電気自動車用インバーター故障診断の革新：CGAN-CNNハイブリッドモデル

グローバルな自動車産業が電動化への移行を加速させる中、電気自動車（EV）のパワートレインにおける信頼性と安全性が重要な工学的課題となっている。三相インバーターは、バッテリーからの直流電流をモーター駆動用の交流に変換する核心部品であるが、動作環境の厳しさから電力半導体スイッチの故障リスクが顕在化している。故障データの希少性と不均衡という現実的制約下における診断精度の向上が喫緊の課題だった。

南京理工学院自動化学部の孫権、彭飛、李宏生、于祥海らと南京航空航天大学自動化学院の孫国棟氏による共同研究チームは、条件付き敵対的生成ネットワーク（CGAN）と畳み込みニューラルネットワーク（CNN）を融合した新しい診断フレームワークを開発した。このハイブリッドアプローチは、自動車分野の予知保全における最大の課題である故障サンプルの不足を解消する画期的な手法として注目されている。

実運用環境におけるIGBTの開放故障はミリ秒単位で発生し、保護回路が作動するためデータ収集が困難である。従来のSMOTEや標準GANでは高次元故障信号の微細な分布特性を再現できず、診断モデルの精度低下を招いていた。研究チームは特定の故障モードを条件付け可能なCGANを採用し、7つの動作状態（正常状態と6種類のIGBT開放故障）を対象にデータ生成を最適化した。

実験ではブラシレスDCモーター（550、650、750rpm）の三相電流波形を取得後、高速フーリエ変換（FFT）で周波数領域に変換。正規化処理を施したスペクトルデータをCGANの入力として使用した。生成器は3つの畳み込み層と全結合層で構成され、実データの統計的特性を模倣した高精度な合成サンプルを生成。識別器は2つの畳み込み層、プーリング層、全結合層で真偽判別を行い、Adamオプティマイザーによる100エポックの学習で安定した敵対的均衡を達成した。

合成データで増強した4種類のデータセット（A1～A4）を用いた検証では、深刻なデータ不均衡（A3）において診断精度が91.4%に低下したが、CGANによるデータ補完（A4）で98.97%まで回復。SMOTE（95.31%）や標準GAN（96.88%）を大きく上回る性能を示した。特に三相システムの対称性に起因するT6とT2故障の誤分類問題をCGANが効果的に緩和し、特徴空間のt-SNE可視化でも実データとの分布整合性が確認された。

技術的意義として、既存の車載電流センサーデータを活用するため追加ハードウェアが不要な点が挙げられる。FFT前処理はマイクロコントローラで容易に実装可能で、クラウド連携による診断システムへの展開性も高い。ISO 26262などの機能安全規格で要求されるASILレベルの達成にも寄与する可能性がある。

学術的貢献としては、物理的挙動を考慮した合成データ生成と時系列分類向け1D-CNNの最適化が特徴的だ。従来のルールベース診断や物理シミュレーションに比べ、データ駆動型アプローチの汎用性を大幅に向上させた。BLDCMプラットフォームでの検証結果は、高級EVで多用されるPMSMへの転用が可能な設計思想と言える。

産業界への影響は計り知れない。OEM各社が注力するOTA更新や予知保守プラットフォームにおいて、故障モデルの品質向上が期待される。中国の国家自然科学基金や江蘇省スマート配電網共同研究センターからの支援も、国家戦略としてのEV産業育成を反映している。

今後の課題として、多重故障シナリオへの対応や経年劣化の追跡機能の追加が想定される。異なる車載プラットフォームや環境条件への適応性向上も重要な研究テーマとなる。ただし、ブラックボックス化を避け、物理計測データを基盤とする透明性の高いモデル設計が維持される点が実用化の鍵となる。

本研究は機械学習の理論的進化と工学的実用性の両立を体現した好例である。電力変換分野の専門家と自動化システムの研究者が連携し、中国の技術標準化競争力を強化する成果と言えるだろう。自動車産業のデジタル変革において、このような学際的アプローチが更なる突破口を開くと期待される。

孫権、彭飛、李宏生、于祥海
南京理工学院自動化学部、南京市 211167
孫国棟
南京航空航天大学自動化学院、南京市 211106
Journal of Power Supply, Vol. 22, No. 6, November 2024
DOI: 10.13234/j.issn.2095-2805.2024.6.318