特許 7452511 モータ制御装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-03-11

(45)【発行日】2024-03-19

(54)【発明の名称】モータ制御装置

(51)【国際特許分類】

   H02P 29/66 20160101AFI20240312BHJP

   H02K 9/19 20060101ALI20240312BHJP

   H02P 29/032 20160101ALI20240312BHJP

【ＦＩ】

H02P29/66

H02K9/19 B

H02P29/032

【請求項の数】 5

(21)【出願番号】P 2021163000

(22)【出願日】2021-10-01

(65)【公開番号】P2023053765

(43)【公開日】2023-04-13

【審査請求日】2023-02-24

(73)【特許権者】

【識別番号】000003609

【氏名又は名称】株式会社豊田中央研究所

(74)【代理人】

【識別番号】110001210

【氏名又は名称】弁理士法人ＹＫＩ国際特許事務所

(72)【発明者】

【氏名】宮部 友博

(72)【発明者】

【氏名】中澤 輝彦

【審査官】池田 貴俊

(56)【参考文献】

【文献】特開２００８－１７８２４３（ＪＰ，Ａ）

【文献】特開２０２１－０９０３４０（ＪＰ，Ａ）

【文献】特開２０１５－１５９６４３（ＪＰ，Ａ）

【文献】特開２０１８－１７０９４１（ＪＰ，Ａ）

【文献】特開２０１７－０３３５４６（ＪＰ，Ａ）

【文献】特開２０２１－０１６２２６（ＪＰ，Ａ）

【文献】特開２００３－２３５２８６（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ０２Ｐ ２９／６６

Ｈ０２Ｋ ９／１９

Ｈ０２Ｐ ２９／０３２

(57)【特許請求の範囲】

【請求項1】

モータのロータコアに設けられた磁石の温度に影響を与える要素の時系列データセットを学習モデルに入力して、前記磁石の温度を予測する予測部と、
前記予測部によって予測された温度に基づいて、前記モータに供給される冷却油の流量を制御する制御部と、
を有し、
予め定められたサンプリング期間毎に前記要素の時系列データが計測され、
前記時系列データセットは、過去の連続する複数のサンプリング期間中に計測された時系列データのセットであり、
前記予測部は、前記時系列データセットに基づいて、次のサンプリング期間における前記磁石の温度を予測する、
ことを特徴とするモータ制御装置。

【請求項2】

前記制御部は、前記予測部によって予測された温度が、不可逆減磁を引き起こす温度についての許容値を超える場合、前記モータの出力トルクを抑制する、
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】

前記学習モデルは、前記モータの試作機を用いて計測された磁石の温度と前記要素の時系列データとの関係について学習したモデルである、
ことを特徴とする請求項１又は請求項２に記載のモータ制御装置。

【請求項4】

前記要素は、前記モータに対する要求トルクの値、前記モータのステータコイルに供給される電流の値、前記モータの損失量、前記ステータコイルの温度、前記モータのロータの回転速度、前記磁石の極数、前記モータに供給される冷却油の温度、前記モータに供給される冷却油の流量、外気の温度、又は、前記モータが搭載された車両の車速である、
ことを特徴とする請求項１から請求項３のいずれか一項に記載のモータ制御装置。

【請求項5】

前記制御部は、前記予測部によって予測された温度が許容値以下である場合において、前記モータに供給される冷却油の流量が事前に増やされている場合、前記モータに供給される冷却油の流量を減らす、
ことを特徴とする請求項１から請求項４のいずれか一項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、モータ制御装置に関する。

【背景技術】

【0002】

ロータコアに磁石が設けられたモータが、電動車両の駆動用モータとして用いられる場合がある。磁石の温度が、許容された上限値を超えると、減磁が発生し、モータの性能が低下することが知られている。したがって、磁石の温度を把握することは極めて重要であるが、運転中、ロータは高速で回転しているため、ロータコアに設けられた磁石の温度を直接計測することは困難である。これに対処する技術として、磁石の温度を推定又は予測する技術が知られている。

【0003】

特許文献１，２には、ロータコアに設けられた磁石の温度を推定する技術が記載されている。これらの技術においては、ステータコイルの現在の温度と冷却油の現在の温度とを計測し、これらの値と磁石の温度の前回の推定値とに基づいて、磁石の現在の温度を推定する。この推定技術は、コイルに流れる電流が主な熱の発熱源であり、冷却油は磁石から熱を奪う役割を担っているという考え方を基にしている。つまり、この推定技術は、基本的には、熱は、ステータコイル、ロータコア、冷却油及び外気の順に伝達されるため、ステータコイルと冷却油の温度が分かれば、両者に挟まれたロータコアの温度を推定できるという考え方を基にしている。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１８－１０２１０２号公報

【文献】特開２０２１－６９１４６号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

ところで、電動駆動系内の熱の伝達系は非線形なシステムである。したがって、特許文献１，２に記載されているように現在計測された値だけを用いる推定技術では、ロータコアに設けられた磁石の温度を正確に推定することは困難である。例えば、加熱中と冷却中とでは、磁石の周辺の要素（例えば、ステータコイルや冷却油等）の温度が一時的に同じ温度であっても、ロータコアに設けられた磁石の温度は異なると予測される。したがって、現在計測された値だけを用いる推定技術では、磁石の温度を正確に推定することは困難である。

【0006】

本発明の目的は、モータのロータコアに設けられた磁石の温度を予測する場合において、現在計測された値だけを用いて磁石の温度を予測する場合と比べて、磁石の温度をより正確に予測してモータを制御することにある。

【課題を解決するための手段】

【0007】

本発明の１つの態様は、モータのロータコアに設けられた磁石の温度に影響を与える要素の時系列データを学習モデルに入力して、前記磁石の温度を予測する予測部と、前記予測部によって予測された温度に基づいて、前記モータに供給される冷却油の流量を制御する制御部と、を有することを特徴とするモータ制御装置である。

【0008】

上記の構成によれば、磁石の温度に影響を与える要素の時系列データを用いて磁石の温度を予測するので、非線形な熱伝達の特性に対応することができる。その結果、現在計測された値だけを用いて磁石の温度を予測する場合と比べて、より正確な値を予測することができる。

【0009】

前記制御部は、前記予測部によって予測された温度が、不可逆減磁を引き起こす温度についての許容値を超える場合、前記モータの出力トルクを抑制してもよい。

【0010】

前記学習モデルは、前記モータの試作機を用いて計測された磁石の温度と前記要素の時系列データとの関係について学習したモデルであってもよい。

【0011】

前記要素は、例えば、前記モータに対する要求トルクの値、前記モータのステータコイルに供給される電流の値、前記モータの損失量、前記ステータコイルの温度、前記モータのロータの回転速度、前記磁石の極数、前記モータに供給される冷却油の温度、前記モータに供給される冷却油の流量、外気の温度、又は、前記モータが搭載された車両の車速である。

【0012】

前記制御部は、前記予測部によって予測された温度が許容値以下である場合において、前記モータに供給される冷却油の流量が事前に増やされている場合、前記モータに供給される冷却油の流量を減らしてもよい。

【発明の効果】

【0013】

本発明によれば、モータのロータコアに設けられた磁石の温度を予測する場合において、現在計測された値だけを用いて磁石の温度を予測する場合と比べて、磁石の温度をより正確に予測してモータを制御することができる。

【図面の簡単な説明】

【0014】

【図1】車両の電動駆動系の構成を示す図である。

【図2】モータと制御系とを示す図である。

【図3】電動駆動系内での熱の移動を説明するための図である。

【図4】ロータコアに設けられた磁石の温度を計測する構成を示す図である。

【図5】ロータコアに設けられた磁石の温度を計測する構成を示す図である。

【図6】学習モデルの構築の流れを示すフローチャートである。

【図7】時系列データセットを示す図である。

【図8】学習モデルを示す図である。

【図9】現在の測定値のみを用いて得られた予測値を示す図である。

【図10】時系列データセットを用いて得られた予測値を示す図である。

【図11】モータの制御の流れを示すフローチャートである。

【図12】冷却油の流量の制御の流れを示すフローチャートである。

【発明を実施するための形態】

【0015】

以下、実施形態に係るモータ制御装置について説明する。実施形態に係るモータ制御装置は、自動車等の車両に搭載され、電力で車両を駆動するモータを制御する装置である。以下では、モータ制御装置は、車両に搭載されることとして説明するが、他の機器に搭載されてもよい。

【0016】

図１を参照して、モータ制御装置が搭載される車両１０の電動駆動系について説明する。図１には、車両１０の電動駆動系の構成が示されている。車両１０は、車両１０を駆動するモータ１２と、変速機１４と、ディファレンシャルギア１６と、ドライブシャフト１８と、タイヤ２０と、を含む。

【0017】

動力源であるモータ１２から出力された動力は、変速機１４、ディファレンシャルギア１６及びドライブシャフト１８を介してタイヤ２０に伝えられ、これにより、車両１０は走行する。モータ１２、変速機１４及びディファレンシャルギア１６によって構成される部分を、電動駆動系と称する。

【0018】

以下、図２を参照して、モータ１２とその制御系について説明する。車両１０は、モータ１２と、バッテリ２２と、バッテリの直流電力を交流電力に変換してモータ１２に供給するインバータ２４と、モータ１２を冷却する冷却機構の一例であるオイルポンプ２６と、モータ１２の出力を制御するモータ制御装置２８と、を含む。

【0019】

モータ１２は、ケース３０と、ケース３０内に設置されたステータ３２と、ステータ３２の内周に配置されたロータ３４と、ロータ３４に一体に固定されたシャフト３６と、ベアリング３８と、を含む。

【0020】

ステータ３２は、複数の電磁鋼板が積層されることで構成されたステータコア４０と、ステータコア４０に巻回されたステータコイル４２と、を含む。

【0021】

ロータ３４は、複数の電磁鋼板が積層されることで構成されたロータコア４４と、ロータコア４４の外周近傍の内部に組み込まれた磁石４６（例えば永久磁石）と、を含む。ケース３０とシャフト３６との間にはベアリング３８が配置されており、これによって、ロータ３４は、滑らかに回転運動することができる。シャフト３６の一端には、ロータ３４の回転角及び回転数を検出するセンサであるレゾルバが設けられている。

【0022】

バッテリ２２は、充放電可能な二次電池であり、例えば、ニッケル水素電池やリチウムイオン電池等によって構成されている。

【0023】

インバータ２４は、複数のＦＥＴ等のスイッチング素子を含み、モータ制御装置２８からＦＭＷ信号を受けてスイッチング素子をオン／オフ動作させて、バッテリ２２からの直流電力を交流電力に変換してモータ１２に供給する。インバータ２４によって電力や周波数が調整され、ステータコイル４２に流れる電流が制御される。電流がステータコイル４２に流れると、回転磁界が形成される。この回転磁界と磁石４６との磁気引力等によって、ロータ３４にトルクが作用し、ロータ３４は回転運動する。

【0024】

また、インバータ２４は、モータ制御装置２８からＦＭＷ信号を受けてスイッチング素子をオン／オフ動作させて、モータ１２の交流の回生電力を直流電力に変換してバッテリ２２を充電する。

【0025】

モータ１２の下部には、冷却液の一例である冷却油を貯留するオイルパン４８が設けられている。オイルポンプ２６は、オイルパン４８に貯留された冷却油を加圧することでケース３０内に供給する。なお、冷却油は、潤滑油としての機能も担っており、ベアリング３８等の摺動部の動きを滑らかにする。

【0026】

モータ制御装置２８は、車速やアクセルペダル操作量等に基づいて、モータ１２への要求トルクを計算する。モータ制御装置２８は、その要求トルクに応じて、ステータコイル４２に供給する電流を制御するようにインバータ２４に指令を出力する。

【0027】

ステータコイル４２に電流が流れると、電力の一部の損失になり、ステータコイル４２が発熱する。また、ロータ３４が回転すると、ロータコア４４内に渦電流が流れるため発熱する。ステータ３２とロータ３４を冷却するために、冷却油がオイルポンプ２６からケース３０内に供給される。ステータ３２とロータ３４から熱を奪った冷却油は、オイルパン４８に戻り、外気に熱を放出して冷却される。例えば図３に示すように、熱は、ステータコイル４２、ロータコア４４、冷却油及び外気の順に伝達され、ステータ３２とロータ３４とから熱を奪った冷却油は、外気に熱を放出する。外気との熱交換の効率を上げるために、ラジエータが用いられてもよい。

【0028】

磁石４６の温度が、許容される上限値を超えると、磁石４６が冷却されても磁力が戻らない不可逆減磁が発生し、モータ１２の性能が劣化する。具体的には、モータ１２が出力可能なトルクの上限値が低下する。したがって、電動駆動系の運用において、磁石４６の温度を把握することは重要である。しかし、運転中は、ロータ３４は高速で回転しているため、磁石４６の温度を直接計測することは困難である。したがって、磁石４６の温度を推定又は予測する必要がある。

【0029】

モータ制御装置２８は、予測部２８ａと制御部２８ｂとを含む。

【0030】

予測部２８ａは、磁石４６の温度に影響を与える要素の時系列データを学習モデルに入力して、磁石４６の温度を予測する。以下、磁石４６の温度に影響を与える要素を「周辺要素」と称することとする。周辺要素の時系列データは、当該周辺要素の時間変化を表すデータである。予測部２８ａは、１又は複数の周辺要素の時系列データから次の時間ステップの温度を予測する学習モデルを用いて、次の時間ステップの温度を予測する。

【0031】

上記の学習モデルは、モータ１２の試作機を用いて計測された磁石４６の温度と上記の周辺要素の温度との関係について学習したモデルである。上記の学習モデルとして、例えば、時系列データの学習に適した深層学習モデルが用いられる。具体的には、RNN（Recurrent Neural Network）、LSTM（Long Short-Term Memory）、GRU（Gated Recurrent Unit）、Attention、又は、Transformer等が用いられる。

【0032】

周辺要素は、例えば、モータ１２に対する要求トルクの値、ステータコイル４２に供給される電流の値、モータ１２の損失量、ステータコイル４２の温度、ロータ３４の回転速度、磁石４６の磁数、冷却油の温度、オイルポンプ２６の吐出量（モータ１２に供給される冷却油の流量）、外気の温度、又は、車両１０の車速等である。これらの中の１又は複数の周辺要素の時系列データが学習モデルに入力されて、磁石４６の温度が予測される。

【0033】

制御部２８ｂは、モータ１２の出力、及び、冷却油の流量等を制御する。具体的には、制御部２８ｂは、インバータ２４に含まれる各スイッチング素子のオン／オフ動作を制御することで、モータ１２に供給される電力を制御する。これにより、制御部２８ｂは、ロータ３４の回転運動を制御する。また、制御部２８ｂは、モータ１２からバッテリ２２への電力の供給を制御することで、バッテリ２２の充電を制御する。また、制御部２８ｂは、オイルポンプ２６を制御することで、オイルポンプ２６からモータ１２に供給される冷却油の流量を制御する。

【0034】

例えば、制御部２８ｂは、予測部２８ａによって予測された温度に基づいて、オイルポンプ２６がモータ１２に供給する冷却油の流量を制御する。制御部２８ｂは、予測部２８ａによって予測された温度に基づいて、モータ１２の出力を制御してもよい。

【0035】

制御部２８ｂは、予測部２８ａによって予測された温度が、不可逆減磁を引き起こす温度についての許容値を超える場合、モータ１２の出力を抑制してもよい。具体的には、制御部２８ｂは、モータ１２のトルクを低下させる。例えば、制御部２８ｂは、予測部２８ａによって予測された温度と不可逆減磁を引き起こす温度との差が閾値以下となった場合、モータ１２の出力を抑制する。

【0036】

制御部２８ｂは、予測部２８ａによって予測された温度が、不可逆減磁を引き起こす温度についての許容値を超える場合、オイルポンプ２６がモータ１２に供給する冷却油の流量を増やしてもよい。例えば、制御部２８ｂは、予測部２８ａによって予測された温度と不可逆減磁を引き起こす温度との差が閾値以下となった場合、オイルポンプ２６がモータ１２に供給する冷却油の流量を増やす。

【0037】

モータ制御装置２８は、例えば、ＣＰＵ（Central Processing Unit）等のプロセッサと記憶装置とを含む。記憶装置は、例えば、メモリ（例えばＲＡＭ、ＤＲＡＭ、ＲＯＭ等）、ハードディスクドライブ（ＨＤＤ）又はソリッドステートドライブ（ＳＳＤ）等である。モータ制御装置２８は、コンピュータによって構成されてもよい。

【0038】

予測部２８ａと制御部２８ｂは、例えば、ハードウェアとソフトウェアとの協働により実現される。例えば、プロセッサが、記憶装置に記憶されているプログラムを読み出して実行することで、予測部２８ａと制御部２８ｂが実現される。プログラムは、ＣＤ又はＤＶＤ等の記録媒体を経由して、又は、ネットワーク等の通信経路を経由して、記憶装置に記憶される。別の例として、予測部２８ａと制御部２８ｂは、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧ（Field Programmable Gate Array）、その他のプログラマブル論理デバイス、又は、電子回路等によって実現されてもよい。

【0039】

磁石４６の温度を予測する学習モデルを形成するために、その学習モデルの学習に用いられるデータが計測される。以下、図４を参照して、そのデータの計測について説明する。図４には、モータ１２と制御系が示されている。

【0040】

上述したように、運転中、ロータ３４は高速で回転しているため、市販化されてユーザが日常使用しているモータ１２に含まれる磁石４６の温度を計測することは困難である。一方、開発段階の試作機や商品の改良のための試作機では、モータ１２の内部に温度を計測するためのセンサを配置し、磁石４６の温度を直接計測することができる。図４には、磁石４６の温度を直接計測する装置の一例が示されている。

【0041】

図４に示す例では、磁石４６の温度を直接計測するセンサとして、熱電対５０が用いられる。熱電対５０は、磁石４６に取り付けられている。熱電対５０は、計測箇所の温度の高さに比例して電圧を発生させるため、この電圧の値を読み取ることで温度を計測することができる。

【0042】

運転中、ロータ３４は回転運動するため、熱電対５０の計測値を有線でコンピュータ６２に出力することが困難である。そこで、送信機５２と受信機５４とを用いて、熱電対５０の計測値を取得する。送信機５２はロータ３４に取り付けられており、受信機５４はケース３０に取り付けられている。熱電対５０の計測値の信号は、送信機５２から受信機５４に無線で送信される。受信機５４が受信した計測値の信号は、増幅変換器５６によって変換されてコンピュータ６２に出力され、コンピュータ６２に設けられた記憶装置に記憶される。

【0043】

また、熱電対５８が、ステータコア４０に取り付けられ、熱電対６０が、オイルパン４８に取り付けられている。熱電対５８は、ステータコイル４２の温度を計測するための熱電対である。熱電対６０は、オイルパン４８の温度を計測するための熱電対である。熱電対５８，６０の計測値の信号は、増幅変換器５６によって変換されてコンピュータ６２に出力され、コンピュータ６２に設けられた記憶装置に記憶される。熱電対５８，６０の計測値は、磁石４６の温度を予測するための情報として用いられる。

【0044】

ステータコイル４２の温度は、周辺要素の一例に相当する。つまり、熱電対５８の計測値は、周辺要素の一例に相当する。また、オイルパン４８の温度は、冷却油の温度に相当し、周辺要素の一例に相当する。つまり、熱電対６０の計測値は、周辺要素の一例に相当する。

【0045】

ステータコイル４２の温度と冷却油の温度は、周辺要素の一例に過ぎず、上述したように、モータ１２に対する要求トルクの値、ステータコイル４２に供給される電流の値、モータ１２の損失量、ロータ３４の回転速度、磁石４６の磁数、オイルポンプ２６の吐出量、外気の温度、又は、車速等が、周辺要素として用いられてもよい。これらの周辺要素の時系列データ（つまり周辺要素の時間変化を表すデータ）が、予め定められたサンプリング時間毎に計測され、計測された時系列データはコンピュータ６２に出力されて、コンピュータ６２に設けられた記憶装置に記憶される。例えば、電動駆動系が搭載された車両が市販され、ユーザが車両を運転している最中であっても容易に計測可能なデータが、周辺要素の時系列データとして選択されて計測される。

【0046】

図５には、磁石４６の温度を直接計測する装置の別の例が示されている。図５に示す例では、赤外線温度計測機６４が用いられる。赤外線温度計測機６４は、磁石４６から放射される赤外線を検出することで、磁石４６の温度を計測する。計測された信号は、図４に示す例と同様に、増幅変換器５６によって変換されてコンピュータ６２に出力され、コンピュータ６２に設けられた記憶装置に記憶される。

【0047】

以下、図６を参照して、磁石４６の温度の時系列データと各周辺要素の時系列データとに基づいて、磁石４６の温度を予測する学習モデルを構築する手順について説明する。図６には、その手順のフローチャートが示されている。

【0048】

磁石４６の温度の時系列データと各周辺要素の時系列データは、図４又は図５に示す構成によって計測される。磁石４６の温度の時系列データ（つまり、磁石４６の温度の計測値）は、予測に対する真値として用いられる。

【0049】

まず、コンピュータ６２は、計測された時系列データから時系列データセットを作成する（Ｓ０１）。

【0050】

図７を参照して、時系列データセットに説明する。図７には、時系列データセットの一例が示されている。図７には、周辺要素Ａ，・・・，Ｘのそれぞれの時系列データと、真相学習モデルと、予測値とが示されている。周辺要素Ａ，・・・，Ｘは、例えば、ステータコイル４２の温度、ステータコイル４２に供給される電流の値、冷却油の温度等である。

【0051】

実施形態に係る学習モデルを用いた予測では、予め定められたサンプリング時間毎に計測された各周辺要素の時系列データから、次の時間ステップの磁石４６の温度が予測される。具体的には、時間ステップ（ｋ－１）において、その次の時間ステップである時間ステップ（ｋ）での磁石４６の温度を予測するために、コンピュータ６２は、計測された周辺要素Ａ，・・・，Ｘのそれぞれに関して、時間ステップ（ｋ－１）から時間ステップ（ｋ－ｎ）まで遡って、時間ステップ（ｋ－１）から時間ステップ（ｋ－ｎ）までの過去ｎ個分の時系列データを１つの時系列データセットとしてまとめる。この時系列データセットは、時間ステップ（ｋ－１）において時間ステップ（ｋ）での磁石４６の温度を予測するための時系列データセットである。同様に、時間ステップ（ｋ－２）において、その次の時間ステップである時間ステップ（ｋ－１）での磁石４６の温度を予測するために、コンピュータ６２は、周辺要素Ａ，・・・，Ｘのそれぞれに関して、時間ステップ（ｋ－２）から時間ステップ（ｋ－ｎ－１）までの過去ｎ個分の時系列データを１つの時系列データセットとしてまとまる。このように、コンピュータ６２は、全ての時間ステップ毎に、各周辺要素の時系列データセットを作成する。

【0052】

以下、図６に戻って、学習モデルの構築の手順の続きを説明する。

【0053】

コンピュータ６２は、ステップＳ０１にて作成した時系列データセットと、磁石４６の温度を時系列データ（計測値であり真値であるデータ）とを、学習モデルの学習と修正に用いられる訓練データと、学習モデルの学習の進み具合の確認に用いられるテストデータと、に分ける（Ｓ０２）。

【0054】

次に、コンピュータ６２は、訓練データの内、周辺要素の時系列データセットを学習モデルに入力し、磁石４６の温度を予測する（Ｓ０３）。

【0055】

図８には、磁石４６の温度の予測に用いられる学習モデルの一例が示されている。図８に示されている学習モデルは、一般的にニューラルネットワークと呼ばれるモデルであり、入力層６６、出力層６８、及び、入力層６６と出力層６８との間に配置された中間層７０（又は隠れ層）によって構成される。学習モデルとして、例えば、時系列データの学習に適したRNN（Recurrent Neural Network）、LSTM（Long Short-Term Memory）、GRU（Gated Recurrent Unit）、Attention、又は、Transformer等の深層学習モデルが用いられる。なお、図８に示されている学習モデルは一例に過ぎず、中間層の数、及び、各相の素子（セル）の数等は、図８に示された数に限定されない。

【0056】

次に、コンピュータ６２は、磁石４６の温度の時系列データ（計測値であり真値であるデータ）と、深層学習モデルによって予測された値と、に基づいて、予測結果の誤差及び正解率を計算する（Ｓ０４）。予測結果の誤差の計算には、例えば、平均絶対誤差、平均二乗誤差、又は、平均二乗誤差の平方根等が用いられる。正解率の計算には、統計学の決定係数等が指標として用いられる。

【0057】

次に、コンピュータ６２は、予測結果と真値との誤差が小さくなるように、深層学習の誤差逆伝搬法（Backpropagation）、又は、通時的誤差逆伝搬法（Back Propagation Through-Time；BPTT）によって、学習モデル内のパラメータを修正する。

【0058】

次に、コンピュータ６２は、テストデータを学習モデルに入力して、磁石４６の温度を予測する（Ｓ０６）。

【0059】

次に、コンピュータ６２は、テストデータを用いることで得られた予測結果の誤差及び正解率を計算する（Ｓ０７）

【0060】

次に、コンピュータ６２は、学習の終了を判定する（Ｓ０８）。学習の繰り返しループの数が、予め定められた数に達した場合、コンピュータ６２は、学習が終了したと判定し（Ｓ０８，Ｙｅｓ）、学習を終了する。学習の繰り返しループの数が、予め定められた数に達していない場合、コンピュータ６２は、学習は終了していないと判定する（Ｓ０８，Ｎｏ）。この場合、処理はステップＳ０３に戻る。

【0061】

コンピュータ６２は、訓練データを用いて得られた予測値の誤差及び正解率と、テストデータを用いて得られた予測値の誤差及び正解率と、に基づいて、学習モデルの学習が十分に行われたと判断した場合、学習が終了したと判定してもよい。例えば、訓練データを用いて得られた予測値の誤差及び正解率と、テストデータを用いて得られた予測値の誤差及び正解率と、の差が閾値以下である場合、コンピュータ６２は、学習モデルの学習が十分に行われたと判断し、学習が終了したと判定する。

【0062】

なお、テストデータを用いずに訓練データのみで学習の終了を判定すると、学習モデルが訓練データに過剰に適合した状態（いわゆる過学習）に陥っているか否かを判定することができない。上述したように、学習モデルの修正に用いられないテストデータを学習モデルに入力して予測値の誤差及び正解率を計算し、そのテストデータに関する予測値の誤差及び正解率を用いることで、過学習を回避することができる。

【0063】

以下、図９及び図１０を参照して、磁石４６の温度の予測値について説明する。図９には、実施形態に対する比較例に係る予測値が示されている。比較例においては、現在の測定値のみを用いて温度の予測値が得られる。図１０には、実施形態に係る予測値が示されている。実施形態においては、上述した時系列データセットを用いて学習された学習モデルを用いて温度の予測が得られる。図９及び図１０において、横軸は時間を示しており、縦軸は磁石４６の温度を示している。

【0064】

一例として、ステータコイル４２に供給される電流の値と、冷却油の温度とが、周辺要素として選択されている。

【0065】

比較例では、ステータコイル４２に供給される電流の現在の測定値と、冷却油の温度の現在の測定値とが、学習モデルに入力されて、学習モデルが構築される。そいて、ステータコイル４２に供給される電流の現在の測定値と、冷却油の温度の現在の測定値とが、その構築された学習モデルに入力されて、次の時間ステップにおける磁石４６の温度が予測される。図９には、そのようにして得られた温度の予測値と、磁石４６の温度の実測値（真値）とが示されている。

【0066】

実施形態では、過去１００ステップ分の時間ステップの時系列データを学習モデルの学習に用いて、図６に示されている手順に従って学習モデルが構築され、予測部２８ａは、その構築された学習モデルを用いて、次の時間ステップにおける磁石４６の温度を予測する。具体的には、過去１００ステップ分の電流の値（ステータコイル４２に供給される電流の値）と、過去１００ステップ分の冷却油の温度の値とを用いて、学習モデルが構築され、予測部２８ａは、その構築された学習モデルを用いて、次の時間ステップにおける磁石４６の温度を予測する。図１０には、そのようにしてえられた温度の予測値と、磁石４６の温度の実測値（真値）とが示されている。

【0067】

図９に示されている比較例に係る予測値と、図１０に示されている実施形態に係る予測値とを比べると、実施形態に係る予測値の方が、比較例に係る予測値よりも、真値に近づき、予測の精度が向上していることが分かる。これは、時系列データセットを用いて学習モデルを構築することで、学習モデルが、電動駆動系内における非線形な熱伝達の特性（例えば遅れや無駄時間等）に対応して、より正確な値を予測することができるようになったことに起因する。一方、比較例では、周辺要素の現在の値のみを用いて温度を予測しているため、実施形態よりも予測の精度は低下する。

【0068】

実施形態に係る学習モデルは、自動者等の車両に搭載されたコンピュータに保存される。例えば、実施形態に係る学習モデルは、図２に示されているモータ制御装置２８の記憶装置に保存される。モータ制御装置２８の予測部２８ａは、その学習モデルを用いて磁石４６の温度を予測し、制御部２８ｂは、その予測された温度に基づいて、モータ１２を制御したり、冷却油の流量を制御したりする。

【0069】

以下、図１１を参照して、モータ１２の制御について説明する。図１１には、モータ１２の制御の流れを示すフローチャートが示されている。

【0070】

まず、車両の走行中に周辺要素の時系列データが取得される（Ｓ１１）。例えば、ステータコイル４２の温度の時系列データ、ステータコイル４２に供給される電流の時系列データ、及び、冷却油の温度の時系列データ等が、周辺要素の時系列データとして計測され、モータ制御装置２８に出力される。モータ制御装置２８は、各周辺要素の時系列データを取得する。

【0071】

次に、モータ制御装置２８の予測部２８ａは、ステップＳ１１にて取得された各周辺要素の時系列データを、モータ制御装置２８の記憶装置に保存されている学習済みの深層学習モデルに入力して、磁石４６の温度を予測する（Ｓ１２）。例えば、その学習済みの深層学習モデルとして、図１０に示されている予測値が得られる深層学習モデルが用いられる。

【0072】

次に、モータ制御装置２８の制御部２８ｂは、ステップＳ１２にて予測された温度が許容範囲内に含まれるか否かを判断する（Ｓ１３）。予測された温度が、不可逆減磁を引き起こす温度についての許容値を超える場合（Ｓ１３，Ｎｏ）、制御部２８ｂは、モータ１２への要求トルク又はステータコイル４２に供給される電流を制限する（Ｓ１４）。これにより、電動駆動系内の温度の上昇が抑制される。

【0073】

予測された温度が、上記の許容値以下である場合（Ｓ１３，Ｙｅｓ）、制御部２８ｂは、モータ１２への要求トルクが制限中であるか否かを判断する（Ｓ１５）。つまり、制御部２８ｂは、モータ１２への要求トルクが事前に制限されたか否かを判断する。なお、要求トルクが事前に制限される事由は、どのようなものであってもよい。運転者がその制限を指示してもよい。

【0074】

モータ１２への要求トルクが制限中である場合（Ｓ１５，Ｙｅｓ）、制御部２８ｂは、要求トルクの制限を緩和する（Ｓ１６）。制御部２８ｂは、本来の要求トルクの最大値まで余裕があるか否かを更に判断し、要求トルクが制限中であり、かつ、その余裕がある場合に、要求トルクの制限を緩和してもよい。

【0075】

モータ１２への要求トルクが制限中でない場合（Ｓ１５，Ｎｏ）、処理は終了する。その後、ステップＳ１１以降の処理が繰り返し実行される。

【0076】

実施形態によれば、磁石４６の温度の予測値が許容値を超えて、不可逆減磁が発生することを回避することができる。また、磁石４６を保護するために必要以上に要求トルクを制限し、電動駆動系の本来の駆動特性が発揮される機会が失われることを回避することができる。このように、磁石４６の温度の予測精度が向上することで、モータ１２の制御が有効に機能し、電動駆動系の本来の性能を発揮することが可能となる。

【0077】

以下、図１２を参照して、冷却油の流量の制御について説明する。図１２には、冷却油の流量の制御の流れを示すフローチャートが示されている。

【0078】

まず、車両の走行中に周辺要素の時系列データが取得される（Ｓ２１）。例えば、ステータコイル４２の温度の時系列データ、ステータコイル４２に供給される電流の時系列データ、及び、冷却油の温度の時系列データ等が、周辺要素の時系列データとして計測され、モータ制御装置２８に出力される。モータ制御装置２８は、各周辺要素の時系列データを取得する。

【0079】

次に、モータ制御装置２８の予測部２８ａは、ステップＳ２１にて取得された各周辺要素の時系列データを、モータ制御装置２８の記憶装置に保存されている学習済みの深層学習モデルに入力して、磁石４６の温度を予測する（Ｓ２２）。

【0080】

次に、モータ制御装置２８の制御部２８ｂは、ステップＳ２２にて予測された温度が許容範囲内に含まれるか否かを判断する（Ｓ２３）。予測された温度が、不可逆減磁を引き起こす温度についての許容値を超える場合（Ｓ２３，Ｎｏ）、制御部２８ｂは、オイルポンプ２６によってモータ１２に供給される冷却油の流量を増やす（Ｓ２４）。これにより、冷却油の流量を増やす前と比べて、モータ１２がより冷却される。

【0081】

予測された温度が、上記の許容値以下である場合（Ｓ２３，Ｙｅｓ）、制御部２８ｂは、冷却油の流量が増加中であるか否かを判断する（Ｓ２５）。つまり、制御部２８ｂは、オイルポンプ２６によって供給される冷却油の流量が事前に増やされていたか否かを判断する。なお、冷却油の流量が事前に増やされる事由は、どのようなものであってもよい。運転者が増量を指示してもよい。

【0082】

冷却油の流量が増加中である場合（Ｓ２５，Ｙｅｓ）、制御部２８ｂは、オイルポンプ２６によって供給される冷却油の流量を減らす（Ｓ２６）。制御部２８ｂは、オイルポンプ２６によって供給される冷却油の流量が、摺動部の潤滑に必要な流量未満になっているか否かを更に判断し、冷却油の流量が増加中であり、かつ、供給される冷却油の流量が摺動部の潤滑に必要な流量以上である場合、冷却油の流量を減らしてもよい。例えば、制御部２８ｂは、摺動部に焼き付きを発生させない流量まで冷却油の流量を減らす。

【0083】

冷却油の流量が増加中でない場合（Ｓ２５，Ｎｏ）、処理は終了する。その後、ステップＳ２１以降の処理が繰り返し実行される。

【0084】

実施形態によれば、磁石４６の温度の予測値が許容値を超えた場合、冷却油の流量を増やすことで、磁石４６の温度を更に下げて、不可逆減磁が発生することを回避することができる。

【0085】

磁石４６の温度の予測値が許容値を超えない場合、潤滑油として機能するために必要な流量まで、すなわち、摺動部に焼き付きを発生させない流量まで、モータ１２に供給される冷却油の流量が減らされる。冷却油の余分な流量を減らすことで、引き摺り損失が減り、電気駆動系の電費が向上する。

【符号の説明】

【0086】

１２ モータ、２８ モータ制御装置、２８ａ 予測部、２８ｂ 制御部、３４ ロータ、４４ ロータコア、４６ 磁石。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】