[論文レビュー] Data Set Description: Identifying the Physics Behind an Electric Motor -- Data-Driven Learning of the Electrical Behavior (Part I)

Sören Hanke, Oliver Wallscheid+1 more|arXiv (Cornell University)|Mar 16, 2020

Computational Physics and Python Applications被引用数 4

ひとこと要約

本論文は、電気自動車のインバータ・モーター系の電気的挙動をデータ駆動でモデル化するために、電気駆動系から4000万件の測定データを収集した高精細データセットを提示する。モデル予測制御（MPC）の原則を用いて、スイッチング状態、ロータ位置、および過去のベクトル状態を活用することで、d軸およびq軸電流を高精度に予測する機械学習モデルの訓練が可能となり、軽量な駆動系における正確なトルク制御と効率向上が実現される。

ABSTRACT

Two of the most important aspects of electric vehicles are their efficiency or achievable range. In order to achieve high efficiency and thus a long range, it is essential to avoid over-dimensioning the drive train. Therefore, the drive train has to be kept as lightweight as possible while at the same time being utilized to the best possible extent. This can only be achieved if the dynamic behavior of the drive train is accurately known by the controller. The task of the controller is to achieve a desired torque at the wheels of the car by controlling the currents of the electric motor. With machine learning modeling techniques, accurate models describing the behavior can be extracted from measurement data and then used by the controller. For the comparison of the different modeling approaches, a data set consisting of about 40 million data points was recorded at a test bench for electric drive trains. The data set is published on Kaggle, an online community of data scientists.

研究の動機と目的

• 電気自動車におけるトルク制御の向上を目的として、電動モーター・インバータ系の電気的挙動を高精度にデータ駆動でモデル化すること。
• 磁気飽和やインバータのスイッチング効果といった非線形ダイナミクスを正確に捉えることで、軽量で高効率なドライブトレイン設計を可能にすること。
• 機械学習モデルのトレーニングおよびベンチマークのための包括的かつ公開可能なデータセットを提供すること。
• 最適な予測精度を実現するためのモデリング戦略（単一モデル、ベクトルごとのモデル、遷移ベースのモデル）を検討し、モデル予測制御（MPC）フレームワークにおける応用を検討すること。

提案手法

• 57kWの内蔵永久磁石同期モーター（IPMSM）と2レベルのIGBTインバータを搭載した試験ベンチからデータを収集し、dSPACEコントローラーと高帯域幅の測定装置を用いた。
• 測定データには、d軸およびq軸電流、ロータ位置、直流電圧、インバータのスイッチング状態が含まれ、合計4000万サンプル分のデータが収集された。
• 3つのモデリングバージョンを定義した：(A) ベクトルインデックスを入力とする単一モデル；(B) ベクトルごとに別々のモデル；(C) 過去のベクトルと現在のベクトルの間の遷移を対象とするモデル。
• モデル評価のためのコスト関数は、予測時間窓における予測値と実測値のd軸およびq軸電流偏差の平均二乗誤差（RMSE）である。
• システムは直流電圧、回転速度、モーター温度を一定と仮定しており、将来的にはこれらの変数を含める拡張を計画している。
• データセットはKaggleにホスティングされており、電気自動車におけるリアルタイムのトルク制御のための機械学習モデルのトレーニングおよび評価を目的としている。

実験結果

リサーチクエスチョン

• RQ1 スイッチング状態やロータ位置が変化する条件下で、機械学習モデルは電動モーター・インバータ系のd軸およびq軸電流応答をどの程度正確に予測できるか？
• RQ2 モデル予測制御における予測誤差を最小化するための最適な入力表現（例：単一モデル、ベクトルごとのモデル、遷移ベースのモデル）は何か？
• RQ3 過去のスイッチングベクトル（n_{k-1}）を入力に含めることで、インバータのデッドタイムや相互ロック効果といった一時的効果をどの程度正確にモデル化できるか？
• RQ4 1つの統合モデルは、すべての運転条件においてモーター・インバータ系の非線形挙動を効果的に捉えることができるか？
• RQ5 データの分布とサンプリング戦略は、学習モデルの一般化性およびロバストネスにどのような影響を与えるか？

主な発見

• データセットには、一定の直流電圧、回転速度、温度条件下で収集された約4000万件の測定ポイントが含まれる。
• 電流予測モデルの主な評価指標として、予測値と実測値の偏差の平均二乗誤差（RMSE）が用いられ、値が低いほどモデルの精度が高いことを示す。
• 過去のスイッチングベクトル（n_{k-1}）を入力に含めることで、スイッチングトランジェントや非理想インバータ効果を捉えるモデル性能が向上する。
• 49個のモデルを（n_{k-1}, n_k）ペアごとに使用する遷移ベースのモデリング手法（バージョンC）は、動的挙動を最も詳細に表現できる。
• データセットはKaggleで公開されており、リアルタイムの電気駆動制御のための機械学習モデルのトレーニングおよびベンチマーク支援を目的としている。
• 将来的には、変動する直流電圧、回転速度、温度を含める拡張が可能である。