DE102018006992A1

DE102018006992A1 - Steuereinrichtung

Info

Publication number: DE102018006992A1
Application number: DE102018006992.4A
Authority: DE
Inventors: Yuusuke SUGIYAMA
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2017-09-05
Filing date: 2018-09-04
Publication date: 2019-03-07
Anticipated expiration: 2038-09-05
Also published as: JP6577542B2; US20190072915A1; DE102018006992B4; US11048216B2; CN109421072B; CN109421072A; JP2019046324A

Abstract

Eine Steuereinrichtung, die den Abschaltzeitpunkt einer Stromversorgung vorhersagt, ist mit einer Maschinenlerneinrichtung ausgestattet, die dafür konfiguriert ist, den Abschaltzeitpunkt der Stromversorgung zu lernen. Die Maschinenlerneinrichtung ist mit einer Zustandsüberwachungseinheit, die dafür konfiguriert ist, einen Betriebsinhalt für die Steuereinrichtung für jeden Benutzer als eine von mehreren Zustandsvariablen zu überwachen, die für einen gegenwärtigen Zustand einer Umgebung repräsentativ sind, einer Bestimmungsdatenerfassungseinheit, die dafür konfiguriert ist, Bestimmungsdaten zu erfassen, die angeben, dass eine Stromabschaltung der Steuereinrichtung durch den Benutzer angewiesen wird, und einer Lerneinheit ausgestattet, die dafür konfiguriert ist, unter Verwendung der Zustandsvariable und der Bestimmungsdaten den Betriebsinhalt für jeden Benutzer und einen Befehl zur Stromabschaltung in Assoziation zueinander zu lernen.

Description

HINTERGRUND DER ERFINDUNG
Gebiet der Erfindung
Die vorliegende Erfindung betrifft eine Steuereinrichtung und im Besonderen eine Steuereinrichtung, die dazu fähig ist, die Zeitdauer, die für eine Stromabschaltverarbeitung erforderlich ist, durch Vorhersagen des Zeitpunkts einer Stromabschaltung durch einen Benutzer und vorheriges Durchführen einer Datenspeicherverarbeitung und dergleichen vor dem vorhergesagten Zeitpunkt zu verkürzen.
Beschreibung des zugehörigen Standes der Technik
Eine herkömmliche Steuereinrichtung führt in Antwort auf einen durch einen Benutzer ausgegebenen Befehl zur Stromabschaltung eine Verarbeitung (Hibernation (Ruhezustand) oder Backup-Datentransfer) zum Speichern von Daten durch, die von einem flüchtigen Speicher in einen nichtflüchtigen Speicher zu speichern sind, und schaltet die Stromversorgung nach der Ausführung dieser Verarbeitung ab. Obgleich diese Verarbeitung für die Verkürzung der nächsten Anlaufzeit der Steuereinrichtung wesentlich ist, hat sie dahingehend ein Problem, dass ab der Ausgabe des Stromabschaltbefehls bis zur tatsächlichen Abschaltung der Stromversorgung viel Zeit vergeht. Wenn der Zeitpunkt der Anweisung der Stromabschaltung vorab ermittelt werden kann, sollte die Stromversorgung nach der Anweisung der Stromabschaltung schnell abgeschaltet werden können, indem die Verarbeitung, wie etwa eine Hibernation oder ein Backup-Datentransfer, bis zu diesem Zeitpunkt abgeschlossen wird. Derzeit existiert jedoch keine Technik zum Vorhersagen des Zeitpunkts der Anweisung der Stromabschaltung im Voraus.
Die offengelegte japanische Patentanmeldung Nr. 07-028572 beispielsweise beschreibt eine Struktur, die basierend auf der Betriebshistorie einer Robotersteuereinrichtung einen Stromverbrauch vorhersagt. Der durch die offengelegte japanische Patentanmeldung Nr. 07-028572 vorhergesagte Gegenstand ist jedoch lediglich der Stromverbrauch, wobei diese Schrift eine Technik zur Vorhersage des Zeitpunkts einer Anweisung der Stromabschaltung weder offenbart noch vorschlägt.
ZUSAMMENFASSUNG DER ERFINDUNG
Das Ziel der vorliegenden Erfindung besteht darin, eine Steuereinrichtung bereitzustellen, die dazu fähig ist, zur Lösung dieser Probleme die Zeitdauer, die für eine Stromabschaltverarbeitung erforderlich ist, durch Vorhersagen des Zeitpunkts einer Stromabschaltung durch einen Benutzer und vorheriges Durchführen einer Datenspeicherverarbeitung und dergleichen vor dem vorhergesagten Zeitpunkt zu verkürzen.
Eine Steuereinrichtung gemäß einer Ausführungsform der vorliegenden Erfindung ist eine Steuereinrichtung, die den Abschaltzeitpunkt einer Stromversorgung vorhersagt und eine Maschinenlerneinrichtung umfasst, die dafür konfiguriert ist, den Abschaltzeitpunkt der Stromversorgung zu lernen. Die Maschinenlerneinrichtung umfasst eine Zustandsüberwachungseinheit, die dafür konfiguriert ist, einen Betriebsinhalt für die Steuereinrichtung für jeden Benutzer als eine von mehreren Zustandsvariablen zu überwachen, die für einen gegenwärtigen Zustand einer Umgebung repräsentativ sind, eine Bestimmungsdatenerfassungseinheit, die dafür konfiguriert ist, Bestimmungsdaten zu erfassen, die angeben, dass eine Stromabschaltung der Steuereinrichtung durch den Benutzer angewiesen wird, und eine Lerneinheit, die dafür konfiguriert ist, unter Verwendung der Zustandsvariable und der Bestimmungsdaten den Betriebsinhalt für jeden Benutzer und einen Befehl zur Stromabschaltung in Assoziation zueinander zu lernen.
Bei der Steuereinrichtung gemäß der einen Ausführungsform der vorliegenden Erfindung umfassen die Zustandsvariablen, zusätzlich zu dem Betriebsinhalt für jeden Benutzer, das Datum, den Wochentag und die Tageszeit des Betriebs, die Beschleunigung oder Position eines Programmierhandgeräts, den Stromverbrauch einer Fabrik, den Lastzustand einer CPU (Zentraleinheit) und/oder den Ausgabezustand eines Alarms.
Bei der Steuereinrichtung gemäß der einen Ausführungsform der vorliegenden Erfindung berechnet die Lerneinheit die Zustandsvariablen und die Bestimmungsdaten in einer mehrschichtigen Struktur.
Die Steuereinrichtung gemäß der einen Ausführungsform der vorliegenden Erfindung umfasst eine Bestimmungsausgabeeinheit, die dafür konfiguriert ist, den vorhergesagten Abschaltzeitpunkt der Stromversorgung zu melden.
Bei der Steuereinrichtung gemäß der einen Ausführungsform der vorliegenden Erfindung führt die Lerneinheit das Lernen unter Verwendung der Zustandsvariablen und der Bestimmungsdaten durch, die von einer Vielzahl der Steuereinrichtungen erhalten werden.
Bei der Steuereinrichtung gemäß der einen Ausführungsform der vorliegenden Erfindung ist die Maschinenlerneinrichtung in einem Cloud-Server vorhanden.
Eine Maschinenlerneinrichtung gemäß einer Ausführungsform der vorliegenden Erfindung ist eine Maschinelerneinrichtung, die dafür konfiguriert ist, den Abschaltzeitpunkt einer Stromversorgung zu lernen und eine Zustandsüberwachungseinheit, die dafür konfiguriert ist, einen Betriebsinhalt für eine Steuereinrichtung für jeden Benutzer als eine von mehreren Zustandsvariablen zu überwachen, die für einen gegenwärtigen Zustand einer Umgebung repräsentativ sind, eine Bestimmungsdatenerfassungseinheit, die dafür konfiguriert ist, Bestimmungsdaten zu erfassen, die angeben, dass eine Stromabschaltung der Steuereinrichtung durch den Benutzer angewiesen wird, und eine Lerneinheit umfasst, die dafür konfiguriert ist, unter Verwendung der Zustandsvariable und der Bestimmungsdaten den Betriebsinhalt für jeden Benutzer und einen Befehl zur Stromabschaltung in Assoziation zueinander zu lernen.
Gemäß der vorliegenden Erfindung kann eine Steuereinrichtung bereitgestellt werden, die dazu fähig ist, die Zeitdauer, die für eine Stromabschaltverarbeitung erforderlich ist, durch Vorhersagen des Zeitpunkts einer Stromabschaltung durch einen Benutzer und vorheriges Durchführen einer Datenspeicherverarbeitung und dergleichen vor dem vorhergesagten Zeitpunkt zu verkürzen.
Figurenliste
Die vorstehenden und andere Ziele und Merkmale der vorliegenden Erfindung sind aus der folgenden Beschreibung von Ausführungsformen unter Bezugnahme auf die beigefügten Zeichnungen ersichtlich. Es zeigt:

1 ein Blockdiagramm, das eine Konfiguration einer Steuereinrichtung zeigt;
2 ein Blockdiagramm, das eine Konfiguration der Steuereinrichtung zeigt;
3 ein Blockdiagramm, das eine Konfiguration der Steuereinrichtung zeigt;
4A eine Darstellung, die ein Neuron zeigt;
4B eine Darstellung, die ein neuronales Netz zeigt;
5 ein Blockdiagramm, das eine Konfiguration der Steuereinrichtung zeigt;
6 ein Blockdiagramm, das eine Konfiguration eines Steuersystems zeigt;
7 ein Flussdiagramm, das den Betrieb der Steuereinrichtung zeigt;
8 ein Flussdiagramm, das den Betrieb der Steuereinrichtung zeigt;
9 eine Darstellung, die den Betrieb einer Steuereinrichtung gemäß einem praktischen Beispiel 1 zeigt; und
10 eine Darstellung, die den Betrieb einer Steuereinrichtung gemäß einem praktischen Beispiel 2 zeigt.

GENAUE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
Ausführungsformen der vorliegenden Erfindung sind unter Bezugnahme auf die beigefügten Zeichnungen beschrieben.
Eine Steuereinrichtung 100 gemäß einer ersten Ausführungsform der vorliegenden Erfindung sammelt Informationen über vor der Stromabschaltung durch einen Benutzer durchgeführte Arbeitsschritte und den Zeitpunkt der Ausgabe eines Befehls zur Stromabschaltung durch den Benutzer und führt auf der Grundlage maschinellen Lernens (Lernverfahren) eine Verarbeitung zur Modellierung der Beziehung zwischen diesen zwei Informationen durch. Außerdem überwacht die Steuereinrichtung 100 unter Verwendung eines im Lernverfahren erstellten Modells die durch den Benutzer durchgeführten Arbeitsschritte und führt eine Verarbeitung zum Vorhersagen des erwarteten Ausgabezeitpunkts des Befehls zur Stromabschaltung durch den Benutzer (Vorhersageverfahren) durch.
1 ist eine schematische Hardwarekonfigurationsdarstellung, die Hauptteile der Steuereinrichtung 100 zeigt. Eine CPU 11 ist ein Prozessor zum allgemeinen Steuern der Steuereinrichtung 100. Die CPU 11 liest ein in einem ROM 12 gespeichertes Systemprogramm aus und steuert die gesamte Steuereinrichtung 100 gemäß diesem Systemprogramm. In einem RAM 13 werden temporäre Berechnungsdaten und Anzeigedaten, verschiedene extern eingegebene Daten und dergleichen zwischengespeichert.
Ein nichtflüchtiger Speicher 14 ist als Speicher ausgeführt, der beispielsweise durch eine Batterie (nicht gezeigt) gestützt wird, so dass sein Speicherzustand selbst dann aufrechterhalten werden kann, wenn die Steuereinrichtung 100 abgeschaltet wird. In dem nichtflüchtigen Speicher 14 werden verschiedene über eine Schnittstelle (nicht gezeigt) eingegebene Programme und Daten gespeichert. Die im nichtflüchtigen Speicher 14 gespeicherten Programme und Daten können während der Ausführung oder Nutzung auf das RAM 13 ausgedehnt werden. Außerdem werden im Vorfeld verschiedene Systemprogramme in das ROM 12 geschrieben.
Eine Eingabeeinrichtung 60 ist eine Einrichtung zum Sammeln der Inhalte von durch den Benutzer durchgeführten Tätigkeiten. Die Eingabeeinrichtung 60 ist beispielsweise ein Programmierhandgerät (TP/Teaching Pendant), das Informationen (z.B. eine Benutzerkennung) zum Identifizieren eines eingeloggten Benutzers und Informationen, wie etwa Protokolle (Logs) (z.B. Datum, Wochentag und Tageszeit der Ausführung und Arbeitsinhalte) der durch den Benutzer durchgeführten Tätigkeiten, eine Beschleunigung des TP und dergleichen, sammelt und ausgibt. Außerdem ist die Eingabeeinrichtung 60 ein Steuersystem einer Fabrik und kann dafür konfiguriert sein, den Stromverbrauch der Fabrik zu erfassen und auszugeben. Ferner ist die Eingabeeinrichtung 60 ein Vision-Sensor zum Verfolgen des TP und kann dafür konfiguriert sein, die aktuelle Position (Koordinaten) des TP zu erfassen und auszugeben. Des Weiteren ist die Eingabeeinrichtung 60 die Steuereinrichtung 100 selbst und kann dafür konfiguriert sein, den Lastzustand der CPU 11 und ein Ausgabeprotokoll eines Alarms zum Melden der Notwendigkeit eines Neustarts zu erfassen und auszugeben.
Die Informationen zum Identifizieren des Benutzers sind als Eingabedaten brauchbar, da der Ausgabezeitpunkt des Befehls zur Stromabschaltung abhängig vom Benutzer variiert. Außerdem sind unter den Arbeitsinhalten des Benutzers Protokolle über einen Arbeitsschritt, der die CPU höchstwahrscheinlich stark belastet, einen Arbeitsschritt, wie etwa eine Robotereinstellung, der einen Neustart der Steuereinrichtung 100 erforderlich macht, und andere Arbeitsschritte, die die Ausgabe des Alarms zum Anfordern eines Neustarts umfassen, als Eingabedaten brauchbar, da sie möglicherweise mit der danach ausgeführten Stromabschaltung in Zusammenhang stehen.
Ferner kann, abhängig von Benutzer, beispielsweise das Muster einer spezifischen Tastenbetätigung mit der Stromabschaltung in Zusammenhang stehen, ohne Bezug zu den vorstehenden Arbeitsschritten zu haben, so dass alle Tätigkeitsprotokolle möglicherweise als Eingabedaten brauchbar sein können. Informationen über das Datum, den Wochentag und die Tageszeit sind als Eingabedaten brauchbar, da die Stromabschaltung höchstwahrscheinlich z.B. an Feiertagen, vor längeren Urlauben, vor Pausenzeiten und vor Arbeitsschluss durchgeführt wird. Informationen über die Beschleunigung oder Position des TP sind als Eingabedaten brauchbar, da in manchen Fabriken Standorte des TP in Verbindung mit der Stromabschaltung zur Regel werden oder aufgrund einer Gewohnheit des Benutzers mit der Stromabschaltung in Zusammenhang stehen können. Der Hochlastzustand der CPU 11 und die Ausgabe des Alarms zum Melden der Notwendigkeit eines Neustarts sind ebenfalls brauchbar, da sie, wie vorstehend beschrieben, manchmal mit der baldigen Stromabschaltung in Zusammenhang stehen.
Die Eingabeeinrichtung 60 fragt in einem vorgegebenen Zyklus (typischerweise in Sekunden, nach Bedarf geeignet einstellbar) diejenigen (Beschleunigung, Stromverbrauch, Koordinaten, Lastzustand, etc.) der Eingabedaten ab, die abgefragt werden können, und sendet die abgefragten Daten an die Steuereinrichtung 100. Die Eingabeeinrichtung 60 sendet die anderen Eingabedaten (Ereignisse, wie etwa Tätigkeitsprotokolle und Alarmerzeugungsprotokolle) immer dann an die Steuereinrichtung 100, wenn ein Ereignis eintritt. Die Steuereinrichtung 100 empfängt die Eingabedaten über eine Schnittstelle 18 von der Eingabeeinrichtung 60 und übermittelt sie an die CPU 11.
Wenn die Stromabschaltung durch den Benutzer angewiesen wird, erkennt dies eine Stromabschaltverarbeitungseinheit 70 und gibt ein Meldesignal (nachstehend als Abschaltinformationen bezeichnet) aus. Die Steuereinrichtung 100 empfängt die Abschaltinformationen über eine Schnittstelle 19 von der Stromabschaltverarbeitungseinheit 70 und übermittelt sie an die CPU 11.
Eine Schnittstelle 21 ist eine Schnittstelle zum Verbinden der Steuereinrichtung 100 und einer Maschinenlerneinrichtung 300. Die Maschinenlerneinrichtung 300 umfasst einen Prozessor 301 zum Steuern der gesamten Maschinenlerneinrichtung 300, ein ROM 302, in dem Systemprogramme und dergleichen gespeichert werden, ein RAM 303 zur Zwischenspeicherung bei jedem mit maschinellem Lernen zusammenhängenden Verarbeitungsschritt, und einen nichtflüchtigen Speicher 304, der dazu verwendet wird, ein Lernmodell und dergleichen zu speichern. Die Maschinenlerneinrichtung 300 kann verschiedene Informationen (Eingabedaten, Abschaltinformationen, etc.) überwachen, die über die Schnittstelle 21 durch die Steuereinrichtung 100 erfasst werden können.
2 ist ein schematisches Funktionsblockdiagramm der Steuereinrichtung 100 und der Maschinenlerneinrichtung 300. Die Maschinenlerneinrichtung 300 umfasst Software (einen Lernalgorithmus, etc.) und Hardware (den Prozessor 301, etc.) zum Selbstlernen, das auf dem sogenannten maschinellen Lernen der Korrelation zwischen der Änderung der Eingabedaten und den Abschaltinformationen basiert. Ein durch die Maschinenlerneinrichtung 300 der Steuereinrichtung 100 gelernter Gegenstand entspricht einer Modellstruktur, die für die Korrelation zwischen der Änderung der Eingabedaten und den Abschaltinformationen repräsentativ ist.
Wie durch die Funktionsblöcke in 2 gezeigt, umfasst die Maschinenlerneinrichtung 300 der Steuereinrichtung 100 eine Zustandsüberwachungseinheit 306, die dafür konfiguriert ist, Zeitreihen-Eingabedaten als Zustandsvariablen S zu überwachen, die für die gegenwärtigen Zustände der Umgebungen repräsentativ sind, eine Bestimmungsdatenerfassungseinheit 308, die dafür konfiguriert ist, die Abschaltinformationen als Bestimmungsdaten D zu erfassen, und eine Lerneinheit 310, die dafür konfiguriert ist, unter Verwendung der Zustandsvariablen S und der Bestimmungsdaten D die Änderung der Eingabedaten und die Abschaltinformationen in Assoziation zueinander zu lernen.
Die Zustandsüberwachungseinheit 306 kann beispielsweise als Funktion des Prozessors 301 ausgeführt sein. Alternativ kann die Zustandsüberwachungseinheit 306 beispielsweise als Software ausgeführt sein, die im ROM 302 gespeichert und dafür konfiguriert ist, die Funktion des Prozessors 301 zu stellen. Die durch die Zustandsüberwachungseinheit 306 überwachten Zustandsvariablen S oder Zeitreihen-Eingabedaten können als die von der Eingabeeinrichtung 60 ausgegebenen erfasst werden. Die Eingabeeinrichtung 60 extrahiert eine vorgegebene Zeitspanne lang Zeitreihen-Eingabedaten aus den in einem vorgegebenen Abfragezyklus erfassten Zeitreihen-Eingabedaten und gibt die extrahierten Daten als Zustandsvariablen S an die Zustandsüberwachungseinheit 306 aus.
Beispielsweise erfasst die Eingabeeinrichtung 60 laufend die Eingabedaten und speichert die Eingabedaten während einer vorgegebenen festen Zeitspanne (z.B. über x Minuten vor der Erfassungszeit der letzten Eingabedaten). Die Eingabeeinrichtung 60 erkennt, dass die Abschaltinformationen durch die Stromabschaltverarbeitungseinheit 70 ausgegeben werden und gibt die Zeitreihen-Eingabedaten eine vorgegebene feste Zeitspanne lang (z.B. über n Minuten vor der Zeit m Minuten vor der Ausgabe der Abschaltinformationen) schon vor dem Ausgabezeitpunkt der Abschaltinformationen als Zustandsvariablen S aus. Typischerweise kann m länger oder gleich einer Durchschnittszeit festgelegt werden, die für eine Verarbeitung, wie etwa Hibernation oder Backup-Datentransfer, erforderlich ist. Die Längen und Einheiten von m und n können beliebig festgelegt werden. Außerdem können m und n so ausgeführt werden, dass sie, sofern nötig, durch den Benutzer veränderbar sind.
Die Bestimmungsdatenerfassungseinheit 308 kann beispielsweise als Funktion des Prozessors 301 ausgeführt sein. Alternativ kann die Bestimmungsdatenerfassungseinheit 308 beispielsweise als Software ausgeführt sein, die im ROM 302 gespeichert und dafür konfiguriert ist, die Funktion des Prozessors 301 zu stellen. Die durch die Bestimmungsdatenerfassungseinheit 308 erfassten Bestimmungsdaten D oder Abschaltinformationen können als die von der Stromabschaltverarbeitungseinheit 70 ausgegebenen erfasst werden.
Die Lerneinheit 310 kann beispielsweise als Funktion des Prozessors 301 ausgeführt sein. Alternativ kann die Lerneinheit 310 beispielsweise als Software ausgeführt sein, die im ROM 302 gespeichert und dafür konfiguriert ist, die Funktion des Prozessors 301 zu stellen. Die Lerneinheit 310 lernt die Korrelation zwischen der Änderung der Eingabedaten und den Abschaltinformationen gemäß einem beliebigen Lernalgorithmus, was kollektiv als maschinelles Lernen bezeichnet wird. Die Lerneinheit 310 kann das Lernen wiederholt basierend auf einem Datensatz durchführen, der die obigen Zustandsvariablen S und Bestimmungsdaten D umfasst.
Durch Wiederholen dieser Lernzyklen kann die Lerneinheit 310 automatisch Charakteristika identifizieren, die auf die Korrelation zwischen der Änderung der Eingabedaten und den Abschaltinformationen hindeuten. Obgleich die Korrelation zwischen der Änderung der Eingabedaten und den Abschaltinformationen beim Start des Lernalgorithmus praktisch unbekannt ist, interpretiert die Lerneinheit 310 mit dem Fortschreiten des Lernens die Korrelation durch allmähliches Identifizieren der Charakteristika. Wenn die Korrelation zwischen der Änderung der Eingabedaten und den Abschaltinformationen bis zu einem gewissen verlässlichen Grad interpretiert worden ist, können die wiederholt durch die Lerneinheit 310 ausgegebenen Lernergebnisse dazu verwendet werden, basierend auf dem gegenwärtigen Zustand (Änderungstrend der Eingabedaten) eine gewünschte Form der Abschaltinformationen zu schätzen. Somit kann die Lerneinheit 310 mit dem Fortschreiten des Lernalgorithmus die Korrelation zwischen der Änderung der Eingabedaten und den Abschaltinformationen allmählich an eine optimale Lösung annähern.
Wie vorstehend beschrieben, ist die Maschinenlerneinrichtung 300 der Steuereinrichtung 100 so konfiguriert, dass die Lerneinheit 310 unter Verwendung der durch die Zustandsüberwachungseinheit 306 überwachten Zustandsvariablen S und der durch die Bestimmungsdatenerfassungseinheit 308 erfassten Bestimmungsdaten D die Abschaltinformationen gemäß dem Maschinenlernalgorithmus lernt. Die Zustandsvariablen S bestehen aus Daten, die nicht leicht durch Störungen beeinflusst werden, während die Labeldaten L eindeutig erhalten werden. Somit können gemäß der Maschinenlerneinrichtung 300 der Steuereinrichtung 100 die der Änderung der Eingabedaten entsprechenden Abschaltinformationen unter Verwendung der Lernergebnisse der Lerneinheit 300 automatisch und genau erhalten werden, ohne Berechnungen oder Schätzungen durchzuführen.
Bei der Maschinenlerneinrichtung 300 mit der obigen Konfiguration ist der durch die Lerneinheit 310 ausgeführte Lernalgorithmus nicht speziell eingeschränkt und es kann ein herkömmlicher Lernalgorithmus zum maschinellen Lernen verwendet werden. 3 zeigt eine auf einer Form der in 2 gezeigten Steuereinrichtung 100 basierende Konfiguration, bei der die Lerneinheit 310 als Beispiel für den Lernalgorithmus ein überwachtes Lernen durchführt. Das überwachte Lernen ist ein Verfahren, bei dem im Vorfeld eine große Menge bekannter Datensätze (als Lehrerdaten bezeichnet) vorgegeben wird, die diesen entsprechende Eingaben und Ausgaben umfassen, und Charakteristika, die auf die Korrelationen zwischen den Eingaben und den Ausgaben hindeuten, anhand dieser Lehrerdaten identifiziert werden, wodurch ein Korrelationsmodell zum Schätzen einer Ausgabe (der Änderung der Eingabedaten entsprechende Abschaltinformationen), die für eine neue Eingabe erforderlich ist, gelernt wird.
Bei der Maschinenlerneinrichtung 300 der in 3 gezeigten Steuereinrichtung 100 umfasst die Lerneinheit 310 eine Fehlerberechnungseinheit 311 und eine Modellaktualisierungseinheit 312. Die Fehlerberechnungseinheit 311 berechnet Fehler E zwischen einem Korrelationsmodell M, das die Abschaltinformationen von den Zustandsvariablen S ableitet, und Korrelationscharakteristika, die anhand von im Vorfeld erstellten Lehrerdaten T identifiziert werden. Die Modellaktualisierungseinheit 312 aktualisiert das Korrelationsmodell M, um die Fehler E zu verringern. Die Lerneinheit 310 lernt die Korrelation zwischen der Änderung der Eingabedaten und den Abschaltinformationen, während die Modellaktualisierungseinheit 312 die Aktualisierung des Korrelationsmodells M wiederholt.
Das Korrelationsmodell M kann durch Regressionsanalyse, verstärktes Lernen, tiefes Lernen oder dergleichen erstellt werden. Ein Anfangswert des Korrelationsmodells M wird der Lerneinheit 310 beispielsweise als vereinfachte Darstellung der Korrelationen zwischen den Zustandsvariablen S und Formdaten vor dem Start des überwachten Lernens vorgegeben. Die Lehrerdaten T können beispielsweise aus gespeicherten Erfahrungswerten (bekannte Datensätze, die die Änderung der Eingabedaten und die Abschaltinformationen umfassen) bestehen, da die Entsprechung zwischen der letzten Änderung der Eingabedaten und den Abschaltinformationen aufgezeichnet wird, und werden vor dem Start des überwachten Lernens der Lerneinheit 310 vorgegeben. Die Fehlerberechnungseinheit 311 identifiziert die Korrelationscharakteristika, die auf die Korrelation zwischen der Änderung der Eingabedaten und den Abschaltinformationen hindeuten, aus der großen Menge der Lerneinheit 310 vorgegebener Lehrerdaten T und erhält die Fehler E zwischen den Korrelationscharakteristika und dem Korrelationsmodell M, das den Zustandsvariablen S in den gegenwärtigen Zuständen entspricht. Die Modellaktualisierungseinheit 312 aktualisiert das Korrelationsmodell M, um die Fehler E beispielsweise gemäß einer vorgegebenen Aktualisierungsregel zu verringern.
Im nächsten Lernzyklus erhält die Fehlerberechnungseinheit 311 die Fehler E in Bezug auf das Korrelationsmodell M, das neu erhaltenen Zustandsvariablen S und Bestimmungsdaten D entspricht, durch Verwendung dieser Zustandsvariablen S und Bestimmungsdaten D, und die Modellaktualisierungseinheit 312 aktualisiert das Korrelationsmodell M erneut. Auf diese Weise wird die Korrelation zwischen dem gegenwärtigen Zustand (Änderung der Eingabedaten) der Umgebung, der bislang unbekannt war, und dem diesem entsprechenden Zustand (Abschaltinformationen) allmählich klar. Mit anderen Worten, die Beziehung zwischen der Änderung der Eingabedaten und den Abschaltinformationen wird durch Aktualisieren des Korrelationsmodells M allmählich an eine optimale Lösung angenähert.
Ein neuronales Netz kann beispielsweise dazu verwendet werden, das obige überwachte Lernen zu befördern. 4A zeigt schematisch ein Modell eines Neurons. 4B zeigt schematisch ein Modell eines dreischichtigen neuronalen Netzes, das durch Kombinieren der in 4A gezeigten Neuronen erstellt wird. Das neuronale Netz kann beispielsweise aus einer Recheneinheit oder einer Speichereinrichtung bestehen, die das neuronale Modell imitiert.
Das in 4A gezeigte Neuron gibt anhand einer Vielzahl Eingänge x (z.B. die Eingänge x1 bis x3) Ergebnisse y aus. Die Eingänge x1 bis x3 werden mit ihren entsprechenden Gewichten w (w1 bis w3) multipliziert. Dadurch liefert das Neuron die Ausgänge y, die durch die nachstehende Gleichung 1 dargestellt sind. In Gleichung 1 sind die Eingänge x, die Ausgänge y und die Gewichte w allesamt Vektoren. Außerdem ist θ eine systematische Messabweichung (Bias) und f_k eine Aktivierungsfunktion. $y = f_{k} (\sum_{i = 1}^{n} x_{i} w_{i} - θ)$
Bei dem in 4B gezeigten dreischichtigen neuronalen Netz wird eine Vielzahl Eingänge x (z.B. die Eingänge x1 bis x3) auf der linken Seite eingegeben und Ergebnisse y (z.B. die Ergebnisse y1 bis y3) werden auf der rechter Seite ausgegeben. Bei dem dargestellten Beispiel werden die einzelnen Eingänge x1, x2 und x3 mit ihren entsprechenden Gewichten (kollektiv durch w1 repräsentiert) multipliziert und jeweils in drei Neuronen N11, N12 und N13 eingegeben.
In 4B sind die jeweiligen Ausgänge der Neuronen N11 bis N13 kollektiv durch z1 repräsentiert. Die Ausgänge z1 können als Merkmalsvektoren angesehen werden, die auf der Extraktion der Merkmalsgröße von Eingangsvektoren basieren. Bei dem dargestellten Beispiel werden die einzelnen Merkmalsvektoren z1 mit ihren entsprechenden Gewichten (kollektiv durch w2 repräsentiert) multipliziert und jeweils in zwei Neuronen N21 und N22 eingegeben. Die Merkmalsvektoren z1 repräsentieren Merkmale zwischen den Gewichten w1 und w2.
In 4B sind die jeweiligen Ausgänge der Neuronen N21 und N22 kollektiv durch z2 repräsentiert. Die Ausgänge z2 können als Merkmalsvektoren angesehen werden, die auf der Extraktion der Merkmalsgröße der Merkmalsvektoren z1 basieren. Bei dem dargestellten Beispiel werden die einzelnen Merkmalsvektoren z2 mit ihren entsprechenden Gewichten (kollektiv durch w3 repräsentiert) multipliziert und jeweils in drei Neuronen N31, N32 und N33 eingegeben. Die Merkmalsvektoren z2 repräsentieren Merkmale zwischen den Gewichten w2 und w3. Schließlich geben die Neuronen N31 bis N33 jeweils die Ergebnisse y1 bis y3 aus.
Bei der Maschinenlerneinrichtung 300 der Steuereinrichtung 100 können die Abschaltinformationen als Schätzwerte (Ergebnisse y) ausgegeben werden, da die Lerneinheit 310 auf der Grundlage des obigen neuronalen Netzes eine Berechnung einer mehrschichtigen Struktur durchführt, wobei die Zustandsvariablen S als Eingänge x verwendet werden. Betriebsarten des neuronalen Netzes umfassen einen Lernmodus und einen Bestimmungsmodus. Beispielsweise können im Lernmodus die Gewichte w unter Verwendung eines Lerndatensatzes gelernt werden, während im Bestimmungsmodus der Abschaltzeitpunkt unter Verwendung der gelernten Gewichte w geschätzt werden kann. Eine Detektion, Klassifizierung, Inferenz und dergleichen können ebenfalls im Bestimmungsmodus durchgeführt werden.
Die obigen Konfigurationen der Steuereinrichtung 100 und der Maschinenierneinrichtung 300 lassen sich als maschinelles Lernverfahren (oder Software) beschreiben, das durch die CPU 11 oder den Prozessor 301 durchgeführt wird. Dieses maschinelle Lernverfahren ist ein Verfahren zum Lernen der der Änderung der Eingabedaten entsprechenden Abschaltinformationen und umfasst einen Schritt, in dem die CPU 11 oder der Prozessor 301 die Änderung der Eingabedaten als Zustandsvariablen S überwacht, die für die gegenwärtigen Zustände der Umgebungen repräsentativ sind, einen Schritt zum Erfassen der Abschaltinformationen als Bestimmungsdaten D und einen Schritt zum Lernen der Änderung der Eingabedaten und der Abschaltinformationen in Assoziation zueinander unter Verwendung der Zustandsvariablen S und der Bestimmungsdaten D.
Gemäß der vorliegenden Ausführungsform erzeugt die Maschinenlerneinrichtung 300 ein Modell, das die Korrelation zwischen der Änderung der Eingabedaten und den Abschaltinformationen angibt. Daher können, sobald das Lernmodell erstellt ist, die Abschaltinformationen basierend auf der Änderung der Eingabedaten, die bis dahin erfasst werden konnte, selbst mitten in der Bearbeitung vorhergesagt werden.
5 zeigt eine Steuereinrichtung 100 gemäß einer zweiten Ausführungsform. Die Steuereinrichtung 100 umfasst eine Maschinenlerneinrichtung 300 und eine Datenerfassungseinheit 330. Die Datenerfassungseinheit 330 erfasst Zeitreihen-Eingabedaten und Abschaltinformationen von einer Eingabeeinrichtung 60 und einer Stromabschaltverarbeitungseinheit 70.
Die Maschinenierneinrichtung 300 der Steuereinrichtung 100 umfasst zusätzlich zu den Bestandteilen der Maschinenierneinrichtung 300 der ersten Ausführungsform eine Bestimmungsausgabeeinheit 320, die dafür konfiguriert ist, die basierend auf der Änderung der Eingabedaten durch die Lerneinheit 310 geschätzten Abschaltinformationen an eine Steuereinrichtung 200 auszugeben.
Die Bestimmungsausgabeeinheit 320 kann beispielsweise als Funktion eines Prozessors 301 ausgeführt sein. Alternativ kann die Bestimmungsausgabeeinheit 320 beispielsweise als Software ausgeführt sein, die dafür konfiguriert ist, die Funktion des Prozessors 301 zu stellen. Die Bestimmungsausgabeeinheit 320 gibt die basierend auf der Änderung der Eingabedaten durch die Lerneinheit 310 geschätzten Abschaltinformationen an die Steuereinrichtung 200 aus.
Die Maschinenlerneinrichtung 300 der Steuereinrichtung 100 mit der obigen Konfiguration hat einen der vorstehenden Maschinenierneinrichtung 300 entsprechenden Effekt. Insbesondere kann die Maschinenlerneinrichtung 300 der zweiten Ausführungsform durch die Ausgabe der Bestimmungsausgabeeinheit 320 die Zustände der Umgebungen ändern. Bei der Maschinenlerneinrichtung 300 der ersten Ausführungsform hingegen soll eine externe Einrichtung eine Funktion haben, die der Bestimmungsausgabeeinheit 320 entspricht, um die Lernergebnisse der Lerneinheit 310 bezüglich der Umgebungen zu reflektieren.
6 zeigt eine andere Ausführungsform der vorliegenden Erfindung. Ein Steuersystem 1000 umfasst Steuereinrichtungen 100 und 100' desselben Typs und ein drahtgebundenes/drahtloses Netzwerk 1100, das die Steuereinrichtungen 100 und 100' miteinander verbindet. Die Steuereinrichtungen 100 und 100' weisen für Arbeitsschritte gleichen Zwecks erforderliche Mechanismen auf. Obwohl die Steuereinrichtung 100 eine Maschinenlerneinrichtung 300 umfasst, tut die Steuereinrichtung 100' dies jedoch nicht.
Bei dem Steuersystem 1000 mit der obigen Konfiguration kann die die Maschinenlerneinrichtung 300 aufweisende Steuereinrichtung 100 der Vielzahl Steuereinrichtungen 100 und 100' unter Verwendung der Lernergebnisse einer Lerneinheit 310 Eingabedaten entsprechende Abschaltinformationen automatisch und genau erhalten, ohne Berechnungen oder Schätzungen durchzuführen. Außerdem kann die Maschinenlerneinrichtung 300 wenigstens einer Steuereinrichtung 100 so ausgeführt sein, dass sie basierend auf den einzeln für die anderen der Vielzahl Steuereinrichtungen 100 und 100' erhaltenen Zustandsvariablen S und Bestimmungsdaten D die Korrelationen zwischen Eingabedaten und Abschaltinformationen lernt, die allen Steuereinrichtungen 100 und 100' gemeinsam sind, und dass die Lernergebnisse von allen Steuereinrichtungen 100 und 100' gemeinsam genutzt werden. Somit können gemäß dem Steuersystem 1000 die Geschwindigkeit und Zuverlässigkeit des Lernens der den Eingabedaten entsprechenden Abschaltinformationen durch Verwendung verschiedenartigerer Datensätze (die die Zustandsvariablen S und die Bestimmungsdaten D umfassen) verbessert werden.
Praktisches Beispiel 1
Das praktische Beispiel 1 der Steuereinrichtung 100 wird unter Bezugnahme auf die 7 bis 9 beschrieben.
Die Grundzüge des praktischen Beispiels 1 werden unter Bezugnahme auf 9 beschrieben. Vor dem Lernen wird die Steuereinrichtung 100 sofort abgeschaltet, wenn die Stromabschaltung durch den Benutzer angewiesen wird. Für gewöhnlich wird die Verarbeitung, wie etwa Hibernation oder Backup-Datentransfer, nach der Anweisung der Stromabschaltung gestartet. Da die Stromversorgung bei der vorliegenden Ausführungsform sofort abgeschaltet wird, kann die Verarbeitung, wie etwa Hibernation oder Backup-Datentransfer, jedoch nicht normal abgeschlossen werden. Daher ist beim nächsten Startzeitpunkt eine relative lange Anlaufzeit erforderlich. Nach dem Lernen wird die Steuereinrichtung 100 ebenfalls sofort abgeschaltet, wenn die Stromabschaltung durch den Benutzer angewiesen wird. Zu dem Zeitpunkt, zu dem die Stromabschaltung durch den Benutzer angewiesen wird, ist die Verarbeitung, wie etwa Hibernation oder Backup-Datentransfer, jedoch bereits abgeschlossen, so dass beim nächsten Startzeitpunkt nur eine relativ kurze Anlaufzeit erforderlich ist.
Vor dem Lernen erstellt die Steuereinrichtung 100 ein Lernmodell (Lernverfahren) durch Lernen der Korrelation zwischen der Änderung der Eingabedaten und den Abschaltinformationen, was durch den Befehl des Benutzers zur Stromabschaltung ausgelöst wird. Nach dem Lernen sagt die Steuereinrichtung 100 während des Betriebs unter Verwendung des erstellten Lernmodells laufend das Eintreten einer Stromabschaltung vorher (Vorhersageverfahren). Wenn die Stromabschaltung vorhergesagt wird, gibt die Steuereinrichtung 100 eine Abschaltvorhersagemeldung aus. In Antwort auf die Abschaltvorhersagemeldung kann die Steuereinrichtung 100 die Verarbeitung, wie etwa Hibernation oder Backup-Datentransfer und dergleichen, sofort starten. Danach kann die Steuereinrichtung 100, wenn die Stromabschaltung wie vorhergesagt durch den Benutzer angewiesen wird, die Stromversorgung sofort abschalten, da die Verarbeitung, wie etwa Hibernation oder Backup-Datentransfer, bereits abgeschlossen ist.
Bezug nehmend auf das Flussdiagramm von 7 wird der Betrieb der Steuereinrichtung 100 im Lernverfahren im Einzelnen beschrieben.
S1: Die Steuereinrichtung 100 startet den Betrieb. Normalerweise startet die Steuereinrichtung 100 das Sammeln der Eingabedaten von der Eingabeeinrichtung 60 in dem Moment, in dem der Betrieb gestartet wird. Die Steuereinrichtung 100 erfasst die Eingabedaten in dem vorgegebenen Abfragezyklus und fährt damit fort, diese in der Speichereinrichtung zu akkumulieren. Ein Ringpuffer oder dergleichen wird als Speichereinheit verwendet, wobei diejenigen der akkumulierten Eingabedaten, die eine gewisse Zeit lang vorhanden sind (z.B. Eingabedaten, die x oder mehr Minuten vor dem Erfassungszeitpunkt der letzten Eingabedaten erfasst wurden), auch gelöscht werden können. Auf diese Weise kann ein Speicherbereich effektiv genutzt werden.
S2: Die Stromabschaltverarbeitungseinheit 70 erkennt, dass die Stromabschaltung der Steuereinrichtung 100 durch den Benutzer angewiesen wird. Bei Empfang der Abschaltinformationen startet die Steuereinrichtung 100 einen durch den Empfang ausgelösten Lernzyklus.
S3: Die Steuereinrichtung 100 gibt eine vorgegebene feste Zeitspanne lang (z.B. über n Minuten vor der Zeit m Minuten vor der Ausgabe der Abschaltinformationen (m + n ≤ x)) Eingabedaten der in Schritt S1 akkumulierten Zeitreihen-Eingabedaten als Zustandsvariablen S und die in Schritt S2 erfassten Abschaltinformationen als Bestimmungsdaten D in die Maschinenlerneinrichtung 300 ein und erstellt dadurch ein Lernmodell, das die Korrelation zwischen den Zustandsvariablen S und den Bestimmungsdaten D angibt.
Die Steuereinrichtung 100 wiederholt die Verarbeitung der Schritte S1 bis S2, so dass für das Lernmodell einer gewünschten Genauigkeit eine ausreichende Anzahl an Zustandsvariablen S und Bestimmungsdaten D erhalten wird. Bei diesem Lernverfahren wird immer dann ein Lernzyklus (Verarbeitung der Schritte S1 bis S3) durchgeführt, wenn die Abschaltinformationen ausgegeben werden.
Bei dem vorliegenden praktischen Beispiel wird die Stromversorgung der Steuereinrichtung 100 sofort nach der Erzeugung des Stromabschaltbefehls abgeschaltet. Daher kann die Steuereinrichtung 100 in den Schritten S1 und S2 die Eingabedaten und die Abschaltinformationen in die nichtflüchtige Speichereinrichtung speichern. Beim nächsten Startzeitpunkt führt die Steuereinrichtung 100 zunächst die Lernverarbeitung von Schritt S3 durch und kehrt dann zur Verarbeitung von Schritt S1 zurück.
Wenn die Steuereinrichtung 100 und die Maschinenierneinrichtung 300 jedoch voneinander getrennt sind und sich die Maschinenlerneinrichtung 300 beispielsweise in einer Cloud-, Fog- oder Edge-Computing-Umgebung befindet, kann die Maschinenlerneinrichtung 300 das Lernen sogar dann fortsetzen, wenn die Stromversorgung der Steuereinrichtung 100 abgeschaltet ist.
Bezug nehmend nun auf das Flussdiagramm von 8 wird der Betrieb der Steuereinrichtung 100 im Vorhersageverfahren beschrieben.
S11: Die Steuereinrichtung 100 startet den Betrieb. Normalerweise startet die Steuereinrichtung 100 das Sammeln der Eingabedaten von der Eingabeeinrichtung 60 in dem Moment, in dem der Betrieb gestartet wird. Danach wird die folgende Verarbeitung laufend durchgeführt, bis die Stromversorgung der Steuereinrichtung 100 abgeschaltet wird.
S12: Die Steuereinrichtung 100 startet das Sammeln der Eingabedaten von der Eingabeeinrichtung 60 in dem Moment, in dem der Betrieb gestartet wird. Die Steuereinrichtung 100 fährt in dem vorgegebenen Abfragezyklus damit fort, die Eingabedaten zu erfassen und zu akkumulieren. Diejenigen der akkumulierten Eingabedaten, die eine gewisse Zeit lang vorhanden sind (z.B. Eingabedaten, die wenigstens n oder mehr Minuten vor dem Erfassungszeitpunkt der letzten Eingabedaten erfasst wurden), können auch gelöscht werden. Auf diese Weise kann ein Speicherbereich effektiv genutzt werden.
S13: Die Steuereinrichtung 100 gibt eine vorgegebene feste Zeitspanne lang (z.B. n Minuten) Eingabedaten der in Schritt S12 erfassten Zeitreihen-Eingabedaten als Zustandsvariablen S in die Maschinenlerneinrichtung 300 ein. Die Maschinenlerneinrichtung 300 gibt die Zustandsvariablen S in ein vortrainiertes Modell ein und gibt die den Zustandsvariablen S entsprechenden Bestimmungsdaten D als Vorhersagewerte aus. Die Steuereinrichtung 100 kann dafür konfiguriert sein, auch die Zeit vor der Erzeugung des Stromabschaltbefehls auszugeben. Beispielsweise wenn die Eingabedaten im Lernverfahren über n Minuten lang vor der Zeit m Minuten vor der Ausgabe der Abschaltinformationen als Zustandsvariablen S verwendet werden und wenn die Eingabedaten im Vorhersageverfahren n Minuten lang als Zustandsvariablen S verwendet werden, kann vorhergesagt werden, dass der Stromabschaltbefehl in m Minuten erzeugt wird.
S14: Wenn die Abschaltinformationen nicht als Vorhersagewert ausgegeben werden, kehrt die Verarbeitung zu Schritt S11 zurück und der Betrieb wird fortgesetzt. Wenn die Abschaltinformationen als Vorhersagewert ausgegeben werden, fährt die Verarbeitung mit S15 fort.
S15: Die Steuereinrichtung 100 gibt eine Meldung (Abschaltvorhersagemeldung) aus, die die Vorhersage der Stromabschaltung angibt.
Bei Empfang dieser Abschaltvorhersageinformationen kann die Steuereinrichtung 100 die Verarbeitung, wie etwa eine Hibernation oder einen Backup-Datentransfer und dergleichen, starten. Somit kann die Stromversorgung sofort abgeschaltet werden, wenn die Stromabschaltung durch den Benutzer angewiesen wird. Da die spezifischen Inhalte der Verarbeitung (Hibernation oder Backup-Datentransfer) nach dem Empfang der Abschaltvorhersageinformationen durch die Steuereinrichtung 100 nicht von der vorliegenden Erfindung umfasst sind, wird hier auf eine genaue Beschreibung derselben verzichtet.
Praktisches Beispiel 2
Das praktische Beispiel 2 der Steuereinrichtung 100 wird unter Bezugnahme auf die 7, 8 und 10 beschrieben. Unterschiede zu dem praktischen Beispiel 1 sind hauptsächlich hier beschrieben. Es wird davon ausgegangen, dass nicht spezifisch angesprochene Elemente auf die gleiche Weise wie beim praktischen Beispiel 1 betrieben werden.
Die Grundzüge des praktischen Beispiels 2 werden unter Bezugnahme auf 10 beschrieben. Wenn die Stromabschaltung durch den Benutzer angewiesen wird, führt die Steuereinrichtung 100 die Verarbeitung, wie etwa Hibernation oder Backup-Datentransfer, durch und wird nach deren Abschluss abgeschaltet. Daher benötigt die Stromabschaltung relativ viel Zeit. Nach dem Lernen wird die Steuereinrichtung 100 hingegen sofort abgeschaltet, wenn die Stromabschaltung durch den Benutzer angewiesen wird. Dies ist der Fall, da die Verarbeitung, wie etwa Hibernation oder Backup-Datentransfer, zu diesem Zeitpunkt bereits abgeschlossen ist.
Bei dem im Flussdiagramm von 7 gezeigten Lernverfahren der Steuereinrichtung 100 wird die Stromversorgung der Steuereinrichtung 100 bei dem vorliegenden praktischen Beispiel eine erhebliche Zeitspanne nach der Erzeugung des Stromabschaltbefehls abgeschaltet. Daher kann die Steuereinrichtung 100 das Lernverfahren von Schritt S3 sofort nach der Erzeugung des Stromabschaltbefehls durchführen. Wenn die Möglichkeit besteht, dass das Lernverfahren nicht vor der Stromabschaltung abgeschlossen wird, kann die Steuereinrichtung 100 dazu angehalten werden, das Lernverfahren beim nächsten Startzeitpunkt durchzuführen, oder die in der Cloud-, Fog- oder Edge-Computing-Umgebung angeordnete Maschinenlernvorrichtung 300 kann veranlasst werden, das Lernen wie bei dem praktischen Beispiel 1 fortzusetzen. Da das Vorhersageverfahren des Flussdiagramms von 8 identisch mit dem des praktischen Beispiels 1 ist, wird hier auf eine genaue Beschreibung desselben verzichtet.
Bei diesen beiden praktischen Beispielen erzeugt die Maschinenlerneinrichtung 300 der Steuereinrichtung 100 das Lernmodell, das die Korrelation zwischen der Änderung der Eingabedaten und den Abschaltinformationen gelernt hat, während des Betriebs der Steuereinrichtung 100. Durch Verwendung dieses Lernmodells kann die Steuereinrichtung 100 die Abschaltinformationen basierend auf der Änderung der Eingabedaten vorhersagen und die Vorhersageergebnisse der Steuereinrichtung 200 melden.
Obgleich vorstehend Ausführungsformen der vorliegenden Erfindung beschrieben sind, ist die Erfindung nicht auf die vorstehend beschriebenen Ausführungsformen beschränkt und lässt sich in geeigneter Weise abwandeln und auf verschiedene Art und Weise umsetzen.
Beispielsweise umfasst die Steuereinrichtung 100 bei den vorstehend beschriebenen und dargestellten Ausführungsformen überwiegend die Maschinenlerneinrichtung 300. Die vorliegende Erfindung ist jedoch nicht auf diese Anordnung beschränkt und die Maschinenlerneinrichtung 300 kann auch außerhalb der Steuereinrichtung 100 bereitgestellt werden. Beispielsweise kann die Maschinenlerneinrichtung 300 als unabhängige Informationsverarbeitungsvorrichtung ausgeführt werden, die in der Cloud-, Fog- oder Edge-Computing-Umgebung angeordnet und dafür konfiguriert ist, auf drahtgebundene oder drahtlose Weise mit der Steuereinrichtung 100 kommunizieren zu können.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

JP 7028572 [0003]

Claims

Steuereinrichtung, die den Abschaltzeitpunkt einer Stromversorgung vorhersagt und eine Maschinenlerneinrichtung umfasst, die dafür konfiguriert ist, den Abschaltzeitpunkt der Stromversorgung zu lernen, wobei die Maschinenlerneinrichtung dadurch gekennzeichnet ist, dass sie umfasst: - eine Zustandsüberwachungseinheit, die dafür konfiguriert ist, einen Betriebsinhalt für die Steuereinrichtung für jeden Benutzer als eine von mehreren Zustandsvariablen zu überwachen, die für einen gegenwärtigen Zustand einer Umgebung repräsentativ sind, - eine Bestimmungsdatenerfassungseinheit, die dafür konfiguriert ist, Bestimmungsdaten zu erfassen, die angeben, dass eine Stromabschaltung der Steuereinrichtung durch den Benutzer angewiesen wird, und - eine Lerneinheit, die dafür konfiguriert ist, unter Verwendung der Zustandsvariable und der Bestimmungsdaten den Betriebsinhalt für jeden Benutzer und einen Befehl zur Stromabschaltung in Assoziation zueinander zu lernen.
Steuereinrichtung nach Anspruch 1, dadurch gekennzeichnet, dass die Zustandsvariablen, zusätzlich zu dem Betriebsinhalt für jeden Benutzer, das Datum, den Wochentag und die Tageszeit des Betriebs, die Beschleunigung oder Position eines Programmierhandgeräts, den Stromverbrauch einer Fabrik, den Lastzustand einer CPU und/oder den Ausgabezustand eines Alarms umfassen.
Steuereinrichtung nach Anspruch 1, dadurch gekennzeichnet, dass die Lerneinheit die Zustandsvariablen und die Bestimmungsdaten in einer mehrschichtigen Struktur berechnet.
Steuereinrichtung nach Anspruch 1, dadurch gekennzeichnet, dass sie eine Bestimmungsausgabeeinheit umfasst, die dafür konfiguriert ist, den vorhergesagten Abschaltzeitpunkt der Stromversorgung zu melden.
Steuereinrichtung nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass die Lerneinheit das Lernen unter Verwendung der Zustandsvariablen und der Bestimmungsdaten durchführt, die von einer Vielzahl der Steuereinrichtungen erhalten werden.
Steuereinrichtung nach Anspruch 1, dadurch gekennzeichnet, dass die Maschinenlerneinrichtung in einem Cloud-Server vorhanden ist.
Maschinenlerneinrichtung, die dafür konfiguriert ist, den Abschaltzeitpunkt einer Stromversorgung zu lernen und dadurch gekennzeichnet ist, dass sie umfasst: - eine Zustandsüberwachungseinheit, die dafür konfiguriert ist, einen Betriebsinhalt für eine Steuereinrichtung für jeden Benutzer als eine von mehreren Zustandsvariablen zu überwachen, die für einen gegenwärtigen Zustand einer Umgebung repräsentativ sind, - eine Bestimmungsdatenerfassungseinheit, die dafür konfiguriert ist, Bestimmungsdaten zu erfassen, die angeben, dass eine Stromabschaltung der Steuereinrichtung durch den Benutzer angewiesen wird, und - eine Lerneinheit, die dafür konfiguriert ist, unter Verwendung der Zustandsvariable und der Bestimmungsdaten den Betriebsinhalt für jeden Benutzer und einen Befehl zur Stromabschaltung in Assoziation zueinander zu lernen.