DE112019007222T5 - Motorsteuereinrichtung - Google Patents

Abstract

Eine Motorsteuereinrichtung beinhaltet Folgendes: eine Motorzustandsbeobachtungseinheit (1), die ein Motorzustandssignal ausgibt; eine erste Drehmomentschätzeinheit (21), die ein erstes geschätztes Drehmoment und physische Zustandsvariablen auf der Grundlage des Motorzustandssignals und physischer Modellparameter einer Zielmaschine (10) ausgibt; eine Speichereinheit (22) für physische Modelle, welche die physischen Modellparameter auf eine solche Weise lernt und speichert, dass eine Differenz zwischen einem tatsächlichen Drehmoment und dem ersten geschätzten Drehmoment reduziert wird; eine Merkmalbetragserzeugungseinheit (3), die einen Merkmalbetrag anhand von mindestens einem des ersten geschätzten Drehmoments, der physischen Zustandsvariablen und des Motorzustandssignals erzeugt; eine zweite Drehmomentschätzeinheit (41), die einen Korrekturbetrag des maschinellen Lernens berechnet und den berechneten Korrekturbetrag des maschinellen Lernens zu dem ersten geschätzten Drehmoment addiert, um ein zweites geschätztes Drehmoment auszugeben, wobei die zweite Drehmomentschätzeinheit (41) den Korrekturbetrag des maschinellen Lernens anhand des Merkmalbetrags und eines Parameters eines Modells des maschinellen Lernens unter Verwendung von maschinellem Lernen einschließlich eines autoregressiven Terms in einer Eingabe-Ausgabe-Beziehung berechnet; und eine Speichereinheit (42) für ein Modell des maschinellen Lernens, die den Parameter des Modells des maschinellen Lernens durch überwachtes Lernen lernt und den gelernten Parameter des Modells des maschinellen Lernens speichert, wobei die Speichereinheit (42) für ein Modell des maschinellen Lernens den Parameter des Modells des maschinellen Lernens so lernt, dass der Korrekturbetrag des

Description

• Gebiet
• Die vorliegende Erfindung betrifft eine Motorsteuereinrichtung, die ein Modell erzeugt, das ein Steuerziel simuliert.
• Allgemeiner Stand der Technik
• Für Motorsteuereinrichtungen, die Zielmaschinen, wie zum Beispiel einen Roboter und eine Werkzeugmaschine steuern, sind ein Steuerverfahren und Fehlerdetektionsverfahren mit hoher Geschwindigkeit und hoher Genauigkeit erforderlich. Ein Modell, das ein Steuerziel genau simuliert, ist für die Verbesserung der Performance dieser Verfahren essenziell. Leider sind Fehler in den physischen Modellparametern, wie zum Beispiel eine Masse, eine baryzentrische Position und ein Trägheitstensor, die auf die Installation eines Drahtes, eines Endeffektors und dergleichen in einem Steuerziel zurückzuführen sind, im praktischen Betrieb der Motorsteuereinrichtung nicht ignorierbar. Darüber hinaus sind viele Komponenten, die zu einer Motordrehzahl nicht linear sind, wie zum Beispiel Vibrationen und Reibung, ebenfalls darin enthalten. Es war daher schwierig, ein Modell bereitzustellen, das diese Komponenten mit hoher Genauigkeit vorab reproduzieren kann.
• In den letzten Jahren wurde ein Steuerverfahren vorgeschlagen, um Fehler bei der Schätzung von Kraft und Drehmoment in einem solchen Modell zu verhindern oder zu reduzieren. Patentliteratur 1 offenbart beispielsweise eine Technik, bei der eine Steuereinrichtung für einen Elektromotor einen M-Sequenz- oder Sinusbefehl erlangt und einen Trägheitstensor, einen Reibungskoeffizienten und eine Federkonstante für jede Abtastperiode korrigiert, um einen Drehmomentschätzfehler zu minimieren, wodurch ein Fehler korrigiert wird, der in einem Anfangswert eines physischen Modellparameters während des Betriebs enthalten ist.
• Entgegenhaltungsliste
• Patentliteratur
• Patentliteratur 1: Japanische Offenlegungsschrift Nr. 2013-128387
• Kurzdarstellung
• Technisches Problem
• Die in der Patentliteratur 1 beschriebene Technik basiert jedoch auf der Annahme, dass die Bewegung der Steuereinrichtung für einen Elektromotor mit dem Trägheitstensor, der Reibung und dem Drehmoment von einer Feder modelliert werden kann. Die in der Patentliteratur 1 beschriebene Technik wirft daher ein Problem auf, dass sie eine Störung, die nicht als ein Modell betrachtet wird, nicht ausdrücken kann. Da zudem ein Reibungsmodell vereinfacht wird, wirft die in der Patentliteratur 1 beschriebene Technik ein Problem auf, dass das Reibungsmodell nicht in der Lage ist, komplexe Phänomene mit starker Nichtlinearität, wie zum Beispiel den Stribeck-Effekt und Hysterese, auszudrücken.
• Die vorliegende Erfindung wurde in Anbetracht der obigen Ausführungen gemacht und eine Aufgabe der vorliegenden Erfindung besteht darin, eine Motorsteuereinrichtung zu erhalten, die in der Lage ist, ein Modell mit verbesserter Drehmomentschätzgenauigkeit und Verallgemeinerungs-Performance zu lernen und die Geschwindigkeit und Genauigkeit der Anomaliedetektion zu verbessern.
• Lösung des Problems
• Um die obigen Probleme zu lösen und die Aufgabe zu lösen, handelt es sich bei der vorliegenden Erfindung um eine Motorsteuereinrichtung zum Steuern eines Motors, um eine Zielmaschine anzutreiben. Die Einrichtung umfasst Folgendes: eine Motorzustandsbeobachtungseinheit, um einen Zustand des Motors zu beobachten und ein Beobachtungsergebnis als ein Motorzustandssignal auszugeben; eine erste Drehmomentschätzeinheit, um ein erstes geschätztes Drehmoment und physische Zustandsvariablen unter Verwendung einer Bewegungsgleichung auf der Grundlage des Motorzustandssignals und physischer Modellparameter der Zielmaschine auszugeben, wobei das erste geschätzte Drehmoment ein Schätzwert eines Drehmoments des Motors ist, wobei die physischen Zustandsvariablen Komponenten des ersten geschätzten Drehmoments sind; eine Speichereinheit für physische Modelle, um die physischen Modellparameter auf eine solche Weise zu lernen und zu speichern, dass eine Differenz zwischen einem tatsächlichen Drehmoment und dem ersten geschätzten Drehmoment reduziert wird, wobei das tatsächliche Drehmoment im Motorzustandssignal enthalten ist; und eine Merkmalbetragserzeugungseinheit, um einen Merkmalbetrag zu erzeugen und auszugeben, wobei die Merkmalbetragserzeugungseinheit den Merkmalbetrag anhand von mindestens einem des ersten geschätzten Drehmoments, der physischen Zustandsvariablen und des Motorzustandssignals erzeugt. Die Einrichtung umfasst ferner Folgendes: eine zweite Drehmomentschätzeinheit, um einen Korrekturbetrag des maschinellen Lernens zu berechnen und den berechneten Korrekturbetrag des maschinellen Lernens zu dem ersten geschätzten Drehmoment zu addieren, um ein zweites geschätztes Drehmoment auszugeben, wobei die zweite Drehmomentschätzeinheit den Korrekturbetrag des maschinellen Lernens anhand des Merkmalbetrags und eines Parameters eines Modells des maschinellen Lernens unter Verwendung von maschinellem Lernen einschließlich eines autoregressiven Terms in einer Eingabe-Ausgabe-Beziehung berechnet; und eine Speichereinheit für Modelle des maschinellen Lernens, um den Parameter des Modells des maschinellen Lernens durch überwachtes Lernen zu lernen und den gelernten Parameter des Modells des maschinellen Lernens zu speichern, wobei die Speichereinheit für Modelle des maschinellen Lernens den Parameter des Modells des maschinellen Lernens so lernt, dass der Korrekturbetrag des maschinellen Lernens näher an der Differenz zwischen dem tatsächlichen Drehmoment und dem ersten geschätzten Drehmoment liegt.
• Vorteilhafte Effekte der Erfindung
• Gemäß der vorliegenden Erfindung erreicht eine Motorsteuereinrichtung den Effekt des Lernens eines Modells mit verbesserter Drehmomentschätzgenauigkeit und Verallgemeinerungs-Performance und verbessert die Geschwindigkeit und Genauigkeit der Anomaliedetektion.
• Figurenliste
• 1 ist ein Blockdiagramm, das ein Konfigurationsbeispiel für eine Motorsteuereinrichtung veranschaulicht.
• 2 ist eine schematische Darstellung, die eine Zielmaschine veranschaulicht, die von der Motorsteuereinrichtung gesteuert werden soll.
• 3 ist ein Diagramm, das ein Beispiel für ein nicht lineares Reibungsmodell veranschaulicht, das ein physischer Modellparameter ist, der von einer Speichereinheit für physische Modelle geschätzt wird.
• 4 ist ein Blockdiagramm, das ein Konfigurationsbeispiel für eine Merkmalbetragserzeugungseinheit und eine Berechnungseinheit für Modelle des maschinellen Lernens veranschaulicht.
• 5 ist eine Darstellung, die einen autoregressiven Term in der Konfiguration der Merkmalbetragserzeugungseinheit und der Berechnungseinheit für Modelle des maschinellen Lernens veranschaulicht.
• 6 ist ein Ablaufdiagramm, das den Ablauf des Lernens von physischen Modellparametern und Parametern eines Modells des maschinellen Lernens in der Motorsteuereinrichtung veranschaulicht.
• 7 ist ein Diagramm, das eine Motordrehzahl, die den Betrieb der Zielmaschine darstellt, die von der Motorsteuereinrichtung gesteuert werden soll, ein erstes geschätztes Drehmoment, das von der Motorsteuereinrichtung geschätzt wird, und ein zweites geschätztes Drehmoment, das von der Motorsteuereinrichtung geschätzt wird, veranschaulicht.
• 8 ist eine Darstellung, die ein Beispiel veranschaulicht, bei dem die in der Motorsteuereinrichtung enthaltene Verarbeitungsschaltung einen Prozessor und einen Speicher beinhaltet.
• 9 ist eine Darstellung, die ein Beispiel veranschaulicht, bei dem die in der Motorsteuereinrichtung enthaltene Verarbeitungsschaltung dedizierte Hardware beinhaltet.
• Beschreibung der Ausführungsform
• Eine Motorsteuereinrichtung gemäß einer Ausführungsform der vorliegenden Erfindung wird nachstehend unter Bezugnahme auf die Zeichnungen detailliert beschrieben. Zu beachten ist, dass die vorliegende Erfindung nicht auf die Ausführungsform beschränkt ist.
• Ausführungsform
• 1 ist ein Blockdiagramm, das ein Konfigurationsbeispiel für eine Motorsteuereinrichtung 100 gemäß einer Ausführungsform der vorliegenden Erfindung veranschaulicht. Die Motorsteuereinrichtung 100 steuert einen Motor, der eine Zielmaschine 10 antreibt. Die Motorsteuereinrichtung 100 beinhaltet eine Motorzustandsbeobachtungseinheit 1, eine Berechnungseinheit 2 für physische Modelle, eine Merkmalbetragserzeugungseinheit 3 und eine Berechnungseinheit 4 für Modelle des maschinellen Lernens. Die Berechnungseinheit 2 für physische Modelle beinhaltet eine erste Drehmomentschätzeinheit 21 und eine Speichereinheit 22 für physische Modelle. Die Berechnungseinheit 4 für Modelle des maschinellen Lernens beinhaltet eine zweite Drehmomentschätzeinheit 41 und eine Speichereinheit 42 für Modelle des maschinellen Lernens.
• Die Zielmaschine 10, die von der Motorsteuereinrichtung 100 gesteuert werden soll, wird beschrieben. 2 ist eine schematische Darstellung, welche die Zielmaschine 10, die von der Motorsteuereinrichtung 100 gemäß der vorliegenden Ausführungsform gesteuert werden soll, veranschaulicht. Als ein Beispiel für die Zielmaschine 10 wird ein horizontaler Knickarmroboter beschrieben. Ein horizontaler Knickarmroboter, bei dem es sich um die Zielmaschine 10 handelt, beinhaltet eine erste Achse 11j, eine zweite Achse 12j, eine dritte Achse 13j, eine vierte Achse 14j, ein erstes Glied 111, ein zweites Glied 121, ein drittes Glied 131, ein viertes Glied 141 und einen Armspitzenabschnitt 15e. Die Motorsteuereinrichtung 100 treibt das zweite Glied 121 mit einem an der ersten Achse 11j installierten Aktor an, treibt das dritte Glied 131 mit einem an der zweiten Achse 12j installierten Aktor an und treibt das vierte Glied 141 mit an der dritten Achse 13j und der vierten Achse 14j installierten Aktoren an. Somit kann die Motorsteuereinrichtung 100 die Position und Ausrichtung des Armspitzenabschnitts 15e des horizontalen Knickarmroboters steuern. Die dritte Achse 13j entspricht einer Rotationsbewegung des vierten Glieds 141 um die Achse, die sich in einer Richtung entlang des Armspitzenabschnitts 15e erstreckt, und die vierte Achse 14j entspricht einer Translationsbewegung des vierten Glieds 141 in einer Richtung entlang des Armspitzenabschnitts 15e.
• Obwohl die vorliegende Ausführungsform den horizontalen Knickarmroboter als ein Beispiel für die Zielmaschine 10 angibt, ist die Zielmaschine 10 nicht darauf beschränkt und kann die Motorsteuereinrichtung 100 weitgehend auf die Zielmaschine 10 angewendet werden, die von einem Motor angetrieben werden soll. Zu Beispielen für die Zielmaschine 10 können ferner ein vertikaler Knickarmroboter, ein Maschinenwerkzeug mit numerischer Steuerung (numerical control - NC) und eine Montagemaschine gehören.
• Die Motorzustandsbeobachtungseinheit 1 beobachtet den Zustand des Motors, der die Zielmaschine 10 antreibt, und gibt ein Beobachtungsergebnis als ein Motorzustandssignal aus. Insbesondere wird mindestens eine von einer Position, einer Geschwindigkeit und einer Beschleunigung des Aktors, die jeder der ersten bis vierten Achse 11j bis 14j entspricht, sowie ein aktuelles Drehmoment als Motorzustandssignale von der Motorzustandsüberwachungseinheit 1 ausgegeben. Das tatsächliche Drehmoment ist ein Drehmoment des oben beschriebenen Motors. Das tatsächliche Drehmoment kann ein direkt von einem Sensor gemessener Wert sein oder kann ein Wert sein, der durch Umwandlung eines vom Aktor erlangten Eingabestromwertes erhalten wird. Darüber hinaus sind die Motorzustandssignale nicht nur auf Signale über die Position, Geschwindigkeit und Beschleunigung jedes Aktuators und das aktuelle Drehmoment beschränkt. Die Motorzustandssignale können Werte von zum Beispiel Sensordaten eines internen Sensors oder eines externen Sensors beinhalten, der an jeder Achse oder einer vorgegebenen Position des Roboters bereitgestellt ist. Beispiele für Sensordaten sind Temperaturdaten des Aktors jeder Achse, Daten, die von einem Kraftsensor einer Armspitze erlangt werden, Abstandsdaten, die von einem Sensor, wie zum Beispiel einem Infrarotsensor oder einem Ultraschallsensor, erhalten werden, und Bewegtbilddaten, die von einem Bildsensor erhalten werden, sowie Merkmalbetragsdaten, die durch Bildverarbeitung erhalten werden, die an den Bewegtbilddaten durchgeführt wird.
• Mit den eingegebenen Motorzustandssignalen und physischen Modellparametern berechnet die erste Drehmomentschätzeinheit 21 ein erstes geschätztes Drehmoment durch die Bewegungsgleichung. Das erste geschätzte Drehmoment ist ein Schätzwert für das tatsächliche Drehmoment. Das tatsächliche Drehmoment ist das Drehmoment des oben beschriebenen Motors. Die physischen Modellparameter, die nachstehend beschrieben werden, werden von der Speichereinheit 22 für physische Modelle ausgegeben. Das heißt, die erste Drehmomentschätzeinheit 21 schätzt das erste geschätzte Drehmoment, bei dem es sich um den Schätzwert des Drehmoments des Motors handelt, unter Verwendung der Bewegungsgleichung auf der Grundlage der Motorzustandssignale und der physischen Modellparameter der Zielmaschine 10. Die erste Drehmomentschätzeinheit 21 gibt das erste geschätzte Drehmoment und physische Zustandsvariablen aus. Die physischen Zustandsvariablen sind Komponenten des ersten geschätzten Drehmoments. Die physischen Zustandsvariablen können nicht nur einen Trägheitsterm, einen Zentrifugalkraftterm, einen Corioliskraftterm und einen Schwerkraftterm, sondern auch einen Coulomb-Reibungsterm, einen Flüssigkeitsreibungsterm, einen Armvibrationsterm und einen Term der elastischen Verformung beinhalten. Darüber hinaus können die physischen Zustandsvariablen auch einen Term einer Funktion beinhalten, wie zum Beispiel eines nachstehend beschriebenen nicht linearen Reibungsmodells, die eingeführt wird, um einige physische Phänomene bei der Berechnung des ersten geschätzten Drehmoments zu simulieren. Die physischen Zustandsvariablen beinhalten einen Reibungsschätzwert. Aufgrund dessen ermöglicht die Motorsteuereinrichtung 100 der Berechnungseinheit 4 für Modelle des maschinellen Lernens, die Unsicherheit eines Reibungsmodells und einen Fehler im Reibungsschätzwert in Bezug auf eine Reibungskomponente des tatsächlichen Drehmoments zu korrigieren. Die Berechnungseinheit 4 für Modelle des maschinellen Lernens wird nachstehend beschrieben.
• Die in der Bewegungsgleichung zu verwendenden Motorzustandssignale entsprechen der Position, der Geschwindigkeit und der Beschleunigung der einzelnen Aktoren. Die physischen Modellparameter, die in der Bewegungsgleichung verwendet werden sollen, entsprechen der Masse, der baryzentrischen Position und dem Trägheitstensor jedes Glieds. Das heißt, die physischen Modellparameter beinhalten die Masse der Zielmaschine 10 in einem Gestänge, die baryzentrische Position der Zielmaschine 10 in dem Gestänge und den Trägheitstensor der Zielmaschine 10 in dem Gestänge. Aufgrund dessen kann die Motorsteuereinrichtung 100 die Genauigkeit der Schätzung des ersten geschätzten Drehmoments in Bezug auf das tatsächliche Drehmoment verbessern, indem sie die Masse, die baryzentrische Position und den Trägheitstensor, bei denen es sich um Koeffizienten handelt, als die physischen Modellparameter in der inversen Dynamik unter Verwendung von Informationen über einen bekannten Mechanismus der Zielmaschine 10 lernt. Darüber hinaus wird in der Motorsteuereinrichtung 100 ein Korrekturwert in der nachstehend beschriebenen Berechnungseinheit 4 für Modelle des maschinellen Lernens relativ klein. Dementsprechend kann die Motorsteuereinrichtung 100 die Verallgemeinerungs-Performance eines zweiten geschätzten Drehmoments verbessern. Die hierin verwendete Bewegungsgleichung ist zum Beispiel das Newton-Euler-Verfahren oder die Lagrange-Bewegungsgleichung.
• Die erste Drehmomentschätzeinheit 21 verwendet die Bewegungsgleichung, die ein Modell mit kontinuierlicher und glatter Reibung beinhaltet. Das Reibungsmodell verwendet als Eingabe die aus dem Motorzustandssignal erhaltene Motordrehzahl und gibt einen Schätzwert für eine Reibungskomponente des Drehmoments aus. Wie nachstehend beschrieben wird, verwendet die Berechnungseinheit 4 für Modelle des maschinellen Lernens ein neuronales Netzwerk. Da das neuronale Netzwerk eine Funktion berechnen kann, die in Bezug auf die Eingabe kontinuierlich ist, ist es wünschenswert, dass ein Merkmalbetrag und die Eingabe für die Merkmalbetragserzeugungseinheit 3 kontinuierlich sind. Aus diesem Grund definiert die Motorsteuereinrichtung 100 ein Reibungsmodell, das auch in der Nähe einer Drehzahl von null kontinuierlich ist. Unter Verwendung des neuronalen Netzwerks kann die Motorsteuereinrichtung 100 somit ebenfalls eine Reibungskomponente lernen und korrigieren, die in der Speichereinheit 22 für physische Modelle nicht gelernt werden kann.
• Die Speichereinheit 22 für physische Modelle verwendet als Lehrdaten Motorzustandssignale, die während des Betriebs der Zielmaschine 10 über einen bestimmten Zeitraum ausgegeben werden, und lernt physische Modellparameter auf eine solche Weise, dass die Differenz zwischen dem in den Motorzustandssignalen enthaltenen tatsächlichen Drehmoment und dem ersten geschätzten Drehmoment reduziert wird. Die Speichereinheit 22 für physische Modelle speichert die gelernten physischen Modellparameter. Als Ergebnis des Lernens der physischen Modellparameter kann die Motorsteuereinrichtung 100 Änderungen der physischen Eigenschaften aufgrund der Installation eines Sensors, eines Drahtes und dergleichen, von Bearbeitungsfehlern, Montagefehlern und dergleichen korrigieren und die Genauigkeit der Schätzung des tatsächlichen Drehmoments verbessern. Im Allgemeinen können die Näherungswerte der physischen Modellparameter anhand einer Spezifikationstabelle, Daten der computergestützten Konstruktion (computer aided design - CAD) und dergleichen berechnet werden. Mit diesen Werten als Ausgangswerte zum Zeitpunkt des Lernens ist es daher möglich, zum Beispiel die Lerngeschwindigkeit und die Lernkonvergenz zu verbessern. Es ist anzumerken, dass, wenn diese Werte unbekannt sind oder sich schwer berechnen lassen, die physischen Modellparameter mit beliebigen gegebenen Konstanten initialisiert werden können.
• Eine lineare Gleichung eines überbestimmten Systems wird für das Lernen der physischen Modellparameter in der Speichereinheit 22 für physische Modelle verwendet. Die oben beschriebene Bewegungsgleichung wird verformt und nur die physischen Modellparameter werden davon getrennt, um die lineare Gleichung des überbestimmten Systems zu erhalten. Wenn nicht lineare Terme für Position, Geschwindigkeit und Beschleunigung nicht berücksichtigt werden, können die Newton'sche Bewegungsgleichung, die Euler'sche Bewegungsgleichung und die Lagrange-Bewegungsgleichung durch eine lineare Kombination von Produkten aus konstanten Koeffizienten und Variablen ausgedrückt werden. Die konstanten Koeffizienten beinhalten eine Masse, eine baryzentrische Position und einen Trägheitstensor. Die Variablen beinhalten eine Position, eine Geschwindigkeit und eine Beschleunigung. Das heißt, wenn Δf einen Fehler in der Dynamikberechnung in Bezug auf das tatsächliche Drehmoment kennzeichnet, kann die Bewegungsgleichung jeder Achse in einer variablengetrennten Form wie in Gleichung (1) beschrieben werden, indem physische Modellparameter w, einschließlich der Masse, der baryzentrischen Position und des Trägheitstensors, und eine Koeffizientenmatrix A(v,a), die eine Geschwindigkeit v und eine Beschleunigung a enthält, verwendet werden. $$\mathrm{\Delta }\text{f}=\text{A}\left(\text{v},\text{a}\right)\text{w}$$

  
• Die Speichereinheit 22 für physische Modelle erhält w für jede Achse aus Gleichung (1) durch dieMethode der kleinsten Quadrate, um dadurch die physischen Modellparameter für jede Achse zu berechnen. Im Falle einer solchen Antriebsmaschine, die Interferenzen zwischen den Achsen verursachen kann, wie z. B. ein Industrieroboter mit in Reihe geschalteten Antriebsachsen, fasst die Speichereinheit 22 für physische Modelle die w-bezogene Gleichung (1) für jede Achse zu einer einzelnen linearen Gleichung zusammen und löst die einzelne lineare Gleichung gleichzeitig, sodass die gesamte Berechnungseinheit 2 für physische Modelle eine wahrscheinlichere Lösung erhalten kann. Beim Identifizieren der physischen Modellparameter w kann die Speichereinheit 22 für physische Modelle neben der Methode der kleinsten Quadrate, der regulierten Methode der kleinsten Quadrate und dem Kalman-Filter auch eine Bayes-Schätzung, einen genetischen Algorithmus, ein neuronales Netzwerk und dergleichen verwenden.
• Es ist anzumerken, dass, wenn der Einfluss der Reibung in der Bewegungsgleichung berücksichtigt wird, die Speichereinheit 22 für physische Modelle die Reibung mit einer Gleichung ausdrückt, deren Reibungskoeffizienten trennbar sind und in einer linearen Kombination mit einer Geschwindigkeitsfunktion dargestellt werden, sodass die Speichereinheit 22 für physische Modelle gleichzeitig die Reibungskoeffizienten als physische Modellparameter wie in Gleichung (1) schätzen kann. Zu Beispielen für eine Gleichung, bei der die Reibungskoeffizienten trennbar sind, gehören ein lineares Reibungsmodell, das ein Reibungsmodell mit Coulomb-Reibung und Flüssigkeitsreibung ist, wie im Folgenden gezeigt wird. Der von der Speichereinheit 22 für physische Modelle zu schätzende Reibungskoeffizient wird durch Gleichung (2) ausgedrückt. Es ist anzumerken, dass eine Punktmarkierung über qi in Gleichung (2) und Gleichung (3), wie unten beschrieben, die eine Bildaufnahme ist, nicht in der folgenden Beschreibung erscheint. Aus diesem Grund wird qi, über dem in den Gleichungen eine Punktmarkierung platziert ist, in der folgenden Beschreibung einfach als qi bezeichnet.
  [Formel 1] $${\text{F}}_{\text{i}}\left({\dot{\text{q}}}_{\text{i}}\right)={\text{r}}_{\text{FC}\text{,i}}\text{sgn}\left({\dot{\text{q}}}_{\text{i}}\right)+{\text{r}}_{\text{FV}\text{,i}}{\dot{\text{q}}}_{\text{i}}$$

  
• Für ein Reibungsmodell Fi einer Achse i, die mit einer Geschwindigkeit qi betrieben wird, kennzeichnet r_FC,i einen Coulomb-Reibungskoeffizienten und kennzeichnet r_FV,i einen Flüssigkeitsreibungskoeffizienten. Häufig wird beobachtet, dass die Flüssigkeitsreibung während des Betriebs eines mehrachsigen Mechanismus, wie zum Beispiel eines Industrieroboters, keine vollständig lineare Beziehung zur Geschwindigkeit aufweist und insbesondere bei Hochgeschwindigkeitsvorgängen der Aktoren kleiner ist als der Wert, der unter der Annahme einer linearen Beziehung zwischen der Flüssigkeitsreibung und der Geschwindigkeit gegeben ist. In einem solchen Fall ist es wünschenswert, die Reibung unter Verwendung eines Reibungsmodells mit einem höheren Freiheitsgrad zu schätzen, das die Nichtlinearität in Bezug auf die Geschwindigkeit berücksichtigt, eine Reibungskomponente aus der Differenz zwischen dem tatsächlichen Drehmoment und dem ersten geschätzten Drehmoment zu entfernen und dann andere physische Modellparameter zu schätzen. Zu Beispielen für ein nicht lineares Reibungsmodell, das heißt ein solches Reibungsmodell, gehören die folgende, durch Gleichung (3) dargestellte Funktion.
  [Formel 2] $$\begin{array}{c}\begin{array}{c}{\text{F}}_{\text{i}}\left({\dot{\text{q}}}_{\text{i}}\right)={\text{F}}_{\text{c}}\left({\dot{\text{q}}}_{\text{i}}\right)+{\text{F}}_{\text{v}}\left({\dot{\text{q}}}_{\text{i}}\right)\\ {\text{F}}_{\text{c}}\left({\dot{\text{q}}}_{\text{i}}\right)=\{\begin{array}{cc}{\text{r}}_{\text{FC}\text{,i}}\text{sin}\left(\frac{\mathrm{\pi }}{2{\mathrm{\omega }}_{\text{ls}}}{\dot{\text{q}}}_{\text{i}}\right)& \left|{\dot{\text{q}}}_{\text{i}}\right|<{\mathrm{\omega }}_{\text{ls}}\\ {\text{r}}_{\text{FC}\text{,i}}\text{sgn}\left({\dot{\text{q}}}_{\text{i}}\right)& \left|{\dot{\text{q}}}_{\text{i}}\right|\ge {\mathrm{\omega }}_{\text{ls}}\end{array}\end{array}\\ {\text{F}}_{\text{v}}\left({\dot{\text{q}}}_{\text{i}}\right)=\{\begin{array}{ll}{\text{r}}_{\text{FV}\text{,i}}{\dot{\text{q}}}_{\text{i}}\hfill & \left|{\dot{\text{q}}}_{\text{i}}\right|<{\mathrm{\omega }}_{\text{hs}}\hfill \\ \text{sgn}\left({\dot{\text{q}}}_{\text{i}}\right)\left\{{\text{r}}_{\text{FV}\text{,i}}{\mathrm{\omega }}_{\text{hs}}+{\text{r}}_{\text{ST}\text{,i}}\left(1-{\text{e}}^{\left(-\frac{{\text{r}}_{\text{FV}\text{,i}}}{{\text{r}}_{\text{ST}\text{,i}}}\left(\left|{\dot{\text{q}}}_{\text{i}}\right|-{\mathrm{\omega }}_{\text{hs}}\right)\right)}\right)\right\}\hfill & \left|{\dot{\text{q}}}_{\text{i}}\right|\ge {\mathrm{\omega }}_{\text{hs}}\hfill \end{array}\end{array}$$

  
• ω_1s kennzeichnet eine Grenzgeschwindigkeit für einen Betrieb mit geringer Drehzahl, ω_hs, kennzeichnet eine Grenzgeschwindigkeit einen Betrieb mit hoher Drehzahl und r_ST,i kennzeichnet den Sättigungsreibungskoeffizienten. Ein Diagramm des nicht linearen Reibungsmodells ist in 3 veranschaulicht. 3 ist ein Diagramm, das ein Beispiel für ein nicht lineares Reibungsmodell, das ein physischer Modellparameter ist, der von der Speichereinheit 22 für physische Modelle geschätzt werden soll, gemäß der vorliegenden Ausführungsform veranschaulicht. In 3 stellt die horizontale Achse die Motordrehzahl dar und stellt die vertikale Achse die Reibung dar. Das nicht lineare Reibungsmodell weist neben dem Coulomb-Reibungskoeffizienten r_FC,i und dem Flüssigkeitsreibungskoeffizienten r_FV,i insgesamt vier Parameter auf und ist eine nicht lineare Funktion in Bezug auf die Geschwindigkeit qi. Daher werden diese Parameter anhand der Differenz zwischen dem tatsächlichen Drehmoment und dem ersten geschätzten Drehmoment unter Verwendung des Levenberg-Marquardt-Verfahrens, bei dem es sich um eine nicht lineare Methode der kleinsten Quadrate handelt, erhalten. Das Levenberg-Marquardt-Verfahren ist vom Anfangswert abhängig. Somit werden der Coulomb-Reibungskoeffizient r_FC,i und der Flüssigkeitsreibungskoeffizient r_FV,i einmal zu dem physischen Modellparameter w addiert, wobei angenommen wird, dass die Reibung linear ist, und jeder Reibungskoeffizient wird durch die obige Gleichung (1) berechnet und dann als Anfangswert festgelegt, sodass ein Scheitern der Schätzung aufgrund der Abhängigkeit vom Anfangswert verhindert werden kann. Das heißt, die Speichereinheit 22 für physische Modelle kann die Methode der kleinsten Quadrate, die regulierte Methode der kleinsten Quadrate, die nicht lineare Methode der kleinsten Quadrate, den Kalman-Filter oder dergleichen beim Lernen der physischen Modellparameter verwenden. Unter Verwendung der Methode der kleinsten Quadrate, der nicht linearen Methode der kleinsten Quadrate, der nicht linearen Methode der kleinsten Quadrate oder des Kalman-Filters kann die Motorsteuereinrichtung 100 unbekannte Koeffizienten in der Bewegungsgleichung und der Zustandsgleichung für die Zielmaschine 10 anhand der Bewegungsdaten schätzen. Bei den Bewegungsdaten handelt es sich zum Beispiel um Daten, die in den Motorzustandssignalen enthalten sind.
• Die Speichereinheit 22 für physische Modelle speichert die so erhaltenen nicht linearen Reibungsmodellkoeffizienten als physische Modellparameter und addiert die Ausgabe des nicht linearen Reibungsmodells jedes Mal zu den physischen Zustandsvariablen. Die Motorsteuereinrichtung 100 kann Flüssigkeitsreibung aufgrund von Alterungsverschlechterung, Anomalien oder dergleichen sowie eine Änderung der Coulomb-Reibung detektieren, indem sie Koeffizienten des Reibungsmodells als physische Modellparameter in der Speichereinheit 22 für physische Modelle speichert. Beim Lernen der physischen Modellparameter schätzt die Speichereinheit 22 für physische Modell beispielsweise abwechselnd die Koeffizienten des nicht linearen Reibungsmodells und andere physische Modellparameter. Die Motorsteuereinrichtung 100 kann das Reibungsmodell komplizierter und detaillierter konzipieren, indem es die Koeffizienten des Reibungsmodells und andere physische Modellparameter abwechselnd schätzt. Da die Motorsteuereinrichtung 100 auch andere physische Modellparameter schätzen kann, wobei der Einfluss der Reibung im Wesentlichen eliminiert wird, ist es außerdem möglich, die physischen Modellparameter mit höherer Genauigkeit zu lernen.
• Das nicht lineare Reibungsmodell kann eine multivariable Funktion sein, die nicht nur von einer Geschwindigkeitsfunktion, sondern auch von einer Position, einer Beschleunigung, einer Motortemperatur und dergleichen abhängt, und jeder Koeffizient des nicht linearen Reibungsmodells kann durch das Gauß-Newton-Verfahren, das Verfahren des steilsten Abstiegs, einen erweiterten Kalman-Filter, einen Unscented Kalman-Filter oder dergleichen identifiziert werden. Für das nicht lineare Reibungsmodell kann ein Erzeugungsverfahren auf der Grundlage eines Algorithmus des maschinellen Lernens verwendet werden, wie zum Beispiel ein Support-Vector-Regressionsmodell, ein Regressionsbaum, ein Random Forest, ein multivariates adaptives Regressionssplinemodell oder ein neuronales Netzwerk. Das nicht lineare Reibungsmodell, das nur als von einer explizit gegebenen Geschwindigkeit abhängig betrachtet wird, reicht jedoch aus, da das nicht lineare Reibungsmodell nur den Makroeinfluss eliminieren muss, der sich auf die statischen Eigenschaften der Reibung konzentriert, vorausgesetzt, dass das erste geschätzte Drehmoment durch eine Einheit 411 für maschinelles Lernen, die ein neuronales Netzwerk enthält, in der Berechnungseinheit 4 für Modelle des maschinellen Lernens korrigiert wird, wie nachstehend beschrieben.
• Die Merkmalbetragserzeugungseinheit 3, in die das erste geschätzte Drehmoment, die physischen Zustandsvariablen und die Motorzustandssignale eingegeben werden, gibt Merkmalbeträge aus, die in die Einheit 411 für maschinelles Lernen eingegeben werden sollen. Die Werte dieser Eingaben in die Merkmalbetragserzeugungseinheit 3 und der Wert des zu schätzenden tatsächlichen Drehmoments ändern sich auf der Grundlage einer Zeitreihe. Es ist notwendig, eine Korrelation dazwischen in Richtung der Zeitachse zu berücksichtigen. Die Speichereinheit 42 für Modelle des maschinellen Lernens stellt somit ebenfalls die Merkmalbeträge als Vektoren bereit, die auch Werte enthalten, die in einem vergangenen bestimmten Zeitraum erhalten wurden. Darüber hinaus ist der Einfluss der gegenseitigen Interferenz zwischen den Achsen bei einem Mehrachsenmechanismus, wie zum Beispiel dem in der vorliegenden Ausführungsform beschriebenen horizontalen Knickarmroboter, nicht gering. Daher ist es wünschenswert, dass der Merkmalbetrag ein Vektor ist, der auch einen jeder Achse entsprechenden Eingabewert enthält. Allerdings wird eine Drehmomentkomponente im Merkmalbetrag als eine Differenz zwischen dem tatsächlichen Drehmoment und dem ersten geschätzten Drehmoment angegeben und es wird nur ein vergangener Wert für das zu schätzende tatsächliche Drehmoment verwendet.
• 4 ist ein Blockdiagramm, das ein Konfigurationsbeispiel für die Merkmalbetragserzeugungseinheit 3 und die Berechnungseinheit 4 für Modelle des maschinellen Lernens gemäß der vorliegenden Ausführungsform veranschaulicht. In 4 ist z ein Einheitsverzögerungsoperator und ist N_d ist eine ganze Zahl von 0 oder mehr, welche die Anzahl der Einheitszeiten der Verzögerung angibt. Man kann auch sagen, dass es sich bei den in 4 veranschaulichten Einheitsverzögerungsoperatoren um Speichervorrichtungen handelt, die in der Merkmalbetragserzeugungseinheit 3 bereitgestellt sind. Das heißt, die Merkmalbetragserzeugungseinheit 3 kann Speichervorrichtungen beinhalten, die in der Lage sind, das erste geschätzte Drehmoment, die physischen Zustandsvariablen und die Motorzustandssignale zu speichern, und kann als Merkmalbeträge diejenigen ausgeben, die aus dem ersten geschätzten Drehmoment, den physischen Zustandsvariablen und den Motorzustandssignalen extrahiert werden, die in den Speichervorrichtungen gespeichert sind. Da die Motorsteuereinrichtung 100 in den Merkmalbeträgen, die in die Berechnungseinheit 4 für Modelle des maschinellen Lernens eingegeben werden, Zeitreihenänderungsinformationen über die physischen Zustandsvariablen und die Motorzustandssignale beinhaltet, kann die Berechnungseinheit 4 für Modelle des maschinellen Lernens den Betrieb der Zielmaschine 10 detaillierter schätzen. Somit ist es möglich, die Genauigkeit der Schätzung des zweiten geschätzten Drehmoments in Bezug auf das tatsächliche Drehmoment zu verbessern.
• Die Merkmalbetragserzeugungseinheit 3 kann Merkmalbeträge erzeugen und ausgeben, indem sie nur einige des ersten geschätzten Drehmoments, der physischen Zustandsvariablen und der Motorzustandssignale verwendet, ohne alle des ersten geschätzten Drehmoments, der physischen Zustandsvariablen und der Motorzustandssignale zu verwenden. Das heißt, die Merkmalbetragserzeugungseinheit 3 kann einen Merkmalbetrag anhand von mindestens einem des ersten geschätzten Drehmoments, der physischen Zustandsvariablen und der Motorzustandssignale erzeugen und den erzeugten Merkmalbetrag ausgeben.
• Die zweite Drehmomentschätzeinheit 41 umfasst die Einheit 411 für maschinelles Lernen. In die zweite Drehmomentschätzeinheit 41 werden die von der Merkmalbetragserzeugungseinheit 3 erzeugten Merkmalbeträge, das erste geschätzte Drehmoment, das von der ersten Drehmomentschätzeinheit 21 ausgegeben wird, und die Parameter des Modells des maschinellen Lernens, die von der Speichereinheit 42 für Modelle des maschinellen Lernens ausgegeben werden, eingegeben. Die zweite Drehmomentschätzeinheit 41 berechnet einen Korrekturbetrag des maschinellen Lernens auf der Grundlage des maschinellen Lernens, das die Einheit 411 für maschinelles Lernen unter Verwendung der Merkmalbeträge und der Parameter des Modells des maschinellen Lernens durchführt. Die zweite Drehmomentschätzeinheit 41 gibt als das zweite geschätzte Drehmoment einen Wert aus, der durch Addition des Korrekturbetrags des maschinellen Lernens zum ersten geschätzten Drehmoment erhalten wird.
• Die Einheit 411 für maschinelles Lernen wird von einem neuronalen Netzwerk bereitgestellt. Das neuronale Netzwerk der Einheit 411 für maschinelles Lernen, in das die von der Merkmalbetragserzeugungseinheit 3 erzeugten Merkmalbeträge und die von der Speichereinheit 42 für Modelle des maschinellen Lernens ausgegebenen Parameter des Modells des maschinellen Lernens eingegeben werden, gibt den Korrekturbetrag des maschinellen Lernens auf solche Weise aus, dass ein Fehler des zweiten geschätzten Drehmoments in Bezug auf das tatsächliche Drehmoment minimiert wird. Das heißt, ein idealer Wert des von der Einheit 411 für maschinelles Lernen auszugebenden Korrekturbetrags des maschinellen Lernens entspricht der Differenz zwischen dem tatsächlichen Drehmoment und dem ersten geschätzten Drehmoment, und der in die Einheit 411 für maschinelles Lernen einzugebende Merkmalbetrag beinhaltet eine verzögerte Differenz zwischen einem vergangenen tatsächlichen Drehmoment und dem ersten geschätzten Drehmoment. Somit weist die Einheit 411 für maschinelles Lernen einen autoregressiven Term in einer Eingabe-Ausgabe-Beziehung auf, wie in 5 veranschaulicht.
• 5 ist eine Darstellung, die einen autoregressiven Term in der Konfiguration der Merkmalbetragserzeugungseinheit 3 und der Berechnungseinheit 4 für Modelle des maschinellen Lernens gemäß der vorliegenden Ausführungsform veranschaulicht. 5 veranschaulicht einen Teil, der sich auf den autoregressiven Term bezieht, der in 4 veranschaulichten Konfiguration. Die Parameter des Modells des maschinellen Lernens geben eine Gewichtungsmatrix und einen Bias-Vektor im neuronalen Netzwerk an. Darüber hinaus ist die Verwendung eines neuronalen Netzwerks, das als ein neuronales Netzwerk vom rekurrenten Typ bezeichnet wird, wie zum Beispiel ein rekurrentes neuronales Netzwerk, ein langes Kurzzeitgedächtnis (LSTM) oder eine rekurrente Gattereinheit (GRU), mit einer rekursiven Struktur in der Eingangs-Ausgangs-Beziehung einer Zwischenschicht ebenfalls ein wirksames Mittel zur Verbesserung der Genauigkeit der Schätzung solcher Zeitreihendaten. Um die Lernbelastung und die Menge an Berechnungen zu reduzieren, kann anstelle des neuronalen Netzwerks darüber hinaus ein Polynommodell, ein Mehrfachregressionsmodell, ein Support-Vector-Regressionsmodell, ein Regressionsbaum, ein Random-Forest, ein multivariates adaptives Regressionssplinemodell oder dergleichen verwendet werden. Alternativ dazu kann in einem Fall, bei dem zum Beispiel die gegenseitige Interferenz zwischen den Achsen ignoriert werden kann, die Einheit 411 für maschinelles Lernen für jede Achse separat angewendet werden.
• Universalfunktionsannäherungsmodelle, die in der Einheit 411 für maschinelles Lernen verwendet werden sollen, wie zum Beispiel ein neuronales Netzwerk, sind im Allgemeinen nicht für die Annäherung an eine diskontinuierliche Funktion geeignet. Wenn das der Reibung entsprechende Drehmoment angenähert und im ersten geschätzten Drehmoment durch die Verwendung des linearen Reibungsmodells der Gleichung (2) korrigiert wird, kann die Differenz zwischen dem tatsächlichen Drehmoment und dem ersten geschätzten Drehmoment einen diskontinuierlichen Sprung verursachen, und die Einheit 411 für maschinelles Lernen weist ihre Eingabe/Ausgabe auf, einschließlich dieser Werte, und bildet den autoregressiven Term, was zu einer erheblichen Verschlechterung der Ergebnisse des Lernens der Parameter des Modells des maschinellen Lernens und der Ergebnisse der Berechnung des Korrekturbetrags des maschinellen Lernens führen kann. Außerdem ist es sehr schwierig, diese Modelle explizit auf eine tatsächliche Antriebsmaschine anzuwenden. Der Grund dafür ist, dass die tatsächliche Antriebsmaschine zum Beispiel durch schmierungsbedingte Reibung, wie sie durch die Stribeck-Kurve dargestellt wird, oder durch ein Stick-Slip-Phänomen beeinflusst wird, das durch das abwechselnde Auftreten von Adhäsion und Gleiten verursacht wird, und die Reibung eine starke Nichtlinearität bei einer Drehzahl in der Nähe von null und während des Betriebs mit geringer Drehzahl aufweist. In Hinblick darauf wird in der Nähe einer Drehzahl von 0 ein Modell mit kontinuierlicher und glatter Reibung, wie das in Gleichung (3) gezeigte nicht lineare Reibungsmodell, verwendet, um dadurch kontinuierliche Werte für das erste geschätzte Drehmoment und die Merkmalbeträge bereitzustellen. Somit kann selbst eine Reibungskomponente, die mit dem ersten geschätzten Drehmoment und dem oben beschriebenen nicht linearen Reibungsmodell schwer zu reproduzieren ist, durch die Addition des Korrekturbetrags des maschinellen Lernens mit hoher Genauigkeit geschätzt werden. Bei den Merkmalbeträgen handelt es sich um Vektoren, die gleichzeitig zum Beispiel Geschwindigkeiten und Ausgaben des nicht linearen Reibungsmodells enthalten, die in einem bestimmten vergangenen Zeitraum erhalten wurden. Die Einheit 411 für maschinelles Lernen kann somit auch einen Schätzfehlerfaktor lernen, der sich in Abhängigkeit von einem unmittelbar vorhergehenden Zustand, wie zum Beispiel den Hystereseeigenschaften der Reibung, ändert, und eine Korrektur in der Form eines Korrekturbetrags des maschinellen Lernens vornehmen.
• Wie oben beschrieben, berechnet die zweite Drehmomentschätzeinheit 41 einen Korrekturbetrag des maschinellen Lernens anhand der Merkmalbeträge und der Parameter des Modells des maschinellen Lernens, indem sie maschinelles Lernen, einschließlich des autoregressiven Terms in der Eingabe-Ausgabe-Beziehung verwendet. Die zweite Drehmomentschätzeinheit 41 addiert den berechneten Korrekturbetrag des maschinellen Lernens zum ersten geschätzten Drehmoment, um das zweite geschätzte Drehmoment auszugeben. Außerdem kann die zweite Drehmomentschätzeinheit 41 maschinelles Lernen unter Verwendung eines neuronalen Netzwerks als maschinelles Lernen einschließlich eines autoregressiven Terms in einer Eingabe-Ausgabe-Beziehung verwenden. Durch die Verwendung eines neuronalen Netzwerks als ein Verfahren für maschinelles Lernen kann die Motorsteuereinrichtung 100 eine Drehmomentkomponente, die sich nur schwer in der Bewegungsgleichung ausdrücken lässt, als ein nichtlineares Modell mit mehreren Freiheitsgraden lernen und speichern. Darüber hinaus kann die zweite Drehmomentschätzeinheit 41 die Differenz zwischen dem tatsächlichen Drehmoment und dem ersten geschätzten Drehmoment als einen autoregressiven Term beim maschinellen Lernen verwenden, einschließlich des autoregressiven Terms in einer Eingabe-Ausgabe-Beziehung, die zum Berechnen des Korrekturbetrags des maschinellen Lernens verwendet wird. Die Differenz zwischen dem tatsächlichen Drehmoment und dem ersten geschätzten Drehmoment ist ein Zielwert für einen Korrekturbetrag in Bezug auf das erste geschätzte Drehmoment. Der Zielwert des Korrekturbetrags ändert sich mit dem Betrieb des Motors der Zielmaschine 10 auf der Grundlage einer Zeitreihe. In Hinblick darauf stellt die Motorsteuereinrichtung 100 einen autoregressiven Term bereit, der einen vergangenen Zielwert eines Korrekturbetrags als eine Eingabe enthält. Aufgrund dessen kann die Motorsteuereinrichtung 100 einen optimalen Korrekturbetrag für das nächste Mal mit höherer Genauigkeit schätzen.
• Nachdem die Speichereinheit 22 für physische Modelle die physischen Modellparameter gelernt hat, verwendet die Speichereinheit 42 für Modelle des maschinellen Lernens als Trainingsdaten für die Eingabe/Ausgabe die Differenz zwischen dem tatsächlichen Drehmoment und dem ersten geschätzten Drehmoment und die Merkmalbeträge während eines Betriebs der Zielmaschine 10 für einen bestimmten Zeitraum und lernt die Parameter des Modells des maschinellen Lernens auf eine solche Weise, dass ein Fehler im Korrekturbetrag des maschinellen Lernens in Bezug auf die Differenz zwischen dem tatsächlichen Drehmoment und dem ersten geschätzten Drehmoment reduziert wird. Das heißt, die Speichereinheit 42 für Modelle des maschinellen Lernens lernt die Parameter des Modells des maschinellen Lernens durch überwachtes Lernen, sodass der Korrekturbetrag des maschinellen Lernens näher an der Differenz zwischen dem tatsächlichen Drehmoment und dem ersten geschätzten Drehmoment liegt. Die Speichereinheit 42 für Modelle des maschinellen Lernens speichert die gelernten Parameter des Modells des maschinellen Lernens. Obwohl die Parameter des Modells des maschinellen Lernens zu Beginn des Lernens mit beliebigen gegebenen Konstanten initialisiert werden können, weist die durch ein neuronales Netzwerk ausgedrückte Einheit 411 für maschinelles Lernen eine Anfangswertabhängigkeit von einer Gewichtungsmatrix, einem Bias und dergleichen auf, bei denen es sich um Parameter des Modells des maschinellen Lernens handelt. Im Allgemeinen initialisiert die Einheit 411 für maschinelles Lernen die Gewichtungsmatrix somit mit einer Wahrscheinlichkeitsverteilung, die von einer Normalverteilung abgeleitet ist, zusätzlich zu einer Gleichverteilung und einer allgemeinen Normalverteilung. Beispiele für eine von der Normalverteilung abgeleitete Wahrscheinlichkeitsverteilung sind die verkürzte Normalverteilung, die He-Normalverteilung und die Glorot-Normalverteilung.
• Außerdem verwendet die Speichereinheit 42 für Modelle des maschinellen Lernens als Lernverfahren das Mini-Batch-Gradientenabstiegsverfahren und das Fehlerrückpropagierungsverfahren und aktualisiert die Parameter des Modells des maschinellen Lernens, die als die Gewichtungsmatrix und der Bias-Vektor dargestellt sind, Batch für Batch. Das heißt, die Speichereinheit 42 für Modelle des maschinellen Lernens kann das Fehlerrückpropagierungsverfahren als ein Verfahren für überwachtes Lernen verwenden, wenn die Parameter des Modells des maschinellen Lernens gelernt werden. In einem Fall, bei dem beispielsweise keine ausreichende Menge an Trainingsdaten vorbereitet werden kann, kann die Speichereinheit 42 für Modelle des maschinellen Lernens das allgemeine Gradientenabstiegsverfahren, den stochastischen Gradientenabstieg oder dergleichen anstelle des Mini-Batch-Gradientenabstiegsverfahrens verwenden. Darüber hinaus ist die Verwendung eines Verfahrens, wie zum Beispiel Dropout oder Early Stopping, auch ein effektiver Ansatz, der von der Speichereinheit 42 für Modelle des maschinellen Lernens verwendet werden kann, um die Verallgemeinerungs-Performance des neuronalen Netzwerks in der Einheit 411 für maschinelles Lernen zu verbessern. Dropout ist ein Verfahren, bei dem Neuronen zum Zeitpunkt des Lernens zufällig entfernt werden. Early Stopping ist ein Verfahren, welches das Lernen frühzeitig stoppt, wobei ein Fehler für jede Epoche überwacht wird. Es ist notwendig, eine Dropout-Wahrscheinlichkeit auf die Gewichtungsmatrix zum Zeitpunkt der Ableitung des Korrekturbetrags des maschinellen Lernens anzuwenden, wenn Dropout auf das Lernen angewendet wird. Daher fügt die Speichereinheit 42 für Modelle des maschinellen Lernens auch einen solchen Hyperparameter als einen Parameter des Modells des maschinellen Lernens hinzu und speichert ihn.
• Der bisherige Ablauf des Lernens der physischen Modellparameter und der Parameter des Modells des maschinellen Lernens wird unter Bezugnahme auf ein Ablaufdiagramm beschrieben. 6 ist ein Ablaufdiagramm, das den Ablauf des Lernens von physischen Modellparametern und Parametern eines Modells des maschinellen Lernens in der Motorsteuereinrichtung 100 gemäß der vorliegenden Ausführungsform veranschaulicht. Die Speichereinheit 22 für physische Modelle legt anhand von Werten in der Spezifikationstabelle Anfangswerte einer Masse, einer baryzentrischen Position und eines Trägheitstensors fest, bei denen es sich um physische Modellparameter jedes Glieds handelt (Schritt S1). Die Motorzustandsüberwachungseinheit 1 gibt als Trainingsdaten Zeitreihendaten über ein tatsächliches Drehmoment, eine Position, eine Geschwindigkeit und eine Beschleunigung aus, bei denen es sich um Motorzustandssignale der Zielmaschine 10 handelt (Schritt S2).
• Die erste Drehmomentschätzeinheit 21 berechnet ein erstes geschätztes Drehmoment durch Dynamikberechnung in Bezug auf die Position, die Geschwindigkeit und die Beschleunigung (Schritt S3). Die erste Drehmomentschätzeinheit 21 fügt einen Term eines linearen Reibungsmodells zu einer dynamischen Gleichung hinzu (Schritt S4). Die Speichereinheit 22 für physische Modelle fügt den Coulomb-Reibungskoeffizienten und den Flüssigkeitsreibungskoeffizienten zu den physischen Modellparametern hinzu (Schritt S5). Die Speichereinheit 22 für physische Modelle identifiziert die physischen Modellparameter anhand der Differenz zwischen dem tatsächlichen Drehmoment und dem ersten geschätzten Drehmoment unter Verwendung der in eine lineare Gleichung umgewandelten dynamischen Gleichung und der Methode der kleinsten Quadrate (Schritt S6). Die Speichereinheit 22 für physische Modelle legt als Anfangswerte den Coulomb-Reibungskoeffizienten und den Flüssigkeitsreibungskoeffizienten in den identifizierten physischen Modellparametern fest, identifiziert ein nicht lineares Reibungsmodell durch das Levenberg-Marquardt-Verfahren und fügt jeden der erhaltenen Koeffizienten zu den physischen Modellparametern hinzu (Schritt S7). Die Speichereinheit 22 für physische Modelle identifiziert wiederum andere physische Modellparameter als die Reibungskoeffizienten, indem sie die dynamische Gleichung und die Methode der kleinsten Quadrate auf ein Ergebnis anwendet, das durch Subtraktion der Werte des ersten geschätzten Drehmoments und des nicht linearen Reibungsmodells vom tatsächlichen Drehmoment erhalten wird, wobei die dynamische Gleichung durch Eliminierung des Terms des Reibungsmodells in eine lineare Gleichung umgewandelt wird (Schritt S8). Die erste Drehmomentschätzeinheit 21 fügt der dynamischen Gleichung einen Term des nicht linearen Reibungsmodells hinzu und berechnet wiederum ein erstes geschätztes Drehmoment unter Verwendung der gelernten physischen Modellparameter (Schritt S9).
• Die Merkmalbetragserzeugungseinheit 3 empfängt als Eingaben das erste geschätzte Drehmoment, physische Zustandsvariablen und die Motorzustandssignale, nimmt diese Werte in Vektoren auf, die auch Werte enthalten, die in einem bestimmten vergangenen Zeitraum erhalten wurden, und gibt die Vektoren als Merkmalbeträge aus (Schritt S10). Die Speichereinheit 42 für Modelle des maschinellen Lernens initialisiert eine Gewichtungsmatrix und einen Bias, bei welchen es sich um Parameter des Modells des maschinellen Lernens handelt, sodass die Gewichtungsmatrix mit einer Normalverteilung und der Bias mit einer Konstanten initialisiert werden (Schritt S11). Die Speichereinheit 42 für Modelle des maschinellen Lernens legt Hyperparameter, wie zum Beispiel Early Stopping und Dropout, als Bedingungen für das Lernen fest und fügt deren Werte zu den Parametern des Modells des maschinellen Lernens hinzu (Schritt S12). Die zweite Drehmomentschätzeinheit 41, welche die Eingabe der Merkmalbeträge empfängt und einen Korrekturbetrag des maschinellen Lernens ausgibt, dessen idealer Wert die Differenz zwischen dem tatsächlichen Drehmoment und dem ersten geschätzten Drehmoment ist, lernt die Gewichtungsmatrix und den Bias der Parameter des Modells des maschinellen Lernens durch das Fehlerrückpropagierungsverfahren gemäß den Bedingungen für das Lernen der Parameter des Modells des maschinellen Lernens (Schritt S13).
• Wie oben beschrieben, lernt die Speichereinheit 22 für physische Modelle die physischen Modellparameter im Voraus und lernt die Speichereinheit 42 für Modelle des maschinellen Lernens die Parameter des Modells des maschinellen Lernens mit dem Korrekturbetrag des maschinellen Lernens für das erste geschätzte Drehmoment, was als autoregressiver Term verwendet wird. Dies trägt erheblich zur Verbesserung der Verallgemeinerungs-Performance des zweiten geschätzten Drehmoments bei. Der Grund dafür ist, dass die Motorsteuereinrichtung 100 die physischen Modellparameter von den Parametern des Modells des maschinellen Lernens unterscheidet, um dadurch eine Drehmomentschätzungsfehlerkomponente, die von einem bekannten physischen Phänomen stammt, das in der Bewegungsgleichung leicht modelliert werden kann, und eine Drehmomentschätzungsfehlerkomponente, die in der Bewegungsgleichung schwer zu modellieren ist, separat zu lernen, sodass der absolute Wert des von der Einheit 411 für maschinelles Lernen ausgegebenen Korrekturbetrags des maschinellen Lernens reduziert wird. Da, anders ausgedrückt, keine explizit angegebene Drehmomentschätzungsfehlerkomponente in dem Korrekturbetrag des maschinellen Lernens enthalten ist, kann die Motorsteuereinrichtung 100 auch die Anzahl der in den Parametern des Modells des maschinellen Lernens enthaltenen Parameter reduzieren. Aufgrund dessen ist es möglich, ein Überlernen zu verhindern, die Lerngeschwindigkeit zu erhöhen und die zum Lernen verwendeten Trainingsdaten in der Speichereinheit 42 für Modelle des maschinellen Lernens zu reduzieren.
• In Bezug auf den autoregressiven Term, der sich auf den Korrekturbetrag des maschinellen Lernens bezieht, wird der absolute Wert des Korrekturbetrags des maschinellen Lernens auf ähnliche Weise reduziert und der Bereich des Drehmomentschätzungsfehlers im neuronalen Netzwerk oder dergleichen wird im Vergleich zu einer Konfiguration reduziert, in der die Berechnungseinheit 4 für Modelle des maschinellen Lernens eine Differenz zwischen dem tatsächlichen Drehmoment und dem Ergebnis der Berechnung lernt, die durch die Bewegungsgleichung unter Verwendung von Anfangswerten für die physischen Modellparameter bereitgestellt wird, und die Differenz als den Korrekturbetrag des maschinellen Lernens verwendet, oder einer Konfiguration, in der Berechnungsergebnisse, die durch die Bewegungsgleichung unter Verwendung von Anfangswerten für die physischen Modellparameter bereitgestellt werden, in Merkmalbeträgen enthalten sind und die Einheit 411 für maschinelles Lernen die Parameter des Modells des maschinellen Lernens lernt und das zweite geschätzte Drehmoment direkt ausgibt. Zu den Vorteilen der Verwendung des autoregressiven Terms gehört darüber hinaus zum Beispiel, dass Schätzungsfehlerfaktoren, die sich periodisch in Richtung der Zeitachse ändern und in der Bewegungsgleichung schwer zu erfassen sind, leicht zu erlernen sind. Solche Fehlerfaktoren sind zum Beispiel das von den Motoreigenschaften abhängige Rastmoment, eine Drehmomentwelligkeit und der Einfluss eines Spiels bei der Drehmomentübertragung zwischen Zahnrädern. In der Praxis veranschaulicht 7 das erste geschätzte Drehmoment, das nach dem Lernen der physischen Modellparameter erhalten wird, und das zweite geschätzte Drehmoment, das durch die Parameter des Modells des maschinellen Lernens erhalten wird, die anhand der Differenz zwischen dem tatsächlichen Drehmoment und dem ersten geschätzten Drehmoment gelernt werden. 7 ist ein Diagramm, das eine Motordrehzahl, die den Betrieb der Zielmaschine 10 darstellt, die von der Motorsteuereinrichtung 100 gesteuert werden soll, das erste geschätzte Drehmoment, das von der Motorsteuereinrichtung 100 geschätzt wird, und das zweite geschätzte Drehmoment, das von der Motorsteuereinrichtung 100 geschätzt wird, gemäß der vorliegenden Ausführungsform veranschaulicht. Bei jedem Element stellt die horizontale Achse die Zeit dar. Wie in 7 veranschaulicht, liegt das zweite geschätzte Drehmoment näher am tatsächlichen Drehmoment als das erste geschätzte Drehmoment.
• Darüber hinaus ist in einem Fall, bei dem das neuronale Netzwerk für die Einheit 411 für maschinelles Lernen verwendet wird, nicht klar, welcher in den Merkmalbeträgen enthaltene Parameter den Korrekturbetrag des maschinellen Lernens beeinflusst hat und in welchem Ausmaß der Parameter den Korrekturbetrag des maschinellen Lernens beeinflusst hat. Es ist daher sehr schwierig, eine Änderung der physischen Eigenschaften der Zielmaschine 10 anhand einer Änderung der Parameter des Modells des maschinellen Lernens zu schätzen. In der vorliegenden Ausführungsform, in der die einzelnen Werte der physischen Eigenschaften beim Lernen der physischen Modellparameter direkt überprüft werden können, unterscheidet die Motorsteuereinrichtung 100 beim Lernen dieser Parameter jedoch zwischen den physischen Modellparametern und den Parametern des Modells des maschinellen Lernens. Man kann also sagen, dass die Konfiguration der vorliegenden Ausführungsform für die Anomaliedetektion geeignet ist.
• Ein Verfahren zum Detektieren von Anomalien unter Verwendung der Berechnungseinheit 2 für physische Modelle und der Berechnungseinheit 4 für Modelle des maschinellen Lernens, die ein Lernen durchgeführt haben, beinhaltet hauptsächlich beispielsweise das Überwachen einer Differenz zwischen dem tatsächlichen Drehmoment und dem zweiten geschätzten Drehmoment. Die Motorsteuereinrichtung 100 überwacht die Differenz zwischen dem tatsächlichen Drehmoment und dem zweiten geschätzten Drehmoment, um Beobachtungswerte bereitzustellen, die grob in einem Bereich um 0 konzentriert sind, sodass der absolute Wert selbst als der Grad der Anomalie des tatsächlichen Drehmoments betrachtet wird. Ein spezifisches Anomaliedetektionsverfahren kann ein einfaches Verfahren sein, das eine Anomalie in Abhängigkeit davon erkennt, ob der absolute Wert der Differenz zwischen dem tatsächlichen Drehmoment und dem zweiten geschätzten Drehmoment einen voreingestellten Schwellenwert überschreitet. Ein anderes Anomaliedetektionsverfahren kann ein Verfahren sein, das zwischen zwei Klassen von Normalität und Anomalie in einem Zwei-Klassen-Klassifizierungsproblem unterscheidet, indem eine logistische Regression, eine Support-Vector-Maschine, einen Entscheidungsbaum, ein neuronales Netzwerk oder dergleichen verwendet wird, wobei die Merkmalbeträge und die Differenz zwischen dem tatsächlichen Drehmoment und dem zweiten geschätzten Drehmoment als Eingaben verwendet und markierte Lehrdaten vorbereitet werden.
• Wenn es schwierig ist, Trainingsdaten zu sammeln, bei denen es sich um Bewegungsdaten handelt, die einem anomalen Zustand entsprechen, kann die Motorsteuereinrichtung 100 eine Überabtastung an Bewegungsdaten durchführen, die einem anomalen Zustand entsprechen, der durch die Verwendung der Synthetic Minority Over-sampling Technique (SMOTE), der Adaptive Synthetic (ADASYN) oder dergleichen erfasst wurde. Alternativ kann die Motorsteuereinrichtung 100 die Bewegungsdaten durch nicht überwachtes Lernen, wie zum Beispiel das K-Means-Verfahren und eine selbstorganisierende Karte, in zwei Cluster von Normalität und Anomalie klassifizieren. Darüber hinaus sind die Anzahl der Klassen und die Anzahl der Cluster in der Motorsteuereinrichtung 100 nicht auf zwei von Normalität und Anomalie beschränkt, sondern können gemäß dem Grad der Anomalie schrittweise feiner festgelegt werden. Darüber hinaus kann der Grad der Anomalie frei auf einen anderen Wert als den absoluten Wert der Differenz zwischen dem tatsächlichen Drehmoment und dem zweiten geschätzten Drehmoment eingestellt werden.
• Es sei angenommen, dass die Zeitpunkte, zu denen die physischen Modellparameter in der Speichereinheit 22 für physische Modelle gelernt werden und die Parameter des Modells des maschinellen Lernens in der Speichereinheit 42 für Modelle des maschinellen Lernens gelernt werden, in 1 durch gestrichelte Linien angegeben, für die Fehlerdetektion vorgesehen sind. In diesem Fall ist es wünschenswert, das Lernen zum Zeitpunkt von beispielsweise dem Testbetrieb in der Auslieferungsphase in einer Umgebung durchzuführen, in der sich die Motorsteuereinrichtung 100 in einem idealen Zustand als ein Ziel für den Vergleich in Bezug auf den Grad der Verschlechterung befindet. Bei vielen Industrierobotern, einschließlich horizontaler Knickarmroboter, sind mittlerweile ein Kraftsensor, ein Endeffektor und dergleichen an der Armspitze installiert. Selbst in einem solchen Fall ändern sich physische Eigenschaften, wie zum Beispiel die Masse, die baryzentrische Position und der Trägheitstensor, jedes Glieds. Daher müssen sowohl die physischen Modellparameter als auch die Parameter des Modells des maschinellen Lernens in jedem Zustand neu gelernt werden.
• Wenn ein Sensor, ein Endeffektor oder dergleichen installiert wird, ist es im Allgemeinen zeit- und arbeitsaufwändig, den Einfluss der Installation auf die physischen Modellparameter unter Verwendung einer Robotersteuerung oder dergleichen festzulegen. In der vorliegenden Ausführungsform lernt die Speichereinheit 22 für physische Modelle mittlerweile den Einfluss anhand von Motorzustandssignalen, die bereitgestellt werden, wenn die Zielmaschine 10 über einen bestimmten Zeitraum betrieben wird, sodass der Festlegungsprozess ebenfalls automatisiert werden kann. Da ferner die Werte der physischen Modellparameter korrekt festgelegt sind, ergibt sich außerdem der Vorteil, dass die Zykluszeit, die Trajektorieabweichung, die Druckkraft zum Zeitpunkt der Kollision und dergleichen reduziert werden. Hierbei handelt es sich um eine Technik, die auch angewendet werden kann, um die Geschwindigkeit und Genauigkeit der Kraftsteuerung und Impedanzsteuerung zusätzlich zur Positionssteuerung, Geschwindigkeitssteuerung und dergleichen zu erhöhen. Die Anwendung des oben beschriebenen Verfahrens ist somit nicht auf die Anomaliedetektion beschränkt.
• Als Nächstes wird eine Hardwarekonfiguration der Motorsteuereinrichtung 100 beschrieben. In der Motorsteuereinrichtung 100 werden die Motorzustandsbeobachtungseinheit 1, die Berechnungseinheit 2 für physische Modelle, die Merkmalbetragserzeugungseinheit 3 und die Berechnungseinheit 4 für Modelle des maschinellen Lernens durch eine Verarbeitungsschaltung umgesetzt. Bei der Verarbeitungsschaltung kann es sich um einen Speicher und einen Prozessor, der ein im Speicher gespeichertes Programm ausführt, oder um dedizierte Hardware handeln.
• 8 ist eine Darstellung, die ein Beispiel veranschaulicht, bei dem die in der Motorsteuereinrichtung 100 gemäß der vorliegenden Ausführungsform enthaltene Verarbeitungsschaltung einen Prozessor und einen Speicher beinhaltet. In einem Fall, bei dem die Verarbeitungsschaltung einen Prozessor 91 und einen Speicher 92 beinhaltet, wird jede Funktion der Verarbeitungsschaltung der Motorsteuereinrichtung 100 durch Software, Firmware oder eine Kombination aus Software und Firmware umgesetzt. Die Software oder Firmware wird als ein Programm beschrieben und im Speicher 92 gespeichert. Der Prozessor 91 liest das im Speicher 92 gespeicherte Programm und führt es aus, um jede Funktion der Verarbeitungsschaltung umzusetzen. Das heißt, die Verarbeitungsschaltung beinhaltet den Speicher 92 zum Speichern von Programmen. Als Ergebnis der Ausführung der Programme wird die Motorsteuereinrichtung 100 dazu veranlasst, eine Verarbeitung durchzuführen. Darüber hinaus kann man auch sagen, dass diese Programme einen Computer dazu veranlassen, eine Prozedur und ein Verfahren für die Motorsteuereinrichtung 100 auszuführen.
• Hier kann der Prozessor 91 eine zentrale Verarbeitungseinheit (CPU), eine Verarbeitungsvorrichtung, eine Arithmetikvorrichtung, ein Mikroprozessor, ein Mikrocomputer, ein digitaler Signalprozessor (DSP) oder dergleichen sein. Darüber hinaus ist beispielsweise ein nicht flüchtiger oder flüchtiger Halbleiterspeicher, wie zum Beispiel ein Direktzugriffsspeicher (RAM), ein Festwertspeicher (ROM), ein Flash-Speicher, ein löschbarer programmierbarer ROM (EPROM) oder ein elektrischer löschbarer programmierbarer ROM (EEPROM) (eingetragenes Warenzeichen), eine Magnetplatte, eine flexible Platte, eine optische Platte, eine Compact Disk, eine Mini Disk oder eine Digital Versatile Disk (DVD) als der Speicher 92 anwendbar.
• 9 ist eine Darstellung, die ein Beispiel veranschaulicht, bei dem die in der Motorsteuereinrichtung 100 gemäß der vorliegenden Ausführungsform enthaltene Verarbeitungsschaltung dedizierte Hardware beinhaltet. In einem Fall, bei dem die Verarbeitungsschaltung dedizierte Hardware beinhaltet, ist beispielsweise eine einzelne Schaltung, eine Verbundschaltung, ein programmierter Prozessor, ein parallel programmierter Prozessor, eine anwendungsspezifische integrierte Schaltung (ASIC), eine feldprogrammierbare Gate-Anordnung (FPGA) oder eine Kombination davon als die in 9 veranschaulichte Verarbeitungsschaltung 93 anwendbar. Die Funktionen der Motorsteuereinrichtung 100 können separat von der Verarbeitungsschaltung 93 umgesetzt werden oder können kollektiv von der Verarbeitungsschaltung 93 umgesetzt werden.
• Es ist anzumerken, dass einige der Funktionen der Motorsteuereinrichtung 100 durch dedizierte Hardware umgesetzt werden können und einige der anderen Funktionen davon durch Software oder Firmware umgesetzt werden können. Somit kann die Verarbeitungsschaltung jede der oben beschriebenen Funktionen durch dedizierte Hardware, Software, Firmware oder einer Kombination davon umsetzen.
• Wie oben beschrieben wird in der vorliegenden Ausführungsform das Modell der Motorsteuereinrichtung 100 durch eine Kombination aus Berechnungseinheit 2 für physische Modelle und der Berechnungseinheit 4 für Modelle des maschinellen Lernens ausgedrückt. Die Berechnungseinheit 2 für physische Modelle schätzt das Drehmoment unter Verwendung der mechanisch-physischen Eigenschaften der Zielmaschine 10 und der Informationen über ein physisches Phänomen, das explizit in der Bewegungsgleichung gegeben ist. Die Berechnungseinheit 4 für Modelle des maschinellen Lernens schätzt eine Drehmomentkomponente mit starker Nichtlinearität, die sich nur schwer in der Bewegungsgleichung ausdrücken lässt, wobei ein Korrekturbetrag für das von der Berechnungseinheit 2 für physische Modelle geschätzte Drehmoment als autoregressiver Term enthalten ist. Die Motorsteuereinrichtung 100 lernt diese Elemente nacheinander. Aufgrund dessen kann die Motorsteuereinrichtung 100 das Modell der Zielmaschine 10 anhand einer kleinen Menge von Bewegungsdaten bei hoher Drehzahl erlernen, wobei das Modell der Zielmaschine 10 eine hohe Drehmomentschätzungsgenauigkeit und eine hohe Verallgemeinerungs-Performance in Bezug auf das tatsächliche Drehmoment aufweist. Darüber hinaus kann die Motorsteuereinrichtung 100 auch eine geringfügige Anomalie detektieren, indem sie das tatsächliche Drehmoment mit einem Drehmomentschätzwert vergleicht, d. h., die tatsächliche Maschine mit dem gelernten Modell vergleicht.
• Das heißt, die Motorsteuereinrichtung 100 lernt die physischen Modellparameter und die Parameter des Modells des maschinellen Lernens nacheinander. Aufgrund dessen kann die Motorsteuereinrichtung 100 eine Drehmomentkomponente, die aus den mechanisch-physischen Eigenschaften der Zielmaschine 10 resultiert, ein physisches Phänomen, das explizit in der Bewegungsgleichung gegeben ist, und eine Drehmomentkomponente mit starker Nichtlinearität, die sich in der Bewegungsgleichung schwer ausdrücken lässt, separat lernen und schätzen. Aufgrund dessen kann die Motorsteuereinrichtung 100 die für das gesamte Lernen erforderliche Zeit verkürzen und den absoluten Wert des Korrekturbetrags des maschinellen Lernens durch Lernen der physischen Modellparameter reduzieren, so dass die Verallgemeinerungs-Performance des zweiten geschätzten Drehmoments in Bezug auf das tatsächliche Drehmoment verbessert werden kann. Darüber hinaus kann die Motorsteuereinrichtung 100 die Genauigkeit der Schätzung des zweiten geschätzten Drehmoments verbessern, da die zweite Drehmomentschätzeinheit 41 die Korrelation zwischen den Merkmalbeträgen in Richtung der Zeitachse durch den autoregressiven Term der Eingabe-Ausgabe-Beziehung effizient lernt.
• Es ist anzumerken, dass der horizontale Knickarmroboter in der vorliegenden Ausführungsform zwar ein zu steuerndes Objekt ist, die Motorsteuereinrichtung 100 aber auch auf einen vertikalen Knickarmroboter, ein NC-Maschinenwerkzeug, eine Montagemaschine und dergleichen angewendet werden kann. Der Grund dafür ist, dass die Motorsteuereinrichtung 100 unabhängig von der Anzahl der Achsen einer Maschine und dem Mechanismus der linearen Bewegung und der Rotation eines Gelenks angewendet werden kann.
• Die in der obigen Ausführungsform dargelegten Konfigurationen zeigen Beispiele für den Gegenstand der vorliegenden Erfindung und es ist möglich, die Konfigurationen mit einer anderen Technik zu kombinieren, die allgemein bekannt ist, und es ist auch möglich, Auslassungen und Änderungen an einem Teil der Konfigurationen vorzunehmen, ohne vom Kern der vorliegenden Erfindung abzuweichen.
• Bezugszeichenliste

1

Motorzustandsbeobachtungseinheit; 2

2

Berechnungseinheit für physische Modelle;

3

Merkmalbetragserzeugungseinheit;

4

Berechnungseinheit für Modelle des maschinellen Lernens;

10

Zielmaschine;

111

erstes Glied;

11j

erste Achse;

121

zweites Glied;

12j

zweite Achse;

131

drittes Glied;

13j

dritte Achse;

141

viertes Glied;

14j

vierte Achse;

15e

Armspitzenabschnitt;

21

erste Drehmomentschätzeinheit;

22

Speichereinheit für physische Modelle;

41

zweite Drehmomentschätzeinheit;

42

Speichereinheit für Modelle des maschinellen Lernens;

100

Motorsteuereinrichtung;

411

Einheit für maschinelles Lernen.

• 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 2013128387 [0004]

Claims (10)

1. Motorsteuereinrichtung zum Steuern eines Motors, um eine Zielmaschine anzutreiben, wobei die Einrichtung Folgendes umfasst: eine Motorzustandsbeobachtungseinheit, um einen Zustand des Motors zu beobachten und ein Beobachtungsergebnis als ein Motorzustandssignal auszugeben; eine erste Drehmomentschätzeinheit, um ein erstes geschätztes Drehmoment und physische Zustandsvariablen unter Verwendung einer Bewegungsgleichung auf der Grundlage des Motorzustandssignals und physischer Modellparameter der Zielmaschine auszugeben, wobei das erste geschätzte Drehmoment ein Schätzwert eines Drehmoments des Motors ist, wobei die physischen Zustandsvariablen Komponenten des ersten geschätzten Drehmoments sind; eine Speichereinheit für physische Modelle, um die physischen Modellparameter auf eine solche Weise zu lernen und zu speichern, dass eine Differenz zwischen einem tatsächlichen Drehmoment und dem ersten geschätzten Drehmoment reduziert wird, wobei das tatsächliche Drehmoment im Motorzustandssignal enthalten ist; eine Merkmalbetragserzeugungseinheit, um einen Merkmalbetrag zu erzeugen und auszugeben, wobei die Merkmalbetragserzeugungseinheit den Merkmalbetrag anhand von mindestens einem des ersten geschätzten Drehmoments, der physischen Zustandsvariablen und des Motorzustandssignals erzeugt; eine zweite Drehmomentschätzeinheit, um einen Korrekturbetrag des maschinellen Lernens zu berechnen und den berechneten Korrekturbetrag des maschinellen Lernens zu dem ersten geschätzten Drehmoment zu addieren, um ein zweites geschätztes Drehmoment auszugeben, wobei die zweite Drehmomentschätzeinheit den Korrekturbetrag des maschinellen Lernens anhand des Merkmalbetrags und eines Parameters eines Modells des maschinellen Lernens unter Verwendung von maschinellem Lernen einschließlich eines autoregressiven Terms in einer Eingabe-Ausgabe-Beziehung berechnet; und eine Speichereinheit für Modelle des maschinellen Lernens, um den Parameter des Modells des maschinellen Lernens durch überwachtes Lernen zu lernen und den gelernten Parameter des Modells des maschinellen Lernens zu speichern, wobei die Speichereinheit für Modelle des maschinellen Lernens den Parameter des Modells des maschinellen Lernens so lernt, dass der Korrekturbetrag des maschinellen Lernens näher an der Differenz zwischen dem tatsächlichen Drehmoment und dem ersten geschätzten Drehmoment liegt.
2. Motorsteuereinrichtung nach Anspruch 1, wobei die zweite Drehmomentschätzeinheit maschinelles Lernen unter Verwendung eines neuronalen Netzwerks als das maschinelle Lernen einschließlich des autoregressiven Terms in der Eingabe-Ausgabe-Beziehung verwendet, und die Speichereinheit für Modelle des maschinellen Lernens ein Fehlerrückpropagierungsverfahren als ein Verfahren für überwachtes Lernen verwendet, wenn der Parameter des Modells des maschinellen Lernens gelernt wird.
3. Motorsteuereinrichtung nach Anspruch 2, wobei die zweite Drehmomentschätzeinheit die Differenz zwischen dem tatsächlichen Drehmoment und dem ersten geschätzten Drehmoment als den autoregressiven Term beim maschinellen Lernen verwendet, einschließlich des autoregressiven Terms in der Eingabe-Ausgabe-Beziehung, die zum Berechnen des Korrekturbetrags des maschinellen Lernens verwendet wird.
4. Motorsteuereinrichtung nach einem der Ansprüche 1 bis 3, wobei die Merkmalbetragserzeugungseinheit eine Speichervorrichtung beinhaltet, die in der Lage ist, das erste geschätzte Drehmoment, die physischen Zustandsvariablen und das Motorzustandssignal zu speichern, und als einen Merkmalbetrag das ausgibt, was aus dem ersten geschätzten Drehmoment, den physischen Zustandsvariablen und dem Motorzustandssignal extrahiert wird, die in der Speichervorrichtung gespeichert sind.
5. Motorsteuereinrichtung nach einem der Ansprüche 1 bis 4, wobei die physischen Modellparameter eine Masse der Zielmaschine in einem Gestänge, eine baryzentrische Position der Zielmaschine in dem Gestänge und einen Trägheitstensor der Zielmaschine in dem Gestänge beinhalten.
6. Motorsteuereinrichtung nach einem der Ansprüche 1 bis 5, wobei die erste Drehmomentschätzeinheit eine Bewegungsgleichung einschließlich eines Modells mit kontinuierlicher und glatter Reibung verwendet, wobei das Reibungsmodell eine Drehzahl des Motors als Eingabe verwendet und einen Schätzwert einer Reibungskomponente des Drehmoments ausgibt, wobei die Drehzahl des Motors anhand des Motorzustandssignals erhalten wird.
7. Motorsteuereinrichtung nach Anspruch 6, wobei die Speichereinheit für physische Modelle die Koeffizienten des Reibungsmodells als die physischen Modellparameter lernt und speichert.
8. Motorsteuereinrichtung nach Anspruch 7, wobei die physischen Zustandsvariablen das Reibungsmodell beinhalten.
9. Motorsteuereinrichtung nach Anspruch 8, wobei die Speichereinheit für physische Modelle abwechselnd die Koeffizienten des Reibungsmodells und andere physische Modellparameter beim Lernen der physischen Modellparameter schätzt.
10. Motorsteuereinrichtung nach Anspruch 9, wobei die Speichereinheit für physische Modelle eine Methode der kleinsten Quadrate, eine regulierte Methode der kleinsten Quadrate, eine nicht lineare Methode der kleinsten Quadrate oder einen Kalman-Filter beim Lernen der physischen Modellparameter verwendet.

Images