習済みＡＩ１２に入力し、磁石温度推定値Ｔ＾を出力する。入力するデータはオフライン，オンラインどちらでもよい。

【0034】

学習則としては、機械学習で一般的に用いられる誤差逆伝搬法を用いた。機械学習装置１１の具体的な実装パラメータとしては、中間層１層でユニット数１０，中間層の活性化関数はシグモイド関数，出力層の活性化関数は恒等関数とした。

【0035】

＜学習結果の例＞
学習結果の例として、１つのケース（Ｉ_d＝５０Ａ，３０℃）の時系列データを学習させた場合と、複数のケース（Ｉ_d＝０Ａ，３０℃，Ｉ_d＝０Ａ，６０℃，Ｉ_d＝５０Ａ，３０℃，Ｉ_d＝５０Ａ，６０℃，Ｉ_d＝－５０Ａ，３０℃，Ｉ_d＝－５０Ａ，６０℃）の時系列データを学習させた場合を示す。

【0036】

まず、１つのケース（Ｉ_d＝５０Ａ，３０℃）の１０秒間のデータの学習結果を図４に示す。図４は、学習フェーズと推定フェーズで同じ時系列データを用いたものであり、実線は学習済ＡＩ１２の出力（推定フェーズで推定した磁石温度推定値Ｔ＾）、点線は正解データ（学習フェーズにおいて磁石温度センサ９で計測した磁石温度Ｔ_pm）を示している。磁石温度推定値Ｔ＾（図４の実線）が磁石温度Ｔ_pmの計測値（図４の点線）に追従しており、高い精度で学習できていることがわかる。

【0037】

図５は、学習フェーズと推定フェーズで別の時系列データを用いたものであり、図３の学習済ＡＩ１２に別の実験データを入力し温度推定を行う。先に続く１０秒間のデータを用いて磁石温度推定値Ｔ＾を推定する。図５の実線は学習済ＡＩ１２の出力（推定フェーズで推定した磁石温度推定値Ｔ＾）、点線は正解データ（学習フェーズにおいて磁石温度センサ９で計測した磁石温度Ｔ_pm）を示している。磁石温度Ｔ_pmの計測値（図５の点線）は３３．７５から３４．００℃の間で揺れているが、磁石温度推定値Ｔ＾（図５の実線）はほぼ３３．７５℃近くでほぼ一定の推定値を出力している。磁石温度Ｔ_pmの計測値と磁石温度推定値Ｔ＾の誤差は１℃以内を満たしている。

【0038】

次に、複数のケース（Ｉ_d＝０Ａ，３０℃，Ｉ_d＝０Ａ，６０℃，Ｉ_d＝５０Ａ，３０℃，Ｉ_d＝５０Ａ，６０℃，Ｉ_d＝－５０Ａ，３０℃，Ｉ_d＝－５０Ａ，６０℃）の場合の学習結果を図６に示す。各ケースの１０秒間のデータを結合し、それを一つの時系列データとして機械学習装置１１に学習させた。図６は、学習フェーズと推定フェーズで同じ時系列データを用いたものである。図６の実線は学習済ＡＩ１２の出力（推定フェーズで推定した磁石温度推定値Ｔ＾）、点線は正解データ（学習フェーズにおいて磁石温度センサ９で計測した磁石温度Ｔ_pm）を示している。

【0039】

磁石温度推定値Ｔ＾（図６の実線）が磁石温度Ｔ_pmの計測値（正解データ、図６の点線）に追従しており、高い精度で学習できていることがわかる。

【0040】

図７は、学習フェーズと推定フェーズで別の時系列データを用いたものである。今回は推定フェーズでＩ_d＝５０Ａ，６０℃の時系列データを入力した。図７の実線は学習済ＡＩ１２の出力（推定フェーズで推定した磁石温度推定値Ｔ＾）、点線は正解データ（学習フェーズにおいて磁石温度センサ９で計測した磁石温度Ｔ_pm）を示している。磁石温度Ｔ_pmの計測値（正解データ、図７の点線）および磁石温度推定値Ｔ＾（図７の実線）のどちらもほぼ６０℃を示しており，妥当な推定がなされているとわかる。

【0041】

以上示したように、本実施形態１によれば、学習フェーズにおいて、磁石温度，ｄｑ軸電圧指令値，ｄｑ軸電流検出値，電気角，磁石温度の時系列データがあれば、磁石温度を教師データとする機械学習を行うことができる。また、推定フェーズにおいて、ｄｑ軸電圧指令値，ｄｑ軸電流検出値，電気角の時系列データがあれば、磁石温度を推定することができる。

【0042】

［実施形態２］
（機械学習と電圧外乱オブザーバを用いた磁石温度推定）
電力変換装置の構成は学習フェーズ，推定フェーズともに実施形態１と同じとする。本実施形態２は、機械学習システム１０の構成が実施形態１とは異なる。本実施形態２の機械学習システム１０を図８に示す。図８に示すように、本実施形態２の機械学習システム１０は、ｑ軸電圧外乱オブザーバ（ＶＤＯＢ）１３と、機械学習装置１１と、を備える。

【0043】

機械学習装置（ニューラルネットワーク）１１に入力する変数はオブザーバ出力ｖ＾_q ^dis，ｄ軸電流検出値ｉ_d,ｑ軸電流検出値ｉ_q，電気角ω_eの４変数とする。ただし、オブザーバ出力ｖ＾_q ^disは図９のブロック線図により計算する。

【0044】

乗算器１４は、ｑ軸電流検出値ｉ_qに（Ｌ_qs＋Ｒ_an）を乗算する。減算器１７は、ｑ軸電圧指令値ｖ_q ^*から乗算器１４の出力を減算する。乗算器１５は、減算器１７の出力に（ｇ_dis／（ｓ＋ｇ_dis））を乗算する。

【0045】

ｑ軸電圧外乱オブザーバ（ＶＤＯＢ）１３の算出を式で表現すると、以下の（１）式となる。

【0046】

【数1】

【0047】

ただし、Ｌ_qnはｑ軸インダクタンスのノミナル値，Ｒ_anは抵抗のノミナル値，ｇ_disはオブザーバのカットオフ周波数，ｓはラプラス演算子である。

【0048】

本実施形態２では、実施形態１と異なり４つの変数を機械学習装置１１に入力する。磁石温度推定値Ｔ＾は（２）式で計算できる。

【0049】

【数2】

【0050】

ただし、Ｔ_bは基準温度，Φ_nは基準温度での磁束，Ｒ_nは基準温度での抵抗，αは抵抗の温度係数，βは磁束の温度係数，Ｌ_dはｄ軸インダクタンスである。なお、（２）式のｖ＾_q ^vdobは（１）式のｖ＾_q ^disと同じ値である。

【0051】

（２）式で示すように，必要十分な変数を機械学習装置１１にすればよいことになる。本実施形態２の学習済みＡＩ１２は、（２）式をブラックボックスで暗にモデル化および補正したシステムであると解釈することもできる。

【0052】

以上示したように、本実施形態２によれば、学習フェーズにおいて、磁石温度，オブザーバ出力，ｄｑ軸電流検出値，電気角，磁石温度の時系列データがあれば、磁石温度を教師データとする機械学習を行うことができる。また、推定フェーズにおいて、オブザーバ出力，ｄｑ軸電流検出値，電気角の時系列データがあれば、磁石温度を推定することができる。

【0053】

＜実装結果＞
実施形態１と実施形態２で学習結果の誤差比較を行った。データは図４と同様、Ｉ_d＝５０Ａ，３０℃の時系列データを用いた。

【0054】

それぞれ３回の学習を行った際の二乗和誤差の平均の結果として、実施形態１は７．１０ｅ－５℃＾２，実施形態２は６．０５ｅ－５℃＾２となった。実施形態２は実施形態１よりも機械学習装置１１への入力変数が少ないが、遜色なく学習できていることがわかる。

【0055】

以上、本発明において、記載された具体例に対してのみ詳細に説明したが、本発明の技術思想の範囲で多彩な変形および修正が可能であることは、当業者にとって明白なことであり、このような変形および修正が特許請求の範囲に属することは当然のことである。

【符号の説明】

【0056】

１…コントローラ
２…電流制御器
３…二相三相変換器
４…負荷
Ｍ…モータ
ＩＮＶ…インバータ
５…三相二相変換器
６…極対数演算器
７…微分演算器（ラプラス演算子）
８…回転位置センサ
９…磁石温度センサ（熱電対）
１０…機械学習システム
１１…機械学習装置
１２…学習済ＡＩ
１３…ｑ軸電圧外乱オブザーバ
１４，１５…乗算器
１６…電流検出器
１７…減算器

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】