$30 off During Our Annual Pro Sale. View Details »

210826_bumontaikai

yuki
August 27, 2021
67

 210826_bumontaikai

yuki

August 27, 2021
Tweet

Transcript

  1. 半教師あり学習データにより構築した
    深層生成モデルと畳み込みニューラル
    ネットワークを活用したIPMSMの
    回転子設計システムの基礎検討
    大阪府立大学大学院 工学研究科
    ◎清水 悠生 森本 茂雄 真田 雅之 井上 征則
    2021/8/27
    @2021年電気学会産業応用部門大会

    View Slide

  2. 2/18
    研究背景
    ✓ 電気で動く様々な製品にモータが用いられている
    ⚫ 電気自動車
    ⚫ ドローン
    ⚫ 産業用ロボット
    ⚫ HVAC(空調設備)
    ✓ 動力源として埋込磁石同期モータ(IPMSM)が主流
    *IPMSM: Interior Permanent Magnet Synchronous Motor
    固定子(電磁鋼板)
    回転子(電磁鋼板)
    永久磁石

    View Slide

  3. 3/18
    IPMSM設計が抱える問題点
    ✓ IPMSMは数多くの形状を有限要素解析で計算するため
    設計期間の長期化が問題に
    長時間の有限要素解析(FEA)
    構造を細かな要素に分割し
    各領域内で特性計算を実施
    特性解析に長時間を要する
    高い設計自由度
    永久磁石を回転子に埋め込んで
    いるため設計自由度が高い
    数多くの形状の検討が必要

    View Slide

  4. 4/18
    本研究で提案する2つの解決策
    ✓ 本研究ではIPMSMの設計期間の長期化問題に対して
    深層学習の活用により解決する
    長時間の有限要素解析(FEA)
    高い設計自由度
    ②畳み込みニューラル
    ネットワークによる
    有限要素解析の代替
    ①深層生成モデルの
    活用による次元削減と
    実行可能解の表現

    View Slide

  5. 5/18
    ✓ 深層学習を活用したIPMSM自動設計システムの構築
    ✓ 有限要素解析を用いた設計と比べて最適化設計時間を短縮
    本研究の目標
    z
    x*=G(z)
    … 潜在変数
    深層生成モデル
    畳み込みニューラル
    ネットワーク
    y*=f(x*)
    効率 減磁
    脈動
    要求を
    満たす?
    Yes
    No; next z
    終了
    y*
    トルク
    本発表

    View Slide

  6. 6/18
    ✓ 深層学習の活用には十分量のデータ(数万~)が必要
    ✓ FEAを代替するモデル構築の場合
    教師データもFEAで生成するため長時間を要する
    深層学習を活用する上での問題点
    FEA
    FEA

    FEA
    FEA

    2層構造
    V構造
    FEA
    FEA
    FEA
    FEA
    FEA
    FEA
    [1] Y. Shimizu et al., “Using Machine Learning to Reduce Design Time for Permanent Magnet Volume
    Minimization in IPMSMs for Automotive Applications,” IEEJ Trans. Ind. Appl., Vol. 10, No. 5 (2021)
    1形状の速度ートルク特性のFEA:12.4分[1]
    ⇒10万データの生成には約2.36年必要

    View Slide

  7. 7/18
    ✓ 一部の形状のFEA結果から形状毎に予測モデルを構築し
    そのモデルを活用してデータを生成(拡張)
    ✓ 速度ートルク特性は直接の予測対象とせず
    モータパラメータを予測して速度ートルク特性を計算[1]
    ✓ データ生成は合計2.8時間で完了
    機械学習を活用したデータ生成
    予測
    FEA
    FEA

    予測 予測
    機械学習
    FEA
    FEA

    予測 予測 予測
    2層構造
    V構造
    6k 形状 × 1 電流条件/形状
    = 6k データ
    60k 形状 × 153 電流条件/形状
    = 9.18M データ
    [1] Y. Shimizu et al., “Using Machine Learning to Reduce Design Time for Permanent Magnet Volume
    Minimization in IPMSMs for Automotive Applications,” IEEJ Trans. Ind. Appl., Vol. 10, No. 5 (2021)

    View Slide

  8. 8/18
    教師データ;モータ形状の画像
    z
    x*
    x
    判定
    真/偽
    ✓ 敵対的生成ネットワーク(GAN)を用いて
    IPMSMの回転子を設計する生成器を学習
    *GAN: Generative Adversarial Network
    解決策①:深層生成モデルによる設計
    2層構造 V構造

    潜在変数
    (ベクトル) 生成器
    識別器
    sigmoid

    View Slide

  9. 9/18
    ✓ 深層生成モデルを使用する目的は二つ
    深層生成モデルの役割
    深層生成モデルを用いる目的
    ① 非常に大きい設計変数空間を次元削減し
    潜在変数の空間内で最適設計を行うことで探索時間を短縮する
    ② 既存の設計可能な形状を生成器に学習させることで
    設計変数空間内の実行可能解のみを表現できるようにする
    (設計不可能なノイズのような形状を排除する)
    z x*

    潜在変数
    生成器
    鋼板:[1, 0, 0]
    空気:[0, 1, 0]
    磁石:[0, 0, d
    m
    ]
    R G B
    d
    m
    : 着磁方向を
    表す変数
    (-90~90°⇒0~1)
    256次元
    256x256x3

    View Slide

  10. 10/18
    ✓ 出力画像は鮮明で,正しく形状を学習できている
    ✓ 潜在変数空間内の探索で様々な形状を検討可能
    生成器の学習結果
    z x*

    潜在変数
    生成器
    256次元 256x256x3
    Z
    0
    0 0

    Z
    1
    最初の2次元以外は
    全て0として可視化
    256次元
    z
    0
    z
    1
    各点(ベクトル)
    が各画像に対応

    View Slide

  11. 11/18
    解決策②:回帰CNNの構築
    ✓ 有限要素解析の代替として深層学習による回帰CNNを
    用いると短期間で計算が完了する
    IPMSMの構造
    深層学習による回帰モデル
    深層学習の活用
    IPMSMの構造
    速度
    トルク
    運転特性
    有限要素解析
    有限要素解析
    数分~数時間/形状
    要する
    数マイクロ秒程度で完了
    速度
    トルク
    運転特性
    ResNet等
    *CNN: Convolutional Neural Network

    View Slide

  12. 12/18
    ✓ 3つのモータパラメータを予測するマルチタスク学習
    ✓ 磁気飽和による電流依存性のため,近似式の係数を予測
    回帰CNNの設定
    ResNet-18
    fc 4
    fc 10
    fc 15
    Ψ
    a
    L
    d
    L
    q
    2 3
    0 1 2 3
    a p p a p a p a
    w w I w I w I
     = + + +
    2 2
    0 1 2 3 4 5
    3 2 2 3
    6 7 8 9
    d ld ld d ld q ld d ld d q ld q
    ld d ld d q ld d q ld q
    L w w i w i w i w i i w i
    w i w i i w i i w i
    = + + + + +
    + + + +
    2 2
    0 1 2 3 4 5
    3 2 2 3
    6 7 8 9
    4 3 2 2 3 4
    10 11 12 13 14
    q lq lq d lq q lq d lq d q lq q
    lq d lq d q lq d q lq q
    lq d lq d q lq d q lq d q lq q
    L w w i w i w i w i i w i
    w i w i i w i i w i
    w i w i i w i i w i i w i
    = + + + + +
    + + + +
    + + + + +
    batch size 16
    optimizer Adam
    weight decay 0.001
    loss MSE
    永久磁石による電機子鎖交磁束
    d軸インダクタンス
    q軸インダクタンス
    *fc: fully connected
    d q
    i i
    a
    I
    **
    w
    :電機子電流
    :d,q軸電流
    :重み係数

    View Slide

  13. 13/18
    ✓ 回帰CNNはtestデータに対して高精度
    回帰CNNによる予測結果

    真値
    (FEA)
    生成
    データ
    CNN
    予測
    ・データ数
    Train: 80k 形状
    Valid: 20k 形状
    Test : 10k 形状
    2D:V=1:1の割合
    Predicted
    Generated (mH)
    Generated (mH)
    Generated (mH)
    Generated (mH)
    Generated (Wb)
    Generated (Wb)
    Predicted (Wb)
    Predicted (Wb)
    Predicted (mH)
    Predicted (mH)
    Predicted (mH)
    Predicted (mH)
    2D,Ψ
    a
    2D,L
    d
    2D,L
    q
    V,Ψ
    a
    V,L
    d
    V,L
    q
    r2:0.97
    r2:0.98
    r2:1.00
    r2:0.98
    r2:0.97
    r2:0.99
    test データに対する予測結果
    図 予測するデータの概念図
    Generated

    View Slide

  14. 14/18
    ✓ 潜在変数空間の運転特性は放射状となっている
    完成した設計システムの概要
    統合したデータの流れ
    N
    T
    P
    B
    11000
    min-1
    P
    A
    40Nm
    195Nm
    3000
    min-1
    トルク@3 000 min-1 トルク@11 000 min-1 磁石量(面積比) (%)
    潜在変数空間内の運転特性の分布(y* in [z
    o
    ,z
    1
    ])
    better better
    better
    黒線:195Nm 黒線:40Nm
    要求運転点
    z x*
    生成器 回帰CNN
    y*

    潜在変数 特性

    View Slide

  15. 15/18
    ✓ 急峻な特性変化は形状の移り変わりによって生じている
    潜在変数空間と形状の対応
    トルク@3 000 min-1
    better
    トルク@11 000 min-1
    better
    左図内の各ベクトルが各画像に対応
    磁石量(面積比) (%)
    better

    View Slide

  16. 16/18
    ✓ 2つのトルク要求を満足する個体を一つ選択しFEAを実施
    ✓ システムの予測特性はFEAの特性を高精度に予測
    FEAによる予測結果の検証
    (z
    0
    ,z
    1
    )=(-150,1000)の形状
    PA
    PB
    トルク@3 000 min-1
    better
    トルク@11 000 min-1
    better
    (-150,1000)

    View Slide

  17. 17/18
    ✓ 潜在変数から2条件のトルク特性を導出する時間を計算
    ✓ 1つの潜在変数(形状)の特性計算は12.0ms程度で完了
    計算時間
    平均: 12.0ms
    標準偏差: 0.11ms
    ・潜在変数からトルク特性
    (2条件)の計算時間
    ・100回の平均値計算を
    300回実施した結果を表示
    z x*
    生成器 回帰CNN
    y*

    潜在変数
    特性

    View Slide

  18. 18/18
    発表のまとめ
    ✓ 本発表では3つの技術を用いた自動設計システムについて報告
    ⚫ 機械学習を用いた短期間での教師データの生成
    ⚫ 回転子設計のための敵対的生成ネットワーク
    ⚫ モータの特性を予測する畳み込みニューラルネットワーク
    ✓ 提案システムは以下の利点が存在
    ⚫ 多種多様なモータ形状を256次元の潜在変数空間に削減
    ⚫ FEAによるモータの運転特性を高精度に予測
    ⚫ 一つの特性予測時間は平均12ms
    ✓ 今後はシステムを用いた最適化設計を実施(9月/回転機研究会)
    ✓ システムが扱える形状や運転特性など,対象範囲を拡大

    View Slide