特表 2022-552361 モータパラメータを推定するための装置および方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2022-12-15

(54)【発明の名称】モータパラメータを推定するための装置および方法

(51)【国際特許分類】

   H02P 31/00 20060101AFI20221208BHJP

   H02P 21/14 20160101ALI20221208BHJP

【ＦＩ】

H02P31/00

H02P21/14

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2022522606

(86)(22)【出願日】2020-10-06

(85)【翻訳文提出日】2022-06-13

(86)【国際出願番号】 EP2020077928

(87)【国際公開番号】W WO2021073936

(87)【国際公開日】2021-04-22

(31)【優先権主張番号】19203430.4

(32)【優先日】2019-10-15

(33)【優先権主張国・地域又は機関】EP

(81)【指定国・地域】

(71)【出願人】

【識別番号】597007363

【氏名又は名称】クノル－ブレムゼ ジステーメ フューア ヌッツファールツォイゲ ゲゼルシャフト ミット ベシュレンクテル ハフツング

【氏名又は名称原語表記】Ｋｎｏｒｒ－Ｂｒｅｍｓｅ Ｓｙｓｔｅｍｅ ｆｕｅｒ Ｎｕｔｚｆａｈｒｚｅｕｇｅ ＧｍｂＨ

【住所又は居所原語表記】Ｍｏｏｓａｃｈｅｒ Ｓｔｒａｓｓｅ ８０， Ｄ－８０８０９ Ｍｕｅｎｃｈｅｎ， Ｇｅｒｍａｎｙ

(74)【代理人】

【識別番号】100114890

【弁理士】

【氏名又は名称】アインゼル・フェリックス＝ラインハルト

(74)【代理人】

【識別番号】100098501

【弁理士】

【氏名又は名称】森田 拓

(74)【代理人】

【識別番号】100116403

【弁理士】

【氏名又は名称】前川 純一

(74)【代理人】

【識別番号】100134315

【弁理士】

【氏名又は名称】永島 秀郎

(74)【代理人】

【識別番号】100162880

【弁理士】

【氏名又は名称】上島 類

(72)【発明者】

【氏名】アリ テッロ

(72)【発明者】

【氏名】カイ－スヴェン ベッカー

(72)【発明者】

【氏名】ゼガー ボンティンク

【テーマコード（参考）】

5H501

5H505

【Ｆターム（参考）】

5H501DD04

5H501HB08

5H501JJ03

5H501JJ04

5H501JJ26

5H501LL22

5H501LL23

5H505DD08

5H505EE41

5H505JJ03

5H505JJ04

5H505JJ26

5H505LL22

5H505LL24

(57)【要約】

ここに示されているモータパラメータを推定するための装置（１）および方法（１’）は、電気モータの動作パラメータ（ｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅ）を受け取ることと、動作パラメータ（ｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅ）および最初に決定される第２モータパラメータ（Ｒ_ｓ／０）に基づいて、推定第１モータパラメータ（Ψ_ＰＭ，１）を推定することと、動作パラメータ（ｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅ）および最初に決定される第１モータパラメータ（Ψ_ＰＭ，０）に基づいて、推定第２モータパラメータ（Ｒ_ｓ／１）を推定することと、を有する。装置（１）および方法（１’）はさらに、推定第１モータパラメータ（Ψ_ＰＭ，１）および動作パラメータ（ｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅ）に基づいて、修正推定第２モータパラメータ（Ｒ_ｓ／２）を推定することと、推定第２モータパラメータ（Ｒ_ｓ／１）および動作パラメータ（ｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅ）に基づいて、修正推定第１モータパラメータ（Ψ_ＰＭ，２）を推定することと、を有する。

【特許請求の範囲】

【請求項1】

モータパラメータを推定するための装置（１）であって、前記装置（１）は、
電気モータの動作パラメータ（ｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅ）を受け取るように構成されている入力インタフェース（４）と、
前記動作パラメータ（ｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅ）および最初に決定される第２モータパラメータ（Ｒ_ｓ，０）に基づいて、推定第１モータパラメータ（Ψ_ＰＭ，１）を推定する第１パラメータ推定アルゴリズム（５’）を実行するように構成されている第１装置（５）と、
前記動作パラメータ（ｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅ）および最初に決定される第１モータパラメータ（Ψ_ＰＭ，０）に基づいて、推定第２モータパラメータ（Ｒ_ｓ，１）を推定する第２パラメータ推定アルゴリズム（６’）を実行するように構成されている第２装置（６）と、を有し、
前記装置（１）はさらに、
前記推定第１モータパラメータ（Ψ_ＰＭ，１）および前記動作パラメータ（ｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅ）に基づいて、修正推定第２モータパラメータ（Ｒ_ｓ，２）を推定する第３パラメータ推定アルゴリズム（７’）を実行するように構成されている第３装置（７）と、
前記推定第２モータパラメータ（Ｒ_ｓ，１）および前記動作パラメータ（ｕｄ_，ｑ，ｉ_ｄ，ｑ，ω_ｅ）に基づいて、修正推定第１モータパラメータ（Ψ_ＰＭ，２）を推定する第４パラメータ推定アルゴリズム（８’）を実行するように構成されている第４装置（８）と、有する、モータパラメータを推定するための装置（１）。

【請求項2】

前記動作パラメータ（ｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅ）は、検出電圧（ｕ_ｄ，ｑ）、検出電流（ｉ_ｄ，ｑ）、および検出電気速度（ω_ｅ）のうちの少なくとも１つを有し、前記第１モータパラメータ（Ψ_ＰＭ）は、永久磁石鎖交磁束を有し、前記第２モータパラメータ（Ｒ_ｓ）は、相抵抗を有する、請求項１記載の装置（１）。

【請求項3】

前記第１装置（５）および前記第４装置（８）は、前記第１パラメータ推定アルゴリズム（５’）および前記第４パラメータ推定アルゴリズム（８’）を実行する人工ニューラルネットワーク（ＡＮＮ）モデルを有し、
前記第２装置（６）および前記第３装置（７）は、前記第２パラメータ推定アルゴリズム（６’）および前記第３パラメータ推定アルゴリズム（７’）を実行するモデル規範形適用制御（ＭＲＡＣ）モデルを有する、請求項２記載の装置（１）。

【請求項4】

前記最初に決定される第１モータパラメータ（Ψ_ＰＭ，０）および前記最初に決定される第２モータパラメータ（Ｒ_ｓ，０）は、一定値である、請求項１から３までのいずれか１項記載の装置（１）。

【請求項5】

前記第３装置（７）は、第３モータパラメータ（Ｌ_Ｓ）を推定するように構成されている、請求項１から４までのいずれか１項記載の装置（１）。

【請求項6】

前記第３モータパラメータ（Ｌ_Ｓ）は、インダクタンスを有する、請求項５記載の装置（１）。

【請求項7】

モータパラメータを推定する方法（１’）であって、前記方法（１’）は、次のステップ、すなわち、
動作パラメータ（ｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅ）および最初に決定される第２モータパラメータ（Ｒ_ｓ，０）に基づいて、推定第１モータパラメータ（Ψ_ＰＭ，１）を推定するステップと、
前記動作パラメータ（ｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅ）および最初に決定される第１モータパラメータ（Ψ_ＰＭ，０）に基づいて、推定第２モータパラメータ（Ｒ_ｓ，１）を推定するステップと、
前記推定第１モータパラメータ（Ψ_ＰＭ，１）および前記動作パラメータ（ｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅ）に基づいて、修正推定第２モータパラメータ（Ｒ_ｓ，２）を推定するステップと、
前記推定第２モータパラメータ（Ｒ_ｓ，１）および前記動作パラメータ（ｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅ）に基づいて、修正推定第１モータパラメータ（Ψ_ＰＭ，２）を推定するステップと、を有する、方法（１’）。

【請求項8】

前記動作パラメータ（ｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅ）は、検出電圧（ｕ_ｄ，ｑ）、検出電流（ｉ_ｄ，ｑ）および検出電気速度（ω_ｅ）を有し、
前記第１モータパラメータ（Ψ_ＰＭ）は、相抵抗を有し、
前記第２モータパラメータ（Ｒ_ｓ）は、永久磁石鎖交磁束を有する、請求項７記載の方法（１’）。

【請求項9】

前記推定第１モータパラメータ（Ψ_ＰＭ，１）および前記修正推定第１モータパラメータ（Ψ_ＰＭ，２）の前記推定を人工ニューラルネットワーク（ＡＮＮ）によって実行し、
前記推定第２モータパラメータ（Ｒ_ｓ，１）および前記修正推定第２モータパラメータ（Ｒ_ｓ，２）の前記推定をモデル規範形適応制御（ＭＲＡＣ）モデルによって実行する、請求項８記載の方法（１’）。

【請求項10】

前記最初に決定される第１モータパラメータ（Ψ_ＰＭ，０）および前記最初に決定される第２モータパラメータ（Ｒ_Ｓ，０）を一定値として設定する、請求項７から９までのいずれか１記載の方法（１’）。

【請求項11】

さらに、第３モータパラメータ（Ｌ_Ｓ）を推定するステップを有する、請求項７から１１までのいずれか１記載の方法（１’）。

【請求項12】

前記第３モータパラメータ（Ｌ_Ｓ）は、インダクタンスを有する、請求項１１記載の方法（１’）。

【請求項13】

プログラムがコンピュータによって実行される場合に前記コンピュータに請求項７から１２までのいずれか１項記載の方法のステップを実行させる命令を有するコンピュータプログラム製品。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、モータパラメータ、特に、電気モータのモータパラメータをオンライン推定するための装置および方法に関する。

【0002】

モータのパラメータをオンライン推定することにより、電気モータの状態監視、例えば相障害の推定またはコイル温度の推定が可能になる。

【0003】

特に、コイル温度の推定には、相抵抗Ｒ_Ｓの正確な推定が必要である。しかしながら相抵抗Ｒ_Ｓの推定は、永久磁石鎖交磁束合Ψ_ＰＭの値に依存する。さらに、負荷または速度が変化する間に、モデル化されない電圧損失が存在することにより、推定される相抵抗Ｒ_Ｓに偏差が生じる。

【0004】

「モデル規範形適応制御器（ＭＲＡＣ：Model Reference Adaptive Controller）」および「アダラインニューラルネットワーク（ＡＮＮ：Adaline Neural Network）」は、よく知られたパラメータ推定アルゴリズムである。特に、ＭＲＡＣアルゴリズムは、相抵抗Ｒ_Ｓを推定するために使用可能であり、ＡＮＮアルゴリズムは、永久磁石鎖交磁束Ψ_ＰＭを推定するために使用可能であり、これにより、これら２つのアルゴリズムを組み合わせるアルゴリズムは、要求される推定に適していると思われる。

【0005】

しかし、ランク落ちにより、永久磁石鎖交磁束Ψ_ΡΜと相抵抗Ｒ_Ｓとの同時推定は、規範形制御下では不可能であり、これにより、直流電流は０にセットされる（Ｉｄ＝０Ａ）。そのため、ＭＲＡＣモデルでは、相抵抗Ｒ_Ｓを推定するために永久磁石磁束連鎖Ψ_ＰＭを一定値にセットし、ＡＮＮモデルでは、永久磁石鎖交磁束鎖Ψ_ＰＭを推定するために相抵抗Ｒ_Ｓを一定値にセットする。しかしながらこれらのモデルは、負荷および速度が変化する間の、モデル化されない電圧損失を考慮しておらず、したがって推定パラメータは、それらの実際値から偏差する。しかしながらこれらの偏差は、コイル温度推定において誤差を生じてしまう。

【0006】

したがって、本発明の根底にある課題は、上記の欠点を回避し、発生している動作条件についてのモータパラメータの正確な推定を可能にする装置および方法を提供することである。

【0007】

この課題は、請求項１記載の装置、請求項７記載の方法、および請求項１３記載のコンピュータプログラム製品によって達成される。有利な別の発展形態は、従属請求項に含まれている。

【0008】

本発明の１つの態様によると、モータパラメータを推定するための装置は、モータの動作パラメータを受け取るように構成されている入力インタフェースと、動作パラメータおよび最初に決定される第２モータパラメータに基づいて、推定第１モータパラメータを推定する第１パラメータ推定アルゴリズムを実行するように構成されている第１装置と、動作パラメータおよび最初に決定される第１モータパラメータに基づいて、推定第２モータパラメータを推定する第２パラメータ推定アルゴリズムを実行するように構成されている第２装置と、を有する。上記の装置はさらに、推定第１モータパラメータおよび動作パラメータに基づいて、修正推定第２モータパラメータを推定する第３パラメータ推定アルゴリズムを実行するように構成されている第３装置と、推定第２モータパラメータおよび動作パラメータに基づいて、修正推定第１モータパラメータを推定する第４パラメータ推定アルゴリズムを実行するように構成されている第４装置と、を有する。

【0009】

このような装置により、モータパラメータのより正確な推定を提供するために、モデル化されない動作パラメータの影響を考慮することができる。

【0010】

この装置の有利な実装形態では、動作パラメータは、検出電圧、検出電流、および検出電気速度のうちの少なくとも１つを有し、第１モータパラメータは、永久磁石鎖交磁束を有し、第２モータパラメータは、相抵抗を有する。

【0011】

これらの動作パラメータおよび推定すべきモータパラメータを選択することにより、コイル温度の推定に必要なモータパラメータの推定を正確に行うことができる。

【0012】

上記の装置の別の有利な実装形態では、第１装置および第４装置は、パラメータ推定アルゴリズムを実行する人工ニューラルネットワークモデルを有し、第２装置および第３装置は、第２パラメータ推定アルゴリズムおよび第３パラメータ推定アルゴリズムを実行するモデル規範形適用制御モデルを有する。

【0013】

モータパラメータの推定のためにそれぞれのパラメータ推定アルゴリズムを構成することにより、適切なパラメータ推定アルゴリズムが構成され、モータパラメータの正確かつ効果的な推定が可能である。

【0014】

上記の装置の別の有利な実装形態では、最初に決定される第１モータパラメータおよび最初に決定される第２モータパラメータは、一定値である。

【0015】

このように決定することにより、推定のための適切な開始値が得られる。

【0016】

この装置のさらに別の有利な実装形態では、第３装置または第４装置は、第３モータパラメータを推定するように構成されている。

【0017】

別のパラメータをより正確な仕方で推定することにより、コイル温度の推定を改善することができるか、または別のパラメータの推定が可能になる。

【0018】

上記の装置のさらに別の有利な実装形態では、第３モータパラメータはインダクタンスを有する。

【0019】

インダクタンスを推定することにより、コイルの障害を特定することができる。

【0020】

本発明の別の態様によると、方法には、次のステップが含まれている。すなわち、動作パラメータおよび最初に決定される第２モータパラメータに基づいて、推定第１モータパラメータを推定するステップと、動作パラメータおよび最初に決定される第１モータパラメータに基づいて、推定第２モータパラメータを推定するステップと、推定第１モータパラメータおよび動作パラメータに基づいて、修正推定第２モータパラメータを推定するステップと、推定第２モータパラメータおよび動作パラメータに基づいて、修正推定第１モータパラメータを推定するステップと、が含まれている。

【0021】

このような方法により、モータパラメータのより正確な推定を提供するために、モデル化されない動作パラメータの影響を考慮することができる。

【0022】

この方法の有利な実装形態では、動作パラメータは、検出電圧、検出電流および検出電気速度を有し、第１モータパラメータは、相抵抗を有し、第２モータパラメータは、永久磁石鎖交磁束を有する。

【0023】

この方法においてこれらの動作パラメータおよびモータパラメータを選択することにより、コイル温度を推定するのに必要なモータパラメータの推定を正確に実行することができる。

【0024】

この方法の別の有利な実装形態では、推定第１モータパラメータおよび修正推定第１モータパラメータの推定を人工ニューラルネットワークによって実行し、推定第２モータパラメータおよび修正推定第２モータパラメータの推定をモデル規範形適応制御モデルによって実行する。

【0025】

モータパラメータの推定にそれぞれのパラメータ推定アルゴリズムを使用することにより、適切なパラメータ推定アルゴリズムが使用され、モータパラメータの正確かつ効果的な推定が可能である。

【0026】

上記の方法の別の有利な実装形態では、最初に決定される第１モータパラメータおよび最初に決定される第２モータパラメータを一定値として設定する。

【0027】

このように決定することにより、推定のための適切な開始値が使用される。

【0028】

さらに別の有利な実装形態では、方法はさらに、第３モータパラメータを推定するステップを有する。

【0029】

別のモータパラメータを推定することにより、コイル温度の推定を改善することができるか、または別のモータパラメータの推定が可能になる。

【0030】

別の有利な実装形態によると、第３モータパラメータにはインダクタンスが含まれる。

【0031】

別の態様によると、コンピュータプログラム製品は、プログラムがコンピュータによって実行される場合にコンピュータにこの方法のステップを実行させる命令を有する。

【0032】

インダクタンスを推定することにより、コイルの障害を特定することができる。

【0033】

以下では、添付の図面を参照する実施形態により、本発明を説明する。

【図面の簡単な説明】

【0034】

【図1】本発明による装置およびアルゴリズムのブロック図である。

【図2】本発明による装置または方法の有効性を示す図である。

【0035】

図１には、本発明による装置およびアルゴリズムのブロック図が示されている。

【0036】

装置として構成されている実施形態において、参照符号１は、電気モータ（図示せず）のモータパラメータを推定する装置を示している。

【0037】

第１モータパラメータは、永久磁石鎖交磁束Ψ_ΡΜを有する。第２モータパラメータは、相抵抗Ｒ_Ｓを有する。択一的には、別のモータパラメータも推定可能である。

【0038】

装置１は、第１推定器２および第２推定器３を有する。さらに、装置１は、入力インタフェース４を有する。

【0039】

入力インタフェース４は、電気モータの動作パラメータを受け取る。入力インタフェース４は、検出電圧ｕ_ｄ，ｑ、検出電流ｉ_ｄ，ｑおよび検出電気速度ω_ｅを受け取る。択一的な実施形態では、これらの動作パラメータのすべて入力されるわけではなく、または付加的な動作パラメータが入力される。

【0040】

第１推定器２はそれぞれパラメータ推定アルゴリズムを実行する、人工ニューラルネットワーク（ＡＮＮ）モデルを備えた第１装置５と、モデル規範形適応制御（ＭＲＡＣ）モデルを備えた第２装置６とを有する。択一的には、装置の別の量、ただ１つまたは３つ以上のモデル、または別の種類のモデル、例えば、拡張カルマンフィルタ（ＥＫＦ：Extended-Kalman-Filter）を設けることができる。

【0041】

第１装置５は、動作パラメータｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅおよび最初に決定される第２モータパラメータＲ_Ｓ，０に基づいて、推定第１モータパラメータΨ_ＰＭ，１を推定する人工ニューラルネットワーク（ＡＮＮ）モデルにしたがって、第１パラメータ推定アルゴリズムを実行するように構成されている。

【0042】

第２装置６は、動作パラメータｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅおよび最初に決定される第１モータパラメータΨ_ＰＭ，０に基づき、推定第２モータパラメータＲ_Ｓ，１を推定するモデル規範形適応制御（ＭＲＡＣ）モデルにしたがって、第２パラメータ推定アルゴリズムを実行するように構成されている。

【0043】

第２推定器３は、パラメータ推定アルゴリズムをそれぞれ実行する、モデル規範形適応制御（ＭＲＡＣ）モデルを備えた第３装置７と、人工ニューラルネットワーク（ＡＮＮ）モデルを備えた第４装置８とを有する。択一的には、装置の別の量、ただ１つまたは３つ以上のモデル、または別の種類のモデル、例えば、同時学習適応制御を設けることができる。

【0044】

第３装置７は、推定第１モータパラメータΨ_ΡΜ，１および動作パラメータｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅに基づき、修正推定第２モータパラメータＲ_Ｓ，２を推定するモデル規範形応制御（ＭＲＡＣ）モデルにしたがって、第３パラメータ推定アルゴリズムを実行するように構成されている。

【0045】

さらに第３装置７により、第３モータパラメータＬ_Ｓを推定する。第３モータパラメータは、インダクタンスを有する。択一的には、別の第３モータパラメータが推定されるか、または第３モータパラメータは推定されない。

【0046】

第４装置８は、推定第２モータパラメータＲ_ｓ，１および動作パラメータｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅに基づき、修正推定第１モータパラメータΨ_ＰＭ，２を推定する人工ニューラルネットワーク（ＡＮＮ）にしたがって、第４パラメータ推定アルゴリズムを実行するように構成されている。

【0047】

最初に決定される第１モータパラメータΨ_ＰＭ，０および最初に決定される第２モータパラメータＲ_ｓ，０は、一定値である。択一的には、最初に決定されるモータパラメータは変数値である。

【0048】

推定器２，３および装置５，６，７，８は、別々のモジュールとして図示されているが、択一的には、これらは完全にまたは部分的に、１つまたは複数のモジュールに統合されていてよい。

【0049】

方法として構成されている実施形態では、参照符号１’は、電気モータのモータパラメータを推定する方法を示している。

【0050】

使用時には、モータパラメータ１’を推定する方法により、動作パラメータｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ωを入力する。さらに、最初に決定される第２モータパラメータＲ_ｓ，０と、最初に決定される第１モータパラメータΨ_ＰＭ，０とを設定する。

【0051】

動作パラメータｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅおよび最初に決定される第２モータパラメータＲ_ｓ，０に基づき、第１パラメータ推定アルゴリズム５’により、推定第１モータパラメータΨ_ＰＭ，１を推定する。さらに、動作パラメータｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅおよび最初に決定される第１モータパラメータΨ_ＰＭ，０に基づき、第２パラメータ推定アルゴリズム６’により、推定第２モータパラメータＲ_ｓ，１を推定する。

【0052】

さらに、動作パラメータｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅおよび推定第１モータパラメータΨ_ＰＭ，１と基づき、第３パラメータ推定アルゴリズム７’により、修正推定第２モータパラメータＲ_ｓ，２を推定する。さらに、動作パラメータｕ_ｄ，ｑ，ｉ_ｄ，ｑ，ω_ｅおよび推定第２モータパラメータＲ_ｓ，１に基づき、第４パラメータ推定アルゴリズム８’により、修正推定第１モータパラメータΨ_ＰＭ，２を推定する。

【0053】

第１パラメータ推定アルゴリズム５’および第２パラメータ推定アルゴリズム６’は、装置でもソフトウェアモジュールでもある第１推定器２’の構成要素である。第３パラメータ推定アルゴリズム７’および第４パラメータ推定アルゴリズム８’は、装置でもソフトウェアモジュールでもある第１推定器３’の構成要素である。

【0054】

上述のように、第１モータパラメータは、永久磁石鎖交磁束Ψ_ＰＭを有し、第２モータパラメータは、相抵抗Ｒ_Ｓを有する。択一的には、他のモータパラメータも推定可能である。

【0055】

人工ニューラルネットワーク（ＡＮＮ）モデルにより、推定第１モータパラメータΨ_ＰＭ，１および修正推定第１モータパラメータΨ_ＰＭ，２の推定を実行し、モデル規範形適応制御（ＭＲＡＣ）モデルにより、推定第２モータパラメータＲ_ｓ，１および修正推定第２モータパラメータＲ_ｓ，２の推定を実行する。同様に上述したように、ただ１つの種類のモデルによって、または別の種類のモデル、例えば同時学習適応制御によって推定を実行することができる。

【0056】

最初に決定される第１モータパラメータΨ_ＰＭ，０および最初に決定される第２モータパラメータＲ_ｓ，０は、一定値として設定される。択一的には、これらは、変数値であってよい。

【0057】

第３パラメータ推定アルゴリズム７’によってさらに、インダクタンスＬ_Ｓである第３モータパラメータを推定する。択一的には、別のモータパラメータを推定するか、または別のモータパラメータを推定しない。

【0058】

図２には、本発明による装置および方法の有効性を示す図が示されている。

【0059】

上側の図は、第２モータパラメータＲ_Ｓを示し、中央の図はインダクタンスＬ_Ｓを示し、下側の図は、第１モータパラメータΨ_ΡΜを示す。左側には、第１推定器（２，２’）の推定結果が示されている。右側には、第２推定器（３，３’）の推定結果が示されている。

【0060】

実線は、推定値を示し、破線は、測定値を示す。

【0061】

１２秒にモータ速度が増大し、７秒および１８秒に、加えられる負荷トルクが増大する。

【0062】

第１推定器（２，２’）の結果を示す図では、モータ速度および加えられる負荷における増大に起因する推定パラメータの偏差が見られる。さらに、第２推定器（３，３）の結果における右側の図に見られるように、本発明による装置およびアルゴリズムにより、結果が大幅に改善される。というのは、変化の時点における短いピークを除いて、動的な負荷変化中、修正推定パラメータΨ_ＰＭ，２およびＲ_ｓ，２は、変化しないままであるからである。

【0063】

本明細書のさまざまな実施形態に関連して本発明を説明した。しかしながら当業者は、特許請求の範囲に記載された本発明の実施において、図面、本開示および添付の特許請求の範囲を検討することにより、開示された実施形態についての他の変形形態を理解して実施することができる。このような修正は、当該技術分野においてすでに公知の他の特徴を含んでいてよく、本明細書においてすでに説明された特徴の代わりにまたはそれらに加えて使用可能である。特許請求の範囲において、「comprising（有する、含む）」という語は、他の要素またはステップを除外するものではなく、不定冠詞「a」または「an」は複数を除外するものではない。

【符号の説明】

【0064】

１ モータパラメータを推定するための装置
１’ モータパラメータを推定する方法
２ 第１推定器
２’ 第１推定器
３ 第２推定器
３’ 第２推定器
４ 入力インタフェース
５ 第１装置
５’ 第１パラメータ推定アルゴリズム
６ 第２装置
６’ 第２パラメータ推定アルゴリズム
７ 第３装置
７’ 第３パラメータ推定アルゴリズム
８ 第４装置
８’ 第４パラメータ推定アルゴリズム
Ψ_ＰＭ 第１モータパラメータ（永久磁石鎖交磁束）
Ψ_ＰＭ，０ 最初に決定される第１モータパラメータ
Ψ_ＰＭ，１ 推定第１モータパラメータ
Ψ_ＰＭ，２ 修正推定第１モータパラメータ
Ｒ_Ｓ 第２モータパラメータ（相抵抗）
Ｒ_ｓ，０ 最初に決定される第２モータパラメータ
Ｒ_ｓ，１ 推定第２モータパラメータ
Ｒ_ｓ，２ 修正推定第２モータパラメータ
Ｌ_Ｓ 第３モータパラメータ（インダクタンス）
ｕ_ｄ，ｑ 検出電圧
ｉ_ｄ，ｑ 検出電流
ω_ｅ 検出電気速度
ＡＮＮ 人工ニューラルネットワーク
ＭＲＡＣ モデル規範形適応制御

【図1】

【図2】

【国際調査報告】