CN115243813B - 控制系统、电动机控制装置及机器学习装置 - Google Patents

Abstract

目的在于得到即使在保持对象物及保持状态中的至少一者发生变化的情况下也能够抑制控制对象的机械共振的控制系统。控制系统具有：陷波滤波器，其对指令进行滤波处理，该指令用于通过反馈控制对能够保持保持对象物的工作机械进行控制；数据取得部(1331)，其取得工件信息及工件的保持状态；以及推断部(1332)，其通过向用于根据工件信息及保持状态来推定保持对象物的振动频率的训练好的模型输入由数据取得部(1331)取得的工件信息及保持状态，从而推定保持对象物的振动频率，陷波滤波器将截止频率设定为由推断部(1332)推定出的振动频率。

Description

控制系统、电动机控制装置及机器学习装置

技术领域

本发明涉及对以工作机械为首的工业用机械装置进行控制的控制系统、电动机控制装置及机器学习装置。

背景技术

对以工作机械为首的工业用机械装置的动作进行控制的控制装置通常采用反馈控制方法。控制装置通过采用反馈控制方法，从而能够稳定地追随从上级控制器发送来的目标值，并且应对干扰的影响。

但是，即使使用反馈控制方法，有时也会产生依赖于控制对象的刚性、质量等的机械共振。在产生了机械共振时，如果反馈增益被设定为大的值，则有时机械共振增大，控制系统发生振荡。为了抑制这样的现象，当前，使用在控制环内设置仅使特定的频率成分衰减的滤波器即陷波滤波器的方法。但是，为了将被衰减即被截止的特定的频率即截止频率设定于陷波滤波器，要通过事先进行实际测量来求出应截止的频率，需要专用的测量器。另外，如果控制对象的位置发生变化，则共振频率也发生变化，因此，在事先决定截止频率的方法中，有时无法充分地抑制上述现象。

为了应对上述这样的问题，在专利文献1中公开了在控制环内设置以示教点位置和固有频率作为训练数据的训练好的神经网络而对振动进行抑制的减振装置。在专利文献1的减振装置中，通过将控制对象的机构部的位置信息输入至神经网络，从而对在控制对象产生的机械共振的固有频率进行运算，通过将与由运算得到的固有频率对应的陷波滤波器设定于控制环内而对振动进行抑制。

专利文献1：日本特开平7-261853号公报

发明内容

在工作机械之中存在进行对工件、工具等保持对象物进行保持的动作的工作机械。在这样的工作机械中，即使保持对象物的位置信息相同，如果保持对象物不同，则大小、材质等不同，因此，固有频率也不同。另外，与是否正在对保持对象物进行保持即保持状态的变化相伴，固有频率有时也发生变化。在这样的情况下，在专利文献1所记载的方法中，未反映出表示保持对象物的信息及保持状态，因此有可能无法适当地求出固有频率。因此，在陷波滤波器中无法将被衰减的频域设定为适当的值，有可能无法抑制机械共振。

本发明就是鉴于上述情况而提出的，其目的在于，得到即使在保持对象物及保持状态中的至少一者发生变化的情况下也能够抑制控制对象的机械共振的控制系统。

为了解决上述课题，达到目的，本发明涉及的控制系统具有：陷波滤波器，其对指令进行滤波处理，指令用于通过反馈控制对能够保持保持对象物的工作机械进行控制；以及数据取得部，其取得与保持对象物相关的信息即保持对象物信息及保持对象物的保持状态。控制系统还具有：推断部，其通过向用于根据保持对象物信息及保持状态来推定保持对象物的振动频率的训练好的模型输入由数据取得部取得的保持对象物信息及保持状态，从而推定保持对象物的振动频率。陷波滤波器将截止频率设定为由推断部推定出的振动频率。

发明的效果

根据本发明，具有以下效果，即，即使在保持对象物及保持状态中的至少一者发生变化的情况下也能够抑制控制对象的机械共振。

附图说明

图1是表示实施方式涉及的控制系统的结构例的图。

图2是表示与＜学习阶段＞相关的实施方式的滤波器生成部的结构例的图。

图3是表示与＜应用阶段＞相关的实施方式的滤波器生成部的结构例的图。

图4是表示实施方式的学习装置的结构例的图。

图5是表示神经网络的一个例子的图。

图6是表示学习装置的学习处理流程的一个例子的流程图。

图7是表示实施方式的推断装置的结构例的图。

图8是表示＜应用阶段＞中的滤波器生成部的处理流程的一个例子的流程图。

图9是表示独立于电动机控制装置而设置进行学习处理的机器学习装置的情况下的控制系统及机器学习装置的结构例的图。

具体实施方式

以下，基于附图，对实施方式涉及的控制系统、电动机控制装置及机器学习装置详细地进行说明。

实施方式

图1是表示实施方式涉及的控制系统的结构例的图。本实施方式的控制系统20具有电动机控制装置1和对电动机控制装置1进行控制的上级控制器2。控制系统20对工作机械30进行控制。在本实施方式中，使作为控制系统20的控制对象的工作机械30为进行切削加工的工作机械，但控制系统20的控制对象不限定于进行切削加工的工作机械，只要是能够进行对作为切削加工的加工对象的工件6进行保持的动作的工业用机械即可。

在图1所示的例子中，工作机械30具有电动机3、减速器8、卡盘装置5及切削工具7。工作机械30能够对工件6进行保持。工件6是可由工作机械30进行保持的保持对象物的一个例子。具体地说，工作机械30通过卡盘装置5对工件6进行固定。卡盘装置5在从上级控制器2接收到表示对工件6进行保持的夹持信号的情况下，对工件6进行固定。电动机3由电动机控制装置1进行控制。电动机3的旋转运动经由减速器8而被传送至卡盘装置5。由此，工件6与卡盘装置5一起旋转。工件6一边旋转一边被切削工具7加工。另外，电动机3的位置即电动机3的旋转位置由检测器4进行检测。由检测器4检测出的电动机3的位置被输入至电动机控制装置1。

上级控制器2生成用于对工作机械30的加工进行控制的指令、控制信号、控制信息等。详细地说，上级控制器2生成与电动机3的位置相关的指令即位置指令而向电动机控制装置1输出。上级控制器2例如按照加工程序，生成用于对工作机械30的加工进行控制的指令、控制信号、控制信息等。电动机控制装置1基于从上级控制器2接收到的位置指令和从检测器4输入的位置，生成用于对电动机3进行控制的电流而向电动机3输出。

另外，上级控制器2生成表示卡盘装置5是将工件6固定还是松开的控制信号而向卡盘装置5输出。这里，使表示是将工件6固定还是松开的控制信号为在固定着工件6的期间输出的夹持信号。卡盘装置5在从上级控制器2接收到夹持信号的期间实施将工件6固定的动作，在未接收到夹持信号时实施将工件6松开的动作。此外，表示是将工件6固定还是松开的控制信号不限于这个例子，可以是在工件6的开始和结束时所输出的信号，也可以是根据信号的电压值等而表示工件6的固定和松开的信号。另外，示出了通过卡盘装置5进行固定的例子，但只要上级控制器2能够掌握工件6是否被固定于工作机械30，则可以是任意的固定方法。

上级控制器2掌握有工件6的保持状态。保持状态例如是表示工件6是否被固定于工作机械30的信息。在图1所示的结构例中，保持状态例如是工件6是否被固定于卡盘装置5。该保持状态例如是由加工程序指定的。上级控制器2能够基于加工程序来判别工件6的保持状态。另外，保持状态也能够由工作机械30的操作者输入。例如，操作者使用上级控制器2的未图示的输入单元而输入工件6的保持状态。或者，也可以是电动机控制装置1具有输入单元，操作者向电动机控制装置1输入工件6的保持状态。另外，通常，在使用工作机械30进行加工时，作为加工条件而输入与工件6相关的信息即工件信息。上级控制器2基于加工条件对工作机械30的加工进行控制。工件信息例如包含工件6的保持位置、直径的大小、材质及长度中的至少1者。保持位置是表示从工件6的端部起至被保持的工件6的保持部位为止的长度的信息。上级控制器2将工件6的保持状态和与工件6相关的信息即工件信息输出至电动机控制装置1。关于工件信息，同样地，可以基于加工程序而进行判别，也能够由操作者输入。

接下来，对电动机控制装置1的结构进行说明。如图1所示，电动机控制装置1具有位置控制部11、速度控制部12、滤波器生成部13、电流控制部14及速度转换部15。位置控制部11基于从上级控制器2接收到的位置指令和从检测器4输入的位置而对速度指令进行计算，将速度指令向速度控制部12输出。详细地说，基于位置指令与从检测器4输入的位置的差值对速度指令进行计算。速度转换部15通过对从检测器4输入的位置进行微分而对速度进行计算，将计算出的速度向速度控制部12输出。

速度控制部12基于速度指令和从速度转换部15输入的速度而对电流指令进行计算，将电流指令向滤波器生成部13输出。详细地说，速度控制部12基于速度指令与从速度转换部15输入的速度的差值对电流指令进行计算。即，速度控制部12是生成用于通过反馈控制对工作机械30进行控制的指令的指令生成部。该指令详细地说是用于通过反馈控制而对工作机械30的电动机3进行控制的指令。在本实施方式中，说明通过后述的滤波器生成部13对用于控制电动机3的电流指令进行滤波处理的例子，但电流指令是用于通过反馈控制对能够保持保持对象物的工作机械30进行控制的指令的一个例子，本实施方式的滤波处理的对象只要是对工作机械30进行控制的指令即可，不限定于电流指令。

滤波器生成部13对电流指令进行滤波处理，将滤波处理后的电流指令向电流控制部14输出。滤波器生成部13的滤波处理是使特定的频率即截止频率的成分衰减即将截止频率的成分截止的滤波处理。通过将滤波器生成部13所截止的截止频率设为在工作机械30中产生共振的频率，从而能够抑制机械共振。另一方面，固有频率依赖于工件6的保持状态等。因此，如果不反映工件6的保持状态就决定由滤波器生成部13去除的截止频率，则根据工件6的保持状态，有时无法抑制共振。在本实施方式中，滤波器生成部13使用从上级控制器2接收到的工件信息及保持状态而决定在滤波处理中要去除的频率成分。由此，在本实施方式中，能够反映工件6的保持状态等而决定截止频率。因此，即使在固有频率依赖于工件6的保持状态而发生变化的情况下，也能够抑制机械共振。关于滤波器生成部13的详情，会在后面叙述。

电流控制部14基于从滤波器生成部13输出的电流指令对向电动机3输出的电流进行控制。电动机3根据从电流控制部14输出的电流而进行旋转运动。通过以上动作，电动机控制装置1能够将电动机3控制至遵从于从上级控制器2接收到的位置指令的位置。通过将电动机3控制至遵从于位置指令的位置，从而能够经由减速器8及卡盘装置5将工件6控制至所期望的位置。

接下来，对滤波器生成部13的详情进行说明。滤波器生成部13通过使用了包含工件信息及保持状态在内的信息的机器学习而求出振动频率，对电流指令实施与振动频率相应的滤波处理。滤波器生成部13具有通过机器学习而生成训练好的模型的功能和使用训练好的模型而进行推断的功能。以下，将生成训练好的模型的阶段称为＜学习阶段＞，将进行推断的阶段称为＜应用阶段＞。

图2是表示与＜学习阶段＞相关的本实施方式的滤波器生成部13的结构例的图。在图2中记载了在＜学习阶段＞中使用的结构要素。滤波器生成部13具有学习装置131、频率推定部132及陷波滤波器133作为在＜学习阶段＞中使用的结构要素。

频率推定部132基于电流指令对工件6的振动频率进行推定，将表示推定出的振动频率的振动频率信息向陷波滤波器133及学习装置131输出。频率推定部132例如通过对输入的电流指令进行傅里叶变换这样的处理而求出电流指令的每个频率的成分的大小。然后，频率推定部132将成分的大小大于或等于一定值的频率推定为振动频率。或者，频率推定部132也可以按照成分的降序顺序将规定个数的频率推定为振动频率。振动频率信息至少包含表示振动频率的信息。这里，使振动频率包含振动频率和该频率的振幅。振幅是表示该振动频率的振动的大小的值的一个例子。频率推定部132对振动频率进行推定的方法不限定于基于电流指令而进行推定的方法，例如也可以是设置振动传感器，对从振动传感器输出的信号进行傅里叶变换而进行推定等，不特别限制推定方法。

陷波滤波器133是能够变更截止频率的滤波器。在＜学习阶段＞中，陷波滤波器133的截止频率可以是未设定的状态。即，在＜学习阶段＞中，与未设置陷波滤波器133的情况相同。学习装置131使用从上级控制器2接收到的工件信息及保持状态、从频率推定部132接收到的振动频率信息，通过机器学习而生成训练好的模型。此外，这里，说明使用工件信息及保持状态而进行机器学习的例子，但也可以使用工件信息及保持状态中的一者。关于学习装置131的详情，会在后面叙述。

图3是表示与＜应用阶段＞相关的本实施方式的滤波器生成部13的结构例的图。在图3中记载了在＜应用阶段＞中使用的结构要素。滤波器生成部13具有推断装置134及陷波滤波器133作为在＜应用阶段＞中使用的结构要素。

推断装置134通过向由学习装置131生成的训练好的模型输入从上级控制器2接收到的工件信息及保持状态而对振动频率进行推定，将推定出的振动频率向陷波滤波器133输出。陷波滤波器133根据由推断装置134输出的振动频率对电流指令实施滤波处理。

详细地说，在＜应用阶段＞中，陷波滤波器133根据从推断装置134输入的振动频率对电流指令实施滤波处理。详细地说，例如，陷波滤波器133将从推断装置134输入的振动频率设定为截止频率。另外，在从推断装置134还输入表示振动的大小的振幅的情况下，陷波滤波器133基于输入的振幅而决定衰减量。

这里，对电动机控制装置1的硬件结构进行说明。电动机控制装置1的各功能部由电路实现。电流控制部14通过具有将交流电力转换为直流电力的转换器电路或将直流电力转换为所期望的交流电力的逆变器电路，从而以追随于电流指令的方式向电动机3供给电流。位置控制部11、速度控制部12、滤波器生成部13及速度转换部15由处理电路实现。处理电路可以是具有处理器的电路，也可以是专用硬件。

在处理电路是具有处理器的电路的情况下，处理电路例如是由处理器和存储器构成的控制电路。在位置控制部11、速度控制部12、滤波器生成部13及速度转换部15由控制电路实现的情况下，通过由处理器读出、执行在存储器中储存的程序而实现位置控制部11、速度控制部12、滤波器生成部13及速度转换部15。即，在位置控制部11、速度控制部12、滤波器生成部13及速度转换部15由控制电路实现的情况下，它们的功能是使用软件即程序而实现的。存储器也被用作处理器的工作区域。处理器是CPU(Central Processing Unit)等。存储器例如是RAM(Random Access Memory)、ROM(Read Only Memory)、闪存等非易失性或易失性的半导体存储器、磁盘等。

在位置控制部11、速度控制部12、滤波器生成部13及速度转换部15是专用硬件的情况下，处理电路例如是FPGA(Field Programmable Gate Array)、ASIC(ApplicationSpecific Integrated Circuit)。此外，位置控制部11、速度控制部12、滤波器生成部13及速度转换部15也可以是将具有处理器的处理电路及专用硬件进行组合而实现的。位置控制部11、速度控制部12、滤波器生成部13及速度转换部15也可以由多个处理电路实现。

接下来，对图2所示的学习装置131的详情进行说明。图4是表示本实施方式的学习装置131的结构例的图。学习装置131具有数据取得部1311、模型生成部1312及训练好模型存储部1313。

数据取得部1311从上级控制器2取得工件信息及保持状态，从频率推定部132取得振动频率信息。数据取得部1311将数据集作为学习用数据而向模型生成部1312输出，该数据集将取得的工件信息及保持状态设为输入数据，将取得的振动频率信息设为答案数据。

模型生成部1312使用从数据取得部1311输入的学习用数据对与工件信息及保持状态对应的工件6的振动频率进行学习。即，模型生成部1312生成训练好的模型，该训练好的模型用于根据工件信息及保持状态来推断在滤波处理中应截止的最合适的频率。振动频率信息如上所述至少包含振动频率，也可以进一步包含表示振动的大小的振幅。因此，训练好的模型可以用于根据工件信息及保持状态来推断振动频率，也可以用于根据保持对象物信息及保持状态来推定振动频率和振动频率时的振动的大小。这里，学习用数据是将工件6的工件信息、保持状态及振动频率信息彼此关联起来的数据集。

模型生成部1312所使用的学习算法能够使用监督式学习、无监督式学习等公知的算法。作为一个例子，对应用了神经网络的情况进行说明。

模型生成部1312例如按照神经网络模型，通过所谓的监督式学习对工件6的振动频率进行学习。这里，监督式学习是指通过将输入与结果(标签)的数据的组提供给学习装置，从而对这些学习用数据所具有的特征进行学习，根据输入对结果进行推断的方法。

神经网络是通过由多个神经元构成的输入层、由多个神经元构成的中间层(隐藏层)及由多个神经元构成的输出层而构成的。中间层可以是1层，也可以大于或等于2层。

图5是表示神经网络的一个例子的图。例如，如果是图5所示这样的3层的神经网络，如果多个输入分别被输入至输入层X1、X2、X3，则输入层X1、X2、X3对被输入进来的值分别乘以所对应的权重w11～w16而向所对应的中间层Y1、Y2输入。中间层Y1、Y2对被输入进来的值分别乘以所对应的权重w21～w26而向所对应的输出层Z1、Z2、Z3输出。输出层Z1、Z2、Z3将从中间层Y1、Y2输入的值相加而输出。图5是一个例子，输入层的数量和输出层的数量不限定于图5所示的例子，只要根据学习数据中的输入数据及答案数据的数量进行设定即可。

模型生成部1312例如通过以向神经网络中的输入层输入了工件信息及保持状态各自的数据时的从输出层输出的结果成为答案数据即振动频率的方式对权重w11～w16及w21～w26进行调整而进行学习。

模型生成部1312通过执行以上这样的学习而生成训练好的模型，向训练好模型存储部1313进行储存。训练好模型存储部1313对由模型生成部1312生成的训练好的模型进行存储。

图6是表示学习装置131中的学习处理流程的一个例子的流程图。该学习处理例如可以在电动机控制装置1的出厂前进行，也可以在电动机控制装置1的运用开始前进行，还可以在电动机控制装置1的运用开始后但工作机械30尚未进行产品的加工时使用试验用的工件6而进行。数据取得部1311取得数据(步骤S1)。详细地说，数据取得部1311如上所述从上级控制器2取得工件信息及保持状态，从频率推定部132取得振动频率信息，将取得的数据作为学习用数据而向模型生成部1312输入。此外，这里，设为同时取得工件信息、保持状态及振动频率信息，但只要能够将工件信息、保持状态及振动频率信息相关联地输入至模型生成部1312即可，数据取得部1311也可以在不同的定时(timing)分别取得工件信息、保持状态及振动频率信息的数据。

模型生成部1312使用从数据取得部1311输入的学习用数据而进行学习处理(步骤S2)。详细地说，模型生成部1312使用从数据取得部1311输入的学习用数据，通过所谓的监督式学习对工件6的振动频率进行学习，生成训练好的模型。

接下来，训练好模型存储部1313对由模型生成部1312生成的训练好的模型进行存储(步骤S3)。详细地说，模型生成部1312将生成的训练好的模型向训练好模型存储部1313进行储存。该训练好的模型如后面所述的那样由推断装置134读出而用于推断。

接下来，对图3所示的推断装置134的详情进行说明。图7是表示本实施方式的推断装置134的结构例的图。推断装置134具有数据取得部1331、推断部1332及训练好模型存储部1313。这里，在滤波器生成部13具有学习装置131及推断装置134这两者的功能的情况下，训练好模型存储部1313能够与学习装置131进行共享，但也可以独立于学习装置131的训练好模型存储部1313，设置训练好模型存储部1313以供推断装置134使用。另外，推断装置134的数据取得部1331不取得振动频率的推定值但取得工件信息及保持状态这一点与学习装置131的数据取得部1311是相同的。因此，推断装置134的数据取得部1331与学习装置131的数据取得部1311也可以共享共通的部分。

推断装置134的数据取得部1331从上级控制器2取得工件6的工件信息及保持状态作为推断时的输入数据，将输入数据向推断部1332输入。在推断装置134的训练好模型存储部1313储存由学习装置131学习得到的训练好的模型。推断部1332通过将从数据取得部1331输入的输入数据向在训练好模型存储部1313储存的训练好的模型输入，从而推定振动频率。即，推断部1332通过向用于根据工件信息及保持状态来推定工件的振动频率的训练好的模型输入由数据取得部1331取得的保持对象物信息及保持状态，从而推定工件6的振动频率。

图8是表示＜应用阶段＞中的滤波器生成部13的处理流程的一个例子的流程图。推断装置134的数据取得部1331取得数据(步骤S11)。详细地说，推断装置134的数据取得部1331从上级控制器2取得工件6的工件信息及保持状态作为推断时的输入数据，将输入数据向推断部1332输入。

推断部1332将输入数据向训练好的模型输入(步骤S12)。详细地说，通过将从数据取得部1331输入的输入数据向在训练好模型存储部1313储存的训练好的模型输入，从而对与被输入进来的工件信息及保持状态对应的振动频率及振幅进行推定。

接下来，推断部1332将从训练好的模型输出的数据向陷波滤波器133输出(步骤S13)。陷波滤波器133进行与从推断部1332输出的数据相应的设定(步骤S14)。详细地说，陷波滤波器133将截止频率设定为从推断部1332输出的振动频率的推定值即由推断部1332推定出的振动频率，并且基于由推断部1332推定出的振幅来设定衰减量，对电流指令实施滤波处理。

通过以上动作，滤波器生成部13能够在＜应用阶段＞中通过滤波处理来抑制与保持对象物及保持状态对应的振动频率，因此，即使在保持对象物及保持状态中的至少一者发生变化的情况下，也能够抑制控制对象的机械共振。

此外，在图2及图3所示的例子中，学习装置131及推断装置134内置于滤波器生成部13，但学习装置131及推断装置134的设置部位不限定于这个例子。例如，学习装置131及推断装置134可以独立于滤波器生成部13而设置于电动机控制装置1内部，也可以作为通过网络与电动机控制装置1连接的其它装置而设置。例如，学习装置131及推断装置134也可以由与电动机控制装置1不同的计算机实现，学习装置131及推断装置134各自也可以由不同的计算机实现。在学习装置131与电动机控制装置1由不同的计算机实现的情况下，该计算机从上级控制器2或电动机控制装置1取得工件信息及保持状态，从电动机控制装置1的频率推定部132取得振动频率信息，实施上述学习装置131的动作。

在学习装置131及推断装置134由计算机实现的情况下，通过由计算机所具有的处理器执行在存储器中储存的程序，从而实现这些装置。另外，并且，学习装置131及推断装置134也可以存在于云服务器之上。另外，也可以是学习装置131设置于与电动机控制装置1不同的装置，推断装置134内置于滤波器生成部13。在这种情况下，滤波器生成部13具有数据取得部1311，数据取得部1311将取得的学习用数据向进行学习处理的其它装置发送。另外，在这种情况下，由学习装置131生成的训练好的模型可以预先设定于推断装置134，也可以经由网络由推断装置134从学习装置131接收训练好的模型。并且，在这种情况下，频率推定部132也可以设置于进行学习处理的其它装置而非内置于滤波器生成部13。在频率推定部132设置于进行学习处理的其它装置的情况下，数据取得部1311将电流指令向进行学习处理的其它装置发送。或者，在基于振动传感器等传感器的输出信号来推定振动频率的情况下，也可以是传感器的输出信号被直接向进行学习处理的其它装置发送。

图9是表示独立于电动机控制装置而设置进行学习处理的机器学习装置的情况下的控制系统及机器学习装置的结构例的图。图9所示的控制系统20a除了具有电动机控制装置1a来取代电动机控制装置1这一点以外，与图1所示的控制系统20相同。电动机控制装置1a具有滤波器生成部13a来取代滤波器生成部13。滤波器生成部13a具有在滤波器生成部13的＜应用阶段＞中使用的结构要素即图3所示的结构要素。

机器学习装置200具有从对用于控制工作机械30的指令实施滤波处理的控制系统20a取得指令、工件信息及保持状态的数据取得部1314。详细地说，数据取得部1314从上级控制器2取得工件信息及保持状态，从电动机控制装置1a取得作为指令的一个例子的电流指令。另外，机器学习装置200还具有基于数据取得部1314所取得的指令来推定保持对象物的振动频率的频率推定部132。频率推定部132与电动机控制装置1的频率推定部132相同。如上所述，频率推定部132也可以取代电流指令而根据由振动传感器得到的检测结果等来推定振动的频率。机器学习装置200还具有与学习装置131相同的模型生成部1312及训练好模型存储部1313。即，机器学习装置200的模型生成部1312使用包含由数据取得部1314取得的工件信息及保持状态、由频率推定部132推定出的振动频率在内的学习用数据，生成用于推断出在滤波处理中使用的截止频率的训练好的模型，向训练好模型存储部1313进行储存。在训练好模型存储部1313储存的训练好的模型被存储于电动机控制装置1a的滤波器生成部13a的推断装置134内。由此，滤波器生成部13a的推断装置134能够使用由机器学习装置200生成的训练好的模型，与滤波器生成部13的＜应用阶段＞的推断装置134同样地，对与工件信息及保持状态对应的振动频率及振幅进行推定。此外，这里，说明了机器学习装置200具有频率推定部132的例子，但也可以是电动机控制装置1a具有频率推定部132，机器学习装置200的数据取得部1314取得由频率推定部132得到的推定结果。

另外，学习装置131的模型生成部1312也可以基于从多个电动机控制装置取得的数据而生成训练好的模型。模型生成部1312既可以从在相同的区域中使用的多个电动机控制装置取得学习用数据，也可以利用从在不同的区域中独立地进行动作的多个电动机控制装置收集的学习用数据而对振动频率进行学习。另外，还能够在中途将作为学习用数据的收集对象的电动机控制装置1追加于对象，或者从对象将其去除。并且，也可以将针对某个电动机控制装置1即第1电动机控制装置对振动频率进行了学习的学习装置131应用于与第1电动机控制装置不同的电动机控制装置1即第2电动机控制装置，第2电动机控制装置的学习装置131针对第2电动机控制装置而对工件6的振动频率进行重新学习，对训练好的模型进行更新。机器学习装置200的模型生成部1312也可以同样地基于从多个电动机控制装置取得的数据而生成训练好的模型，也能够在中途将作为学习用数据的收集对象的电动机控制装置追加于对象，或者将其从对象去除。

另外，在由机器学习装置200进行学习处理的情况下，该机器学习装置200也可以基于从与进行推断的电动机控制装置1即第1电动机控制装置不同的电动机控制装置1即第2电动机控制装置取得的数据进行学习而生成训练好的模型，在第1电动机控制装置的推断中使用该训练好的模型。

此外，在本实施方式中，对模型生成部1312所使用的学习算法应用了监督式学习的情况进行了说明，但不限于此。关于学习算法，除了监督式学习以外，还能够应用无监督式学习或半监督式学习等。

另外，作为模型生成部1312所使用的学习算法，还能够使用对特征量自身的提取进行学习的深度学习(Deep Learning)，也可以按照其它的公知方法例如遗传编程、功能逻辑编程、支持向量机等来执行机器学习。

另外，在以上的说明中，电动机控制装置1基于工件信息及保持状态对振动频率进行学习、推定，但同样地，也可以根据与工具相关的工具信息和工具的保持状态对振动频率进行学习、推定。例如，在进行由工具的旋转实现的切削的工作机械中，工作机械对工具进行保持。在这种情况下，与上述工件6同样地，通过由电动机控制装置1按照来自上级控制器2的指令而对电动机3进行控制，从而工具进行旋转。在这种情况下，在＜学习阶段＞中，使用工具信息及工具的保持状态来推定振动频率，将工具信息及工具的保持状态、推定出的振动频率用作学习用数据而生成训练好的模型。在＜应用阶段＞中，通过向训练好的模型输入工具信息和工具的保持状态而进行振动频率的推断。工具信息例如包含工具的大小及种类中的至少1者。如上所述，工具也是保持对象物的一个例子。工具信息及工件信息都是保持对象物信息，保持对象物信息例如是与保持对象物的固有频率相关的信息。

以上的实施方式所示的结构表示的是一个例子，也能够与其它的公知技术进行组合，也能够将实施方式彼此进行组合，也能够在不脱离主旨的范围省略、变更结构的一部分。

标号的说明

1电动机控制装置，2上级控制器，3电动机，4检测器，5卡盘装置，6工件，7切削工具，8减速器，11位置控制部，12速度控制部，13滤波器生成部，14电流控制部，15速度转换部，20控制系统，30工作机械，131学习装置，132频率推定部，133陷波滤波器，134推断装置，200机器学习装置，1311、1331、1314数据取得部，1312模型生成部，1313训练好模型存储部，1332推断部。

Claims (8)

1.一种控制系统，其特征在于，具有：

陷波滤波器，其对指令进行滤波处理，所述指令用于通过反馈控制对能够保持保持对象物的工作机械进行控制；

数据取得部，其取得与所述保持对象物相关的信息即保持对象物信息及所述保持对象物的保持状态；以及

推断部，其通过向用于根据所述保持对象物信息及所述保持状态来推定所述保持对象物的振动频率的训练好的模型输入由所述数据取得部取得的所述保持对象物信息及所述保持状态，从而推定所述保持对象物的振动频率，

所述保持状态是表示所述保持对象物是否被固定于所述工作机械的信息，

所述陷波滤波器将截止频率设定为由所述推断部推定出的振动频率。

2.根据权利要求1所述的控制系统，其特征在于，

所述保持对象物是工件，

所述保持对象物信息包含所述保持对象物的保持位置、直径的大小、材质及长度中的至少1者。

3.根据权利要求2所述的控制系统，其特征在于，

所述保持位置是表示从所述保持对象物的端部起至被保持的所述保持对象物的保持部位为止的长度的信息。

4.根据权利要求1至3中任一项所述的控制系统，其特征在于，

所述训练好的模型是用于根据所述保持对象物信息及所述保持状态来进一步推定所述振动频率时的振动的大小的模型，

所述推断部通过向训练好的模型输入由所述数据取得部取得的所述保持对象物信息及所述保持状态，从而进一步推定表示所述振动频率时的振动的大小的值，

所述陷波滤波器基于由所述推断部推定出的表示所述振动的大小的值来设定所述截止频率时的衰减量。

5.根据权利要求1至3中任一项所述的控制系统，其特征在于，具有：

频率推定部，其基于所述指令来推定所述保持对象物的振动频率；以及

模型生成部，其使用包含所述保持对象物信息及所述保持状态、由所述频率推定部推定出的所述振动频率在内的学习用数据，生成所述训练好的模型。

6.根据权利要求4所述的控制系统，其特征在于，具有：

频率推定部，其基于所述指令来推定所述保持对象物的振动频率；以及

模型生成部，其使用包含所述保持对象物信息及所述保持状态、由所述频率推定部推定出的所述振动频率在内的学习用数据，生成所述训练好的模型。

7.一种电动机控制装置，其特征在于，具有：

陷波滤波器，其对指令进行滤波处理，所述指令用于通过反馈控制对能够保持保持对象物的工作机械的电动机进行控制；

数据取得部，其取得与所述保持对象物相关的信息即保持对象物信息及所述保持对象物的保持状态；以及

推断部，其通过向用于根据所述保持对象物信息及所述保持状态来推定所述保持对象物的振动频率的训练好的模型输入由所述数据取得部取得的所述保持对象物信息及所述保持状态，从而推定所述保持对象物的振动频率，

所述保持状态是表示所述保持对象物是否被固定于所述工作机械的信息，

所述陷波滤波器将截止频率设定为由所述推断部推定出的振动频率。

8.一种机器学习装置，其特征在于，具有：

数据取得部，其从控制系统取得指令、与保持对象物相关的信息即保持对象物信息及所述保持对象物的保持状态，所述控制系统通过反馈控制对能够保持所述保持对象物的工作机械进行控制，对用于控制所述工作机械的所述指令实施滤波处理；

频率推定部，其基于所述指令来推定所述保持对象物的振动频率；以及

模型生成部，其使用包含由所述数据取得部取得的所述保持对象物信息及所述保持状态、由所述频率推定部推定出的所述振动频率在内的学习用数据，生成用于推断出在所述滤波处理中使用的截止频率的训练好的模型，

所述保持状态是表示所述保持对象物是否被固定于所述工作机械的信息。