CN106919162B - 具有检测噪音产生原因的学习功能的控制装置 - Google Patents

具有检测噪音产生原因的学习功能的控制装置 Download PDF

Info

Publication number
CN106919162B
CN106919162B CN201610971996.XA CN201610971996A CN106919162B CN 106919162 B CN106919162 B CN 106919162B CN 201610971996 A CN201610971996 A CN 201610971996A CN 106919162 B CN106919162 B CN 106919162B
Authority
CN
China
Prior art keywords
noise
control device
unit
learning
data
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
CN201610971996.XA
Other languages
English (en)
Other versions
CN106919162A (zh
Inventor
佐藤和宏
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 CN106919162A publication Critical patent/CN106919162A/zh
Application granted granted Critical
Publication of CN106919162B publication Critical patent/CN106919162B/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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Feedback Control In General (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提供一种具有检测噪音产生原因的学习功能的控制装置。该控制装置是进行控制对象物(2,2A～2N)的控制的控制装置(3,3A～3N)，具备：噪音检测部(34)，其检测电噪音；以及学习部(41)，其观察由与控制装置的输入输出信号以及内部信号的状态以及状态变化相关的信息、与控制对象物的动作状态相关的信息以及与控制装置的环境条件相关的信息中的至少一部分组成的状态变量和噪音检测部检测出的电噪音相关的噪音数据，并根据观察到的状态变量以及噪音数据来学习电噪音的产生原因。

Description

具有检测噪音产生原因的学习功能的控制装置
技术领域
本发明涉及一种具有检测噪音产生原因的学习功能的控制装置。
背景技术
广泛进行通过控制装置控制控制对象物的情况，例如通过数值控制装置控制机床，通过机器人控制装置控制机器人。这种控制装置的错误动作的原因之一为存在电噪音(噪声)(以下有时简称为噪音)。
作为防止噪音造成的错误动作的策略，考虑去除噪音的产生原因的方法和抑制噪音的混入的方法等。例如是从周围电气切断噪音产生源的方法和为了不受噪音的影响而屏蔽信号路径的方法等。为了进行这样的对策，确定噪音的产生原因(噪音源)变得重要。
为了在机床等的控制装置中确定噪音的产生原因，一般采用在机械的设置现场使用示波器等测定装置观测噪音的方法。在通过使控制装置的内部信号、输入输出信号等发生变化，并且根据该变化使机械的动作状态发生变化的状态下进行噪音的观测。
但是，为了进行这种噪音测定，控制装置的服务人员需要拿着测定器材前往机械的设置场所，产生高额的服务费用，因此并不理想。进一步，大多会根据状况间歇地产生伴随错误动作的噪音故障，其观测大多需要较长时间。
日本特开2005-159988号公报(专利文献1)公开了在进行热水供给控制运行的热水供给系统中，在检测出噪音时存储与噪音产生状况相关的信息。但是，在专利文献1中公开的技术中，服务人员需要根据所存储的信息来调查噪音的产生原因。
日本特开2015-50903号公报(专利文献2)公开一种检测电源装置所释放的电磁波的电磁波噪音检测装置。在专利文献2公开的技术中，当检测出阈值以上的电磁波噪音时，服务人员需要进一步收集与噪音产生状况相关的信息，并在此基础上调查噪音的产生原因。
以上，自动收集了噪音产生状况相关的信息，但是没有自动确定噪音的产生原因。如果能够自动确定噪音的产生原因，则服务人员以外的机械使用者能够进行针对噪音产生原因的对策，或者在服务人员进行对策时也能够立刻进行对策，因此能够降低服务费用。
发明内容
本发明的目的在于提供一种具有自动确定噪音的原因的噪音分析功能的控制装置。
本发明的一个实施方式的控制装置是进行控制对象物的控制的控制装置，具备：噪音检测部，其检测电噪音；以及学习部，其观察由与控制装置的输入输出信号以及内部信号的状态以及状态变化相关的信息、与控制对象物的动作状态相关的信息以及与控制装置的环境条件相关的信息中的至少一部分组成的状态变量和噪音检测部检测出的电噪音相关的噪音数据，并根据观察到的状态变量以及噪音数据来学习电噪音的产生原因。
噪音检测部虽然测定控制装置内部的噪音量，但是测定部位不限定于一个部位，可以是多个部位。进一步，噪音检测部也可以接收即使是在控制装置外也可能有影响的噪音量的测定值，与控制装置内部的噪音量的测定值合成后设为噪音数据。从有可能与电噪音的产生相关的事项、例如从控制装置的外部输入到控制装置的信号(各种操作开关的状态、各种传感器的值等)的状态以及变化量、从控制装置输出到外部的信号(显示灯的开/关信号、冷却剂的控制信号、门开闭控制信号等)的状态以及变化量、控制对象物的动作状态(电动机的速度、加速度、加加速度等)、控制装置的动作状态(控制部的处理器的负荷状况、通信部的频带使用状况等)、如果存在附近的其他控制装置则为其动作状态、放置控制装置的环境条件(温度、湿度等)中选择状态变量。学习部例如通过有教师学习的方法来学习状态变量相对于噪音数据的值的相关关系。另外，噪音检测部可以不对多个场所的噪音量的测定值进行合成，而学习部可以分别对多个场所的噪音量的测定值进行学习。根据作为学习结果所得到的学习模型来确定噪音的产生原因。
学习部构成为，具有：状态观测部，其被输入状态变量以及噪音数据；噪音源学习部，其根据状态变量以及噪音数据学习状态变量对电噪音的影响情况；以及噪音源决定部，其根据噪音源学习部的学习结果来决定噪音的产生原因。
噪音源学习部构成为，具有：标签计算部，其根据噪音数据计算标签值；以及决策树学习器，其将状态变量设为输入向量，学习对标签值的决策树。
另外，噪音源学习部也可以构成为，具有：标签计算部，其根据噪音数据计算检测标签值；神经网络学习器，其将状态变量设为输入，并具有计算计算标签值的神经网络函数；以及函数更新部，其根据计算标签值和检测标签值的比较结果来更新神经网络函数，使得计算标签值和检测标签值一致。
控制装置具有通信部，其对包括错误检出码或错误纠正码的数据进行通信，根据所通信的数据的错误检出码或错误纠正码来检测通信错误的产生，该控制装置可以决定在产生通信错误时将噪音数据设为有噪音，在没有产生通信错误时将噪音数据设为无噪音。
进一步，可以经由通信网络与其它控制装置能够相互通信地连接，与其它控制装置交换或共享上述学习部的学习结果。
附图说明
图1是表示本发明第一实施方式的机械系统的整体结构的图。
图2是表示一台机械的概略结构的图。
图3是表示第一实施方式的与学习相关的处理的流程图。
图4是表示第二实施方式的噪音源学习部的结构的图。
图5是表示在第二实施方式中得到的决策树的例子的图。
图6是表示第二实施方式的与学习相关的处理的流程图。
图7是表示第三实施方式的噪音源学习部的结构的图。
图8是表示第三实施方式的机械学习的动作流程的流程图。
图9是表示神经元的模型的示意图。
图10是表示具有三层权值的神经网络的示意图。
具体实施方式
图1是表示本发明第一实施方式的机械系统的整体结构的图。
第一实施方式的机械系统具有多个机械1A、1B、……、1N。例如，机械是机床、锻压机械、注射成形机、工业机械或者各种机器人，在工厂内相邻地配置多台。这里，以机床为例进行说明，但是不限定于此。
机械1A、1B、……、1N具有控制对象物2A、2B、……、2N以及控制装置3A、3B、……、3N。控制对象物2A、2B、……、2N是车床、铣床、加工中心等的加工部，由控制装置3A、3B、……、3N进行数值控制。控制装置3A、3B、……、3N是数值控制(Computer NumericalControl:CNC)装置，分别搭载有学习部4A、4B、……、4N。包括学习部4A、4B、……、4N的控制装置3A、3B、……、3N在计算机中通过软件或固件来实现。控制装置3A、3B、……、3N通过网络可相互通信地进行连接。控制装置3A、3B、……、3N根据来自成为输出整体的控制指令的主机的机械(或者专用的整体控制装置)的指令进行动作。另外，也考虑将实现学习部的计算机等附属设置在以往的CNC装置上从而实现上述结构，这种情况下，包括CNC装置和附属的计算机而称为控制装置。无论怎样，学习部的实现方法有各种可能，不特别限定。
图2是表示一台机械的概略结构的图。
图2的机械是图1的机械1A、1B、……、1N中的1台，其控制装置与其它机械的控制装置可通信地进行连接。机械具有控制对象物2、控制装置3。控制对象物2除了机床的机械部分，还具有包括电动机的驱动部21、传感器22。这里，驱动部21虽然具有噪音传感器23，但是不一定要设置噪音传感器23。
控制装置3具有NC控制部31、通信部32、噪音检测部34以及学习部4。NC控制部31被广泛地用于机床的数值控制，所以不特别限定。通信部32进行和图1所示的其它机床以及专用的整体控制装置之间的通信，接收在该机床中的动作指令，并且将与该机床的动作状态等相关的数据发送给其它机床以及专用的整体控制装置。通信部32具有通信错误检测部33，其对包括错误检出码或错误纠正码的数据进行通信，根据接收到的错误检出码或错误纠正码来检测通信错误的产生率。
NC控制部31进行根据接收到的动作指令使驱动部21的电动机移动到指令值的位置的控制所需要的电动机的电流指令值的运算处理，生成相应的PWM信号并输出给驱动部21，并且接受来自电动机的反馈信号，进行伺服控制，将电动机控制成进行希望的旋转。进一步，NC控制部31接收表示传感器22检测出的控制对象物2的状态的检测信号并用于控制。
噪音检测部34检测在控制装置3内产生的电噪音量。例如，噪音检测部34在控制装置3内产生的电噪音量为预定值以上时，将表示噪音产生的标志设为“1”，如果比预定值小则将标志设为“0”。例如考虑错误动作产生时的噪音量来决定预定值。此时，即使在控制装置3中产生了错误动作时，如果噪音量小于预定值则标志为“0”。这是由于错误动作有时不是由于噪音引起的。
进一步，噪音检测部34接收由通信错误检测部13检测出的通信错误量以及来自噪音传感器23的控制对象物2内的电噪音量相关的数据。噪音检测部34在通信错误检测部33检测出的通信错误量为预定值以上时，将表示噪音产生的标志设为“1”，如果比预定值小也可以将标志设为“0”。另外，当在控制装置3内产生的电噪音量与噪音传感器23检测出的控制对象物2内的电噪音量的和为预定值以上时，噪音检测部34将表示噪音产生的标志设为“1”，如果比预定值小则将标志设为“0”。
图2中，噪音检测部34可以设置为一个，但也可以设置多个，设定与各个噪音检测部对应的多个标志的值，根据多个噪音检测部检测出的电噪音量的加权合成值来设置标志的值，也可以根据所记载的例子以外的噪音量的组合来进行标志的设定。进一步，能够不用标志，而是用3个以上的标签来表示噪音的程度。
学习部4具有状态观测部41、噪音源学习部44以及噪音源决定部45。状态观测部41具有向量输入部42和噪音数据输入部43。向量输入部42接受从控制装置3输出给外部的信号的状态以及变化量、从外部输入给控制装置3的信号的状态以及变化量、控制对象物2内的电动机的动作状态、放置控制装置3的环境状态以及图1所示的其他机械的控制装置的动作状态等可观测的状态变量。状态变量为学习中的向量输入。噪音数据输入部43接受噪音检测部34检测出的噪音数据。这里，进行以下说明，即噪音检测部34判定是否如上述那样是噪音大的状态，如果判定为噪音大则将噪音产生标志设为“1”，如果判定为噪音小则将噪音产生标志设为“0”，噪音数据输入部43将该噪音产生标志作为噪音数据来接受。
向量输入部42以及噪音数据输入部43接受相同时间点的状态变量和噪音数据。在进行后述的学习的基础上，希望噪音产生标志为“1”和“0”的数据数接近。因此，在噪音产生标志为“1”的频率和为“0”的频率大不相同的情况下，状态观测部41最好进行采样使得噪音产生标志为“1”和为“0”的数据数接近。例如当噪音产生标志成为“1”的大的噪音的产生频率小时，随机舍弃噪音产生标志成为“0”时的数据，相反当噪音产生标志成为“0”的大的噪音的产生频率小时，随机舍弃噪音产生标志成为“1”时的数据，进行采样使得噪音产生标志为“1”和“0”的数据数接近。
噪音源学习部44学习来自状态观测部41的状态变量和噪音数据的关系。以下说明噪音源学习部44中的学习处理。
将能够观测的输入设为x，将不能观测的环境变量设为Θ，将输出设为y。如上所述，x是从控制装置3输出给外部的信号的状态以及变化量、从外部输入给控制装置3的信号的状态以及变化量、控制对象物2内的电动机的动作状态、放置控制装置3的环境状态以及图1所示的其他机械的控制装置的动作状态等的数据。Θ是离成为噪音产生原因的设备的距离、电缆的成形等的控制装置3的设置状况等不能观测的环境状态。y是噪音量，这里是“1”或“0”。
这里，将用于从输入x、Θ得到y的函数设为fΘ(x)。将其称为学习模型，为了表现该f，使用神经网络和决策树等。噪音源学习部44接受多个输入x和噪音数据y的组，使用这些进行学习模型f的参数的调整。
在本实施方式中，将从控制装置3输出给外部的信号的状态以及变化量、从外部输入给控制装置3的信号的状态以及变化量、控制对象物2内的电动机的动作状态、放置控制装置3的环境状态以及图1所示的其他机械的控制装置的动作状态等的能够观测的数据中的至少一个设为输入x，将此时的噪音量设为输出y，多次实施机械动作时的输入x和输出y的观测来获得多个数据集，通过学习器(神经网络和决策树等)进行学习。由此，学习输入x和输出y的关系性f。此时，在本实施方式中，通过控制装置3的设置状况等不能够观测的环境变量Θ，该表现出的学习模型fΘ(x)变得不同。
噪音源决定部45以这样得到的学习模型fΘ作为基础，进行噪音原因的确定。
图3是表示第一实施方式的与学习相关的处理的流程图。
在步骤S101，状态观测部41观测状态变量。
在步骤S102，噪音源学习部44进行机械学习。
在步骤S103，噪音源决定部45以学习模型为基础，进行噪音原因的确定。
在步骤S104，控制装置3将通过噪音源学习部44得到的学习模型fΘ以及噪音源决定部45所确定的噪音原因从通信部32发送给其他控制装置，从而交换并共享学习结果。
以上，说明了第一实施方式的机械系统，接着表示更详细地说明了学习部4的实施方式。
图4是表示第二实施方式的噪音源学习部的结构的图。
第二实施方式的机械系统具有与第一实施方式的机械系统相同的结构，是通过决策树学习器实现了噪音源学习部44的系统。第二实施方式的噪音源学习部44在计算机上通过软件或固件等来实现，具有图4所示的功能结构。
噪音源学习部44具有标签计算部51、输入数据存储部52、熵计算部53、变量选择部54以及决策树学习器55。标签计算部51以来自状态观测部41的噪音数据输入部43的噪音数据为基础，计算适于学习器的标签，但是如果噪音数据是噪音产生标志则也可以直接作为标签使用。
输入数据存储部52累积进行决策树学习所需的充分的状态变量的组(输入x、标签)而进行存储。
熵计算部53计算输入x的各个变量的熵差。决策树学习中的熵的计算是众所周知的，所以省略详细的说明，但是根据由于各变量(要素)的分支造成的熵的变化(熵差)能够求出各变量的噪音产生相关的影响度。
变量选择部54根据熵计算部53计算出的各变量的熵差来选择用于学习的变量。变量越多，学习器越能够深入学习噪音原因，但是计算量根据变量的数量而显著增加，因此在实际的学习中，最好尽量排除对噪音产生影响少的变量而进行选择。
另外，当输入x的变量的数量比用于学习的计算机的运算能力少时，不需要熵计算部53以及变量选择部54。
决策树学习器55按照决策树学习方法，根据输入x的变量以及标签的组生成决策树，该决策树将成为有噪音(噪音产生标志“1”)的变量的条件和成为无噪音(噪音产生标志“0”)的条件进行分离。
图5是表示在第二实施方式得到的决策树的例子的图。
在决策树中，内部节点与输入x的要素(变量)对应，向子节点的树枝表示该要素(变量)可取得的值的条件。叶节点表示对应于通过来自根节点的路径表示的输入x的值的组合的输出y的预测值。在图5的决策树的例子中，在内部的节点出现“外部输出信号DOxx的值”和“电动机X的速度”，所以能够判断这2个是噪音的原因。另外，作为噪音产生条件，已知DOxx的值为1，电动机X的速度是1000rpm以上的时候。
以上，能够判断决策树中出现的要素(变量)是噪音产生主要原因，树枝的条件是噪音产生的条件。因此，噪音源决定部45以决策树为基础探索噪音产生的原因，输出噪音产生原因相关的信息。
图6是表示第二实施方式的与学习相关的处理的流程图。
在步骤S201，状态观测部41观测状态变量，收集输入数据(变量以及噪音数据)。与此对应，标签计算部51根据噪音数据计算标签，输入数据存储部52存储变量以及标签。
在步骤S202，输入数据存储部52判定数据量是否充分，如果不充分则返回步骤S201，如果充分则进入步骤S203。
在步骤S203，熵计算部53计算各变量造成的熵的变化。
在步骤S204，变量选择部54选择用于学习的变量。
在步骤S205，决策树学习部55根据选择出的输入x的变量以及标签来进行生成决策树的机械学习。
在步骤S206，噪音源决定部45以决策树为基础，进行噪音原因的确定。
之后，与第一实施方式相同，控制装置3将噪音源决定部45所确定的噪音原因、即学习结果从通信部32发送给其他控制装置等。
图7是表示第三实施方式的噪音源学习部的结构的图。图7中，一起表示状态观测部。
第三实施方式的机械系统具有与第一实施方式的机械系统相同的结构，是通过“有教师”的神经网络学习器来实现噪音源学习部44的系统。第三实施方式的噪音源学习部44在计算机上通过软件或固件等来实现，具有图7所示的功能结构。
状态观测部41与第一实施方式同样具有向量输入部42、噪音数据输入部43。
噪音源学习部44具有标签计算部61、神经网络(NW)学习器62以及函数更新部63。
标签计算部61根据噪音数据输入部43所输出的噪音数据计算标签。
NW学习器62具有神经网络(函数)，其将向量输入部42所输出的状态变量设为变量，输出表示有无噪音的结果。
函数更新部63比较标签计算部61所输出的标签和NW学习器62所输出的结果，将比较结果输出给NW学习器62。
NW学习器62进行更新神经网络(函数)的学习，使得比较结果一致。
图8是表示第三实施方式的机械学习的动作流程的流程图。
在步骤S301，运转机床。
在步骤S302，状态观测部41观测状态变量以及噪音数据。
在步骤S303，标签计算部61根据通过状态观测部41的噪音数据输入部43观测到的噪音数据来计算标签。如上所述，如果噪音数据是噪音产生标志则直接作为标签使用。
在步骤S304，NW学习部62根据通过状态观测部41的向量输入部42观测到的状态变量，通过此时输入的状态变量计算是否产生噪音，输出该计算结果。计算结果在产生噪音的情况下为“1”，在没有产生噪音的情况下为“0”。
在步骤S305，函数更新部63比较标签计算部61所输出的标签和NW学习器62所输出的计算结果是否一致，如果不一致则进入步骤S306，如果一致则进入步骤S307。
在步骤S306，更新神经网络使得计算结果与标签一致，返回S302。后面详述关于神经网络(函数)的更新。
在步骤S307，判定计算结果连续与标签一致的次数是否超过预定次数TH，如果没有超过则返回S302，如果超过则进入步骤S308。
当进入步骤S308时，表示神经网络(函数)成为了能够根据变量适当判定是否产生噪音的状态。在S308，噪音源决定部45以神经网络(函数)的内部状态作为基础探索噪音产生的原因，输出噪音产生原因相关的信息。
接着，更详细说明NW学习器62。NW学习器62具有以下功能，即通过分析从所输入的数据的集合中提取其中有用的规则和知识表现、判断基准等，输出其判断结果，并且进行知识的学习。这里，作为学习算法使用“有教师学习”，还使用被称为“深层学习”的方法。另外，NW学习器62例如通过适用GPGPU(General-Purpose computing on Graphics ProcessingUnits图形处理单元的通用计算)和大规模PC集群等来实现。
“有教师学习”通过将某个输入和结果(标签)的数据组大量地赋予NW学习器62，学习这些数据集中的特征，归纳地获得从输入推定结果的模型，即其关系性。当将该有教师学习适用于本实施方式时，能够使用神经网络的算法来实现。
首先，说明NW学习器62的学习算法。
作为学习的问题设定，考虑以下情况。
·控制装置3的学习部4观测环境的状态，计算神经网络(函数)的值(有无噪音)。
·环境按照动作发生变化。
·针对观测到的环境(状态变量)，观测有无实际的噪音，得到标签。
·更新神经网络(函数)使得计算结果与实际的结果即标签一致。
·从完全不知道环境(状态变量)所引起的结果(有无噪音)、或只是不完全知道的状态开始学习。即，机械(控制装置)开始实际地动作，能够作为数据得到其结果(噪音)。即，需要一边试错一边得到最佳的函数，能够探索噪音的原因。
NW学习器62具有使用了神经网络的函数，通过随机梯度下降法等方法来调整函数的参数，由此更新函数。神经网络由例如实现模拟了图9所示的神经元模型的神经网络的运算装置以及存储器等构成。图9是表示神经元的模型的示意图。
如图9所示，神经元输出对应于多个输入x(图8中作为一例，输入x1～输入x3)的输出y。与该输入x对应的权值w(w1～w3)与各输入x1～输入x3相乘。这样，神经元输出通过式1表现的输出y。另外，输入x、输出y以及权值w全部是向量。另外，在以下的式1中，θ是偏置，fk是激活函数。
Figure BDA0001145659190000111
接着，参照图10说明组合了上述神经元的具有3层权值的神经网络。图10是表示具有D1～D3的3层权值的神经网络的示意图。
如图10所示，从神经网络的左侧输入多个输入x(这里作为一例，输入x1～输入x3)，从右侧输出结果y(这里作为一例，结果y1～结果y3)。另外，在第三实施方式中，输出y只是y1。
具体地说，输入x1～输入x3与相应的权值相乘后分别输入给3个神经元N11～N13。与这些输入相乘的权值被汇总标记为W1。
神经元N11～N13分别输出Z11～Z13。图10中，汇总这些Z11～Z13标记为特征向量Z1，能够视为提取出了输入向量的特征量的向量。该特征向量Z1是权值W1和权值W2之间的特征向量。Z11～Z13与相应的权值相乘后分别输入给2个神经元N21、N22。与这些特征向量相乘的权值被汇总标记为W2。
神经元N21、N22分别输出Z21、Z22。图10中，这些Z21、Z22被汇总标记为特征向量Z2。该特征向量Z2是权值W2和权值W3之间的特征向量。特征向量Z21、Z22与相应的权值相乘后分别输入给3个神经元N11～N13。与这些特征向量相乘的权值被汇总标记为W3。
最后，神经元N11～N13分别输出结果y1～结果y3。
神经网络的动作中有学习模式和探索模式。例如，在学习模式中使用学习数据集学习权值w，噪音源决定部45使用该参数在探索模式中探索噪音的原因。
这里，通过探索模式即时学习实际运转机械而得到的数据，能够反映到(在线学习)下一个行为中，也能够使用预先收集到的数据组进行汇总的学习(批量学习)。或者，也能够进行其中间的、每次滞留某程度数据时混入学习模式。
另外，权值W1～W3能够通过误差反向传播法(Back propagation反向传播)来学习。误差的信息从右侧进入流到左侧。误差反向传播法是为了对各个神经元缩小输入了输入x时的输出y与真正的输出y(教师)(这里为结果的一致/不一致)之间的差而调整(学习)各个权值的方法。
这样的神经网络还能够在3层以上进一步增加层(称为深层学习)。阶段性地进行输入的特征提取，能够仅从教师数据自动地获得将结果返回的学习器。
在第一到第三实施方式中，通过2值的标志表示了噪音数据，但是也能够设为3值以上的多值数据。进一步，如上所述，也能够在不同的场所设置多个噪音检测部，对多个噪音检测部的输出分别进行学习。
根据本发明，能够通过控制装置自动地确定噪音产生原因。
以上，说明了实施方式，但是这里记载的所有例子和条件是以帮助理解应用于发明以及技术的发明概念的目的而记载的，特别记载的例子和条件没有限制发明范围的意图。另外，说明书的这种记载不表示发明的优点和缺点。详细地记载了发明的实施方式，但是应该理解能够不脱离发明的主旨以及范围而进行各种变更、置换以及变形。

Claims (4)

1.一种控制装置，用于进行控制对象物的控制，其特征在于，
该控制装置具备：
通信部，其对包括错误检出码或错误纠正码的数据进行通信，根据所通信的数据的上述错误检出码或上述错误纠正码来检测通信错误的产生，
噪音检测部，其通过接收由上述通信部检测出的通信错误量以及电噪音量相关的数据，来检测电噪音；以及
学习部，其观察由与上述控制装置的输入输出信号以及内部信号的状态以及状态变化相关的信息、与上述控制对象物的动作状态相关的信息以及与上述控制装置的环境条件相关的信息中的至少一部分组成的状态变量，并根据观察到的上述状态变量以及与上述噪音检测部检测出的电噪音相关的噪音数据，来学习上述电噪音的产生原因，
该控制装置在产生上述通信错误时将上述噪音数据设为有噪音，在没有产生上述通信错误时将上述噪音数据设为无噪音，
上述学习部具有：
状态观测部，其被输入上述状态变量以及上述噪音数据；
噪音源学习部，其根据上述状态变量以及上述噪音数据学习上述状态变量与上述噪音数据的关系；以及
噪音源决定部，其根据上述噪音源学习部的学习结果来决定上述噪音的产生原因。
2.根据权利要求1所述的控制装置，其特征在于，
上述噪音源学习部具有：
标签计算部，其根据上述噪音数据计算标签值；以及
决策树学习器，其将上述状态变量设为输入向量，学习对上述标签值的决策树。
3.根据权利要求1所述的控制装置，其特征在于，
上述噪音源学习部具有：
标签计算部，其根据上述噪音数据计算检测标签值；
神经网络学习器，其将上述状态变量设为输入，并具有计算计算标签值的神经网络函数；以及
函数更新部，其根据上述计算标签值和上述检测标签值的比较结果来更新上述神经网络函数，使得上述计算标签值和上述检测标签值一致。
4.根据权利要求1～3中的任意一项所述的控制装置，其特征在于，
该控制装置经由通信网络与其它控制装置能够相互通信地连接，与其它控制装置交换或共享上述学习部的学习结果。
CN201610971996.XA 2015-12-24 2016-11-01 具有检测噪音产生原因的学习功能的控制装置 Active CN106919162B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015-251564 2015-12-24
JP2015251564A JP6444851B2 (ja) 2015-12-24 2015-12-24 ノイズの発生原因を検出する学習機能を有する制御装置

Publications (2)

Publication Number Publication Date
CN106919162A CN106919162A (zh) 2017-07-04
CN106919162B true CN106919162B (zh) 2020-07-14

Family

ID=59010569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610971996.XA Active CN106919162B (zh) 2015-12-24 2016-11-01 具有检测噪音产生原因的学习功能的控制装置

Country Status (4)

Country Link
US (1) US20170185056A1 (zh)
JP (1) JP6444851B2 (zh)
CN (1) CN106919162B (zh)
DE (1) DE102016015017B4 (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11816465B2 (en) 2013-03-15 2023-11-14 Ei Electronics Llc Devices, systems and methods for tracking and upgrading firmware in intelligent electronic devices
US11734396B2 (en) 2014-06-17 2023-08-22 El Electronics Llc Security through layers in an intelligent electronic device
US10958435B2 (en) 2015-12-21 2021-03-23 Electro Industries/ Gauge Tech Providing security in an intelligent electronic device
KR102394832B1 (ko) * 2017-07-11 2022-05-06 현대자동차주식회사 커넥티비티 통합관리 방법 및 커넥티드 카
WO2019077837A1 (ja) * 2017-10-19 2019-04-25 オリンパス株式会社 推定装置、医療システム、推定方法及び推定プログラム
JP6798968B2 (ja) 2017-11-22 2020-12-09 ファナック株式会社 ノイズ発生原因推定装置
US11734704B2 (en) * 2018-02-17 2023-08-22 Ei Electronics Llc Devices, systems and methods for the collection of meter data in a common, globally accessible, group of servers, to provide simpler configuration, collection, viewing, and analysis of the meter data
US11754997B2 (en) 2018-02-17 2023-09-12 Ei Electronics Llc Devices, systems and methods for predicting future consumption values of load(s) in power distribution systems
US11686594B2 (en) 2018-02-17 2023-06-27 Ei Electronics Llc Devices, systems and methods for a cloud-based meter management system
JP2019164762A (ja) * 2018-03-19 2019-09-26 ファナック株式会社 情報処理装置，機械学習装置及びシステム
DE102019001760A1 (de) * 2018-03-19 2019-09-19 Fanuc Corporation Informationsverarbeitungsgerät, maschinelle lernvorrichtungund system
EP3561615B1 (en) * 2018-04-23 2021-07-14 Omron Corporation Method for operating an automation system and automation system
CN108732931B (zh) * 2018-05-17 2021-03-26 北京化工大学 一种基于jit-rvm的多模态间歇过程建模方法
DE102019118379A1 (de) * 2018-07-12 2020-03-05 Fanuc Corporation Rauschquellenüberwachungsvorrichtung und Rauschquellenüberwachungsverfahren
JP6856591B2 (ja) * 2018-09-11 2021-04-07 ファナック株式会社 制御装置、ｃｎｃ装置及び制御装置の制御方法
JP6959214B2 (ja) * 2018-11-29 2021-11-02 ファナック株式会社 数値制御装置
JP7115346B2 (ja) * 2019-02-07 2022-08-09 株式会社デンソー 異常検知装置
US11863589B2 (en) 2019-06-07 2024-01-02 Ei Electronics Llc Enterprise security in meters
JP7416400B2 (ja) * 2019-10-18 2024-01-17 国立研究開発法人産業技術総合研究所 識別補助データ生成技術及び識別情報抽出技術

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1645154A (zh) * 2004-01-21 2005-07-27 发那科株式会社 噪音检测装置
CN101082811A (zh) * 2006-06-02 2007-12-05 中国科学院自动化研究所 一种基于噪声估计的自适应状态反馈预测控制方法
CN101124523A (zh) * 2005-02-15 2008-02-13 Abb研究有限公司 用于过程控制系统的诊断设备
CN101733676A (zh) * 2008-11-17 2010-06-16 深圳市大族激光科技股份有限公司 机床结构噪声识别与控制方法
CN102566505A (zh) * 2012-02-27 2012-07-11 温州大学 一种数控机床的智能故障诊断方法
CN102809493A (zh) * 2011-06-02 2012-12-05 三菱电机株式会社 异常音诊断装置
CN105094111A (zh) * 2015-04-09 2015-11-25 南京航空航天大学 基于联合降噪和经验模态分解的控制系统健康状态分析方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2883352B2 (ja) * 1989-05-10 1999-04-19 一幸 合原 部分放電検出方法
JP3462257B2 (ja) * 1994-03-23 2003-11-05 東京電力株式会社 部分放電検出方法
JPH10187236A (ja) * 1996-12-25 1998-07-14 Toyota Central Res & Dev Lab Inc 動的システムの診断装置
JP4385745B2 (ja) * 2003-11-28 2009-12-16 株式会社ノーリツ 給湯システム
JP2015050903A (ja) * 2013-09-04 2015-03-16 株式会社ダイナテック 電磁波ノイズ検出装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1645154A (zh) * 2004-01-21 2005-07-27 发那科株式会社 噪音检测装置
CN101124523A (zh) * 2005-02-15 2008-02-13 Abb研究有限公司 用于过程控制系统的诊断设备
CN101082811A (zh) * 2006-06-02 2007-12-05 中国科学院自动化研究所 一种基于噪声估计的自适应状态反馈预测控制方法
CN101733676A (zh) * 2008-11-17 2010-06-16 深圳市大族激光科技股份有限公司 机床结构噪声识别与控制方法
CN102809493A (zh) * 2011-06-02 2012-12-05 三菱电机株式会社 异常音诊断装置
CN102566505A (zh) * 2012-02-27 2012-07-11 温州大学 一种数控机床的智能故障诊断方法
CN105094111A (zh) * 2015-04-09 2015-11-25 南京航空航天大学 基于联合降噪和经验模态分解的控制系统健康状态分析方法

Also Published As

Publication number Publication date
JP6444851B2 (ja) 2018-12-26
DE102016015017B4 (de) 2020-04-02
US20170185056A1 (en) 2017-06-29
CN106919162A (zh) 2017-07-04
DE102016015017A1 (de) 2017-06-29
JP2017117180A (ja) 2017-06-29

Similar Documents

Publication Publication Date Title
CN106919162B (zh) 具有检测噪音产生原因的学习功能的控制装置
US11275345B2 (en) Machine learning Method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device
CN110515351B (zh) 异常检测器
CN108628253A (zh) 异常检测装置以及机器学习装置
JP6031202B1 (ja) 製造機械の異常の原因を発見するセル制御装置
US20170277174A1 (en) Machining machine system which determines acceptance/rejection of workpieces
US20170344909A1 (en) Machine learning device, failure prediction device, machine system and machine learning method for learning end-of-life failure condition
CN106552974B (zh) 具有移动轴异常负载警告功能的线放电加工机
Tafazoli et al. Hybrid system state tracking and fault detection using particle filters
El-Koujok et al. Multiple sensor fault diagnosis by evolving data-driven approach
Echevarría et al. A variant of the particle swarm optimization for the improvement of fault diagnosis in industrial systems via faults estimation
US20170300041A1 (en) Production system for executing production plan
Windmann et al. A stochastic method for the detection of anomalous energy consumption in hybrid industrial systems
Levy et al. An integrated approach to mode tracking and diagnosis of hybrid systems
JP2017130094A (ja) セル制御装置、及び製造セルにおける複数の製造機械の稼働状況を管理する生産システム
Wang et al. Remaining useful life prediction considering joint dependency of degradation rate and variation on time-varying operating conditions
Nahian et al. An unknown input observer–EFIR combined estimator for electrohydraulic actuator in sensor fault-tolerant control application
Xu et al. A new robot collision detection method: A modified nonlinear disturbance observer based-on neural networks
CN108803690A (zh) 数值控制装置
CN112677147A (zh) 事件估计系统和事件估计方法
Rinner et al. Online monitoring by dynamically refining imprecise models
Sai et al. Adaptive local approximation neural network control based on extraordinariness particle swarm optimization for robotic manipulators
Pathak et al. Da-bsp: Towards data association aware belief space planning for robust active perception
Volkov et al. Intelligent and complex monitoring in intelligent buildings
Kabir et al. Fuzzy-Based Smart Path Guidance System for Visually Impaired and Deaf Person

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