Permanent Magnet Synchronous Magnet Motor Intelligent Parameter Estimation Using Machine Learning Based Nonlinear Control

電気モーターは、工場のコンベアベルトから電気自動車の車輪に至るまで、あらゆるものに動力を供給する、現代社会における静かなる主力です。数ある種類の中でも、永久磁石同期モーターは、コンパクトなサイズでありながら膨大なパワーを生み出し、極めて高い効率で動作できる能力で際立っています。これらの機械は、ロボット工学、航空宇宙、そして急速に拡大する電気自動車のフリートのように、速度とトルクを精密に制御しなければならない用途において不可欠です。しかし、これらのモーターをピーク状態で稼働させ続けることは、絶え間ない挑戦でもあります。人間の体が温度や疲労、加齢によって変化するように、モーターの内部特性も時間の経過とともに変化します。内部の金属コイルは熱を持って電気抵抗が変化し、磁性材料はわずかに弱まり、機械部品は馴染んでいきます。こうした微妙な変化により、「完璧な」モーターを想定して設計されたコントローラーは、実際のモーターが異なる挙動を示した際に、効率の低下や不安定さを招くことがよくあります。

これを解決するために、エンジニアはモーターの神経系のように機能し、性能をスムーズに保つために常に調整を行う高度な制御システムに頼っています。今日用いられている最も先進的な手法の一つは、モデル予測制御と呼ばれる技術です。目の前の道路に反応するだけでなく、カーブが現れる前に、数秒先の未来を常に見据えて最適な経路を計算するドライバーを想像してみてください。この制御手法も、モーターに対して同様のことを行います。つまり、モーターの将来の状態を予測し、目標とする速度に到達するための最適な電気的指令を選択するのです。しかし、この予測が機能するためには、システムがモーターの現在の状態に関する正確な「地図」を持っている必要があります。もしモーターの内部特性が変化したために地図が間違っていれば、予測は失敗します。ここで、エチオピアのジマ大学とアディスアベバ大学の研究者による新しい研究が、新鮮な視点を提示しています。彼らは、人工知能がいかにしてリアルタイムのナビゲーターとして機能し、これらの変化を考慮してモーターの地図を常に更新できるかを探求しました。

研究者たちは、モーターの5つの重要な内部特性に焦点を当てました。それは、ワイヤーコイルの抵抗、磁界がエネルギーを蓄える様子を示すインダクタンス、永久磁石の強度、そして回転部品の重さを示す慣性です。かつて、エンジニアは数学的な公式を用いてこれらの値を推測してきましたが、これらの手法は、ストレス下でのモーターの複雑で非線形な挙動に対しては、しばしば苦戦してきました。チームは異なるアプローチを提案し、これら（の特性）を即座に推定するために、機械学習を用いる3つの異なる方法をテストしました。第一の方法は、イベントのシーケンスを記憶するように設計された一種の人工ニューラルネットワークを用い、モーターの入力と内部状態の関係を学習させるものでした。第二と第三の方法は、強化学習と呼ばれる別の分野の人工知能を用いたもので、これはコンピュータのエージェントが試行錯誤を通じて学習し、正しい推測には報酬を、間違いには罰を与えるという仕組みです。彼らは、これら3つのインテリジェントな推定器を、2つの異なる制御戦略に対してテストしました。一つは前述の予測制御であり、もう一つは、外乱を無視する能力に長けているものの、時に動作が小刻み（ジッター）になることがあるスライディングモード制御と呼ばれる堅牢な手法です。

どの組み合わせが最適であるかを判断するために、研究者たちはモーターシステムの詳細なデジタルシミュレーションを構築しました。彼らは、モーターが毎分300回転の低速から毎分2000回転の高速まで様々な速度で走行するようにプログラムし、同時に、モーターが熱を持つにつれてワイヤーの抵抗が増加するといった、現実世界で起こる物理的な変化もシミュレートしました。そして、これら3つのインテリジェントなシステムが、これらの変化をどの程度正確に追跡できるか、またモーターの応答がいかにスムーズであるかを観察しました。結果は明確かつ精密でした。すべての手法が、変化するモーターのパラメータを高精度で推定できることが証明されました。電気的特性の推定誤差は3.5パーセント未満に収まり、機械的慣性の推定値はさらに精密で、誤差は0.5パーセント未満でした。このレベルの精度は、モーターの状態が変化しても、コントローラーがほぼ完璧な状態の地図に基づいて動作していたことを意味します。

モーターの実際のパフォーマンスを見ると、手法による違いが明らかになりました。ニューラルネットワークを用いた予測制御を使用するシステムは、最もスムーズな動作を実現しました。このシステムは、モーターのトルク（回転力）を驚くほど一定に保ち、電力供給の変動（リップル）を極めて小さく抑えました。これは、振動を最小限に抑える必要がある用途において非常に重要です。一方で、強化学習を用いた予測制御を使用するシステムは、最も反応が速いものでした。速度指令が変化すると、このシステムはわずか0.12秒から0.18秒で調整を行い、オーバーシュート（目標値を通り過ぎること）もほとんどなく、モーターが落ち着く前に加速しすぎることもありませんでした。第三の手法である、スライディングモード制御と強化学習を組み合わせたものは、不確実性を扱う上で大きな強みを示しましたが、トレードオフもありました。堅牢ではありましたが、速度が変化した際に約50パーセントという大きなオーバーシュートを引き起こし、定常状態に落ち着くまでに時間がかかるなど、振動が多くなりました。

また、この研究は、インテリジェントな推定器が、実際のモーターで予想される特定の物理的変化を検出できることも確認しました。シミュレーション上のモーターが加速し、熱を持つにつれて、システムはワイヤー抵抗が約3パーセント増加したことを正しく特定しました。これは熱による自然な結果です。また、永久磁石の磁力が約1.4パーセント低下したことも察知しましたが、これも温度による予想通りの影響です。さらに、高負荷時に磁気回路の効率が低下する現象である磁気飽和によって引き起こされる、インダクタンスのわずかな減少も追跡しました。これらの知見は、人工知能が単に数字を推測しているのではなく、機械の物理的な実態を正確にモデリングしていることを示しています。

最終的に、この研究は、これらのインテリジェントな推定技術をモーター制御システムに統合することが、有望な進むべき道であることを示唆しています。コントローラーがモーターの健康状態に関する理解を継続的に更新できるようにすることで、機械が経年劣化したり過酷な条件下で動作したりしても、高い効率と安定性を維持できるようになります。本研究は、モーター制御におけるあらゆる問題を解決したと主張しているわけではなく、また、これらの手法を工場の物理的なハードウェアでテストしたわけでもありません。結果はすべて、厳格なコンピュータシミュレーションから導き出されたものです。しかし、信頼性が極めて重要となる電気自動車や産業機械において、機械学習を用いてモーターの内部地図を正確に保つことは、よりスムーズで応答性が高く、より長持ちする機械へとつながる可能性があることを、データは示しています。どの特定の手法を選択するかは、優先順位によります。もし絶対的な滑らかさを求めるのであればニューラルネットワークのアプローチが優れており、もし変化に対する最速の反応を求めるのであれば、予測制御を用いた強化学習のアプローチがリードすることになります。