|
Hokkaido University Collection of Scholarly and Academic Papers >
Theses >
博士 （工学） >
深層学習を用いた回転機のトポロジー最適化に関する研究
|
Files in This Item:
|
|
|
Related Items in HUSCAP:
|
| Title: | 深層学習を用いた回転機のトポロジー最適化に関する研究 |
| Other Titles: | Study on topology optimization for electrical machine using deep learning |
| Authors: | 佐々木, 秀徳 Browse this author |
| Keywords: | トポロジー最適化 | | 深層学習 | | 回転機 | | 有限要素法 | | Topology optimization | | Deep learning | | Rotating machine | | Finite element method |
| Issue Date: | 25-Mar-2021 |
| Publisher: | Hokkaido University |
| Abstract: | 近年，世界的な環境規制によりエネルギーの高効率化が求められ，自動車，鉄道，船舶や航空機等の輸送機器や産業機器のエンジン機構及び油圧機構の電動化が図られている．電動機器の多くはモータを有しており，機器全体に占めるモータの消費電力が大きく，高効率化が求められる．また，機器の軽量化や小型化の要求も強く，高効率，高出力密度を両立した限界設計が必須となってきている．しかし，複数の因子を考慮しながらの設計は容易ではない．特に埋込型同期磁石(IPM:Interior Permanent Magnetic) モータは設計の自由度が高く，より効率的な設計手法の確立が望まれている．また，計算機技術の向上により，大規模計算が広く盛んに用いられている．それに伴い，数値シミュレーション技術に関する研究が盛んとなり，電磁界設計分野においても様々な解析技術が開発されている．特に有限要素法(FEM: Finite Element Method) はコンピュータ支援設計(CAD: Computer aided design) との親和性も高く，広く普及している．さらに，最適化技術をFEM と連成することで，より効率的に適切な磁気構造を探索する手法が研究，開発されている．最適化手法として設計パラメータを変数とし，遺伝的アルゴリズム(GA: Genetic Algorithm) を用いて所望の特性を有する形状を探索するパラメータ最適化が主流である．本手法は製品開発の下流である詳細設計において有効な手段であるが，上流である概念設計ではパラメータを設置できず，適用しにくい．そこで，設計パラメータを用いず，適切な材料分布を物性の増減も考慮しながら最適化するトポロジー最適化が注目されている．しかし，本手法は探索空間が多次元となり複雑になる場合が多い．そのため，探索に必要なFEM による解析回数が膨大となり，現実的な最適化時間で解が得られない場合がある．
そこで，電気機器磁気特性を同定するためにFEMの代わりに深層学習(DL: Deep Learning)を用い，トポロジー最適化時間を短縮することに着目している．DL は自動的に特徴量を抽出することができ，特徴量設計が困難なデータに対して有効である. 特に畳込みニューラルネットワーク(CNN: Convolutional Neural Network) は画像の特徴量抽出能力に優れており，機械学習(ML: Machine Learning) における物体認識精度向上の突破口となる技術で注目されている．しかし，回転機の二次元断面材料分布とトルク特性の関係をCNN に学習させた場合の推定値はFEM をはじめとした電磁界解析に代わる推定精度を有してはおらず，更なる推定精度向上が求められる．また，様々な回転機への適用が望まれるが，形状汎化に関する検討は少ない．さらに，CNN を設計に適用するにあたり，推定結果に対する根拠が明確ではないため，最適化結果に対する信頼性が失われてしまう課題がある．以上の背景から，以下の三点に関して検討を行った．
1. CNN のモータ磁気特性推定精度向上とトポロジー最適化への影響 本検討として磁束密度分布を入力とした学習手法を提案した．特に回転機の磁気特性は電磁鋼板の磁気的非線形特性が大きく影響される．磁束密度を用いることで磁気的非線形特性をCNN に学習させることが可能となり，二次元断面材料分布を学習させた場合よりも磁気特性の推定精度が向上することを示した．さらに，トポロジー最適化にCNN を用いる場合，推定精度の高いCNN を用いたほうが高い探索性能を持つことを示した.
2. CNN による推定可能形状汎化手法の提案 本検討として異なる磁石配置に対する汎化手法に関する検討を行った．IPM モータの場合，磁石配置が異なると磁気特性が大きく異なるため，同一CNN へさせた際にトルク特性に対する特徴量抽出可能か不明である．そこで，様々な仕様のモータを同一CNN へ学習し，形状汎化させる学習手法を提案した．その結果，同時学習によって異なる磁石配置を持つ形状の磁気特性を学習することが可能であることを示し，さらにその推定器を用いて複数磁石配置を考慮した新たなモータ形状トポロジー最適化手法の提案を行った．
3. CNN 推定根拠可視化技術のモータへの適用と新たな局所探索手法の提案 説明可能なCNN の磁気特性への適用に関する検討を行った．説明根拠を可視化する技術としてCNN へ入力した画像の推定要因となる領域を可視化するGrad-CAM が提案されている．本手法によりトルク特性に寄与する領域の可視化が可能であることを示した．さらにトポロジー最適化に本手法を適用した二段階最適化手法の開発を行い，従来の最適化に比べ有用性があることを示した． | | This paper propose some new topology optimization method using convolutional neural network (CNN) and discuss search performance of the proposed methods.
Since the environmental regulations are required, actively developments of highly efficient electrical equipment has been important topics in manufacturing industries. There is a strong demand for lighter and smaller devices, and it is becoming essential to design limits with both high efficiency and high power density. Therefore, it is hard to design the equipment which satisfies required specification.
Topology optimization based on genetic algorithm has attracted significant attention and is becoming used for design and development, It is a breakthrough method to find novel shapes. However, if the analytical model has a fine mesh, the optimization time will increase because of analysis time of finite element method(FEM).
Therefore, the method of cleating a surrogate model for FEM and using it for optimization has been proposed. In particular, CNN can extract shape features from images by convolutional processing, which is considered to be compatible with topology optimization without shape parameters. However, there are several issues that need to be addressed for the general use CNNs within topology optimization.
From the above, this paper discuss the following three topics.
1. Improving the accuracy of CNN for motor magnetic property estimation and impact on
topology optimization
2. Generalization methods for shapes which CNN can estimate
3. Local search method using explainable deep neural network for design of electric motors |
| Conffering University: | 北海道大学 |
| Degree Report Number: | 甲第14578号 |
| Degree Level: | 博士 |
| Degree Discipline: | 工学 |
| Examination Committee Members: | (主査) 教授 五十嵐 一, 教授 小笠原 悟司, 教授 北 裕幸, 准教授 野口 聡 |
| Degree Affiliation: | 情報科学院(情報科学専攻) |
| Type: | theses (doctoral) |
| URI: | http://hdl.handle.net/2115/86869 |
| Appears in Collections: | 課程博士 (Doctorate by way of Advanced Course) > 情報科学院(Graduate School of Information Science and Technology)
学位論文 (Theses) > 博士 （工学）
|
|
