Upgrade to Pro — share decks privately, control downloads, hide ads and more …

210826_bumontaikai

yuki
August 27, 2021
81

 210826_bumontaikai

yuki

August 27, 2021
Tweet

Transcript

  1. 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
  2. 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
  3. 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
  4. 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)
  5. 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
  6. 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
  7. 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
  8. 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
  9. 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
  10. 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 値 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
  11. 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
  12. 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
  13. 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