特開 2024-80526 モータ制御装置

(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】P2024080526

(43)【公開日】2024-06-13

(54)【発明の名称】モータ制御装置

(51)【国際特許分類】

   H02P 21/14 20160101AFI20240606BHJP

【ＦＩ】

H02P21/14

【審査請求】未請求

【請求項の数】7

【出願形態】ＯＬ

(21)【出願番号】P 2022193803

(22)【出願日】2022-12-02

(71)【出願人】

【識別番号】504145364

【氏名又は名称】国立大学法人群馬大学

(71)【出願人】

【識別番号】000001845

【氏名又は名称】サンデン株式会社

(74)【代理人】

【識別番号】100098361

【弁理士】

【氏名又は名称】雨笠 敬

(72)【発明者】

【氏名】橋本 誠司

(72)【発明者】

【氏名】川口 貴弘

(72)【発明者】

【氏名】木暮 雅之

【テーマコード（参考）】

5H505

【Ｆターム（参考）】

5H505AA16

5H505BB02

5H505BB03

5H505BB09

5H505DD03

5H505DD08

5H505EE41

5H505EE49

5H505EE55

5H505GG02

5H505GG04

5H505HA07

5H505HB01

5H505JJ03

5H505JJ04

5H505JJ24

5H505JJ25

5H505LL14

5H505LL22

5H505LL39

5H505LL41

(57)【要約】

【課題】ニューラルネットワークに基づいてモータの効率改善と動特性改善の双方を実現する場合に、それらを統一的に考慮した設計が可能であり、ネットワーク規模の小型化も実現することができるモータ制御装置を提供する。
【解決手段】入力層、中間層及び出力層を有するニューラルネットワーク制御器１１は、モータ６の電流値とモータ６の角速度値を入力信号として入力層より入力し、順伝搬と逆伝搬による学習を繰り返すことにより、モータ６の効率改善のための出力信号とモータ６の動特性改善のための出力信号を出力層より導出する。ニューラルネットワーク制御器１１が導出した出力信号、又は、当該出力信号から得られる値に基づき、モータ６を制御する。
【選択図】図１

【特許請求の範囲】

【請求項1】

モータを制御する制御装置であって、
入力層、中間層及び出力層を有するニューラルネットワーク制御器を備え、
該ニューラルネットワーク制御器は、前記モータの電流値と前記モータの角速度値を入力信号として前記入力層より入力し、順伝搬と逆伝搬による学習を繰り返すことにより、前記モータの効率改善のための出力信号と前記モータの動特性改善のための出力信号を前記出力層より導出すると共に、
前記ニューラルネットワーク制御器が導出した前記出力信号、又は、当該出力信号から得られる値に基づき、前記モータを制御することを特徴とするモータ制御装置。

【請求項2】

前記ニューラルネットワーク制御器は、前記各層の結合の重みであるシナプスを順伝搬と逆伝搬により更新することで、前記モータが最適な効率となる前記出力信号と、前記モータが最適な動特性となる前記出力信号を導出することを特徴とする請求項１に記載のモータ制御装置。

【請求項3】

前記ニューラルネットワーク制御器は、前記入力層と前記中間層のしきい値であるニューロンとを結合する前記シナプス、前記中間層の前記ニューロンと前記出力層のしきい値であるニューロンとを結合する前記シナプスを順伝搬と逆伝搬により更新することを特徴とする請求項２に記載のモータ制御装置。

【請求項4】

前記ニューラルネットワーク制御器は、前記入力層、中間層及び出力層を備えた単一構成のものであることを特徴とする請求項１に記載のモータ制御装置。

【請求項5】

前記モータの電流値は電流波高指令値ｉ_p ^*と電流波高値ｉ_pであり、
前記モータの角速度値は機械角速度指令値ω^*と機械角速度推定値ωであり、
前記モータの効率改善のための出力信号は電流位相指令値θ_I ^*であり、
前記モータの動特性改善のための出力信号は補償電流値ｉ_Nであり、
前記モータの機械角速度指令値ω^*と機械角速度推定値ωの偏差が入力されるフィードバック系の速度制御器で算出されたフィードバック制御出力値ｉ_pf ^*に、前記補償電流値ｉ_Nを加算することで前記電流波高指令値ｉ_p ^*を導出し、
前記電流位相指令値θ_I ^*と前記電流波高指令値ｉ_p ^*を極座標変換器に入力して、該極座標変換器によりｄ軸電流指令値ｉ_d ^*とｑ軸電流指令値ｉ_q ^*を導出することを特徴とする請求項１に記載のモータ制御装置。

【請求項6】

前記ニューラルネットワーク制御器は、前記電流波高指令値ｉ_p ^*と前記電流波高値ｉ_pの二乗誤差（ｉ_p ^*－ｉ_p）²、及び、前記フィードバック制御出力値ｉ_pf ^*の二乗誤差（ｉ_pf ^*）²を教師信号とし、各教師信号を最小化するように、前記入力信号から前記出力信号を学習的に導出することを特徴とする請求項５に記載のモータ制御装置。

【請求項7】

前記モータは、永久磁石同期電動機であり、
前記モータを駆動制御するモータ駆動部と、
前記ニューラルネットワーク制御器の前記出力信号、又は、当該出力信号から得られる値に基づいて前記モータ駆動部により前記モータを制御するモータ制御部と、
を備えたことを特徴とする請求項１乃至請求項６のうちの何れかに記載のモータ制御装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、モータの運転を制御するためのモータ制御装置に関するものである。

【背景技術】

【0002】

永久磁石埋込型（ＩＰＭ）モータ（永久磁石同期電動機）は、永久磁石を回転子内部に配置した構造で、リラクタンストルクを併用可能であり、高効率化を図りやすいため、家電機器や産業機器、自動車分野の用途などに広く用いられてきている。また、近年のＡＩ技術の発展に伴い、この種モータ制御の分野においてもその導入が検討されて来ている。

【0003】

例えば、特許文献１では、モータの最適電流指令を学習することができる機械学習方法を提案していた。しかしながら、特許文献１は、モータトルク、モータ電流、モータ電圧を報酬とした学習によりモータの電流指令値を導出し、モータ電圧を考慮した電流指令テーブルの学習によるトルク出力の改善を主目的としていたため、モータの最適効率化が目的ではなく、また、モータの製品ばらつきや経年変化に対するパラメータ変動に対して損失を最小化し、効率の劣化を防止することができない。更に、制御パラメータの適合にも時間を要するという問題があった。

【0004】

そこで、特許文献２では、多層ニューラルネットワーク補償器を用いてモータの最適効率化を図る提案が行われた。特許文献２は、フィードバック制御系に対して、別途ニューラルネットワーク補償器を設け、学習と共に損失（銅損）を最小化する電流位相を導出することで、モータの効率改善を可能としていたが、フィードバック制御系の速度制御器で設計した性能以上にモータの動特性（回転数応答性）を改善することが不可能であった。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】特許第６５０６２１９８２号公報

【特許文献2】特開２０２２－２０４２８７１号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

そこで、モータの動特性を改善するニューラルネットワーク補償器を別途設けることが考えられるが、その場合には、入力層と中間層、出力層を有した効率改善のためのニューラルネットワーク補償器と、同じく入力層と中間層、出力層を有した動特性改善のためのニューラルネットワーク補償器を個別に設計し、システムに同時に導入する必要があり、システムの安定性やそれぞれの改善が想定通り達成されるかが不明である。特に、ニューラルネットワーク補償器を二つ用いることで、効率改善のみの場合に比して、ニューロン（しきい値）やシナプス（各層の結合の重み）の数も二倍となり、大きな計算リソースを有する演算装置が必要となるという問題があった。

【0007】

本発明は、係る従来の技術的課題を解決するために成されたものであり、ニューラルネットワークに基づいてモータの効率改善と動特性改善の双方を実現する場合に、それらを統一的に考慮した設計が可能であり、ネットワーク規模の小型化も実現することができるモータ制御装置を提供することを目的とする。

【課題を解決するための手段】

【0008】

本発明のモータ制御装置は、モータを制御するものであって、入力層、中間層及び出力層を有するニューラルネットワーク制御器を備え、このニューラルネットワーク制御器は、モータの電流値とモータの角速度値を入力信号として入力層より入力し、順伝搬と逆伝搬による学習を繰り返すことにより、モータの効率改善のための出力信号とモータの動特性改善のための出力信号を出力層より導出すると共に、ニューラルネットワーク制御器が導出した出力信号、又は、当該出力信号から得られる値に基づき、モータを制御することを特徴とする。

【0009】

請求項２の発明のモータ制御装置は、上記発明においてニューラルネットワーク制御器は、各層の結合の重みであるシナプスを順伝搬と逆伝搬により更新することで、モータが最適な効率となる出力信号と、モータが最適な動特性となる出力信号を導出することを特徴とする。

【0010】

請求項３の発明のモータ制御装置は、上記発明においてニューラルネットワーク制御器は、入力層と中間層のしきい値であるニューロンとを結合するシナプス、中間層のニューロンと出力層のしきい値であるニューロンとを結合するシナプスを順伝搬と逆伝搬により更新することを特徴とする。

【0011】

請求項４の発明のモータ制御装置は、請求項１の発明においてニューラルネットワーク制御器は、入力層、中間層及び出力層を備えた単一構成のものであることを特徴とする。

【0012】

請求項５の発明のモータ制御装置は、請求項１の発明においてモータの電流値は電流波高指令値ｉ_p ^*と電流波高値ｉ_pであり、モータの角速度値は機械角速度指令値ω^*と機械角速度推定値ωであり、モータの効率改善のための出力信号は電流位相指令値θ_I ^*であり、モータの動特性改善のための出力信号は補償電流値ｉ_Nであり、モータの機械角速度指令値ω^*と機械角速度推定値ωの偏差が入力されるフィードバック系の速度制御器で算出されたフィードバック制御出力値ｉ_pf ^*に、補償電流値ｉ_Nを加算することで電流波高指令値ｉ_p ^*を導出し、電流位相指令値θ_I ^*と電流波高指令値ｉ_p ^*を極座標変換器に入力して、この極座標変換器によりｄ軸電流指令値ｉ_d ^*とｑ軸電流指令値ｉ_q ^*を導出することを特徴とする。

【0013】

請求項６の発明のモータ制御装置は、上記発明においてニューラルネットワーク制御器は、電流波高指令値ｉ_p ^*と電流波高値ｉ_pの二乗誤差（ｉ_p ^*－ｉ_p）²、及び、フィードバック制御出力値ｉ_pf ^*の二乗誤差（ｉ_pf ^*）²を教師信号とし、各教師信号を最小化するように、入力信号から出力信号を学習的に導出することを特徴とする。

【0014】

請求項７の発明のモータ制御装置は、上記各発明においてモータは、永久磁石同期電動機であり、モータを駆動制御するモータ駆動部と、ニューラルネットワーク制御器の出力信号、又は、当該出力信号から得られる値に基づいてモータ駆動部によりモータを制御するモータ制御部と、を備えたことを特徴とする。

【発明の効果】

【0015】

本発明のモータ制御装置によれば、入力層、中間層及び出力層を有するニューラルネットワーク制御器を設け、このニューラルネットワーク制御器の入力層に、モータの電流値とモータの角速度値を入力信号として入力し、順伝搬と逆伝搬による学習を繰り返すことにより、モータの効率改善のための出力信号とモータの動特性改善のための出力信号を出力層より導出し、この導出した出力信号、又は、当該出力信号から得られる値に基づいて、モータを制御するようにした。

【0016】

このニューラルネットワーク制御器が出力するモータの効率改善のための出力信号により、モータに製品ばらつきがあった場合や、磁気飽和に加え、経年変化や温度変化によりモータパラメータが変動した場合にも、リアルタイムで損失を最小化し、効率の低下を防止することが可能となる。これにより、ばらつきが多くなる安価なモータを採用することができるようになると共に、パラメータの適合にかかる工数も大幅に低減され、コストの削減も図ることが可能となり、所謂ロバスト化も実現することができるようになる。

【0017】

また、ニューラルネットワーク制御器が出力するモータの動特性改善のための出力信号により、外乱に対してリアルタイムでモータの速度応答性を改善することができるようになる。これにより、速度指令を生成する上位の制御装置の設計工数も削減することが可能となる。

【0018】

特に、本発明におけるニューラルネットワーク制御器は、モータの効率改善と動特性改善のためのニューラルネットワークが統合されたかたちとなるので、出力生成のための中間層や出力層における請求項２や請求項３の発明のニューロンやシナプスを共用することができるので、請求項４の発明の如き単一構成で、効率改善と動特性改善を統一的に考慮した設計が可能となると共に、各出力を個別のニューラルネットワークにて生成する場合に比してネットワーク規模の小型化を図り、計算負荷を軽減することができるようになる。

【0019】

これにより、システムの安定性を向上させながら、演算効率の改善及び低消費電力化が可能となると共に、大きな演算リソースを有する演算装置も不要となるため、コストの削減も図ることが可能となる。

【0020】

更に、効率改善と動特性改善の両方に寄与するシナプスが学習されることになるので、効率改善のためのニューラルネットワークと動特性改善ためのニューラルネットワークを個々に設ける場合に比して、効率改善と動特性改善の性能をより一層向上させることが可能となる。

【0021】

この場合、モータの電流値としては請求項５の発明の如く電流波高指令値ｉ_p ^*と電流波高値ｉ_p、モータの角速度値としては機械角速度指令値ω^*と機械角速度推定値ω、モータの効率改善のための出力信号としては電流位相指令値θ_I ^*、モータの動特性改善のための出力信号としては補償電流値ｉ_Nを採用することができ、モータの機械角速度指令値ω^*と機械角速度推定値ωの偏差が入力されるフィードバック系の速度制御器で算出されたフィードバック制御出力値ｉ_pf ^*に、補償電流値ｉ_Nを加算することで電流波高指令値ｉ_p ^*を導出し、電流位相指令値θ_I ^*と電流波高指令値ｉ_p ^*を極座標変換器に入力して、この極座標変換器によりｄ軸電流指令値ｉ_d ^*とｑ軸電流指令値ｉ_q ^*を導出するものとする。

【0022】

そして、請求項６の発明の如くニューラルネットワーク制御器が、電流波高指令値ｉ_p ^*と電流波高値ｉ_pの二乗誤差（ｉ_p ^*－ｉ_p）²、及び、フィードバック制御出力値ｉ_pf ^*の二乗誤差（ｉ_pf ^*）²を教師信号とし、各教師信号を最小化するように、入力信号から出力信号を学習的に導出するようにすれば、最適効率で且つ速度応答性良好な状態で、的確にモータを制御することができるようになる。

【0023】

また、上記各発明は請求項７の発明の如きモータとしての永久磁石同期電動機に有効であり、具体的にはモータを駆動制御するモータ駆動部と、ニューラルネットワーク制御器の出力信号、又は、当該出力信号から得られる値に基づいてモータ駆動部によりモータを制御するモータ制御部を更に設けてモータを制御するものである。

【図面の簡単な説明】

【0024】

【図1】本発明を適用した一実施例のモータ制御装置のブロック図である。

【図2】図１のモータ制御装置のニューラルネットワーク制御器、速度制御器及び極座標変換器のブロック図である。

【図3】図１、図２のニューラルネットワーク制御器の内部構造の一例を示す図である。

【図4】効率改善用のニューラルネットワーク制御器と動特性改善用のニューラルネットワーク制御器を別個に設けた場合の各制御器、速度制御器及び極座標変換器のブロック図である。

【図5】モータの機械角速度指令値とステップトルク外乱波形を示す図である。

【図6】図１のニューラルネットワーク制御器を用いた場合と用いない場合、及び、図４の場合の速度応答波形（機械角速度推定値）を示す図である。

【図7】図１のニューラルネットワーク制御器を用いた場合と用いない場合、及び、図４の場合の電力損失を示す図である。

【図8】図７の時間積分値を示す図である。

【図9】図１のニューラルネットワーク制御器で動特性改善のみ機能させた場合とニューラルネットワーク制御器を用いない場合、及び、図４で動特性改善のみ機能させた場合の速度応答波形（機械角速度推定値）を示す図である。

【図10】図１のニューラルネットワーク制御器で動特性改善のみ機能させた場合とニューラルネットワーク制御器を用いない場合、及び、図４で動特性改善のみ機能させた場合の電力損失を示す図である。

【図11】図１０の時間積分値を示す図である。

【図12】図１のニューラルネットワーク制御器で効率改善のみ機能させた場合とニューラルネットワーク制御器を用いない従来の二つの制御の場合、及び、図４で効率改善のみ機能させた場合の速度応答波形（機械角速度推定値）を示す図である。

【図13】図１２における３７ｓ～４０ｓの部分の拡大図である。

【図14】図１のニューラルネットワーク制御器で効率改善のみ機能させた場合とニューラルネットワーク制御器を用いない従来の二つの制御の場合、及び、図４で効率改善のみ機能させた場合の電力損失を示す図である。

【図15】図１４における３７ｓ～３９ｓの部分の拡大図である。

【図16】図１４の時間積分値を示す図である。

【図17】図１のニューラルネットワーク制御器で効率改善及び動特性改善を機能させた場合と従来の二つの制御の場合、及び、図４で効率改善及び動特性改善を機能させた場合の速度応答波形（機械角速度推定値）を示す図である。

【図18】図１７における３７ｓ～４０ｓの部分の拡大図である。

【図19】図１のニューラルネットワーク制御器で効率改善及び動特性改善を機能させた場合と従来の二つの制御の場合、及び、図４で効率改善及び動特性改善を機能させた場合の電力損失を示す図である。

【図20】図１９における３７ｓ～３９ｓの部分の拡大図である。

【図21】図１９の時間積分値を示す図である。

【発明を実施するための形態】

【0025】

以下、本発明の実施形態について、図面に基づき詳細に説明する。
（１）モータ制御装置１
図１は本発明の一実施例のモータ制御装置１の構成を示すブロック図である。この実施例のモータ制御装置１は、モータ駆動部としてのインバータ回路９と、モータ制御部３を備え、所定周波数の交流電力を変換生成し、モータ６に供給する構成とされている。モータ６は、例えば電気自動車やハイブリッド自動車等の電動車両の空調装置に用いられる電動圧縮機を駆動する三相の永久磁石埋込型モータであり、実施例の場合は永久磁石同期電動機（ＩＰＭＳＭ：Ｉｎｔｅｒｉｏｒ Ｐｅｒｍａｎｅｎｔ Ｍａｇｎｅｔ Ｓｙｎｃｈｒｏｎｏｕｓ Ｍｏｔｏｒ）を採用し、モータ制御部３が生成する電圧指令によってインバータ回路９により駆動される。

【0026】

（２）インバータ回路９
インバータ回路９は、複数（６個）のスイッチング素子がブリッジ結線されて構成されている。インバータ回路部９の各スイッチング素子は、後述するモータ制御部３のＰＷＭ信号生成器８が生成するＰＷＭ信号によりスイッチングされる。

【0027】

（３）モータ制御部３
モータ制御部３は、実施例ではモータ６の機械角速度推定値ωと機械角速度指令値ω^*との偏差に基づき、当該偏差を無くす方向でｄ軸電圧指令値Ｖ_d ^*、ｑ軸電圧指令値Ｖ_q ^*を生成し、これらｄ軸電圧指令値Ｖ_d ^*、ｑ軸電圧指令値Ｖ_q ^*から最終的にＰＷＭ信号生成器８を用いて、インバータ回路９の各スイッチング素子をスイッチングするためのＰＷＭ信号を生成し、モータ６をセンサレスベクトル制御にて駆動するものである。尚、係るセンサレス制御に限らず、位置センサを用いてモータ６を制御してもよい。

【0028】

この実施例のモータ制御部３は、プロセッサを備えたコンピュータの一例であるマイクロコンピュータから構成されており、その機能として、ニューラルネットワーク制御器１１と、速度制御器１２と、極座標変換器１３と、電流制御器１４と、非干渉制御器１６と、相電圧指令演算器７と、ＰＷＭ信号生成器８と、ｄｑ軸電流変換器１０、三相電流推定器１７と、磁石位置推定器１８と、回転数演算器１９等を備えている。

【0029】

三相電流推定器１７は、相電圧指令演算器７が出力する各相電圧、即ち、Ｕ相電圧指令値Ｖ^* _u、Ｖ相電圧指令値Ｖ^* _v、Ｗ相電圧指令値Ｖ^* _w（ＰＷＭ信号生成器８が生成する６つのＰＷＭ信号を用いても良い。）と、一つのシャント抵抗により検出したインバータ回路９を流れる一相の相電流から、各相電流（Ｕ相電流ｉ_u、Ｖ相電流ｉ_v、Ｗ相電流ｉ_w）を推定する（１シャント電流検知方式）。尚、各相電流の検知方式としてはそれ以外に、二つのシャント抵抗を用いて二相の相電流を検出する２シャント電流検知方式や、シャント抵抗を３つ用いて三相の相電流を検出する３シャント電流検知方式、ホールＣＴを用いて相電流を検出するホールＣＴ電流検知方式が考えられる。

【0030】

磁石位置推定器１８は、この実施例では三相電流推定器１７が出力する各相電流、即ち、Ｕ相電流ｉ_u、Ｖ相電流ｉ_v、Ｗ相電流ｉ_wから電気角推定値θ^' _eを推定する。尚、この電気角推定値θ^' _eの推定に関しては、これらの他に、Ｕ相電圧指令値Ｖ^* _u、Ｖ相電圧指令値Ｖ^* _v、Ｗ相電圧指令値Ｖ^* _wを用いても良く、ｄ軸電圧指令値Ｖ_d ^*、ｑ軸電圧指令値Ｖ_q ^*を用いても良い。又、ｄ軸電圧指令値Ｖ_d ^*、ｑ軸電圧指令値Ｖ_q ^*とｄ軸電流ｉ_d、ｑ軸電流ｉ_qを活用しても良く、それ以外にも、これらＵ相電流ｉ_u、Ｖ相電流ｉ_v、Ｗ相電流ｉ_w、Ｕ相電圧指令値Ｖ^* _u、Ｖ相電圧指令値Ｖ^* _v、Ｗ相電圧指令値Ｖ^* _w、ｄ軸電圧指令値Ｖ_d ^*、ｑ軸電圧指令値Ｖ_q ^*、ｄ軸電流ｉ_d、ｑ軸電流ｉ_qのうちの何れか、或いは、それらの組み合わせ、若しくは、それらの全てを用いて電気角推定値θ^' _eを推定しても良い。

【0031】

また、回転数演算器１９は、磁石位置推定器１８が出力する電気角推定値θ^' _eから、先述した機械角速度推定値ωを推定する。更に、ｄｑ軸電流変換器１０は、磁石位置推定器１８が出力する電気角推定値θ^' _eからｄ軸電流ｉ_dと、ｑ軸電流ｉ_qを導出する。また、磁石位置推定器１８が出力する電気角推定値θ^' _eは、更に相電圧指令演算器７に入力されると共に、ｄｑ軸電流変換器１０が出力するｄ軸電流ｉ_dとｑ軸電流ｉ_qと、回転数演算器１９が出力する機械角速度推定値ωは、非干渉制御器１６に入力される。

【0032】

回転数演算器１９が出力する機械角速度推定値ωは、更に減算器２１に入力される。この減算器２１には機械角速度指令値ω^*が入力され、この減算器２１において機械角速度指令値ω^*から機械角速度推定値ωが減算されてそれらの偏差が算出される。尚、前述した如く位置センサを用いてモータ６を制御する場合には、当該位置センサにより検出された機械角速度（ω_m）が機械角速度推定値ωの代わりに減算器２１に入力されることになる。

【0033】

減算器２１で算出された偏差は速度制御器１２に入力される。前述した三相電流推定器１７、磁石位置推定器１８、回転数演算器１９、減算器２１及び速度制御器１２等が実施例のモータ制御部３におけるフィードバック制御系を構成する。

【0034】

速度制御器１２は、ＰＩ演算及び電流波高値ｉ_pとトルクの関係式より、後述する電流波高指令値ｉ_p ^*を導出するためのフィードバック制御出力値ｉ_pf ^*を算出する。尚、係る式による演算では無く、電流波高値ｉ_pとトルクの関係からオフラインで設定したマップを使用し、フィードバック制御出力値ｉ_pf ^*を算出しても良い。また、式を使用する場合、オンラインでパラメータを同定、又は推定し、精度の向上を図っても良い。

【0035】

速度制御器１２で算出されたフィードバック制御出力値ｉ_pf ^*は、加算器２０に入力される。この加算器２０にはニューラルネットワーク制御器１１が出力する補償電流値ｉ_Nが入力され、加算器２０にてフィードバック制御出力値ｉ_pf ^*に、補償電流値ｉ_Nが加算されて電流波高指令値ｉ_p ^*が導出される。

【0036】

極座標変換器１３には、この電流波高指令値ｉ_p ^*が他方の入力として入力される。極座標変換器１３の一方の入力には、ニューラルネットワーク制御器１１が出力する電流位相指令値θ_I ^*が入力される。尚、このニューラルネットワーク制御器１１については、後に詳述する。

【0037】

極座標変換器１３は、これら電流位相指令値θ_I ^*と電流波高指令値ｉ_p ^*からｄ軸電流指令値ｉ_d ^*とｑ軸電流指令値ｉ_q ^*を導出する。極座標変換器１３では、以下の式（Ｉ）に基づき、ｄ軸電流指令値ｉ_d ^*とｑ軸電流指令値ｉ_q ^*を導出する。

【0038】

【数1】

【0039】

極座標変換器１３が出力するｄ軸電流指令値ｉ_d ^*とｑ軸電流指令値ｉ_q ^*は、減算器２２、２３にそれぞれ入力される。各減算器２２、２３には、ｄｑ軸電流変換器１０が出力するｄ軸電流ｉ_dとｑ軸電流ｉ_qがそれぞれ入力され、各減算器２２、２３において偏差がそれぞれ算出される。

【0040】

各減算器２２、２３が出力する各偏差は、電流制御器１４に入力される。この電流制御器１４は、各偏差を用いてＰＩ演算を行い、ｄ軸電圧指令値Ｖ_d ^*とｑ軸電圧指令値Ｖ_q ^*を生成して出力する。これらｄ軸電圧指令値Ｖ_d ^*とｑ軸電圧指令値Ｖ_q ^*は、非干渉制御器１６にてｄｑ軸間の干渉を打ち消された後（図１中ではその出力をＶ^' _d ^*、Ｖ^' _q ^*で示す）、相電圧指令演算器７に入力される。尚、この非干渉制御器１６は省略しても良い。

【0041】

相電圧指令演算器７は、ｄ軸電圧指令値Ｖ^' _d ^*とｑ軸電圧指令値Ｖ^' _q ^*、磁石位置推定器１８が出力する電気角推定値θ^' _eからＵ相電圧指令値Ｖ_u ^*、Ｖ相電圧指令値Ｖ_v ^*、Ｗ相電圧指令値Ｖ_w ^*を生成してＰＷＭ信号生成器８に出力する。ＰＷＭ信号生成器８は各相の電圧指令値Ｖ_u ^*、Ｖ_v ^*、Ｖ_w ^*からインバータ回路９の各スイッチング素子をスイッチング（ＰＷＭ制御）するためのＰＷＭ信号を生成する。そして、インバータ回路９から各相電圧Ｖｕ、Ｖｖ、Ｖｗがモータ６に印加され、これにより、実施例ではモータ６のセンサレスベクトル制御を実現するものである。

【0042】

（４）ニューラルネットワーク制御器１１
次に、図２、図３を用いて図１中のニューラルネットワーク制御器１１について詳述する。図２は実施例のニューラルネットワーク制御器１１、速度制御器１２及び極座標変換器１３のブロック図、図３はニューラルネットワーク制御器１１の内部構造を示す図である。ニューラルネットワーク制御器１１はモータ６の効率改善と動特性改善のための学習機能が統合された単一構成のものであり、入力信号を入力して、順伝搬と逆伝搬による学習を繰り返すことにより、モータ６の効率改善のための出力信号とモータ６の動特性改善のための出力信号を導出するものである。

【0043】

尚、前記モータ６の効率改善のための出力信号は、実施例では電流位相指令値θ_I ^*であり、モータ６の動特性改善のための出力信号は、実施例では補償電流値ｉ_Nである。また、入力信号はモータ６の電流値としの電流波高値ｉ_pと電流波高指令値ｉ_p ^*（電流波高値ｉ_pの指令値）、モータ６の角速度値としての機械角速度ωと機械角速度指令値ω^*（機械角速度ωの指令値）である。

【0044】

また，最小化すべき教師信号は、電流波高指令値ｉ_p ^*に対する電流波高値ｉ_pの二乗誤差（ｉ_p ^*－ｉ_p）²と、フィードバック制御出力値ｉ_pf ^*に対する零の二乗誤差（ｉ_pf ^*－０）²、即ち（ｉ_pf ^*）²である。そして、図１、図２の実施例のニューラルネットワーク制御器１１は、各教師信号（ｉ_p ^*－ｉ_p）²と（ｉ_pf ^*）²を最小化するように、入力信号から出力信号を学習的に導出する。尚、この出願において最小化には当然に零も含まれるものとする。

【0045】

即ち、最適な効率となる電流位相指令値θ_I ^*を導出するために、入力信号には電流波高指令値ｉ_p ^*と電流波高値ｉ_p、最小化する教師信号には電流波高指令値ｉ_p ^*に対する電流波高値ｉ_pの二乗誤差（ｉ_p ^*－ｉ_p）²を利用する。更に、最適な動特性となる補償電流値ｉ_Nを導出するために、入力信号には機械角速度指令値ω^*と機械角速度ω、最小化する教師信号にはフィードバック制御出力値ｉ_pf ^*に対する零の二乗誤差（ｉ_pf ^*）²を利用する。

【0046】

実施例のニューラルネットワーク制御器１１は、多層のニューラルネットワーク制御器であり、順伝搬と逆伝搬による学習を繰り返し、リアルタイムで教師信号（ｉ_p ^*－ｉ_p）²を最小化する最適な電流位相指令値θ_I ^*と、（ｉ_pf ^*）²を最小化（零）する最適な補償電流値ｉ_Nを導出する。

【0047】

図１、図２の実施例は目標入力を電流波高値ｉ_pと機械角速度ωと捉えて制御する手法であり、実施例の永久磁石同期電動機から成るモータ６の制御により適した制御方式と考えられ、特に、現在トルクτが検出できない場合や、速度制御系での利用に有効であり、電流波高値ｉ_pとともに算出した最適な電流位相指令値θ_I ^*と、機械角速度ωとともに算出した最適な補償電流値ｉ_Nより、最適効率で且つ速度応答性良好な状態で、的確にモータ６を制御する。

【0048】

次に、図３に示す内部構造を用いて実施例のニューラルネットワーク制御器１１を更に具体的に説明する。ニューラルネットワーク制御器１１は、教師信号（電流波高指令値ｉ_p ^*に対する電流波高値ｉ_pの二乗誤差（ｉ_p ^*－ｉ_p）²と、フィードバック制御出力値ｉ_pf ^*に対する零の二乗誤差（ｉ_pf ^*）²）を最小化するように、補償量（出力信号）を現在の入力信号から学習的に導出する。

【0049】

即ち、現在の電流波高値ｉ_pに対する電流波高指令値ｉ_p ^*（必要電流波高値）への補償量（電流位相指令値θ_I ^*：出力信号）を現在の利用可能な情報（電流波高指令値ｉ_p ^*、電流波高値ｉ_p：入力信号）から演算周期毎に情報更新すると共に、零に対するフィードバック制御出力値ｉ_pf ^*（必要フィードバック制御出力値）への補償量（補償電流値ｉ_N：出力信号）を現在の利用可能な情報（機械角速度指令値ω^*、機械角速度ω：入力信号）から演算周期毎に情報更新することで導出する。

【0050】

実施例のニューラルネットワーク（ＮＮ）制御器１１の内部構造は図３のようになる（４入力、２出力）。入力層２４（Ｉｎｐｕｔ ｌａｙｅｒ）と出力層２６（Ｏｕｔｐｕｔ ｌａｙｅｒ）間に複数の中間層２７（Ｍｉｄｄｌｅ ｌａｙｅｒ）があり、各中間層２７はしきい値である複数のニューロン２８（ｎｅｕｒｏｎ）により構成され、出力層２６もしきい値である二つのニューロン２９により構成されている。

【0051】

そして、入力層２４と最初の中間層２７のニューロン２７は入力層２４と当該中間層２７の結合の重みであるシナプス（全体を３１で示す）により結合され、前後の中間層２７のニューロン２７はシナプス（全体を３２で示す）により結合され、最後の中間層２２７のニューロン２７と出力層２６のニューロン２９はシナプス（全体を３３で示す）により結合される。

【0052】

各ニューロン２８、２９の結合式は式（ＩＩ）となる。尚、実施例のニューラルネットワーク制御器１１は、入力層（４入力）、２層（最初の中間層：１０ニューロン）、３層（最後の中間層：１０ニューロン）、出力層（２出力）である。

【0053】

【数2】

【0054】

ここで、式（ＩＩ）中のｙは結果、ｘは入力、ｗ_iは重みであり、すべてベクトルである。また、θは閾値（バイアス）、σは活性化関数である。また、重みｗ_iと、閾値θの更新式（学習式）は式（ＩＩＩ）となる。

【0055】

【数3】

【0056】

ここで、式（ＩＩＩ）中のαは学習率、Ｅは損失関数（二乗誤差和）である。ニューラルネットワーク制御器１１は、各教師信号（ｉ_p ^*－ｉ_p）²と（ｉ_pf ^*）²を最小化するようにシナプス３１～３３を順伝搬と逆伝搬により更新し、入力信号（電流波高指令値ｉ_p ^*と電流波高値ｉ_p）から出力信号（電流位相指令値θ_I ^*）を学習的に導出し、入力信号（機械角速度指令値ω^*と機械角速度ω）から出力信号（補償電流値ｉ_N）を学習的に導出する。

【0057】

ニューラルネットワーク制御器１１が出力する電流位相指令値θ_I ^*はそのまま極座標変換器１３に入力される。一方、ニューラルネットワーク制御器１１が出力する補償電流値ｉ_Nは、加算器２０で速度制御器１２が出力するフィードバック制御出力値ｉ_pf ^*に加算される。そして、補償電流値ｉ_Nで補償されたフィードバック制御出力値ｉ_pf ^*が電流波高指令値ｉ_p ^*（出力信号：補償電流値ｉ_Nから得られる値）として極座標変換器１３に入力される。

【0058】

ここで、入力信号（電流波高指令値ｉ_p ^*と電流波高値ｉ_p）から出力信号（電流位相指令値θ_I ^*）を学習的に導出する効率改善用のニューラルネットワーク制御器１０１（入力層（２入力）、２層（１０ニューロン）、３層（１０ニューロン）、出力層（１出力））、入力信号（機械角速度指令値ω^*と機械角速度ω）から出力信号（補償電流値ｉ_N）を学習的に導出する動特性改善用のニューラルネットワーク制御器１０２（入力層（２入力）、２層（１０ニューロン）、３層（１０ニューロン）、出力層（１出力））をそれぞれ別個に設けた場合の図２に相当するブロック図を図４に示す。尚、図４において図２の同一符号で示すものは同一のものとする。

【0059】

図４のように効率改善用のニューラルネットワーク制御器１０１と動特性改善用のニューラルネットワーク制御器１０２をそれぞれ別個に設けた場合、シナプス数は各ニューラルネットワーク制御器１０１、１０２の合計で２６０個、ニューロンの数は合計で４２個、乗算（順伝搬）は合計で約２６０回、乗算（逆伝搬）は合計で約３０００回となる。

【0060】

一方、図１～図３のような本発明のニューラルネットワーク制御器１１ではそれらが統合化されているため（統合ニューラルネットワーク制御器）、中間層２７のニューロン２８や各シナプス３１～３３を共用することができるようになり、シナプス数は１６０個、ニューロンの数は２２個、乗算（順伝搬）は約１８０回、乗算（逆伝搬）は約１６００回となって、何れも半分強に削減することができた。

【0061】

（５）図１のモータ制御装置１の評価
次に、図５～図２１を参照しながら前述したニューラルネットワーク制御器１１を用いたモータ６の効率改善及び動特性改善制御の効果について説明する。尚、図５の（ａ）は機械角速度指令値ω^*であり、（ｂ）はステップトルク外乱波形を示している。また、以下の実験におけるステップトルク外乱の印加信号は、目標値振幅が２０００ｒｐｍ、外乱振幅が８．３Ｎｍ×０．５としている。また、電流制御器１４はＰＩ（ω_cc＝５００ｒａｄ／ｓ）、速度制御器１２はＰＩ（ω_ce＝５０ｒａｄ／ｓ）としている。

【0062】

（５－１）評価１
そして、図５のようなステップトルク外乱が印加された場合の速度応答波形を図６に示す。尚、図６中の太い実線はニューラルネットワーク制御器１１を有する図１の本発明のモータ制御装置１（１ ｉｎｔｅｇｒａｔｅｄ ＮＮ。以下同じ）で効率改善及び動特性改善を機能させた場合、細い実線は図４（２ ｓｅｐａｒａｔｅ ＮＮ。以下同じ）で効率改善用のニューラルネットワーク制御器１０１及び動特性改善用のニューラルネットワーク制御器１０２を機能させた場合、破線はニューラルネットワーク制御器を用いない従来のｄｑ制御のモータ制御装置（フィードバック制御のみ：ｗｏ ＮＮ。以下同じ）の場合を示している。

【0063】

この図から、図４の場合（細い実線）及びニューラルネットワーク制御器を用いない場合（破線）に比して、本発明のモータ制御装置１では（太い実線）、単一構成のニューラルネットワーク制御器１１で動特性改善、特に外乱振幅の抑制が達成できていることが分かる。加えて、本発明のモータ制御装置１では、学習と共に数ステップの学習で外乱応答が改善されていることも確認できる。

【0064】

このときの損失（銅損）を図７に示し、その時間積分値を図８に示す。尚、図７のＬ１（Ｗ）は本発明のモータ制御装置１の場合、Ｌ２（Ｗ）は図４の場合、Ｌ３（Ｗ）はニューラルネットワーク制御器を用いない場合である。図７より、本発明のモータ制御装置１及び図４の場合は繰り返しとともに効率が改善でき、ニューラルネットワーク制御器を用いない場合に対して何れも大きく効率が改善され、大幅な損失低減が可能となり（図７に破線の楕円で示す部分）、数ステップでの素早い改善が可能となったことが分かる。

【0065】

図８の時間積分値においても、繰り返しの後には本発明のモータ制御装置１ではＴＬ１（Ｊ）、図４の場合はＴＬ２（Ｊ）、従来の場合はＴＬ３（Ｊ）となり、ＴＬ１＜ＴＬ２＜ＴＬ３となって本発明のモータ制御装置１の場合及び図４の場合の方が従来の場合に比して損失が低減され、以後、繰り返し毎にその差が拡大されて行った。この場合、本発明のモータ制御装置１の場合の方が、図４の場合よりも良好であった（図８の破線の楕円で示す部分）。

【0066】

即ち、本発明のモータ制御装置１では、効率改善と動特性改善の両方に寄与するシナプス３１～３３が学習されることになるので、効率改善のためのニューラルネットワーク制御器１０１と動特性改善ためのニューラルネットワーク制御器１０２を個々に設けた図４の場合に比して、効率改善と動特性改善の性能をより一層向上させることができたのである。

【0067】

（５－２）評価２
次に、図９は図１の本発明のモータ制御装置１で動特性改善のみを機能させた場合、ニューラルネットワーク制御器を用いない従来のｄｑ制御のみ（ｉ_d＝０）の場合、及び、図４で動特性改善用のニューラルネットワーク制御器１０２のみを機能させた場合の速度応答波形を示す。尚、図９中の太い実線はニューラルネットワーク制御器１１を有する図１のモータ制御装置１の場合、細い実線は図４の場合、破線はニューラルネットワーク制御器を用いない場合を示している。

【0068】

この図からも、図４の場合（細い実線）及びニューラルネットワーク制御器を用いない場合（破線）に比して、本発明のモータ制御装置１では（太い実線）、単一構成のニューラルネットワーク制御器１１で動特性改善、特に外乱抑制特性が良好であることが分かる。加えて、本発明のモータ制御装置１では、学習と共に数ステップの学習で外乱応答が改善されていることも確認できる。

【0069】

このときの損失（銅損）を図１０に示し、その時間積分値を図１１に示すが、本発明のモータ制御装置１の場合、及び、図４の場合ともに動特性改善のみが機能しているため、従来の場合と効率は同等であった（各図に破線の楕円で示す部分）。尚、図１０中のＬ１（Ｗ）は本発明のモータ制御装置１の場合、Ｌ２（Ｗ）は図４の場合、Ｌ３（Ｗ）はニューラルネットワーク制御器を用いない場合であり、図１１中のＴＬ１（Ｊ）は本発明のモータ制御装置１の場合、ＴＬ２（Ｊ）は図４の場合、ＴＬ３（Ｊ）は従来の場合である。

【0070】

（５－３）評価３
次に、ニューラルネットワーク制御を用いない従来例として最大出力制御（ＭＴＰＡ）による補償を加えて評価した場合を図１２～図１６に示す。図１２は同様に図５のステップトルク外乱が印加された場合の速度応答波形を示し、図１３は図１２中の３７ｓ～４０ｓの部分を拡大して示している。ここで、前述した評価１、評価２では制御対象であるモータ６のパラメータ（インダクタンスや鎖交磁束）を固定のパラメータで評価していた。一方、この評価３ではパラメータ変動した際でも損失が最少の状態で運転を行えるか確認するため、モータ６のパラメータを変更して評価を行った。

【0071】

尚、図１２、図１３中の太い実線はニューラルネットワーク制御器１１を有する図１の本発明のモータ制御装置１（１ ｉｎｔｅｇｒａｔｅｄ ＮＮ。以下同じ）で効率改善のみ機能させた場合、細い実線は図４（２ ｓｅｐａｒａｔｅ ＮＮ。以下同じ）で効率改善用のニューラルネットワーク制御器１０１のみを機能させた場合、一点鎖線は最大出力制御（ＭＴＰＡ。以下同じ）の場合、破線はｄｑ制御のみ（ｉ_d＝０：ｗｏ ＮＮ。以下同じ）の場合を示しているが、外乱応答はｄｑ制御以外は略同等であった。

【0072】

このときの損失（銅損）を図１４に示し、図１４の３７ｓ～３９ｓの部分を拡大して図１５に示し、図１４の時間積分値を図１６に示す。尚、図１４、図１５のＬ１（Ｗ）は本発明のモータ制御装置１の場合、Ｌ２（Ｗ）は図４の場合、Ｌ３（Ｗ）は最大出力制御の場合、Ｌ４（Ｗ）はｄｑ制御の場合である。図１４、図１５より、本発明のモータ制御装置１のニューラルネットワーク制御器１１で効率改善のみ機能させた場合の方が、僅かであるが他の場合よりも良好であることが分かる（図１４の破線の楕円で示す部分、及び、図１５：Ｌ１＜Ｌ２＜Ｌ３＜Ｌ４）。

【0073】

図１６の時間積分値においても、本発明のモータ制御装置１のニューラルネットワーク制御器１１で効率改善のみ機能させた場合（ＴＬ１）の方が、僅かであるが他の場合（ＴＬ２：図４の場合、ＴＬ３：最大出力制御、ＴＬ４：ｄｑ制御）よりも良好であることが分かる（図１６の破線の楕円で示す部分：ＴＬ１＜ＴＬ３＜ＴＬ２＜ＴＬ４）。

【0074】

（５－４）評価４
次に、同じくニューラルネットワーク制御を用いない従来例として最大出力制御（ＭＴＰＡ）による補償を加えて評価したもう一つの例を図１７～図２１に示す。図１７は同様に図５のステップトルク外乱が印加された場合の速度応答波形を示し、図１８は図１７中の３７ｓ～４０ｓの部分を拡大して示している。ここで、前述した如く評価１、評価２ではモータ６のパラメータ（インダクタンスや鎖交磁束）を固定のパラメータで評価していたが、この評価４でも前述した評価３と同様にパラメータ変動した際でも損失が最少の状態で運転を行えるか確認するため、モータ６のパラメータを変更して評価を行った。

【0075】

尚、図１７、図１８中の太い実線はニューラルネットワーク制御器１１を有する図１の本発明のモータ制御装置１で効率改善及び動特性改善を機能させた場合、細い実線は図４で効率改善用のニューラルネットワーク制御器１０１及び動特性改善用のニューラルネットワーク制御器１０２を機能させた場合、一点鎖線は最大出力制御（ＭＴＰＡ）＋図４の動特性改善用のニューラルネットワーク制御器１０２を用いた場合、破線はｄｑ制御のみ（ｉ_d＝０）の場合を示している。

【0076】

この図から、本発明のモータ制御装置１の場合が最も外乱応答性が良好であることが分かる。尚、図４の場合は、最大出力制御（ＭＴＰＡ）＋図４の動特性改善用のニューラルネットワーク制御器１０２を用いた場合と同等であった。

【0077】

このときの損失（銅損）を図１９に示し、図１９の３７ｓ～３９ｓの部分を拡大して図２０に示し、図１９の時間積分値を図２１に示す。尚、図１９、図２０のＬ１（Ｗ）は本発明のモータ制御装置１の場合、Ｌ２（Ｗ）は図４の場合、Ｌ３（Ｗ）は最大出力制御＋図４の動特性改善用のニューラルネットワーク制御器１０２を用いた場合、Ｌ４（Ｗ）はｄｑ制御の場合である。図１９、図２０より、本発明のモータ制御装置１のニューラルネットワーク制御器１１の方が、僅かであるが他の場合よりも最も良好であることが分かる（図１９の破線の楕円で示す部分、及び、図２０：Ｌ１＜Ｌ２＜Ｌ３＜Ｌ４）。尚、図４の場合（Ｌ２）は、最大出力制御（ＭＴＰＡ）＋図４の動特性改善用のニューラルネットワーク制御器１０２を用いた場合（Ｌ３）と同等であった。

【0078】

図２１の時間積分値においても、本発明のモータ制御装置１のニューラルネットワーク制御器１１の方が（ＴＬ１）、僅かであるが他の場合（ＴＬ２：図４の場合、ＴＬ３：最大出力制御＋図４の動特性改善用のニューラルネットワーク制御器１０２を用いた場合、ＴＬ４：ｄｑ制御）よりも良好であることが分かる（図２１の破線の楕円で示す部分：ＴＬ１＜ＴＬ３＜ＴＬ２＜ＴＬ４）。尚、図４の場合（ＴＬ２）は、最大出力制御（ＭＴＰＡ）＋図４の動特性改善用のニューラルネットワーク制御器１０２を用いた場合（ＴＬ３）と同等であった。

【0079】

以上詳述した如く本発明によれば、入力層２４、中間層２７及び出力層２６を有するニューラルネットワーク制御器１１を設け、このニューラルネットワーク制御器１１の入力層２４に、モータ６の電流値（電流波高指令値ｉ_p ^*と電流波高値ｉ_p）とモータ６の角速度値（機械角速度指令値ω^*と機械角速度ω）を入力信号として入力し、順伝搬と逆伝搬による学習を繰り返すことにより、モータ６の効率改善のための出力信号（電流位相指令値θ_I ^*）とモータ６の動特性改善のための出力信号（補償電流値ｉ_N）を出力層２６より導出し、この導出した出力信号（電流位相指令値θ_I ^*）、或いは、当該出力信号から得られる値（補償電流値ｉ_Nの場合の電流波高指令値ｉ_p ^*）に基づいて、モータ６を制御するようにした。

【0080】

このニューラルネットワーク制御器１１が出力するモータの効率改善のための出力信号（電流位相指令値θ_I ^*）により、モータ６に製品ばらつきがあった場合や、磁気飽和に加え、経年変化や温度変化によりモータパラメータが変動した場合にも、リアルタイムで損失を最小化し、効率の低下を防止することが可能となる。これにより、ばらつきが多くなる安価なモータを採用することができるようになると共に、パラメータの適合にかかる工数も大幅に低減され、コストの削減も図ることが可能となり、所謂ロバスト化も実現することができるようになる。

【0081】

また、ニューラルネットワーク制御器１１が出力するモータの動特性改善のための出力信号（補償電流値ｉ_N）により、外乱に対してリアルタイムでモータ６の速度応答性を改善することができるようになる。これにより、速度指令を生成する上位の制御装置の設計工数も削減することが可能となる。

【0082】

特に、ニューラルネットワーク制御器１１は、モータの効率改善と動特性改善のための出力生成のための中間層２７、出力層２６のニューロン２７やシナプス３１～３３を共用することができるので、単一構成で効率改善と動特性改善を統一的に考慮した設計が可能となると共に、各出力を個別のニューラルネットワークにて生成する場合に比してネットワーク規模の小型化を図り、計算負荷を軽減することができるようになる。

【0083】

これにより、システムの安定性を向上させながら、演算効率の改善及び低消費電力化が可能となると共に、大きな演算リソースを有する演算装置も不要となるため、コストの削減も図ることが可能となる。

【0084】

更に、効率改善と動特性改善の両方に寄与するシナプス３１～３３が学習されることになるので、効率改善のためのニューラルネットワーク制御器１０１と動特性改善ためのニューラルネットワーク制御器１０２を個々に設けた図４の場合に比して、効率改善と動特性改善の性能をより一層向上させることが可能となる。

【0085】

また、実施例ではモータ６の電流値としては電流波高指令値ｉ_p ^*と電流波高値ｉ_p、モータ６の角速度値としては機械角速度指令値ω^*と機械角速度推定値ω、モータ６の効率改善のための出力信号としては電流位相指令値θ_I ^*、モータ６の動特性改善のための出力信号としては補償電流値ｉ_Nを採用し、モータ６の機械角速度指令値ω^*と機械角速度推定値ωの偏差が入力されるフィードバック系の速度制御器１２で算出されたフィードバック制御出力値ｉ_pf ^*に、補償電流値ｉ_Nを加算することで電流波高指令値ｉ_p ^*を導出し、電流位相指令値θ_I ^*と電流波高指令値ｉ_p ^*を極座標変換器１３に入力して、この極座標変換器１３によりｄ軸電流指令値ｉ_d ^*とｑ軸電流指令値ｉ_q ^*を導出するようにした。

【0086】

そして、ニューラルネットワーク制御器１１が電流波高指令値ｉ_p ^*と電流波高値ｉ_pの二乗誤差（ｉ_p ^*－ｉ_p）²、及び、フィードバック制御出力値ｉ_pf ^*の二乗誤差（ｉ_pf ^*）²を教師信号とし、各教師信号を最小化するように、入力信号から出力信号を学習的に導出するようにしたので、最適効率で且つ速度応答性良好な状態で、的確にモータ６を制御することができるようになる。

【0087】

尚、本発明のモータ制御装置の制御対象は、請求項７の発明以外では実施例で示した永久磁石同期電動機に限定されるものではない。

【符号の説明】

【0088】

１ モータ制御装置
３ モータ制御部
６ モータ
７ 相電圧指令演算器
８ ＰＷＭ信号生成器
９ インバータ回路（モータ駆動部）
１０ ｄｑ軸電流変換器
１１ ニューラルネットワーク制御器
１２ 速度制御器
１３ 極座標変換器
１４ 電流制御器
１６ 非干渉制御器
１７ 三相電流推定器
１８ 磁石位置推定器
１９ 回転数演算器
２４ 入力層
２６ 出力層
２７ 中間層
２８、２９ ニューロン
３１～３３ シナプス

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】

【図21】