top of page

HowTo

EMSOptimizerとAIエージェントで進める電気機器の設計最適化

最適化計算の基本を,設計変数・目的関数・制約条件の例から説明します。EMSOptimizerによる候補の探索と,AIによる条件整理,評価処理の作成,結果の考察を組み合わせ,電気機器の設計検討へ使う流れを紹介します。評価の仕様と履歴を残し,次の最適化へ再利用する方法も扱います。

H. Kaimori

はじめに

「平均トルクを維持しながらリプルを小さくしたい」と考えても,それだけでは最適化の入力は決まりません。どの寸法を変更し,どの運転点で評価し,何を制約として守るかを整理する必要があります。

EMSOptimizerとAIエージェントを組み合わせると,この問題設定から実行準備,探索結果の比較まで支援を受けられます。当社でも,AIの支援を利用した最適化を経験しています。本記事では,役割分担と進め方を紹介します。

最適化計算とは,どのような計算か

最適化計算は,変更できる条件を動かし,守るべき条件を満たす範囲で,目的の指標がよくなる候補を探す計算です。例えば,モータの寸法を変えながら解析し,必要な平均トルクを維持して,トルクリプルが小さくなる形状を探します。

手作業でも,寸法を変え,計算し,結果を見て次の変更を考えます。数理最適化では,この候補の選び方をアルゴリズムに従って進め,各候補を共通の評価方法で比較します。主に次の三つを設定します。

用語

意味

トルクリプル低減の説明例

設計変数

変更できる量と,その範囲

磁石やティースなどの寸法・形状のパラメータ

目的関数

よくしたい性能を数値で評価する方法

同じ運転点・評価区間で求めたトルクリプル

制約条件

候補が守る必要のある条件

平均トルクの下限,最小厚さ,空隙など

候補を作る,解析する,評価する,次の候補を選ぶ,という反復が基本になります。終了条件や計算予算に応じて探索を止め,その中で得た有望な候補を再評価します。手法や問題設定によっては大域的な最良解が保証されるわけではなく,解析精度や評価方法の妥当性も結果に関わります。

最適化手法,単目的・多目的の違い,制約の扱いなどの詳細は,別の入門記事で説明する予定です。本記事では,この計算をEMSOptimizerとAIエージェントでどのように準備し,利用するかに焦点を当てます。

図1:目的・変数・制約を整理し,候補の生成と解析・評価を反復する流れ。終了後に候補を再評価します。

図1:目的・変数・制約を整理し,候補の生成と解析・評価を反復する流れ。終了後に候補を再評価します。

最適化ツールとAI,それぞれの役割

EMSOptimizerは,設定された設計変数,評価関数,制約条件に基づいて数値探索を進めます。電気機器の形状・パラメータを扱う最適化や,Pythonプラグインによる拡張に対応しています。

AIエージェントは,設計者の意図を設定に落とし込むための相談,ドキュメントや既存設定の確認,スクリプト作成,ログや結果の整理を支援します。どの方法を採用するかは,対象バージョンと既存の連携例を確認して決めます。

「よい設計」を,評価できる条件にする

トルクリプル低減を例にすると,変更できる寸法とその範囲,平均トルクの下限,最小厚さや空隙の制約などを整理します。リプルの定義,評価区間,運転点も統一します。異なる定義で計算した値を比較しても,探索結果の意味はそろいません。

AIには,次のように相談できます。

平均トルクを維持しながら,トルクリプルを減らす最適化を考えています。既存モデルと評価スクリプトを確認し,目的関数,制約条件,設計変数の候補を整理してください。不足している設計条件と,技術者が判断すべき項目を先に示してください。

AIが提案した値をそのまま採用するのではなく,設計要求や基準モデルの結果を根拠にして確定します。

小さな確認から探索へ進む

最適化の前に,基準モデルを一件評価します。次に設計変数を少し変更し,形状の更新,メッシュ,解析,評価値の抽出がつながるかを確認します。形状不成立や解析失敗を,優れた候補と誤認しない扱いも用意します。

探索後は,目的関数の順位だけでなく,制約の達成,形状の成立,解析の収束,基準モデルとの比較を確認します。選んだ候補は改めて評価し,必要な精度の確認を進めます。探索で得た候補を,そのまま製品設計の確定値とはしません。

自社の評価指標に合わせて広げる

電磁力の特定次数,材料量,独自の製造制約など,設計で重視する指標は案件ごとに異なります。既存の評価処理やPythonプラグインを使い,追加した評価値を探索に利用する構成を検討できます。

熱・構造の結果も判断材料にしたい場合は,別途評価する方法と,最適化ループへ組み込む方法を分けて考えます。eMachineSimとの自動連携がすべて標準で利用できるという意味ではありません。個別の連携方法,対応範囲,計算コストを確認して進めます。

AIと相談して決める部分,プログラムで繰り返す部分

最適化には,設計要求を相談する仕事と,多数の候補を同じ方法で評価する仕事があります。例えば,どの寸法を変えるか,どの運転点を守るかは,設計者とAIが情報を整理して決めます。その後の各候補の計算は,決めた手順と定義をプログラムで繰り返す構成にできます。

候補ごとに形状や条件を更新し,解析を実行し,評価値を取り出す処理をPythonにまとめると,EMSOptimizerが呼び出す評価の入口を整えやすくなります。AIには,その実装,現行の設定例との対応,失敗した候補のログ確認などを支援してもらいます。

例えば,基準ケースで確認したトルク集計処理を,各候補の出力にも使います。最適化の途中で評価区間やリプルの意味を変えず,変更が必要なら評価方法の版を分けて比較し直します。同じ数値でも定義が異なる結果を一つの探索履歴へ混ぜないためです。

評価スクリプトを,次の最適化にも使えるようにする

再利用を考える場合,形状を更新する部分,解析を呼ぶ部分,結果を評価する部分を区別すると,変更箇所を整理できます。別のモータへ展開するときは形状の処理を変更し,同じ形式のトルク出力なら集計の部分を再利用する,という構成です。

ただし,同じ処理名でも前提が共通とは限りません。運転点,部分モデルの換算,計算区間,電流や角度の定義が一致するかを確認します。READMEには,使える入力,設定する変数,評価値の定義,解析失敗時の扱い,確認した製品の版を残します。

AIへ「この評価処理を今回の最適化へ使えるか調べてください」と依頼するとき,この説明が判断の入口になります。前の会話や作成者の記憶に頼らず,変更する箇所と再確認すべき条件を整理できます。

新しい評価を追加しても,基準とのつながりを保つ

例えば,平均トルクとリプルの評価に,特定の電磁力成分を加えたい場合があります。既存の解析出力から取得できるか,追加解析が必要かを調べ,値の定義と単位を決めます。最初は少数の候補で計算し,その評価が設計上どのような意味を持つか確認します。

新しい処理を追加した際は,従来の評価値が意図せず変わっていないかも確認します。出力と入力の対応を残しておけば,評価だけを再実行できる場合があります。AIには,必要な再計算と,保存した結果から再評価できる部分を分けてもらいます。

作った評価処理と使い方を残すことにより,最適化の成果は一つの候補形状に加え,次の設計検討で使える手順としても蓄積できます。採用するツールの機能と,個別に実装した処理の範囲を説明できるようにしておくことも重要です。

評価関数の入出力仕様には,設計変数と単位,返す評価値の順序・定義,解析失敗時の扱いを記載します。機能を変更したときは,どの版から評価方法が変わったかを履歴へ残し,探索結果へ使用したコードの版を対応づけます。同じ名称の評価値でも定義を変えた前後は,条件を確認して比較します。

結果だけでなく,設計上の知見を残す

AIには,採用候補と不採用候補の違い,制約に近づいた項目,未確認の運転点も整理してもらいます。設定,評価スクリプト,ログ,結果を残すことで,次の検討でも同じ前提から議論できます。

本記事のトルクリプル低減は説明用の題材です。実際のモデル,探索条件,改善量は,確認できた事例を追って掲載する予定です。

問題設定の経験も,再利用する情報になる

最適化を何度か行うと,探索の前に確認しておくと役立つ事項が見えてきます。例えば,変更できない寸法,形状が成立しなくなる条件,評価に必要な運転点,製造側へ確認する項目です。こうした情報を,適用できる範囲と根拠を付けて残します。

次の案件では,AIに既存の評価スクリプトと説明を読ませ,「今回も同じ前提か」「新しく決める条件は何か」を整理してもらえます。前回の最適解をそのまま使うのでなく,問題を組み立てるための情報を活かす使い方です。

汎用的な最適化ツールを,自分たちのモデルや評価方法へ合わせられることは,こうした蓄積にもつながります。

まとめ

  • AIとの対話で設計意図を整理し,EMSOptimizerで数値探索を進めます。

  • 基準ケースと小さな変更を確認してから,探索を広げます。

  • 独自評価の追加や他分野の評価は,対応範囲と検証方法を決めて実装します。

参考資料

関連記事

bottom of page