JP2018186610A - システムおよび評価装置ならびに評価方法 - Google Patents

Abstract

【課題】産業機器に対する現在の制御内容に対する評価基準が定められていない場合であっても、制御の適正化を図る。【解決手段】モータ制御装置３を備えた機械制御システム１であって、評価装置６は、モータ・駆動機械４，５の制御情報および動作情報を取得する情報取得部７０と、モータ・駆動機械４，５の事前制御情報および事前動作情報を取得する事前情報取得部６５と、事前制御情報および事前動作情報に基づいて、モータ・駆動機械４，５に対する制御および動作の評価に用いる評価基準を生成する評価基準生成部７１と、制御情報および動作情報と評価基準とに基づいて、モータ・駆動機械４，５に対する制御および動作の評価を行う評価部６２と、評価に関する情報である評価情報を出力する出力部６７とを備えている。【選択図】図２

Description

開示の実施形態は、システムおよび評価装置ならびに評価方法に関する。

特許文献１には、モータ制御装置の位置制御器におけるゲインを、モータ回転子の加速度に基づいて自動的に調整する技術が記載されている。

特開２０１１−１７６９０７号公報

上記従来技術は、産業機器としてのモータの挙動に基づき当該モータに対する制御を調整するものであり、制御が正しいかどうかの評価基準が予め定められている場合に、当該正しい制御となるようにチューニングを行う（いわゆるオートチューニング）。しかしながら、評価基準が定められていない場合には、調整を行うことができず、制御の適正化を図ることができなかった。

本発明はこのような問題点に鑑みてなされたものであり、産業機器に対する現在の制御内容に対する評価基準が定められていない場合であっても、制御の適正化を図ることができるシステムおよび評価装置ならびに評価方法を提供することを目的とする。

上記課題を解決するため、本発明の一の観点によれば、産業機器を制御する制御装置と、前記産業機器に対する制御および前記産業機器の動作のうち少なくとも１つの評価を行う評価装置とを備えたシステムであって、前記評価装置は、前記産業機器に対する制御に関する情報である制御情報および前記産業機器の動作に関する情報である動作情報のうちの少なくとも１つを取得する情報取得部と、前記産業機器に対する制御よりも前の前記産業機器に対する制御に関する情報である事前制御情報および前記産業機器の動作よりも前の前記産業機器の動作に関する情報である事前動作情報のうちの少なくとも１つを取得する事前情報取得部と、前記事前制御情報および前記事前動作情報のうちの少なくとも１つに基づいて、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価に用いる評価基準を生成する評価基準生成部と、前記制御情報および前記動作情報のうちの少なくとも１つと前記評価基準とに基づいて、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価を行う評価部と、前記評価に関する情報である評価情報を出力する出力部とを備えたことを特徴とするシステムが適用される。

また、本発明の別の観点によれば、産業機器に対する制御に関する情報である制御情報および前記産業機器の動作に関する情報である動作情報のうちの少なくとも１つを取得する情報取得部と、前記産業機器に対する制御よりも前の前記産業機器に対する制御に関する情報である事前制御情報および前記産業機器の動作よりも前の前記産業機器の動作に関する情報である事前動作情報のうちの少なくとも１つを取得する事前情報取得部と、前記事前制御情報および前記事前動作情報のうちの少なくとも１つに基づいて、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価に用いる評価基準を生成する評価基準生成部と、前記制御情報および前記動作情報のうちの少なくとも１つと前記評価基準とに基づいて、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価を行う評価部と、前記評価に関する情報である評価情報を出力する出力部とを備えたことを特徴とする評価装置が適用される。

また、本発明のさらに別の観点によれば、産業機器に対する制御に関する情報である制御情報および前記産業機器の動作に関する情報である動作情報のうちの少なくとも１つを取得する情報取得部と、前記産業機器に対する制御よりも前の前記産業機器以外の他の産業機器に対する制御に関する情報である他機器事前制御情報および前記産業機器の動作よりも前の前記他の産業機器の動作に関する情報である他機器事前動作情報のうちの少なくとも１つを取得する事前情報取得部と、前記他機器事前制御情報および前記他機器事前動作情報のうちの少なくとも１つに基づいて、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価に用いる評価基準を生成する評価基準生成部と、前記制御情報および前記動作情報のうちの少なくとも１つと前記評価基準とに基づいて、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価をする評価部と、前記評価に関する情報である評価情報を出力する出力部とを備えたことを特徴とする評価装置が適用される。

また、本発明のさらに別の観点によれば、産業機器に係わる評価を行う評価装置の評価方法であって、前記産業機器に対する制御に関する情報である制御情報および前記産業機器の動作に関する情報である動作情報のうちの少なくとも１つを取得することと、前記産業機器に対する制御よりも前の前記産業機器に対する制御に関する情報である事前制御情報および前記産業機器の動作よりも前の前記産業機器の動作に関する情報である事前動作情報のうちの少なくとも１つを取得することと、前記事前制御情報および前記事前動作情報のうちの少なくとも１つに基づいて、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価に用いる評価基準を生成することと、前記制御情報および前記動作情報のうちの少なくとも１つと前記評価基準とに基づいて、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価を行うことと、前記評価に関する情報である評価情報を出力することと、を実行することを特徴とする評価方法が適用される。

本発明によれば、産業機器に対する現在の制御内容に対する評価基準が定められていない場合であっても、制御の適正化を図ることができる。

実施形態の機械制御システムの概略的構成の一例を表す図である。 モータ制御装置における制御パラメータの調整手法の概要、および、その調整された制御パラメータの評価装置による評価手法の概要、を模式的に表す制御ブロック図である。 フィードバック制御部を含むフィードバック制御系と、調整部との間における各情報の送受関係の一例を、伝達関数形式の制御ブロックで表す図である。 同一の調整用シーケンス動作を実行した際の各状態量データを時系列パターンデータで表したグラフである。 深層学習を適用した場合における調整部のニューラルネットワークの概略モデル構成の一例を表す図である。 各種シーケンス動作に対応した調整部学習用データセットを例示する説明図である。 制御精度が良好でない場合の検出位置の時系列パターンを表すグラフである。 制御精度が良好でない場合のトルク指令の時系列パターンを表すグラフである。 評価装置の機能的構成の一例を表すブロック図である。 深層学習を適用した場合における評価基準生成部のニューラルネットワークの概略モデル構成の一例を表す図である。 各種シーケンス動作に対応した評価基準生成部学習用データセットを例示する説明図である。 データ学習により評価基準生成部で機械学習プロセスを実行する場合の処理手順を表すフローチャートである。 図１２のデータセット作成手順の詳細を表すフローチャートである。 評価部で評価値決定処理を行う場合の処理手順を表すフローチャートである。 評価値決定処理の別の手法を表す説明図である。 評価装置のハードウェア構成を表すシステムブロック図である。

以下、実施の形態について図面を参照しつつ説明する。

＜機械制御システムの概略構成＞
図１は、本実施形態の評価装置を備えた機械制御システムの概略的なシステムブロック構成の一例を表している。この機械制御システムは、回転型モータの駆動を制御することによりスライダの直進移動を制御するシステムである。図１において、機械制御システム１は、上位制御装置２と、モータ制御装置３と、回転型モータ４と、駆動機械５と、評価装置６とを有している。なお、回転型モータ４および駆動機械５が、各請求項記載の産業機器に相当する。

上位制御装置２は、例えば特に図示しないＣＰＵ、ＲＯＭ、ＲＡＭ、操作部、表示部等を備えた汎用パーソナルコンピュータ等で構成されている。この上位制御装置２は、上記操作部を介して操作者から入力された各種設定や指令に基づいて、後述する駆動機械５のスライダに対し位置指令を生成し、モータ制御装置３に入力する。

モータ制御装置３は、上記上位制御装置２から入力された位置指令に基づいてトルク指令を生成し、回転型モータ４に入力する。この際、モータ制御装置３は、回転型モータ４が備える後述のエンコーダ４１ａから出力された検出位置に基づいて、回転型モータ４の位置のフィードバック制御を行う。なお、このモータ制御装置３が、各請求項記載の制御装置に相当する。

また、モータ制御装置３は、フィードバック制御部３１と、調整部３２とを有している。 フィードバック制御部３１は、上記位置指令および上記検出位置に基づき上記トルク指令の生成を行う演算部である。なお、このフィードバック制御部３１の機能的構成については後の図３に示す機能ブロック図により詳述する。

調整部３２は、上記位置指令、上記検出位置、および上記トルク指令に基づいて、上記フィードバック制御部３１におけるトルク指令の演算処理に用いられる制御パラメータ（後述）を適宜の状況で調整する処理部である。なお、この調整部３２の処理内容についても後に詳述する。

回転型モータ４は、例えば同期型の３相交流モータである。この回転型モータ４は、当該回転型モータ４の出力軸の回転位置を上記検出位置として出力するエンコーダ４１ａを、一体的に備えている。

駆動機械５は、図示する例では、カップリング５３と、送りネジ５１と、スライダ５２とを有するアクチュエータである。上記回転型モータ４の出力軸に、上記カップリング５３を介して上記送りネジ５１が連結されている。スライダ５２は上方に物を載置可能な台座であり、その下部には上記送りネジ５１が螺合している。これにより、上記回転型モータ４が正逆転することで、当該スライダ５２が送りネジ５１で送られ、当該回転型モータ４の回転方向に対応する方向（図中の左右方向）に沿った直進移動を行うよう駆動される。すなわち、この駆動機械５は、回転型モータ４の軸出力である上記回転位置を、上記送りネジ５１を介して上記スライダ５２の並進位置に変換する。

なお、評価装置６については後述する。

＜本実施形態の特徴＞
以上の構成において、モータ制御装置３のフィードバック制御部３１は、前述したように、エンコーダ４１ａから出力された上記検出位置に基づいて、スライダ５２の位置が上記位置指令に追従するよう、回転型モータ４に入力する上記トルク指令を制御する位置フィードバック制御を行う。このとき、上記フィードバック制御部３１は、多数の上記制御パラメータを用いた演算処理により上記トルク指令を出力する。そのため、上記調整部３２は、上記回転型モータ４や駆動機械５の機械定数、および付加しうる外乱等に対応して、適切に上記制御パラメータを設定する。

このとき、本実施形態では、最大の特徴として、上記のような調整部３２による制御パラメータの設定が本当に適正であるかどうかの検証が行われる。すなわち、機械制御システム１に上記評価装置６が設けられ、この評価装置６が、上記検出位置および上記トルク指令に基づいて、上記モータ・駆動機械４，５に対するモータ制御装置３による制御、および、モータ・駆動機械４，５の動作のうちの少なくとも一方（詳細には調整部３２が調整した制御パラメータ）を評価する。

＜制御パラメータの調整および評価手法の概要＞
図２は、上記モータ制御装置３における制御パラメータの調整手法の概要、および、その調整された制御パラメータの評価装置６による評価手法の概要、を模式的に表す制御ブロック図を示している。

この図２において、外部から入力された指令情報ｒと、産業機器（上記回転型モータ４および駆動機械５。ここでは単に「産業機器４，５」と図示）が出力する動作情報ｙとの間の偏差が、上記フィードバック制御部３１に入力される。このフィードバック制御部３１は、制御パラメータρに基づく演算処理により制御情報ｕを出力し、この制御情報ｕにより産業機器４，５が制御される。なお、ここでいう指令情報ｒが上記位置指令に相当し、制御情報ｕが上記トルク指令に相当し、動作情報ｙが上記検出位置に相当する。

以上のようなフィードバック制御系において、フィードバック制御部３１は可変な制御パラメータρを用いた所定の演算モデルであるため、その特性や挙動については完全に既知であるといえる。その一方、産業機器４，５については、設計値による概略的なモデルは知り得ているとしても、当該産業機器４，５自体の個体差（部品の製造誤差や組立誤差等）や動作条件、経年劣化状況、使用環境状況の変化によって、その実体的で詳細な特性や挙動については未知のものであるといえる。つまり、制御パラメータρは、実際に適用された産業機器４，５における具体的な機械定数や外乱に対応して適応するよう調整する必要がある。

ここで、産業機器４，５における上記未知の機械定数や外乱の因子は、指令情報ｒと動作情報ｙとの間の相関関係に大きく影響を与えることが考えられる。そこで本実施形態では、多様なシーケンス動作時や外乱付加時における指令情報ｒ、制御情報ｕ、動作情報ｙ、およびその他の動作条件ｃと、そのときに設定されていた制御パラメータρとを対応付けた調整部学習用データセット（後述の図６参照）をデータベースＤＢ（後述の図３参照）に記録、保存する。そして、上記調整部３２が、その調整部学習用データセットに基づく機械学習プロセスを実行することで、指令情報ｒ、制御情報ｕ、および動作情報ｙとの対応関係から推定される産業機器４，５の機械定数と外乱に対応して適切な制御パラメータρ_ＮＥＷを設定する。

その一方で、評価装置６は、同じく多様なシーケンス動作時や外乱付加時における指令情報ｒ、制御情報ｕ、動作情報ｙ、およびその他の動作条件ｃと、そのときに設定されていた制御パラメータに対する評価値とを対応付けた評価基準生成部学習用データセット（後述の図１１参照）を別途記録、保存する。そして、評価装置６がその評価基準生成部学習用データセットに基づく機械学習プロセス（上記調整部３２により実行される機械学習プロセスとは別）を実行することで、制御情報ｕ、および動作情報ｙとの対応関係から、そのときに設定されていた上記制御パラメータρ_ＮＥＷに対して推定される評価情報を出力することができる。そして調整部３２による制御パラメータの設定が適正でない場合には、操作者に対し警告を発する、あるいは、調整部により制御パラメータを再調整したり回転型モータ４や駆動機械５を停止する、等の適宜の対応をとることができる。

＜具体的構成＞
以下、上記手法を実行するための具体的構成を順を追って説明する。

＜フィードバック制御部３１および調整部３２＞
図３は、上記フィードバック制御部３１を含むフィードバック制御系と、上記調整部３２との間における各情報の送受関係の一例を、伝達関数形式の制御ブロックで表している。図３に示すように、このフィードバック制御系には、上記フィードバック制御部３１と、上記回転型モータ４および駆動機械５（以下適宜、単に「モータ・駆動機械４，５」と称する）と、上記調整部３２と、データベースＤＢとが備えられている。

フィードバック制御部３１は、減算器３４、ゲイン乗算器３８、減算器３５、積分器３９、加算器３６、ゲイン乗算器３８、ゲイン乗算器４０、および速度演算器３７を有している。

減算器３４は、上記上位制御装置２から入力された上記位置指令から、モータ・駆動機械４，５で検出された上記検出位置を減算し、それらの間の位置偏差をゲイン乗算器３８へ出力する。そして、ゲイン乗算器３８は、上記位置偏差に位置ループゲインＫｐを乗算し、速度指令を生成して減算器３５へ出力する。本実施形態では、このゲイン乗算器３８が位置制御用のフィードバック制御部分として機能し、いわゆる位置比例制御を行う。

速度演算器３７は、モータ・駆動機械４，５から検出された上記検出位置に基づいて検出速度（回転型モータ４の出力速度）を生成し、上記減算器３５へ出力する。速度演算器３７は、具体的には微分器（図中では「ｓ」と略示）で構成される。

減算器３５は、上記ゲイン乗算器３８から出力された速度指令から、上記速度演算器３７から出力された検出速度を減算し、それらの間の速度偏差を出力する。積分器３９は、その出力された速度偏差に対して速度ループ積分時定数Ｔに基づく積分演算を行い（図中では「１／Ｔ・ｓ」と略示）、加算器３６がこの積分器３９の出力と上記減算器３５からの速度偏差とを加算してゲイン乗算器４０へ出力する。ゲイン乗算器４０はこの加算出力に対し速度ループゲインＫｖを乗算することで上記トルク指令を生成して出力する。本実施形態では、これら積分器３９およびゲイン乗算器４０が速度制御用のフィードバック制御部分として機能し、いわゆる速度積分比例制御を行う。

モータ・駆動機械４，５（上記図２における産業機器４，５に相当）は、この図３において、回転型モータ４の回転子と駆動機械５の可動部分とを連結させた可動機構全体の慣性モーメントＪに基づく数理モデル（図中では「１／Ｊ・ｓ」「１／ｓ」と略示）で表される。

以上のようにフィードバック制御部３１とモータ・駆動機械４，５で構成する本実施形態のフィードバック制御系は、位置比例制御系のフィードバックループと、速度積分比例制御系のフィードバックループの２重ループ構成（いわゆるＰ−ＩＰ制御）となっている。

＜データ取得フェーズおよびその後の機械学習＞
以上のフィードバック制御系において、前述の調整部学習用データセットが取得される際には、上記制御パラメータρに相当する上記位置ループゲインＫｐ、上記速度ループ積分時定数Ｔ、および上記速度ループゲインＫｖ（以下適宜、これらを「制御パラメータＫｐ，Ｔ，Ｋｖ」と総称する）の各値が適宜に仮設定された状態で、所定の調整用シーケンス動作を実行した際の位置指令（指令情報ｒに相当）、トルク指令（制御情報ｕに相当）、検出位置（動作情報ｙに相当）がデータベースＤＢに記録される。

すなわち、本実施形態では、これら位置指令、トルク指令、および検出位置（以下適宜、これらをまとめて「状態量データ」という）のそれぞれは、図４（ａ）、図４（ｃ）、図４（ｄ）にそれぞれ示すように、当該調整用シーケンス動作を実行した際の同一時系列で瞬時値を逐次記録した時系列パターンデータとして記録される。これら図４（ａ）、図４（ｃ）、図４（ｄ）に示す例では、位置指令を０から所定位置までいわゆる軌跡制御で増加させた位置決め動作でシーケンス動作を実行した場合の、各状態量の時系列パターンデータ（太実線の波形データ）を示している。なお、上記位置指令制御を行った場合に限られず、速度指令制御やトルク指令制御でシーケンス動作を実行してもよい。例えば、図４（ｂ）に示すような加速時・減速時の加速度が一定でかつ定常速度が一定値を保つ区間がある、台形状の時系列パターンで速度指令を入力し、シーケンス動作を実行させてもよい。または、そのような時系列パターンにおける加減速時と一定速度時の切り替わり部分の加速度の連続性が担保される多項式、三角関数、指数関数等で表現される速度指令などを入力し、シーケンス動作を実行させてもよい。

このとき、多様な上記調整用シーケンス動作ごとに、各状態量データ（位置指令、トルク指令、および検出位置）の時系列パターンデータと当該調整用シーケンス動作時に仮設定した各制御パラメータＫｐ，Ｔ，Ｋｖとが対応付けられて、１つの調整部学習用データセットが作成され、データベースＤＢに保存される（＝データ取得フェーズ。図３中の破線矢印参照）。なお、このデータベースＤＢは、モータ制御装置３の内部に備える適宜の記憶装置で構成してもよいし、またはモータ制御装置３と情報送受可能に接続された外部の適宜の記憶装置で構成してもよい（上記図１では図示省略）。このようにしてデータベースＤＢに十分な数の調整部学習用データセットが取得された後には、調整部３２が、これら調整部学習用データセットを用いた機械学習を行う（＝学習フェーズ。後述の図５および図６も参照）。

＜パラメータ設定フェーズ＞
上記のようにして機械学習が行われた後、機械制御システム１の実動運用シーケンス動作が実行される際には、上記学習内容に基づき（学習内容を反映させた形で）、調整部３２が、各制御パラメータＫｐ，Ｔ，Ｋｖの設定を行う（＝パラメータ設定フェーズ。図３中の点線矢印参照）。すなわち、各制御パラメータを仮設定した状態で、機械制御システム１の実動運用シーケンス動作を実行した際の各状態量データ（位置指令、トルク指令、および検出位置）の時系列パターンデータが調整部３２に入力されることで、当該調整部３２が、上記学習内容を反映した最適な制御パラメータＫｐ，Ｔ，Ｋｖをフィードバック制御部３１に出力する。そして、これら出力された制御パラメータＫｐ，Ｔ，Ｋｖがフィードバック制御部３１において本設定されることで、上記実働運用時での当該フィードバック制御系における良好な制御精度を確保することができる。

＜調整部３２の機械学習手法の例＞
調整部３２において実行される上記機械学習では、公知の種々の学習手法を適用することができる。以下、一例として、機械学習アルゴリズムに深層学習（ディープラーニング）を適用した場合の例を説明する。図５は、深層学習を適用した場合における調整部３２のニューラルネットワークの概略モデル構成の一例を示している。

この図５において、調整部３２のニューラルネットワークは、各部から入力された上記状態量データである、上記位置指令、上記トルク指令、および上記検出位置の各時系列パターンデータに対して、これら状態量データの間の対応関係（特に位置指令と検出位置の間の対応関係）から推定される、（例えばモータ・駆動機械４，５の機械定数に適切に対応した９制御パラメータＫｐ，Ｔ，Ｋｖを出力するよう設計されている。なお、図５に示すニューラルネットワークの概略モデル構成例においては、上記の機械定数に相当する値や信号（例えば素性を表す値や信号）については図示を省略している。

図５に示すように、時系列順に並ぶ調整部３２の各入力ノードに対し、時系列パターンデータである各状態量データの（それぞれ同一の所定サンプリング周期でサンプリングした）瞬時値が入力される。そして、各出力ノードは、それぞれ回帰問題処理による多値出力（連続値）により制御パラメータＫｐ，Ｔ，Ｋｖを出力する。これらの制御パラメータＫｐ，Ｔ，Ｋｖの設定処理は、前述した学習フェーズにおける当該調整部３２の機械学習プロセスでの学習内容に基づく。すなわちこの調整部３２のニューラルネットワークでは、各状態量データの間の相関関係と適切な制御パラメータＫｐ，Ｔ，Ｋｖとの相関を表す特徴量が、学習されている。

上記調整部３２の機械学習プロセスでは、上述したように設計された多層ニューラルネットワークをモータ制御装置３においてソフトウェア的（又はハードウェア的）に実装した後、データベースＤＢに保存した多数の調整部学習用データセットを用いていわゆる教師あり学習によって学習することができる。

この調整部学習用データセットは、例えば図６に示すように、各種の上記調整用シーケンス動作を実行した際の各状態量データ（時系列パターンデータ）およびその応答性評価値と、その際に仮設定した制御パラメータＫｐ，Ｔ，Ｋｖとを対応付けたデータセットである。図示する例では、応答性評価値は、対応するデータセットの制御パラメータＫｐ，Ｔ，Ｋｖを適用した上記フィードバック制御系のシーケンス動作における、応答性についての評価を示す指標である。

なお、上記応答性評価値は、例えば位置偏差や、オーバーシュートやアンダーシュート時の振動振幅、過渡期が終了するまでの整定時間、動作情報が指令に対して追従するまでの立ち上がり時間、トルク指令値のリップルの大きさ、トルク指令値と速度から推定できる消費電力値などのように、当該データセットの状態量データに基づいて総合的に求めてもよい。また、複数の正弦波を組み合わせたトルク指令を入力し、その応答から計算される位相余裕・ゲイン余裕・感度関数の値を指標としても良い。なお図中では、この評価値を「高」、「低」の２段階の指標で表しているが、３段階以上の指標で表してもよいし、また数値で表してもよい。

そして、本実施形態では、上記状態量データを入力データとし制御パラメータを出力データとした組み合わせの教師データを用いて、（調整部３２のニューラルネットワークの入力層と出力層の間の関係性が成立するよう、各ノードどうしをつなぐ各エッジの重み係数を調整する）いわゆるバックプロパゲーション処理等により学習を行うことができる。このバックプロパゲーション処理では、多数のデータセットのうち特に応答性評価値の高いデータセットのみを抽出し、これだけを教師データに用いて各エッジの重み係数を強めるよう調整してもよい。または、全てのデータセットを教師データとし、それぞれの応答性評価値に応じて各エッジの重み係数を強めたり弱めたりするよう調整してもよい。なお、このようなバックプロパゲーションに限られず、いわゆるオートエンコーダ、制限付きボルツマンマシン、ドロップアウト、ノイズ付加、およびスパース正則化などの公知の多様な学習手法を併用して処理精度を向上させてもよい。

なお、以上のようなオフライン学習（バッチ学習）でのデータ学習処理による機械学習プロセスは、当該機械制御システム１の稼働開始前に行ってもよいし、回転型モータ４や駆動機械５の経年劣化状況や使用環境の変化に応じた制御精度の向上を目的として稼働開始後の必要時に行ってもよい。また、データ学習をオンライン学習で行うことにより、特に当該機械制御システム１の稼働中における経年劣化状況や使用環境状況の変化にも逐次対応して常時適切な制御パラメータの設定が可能となる。なお、モータ・駆動機械４，５のシーケンス動作における制御精度に影響を与え得る環境データ（駆動機械５の周囲温度や姿勢など）などを別途のセンサで検出し調整部学習用データセットに含めて調整部３２が学習するようにしてもよい。

また、上述したようにモータ制御装置３の調整部３２が（上記データフェースで得たデータセットを用いて）上記学習フェーズにおいて自ら機械学習を実行するのにも限られない。すなわち、上記回転型モータ４と同様の産業機器である、他の産業機器を用いて上記同様に実行された機械学習での学習内容（上記の手法で言えば、各エッジの重み係数の組み合わせ等）を調整部３２が取得し、これを用いて上記パラメータ設定フェーズにおいて制御パラメータＫｐ，Ｔ，Ｋｖの設定を行うようにしてもよい。

また上述したように、調整部３２で実行する機械学習のアルゴリズムは、図示した深層学習によるものに限られず、例えばサポートベクトルマシンやベイジアンネットワーク等を利用した他の機械学習アルゴリズム（特に図示せず）を適用してもよい。その場合でも、入力した状態量データに適切に対応する制御パラメータを出力するという基本的な構成については同等となる。

＜評価装置６＞
次に、上記評価装置６による上記制御パラメータの評価について、詳細に説明する。

＜制御パラメータの評価が特に有効となる背景＞
例えば、以上説明したような機械学習に基づく制御パラメータの設定を調整部３２が行った場合でも、実際の運用時にはフィードバック制御系における制御精度が最良とは限らない。

例えば、上記図４（ｄ）に対応する図７に示すように、位置指令（図中の点線部参照）を０から所定位置までいわゆる軌跡制御で増加させた場合でも、実際のモータ・駆動機械４，５における上記検出位置（図中の太実線部参照）の変化の挙動が（上記位置指令に正確には追従せず）相違する場合がある。このときの制御性に関する評価の指標としては、図示するように、例えば、オーバーシュート量、整定時間、および最大位置偏差を用いることができる。上記オーバーシュート量は、位置指令の変動が止まった位置決め後における上記検出位置（モータ・駆動機械４，５の動作位置）の振動の振幅量に相当する。上記整定時間は、上記位置決め後から上記検出位置の振動が収束（位置決めした位置指令を基準としたコイン幅領域内に収束）するまでの経過時間に相当する。上記最大位置偏差は、上記位置指令と上記検出位置の間の最大偏差に相当する。また上記図４（ｃ）に対応する図８に示すように、本来では一定速度領域におけるトルク指令が一定値に安定すべきところ、振動のリップルが生じる場合がある。このときの制御性に関する指標は、当該トルク指令の振動の振幅となる。

上記の他、特に図示しないが、モータ・駆動機械４，５の動作情報における加速度、トルク、騒音、又は消費電力などの評価指標もある。制御パラメータの設定が適正でない場合にはこれらの評価指標のうちいずれかが、制御パラメータの設定が適性である場合とは異なる値（＝異常値）を示す場合がある。

＜評価装置の機能的構成〜その１＞
以上のような背景に基づき、本実施形態では、調整部３２による現在の制御内容（この例では具体的には現在設定されている制御パラメータ）が本当に適性であるかどうかを評価して検証を行うために、上記評価装置６が設けられる。図９は、この評価装置６の機能的構成を表すブロック図である。この図９において、評価装置６は、異常情報取得部６１と、事前情報取得部６５と、情報取得部７０と、消耗度情報取得部６８と、評価基準生成部７１と、評価部６２と、判定部６３と、パラメータ特定部６４と、出力部６７と、を機能的に備えている。

評価装置６には、後述する機械学習を行う学習フェーズと、その学習フェーズの実行後に当該学習フェーズでの学習結果に基づいて上述の現在の制御パラメータの評価を行う運用フェーズと、が存在する（言い換えれば学習フェーズは運用フェーズよりも前に実行される）。上述の異常情報取得部６１、事前情報取得部６５、および評価基準生成部７１は、主として上記学習フェーズにおいて機能する。上記評価部６２は、上記学習フェーズ及び上記運用フェーズの両方において機能する。

すなわち、事前情報取得部６５は、上記学習フェーズにおいて、モータ・駆動機械４，５に対する制御に関する情報である事前制御情報（この例では上記トルク指令。以下同様）をモータ制御装置３から取得するとともに、モータ・駆動機械４，５の動作に関する情報である事前動作情報（この例では上記回転型モータ４での上記検出位置。以下同様）を上記エンコーダ４１ａから取得する。なお、事前情報取得部６５が上記事前制御情報および事前動作情報のうちいずれか一方のみを取得しても良い。その場合、これ以降に記述する各処理を当該いずれか一方の情報により行うこともできる。

異常情報取得部６１は、上記学習フェーズにおける評価基準生成部７１の機械学習実行時（後述）において使用される上記評価基準生成部学習用データセットの教師データとして使用される、制御異常情報および動作異常情報（それらのうちのいずれか一方でもよい）を取得する。制御異常情報および動作異常情報は、上記評価基準生成部学習用データセットに含まれる上記状態量データに付随する情報であり、例えば操作者の適宜の操作入力に基づき評価装置６に入力される。制御異常情報はモータ・駆動機械４，５に対する制御が異常であることを示し、動作異常情報はモータ・駆動機械４，５の動作が異常であることを示す（後述の図１１も参照）。これら制御異常情報および動作異常情報は、評価部６２および評価基準生成部７１へと出力される。

評価基準生成部７１は、上記事前情報取得部６５が取得した上記事前制御情報および上記事前動作情報、ならびに、上記異常情報取得部６１が取得した上記制御異常情報および上記動作異常情報に基づき、上記運用フェーズにおいて評価部６２が評価を行う（詳細は後述）ときに用いる評価基準を生成する。特に、評価基準生成部７１は、上記評価基準を、予め定められた複数の評価項目ごとに項目別評価基準として生成する項目別評価基準生成部７１Ａを備えている。すなわち、項目別評価基準生成部７１Ａは、上記事前情報取得部６５が取得した上記事前制御情報および上記事前動作情報（それらのうちいずれか１つでもよい）に基づき、当該事前制御情報（トルク指令）および上記事前動作情報（検出位置）のうち少なくとも１つに対する上記項目別評価基準を生成する。この項目別評価基準は、上記複数の評価項目（例えば、上述したオーバーシュート量、整定時間、最大位置偏差、トルク指令の振幅、加速度、トルク、騒音、および消費電力など）ごとに生成される。なお、評価基準生成部７１は、運用フェーズにおいて情報取得部７０が取得する制御情報および動作情報（詳細は後述）にも対応して、上記評価基準を生成するようにしてもよい。

上記項目別評価基準の生成は、上記運用フェーズに先立つ上記学習フェーズにおいて、上記評価基準生成部７１（詳細には項目別評価基準生成部７１Ａ）による機械学習によって行われる。

＜評価基準生成部７１の機械学習手法の例＞
評価基準生成部７１において実行される上記機械学習では、公知の種々の機械学習手法を適用することができる。以下、一例として、前述の調整部３２での機械学習と同様、機械学習アルゴリズムに深層学習（ディープラーニング）を適用した場合の例を説明する。図１０は、深層学習を適用した場合における評価基準生成部７１のニューラルネットワークの概略モデル構成の一例を示している。

この図１０において、評価基準生成部７１のニューラルネットワークは、各部から入力された上記状態量データであるトルク指令（事前制御情報に相当）、および上記検出位置（事前動作情報に相当）の各時系列パターンデータに対して、これら状態量データの間の対応関係から推定される、上記複数の評価項目に係わる値（前述のオーバーシュート量、整定時間、最大位置偏差、トルク指令の振幅、加速度、トルク、騒音、消費電力など。以下適宜、「評価項目値」という）、上記制御異常情報及び上記動作異常情報（不図示）、を出力するよう設計されている。このとき、上記評価項目値は、各項目ごとに、「値が大きな群」「値が小さな群」の２つにクラスタリングされて出力されるよう、予め設計されている（２つに限られず、項目値の値に応じて３つ以上の群にクラスタリングされてもよい）。したがって、図示の例では、出力側が「オーバーシュート量大」「オーバーシュート量小」「整定時間大」「整定時間小」「最大位置偏差大」「最大位置偏差小」「トルク指令の振幅大」「トルク指令の振幅小」、「加速度大」「加速度小」「トルク大」「トルク小」「騒音大」「騒音小」「消費電力大」「消費電力小」等（一部不図示）にクラスタリングされるよう、設計されている。そして、このようにクラスタリングされるときの各項目別のクラスタリングの境界条件が、各項目別の評価基準となる（評価基準の生成）。

すなわち、例えば上記のように「オーバーシュート量大」「オーバーシュート量小」の２群にクラスタリングされた場合には、オーバーシュート量がＬｓ［ｍｍ］以上である場合に「オーバーシュート量大」側へ出力され、オーバーシュート量がＬｓ［ｍｍ］未満である場合に「オーバーシュート量小」側へ出力されたとすると、この場合のオーバーシュート量の評価基準としては、「（しきい値としての）オーバーシュート量Ｌｓ［ｍｍ］未満」が「良」評価、「（しきい値としての）オーバーシュート量Ｌｓ［ｍｍ］以上」が「否」評価、となり、当該しきい値が良否判断の評価基準となる。こうして上記クラスタリングにより、「オーバーシュート」に関する評価基準が生成される。なお、前述のように３つ以上の群にクラスタリングされる場合は、各群のしきい値それぞれが評価基準となり、それぞれ例えば「優」評価、「良」評価、「可」評価、「不良」評価、「劣」評価、・・等となる（以下、他の評価項目についても同様）。

また例えば上記のように「整定時間大」「整定時間小」の２群にクラスタリングされた場合には、整定時間がＴｓ［ｓ］以上である場合に「整定時間大」側へ出力され、整定時間がＴｓ［ｓ］未満である場合に「整定時間小」側へ出力されたとすると、この場合の整定時間の評価基準としては、「（しきい値としての）整定時間Ｔｓ［ｓ］未満」が「良」評価、「（しきい値としての）整定時間Ｔｓ［ｓ］以上」が「否」評価、となり、当該しきい値が良否判断の評価基準とる。こうして上記クラスタリングにより、「整定時間」に関する評価基準が生成される。

また例えば上記のように「最大位置偏差大」「最大位置偏差小」の２群にクラスタリングされた場合には、最大位置偏差がＬｄ［ｍｍ］以上である場合に「最大位置偏差大」側へ出力され、最大位置偏差がＬｄ［ｍｍ］未満である場合に「最大位置偏差小」側へ出力されたとすると、この場合の最大位置偏差の評価基準としては、「（しきい値としての）最大位置偏差Ｌｄ［ｍｍ］未満」が「良」評価、「（しきい値としての）最大位置偏差Ｌｄ［ｍｍ］以上」が「否」評価、となり、当該しきい値が良否判断の評価基準とる。こうして上記クラスタリングにより、「最大位置偏差」に関する評価基準が生成される。

また例えば上記のように「トルク指令振幅大」「トルク指令振幅小」の２群にクラスタリングされた場合には、トルク指令振幅がＩｔ以上である場合に「トルク指令振幅大」側へ出力され、トルク指令振幅がＩｔ未満である場合に「トルク指令振幅小」側へ出力されたとすると、この場合のトルク指令振幅の評価基準としては、「（しきい値としての）トルク指令振幅Ｉｔ未満」が「良」評価、「（しきい値としての）トルク指令振幅Ｉｔ以上」が「否」評価、となり、当該しきい値が良否判断の評価基準とる。こうして上記クラスタリングにより、「トルク指令振幅」に関する評価基準が生成される。

また例えば上記のように「加速度大」「加速度小」の２群にクラスタリングされた場合には、加速度がＡｍ［ｍ／ｓ^２］以上である場合に「加速度大」側へ出力され、加速度がＡｍ［ｍ／ｓ^２］未満である場合に「加速度小」側へ出力されたとすると、この場合の加速度の評価基準としては、「（しきい値としての）加速度Ａｍ［ｍ／ｓ^２］以上」が「良」評価、「（しきい値としての）加速度Ａｍ［ｍ／ｓ^２］未満」が「否」評価、となり、当該しきい値が良否判断の評価基準とる。こうして上記クラスタリングにより、「加速度」に関する評価基準が生成される。

また例えば上記のように「トルク大」「トルク小」の２群にクラスタリングされた場合には、トルクがＴｒ［Ｎ・ｍ］以上である場合に「トルク大」側へ出力され、トルクがＴｒ［Ｎ・ｍ］未満である場合に「トルク小」側へ出力されたとすると、この場合のトルクの評価基準としては、「（しきい値としての）トルクＴｒ［Ｎ・ｍ］以上」が「良」評価、「（しきい値としての）トルクＴｒ［Ｎ・ｍ］未満」が「否」評価、となり、当該しきい値が良否判断の評価基準とる。こうして上記クラスタリングにより、「トルク」に関する評価基準が生成される。

また例えば上記のように「騒音大」「騒音小」の２群にクラスタリングされた場合には、騒音がＮｓ［ｄＢ］以上である場合に「騒音大」側へ出力され、騒音がＮｓ［ｄＢ］未満である場合に「騒音小」側へ出力されたとすると、この場合の騒音の評価基準としては、「（しきい値としての）騒音Ｎｓ［ｄＢ］未満」が「良」評価、「（しきい値としての）騒音Ｎｓ［ｄＢ］以上」が「否」評価、となり、当該しきい値が良否判断の評価基準とる。こうして上記クラスタリングにより、「騒音」に関する評価基準が生成される。

また例えば上記のように「消費電力大」「消費電力小」の２群にクラスタリングされた場合には、消費電力がＰｅ［Ｗ］以上である場合に「消費電力大」側へ出力され、消費電力がＰｅ［Ｗ］未満である場合に「消費電力小」側へ出力されたとすると、この場合の消費電力の評価基準としては、「（しきい値としての）消費電力Ｐｅ［Ｗ］未満」が「良」評価、「（しきい値としての）消費電力Ｐｅ［Ｗ］以上」が「否」評価、となり、当該しきい値が良否判断の評価基準とる。こうして上記クラスタリングにより、「消費電力」に関する評価基準が生成される。

なお、図示を省略しているが、上記制御異常情報としての「制御パラメータ正常」および「制御パラメータ異常」の情報も、いずれか一方のみが真値となるよう２値出力される。

以上のように、この評価基準生成部７１のニューラルネットワークでは、各状態量データの間の相関関係と各評価項目値、制御異常情報、動作異常情報との相関を表す特徴量が学習されている。

この評価基準生成部７１の機械学習プロセスでは、上述したように設計された多層ニューラルネットワークを評価装置６においてソフトウェア的（又はハードウェア的）に実装した後、多数の評価基準生成部学習用データセットを用いていわゆる教師あり学習によって学習することができる。

この評価基準生成部学習用データセットは、例えば図１１に示すように、各種の評価用シーケンス動作（上記調整部学習用データセットに係わる調整用シーケンス動作と同じ動作でもよいし、別の動作でもよい）を実行した際の各状態量データ（時系列パターンデータ）と、上記評価項目値を予め定められた評価基準（上記クラスタリングにより学習されるものと同等の分け方となるように予め設定されたもの）に照らし合わせた指標と、制御異常情報及び動作異常情報とが対応付けられたデータセットである。

そして、本実施形態における評価基準生成部７１の上記学習フェーズでは、上記状態量データを入力データとし、上記評価項目値、制御異常情報、動作異常情報を出力データとした組み合わせの教師データを用いて、（評価基準生成部７１のニューラルネットワークの入力層と出力層の間の関係性が成立するよう、各ノードどうしをつなぐ各エッジの重み係数を調整する）いわゆるバックプロパゲーション処理等により学習を行うことができる。なお、このようなバックプロパゲーションに限られず、いわゆるオートエンコーダ、制限付きボルツマンマシン、ドロップアウト、ノイズ付加、およびスパース正則化などの公知の多様な学習手法を併用して処理精度を向上させてもよい。

また、以上のようなオフライン学習（バッチ学習）でのデータ学習処理による機械学習プロセスは、当該機械制御システム１の稼働開始前に行ってもよいし、回転型モータ４や駆動機械５の経年劣化状況や使用環境の変化に応じた制御精度の向上を目的として稼働開始後の必要時に行ってもよい。また、データ学習をオンライン学習で行うことにより、特に当該機械制御システム１の稼働中における経年劣化状況や使用環境状況の変化にも逐次対応して常時適切な制御パラメータの設定が可能となる。なお、モータ・駆動機械４，５の評価用シーケンス動作における制御精度に影響を与え得る環境データ（駆動機械５の周囲温度や姿勢など）などを別途のセンサで検出し評価基準生成部学習用データセットに含めて評価基準生成部７１が学習するようにしてもよい。

また、上述したように評価装置６の評価基準生成部７１が上記学習フェーズにおいて自ら機械学習を実行するのにも限られない。すなわち、上記回転型モータ４と同様の産業機器である、他の産業機器を用いて上記同様に実行された機械学習での学習内容（上記の手法で言えば、各エッジの重み係数の組み合わせ等）を評価基準生成部７１が取得し、これを用いて評価基準生成部７１が上記各項目別評価基準の生成を行うようにしてもよい。

また上述したように、上記学習フェーズにおける評価基準生成部７１の機械学習アルゴリズムは、図示した深層学習によるもの以外にも、例えばサポートベクトルマシンやベイジアンネットワーク等を利用した他の機械学習アルゴリズム（特に図示せず）を適用してもよい。その場合でも、入力した状態量データに適切に対応する上記評価項目値、制御異常情報、動作異常情報を出力するという基本的な構成については同等となる。

＜学習プロセスの手順＞
上記評価基準生成部７１における機械学習プロセスの具体的な手順について、図１２を用いて説明する。図１２は、評価装置６のＣＰＵ９０１（後述の図１６参照）が上記学習フェーズにおいて機械学習プロセスを実行する場合の処理手順を表すフローチャートである。

図１２において、このフローは、例えば上位制御装置２から機械学習プロセスを実行するよう指令入力されることで開始される。

まずステップＳ１０で、ＣＰＵ９０１は、予め用意された多種の評価用シーケンス動作から１つを選択する。

その後、ステップＳ１５へ移り、ＣＰＵ９０１は、上記ステップＳ１０で選択した評価用シーケンスの位置指令を（例えば上記調整部３２を介し）上記フィードバック制御部３１に入力し、対応するシーケンス動作をモータ・駆動機械４，５に実行させる。

そして、ステップＳ２０へ移り、ＣＰＵ９０１は、上記事前情報取得部６５により、上記ステップＳ１５で開始された評価用シーケンス動作の実行中における、上記位置指令、上記トルク指令、上記検出位置の各状態量データを取得し、記録する。

その後、ステップＳ２５へ移り、ＣＰＵ９０１は、上記評価基準生成部７１により、上記ステップＳ１５で開始された評価用シーケンス動作に対応する、各評価項目ごとの上記の評価基準に照らし合わした場合の指標「大」又は「小」（学習前のもの）を取得し、記録する。

その後、ステップＳ２７に移り、ＣＰＵ９０１は、上記異常情報取得部６１により、上記ステップＳ１５で開始された評価用シーケンス動作に対応する、上記制御異常情報および上記動作異常情報を取得し、「正常」か「異常」かを記録する。

そして、ステップＳ３０へ移り、ＣＰＵ９０１は、上記ステップＳ２０で記録した各状態量データと、上記ステップＳ２５で決定した各評価項目ごとの上記評価基準に対する上記指標と、上記ステップＳ２７で記録した制御異常情報・動作異常情報とで、１つの評価基準生成部学習用データセットを作成する。

このステップＳ３０の詳細手順を図１３に示す。

図１３において、ＣＰＵ９０１は、まずステップＳ３１０で、ステップＳ２０で記録していた各状態量データのうち、上記トルク指令を取得する。

その後、ステップＳ３２０で、ＣＰＵ９０１は、ステップＳ２０で記録していた各状態量データのうち、上記検出位置を取得する。

そして、ステップＳ３３０に移り、ＣＰＵ９０１は、ステップＳ２５で記録されていた各評価基準に対する指標のうち、上記オーバーシュート量に関する指標、すなわち「オーバーシュート量大」若しくは「オーバーシュート量小」を取得する。

その後、ステップＳ３４０に移り、ＣＰＵ９０１は、ステップＳ２５で記録されていた各評価基準に対する指標のうち、上記整定時間に関する指標、すなわち「整定時間大」若しくは「整定時間小」を取得する。

そして、ステップＳ３５０に移り、ＣＰＵ９０１は、ステップＳ２５で記録されていた各評価基準に対する指標のうち、上記トルク指令振幅に関する指標、すなわち「トルク指令振幅大」若しくは「トルク指令振幅小」を取得する。

その後、ステップＳ３６０に移り、ＣＰＵ９０１は、ステップＳ２５で記録されていた各評価基準に対する指標のうち、上記最大位置偏差に関する指標、すなわち「最大位置偏差大」若しくは「最大位置偏差小」を取得する。

その後、ステップＳ３７０に移り、ＣＰＵ９０１は、ステップＳ２７で記録されていた制御異常情報及び動作異常情報それぞれの指標、すなわち「正常」若しくは「異常」を取得する。

そして、ステップＳ３８０において、ＣＰＵ９０１は、上記ステップＳ３１０〜ステップＳ３７０で取得された全ての情報（データ）を、一括して１つのファイルとする（図１１参照）。その後、上記図１２のステップＳ３５へ移る。

図１２に戻り、ステップＳ３５では、ＣＰＵ９０１は、予め用意された全ての評価用シーケンス動作についてデータセットが作成完了したか否かを判定する。まだデータセットが作成されていない評価用シーケンス動作が残っている場合、判定は満たされず、上記ステップＳ１０に戻り同様の手順を繰り返す。

一方、予め用意された全ての評価用シーケンス動作についてデータセットが作成されていた場合、ステップＳ３５の判定が満たされ、ステップＳ４５へ移る。

ステップＳ４５では、ＣＰＵ９０１は、上記ステップＳ３０で作成した評価基準生成部学習用データセットを用いて、前述した手法による機械学習を実行する。そして、このフローを終了する。

なお、上記図１２及び図１３においては、上記評価項目として、前述のオーバーシュート量、整定時間、トルク指令振幅、最大位置偏差の４つが用いられた場合を例にとって説明したが、これに限られない。操作者の用途や必要性等に応じて、これら４つのうちの一部のみを用いても良いし、さらに別の項目を含めて５つ以上の評価項目を用いても良い。

なお、以上のようなオフライン学習（バッチ学習）でのデータ学習処理による機械学習プロセスは、当該機械制御システム１の稼働開始前に行ってもよいし、または回転型モータ４や駆動機械５の経年劣化状況や使用環境の変化に応じた制御精度の向上を目的として稼働開始後の必要時に行ってもよい。また、リアルタイムで入力した制御情報、動作情報等を用いたオンライン学習を行うことにより、特に当該機械制御システム１の稼働中における経年劣化状況や使用環境状況の変化にも逐次対応して常時適切な制御パラメータの評価が可能となる。また、上述したように評価装置６の評価基準生成部７１自体で機械学習プロセスを実行する以外にも、外部での機械学習プロセスで得た学習内容（この場合の各エッジの重み係数の組み合わせ）を取得して利用してもよい。

＜評価装置の機能的構成〜その２＞
図９に戻り、評価装置６の上述の情報取得部７０、消耗度情報取得部６８、判定部６３、パラメータ特定部６４、および出力部６７は、主として、学習フェーズでの学習結果に基づいて現在の制御パラメータの評価を行う上記運用フェーズにおいて機能する。

すなわち、情報取得部７０は、モータ・駆動機械４，５に対する現在の制御に関する情報である制御情報（この例では上記トルク指令。以下同様）をモータ制御装置３から取得するとともに、モータ・駆動機械４，５の現在の動作に関する情報である動作情報（この例では上記回転型モータ４での上記検出位置。以下同様）を上記エンコーダ４１ａから取得する。

消耗度情報取得部６８は、モータ・駆動機械４，５における部品（例えば図示しないアクチュエータやギア等の可動部分）の消耗度に係わる消耗度情報を入力する。なお、上記消耗度情報として、モータ制御装置３における電力変換部（特に図示しないインバータや増幅器等）の消耗度を含めても良い。

＜評価部による評価（評価値決定）＞
上記のようにして生成された項目別評価基準は評価部６２に入力される。評価部６２は、上記運用フェーズにおいて、上記情報取得部７０が取得した制御情報および動作情報と上記入力された項目別評価基準に基づき、各評価項目ごとに、上記モータ・駆動機械４，５に対する制御およびモータ・駆動機械４，５の動作のうち少なくとも１つの評価値を決定し、これによって現在（運用フェーズを実行しているその時点で）で設定されている制御パラメータの評価を行う（＝対応する評価情報を生成する）。

このときの評価部６２による評価値決定処理の手法の一例を、図１４のフローチャートにより説明する。

図１４において、まずステップＳ１０５において、ＣＰＵ９０１は、評価値のベースとなる初期得点を所定値（例えばこの例では５０点）とする。

その後、ステップＳ１１０において、ＣＰＵ９０１は、上記情報取得部７０により取得された上記制御情報又は動作情報に基づき、当該取得された情報に対応するオーバーシュート量が、上記評価基準生成部７１から取得された項目別評価基準でのオーバーシュート量の値（前述したしきい値としてのオーバーシュート量Ｌｓ［ｍｍ］）よりも小さいか否かを判定する。当該しきい値以上であれば判定が満たされず（Ｓ１１０：Ｎｏ）、ステップＳ１１５で得点を５点減点して、後述のステップＳ１２５に移る。当該しきい値未満であれば判定が満たされ（Ｓ１１０：Ｙｅｓ）、ステップＳ１２０で得点を５点アップして、ステップＳ１２５に移る。

ステップＳ１２５では、ＣＰＵ９０１は、上記情報取得部７０により取得された上記制御情報又は動作情報に基づき、当該取得された情報に対応する整定時間が、上記評価基準生成部７１から取得された項目別評価基準での整定時間の値（前述したしきい値としての整定時間Ｔｓ［ｓ］）よりも小さいか否かを判定する。当該しきい値以上であれば判定が満たされず（Ｓ１２５：Ｎｏ）、ステップＳ１３０で得点を５点減点して、後述のステップＳ１４０に移る。当該しきい値未満であれば判定が満たされ（Ｓ１２５：Ｙｅｓ）、ステップＳ１３５で得点を５点アップして、ステップＳ１４０に移る。

ステップＳ１４０では、ＣＰＵ９０１は、上記情報取得部７０により取得された上記制御情報又は動作情報に基づき、当該取得された情報に対応するトルク指令振幅が、上記評価基準生成部７１から取得された項目別評価基準でのトルク指令振幅の値（前述したしきい値としてのトルク指令振幅Ｉｔ）よりも小さいか否かを判定する。当該しきい値以上であれば判定が満たされず（Ｓ１４０：Ｎｏ）、ステップＳ１４５で得点を５点減点して、後述のステップＳ１５５に移る。当該しきい値未満であれば判定が満たされ（Ｓ１４０：Ｙｅｓ）、ステップＳ１５０で得点を５点アップして、ステップＳ１５５に移る。

ステップＳ１５５では、ＣＰＵ９０１は、上記情報取得部７０により取得された上記制御情報又は動作情報に基づき、当該取得された情報に対応する最大位置偏差が、上記評価基準生成部７１から取得された項目別評価基準での最大位置偏差の値（前述したしきい値としての最大位置偏差Ｌｄ［ｍｍ］）よりも小さいか否かを判定する。当該しきい値以上であれば判定が満たされず（Ｓ１５５：Ｎｏ）、ステップＳ１６０で得点を５点減点して、後述のステップＳ１７０に移る。当該しきい値未満であれば判定が満たされ（Ｓ１５５：Ｙｅｓ）、ステップＳ１６５で得点を５点アップして、ステップＳ１７０に移る。

ステップＳ１７０では、ＣＰＵ９０１は、上記情報取得部７０により取得された上記制御情報又は動作情報に基づき、当該取得された情報に対応する消費電力が、上記評価基準生成部７１から取得された項目別評価基準での消費電力の値（前述したしきい値としての消費電力Ｐｅ［Ｗ］）よりも小さいか否かを判定する。当該しきい値以上であれば判定が満たされず（Ｓ１７０：Ｎｏ）、ステップＳ１７５で得点を５点減点して、後述のステップＳ１９０に移る。当該しきい値未満であれば判定が満たされ（Ｓ１７０：Ｙｅｓ）、ステップＳ１８０で得点を５点アップして、ステップＳ１９０に移る。

ステップＳ９０では、ＣＰＵ９０１は、上記ステップＳ１０５で設定した初期得点（上記の例では５０点）に対し、上記ステップＳ１１５又はステップＳ１２０、ステップＳ１３０又はステップＳ１３５、ステップＳ１４５又はステップＳ１５０、ステップＳ１６０又はステップＳ１６５、ステップＳ１７５又はステップＳ１８０での減点又は得点アップを反映させる形で、合計点を算出し、これを最終的な評価値とする。そして、このフローを終了する。

なお、上記図１４においては、上記項目別評価基準として、前述のオーバーシュート量、整定時間、トルク指令振幅、最大位置偏差、消費電力の５つが用いられる場合を例にとって説明したが、これに限られない。操作者の用途や必要性等に応じて、これら５つのうちの一部のみを用いても良いし、さらに別の項目を含めて６つ以上の項目別評価基準を用いても良い。

あるいは、上記の手法以外に、例えば、評価部６２は、図１５に示すように、（上記各評価項目ごとに互いに異なる重み付けＷ_ｉ，ｊが予め与えられている前提で）前述のようにして決定した複数の評価項目それぞれの評価値に重み付けを乗じたものの合計を算出し、これを最終的な評価値として上記制御パラメータの評価を行ってもよい。さらには、上記各評価項目ごとに評価値を決定し、その評価値をそれぞれ変数とする公知の多変量解析によって最終的な評価値を決定し、上記制御パラメータの評価を行う。なお、評価部６２は、上記消耗度情報取得部６８により取得された上記消耗度情報をも参酌して上記評価を行っても良い。

判定部６３は、上記評価部６２により上記のようにして行われた評価値の決定（言い換えれば各制御パラメータの評価）に基づいて、その時点で設定されている各制御パラメータの調整が必要かどうかを判定し、その判定結果を判定情報として生成する。

パラメータ特定部６４は、上記判定部６３が生成した判定情報に基づき、制御パラメータの調整が必要と判定されていた場合には、当該調整が必要となる制御パラメータの種類を特定し、その特定結果を種類情報として生成する。すなわち、この種類情報は、各制御パラメータごとに調整の必要の有無を示す情報となる。

なお、評価部６２は、特に詳細には、異常有無推定部６２Ａと、前兆推定部６２Ｂと、異常種別推定部６２Ｃと、を有する。

異常有無推定部６２Ａは、上記評価基準生成部７１により生成された上記評価基準に基づいて、上記モータ・駆動機械４，５に対する制御の異常およびモータ・駆動機械４，５の異常のうちのすくなくとも１つの有無を推定し、対応する異常有無推定情報を出力する。具体的には、例えば、上記評価基準に基づいて（言い換えれば事前情報取得部６５により取得された上記制御異常情報や動作異常情報に基づいて）、上述の学習フェーズにおける機械学習の結果に応じて、上記制御異常・動作異常とみなす範囲を抽出したり制御異常・動作異常のパターンを抽出し、その抽出した範囲やパターンに基づいて、モータ・駆動機械４，５自体の異常（いわゆるメカ異常）あるいはモータ・駆動機械４，５に対する制御の異常の有無を推定する。

前兆推定部６２Ｂは、上記評価基準生成部７１により生成された上記評価基準に基づいて、予め想定された上記モータ・駆動機械４，５の異常の前兆および予め想定された上記モータ・駆動機械４，５に対する制御の異常の前兆のうち、少なくとも１つの前兆の推定を行う。上記モータ・駆動機械４，５の異常の前兆の例としては、機械振動の前兆となる上記トルク指令の発振等がある。例えばこの前兆推定部６２Ｂでは、上記評価基準に基づいて（言い換えれば事前情報取得部６５により取得された上記制御異常情報や動作異常情報に基づいて）、上記トルク指令の発振が生じているか否かを推定する。

異常種別推定部６２Ｃは、上記評価基準生成部７１により生成された上記評価基準に基づいて、上記モータ・駆動機械４，５の異常および上記モータ・駆動機械４，５に対する制御の異常のうち、少なくとも１つの異常の種別を推定する。この異常の種別の例としては、例えば既に述べたようなオーバーシュート、制定時間超過、機械振動、消費電力過多、加速度センサの計測値の振幅が過多、トルクセンサの計測値の振動、集音装置の計測値の周波数異常（あるいはｄＢ過多）、トルク指令の振動等がある。例えばこの異常種別推定部６２Ｃでは、上記評価基準に基づいて（言い換えれば事前情報取得部６５により取得された上記制御異常情報や動作異常情報に基づいて）、上記異常の種別が上記オーバーシュート等のいずれであるかを推定する。

出力部６７は、判定情報出力部６７Ａと、種類情報出力部６７Ｂと、異常有無推定情報出力部６７Ｃと、前兆推定情報出力部６７Ｄと、異常種別推定情報出力部６７Ｅと、を備えている。

判定情報出力部６７Ａは、上記判定部６３からの上記判定情報を、評価装置６の外部（詳細には例えば上記調整部３２）へと出力する。

種類情報出力部６７Ｂは、上記パラメータ特定部６４からの上記種類情報を、評価装置６の外部（詳細には例えば上記調整部３２）へと出力する。

異常有無推定情報出力部６７Ｃは、上記異常有無推定部６２Ａからの上記異常有無推定情報を、評価装置６の外部（詳細には例えば上記調整部３２）へと出力する。

前兆推定情報出力部６７Ｄは、上記前兆推定部６２Ｂからの上記前兆推定情報を、評価装置６の外部（詳細には例えば上記調整部３２）へと出力する。

異常種別推定情報出力部６７Ｅは、上記異常種別推定部６２Ｃからの上記異常種別推定情報を、評価装置６の外部（詳細には例えば上記調整部３２）へと出力する。その際、例えば前述のメカ異常や発振等であった場合については、非常に深刻な異常であるとの評価を付加してもよいし、上記オーバーシュートや整定時間超過（あるいはさらにそれらのうち許容範囲のものに限定しても良い）については、上記深刻な異常と比べると比較的軽微な異常であるとの評価を付加してもよい。

なお、上記各出力部６７Ａ〜６７Ｅから出力される、上記判定情報、上記種類情報、上記異常有無推定情報、上記前兆推定情報、および前記異常種別推定情報が、前述の評価情報を構成している。

そして、上記調整部３２は、上記パラメータ設定フェーズにおいて、上記各出力部６７Ａ〜６７Ｅから出力された上記評価情報を取得し、これに応じて、上記制御パラメータＫｐ，Ｔ，Ｋｖをさらに最適化し、フィードバック制御部３１に出力する。これにより、例えば上記判定情報において調整が必要とされた（上記種類情報で特定された）制御パラメータを、最適な値に更新された状態でフィードバック制御部３１に出力することができる。また、例えば上記異常有無推定情報において制御異常又は動作異常と推定された場合（上記前兆推定情報において上記異常の前兆があると推定された場合でもよい）には、上記異常種別推定情報で特定された種別の異常が解消されるように（異常が生じないように）、制御パラメータを、最適な値に更新された状態でフィードバック制御部３１に出力することができる。なお、このようにモータ制御装置３の調整部３２において制御パラメータの再調整に役立てる以外に、例えば上位制御装置２が備える表示部（図示省略）に出力して操作者に報知してもよいし、前述のメカ異常の場合には上位制御装置２を介してモータ・駆動機械４，５の駆動を停止させることもできる。

なお、上述した評価装置６における処理等は、これらの処理の分担の例に限定されるものではなく、例えば、更に少ない数の処理部（例えば１つの処理部）で処理されてもよく、また、更に細分化された処理部により処理されてもよい。また、評価装置６は、後述するＣＰＵ９０１（図１６参照）が実行するプログラムによりソフトウェア的に実装されてもよいし、その一部又は全部がＡＳＩＣやＦＰＧＡ、その他の電気回路等（ニューロモーフィックチップ等）の実際の装置によりハードウェア的に実装されてもよい。

＜本実施形態による効果＞
以上説明したように、本実施形態の機械制御システム１は、評価基準生成部７１が生成した評価基準を用いて、評価装置６により、モータ・駆動機械４，５に対する制御情報およびモータ・駆動機械４，５の動作情報のうちの少なくとも１つの評価が行われる。これにより、上記従来技術と異なり、評価基準が定められていない場合であってもモータ・駆動機械４，５に対する現在の制御内容が適正であるのか否かを検証し、制御の適正化を図ることができる。この結果、制御内容が適正でない場合には、評価情報に基づき操作者に対し警告を発したり、あるいは、評価情報に基づき制御パラメータＫｐ，Ｔ，Ｋｖを再調整したりモータ・駆動機械４，５を停止する、等の適宜の対応をとることができる。

また、本実施形態では特に、評価基準生成部７１が、制御異常情報および動作異常情報のうちの少なくとも１つを用いてラベリングを行いつつ機械学習を行い、評価基準を生成する。これにより、より精度の高い精密な評価を行うことができる。また、想定可能な典型的な異常状態以外に潜在的に存在する異常状態を導き出すことも可能となる。

また、本実施形態では特に、評価基準生成部７１が生成した評価基準に基づき、異常有無推定部６２Ａにより、モータ・駆動機械４，５に対する制御の異常およびモータ・駆動機械４，５の異常のうちの少なくとも１つの有無が判断され、異常有無推定情報出力部６７Ｃにより、その判断に関する異常有無推定情報が出力される。これにより、モータ・駆動機械４，５に対する制御に何か異常が生じていた場合やモータ・駆動機械４，５自体に何か異常が生じていた場合に、その旨を確実に推定し、対応する異常有無推定情報を出力することができる。

また、本実施形態では特に、評価基準生成部７１からの評価基準に基づいて、前兆推定部６２Ｂが、モータ・駆動機械４，５の異常の前兆およびモータ・駆動機械４，５に対する制御の異常の前兆のうちの少なくとも１つの前兆の推定を行う。これにより、評価部６２は、モータ・駆動機械４，５の異常やモータ・駆動機械４，５に対する制御の異常のみならず、それらの前兆に対しても有効に評価を行い、現在の制御内容が正しいかどうかを検証することができる。

また、本実施形態では特に、上記評価基準に基づき、異常種別推定部６２Ｃにより、モータ・駆動機械４，５の異常およびモータ・駆動機械４，５に対する制御の異常のうち少なくとも１つの異常の種別が推定され、その異常の種別の推定に関する異常種別推定情報が異常種別推定情報出力部６７Ｅにより出力される。これにより、生じている異常は、モータ・駆動機械４，５に対する制御の異常であるのか、モータ・駆動機械４，５自体の異常（いわゆるメカ異常）であるのか、を明確に切り分けて示した態様で出力することができる。

また、本実施形態では特に、消耗度情報取得部６８により、モータ・駆動機械４，５に備えられた部品の消耗度に係わる消耗度情報が取得され、評価部６２は、上記制御情報および動作情報のうちの少なくとも１つと上記評価基準と上記消耗度情報とに応じて、制御パラメータＫｐ，Ｔ，Ｋｖの評価を行う。これにより、モータ・駆動機械４，５が長期にわたって継続的に運転される場合でも、その消耗度を含む経年劣化を加味して、さらに高い精度で評価を行うことができ、それだけ高い精度で制御の適正化を図ることができる。

また、本実施形態では特に、調整部３２は、機械学習での学習内容に基づいてモータ・駆動機械４，５に対する制御に用いる制御パラメータを調整し、評価部６２は、モータ・駆動機械４，５に対する制御およびモータ・駆動機械４，５の動作のうちの少なくとも１つの評価に基づいて、制御パラメータＫｐ，Ｔ，Ｋｖの評価を行う。評価部が制御パラメータの評価を行うことにより、機械学習の手法で制御パラメータの調整を行う調整部における当該機械学習の内容が正しいのか否かを（間接的に）評価することができる。すなわち、制御パラメータに関する調整部での学習内容を無条件に適用し続けるのではなく、その学習内容が適正であるのか否かを検証することができる。

また、本実施形態では特に、評価部６２での制御パラメータＫｐ，Ｔ，Ｋｖの評価に基づいて、当該制御パラメータＫｐ，Ｔ，Ｋｖの調整が必要かどうかの判定が判定部６３により行われ、その判定に関する判定情報が判定情報出力部６７Ａにより出力される。これにより、現在の制御内容（言い換えれば調整部３２での機械学習での学習内容）が適正でなく制御パラメータＫｐ，Ｔ，Ｋｖのさらなる調整が必要であると判定された場合に、判定情報出力部６７Ａから当該判定に関する判定情報が出力されるので、この判定情報に基づいて調整部３２が制御パラメータＫｐ，Ｔ，Ｋｖの調整を行うことができる。なお、この判定情報に基づいて、操作者が適宜の手動操作により制御パラメータＫｐ，Ｔ，Ｋｖの調整をすることもできる。

また、本実施形態では特に、判定部６３で制御パラメータＫｐ，Ｔ，Ｋｖの調整が必要と判定された場合に、パラメータ特定部６４により、調整が必要となる制御パラメータＫｐ，Ｔ，Ｋｖの種類が特定され、種類情報出力部６７Ｂにより、調整が必要となる制御パラメータＫｐ，Ｔ，Ｋｖの種類に関する種類情報が出力される。これにより、制御パラメータＫｐ，Ｔ，Ｋｖの調整が必要と判定された場合に、その調整が必要となる制御パラメータＫｐ，Ｔ，Ｋｖを特定することで、制御パラメータＫｐ，Ｔ，Ｋｖの調整を容易に行うことができる。

また、本実施形態では特に、項目別評価基準生成部７１Ａが、モータ・駆動機械４，５に対する制御およびモータ・駆動機械４，５の動作のうちの少なくとも１つの評価に用いる評価基準を複数の評価項目ごとに項目別評価基準として生成する。そして、評価部６２は、上記項目別評価基準に基づき複数の評価項目ごとに評価値を決定し、その評価値をそれぞれ変数とする多変量解析により、モータ・駆動機械４，５に対する制御およびモータ・駆動機械４，５の動作のうちの少なくとも１つの評価を行うことができる。これにより、細分化された評価項目ごとに生成された項目別評価基準を用いて明確に評価値を決定でき、その客観的な指標値としての評価値を用いて評価を行うことで、確実かつ高精度な評価を行うことができる。この結果、例えばトルク指令やトルクセンサ検出値の振動発生のように深刻度の高い異常や、整定時間やオーバーシュート量の増大のように深刻度の低い異常が混在する場合であっても、そのような深刻度の違いを加味しつつ精度の高い評価値の決定を行うことができる。

また、本実施形態では特に、項目別評価基準生成部７１Ａが、モータ・駆動機械４，５に対する制御およびモータ・駆動機械４，５の動作のうちの少なくとも１つの評価に用いる評価基準を複数の評価項目ごとに項目別評価基準として生成する。そして、評価部６２は、上記項目別評価基準に基づき複数の評価項目ごとに評価値を決定し、当該評価値に前記重み付けを乗じたものの合計を算出することにより、制御情報および動作情報のうちの少なくとも１つに対する評価値を決定することもできる。この場合、例えば異常として深刻度の高いトルク指令やトルクセンサ検出値の振動発生については大きな重み付けＷ_ｉ，ｊを与え、深刻度の低い整定時間やオーバーシュート量の増大については小さな重み付けＷ_ｉ，ｊを与えることで、それら深刻度の違いを加味した精度の高い評価値の決定を確実に行うことができる。

＜評価装置のハードウェア構成例＞
次に、図１６を参照しつつ、上記で説明したＣＰＵ９０１が実行するプログラムによりソフトウェア的に実装された異常情報取得部６１、事前情報取得部６５、情報取得部７０、消耗度情報取得部６８、評価基準生成部７１、評価部６２、判定部６３、パラメータ特定部６４、および出力部６７等による処理を実現する、評価装置６のハードウェア構成例について説明する。

図１６に示すように、評価装置６は、例えば、ＣＰＵ９０１と、ＲＯＭ９０３と、ＲＡＭ９０５と、ＡＳＩＣ又はＦＰＧＡ等の特定の用途向けに構築された専用集積回路９０７と、入力装置９１３と、出力装置９１５と、記録装置９１７と、ドライブ９１９と、接続ポート９２１と、通信装置９２３とを有する。これらの構成は、バス９０９や入出力インターフェース９１１を介し相互に信号を伝達可能に接続されている。

プログラムは、例えば、ＲＯＭ９０３やＲＡＭ９０５、記録装置９１７等に記録しておくことができる。

また、プログラムは、例えば、フレキシブルディスクなどの磁気ディスク、各種のＣＤ・ＭＯディスク・ＤＶＤ等の光ディスク、半導体メモリ等のリムーバブルな記録媒体９２５に、一時的又は永続的に記録しておくこともできる。このような記録媒体９２５は、いわゆるパッケージソフトウエアとして提供することもできる。この場合、これらの記録媒体９２５に記録されたプログラムは、ドライブ９１９により読み出されて、入出力インターフェース９１１やバス９０９等を介し上記記録装置９１７に記録されてもよい。

また、プログラムは、例えば、ダウンロードサイト・他のコンピュータ・他の記録装置等（図示せず）に記録しておくこともできる。この場合、プログラムは、ＬＡＮやインターネット等のネットワークＮＷを介し転送され、通信装置９２３がこのプログラムを受信する。そして、通信装置９２３が受信したプログラムは、入出力インターフェース９１１やバス９０９等を介し上記記録装置９１７に記録されてもよい。

また、プログラムは、例えば、適宜の外部接続機器９２７に記録しておくこともできる。この場合、プログラムは、適宜の接続ポート９２１を介し転送され、入出力インターフェース９１１やバス９０９等を介し上記記録装置９１７に記録されてもよい。

そして、ＣＰＵ９０１が、上記記録装置９１７に記録されたプログラムに従い各種の処理を実行することにより、上記の異常情報取得部６１、事前情報取得部６５、情報取得部７０、消耗度情報取得部６８、評価基準生成部７１、評価部６２、判定部６３、パラメータ特定部６４、および出力部６７等による処理が実現される。この際、ＣＰＵ９０１は、例えば、上記記録装置９１７からプログラムを直接読み出して実行してもよいし、ＲＡＭ９０５に一旦ロードした上で実行してもよい。更にＣＰＵ９０１は、例えば、プログラムを通信装置９２３やドライブ９１９、接続ポート９２１を介し受信する場合、受信したプログラムを記録装置９１７に記録せずに直接実行してもよい。

また、ＣＰＵ９０１は、必要に応じて、例えばマウス・キーボード・マイク（図示せず）等の入力装置９１３から入力する信号や情報に基づいて各種の処理を行ってもよい。

そして、ＣＰＵ９０１は、上記の処理を実行した結果を、例えば表示装置や音声出力装置等の出力装置９１５から出力してもよく、さらにＣＰＵ９０１は、必要に応じてこの処理結果を通信装置９２３や接続ポート９２１を介し送信してもよく、上記記録装置９１７や記録媒体９２５に記録させてもよい。

＜変形例＞
また、以上は、上述したように機械制御システム１の評価装置６の評価基準生成部７１が、上記運用フェーズの前の上記学習フェーズにおいて当該機械制御システム１に備えられたモータ・駆動機械４，５に係わる前述の事前制御情報（前述の例では上記トルク指令）、事前動作情報（上記の例では上記検出位置）、制御異常情報、動作異常情報に基づき機械学習を行った場合を例にとって説明したが、これに限られない。

すなわち、上記運用フェーズの実行の前に、上記事前情報取得部６５により、上記モータ・駆動機械４，５以外の他の産業機器（上記機械制御システム１外に設けられる）の制御に関する情報である他機器事前制御情報、および、当該他の産業機器の動作に関する情報である他機器事前動作情報、のうち少なくとも１つを取得し、さらに、上記異常情報取得部６１により、上記他の産業機器に対する制御の異常を表す制御異常情報、および、当該他の産業機器の動作の異常を表す動作異常情報のうちの少なくとも１つを取得するようにしてもよい。このとき、異常情報取得部６１は、上記評価基準生成部学習用データセットの教師データとして使用される、上記他の産業機器に係わる他機器制御異常情報および他の産業機器に係わる他機器動作異常情報（それらのうちのいずれか一方でもよい）を取得する。前述と同様、他機器制御異常情報および他機器動作異常情報は、この場合において上記評価基準生成部学習用データセットに含まれる他の産業機器に係わる上記状態量データに付随する情報であり、例えば操作者の適宜の操作入力に基づき評価装置６に入力される。他機器制御異常情報は上記他の産業機器に対する制御が異常であることを示し、他機器動作異常情報は上記他の作業機器の動作が異常であることを示す。この場合、これら他機器制御異常情報および他機器動作異常情報は、評価部６２および評価基準生成部７１へと出力される。

そして、評価基準生成部７１は、上記学習フェーズにおいて機械学習を行い、上記事前情報取得部６５が取得した上記他機器事前制御情報および上記他機器事前動作情報、ならびに、上記異常情報取得部６１が取得した上記他機器制御異常情報および上記他機器動作異常情報、のうち少なくとも一方に基づき、上記運用フェーズにおいて評価部６２が評価を行うときに用いる評価基準を生成する。そして、評価部６２は、運用フェーズにおいて、上記のようにして生成された評価基準に対応して、上記情報取得部７０が取得した上記機械制御システム１のモータ・駆動機械４，５に係わる上記制御情報および上記動作情報に基づいて、その時点で設定されている制御パラメータの評価を行い、対応する評価情報を生成する。こうして生成された評価情報は、前述と同様、上記出力部６７から調整部３２へと出力される。

この場合も、前述と同様の効果を得ることができる。すなわち、他の産業機器の制御情報および動作情報の少なくとも一方と、評価基準生成部７１が生成した評価基準とを用いて、上記モータ・駆動機械４，５に対する制御およびモータ・駆動機械４，５の動作の少なくとも一方の評価が行われ、対応する評価情報が出力される。これにより、上記従来技術と異なり、評価基準が定められていない場合であっても、当該モータ・駆動機械４，５に対する現在の制御内容が適正であるのか否かを検証し、制御の適正化を図ることができる。この結果、制御内容が適正でない場合には、操作者に対し警告を発する、あるいは、制御装置により制御内容を再調整したり産業機器を停止する、等の適宜の対応をとることができる。

また、上記の例では特に、上記他の産業機器に係わる他機器制御異常情報および他機器動作異常情報のうちの少なくとも１つを用いてラベリングを行って評価基準を生成することで、より精度の高い精密な評価を行うことができる。また、想定可能な典型的な異常状態以外に潜在的に存在する異常状態を導き出すことも可能となる。

また、以上の説明において、「垂直」「平行」「平面」等の記載がある場合には、当該記載は厳密な意味ではない。すなわち、それら「垂直」「平行」「平面」とは、設計上、製造上の公差、誤差が許容され、「実質的に垂直」「実質的に平行」「実質的に平面」という意味である。

また、以上の説明において、外観上の寸法や大きさ、形状、位置等が「同一」「同じ」「等しい」「異なる」等の記載がある場合は、当該記載は厳密な意味ではない。すなわち、それら「同一」「等しい」「異なる」とは、設計上、製造上の公差、誤差が許容され、「実質的に同一」「実質的に同じ」「実質的に等しい」「実質的に異なる」という意味である。

また、以上既に述べた以外にも、上記実施形態や各変形例による手法を適宜組み合わせて利用しても良い。その他、一々例示はしないが、上記実施形態や各変形例は、その趣旨を逸脱しない範囲内において、種々の変更が加えられて実施されるものである。

１ 機械制御システム
２ 上位制御装置
３ モータ制御装置
４ 回転型モータ（産業機器）
５ 駆動機械（産業機器）
６ 評価装置
３１ フィードバック制御部
３２ 調整部
６１ 異常情報取得部
６２ 評価部
６２Ａ 異常有無推定部
６２Ｂ 前兆推定部
６２Ｃ 異常種別推定部
６３ 判定部
６４ パラメータ特定部
６５ 事前情報取得部
６６ 異常特定部
６７ 出力部
６７Ａ 判定情報出力部
６７Ｂ 種類情報出力部
６７Ｃ 異常有無推定情報出力部
６７Ｄ 前兆推定情報出力部
６７Ｅ 異常種別推定情報出力部
６８ 消耗度情報取得部
７０ 情報取得部
７１ 評価基準生成部
７１Ａ 項目別評価基準生成部
ＤＢ データベース

Claims (21)

1. 産業機器を制御する制御装置と、前記産業機器に対する制御および前記産業機器の動作のうち少なくとも１つの評価を行う評価装置とを備えたシステムであって、
   前記評価装置は、
   前記産業機器に対する制御に関する情報である制御情報および前記産業機器の動作に関する情報である動作情報のうちの少なくとも１つを取得する情報取得部と、
   前記産業機器に対する制御よりも前の前記産業機器に対する制御に関する情報である事前制御情報および前記産業機器の動作よりも前の前記産業機器の動作に関する情報である事前動作情報のうちの少なくとも１つを取得する事前情報取得部と、
   前記事前制御情報および前記事前動作情報のうちの少なくとも１つに基づいて、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価に用いる評価基準を生成する評価基準生成部と、
   前記制御情報および前記動作情報のうちの少なくとも１つと前記評価基準とに基づいて、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価を行う評価部と、
   前記評価に関する情報である評価情報を出力する出力部と
   を備えたことを特徴とするシステム。
2. 前記評価装置は、
   前記産業機器に対する制御よりも前の前記産業機器に対する制御が異常であるかどうかを示す制御異常情報および前記産業機器の動作よりも前の前記産業機器の動作が異常であるかどうかを示す動作異常情報のうちの少なくとも１つを取得する異常情報取得部をさらに備え、
   前記評価基準生成部は、
   前記事前制御情報および前記制御異常情報と前記事前動作情報および前記動作異常情報とのうちの少なくとも一方に基づいて、前記評価基準を生成する
   ことを特徴とする請求項１記載のシステム。
3. 前記評価装置の前記評価部は、
   前記評価基準に基づいて、前記産業機器に対する制御の異常および前記産業機器の異常のうちの少なくとも１つの異常の有無の推定をする異常有無推定部をさらに備え、
   前記出力部は、
   前記異常の有無の推定に関する情報である異常有無推定情報を出力する異常有無推定情報出力部を有する
   ことを特徴とする請求項２に記載のシステム。
4. 前記評価装置の前記評価部は、
   前記評価基準に基づいて、前記産業機器の異常の前兆および前記産業機器に対する制御の異常の前兆のうちの少なくとも１つの前兆の推定を行う前兆推定部を有し、
   前記出力部は、
   前記前兆の推定に関する情報である前兆推定情報を出力する前兆推定情報出力部を有する
   ことを特徴とする請求項２または３に記載のシステム。
5. 前記評価装置の前記評価部は、
   前記評価基準に基づいて、前記産業機器の異常および前記産業機器に対する制御の異常のうちの少なくとも１つの異常の種別を推定する異常種別推定部を有し、
   前記出力部は、
   前記異常の種別の推定に関する情報である異常種別推定情報を出力する異常種別推定情報出力部を有する
   ことを特徴とする請求項２乃至４のいずれか１項に記載のシステム。
6. 前記評価装置は、
   前記産業機器が備える部品の消耗度に係わる消耗度情報を取得する消耗度情報取得部を備え、
   前記評価部は、
   前記制御情報および前記動作情報のうちの少なくとも１つと前記評価基準と前記消耗度情報とに基づいて、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価を行う
   ことを特徴とする請求項１乃至５のいずれか１項に記載のシステム。
7. 前記評価基準生成部は、
   前記事前制御情報および前記事前動作情報のうちの少なくとも１つに基づいて、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価に用いる評価基準を、所定の複数の評価項目ごとに項目別評価基準として生成する項目別評価基準生成部を有し、
   前記評価部は、
   前記項目別評価基準に基づき前記複数の評価項目ごとに評価値を決定し、当該評価値をそれぞれ変数とする多変量解析により、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価を行う
   ことを特徴とする請求項１乃至６のいずれか１項に記載のシステム。
8. 前記制御装置は、
   機械学習での学習内容に基づいて前記産業機器に対する制御に用いる制御パラメータを調整する調整部を備え、
   前記評価部は、
   前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの前記評価に基づいて、前記制御パラメータの評価を行う
   ことを特徴とする請求項１乃至７のいずれか１項記載のシステム。
9. 前記評価装置は、
   前記制御パラメータの評価に基づいて、当該制御パラメータの調整が必要かどうかの判定を行う判定部をさらに備え、
   前記出力部は、
   前記制御パラメータの調整が必要かどうかの判定に関する情報である判定情報を出力する判定情報出力部を有する
   ことを特徴とする請求項８記載のシステム。
10. 前記評価装置は、
    前記判定において前記制御パラメータの調整が必要と判定された場合に、当該制御パラメータのうち調整が必要となる制御パラメータの種類を特定するパラメータ特定部をさらに備え、
    前記出力部は、
    前記調整が必要となる制御パラメータの種類に関する情報である種類情報を出力する種類情報出力部を有する
    ことを特徴とする請求項９記載のシステム。
11. 産業機器に対する制御に関する情報である制御情報および前記産業機器の動作に関する情報である動作情報のうちの少なくとも１つを取得する情報取得部と、
    前記産業機器に対する制御よりも前の前記産業機器に対する制御に関する情報である事前制御情報および前記産業機器の動作よりも前の前記産業機器の動作に関する情報である事前動作情報のうちの少なくとも１つを取得する事前情報取得部と、
    前記事前制御情報および前記事前動作情報のうちの少なくとも１つに基づいて、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価に用いる評価基準を生成する評価基準生成部と、
    前記制御情報および前記動作情報のうちの少なくとも１つと前記評価基準とに基づいて、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価を行う評価部と、
    前記評価に関する情報である評価情報を出力する出力部と
    を備えたことを特徴とする評価装置。
12. 前記産業機器に対する制御よりも前の前記産業機器に対する制御が異常であるかどうかを示す制御異常情報および前記産業機器の動作よりも前の前記産業機器の動作が異常であるかどうかを示す動作異常情報のうちの少なくとも１つを取得する異常情報取得部をさらに備え、
    前記評価基準生成部は、
    前記事前制御情報および前記制御異常情報と前記事前動作情報および前記動作異常情報とのうちの少なくとも一方に基づいて、前記評価基準を生成する
    ことを特徴とする請求項１１記載の評価装置。
13. 前記評価部は、
    前記評価基準に基づいて、前記産業機器の異常および前記産業機器に対する制御の異常のうちの少なくとも１つの異常の有無の推定をする異常有無推定部を有し、
    前記出力部は、
    前記異常の有無の推定に関する情報である異常有無推定情報を出力する異常有無推定情報出力部を有する
    ことを特徴とする請求項１２記載の評価装置。
14. 前記評価部は、
    前記評価基準に基づいて、前記産業機器の異常の前兆および前記産業機器に対する制御の異常の前兆のうちの少なくとも１つの前兆の推定をする前兆推定部を有し、
    前記出力部は、
    前記前兆の推定に関する情報である前兆推定情報を出力する前兆推定情報出力部を有する
    ことを特徴とする請求項１２または１３に記載の評価装置。
15. 前記評価部は、
    前記評価基準に基づいて、前記産業機器の異常および前記産業機器に対する制御の異常のうちの少なくとも１つの異常の種別を推定する異常種別推定部を有し、
    前記出力部は、
    前記異常の種別の推定に関する情報である異常種別推定情報を出力する異常種別推定情報出力部を有する
    ことを特徴とする請求項１２乃至１４のいずれか１項に記載の評価装置。
16. 前記産業機器が備える部品の消耗度に係わる消耗度情報を取得する消耗度情報取得部を備え、
    前記評価部は、
    前記制御情報および前記動作情報のうちの少なくとも１つと前記評価基準と前記消耗度情報とに基づいて、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価を行う
    ことを特徴とする請求項１１乃至１５のいずれか１項に記載の評価装置。
17. 前記事前制御情報および前記事前動作情報のうちの少なくとも１つに基づいて、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価に用いる評価基準を、所定の複数の評価項目ごとに項目別評価基準として生成する項目別評価基準生成部を有し、
    前記評価部は、
    前記項目別評価基準に基づき前記複数の評価項目ごとに評価値を決定し、当該評価値をそれぞれ変数とする多変量解析により、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価を行う
    ことを特徴とする請求項１１乃至１６のいずれか１項記載の評価装置。
18. 前記事前制御情報および前記事前動作情報のうちの少なくとも１つに基づいて、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価に用いる評価基準を、所定の複数の評価項目ごとに項目別評価基準として生成する項目別評価基準生成部を有し、
    前記複数の評価項目は、
    各評価項目ごとに互いに異なる重み付けが与えられており、
    前記評価部は、
    前記項目別評価基準に基づき前記複数の評価項目ごとに評価値を決定し、当該評価値に前記重み付けを乗じたものの合計を算出することにより、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価を行う
    ことを特徴とする請求項１１乃至１６のいずれか１項記載の評価装置。
19. 産業機器に対する制御に関する情報である制御情報および前記産業機器の動作に関する情報である動作情報のうちの少なくとも１つを取得する情報取得部と、
    前記産業機器に対する制御よりも前の前記産業機器以外の他の産業機器に対する制御に関する情報である他機器事前制御情報および前記産業機器の動作よりも前の前記他の産業機器の動作に関する情報である他機器事前動作情報のうちの少なくとも１つを取得する事前情報取得部と、
    前記他機器事前制御情報および前記他機器事前動作情報のうちの少なくとも１つに基づいて、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価に用いる評価基準を生成する評価基準生成部と、
    前記制御情報および前記動作情報のうちの少なくとも１つと前記評価基準とに基づいて、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価をする評価部と、
    前記評価に関する情報である評価情報を出力する出力部と
    を備えたことを特徴とする評価装置。
20. 前記産業機器に対する制御よりも前の前記他の産業機器に対する制御が異常であるかどうかを示す他機器制御異常情報および前記産業機器の動作よりも前の前記他の産業機器の動作が異常であるかどうかを示す他機器動作異常情報のうちの少なくとも１つを取得する異常情報取得部をさらに備え、
    前記評価基準生成部は、
    前記他の事前制御情報および前記他機器制御異常情報と前記他の事前動作情報および前記他機器動作異常情報とのうちの少なくとも１つに基づいて、前記評価基準を生成する
    ことを特徴とする請求項１９記載の評価装置。
21. 産業機器に係わる評価を行う評価装置の評価方法であって、
    前記産業機器に対する制御に関する情報である制御情報および前記産業機器の動作に関する情報である動作情報のうちの少なくとも１つを取得することと、
    前記産業機器に対する制御よりも前の前記産業機器に対する制御に関する情報である事前制御情報および前記産業機器の動作よりも前の前記産業機器の動作に関する情報である事前動作情報のうちの少なくとも１つを取得することと、
    前記事前制御情報および前記事前動作情報のうちの少なくとも１つに基づいて、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価に用いる評価基準を生成することと、
    前記制御情報および前記動作情報のうちの少なくとも１つと前記評価基準とに基づいて、前記産業機器に対する制御および前記産業機器の動作のうちの少なくとも１つの評価を行うことと、
    前記評価に関する情報である評価情報を出力することと、
    を実行することを特徴とする評価方法。

Images