特許 7557314 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】2024-09-18

(45)【発行日】2024-09-27

(54)【発明の名称】モータ制御装置

(51)【国際特許分類】

   H02P 21/14 20160101AFI20240919BHJP

【ＦＩ】

H02P21/14

【請求項の数】 4

(21)【出願番号】P 2020148516

(22)【出願日】2020-09-03

(65)【公開番号】P2022042871

(43)【公開日】2022-03-15

【審査請求日】2023-08-29

(73)【特許権者】

【識別番号】504145364

【氏名又は名称】国立大学法人群馬大学

(73)【特許権者】

【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】木暮 雅之

(72)【発明者】

【氏名】渋谷 誠

【審査官】三島木 英宏

(56)【参考文献】

【文献】特開２０１８－０１４８３８（ＪＰ，Ａ）

【文献】特開平０６－２１７５９７（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ０２Ｐ ２１／１４

(57)【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を備え、
該ニューラルネットワーク補償器は、電流波高指令値ｉ _p ^* と電流波高値ｉ _p を前記入力信号とし、前記電流波高指令値ｉ _p ^* に対する前記電流波高値ｉ _p の二乗誤差（ｉ _p ^* －ｉ _p ） ² を教師信号とし、電流位相指令値θ _i ^* を前記出力信号として、前記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と共に、
前記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ことを特徴とするモータ制御装置。

【請求項2】

モータを制御する制御装置であって、
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を備え、
該ニューラルネットワーク補償器は、ｑ軸電流指令値ｉ _q ^* とｑ軸電流ｉ _q を前記入力信号とし、前記ｑ軸電流指令値ｉ _q ^* に対する前記ｑ軸電流ｉ _q の二乗誤差（ｉ _q ^* －ｉ _q ） ² を教師信号とし、電流位相指令値θ _i ^* を前記出力信号として、前記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と共に、
前記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ことを特徴とするモータ制御装置。

【請求項3】

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又は請求項２に記載のモータ制御装置。

【請求項4】

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３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。

【0004】

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。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。

【先行技術文献】

【特許文献】

【0005】

【文献】特開２０１７－３４８４４号公報

【文献】特開２０１８－１４８３８号公報

【文献】特許第３０５４５２１号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

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。

【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し、リアルタイムで効率の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】

【0008】

請求項１の発明のモータ制御装置は、モータを制御する制御装置であって、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を備え、このニューラルネットワーク補償器は、電流波高指令値ｉ _p ^* と電流波高値ｉ _p を入力信号とし、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 を教師信号とし、電流位相指令値θ _i ^* を出力信号として、教師信号を最小化するように、入力信号から前記出力信号を学習的に導出すると共に、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、モータを制御する制御装置であって、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を備え、このニューラルネットワーク補償器は、ｑ軸電流指令値ｉ _q ^* とｑ軸電流ｉ _q を入力信号とし、ｑ軸電流指令値ｉ _q ^* に対するｑ軸電流ｉ _q の二乗誤差（ｉ _q ^* －ｉ _q ） ² を教師信号とし、電流位相指令値θ _i ^* を出力信号として、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と共に、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。

【0011】

請求項４の発明のモータ制御装置は、上記各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と、を備えたことを特徴とする。

【発明の効果】

【0012】

請求項１の発明のモータ制御装置によれば、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、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を設け、このニューラルネットワーク補償器が電流波高指令値ｉ _p ^* と電流波高値ｉ _p を入力信号とし、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 を教師信号とし、電流位相指令値θ _i ^* を出力信号として、教師信号を最小化するように、入力信号から前記出力信号を学習的に導出すると共に、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、効率の低下を防止することが可能となる。

【0013】

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。

【0014】

特に、電流波高指令値ｉ _p ^* と電流波高値ｉ _p を入力信号とし、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 を教師信号とし、電流位相指令値θ _i ^* を出力信号として、教師信号を最小化するように、入力信号から前記出力信号を学習的に導出するようにしたことにより、トルクを検出できない場合にも最適効率の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。

【0015】

請求項２の発明のモータ制御装置によれば、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、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を設け、このニューラルネットワーク補償器が、ｑ軸電流指令値ｉ _q ^* とｑ軸電流ｉ _q を入力信号とすると共に、ｑ軸電流指令値ｉ _q ^* に対するｑ軸電流ｉ _q の二乗誤差（ｉ _q ^* －ｉ _q ） ² を教師信号とし、電流位相指令値θ _i ^* を出力信号として、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、効率の低下を防止することが可能となる。

【0016】

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。

【0017】

特に、ｑ軸電流指令値ｉ _q ^* とｑ軸電流ｉ _q を入力信号とし、ｑ軸電流指令値ｉ _q ^* に対するｑ軸電流ｉ _q の二乗誤差（ｉ _q ^* －ｉ _q ） ² を教師信号とし、電流位相指令値θ _i ^* を出力信号として、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ようにしたことにより、トルクを検出できない場合にも最適効率の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。

【0018】

また、上記各発明は請求項３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４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】

【0019】

【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の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】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１の２）。

【図5】図４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6】図４の場合の速度応答波形を示す図である。

【図7】図４の場合のトルク応答波形を示す図である。

【図8】図４の場合の電流応答波形を示す図である。

【図9】図４の場合の電力損失とエネルギー損失を示す図である。

【図10】図１の場合の速度応答波形を示す図である。

【図11】図１の場合のトルク応答波形を示す図である。

【図12】図１の場合の電流応答波形を示す図である。

【図13】図１の場合の電力損失とエネルギー損失を示す図である。

【図14】モータパラメータ変化時の図１と図４の場合の速度応答波形を示す図である。

【図15】モータパラメータ変化時の図１と図４の場合のトルク応答波形を示す図である。

【図16】モータパラメータ変化時の図１と図４の場合の電流応答波形を示す図である。

【図17】モータパラメータ変化時の図１と図４の場合の電力損失とエネルギー損失を示す図である。

【図18】本発明を適用した更に他の実施例のニューラルネットワーク補償器のブロック図である（実施例２の１）。

【図19】本発明を適用した更に他の実施例のニューラルネットワーク補償器のブロック図である（実施例２の２）。

【図20】本発明を適用した更に他の実施例のニューラルネットワーク補償器のブロック図である（実施例２の３）。

【図21】本発明を適用した更に他の実施例のニューラルネットワーク補償器のブロック図である（実施例３の１）。

【図22】本発明を適用した更に他の実施例のニューラルネットワーク補償器のブロック図である（実施例３の２）。

【図23】本発明を適用した更に他の実施例のニューラルネットワーク補償器のブロック図である（実施例３の３）。

【発明を実施するための形態】

【0020】

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1】

【0021】

（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、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。

【0022】

（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。

【0023】

（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。

【0024】

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、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。

【0025】

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。

【0026】

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。更に、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。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。

【0027】

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ＰＩ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。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。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。

【0028】

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。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。

【0029】

【数1】

【0030】

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。

【0031】

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。

【0032】

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。

【0033】

（４）ニューラルネットワーク補償器１１（実施例１の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、最適効率となる出力信号を導出するものである。

【0034】

尚、前記出力信号としては最適効率となる電流波高指令値ｉ_p ^*（電流波高値ｉ_pの指令値）や電流位相指令値θ_i ^*が考えられる。また、入力信号としては、出力に影響を与える電流波高値ｉ_p、制御対象としてのモータ６のパラメータ（モータパラメータ）であるｄ軸インダクタンスＬ_d、ｑ軸インダクタンスＬ_qや、鎖交磁束ψが考えられ、入力信号としては更に、トルク指令値τ^*や、現在トルクτが考えられる。また，最小化すべき教師信号は、トルク指令値τ^*に対する現在トルクτの二乗誤差（τ^*－τ）²や、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、ｑ軸電流指令値ｉ_q ^*に対するｑ軸電流ｉ_qの二乗誤差（ｉ_q ^*－ｉ_q）²が考えられる。

【0035】

図１、図２の実施例（実施例１の１）のニューラルネットワーク補償器１１は、電流波高指令値ｉ_p ^*と電流波高値ｉ_pを入力信号とし、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を教師信号とする。そして、電流位相指令値θ_i ^*を出力信号として、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。

【0036】

即ち、最適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。ニューラルネットワーク補償器１１は、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を最小化する最適な電流位相指令値θ_i ^*を導出する。

【0037】

図１、図２の実施例は目標入力（又は、速度制御器１２の出力）を電流波高値ｉ_pと捉えて制御する手法であり（ｉ_dは０では無い）、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 ^*により、モータ６を最適効率の状態で速度制御する。

【0038】

次に、図３に示す内部構造を用いて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（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。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ことで導出する。

【0039】

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（図３では２入力１出力の例である）。入力層（Ｉｎｐｕｔ ｌａｙｅｒ）と出力層（Ｏｕｔｐｕｔ ｌａｙｅｒ）間に複数の層（Ｍｉｄｄｌｅ ｌａｙｅｒ）があり、各層はニューロン（ｎｅｕｒｏｎ）により構成され、前後のニューロンはシナプス（重み）により接続される。各ニューロンの結合式は式（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（１０ニューロン）、３層（１０ニューロン）、出力層（１出力）である。

【0040】

【数2】

【0041】

ここで、式（ＩＩ）中のｗ_iは重み、θは閾値、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。

【0042】

【数3】

【0043】

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。

【0044】

（５）ニューラルネットワーク補償器１１（実施例１の２）
次に、図４と図５を用いて他の実施例のニューラルネットワーク補償器１１を用いた場合について説明する。図４はこの場合のモータ制御装置１のブロック図、図５はこの実施例のニューラルネットワーク補償器１１のブロック図である。尚、各図において図１、図２と同一符号で示すものは同一若しくは同様の機能を奏するものとする。

【0045】

図４、図５の実施例（実施例１の２）のニューラルネットワーク補償器１１は、ｑ軸電流指令値ｉ_q ^*とｑ軸電流ｉ_qを入力信号とし、ｑ軸電流指令値ｉ_q ^*に対するｑ軸電流ｉ_qの二乗誤差（ｉ_q ^*－ｉ_q）²を教師信号としている。そして、電流位相指令値θ_i ^*を出力信号として、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。

【0046】

即ち、最適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ｑ軸電流指令値ｉ_q ^*とｑ軸電流ｉ_q、最小化する教師信号にはｑ軸電流指令値ｉ_q ^*に対するｑ軸電流ｉ_qの二乗誤差（ｉ_q ^*－ｉ_q）²を利用する。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を最小化する最適な電流位相指令値θ_i ^*を導出する。

【0047】

図４、図５の実施例は目標入力（又は、速度制御器１２の出力）をｑ軸電流ｉ_q（トルク電流）と捉えて制御する場合である。これは表面磁石型（ＳＰＭ）のモータの制御法（ｉ_d＝０）である。これも現在トルク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 ^*により、モータ６を最適効率の状態で速度制御する。

【0048】

（６）図１～図５のモータ制御装置１の評価
次に、図６～図１７を参照しながら図１～図５の前述した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。先ず、図６は図４（図５）の例（実施例１の２）の場合に、時刻０ｓでステップ指令を、時刻ｔ１でトルク外乱を印加した場合の速度応答波形であり、図７は同じくトルク応答波形、図８は同じく電流応答波形、図９は同じく電力損失とエネルギー損失をそれぞれ示している。この場合、速度制御器１２の出力（電流指令）をｉ_q ^*と捉えて評価する。

【0049】

図６と図７において、実線はニューラルネットワーク補償器１１（ＮＮ）を用いたモータ制御装置１の場合であり、破線はニューラルネットワーク補償器（ＮＮ）を用いない一般的なモータ制御系（図１や図４でニューラルネットワーク補償器１２と変換部１３が無く、それ以外は同様の構成で、ｉ_d＝０で制御する方式）の場合を示している。図６と図７において、速度応答、トルク応答いずれも大幅な違いは見られない。

【0050】

一方、図８の電流応答波形では、実線はニューラルネットワーク補償器１１（ＮＮ）を用いたモータ制御装置１の場合を示し、幅広の破線はニューラルネットワーク補償器（ＮＮ）を用いない一般的なモータ制御系の場合を示している。また、細かい破線は最適電流値を示している。尚、この最適電流値は予め実験やシミュレーションにより求めておくものとする。

【0051】

ニューラルネットワーク補償器を用いない一般的なモータ制御系では、トルク外乱印加時の定常状態では、ｄ軸電流ｉ_d＝０であった。これに対し、ニューラルネットワーク補償器１１を用いた図４（図５）のモータ制御装置１では、ｄ軸電流ｉ_d、ｑ軸電流ｉ_q、電流波高値ｉ_pの何れも最適電流値に近い値に学習できていることが確認できる。

【0052】

また、図９は上段に電力損失と、下段にエネルギー損失をそれぞれ示している。実線はニューラルネットワーク補償器１１（ＮＮ）を用いたモータ制御装置１の場合であり、破線はニューラルネットワーク補償器（ＮＮ）を用いない一般的なモータ制御系の場合を示している。図９より、トルク外乱印加時にはいずれも従来のモータ制御系に比べて、図４（図５）のニューラルネットワーク補償器１１（ＮＮ）を用いたモータ制御装置１では損失を改善することができていることが確認できる。

【0053】

次に、図１０は図１（図２）の例（実施例１の１）の場合に、時刻０ｓでステップ指令を、時刻ｔ１でトルク外乱を印加した場合の速度応答波形であり、図１１は同じくトルク応答波形、図１２は同じく電流応答波形、図１３は同じく電力損失とエネルギー損失をそれぞれ示している。この場合、速度制御器１２の出力（電流指令）をｉ_p ^*と捉えて評価する。

【0054】

図１０と図１１において、実線は図４（図５）のニューラルネットワーク補償器１１（ＮＮ１）を用いたモータ制御装置１の場合、一点鎖線は図１（図２）のニューラルネットワーク補償器１１（ＮＮ２）を用いたモータ制御装置１の場合であり、破線は前述同様ニューラルネットワーク補償器（ＮＮ）を用いない一般的なモータ制御系の場合を示している。

【0055】

図１０の速度応答では、図１（図２）の場合（一点鎖線）の方が、図４（図５）の場合（実線）や一般的なモータ制御系（破線）の場合よりも、目標値に対する行き過ぎ量が若干改善でき、外乱応答についてもドロップ量が低減できている。また、図１１のトルク応答では、図１（図２）の場合（一点鎖線）の方が、図４（図５）の場合（実線）や一般的なモータ制御系（破線）の場合よりも、目標入力時のトルクが増大しており、外乱に対しては、略同等である。

【0056】

一方、図１２の電流応答波形でも、実線は図４（図５）のニューラルネットワーク補償器１１（ＮＮ１）を用いたモータ制御装置１の場合、一点鎖線は図１（図２）のニューラルネットワーク補償器１１（ＮＮ２）を用いたモータ制御装置１の場合であり、幅広の破線はニューラルネットワーク補償器（ＮＮ）を用いない一般的なモータ制御系の場合を示している。また、細かい破線は最適電流値を示している。

【0057】

図１（図２）のニューラルネットワーク補償器１１を用いたモータ制御装置１の場合（一点鎖線）、図４（図５）のニューラルネットワーク補償器１１を用いたモータ制御装置１の場合（実線）よりも、ｄ軸電流ｉ_d、ｑ軸電流ｉ_q、電流波高値ｉ_pの何れも最適電流値（細かい破線）により近い値に学習できていることが確認できる。

【0058】

また、図１３は上段に電力損失と、下段にエネルギー損失をそれぞれ示している。この場合も、実線は図４（図５）のニューラルネットワーク補償器１１（ＮＮ１）を用いたモータ制御装置１の場合、一点鎖線は図１（図２）のニューラルネットワーク補償器１１（ＮＮ２）を用いたモータ制御装置１の場合であり、幅広の破線はニューラルネットワーク補償器（ＮＮ）を用いない一般的なモータ制御系の場合を示している。

【0059】

同図上段の電力損失の結果より、ステップトルク外乱印加時の定常値で、図１（図２）のニューラルネットワーク補償器１１（ＮＮ２）を用いたモータ制御装置１（一点鎖線）が最も改善できていることが確認できる。また、下段のエネルギー損失についても、図４（図５）のニューラルネットワーク補償器１１（ＮＮ１）を用いたモータ制御装置１（実線）と比べて、図１（図２）のニューラルネットワーク補償器１１を用いたモータ制御装置１（一点鎖線）では更なる改善が確認できる。

【0060】

次に、モータ６（制御対象）のパラメータ（モータパラメータ）が変化した場合の効率改善について図１４～図１７を用いて検証する。この場合のモータパラメータのうち、変動パラメータ（変動させるモータパラメータ）は、ｄ軸インダクタンスＬ_d、ｑ軸インダクタンスＬ_q、磁束密度ψとする。各パラメータの変動後の値は、平均値１、標準偏差０．５／３の乗数を各値に乗算し，１０⁵回の乱数計算で最もトルクが減少する組み合わせを１つ選択した。また、シミュレーション条件は、前述同様に時刻０ｓでステップ指令を、時刻ｔ１でステップトルク外乱を印加し、その後、時刻ｔ２でモータ６（制御対象）のパラメータ（モータパラメータ）を変動させた。

【0061】

図１４と図１５に速度とトルクの応答波形を示す。各図中、実線は図４（図５）のニューラルネットワーク補償器１１（ＮＮ１）を用いたモータ制御装置１の場合、一点鎖線は図１（図２）のニューラルネットワーク補償器１１（ＮＮ２）を用いたモータ制御装置１の場合であり、破線は前述同様ニューラルネットワーク補償器（ＮＮ）を用いない一般的なモータ制御系の場合を示している。

【0062】

また、図１６と図１７に電流応答波形と損失を示す。各図中、実線は図４（図５）のニューラルネットワーク補償器１１（ＮＮ１）を用いたモータ制御装置１の場合、一点鎖線は図１（図２）のニューラルネットワーク補償器１１（ＮＮ２）を用いたモータ制御装置１の場合であり、幅広の破線は前述同様ニューラルネットワーク補償器（ＮＮ）を用いない一般的なモータ制御系の場合を示している。また、図１６ではモータパラメータ変動時に外乱トルクを補償するために必要な最適電流値を細かい破線で示している。

【0063】

図１６の結果より、モータパラメータの変動に対し、ニューラルネットワーク補償器（ＮＮ）を用いない一般的なモータ制御系（幅広の破線）、図４（図５）のニューラルネットワーク補償器１１（ＮＮ１）を用いたモータ制御装置１（実線）、図１（図２）のニューラルネットワーク補償器１１（ＮＮ２）を用いたモータ制御装置１（一点鎖線）の順で最適電流値に近い値となっていることが確認できる。

【0064】

また、図１７上段の電力損失（銅損）の結果より、モータパラメータ変動の定常時の損失において、外乱分の電力損失を減算した正味の電力損失分で、ニューラルネットワーク補償器（ＮＮ）を用いない一般的なモータ制御系（幅広の破線）に対し、図４（図５）のニューラルネットワーク補償器１１（ＮＮ１）を用いたモータ制御装置１（実線）は改善でき、更に、図１（図２）のニューラルネットワーク補償器１１（ＮＮ２）を用いたモータ制御装置１（一点鎖線）では大幅に改善できていることが確認できる。

【0065】

このように、損失改善が可能であることに加え、応答特性も一般的なモータ制御系と同等、或いは、それ以上に改善できることが図１４より確認できる。即ち、速度指令、トルク外乱、モータパラメータ変動に対する定常状態での定量評価において、一般的なモータ制御系に比して、図１（図２）のニューラルネットワーク補償器１１（ＮＮ２）を用いたモータ制御装置１では大幅に損失を抑えていることが確認できる。

【実施例2】

【0066】

次に、図１８～図２０を用いて更に他の実施例のニューラルネットワーク補償器１１について説明する。尚、この実施例のニューラルネットワーク補償器１１の出力信号も、図１や図４のニューラルネットワーク補償器１１と同様に、変換器１３の一方の入力となり、モータ制御装置１の一部を構成するものとする。

【0067】

（７）ニューラルネットワーク補償器１１（実施例２の１）
図１８の実施例（実施例２の１）のニューラルネットワーク補償器１１は、電流波高値ｉ_p、モータパラメータであるｄ軸インダクタンスＬ_d（ハット）、ｑ軸インダクタンスＬ_q（ハット）、及び、鎖交磁束ψ（ハット）を入力信号とし、トルク指令値τ^*に対する現在トルクτの二乗誤差（τ^*－τ）²を教師信号としている。そして、電流波高指令値ｉ_p ^*を出力信号として、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。

【0068】

即ち、この場合はトルク制御を目的とした最適効率となる電流波高指令値ｉ_p ^*を導出するために、入力信号には電流波高値ｉ_p、ｄ軸インダクタンスＬ_d（ハット）、ｑ軸インダクタンスＬ_q（ハット）、及び、鎖交磁束ψ（ハット）、最小化する教師信号にはトルク指令値τ^*に対する現在トルクτの二乗誤差（τ^*－τ）²を利用する。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を最小化する最適な電流波高指令値ｉ_p ^*を導出するものである。

【0069】

（８）ニューラルネットワーク補償器１１（実施例２の２）
図１９の実施例（実施例２の２）のニューラルネットワーク補償器１１も、電流波高値ｉ_p、ｄ軸インダクタンスＬ_d（ハット）、ｑ軸インダクタンスＬ_q（ハット）、及び、鎖交磁束ψ（ハット）を入力信号とし、トルク指令値τ^*に対する現在トルクτの二乗誤差（τ^*－τ）²を教師信号としている。一方、出力信号としては電流波高指令値ｉ_p ^*と電流位相指令値θ_i ^*を出力する。そして、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。

【0070】

即ち、この場合もトルク制御を目的とした最適効率となる電流波高指令値ｉ_p ^*と最適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値ｉ_p、ｄ軸インダクタンスＬ_d（ハット）、ｑ軸インダクタンスＬ_q（ハット）、及び、鎖交磁束ψ（ハット）、最小化する教師信号にはトルク指令値τ^*に対する現在トルクτの二乗誤差（τ^*－τ）²を利用する。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を最小化する最適な電流波高指令値ｉ_p ^*と電流位相指令値θ_i ^*を導出するものである。

【0071】

（９）ニューラルネットワーク補償器１１（実施例２の３）
図２０の実施例（実施例２の３）のニューラルネットワーク補償器１１も、電流波高値ｉ_p、ｄ軸インダクタンスＬ_d（ハット）、ｑ軸インダクタンスＬ_q（ハット）、及び、鎖交磁束ψ（ハット）を入力信号とし、トルク指令値τ^*に対する現在トルクτの二乗誤差（τ^*－τ）²を教師信号としている。一方、出力信号としては電流位相指令値θ_i ^*を出力する。そして、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。

【0072】

即ち、この場合も最適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値ｉ_p、ｄ軸インダクタンスＬ_d（ハット）、ｑ軸インダクタンスＬ_q（ハット）、及び、鎖交磁束ψ（ハット）、最小化する教師信号にはトルク指令値τ^*に対する現在トルクτの二乗誤差（τ^*－τ）²を利用する。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を最小化する最適な電流位相指令値θ_i ^*を導出するものである。

【実施例3】

【0073】

次に、図２１～図２３を用いて更に他の実施例のニューラルネットワーク補償器１１について説明する。尚、この実施例のニューラルネットワーク補償器１１の出力信号も、図１や図４のニューラルネットワーク補償器１１と同様に、変換器１３の一方の入力となり、モータ制御装置１の一部を構成するものとする。

【0074】

（１０）ニューラルネットワーク補償器１１（実施例３の１）
図２１の実施例（実施例３の１）のニューラルネットワーク補償器１１は、トルク指令値τ^*と現在トルクτを入力信号とし、トルク指令値τ^*に対する現在トルクτの二乗誤差（τ^*－τ）²を教師信号としている。そして、電流波高指令値ｉ_p ^*を出力信号として、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。

【0075】

即ち、この場合はトルク制御を目的とした最適効率となる電流波高指令値ｉ_p ^*を導出するために、入力信号にはトルク指令値τ^*と現在トルクτ、最小化する教師信号にはトルク指令値τ^*に対する現在トルクτの二乗誤差（τ^*－τ）²を利用する。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を最小化する最適な電流波高指令値ｉ_p ^*を導出するものである。

【0076】

（１１）ニューラルネットワーク補償器１１（実施例３の２）
図２２の実施例（実施例３の２）のニューラルネットワーク補償器１１も、トルク指令値τ^*と現在トルクτを入力信号とし、トルク指令値τ^*に対する現在トルクτの二乗誤差（τ^*－τ）²を教師信号としている。一方、出力信号としては電流位相指令値θ_i ^*を出力する。そして、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。

【0077】

即ち、この場合も最適効率となる電流位相指令値θ_i ^*を導出するために、入力信号にはトルク指令値τ^*と現在トルクτ、最小化する教師信号にはトルク指令値τ^*に対する現在トルクτの二乗誤差（τ^*－τ）²を利用する。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を最小化する最適な電流位相指令値θ_i ^*を導出するものである。

【0078】

（１２）ニューラルネットワーク補償器１１（実施例３の３）
図２３の実施例（実施例３の３）のニューラルネットワーク補償器１１も、トルク指令値τ^*と現在トルクτを入力信号とし、トルク指令値τ^*に対する現在トルクτの二乗誤差（τ^*－τ）²を教師信号としている。一方、出力信号としては電流波高指令値ｉ_p ^*と電流位相指令値θ_i ^*を出力する。そして、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。

【0079】

即ち、この場合もトルク制御を目的とした最適効率となる電流波高指令値ｉ_p ^*と最適効率となる電流位相指令値θ_i ^*を導出するために、入力信号にはトルク指令値τ^*と現在トルクτ、最小化する教師信号にはトルク指令値τ^*に対する現在トルクτの二乗誤差（τ^*－τ）²を利用する。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を最小化する最適な電流波高指令値ｉ_p ^*と電流位相指令値θ_i ^*を導出するものである。

【0080】

以上詳述した如く本発明では、モータ６（永久磁石同期電動機）の制御において、ニューラルネットワークに基づいて、トルク指令τ^*と現在トルクτの２乗誤差、或いは、電流指令値（ｉ_p ^*、ｉ_q ^*）と現在電流（ｉ_p、ｉ_q）の２乗誤差を最小化する電流波高値指令ｉ_p ^*、又は、電流位相指令値θ^*、或いは、その両方を学習的に導出し、導出した指令値を用いて制御を行うことで，高効率制御が実現できる。

【0081】

即ち、本発明ではニューラルネットワーク学習において、教師信号をトルク誤差（τ^*－τ）の２乗、或いは、ｑ軸電流誤差（ｉ_q ^*－ｉ_q）の２乗、若しくは、電流波高値誤差（ｉ_p ^*－ｉ_p）の２乗とし、ニューラルネットワーク学習への入力信号を現在トルクτ、ｑ軸電流ｉ_q、電流波高値ｉ_pとそれらの指令値τ^*、ｉ_q ^*、ｉ_p ^*、更にはモータパラメータ（プラントパラメータ）ｄ軸インダクタンスＬ_d、ｑ軸インダクタンスＬ_q、鎖交磁束ψとしてニューラルネットワーク学習による出力を電流位相指令値θ_i ^*や電流波高指令値ｉ_p ^*としている。

【0082】

これにより、教師信号を最適化（最小化）するニューラルネットワーク出力を、リアルタイムでのフィードバック制御時に学習的に導出することができるようになる。この最適学習は、目標値変化や外乱トルク変化時にも学習的（自動的）に導出され、その結果、高効率制御の効果が得られる。また、制御対象（モータ６）のパラメータ（モータパラメータ（ｄ軸インダクタンスＬ_d、ｑ軸インダクタンスＬ_q、鎖交磁束ψ）の変化時にも、それらの値を同定（或いは、推定）すること無く、最適に学習でき、高効率化を図ることができるようになる。

【0083】

尚、上記各実施例で示したニューラルネットワーク補償器１１の入力信号は、それらに限らず、ｑ軸電流指令値ｉ_q ^*、ｑ軸電流ｉ_q、電流波高指令値ｉ_p ^*、電流波高値ｉ_p、ｄ軸インダクタンスＬ_d、ｑ軸インダクタンスＬ_q、磁束密度ψ、トルク指令値τ^*、及び、現在トルクτの他の組み合わせ、或いは、それらの全てであってもよい。

【0084】

また、本発明のモータ制御装置の制御対象は、請求項１０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】

【0085】

１ モータ制御装置
２ モータ駆動部
３ モータ制御部
４ Ｐｌａｎｔ
６ モータ
１１ ニューラルネットワーク補償器
１２ 速度制御器
１３ 変換器
１４ 電流制御器

【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】

【図22】

【図23】