CN106557070B - 机器学习装置、电动机控制装置、加工机及机器学习方法 - Google Patents

机器学习装置、电动机控制装置、加工机及机器学习方法 Download PDF

Info

Publication number
CN106557070B
CN106557070B CN201610872792.0A CN201610872792A CN106557070B CN 106557070 B CN106557070 B CN 106557070B CN 201610872792 A CN201610872792 A CN 201610872792A CN 106557070 B CN106557070 B CN 106557070B
Authority
CN
China
Prior art keywords
processing
motor
temperature
machine
period
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610872792.0A
Other languages
English (en)
Other versions
CN106557070A (zh
Inventor
大原卓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fanuc Corp
Original Assignee
Fanuc Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fanuc Corp filed Critical Fanuc Corp
Publication of CN106557070A publication Critical patent/CN106557070A/zh
Application granted granted Critical
Publication of CN106557070B publication Critical patent/CN106557070B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
    • G05B19/4083—Adapting programme, configuration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39166—Coordinate activity by sending pheromone messages between robots, no central control
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Numerical Control (AREA)
  • Control Of Electric Motors In General (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种机器学习装置、电动机控制装置、加工机及机器学习方法。机器学习装置具备状态观测部和学习部。状态观测部在重复的加工动作中观测至少由预先设定的加工暂停时间和加工机的实际的一周期的加工时间以及电动机的温度构成的状态变量。并且，学习部基于所述状态变量和过热警报等级来学习选择最短的加工暂停时间的价值，该最短的加工暂停时间满足在执行了重复加工动作时电动机的卷线温度不超过该过热警报等级。

Description

机器学习装置、电动机控制装置、加工机及机器学习方法
技术领域
本发明涉及一种机器学习装置、电动机控制装置、加工机以及机器学习方法，特别是涉及一种使加工机的周期加工时间最优化的机器学习装置，具备该机器学习装置的电动机控制装置、加工机以及机器学习方法。
背景技术
当使电动机进行动作时，电动机的卷线温度上升。并且，在从使电动机进行动作开始经过某个时间时，卷线的温度饱和从而维持高温(以下，将此时的温度称为“饱和温度”)。然后，当在这样的饱和温度的卷线超过了耐热温度的状态下持续施加电流时，会有电动机的卷线烧毁的危险性。另外，即使在卷线的温度不饱和的状态下，当卷线超过耐热温度时，也有电动机的卷线损伤的危险性。
因此，在电动机的驱动控制中，与以往相比，监视卷线的温度，在卷线的温度超过了预先设定的温度阈值时中止向卷线施加电流来防止卷线烧毁或损伤(例如，参照日本特开2013-70485号公报)。此外，上述的温度阈值被称为“过热警报等级”。
另外，在加工机中，在使工具旋转的主轴部中采用了电动机，因此将主轴部的电动机温度控制为不满过热警报等级来防止电动机的故障。
特别是在加工机中，当不断重复某个决定的加工模式的加工动作时，电动机的卷线超过耐热温度，因此在一周期的加工动作时间之后设定加工暂停时间。即，在加工暂停时间中，电动机控制装置不向电动机的卷线施加电流。此外，在本说明书中，将上述的加工动作时间和加工暂停时间的合计时间称为“一周期的加工时间”。
然而，当在电动机控制装置中要设定上述那样的加工暂停时间时，需要作业者一边实际地使加工机进行动作一边反复试错，从而求出满足电动机的卷线温度不超过警报等级这样的条件的最短的加工暂停时间。另外，在加工暂停时间的设定不正确时，会导致电动机的卷线的烧毁、加工机的工作效率降低。因此，作业者花费大量的劳力和时间来正确地求出上述加工暂停时间。
发明内容
本发明提供了一种不依靠作业者来求出上述加工暂停时间的机器学习装置、电动机控制装置、加工机以及机器学习方法。
根据本发明的第一方式，提供一种机器学习装置，其决定由加工机的一周期的加工动作时间和加工暂停时间组成的一周期的加工时间内的加工暂停时间，以使执行加工机的重复的加工动作的电动机的温度不超过预先决定的温度阈值，该机器学习装置具备：
状态观测部，其在重复的加工动作中观测状态变量，该状态变量包含加工机的实际的一周期的加工时间以及电动机的温度中的至少一个和加工暂停时间；以及
学习部，其基于状态变量和温度阈值来学习选择最短的加工暂停时间的价值，该最短的加工暂停时间满足在执行了重复的加工动作时电动机的温度不超过温度阈值。
根据本发明的第二方式，提供一种机器学习装置，其在第一方式的机器学习装置中还具备：意图决定部，其决定在控制电动机的电动机控制装置中应该设定的加工暂停时间。
根据本发明的第三方式，提供一种机器学习装置，其在第一方式或第二方式的机器学习装置中，学习部具备：回报计算部，其基于状态变量中的一周期的加工时间和电动机的温度来计算回报；函数更新部，其基于回报来更新价值函数，该价值函数表示选择最短的加工暂停时间的价值。
根据本发明的第四方式，提供一种机器学习装置，其在第三方式的机器学习装置中，函数更新部具有将状态变量和价值函数对应起来的行为价值表，基于回报来更新行为价值表。
根据本发明的第五方式，提供一种机器学习装置，其在第四方式的机器学习装置中，回报计算部在相比于行为价值表中最低的价值函数所对应的一周期的加工时间，由状态观测部观测到的一周期的加工时间减少的情况下，基于执行了重复的加工动作时的电动机的温度与温度阈值之间的差来增加回报，
回报计算部在相比于行为价值表中最低的价值函数所对应的一周期的加工时间，由状态观测部观测到的一周期的加工时间增加的情况，以及在执行了重复的加工动作时电动机的温度达到了温度阈值的情况下，减少回报。
根据本发明的第六方式，提供一种电动机控制装置，其具备第一方式至第五方式中的任意一方式的机器学习装置。
根据本发明的第七方式，提供一种加工机，其具备第六方式的电动机控制装置。
根据本发明的第八方式，提供一种机器学习方法，其决定由加工机的一周期的加工动作时间和加工暂停时间组成的一周期的加工时间内的加工暂停时间，以使执行加工机的重复的加工动作的电动机的温度不超过预先决定的温度阈值，该机器学习方法
在重复的加工动作中观测状态变量，该状态变量包含加工机的实际的一周期的加工时间以及电动机的温度中的至少一个和加工暂停时间；
基于状态变量和温度阈值来学习选择最短的加工暂停时间的价值，该最短的加工暂停时间满足在执行了重复的加工动作时电动机的温度不超过温度阈值。
通过本发明的第一方式至第八方式，不依靠作业者来在电动机控制装置中决定满足在使加工机执行了重复的加工动作时电动机的卷线温度不超过预定的温度阈值这样的条件的最短的加工暂停时间。由此，能够削减在电动机控制装置中设定加工暂停时间时的作业者的劳力和时间。
根据附图所示的本发明的典型的实施方式的详细说明，本发明的这些目的、特征和优点以及其他的目的、特征和优点变得更加明确。
附图说明
图1是表示本发明一实施方式的加工机的结构的框图。
图2是表示在执行了重复的加工动作时的电动机的卷线的温度的随时间变化、由加工动作时间A和加工暂停时间B组成的一周期的加工时间T的曲线图。
图3用于说明本发明的一实施方式的机器学习装置的学习范围。
图4是表示神经元的模型的示意图。
图5是表示三层的神经网络模型的示意图。
图6用于说明引用了Q学习的电动机控制装置(环境)和机器学习装置(智能体)的状态和行为。
图7是用于说明图1所示的机器学习装置的动作步骤的流程图。
具体实施方式
以下，参照附图来说明本发明的实施方式。在以下的附图中，对相同的部件赋予相同的参照符号。为了容易理解，将这些附图适当地变更比例尺。另外，附图所示的方式只是用于实施本发明的一个例子，本发明并不限于图示的方式。
图1是表示本发明的一个实施方式的加工机的结构的框图。
图1所示的加工机10具备使在加工机10的主轴部上安装的钻头等工具旋转的电动机11、控制电动机11的电动机控制装置12、测定电动机11的卷线温度的温度传感器13、测定流过电动机11的电流的电流传感器14、测定电动机11的转速的速度传感器15。
优选上述的加工机10是NC机床或加工用机器人。电动机11例如是在加工机10的主轴部上设置的伺服电动机。优选温度传感器13为热敏电阻。优选速度传感器15是基于电动机11的旋转数来测定电动机11的转速的脉冲编码器。
电动机控制装置12从预先存储的动作程序读出动作指令值，并按照动作指令值来控制电动机11。特别是在本实施方式的电动机控制装置12中，预先存储了用于使用通过电动机11而进行旋转的工具来执行重复加工动作的动作程序。
此外，“重复加工动作”是指重复进行某个决定的加工图案的加工动作，例如重复进行通过主轴部的钻头在工件上挖掘一定深度的孔这样的加工。因此，在上述的动作程序中，写入了在某个决定的加工图案的加工动作中的钻头等的工具的旋转数(转速)和加工位置数据等。
为了确认电动机11是否按照上述动作程序进行了动作，向电动机控制装置12发送由电流传感器14测定到的电动机11的电流值。另外还向电动机控制装置12发送由速度传感器15测定到的电动机11的转速值。电动机控制装置12通过从电流传感器14取得电动机11的电流值，能够监视并控制在加工动作中施加给工具的负载扭矩。并且，电动机控制装置12通过从速度传感器15取得电动机11的转速，能够监视并控制加工动作中的工具的转速。
但是，在执行了上述那样的重复加工动作时，由于在电动机11中不断地施加电流，因此有可能造成电动机11的卷线超过耐热温度，产生卷线的烧毁或损坏。因此，如背景技术中所说明的那样，需要在一个周期的加工动作时间之后设定加工暂停时间，以使电动机11的卷线温度不超过过热警报等级。另外，需要在用于执行上述重复的加工动作的动作程序中决定这样的加工暂停时间。
图2表示在执行了重复加工动作时由温度传感器13测定到的电动机11的卷线温度的随时间变化、由加工动作时间A和加工暂停时间B组成的一周期的加工时间T。
如图2所示，在重复一周期的加工时间T时，电动机11的卷线温度重复上升和下降。另外，越是缩短加工暂停时间B，电动机11的卷线温度降低量越低，越是增长加工暂停时间B，加电动机11的卷线温度降低量越是增加。因此，在加工暂停时间B过短时，会存在在预定次数的重复加工动作完成之前电动机11的线圈温度达到过热警报等级P的情况。另一方面，加工暂停时间B越长，即便使加工机10执行预定次数的重复加工动作，电动机11的卷线温度也难以达到过热警报等级P。但是，将加工暂停时间B变得越长，在执行了预定次数的重复加工动作时的加工机10的运转时间越增加。在本实施方式中，以加工机10重复进行相同的加工动作的情况作为前提，所以各加工动作时间A几乎不变。
根据以上的实际情况，需要求出最短的加工暂停时间B，该最短的加工暂停时间B满足使加工机10执行重复的加工动作时电动机11的卷线温度不超过过热警报等级P。
本发明通过机器学习方法，例如后述的Q学习来求出这样的加工暂停时间B的最佳值。
在此，本实施方式的加工机10具备机器学习装置16，其能够通过机器学习求出在执行重复加工动作时的加工暂停时间B的最佳值，并将其设定在电动机控制装置12中。
图3用于说明本实施方式的机器学习装置16的学习范围。如图3中直线G所示，与加工暂停时间B的长度成比例，一周期的加工时间T上升。另一方面，如图3中的曲线H所示，随着加工暂停时间B变长，电动机11的卷线温度降低。执行重复加工动作时的加工暂停时间B的最佳值对应于直线G和曲线H的交点。然后，本实施方式的机器学习装置16如图3中的曲线I所示，对于加工暂停时间B的变更，改变给予的回报。
具体来说，本实施方式的机器学习装置16如图1所示，具备状态观测部17、学习部18、意图决定部22。
状态观测部17在执行重复加工动作的期间，观测状态变量，该状态变量包含加工机10的实际的一周期的加工时间T以及电动机11的温度中的至少一个和由意图决定部22决定的加工暂停时间B。
从意图决定部22向状态观测部17输出上述的加工暂停时间B。从电动机控制装置12向状态观测部17输出实际的一周期的加工时间T。从温度传感器13向状态观测部17输出电动机11的卷线温度。
此外，从电动机控制装置12向状态观测部17输出的“实际的一周期的加工时间T”是图2所示的实际的一周期的加工动作时间A和该加工动作时间A后续的实际的加工暂停时间B的总和时间(T＝A+B)。
加工动作时间A相当于在按照动作程序工具进行加工动作时实际花费的加工时间。并且，加工暂停时间B相当于电动机控制装置12按照由机器学习装置16的意图决定部22指令的加工暂停时间B停止向电动机11供电的时间。
然后，学习部18基于上述的状态变量和过热警报等级P，对选择最短的加工暂停时间B的价值进行学习，该最短的加工暂停时间B满足在执行了重复加工动作时电动机11的卷线温度不超过过热警报等级P。
此外，优选向上述的学习部18连接过热警报等级输入部21。使向学习部18输入的过热警报等级为针对持续向电动机11施加连续额定时间的电流时的电动机11的卷线的饱和温度估算了富裕值的温度阈值。这里所说的“连续额定时间的电流”意味着在电动机11的卷线不过热的情况下能够向卷线连续施加的最大电流值。
并且，意图决定部22在学习部18的机器学习结束后，决定与学习部18取得的多个价值中的最高的价值对应的加工暂停时间B，并向电动机控制装置12发送决定的加工暂停时间B。但是，意图决定部22在机器学习过程中随机决定加工暂停时间B来发送给电动机控制装置12。
另外，本实施方式的学习部18如图1所示，具备回报计算部19和函数更新部20。
回报计算部19基于上述的状态变量中的加工机10的实际的一周期的加工时间T和电动机11的卷线的温度来计算回报。在图1中，表示了在学习部18内设置了回报计算部19的方式，但是回报计算部19也可以设置在学习部18之外。
函数更新部20基于回报来更新价值函数，该价值函数表示选择上述最短的加工暂停时间B的价值。
在这里对机器学习装置16进行详细说明。机器学习装置16具有如下功能：通过解析从在装置中输入的数据的集合中抽出其中某个有用的规则或知识表现、判断基准等，输出其判断结果，并且进行知识的学习。该方法各种各样，但是大体上分为“有教师学习”、“无教师学习”、“强化学习”。并且，具有在实现这些方法的基础上，对特征量自身的抽出进行学习的被称为“深层学习”的方法。
“有教师学习”是指，能够通过大量地向学习装置赋予某个输入和结果(标签)的数据的组合，来学习这些数据组具有的特征，从而归纳性地获得根据输入推定结果的模型，即其关系性。该“有教师学习”能够使用后述的神经网络等算法来实现。
“无教师学习”是指如下方法：通过大量地向学习装置仅赋予输入数据，来学习输入数据怎样分布，即使不赋予对应的教师输出数据，也可学习针对输入数据进行压缩、分类、整形等的装置。能够按照彼此相似来对这些数据组所具有的特征进行分类。使用该结果，设置某种基准来进行使该基准成为最佳的输出的分配，由此能够实现输出的预测。另外，作为“无教师学习”和“有教师学习”中间的问题设定，具有被称为“半有教师学习”的方法，仅存在一部分的输入和输出的数据的组合，除此之外仅为输入的数据的情况相当于该“半有教师学习”。在本实施方式中，能够通过无教师学习来利用即使不实际使加工机进行工作也能够取得的数据，并高效地进行学习。
如下那样设定强化学习的问题。
·加工机观测环境的状态，决定行为。
·环境按照某个规则进行变化，并且有时自己的行为对环境给予变化。
·在每次发生行为时返回回报信号。
·期望最大化的是将来的(折扣)回报的总和。
·从完全不知道或者不完全知道行为引起的结果的状态起开始学习。加工机实际进行动作后才能够得到该结果来作为数据。即，需要一边试错一边探索最佳的行为。
·以模仿人的动作的方式将事先学习(上述的有教师学习、或称为逆强化学习的方法)的状态作为初始状态，能够从好的开始地点起开始进行学习。
“强化学习”是指如下的方法：不仅学习判定和分类，还学习行为，基于行为对环境赋予的相互作用来学习适当的行为，即进行用于使将来得到的回报成为最大的学习。这种情况在本实施方式中，表示为能够获得对未来产生影响的行为。例如在为Q学习的情况下继续进行说明，但是并不限于此。
Q学习是在某环境状态s下，对选择行为a的价值Q(s、a)进行学习的方法。即，在某状态s时，选择价值Q(s、a)最高的行为a来作为最佳的行为即可。但是，最初对于状态s和行为a的组合，完全不知道价值Q(s、a)的正确值。因此，智能体(行为主体)在某状态s下选择各种行为a，针对此时的行为a赋予回报。由此，智能体学习了更好的行为选择，即学习了正确的价值Q(s、a)。
作为行为的结果，期望使将来得到的回报的总和最大化，因此以最终成为Q(s，a)＝E[Σγtrt]为目标(对于按照最佳的行为进行了状态变化的时候得到期待值。当然，因为不清楚这些，所以必须一边探索一边学习)。这样的价值Q(s、a)的更新式例如能够通过下式来表示。
(式1)
在此，st表示时刻t的环境状态，at表示时刻t的行为。通过行为at，状态变化为st+1。rt+1表示通过该状态的变化而得到的回报。另外，带有max的项是在状态st+1下，在选择了此时知道的Q值最高的行为a时的Q值乘以γ的项。γ是0＜γ≤1的参数，被称为折扣率。a是学习系数，范围是0＜α≤1。
该式子表示基于作为尝试at的结果而返回的回报rt+1，对状态st下的行为at的评价值Q(st、at)进行更新的方法。表示了与状态s下的行为a的评价值Q(st、at)相比，如果基于回报rt+1+行为a的下一个状态下的最佳的行为max a的评价值(st+1、max at+1)大，则增大Q(st、at)，反之如果小，则减小Q(st、at)。即，使某种状态下的某种行为的价值接近基于作为结果立即返回的回报和该行为的下一个状态下的最佳的行为的价值。
关于Q(s、a)在计算机上的表现方法，具有针对全部的状态行为对(s、a)，将该值作为表(行为价值表)进行保存的方法、准备对Q(s、a)进行近似的函数的方法。在后者的方法中，上述的更新式能够通过使用随机梯度下降法等方法调整近似函数的参数来实现。作为近似函数，能够使用后述的神经网络。
作为有教师学习、无教师学习、以及强化学习中的价值函数的近似算法，能够使用神经网络。神经网络例如由实现神经网络的运算装置以及存储器等构成，该神经网络模拟图4所示的神经元模型。图4是表示神经元模型的示意图。
如图4所示，神经元输出与多个输入x(在此作为一个例子，为输入x1～输入x3)相对的输出y。对各输入x1～x3乘以与该输入x对应的权重w(w1～w3)。由此，神经元输出下式表现的输出y。此外，输入x、输出y以及权重w全是矢量。
(式2)
在这里，θ为偏置，fk为激活函数。
接着，参照图5对具有将上述神经元进行组合后的三层的权重的神经网络进行说明。图5是表示具有D1～D3的三层权重的神经网络的示意图。
如图5所示，从神经网络的左侧输入多个输入x(在此作为一个例子，输入x1～输入x3)，从右侧输出结果y(在此作为一个例子，结果y1～结果y3)。
具体来说，关于输入x1～输入x3，针对三个神经元N11～N13分别乘以对应的权重来进行输入。将这些输入乘以的权重统一标记为w1。
神经元N11～N13分别输出z11～z13。将这些z11～z13统一标记为特征矢量z1，能够视为抽出了输入矢量的特征量的矢量。该特征矢量z1是权重w1和权重w2之间的特征矢量。
关于z11～z13，针对两个神经元N21、N22分别乘以对应的权重。将这些特征矢量乘以的权重统一标记为w2。
神经元N21、N22分别输出z21、z22。将这些统一标记为特征矢量z2。该特征矢量z2是权重w2和权重w3之间的特征矢量。
关于特征矢量z21、z22，针对三个神经元N31～N33分别乘以对应的权重来进行输入。将这些特征矢量乘以的权重统一标记为w3。
最后，神经元N11～N13分别输出结果y1～结果y3。
在神经网络的动作中，具有学习模式和价值预测模式，在学习模式中使用学习数据组来学习权重w，使用其参数在预测模式中进行加工机的行为判断(虽然为了方便记载为预测，但是能够进行检测、分类、推论等多种多样的任务)。
既能够即时学习在预测模式中实际运行加工机而得到的数据，并将该数据反映到下次的行为中(在线学习)，也能够使用预先收集的数据群来进行总结学习，以后一直使用该参数进行检测模式(批量学习)。在这中间，能够在每次积累了一定程度数据时间隔学习模式。
权重w1～w3能够通过误差逆传播法(反向传播)进行学习。误差的信息从右侧进入流向左侧。误差逆传播法是如下方法：针对各神经元调整(学习)各个权重，从而减小输入了输入x时的输出y和真实的输出y(教师)之间的差。
这样的神经网络可以在三层以上进一步增加层(称为深层学习)。能够阶段性地进行输入的特征抽出，仅从教师数据自动地获得返回结果的运算装置。
因此，在上述那样具备状态观测部17和学习部18等的机器学习装置16中，采用了一种机器学习方法即强化学习，例如Q学习。当然，可用于本发明的机器学习方法并不限于Q学习。例如在应用有教师学习时，价值函数与学习模型相对应，回报与误差相对应。
图6用于说明采用了上述的Q学习的电动机控制装置12(环境)和机器学习装置16(智能体)的状态和行为。
如图6所示，机器学习装置16(智能体)的行为决定一周期的加工时间T中的加工暂停时间B。并且，在电动机控制装置12(环境)的状态中，具有通过上述的行为间接地发生变化的状态、通过上述的行为直径发生变化的状态。在通过行为间接地发生变化的状态中，包含实际的一周期的加工时间T和电动机11的卷线温度。通过行为直接地发生变化的状态是在电动机控制装置12中应设定的加工暂停时间B。
此外，在上述的式(1)中使用的状态s对应于包含加工机10的实际的一周期的加工时间T以及电动机11的温度中的至少一个和由意图决定部22决定的加工暂停时间B的状态变量。另外，通过回报计算部19取得上述的回报γt+1。然后，函数更新部20基于回报γt+1来更新价值Q(st、at)，即价值函数。此时，函数更新部20优选在更新价值函数时，将价值Q(st、at)与状态s和行为a的每个组对应起来而生成行为价值表。
并且，意图决定部22在学习部10的机器学习结束后，参照上述的行为价值表来决定与最高价值相对应的加工暂停时间B。但是，意图决定部22在机器学习过程中随机决定加工暂停时间B并发送到电动机控制装置12。
此外，在图1中图示了机器学习装置16设置在电动机控制装置12外的方式，但是机器学习装置16也可以设置在电动机控制装置12内。或者，机器学习装置16也可以存在于云服务器(未图示)上。
其次，说明在本实施方式的加工机10中具备的机器学习装置16的动作的一个例子。图7是用于说明图1所示的机器学习装置16的动作步骤的流程图。
在开始机器学习时，首先，在步骤S11中，机器学习装置20的意图决定部22随机决定加工暂停时间B来作为指令值发送到电动机控制装置12。然后，将作为指令值的加工暂停时间B写入到电动机控制装置12内的用于执行重复加工动作的动作程序中。
接着，在步骤S12中，电动机控制装置12控制电动机11，使其按照设定了上述的加工暂停时间B的动作程序来执行重复加工动作。此外，在本实施方式中，设为进行预定次数的重复加工动作。
其次，在步骤S13中，机器学习装置20的状态观测部17在执行重复的加工动作的期间，观测至少由意图决定部22决定的加工暂停时间B、加工机10的实际的一周期的加工时间T以及电动机11的温度构成的状态变量。
此后，在步骤S14中，学习部18相对于函数更新部20内的行为价值表中与Q值最低的行为对应的实际的一周期的加工时间T，判断由状态观测部17观测到的一周期的加工时间T是否增加。
上述的函数更新部20内的行为价值表在后述的步骤S18中生成，但是在开始机器学习前，优选将尽可能低的Q值作为初期值来存储到行为价值表中。此外，这里所说的Q值是指通过上述的式(1)得到的价值函数，即价值Q(st、at)。
在上述的步骤S14中，在由状态观测部17观测到的一周期的加工时间T与函数更新部20内的行为价值表中与Q值最低的行为相对应的实际的一周期的加工时间T相比减少时，移动到步骤S15。
在步骤S15中，学习部18判断在重复加工动作中电机11的卷线温度是否达到了过热警报等级P。
在上述的步骤S15中电动机11的卷线温度没有达到过热警报等级P时，移动到步骤S16。
然后，在步骤S16中，学习部18的回报计算部19增加针对在上述步骤S11中决定了加工暂停时间B的行为的价值赋予的回报。即，增加上述的式(1)中的回报γt+1的值。此后，在步骤S18中，函数更新部20基于回报γt+1来将行为价值表与价值函数(价值Q(st、at))一起进行更新。
在上述的步骤S16的回报计算中，优选根据在执行了预定次数的重复加工动作时的最后的加工动作时间A结束时测定到的电动机11的卷线温度α(参照图2)与过热警报等级P之间的差，来减少回报的增加值。即，上述的卷线温度α与过热警报等级P之间的差越大，回报计算部19越减小回报的增加值。
另一方面，在上述的步骤S14中，当由状态观测部17观测到的一周期的加工时间T与函数更新部20的行为价值表中与Q值最低的行为相对应的实际的一周期的加工时间T相比增加时，移动到步骤S17。并且，在上述的步骤S15中，当电动机11的卷选温度达到过热警报等级P时也移动到步骤S17。
然后，在步骤S17中，学习部18的回报计算部19减少针对在上述步骤S11中决定了加工暂停时间B的行为的价值赋予的回报。即，减少上述的式(1)中的回报γt+1的值。此后，在步骤S18中，函数更新部20基于回报γt+1来将行为价值表与价值函数(价值Q(st、at))一起进行更新。
通过重复以上的步骤S11～步骤S18，学习部18持续更新行为价值表。
此外，在上述的机器学习结束后，意图决定部22优选参照上述的行为价值表来决定与最高价值对应的加工暂停时间B，并将其输出到电动机控制装置12。
另外，具备上述那样的机器学习装置16的加工机10在机器学习时实际通过电动机11使钻头等工具旋转，对固定在加工机10的作业台上的工件进行加工。此时，优选一边向工具以及工件供给切屑液等冷却液一边驱动电动机11。即，为了正确求出上述的加工暂停时间B，优选如本实施方式那样使加工机10的加工状况与实际的状况一致来进行机器学习。
如上所述，本实施方式的具备了机器学习装置16的电动机控制装置12以及加工机10，能够不依靠作业者求出最短的加工暂停时间，该最短的加工暂停时间满足在使加工机10执行重复的加工动作时电动机11的卷线温度不超过预定的过热警报等级P。因此，能够削减在电动机控制装置12中设定加工暂停时间B时作业者的劳力和时间。
此外，用于本发明的机器学习并不限于上述的Q学习。例如，机器学习装置16可以通过深层学习(深度学习)使用神经网络来进行多层化从而设定最佳的行为。能够使用神经网络来取代使用包含上述价值函数(价值Q(st、at))的行为价值表，该神经网络输出与赋予了预定的状态s时的各个行为a相对的行为价值变量。
另外，在上述的实施方式中，如图1所示针对一个电动机控制装置12设置了一个机器学习装置16。但是，在本发明中，电动机控制装置12以及机器学习装置16各自的数量并不限于一个。例如，加工机10可以具备多个电动机11和多个电动机控制装置12，与各个电动机控制装置12对应地设置一个以上的机器学习装置16。然后，优选能够经由通信线缆或网络等相互发送通过各个机器学习装置16学习到的信息。由此，能够使用由某个机器学习装置16的学习部18更新后的行为价值表来更新其他的机器学习装置16的学习部18内的行为价值表。
以上，对本发明的典型实施方式进行了说明，但是本领域的人员应该能够理解在不脱离本发明的范围内，能够对上述实施方式进行变更以及各种其他的变更、省略、追加。

Claims (6)

1.一种机器学习装置，其决定加工机的一周期的加工时间内的加工暂停时间，以使执行所述加工机的重复的加工动作的电动机的温度不超过预先决定的温度阈值，所述一周期的加工时间由一台所述加工机的一周期的加工动作时间和所述加工暂停时间组成，其特征在于，具备：
状态观测部，其针对一台所述加工机，在所述重复的加工动作中观测状态变量，该状态变量包含所述加工暂停时间、所述加工机的实际的一周期的加工时间以及实际的所述电动机的温度；
学习部，其基于所述状态变量和所述温度阈值来学习选择最短的所述加工暂停时间的价值，该最短的所述加工暂停时间满足在执行了所述重复的加工动作时所述电动机的温度不超过所述温度阈值；
回报计算部，其基于所述状态变量中的所述一周期的加工时间和所述电动机的温度来计算回报；
函数更新部，其基于所述回报来更新价值函数，该价值函数表示选择所述最短的加工暂停时间的价值；以及
意图决定部，其决定在控制所述电动机的电动机控制装置中应该设定的所述加工暂停时间。
2.根据权利要求1所述的机器学习装置，其特征在于，
所述函数更新部具有将所述状态变量和所述价值函数对应起来的行为价值表，基于所述回报来更新所述行为价值表。
3.根据权利要求2所述的机器学习装置，其特征在于，
所述回报计算部在相比于所述行为价值表中最低的价值函数所对应的所述一周期的加工时间，由所述状态观测部观测到的所述一周期的加工时间减少的情况下，基于执行了所述重复的加工动作时的所述电动机的温度与所述温度阈值之间的差来增加所述回报，
所述回报计算部在相比于所述行为价值表中最低的价值函数所对应的所述一周期的加工时间，由所述状态观测部观测到的所述一周期的加工时间增加的情况，以及在执行了所述重复的加工动作时所述电动机的温度达到了所述温度阈值的情况下，减少所述回报。
4.一种电动机控制装置，其特征在于，具备权利要求1至3中的任意一项所述的机器学习装置。
5.一种加工机，其特征在于，具备权利要求4所述的电动机控制装置。
6.一种机器学习方法，其决定加工机的一周期的加工时间内的加工暂停时间，以使执行所述加工机的重复的加工动作的电动机的温度不超过预先决定的温度阈值，所述一周期的加工时间由一台所述加工机的一周期的加工动作时间和加工暂停时间组成，其特征在于，
针对一台所述加工机，在所述重复的加工动作中观测状态变量，该状态变量包含所述加工暂停时间、所述加工机的实际的一周期的加工时间以及实际的所述电动机的温度；
基于所述状态变量和所述温度阈值来学习选择最短的所述加工暂停时间的价值，该最短的所述加工暂停时间满足在执行了所述重复的加工动作时所述电动机的温度不超过所述温度阈值；
在该学习的期间基于所述状态变量中的所述一周期的加工时间和所述电动机的温度来计算回报，基于所述回报来更新用于表示选择所述最短的加工暂停时间的价值的价值函数，并决定控制所述电动机时的所述加工暂停时间。
CN201610872792.0A 2015-09-30 2016-09-30 机器学习装置、电动机控制装置、加工机及机器学习方法 Active CN106557070B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015192970A JP6235543B2 (ja) 2015-09-30 2015-09-30 加工機のサイクル加工時間を最適化する機械学習装置、モータ制御装置、加工機、および機械学習方法
JP2015-192970 2015-09-30

Publications (2)

Publication Number Publication Date
CN106557070A CN106557070A (zh) 2017-04-05
CN106557070B true CN106557070B (zh) 2018-10-16

Family

ID=58281912

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610872792.0A Active CN106557070B (zh) 2015-09-30 2016-09-30 机器学习装置、电动机控制装置、加工机及机器学习方法

Country Status (4)

Country Link
US (1) US10289075B2 (zh)
JP (1) JP6235543B2 (zh)
CN (1) CN106557070B (zh)
DE (1) DE102016011528B4 (zh)

Families Citing this family (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8977255B2 (en) 2007-04-03 2015-03-10 Apple Inc. Method and system for operating a multi-function portable electronic device using voice-activation
US8676904B2 (en) 2008-10-02 2014-03-18 Apple Inc. Electronic devices with voice command and contextual data processing capabilities
US10417037B2 (en) 2012-05-15 2019-09-17 Apple Inc. Systems and methods for integrating third party services with a digital assistant
KR20150104615A (ko) 2013-02-07 2015-09-15 애플 인크. 디지털 어시스턴트를 위한 음성 트리거
US9715875B2 (en) 2014-05-30 2017-07-25 Apple Inc. Reducing the need for manual start/end-pointing and trigger phrases
US10170123B2 (en) 2014-05-30 2019-01-01 Apple Inc. Intelligent assistant for home automation
US9338493B2 (en) 2014-06-30 2016-05-10 Apple Inc. Intelligent automated assistant for TV user interactions
US9886953B2 (en) 2015-03-08 2018-02-06 Apple Inc. Virtual assistant activation
US10460227B2 (en) 2015-05-15 2019-10-29 Apple Inc. Virtual assistant in a communication session
US10747498B2 (en) 2015-09-08 2020-08-18 Apple Inc. Zero latency digital assistant
US10691473B2 (en) 2015-11-06 2020-06-23 Apple Inc. Intelligent automated assistant in a messaging environment
DK201670540A1 (en) 2016-06-11 2018-01-08 Apple Inc Application integration with a digital assistant
DK180048B1 (en) 2017-05-11 2020-02-04 Apple Inc. MAINTAINING THE DATA PROTECTION OF PERSONAL INFORMATION
DK179496B1 (en) 2017-05-12 2019-01-15 Apple Inc. USER-SPECIFIC Acoustic Models
DK201770429A1 (en) 2017-05-12 2018-12-14 Apple Inc. LOW-LATENCY INTELLIGENT AUTOMATED ASSISTANT
DK201770411A1 (en) 2017-05-15 2018-12-20 Apple Inc. MULTI-MODAL INTERFACES
JP6577522B2 (ja) * 2017-06-07 2019-09-18 ファナック株式会社 制御装置及び機械学習装置
US11521045B2 (en) 2017-06-14 2022-12-06 Knowm, Inc. Anti-Hebbian and Hebbian (AHAH) computing
JP6608879B2 (ja) * 2017-07-21 2019-11-20 ファナック株式会社 機械学習装置、数値制御装置、数値制御システム、及び機械学習方法
JP6637021B2 (ja) 2017-11-24 2020-01-29 ファナック株式会社 切削液供給タイミング制御装置及び機械学習装置
JP6652549B2 (ja) * 2017-12-26 2020-02-26 ファナック株式会社 切粉除去装置及び情報処理装置
JP6680809B2 (ja) * 2018-01-09 2020-04-15 ファナック株式会社 ファイバレーザ装置及び機械学習装置
JP6703020B2 (ja) * 2018-02-09 2020-06-03 ファナック株式会社 制御装置及び機械学習装置
CN111954582B (zh) * 2018-04-17 2021-09-03 三菱电机株式会社 机器学习装置
US10928918B2 (en) 2018-05-07 2021-02-23 Apple Inc. Raise to speak
US11145294B2 (en) 2018-05-07 2021-10-12 Apple Inc. Intelligent automated assistant for delivering content from user experiences
JP6753893B2 (ja) * 2018-05-16 2020-09-09 ファナック株式会社 熱変位補正装置
DK180639B1 (en) 2018-06-01 2021-11-04 Apple Inc DISABILITY OF ATTENTION-ATTENTIVE VIRTUAL ASSISTANT
US10840840B2 (en) 2018-06-14 2020-11-17 Mitsubishi Electric Corporation Machine learning correction parameter adjustment apparatus and method for use with a motor drive control system
JP6505342B1 (ja) * 2018-07-06 2019-04-24 三菱電機株式会社 機械学習装置、数値制御装置、工作機械および機械学習方法
US11462215B2 (en) 2018-09-28 2022-10-04 Apple Inc. Multi-modal inputs for voice commands
US11119716B2 (en) * 2018-10-31 2021-09-14 Fanuc Corporation Display system, machine learning device, and display device
WO2020179063A1 (ja) * 2019-03-07 2020-09-10 三菱電機株式会社 機械学習装置、数値制御装置、異常推測装置および工作機械の制御システム
US11348573B2 (en) 2019-03-18 2022-05-31 Apple Inc. Multimodality in digital assistant systems
JP7000376B2 (ja) 2019-04-23 2022-01-19 ファナック株式会社 機械学習装置、予測装置、及び制御装置
DK201970509A1 (en) 2019-05-06 2021-01-15 Apple Inc Spoken notifications
US11307752B2 (en) 2019-05-06 2022-04-19 Apple Inc. User configurable task triggers
US11140099B2 (en) 2019-05-21 2021-10-05 Apple Inc. Providing message response suggestions
US11227599B2 (en) 2019-06-01 2022-01-18 Apple Inc. Methods and user interfaces for voice-based control of electronic devices
JP6661065B1 (ja) * 2019-07-05 2020-03-11 三菱電機株式会社 機械学習装置、ワイヤ放電加工システム、および機械学習方法
US11061543B1 (en) 2020-05-11 2021-07-13 Apple Inc. Providing relevant data items based on context
US11490204B2 (en) 2020-07-20 2022-11-01 Apple Inc. Multi-device audio adjustment coordination
US11438683B2 (en) 2020-07-21 2022-09-06 Apple Inc. User identification using headphones
US11181988B1 (en) * 2020-08-31 2021-11-23 Apple Inc. Incorporating user feedback into text prediction models via joint reward planning
JP7409343B2 (ja) * 2021-03-17 2024-01-09 横河電機株式会社 コントローラ、制御方法及び制御プログラム
CN113065796A (zh) * 2021-04-22 2021-07-02 哈尔滨理工大学 基于q-学习算法的空间桁架在轨装配策略
JP2023023455A (ja) * 2021-08-05 2023-02-16 横河電機株式会社 学習装置、学習方法、および、学習プログラム、並びに、制御装置
CN114918736B (zh) * 2022-06-13 2023-11-21 重庆大学 一种适用于难加工材料的智能工艺系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002355724A (ja) * 2001-05-31 2002-12-10 Ricoh Co Ltd 組立分解工程設計支援装置
JP4461371B2 (ja) * 2004-08-06 2010-05-12 マツダ株式会社 工作機械の加工条件設定方法、その加工条件設定プログラム、及び、その加工条件設定プログラムを記録した記録媒体
CN101738981A (zh) * 2009-12-04 2010-06-16 清华大学 基于机器学习的机器人磨削方法
CN103823409A (zh) * 2014-02-27 2014-05-28 电子科技大学 数控机床加工状态多参数在线主动监控系统及其实现方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0991025A (ja) * 1995-09-26 1997-04-04 Fanuc Ltd 動作デューティを考慮したロボットの最短時間制御方法
SE9703758D0 (sv) * 1997-10-15 1997-10-15 Asea Brown Boveri Metod och förfarande för processkontroll vid tillverkning av papper, massa eller board
US6529135B1 (en) 1999-10-12 2003-03-04 Csi Technology, Inc. Integrated electric motor monitor
DE10144459A1 (de) 2001-09-10 2003-04-03 Werner Kluft Überwachung von Werkzeugmaschinen-Komponenten mit einem Überwachungssystem
JP2003136115A (ja) * 2001-10-30 2003-05-14 Kawasaki Steel Corp 圧延機の圧延制御方法
JP2003208205A (ja) * 2002-01-15 2003-07-25 Okuma Corp 数値制御装置
JP4472506B2 (ja) 2004-12-15 2010-06-02 学校法人早稲田大学 情報処理システムおよび情報処理方法、並びにプログラム
EP2093642B1 (de) 2008-02-25 2012-02-08 TÜNKERS MASCHINENBAU GmbH Drehtisch mit einer zugeordneten Steuerung oder Regelung
JP5276700B2 (ja) 2011-09-21 2013-08-28 ファナック株式会社 電動機の巻線過熱防止装置および電動機の制御装置
CN104508931B (zh) * 2012-08-03 2017-05-10 三菱电机株式会社 数控装置
JP6234187B2 (ja) * 2013-11-27 2017-11-22 三菱電機株式会社 数値制御装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002355724A (ja) * 2001-05-31 2002-12-10 Ricoh Co Ltd 組立分解工程設計支援装置
JP4461371B2 (ja) * 2004-08-06 2010-05-12 マツダ株式会社 工作機械の加工条件設定方法、その加工条件設定プログラム、及び、その加工条件設定プログラムを記録した記録媒体
CN101738981A (zh) * 2009-12-04 2010-06-16 清华大学 基于机器学习的机器人磨削方法
CN103823409A (zh) * 2014-02-27 2014-05-28 电子科技大学 数控机床加工状态多参数在线主动监控系统及其实现方法

Also Published As

Publication number Publication date
JP2017068563A (ja) 2017-04-06
CN106557070A (zh) 2017-04-05
DE102016011528B4 (de) 2019-08-01
JP6235543B2 (ja) 2017-11-22
US20170090428A1 (en) 2017-03-30
US10289075B2 (en) 2019-05-14
DE102016011528A1 (de) 2017-03-30

Similar Documents

Publication Publication Date Title
CN106557070B (zh) 机器学习装置、电动机控制装置、加工机及机器学习方法
CN106557069B (zh) 机械学习装置和方法以及具有该机械学习装置的机床
CN106557075B (zh) 生成最佳的加速/减速的机床
CN106560751B (zh) 机器学习装置、机器学习方法及具备机器学习装置的机床
CN106815642B (zh) 机械学习装置及方法以及电动机控制装置
CN108241296A (zh) 学习组装动作的机器学习装置以及部件组装系统
CN109955115B (zh) 切屑去除装置以及信息处理装置
CN106814698B (zh) 具备芯焊接位置决定功能的线放电加工机的仿真装置
CN107576499A (zh) 机械学习装置、寿命预测装置以及机械学习方法
CN109002012A (zh) 控制装置以及机器学习装置
CN106552974B (zh) 具有移动轴异常负载警告功能的线放电加工机
CN107045293B (zh) 机械学习器及方法、数值控制装置、机床系统、制造系统
CN108115682A (zh) 机械学习装置、机器人系统以及机械学习方法
CN110303492A (zh) 控制装置、机器学习装置以及系统
CN106406252B (zh) 单元控制系统、生产系统以及控制方法
CN109725606B (zh) 加工条件调整装置以及机器学习装置
CN108621154A (zh) 清洗工序最优化装置以及机器学习装置
JP6077617B1 (ja) 最適な速度分布を生成する工作機械
CN108241342A (zh) 数值控制装置以及机器学习装置
CN108345273A (zh) 数值控制装置及机器学习装置
CN106558959B (zh) 机械学习装置和线圈制造装置
CN110347120A (zh) 控制装置以及机器学习装置
CN110171159A (zh) 控制装置以及机器学习装置
CN106560997A (zh) 机械学习装置以及电动机控制装置
CN109254562A (zh) 控制装置以及学习装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant