CN110531705B - 可编程控制器以及机器学习装置 - Google Patents

可编程控制器以及机器学习装置 Download PDF

Info

Publication number
CN110531705B
CN110531705B CN201910439863.1A CN201910439863A CN110531705B CN 110531705 B CN110531705 B CN 110531705B CN 201910439863 A CN201910439863 A CN 201910439863A CN 110531705 B CN110531705 B CN 110531705B
Authority
CN
China
Prior art keywords
machine
execution time
state
data
cycle
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
CN201910439863.1A
Other languages
English (en)
Other versions
CN110531705A (zh
Inventor
酒井裕
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 CN110531705A publication Critical patent/CN110531705A/zh
Application granted granted Critical
Publication of CN110531705B publication Critical patent/CN110531705B/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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • 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
    • 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
    • G05B19/4093—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 part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine
    • G05B19/40937—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 part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine concerning programming of machining or material parameters, pocket machining
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/23—Pc programming
    • G05B2219/23288—Adaptive states; learning transitions
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/25—Pc structure of the system
    • G05B2219/25399—Variable, settable clock or cycle, phase duration
    • 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
    • G05B2219/32161—Object oriented control, programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Human Computer Interaction (AREA)
  • Geometry (AREA)
  • Programmable Controllers (AREA)
  • Numerical Control (AREA)

Abstract

本发明提供一种可编程控制器以及机器学习装置，可编程控制器具备：时间分配设定部，其设定执行时间分配；阶段解析部，其解析加工系统的动作阶段；测量部，其测量循环时间；以及机器学习装置，其学习时序程序的执行时间分配的变更。所述机器学习装置具有：状态观测部，其观测执行时间分配数据、动作阶段数据以及机械动作模式数据来作为状态变量；判定数据取得部，其取得对执行动作阶段所花费的循环时间的是否恰当进行判定的循环时间判定数据来作为判定数据；以及学习部，其将加工系统的动作阶段以及机械的动作模式与执行时间分配的变更关联起来进行学习。

Description

可编程控制器以及机器学习装置
技术领域
本发明涉及可编程控制器以及机器学习装置。
背景技术
以往，在通过一台可编程控制器(PLC：Programmable Logic Controller、PMC：Programmable Machine Controller等)来控制包含数值控制机床(CNC机床)以及在该数值控制机床的周边进行运转的机器人或装载机等周边装置在内的加工系统时，通过时间分割处理来执行根据各用途而生成的多个按用途分类的时序程序，从而控制构成加工系统的各装置(例如，日本特开2011-198356号公报)。在使用这样的控制方式时，在可编程控制器中在每个动作周期对按各用途分类的时序程序分配了执行时间之后，以所分配的时间来执行按各用途分类的时序程序。
一般情况下，按用途分类而生成的时序程序(例如，机床用时序程序、输送机器人用时序程序、除毛边用时序程序等)有时在加工过程中在各控制对象物繁忙的定时存在偏差。例如，如图8所例示的那样，考虑如下情况：一边在可编程控制器上在每个动作周期进行时间分配，一边依次执行在数值控制机床、工件输送机器人、除毛边系统各自的控制中使用的时序程序#1、#2、#3。另外，加工过程重复阶段1～6(第二周及以后重复阶段3～6)，数值控制机床、工件输送机器人、除毛边系统在各阶段以如下方式进行动作。
(阶段1)工件输送机器人向数值控制机床的加工区域供给未加工工件
(阶段2)数值控制机床进行工件的加工
(阶段3)工件输送机器人从数值控制机床的加工区域取出加工完成工件，将取出的工件供给到除毛边系统的加工区域
(阶段4)除毛边系统进行加工完成工件的除毛边加工，同时工件输送机器人向数值控制机床的加工区域供给未加工工件
(阶段5)数值控制机床进行工件的加工，同时除毛边系统继续进行加工完成工件的除毛边加工
(阶段6)数值控制机床进行工件的加工，同时工件输送机器人从除毛边系统的加工区域取出除毛边完成工件
重复进行在各阶段按照在可编程控制器上分配的执行时间来执行时序程序#1～#3的处理，但是在各阶段作为各控制对象的NC机床、工件输送机器人、除毛边系统的动作状态不同，因此，需要与该动作状态相匹配地适当地分配向各时序程序分配的时间。例如，在阶段1中，只有工件输送机器人动作，其他机械是等待状态，因此，对时序程序#1、#3减少时间分配而分别设为5％，对时序程序#2的执行分配90％的时间。此外，在阶段4中，工件输送机器人与除毛边系统动作，此外，与工件输送机器人相比更重视除针对毛边系统的动作的监视，因此，对时序程序#2分配25％的时间，对时序程序#3分配70％的时间，对时序程序#1分配余下的5％的时间。
存在如下课题：想要根据这样的各阶段中的各控制对象的动作状况、各控制对象的动作的重视度等来确认阶段的切换定时，从而适当地切换程序的时间分配。
发明内容
因此，本发明的目的在于提供一种可编程控制器和机器学习装置，其能够使多个时序程序的时间分配最优化。
本发明的可编程控制器进行机器学习，根据该学习结果来变更用于控制各机械的时序程序的执行时间分配，由此解决上述课题，上述机器学习是指将对作为控制对象的用于构成加工系统的机械的动作状态进行拍摄而得到的图像数据、在与该机械之间交换的DI/DO数据、以及各机械的轴的坐标数据等设为状态变量，将对于加工过程的阶段的处理时间进行判定而得到的结果设为判定数据。
并且，本发明的一方式提供一种可编程控制器，其执行对构成加工系统的至少一个机械进行控制的多个时序程序，在所述加工系统的每个动作阶段变更每个动作周期的该时序程序的执行时间分配，所述可编程控制器具有：时间分配设定部，其设定所述执行时间分配；阶段解析部，其根据与所述机械的动作状态有关的数据来解析所述加工系统的动作阶段；测量部，其测量执行所述加工系统的所述动作阶段所花费的时间即循环时间；以及机器学习装置，其学习每个所述动作周期的时序程序的执行时间分配的变更，所述机器学习装置具有：状态观测部，其观测表示在执行所述加工系统的动作阶段时设定的执行时间分配的执行时间分配数据、表示所述动作阶段的动作阶段数据；以及与所述动作阶段中的所述机械的动作状态有关的数据即机械动作模式数据，来作为表示环境的当前状态的状态变量；判定数据取得部，其取得循环时间判定数据来作为表示每个动作周期的时序程序的执行时间分配的变更的恰当与否判定结果的判定数据，循环时间判定数据用于判定在所设定的所述执行时间分配下执行的所述动作阶段的执行所花费的循环时间是否恰当；以及学习部，其使用所述状态变量和所述判定数据，将所述加工系统的动作阶段以及所述机械的动作模式与每个动作周期的时序程序的执行时间分配的变更关联起来进行学习。
本发明的另一方式提供一种可编程控制器，其执行对构成加工系统的至少一个机械进行控制的多个时序程序，在所述加工系统的每个动作阶段变更每个动作周期的该时序程序的执行时间分配，所述可编程控制器具有：时间分配设定部，其设定所述执行时间分配；阶段解析部，其根据与所述机械的动作状态有关的数据来解析所述加工系统的动作阶段；以及机器学习装置，其学习每个所述动作周期的时序程序的执行时间分配的变更，所述机器学习装置具有：状态观测部，其观测表示在执行所述加工系统的动作阶段时设定的执行时间分配的执行时间分配数据、表示所述动作阶段的动作阶段数据；以及与所述动作阶段中的所述机械的动作状态有关的数据即机械动作模式数据，来作为表示环境的当前状态的状态变量；学习部，其将所述加工系统的动作阶段以及所述机械的动作模式与每个动作周期的时序程序的执行时间分配的变更关联起来进行学习；以及决策部，其根据所述状态观测部观测到的状态变量以及所述学习部的学习结果，来决定每个动作周期的时序程序的执行时间分配的变更。
本发明的另一方式提供一种可编程控制器中的机器学习装置，所述可编程控制器执行对构成加工系统的至少一个机械进行控制的多个时序程序，所述机器学习装置学习所述加工系统的每个动作阶段的每个动作周期的该时序程序的执行时间分配的变更，所述机器学习装置具有：状态观测部，其观测表示在执行所述加工系统的动作阶段时设定的执行时间分配的执行时间分配数据、表示所述动作阶段的动作阶段数据；以及与所述动作阶段中的所述机械的动作状态有关的数据即机械动作模式数据，来作为表示环境的当前状态的状态变量；判定数据取得部，其取得循环时间判定数据来作为表示每个动作周期的时序程序的执行时间分配的变更的恰当与否判定结果的判定数据，循环时间判定数据用于判定在所设定的所述执行时间分配下执行的所述动作阶段的执行所花费的循环时间是否恰当；以及学习部，其使用所述状态变量和所述判定数据，将所述加工系统的动作阶段以及所述机械的动作模式与每个动作周期的时序程序的执行时间分配的变更关联起来进行学习。
本发明的另一方式提供一种可编程控制器中的机器学习装置，所述可编程控制器执行对构成加工系统的至少一个机械进行控制的多个时序程序，所述机器学习装置学习所述加工系统的每个动作阶段的每个动作周期的该时序程序的执行时间分配的变更，所述机器学习装置具有：状态观测部，其观测表示在执行所述加工系统的动作阶段时设定的执行时间分配的执行时间分配数据、表示所述动作阶段的动作阶段数据；以及与所述动作阶段中的所述机械的动作状态有关的数据即机械动作模式数据，来作为表示环境的当前状态的状态变量；学习部，其将所述加工系统的动作阶段以及所述机械的动作模式与每个动作周期的时序程序的执行时间分配的变更关联起来进行学习；以及决策部，其根据所述状态观测部观测到的状态变量以及所述学习部的学习结果，来决定每个动作周期的时序程序的执行时间分配的变更。
通过本发明，使多个时序程序的执行时间的分配最优化，使得整个系统的处理能力提升。此外，即使对使用的时序程序进行变更，也可通过进行基于机器学习的再学习使所述执行时间的分配最优化。
附图说明
通过参照附图对以下的实施例进行说明，本发明的上述以及其他目的和特征变得明确。在这些图中：
图1是一实施方式的可编程控制器的概略硬件结构图。
图2是一实施方式的可编程控制器的概略功能框图。
图3是例示动作状态解析结果表的图。
图4是例示加工系统的动作状态的历史记录以及根据该动作状态的历史记录确定的加工系统的动作阶段的图。
图5是表示可编程控制器的一方式的概略功能框图。
图6是表示机器学习方法的一方式的概略流程图。
图7A是说明神经元的图。
图7B是说明神经网络的图。
图8用于说明可编程控制器中的针对时序程序的每个动作周期的执行时间分配。
具体实施方式
以下，与附图一起对本发明的实施方式进行说明。
图1是表示第一实施方式的可编程控制器的主要部分的概略硬件结构图。
本实施方式的可编程控制器1具有的处理器11是对可编程控制器1进行整体控制的处理器。处理器11经由总线20读出在ROM12中存储的系统程序，按照该系统程序对整个可编程控制器1进行控制。将临时的计算数据或显示数据、操作员经由鼠标或键盘等输入装置71输入的各种数据等暂时存储在RAM13中。
非易失性存储器14构成为例如由未图示的电池进行支援等，即使可编程控制器1的电源被切断也可保持存储状态的存储器。在非易失性存储器14中存储了用于存储与可编程控制器1的动作有关的设定信息的设定区域、从输入装置71输入的程序或从未图示的外部存储装置读入的程序、经由接口19从拍摄装置4取得的图像数据、经由与接口16连接的I/O单元2与成为控制对象的构成加工系统的机械3交换的各种数据(例如，针对各机械3输入输出的DI/DO数据、各机械3具有的轴的坐标值等)。关于存储在非易失性存储器14中的程序或各种数据，在执行时/利用时可以在RAM13中展开。此外，在ROM12中预先写入了公知的解析程序等各种系统程序(包含用于控制与后述的机器学习装置100之间的交换的系统程序)。
可编程控制器1经由与接口16连接的I/O单元2进行与各机械3之间的DI数据(来自机械3的输入信号等)、DO数据(对机械3的输出信号等)的交换，由此进行各机械的控制。
把读入到存储器上的各数据、作为执行程序等的结果而得到的数据、从后述的机器学习装置100输出的数据等经由接口17进行输出来在显示装置70中进行显示。此外，由键盘或指点设备等构成的输入装置71接收基于操作员进行的操作的指令、数据等，并经由接口18交给处理器11。
拍摄装置4对可编程控制器1设为控制对象的构成加工系统的各机械3的动作状态进行拍摄，经由接口19将得到的图像数据交给处理器11。拍摄装置4拍摄的图像数据可以是动态图像，也可以是以预定的周期连续拍摄的多个静态图像。关于拍摄装置4，可以通过一台拍摄装置来拍摄多个机械3的动作状态，也可以对各机械3配置一台拍摄装置4，通过配置的多个拍摄装置4来拍摄整个加工系统的动作状态。另外，当在机械3的动作状态的确定中不使用图像数据时，拍摄装置4不是必须的结构。
接口21是用于将可编程控制器1与机器学习装置100连接的接口。机器学习装置100具有：控制整个机器学习装置100的处理器101、存储了系统程序等的ROM102、用于进行与机器学习有关的各处理中的临时存储的RAM103、以及用于存储学习模型等的非易失性存储器104。机器学习装置100能够经由接口21观测可编程控制器1能够取得的各信息(例如，从拍摄装置4取得的图像数据、针对各机械3输入输出的DI/DO数据、各机械3具有的轴的坐标值等)。此外，可编程控制器1接受从机器学习装置100输出的指令，来变更每个动作周期的时序程序的时间分配。
图2是一实施方式的可编程控制器1与机器学习装置100的概略功能框图。通过由图1所示的可编程控制器1所具有的处理器11以及机器学习装置100的处理器101执行各自的系统程序来对可编程控制器1和机器学习装置100各部的动作进行控制，来实现图2所示的各功能块。
本实施方式的可编程控制器1具有：时间分配设定部34，其接受从机器学习装置100输出的每个动作周期的时序程序的执行时间分配的变更指令，设定在非易失性存储器14内的执行时间分配设定区域中设定的每个动作周期的时序程序的执行时间分配；阶段解析部36，其根据各机械3的动作状态来解析当前加工系统的动作阶段；以及测量部38，其测量各阶段的循环时间。
时间分配设定部34按照从机器学习装置100输出的每个动作周期的时序程序的执行时间分配的变更指令，例如按照比例(％)或优先级(高、普通、低等)等的方式对可编程控制器1执行的多个按用途分类的时序程序设定每个动作周期的执行时间分配。
阶段解析部36对于在非易失性存储器14中存储的经由I/O单元2与机械3之间交换的DI/DO数据、各机械3具有的轴的坐标值、拍摄装置4拍摄各机械3而得到的图像数据等进行解析，来确定各机械3的动作状态，根据该动作状态的组合来确定由机械3构成的整个加工系统的动作状态。阶段解析部36例如可以根据DI/DO数据的输入输出状况(例如，表示机械3正在进行加工的信号的输出状态、是否对机械3输出了指示动作开始/停止的信号等)，来确定当前各机械3的动作状态。此外，阶段解析部36还可以根据各机械3所具有的轴的坐标值或坐标值的变化来确定当前各机械3的动作状况。此外，阶段解析部36例如可以对图像数据中包含的表示各机械3的动作状态的特征部分(用于通知正在进行加工、安全等的灯、特定的驱动部的位置或动作、例如门的开闭状态、主轴、机械臂的活动等)进行图像解析，根据该解析结果来确定各机械3的动作状态。并且，可以将它们组合来更高精度地确定各机械3的动作状态。各机械3的动作状态至少包含动作中、待机中这两个状态，并且希望还包含加工中、输送中、停止中等这样的与动作状态的含义对应的状态。关于各机械3的动作状态，一般情况下，将成为动作状态的切换契机那样的DI/DO数据或DI/DO数据的序列、各机械3具有的轴的坐标值、图像数据的变化等作为时间上的边界来切换为下一动作状态，因此，预先设定各机械3的动作状态进行切换的DI/DO数据或DI/DO数据的序列、各机械3具有的轴的坐标值、图像数据的变化等的条件，在满足设定的条件时判定为切换动作状态，根据该判定来确定各时间点的动作状态即可。并且，阶段解析部36通过这些各机械3的动作状态的组合来确定加工系统的动作状态。并且，阶段解析部36对于所确定出的加工系统的动作状态，例如如图3所示那样，生成将识别加工系统的动作状态的信息与各机械3的动作状态关联起来的动作状态解析结果表、以及加工系统开始动作后的动作状态的历史记录，并将其存储在非易失性存储器中。
接下来，阶段解析部36根据动作模式来确定加工系统的动作阶段，该动作模式根据加工系统开始动作后的加工系统的动作状态的历史记录、各动作状态下的DI/DO数据的输入输出状况的序列、各机械3具有的轴的坐标值的序列、图像数据中包含的表示各机械3的动作状态的特征部分的变化的序列等来确定。图4表示加工系统的动作状态的历史记录、以及根据该动作状态的历史记录确定的加工系统的动作阶段的示例。阶段解析部36将加工系统的动作状态相同，且动作模式类似的动作阶段归纳为相同的动作阶段。例如，在图4中，关于加工系统的动作开始后的第三动作状态与第七动作状态，加工系统的动作状态相同，并且各动作状态下的动作模式相同(类似)，因此将这些动作状态判定为是相同的动作阶段。关于加工系统的动作开始后的最初的动作状态与第三动作状态，加工系统的动作状态相同，但是各动作状态下的动作模式不同，因此判定为这些动作状态是不同的动作阶段。对于这样确定出的加工系统的各动作阶段，阶段解析部36在对DI/DO数据的输入输出状况、各机械3具有的轴的坐标值、图像数据等进行整理后存储在非易失性存储器14中。
测量部38对于加工系统的各动作阶段中的每个动作阶段，测量该动作阶段所花费的时间。测量部38将测量出的各动作阶段所花费的时间存储在非易失性存储器14中来作为历史记录。
另一方面，可编程控制器1具有的机器学习装置100包含软件(学习算法等)和硬件(处理器101等)，该软件和硬件用于通过所谓的机器学习来自我学习与加工系统的加工阶段相对的每个动作周期的时序程序的执行时间分配的变更。可编程控制器1具有的机器学习装置100学习的内容相当于模型结构，该模型结构表示加工系统的动作阶段与每个动作周期的时序程序的执行时间分配的变更之间的相关性。
如图2的功能块所示，可编程控制器1具有的机器学习装置100具有：状态观测部106，其观测表示执行时间分配的执行时间分配数据S1、表示加工系统的动作阶段的动作阶段数据S2、以及表示该动作阶段中的构成加工系统的机械3的动作模式的机械动作模式数据S3来作为表示环境的当前状态的状态变量S；判定数据取得部108，其取得包含循环时间判定数据D1的判定数据D，所述循环时间判定数据D1用于判定根据所设定的执行时间分配进行的构成加工系统的机械3的控制中的加工系统的动作阶段所花费的循环时间；以及学习部110，其使用状态变量S和判定数据D，将加工系统的动作阶段以及机械3的动作模式与每个动作周期的时序程序的执行时间分配的变更关联起来进行学习。
关于状态观测部106观测的状态变量S中的执行时间分配数据S1，可以取得根据机器学习装置100输出的每个动作周期的时序程序的执行时间分配的变更指令而进行变更后的执行时间分配。如上所述，关于执行时间分配，例如能够通过每个动作周期的执行时间的比例(％)或优先级(高、普通、低)等方式来设定，因此，执行时间分配的变更指令可以是直接指示每个动作周期的执行时间分配的指令，也可以是调整每个动作周期的执行时间分配(增加/减少5％，提升/降低1阶段优先级等)的指令。
关于执行时间分配数据S1，能够直接使用机器学习装置100根据学习部110的学习结果而在前一个学习周期中设定的执行时间分配。在采用这样的方法时，机器学习装置100在每个学习周期将所设定的执行时间分配暂时存储在RAM103，状态观测部106可以从RAM103中取得在前一个学习周期变更的执行时间分配来作为本次学习周期的执行时间分配数据S1。
关于状态观测部106观测的状态变量S中的动作阶段数据S2，能够取得前一个学习周期中的加工系统的动作阶段。
此外，关于状态观测部106观测的状态变量中的机械动作模式数据S3，能够取得前一个学习周期的加工系统的动作阶段中的各机械3的DI/DO数据的输入输出状况的序列、各机械3具有的轴的坐标值的序列、图像数据中包含的表示各机械3的动作状态的特征部分的变化的序列等。
作为这些数据，在学习时，能够使用由阶段解析部36进行整理后存储在非易失性存储器14中的数据，此外，在推定时，在从构成加工系统的各机械3取得的DI/DO数据的输入输出状况、轴的坐标值、图像数据等的序列与存储在非易失性存储器14中的与加工阶段有关的数据之间判定类似性，从非易失性存储器14中取得判定为类似的数据即可。
作为循环时间判定数据D1，判定数据取得部108能够使用针对测量值的判定结果，上述测量值是测量部38对于根据所设定的执行时间分配使加工系统进行动作时的动作阶段所花费的时间(即循环时间)进行测量而得到的测量值。作为判定数据取得部108使用的循环时间判定数据D1，例如使用对于加工系统的相同的动作阶段，在改变执行时间分配之前和之后，该动作阶段所花费的时间缩短(恰当)还是延长(不恰当)这样的判定数据即可。
另外，判定数据取得部108在学习部110的学习阶段为必需的结构，但是在学习部110进行的将机械的动作状态与每个动作周期的时序程序的执行时间分配的变更关联起来的学习完成之后不是必需的结构。
在按照学习部110的学习周期进行考虑的情况下，同时输入给学习部110的状态变量S是基于在前一个学习周期中取得的数据的状态变量。这样，在可编程控制器1具有的机器学习装置100进行学习的期间，在环境下重复执行预定的加工系统的动作阶段中的时序程序的执行时间分配的设定(变更)、该动作阶段的执行过程中的测量部38针对循环时间的测量、该动作阶段中的测量部38测量出的循环时间的恰当与否判定、以及基于各数据的学习。
学习部110按照统称为机器学习的任意学习算法，学习加工系统的动作阶段和机械3的动作模式、以及每个动作周期的时序程序的执行时间分配的变更。学习部110能够基于包含上述状态变量S和判定数据D的数据集合反复执行学习。
通过重复这样的学习循环，学习部110能够识别出暗示加工系统的动作阶段以及机械3的动作模式与每个动作周期的时序程序的执行时间分配的变更之间的相关性的特征。在开始学习算法时，加工系统的动作阶段以及机械3的动作模式与每个动作周期的时序程序的执行时间分配的变更之间的相关性实际上未知，但是学习部110随着推进学习而逐渐识别特征从而解释相关性。若将加工系统的动作阶段以及机械3的动作模式与每个动作周期的时序程序的执行时间分配的变更之间的相关性解释到以某种程度能够信赖的水平，则学习部110反复输出的学习结果能够用于选择行为(即决策)，即为针对当前状态(也就是说，加工系统的动作阶段以及机械3的动作模式)应该怎样变更每个动作周期的时序程序的执行时间分配。也就是说，学习部110随着学习算法的推进，可以使与以下行为之间的相关性逐渐接近最佳解，该行为是针对加工系统的动作阶段以及机械3的动作模式应该怎样变更每个动作周期的时序程序的执行时间分配。
决策部122根据状态变量S与学习部110学习的结果，来决定每个动作周期的时序程序的执行时间分配的变更，并向时间分配设定部34输出用于进行所决定的每个动作周期的时序程序的执行时间分配的变更的每个动作周期的时序程序的执行时间分配的变更指令。
如上所述，在可编程控制器1具备的机器学习装置100中，学习部110使用状态观测部106观测到的状态变量S以及判定数据取得部108取得的判定数据D，按照机器学习算法，学习与加工系统的动作阶段以及机械3的动作模式相对的每个动作周期的时序程序的执行时间分配的变更。状态变量S由执行时间分配数据S1、动作阶段数据S2以及机械动作模式数据S3这样的数据构成，此外，根据在使加工系统实际进行动作的动作阶段中测量出的循环时间唯一地求出判定数据D。因此，根据可编程控制器1具备的机器学习装置100，通过使用学习部110的学习结果，能够自动且准确地进行与加工系统的动作阶段以及机械3的动作模式相对的每个动作周期的时序程序的执行时间分配的变更。
并且，如果能够自动进行最佳的每个动作周期的时序程序的执行时间分配的变更，则仅仅通过掌握从构成加工系统的机械3观测到的数据，便能够迅速地将每个动作周期的时序程序的执行时间分配变更为最佳的状态。
在图5所示的可编程控制器1具有的机器学习装置100中，学习部110具有：回报计算部112，其设定每个动作周期的时序程序的执行时间分配，求出基于所设定的执行时间分配的加工系统的动作结果的恰当与否判定结果(相当于在学习周期中使用的判定数据D)所关联的回报R；和价值函数更新部114，其使用回报R来更新表示执行时间分配的价值的函数Q。学习部110通过由价值函数更新部114重复更新函数Q，来学习与加工系统的动作阶段以及机械3的动作模式相对的每个动作周期的时序程序的执行时间分配的变更。
对学习部110执行的强化学习的算法的一例进行说明。该例子的算法作为Q学习(Q-learning)而公知。在Q学习中，将行为主体的状态s以及在该状态s下行为主体能够选择的行为a作为独立变量，学习用于表示在状态s下选择了行为a时的行为价值的函数Q(s，a)。在状态s下选择价值函数Q最高的行为a为最优解。在状态s与行为a之间的相关性为未知的状态下开始Q学习，重复进行在任意的状态s下选择各种行为a的试错，由此反复更新价值函数Q使其趋近最优解。在此，在作为在状态s下选择了行为a的结果使得环境(即状态s)发生变化时，得到与该变化对应的回报(即行为a的加权)r，引导学习使得选择得到更高回报r的行为a，由此能够在比较短时间内使价值函数Q趋近最优解。
一般能够如下述的数式1那样表示价值函数Q的更新公式。在数式1中，st和at分别是时刻t的状态和行为，由于行为at，状态变化为st+1。rt+1是通过状态从st变化为st+1而得到的回报。maxQ的项表示在时刻t+1进行了成为最大价值Q(认为在时刻t成为最大价值Q)的行为a时的Q。α和γ分别是学习系数和折扣率，在0<α≤1、0<γ≤1的范围内任意地设定。
【数式1】
在学习部110执行Q学习时，状态观测部106观测到的状态变量S和判定数据取得部108取得的判定数据D相当于更新式的状态s，针对当前状态(即，加工系统的动作阶段以及机械3的动作模式)应该如何变更每个动作周期的时序程序的执行时间分配的行为相当于更新式的行为a，回报计算部112求出的回报R相当于更新式的回报r。由此，价值函数更新部114通过使用了回报R的Q学习，反复更新表示与当前状态相对的执行时间分配的价值的函数Q。
关于回报计算部112求出的回报R，例如当在变更了每个动作周期的时序程序的执行时间分配之后，基于变更后的执行时间分配的加工系统的动作结果的恰当与否判定结果被判定为“恰当”时(例如，与相同的动作阶段中的执行时间分配的变更前相比循环时间变短时等)设为正的回报R，当在变更了每个动作周期的时序程序的执行时间分配之后，基于变更后的执行时间分配的加工系统的动作结果的恰当与否判定结果被判定为“不恰当”时(例如，与相同的动作阶段中的执行时间分配的变更前相比循环时间变长时等)设为负的回报R。正负的回报R的绝对值既可以彼此相同也可以不同。此外，作为判定的条件，可以将判定数据D中包含的多个值进行组合来进行判定。
此外，不仅是“恰当”和“不恰当”这两者，还可以分多个阶段地设定基于变更后的执行时间分配的工件的加工的恰当与否判定结果。作为示例，可以构成为：在基于变更后的执行时间分配的加工系统的动作的循环时间T与变更前的循环时间Tp相比缩短了5％以上时，给予回报R＝5，在缩短了3％以上不足5％时给予回报R＝3，在缩短了0％以上不足3％时给予回报R＝1，在循环时间延长时给予回报R＝－3(负回报)。
此外，还可以构成为：在学习的初始阶段将用于判定的阈值设定得比较大，随着学习的推进缩小用于判定的阈值。
价值函数更新部114可以具有将状态变量S、判定数据D以及回报R与由函数Q表示的行为价值(例如数值)关联起来进行整理后的行为价值表。在该情况下，价值函数更新部114更新函数Q的行为与价值函数更新部114更新行为价值表的行为等同。在开始Q学习时，环境的当前状态与每个动作周期的时序程序的执行时间分配的变更之间的相关性是未知的，因此，在行为价值表中，通过与随机决定的行为价值的值(函数Q)关联起来的形式准备了各种状态变量S、判定数据D以及回报R。另外，回报计算部112如果知晓判定数据D则能够立即计算出与其对应的回报R。将计算出的回报R写入到行为价值表中。
当使用与仿真的结果的适当与否判定结果对应的回报R来推进Q学习时，向选择得到更高回报R的行为的方向引导学习，根据作为在当前状态下执行了所选择的行为的结果而发生变化的环境状态(即状态变量S和判定数据D)，改写与在当前状态下进行的行为相关的行为价值的值(函数Q)来更新行为价值表。通过反复进行该更新，以越是恰当的行为(在本发明的情况下，为变更每个动作周期的时序程序的执行时间分配，使得加工系统的各动作阶段中的循环时间变短的行为)则成为越大的值的方式来改写行为价值表中所显示的行为价值的值(函数Q)。这样，未知环境的当前状态(加工系统的动作阶段以及机械3的动作模式)和与此相对的行为(每个动作周期的时序程序的执行时间分配的变更)之间的相关性逐渐变得明确。也就是说，通过更新行为价值表，加工系统的动作阶段以及机械3的动作模式与每个动作周期的时序程序的执行时间分配的变更之间的相关性逐渐接近最佳解。
参照图6，进一步说明学习部110执行的上述Q学习的流程(即机器学习方法的一方式)。首先，在步骤SA01中，价值函数更新部114一边参照该时间点的行为价值表，一边随机选择每个动作周期的时序程序的执行时间分配的变更行为来作为在状态观测部106观测到的状态变量S表示的当前状态下进行的行为。接下来，价值函数更新部114在步骤SA02中，取入状态观测部106观测的当前状态的状态变量S，在步骤SA03中，取入判定数据取得部108取得的当前状态的判定数据D。接着，价值函数更新部114在步骤SA04中，根据判定数据D，判断基于变更后的执行时间分配的加工系统的动作阶段的循环时间是否恰当，在恰当时，在步骤SA05中，将回报计算部112求出的正的回报R应用于函数Q的更新式，接下来，在步骤SA06中，使用当前状态下的状态变量S、判定数据D、回报R以及行为价值的值(更新后的函数Q)来更新行为价值表。在步骤SA04中，当判断为基于变更后的执行时间分配的加工系统的动作阶段的循环时间不恰当时，在步骤SA07中，将回报计算部112求出的负的回报R应用于函数Q的更新式，接着在步骤SA06中，使用当前状态下的状态变量S、判定数据D、回报R以及行为价值的值(更新后的函数Q)来更新行为价值表。学习部110通过重复步骤SA01～SA07来反复更新行为价值表，使得每个动作周期的时序程序的执行时间分配的变更的学习得以进行。另外，对于判定数据D中包含的各数据执行从步骤SA04到步骤SA07的求出回报R的处理和价值函数的更新处理。
在进行上述的强化学习时，例如可以应用神经网络。图7A示意性地示出神经元的模型。图7B示意性地示出将图7A所示的神经元进行组合而构成的三层的神经网络的模型。神经网络例如能够由模仿神经元模型的运算装置、存储装置等构成。
图7A所示的神经元输出与多个输入x(在这里作为一个例子为输入x1～x3)相对的结果y。对各输入x1～x3乘以与该输入x对应的权重w(w1～w3)。由此，神经元输出由下式2表现的输出y。另外，在数式2中，输入x、输出y以及权重w全部为向量。另外，θ为偏置，fk为激活函数。
【数式2】
在图7B所示的三层的神经网络中，从左侧输入多个输入x(在这里作为一个例子为输入x1～输入x3)，从右侧输出结果y(在这里作为一个例子为结果y1～结果y3)。在图示的例子中，对输入x1、x2、x3分别乘以对应的权重(全体由w1表示)，向三个神经元N11、N12、N13都输入各个输入x1、x2、x3。
在图7B中，神经元N11～N13的各个输出全体由z1表示。能够将z1看做是提取了输入向量的特征量而得到的特征向量。在图示的例子中，对特征向量z1分别乘以对应的权重(全体由w2表示)，将各个特征向量z1均输入给两个神经元N21、N22。特征向量z1表示权重w1与权重w2之间的特征。
在图7B中，将神经元N21～N22的各个输出全体由z2表示。能够将z2看做是提取了特征向量z1的特征量而得到的特征向量。在图示的例子中，对特征向量z2分别乘以对应的权重(全体由w3表示)，将各个特征向量z2均输入给三个神经元N31、N32、N33。特征向量z2表示权重w2与权重w3之间的特征。最后，神经元N31～N33分别输出结果y1～y3。
另外，也可以采用使用了三层以上的神经网络的所谓的深度学习的方法。
在可编程控制器1具有的机器学习装置100中，将神经网络用作Q学习中的价值函数，将状态变量S和行为a用作输入x，学习部110按照上述神经网络进行多层构造的运算，由此也能够输出该状态下的该行为的价值(结果y)。另外，在神经网络的动作模式中具有学习模式和价值预测模式，例如，能够在学习模式下使用学习数据集来学习权值w，在价值预测模式下使用学习到的权值w来进行行为的价值判断。另外，在价值预测模式中还能够进行检测、分类、推论等。
上述可编程控制器1的结构可以记述为处理器101执行的机器学习方法(或者软件)。该机器学习方法是学习每个动作周期的时序程序的执行时间分配的变更的机器学习方法，具有由计算机的CPU执行的如下步骤：观测执行时间分配数据S1、动作阶段数据S2以及机械动作模式数据S3来作为表示加工系统进行动作的环境的当前状态的状态变量S；取得判定数据D，该判定数据D表示基于变更后的执行时间分配的加工系统的动作阶段中的循环时间的恰当与否判定结果；使用状态变量S和判定数据D，将动作阶段数据S2以及机械动作模式数据S3与每个动作周期的时序程序的执行时间分配的变更关联起来进行学习。
以上对本发明的实施方式进行了说明，但是本发明不只限于上述实施方式的示例，可以通过增加适当的变更而以各种方式来实施。
例如，机器学习装置100执行的学习算法、运算算法、可编程控制器1执行的控制算法等不限于上述内容，可以采用各种算法。
此外，在上述实施方式中说明了可编程控制器1与机器学习装置100是具有不同的CPU的装置，但是可以通过可编程控制器1具有的处理器11以及存储在ROM12中的系统程序来实现机器学习装置100。
以上，对本发明的实施方式进行了说明，但是本发明不限于上述实施方式的示例，可以通过增加适当的变更而以其他方式来实施。

Claims (6)

1.一种可编程控制器，其执行对构成加工系统的至少一个机械进行控制的多个时序程序，在所述加工系统的每个动作阶段变更每个动作周期的该时序程序的执行时间分配，其特征在于，
所述可编程控制器具备：
时间分配设定部，其设定所述执行时间分配；
阶段解析部，其根据与所述机械的动作状态有关的数据来解析所述加工系统的动作阶段；
测量部，其测量执行所述加工系统的所述动作阶段所花费的时间即循环时间；以及
机器学习装置，其学习每个所述动作周期的时序程序的执行时间分配的变更，
所述机器学习装置具备：
状态观测部，其观测表示在执行所述加工系统的动作阶段时设定的执行时间分配的执行时间分配数据、表示所述动作阶段的动作阶段数据、以及与所述动作阶段中的所述机械的动作状态有关的数据即机械动作模式数据，来作为表示环境的当前状态的状态变量；
判定数据取得部，其取得循环时间判定数据来作为表示每个动作周期的时序程序的执行时间分配的变更的恰当与否判定结果的判定数据，所述循环时间判定数据用于判定在所设定的所述执行时间分配下执行的所述动作阶段的执行所花费的循环时间是否恰当；以及
学习部，其使用所述状态变量和所述判定数据，将所述加工系统的动作阶段以及所述机械的动作模式与每个动作周期的时序程序的执行时间分配的变更关联起来进行学习。
2.根据权利要求1所述的可编程控制器，其特征在于，
所述学习部具备：
回报计算部，其求出与所述恰当与否判定结果关联的回报；以及
价值函数更新部，其使用所述回报来更新函数，该函数表示与所述加工系统的动作阶段以及所述机械的动作模式相对的每个动作周期的时序程序的执行时间分配的变更行为的价值，
所述循环时间越缩短，所述回报计算部赋予越高的回报。
3.根据权利要求1或2所述的可编程控制器，其特征在于，
所述学习部通过多层结构来运算所述状态变量和所述判定数据。
4.一种可编程控制器，其执行对构成加工系统的至少一个机械进行控制的多个时序程序，在所述加工系统的每个动作阶段变更每个动作周期的该时序程序的执行时间分配，其特征在于，
所述可编程控制器具备：
时间分配设定部，其设定所述执行时间分配；
阶段解析部，其根据与所述机械的动作状态有关的数据来解析所述加工系统的动作阶段；以及
机器学习装置，其学习每个所述动作周期的时序程序的执行时间分配的变更，
所述机器学习装置具备：
状态观测部，其观测表示在执行所述加工系统的动作阶段时设定的执行时间分配的执行时间分配数据、表示所述动作阶段的动作阶段数据、以及与所述动作阶段中的所述机械的动作状态有关的数据即机械动作模式数据，来作为表示环境的当前状态的状态变量；
学习部，其将所述加工系统的动作阶段以及所述机械的动作模式与每个动作周期的时序程序的执行时间分配的变更关联起来进行学习；以及
决策部，其根据所述状态观测部观测到的状态变量以及所述学习部的学习结果，来决定每个动作周期的时序程序的执行时间分配的变更。
5.一种可编程控制器中的机器学习装置，所述可编程控制器执行对构成加工系统的至少一个机械进行控制的多个时序程序，所述机器学习装置学习所述加工系统的每个动作阶段的每个动作周期的该时序程序的执行时间分配的变更，其特征在于，
所述机器学习装置具备：
状态观测部，其观测表示在执行所述加工系统的动作阶段时设定的执行时间分配的执行时间分配数据、表示所述动作阶段的动作阶段数据、以及与所述动作阶段中的所述机械的动作状态有关的数据即机械动作模式数据，来作为表示环境的当前状态的状态变量；
判定数据取得部，其取得循环时间判定数据来作为表示每个动作周期的时序程序的执行时间分配的变更的恰当与否判定结果的判定数据，所述循环时间判定数据用于判定在所设定的所述执行时间分配下执行的所述动作阶段的执行所花费的循环时间是否恰当；以及
学习部，其使用所述状态变量和所述判定数据，将所述加工系统的动作阶段以及所述机械的动作模式与每个动作周期的时序程序的执行时间分配的变更关联起来进行学习。
6.一种可编程控制器中的机器学习装置，所述可编程控制器执行对构成加工系统的至少一个机械进行控制的多个时序程序，所述机器学习装置学习所述加工系统的每个动作阶段的每个动作周期的该时序程序的执行时间分配的变更，其特征在于，
所述机器学习装置具有：
状态观测部，其观测表示在执行所述加工系统的动作阶段时设定的执行时间分配的执行时间分配数据、表示所述动作阶段的动作阶段数据、以及与所述动作阶段中的所述机械的动作状态有关的数据即机械动作模式数据，来作为表示环境的当前状态的状态变量；
学习部，其将所述加工系统的动作阶段以及所述机械的动作模式与每个动作周期的时序程序的执行时间分配的变更关联起来进行学习；以及
决策部，其根据所述状态观测部观测到的状态变量以及所述学习部的学习结果，来决定每个动作周期的时序程序的执行时间分配的变更。
CN201910439863.1A 2018-05-24 2019-05-24 可编程控制器以及机器学习装置 Active CN110531705B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018100021A JP6781191B2 (ja) 2018-05-24 2018-05-24 プログラマブルコントローラ及び機械学習装置
JP2018-100021 2018-05-24

Publications (2)

Publication Number Publication Date
CN110531705A CN110531705A (zh) 2019-12-03
CN110531705B true CN110531705B (zh) 2023-10-27

Family

ID=68499583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910439863.1A Active CN110531705B (zh) 2018-05-24 2019-05-24 可编程控制器以及机器学习装置

Country Status (4)

Country Link
US (1) US10908572B2 (zh)
JP (1) JP6781191B2 (zh)
CN (1) CN110531705B (zh)
DE (1) DE102019113229A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7445533B2 (ja) 2020-06-15 2024-03-07 日立グローバルライフソリューションズ株式会社 異常検出装置、プログラムおよび電気機器システム
US11904399B2 (en) * 2020-11-30 2024-02-20 Metal Industries Research & Development Centre Online prediction method of tool-electrode consumption and prediction method of machining accuracy
KR20220118047A (ko) * 2021-02-18 2022-08-25 삼성전자주식회사 어플리케이션의 모델 파일을 초기화하는 프로세서 및 이를 포함하는 전자 장치
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
US20240160170A1 (en) * 2021-04-06 2024-05-16 Rakuten Mobile, Inc. Autonomous software controller adaptation

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103152757A (zh) * 2011-12-07 2013-06-12 中国移动通信集团设计院有限公司 一种指令下发方法及设备
CN106558959A (zh) * 2015-09-30 2017-04-05 发那科株式会社 机械学习装置和线圈制造装置
JP2017120587A (ja) * 2015-12-28 2017-07-06 ファナック株式会社 キャッシュロックを学習する機械学習器，産業機械システム，製造システム，機械学習方法および機械学習プログラム
JP2018060290A (ja) * 2016-10-03 2018-04-12 オムロン株式会社 制御装置、制御装置の制御方法、制御プログラム、および記録媒体
CN108052394A (zh) * 2017-12-27 2018-05-18 福建星瑞格软件有限公司 基于sql语句运行时间的资源分配的方法及计算机设备

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6631305B2 (en) * 2000-05-03 2003-10-07 General Electric Company Capability analysis of assembly line production
JP2003175439A (ja) * 2001-12-11 2003-06-24 Mori Seiki Co Ltd Ｎｃ工作機械の加工時間推定装置
JP2005084800A (ja) * 2003-09-05 2005-03-31 Fanuc Ltd プログラマブルコントローラ
US7565654B2 (en) * 2006-01-10 2009-07-21 National Instruments Corporation Programmatic control of tasks in a programmable logic controller
JP4809497B2 (ja) 2010-02-25 2011-11-09 ファナック株式会社 複数の独立したシーケンスプログラムを並列実行するプログラマブルコントローラ
JP5715217B2 (ja) * 2013-10-18 2015-05-07 ファナック株式会社 プログラムの先読み機能を備えた数値制御装置
DE102016107527A1 (de) * 2016-04-22 2017-10-26 Beckhoff Automation Gmbh Echtzeitumgebung und speicherprogrammierbare Steuerung
JP2018018251A (ja) * 2016-07-27 2018-02-01 ファナック株式会社 数値制御装置
JP6897360B2 (ja) * 2017-06-21 2021-06-30 オムロン株式会社 制御装置、制御プログラムおよび制御システム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103152757A (zh) * 2011-12-07 2013-06-12 中国移动通信集团设计院有限公司 一种指令下发方法及设备
CN106558959A (zh) * 2015-09-30 2017-04-05 发那科株式会社 机械学习装置和线圈制造装置
JP2017120587A (ja) * 2015-12-28 2017-07-06 ファナック株式会社 キャッシュロックを学習する機械学習器，産業機械システム，製造システム，機械学習方法および機械学習プログラム
JP2018060290A (ja) * 2016-10-03 2018-04-12 オムロン株式会社 制御装置、制御装置の制御方法、制御プログラム、および記録媒体
CN108052394A (zh) * 2017-12-27 2018-05-18 福建星瑞格软件有限公司 基于sql语句运行时间的资源分配的方法及计算机设备

Also Published As

Publication number Publication date
JP2019204369A (ja) 2019-11-28
US10908572B2 (en) 2021-02-02
JP6781191B2 (ja) 2020-11-04
CN110531705A (zh) 2019-12-03
DE102019113229A1 (de) 2019-11-28
US20190361415A1 (en) 2019-11-28

Similar Documents

Publication Publication Date Title
CN110531705B (zh) 可编程控制器以及机器学习装置
JP6652549B2 (ja) 切粉除去装置及び情報処理装置
CN108241342B (zh) 数值控制装置以及机器学习装置
CN108345273B (zh) 数值控制装置及机器学习装置
CN108621154B (zh) 清洗工序最优化装置以及机器学习装置
JP6680756B2 (ja) 制御装置及び機械学習装置
CN106552974B (zh) 具有移动轴异常负载警告功能的线放电加工机
CN108723889B (zh) 加减速控制装置
JP6659652B2 (ja) 加工条件調整装置及び機械学習装置
CN110501973B (zh) 模拟装置
JP2017068566A (ja) 工作機械の工具補正の頻度を最適化する機械学習装置及び機械学習方法、並びに該機械学習装置を備えた工作機械
KR102224970B1 (ko) 제어 장치 및 기계 학습 장치
CN110347120A (zh) 控制装置以及机器学习装置
CN109202394B (zh) 部件供给装置以及机器学习装置
JP2019162712A (ja) 制御装置、機械学習装置及びシステム
CN110171159A (zh) 控制装置以及机器学习装置
CN109725597B (zh) 测试装置以及机器学习装置
CN110125955B (zh) 控制装置以及机器学习装置

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