CN112824987A - 追加学习装置、方法以及存储介质 - Google Patents

追加学习装置、方法以及存储介质 Download PDF

Info

Publication number
CN112824987A
CN112824987A CN202011089031.0A CN202011089031A CN112824987A CN 112824987 A CN112824987 A CN 112824987A CN 202011089031 A CN202011089031 A CN 202011089031A CN 112824987 A CN112824987 A CN 112824987A
Authority
CN
China
Prior art keywords
explanatory variable
variable
model
learning
target
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.)
Pending
Application number
CN202011089031.0A
Other languages
English (en)
Inventor
上山勇树
伊藤喜辉
阿部泰明
稲本修治
阪谷信幸
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 CN112824987A publication Critical patent/CN112824987A/zh
Pending legal-status Critical Current

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
    • G05B13/0265—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
    • G05B13/028—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 expert systems only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
    • G05B19/054—Input/output
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G05B2219/10—Plc systems
    • G05B2219/11—Plc I-O input output
    • G05B2219/1105—I-O

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种追加学习装置、方法以及存储介质，所述追加学习装置包括：获取部(12)获取基于在控制对象中观测到的数据的信息，所述控制对象是以与来自模型的输出相应的指示而受到控制，所述模型输出相对于说明变量的目标变量且经预先学习，判定部(14)判定与由获取部(12)所获取的信息对应的说明变量是否作为模型的学习数据而存在，即，是否为未知，追加学习部(16)在由判定部(14)判定为说明变量为未知时，获取与未知的说明变量对应的目标变量，将未知的说明变量与所获取的目标变量相关联地对模型进行追加学习。本发明对于未知的外部干扰事态，不需要人工便可更新模型。

Description

追加学习装置、方法以及存储介质
技术领域
本发明涉及一种追加学习装置、追加学习方法以及存储介质。
背景技术
例如，在制造产品的制造装置中，目标是以降低材料或外部环境变化的影响，满足所期望的产品品质标准的方式，来实现加工等的动作。对为此所需的指标进行观测的传感器或者对致动器指示控制动作的控制器被内置在制造装置中。也有内含使用经机器学习的模型的数据驱动(data driven)功能的控制器。
通常，在制造装置的设计阶段，设计者会将所设想的材料或外部环境变化的影响考虑在内，来尝试满足既定的品质标准的安装，但一旦实际进入现场运用，有时会因未曾设想的变化(外部干扰)而造成品质不良的发生。而且，为了降低此种设想外的事态的发生率，多会牺牲生产效率来应对。
作为与决定此种装置中的测量或控制等设备动作的程序中内含的模型相关的技术，提出有一种诊断装置，所述诊断装置既能始终较佳地确保诊断性能，又能适当保持提高模型性能所需的信息。所述诊断装置包含基于物理模型的诊断部件，此诊断部件从工作机械获取诊断信息，使用基于物理特征而预测为发生异常时会产生的特征量来进行诊断。而且，所述诊断装置包含基于数理模型的诊断部件，此诊断部件使用基于正常时及异常时的信号而学习的机器学习模型来进行诊断。并且，所述诊断装置在两诊断部件得出的诊断结果不同的情况下，判断为必须更新物理模型及数理模型中的至少一者，并通知此意旨(参照专利文献1)。
[现有技术文献]
[专利文献]
专利文献1：日本专利特开2018-119924号公报
发明内容
[发明所要解决的问题]
但是，所述专利文献1所公开的技术中，尽管通知必须更新模型的意旨，但最终的更新判断必须由人进行。此时，例如存在下述问题：若频繁产生材料的变更或外部环境变化，则存在难以由人工来随时判断的情况。
本发明是有鉴于此点而完成，其目的在于，对于未知的外部干扰事态，不需要人工便可更新模型。
[解决问题的技术手段]
为了达成所述目的，本发明的追加学习装置包含：获取部，获取基于在控制对象中观测到的数据的信息，所述控制对象是以与来自模型的输出相应的指示而受到控制，所述模型输出相对于说明变量的目标变量且经预先学习；判定部，判定与由所述获取部所获取的信息对应的说明变量在所述模型中是否为未知；以及追加学习部，若由所述判定部判定为所述说明变量为未知，则获取与所述说明变量对应的目标变量，将所述说明变量与所述目标变量相关联地对所述模型进行追加学习。
而且，所述追加学习部能够获取基于从获取与未知的说明变量对应的信息起经过规定时间后在所述控制对象中观测到的数据的信息，来作为所述目标变量。
而且，所述追加学习部能够设定与未知的说明变量对应的规定的目标变量，若基于以与跟所设定的目标变量对应的输出相应的指示来控制所述控制对象时所观测到的数据的信息满足预先规定的条件，则获取所述规定的目标变量来作为与所述未知的说明变量对应的目标变量。
而且，所述追加学习部能够通过来自用户的输入来获取与未知的说明变量对应的目标变量。
而且，所述判定部能够保持映射信息，所述映射信息表示在所述模型的说明变量空间中，存在作为学习所述模型时的学习数据的说明变量的区域与不存在作为所述学习数据的说明变量的区域，所述判定部基于与由所述获取部所获取的信息对应的说明变量属于哪个区域，来判定与由所述获取部所获取的信息对应的说明变量是否为未知。
而且，本发明的追加学习装置能够还包括：控制部，由从所述模型输出的目标变量来生成用于控制所述控制对象的控制信号并予以输出。
而且，所述控制对象能够设为制造装置。
而且，本发明的追加学习方法中，获取部获取基于在控制对象中观测到的数据的信息，所述控制对象是以与来自模型的输出相应的指示而受到控制，所述模型输出相对于说明变量的目标变量且经预先学习，判定部判定与由所述获取部所获取的信息对应的说明变量在所述模型中是否为未知，追加学习部在由所述判定部判定为所述说明变量为未知时，获取与所述说明变量对应的目标变量，将所述说明变量与所述目标变量相关联地对所述模型进行追加学习。
而且，本发明的存储介质，其记录有用于使计算机作为下述部分发挥功能的追加学习程序，即：获取部，获取基于在控制对象中观测到的数据的信息，所述控制对象是以与来自模型的输出相应的指示而受到控制，所述模型输出相对于说明变量的目标变量且经预先学习；判定部，判定与由所述获取部所获取的信息对应的说明变量在所述模型中是否为未知；以及追加学习部，若由所述判定部判定为所述说明变量为未知，则获取与所述说明变量对应的目标变量，将所述说明变量与所述目标变量相关联地对所述模型进行追加学习。
[发明的效果]
根据本发明的追加学习装置、方法以及程序，对于未知的外部干扰事态，不需要人工便能够更新模型。
附图说明
图1是表示本实施方式的可编程逻辑控制器(Programmable Logic Controller，PLC)的功能结构的框图。
图2是表示本实施方式的PLC的硬件结构的框图。
图3是概念性地表示映射信息的图。
图4是概念性地表示模型的追加学习的情况的图。
图5是表示追加学习的次数与反映至模型的事态的比例的关系的图。
图6是表示本实施方式中的控制处理的流程的流程图。
图7是表示本实施方式中的追加学习处理的流程的流程图。
[符号的说明]
12：获取部
14：判定部
16：追加学习部
18：控制部
20：模型存储部
30：模型生成装置
32：生成部
35：制造装置
42：CPU
44：存储器
46：存储装置
48：输入/输出I/F
52：存储介质读取装置
54：通信I/F
具体实施方式
以下，参照附图来说明本发明的实施方式的一例。本实施方式中，以搭载有本发明的追加学习装置的可编程逻辑控制器(Programmable Logic Controller，PLC)为例来进行说明。另外，对于各附图中相同或等价的构成元件及部分标注有相同的参照符号。而且，附图的尺寸及比率为了便于说明而有所扩张，有时与实际的比率不同。
如图1所示，本实施方式的PLC 10使用由模型生成装置30所生成的模型，对作为控制对象的制造装置35的动作进行控制。制造装置35例如为搬送装置、冲压机等。作为控制对象的制造装置35既可为一个，也可为多个。
图2是表示本实施方式的PLC 10的硬件结构的框图。如图2所示，PLC10具有中央处理器(Central Processing Unit，CPU)42、存储器44、存储装置46、输入/输出接口(Interface，I/F)48、存储介质读取装置52及通信I/F 54。各结构经由总线56可彼此通信地连接。
在存储装置46中，保存有用于执行后述的控制处理及追加学习处理的追加学习程序。CPU 42为中央运算处理单元，执行各种程序，或者控制各结构。即，CPU 42从存储装置46中读出程序，将存储器44作为作业区域来执行程序。CPU 42根据存储在存储装置46中的程序，来进行所述各结构的控制及各种运算处理。
存储器44包含随机存取存储器(Random Access Memory，RAM)，作为作业区域来暂时存储程序及数据。存储装置46包含只读存储器(Read Only Memory，ROM)及硬盘驱动器(Hard Disk Drive，HDD)、固态硬盘(Solid State Drive，SSD)等，保存包含操作系统的各种程序及各种数据。
输入/输出I/F 48是进行来自制造装置35的数据输入、及向制造装置35的数据输出的接口。而且，例如也可连接键盘或鼠标等各种用于进行输入的输入装置、及例如显示器或打印机等用于输出各种信息的输出装置。通过采用触控面板显示器来作为输出装置，也可使其作为输入装置来发挥功能。
存储介质读取装置52进行存储在光盘(Compact Disc，CD)-ROM、数字多功能光盘(Digital Versatile Disc，DVD)-ROM、软盘、通用串行总线(Universal Serial Bus，USB)存储器等各种存储介质中的数据的读取、或者数据向存储介质中的写入等。
通信I/F 54是用于与其他设备进行通信的接口，例如使用以太网(Ethernet)(注册商标)、光纤分布式数据接口(Fiber Distributed Data Interface，FDDI)、Wi-Fi(注册商标)等规格。
模型生成装置30的硬件结构与PLC 10的硬件结构为同样，因此省略说明。
接下来，对模型生成装置30的功能结构进行说明。如图1所示，模型生成装置30在功能上包含生成部32。
生成部32使用学习数据来预先学习模型的参数，从而生成模型，所述模型是输出相对于说明变量的目标变量的模型，且被利用于通过PLC 10来控制制造装置35。
本实施方式中，说明变量是基于在制造装置35中观测到的数据的信息(以下称作“观测信息”)。观测信息例如是制造装置35内的马达的转速、由设在制造装置35中的各种传感器所检测出的传感器值、基于这些值来进行判定处理等的处理结果等的信息。目标变量是相对于所输入的说明变量而推论的制造装置35的状态等的预测值。即，模型是基于观测信息来推论制造装置35的控制所需的预测值。
因此，生成部32将基于观测信息的说明变量、与表示观测到所述观测信息时的制造装置35的正解状态的目标变量的对作为学习数据，来学习模型的参数，由此来生成模型。生成部32将已学习的模型的参数存储到PLC 10的模型存储部20(详情将后述)中。
而且，生成部32生成映射信息，所述映射信息表示在说明变量空间中，存在作为利用于模型学习的学习数据的说明变量的区域、与不存在作为学习数据的说明变量的区域。图3概念性地示出映射信息。图3的示例中，y1及y2为说明变量，y＾(图3中，“＾(帽)”在“y”之上)为目标变量。将以y1及y2分别为各轴的说明变量空间分割为例如图3所示的网眼状的小区域。关于说明变量与正解的目标变量的对即学习数据(图3中的黑圆圈)的各个，对所述学习数据中所含的说明变量(图3中的白圆圈)所属的小区域，赋予表示有说明变量存在的值。图3的示例中，以标注影线的区域表示存在作为学习数据的说明变量的小区域，以白的区域表示不存在作为学习数据的说明变量的小区域。生成部32将所生成的映射信息存储到PLC10的模型存储部20(详情将后述)中。
接下来，对本实施方式的PLC 10的功能结构进行说明。
如图1所示，PLC 10包含获取部12、判定部14、追加学习部16及控制部18以作为功能结构。而且，在PLC 10的规定的存储区域，存储有模型存储部20。各功能结构是通过下述方式来实现，即，CPU 42读出被存储在存储装置46中的追加学习程序，且在存储器44中展开并执行。
获取部12从制造装置35获取观测信息。获取部12进行从观测信息中提取特征量等的必要处理，加工为输入至模型的说明变量，并将说明变量交接给判定部14及控制部18。若观测信息为直接输入至模型的说明变量，则获取部12将观测信息直接作为说明变量而交接给判定部14及控制部18。
判定部14判定从获取部12交接的说明变量在模型中是否为未知。具体而言，判定部14从模型存储部20中读出映射信息，判定从获取部12交接的说明变量是属于存在作为学习数据的说明变量的小区域，还是属于不存在作为学习数据的说明变量的区域。若是前者，则判定部14判定为从获取部12交接的说明变量为已知，若是后者，则判定部14判定为从获取部12交接的说明变量为未知，并将判定结果交接给追加学习部16。
若由判定部14判定为说明变量为未知，则追加学习部16获取与未知的说明变量对应的目标变量，将未知的说明变量与所获取的目标变量相关联地对模型进行追加学习。
追加学习也被称作在线(online)学习，是基于新获得的学习数据来对初始或基于现存的学习数据而生成的模型的一部分进行更新的处理。例如，使用追加的学习数据，通过概率梯度下降法等，对模型的参数进行最佳化，由此，便能够对模型进行追加学习。
图4概念性地示出模型的追加学习的情况。如图4所示，在模型以树结构来表示的情况下，通过追加学习来追加新的节点(图4中的黑圆圈所示的节点)。这样，在说明变量为未知的情况下，获取与此说明变量对应的目标变量，并作为新的学习数据，通过追加学习来更新模型。因此，由模型的现存部分得出的推论结果不会发生变化。
如图5所示，追加学习的次数越多，则以说明变量所说明的所有事态，即，可能引起的事态的上限中的、以作为学习数据而存在的已知的说明变量所说明的事态，即，反映至模型的事态的比例越高，由模型得出的推论的精度越提高。
追加学习部16能够像以下那样，获取与未知的说明变量对应的目标变量。
设从模型输出的目标变量是与在规定时间后在制造装置35中观测到的观测信息相应的值。此时，追加学习部16获取与从获取了与未知的说明变量对应的观测信息起经过规定时间后所获取的观测信息相应的值，来作为与未知的说明变量对应的目标变量。
而且，在可探索性地导出从模型输出的目标变量的情况下，追加学习部16设定规定的目标变量来作为与未知的说明变量对应的目标变量。例如，追加学习部16能够基于映射信息，将对未知的说明变量所属的小区域附近的小区域中的、说明变量属于已知的小区域的学习数据中所含的目标变量的值进行线性插值等而获得的值设为规定的目标变量。若以与跟所设定的目标变量对应的输出相应的指示来控制制造装置35时所观测到的观测信息为规定范围内的值，则追加学习部16获取所设定的规定的目标变量来作为与未知的说明变量对应的目标变量。
而且，追加学习部16也可通过来自用户的输入来获取与未知的说明变量对应的目标变量。
追加学习部16将通过追加学习而更新的模型的参数存储到模型存储部20中。而且，追加学习部16基于以用于追加学习的说明变量与目标变量的对来表示的学习数据，来更新映射信息。具体而言，追加学习部16对不存在作为学习数据的说明变量的小区域，赋予表示存在作为学习数据的说明变量的值。
控制部18将从获取部12交接的说明变量输入至模型，基于从模型输出的目标变量に来生成用于控制制造装置35的控制信号并予以输出。例如，控制部18根据利用模型所预测的制造装置35的状态，来生成用于调整辊的角度或者变更马达的转速的控制信号。
接下来，对本实施方式的PLC 10的作用进行说明。
首先，对使用模型的输出来控制制造装置35的处理即控制处理进行说明。图6是表示由PLC 10的CPU 42所执行的控制处理的流程的流程图。CPU 42从存储装置46读出控制程序，且在存储器44中展开并执行，由此，CPU 42作为PLC 10的各功能结构发挥功能，反复执行图6所示的控制处理。
步骤S12中，控制部18生成用于控制制造装置35的控制信号并予以输出。由此，制造装置35基于控制信号而受到控制地运行。伴随制造装置35的运行，在制造装置35中观测到观测信息，并输出至PLC 10。
接下来，步骤S14中，获取部12从制造装置35获取观测信息。并且，获取部12对观测信息进行必要的处理，加工为输入至模型的说明变量，并将说明变量交接给判定部14及控制部18。若观测信息为直接输入至模型的说明变量，则获取部12将观测信息直接作为说明变量而交接给判定部14及控制部18。
接下来，步骤S16中，控制部18将从获取部12交接的说明变量输入至模型，并基于从模型输出的目标变量，生成用于控制制造装置35的控制信号。然后，处理返回步骤S12。
接下来说明对模型进行追加学习的追加学习处理。图7是表示由PLC 10的CPU 42所执行的追加学习处理的流程的流程图。CPU 42从存储装置46中读出追加学习程序，且在存储器44中展开并执行，由此，CPU 42作为PLC 10的各功能结构发挥功能，执行图7所示的追加学习处理。追加学习处理是每当从制造装置35获取观测信息时执行。
步骤S22中，判定部14接收基于在控制处理(图6)的步骤S14中由获取部12所获取的观测信息的说明变量。并且，判定部14从模型存储部20中读出映射信息，并判断在映射信息中，所接收的说明变量是否属于不存在作为学习数据的说明变量的小区域。若为肯定判定，则判定部14判定为所接收的说明变量为未知，处理移转至步骤S24。若为否定判定，则所接收的说明变量为已知，因此不进行模型的追加学习，追加学习处理结束。
步骤S24中，追加学习部16判定从模型输出的目标变量是否为与在规定时间后在制造装置35中观测到的观测信息相应的值。若为肯定判定，则处理移转至步骤S26，若为否定判定，则处理移转至步骤S34。
步骤S26中，获取部12待机规定时间，在下个步骤S28中，从制造装置35获取观测信息。
接下来，步骤S30中，追加学习部16获取与在所述步骤S28中获取的观测信息相应的值，以作为与未知的说明变量对应的目标变量。并且，追加学习部16将未知的说明变量与所获取的目标变量相关联地对模型进行追加学习。
接下来，步骤S32中，追加学习部16将通过追加学习而更新的模型的参数存储至模型存储部20中。而且，追加学习部16基于以用于追加学习的说明变量与目标变量的对所表示的学习数据，来更新映射信息。并且，追加学习处理结束。
另一方面，步骤S34中，追加学习部16判定能否探索性地导出从模型输出的目标变量。若能导出，则处理移转至步骤S36，若无法导出，则处理移转至步骤S44。
步骤S36中，追加学习部16设定规定的目标变量来作为与未知的说明变量对应的目标变量。由此，控制部18生成与所设定的目标变量相应的控制信号并输出，制造装置35根据所述控制信号而运行。
接下来，步骤S38中，获取部12从以与所设定的规定的目标变量相应的控制信号而运行的制造装置35获取观测信息。
接下来，步骤S40中，追加学习部16判定在所述步骤S38中获取的观测信息是否处于规定范围内。若处于规定范围内，则处理移转至步骤S42，若处于规定范围外，则追加学习处理结束。
步骤S42中，追加学习部16获取在所述步骤S36中设定的规定的目标变量，来作为与未知的说明变量对应的目标变量。并且，追加学习部16将未知的说明变量与所获取的目标变量相关联地对模型进行追加学习，并移转至步骤S32。
另外，若在所述步骤S40中为否定判定，则也可返回步骤S36，设定与前次不同的目标变量，将步骤S36～步骤S40的处理重复规定次数。
步骤S44中，追加学习部16从用户受理与未知的说明变量对应的目标变量的输入。继而，在接下来的步骤S46中，追加学习部16获取所受理的目标变量来作为与未知的说明变量对应的目标变量，对模型进行追加学习，并移转至步骤S32。
如以上所说明的那样，根据本实施方式的PLC，从以与来自模型的输出相应的指示而受到控制的制造装置获取观测信息，所述模型输出相对于说明变量的目标变量且经预先学习。并且，若与所获取的观测信息对应的说明变量在模型中为未知，则获取与未知的说明变量对应的目标变量，将未知的说明变量与所获取的目标变量相关联地对模型进行追加学习。
由此，对于未知的外部干扰事态，无须停止装置，而且不需要人工，便能够在PLC内更新模型。其结果，与如以往技术那样，人每次要进行更新判断的情况相比，能够减少在未知的事态反映至模型之前的时间损耗(time loss)。因此，如所述实施方式那样，在通过PLC来控制制造装置的场景下，带来成品率的改善。
另外，所述实施方式中，对将本发明的追加学习装置搭载于PLC的示例进行了说明，但并不限定于此。例如，也能够适用于车辆的自动驾驶或驾驶辅助的功能。此时，从车辆获取加速踏板或刹车的踩踏量、转向的转向角、速度、加速度等数据来作为观测信息，将基于观测信息的说明变量作为输入，通过模型，输出对车辆的状态进行推论的预测值来作为目标变量。并且，只要将基于目标变量的控制信号输出至车辆即可。
而且，所述实施方式中，CPU读取软件(程序)而执行的追加学习处理也可由CPU以外的各种处理器来执行。作为此时的处理器，可例示现场可编程门阵列(Field-Programmable Gate Array，FPGA)等在制造后可变更电路结构的可编程逻辑器件(Programmable Logic Device，PLD)、及专用集成电路(Application SpecificIntegrated Circuit，ASIC)等具有为了执行特定处理而专门设计的电路结构的处理器即专用电气电路等。而且，追加学习处理既可由所述各种处理器中的一个来执行，也可由同种或不同种的两个以上的处理器的组合(例如多个FPGA、及CPU与FPGA的组合等)来执行。而且，更具体而言，所述各种处理器的硬件结构是将半导体元件等电路元件组合而成的电气电路。
而且，所述实施方式中，对追加学习程序被预先存储(安装)在存储装置中的形态进行了说明，但并不限定于此。程序也可以存储在CD-ROM、DVD-ROM、软盘、USB存储器等存储介质中的形态而提供。而且，程序也可设为经由网络而从外部装置下载的形态。

Claims (9)

1.一种追加学习装置，包括：
获取部，获取基于在控制对象中观测到的数据的信息，所述控制对象是以与来自模型的输出相应的指示而受到控制，所述模型输出相对于说明变量的目标变量且经预先学习；
判定部，判定与由所述获取部所获取的信息对应的说明变量在所述模型中是否为未知；以及
追加学习部，若由所述判定部判定为所述说明变量为未知，则获取与所述说明变量对应的目标变量，将所述说明变量与所述目标变量相关联地对所述模型进行追加学习。
2.根据权利要求1所述的追加学习装置，其中
所述追加学习部获取基于从获取与未知的说明变量对应的信息起经过规定时间后在所述控制对象中观测到的数据的信息，来作为所述目标变量。
3.根据权利要求1所述的追加学习装置，其中
所述追加学习部设定与未知的说明变量对应的规定的目标变量，若基于以与跟所设定的目标变量对应的输出相应的指示来控制所述控制对象时所观测到的数据的信息满足预先规定的条件，则获取所述规定的目标变量来作为与所述未知的说明变量对应的目标变量。
4.根据权利要求1所述的追加学习装置，其中
所述追加学习部通过来自用户的输入来获取与未知的说明变量对应的目标变量。
5.根据权利要求1至4中任一项所述的追加学习装置，其中
所述判定部保持映射信息，所述映射信息表示在所述模型的说明变量空间中，存在作为学习所述模型时的学习数据的说明变量的区域与不存在作为所述学习数据的说明变量的区域，所述判定部基于与由所述获取部所获取的信息对应的说明变量属于哪个区域，来判定与由所述获取部所获取的信息对应的说明变量是否为未知。
6.根据权利要求1至4中任一项所述的追加学习装置，还包括：
控制部，由从所述模型输出的目标变量来生成用于控制所述控制对象的控制信号并予以输出。
7.根据权利要求6所述的追加学习装置，其中
所述控制对象为制造装置。
8.一种追加学习方法，其中
获取部获取基于在控制对象中观测到的数据的信息，所述控制对象是以与来自模型的输出相应的指示而受到控制，所述模型输出相对于说明变量的目标变量且经预先学习，
判定部判定与由所述获取部所获取的信息对应的说明变量在所述模型中是否为未知，
追加学习部在由所述判定部判定为所述说明变量为未知时，获取与所述说明变量对应的目标变量，将所述说明变量与所述目标变量相关联地对所述模型进行追加学习。
9.一种存储介质，其记录有用于使计算机作为下述部分发挥功能的追加学习程序，即：
获取部，获取基于在控制对象中观测到的数据的信息，所述控制对象是以与来自模型的输出相应的指示而受到控制，所述模型输出相对于说明变量的目标变量且经预先学习；
判定部，判定与由所述获取部所获取的信息对应的说明变量在所述模型中是否为未知；以及
追加学习部，若由所述判定部判定为所述说明变量为未知，则获取与所述说明变量对应的目标变量，将所述说明变量与所述目标变量相关联地对所述模型进行追加学习。
CN202011089031.0A 2019-11-21 2020-10-13 追加学习装置、方法以及存储介质 Pending CN112824987A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-210657 2019-11-21
JP2019210657A JP7363407B2 (ja) 2019-11-21 2019-11-21 追加学習装置、方法、及びプログラム

Publications (1)

Publication Number Publication Date
CN112824987A true CN112824987A (zh) 2021-05-21

Family

ID=72811626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011089031.0A Pending CN112824987A (zh) 2019-11-21 2020-10-13 追加学习装置、方法以及存储介质

Country Status (4)

Country Link
US (1) US20210157285A1 (zh)
EP (1) EP3825928A3 (zh)
JP (1) JP7363407B2 (zh)
CN (1) CN112824987A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11841689B2 (en) * 2018-12-27 2023-12-12 Nec Corporation Policy creation apparatus, control apparatus, policy creation method, and non-transitory computer readable medium storing policy creation program
JP2023002081A (ja) * 2021-06-22 2023-01-10 オムロン株式会社 予測システム、情報処理装置および情報処理プログラム

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298729A (zh) * 2010-06-22 2011-12-28 索尼公司 数据处理装置、数据处理方法和程序
US20120263376A1 (en) * 2011-04-12 2012-10-18 Sharp Laboratories Of America, Inc. Supervised and semi-supervised online boosting algorithm in machine learning framework
JP2017227174A (ja) * 2016-06-22 2017-12-28 株式会社Ihi ガスタービンのタービン出口温度予測方法及びその装置
US20180012128A1 (en) * 2015-01-28 2018-01-11 Nec Corporation Prediction result display system, prediction result display method, and prediction result display program
US20180114101A1 (en) * 2016-10-24 2018-04-26 International Business Machines Corporation Edge-based adaptive machine learning for object recognition
JP2018077823A (ja) * 2016-10-31 2018-05-17 新日鐵住金株式会社 物理モデルのパラメータ同定装置、方法及びプログラム、並びに製造プロセスの制御システム
CN108805292A (zh) * 2017-05-05 2018-11-13 英特尔公司 用于自主机器的机器学习中的即时深度学习
CN108898218A (zh) * 2018-05-24 2018-11-27 阿里巴巴集团控股有限公司 一种神经网络模型的训练方法、装置、及计算机设备
CN108921301A (zh) * 2018-06-29 2018-11-30 长扬科技（北京）有限公司 一种基于自学习的机器学习模型更新方法及系统
US20190093187A1 (en) * 2017-09-27 2019-03-28 International Business Machines Corporation Manufacturing process control with deep learning-based predictive model for hot metal temperature of blast furnace
CN110263697A (zh) * 2019-06-17 2019-09-20 哈尔滨工业大学（深圳） 基于无监督学习的行人重识别方法、装置及介质
CN110268350A (zh) * 2017-03-03 2019-09-20 松下知识产权经营株式会社 劣化诊断系统追加学习方法
JP2019185422A (ja) * 2018-04-11 2019-10-24 株式会社Ｙｅ Ｄｉｇｉｔａｌ 故障予知方法、故障予知装置および故障予知プログラム

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7308322B1 (en) * 1998-09-29 2007-12-11 Rockwell Automation Technologies, Inc. Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis
JP5301310B2 (ja) 2009-02-17 2013-09-25 株式会社日立製作所 異常検知方法及び異常検知システム
JP2013025367A (ja) 2011-07-15 2013-02-04 Wakayama Univ 設備状態監視方法およびその装置
JP6011856B2 (ja) 2012-11-09 2016-10-19 日本電信電話株式会社 文書間関係推定モデル学習装置、文書間関係推定装置、方法、及びプログラム
US9630318B2 (en) * 2014-10-02 2017-04-25 Brain Corporation Feature detection apparatus and methods for training of robotic navigation
JP6837848B2 (ja) 2017-01-27 2021-03-03 オークマ株式会社 診断装置
JP6772963B2 (ja) 2017-06-05 2020-10-21 トヨタ自動車株式会社 異常診断装置及び異常診断方法
JP6380628B1 (ja) 2017-07-31 2018-08-29 株式会社安川電機 電力変換装置、サーバ、及びデータ生成方法
JP7042056B2 (ja) 2017-10-25 2022-03-25 株式会社日立製作所 プラントの運転支援装置及び運転支援方法
US11042163B2 (en) * 2018-01-07 2021-06-22 Nvidia Corporation Guiding vehicles through vehicle maneuvers using machine learning models
GB2572327A (en) * 2018-03-23 2019-10-02 The Plastic Economy Ltd A system and method for manufacture and material optimisation
JP7396117B2 (ja) * 2020-02-27 2023-12-12 オムロン株式会社 モデル更新装置、方法、及びプログラム

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298729A (zh) * 2010-06-22 2011-12-28 索尼公司 数据处理装置、数据处理方法和程序
US20120263376A1 (en) * 2011-04-12 2012-10-18 Sharp Laboratories Of America, Inc. Supervised and semi-supervised online boosting algorithm in machine learning framework
US20180012128A1 (en) * 2015-01-28 2018-01-11 Nec Corporation Prediction result display system, prediction result display method, and prediction result display program
US20190032512A1 (en) * 2016-06-22 2019-01-31 Ihi Corporation Method and apparatus for predicting turbine outlet temperature in gas turbine
JP2017227174A (ja) * 2016-06-22 2017-12-28 株式会社Ihi ガスタービンのタービン出口温度予測方法及びその装置
US20180114101A1 (en) * 2016-10-24 2018-04-26 International Business Machines Corporation Edge-based adaptive machine learning for object recognition
JP2018077823A (ja) * 2016-10-31 2018-05-17 新日鐵住金株式会社 物理モデルのパラメータ同定装置、方法及びプログラム、並びに製造プロセスの制御システム
CN110268350A (zh) * 2017-03-03 2019-09-20 松下知识产权经营株式会社 劣化诊断系统追加学习方法
CN108805292A (zh) * 2017-05-05 2018-11-13 英特尔公司 用于自主机器的机器学习中的即时深度学习
US20190093187A1 (en) * 2017-09-27 2019-03-28 International Business Machines Corporation Manufacturing process control with deep learning-based predictive model for hot metal temperature of blast furnace
JP2019185422A (ja) * 2018-04-11 2019-10-24 株式会社Ｙｅ Ｄｉｇｉｔａｌ 故障予知方法、故障予知装置および故障予知プログラム
CN108898218A (zh) * 2018-05-24 2018-11-27 阿里巴巴集团控股有限公司 一种神经网络模型的训练方法、装置、及计算机设备
CN108921301A (zh) * 2018-06-29 2018-11-30 长扬科技（北京）有限公司 一种基于自学习的机器学习模型更新方法及系统
CN110263697A (zh) * 2019-06-17 2019-09-20 哈尔滨工业大学（深圳） 基于无监督学习的行人重识别方法、装置及介质

Also Published As

Publication number Publication date
JP2021082139A (ja) 2021-05-27
EP3825928A3 (en) 2021-06-02
EP3825928A2 (en) 2021-05-26
JP7363407B2 (ja) 2023-10-18
US20210157285A1 (en) 2021-05-27

Similar Documents

Publication Publication Date Title
JP6148316B2 (ja) 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
CN112824987A (zh) 追加学习装置、方法以及存储介质
EP4113397A1 (en) Model update device, method, and program
JP6438366B2 (ja) 電動機に対する動作指令を学習する機械学習方法および機械学習装置並びに該機械学習装置を備えた制御装置および電動機装置
US11334045B2 (en) Diagnosis apparatus and diagnosis method
WO2020129545A1 (ja) 制御装置およびプログラム
CN110286612B (zh) 控制装置
WO2021157676A1 (ja) 診断装置
CN112240784A (zh) 异常判定装置以及异常判定系统
CN112084834A (zh) 诊断装置
JP6988773B2 (ja) 制御システムおよび制御装置
WO2019207767A1 (ja) 制御装置および制御方法
CN112599234A (zh) 诊断装置
JP6856591B2 (ja) 制御装置、ｃｎｃ装置及び制御装置の制御方法
CN109844658B (zh) 运动控制装置的参数化的自动优化
CN115244551A (zh) 学习用数据生成装置、学习装置、控制装置、学习用数据生成方法、学习方法、控制方法、学习用数据生成程序、学习程序以及控制程序
JP6705848B2 (ja) 制御装置及び制御システム
CN115039043A (zh) 辅助装置
JP4186785B2 (ja) ドライバモデル構築方法、操作予測方法および操作予測装置
JP6909616B2 (ja) 製造システムおよび製造方法
WO2022264599A1 (ja) 基板処理装置、データ処理方法及びデータ処理プログラム
JP2019175275A (ja) 制御システム、制御装置、制御プログラム、学習データ作成方法、及び学習方法
JP7375632B2 (ja) 制御システムおよびサポート装置
WO2024171364A1 (ja) 学習装置、予測装置、診断装置、診断システム、モデル生成方法、予測方法、診断方法及びプログラム
JP7314620B2 (ja) 制御システム、制御装置および制御プログラム

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