アンサンブル学習モデルによる電動機の過大電磁騒音発生リスク判定

カテゴリ: 部門大会

論文No: TC6-3

グループ名: 【C】2024年電気学会電子・情報・システム部門大会

発行日: 2024/08/28

タイトル(英語): Determination of Electric Motor’s Excessive Electromagnetic Noise Generation Risk via Ensemble Learning Model

著者名: 小山田 将亜（TMEIC）,吉武 翔（TMEIC）,若杉 直（TMEIC）,國松 禎明（熊本大学）,水本 郁朗（熊本大学）

著者名(英語): Masatsugu Oyamada (TMEIC Corporation),Sho Yoshitake (TMEIC Corporation),Sunao Wakasugi (TMEIC Corporation),Sadaaki Kunimatsu (Kumamoto University),Ikuro Mizumoto (Kumamoto University)

キーワード: アンサンブル学習|電動機|実データ|電磁騒音|リスク判定|Ensemble learning|Electric motor|Real data|Electromagnetic noise|Risk determination

要約(日本語): 電動機は使用される環境に応じて，要求される騒音レベル（静音性）は異なるが，近年では低騒音の電動機のニーズが高まってきている。電動機の騒音は，機械的な音と通電することによって鉄心に作用する電磁力に起因する電磁気的な音に大別される。機械的な音は電動機の回転数，構造物の大きさや形状に依存し，ある程度の精度で騒音値を予測することが可能である。一方，電磁気的な音は電磁気的な設計諸元だけではなく，構造物の機械的性質にも依存し，相関性の複雑さから騒音値の予測が容易ではない。そこで，先行研究では産業用に広く採用されている誘導電動機について，特に聴覚的に耳障りな高周波の電磁騒音が過大となるリスクを，電動機の実データ約2000件を教師データとして各種機械学習によって判定する手法を比較検討した。本研究では，リスク判定式の再検討と損失関数の重み導入による誤判定リスクの低減について検討した結果を報告する。