CN110023857B - 伺服控制装置 - Google Patents
伺服控制装置 Download PDFInfo
- Publication number
- CN110023857B CN110023857B CN201780021680.7A CN201780021680A CN110023857B CN 110023857 B CN110023857 B CN 110023857B CN 201780021680 A CN201780021680 A CN 201780021680A CN 110023857 B CN110023857 B CN 110023857B
- Authority
- CN
- China
- Prior art keywords
- servo
- unit
- servo motor
- command position
- control device
- 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
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
- 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
- G05B19/404—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 control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
-
- 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
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32335—Use of ann, neural network
-
- 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
- G05B2219/33—Director till display
- G05B2219/33027—Artificial neural network controller
-
- 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
- G05B2219/41—Servomotor, servo controller till figures
- G05B2219/41177—Repetitive control, adaptive, previous error during actual positioning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
- Numerical Control (AREA)
- Control Of Position Or Direction (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明是一种伺服控制装置(1),其基于指令位置对伺服电动机进行控制,该伺服控制装置(1)具有:校正部(13),其使用基于表示网络的构造的参数进行处理的第1神经网络,对指令位置进行校正;以及伺服放大器(11),其基于从校正部(13)输出的校正后的指令位置,对伺服电动机(3)进行控制,校正部(13)基于校正后的指令位置及伺服电动机的实际的位置,对所述指令位置进行校正。
Description
技术领域
本发明涉及对驱动工作机械等控制对象的电动机进行驱动控制的伺服控制装置。
背景技术
通常,在对驱动工作机械的电动机进行驱动控制的伺服控制装置中,以实现从NC(Numerical Control:数控)装置、运动控制器等指令值生成装置指令出的位置、速度的方式进行向电动机的驱动电流的控制。特别地,在加工刀具在由加工程序指示出的移动轨迹上移动的情况下,一边精细地对位置进行管理、一边进行电动机的驱动控制。在电动机的驱动控制中,存在由于电动机的旋转方向反转时的摩擦干扰的影响而产生轨迹误差的问题。该轨迹误差被称为象限凸起、空转,至此为止提出了用于对轨迹误差进行抑制的各种方式。
例如,在专利文献1公开的发明中,针对进行重复动作的控制对象,事先对在动作时产生的轨迹误差的误差量进行存储,作为执行此后的同一程序时的校正量使用,对指令值进行校正。
另外,在专利文献2公开的发明中,构成为在扭矩反馈环中对神经网络(NN:NeuralNetwork)进行配置,通过使NN的结构时时刻刻变化,从而对由于齿隙产生的误差进行校正。
在专利文献3公开的发明中,构成为为了对机器人的指尖振动进行抑制而使用NN进行指尖加速度的推定,对扭矩指令进行校正。
专利文献1:日本特开2004-234327号公报
专利文献2:美国专利第7080055号说明书
专利文献3:日本特开平6-35525号公报
发明内容
在专利文献1记载的发明,以对误差的校正量进行计算为目的,需要事先至少1次执行加工程序。即,在执行新的加工程序的情况下,存在由于是初次运转而无法进行高精度的控制的问题。另外,通过事先进行动作,从而机械被占用,存在生产率降低这样的问题。并且,需要与加工程序的长度相对应的校正数据,因此在进行长时间加工的程序的情况下需要预先累积庞大的校正数据。
在专利文献2记载的发明,在校正量计算的基础上进行NN结构的更新处理,因此在学习对象(齿隙等)的举动变得更复杂的结构等时需要将NN的结构设为复杂的情况下,认为会提高而大于或等于校正量计算中的处理负荷。由此,对NN处理以外的用于对电动机进行控制的处理也造成影响,产生无法进行规定周期下的电动机控制的问题。在专利文献2记载的发明中,作为控制块的一部分而构成NN,因此存在难以进行处理的分散化这样的问题。
在专利文献3记载的发明中,如果执行使用NN中的推定结果进行的扭矩校正,则NN作为学习对象的控制对象(机器人的指尖)的特性变化,无法使具有基于过去的测定数据、学习结果而决定出的参数的NN继续而用于校正处理,或即使使NN继续而用于校正处理,校正精度也会降低。另外,在执行使用NN中的推定结果进行的扭矩校正的期间,由于要拆下加速度传感器,因此不成为能够使学习继续的结构。假设在安装了加速度传感器的情况下仍试图使NN的学习继续,根据有无执行使用NN的扭矩校正而控制对象(机器人的指尖)的举动变得不同。即,根据有无执行使用NN的扭矩校正而控制对象的特性变化,因此无法有效使用过去的测定数据及学习结果。因此,存在无法使NN中的校正和NN的学习同时继续进行的问题。
本发明就是鉴于上述情况而提出的,第1目的在于得到下述伺服控制装置,其即使使用NN进行校正处理,也不会使校正精度降低而能够使通过有效使用过去的测定数据及学习结果的NN实现的校正处理继续进行。另外,第2目的在于得到下述伺服控制装置,其即使使NN的校正和NN的学习同时继续进行,也不会对NN处理以外的用于对电动机进行控制的处理造成影响而能够对在校正处理中使用的参数进行更新。
为了解决上述的课题并达到目的,本发明是伺服控制装置,其基于指令位置,对伺服电动机进行控制。伺服控制装置具有:校正部,其使用基于表示网络的构造的参数进行处理的第1神经网络,对指令位置进行校正;以及伺服放大器,其基于从校正部输出的校正后的指令位置,对伺服电动机进行控制。校正部基于校正后的指令位置及伺服电动机的实际的位置,对指令位置进行校正。
发明的效果
本发明所涉及的伺服控制装置具有下述效果,即,即使使用NN进行校正处理,也能够使通过有效使用过去的测定数据及学习结果的NN实现的校正处理继续进行。
附图说明
图1是表示实施方式1所涉及的伺服控制装置的结构例的图。
图2是表示实施方式1所涉及的伺服控制装置的其他结构例的图。
图3是表示实施方式2所涉及的伺服控制装置的结构例的图。
图4是表示实施方式2所涉及的伺服控制装置的其他结构例的图。
图5是表示实施方式3所涉及的校正部的结构例的图。
图6是表示没有发生通信延迟的情况下的校正部的结构例的图。
图7是表示实施方式3所涉及的校正部的动作顺序的一个例子的流程图。
图8是表示将实施方式1~3所涉及的伺服控制装置实现的处理电路的图。
具体实施方式
下面,基于附图,对本发明的实施方式所涉及的伺服控制装置详细地进行说明。此外,本发明不受本实施方式限定。
实施方式1.
图1是表示本发明的实施方式1所涉及的伺服控制装置的结构例的图。实施方式1所涉及的伺服控制装置1基于由指令值生成部2生成的指令位置,生成用于对伺服电动机3进行驱动的电压,施加至伺服电动机3。指令位置是对伺服电动机3的位置进行指定的指令值。伺服控制装置1具有伺服放大器11、学习部12及校正部13。
此外,指令值生成部2由以预先决定的时间间隔即指令值生成控制周期间隔将向伺服电动机3的指令位置输出的装置构成。指令值生成部2例如由数控装置实现,使用公知的技术而生成位置指令。
伺服控制装置1的伺服放大器11,是以预先决定的时间间隔即伺服控制周期间隔对伺服电动机3的位置、速度及加速度进行控制的装置,以伺服电动机3的实际的位置与由指令值生成部2生成的指令位置一致的方式进行控制。此外,伺服放大器11实际上,以伺服电动机3的实际的位置与通过后面记述的校正部13进行校正后的指令位置一致的方式进行控制。指令值生成部2生成指令位置的指令值生成控制周期和伺服放大器11对伺服电动机3进行控制的伺服控制周期可以为同一周期,也可以为不同的周期。在它们为不同的周期的情况下,可以将对周期的差异进行补偿的单元设置于伺服放大器11。例如,伺服放大器11具有对从校正部13输入的最新的指令位置进行保持的单元,以伺服电动机3的实际位置与所保持的指令位置即最新的指令位置一致的方式进行控制。下面,为了防止说明变得繁琐,有时将“伺服电动机3的实际的位置”简单表现为“伺服电动机3的位置”。
伺服电动机3是用于经由未图示的滚珠丝杠等动力传递机构进行工作机械的驱动控制的驱动装置,从伺服放大器11接受电压的施加而进行旋转。在伺服电动机3安装有编码器等位置检测器,位置检测器对伺服电动机3的位置进行检测。位置检测器将检测出的位置输出至伺服控制装置1。位置检测器检测出的位置输入至伺服控制装置1内的伺服放大器11、学习部12及校正部13。
向伺服控制装置1的学习部12,除了由安装于伺服电动机3的位置检测器检测出的伺服电动机3的位置以外,还输入由校正部13校正后的指令位置。如图1所示,由校正部13校正后的指令位置是向伺服放大器11输入的指令位置。学习部12具有神经网络(下面,记载为NN),使用被输入的伺服电动机3的位置及指令位置,实施用于对预先决定的时刻即一定时刻后的伺服电动机3的位置进行预测的学习。具体地说,学习部12通过学习而决定表示NN的网络构造的参数,作为学习结果而保存。作为表示网络构造的参数,加权参数、偏置参数等是符合的。学习部12使用也被称为误差逆传导法的反向传播等公知的技术,对各参数进行计算。通常,如果网络的结构变得复杂,则需要大量的计算时间。学习部12也可以以与上述的指令值生成控制周期及伺服控制周期都不同的周期(下面,称为学习周期)执行各参数的计算。假设学习周期为比指令值生成控制周期及伺服控制周期的任意的周期长的周期。
伺服控制装置1将表示通过学习部12得到的学习结果即表示NN的网络构造的参数保存于学习部12的内部,或者学习部12的外部的存储区域。由此,用户能够确认在伺服控制装置1中采用了何种的网络构造。
此外,学习部12也可以构成为,取代伺服电动机3的位置,使伺服电动机3的位置、速度或者加速度、流过伺服电动机3的电动机电流、在伺服放大器11的内部计算出的模型位置等进行组合而进行学习。
模型位置是通过计算求出的伺服电动机3的大致的位置,是对伺服电动机3的实际位置进行推定得到的。模型位置能够通过使指令位置经过模拟出伺服电动机3的构造的伺服模型而进行推定。该伺服模型单纯地被定义为具有与位置环增益相对应的截止频率的一阶滞后滤波器,通常能够作为具有低通特性的滤波器而使用。
通过将由计算得到的模型位置和伺服电动机3的实际的位置进行比较,从而能够对无法通过伺服模型进行模型化的特征即模型位置误差进行提取。模型位置误差是模型位置和伺服电动机3的实际的位置的误差。
对学习部12使用模型位置误差进行学习的情况进行说明。该情况下的伺服控制装置的结构如图2所示。图2是表示实施方式1所涉及的伺服控制装置的其他结构例的图。图2所示的伺服控制装置1a与图1所示的伺服控制装置1同样地,具有伺服放大器11、学习部12及校正部13。但是,在伺服控制装置1a中,伺服放大器11通过上述的方法对模型位置误差进行计算,向学习部12输出。学习部12使用从校正部13输入的指令位置和从伺服放大器11输入的模型位置误差,对表示NN的网络构造的参数进行计算。伺服控制装置1和伺服控制装置1a是使用不同的信息对伺服电动机3进行控制的控制装置,但控制动作本身是相同的。因此,省略对伺服控制装置1a的详细说明。
学习部12中的学习结果,以预先设定出的学习周期的间隔转发至校正部13。此外,也可以构成为基于学习部12中的学习所需的处理时间,对学习周期进行设定。
校正部13与学习部12同样地具有NN,使用学习部12中的学习结果即加权参数等,进行一定时刻后的伺服电动机3的位置的预测。此时,校正部13基于向伺服放大器11输出的校正后的指令位置和伺服电动机3的实际位置而进行NN计算(推论处理),对一定时刻后的伺服电动机3的位置进行预测。另外,校正部13在进行了一定时刻后的伺服电动机3的位置的预测后,使用一定时刻后的伺服电动机3的位置,以伺服电动机3的位置与指令位置一致的方式对指令位置的校正量进行计算,对指令位置进行校正。此外,校正部13所具有的NN相当于第1神经网络,学习部12所具有的NN相当于第2神经网络。
另外,如上所述,学习部12以学习周期进行学习,将学习结果输出至校正部13,因此校正部13在每次从学习部12接收学习结果,即以每个学习周期对表示NN的网络构造的参数进行更新。其结果,在校正部13中使用的表示NN的网络构造的参数和学习部12在学习中使用的表示NN的网络构造的参数变得相同。
校正部13例如为了将摩擦干扰的影响最小化,对将校正后的指令位置设为输入,将伺服电动机3的位置设为输出的传递函数进行计算,将向其逆传递函数的输入设为伺服电动机3的位置的误差而能够求出校正量。伺服电动机3的位置的误差是指伺服电动机3的实际的位置和校正后的指令位置的误差。在指令位置具有高频率成分的情况下,通过低通滤波器等滤波器而将高频成分去除即可。此时,伺服电动机3的位置的误差和减少通过伺服电动机3进行驱动的工作机械的振动的振动减少效果处于折衷的关系。因此,校正部13与控制对象的工作机械相应地对传递函数的设定进行变更即可。
如以上所述,本实施方式所涉及的图1所示的伺服控制装置1具有:校正部13,其使用NN对指令位置进行校正;伺服放大器11,其基于校正后的指令位置,对伺服电动机3进行控制;以及学习部12,其基于校正后的指令位置及伺服电动机3的实际的位置,决定表示构成校正部13的NN的构造的参数。另外,图2所示的伺服控制装置1a的学习部12,基于校正后的指令位置及模型位置误差,决定表示构成校正部13的NN的构造的参数。由此,在校正部13执行校正处理的过程中,对表示构成校正部13的NN的构造的参数进行变更,能够使校正处理的性能提高。
在图1及图2所示的伺服控制装置1及1a中,构成为通过对学习部12输入校正后的指令位置而进行学习处理。由此,能够学习不包含校正部13的范围的举动。即,学习部12能够学习校正后的指令位置和伺服电动机3的实际位置的关系,能够使得在其范围不包含校正部13的举动。由此,不仅是在停止指令位置的校正的状态下,在正在执行指令位置的校正的期间,学习部12也能够学习模拟出伺服电动机3的输入输出关系的NN的构造。即,对向伺服放大器11的输入即校正后的指令位置和伺服电动机3的实际的位置之间的关系进行监视而模型化,与决定表示NN的网络构造的参数的控制相关的处理在从向校正部13输入指令位置起直至伺服放大器11生成施加至伺服电动机3的电压为止的处理的外侧被进行,因此不会使指令位置的校正处理的特性变化而能够使学习继续。
另外,通过将网络构造设为NN,从而能够通过NN对包含机械特性的伺服控制系统的特性进行学习,对类似的动作模式也进行学习。由此,即使是过去没有执行过的加工程序,参考过去执行过的加工程序中的类似性高的程序而也能够得到适当的校正量,能够从执行加工程序后的初品加工起高精度地进行控制。由此,能够实现防止由于事先进行动作而引起的生产率的降低这样的特别的效果。
另外,不需要至此为止通过人手进行的、用于指令位置的校正处理的控制参数的调整。
实施方式2.
接下来,对实施方式2所涉及的伺服控制装置进行说明。下面,以与实施方式1不同的部分为中心进行说明。
在实施方式1中,说明了以预先设定出的学习周期进行学习,对用于指令位置的校正的参数进行更新的伺服控制装置。与此相对,在本实施方式所涉及的伺服控制装置中,与伴随历时劣化的机械特性的变化、控制参数的变更等相伴,自动判别进行学习的定时。
图3是表示实施方式2所涉及的伺服控制装置的结构例的图。在图3中,对与图1所示的伺服控制装置1相同的结构要素标注相同标号。
实施方式2所涉及的伺服控制装置1b具有伺服放大器11、学习部12b、校正部13及判定部14。即,伺服控制装置1b构成为将伺服控制装置1的学习部12置换为学习部12b,追加了判定部14。
学习部12b通过与学习部12相同的定时及相同的方法进行学习,在从判定部14接收到指示的情况下,将作为学习结果的参数输出至校正部13。
向判定部14输入由指令值生成部2生成的指令位置和伺服电动机3的位置。判定部14基于输入的指令位置及伺服电动机3的位置,判定是否是将通过学习部12b得到的学习结果应用于校正部13的定时,即,是否需要对校正部13所具有的表示NN的网络构造的参数进行更新。具体地说,判定部14以在实施方式1中说明的伺服控制周期间隔,或者预先设定的其他周期间隔,对伺服电动机3的位置和指令位置的误差是否超过预先设定的阈值进行确认。而且,判定部14在上述误差超过上述阈值的情况下,针对学习部12b以将学习结果输出至校正部13的方式进行指示。
由此,伺服控制装置1b在伺服电动机3进行驱动的机械的特性发生了历时变化的情况下,对伺服电动机3的位置和指令位置的误差扩大进行检测,通过使用最新的学习结果而能够进行加进了最新的特性的校正。
另外,判定部14不仅进行是否将通过学习部12b得到的学习结果应用于校正部13的判定,还可以进行学习部12b是否进行学习的判定。在该情况下,判定部14在上述的误差超过上述的阈值的情况下,针对学习部12b指示学习的执行。接收到该指示的学习部12b执行学习,将学习结果输出至校正部13。在该情况下,学习部12b中的计算负荷减少,因此能够实现有效的运行。
如上所述,在学习部12b中将学习结果逐次更新而学习部12b的计算负荷提高及校正部13用于使学习结果进行反映的处理负荷提高,针对该问题,通过降低学习的执行频度,从而能够有效地进行使用最新的学习结果的校正。
此外,判定部14不仅对伺服电动机3的位置和校正前的指令位置的误差进行监视,还可以对构成伺服电动机3的参数、具体地说对位置增益及速度增益这样的参数的变化进行监视,直至参数变化后的状态下的学习部12b的学习完成为止,使校正部13中的校正量的计算处理停止。由此,使得能够避免学习结果和控制特性的失配。
此外,对相对于图1所示的伺服控制装置1进行判定部14的追加等情况下的例子进行了说明,但也可以相对于图2所示的伺服控制装置1a而进行判定部14的追加等。在该情况下,成为图4所示的结构。图4所示的伺服控制装置1c构成为将伺服控制装置1a的学习部12置换为上述的学习部12b,并且追加上述的判定部14。
如上所述,本实施方式所涉及的伺服控制装置1b及1c具有判定部14,该判定部14判定是否对表示构成校正部13的NN的构造的参数进行更新。由此,能够实现将学习部12b中的学习结果适当且有效地使用于校正部13,能够防止位置指令的校正精度劣化。
实施方式3.
在本实施方式中,对在实施方式1、2中说明的伺服控制装置具有的校正部13的详细内容进行说明。关于校正部13以外,由于与实施方式1、2相同,因此省略说明。
图5是表示实施方式3所涉及的校正部的结构例的图。如图5所示,校正部13具有延迟器131、加法器132、134及推论器133。关于详细内容在后面记述,推论器133对校正量进行计算。另外,设为在向推论器133的输入路径及输出路径中发生信号的延迟即通信延迟。关于如上所述的通信延迟,推论器133认为是在由与执行伺服控制的装置不同的装置或者由不同的处理电路实现的情况下发生的。但是,通信延迟时间构成为,成为恒定的延迟时间,延迟时间不会超过控制周期而大幅地变动。
延迟器131是通过预先指定延迟时间而能够使信号的输出延迟的电路。即,延迟器131如果被输入指令值生成部2生成的指令位置,则使其在以预先决定的时间延迟后向加法器132输出。通过由延迟器131对指令位置赋予延迟,从而能够调整例如相对于某指令位置加上校正量而得到的校正后的指令位置到达推论器133的定时和校正后的指令位置到达伺服放大器11的定时之差。延迟器131具有大于或等于基于指令位置的更新周期和赋予给指令位置的延迟时间而决定的尺寸的存储区域。
延迟器131赋予给被输入的指令位置的延迟时间,设为是基于在从外部输入的指令位置输入至推论器133的路径中产生的通信延迟时间、和在从推论器133至加法器132为止的路径中产生的通信延迟时间的值。
此外,延迟器131也能够设为进行下述设定,即,不使被输入的指令位置延迟而进行输出。在该情况下,校正部13成为如图6所示的结构。图6是表示没有发生通信延迟的情况下的校正部的结构例的图。图6所示的校正部13d具有推论器133及加法器135。推论器133与图5所示的推论器133相同。在信号向推论器133输入的输入路径及信号从推论器133输出的输出路径中没有发生通信延迟,或者在不成为问题的情况下,可以设为如图6所示的结构的校正部13d。
回到图5的说明,加法器132相对于经由延迟器131输入的指令位置而加上从推论器133输入的校正量,对指令位置进行校正。加法器132是通过将由推论器133计算出的校正量与指令位置相加而生成向伺服放大器11输出的校正后的指令位置的第1加法器。加法器134相对于被输入的指令位置而加上从推论器133输入的校正量,对指令位置进行校正。加法器134是通过将由推论器133计算出的校正量与指令位置相加而生成向推论器133输入的校正后的指令位置的第2加法器。加法器132及134也具有作为延迟器的功能,可以是能够对将指令位置和校正量相加的定时进行调整的结构。
推论器133由NN构成,NN的网络构造按照从学习部12、12b接收到的学习结果。
推论器133基于伺服电动机3的实际的位置和经由加法器134输入的指令位置,对至少大于或等于1个指令值生成周期后的伺服电动机3的位置进行预测,并且使用预测结果对校正量进行计算。推论器133进行的校正量的计算,如在实施方式1中说明所述,使用将校正后的指令位置设为输入,将伺服电动机3的位置设为输出的传递函数等,使用公知的技术而进行。在大于或等于1个指令值生成周期后的时刻即预读时间,设为加进了直至得到向推论器133的输入输出结果为止的通信延迟的时间。推论器133将计算出的校正量输出至加法器132及134。
图7是表示实施方式3所涉及的校正部13的动作顺序的一个例子的流程图。校正部13按照图7所示的顺序而执行处理,对输入的指令位置进行校正。
首先,校正部13将从外部接收到的指令位置输入至加法器134及延迟器131(步骤S1)。此时,在直至到达加法器134为止的通信路径中发生通信延迟,与指令位置输入至延迟器131的定时相比延迟而指令位置输入至加法器134。
接下来,推论器133使用从学习部12、12b接收到的学习结果而进行一定时刻后的伺服电动机3的位置的预测,进行一定时刻后的校正量的计算(步骤S2)。
接下来,推论器133将计算出的校正量输出至加法器134及132(步骤S3)。
接下来,加法器134在下一个时刻的指令位置加上校正量。其相当于向推论器133输入校正后的指令位置。另外,加法器132通过在由延迟器131赋予了延迟后的指令位置加上校正量,对指令位置进行校正(步骤S4)。此外,从加法器134输出的指令位置和从加法器132输出的指令位置构成为虽然输出的定时不同,但成为相同值。
如上所述,本实施方式所涉及的伺服控制装置的校正部具有延迟器,该延迟器对被输入指令位置的定时赋予延迟,对在指令位置加上校正量的定时进行调整。由此,即使在对指令位置进行传送的路径中发生延迟的情况下,也能够将在指令位置加上校正量的定时调整为适当的定时。
接下来,对实现各实施方式所说明的伺服控制装置的校正部、学习部及判定部的硬件的结构进行说明。
在实施方式1~3中说明的校正部13、学习部12、12b及判定部14能够通过图8所示的处理电路100实现。
处理电路100包含处理器101、存储器102、输入电路103及输出电路104而构成。处理器101是CPU(也成为Central Processing Unit、中央处理装置、处理装置、运算装置、微处理器、微型计算机、处理器、DSP)、系统LSI(Large Scale Integration)等。存储器102是RAM(Random Access Memory)、ROM(Read Only Memory)、闪存存储器、EPROM(ErasableProgrammable Read Only Memory)、EEPROM(Electrically Erasable ProgrammableRead-Only Memory)等、非易失性或者易失性的半导体存储器、磁盘、软盘、光盘、压缩盘、迷你盘或者DVD(Digital Versatile Disc)等。
校正部13、学习部12、12b及判定部14是能够将与各自相对应的程序从存储器102读出而由处理器101执行而实现的。输入电路103在从外部接收由处理器101处理的信息、存储器102存储的信息等时进行使用,输出电路104在将处理器101生成的信息、存储器102所存储的信息向外部输出时进行使用。
此外,也可以将校正部13和学习部12或者12b由彼此独立的处理电路100。在该情况下,校正部13成为在实施方式3中说明的结构,处理电路100实现图5所示的推论器133。即,实施方式3所涉及的校正部13在处理电路100的基础上,通过延迟器及加法器而实现。
此外,伺服放大器11是通过包含对从外部供给的电压进行变换而生成施加于伺服电动机3的电压的变换电路、对变换电路进行控制的控制电路等的专用的电路而实现的。
以上的实施方式所示的结构,表示本发明的内容的一个例子,也能够与其他公知技术进行组合,在不脱离本发明的主旨的范围,也能够对结构的一部分进行省略、变更。
标号的说明
1、1a、1b、1c伺服控制装置,2指令值生成部,3伺服电动机,11伺服放大器,12、12b学习部,13、13d校正部,14判定部,131延迟器,132、134、135加法器,133推论器。
Claims (7)
1.一种伺服控制装置,其基于指令位置,对伺服电动机进行控制,
该伺服控制装置的特征在于,具有:
校正部,其使用基于表示网络的构造的参数进行处理的第1神经网络,对所述指令位置进行校正;
伺服放大器,其基于从所述校正部输出的校正后的指令位置,对所述伺服电动机进行控制;以及
学习部,其基于所述校正后的指令位置及所述伺服电动机的实际的位置,决定所述参数,
所述校正部基于所述校正后的指令位置及所述伺服电动机的实际的位置,对一定时刻后的所述伺服电动机的实际的位置进行预测,基于预测结果对所述指令位置进行校正。
2.根据权利要求1所述的伺服控制装置,其特征在于,
所述学习部使用第2神经网络决定所述参数。
3.根据权利要求2所述的伺服控制装置,其特征在于,
所述学习部基于所述校正后的指令位置、和模型位置误差决定所述参数,该模型位置误差表示模型位置与所述伺服电动机的实际的位置的误差,该模型位置是对使用所述校正后的指令位置计算出的所述伺服电动机的实际的位置进行推定得到的。
4.根据权利要求1至3中任一项所述的伺服控制装置,其特征在于,
所述学习部以与指令值生成控制周期及伺服控制周期不同的周期决定所述参数,该指令值生成控制周期是所述指令位置被输入的周期,该伺服控制周期是所述伺服放大器对所述伺服电动机进行控制的周期。
5.根据权利要求1至3中任一项所述的伺服控制装置,其特征在于,
所述学习部在决定出所述参数的情况下,将决定出的所述参数应用于所述校正部。
6.根据权利要求1至3中任一项所述的伺服控制装置,其特征在于,
还具有判定部,该判定部基于所述指令位置及所述伺服电动机的实际的位置,判定将所述学习部决定出的所述参数应用于所述校正部的定时,
所述学习部将决定出的所述参数按照所述判定部中的判定结果而应用于所述校正部。
7.根据权利要求1至3中任一项所述的伺服控制装置,其特征在于,
所述校正部具有:
推论器,其基于所述校正后的指令位置及所述伺服电动机的实际的位置,对一定时刻后的所述伺服电动机的实际的位置进行预测,基于预测结果,对所述指令位置的校正量进行计算;
第1加法器,其将由所述推论器计算出的校正量与所述指令位置相加,由此生成向所述伺服放大器输出的校正后的指令位置;
延迟器,其使所述指令位置在延迟后输入至所述第1加法器;以及
第2加法器,其将由所述推论器计算出的校正量与所述指令位置相加,由此生成向所述推论器输入的校正后的指令位置。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2017/040610 WO2019092852A1 (ja) | 2017-11-10 | 2017-11-10 | サーボ制御装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110023857A CN110023857A (zh) | 2019-07-16 |
CN110023857B true CN110023857B (zh) | 2020-06-16 |
Family
ID=65356122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780021680.7A Active CN110023857B (zh) | 2017-11-10 | 2017-11-10 | 伺服控制装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20190361421A1 (zh) |
JP (1) | JP6469320B1 (zh) |
CN (1) | CN110023857B (zh) |
DE (1) | DE112017001162B4 (zh) |
WO (1) | WO2019092852A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2020217282A1 (ja) * | 2019-04-22 | 2020-10-29 | 三菱電機株式会社 | サーボ制御装置 |
WO2021106237A1 (ja) * | 2019-11-25 | 2021-06-03 | 三菱電機株式会社 | 制御装置及びロボットシステム |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0635525A (ja) * | 1992-07-16 | 1994-02-10 | Tsubakimoto Chain Co | ロボットアームの制御方法 |
JP2002258922A (ja) * | 2001-03-01 | 2002-09-13 | Mitsubishi Electric Corp | 数値制御システム |
US6611823B1 (en) * | 2000-04-20 | 2003-08-26 | Board Of Regents, The University Of Texas System | Backlash compensation using neural network |
CN100449933C (zh) * | 2003-01-30 | 2009-01-07 | 发那科株式会社 | 伺服电动机驱动控制器 |
CN101620421A (zh) * | 2008-06-30 | 2010-01-06 | 发那科株式会社 | 伺服电动机的驱动控制装置以及驱动控制方法 |
CN105652666A (zh) * | 2016-03-09 | 2016-06-08 | 中南大学 | 基于bp神经网络的大型模锻压机上横梁速度预测控制方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2688207B2 (ja) * | 1988-02-19 | 1997-12-08 | トキコ株式会社 | ロボットの制御装置 |
JP2851901B2 (ja) * | 1990-03-09 | 1999-01-27 | 株式会社日立製作所 | 学習制御装置 |
JP2923000B2 (ja) * | 1990-07-27 | 1999-07-26 | 株式会社日立製作所 | サーボ制御装置 |
JP2768569B2 (ja) * | 1991-06-10 | 1998-06-25 | オークマ株式会社 | ロストモーション補正機能を有する数値制御装置 |
JPH075904A (ja) * | 1991-07-16 | 1995-01-10 | Toshiba Corp | ニューラルネットワーク制御装置 |
JPH0643944A (ja) * | 1992-07-23 | 1994-02-18 | Tsubakimoto Chain Co | 防振制御方法 |
JPH0699373A (ja) * | 1992-09-21 | 1994-04-12 | Toyoda Mach Works Ltd | ロボット制御装置 |
EP0589394A1 (en) | 1992-09-21 | 1994-03-30 | Toyoda Koki Kabushiki Kaisha | Method and apparatus for controlling a robot using a neural network |
JPH06131006A (ja) * | 1992-10-19 | 1994-05-13 | Toshiba Corp | サーボ制御装置 |
JP3135738B2 (ja) * | 1993-03-18 | 2001-02-19 | 三菱電機株式会社 | 数値制御装置 |
US7080055B2 (en) * | 2000-10-03 | 2006-07-18 | Board Of Regents, The University Of Texas System | Backlash compensation with filtered prediction in discrete time nonlinear systems by dynamic inversion using neural networks |
JP2003044102A (ja) * | 2001-08-01 | 2003-02-14 | Yaskawa Electric Corp | 学習制御方法 |
JP6193961B2 (ja) | 2015-11-30 | 2017-09-06 | ファナック株式会社 | 機械の送り軸の送りの滑らかさを最適化する機械学習装置および方法ならびに該機械学習装置を備えたモータ制御装置 |
JP6542713B2 (ja) * | 2016-06-09 | 2019-07-10 | ファナック株式会社 | 異常負荷検出の閾値を学習する機械学習器,数値制御装置および機械学習方法 |
-
2017
- 2017-11-10 WO PCT/JP2017/040610 patent/WO2019092852A1/ja active Application Filing
- 2017-11-10 JP JP2018525798A patent/JP6469320B1/ja active Active
- 2017-11-10 DE DE112017001162.0T patent/DE112017001162B4/de active Active
- 2017-11-10 CN CN201780021680.7A patent/CN110023857B/zh active Active
- 2017-11-10 US US16/080,929 patent/US20190361421A1/en not_active Abandoned
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0635525A (ja) * | 1992-07-16 | 1994-02-10 | Tsubakimoto Chain Co | ロボットアームの制御方法 |
US6611823B1 (en) * | 2000-04-20 | 2003-08-26 | Board Of Regents, The University Of Texas System | Backlash compensation using neural network |
JP2002258922A (ja) * | 2001-03-01 | 2002-09-13 | Mitsubishi Electric Corp | 数値制御システム |
CN100449933C (zh) * | 2003-01-30 | 2009-01-07 | 发那科株式会社 | 伺服电动机驱动控制器 |
CN101620421A (zh) * | 2008-06-30 | 2010-01-06 | 发那科株式会社 | 伺服电动机的驱动控制装置以及驱动控制方法 |
CN101620421B (zh) * | 2008-06-30 | 2012-03-28 | 发那科株式会社 | 伺服电动机的驱动控制装置以及驱动控制方法 |
CN105652666A (zh) * | 2016-03-09 | 2016-06-08 | 中南大学 | 基于bp神经网络的大型模锻压机上横梁速度预测控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110023857A (zh) | 2019-07-16 |
JPWO2019092852A1 (ja) | 2019-11-21 |
WO2019092852A1 (ja) | 2019-05-16 |
DE112017001162B4 (de) | 2022-06-15 |
DE112017001162T5 (de) | 2019-08-14 |
US20190361421A1 (en) | 2019-11-28 |
JP6469320B1 (ja) | 2019-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2017102617A (ja) | 補正装置、補正装置の制御方法、情報処理プログラム、および記録媒体 | |
CN110023857B (zh) | 伺服控制装置 | |
JP6514257B2 (ja) | 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法 | |
JP4575508B1 (ja) | デュアル位置フィードバック制御を行うサーボ制御装置 | |
US10386794B2 (en) | Control device, storage medium, and control system by creating internal model of control target | |
CN109562518B (zh) | 并联连杆机构的控制装置 | |
US10656616B2 (en) | Control device, control system, and recording medium | |
JP4453526B2 (ja) | サーボ制御装置 | |
KR20180024092A (ko) | Pid 게인 자동 튜닝 방법 | |
JP2008269349A (ja) | 誤差過大検出機能を有する制御装置 | |
CN110941242A (zh) | 电动机控制装置 | |
JP2018033205A (ja) | モータ制御装置、モータ制御方法及びモータ制御用プログラム | |
JP2007044865A (ja) | 方向付け/位置決めシステム制御方法 | |
JP2005284828A (ja) | 制御装置、制御パラメータの調整方法、プログラムおよび記録媒体 | |
US20180095451A1 (en) | Locus generation apparatus, control method for locus generation apparatus, control program, and storage medium | |
KR102240723B1 (ko) | 위치 예측부를 포함하는 제어기 및 이의 제어 방법 | |
WO2020183853A1 (ja) | 制御装置 | |
JP7095436B2 (ja) | 制御装置、制御方法、情報処理プログラム、および記録媒体 | |
JP2011175308A (ja) | 工作機械の送り駆動系の制御方法及び制御装置 | |
JP7024235B2 (ja) | 制御装置、制御装置の制御方法、情報処理プログラム、および記録媒体 | |
JP7339851B2 (ja) | 制御装置 | |
JP2020001107A (ja) | 学習制御を行うロボットシステム | |
JP2007299122A (ja) | サーボ制御装置とその調整方法 | |
JP2020129293A (ja) | 制御装置および制御プログラム | |
WO2021245916A1 (ja) | サーボ制御装置 |
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 |