机器学习装置及方法以及寿命预测装置及电动机驱动装置制造方法及图纸

本发明专利技术提供一种机器学习装置及方法以及寿命预测装置及电动机驱动装置，机器学习装置学习电动机驱动装置的功率元件的预测寿命，该电动机驱动装置通过功率元件的开关动作将直流电力变换为交流电力后提供给交流电动机，该机器学习装置具备：状态观测部(11)，其观测状态变量，该状态变量由与功率元件的开关次数相关的数据、与功率元件的结温相关的数据、以及与功率元件有无故障相关的数据构成；以及学习部(12)，其按照基于状态变量而生成的训练数据集来学习功率元件的预测寿命。

Machine learning device and method, life prediction device and motor drive device

The invention provides a device and method for machine learning and life prediction device and motor drive device, power components life prediction of machine learning learning device motor driving device, the motor driving device through the switch power devices will transform DC power for AC power supplied to the AC motor, the machine learning device includes: state observation the Department (11), the observation of the state variables, the state variables by the switch and the power element number of the related data, and the power component junction temperature related data, and the power components have no data related fault; and (12), the Ministry of learning according to the training data generated based on state variable set to study the life prediction of power components.

【技术实现步骤摘要】

本专利技术涉及一种学习功率元件的预测寿命的机器学习装置及方法以及具备该机器学习装置的寿命预测装置及电动机驱动装置。
技术介绍
在驱动机床、锻压机械、注射成型机、工业机械或各种机器人内的交流电动机的电动机驱动装置中，通过逆变器将直流电力变换为交流电力来供给用于驱动交流电动机的驱动电力。逆变器例如由PWM逆变器等这样的具有功率元件(半导体开关元件)以及与该功率元件逆并联连接的二极管的开关部的电桥电路构成，通过对功率元件进行接通关断驱动来将直流电力变换为交流电力来输出到交流电动机侧。在使用这样的电动机驱动装置的领域中，为了防止作业效率降低或发生严重事故，预测功率元件的寿命，基于该预测结果，在功率元件由于达到寿命而无法运转之前更换功率元件。例如，如在日本特开2011-196703号公报中记载的那样，已知如下的方法：将由功率半导体元件构成的半导体装置的整个动作温度范围划分为多个温度区域，在该温度区域内使用针对分别设定的基准温度差中的功率循环数进行加权后的值来计算循环数，在该划分后的温度区域之间基于各个计算出的循环数并使用次要规则(minorrule)来计算累计伤害从而预测寿命。电动机驱动装置中的逆变器内的功率元件的寿命由于电动机驱动装置的运行条件、周围温度等环境条件而发生变化，所以难以正确地进行预测。如果无法正确地预测功率元件的寿命，则有可能错过功率元件更换定时从而作业效率降低或者导致发生严重事故。因此，重要的是能够正确地掌握功率元件的寿命从而确切地判断是否达到寿命。
技术实现思路
鉴于上述问题，本专利技术的目的在于提供一种能够正确且容易地预测功率元件的预测寿命的机器学习装置及方法以及具备该机器学习装置的寿命预测装置及电动机驱动装置。为了实现上述目的，机器学习装置学习电动机驱动装置的功率元件的预测寿命，电动机驱动装置通过功率元件的开关动作将直流电力变换为交流电力来提供给交流电动机，该机器学习装置具备：状态观测部，其观测状态变量，该状态变量由与功率元件的开关次数相关的数据、与功率元件的结温相关的数据、以及与功率元件有无故障相关的数据构成；以及学习部，其按照基于状态变量而生成的训练数据集来学习功率元件的预测寿命。在此，可以基于对功率元件进行冷却的散热片的温度、电动机驱动装置的周围温度、从电动机驱动装置向交流电动机供给的电流的值、以及从电动机驱动装置向交流电动机施加的电压的值来计算功率元件的结温。另外，学习部可以具备回报计算部，其基于功率元件的开关次数以及功率元件有无故障来计算回报；函数更新部，其基于状态变量以及回报来更新用于计算功率元件的预测寿命的函数。另外，回报计算部可以在功率元件的开关次数超过规定次数时减少回报。另外，回报计算部可以在功率元件的开关次数未超过规定次数的情况下，在发生了功率元件的故障时减少回报。另外，函数更新部可以基于状态变量以及回报，按照神经网络模型来更新用于计算功率元件的预测寿命的函数。另外，学习部可以具备：误差计算部，其基于状态变量来计算误差；学习模型更新部，其基于状态变量以及误差来更新用于计算功率元件的预测寿命的学习模型。另外，学习部可以构成为按照针对多个电动机驱动装置取得的训练数据集来学习功率元件的预测寿命。另外，一种电动机驱动装置内的功率元件的寿命预测装置，其具备上述的机器学习装置，该寿命预测装置还具备意图决定部，该意图决定部基于学习部按照训练数据集进行学习的结果，对当前的状态变量的输入进行响应，来计算功率元件的预测寿命。另外，寿命预测装置可以进一步具备通知部，该通知部向作业者通知由意图决定部计算出的预测寿命。另外，寿命预测装置可以进一步具备通知部，该通知部基于意图决定部计算出的预测寿命，向作业者通知用于催促更换功率元件或更换电动机驱动装置的信息。学习部可以构成为按照由当前的状态变量构成的追加的训练数据集，重新学习并更新功率元件的预测寿命。另外，电动机驱动装置具备：上述的寿命预测装置；电力供给部，其通过功率元件的开关动作将直流电力变换为交流电力来提供给交流电动机；开关次数取得部，其基于针对功率元件的开关指令，来取得与开关次数相关的数据；故障判定部，其基于针对功率元件的开关指令和从电力供给部输出的交流电力来取得与功率元件有无故障相关的数据。在此，电动机驱动装置可以进一步具备温度计算部，该温度计算部基于对功率元件进行冷却的散热片的温度、电动机驱动装置的周围温度、从电动机驱动装置向交流电动机供给的电流的值、以及从电动机驱动装置向交流电动机施加的电压的值来计算功率元件的结温。另外，电动机驱动装置可以进一步具备温度传感器，该温度传感器测定功率元件的结温。另外，一种机器学习方法，其学习电动机驱动装置的功率元件的预测寿命，该电动机驱动装置通过功率元件的开关动作将直流电力变换为交流电力来提供给交流电动机，机器学习方法具备：状态观测步骤，其观测状态变量，该状态变量由与功率元件的开关次数相关的数据、与功率元件的结温相关的数据、以及与功率元件有无故障相关的数据构成；以及学习步骤，其按照基于状态变量而生成的训练数据集来学习功率元件的预测寿命。附图说明通过参照一下的附图，能够更加明确地理解本专利技术。图1是实施例的机器学习装置的原理框图。图2是表示实施例的机器学习方法的动作流程的流程图。图3是实施例的应用强化学习的机器学习装置的原理框图。图4是表示实施例的应用强化学习的机器学习方法的动作流程的流程图。图5是表示实施例的具备应用强化学习的机器学习装置的寿命预测装置以及具备该寿命预测装置的电动机驱动装置的原理框图。图6是表示计算某个电动机施加电压时的功率元件的结温的温度计算部的框图。图7是表示实施例的具备应用强化学习的机器学习装置的寿命预测装置的动作流程的流程图。图8是表示神经元模型的示意图。图9是表示具有D1～D3的三层权重的神经网络的示意图。图10是表示实施例的具备应用有教师学习的机器学习装置的寿命预测装置以及具备该寿命预测装置的电动机驱动装置的原理框图。具体实施方式以下，参照附图对学习功率元件的预测寿命的机器学习装置及方法以及具备该机器学习装置的寿命预测装置以及电动机驱动装置进行说明。然而，希望理解本专利技术并不限于附图或以下说明的实施方式。图1是实施例的机器学习装置的原理框图。以下，在不同的附图中赋予相同参照符号的部分意味着具有相同功能的结构要素。在驱动交流电动机的电动机驱动装置中，通过逆变器将直流电力变换为交流电力后来供给用于驱动交流电动机的驱动电力。逆变器例如由PWM逆变器等这样的具有功率元件(半导体开关元件)以及与该功率元件逆并联连接的二极管的开关部的电桥电路构成，通过对功率元件进行接通断开驱动来将直流电力变换为交流电力后输出到交流电动机侧。实施例的机器学习装置1构成为学习电动机驱动装置的功率元件的预测寿命，该电动机驱动装置通过功率元件的开关动作将直流电力变换为交流电力后提供给交流电动机。功率元件的寿命(开关次数)由功率元件动作时结温和基础温度之间的差(功率循环)来决定。功率元件的结温是指功率元件内的功率半导体芯片与焊接部之间的接合部分的温度。另外，基础温度是指为了冷却功率元件与外部进行热连接的部分的温度，也称为散热片温度。结温与基础温度之间的差根据电动机驱动装置的运行条件和周围温度而发生变化。因此，在本本文档来自技高网...

【技术保护点】
一种机器学习装置，其学习电动机驱动装置的功率元件的预测寿命，所述电动机驱动装置通过所述功率元件的开关动作将直流电力变换为交流电力来提供给交流电动机，所述机器学习装置的特征在于，具备：状态观测部，其观测状态变量，该状态变量由与所述功率元件的开关次数相关的数据、与所述功率元件的结温相关的数据、以及与所述功率元件有无故障相关的数据构成；以及学习部，其按照基于所述状态变量而生成的训练数据集来学习所述功率元件的预测寿命。

【技术特征摘要】
2015.10.26 JP 2015-2101271.一种机器学习装置，其学习电动机驱动装置的功率元件的预测寿命，所述电动机驱动装置通过所述功率元件的开关动作将直流电力变换为交流电力来提供给交流电动机，所述机器学习装置的特征在于，具备：状态观测部，其观测状态变量，该状态变量由与所述功率元件的开关次数相关的数据、与所述功率元件的结温相关的数据、以及与所述功率元件有无故障相关的数据构成；以及学习部，其按照基于所述状态变量而生成的训练数据集来学习所述功率元件的预测寿命。2.根据权利要求1所述的机器学习装置，其特征在于，基于对所述功率元件进行冷却的散热片的温度、所述电动机驱动装置的周围温度、从所述电动机驱动装置向所述交流电动机供给的电流的值、以及从所述电动机驱动装置向所述交流电动机施加的电压的值来计算所述功率元件的结温。3.根据权利要求1所述的机器学习装置，其特征在于，所述学习部具备：回报计算部，其基于所述功率元件的开关次数以及所述功率元件有无故障来计算回报；函数更新部，其基于所述状态变量以及所述回报来更新用于计算所述功率元件的预测寿命的函数。4.根据权利要求3所述的机器学习装置，其特征在于，所述回报计算部在所述功率元件的开关次数超过所述规定次数时减少回报。5.根据权利要求3所述的机器学习装置，其特征在于，所述回报计算部在所述功率元件的开关次数未超过所述规定次数的情况下，在发生了所述功率元件的故障时减少回报。6.根据权利要求3至5中的任意一项所述的机器学习装置，其特征在于，所述函数更新部基于所述状态变量以及所述回报，按照神经网络模型来更新用于计算所述功率元件的预测寿命的函数。7.根据权利要求1或2所述的机器学习装置，其特征在于，所述学习部具备：误差计算部，其基于所述状态变量来计算误差；学习模型更新部，其基于所述状态变量以及所述误差来更新用于计算所述功率元件的预测寿命的学习模型。8.根据权利要求1至7中的任意一项所述的机器学习装置，其特征在于，所述学习部构成为按照针对多个电动机驱动装置取得的所述训练数据集来学习所述功率元件的预测寿命。9.一种电动机驱动装置内的功率元件的寿命预测装置，其具备权利要求1至...

【专利技术属性】
技术研发人员：渡边正人，松本康之，
申请(专利权)人：发那科株式会社，
类型：发明
国别省市：日本;JP