JP7717038B2 - Temperature prediction device, rotating electrical machine system and electric drive system using the same - Google Patents
Temperature prediction device, rotating electrical machine system and electric drive system using the sameInfo
- Publication number
- JP7717038B2 JP7717038B2 JP2022129278A JP2022129278A JP7717038B2 JP 7717038 B2 JP7717038 B2 JP 7717038B2 JP 2022129278 A JP2022129278 A JP 2022129278A JP 2022129278 A JP2022129278 A JP 2022129278A JP 7717038 B2 JP7717038 B2 JP 7717038B2
- Authority
- JP
- Japan
- Prior art keywords
- temperature
- drive system
- electric drive
- prediction device
- electric machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Control Of Electric Motors In General (AREA)
Description
本発明は、温度予測装置、それを用いた回転電機システム及び電動駆動システムに関する。 The present invention relates to a temperature prediction device, and a rotating electrical machine system and an electric drive system that use the same.
回転電機を構成するステータ及びロータの温度が限界温度を超えた状態において運転を続けるとロータコア永久磁石の減磁が生じて出力トルクが低下するおそれがあり、回転電機の温度を予測して適切に制御することが必要である。 Continuing operation when the temperature of the stator and rotor that make up a rotating electric machine exceeds the critical temperature may cause demagnetization of the rotor core permanent magnets, resulting in a decrease in output torque. Therefore, it is necessary to predict the temperature of the rotating electric machine and control it appropriately.
例えば、回転電機を収容するハウジングの内部に設けられた温度センサと、構成部品の発熱量を算出する発熱量算出部と、回転電機の回転数、トルク及び印加電圧に基づいてコイルの渦損を推定する渦損推定部と、構成部品の発熱量とコイルの渦損により構成部品の温度を算出する構成部品温度算出部と、を備える温度推定装置が開示されている（特許文献１）。 For example, a temperature estimation device is disclosed that includes a temperature sensor provided inside a housing that houses a rotating electrical machine, a heat generation amount calculation unit that calculates the heat generation amount of a component, an eddy-current loss estimation unit that estimates the eddy-current loss of the coil based on the rotation speed, torque, and applied voltage of the rotating electrical machine, and a component temperature calculation unit that calculates the temperature of the component based on the heat generation amount of the component and the eddy-current loss of the coil (Patent Document 1).
特許文献１に記載の従来技術では、設計者が電動駆動系内部の熱回路モデルを構築し、装置内の温度の流れを推定している。しかしながら、熱回路の結線方法や各パラメータの値を試行錯誤して決定することが必要と考えられ、労力を要する可能性がある。 In the conventional technology described in Patent Document 1, designers construct a thermal circuit model inside the electric drive system and estimate the flow of temperature within the device. However, it is thought that it would be necessary to determine the wiring method of the thermal circuit and the values of each parameter through trial and error, which can be time-consuming.
本発明の１つの態様は、回転電機を含む電動駆動系の温度予測装置であって、機械学習を適用して学習されており、前記電動駆動系の運転時における状態量を入力データとして前記電動駆動系の各部位の温度を予測する学習モデルを用いて前記電動駆動系の各部位の温度を予測して出力することを特徴とする温度予測装置である。 One aspect of the present invention is a temperature prediction device for an electric drive system including a rotating electric machine, which is trained using machine learning and uses a learning model that predicts the temperature of each part of the electric drive system using state variables during operation of the electric drive system as input data, and outputs the predicted temperature of each part of the electric drive system.
ここで、前記学習モデルは、前記電動駆動系の運転時における状態量に対して前記電動駆動系の運転時における前記電動駆動系の各部位の温度を教師データとして組み合わせた教師付学習データを用いて、当該状態量を入力したときに前記電動駆動系の各部位の温度を出力するように機械学習されていることが好適である。 Here, it is preferable that the learning model be machine-trained to output the temperature of each part of the electric drive system when a state quantity is input, using supervised learning data that combines the temperature of each part of the electric drive system when the electric drive system is operating as supervised data with the state quantity when the electric drive system is operating.
また、前記状態量は、前記回転電機の回転速度、前記回転電機の出力トルク、前記回転電機の入力電圧、前記回転電機の入力電流、前記回転電機の入力電流密度、前記回転電機のステータコイルのコイルエンドの温度、冷却流体の流量、冷却流体の温度、雰囲気温度、車速の少なくとも１つを含むことが好適である。 Furthermore, it is preferable that the state quantity includes at least one of the rotational speed of the rotating electric machine, the output torque of the rotating electric machine, the input voltage of the rotating electric machine, the input current of the rotating electric machine, the input current density of the rotating electric machine, the coil end temperature of the stator coil of the rotating electric machine, the flow rate of the cooling fluid, the temperature of the cooling fluid, the ambient temperature, and the vehicle speed.
また、前記教師付学習データは、前記電動駆動系の各部位における温度を示す画像データを含むことが好適である。 It is also preferable that the supervised learning data includes image data indicating the temperature at each part of the electric drive system.
また、前記画像データは、前記電動駆動系の各部位における温度分布を明度、色の濃度、色分けのいずれか１つによって示していることが好適である。 It is also preferable that the image data indicate the temperature distribution in each part of the electric drive system using one of brightness, color intensity, and color coding.
また、前記入力データは、前記電動駆動系の各部位における冷却流体の流量を示す画像データを含むことが好適である。 It is also preferable that the input data include image data indicating the flow rate of cooling fluid at each part of the electric drive system.
また、前記画像データは、前記電動駆動系の各部位における冷却流体の流量の分布を明度、色の濃度、色分けのいずれか１つによって示していることが好適である。 It is also preferable that the image data indicate the distribution of the cooling fluid flow rate at each part of the electric drive system using one of brightness, color intensity, and color coding.
また、前記機械学習は、畳み込みニューラルネットワークを用いて行われていることが好適である。 It is also preferable that the machine learning is performed using a convolutional neural network.
本発明の別の態様は、上記温度予測装置を用いて、運転中の前記電動駆動系の各部位の温度を予測し、予測された温度に応じて前記回転電機の運転条件を制御することを特徴とする回転電機システムである。 Another aspect of the present invention is a rotating electric machine system that uses the above-described temperature prediction device to predict the temperature of each part of the electric drive system during operation and controls the operating conditions of the rotating electric machine in accordance with the predicted temperatures.
本発明の別の態様は、上記温度予測装置を用いて、運転中の前記電動駆動系の各部位の温度を予測し、予測された温度に応じて前記電動駆動系の冷却流体の流量を制御することを特徴とする回転電機システムである。 Another aspect of the present invention is a rotating electrical machine system that uses the above-described temperature prediction device to predict the temperature of each component of the electric drive system during operation, and controls the flow rate of the cooling fluid for the electric drive system in accordance with the predicted temperature.
本発明の別の態様は、上記回転電機システムにおいて前記電動駆動系の冷却流体との熱交換によって得られた熱を加熱に利用することを特徴とする電動駆動システムである。 Another aspect of the present invention is an electric drive system characterized in that the heat obtained by heat exchange with the cooling fluid of the electric drive system in the rotating electric machine system is used for heating.
本発明によれば、熱回路の結線方法や各パラメータの試行錯誤を抑制できる温度予測装置、それを用いた回転電機システム及び電動駆動システムを提供することができる。 The present invention provides a temperature prediction device that can reduce the need for trial and error in thermal circuit wiring methods and parameters, as well as a rotating electrical machine system and an electric drive system that use the same.
本発明の実施の形態における回転電機システム１００は、図１に示すように、ロータ１０、シャフト１２、ステータ１４、ベアリング１６、ケーシング１８、インバータ２０、バッテリー２２、制御部２４、オイルポンプ２６、モータ２８及びオイルパン２９を含んで構成される。ロータ１０、シャフト１２、ステータ１４、ベアリング１６、ケーシング１８は、回転電機１０１を構成する。 As shown in FIG. 1, the rotating electric machine system 100 according to an embodiment of the present invention includes a rotor 10, a shaft 12, a stator 14, bearings 16, a casing 18, an inverter 20, a battery 22, a control unit 24, an oil pump 26, a motor 28, and an oil pan 29. The rotor 10, shaft 12, stator 14, bearings 16, and casing 18 constitute a rotating electric machine 101.
図２は、回転電機１０１を搭載した車両２００の例を示す。車両２００は、動力源である回転電機１０１から出力された動力を変速機１０２、デファレンシャルギア１０４及びドライブシャフト１０６を介して駆動輪（タイヤ）１０８に伝達させて走行する。 Figure 2 shows an example of a vehicle 200 equipped with a rotating electric machine 101. The vehicle 200 travels by transmitting power output from the rotating electric machine 101, which serves as a power source, to drive wheels (tires) 108 via a transmission 102, a differential gear 104, and a drive shaft 106.
なお、回転電機１０１、変速機１０２、デファレンシャルギア１０４を含む構成を電動駆動系と呼称する。ただし、電動駆動系は、回転電機１０１を含めばよく、他の構成を含むものとしてもよい。以下、主として回転電機１０１を対象として温度の予測及び温度の予測結果に基づく制御について説明するが、電動駆動系に含まれる他の構成についても同様に適用することができる。 The configuration including the rotating electric machine 101, transmission 102, and differential gear 104 is referred to as the electric drive system. However, the electric drive system only needs to include the rotating electric machine 101, and may also include other components. Below, temperature prediction and control based on the temperature prediction results will be explained primarily for the rotating electric machine 101, but the same can be applied to other components included in the electric drive system.
ロータ１０は、回転電機１０１において回転運動する部分である。ロータ１０は、ロータコア永久磁石１０ａ及びロータコア電磁鋼鈑１０ｂを含んで構成される。シャフト１２は、ロータ１０と共に回転するように接続される。シャフト１２は、ロータ１０から出力される回転トルクを回転電機１０１の外部へ伝達するために使用される。ステータ１４は、回転電機１０１においてロータ１０に対して相対的に静止している部分である。ステータ１４は、ステータコイル１４ａ及びステータコア電磁鋼鈑１４ｂを含んで構成される。ロータ１０、シャフト１２及びステータ１４は、ケーシング１８内に収容される。シャフト１２とケーシング１８の間にはベアリング１６が配置され、シャフト１２と共にロータ１０が滑らかに回転することができる。 The rotor 10 is the part of the rotating electric machine 101 that rotates. The rotor 10 is composed of a rotor core permanent magnet 10a and a rotor core electromagnetic steel plate 10b. The shaft 12 is connected to rotate with the rotor 10. The shaft 12 is used to transmit the rotational torque output from the rotor 10 to the outside of the rotating electric machine 101. The stator 14 is the part of the rotating electric machine 101 that is stationary relative to the rotor 10. The stator 14 is composed of a stator coil 14a and a stator core electromagnetic steel plate 14b. The rotor 10, shaft 12, and stator 14 are housed within a casing 18. A bearing 16 is disposed between the shaft 12 and the casing 18, allowing the rotor 10 to rotate smoothly together with the shaft 12.
バッテリー２２から供給された電力は、インバータ２０によって電圧や周波数が調整されて回転電機１０１のステータコイル１４ａに流れる電流が制御される。インバータ２０によって適切に制御された電流がステータコイル１４ａに流れると、ステータ１４に回転磁界が作られる。当該回転磁界とロータコア永久磁石１０ａの磁気相互作用によってロータ１０に回転トルクが発生してロータ１０が回転運動させられる。 The inverter 20 adjusts the voltage and frequency of the power supplied from the battery 22, controlling the current flowing through the stator coil 14a of the rotating electric machine 101. When the current appropriately controlled by the inverter 20 flows through the stator coil 14a, a rotating magnetic field is created in the stator 14. The magnetic interaction between this rotating magnetic field and the rotor core permanent magnet 10a generates a rotational torque in the rotor 10, causing the rotor 10 to rotate.
制御部２４は、車載コンピュータとも呼ばれ、情報を処理する演算装置や情報を記憶する記憶装置等を含んで構成される。制御部２４は、運転者によって操作されたアクセルペダル操作量や車速等の情報に基づき、回転電機１０１への要求トルクを算出する。そして、制御部２４は、要求トルクに応じてステータコイル１４ａに流す電流を制御するようにインバータ２０に指令を出す。 The control unit 24, also known as an on-board computer, is composed of a calculation device that processes information and a storage device that stores information. The control unit 24 calculates the torque required for the rotating electric machine 101 based on information such as the accelerator pedal operation amount operated by the driver and the vehicle speed. The control unit 24 then issues a command to the inverter 20 to control the current flowing through the stator coil 14a according to the required torque.
ステータコイル１４ａに電流が流れると電力の一部が損失になってステータコイル１４ａが発熱する。また、ロータ１０が回転するとロータコア電磁鋼鈑１０ｂに渦電流が流れて発熱する。これらの発熱によって加熱された回転電機１０１を冷却するため、冷却油がオイルポンプ２６から供給される。オイルポンプ２６は、モータ２８によって駆動される。ロータ１０及びステータ１４から熱を奪った冷却油はオイルパン２９に戻されて外気に熱を放出して冷却される。外気との熱交換の効率を上げるためにラジエータ（図示せず）を用いてもよい。また、冷却油の熱を他の構成、例えばバッテリー２２等を加熱するために用いる構成としてもよい。なお、冷却油は、潤滑油としての機能も担っており、ベアリング１６等の摺動部の動きを滑らかにする。 When current flows through the stator coil 14a, a portion of the power is lost, causing the stator coil 14a to heat up. Furthermore, as the rotor 10 rotates, eddy currents flow through the rotor core electromagnetic steel plate 10b, generating heat. To cool the rotating electric machine 101, which is heated by this heat, cooling oil is supplied from the oil pump 26. The oil pump 26 is driven by the motor 28. After absorbing heat from the rotor 10 and stator 14, the cooling oil is returned to the oil pan 29 and released into the outside air for cooling. A radiator (not shown) may be used to increase the efficiency of heat exchange with the outside air. The heat from the cooling oil may also be used to heat other components, such as the battery 22. The cooling oil also functions as a lubricant, smoothing the movement of sliding parts such as the bearings 16.
ここで、電動駆動系の運用において、回転電機１０１の温度を適切な範囲に制御することが極めて重要である。ロータ１０内に配置されたロータコア永久磁石１０ａの温度が許容値を超えると、その後にロータコア永久磁石１０ａが冷却されて温度が戻っても磁力が戻らない不可逆減磁が発生するおそれがある。不可逆減磁が生じると、回転電機１０１が出力可能なトルクの上限値が低下し、回転電機１０１の性能が低下する。また、ステータコイル１４ａにおいても許容値を超えるまで高温になると絶縁被膜が破壊されて短絡（ショート）が発生する等、電動駆動系全体に損傷を招くおそれがある。 Here, when operating the electric drive system, it is extremely important to control the temperature of the rotating electric machine 101 within an appropriate range. If the temperature of the rotor core permanent magnets 10a arranged inside the rotor 10 exceeds the allowable value, there is a risk of irreversible demagnetization occurring, in which the magnetic force does not return even after the rotor core permanent magnets 10a cool and return to their normal temperature. If irreversible demagnetization occurs, the upper limit of the torque that the rotating electric machine 101 can output decreases, and the performance of the rotating electric machine 101 deteriorates. Furthermore, if the stator coil 14a also becomes too hot to the extent that it exceeds the allowable value, the insulating coating may break down, causing a short circuit and potentially damaging the entire electric drive system.
［温度予測装置］
以下、回転電機１０１を含む電動駆動系の温度を予測するための温度予測装置３００について説明する。温度予測装置３００は、図３に示すように、処理部３０、記憶部３２、入力部３４、出力部３６及び通信部３８を含んで構成することができる。
[Temperature prediction device]
The following describes a temperature prediction device 300 for predicting the temperature of an electric drive system including a rotating electric machine 101. As shown in FIG. 3 , the temperature prediction device 300 can be configured to include a processing unit 30, a storage unit 32, an input unit 34, an output unit 36, and a communication unit 38.
処理部３０は、ＣＰＵ等の演算処理を行う手段を含む。処理部３０は、記憶部３２に記憶されている温度予測モデルを用いて電動駆動系の温度予測のための機械学習を行うと共に、機械学習された温度予測モデルを用いて電動駆動系の温度予測を行う。記憶部３２は、半導体メモリやメモリカード等の記憶手段を含む。記憶部３２は、処理部３０とアクセス可能に接続され、温度予測モデル及び当該モデルにおいて学習されたパラメータ、並びに、温度予測装置３００における処理に必要なその他の情報を記憶する。入力部３４は、情報を入力する手段を含む。入力部３４は、例えば、管理者からの入力を受けるキーボード、タッチパネル、ボタン等を備える。出力部３６は、処理結果を出力する手段を含む。出力部３６は、例えば、ユーザインターフェース画面（ＵＩ）等の処理結果を出力するディスプレイを備える。通信部３８は、インターネット、ＬＡＮ等の情報通信網を介して、外部の装置との通信を行うインターフェースを含んで構成される。通信部３８による通信は有線及び無線を問わない。 The processing unit 30 includes a means for performing calculations, such as a CPU. The processing unit 30 performs machine learning to predict the temperature of the electric drivetrain using a temperature prediction model stored in the memory unit 32, and also predicts the temperature of the electric drivetrain using the machine-learned temperature prediction model. The memory unit 32 includes storage means, such as a semiconductor memory or a memory card. The memory unit 32 is accessible to the processing unit 30 and stores the temperature prediction model, parameters learned in the model, and other information necessary for processing in the temperature prediction device 300. The input unit 34 includes a means for inputting information. The input unit 34 includes, for example, a keyboard, touch panel, buttons, etc. for receiving input from an administrator. The output unit 36 includes a means for outputting processing results. The output unit 36 includes, for example, a display, such as a user interface screen (UI), for outputting processing results. The communication unit 38 includes an interface for communicating with external devices via an information and communication network, such as the Internet or a LAN. Communication via the communication unit 38 may be wired or wireless.
図４は、温度予測装置３００に適用される温度予測モデルを示す概念図である。伝導駆動系の内部の温度分布を予測する温度予測モデルには、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）を含む深層学習モデルを適用することが好適である。 Figure 4 is a conceptual diagram showing a temperature prediction model applied to the temperature prediction device 300. It is preferable to apply a deep learning model including a convolutional neural network (CNN) to the temperature prediction model that predicts the temperature distribution inside the conduction drive system.
ＣＮＮは、静止画像や動画の認識、物体検出等の幅広い分野で用いられている。ＣＮＮは、画像等の入力データ内の各点の値だけでなく、着目している点の位置情報も活用することによって、従来の深層学習モデルよりも効率的に特徴を抽出する。これによって、ＣＮＮは、画像認識等に適用した場合の正解率が高いという特徴を有する。ＣＮＮを含む深層学習モデルは、例えば、Yann LeCun, Patrick Haffner, Leon Bottou and Yoshua Bengio，“Object Recognition with Gradient-Based Learning“, Shape, Contour and Grouping in Computer Vision, pp. 319-345，1999.に開示されている。 CNNs are used in a wide range of fields, including still image and video recognition and object detection. CNNs extract features more efficiently than conventional deep learning models by utilizing not only the values of each point in input data such as images, but also the positional information of the point of interest. This gives CNNs a high accuracy rate when applied to image recognition and other applications. Deep learning models, including CNNs, are disclosed, for example, in Yann LeCun, Patrick Haffner, Leon Bottou and Yoshua Bengio, "Object Recognition with Gradient-Based Learning", Shape, Contour and Grouping in Computer Vision, pp. 319-345, 1999.
図５は、電動駆動系内部の温度分布を予測するＣＮＮモデルの概要を示す。図５において、ＣＮＮモデルは、左端の入力層から右端の出力層までの複数の層によって構成されている。縦ｘ及び横ｙの画素数の画像データをチャネル数ｚ１の枚数組み合わせた入力画像データをＣＮＮモデルに入力すると、畳み込み処理によって当該入力画像データは縦横方向には圧縮（縮小）されて入力画像データ内の情報が徐々に集約される。図５のＣＮＮモデルの例では、入力画像データが縦横方向にそれぞれ１／８まで圧縮される。なお、その際にチャネル数はｚ２→ｚ３→ｚ４と変更されるが、これは畳み込みの処理を行うカーネルの数に等しい。その後、逆畳み込み処理によってチャネル数がｚ５→ｚ６→ｚ７と変更されつつ、縦横方向の情報が復元されて、最後に入力画像データと縦横方向の画素数が等しい出力画像データが出力される。この出力画像データの各画素の情報が電動駆動系の内部の各部位の温度の予測値である。なお、チャネル数が１チャネルならモノクロ画像であり、３チャネルならカラー画像となる。温度の高低は、各チャネルにおける画素の濃淡又は明度によって表現される。 Figure 5 shows an overview of a CNN model for predicting temperature distribution inside an electric drivetrain. In Figure 5, the CNN model is composed of multiple layers, from the leftmost input layer to the rightmost output layer. When input image data, which combines image data with a vertical x and horizontal y pixel count (z1) for a number of channels, is input to the CNN model, the input image data is compressed (reduced) vertically and horizontally through convolution processing, gradually consolidating the information within the input image data. In the example CNN model shown in Figure 5, the input image data is compressed to 1/8 in both the vertical and horizontal directions. During this process, the number of channels changes from z2 to z3 to z4, which is equal to the number of kernels used for the convolution processing. Subsequently, the number of channels changes from z5 to z6 to z7 through deconvolution processing, restoring the vertical and horizontal information. Finally, output image data with the same number of pixels in both the vertical and horizontal directions as the input image data is output. The information for each pixel in this output image data is a predicted temperature value for each location inside the electric drivetrain. A single channel results in a monochrome image, while a three-channel image results in a color image. Temperature is represented by the shade or brightness of the pixels in each channel.
電動駆動系の内部の温度分布を予測する場合、ＣＮＮモデルを含む学習モデルを用いた深層学習の技術を活用する。深層学習では、学習モデルの学習段階において、電動駆動系の状態を示す入力データに対して当該状態における電動駆動系の各部位の温度の実測値を教師データ（正解データ又は真値）として組み合わせた教師付学習データを学習モデルに入力し、学習モデルからの出力（予測）値が教師データに近づくように学習を行う。教師付学習データを変更しつつ学習を進めることによって、学習モデルから出力される温度の予測値と真値である教師データの差が小さくなるように学習モデル内のパラメータが自動的に修正され、温度の予測値の正解率が改善される。 When predicting the temperature distribution inside an electric drive system, deep learning technology is used with learning models including CNN models. In deep learning, during the learning stage of the learning model, supervised learning data is input into the learning model, combining input data indicating the state of the electric drive system with actual measured values of the temperature of each part of the electric drive system in that state as training data (correct data or true values), and learning is carried out so that the output (predicted) value from the learning model approaches the training data. By changing the supervised learning data as learning progresses, the parameters within the learning model are automatically corrected to reduce the difference between the predicted temperature value output by the learning model and the true value of the training data, improving the accuracy rate of temperature prediction values.
このように、機械学習によって学習モデルを学習させることによって、回路モデルなどを構築したり、モデルのパラメータの値を試行錯誤して決定したりすることなく、電動駆動系の温度を予測することが可能になる。 In this way, by training a learning model using machine learning, it becomes possible to predict the temperature of an electric drivetrain without having to build a circuit model or determine the model parameter values through trial and error.
本実施の形態では、ＣＮＮモデルに入力する入力画像データとして電動駆動系の内部構造を示す構成図を利用する。図６は、電動駆動系に含まれる回転電機１０１の内部構成の例を示す。図６（ａ）は、図６（ｂ）のラインＢ－Ｂに沿って、回転電機１０１を回転軸に対して垂直な面で切断したときの断面図を示す。図６（ｂ）は、図６（ａ）のラインＡ－Ａに沿って、回転電機１０１を回転軸に平行な方向に沿って切断したときの断面図を示す。なお、電動駆動系の構成図としては、例えば、電動駆動系の設計において作成したＣＡＤデータを利用することが可能である。 In this embodiment, a configuration diagram showing the internal structure of the electric drive system is used as input image data to the CNN model. Figure 6 shows an example of the internal configuration of a rotating electric machine 101 included in the electric drive system. Figure 6(a) shows a cross-sectional view of the rotating electric machine 101 taken along line B-B in Figure 6(b), with a plane perpendicular to the rotation axis. Figure 6(b) shows a cross-sectional view of the rotating electric machine 101 taken along line A-A in Figure 6(a), with a plane parallel to the rotation axis. Note that the configuration diagram of the electric drive system can be, for example, CAD data created during the design of the electric drive system.
ＣＮＮモデルには、入力画像データとして電動駆動系の部位毎に色分けした構成図を利用する。各部位を色分けすることで、ＣＮＮモデルが各部位の熱抵抗や熱容量等の温度特性が異なることを機械学習により自動的に認識し、各部位の特性に応じた温度の予測値を導き出すことができる。 The CNN model uses a schematic diagram in which each part of the electric drive system is color-coded as input image data. By color-coding each part, the CNN model uses machine learning to automatically recognize that each part has different temperature characteristics, such as thermal resistance and heat capacity, and can derive a predicted temperature value based on the characteristics of each part.
なお、本実施の形態において、部位とは、部品又はその一部をいい、例えば、電動駆動系が回転電機１０１である場合には、ロータ１０、シャフト１２、ステータ１４等の部品単位としてもよく、また、ロータコア永久磁石１０ａ、ロータコア電磁鋼鈑１０ｂ等、より小さな単位であってもよいし、例えば、ロータコア永久磁石１０ａの中央、ステータ１４の中央（ステータ中央）、ステータコイル１４ａのコイルエンド等さらに小さな単位であってもよい。各部位について、どのように区分するかは、目的に応じて適宜設計すればよい。さらに、本実施の形態において、部位とは、部品又はその一部を複数組み合わせた部分としてもよい。例えば、ロータコア永久磁石１０ａとロータコア電磁鋼鈑１０ｂとを組み合わせて１つの部位として扱ってもよいし、ロータコア永久磁石１０ａとロータコア電磁鋼鈑１０ｂの一部を組み合わせて１つの部位として扱ってもよい。 In this embodiment, a "site" refers to a component or a portion thereof. For example, if the electric drive system is a rotating electric machine 101, it may refer to a component such as the rotor 10, shaft 12, or stator 14. It may also refer to a smaller unit such as the rotor core permanent magnet 10a or rotor core electromagnetic steel plate 10b. It may also refer to an even smaller unit such as the center of the rotor core permanent magnet 10a, the center of the stator 14 (stator center), or the coil end of the stator coil 14a. The classification of each site can be designed appropriately depending on the purpose. Furthermore, in this embodiment, a "site" may refer to a portion combining multiple components or portions thereof. For example, the rotor core permanent magnet 10a and the rotor core electromagnetic steel plate 10b may be combined and treated as a single site, or the rotor core permanent magnet 10a and a portion of the rotor core electromagnetic steel plate 10b may be combined and treated as a single site.
ＣＮＮモデルに入力する入力画像データとして、電動駆動系を冷却するための冷却油の供給状態を示す画像データが挙げられる。電動駆動系の各部位への冷却油の供給具合は、電動駆動系の各部位の温度を予測する際に重要な情報となるので、冷却油の供給路や流量を示す画像データを入力画像データとしてＣＮＮモデルに与える。 Examples of input image data to be input into the CNN model include image data showing the supply status of cooling oil to cool the electric drivetrain. The supply status of cooling oil to each part of the electric drivetrain is important information when predicting the temperature of each part of the electric drivetrain, so image data showing the cooling oil supply path and flow rate is provided to the CNN model as input image data.
図７は、シャフト１２の軸心からロータ１０の側面に冷却油を供給したときの入力画像データの例を示す。また、図８は、ステータ１４の中央及び上部に冷却油を供給したときの入力画像データの例を示す。図７及び図８では、冷却油が供給されている部位にハッチングを施して示しているが、これに代えて又は併せて、部位の明度又は色によって冷却油が供給されている部位と供給されていない部位とを区別できるようにしてもよい。また、冷却油の流量は、明度や色の濃さ等によって表現すればよい。例えば、明度が高いほど部位への冷却油の流量が少なく、明度が低いほど部位への冷却油の流量が多いことを示すようにすればよい。また、例えば、色が薄いほど部位への冷却油の流量が少なく、色が濃いほど部位への冷却油の流量が多いことを示すようにしてもよい。なお、明度や色の濃さと冷却油の流量の関係は逆にしてもよい。 Figure 7 shows an example of input image data when cooling oil is supplied from the axial center of the shaft 12 to the side of the rotor 10. Figure 8 shows an example of input image data when cooling oil is supplied to the center and top of the stator 14. In Figures 7 and 8, the areas to which cooling oil is supplied are indicated by hatching. However, instead of or in addition to this, areas to which cooling oil is supplied may be distinguished from areas to which cooling oil is not supplied by the brightness or color of the areas. The flow rate of cooling oil may be expressed by brightness or color intensity, for example. For example, higher brightness may indicate a lower flow rate of cooling oil to the area, and lower brightness may indicate a higher flow rate of cooling oil to the area. For example, lighter colors may indicate a lower flow rate of cooling oil to the area, and darker colors may indicate a higher flow rate of cooling oil to the area. The relationship between brightness or color intensity and cooling oil flow rate may be reversed.
ただし、冷却油の流量は、部位の明度又は色の濃さで表すことに限定されるものではなく、電動駆動系の構成図において冷却油の流量を表すことができるものであればよい。例えば、電動駆動系の構成図において色分けによって冷却油の流量を表してもよい。 However, the cooling oil flow rate is not limited to being represented by the brightness or color depth of the part, but may be represented in any way that can represent the cooling oil flow rate in the configuration diagram of the electric drive system. For example, the cooling oil flow rate may be represented by color coding in the configuration diagram of the electric drive system.
また、電動駆動系の運転状態を示す状態量として、ロータ１０の回転速度、回転電機システム１００の出力トルク、回転電機システム１００の入力電圧、回転電機システム１００の入力電流、回転電機システム１００の入力電流密度、ステータコイル１４ａのコイルエンドの温度、冷却油の油温、雰囲気温度（外気温）、車速等が挙げられる。これらの状態量は、電動駆動系にこれらの状態量を計測するための各種センサを設けることで収集することができる。さらに、直接計測することができなくても、上記状態量の情報から回転電機システム１００の内部の銅損や鉄損を求めることもできる。 Furthermore, state quantities that indicate the operating state of the electric drive system include the rotational speed of the rotor 10, the output torque of the rotating electric machine system 100, the input voltage of the rotating electric machine system 100, the input current of the rotating electric machine system 100, the input current density of the rotating electric machine system 100, the coil end temperature of the stator coil 14a, the oil temperature of the cooling oil, the ambient temperature (outside air temperature), and vehicle speed. These state quantities can be collected by providing various sensors in the electric drive system to measure these state quantities. Furthermore, even if direct measurement is not possible, copper loss and iron loss inside the rotating electric machine system 100 can also be determined from information on the above state quantities.
これらの状態量の情報は、電動駆動系の各部位の温度を予測する際に重要な情報となるので学習モデルに与えることが好適である。ただし、ロータ１０の回転速度、回転電機システム１００の出力トルク、回転電機システム１００の入力電圧、回転電機システム１００の入力電流、回転電機システム１００の入力電流密度、ステータコイル１４ａのコイルエンドの温度、冷却油の油温、雰囲気温度（外気温）、車速のすべてを学習モデルに入力する必要はなく、学習後の学習モデルから出力される温度の予測値の確度に応じて取捨選択して利用してもよい。 It is preferable to provide information on these state quantities to the learning model, as this information is important when predicting the temperature of each part of the electric drive system. However, it is not necessary to input all of the following into the learning model: rotor 10 rotational speed, output torque of rotating electric machine system 100, input voltage of rotating electric machine system 100, input current of rotating electric machine system 100, input current density of rotating electric machine system 100, coil end temperature of stator coil 14a, oil temperature of cooling oil, ambient temperature (outside air temperature), and vehicle speed; they may be selected and used depending on the accuracy of the temperature prediction value output from the learning model after learning.
これらの状態量の情報は、電動駆動系の構成図において各部位の状態量を示す画像データとしてＣＮＮモデルに入力することが好適である。図９は、これらの状態量を示す入力画像データの例を示す。図９に示すように、各状態量の値は、電動駆動系の全体の明度によって各状態量の値を示すようにすればよい。すなわち、図９（ａ）に示すように、電動駆動系の構成図の全体の明度が高いほど状態量の値が小さく、図９（ｂ）及び図９（ｃ）のように、電動駆動系の構成図の全体の明度が低くなるほど状態量の値が大きいことを示すようにすればよい。また、明度に代えて、色の濃さによって状態量の値を示すようにしてもよい。すなわち、色が薄いほど状態量の値が小さく、色が濃くなるほど状態量の値が大きいことを示すようにしてもよい。なお、明度や色の濃さと状態量との関係は逆にしてもよい。 It is preferable to input information about these state quantities into the CNN model as image data showing the state quantities of each part in a diagram of the electric drive system. Figure 9 shows an example of input image data showing these state quantities. As shown in Figure 9, the value of each state quantity can be indicated by the overall brightness of the electric drive system. That is, as shown in Figure 9(a), the higher the overall brightness of the diagram of the electric drive system, the smaller the value of the state quantity. As shown in Figures 9(b) and 9(c), the lower the overall brightness of the diagram of the electric drive system, the larger the value of the state quantity. Furthermore, instead of brightness, the value of the state quantity can be indicated by color intensity. That is, lighter colors can indicate smaller values of the state quantity, and darker colors can indicate larger values of the state quantity. Note that the relationship between brightness or color intensity and the state quantity can be reversed.
ただし、明度又は色の濃さで表すことに限定されるものではなく、電動駆動系の構成図において各状態量の値を表すことができるものであればよい。例えば、電動駆動系の構成図において色分けによって各状態量の値を表してもよい。 However, this is not limited to being represented by brightness or color intensity, and any method that can represent the value of each state quantity in a diagram of an electric drive system will suffice. For example, the value of each state quantity in a diagram of an electric drive system may be represented by color coding.
また、本実施の形態では、電動駆動系の運転時における状態量を入力画像データでＣＮＮモデルに入力する構成としたが、ＣＮＮモデルと他のニューラルネットワークを組み合わせた学習モデルとした場合、電動駆動系の運転状態を示す状態量をＣＮＮモデル以外のニューラルネットワークへ数値で入力するようにしてもよい。 In addition, in this embodiment, the state quantities of the electric drive system during operation are input to the CNN model as input image data, but if a learning model is created that combines a CNN model with another neural network, the state quantities indicating the operating state of the electric drive system may be input as numerical values to a neural network other than the CNN model.
このような、電動駆動系への冷却油の供給状態及び電動駆動系の運転状態を示す状態量を示す入力データに対して電動駆動系の各部位の温度の実測値を教師データとして組み合わせて教師付学習データとする。そして、当該教師付学習データを学習モデルに入力し、学習モデルからの出力される温度の予測値が教師データに近づくように学習を行う。 These input data, which indicate the state of cooling oil supply to the electric drivetrain and the state of operation of the electric drivetrain, are combined with the actual measured temperature values of each part of the electric drivetrain as training data to generate supervised learning data. This supervised learning data is then input into a learning model, and learning is carried out so that the predicted temperature values output from the learning model approach the training data.
電動駆動系の各部位の温度の実測値は、電動駆動系の構成図において各部位の温度を示す画像データとすることが好適である。温度は、明度や色の濃さ等によって表現すればよい。例えば、明度が高いほど部位の温度が高く、明度が低いほど部位の温度が低いことを示すようにすればよい。また、例えば、色が薄いほど部位の温度が低く、色が濃いほど部位の温度が高いことを示すようにしてもよい。なお、明度や色の濃さと温度との関係は逆にしてもよい。 The actual measured temperature values of each part of the electric drive system are preferably represented as image data showing the temperature of each part in a diagram of the electric drive system. Temperature may be expressed using brightness, color intensity, or the like. For example, higher brightness may indicate higher temperature of the part, and lower brightness may indicate lower temperature of the part. Alternatively, for example, lighter colors may indicate lower temperature of the part, and darker colors may indicate higher temperature of the part. Note that the relationship between brightness or color intensity and temperature may be reversed.
ただし、明度又は色の濃さで表すことに限定されるものではなく、電動駆動系の構成図において温度を表すことができるものであればよい。例えば、電動駆動系の構成図において色分けによって温度を表してもよい。 However, this is not limited to being represented by brightness or color intensity, and any method that can represent temperature in a diagram of an electric drive system may be used. For example, temperature may be represented by color coding in a diagram of an electric drive system.
ＣＮＮモデルを適用した学習モデルによって電動駆動系内部の各部位の温度を予測する場合、図１０に示すように、電動駆動系内部の各部位の温度を連続的な数値データとして予測する回帰問題として予測することができる。図１０では、ロータコア永久磁石１０ａ、ステータコイル１４ａのコイルエンド、及び、ステータ１４のステータコア電磁鋼鈑１４ｂの中央（軸長方向の中央部分）について連続的な数値データとして予測した例を示している。また、図１１に示すように、温度を低温から高温までの幾つかのクラスに分け、着目している部位の温度がどのクラスに属するかを予測するクラス分類問題として予測することもできる。図１１の例の場合、温度を１１０℃以上１１５℃未満、１１５℃以上１２０℃未満、１２０℃以上１２５℃未満の３つのクラスに分類し、ロータコア永久磁石１０ａ、ステータコイル１４ａのコイルエンド、及び、ステータ１４のステータコア電磁鋼鈑１４ｂの中央（軸長方向の中央部分）の温度がどのクラスに属するかを予測した例を示している。 When predicting the temperature of each part inside an electric drive system using a learning model that applies a CNN model, the prediction can be made as a regression problem, predicting the temperature of each part inside the electric drive system as continuous numerical data, as shown in Figure 10. Figure 10 shows an example in which the rotor core permanent magnet 10a, the coil end of the stator coil 14a, and the center (central part in the axial direction) of the stator core electromagnetic steel plate 14b of the stator 14 are predicted as continuous numerical data. Furthermore, as shown in Figure 11, the temperature can be divided into several classes ranging from low to high, and the prediction can be made as a classification problem, predicting which class the temperature of a part of interest belongs to. In the example of Figure 11, temperatures are classified into three classes: 110°C or higher but less than 115°C, 115°C or higher but less than 120°C, and 120°C or higher but less than 125°C. This shows an example of predicting which class the temperatures of the rotor core permanent magnet 10a, the coil ends of the stator coil 14a, and the center (central portion in the axial direction) of the stator core electromagnetic steel plate 14b of the stator 14 belong to.
図１２は、学習後の学習モデルを用いて、電動駆動系の各部位の温度を予測した結果を電動駆動系の構成図における温度分布の画像データとして出力した例を示す。図１２では、電動駆動系の各部位に相当する領域の明度の高低によって各部位の温度範囲を示している。 Figure 12 shows an example of the results of predicting the temperature of each part of the electric drive system using the trained model, output as image data of the temperature distribution in a diagram of the electric drive system. In Figure 12, the temperature range of each part is indicated by the brightness of the area corresponding to each part of the electric drive system.
以上のように、本実施の形態における温度予測装置３００によれば、温度の推定モデルの構築に大きな労力を要することなく、電動駆動系の温度を正確に予測することができる。 As described above, the temperature prediction device 300 in this embodiment can accurately predict the temperature of the electric drivetrain without requiring significant effort to build a temperature estimation model.
［温度予測に基づく回転電機の制御］
図１３は、温度予測装置３００を用いて電動駆動系の内部の温度分布を予測した結果に基づき、回転電機１０１を制御するフローチャートを示す。
[Control of rotating electrical machine based on temperature prediction]
FIG. 13 shows a flowchart for controlling the rotating electric machine 101 based on the results of predicting the temperature distribution inside the electric drive system using the temperature prediction device 300.
ステップＳ１０では、温度予測装置３００を用いて電動駆動系の内部の温度分布を予測するために必要なデータが取得される。各種のセンサによって、冷却油の供給路や流量、ロータ１０の回転速度、回転電機システム１００の出力トルク、回転電機システム１００の入力電圧、回転電機システム１００の入力電流、回転電機システム１００の入力電流密度、ステータコイル１４ａのコイルエンドの温度、冷却油の油温、雰囲気温度（外気温）、車速等の電動駆動系の内部の温度分布を予測するために必要なデータが取得される。 In step S10, the temperature prediction device 300 acquires the data necessary to predict the temperature distribution inside the electric drive system. Various sensors acquire the data necessary to predict the temperature distribution inside the electric drive system, such as the cooling oil supply path and flow rate, the rotational speed of the rotor 10, the output torque of the rotating electric machine system 100, the input voltage of the rotating electric machine system 100, the input current of the rotating electric machine system 100, the input current density of the rotating electric machine system 100, the temperature of the coil end of the stator coil 14a, the oil temperature of the cooling oil, the ambient temperature (outside air temperature), and vehicle speed.
ステップＳ１２では、温度予測装置３００を用いて電動駆動系の内部の各部位の温度分布が予測される。すなわち、ステップＳ１０において取得された電動駆動系の状態量を入力データとして、温度予測装置３００の学習済みの学習モデルに当該入力データを入力することによって、温度予測装置３００から電動駆動系の内部の各部位の温度分布の予測結果が出力される。 In step S12, the temperature distribution of each part inside the electric drivetrain is predicted using the temperature prediction device 300. That is, the state quantities of the electric drivetrain obtained in step S10 are used as input data, and this input data is input into the trained learning model of the temperature prediction device 300, and the temperature prediction device 300 outputs a prediction result of the temperature distribution of each part inside the electric drivetrain.
ステップＳ１４では、予測された温度分布のうち最高温度ｔｐｒｅｄと、電動駆動系における温度の限界許容値ｔｔｏｌとの差分値を求め、当該差分値が予め設定された温度閾値ε１未満であるか否かが判定される。最高温度ｔｐｒｅｄを有する部位は、最高温度ｔｐｒｅｄから所定の基準温度範囲内の温度を有する部位とすればよい。基準温度範囲は、電動駆動系の各部位の許容温度や冷却油の冷却容量等に基づいて設定すればよい。限界許容値ｔｔｏｌ－最高温度ｔｐｒｅｄが温度閾値ε１未満の場合、熱的に限界が近く、電動駆動系には熱的な余裕がないと判断してステップＳ１６に処理を移行させる。限界許容値ｔｔｏｌ－最高温度ｔｐｒｅｄが温度閾値ε１以上の場合、電動駆動系には熱的な余裕があると判断して温度に基づく回転電機１０１の制御を終了する。限界許容値ｔｔｏｌ及び温度閾値ε１は、制御対象となる電動駆動系の特性に応じて適宜設定すればよい。 In step S14, the difference between the highest temperature t pred in the predicted temperature distribution and the temperature limit tolerance t tol in the electric drivetrain is calculated, and it is determined whether the difference is less than a preset temperature threshold ε 1. The part having the highest temperature t pred may be a part having a temperature within a predetermined reference temperature range from the highest temperature t pred . The reference temperature range may be set based on the allowable temperature of each part of the electric drivetrain and the cooling capacity of the cooling oil. If the limit tolerance t tol minus the highest temperature t pred is less than the temperature threshold ε 1 , it is determined that the electric drivetrain is approaching its thermal limit and has no thermal margin, and the process proceeds to step S16. If the limit tolerance t tol minus the highest temperature t pred is equal to or greater than the temperature threshold ε 1 , it is determined that the electric drivetrain has a thermal margin, and the temperature-based control of the rotating electric machine 101 is terminated. The limit tolerance t tol and the temperature threshold ε 1 may be set appropriately depending on the characteristics of the electric drivetrain to be controlled.
ステップＳ１６では、回転電機１０１が出力可能な最大トルクＴｍａｘを一時的に制限し、電動駆動系の内部の温度上昇を抑制する。 In step S16, the maximum torque T max that can be output by the rotating electrical machine 101 is temporarily limited to suppress a rise in temperature inside the electric drive system.
図１４は、温度予測装置３００を用いて電動駆動系の内部の温度分布を予測した結果に基づき、回転電機１０１を制御する別の制御方法のフローチャートを示す。 Figure 14 shows a flowchart of another control method for controlling the rotating electric machine 101 based on the results of predicting the temperature distribution inside the electric drive system using the temperature prediction device 300.
ステップＳ１０では、電動駆動系の内部の温度分布を予測するために必要なデータが取得される。また、ステップＳ１２では、温度予測装置３００を用いて電動駆動系の内部の各部位の温度分布が予測される。これらのステップにおける処理は、既に説明した処理と同様であるので説明を省略する。 In step S10, the data necessary to predict the temperature distribution inside the electric drivetrain is acquired. In step S12, the temperature distribution of each part inside the electric drivetrain is predicted using the temperature prediction device 300. The processing in these steps is similar to the processing already described, so further explanation will be omitted.
ステップＳ１８では、予測された温度分布のうち最高温度ｔｐｒｅｄを有する部位の面積Ｓｐｒｅｄが求められる。図１５は、予測された温度分布のうち最高温度ｔｐｒｅｄを有する部位の例を示す。最高温度ｔｐｒｅｄを有する部位、最高温度ｔｐｒｅｄから所定の基準温度範囲内の温度を有する部位とすればよい。基準温度範囲は、電動駆動系の各部位の許容温度や冷却油の冷却容量等に基づいて設定すればよい。図１５では、ハッチングで示された部位が最高温度ｔｐｒｅｄを有する部位の面積Ｓｐｒｅｄを示している。処理部３０は、予測された温度分布を示す構成図において最高温度ｔｐｒｅｄを有する部位の面積Ｓｐｒｅｄを求める。 In step S18, the area S pred of the portion having the highest temperature t pred in the predicted temperature distribution is calculated. FIG. 15 shows an example of the portion having the highest temperature t pred in the predicted temperature distribution. The portion having the highest temperature t pred may be a portion having a temperature within a predetermined reference temperature range from the maximum temperature t pred . The reference temperature range may be set based on the allowable temperature of each portion of the electric drivetrain and the cooling capacity of the cooling oil. In FIG. 15, the hatched portion indicates the area S pred of the portion having the highest temperature t pred . The processing unit 30 calculates the area S pred of the portion having the highest temperature t pred in the configuration diagram showing the predicted temperature distribution.
続いて、当該面積Ｓｐｒｅｄが面積閾値ε２より大きいか否かが判定される。面積Ｓｐｒｅｄが面積閾値ε２より大きい場合、熱的に限界が近く、電動駆動系には熱的な余裕がないと判断してステップＳ１６に処理を移行させる。面積Ｓｐｒｅｄが面積閾値ε２以下の場合、電動駆動系には熱的な余裕があると判断して温度に基づく回転電機１０１の制御を終了する。限界許容値ｔｔｏｌ及び面積閾値ε２は、制御対象となる電動駆動系の特性に応じて適宜設定すればよい。 Next, it is determined whether the area S pred is greater than an area threshold ε 2. If the area S pred is greater than the area threshold ε 2 , it is determined that the thermal limit is approaching and the electric drivetrain has no thermal margin, and the process proceeds to step S16. If the area S pred is equal to or less than the area threshold ε 2 , it is determined that the electric drivetrain has a thermal margin, and the temperature-based control of the rotating electric machine 101 is terminated. The limit allowable value t tol and the area threshold ε 2 may be set appropriately depending on the characteristics of the electric drivetrain to be controlled.
ステップＳ１６では、回転電機１０１が出力可能な最大トルクＴｍａｘを一時的に制限し、電動駆動系の内部の温度上昇を抑制する。 In step S16, the maximum torque T max that can be output by the rotating electrical machine 101 is temporarily limited to suppress a rise in temperature inside the electric drive system.
なお、本実施例では、電動駆動系の構成図における最高温度ｔｐｒｅｄを有する部位の面積Ｓｐｒｅｄを用いて処理を行ったが、電動駆動系において最高温度ｔｐｒｅｄを有する部位の体積を用いて処理を行ってもよい。この場合、電動駆動系の構成図において最高温度ｔｐｒｅｄを有する部位の体積を積算して算出すればよい。 In this example, the area S pred of the part of the electric drive system diagram having the highest temperature t pred was used for the processing, but the volume of the part of the electric drive system having the highest temperature t pred may also be used for the processing. In this case, the volume of the part of the electric drive system diagram having the highest temperature t pred can be calculated by integrating the volume of the part.
以上のように、温度予測装置３００を用いて電動駆動系の内部の温度分布を予測した結果に基づいて回転電機１０１を制御することで、電動駆動系の温度上昇を抑制することができる。 As described above, by using the temperature prediction device 300 to predict the temperature distribution inside the electric drive system and controlling the rotating electric machine 101 based on the results, it is possible to suppress temperature increases in the electric drive system.
［温度予測に基づく冷却油の供給制御］
図１６は、温度予測装置３００を用いて電動駆動系の内部の温度分布を予測した結果に基づき、電動駆動系に供給される冷却油の供給を制御するフローチャートを示す。
[Cooling oil supply control based on temperature prediction]
FIG. 16 shows a flowchart for controlling the supply of cooling oil to the electric drivetrain based on the results of predicting the temperature distribution inside the electric drivetrain using the temperature prediction device 300.
ステップＳ１０では、電動駆動系の内部の温度分布を予測するために必要なデータが取得される。また、ステップＳ１２では、温度予測装置３００を用いて電動駆動系の内部の各部位の温度分布が予測される。これらのステップにおける処理は、既に説明した処理と同様であるので説明を省略する。 In step S10, the data necessary to predict the temperature distribution inside the electric drivetrain is acquired. In step S12, the temperature distribution of each part inside the electric drivetrain is predicted using the temperature prediction device 300. The processing in these steps is similar to the processing already described, so further explanation will be omitted.
ステップＳ２０では、予測された温度分布のうち最高温度ｔｐｒｅｄと、電動駆動系における温度の限界許容値ｔｔｏｌとの差分値を求め、当該差分値が予め設定された温度閾値ε３未満であるか否かが判定される。限界許容値ｔｔｏｌ－最高温度ｔｐｒｅｄが温度閾値ε３未満の場合、熱的に限界が近く、電動駆動系には熱的な余裕がないと判断してステップＳ２２に処理を移行させる。限界許容値ｔｔｏｌ－最高温度ｔｐｒｅｄが温度閾値ε３以上の場合、電動駆動系には熱的な余裕があると判断してステップＳ２４に処理を移行させる。 In step S20, the difference between the highest temperature t pred in the predicted temperature distribution and the limit tolerance value t tol of the temperature in the electric drivetrain is calculated, and it is determined whether this difference value is less than a preset temperature threshold ε 3. If the limit tolerance value t tol - the highest temperature t pred is less than the temperature threshold ε 3 , it is determined that the electric drivetrain is approaching its thermal limit and has no thermal margin, and the process proceeds to step S22. If the limit tolerance value t tol - the highest temperature t pred is equal to or greater than the temperature threshold ε 3 , it is determined that the electric drivetrain has a thermal margin, and the process proceeds to step S24.
ステップＳ２２では、電動駆動系へ供給する冷却油の流量Ｑｃｏｏｌを増加させる処理を行う。具体的には、図２に示したモータ２８の回転速度等を制御して、オイルパン２９から供給される冷却油の流量Ｑｃｏｏｌを増加させる。 In step S22, the flow rate Qcool of the cooling oil supplied to the electric drivetrain is increased. Specifically, the rotation speed of the motor 28 shown in FIG. 2 is controlled to increase the flow rate Qcool of the cooling oil supplied from the oil pan 29.
一方、限界許容値ｔｔｏｌ－最高温度ｔｐｒｅｄが温度閾値ε３以上の場合、ステップＳ２４では、限界許容値ｔｔｏｌ－最高温度ｔｐｒｅｄが予め設定された温度閾値ε４より大きいか否かが判定される。温度閾値ε４は、温度閾値ε３より大きい値に設定され、電動駆動系が冷却油の流量を減少させても熱的に余裕があると判定できる値に設定することが好適である。限界許容値ｔｔｏｌ－最高温度ｔｐｒｅｄが温度閾値ε４より大きい場合、電動駆動系には冷却油の流量を減少させたとしても熱的な余裕が十分にあると判断してステップＳ２６に処理を移行させる。限界許容値ｔｔｏｌ－最高温度ｔｐｒｅｄが温度閾値ε４以下である場合、電動駆動系には熱的な余裕があるが冷却油の流量を減少させるほどの余裕はないと判断して温度に基づく冷却油の供給制御を終了する。 On the other hand, if the limit tolerance value t tol - maximum temperature t pred is equal to or greater than the temperature threshold ε 3 , step S24 determines whether the limit tolerance value t tol - maximum temperature t pred is greater than a preset temperature threshold ε 4. The temperature threshold ε 4 is preferably set to a value greater than the temperature threshold ε 3 , a value that determines that the electric drivetrain has a thermal margin even if the cooling oil flow rate is reduced. If the limit tolerance value t tol - maximum temperature t pred is greater than the temperature threshold ε 4 , it is determined that the electric drivetrain has a sufficient thermal margin even if the cooling oil flow rate is reduced, and the process proceeds to step S26. If the limit tolerance value t tol - maximum temperature t pred is equal to or less than the temperature threshold ε 4 , it is determined that the electric drivetrain has a thermal margin but not enough to reduce the cooling oil flow rate, and the temperature-based cooling oil supply control is terminated.
ステップＳ２６では、電動駆動系へ供給する冷却油の流量Ｑｃｏｏｌを減少させる処理を行う。具体的には、図２に示したモータ２８の回転速度等を制御して、オイルパン２９から供給される冷却油の流量Ｑｃｏｏｌを減少させる。 In step S26, a process is performed to reduce the flow rate Qcool of the cooling oil supplied to the electric drive system. Specifically, the rotation speed of the motor 28 shown in FIG. 2 is controlled to reduce the flow rate Qcool of the cooling oil supplied from the oil pan 29.
図１７は、温度予測装置３００を用いて電動駆動系の内部の温度分布を予測した結果に基づき、電動駆動系に供給される冷却油の供給を制御する別の制御方法のフローチャートを示す。 Figure 17 shows a flowchart of another control method for controlling the supply of cooling oil to the electric drive system based on the results of predicting the temperature distribution inside the electric drive system using the temperature prediction device 300.
ステップＳ１０では、電動駆動系の内部の温度分布を予測するために必要なデータが取得される。また、ステップＳ１２では、温度予測装置３００を用いて電動駆動系の内部の各部位の温度分布が予測される。これらのステップにおける処理は、既に説明した処理と同様であるので説明を省略する。 In step S10, the data necessary to predict the temperature distribution inside the electric drivetrain is acquired. In step S12, the temperature distribution of each part inside the electric drivetrain is predicted using the temperature prediction device 300. The processing in these steps is similar to the processing already described, so further explanation will be omitted.
ステップＳ２８では、予測された温度分布のうち最高温度ｔｐｒｅｄを有する部位の面積Ｓｐｒｅｄが求められる。続いて、当該面積Ｓｐｒｅｄが面積閾値ε５より大きいか否かが判定される。面積Ｓｐｒｅｄが面積閾値ε５より大きい場合、熱的に限界が近く、電動駆動系には熱的な余裕がないと判断してステップＳ２２に処理を移行させる。面積Ｓｐｒｅｄが面積閾値ε５以下の場合、電動駆動系には熱的な余裕があると判断してステップＳ３０に処理を移行させる。限界許容値ｔｔｏｌ及び面積閾値ε５は、制御対象となる電動駆動系の特性に応じて適宜設定すればよい。 In step S28, the area S pred of the portion of the predicted temperature distribution having the highest temperature t pred is determined. Next, it is determined whether the area S pred is greater than the area threshold ε 5. If the area S pred is greater than the area threshold ε 5 , it is determined that the thermal limit is approaching and the electric drivetrain has no thermal margin, and the process proceeds to step S22. If the area S pred is equal to or less than the area threshold ε 5 , it is determined that the electric drivetrain has a thermal margin, and the process proceeds to step S30. The limit allowable value t tol and the area threshold ε 5 may be set appropriately depending on the characteristics of the electric drivetrain to be controlled.
ステップＳ２２では、電動駆動系へ供給する冷却油の流量Ｑｃｏｏｌを増加させる処理を行う。具体的には、図２に示したモータ２８の回転速度等を制御して、オイルパン２９から供給される冷却油の流量Ｑｃｏｏｌを増加させる。 In step S22, the flow rate Qcool of the cooling oil supplied to the electric drivetrain is increased. Specifically, the rotation speed of the motor 28 shown in FIG. 2 is controlled to increase the flow rate Qcool of the cooling oil supplied from the oil pan 29.
一方、面積Ｓｐｒｅｄが面積閾値ε５以下の場合、ステップＳ３０では、面積Ｓｐｒｅｄが予め設定された面積閾値ε６未満か否かが判定される。面積閾値ε６は、面積閾値ε５より小さい値に設定され、電動駆動系が冷却油の流量を減少させても熱的に余裕があると判定できる値に設定することが好適である。面積Ｓｐｒｅｄが面積閾値ε６未満である場合、電動駆動系には冷却油の流量を減少させたとしても熱的な余裕が十分にあると判断してステップＳ２６に処理を移行させる。面積Ｓｐｒｅｄが面積閾値ε６より大きい場合、電動駆動系には熱的な余裕があるが冷却油の流量を減少させるほどの余裕はないと判断して温度に基づく冷却油の供給制御を終了する。 On the other hand, if the area S pred is equal to or less than the area threshold ε 5 , step S30 determines whether the area S pred is less than a preset area threshold ε 6. The area threshold ε 6 is preferably set to a value smaller than the area threshold ε 5 , at a value that determines that the electric drivetrain has a thermal margin even if the cooling oil flow rate is reduced. If the area S pred is less than the area threshold ε 6 , it is determined that the electric drivetrain has a sufficient thermal margin even if the cooling oil flow rate is reduced, and the process proceeds to step S26. If the area S pred is greater than the area threshold ε 6 , it is determined that the electric drivetrain has a thermal margin but not enough to reduce the cooling oil flow rate, and the temperature-based cooling oil supply control is terminated.
ステップＳ２６では、電動駆動系へ供給する冷却油の流量Ｑｃｏｏｌを減少させる処理を行う。具体的には、図２に示したモータ２８の回転速度等を制御して、オイルパン２９から供給される冷却油の流量Ｑｃｏｏｌを減少させる。 In step S26, a process is performed to reduce the flow rate Qcool of the cooling oil supplied to the electric drive system. Specifically, the rotation speed of the motor 28 shown in FIG. 2 is controlled to reduce the flow rate Qcool of the cooling oil supplied from the oil pan 29.
以上のように、温度予測装置３００を用いて電動駆動系の内部の温度分布を予測した結果に基づいて電動駆動系への冷却油の供給を制御することで、電動駆動系の温度上昇を抑制することができる。なお、電動駆動系に熱的な余裕が十分にある場合、冷却油の流量を減少させることによって、電動駆動系の回転部位による冷却油の引き摺りによる損失を低減し、電費を改善することができる。 As described above, by controlling the supply of cooling oil to the electric drive system based on the results of predicting the temperature distribution inside the electric drive system using the temperature prediction device 300, it is possible to suppress temperature increases in the electric drive system. Furthermore, if the electric drive system has sufficient thermal margin, reducing the flow rate of cooling oil can reduce losses caused by dragging of cooling oil by the rotating parts of the electric drive system, thereby improving electricity efficiency.
なお、本実施の形態における温度予測装置３００では、ＣＮＮモデルを使用することによって電動駆動系の内部の各部位の温度をそれぞれ予測することができるので、高温になっている部位の冷却効果が高くなるように冷却油を供給する部位及びその流量を制御するようにしてもよい。 In addition, the temperature prediction device 300 in this embodiment can predict the temperature of each part inside the electric drive system by using a CNN model, so it is possible to control the parts to which cooling oil is supplied and its flow rate so as to increase the cooling effect of parts that are hot.
図１８は、回転電機システム１００において冷却油の供給路に方向切替弁４０を設けて、高温になっている部位の冷却効果が高くなるように冷却油を供給する部位を制御する構成を示す。冷却油の経路として、ステータコイル１４ａのコイルエンドに冷却油を供給するための第１供給路４２ａ、ステータ１４の軸方向中央部に冷却油を供給するための第２供給路４２ｂ、及び、シャフト１２とロータ１０の軸心へ冷却油を供給するための第３供給路４２ｃが設けられている。ただし、冷却油の供給路は、上記例に限定されるものではなく、他の供給路を設けてもよい。制御部２４は、温度予測装置３００によって予測された回転電機１０１の各部位の温度に応じて、方向切替弁４０を制御して、ステータコイル１４ａのコイルエンド、ステータ１４の軸方向中央部、及びシャフト１２とロータ１０の軸心の少なくとも１つを選択して冷却油を個別に供給するように制御する。 18 shows a configuration in which a directional control valve 40 is provided in the cooling oil supply path of the rotating electrical machine system 100 to control the location to which cooling oil is supplied so as to enhance the cooling effect of high-temperature locations. The cooling oil paths include a first supply path 42a for supplying cooling oil to the coil ends of the stator coil 14a, a second supply path 42b for supplying cooling oil to the axial center of the stator 14, and a third supply path 42c for supplying cooling oil to the axial centers of the shaft 12 and rotor 10. However, the cooling oil supply path is not limited to the above example, and other supply paths may be provided. The control unit 24 controls the directional control valve 40 according to the temperature of each location of the rotating electrical machine 101 predicted by the temperature prediction device 300 to select at least one of the coil ends of the stator coil 14a, the axial center of the stator 14, and the axial centers of the shaft 12 and rotor 10 to individually supply cooling oil.
図１９は、回転電機システム１００において冷却油の供給路の各々に流量制御弁４４（４４ａ～４４ｃ）を設けて、高温になっている部位の冷却効果が高くなるように冷却油を供給する部位及びその流量を制御する構成を示す。流量制御弁４４ａは、ステータコイル１４ａのコイルエンドに冷却油を供給するための第１供給路４２ａに設けられる。流量制御弁４４ｂは、ステータ１４の軸方向中央部に冷却油を供給するための第２供給路４２ｂに設けられる。流量制御弁４４ｃは、シャフト１２とロータ１０の軸心へ冷却油を供給するための第３供給路４２ｃに設けられる。制御部２４は、温度予測装置３００によって予測された回転電機１０１の各部位の温度に応じて、流量制御弁４４（４４ａ～４４ｃ）をそれぞれ制御して、ステータコイル１４ａのコイルエンド、ステータ１４の軸方向中央部、及びシャフト１２とロータ１０の軸心に対する冷却油の流量を個別に制御する。 Figure 19 shows a configuration in which flow control valves 44 (44a-44c) are provided in each cooling oil supply path in the rotating electric machine system 100 to control the locations to which cooling oil is supplied and its flow rate so as to enhance the cooling effect of high-temperature locations. The flow control valve 44a is provided in the first supply path 42a for supplying cooling oil to the coil ends of the stator coil 14a. The flow control valve 44b is provided in the second supply path 42b for supplying cooling oil to the axial center of the stator 14. The flow control valve 44c is provided in the third supply path 42c for supplying cooling oil to the axial centers of the shaft 12 and rotor 10. The control unit 24 controls each of the flow control valves 44 (44a-44c) in accordance with the temperatures of each location of the rotating electric machine 101 predicted by the temperature prediction device 300, to individually control the flow rates of cooling oil to the coil ends of the stator coil 14a, the axial center of the stator 14, and the axial centers of the shaft 12 and rotor 10.
図２０は、冷却に必要な冷却油の流量を求めるためのフローチャートを示す。冷却に必要な冷却油の流量は、電動駆動系の内部の理想の温度分布と温度予測装置３００から出力された電動駆動系の内部の温度分布との差分から求めることができる。図２１は、電動駆動系の内部の理想の温度分布の例を示す。なお、温度予測装置３００から出力された電動駆動系の内部の温度分布の例は図１２に示している。 Figure 20 shows a flowchart for determining the flow rate of cooling oil required for cooling. The flow rate of cooling oil required for cooling can be determined from the difference between the ideal temperature distribution inside the electric drive system and the temperature distribution inside the electric drive system output from the temperature prediction device 300. Figure 21 shows an example of the ideal temperature distribution inside the electric drive system. An example of the temperature distribution inside the electric drive system output from the temperature prediction device 300 is shown in Figure 12.
ステップＳ１０では、電動駆動系の内部の温度分布を予測するために必要なデータが取得される。また、図２１に示したような電動駆動系の内部の理想の温度分布も取得される。ステップＳ１２では、温度予測装置３００を用いて電動駆動系の内部の各部位の温度分布が予測される。 In step S10, the data necessary to predict the temperature distribution inside the electric drive system is acquired. The ideal temperature distribution inside the electric drive system, as shown in Figure 21, is also acquired. In step S12, the temperature distribution of each part inside the electric drive system is predicted using the temperature prediction device 300.
ステップＳ３２では、電動駆動系の内部の各部位において取り除かなければならない熱量Ｕが算出される。温度予測装置３００の処理部３０は、電動駆動系の内部の理想の温度分布と予測した電動駆動系の内部の温度分布との差分（温度差）に各部位の体積を乗算することによって各部位に対して取り除かなければならない熱量Ｕを算出する。 In step S32, the amount of heat U that must be removed from each part inside the electric drivetrain is calculated. The processing unit 30 of the temperature prediction device 300 calculates the amount of heat U that must be removed from each part by multiplying the difference (temperature difference) between the ideal temperature distribution inside the electric drivetrain and the predicted temperature distribution inside the electric drivetrain by the volume of each part.
ステップＳ３４では、電動駆動系の内部の各部位について取り除かなければならない熱量Ｕに対して必要な冷却油の流量Ｑｃｏｏｌが算出される。処理部３０は、ステップＳ３２において算出された電動駆動系の内部の各部位から取り除くべき熱量Ｕを単位流量（例えば１Ｌ／ｍｉｎ）の冷却油が奪い去る熱量ΔＵで除算することによって各部位を冷却するために必要な冷却油の流量Ｑｃｏｏｌを算出する。冷却油の供給路及びその流量を制御する際、必要な冷却油の流量Ｑｃｏｏｌが各部位に供給されるように制御を行えばよい。 In step S34, the flow rate Qcool of cooling oil required for the amount of heat U that must be removed from each part of the electric drivetrain is calculated. Processing unit 30 calculates the flow rate Qcool of cooling oil required to cool each part by dividing the amount of heat U to be removed from each part of the electric drivetrain, calculated in step S32 , by the amount of heat ΔU removed by a unit flow rate (e.g., 1 L/min) of cooling oil. When controlling the cooling oil supply path and its flow rate, control should be performed so that the required flow rate Qcool of cooling oil is supplied to each part.
なお、電動駆動系の内部の温度の予測結果に基づく回転電機の制御及び冷却油の供給制御を組み合わせてもよい。 It is also possible to combine control of the rotating electrical machine based on the predicted temperature inside the electric drive system with control of the cooling oil supply.
図２２は、冷却油の熱をバッテリーの暖機に利用する電動駆動システム１１０の構成を示す。電動駆動システム１１０は、回転電機システム１００を含む電動駆動系から奪い去った熱量を車両等に搭載されたバッテリーの暖機に利用する。 Figure 22 shows the configuration of an electric drive system 110 that uses the heat of cooling oil to warm up the battery. The electric drive system 110 uses the heat removed from the electric drive system, including the rotating electric machine system 100, to warm up the battery installed in a vehicle, etc.
電動駆動システム１１０は、回転電機システム１００及びバッテリーシステム１１２を含んで構成される。回転電機システム１００は、図１８で示した構成に加えて、方向切替弁４６及び冷却油路４８（４８ａ，４８ｂ）を備える。また、バッテリーシステム１１２は、バッテリー５０、熱交換器５２、冷却水路５４、冷却水ポンプ５６、ポンプ５８及び冷却水パン６０を備える。 The electric drive system 110 includes a rotating electric machine system 100 and a battery system 112. In addition to the components shown in FIG. 18, the rotating electric machine system 100 includes a directional control valve 46 and a cooling oil passage 48 (48a, 48b). The battery system 112 includes a battery 50, a heat exchanger 52, a cooling water passage 54, a cooling water pump 56, a pump 58, and a cooling water pan 60.
制御部２４は、面積Ｓｐｒｅｄが面積閾値ε６未満であって冷却によって回転電機システム１００から奪われる熱量が小さい場合、すなわち上記ステップＳ２６において回転電機システム１００へ供給する冷却油の流量Ｑｃｏｏｌを減少させる処理を行っている場合、熱交換器５２を通らない第１冷却水路４８ａに方向切替弁４６を切り替える。この状態では、回転電機システム１００の冷却油の熱はバッテリー５０の暖機には利用されない。 If the area S pred is less than the area threshold ε 6 and the amount of heat removed from the rotating electrical machine system 100 by cooling is small, that is, if the process of reducing the flow rate Q cool of the cooling oil supplied to the rotating electrical machine system 100 is performed in step S26, the control unit 24 switches the directional control valve 46 to the first cooling water passage 48 a that does not pass through the heat exchanger 52. In this state, the heat of the cooling oil in the rotating electrical machine system 100 is not used to warm up the battery 50.
一方、面積Ｓｐｒｅｄが面積閾値ε５より大きく、冷却によって回転電機システム１００から奪われる熱量が大きい場合、すなわち上記ステップＳ２２において回転電機システム１００へ供給する冷却油の流量Ｑｃｏｏｌを増加させる処理を行っている場合、熱交換器５２側の第２冷却油路４８ｂに方向切替弁４６を切り替える。この状態では、熱交換器５２において、第２冷却油路４８ｂを流れる冷却油から冷却水路５４を流れる冷却水へと熱交換が行われる。 On the other hand, if the area S pred is larger than the area threshold ε 5 and the amount of heat removed from the rotating electrical machine system 100 by cooling is large, that is, if the process of increasing the flow rate Q cool of the cooling oil supplied to the rotating electrical machine system 100 is performed in step S22, the directional control valve 46 is switched to the second cooling oil passage 48 b on the heat exchanger 52 side. In this state, in the heat exchanger 52, heat is exchanged from the cooling oil flowing through the second cooling oil passage 48 b to the cooling water flowing through the cooling water passage 54.
冷却水ポンプ５６は、ポンプ５８によって駆動される。冷却水ポンプ５６によって冷却水パン６０から冷却水が冷却水路５４を介してバッテリー５０へ供給される。熱交換器５２において冷却油によって加熱された冷却水がバッテリー５０へ供給されることでバッテリー５０が暖機される。このような暖機処理は、バッテリー５０の早期暖機に利用することができる。 The cooling water pump 56 is driven by a pump 58. The cooling water pump 56 supplies cooling water from the cooling water pan 60 to the battery 50 via the cooling water passage 54. The battery 50 is warmed up by the cooling water heated by the cooling oil in the heat exchanger 52 being supplied to the battery 50. This warm-up process can be used to quickly warm up the battery 50.
なお、電動駆動システム１１０において加熱の対象はバッテリー５０としたが、これに限定されるものではなく、電動駆動系以外の他の構成であれば加熱の対象とすることができる。 Note that, although the battery 50 is the object to be heated in the electric drive system 110, this is not limited to this, and any other configuration other than an electric drive system can be the object to be heated.
［本願発明の構成］
構成１：
回転電機を含む電動駆動系の温度予測装置であって、
機械学習を適用して学習されており、前記電動駆動系の運転時における状態量を入力データとして前記電動駆動系の各部位の温度を予測する学習モデルを用いて前記電動駆動系の各部位の温度を予測して出力することを特徴とする温度予測装置。
構成２：
構成１に記載の温度予測装置であって、
前記学習モデルは、前記電動駆動系の運転時における状態量に対して前記電動駆動系の運転時における前記電動駆動系の各部位の温度を教師データとして組み合わせた教師付学習データを用いて、当該状態量を入力したときに前記電動駆動系の各部位の温度を出力するように機械学習されていることを特徴とする温度予測装置。
構成３：
構成１又は２に記載の温度予測装置であって、
前記状態量は、前記回転電機の回転速度、前記回転電機の出力トルク、前記回転電機の入力電圧、前記回転電機の入力電流、前記回転電機の入力電流密度、前記回転電機のステータコイルのコイルエンドの温度、冷却流体の流量、冷却流体の温度、雰囲気温度、車速の少なくとも１つを含むことを特徴とする温度予測装置。
構成４：
構成２に記載の温度予測装置であって、
前記教師付学習データは、前記電動駆動系の各部位における温度を示す画像データを含むことを特徴とする温度予測装置。
構成５：
構成４に記載の温度予測装置であって、
前記画像データは、前記電動駆動系の各部位における温度分布を明度、色の濃度、色分けのいずれか１つ示していることを特徴とする温度予測装置。
構成６：
構成３に記載の温度予測装置であって、
前記入力データは、前記電動駆動系の各部位における冷却流体の流量を示す画像データを含むことを特徴とする温度予測装置。
構成７：
構成６に記載の温度予測装置であって、
前記画像データは、前記電動駆動系の各部位における冷却流体の流量の分布を明度、色の濃度、色分けのいずれか１つ示していることを特徴とする温度予測装置。
構成８：
構成１～７のいずれか１つに記載の温度予測装置であって、
前記機械学習は、畳み込みニューラルネットワークを用いて行われていることを特徴とする温度予測装置。
構成９：
構成１～８のいずれか１つに記載の温度予測装置であって、
前記電動駆動系の各部位の温度を連続的な値として予測することを特徴とする温度予測装置。
構成１０：
構成１～８のいずれか１つに記載の温度予測装置であって、
前記電動駆動系の各部位の温度を複数の温度クラスに分類して予測することを特徴とする温度予測装置。
構成１１：
構成１～１０のいずれか１つに記載の温度予測装置を用いて、運転中の前記電動駆動系の各部位の温度を予測し、予測された温度に応じて前記回転電機の運転条件を制御することを特徴とする回転電機システム。
構成１２：
構成１１に記載の回転電機システムであって、
運転中の前記電動駆動装置の各部位の温度分布を予測し、予測された温度が基準値以上の部位の面積に応じて前記回転電機の運転条件を制御することを特徴とする回転電機システム。
構成１３：
構成１～１０のいずれか１つに記載の温度予測装置を用いて、運転中の前記電動駆動系の各部位の温度を予測し、予測された温度に応じて前記電動駆動系の冷却流体の流量を制御することを特徴とする回転電機システム。
構成１４：
構成１３に記載の回転電機システムであって、
運転中の前記電動駆動系の各部位の温度分布を予測し、予測された温度が基準値以上の部位の面積に応じて前記電動駆動系の冷却流体の流量を制御することを特徴とする回転電機システム。
構成１５：
構成１１～１４のいずれか１つに記載の回転電機システムにおいて前記電動駆動系の冷却流体との熱交換によって得られた熱を加熱に利用することを特徴とする電動駆動システム。
[Configuration of the present invention]
Configuration 1:
A temperature prediction device for an electric drive system including a rotating electric machine,
A temperature prediction device that is trained using machine learning and predicts and outputs the temperature of each part of the electric drive system using a learning model that predicts the temperature of each part of the electric drive system using state quantities during operation of the electric drive system as input data.
Configuration 2:
2. The temperature prediction device according to claim 1,
The temperature prediction device is characterized in that the learning model is machine-learned to output the temperature of each part of the electric drive system when a state quantity when the electric drive system is operating is input using supervised learning data that combines the temperature of each part of the electric drive system when the electric drive system is operating as supervised data.
Configuration 3:
3. The temperature prediction device according to claim 1,
The temperature prediction device is characterized in that the state quantity includes at least one of the rotational speed of the rotating electric machine, the output torque of the rotating electric machine, the input voltage of the rotating electric machine, the input current of the rotating electric machine, the input current density of the rotating electric machine, the temperature of the coil end of the stator coil of the rotating electric machine, the flow rate of the cooling fluid, the temperature of the cooling fluid, the ambient temperature, and the vehicle speed.
Configuration 4:
3. The temperature prediction device according to claim 2,
The temperature prediction device, wherein the supervised learning data includes image data indicating temperatures at each part of the electric drivetrain.
Configuration 5:
5. The temperature prediction device according to claim 4,
The temperature prediction device is characterized in that the image data indicates the temperature distribution in each part of the electric drive system by one of brightness, color density, and color coding.
Configuration 6:
4. The temperature prediction device according to configuration 3,
The temperature prediction device, wherein the input data includes image data indicating the flow rate of a cooling fluid at each part of the electric drive system.
Configuration 7:
7. The temperature prediction device according to configuration 6,
The temperature prediction device is characterized in that the image data indicates the distribution of the flow rate of the cooling fluid at each part of the electric drive system by one of brightness, color density, and color coding.
Configuration 8:
The temperature prediction device according to any one of configurations 1 to 7,
A temperature prediction device characterized in that the machine learning is performed using a convolutional neural network.
Configuration 9:
The temperature prediction device according to any one of configurations 1 to 8,
A temperature prediction device that predicts the temperature of each part of the electric drive system as a continuous value.
Configuration 10:
The temperature prediction device according to any one of configurations 1 to 8,
A temperature prediction device that classifies and predicts the temperatures of each part of the electric drive system into a plurality of temperature classes.
Configuration 11:
A rotating electric machine system, characterized in that the temperature of each part of the electric drive system during operation is predicted using the temperature prediction device according to any one of configurations 1 to 10, and the operating conditions of the rotating electric machine are controlled according to the predicted temperatures.
Configuration 12:
12. The rotating electric machine system according to claim 11,
A rotating electric machine system characterized by predicting the temperature distribution of each part of the electric drive device during operation, and controlling the operating conditions of the rotating electric machine according to the area of the part where the predicted temperature is above a reference value.
Configuration 13:
A rotating electric machine system characterized in that the temperature of each part of the electric drive system during operation is predicted using the temperature prediction device according to any one of configurations 1 to 10, and the flow rate of a cooling fluid for the electric drive system is controlled in accordance with the predicted temperature.
Configuration 14:
14. The rotating electric machine system according to claim 13,
A rotating electric machine system characterized by predicting the temperature distribution of each part of the electric drive system during operation, and controlling the flow rate of cooling fluid for the electric drive system in accordance with the area of the part where the predicted temperature is above a reference value.
Configuration 15:
15. An electric drive system, comprising: a rotating electric machine system according to any one of configurations 11 to 14, wherein heat obtained by heat exchange with a cooling fluid of the electric drive system is utilized for heating.
１０ ロータ、１０ａ ロータコア永久磁石、１０ｂ ロータコア電磁鋼鈑、１２ シャフト、１４ ステータ、１４ａ ステータコイル、１４ｂ ステータコア電磁鋼鈑、１６ ベアリング、１８ ケーシング、２０ インバータ、２２ バッテリー、２４ 制御部、２６ オイルポンプ、２８ モータ、２９ オイルパン、３０ 処理部、３２ 記憶部、３４ 入力部、３６ 出力部、３８ 通信部、４０ 方向切替弁、４４（４４ａ～４４ｃ） 流量制御弁、４６ 方向切替弁、４８（４８ａ，４８ｂ） 冷却油路、５０ バッテリー、５２ 熱交換器、５４ 冷却水路、５６ 冷却水ポンプ、５８ ポンプ、６０ 冷却水パン、１００ 回転電機システム、１０１ 回転電機、１０２ 変速機、１０４ デファレンシャルギア、１０６ ドライブシャフト、１０８ 駆動輪（タイヤ）、１１０ 電動駆動システム、１１２ バッテリーシステム、２００ 車両、３００ 温度予測装置。 10 rotor, 10a rotor core permanent magnet, 10b rotor core electromagnetic steel plate, 12 shaft, 14 stator, 14a stator coil, 14b stator core electromagnetic steel plate, 16 bearing, 18 casing, 20 inverter, 22 battery, 24 control unit, 26 oil pump, 28 motor, 29 oil pan, 30 processing unit, 32 memory unit, 34 input unit, 36 output unit, 38 communication unit, 40 directional switching valve, 44 (44a to 44c) flow control valve, 46 directional switching valve, 48 (48a, 48b) cooling oil passage, 50 battery, 52 heat exchanger, 54 cooling water passage, 56 cooling water pump, 58 pump, 60 cooling water pan, 100 rotating electrical machine system, 101 rotating electrical machine, 102 transmission, 104 Differential gear, 106 drive shaft, 108 drive wheels (tires), 110 electric drive system, 112 battery system, 200 vehicle, 300 temperature prediction device.
Claims (8)
機械学習を適用して学習されており、前記電動駆動系の運転時における状態量を入力データとして前記電動駆動系の各部位の温度を予測する学習モデルを用いて前記電動駆動系の各部位の温度を予測して出力し、
前記学習モデルは、前記電動駆動系の運転時における状態量として前記電動駆動系の各部位における冷却流体の流量を示す画像データに対して前記電動駆動系の運転時における前記電動駆動系の各部位の温度を示す画像データを教師データとして組み合わせた教師付学習データを用いて、当該状態量を入力したときに前記電動駆動系の各部位の温度を出力するように機械学習されていることを特徴とする温度予測装置。 A temperature prediction device for an electric drive system including a rotating electric machine,
a learning model that has been trained using machine learning and that predicts the temperature of each part of the electric drive system using state quantities during operation of the electric drive system as input data , and outputs the predicted temperature;
The temperature prediction device is characterized in that the learning model is machine-learned to output the temperature of each part of the electric drive system when the state quantity is input, using supervised learning data that combines image data that indicates the flow rate of cooling fluid at each part of the electric drive system as a state quantity when the electric drive system is operating with image data that indicates the temperature of each part of the electric drive system when the electric drive system is operating as supervised data .
前記状態量は、さらに、前記回転電機の回転速度、前記回転電機の出力トルク、前記回転電機の入力電圧、前記回転電機の入力電流、前記回転電機の入力電流密度、前記回転電機のステータコイルのコイルエンドの温度、冷却流体の温度、雰囲気温度、車速の少なくとも１つを含むことを特徴とする温度予測装置。 2. The temperature prediction device according to claim 1,
The temperature prediction device is characterized in that the state quantity further includes at least one of the rotational speed of the rotating electric machine, the output torque of the rotating electric machine, the input voltage of the rotating electric machine, the input current of the rotating electric machine, the input current density of the rotating electric machine, the temperature of the coil end of the stator coil of the rotating electric machine , the temperature of the cooling fluid, the ambient temperature, and the vehicle speed.
前記画像データは、前記電動駆動系の各部位における温度分布を明度、色の濃度、色分けのいずれか１つによって示していることを特徴とする温度予測装置。 2. The temperature prediction device according to claim 1 ,
The temperature prediction device is characterized in that the image data indicates the temperature distribution in each part of the electric drive system by one of brightness, color density, and color coding.
前記画像データは、前記電動駆動系の各部位における冷却流体の流量の分布を明度、色の濃度、色分けのいずれか１つによって示していることを特徴とする温度予測装置。 2. The temperature prediction device according to claim 1 ,
The temperature prediction device is characterized in that the image data indicates the distribution of the flow rate of the cooling fluid at each part of the electric drive system by one of brightness, color density, and color coding.
前記機械学習は、畳み込みニューラルネットワークを用いて行われていることを特徴とする温度予測装置。 2. The temperature prediction device according to claim 1,
A temperature prediction device characterized in that the machine learning is performed using a convolutional neural network.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022129278A JP7717038B2 (en) | 2022-08-15 | 2022-08-15 | Temperature prediction device, rotating electrical machine system and electric drive system using the same |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022129278A JP7717038B2 (en) | 2022-08-15 | 2022-08-15 | Temperature prediction device, rotating electrical machine system and electric drive system using the same |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2024025911A JP2024025911A (en) | 2024-02-28 |
| JP7717038B2 true JP7717038B2 (en) | 2025-08-01 |
Family
ID=90038157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022129278A Active JP7717038B2 (en) | 2022-08-15 | 2022-08-15 | Temperature prediction device, rotating electrical machine system and electric drive system using the same |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7717038B2 (en) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118657854B (en) * | 2024-07-03 | 2025-01-24 | 南方电网调峰调频发电有限公司检修试验分公司 | A temperature curve determination system and method |
| KR102845766B1 (en) * | 2025-03-06 | 2025-08-13 | 이준기 | Temperature sensitive oil level gauge and pump using the same |
| CN119891884B (en) * | 2025-03-28 | 2025-07-15 | 固特科工业塑料件科技(深圳)有限公司 | Motor cooling system control device based on multi-parameter linkage |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008178243A (en) | 2007-01-19 | 2008-07-31 | Toyota Motor Corp | Magnet temperature estimation device, magnet protection device, magnet temperature estimation method, and magnet protection method |
| JP2011015584A (en) | 2009-07-06 | 2011-01-20 | Toshiba Mach Co Ltd | Device for burnout protection of motor winding |
| JP2014034220A (en) | 2012-08-07 | 2014-02-24 | Nippon Soken Inc | Motor control device |
| JP2018207650A (en) | 2017-06-02 | 2018-12-27 | 三菱日立パワーシステムズ株式会社 | Rotating electrical machine feature evaluation system and rotating electrical machine feature evaluation method |
| JP2020008472A (en) | 2018-07-10 | 2020-01-16 | ファナック株式会社 | Temperature evaluation device, life evaluation device, and robot system |
| US20210055240A1 (en) | 2019-08-23 | 2021-02-25 | Fanuc Corporation | Machine learning device, control system, and machine learning method |
| JP2021090340A (en) | 2019-11-22 | 2021-06-10 | ディエスピーテクノロジ株式会社 | Ai-equipped motor state estimation system and machine learning method for motor model |
-
2022
- 2022-08-15 JP JP2022129278A patent/JP7717038B2/en active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008178243A (en) | 2007-01-19 | 2008-07-31 | Toyota Motor Corp | Magnet temperature estimation device, magnet protection device, magnet temperature estimation method, and magnet protection method |
| JP2011015584A (en) | 2009-07-06 | 2011-01-20 | Toshiba Mach Co Ltd | Device for burnout protection of motor winding |
| JP2014034220A (en) | 2012-08-07 | 2014-02-24 | Nippon Soken Inc | Motor control device |
| JP2018207650A (en) | 2017-06-02 | 2018-12-27 | 三菱日立パワーシステムズ株式会社 | Rotating electrical machine feature evaluation system and rotating electrical machine feature evaluation method |
| JP2020008472A (en) | 2018-07-10 | 2020-01-16 | ファナック株式会社 | Temperature evaluation device, life evaluation device, and robot system |
| US20210055240A1 (en) | 2019-08-23 | 2021-02-25 | Fanuc Corporation | Machine learning device, control system, and machine learning method |
| JP2021090340A (en) | 2019-11-22 | 2021-06-10 | ディエスピーテクノロジ株式会社 | Ai-equipped motor state estimation system and machine learning method for motor model |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2024025911A (en) | 2024-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7717038B2 (en) | Temperature prediction device, rotating electrical machine system and electric drive system using the same | |
| Cavazzuti et al. | Thermal management of a Formula E electric motor: Analysis and optimization | |
| Ulbrich et al. | Cooling fin optimization on a TEFC electrical machine housing using a 2-D conjugate heat transfer model | |
| Marcolini et al. | Direct oil cooling of end-windings in torus-type axial-flux permanent-magnet machines | |
| Chiu et al. | Thermal performance analysis of a 30 kW switched reluctance motor | |
| US20230014936A1 (en) | Temperature control system, temperature control method, and vehicle | |
| CN114857250B (en) | A cooling system, control method and electric vehicle for an electric vehicle | |
| CN118906799B (en) | A vehicle-based motor cooling intelligent control method and system | |
| CN116512990B (en) | A battery thermal management system and control method for pure electric vehicles in high temperature environments | |
| CN106681389B (en) | Rote learning device and method, control device of electric motor and motor control system | |
| CN115549336A (en) | A calibration test method for an oil-cooled motor | |
| CN116992624A (en) | New energy vehicle motor thermal management and control methods | |
| CN112477584B (en) | Method for predictably controlling a coolant pump of a drive system of a vehicle | |
| CN118336992B (en) | Oil cooling system, electric drive control device, oil cooling control method and vehicle | |
| CN113978223A (en) | Electric drive system and heat control method thereof | |
| CN114861556A (en) | Induction motor oil-water mixed cooling system design optimization method based on incremental learning | |
| Xu et al. | Global fluid flow and heat transfer characteristics analysis of an open air-cooled drive motor for drilling application | |
| Raj et al. | Retracted Article: Detailed study of efficient water jacket cooling system for induction motor drive used in electric vehicle | |
| JP2024107543A (en) | Fluid prediction device and rotating electrical machine system using same | |
| TW201832457A (en) | Control device | |
| JP2025134286A (en) | Coolant analysis device for predicting the coverage rate of a coolant in a rotating electrical machine system and a rotating electrical machine system using the same | |
| CN104411940A (en) | Method and device for thermal regulation of motor vehicle electric motors | |
| KR20220039344A (en) | Method for predicting cooling performance of two-wheeled electric vehicle | |
| Dheivanai et al. | Evaluation and Simulation of Oil-based Direct Cooling System in Series DC Motors for Electric Vehicle Applications | |
| Stütz et al. | Predictive Temperature Distribution of Test Rig Electric Motors Using Machine Learning Algorithms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240924 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20250520 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20250521 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20250702 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20250715 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20250722 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7717038 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |