データ駆動で実現する車載用DC/DCコンバータの自動チューニングと開発効率化 / 2026 AI MANUFACTURING TALK

2026年6月12日開催 Women in Data Science Tokyo @ IBM
AI MANUFACTURING TALK 資料

Speaker: 岡本 芽生
パナソニックインダストリー株式会社
技術本部 プロセス開発センター
主任技師

https://widstokyoibm2026.pages.dev/

Transcript

1. IN Our Challenge データ駆動で実現する 車載DC/DCコンバータの 自動チューニングと開発効率化 2025/6/12 WiDS @Tokyo 2026
2. 2 本セッションのSNS投稿について • SNS投稿： 一部OK OK: テキストによる文字のみの投稿 NG: スクリーンショットの画像/動画を含んだ投稿 • ハッシュタグ: #WiDS2026 #WiDSTokyoIBM
3. プロフィール 3 • 名前：岡本 芽生（おかもと めい） • 所属：パナソニック インダストリー株式会社 技術本部 プロセス開発センター • 出身：千葉県 佐倉市 • 大学： 千葉大学 工学部 情報画像学科（女性比率 2割弱） 大学院 融合科学研究科 • 趣味： • CG（コンピューターグラフィックス） • ストリートダンス （ハウス） ダンスしてる写真 LiDARの点群データによる植生量の推定 JAXA 国際宇宙ステーションに搭載されたセンサの研究 点群データ https://www.aero.jaxa.jp/spsite/rensai/column/56.html
4. パナソニックグループについて 4 組織体制
5. パナソニック インダストリー 企業理念 5
6. パナソニック インダストリー の事業分野 6 ３つの重点領域で、自動車やデータセンター、工場向けの電子部品を開発
7. 業務経歴 7 入社~：無線端末の位置推定 受信強度(RSS)による端末の位置推定 2022~：モータのパラメータ自動調整 産業機器のモータの入出による 制御動作条件の自動調整 2023~：車載用DC/DCのパラメータ自動調整 DCDCコンバータの入出力による 制御ゲインの自動調整 2025~：スマートラボ データ分析PF開発 自動実験設備の入出力による プロセス条件の自動調整 データ解析技術を軸に、様々な産業向け製品開発の中で、現場課題を解決する技術を開発 2021~：Ontology Modeling MBD(モデルベース開発) を効率化する方法の考案・推進
8. 業務紹介 車載用DC/DCコンバータ 開発現場の課題 と 取り組み 8
9. 車載用DC/DCコンバータ の役割 9 自動車の中には高電圧のバッテリーと低電圧の電子機器が共存 DC/DCコンバータは、その間で電圧を変換し、車内の様々な電子機器へ電力を供給する重要な部品 https://industrial.panasonic.com/jp/ds/ss/technical/ap7 高電圧 低電圧 電子機器を制御するコンピュータ 変換
10. 車載DC/DCの市場動向 10 近年，自動車の電動化が進みEV販売台数は増加傾向 → 搭載するDC/DCコンバータの品種も増加 https://taitonmai.co.jp/column/global-ev-sales-ranking-2025 https://www.mordorintelligence.com/industry-reports/automotive-dc-dc-converter-market 2025年は 2千万台に到達 2026年 市場規模 約40億ドル
11. 開発の課題：製品ごとの制御パラメータ設計が大変 11 販売される車の品種が増加することで、必要なDC/DCコンバータの種類も増加 経験豊富なベテラン設計者の数は限られており、開発の効率化が大きな課題 設計人員と品種数の乖離の例
12. 提供価値 ：自動調整技術により 開発工程の一部を 90%以上 削減 12 車載用DCDC電源の設計者 に 多品種向け開発の効率化 を提供 特に時間のかかる 制御ゲイン設計と評価 工程を自動化することで短縮 ①要求分析 ②制御トポロジー 設計 ① 4 ヶ月(16 週間) 4 ヶ月 1 品種A … ① ② ④ N ① ② ③ ④ 別品種へ展開し，多品種開発を高速化する before after ② ③ ④ ③ ③制御ゲイン設計 ④評価 1 週間 試作数 1 … N ×N 回試作 ↓ 目標： 56%削減 自動調整により 90%以上 短縮 品種や試作が変わる度， 設計者が試行錯誤
13. ベイズ最適化 13 最も良い予測値を出力する 「最適な」入力パラメータを効率良く見つける技術 入力を変えて代理モデルを繰り返し実行し，確率的に次の候補パラメータを選ぶ おいしいソースを作るための 入力パラメータを１組選ぶ 代理モデルで 実験 目的関数スコア と 不確実さ により次の組を選ぶ 実験結果 不確実さ 次に試す組
14. ベイズ最適化 14 最も良い予測値を出力する 「最適な」入力パラメータを効率良く見つける技術 入力を変えて代理モデルを繰り返し実行し，確率的に次の候補パラメータを選ぶ https://x-simulation.jp/blog/166 おいしいソースを作るための 入力パラメータを１組選ぶ 代理モデルで 実験 目的関数スコア と 不確実さ により次の組を選ぶ 実験結果 不確実さ 次に試す組 実験時間が長い 入力パラメータの数 （次元数）が多い 評価の指標が複雑
15. 少ない試行回数で良い条件を見つけるために、ベイズ最適化を活用 ただし、そのまま適用しただけでは実際の開発現場では不十分 そこで，3つの工夫を組み込んだ自動調整PFを開発 別品種へ展開 回路素子モデル あ 1. 適応的試験条件選択 3. 多段階探索 周波数応答 時間応答 安定性評価 速応性評価 調整ノウハウDB 2. 代理モデル自動生成 … 条件1 条件M 試験条件 制御ゲイン 次の候補パラメータ 目的関数スコア 重要な試験条件 だけを選んで 探索時間を削減 軽量な代理モデル によりsim.時間を短縮 設計者のノウハウに基づき 制御ゲイン(パラメータ)の範囲を 絞り込みながら探索 様々な条件から重要な要素を抽出する 自動調整PF
16. 数多くの試験条件で 基準を満たす必要がある 単純にパラメータを探索すると 膨大な時間を要する 試験条件 No. 寄与度の高さを判定しながら， 重要な試験条件のみを優先的に選択 No. 入力電圧 [V] 目標電圧 [V] 出力電流 [A] 評価時間 [s](sim) 1 V1 Vo1 I1→I2 t1 2 V1 Vo1 I2→I1 t1 3 V3 Vo1 I1→I3 t1 4 V1→V2 Vo2 I1 t1 5 V2→V1 Vo2 I1 t1 7 V1→V3 Vo3 I2 t2 8 V3→V1 Vo3 I2 t2 9 V2 Vo2 I1→I3 t4 11 V2 Vo2 I2→I3 t3 12 V3 Vo3 I3→I2 t3 スコアが悪い試験条件を優先 評価時間の長い試験条件は避ける パラメータ試行回数 パラメータ試行回数 最適化で評価された試験条件とスコア 最適化で評価された試験条件とスコア パラメータ試行の回数だけ 全ての試験条件を評価 悪 良 評価時間が長い 目的関数スコアが悪い 目的関数スコア １．適応的試験条件選択 多くの試験条件を全て試すのではなく、重要なものから優先的に評価 これにより、試験条件の多い品種でも 膨大な時間をかけずパラメータ調整が可能
17. 回路シミュレーション上でのFRA実施により 安定性評価に時間がかかる (25分程度) FRAデータの再利用により 軽量な数値計算で安定性を予測 (0.02秒程度) 𝑃𝑖 = 𝐿𝑖0 /𝐶𝑖0 𝑃𝑣 = 𝐿𝑣0 (1 + 𝐿𝑖0 )/(𝐶𝑣0 𝐿𝑖0 ) 𝐶0 :FRA時の制御器 𝐿0 :FRA時の開ループ応答 𝑃:制御対象 𝜌:評価したい制御パラメータ 𝐶(𝜌): 𝜌の作る制御器 𝐿(𝜌): 𝜌の作る応答ループ応答 添え字𝑖:電流ループ 添え字𝑣:電圧ループ 𝐿𝑖 𝜌 = 𝐶𝑖 𝜌 𝑃𝑖 𝐿𝑣 (𝜌) = 𝐶𝑣 𝜌 𝐿𝑖 𝜌 1+𝐿𝑖 𝜌 𝑃𝑣 FRA: Frequency Response Analysis 代理モデル生成 安定性予測 位相余裕 ゲイン余裕 ２．モデル自動生成 計算コストの高い評価を高速化するために、予測モデルを活用 これにより、時間のかかるシミュレーションモデルを毎回実行することなく、評価時間を短縮 周波数空間上の波形を描くには 更に時間がかかる
18. 目的関数: 目的関数: パラメータ探索範囲の絞り込み α𝟏 × 𝛥𝑆𝑀1 + α𝟐 × 𝛥𝑆𝑀2 + ⋯ 安定性評価 𝛥𝑆𝑀𝑥 : 安定余裕の基準値との差 ex. 電圧ゲイン余裕，電圧位相余裕, … α: 要素ごとの重み 𝞫1 × 𝛥𝑇𝑅1 + 𝞫2 × 𝛥𝑇𝑅2 + ⋯ 速応性評価 𝛥𝑇𝑅𝑥 : 時間応答要素の基準値との差 ex. オーバーシュート量，整定時間, … β: 要素ごとの重み 探索範囲(range)と初期値(initial)を更新 周波数応答 から得られる 安定余裕が確保されるよう最適化 時間応答 から得られる オーバーシュートなどが要求基準を 満たすよう最適化 stage 1 の パラメータごとの range は広いため， 安定性を確保できそうな範囲に狭めてから 速応性について調整する． parameter 1 parameter L … ３．多段階探索 設計者の調整ノウハウを取り入れ、段階的に探索範囲を絞り込む これにより、探索回数を削減して効率的な調整が可能 整定時間 オーバーシュート 時間応答 周波数応答 位相余裕
19. 今後の展望 19 • データサイエンスやAI活用は，製造業分野でも非常に注目されています。 • データ解析をするには、データを生み出す物理的なモノ、 モノを動かしデータを集め、分析するための仕組みがのったプラットフォーム（環境） が必要です。 • これらの環境を自分で作ることができるようになると、 自分の技術と知見を活かして、様々な分野の課題に取り組むことができるようになります。 • クラウドや生成AIを利用して 実験室や工場など離れた場所のデータも収集・解析し貢献範囲を広げていきます。 宇宙センサ研究から車載DC/DCコンバータ開発まで、 分野が変わってもデータ活用の考え方は共通でした。 今後も様々な分野への知見を広めながら課題解決に取り組んでいきます！