CN106909074B - 控制装置 - Google Patents

控制装置 Download PDF

Info

Publication number
CN106909074B
CN106909074B CN201611009748.3A CN201611009748A CN106909074B CN 106909074 B CN106909074 B CN 106909074B CN 201611009748 A CN201611009748 A CN 201611009748A CN 106909074 B CN106909074 B CN 106909074B
Authority
CN
China
Prior art keywords
value
control
change
prediction error
unit
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
CN201611009748.3A
Other languages
English (en)
Other versions
CN106909074A (zh
Inventor
浪江正树
真锅美树子
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.)
Omron Corp
Original Assignee
Omron 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 Omron Corp filed Critical Omron Corp
Publication of CN106909074A publication Critical patent/CN106909074A/zh
Application granted granted Critical
Publication of CN106909074B publication Critical patent/CN106909074B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/026—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system using a predictor
    • 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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Feedback Control In General (AREA)
  • Control Of Electric Motors In General (AREA)
  • Control Of Ac Motors In General (AREA)

Abstract

本发明提供控制装置，即使不使用高精度的仿真模型，也能够高精度地检测特性变化、干扰、异常等。对控制对象进行控制的控制装置(100)具备：预测值计算部(121)，其针对控制对象的模型输出相对于输入值的输出值的预测值；预测误差计算部(122)，计算表示预测值与控制对象的输出的实测值之间的关系的关系值；以及变化检测部(124)，其对第一关系值和第二关系值进行比较，第一关系值为将控制对象正常动作的基准状态下的关系值，第二关系值为使控制对象动作的动作状态下的所述关系值。

Description

控制装置
技术领域
本发明涉及对控制对象进行控制的控制装置。
背景技术
目前，已知对机械等控制对象进行控制的控制装置根据干扰和/或异常状态进行控制动作。这样的控制装置进行控制动作来检测干扰和/或异常状态。
例如，专利文献1中记载有：将模型(将马达或机械模型化而成的模型)中的控制状态量和使实际机械部动作时的根据反馈值的状态量进行比较，基于该比较结果与阈值的比较检测干扰。
专利文献1：日本特开2004－364396号公报(2004年12月24日公开)
在专利文献1所记载的控制装置中，为了高精度地检测干扰及异常，需要使模型的精度接近实际机械。因此，需要在使用物理仿真模型的情况下，确定以及设定模型函数的参数。
发明内容
本发明是鉴于上述问题而创立的，其目的在于，提供一种控制装置，即使不使用高精度的仿真模型，也能够高精度地检测特性变化、干扰和异常等。
为了解决上述问题，本发明提供一种对控制对象进行控制的控制装置，具备：预测部，其针对所述控制对象的模型输出相对于输入值的输出值的预测值；关系值计算部，其计算关系值，该关系值表示所述预测值与所述控制对象的输出的实测值之间的关系；以及关系值比较部，其对第一关系值和第二关系值进行比较，所述第一关系值是所述控制对象以特定状态进行动作的基准状态下的所述关系值，所述第二关系值是使所述控制对象动作的动作状态下的所述关系值。
根据上述结构，通过对基准状态下的第一关系值和在动作状态下得到的第二关系值进行比较，可知第二关系值相对于第一关系值的变化。因此，能够基于变化的大小(变化量)来判断控制对象的输出值产生何种变化。另外，通过使用第一关系值，即使模型的精度低，由于该影响包含在第一关系值中，所以相对于模型的精度的鲁棒性(Robustness)也高。因此，模型创建变得容易，另外，可以使用简单模型。因此，即使不使用高精度的模型，也能够高精度地检测干扰和/或异常状态。
在所述控制装置中，也可以是，所述关系值比较部通过计算所述第一关系值与所述第二关系值之差来对所述第一关系值和所述第二关系值进行比较，并将所述差与规定阈值进行比较。
根据上述结构，使用阈值作为检测输出值变化的判断基准，通过适宜设定该阈值，能够以所希望的基准检测变化。例如，在组装有控制装置的控制系统中，能够通过与系统的使用相对应的阈值来检测变化。
在所述控制装置中，也可以是，所述控制对象为机构部，所述输入值为驱动所述机构部的驱动力的值。
当控制对象的特性产生某些变化，或者发生干扰时，其影响表现为控制对象的输出的实测值的变化。反馈控制越有利，越早地修正驱动力的值例如转矩值，由此对控制量的影响减轻，因此难以通过控制量检测到变化。因此，考虑观测转矩值等的变化。但是，如果反馈控制弱，则转矩值的变化变得缓慢，相反对控制量的影响表现得大，因此优选观测控制量。即，应该观测的变量因反馈控制的强弱而不同。因此，相较于仅观测控制对象的输入及输出中的一方，优选观测输入输出的关系，作为表示该关系的值，使用关系值。因此，能够进行更高精度的变化检测。
该控制装置还可以具备关于特定的参数对第一变化量图形和第二变化量图形进行比较的变化量比较部，所述第一变化量图形是所述第二关系值相对于将所述实测值设定为与通常的值不同的所述第一关系值的变化量的图形，所述第二变化量图形是在所述控制对象的动作状态下的所述第二关系值相对于所述第一关系值的变化量的图形。
根据上述结构，对于第二变化量图形接近与粘性摩擦系数或惯性力矩这样的参数相对应的第一变化量图形中的哪一个，通过比较双方的图形，能够判断哪个参数的特性发生了哪种程度的变化。
该控制装置还可以具备对余量度进行计算的余量度计算部，所述余量度表示所述第二关系值相对于允许限度的余量的程度，该允许限度为所述第一关系值和所述第二关系值之差达到所述阈值的限度。
根据上述结构，通过算出余量度，能够了解以何种程度从当前状态到达允许限度。由此，能够掌握直至到达需要维护控制对象的限度为止的大致时间余量。
本发明的控制装置也可以通过计算机实现，该情况下，通过使计算机作为所述控制装置所具备的各部分(软件要素)进行动作，通过计算机实现所述控制装置的控制装置的控制程序及存储该控制程序的计算机可读存储介质也包含在本发明的范畴内。
本发明实现即使不使用高精度的仿真模型，也能够高精度地检测干扰和/或异常状态的效果。
附图说明
图1是表示本发明实施方式1的控制系统的概略结构的框图。
图2是用于说明上述控制系统的控制器所具有的阈值设定部设定第一阈值的设定方法的图。
图3是表示用于上述阈值设定部的第二阈值设定方法的仿真的图。
图4是用于说明上述第二阈值设定方法的图。
图5是表示相对于上述控制器对控制对象的变化进行检测的允许限度的余量的图表。
图6A～6E是表示特性有无变化的例子的图。
图7是用于说明在上述控制系统中使用预测误差的意义的图。
图8是表示本发明实施方式2的控制器的结构的框图。
图9是表示本发明实施方式3的控制器的结构的框图。
图10是表示本发明实施方式4的控制器的结构的框图。
图11A～11F是表示对本发明实施例1的滚珠丝杠的轨道进行控制的事例的波形。
图12A～12E是表示对本发明实施例2的带式驱动XY工作台进行控制的事例的波形。
附图标记号说明
1 控制器1、1A～1C(控制装置)
2 伺服驱动器(控制对象)
3 机构部(控制对象)
12 变化检测处理部
12a 允许限度余量度推定部(余量度计算部)
12b 变化特性推定部(变化量比较部)
121 预测值计算部(预测部)
122 预测误差计算部(关系值计算部)
124 变化检测部(关系值比较部)
Yerr 预测误差(第二关系值)
Yerrbase 基准特性预测误差(第一关系值)
具体实施方式
〔实施方式1〕
下面，使用图1～图7说明本发明的实施方式1。
(控制系统100的结构)
图1是表示实施方式1的控制系统100的概略结构的框图。
如图1所示，控制系统100具备控制器1、伺服驱动器2以及机构部3。
机构部3为控制器1的控制对象，包括马达31和被驱动部32。马达31例如是伺服马达，驱动被驱动部32。另外，在马达31的旋转轴上安装有用于检测旋转角度及旋转角速度的旋转编码器。被驱动部32是机器人等设备中的被驱动的部分，具有将马达31产生的旋转驱动力变换为规定运动的机构。
伺服驱动器2基于从控制器1接收到的指令，通过赋予作为与马达31的状态量(旋转角度、旋转角速度等)相应的最佳的驱动能量的转矩，驱动马达31。在后述的控制对象模型包括伺服驱动器2的情况下，伺服驱动器2成为控制器1的控制对象。
伺服驱动器2具有位置控制部21和速度控制部22作为控制系统。位置控制部21基于从马达31输出的反馈位置(旋转角度)和来自控制器1的指令值来进行位置控制(P控制)。速度控制部22基于从马达31输出的反馈速度(旋转角速度)和来自位置控制部21的控制脉冲来进行速度控制(PI控制)。
控制器1是生成赋予伺服驱动器2的控制用指令值的控制装置，由可编程控制器等构成。控制器1具有基于从外部赋予的指令值图形生成指令值的指令值生成部11。另外，控制器1具有检测伺服驱动器2或机构部3产生了的何种变化的功能，为了实现该功能，具有变化检测处理部12和阈值设定部13。
变化检测处理部12对使用控制对象模型的控制量进行预测计算(仿真)，监测预测误差(关系值)从基准状态(控制对象正常动作的状态(也称作控制对象未产生特性变化或干扰的状态))的变化量，并基于该变化量检测控制量的变化(特性变化及包括干扰的变化)，其中，预测误差(关系值)为作为预测计算的结果得到的预测值与实际测量出的控制量(反馈值，实测值)之差。更具体而言，变化检测处理部12求出基准状态下的特性(基准特性)的预测误差即基准特性预测误差的1个循环的图形作为教化图形，在基于实际机械(伺服驱动器2及机构部3)的通常动作状态下得到的控制量的预测误差相对于教化图形的基准特性预测误差的变化量超过规定阈值时，检测到变化。作为控制对象模型，可举出将伺服驱动器2及机构部3的组合作为模型的复合模型或仅将机构部3作为模型的机构模型。
另外，变化检测处理部12具有允许限度余量度推定部12a(余量度计算部)和变化特性推定部12b(变化量比较部)。允许限度余量度推定部12a推定余量度，该余量度为能够直到变化检测处理部12基于预测误差的变化量(预测误差变化量)检测到变化为止的允许的限度。变化特性推定部12b在变化检测处理部12基于预测误差变化量检测到变化时，推定已发生变化的特性(参数)的类别。
此外，本实施方式中，变化检测处理部12为了检测变化，使用预测误差作为表示预测值与实测值之间的关系的指标(关系值)，但作为该指标，不限于预测误差。例如，也可以使用预测值和实测值之比作为指标。
阈值设定部13设定上述阈值。阈值设定部13基于在使伺服驱动器2及机构部3动作的状态下得到的预测误差变化量来设定阈值(第一阈值设定方法)。或者，阈值设定部13基于通过使用控制对象模型的仿真求出的预测误差变化量来设定阈值(第二阈值设定方法)。
(控制对象模型)
仿真控制对象时的模型例如有整体模型和个别模型。
整体模型如下式(1)所示的离散时间传递函数那样表示。式(1)中，各参数没有物理意思，以作为总体的特性匹配的方式适当决定系数。式(1)中，u表示输入，y表示输出，d、a1～an及b1～bm表示特性参数，z－1表示延迟运算符。
【数学式1】
Figure BDA0001142217150000061
但是，变化特性推定部12b在如后述那样预先通过仿真求出特性变化时的预测误差变化量的图形的情况下，需要包含物理意思明确的参数的个别模型。作为个别模型，例如可举出以下的模型。
在模型为马达31的旋转速度的例子中，在设y为速度，u为转矩，J为惯性力矩(Moment of inertia)，D为粘性摩擦系数时，速度y由下式(2)表示。
【数学式2】
Figure BDA0001142217150000062
另外，在模型为容器内的液体温度的例中，在设y为温度，u为加入的热量，v为体积，ρ为密度，C为比热，W为容器的流入量及流出量时，温度y由下式(3)表示。
【数学式3】
Figure BDA0001142217150000063
在此，在整体模型为离散时间传递函数的情况下，采样时刻k的预测值y使用将式(1)变形而得到的式(4)计算。另外，式(1)中的z－1表示1周期前。由此，变化检测处理部12将过去的位置信息(y(k－1)，y(k－2)……)乘以系数所得的值和作为控制对象的输入(从控制器1来看为输出)的几个过去信息组合，计算作为第k个位置的y(k)。在这样计算出的预测值和反馈值不同的情况下，将预测值与反馈值的差作为该时刻的预测误差。
【数学式4】
y(k)＝-a1y(k-1)-a2y(k-2)-…-any(k-n)+b1u(k-1-d)+b2u(k-2-d)+…+bm(k-m-d)…(4)
(控制器1的动作)
对如上述那样构成的控制系统100中的控制器1的动作进行说明。
〈阈值设定部13的动作〉
首先，对阈值设定部13的动作进行说明。
(1)第一阈值设定方法
图2是用于说明阈值设定部13的第一阈值设定方法的图。
在决定了教化图形后，阈值设定部13取得控制器1以基准状态使实际机械(伺服驱动器2及机构部3)动作多次时测量出的控制量(反馈值)，根据基于这些控制量的预测误差相对于教化图形的变化量(预测误差变化量)的偏差幅度，以包括余量的方式设定阈值。更具体而言，如图2所示，阈值设定部13将预测误差变化量的最大值及最小值分别乘以一定比率(例如120％)所得的值设定为阈值(上限值及下限值)。
此外，阈值设定部13也可以仅将预测误差变化量的最大值及最小值中的任一者乘以一定比率来设定阈值。另外，可以采用在使实际机械动作多次时的第一次所得到的教化图形作为存储的教化图形，但优选采用在多次动作所得到的教化图形的平均值作为存储的教化图形。进而，预测值也在实际机械每次动作时进行计算，与此相配合地也计算预测值和控制量之差即预测误差。即，不仅控制对象的输出即控制量，而且控制对象的输入即转矩值和向伺服驱动器2输入的指令值也需要在实际机械每次动作时取得。
预测误算的变化量因重复精度的原因而稍有变化，但基本上为大致接近0的值。因此，阈值设定为接近0的值。
另外，由于基准状态下的控制量的测量值包含偏差(测量噪声)，所以需要通过多次动作而得到的控制量。预测误差为0是控制对象模型完全模型不产生测量噪声的情况，但实际上控制量包含些许测量噪声，因此，通过几次测量而取得的控制量具有偏差。考虑该偏差量，以稍具有余量的方式设定恒定阈值。通过这样设定阈值，当产生实际机械的特性变化和/或干扰时，预测误差变化量超过阈值。或者，即使在没有测量噪声的情况下，也认为总是具有微小的(允许不会影响检测对象的水平的)干扰的情况。因此，作为该对策，也需要求出上述那种多次的预测误差变化量。
但是，实际机械在指令值范围内进行动作时，基准状态包括因有再现性的非线形特性或从其他轴(其它控制回路)受到的干扰的影响。
另外，在相同特性的多台机械或设备中要设定通用阈值的情况下，也可以使用通用控制对象模型，但需要基于在多台机械或设备中得到的控制量、转矩值或向伺服驱动器2输入的指令值来掌握预测误差变化量的偏差。
以上的本阈值设定方法对于基准状态中不含的包括突发变化及缓慢变化在内的所有变化都有效。作为突发变化，可举出机构部3的故障、零件更换、调整和伺服驱动器2的参数调整。另外，作为缓慢变化，可举出机构部3随着使用年限的恶化。
(2)第二阈值设定方法
图3是表示阈值设定部13的第二阈值设定方法用的仿真的图。图4是用于说明第二阈值设定方法的图。
如图3所示，阈值设定部13通过使用实际控制对象代用模型Pm和控制对象模型M的仿真来设定阈值。实际控制对象代用模型Pm是实际机械的控制对象模型。控制对象模型M是控制对象的假想模型，用于仿真变化系统。
仿真基本上按以下顺序进行。首先，控制器1基于被赋予的控制目标值SP(指令值图形)生成操作量MV(指令值)，并将其赋予实际控制对象代用模型Pm及控制对象模型M。控制对象模型M输出预测值Y，实际控制对象代用模型Pm输出控制量PV。另外，控制量PV反馈给控制器1的输入。通过从控制量PV减去预测值Y而得到预测误差Yerr(第二关系值)，通过从预测误差Yerr减去基准特性预测误差Yerrbase(第一关系值)而得到预测误差变化量Yerrdiff。
阈值设定部13在特性没有变化的状态下以控制对象代用模型Pm及控制对象模型M等效的方式执行仿真时，预测误差Yerr及预测误差变化量Yerrdiff在整个区间都为0。因此，该情况下的仿真与教化图形的生成相同，所以也可以省略。
阈值设定部13对使实际控制对象代用模型Pm的特性变化了实际机械特性变化的允许值的实际控制对象代用模型Pm1，通过上述顺序执行仿真。如图4所示，阈值设定部13将预测误差变化量Yerrdiff的峰值(最大值及最小值)分别乘以一定比率(例如90％)所得的值设定为阈值(上限值及下限值)，以能够检测作为通过上述仿真得到的预测误差变化量Yerrdiff的整个区域内的峰值。此外，阈值设定部13也可以仅将预测误差变化量Yerrdiff的最大值及最小值中的任一值乘以一定比率来设定阈值。
〈变化检测处理部12的动作〉
接着，对变化检测处理部12的动作进行说明。
首先，在为上述复合模型的情况下，向变化检测处理部12输入的输入值为从指令值生成部11输出的指令值。另一方面，在为上述机构模型的情况下，向变化检测处理部12输入的输入值为从伺服驱动器2赋予马达31的转矩(驱动力)的值(转矩值)。
在初始模式下，变化检测处理部12通过进行图3所示的仿真，预先求出控制的1个循环的基准特性预测误差Yerrbase(教化图形)并将其存储。
在使实际机械以通常方向进行动作的通常模式下，控制器1基于恒定的指令值在多个循环都对机构部3反复进行相同的控制动作。变化检测处理部12计算相对于输入值(操作量MV)的预测值Y，通过由从伺服驱动器2或机构部3输入的每个控制周期(1个循环)的反馈值(控制量PV)减去预测值Y来求出预测误差Yerr。
而且，变化检测处理部12从预测误差Yerr减去基准特性预测误差Yerrbase，求出预测误差变化量Yerrdiff。此时，将与在1方循环内得到预测误差Yerr的时刻相同的时刻得到的基准特性预测误差Yerrbase用于减法运算。预测误差Yerr的大小根据模型精度、指令值图形(在加速度大的位置易于变大等的图形)、从其它控制回路动作受到的干涉等进行增减。但是，考虑在相同的动作循环内，上述的条件在相同的时刻(从循环开始时刻起的经过时间)产生相同大小的预测误差Yerr。因此，计算循环内的相同时刻的预测误差Yerr与基准特性预测误差Yerrbase之差。
进而，变化检测处理部12将该预测误差变化量Yerrdiff与通过阈值设定部13设定的阈值进行比较，通过判定为预测误差变化量Yerrdiff超过阈值，检测到变化，另一方面，通过判定为预测误差变化量Yerrdiff为阈值以下，未检测到变化。
此外，如上所述，变化检测处理部12如上述求出预测误差Yerr和预测误差变化量Yerrdiff在特定时刻得到的值之间的差，但不限于此。例如，变化检测处理部12可以通过各种统计处理判定从1个循环开始起的时序数据的类似度，求出预测误差Yerr与预测误差变化量Yerrdiff之差。
另外，在上述例子中，对变化进行检测的动作图形被规定为控制的1个循环，除此以外，也可以是以连续动作中的特定工序或以某些触发信号为起点的一定期间。
〈允许限度余量度推定部12a的动作〉
在上述的变化检测处理部12进行的变化检测动作中，检测控制对象有无变化，除此之外，还能够表示相对于检测到变化的允许限度的余量度。允许限度余量度推定部12a将预测误差变化量Yerrdiff用作允许限度特性时的预测误差变化量，该预测误差变化量Yerrdiff是利用上述的第二阈值设定方法使实际控制对象代用模型Pm的特性变化至实际控制对象代用模型Pm1模型而得到的。图5是表示相对于控制器1检测控制对象的变化的允许限度的余量的图表。
图5中用点划线所示的直至允许限度为止的中途阶段的预测误差变化量是0的基准状态与图5中用实线所示的已达到允许限度时的预测误差变化量之间的值。即，在图5中，若当前状态的预测误差变化量的图形接近已达到允许限度时的预测误差变化量的图形，则表示预测误差变化量接近允许限度，如果当前状态的预测误差变化量的图形远离已达到允许限度时的预测误差变化量的图形，则表示相对于允许限度具有余量。该余量的程度(余量度)通过已达到允许限度时的预测误差变化量的图形相对于0的面积(第一面积)与当前状态的预测误差变化量的图形相对于0的面积(第二面积)的比率来求出。
允许限度余量度推定部12a基于下面的计算式计算上述的余量度。下式中，A表示已达到允许限度时的预测误差变化量的绝对值的总和(第一面积)，B表示预测误差变化量的绝对值的总和(第二面积)。
余量度＝(A－B)/A＊100(％)
这样，通过求出预测误差变化量达到允许限度的余量度，能够识别从当前状态以何种程度达到允许限度。由此，能够掌握达到伺服驱动器2及机构部3需要维护的限度为止的大致时间余量。
〈变化特性推定部12b的动作〉
控制对象模型包括粘性摩擦特性(D)、惯性力矩(J)等几个特性参数。因此，如果在预先仅改变特定参数(例如粘性摩擦特性(D)或惯性力矩(J))时，对教化图形和运转时的预测误差变化量的图形进行比较，则能够预测已变化的参数发生多大程度的变化。
变化特性推定部12b利用上述第二阈值设定方法预先针对不同的特性求出几个仅使图3所示的实际控制对象代用模型Pm的特定特性单独变化时的预测误差变化量的图形(按特性区分的预测误差变化量图形)。在实际机械动作时，变化特性推定部12b将此时得到的预测误差变化量的图形与多个按特性区分的预测误差变化量图形进行比较，判断与实际机械动作时的预测误差变化量的图形最接近的按特性区分的预测误差变化量图形。
例如，在马达31的速度控制中，转矩与速度间的关系使用惯性力矩J和粘性摩擦系数D，通过1/(Js+D)表示。变化特性推定部12b在实际控制对象代用模型Pm的特性中进行惯性力矩Jpm变化时和粘性摩擦系数Dpm变化时的仿真，并存储通过各仿真得到的按特性区分的预测误差变化量图形(第一变化量图形)。而且，变化特性推定部12b将实际机械控制时的预测误差变化量图形(第二变化量图形)与上述两个按特性区分的预测误差变化量图形进行比较，判断实际机械控制时的预测误差变化量图形与某个按特性区分的预测误差变化量图形接近，还是为两个按特性区分的预测误差变化量图形的组合，由此推定所判断出的特性发生了何种程度的变化。
图6A～6E是表示以伺服驱动器2(仅速度控制回路)及机构部3为控制对象时有无特性变化的例子的图。如图6A所示，在未使特性变化的情况下，在速度的控制量PV与速度的控制目标值SP大致相同时，预测误差变化量为0。与之相对，例如，如图6B所示，当惯性力矩J相对于基准特性以增大的方式变化时(1.2倍)，预测误差变化量大幅变化。与之相对，如图6C所示，当惯性力矩J相对于基准特性以减小的方式变化时(0.8倍)，预测误差变化量向与惯性力矩J相对于基准特性大幅变化时的方向相反的方向变化。另外，如图6D所示，当粘性摩擦系数D相对于基准特性以增大的方式变化时(1.2倍)，预测误差变化量缓慢变化。与之相对，如图6E所示，当粘性摩擦系数D相对于基准特性以减小的方式变化时(0.8倍)，预测误差变化量向与粘性摩擦系数D相对于基准特性大幅变化时的方向相反的方向变化。上述变化的方向根据指令值确定。
(控制器1的效果)
〈变化检测效果〉
在检测反馈值产生某些变化时，可以在预测误差比预先设定的基准值大的时刻，判断为检测到某些特性变化。但是，优选在将某决定的指令值反复赋予伺服驱动器2的情况下，通过控制器1如上述那样检测变化。具体而言，将没有变化的状态下的1个循环的预测误差Yerr作为基准特性预测误差Yerrbase预先存储，将所存储的基准特性预测误差Yerrbase和在通常模式下得到的预测误差Yerr进行比较，在该差(预测误差变化量Yerrdiff)大于阈值(基准值)时，判断为检测到变化。
因此，在机构部3所处的环境或机构部3的特性发生变化的情况下，或者突然发生干扰的情况下，控制器1能够实时检测是其中的哪一个变化。因此，不需要用计算机解析数据来检测变化。
另外，由于教化图形中包括指令图形中的加速度图形和/或控制回路(或轴)间的干涉的影响，从而在决定阈值时，不需要考虑加速度和/或干涉的影响。因此，为了检测变化，只要设定恒定值的阈值即可。
进而，即使模型精度低，由于其影响也包含于教化图形中，所以相对于模型精度的鲁棒性高。因此，模型创建变得容易，另外，可以使用简单的模型。因此，即使不使用高精度的模型，也能够高精度地检测干扰和/或异常状态。另外，能够降低仿真的计算负荷。
〈使用预测误差的意义〉
在此，对在控制系统100中，使用预测误差的意义进行说明。图7是用于说明使用预测误差的意义的图。
如果产生对控制对象的干扰，则其影响首先表现为控制量PV的变化。但是，如图7所示，由于从机构部3向伺服驱动器2的反馈控制起作用，从而控制量PV的变化立即消除。反馈控制越有力，控制量PV的变化立即消除的趋势越显著，因此，难以基于控制量PV检测变化。此外，图7中，有控制量PV向控制器1反馈的情况，也有不反馈的情况。
由于反馈控制越有力，越早地修正转矩值，从而对控制量的影响减轻，因此，难以通过控制量检测变化。因此，考虑观测转矩值的变化。但是，如果反馈控制减弱，则转矩值的变化变得缓慢，相反对控制量的影响大幅显现，因此，优选观测控制量。即，应观测的变量根据反馈控制的强弱而不同。因此，相较于仅观测控制对象的输入及输出中的一者，优选观测输入输出的关系，作为表示该关系的值使用关系值。因此，能够更高精度检测变化。
〔实施方式2〕
下面，使用图8说明本发明的实施方式2。此外，本实施方式中，对于具有与上述实施方式1中的结构要素相同功能的结构要素标注相同的附图标记，并省略其说明。
(控制器1A的结构)
图8是表示实施方式2的控制器1A的结构的框图。
控制器1A具备与实施方式1中所说明的控制器1基本上通用的功能，但没有反馈控制。本实施方式中，对控制器1A中的变化检测处理部12A进行详细说明。如图8所示，控制器1A中的变化检测处理部12具有预测值计算部121(预测部)、预测误差计算部122(关系值计算部)、教化图形存储部123和变化检测部124(关系值比较部)。
预测值计算部121如上述基于指令值通过仿真来计算预测值。预测误差计算部122如上述通过从控制量PV减去预测值来算出预测误差。教化图形存储部123将在初始模式(基准状态)下算出的预测误差(基准特性预测误差)的1个循环的图形作为教化图形进行存储。变化检测部124通过从通常模式下得到的预测误差减去教化图形中的得到该预测误差的时刻的基准特性预测误差来算出变化量，在该变化量比通过阈值设定部13设定的阈值大时，检测到变化。
(控制器1A的动作)
首先，指令值生成部11根据指令值图形在每个控制周期计算指令值，并赋予伺服驱动器及预测值计算部121。预测值计算部121基于该指令值通过仿真求出预测值。
在初始模式下，预测误差计算部122根据由伺服驱动器2返回的反馈值(控制量PV)和预测值计算基准特性预测误差，并将基准特性预测误差的图形存储为教化图形。
在通常模式下，预测误差计算部122计算预测值和反馈值之差的预测误差并赋予变化检测部124。变化检测部124将所赋予的预测误差和教化图形进行比较，求出预测误差变化量，如果该预测误差变化量超过阈值，则检测到变化，并输出表示检测到变化的变化检测值。
使实际机械(特别是新产品状态的机构部3)动作来求出教化图形，在随着时间发生劣化时，如果超过阈值则有变化，则能够检测到随着时间发生变化。
在检测到某些特性变化的情况下，变化检测部124使用所准备的与该特性相对应的教化图形判断发生变化的特性接近哪一特性。另外，在要检测变化的特性被确定为一个的情况下，准备与该特性相对应的一个教化图形。
〔实施方式3〕
下面，使用图9说明本发明的实施方式3。此外，本实施方式中，对于具有与上述实施方式1及2的结构要素相同功能的结构要素标注相同附图标记，并省略其说明。
(控制器1B的结构)
图9是表示实施方式3的控制器1B的结构的框图。
控制器1B具备与实施方式1中所说明的控制器1基本上通用的功能，但进行基于模型的反馈控制。本实施方式中，对控制器1B中的变化检测处理部12B进行详细说明。如图9所示，控制器1B中的变化检测处理部12B具有教化图形存储部123、变化检测部124和MPC部125。
MPC(Model Predictive Control：模型预测控制)部125是进行一边通过预测模型预测将来的动作一边进行控制的模型预测控制的部分。MPC部125使用来自机构部3或伺服驱动器2的反馈值执行反馈控制，并向伺服驱动器2输出某些指令值(位置、速度、转矩)。另外，MPC部125基于指令值，与上述的预测值计算部121同样地计算预测值。
在控制器1B中进行基于模型的反馈控制时，MPC部125计算预测误差，因此，可以将该预测误差用于教化图形的存储及变化的检测。
〔实施方式4〕
下面，使用图10说明本发明的实施方式4。此外，本实施方式中，对于具有与上述实施方式1及2的结构要素相同功能的结构要素标注同一附图标记，并省略其说明。
图10是表示实施方式4的控制器1C的结构的框图。
控制器1C具备与实施方式1中所说明的控制器1基本上通用的功能，对应于仅机构部3的控制对象模型(机构模型)的情况。本实施方式中，对控制器1C中的变化检测处理部12C进行详细说明。如图10所示，控制器1C中的变化检测处理部12具有预测值计算部121C、预测误差计算部122、教化图形存储部123和变化检测部124。预测值计算部121C与上述变化检测处理部12A的预测值计算部121不同，基于从伺服驱动器2输入的转矩值通过仿真来计算预测值。
上述那样构成的控制器1C与控制器1A的不同点在于，指令值不是输入值，从伺服驱动器2向机构部3输出的输出值(转矩值)成为用于预测的输入。另外，预测值计算部121C基于转矩值计算预测值。另外，预测误差计算部122使用经过了模型(机构部3)的值和实测值来创建教化图形。
〔利用软件的实现例〕
控制器1、1A～1C的控制模块(特别是指令值生成部11、变化检测处理部12及阈值设定部13)可以通过形成于集成电路(IC芯片)等的逻辑电路(硬件)实现，也可以使用CPU(Central Processing Unit：中央处理器)通过软件实现。
后者的情况下，控制器1、1A～1C具备：执行实现各部分的功能的软件即控制程序的命令的CPU、以计算机(或CPU)可读的方式存储上述程序及各种数据的ROM(Read OnlyMemory：只读存储器)或存储装置(将它们称为“存储介质”)、展开上述程序的RAM(RandomAccess Memory：随机存取存储器)等。而且，通过计算机(或CPU)从上述存储介质读取并执行上述程序，实现本发明的目的。作为上述存储介质，可以使用“非暂时性有形介质”、例如带、盘、卡、半导体存储器、可编程逻辑电路等。另外，上述程序可以经由能够传输该程序的任意传输介质(通信网络、电波等)供给给上述计算机。此外，本发明能够以通过电子传输将上述程序具现化的载入载波的数据信号的方式实现。
【实施例1】
基于图11A～11F说明本发明的一实施例。
图11A～11F是表示对实施例1的滚珠丝杠的轨道进行控制的事例的波形。
本实施例适用于实施方式4，机构部3是滚珠丝杠。另外，控制对象模型为机构部3的转矩－速度模型，在控制器1C中，检测在滚珠丝杠的轨道控制中，对工件质量的变化进行仿真的重量的有无。
图11A仅表示通过XY这2个轴描绘菱形轨道的滚珠丝杠的轨道上的X轴位置，有重量的情况和没有重量的情况几乎没有差别，大致重叠。图11B所示的速度稍有变化，难以由控制器1C观察到变化。图11C表示来自伺服驱动器2的转矩值。通常，位置偏差表示控制性能，因此，在产生了某些变化的情况下，判断为位置偏差超过了基准值。另外，就图11D所示的位置偏差而言，即使特性发生变化，整体形态也没有改变，仅出现微小的差异。对于转矩而言，与位置偏差相比，容易表现出变化，但作为整体其形态几乎没有变化。与之相对，图11E所示的转矩－速度模型的预测误差，因重量有无(滚珠丝杠工件的质量)而表现大的差。图11F表示预测误差变化量。
如式(5)所示，模型M1由连续时间序列的时间常数T、稳态增益K、损失时间L这三个参数用一次传递函数表示。
【数学式5】
Figure BDA0001142217150000171
【实施例2】
基于图12A～12E说明本发明的其它实施例。
图12A～12E是表示控制本发明实施例2的带式驱动XY工作台的事例的波形。
本实施例适用于实施方式2或3，是带式驱动XY工作台。另外，控制对象模型为机构部3的位置指令值－位置反馈值模型，在控制器1A、1B中，检测在使带式驱动XY工作台的Y轴上安装的棒的前端与工作台接触时的变化。带式驱动XY工作台通常笔不接触下一个工作台，而本实施例中，在笔上卷绕带并轻微接触工作台而产生摩擦。
图12A仅表示通过XY的两个轴描绘菱形轨道的XY工作台的轨道上的Y轴的部分，指令位置和反馈位置几乎没有差异，大致重合。
即使因棒接触工作台而摩擦增加，也能够通过伺服驱动器2的反馈控制快速地吸收摩擦的影响。因此，将棒接触工作台的情况和不接触工作台的情况进行比较，图12B所示的位置偏差及图12C所示的转矩的波形数据中未表现出大的差异。另一方面，在图12D所示的预测误差的波形数据中，在两者的情况下表现出较大的差，所以能够检测到变化。图12E表示预测误差变化量。
本实施例中，由于为复合模型，所以模型M2如式(6)所示采用2次的模型。由此，能够通过转矩的模型确认预测误差的差。
【数学式6】
Figure BDA0001142217150000181
关于机构部3的特性变化及干扰，如上述的实施例1，可以是仅机构部3的模型，但在变更了伺服驱动器2的参数这种情况下，需要考虑也包含伺服驱动器2的模型。在不知道伺服驱动器2及机构部3中的哪个存在变化原因的情况下，需要复合模型。
本发明不限于上述的各实施方式，在权利要求所示的范围内可以进行各种变更，将不同的实施方式中分别公开的技术方案适宜组合得到的实施方式也包含在本发明的技术范围内。

Claims (6)

1.一种对控制对象进行控制的控制装置，其特征在于，
具备：
预测部，其针对所述控制对象的模型输出相对于输入值的输出值的预测值；
关系值计算部，其计算关系值，该关系值表示所述预测值与所述控制对象的输出的实测值之间的关系；以及
关系值比较部，其对第一关系值和第二关系值进行比较，所述第一关系值是所述控制对象以特定状态进行动作的基准状态下的所述关系值，所述第二关系值是使所述控制对象动作的动作状态下的所述关系值，
所述控制装置基于所述关系值比较部的比较结果，检测所述控制对象的变化，
所述基准状态是控制对象未产生特性变化或干扰的状态，
所述动作状态是实际机械的通常动作状态。
2.根据权利要求1所述的控制装置，其特征在于，
所述关系值比较部通过计算所述第一关系值与所述第二关系值之差来对所述第一关系值和所述第二关系值进行比较，并将所述差与规定阈值进行比较。
3.根据权利要求1或2所述的控制装置，其特征在于，
所述控制对象为机构部，
所述输入值为驱动所述机构部的驱动力的值。
4.根据权利要求1或2所述的控制装置，其特征在于，
该控制装置还具备关于特定的参数对第一变化量图形和第二变化量图形进行比较的变化量比较部，所述第一变化量图形是所述第二关系值相对于将所述实测值设定为与通常的值不同的所述第一关系值的变化量的图形，所述第二变化量图形是在所述控制对象的动作状态下的所述第二关系值相对于所述第一关系值的变化量的图形。
5.根据权利要求3所述的控制装置，其特征在于，
该控制装置还具备关于特定的参数对第一变化量图形和第二变化量图形进行比较的变化量比较部，所述第一变化量图形是所述第二关系值相对于将所述实测值设定为与通常的值不同的所述第一关系值的变化量的图形，所述第二变化量图形是在所述控制对象的动作状态下的所述第二关系值相对于所述第一关系值的变化量的图形。
6.根据权利要求2所述的控制装置，其特征在于，
该控制装置还具备对余量度进行计算的余量度计算部，所述余量度表示所述第二关系值相对于允许限度的余量的程度，该允许限度为所述第一关系值和所述第二关系值之差达到所述阈值的限度。
CN201611009748.3A 2015-11-30 2016-11-03 控制装置 Active CN106909074B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015-234260 2015-11-30
JP2015234260A JP6443311B2 (ja) 2015-11-30 2015-11-30 制御装置、制御プログラムおよび記録媒体

Publications (2)

Publication Number Publication Date
CN106909074A CN106909074A (zh) 2017-06-30
CN106909074B true CN106909074B (zh) 2020-06-02

Family

ID=57460317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611009748.3A Active CN106909074B (zh) 2015-11-30 2016-11-03 控制装置

Country Status (4)

Country Link
US (1) US10126718B2 (zh)
EP (1) EP3173891B1 (zh)
JP (1) JP6443311B2 (zh)
CN (1) CN106909074B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
PT3598257T (pt) * 2017-03-17 2022-03-02 Nec Corp Dispositivo de processamento de informações, método de processamento de informações e meio de gravação no qual o programa de processamento de informações está gravado
JP2019040437A (ja) * 2017-08-25 2019-03-14 アズビル株式会社 調節計および劣化位置検出方法
JP2019040435A (ja) * 2017-08-25 2019-03-14 アズビル株式会社 調節計および劣化位置検出方法
JP6943683B2 (ja) * 2017-08-25 2021-10-06 アズビル株式会社 調節計および劣化位置検出方法
JP7087316B2 (ja) * 2017-09-27 2022-06-21 オムロン株式会社 情報処理装置、情報処理方法およびプログラム
JP7003623B2 (ja) * 2017-12-15 2022-01-20 オムロン株式会社 制御システム
CN108535035B (zh) * 2018-03-20 2020-04-14 北京航空航天大学 一种用于柱面展开机构的零重力悬挂试验装置
JP7088318B2 (ja) * 2019-01-11 2022-06-21 オムロン株式会社 制御装置
JP7143796B2 (ja) * 2019-03-20 2022-09-29 オムロン株式会社 制御装置、制御方法および制御プログラム
JP7126616B2 (ja) * 2019-06-28 2022-08-26 三菱電機株式会社 レーザ加工システム、加工条件探索装置および加工条件探索方法
CN113110021B (zh) * 2021-03-17 2022-06-14 华南理工大学 一种用于伺服系统辨识与控制器设计的方法
CN115441796A (zh) * 2021-06-02 2022-12-06 台达电子工业股份有限公司 基于负载转矩-转动惯量自学习模型的速度控制方法
KR102382650B1 (ko) * 2021-09-03 2022-04-04 (주)아이티공간 피크에 대한 각도를 통한 기기의 예지 보전방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006318357A (ja) * 2005-05-16 2006-11-24 Daikin Ind Ltd 部品保守支援装置、部品保守支援システム及び部品保守支援プログラム
CN101126916A (zh) * 2007-07-13 2008-02-20 上海大学 主动减振智能柔性结构受控模型多通道在线辨识方法
CN101682253A (zh) * 2007-05-29 2010-03-24 国立大学法人长崎大学 预测控制系统
CN102985884A (zh) * 2010-04-19 2013-03-20 Abb研究有限公司 用于更新模型预测控制器中模型的方法和系统
CN104937506A (zh) * 2013-01-17 2015-09-23 丰田自动车株式会社 设备控制装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2865661B2 (ja) * 1987-02-18 1999-03-08 株式会社日立製作所 エンジンの状態判別型適応制御装置
JP3345930B2 (ja) * 1993-01-06 2002-11-18 日産自動車株式会社 アクティブコントロール装置
US6453308B1 (en) * 1997-10-01 2002-09-17 Aspen Technology, Inc. Non-linear dynamic predictive device
JP2000167615A (ja) * 1998-12-03 2000-06-20 Toshiba Corp 巻取温度制御方法及び制御装置
JP2004364396A (ja) * 2003-06-04 2004-12-24 Yaskawa Electric Corp モータの制御装置および制御方法
US7356377B2 (en) * 2004-01-29 2008-04-08 Applied Materials, Inc. System, method, and medium for monitoring performance of an advanced process control system
JP2005339241A (ja) * 2004-05-27 2005-12-08 Nissan Motor Co Ltd モデル予測制御装置および車両用推奨操作量生成装置
JP4930040B2 (ja) * 2006-12-21 2012-05-09 日産自動車株式会社 状態量推定装置及び角速度推定装置
JP2009193192A (ja) * 2008-02-13 2009-08-27 Omron Corp モデル予測制御方法およびモデル予測制御装置
US7949416B2 (en) * 2008-05-06 2011-05-24 United Technologies Corporation Multivariable control system
CA2948321C (en) * 2014-06-09 2020-08-25 Landmark Graphics Corporation Employing a target risk attribute predictor while drilling
KR101649658B1 (ko) * 2014-10-10 2016-08-19 엘지전자 주식회사 설비를 관제하는 중앙 제어 장치, 이를 포함하는 설비 제어 시스템 및 설비 제어 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006318357A (ja) * 2005-05-16 2006-11-24 Daikin Ind Ltd 部品保守支援装置、部品保守支援システム及び部品保守支援プログラム
CN101682253A (zh) * 2007-05-29 2010-03-24 国立大学法人长崎大学 预测控制系统
CN101126916A (zh) * 2007-07-13 2008-02-20 上海大学 主动减振智能柔性结构受控模型多通道在线辨识方法
CN102985884A (zh) * 2010-04-19 2013-03-20 Abb研究有限公司 用于更新模型预测控制器中模型的方法和系统
CN104937506A (zh) * 2013-01-17 2015-09-23 丰田自动车株式会社 设备控制装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A NEURAL NETWORK BASED FURNACE CONTROL SYSTEM;C. P. Sheppard 等;《Proceedings of the American Control Conference》;19920626;第500-504页 *

Also Published As

Publication number Publication date
JP6443311B2 (ja) 2018-12-26
EP3173891A1 (en) 2017-05-31
CN106909074A (zh) 2017-06-30
JP2017103882A (ja) 2017-06-08
US10126718B2 (en) 2018-11-13
EP3173891B1 (en) 2019-06-26
US20170153609A1 (en) 2017-06-01

Similar Documents

Publication Publication Date Title
CN106909074B (zh) 控制装置
US10502253B2 (en) Machine learning device for learning assembly operation and component assembly system
CN106409120B (zh) 机械学习方法及机械学习装置、以及故障预知装置及系统
US8442685B2 (en) Robot control apparatus
CN106873506B (zh) 校正装置、校正装置的控制方法、信息处理程序及记录介质
US20170308052A1 (en) Cell controller for optimizing motion of production system including industrial machines
JP6469065B2 (ja) 機械学習装置及び加工時間予測装置
CN107797446B (zh) 模型预测控制装置、控制方法及记录介质
US20180210407A1 (en) Control device, control program, and control system
CN108508784B (zh) 伺服电动机控制装置、伺服电动机控制方法以及记录介质
JP4453526B2 (ja) サーボ制御装置
CN109391195B (zh) 系统状态预测
EP3598249B1 (en) Processing device, control parameter determination method, and control parameter determination program
Uriča et al. Simulation of an on-off controller for systems of second order with the use of LabVIEW
US11579000B2 (en) Measurement operation parameter adjustment apparatus, machine learning device, and system
CN110161973B (zh) 模型预测控制装置、控制方法、信息处理程序及记录介质
JP7131611B2 (ja) 異常判定装置及び異常判定方法
EP4325377A1 (en) Data processing device, data analyzing device, data processing system and method for processing data
JP7110845B2 (ja) 情報処理装置及び情報処理方法
US20230409909A1 (en) Data analysis system, data analysis method, and non-transitory computer-readable recording medium
KR20210106505A (ko) 제어 장치 및 제어 프로그램
RU2701407C2 (ru) Усовершенствованный контроллер состояния системы, управляемой при помощи команды
US11820007B2 (en) Abnormality detection device and abnormality detection method
Hann et al. Modelling and system identification of a stiff stay wire fence machine
JP5159456B2 (ja) 発振成分抽出装置

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