特開 2025-7572 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】P2025007572

(43)【公開日】2025-01-17

(54)【発明の名称】モータ制御装置

(51)【国際特許分類】

   H02P 21/22 20160101AFI20250109BHJP

【ＦＩ】

H02P21/22

【審査請求】未請求

【請求項の数】6

【出願形態】ＯＬ

(21)【出願番号】P 2023109060

(22)【出願日】2023-07-03

(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】孫 林峰

(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）】

5H505AA06

5H505BB02

5H505CC04

5H505DD08

5H505EE41

5H505EE49

5H505GG02

5H505GG04

5H505GG10

5H505HB01

5H505JJ03

5H505JJ25

5H505LL14

5H505LL22

5H505LL41

(57)【要約】

【課題】ニューラルネットワーク構造により、直接的に最適効率となる出力信号を学習的に導出する場合に、物理的な制約を学習アルゴリズムに組み込むことで、リアルタイムでより最適な効率改善を図ることができるモータ制御装置を提供する。
【解決手段】モータ制御装置１は、モータ６を制御するものであって、入力信号を入力し、順伝搬と逆伝搬による学習を繰り返すことにより、最適効率となる出力信号を導出するニューラルネットワーク補償器１１を備え、入力信号を電流波高指令値ｉ_p ^*と電流波高値ｉ_pとし、出力信号を電流位相指令値θ_i ^*とし、傾きΔｉ_p／Δθ_i ^*に基づく値を教師信号として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。
【選択図】図１

【特許請求の範囲】

【請求項1】

入力信号を入力し、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を導出するニューラルネットワーク補償器を備え、該ニューラルネットワーク補償器が導出した前記出力信号に基づき、前記モータを制御するモータ制御装置において、
前記ニューラルネットワーク補償器は、
前記入力信号を、電流波高指令値ｉ_p ^*と電流波高値ｉ_pとし、
前記出力信号を、電流位相指令値θ_i ^*とすると共に、
傾きΔｉ_p／Δθ_i ^*に基づく値を教師信号として、当該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モータ制御装置。

【請求項2】

前記傾きΔｉ_p／Δθ_i ^*に基づく値である符号関数ｓｇｎ（Δｉ_p／Δθ_i ^*）を前記ニューラルネットワーク補償器の教師信号と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補償器は、前記入力信号として機械角速度指令値ω^*と機械角速度推定値ωを更に入力し、前記モータの動特性改善のための補償電流値ｉ_Nを前記出力信号として更に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4】

前記ニューラルネットワーク補償器は、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請求項３に記載のモータ制御装置。

【請求項5】

前記モータは、永久磁石同期電動機であることを特徴とする請求項１乃至請求項４のうちの何れかに記載のモータ制御装置。

【請求項6】

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補償器の前記出力信号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４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、ニューラルネットワーク制御を利用してモータの運転を制御する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ではモータの電流制御系において，ステップ状のトルク指令に対する電流のオーバーシュート量、アンダーシュート量、立ち上がり時間を報酬とした学習により、電流制御器のＰＩゲインを最適化する学習装置と学習方法を提案している。また、例えば、特許文献２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る。この文献では、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ている。

【0004】

更に、例えば、特許文献３ではニューラルネットワーク手段を用いて、１次電圧と位相角を導出し、誘導機を制御する装置が提案されている。しかしながら、何れの文献に記載の構成によっても、モータの製品ばらつきや経年変化によるモータパラメータの変動に対して、応答性良く損失を最小化し、効率の低下を防止することは難しいという問題があった。

【0005】

そこで、例えば特許文献４では、ニューラルネットワーク制御により、リアルタイムで最適効率となる出力信号を学習的に導出し、モータの総合効率（機械出力／電源入力）が最適になるように補償を行うモータ制御装置を提案していた。

【先行技術文献】

【特許文献】

【0006】

【特許文献1】特開２０１７－３４８４４号公報

【特許文献2】特開２０１８－１４８３８号公報

【特許文献3】特許第３０５４５２１号公報

【特許文献4】特開２０２２－４２８７１号公報

【発明の概要】

【発明が解決しようとする課題】

【0007】

しかしながら、従来のニューラルネットワーク制御による補償では、学習方法が場当たり的にデータを与えて学習させるものであったため、制御装置と外部環境要因に応じた最適値からずれてしまう。即ち、モータの製造バラツキや経年変化等でパラメータが変化してしまった場合、損失が最小となるような運転点で動作できず、総合効率（機械出力／電源入力）が低下してしまう。

【0008】

また、安価でバラツキの大きな部品を採用した場合も、損失が最小となるような運転点で動作できず、やはり総合効率が低下してしまう。それにより、電流が増加して熱が増えるため、素子の寿命が低下する。また、インバータの故障を防ぐために運転時間が短くなる問題があった。

【0009】

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構造により、直接的に最適効率となる出力信号を学習的に導出する場合に、物理的な制約を学習アルゴリズムに組み込むことで、リアルタイムでより最適な効率改善を図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】

【0010】

本発明のモータ制御装置は、入力信号を入力し、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を導出するニューラルネットワーク補償器を備え、このニューラルネットワーク補償器が導出した出力信号に基づき、モータを制御するものであって、ニューラルネットワーク補償器は、入力信号を、電流波高指令値ｉ_p ^*と電流波高値ｉ_pとし、出力信号を、電流位相指令値θ_i ^*とすると共に、傾きΔｉ_p／Δθ_i ^*に基づく値を教師信号として、当該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。

【0011】

請求項２の発明のモータ制御装置は、上記発明において傾きΔｉ_p／Δθ_i ^*に基づく値である符号関数ｓｇｎ（Δｉ_p／Δθ_i ^*）をニューラルネットワーク補償器の教師信号とすることを特徴とする。

【0012】

請求項３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補償器は、入力信号として機械角速度指令値ω^*と機械角速度推定値ωを更に入力し、モータの動特性改善のための補償電流値ｉ_Nを出力信号として更に導出することを特徴とする。

【0013】

請求項４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補償器は、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。

【0014】

請求項５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ることを特徴とする。

【0015】

請求項６の発明のモータ制御装置は、請求項１乃至請求項４の発明において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補償器の出力信号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備えたことを特徴とする。

【発明の効果】

【0016】

本発明によれば、入力信号を入力し、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を導出するニューラルネットワーク補償器を備え、このニューラルネットワーク補償器が導出した出力信号に基づき、モータを制御する制御装置において、ニューラルネットワーク補償器が、入力信号を、電流波高指令値ｉ_p ^*と電流波高値ｉ_pとし、出力信号を、電流位相指令値θ_i ^*とすると共に、傾きΔｉ_p／Δθ_i ^*に基づく値を教師信号として、当該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、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、効率の低下を防止して、最小損失でのモータ駆動が可能となる。

【0017】

これにより、バラツキ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ると共に、所謂ロバスト化も実現することができるようになる。

【0018】

特に、ニューラルネットワーク補償器は、傾きΔｉ_p／Δθ_i ^*に基づく値を教師信号とし、当該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、傾きΔｉ_p／Δθ_i ^*という物理的な制約をニューラルネットワークの学習アルゴリズムに組み込み、より最適な効率でのモータ駆動が可能となる。また、オーバーシュートが発生しない速度制御器との親和性も高くなるものである。

【0019】

請求項２の発明によれば、上記発明において傾きΔｉ_p／Δθ_i ^*に基づく値である符号関数ｓｇｎ（Δｉ_p／Δθ_i ^*）をニューラルネットワーク補償器の教師信号とするようにしたので、ニューラルネットワーク補償器での演算の簡便性と学習の早さ、及び、安定性を向上させることができるようになる。

【0020】

また、請求項３の発明の如くニューラルネットワーク補償器が、入力信号として機械角速度指令値ω^*と機械角速度推定値ωを更に入力し、モータの動特性改善のための補償電流値ｉ_Nを出力信号として更に導出するようにすることで、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。

【0021】

特に、ニューラルネットワーク補償器が、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、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。

【0022】

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。更に、効率改善と動特性改善の両方に寄与する学習が成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。

【0023】

また、上記各発明は請求項５の発明の如き永久磁石同期電動機に有効であり、具体的には請求項６の発明の如く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補償器の出力信号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（実施例１）。

【図2】図１のモータ制御装置のニューラルネットワーク補償器のブロック図である。

【図3】図２のニューラルネットワーク補償器の内部構造の一例を示す図である。

【図4】モータが最適効率となる電流波高値と電流位相の関係を説明するためのｄｑ軸における最適位相条件を示す図である。

【図5】同じくモータが最適効率となる電流波高値と電流位相の関係を説明するためのｉ_p－θ_i軸における最適位相条件を示す図である。

【図6】本発明を適用したモータ制御装置の損失に対する応答波形を説明する図である。

【図7】本発明を適用したモータ制御装置の電流（ｉ_d、ｉ_q、ｉ_p）と位相（θ_i）の応答波形を説明する図である。

【図8】本発明を適用したモータ制御装置の物理パラメータ変化後の損失に対する応答波形を説明する図である。

【図9】本発明を適用したモータ制御装置の物理パラメータ変化後の電流（ｉ_d、ｉ_q、ｉ_p）と位相（θ_i）の応答波形を説明する図である。

【図10】パラメータ変化前後での各評価値の最適値に対する割合を説明する図である。

【図11】本発明を適用した他の実施例のモータ制御装置のブロック図である（実施例２）。

【図12】図１１のモータ制御装置のニューラルネットワーク補償器のブロック図である。

【図13】図１２のニューラルネットワーク補償器の内部構造の一例を示す図である。

【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。

【実施例0026】

（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。

【0027】

（２）インバータ回路９（モータ駆動部）
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、後述するインバータ制御部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。

【0028】

（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’_m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Ｖｄ^*、ｑ軸電圧指令値Ｖｑ^*を生成し、これらｄ軸電圧指令値Ｖｄ^*、ｑ軸電圧指令値Ｖｑ^*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。

【0029】

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補償器１１と、速度制御器１２と、極座標変換器１３と、電流制御器１４と、非干渉補償器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。

【0030】

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。

【0031】

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Ｖｄ^*、ｑ軸電圧指令値Ｖｑ^*を用いても良い。又、ｄ軸電圧指令値Ｖｄ^*、ｑ軸電圧指令値Ｖｑ^*とｄ軸電流ｉ_d、ｑ軸電流ｉ_q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Ｖｄ^*、ｑ軸電圧指令値Ｖｑ^*、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。

【0032】

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^' _m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^' _mを、非干渉補償器１６に入力される。

【0033】

また、回転数演算器１９が出力する機械角速度推定値ω^' _m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_m ^*から機械角速度推定値ω^' _m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^' _mの代わりに減算器２１に入力されることになる。

【0034】

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。この速度制御器１２はＩ－Ｐ演算及び電流波高値ｉ_pとトルクの関係式より、電流波高指令値ｉ_p ^*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、電流波高指令値ｉ_p ^*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】

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補償器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補償器１１については、後に詳述する。

【0036】

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。

【0037】

【数1】

【0038】

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。

【0039】

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、非干渉補償器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、この非干渉補償器１６は省略しても良い。

【0040】

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。

【0041】

（４）ニューラルネットワーク補償器１１（実施例１）
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補償器１１について詳述する。図２はこの実施例のニューラルネットワーク補償器１１のブロック図、図３はニューラルネットワーク補償器１１の内部構造を示す図である。ニューラルネットワーク補償器１１は、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、即ち、モータ６が最適効率となる出力信号を導出するものである。

【0042】

尚、前記モータ６の効率改善のための出力信号は、本発明では電流位相指令値θ_i ^*である。また、入力信号はモータ６の電流値としての電流波高値ｉ_pと電流波高指令値ｉ_p ^*（電流波高値ｉ_pの指令値）である。

【0043】

また，本発明において最小化すべき教師信号は、ｓｇｎ（Δｉ_p／Δθ_i ^*）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補償器１１は、教師信号ｓｇｎ（Δｉ_p／Δθ_i ^*）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。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ｓｇｎ（Δｉ_p／Δθ_i ^*）を利用する。

【0044】

ここで、図４に示す如く、必要トルクＴ_eに対し、電流波高値ｉ_pを最小化する電流位相θ_iが存在し、図５に示す如く、最適効率のときに傾きΔｉ_p／Δθ_i ^*が零（０）となる。これが本発明における物理的な制約である。また、この実施例では、更に演算の簡便性、学習の早さ、安定性向上を考慮し、傾きΔｉ_p／Δθ_i ^*に符号関数ｓｇｎを適用し、制御時刻での傾きの符号（－、０、＋）のみにより学習を行う。即ち、ニューラルネットワーク補償器１１では、順伝搬と逆伝搬を繰り返して、リアルタイムで教師信号である符号関数ｓｇｎ（Δｉ_p／Δθ_i ^*）を最小化する最適な電流位相指令値θ_i ^*を導出する。

【0045】

図１では速度制御器１２の出力である電流波高指令値ｉ_p ^*と、ニューラルネットワーク補償器１１が学習により導出した最適な電流位相指令値θ_i ^*により、モータ６を最適効率の状態で速度制御する。

【0046】

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補償器１１を更に具体的に説明する。ニューラルネットワーク補償器１１は、教師信号（傾きΔｉ_p／Δθ_i ^*の符号関数ｓｇｎ（Δｉ_p／Δθ_i ^*））を最小化するように、補償量（出力信号：電流位相指令値θ_i ^*）を現在の入力信号（電流波高指令値ｉ_p ^*と電流波高値ｉ_p）から学習的に導出する。

【0047】

ここで、損失（銅損）は電流波高値の二乗ｉ_p ²に比例する。トルクは電流波高値ｉ_pにより制御されるが、電流波高値ｉ_pは電流位相θ_iの関数である。従って、ニューラルネットワーク補償器１１により、必要トルク条件を満たす範囲で電流波高値ｉ_pが最小となる電流位相θ_iを演算周期毎に情報更新することで導出する。

【0048】

この実施例のニューラルネットワーク（ＮＮ）補償器１１の内部構造は図３のようになる（２入力、１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もしきい値であるニューロン２９により構成されている。

【0049】

そして、入力層２４と最初の中間層２７のニューロン２８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２８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２７のニューロン２８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。

【0050】

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補償器１１は、入力層（２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（１出力）である。

【0051】

【数2】

【0052】

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、ｂ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ｂの更新式（学習式）は式（ＩＩＩ）となる。

【0053】

【数3】

【0054】

ここで、式（ＩＩＩ）中のα、βは学習率、Ｅは損失関数（電流波高値ｉ_p）である。ニューラルネットワーク補償器１１の演算手順については、一回のサンプリング周期で、以下のステップ１：順伝搬演算（式（ＩＶ）で示す）と、ステップ２：逆伝搬演算（式（Ｖ）で示す）と、ステップ３：勾配降下演算（式（ＶＩ）で示す）を実施する（３層構造の例）。

【0055】

【数4】

【0056】

【数5】

【0057】

【数6】

【0058】

尚、式（ＩＶ）～式（ＶＩ）中の丸括弧（）の添え字は現在の層と次の層を接続することを意味する。また、かぎ括弧［］の添え字はどの層からどの層へ伝わる重みであるかを表している。添え字１は２×１０、添え字２は１０×１０、添え字３は１０×１である。

【0059】

また、式（ＩＶ）～式（ＶＩ）中のＷ^[1]、Ｗ^[2]、Ｗ^[3]は各層の重み、Ｂ^[1]、Ｂ^[2]、Ｂ^[3]は各層の閾値、αとβは重みを更新するための学習率（ハイパーパラメータ）である。また、Ａ^[1]、Ａ^[2]はニューロンの結合式、σは活性化関数である。更に、θ_i ^*は電流位相指令値θ_i ^*、Ｌは損失関数、上添え字Ｔは転置行列である。

【0060】

ニューラルネットワーク補償器１１は、教師信号ｓｇｎ（Δｉ_p／Δθ_i ^*）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 ^*）を学習的に導出する。そして、ニューラルネットワーク補償器１１が出力する電流位相指令値θ_i ^*は極座標変換器１３に入力される。

【0061】

（５）図１のモータ制御装置１の評価
次に、図６～図１０を参照しながらこの実施例（図１～図３）のニューラルネットワーク補償器１１を用いたモータ６の最適効率制御の効果について説明する。図６は物理パラメータ変化がない場合の損失に対する時間応答波形を示している。尚、図中に記載のパーセンテージは，最適値（Ｏｐｔｉｍａｌ）に対する割合を示している。また、実線は実施例のモータ制御装置１の場合（ＮＮ－ｂａｓｅｄ ＭＴＰＡ）、破線はニューラルネットワーク補償器を用いない従来の一般的なＭＴＰＡ（Ｃｏｎｖｅｎｔｉｏｎａｌ ＭＴＰＡ）によるモータ制御の場合を示している。

【0062】

図６より、この実施例のモータ制御装置１の場合（最適効率比で１００％）と、従来の一般的なＭＴＰＡ（１００％）の場合は、ともに略同等であり、最適効率となっていることが確認できる。また、ｄ軸電流ｉ_dとｑ軸電流ｉ_q、及び、電流波高値ｉ_pと電流位相θ_iの時間応答波形を図７に示す。図７から何れの制御でも電流レベルで各値は最適条件に一致していることが確認できる。

【0063】

次に，物理パラメータが変化した場合の結果について比較検証する。ここでは、実応用を考慮し、変化後の物理パラメータは利用できないものとする。即ち、ＭＴＰＡでは、変化前のパラメータのみ利用可能で、その値により設計されているものとする。図８に損失に対する時間応答波形を示す。図８より、従来のＭＴＰＡでは（破線）、物理パラメータ変化により最適性が失われ、最適効率に対して損失レベルで３．７％劣化している。

【0064】

これに対して、この実施例のモータ制御装置１では（実線）、物理パラメータを必要とせず、ニューラルネットワーク制御による学習により、損失を最適値（劣化０％）に維持できていることがわかる。ｄ軸電流ｉ_dとｑ軸電流ｉ_q、及び、電流波高値ｉ_pと電流位相θ_iの時間応答波形を図９に示す。図９から、従来のＭＴＰＡでは物理パラメータの変化により、各値は最適条件から外れているが（破線）、実施例のモータ制御装置１では何れも最適値に略一致していることが確認できる（実線）。

【0065】

パラメータ変化前後での従来のＭＴＰＡと実施例のモータ制御装置１（ニューラルネットワーク補償）の比較について、各値を最適値に対する割合としてまとめた結果を図１０に示す。図中（ａ）は物理パラメータ変化前、（ｂ）は変化後を示している。この図よりパラメータ変化後は、実施例のモータ制御装置１は全て最適値近傍の値をとっており、一般的なＭＴＰＡに対する優位性が確認できる。

【0066】

以上のように、ニューラルネットワーク補償器１１の入力信号を、電流波高指令値ｉ_p ^*と電流波高値ｉ_pとし、出力信号を電流位相指令値θ_i ^*とすると共に、傾きΔｉ_p／Δθ_i ^*に基づく値を教師信号として、当該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、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、効率の低下を防止して、最小損失でのモータ駆動が可能となる。

【0067】

これにより、バラツキが多くなる安価なモータ６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ると共に、所謂ロバスト化も実現することができるようになる。

【0068】

特に、ニューラルネットワーク補償器１１は、傾きΔｉ_p／Δθ_i ^*に基づく値を教師信号とし、当該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、傾きΔｉ_p／Δθ_i ^*という物理的な制約をニューラルネットワークの学習アルゴリズムに組み込み、より最適な効率でのモータ駆動が可能となる。また、オーバーシュートが発生しない速度制御器との親和性が高くなる。即ち、速度オーバーシュートが発生する場合、それに起因する不要な消費電力が発生する事となり、ノイズを含んだ状態で学習する事となる。その為、本発明では速度制御器にオーバーシュートが発生しない制御系で構成する事で、最適な学習が可能となる。

【0069】

また、実施例では傾きΔｉ_p／Δθ_i ^*に基づく値として、符号関数ｓｇｎ（Δｉ_p／Δθ_i ^*）をニューラルネットワーク補償器１１の教師信号に採用したので、ニューラルネットワーク補償器１１での演算の簡便性と学習の早さ、及び、安定性を向上させることができるようになる。特に、本発明は実施例の如き永久磁石同期電動機のモータ６に有効である。

【実施例0070】

次に、図１１～図１３を参照しながら本発明の他の実施例のモータ制御装置１について説明する。図１１はこの実施例（実施例２）のモータ制御装置１の構成を示すブロック図である。尚、図１１～図１３において、図１～図１０と同一符号で示すものは同一、若しくは、同様の役割を果たすものとし、共通するものは説明を省略する。

【0071】

この実施例においても、減算器２１で算出された機械角速度指令値ω^*と機械角速度推定値ωとの偏差が速度制御器１２に入力される。そして、この実施例では三相電流推定器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。

【0072】

また、この実施例の速度制御器１２は、Ｉ－Ｐ演算及び電流波高値ｉ_pとトルクの関係式より、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。

【0073】

そして、この実施例では加算器２０が設けられ、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。また、加算器２０には、この実施例のニューラルネットワーク補償器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。

【0074】

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補償器１１が出力する電流位相指令値θｉ^*が入力される。この極座標変換器１３以降の回路は前述した実施例と同様である。

【0075】

（６）ニューラルネットワーク補償器１１（実施例２）
次に、図１２、図１３を用いてこの実施例のニューラルネットワーク補償器１１について詳述する。図１２はこの実施例のニューラルネットワーク補償器１１、速度制御器１２及び極座標変換器１３のブロック図、図１３はニューラルネットワーク補償器１１の内部構造を示している。

【0076】

この実施例のニューラルネットワーク補償器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。

【0077】

尚、前記モータ６の効率改善のための出力信号は、この実施例においても電流位相指令値θ_i ^*であり、モータ６の動特性改善のための出力信号は前述した補償電流値ｉ_Nである。また、入力信号はモータ６の電流値としての電流波高値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。

【0078】

また，最小化すべき教師信号は二つあり、一つは前述したｓｇｎ（Δｉ_p／Δθ_i ^*）である。もう一つ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 ^*－０）²、即ち（ｉ_pf ^*）²である。そして、この実施例のニューラルネットワーク補償器１１は、各教師信号ｓｇｎ（Δｉ_p／Δθ_i ^*）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。

【0079】

即ち、最適な効率となる電流位相指令値θｉ^*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ｓｇｎ（Δｉ_p／Δθ_i ^*）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。

【0080】

この実施例のニューラルネットワーク補償器１１も、多層のニューラルネットワーク補償器であり、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ｓｇｎ（Δｉ_p／Δθ_i ^*）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。

【0081】

こ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、速度制御器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。

【0082】

次に、図１３に示す内部構造を用いてこの実施例のニューラルネットワーク補償器１１を更に具体的に説明する。この実施例のニューラルネットワーク補償器１１は、教師信号（ｓｇｎ（Δｉ_p／Δθ_i ^*）と（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。

【0083】

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。

【0084】

この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１３のようになる（４入力、２出力）。この場合の入力層２４（Ｉｎｐｕｔ ｌａｙｅｒ）と出力層２６（Ｏｕｔｐｕｔ ｌａｙｅｒ）間にも複数の中間層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もしきい値であるニューロン２９（この場合二つ）により構成されている。

【0085】

そして、入力層２４と最初の中間層２７のニューロン２８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２８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２７のニューロン２８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。

【0086】

各ニューロン２８、２９の結合式は前述した式（ＩＩ）であり、重みｗ_iと、閾値θの更新式（学習式）は前述した式（ＩＩＩ）である。尚、この実施例のニューラルネットワーク補償器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。

【0087】

この実施例のニューラルネットワーク補償器１１は、各教師信号ｓｇｎ（Δｉ_p／Δθ_i ^*）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。

【0088】

そして、ニューラルネットワーク補償器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補償器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。

【0089】

ここで、効率改善用のニューラルネットワーク補償器と動特性改善用のニューラルネットワーク補償器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補償器の合計で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。

【0090】

一方、この実施例のニューラルネットワーク補償器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補償器）、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る。

【0091】

そして、この実施例によっても前述した実施例同様にモータ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、効率の低下を防止して、最小損失でのモータ駆動が可能となる。これにより、コストの削減も図ることが可能となると共に、所謂ロバスト化も実現することができるようになる。

【0092】

特に、この場合のニューラルネットワーク補償器１１でも、傾きΔｉ_p／Δθ_i ^*に基づく値を教師信号とし、当該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ので、傾きΔｉ_p／Δθ_i ^*という物理的な制約をニューラルネットワークの学習アルゴリズムに組み込み、より最適な効率でのモータ駆動が可能となる。また、オーバーシュートが発生しない速度制御器との親和性も高くなる。

【0093】

また、この実施例でも傾きΔｉ_p／Δθ_i ^*に基づく値として、符号関数ｓｇｎ（Δｉ_p／Δθ_i ^*）をニューラルネットワーク補償器１１の教師信号に採用したので、ニューラルネットワーク補償器１１での演算の簡便性と学習の早さ、及び、安定性を向上させることができるようになる。

【0094】

更に、この実施例ではニューラルネットワーク補償器１１が、入力信号として機械角速度指令値ω^*と機械角速度推定値ωを更に入力し、モータ６の動特性改善のための補償電流値ｉ_Nを出力信号として更に導出するようにしているので、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。

【0095】

特に、この実施例ではニューラルネットワーク補償器１１は、モータ６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、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。

【0096】

それにより、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。更に、効率改善と動特性改善の両方に寄与する学習が成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。

【0097】

尚、本発明のモータ制御装置１の制御対象は、請求項５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。