JP2023083787A - 線材の矯正機の制御装置、制御システム、および制御方法 - Google Patents
線材の矯正機の制御装置、制御システム、および制御方法 Download PDFInfo
- Publication number
- JP2023083787A JP2023083787A JP2021197682A JP2021197682A JP2023083787A JP 2023083787 A JP2023083787 A JP 2023083787A JP 2021197682 A JP2021197682 A JP 2021197682A JP 2021197682 A JP2021197682 A JP 2021197682A JP 2023083787 A JP2023083787 A JP 2023083787A
- Authority
- JP
- Japan
- Prior art keywords
- wire
- value
- curvature
- manipulated variable
- straightening machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21F—WORKING OR PROCESSING OF METAL WIRE
- B21F23/00—Feeding wire in wire-working machines or apparatus
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21C—MANUFACTURE OF METAL SHEETS, WIRE, RODS, TUBES OR PROFILES, OTHERWISE THAN BY ROLLING; AUXILIARY OPERATIONS USED IN CONNECTION WITH METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL
- B21C51/00—Measuring, gauging, indicating, counting, or marking devices specially adapted for use in the production or manipulation of material in accordance with subclasses B21B - B21F
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21F—WORKING OR PROCESSING OF METAL WIRE
- B21F1/00—Bending wire other than coiling; Straightening wire
- B21F1/02—Straightening
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21F—WORKING OR PROCESSING OF METAL WIRE
- B21F1/00—Bending wire other than coiling; Straightening wire
- B21F1/02—Straightening
- B21F1/026—Straightening and cutting
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Wire Processing (AREA)
- Feedback Control In General (AREA)
Abstract
【課題】線材の矯正機に対するフィードフォワード制御の精度を向上させる。【解決手段】矯正機200へのフィードバック操作量rbは目標曲率qrと矯正曲率qとの誤差に基づいてフィードバック制御手段110によって決定される。フィードフォワード補償手段120は予測モデルMpを用いて矯正機200の測定値doからフィードフォワード補償値rfを決定する。学習手段130は教師データDsを用いて予測モデルMpに対して機械学習を行う。学習手段130は誤差eqの絶対値が基準値αよりも小さい場合の測定値doと操作量rとを含む少なくとも1つの組合せを教師データDsに追加する。【選択図】図1
Description
本開示は、線材の矯正機の制御装置、制御システム、および制御方法に関する。
従来、線材の矯正機を制御する構成が知られている。たとえば、特開2016-196037号公報(特許文献1)には、線材の変形の情報に基づいて、当該変形を矯正する位置に矯正用ローラを個別に移動させる線材矯正装置が開示されている。当該線材矯正装置によれば、線材の矯正において、実稼働時における矯正調整の負担を無くすとともに自動で正確な矯正を行うことができる。
特許文献1に開示されている線材矯正装置においては、矯正後の線材の変形量(矯正曲率)に応じて矯正用ローラの位置が変更される(フィードバック制御)。また、ボビンの巻き位置に応じて矯正用ローラの位置が変更される(フィードフォワード補償)。当該フィードフォワード補償において、矯正用ローラの移動量は、ボビンの巻き位置の一次式として表現される。しかし、矯正用ローラの移動量は、ボビンの巻き位置に対して一様ではなく、ボビンの巻き位置の一次式として表現できない場合もある。また、線材の初期曲率を決定するボビンの巻き位置は、矯正曲率に影響を与える因子の1つに過ぎない。特許文献1においては、ボビンの巻き位置以外に矯正確率に影響を与える因子の変動に関して考慮されていない。
本開示は上記のような課題を解決するためになされたものであり、その目的は、線材の矯正機に対するフィードフォワード制御の精度を向上させることである。
本開示の一局面に係る矯正機の制御装置は、矯正機によって矯正された線材の矯正曲率が目標曲率に近づくように矯正機へのフィードバック操作量に対応するフィードフォワード補償値を決定する。矯正機は、線材供給部と、複数のローラと、線材移動部とを含む。線材供給部は、巻回された線材を有する。複数のローラは、線材供給部から引き出された線材を挟むように互い違いに配置され、線材を押圧する。線材移動部は、線材供給部から線材を引き出して複数のローラを通過させる。矯正曲率は、複数のローラを通過した、線材の第1部分の曲率である。フィードバック操作量は、目標曲率と矯正曲率との誤差に基づいてフィードバック制御手段によって決定される。フィードバック操作量およびフィードフォワード補償値の和が、操作量として矯正機に出力される。制御装置は、フィードフォワード補償手段と、学習手段とを備える。フィードフォワード補償手段は、予測モデルを用いて、矯正機から得られる測定値からフィードフォワード補償値を決定する。学習手段は、教師データを用いて予測モデルに対して機械学習を行う。学習手段は、目標曲率と、目標曲率に対応する操作量と、測定値と、測定値および操作量の両方に対応する矯正曲率とを含む少なくとも1つの第1組合せを取得する。学習手段は、少なくとも1つの第1組合せのうち、誤差の絶対値が第1基準値よりも小さい場合の測定値と操作量とを含む少なくとも1つの第2組合せを教師データに追加する。
この開示によれば、フィードフォワード制御の結果から教師データが選択されるため、フィードフォワード制御と並行して測定値および矯正機の特性に予測モデルをリアルタイムに適合させることができる。その結果、矯正機に対するフィードフォワード制御の精度を向上させることができる。
上記の開示において、操作量は、複数のローラの位置および線材の移動速度の少なくとも1つを変化させてもよい。制御装置は、測定値から、線材の移動速度、第1部分の位置、複数のローラによって押圧される前の、線材の第2部分の位置、第2部分の寸法、および第2部分の曲率、線材供給部における線材の巻き位置、複数のローラの各々の位置、複数のローラの各々の半径、複数のローラのピッチ、および複数のローラの圧力のうち、少なくとも1つを取得してもよい。
この開示によれば、矯正曲率に影響を与える様々な因子に基づいて予測モデルが最適化される。その結果、矯正機に対するフィードフォワード制御の精度をさらに向上させることができる。
上記の開示において、学習手段は、教師データにおいて、測定値の絶対値が第2基準値よりも小さい場合の操作量の平均値を算出してもよい。学習手段は、予測モデルによって表現される、測定値と、操作量および平均値の差としてのフィードフォワード補償値との関係を、フィードフォワード補償値を目的変数とするとともに、測定値を説明変数とする関数として近似してもよい。学習手段は、少なくとも1つの第1組合せのうち測定値の絶対値が第2基準値より大きい第3組合せの数に対する、少なくとも1つの第2組合せのうち測定値の絶対値が第2基準値より大きい第4組合せの数の割合が第3基準値より大きい場合、機械学習を終了してもよい。
この開示によれば、予測モデルの精度が十分に高くなるまで機械学習が継続されるため、矯正機に対するフィードフォワード制御の精度を十分に向上させることができる。
上記の開示において、学習手段は、教師データにおいて、測定値の絶対値が第2基準値よりも小さい場合の操作量の平均値を算出してもよい。学習手段は、予測モデルによって表現される測定値と操作量との関係を、操作量を目的変数とするとともに、測定値を説明変数とする関数として近似してもよい。学習手段は、少なくとも1つの第1組合せのうち測定値の絶対値が第2基準値より大きい第3組合せの数に対する、少なくとも1つの第2組合せのうち測定値の絶対値が第2基準値より大きい第4組合せの数の割合が第3基準値より大きい場合、機械学習を終了してもよい。フィードフォワード補償手段は、予測モデルによって測定値から予測された操作量から平均値を引いた値をフィードフォワード補償値として決定してもよい。
この開示によれば、予測モデルの精度が十分に高くなるまで機械学習が継続されるため、矯正機に対するフィードフォワード制御の精度を十分に向上させることができる。
上記の開示において、学習手段は、機械学習が終了し、かつ、割合が第3基準値より小さい場合、機械学習を再開してもよい。
この開示によれば、矯正機の特性の変化に応じて予測モデルが当該特性に再適合されるため、矯正機の特性の変化によるフィードフォワード制御の精度の低下を抑制することができる。
本開示の他の局面に係る制御システムは、矯正機によって矯正された線材の矯正曲率が目標曲率に近づくように矯正機へのフィードバック操作量とフィードフォワード補償値との和を操作量として矯正機に出力する。矯正機は、線材供給部と、複数のローラと、線材移動部とを含む。線材供給部は、巻回された線材を有する。複数のローラは、線材供給部から引き出された線材を挟むように互い違いに配置され、線材を押圧する。線材移動部は、線材供給部から線材を引き出して複数のローラを通過させる。矯正曲率は、複数のローラを通過した、線材の部分の曲率である。制御システムは、フィードバック制御装置と、学習装置とを備える。フィードバック制御装置は、目標曲率と矯正曲率との誤差に基づいてフィードバック操作量を決定する。フィードフォワード補償装置は、予測モデルを用いて、矯正機から得られる測定値からフィードフォワード補償値を決定する。学習装置は、教師データを用いて予測モデルに対して機械学習を行う。学習装置は、目標曲率と、目標曲率に対応する操作量と、測定値と、測定値および操作量の両方に対応する矯正曲率とを含む少なくとも1つの第1組合せを取得する。学習装置は、少なくとも1つの第1組合せのうち、誤差の絶対値が第1基準値よりも小さい場合の測定値と操作量とを含む少なくとも1つの第2組合せを教師データに追加する。
この開示によれば、フィードフォワード制御の結果から教師データが選択されるため、フィードフォワード制御と並行して測定値および矯正機の特性に予測モデルをリアルタイムに適合させることができる。その結果、矯正機に対するフィードフォワード制御の精度を向上させることができる。
本開示の他の局面に係る制御方法は、矯正機によって矯正された線材の矯正曲率が目標曲率に近づくように矯正機へのフィードバック操作量に対応するフィードフォワード補償値を決定する、矯正機の制御方法である。矯正機は、線材供給部と、複数のローラと、線材移動部とを含む。線材供給部は、巻回された線材を有する。複数のローラは、線材供給部から引き出された線材を挟むように互い違いに配置され、線材を押圧する。線材移動部は、線材供給部から線材を引き出して複数のローラを通過させる。矯正曲率は、複数のローラを通過した、線材の部分の曲率である。フィードバック操作量は、目標曲率と矯正曲率との誤差に基づいてフィードバック制御手段によって決定される。フィードバック操作量およびフィードフォワード補償値の和が、操作量として矯正機に出力される。制御方法は、予測モデルを用いて、矯正機から得られる測定値からフィードフォワード補償値を決定するステップと、教師データを用いて予測モデルに対して機械学習を行うステップとを含む。機械学習を行うステップは、目標曲率と、目標曲率に対応する操作量と、測定値と、測定値および操作量の両方に対応する矯正曲率とを含む少なくとも1つの第1組合せを取得するステップと、少なくとも1つの第1組合せのうち、誤差の絶対値が第1基準値よりも小さい場合の測定値と操作量とを含む少なくとも1つの第2組合せを教師データに追加するステップとを含む。
この開示によれば、フィードフォワード制御の結果から教師データが選択されるため、フィードフォワード制御と並行して測定値および矯正機の特性に予測モデルをリアルタイムに適合させることができる。その結果、矯正機に対するフィードフォワード制御の精度を向上させることができる。
本開示に係る、線材の矯正機の制御装置、制御システム、および制御方法によれば、線材の矯正機に対するフィードフォワード制御の精度を向上させることができる。
以下、実施の形態について図面を参照しながら詳細に説明する。なお、図中同一または相当部分には同一符号を付してその説明は原則として繰り返さない。
[実施の形態1]
<適用例>
図1は、実施の形態1に係る、線材の矯正機200の制御装置100の機能構成を示すブロック図である。図1に示されるように、制御装置100は、フィードバック制御手段110と、フィードフォワード補償手段120と、学習手段130と、記憶手段140と、減算器150と、加算器160とを備える。
<適用例>
図1は、実施の形態1に係る、線材の矯正機200の制御装置100の機能構成を示すブロック図である。図1に示されるように、制御装置100は、フィードバック制御手段110と、フィードフォワード補償手段120と、学習手段130と、記憶手段140と、減算器150と、加算器160とを備える。
制御装置100は、矯正機200によって矯正された線材の矯正曲率qが目標曲率qr(たとえば0)に近づくように、矯正機200へのフィードバック操作量rbとフィードフォワード補償値rfとの和を操作量rとして矯正機200に出力する。なお、制御装置100は、矯正機200に複数の操作量rを出力してもよい。
記憶手段140には、予測モデルMpおよび教師データDsが保存されている。制御装置100と矯正機200とは、ネットワーク(たとえば、インターネット、あるいはクラウドシステム)を介して接続され、互いに遠隔に配置されていてもよい。予測モデルMpを構築する機械学習アルゴリズムとしては、ディープバイナリーツリー、あるいはサポートベクターマシンを挙げることができる。
以下では、フィードバック制御手段110と減算器150とを含む構成をフィードバック制御系とも呼び、フィードフォワード補償手段120と加算器160とを含む構成をフィードフォワード制御系とも呼ぶ。
減算器150は、目標曲率qrと矯正曲率qとの誤差eq(=qr-q)をフィードバック制御手段110に出力する。フィードバック制御手段110は、誤差eqに基づいてフィードバック操作量rbを決定して加算器160に出力する。フィードフォワード補償手段120は、予測モデルMpを用いて、矯正機200から得られる測定値セットdoからフィードフォワード補償値rfを予測して加算器160に出力する。測定値セットdoには、少なくとも1つの測定値が含まれる。加算器160は、フィードバック操作量rbとフィードフォワード補償値rfとの和を操作量rとして矯正機200および学習手段130に出力する。
学習手段130は、教師データDsを用いて予測モデルMpに対して機械学習を行う。学習手段130は、目標曲率qrと、目標曲率qrに対応する操作量rと、測定値セットdoと、測定値セットdoおよび操作量rの両方に対応する矯正曲率qとを含む少なくとも1つの組合せCm1(第1組合せ)を取得する。学習手段130は、少なくとも1つの組合せCm1のうち、誤差eqの絶対値が基準値α(第1基準値)よりも小さい場合(矯正機200に対して高精度の制御が行われた場合)の測定値セットdoと操作量rとを含む少なくとも1つの組合せCm2(第2組合せ)を機械学習の正解データとして教師データDsに追加する。基準値αは、たとえば、実機実験、シミュレーション、製品の規格値、あるいは製造工程の管理値に基づいて適宜決定することができる。
学習手段130は、教師データDsにおいて、測定値セットdoに含まれる少なくとも1つの測定値の各々の絶対値が当該測定値に対応する基準値β(第2基準値)よりも小さい場合(制御系が定常状態である場合)の操作量rの平均値rb0を算出する。基準値βは、たとえば、実機実験、シミュレーション、製品の規格値、あるいは製造工程の管理値に基づいて適宜決定することができる。学習手段130は、測定値セットdoと、操作量rおよび平均値rb0の差(=r-rb0)としてのフィードフォワード補償値rfとの関係を、フィードフォワード補償値rfを目的変数とするとともに、測定値セットdoを説明変数とする関数(回帰曲線)として近似する。予測モデルMpは、当該関数を含む。学習手段130は、少なくとも1つの組合せCm1のうち測定値セットdoに含まれる測定値のいずれかの絶対値が基準値βより大きい組合せCm3(第3組合せ)の数に対する、少なくとも1つの組合せCm2のうち当該測定値の絶対値が基準値βより大きい組合せCm4(第4組合せ)の数の割合Crが基準値δ(第3基準値)より大きい場合、予測モデルMpに対する機械学習を終了する。
学習手段130は、予測モデルMpに対する機械学習(初回の学習または追加学習)が終了し、かつ、割合Crが基準値δ以下である場合、矯正機200の特性が変化したとして、予測モデルMpに対する機械学習(追加学習)を再開する。基準値δは、たとえば、実機実験、シミュレーション、製品の規格値、ある製造工程の管理値に基づいて適宜決定することができる。矯正機200の特性には、たとえば、測定値セットdoおよび操作量rと、矯正曲率qとの対応関係が含まれる。
制御装置100によれば、フィードフォワード制御の結果から教師データDsが選択されるため、フィードフォワード制御と並行して測定値セットdoおよび矯正機200の特性に予測モデルMpをリアルタイムに適合させることができる。その結果、矯正機200の調整に要するユーザの負担を軽減することができるとともに、矯正機200に対するフィードフォワード制御の精度を向上させて矯正曲率の偏りおよびばらつきを低減することができる。また、矯正曲率qに影響を与える様々な因子に基づいて予測モデルが最適化されるため、矯正機に対するフィードフォワード制御の精度をさらに向上させることができる。また、予測モデルMpの精度が十分に高くなるまで機械学習が継続されるため、矯正機200に対するフィードフォワード制御の精度を十分に向上させることができる。さらに、矯正機200の特性の変化に応じて予測モデルMpが当該特性に再適合されるため、矯正機200の特性の変化によるフィードフォワード制御の精度の低下を抑制することができる。
図2は、図1の矯正機200の具体的な構成を示す図である。図2において、X軸、Y軸およびZ軸は、互いに直交している。後に説明する図3においても同様である。図2に示されるように、矯正機200は、ボビンBn(線材供給部)と、複数のローラRo1~Ro7と、切断部Ctと、線材移動部Muと、センサSd1,Sd2,Sd3,Sd4,Sd5,Sd6,Sd7と、センサSd10,Sd11,Sd12,Sd13,Sd14,Sd15,Sd16,Sd17と、センサSL2,SL3,SL4,SL5,SL6と、サーボモータMs2,Ms4,Ms6とを含む。
ボビンBnにおいて、X軸方向に延在する巻回軸Wsに線材Wrが巻回されている。切断部Ctは、線材Wrを一定の間隔で切断し、複数の切断線材Cwを生成する。
複数のローラRo1~Ro7は、ボビンBnから引き出された線材WrをZ軸方向に挟むようにY軸方向に互い違いに配置され、線材WrをZ軸方向に押圧する。サーボモータMs2,Ms4,Ms6は、制御装置100からの操作量rに応じて、ローラRo2,Ro4,Ro6のZ軸方向の位置を変化させる。ローラRo2,Ro4,Ro6の各々は、Z軸方向の正方向に線材Wrを押圧する。ローラRo3,Ro5の各々は、Z軸方向の負方向に線材Wrを押圧する。
線材移動部Muは、ボビンBnから線材Wrを引き出して複数のローラRo1~Ro7を介して切断部CtまでY軸方向に沿って移動させる。線材移動部Muは、サーボモータMs8と、エンコーダSeとを含む。サーボモータMs8は、制御装置100からの操作量rに応じて回転速度を変化させることにより、線材WrのY軸方向の移動速度を変化させる。エンコーダSeによって測定された線材Wrに関する測定値は、測定値セットdoに含まれる。当該測定値は、線材WrのY軸方向の移動速度を取得するために制御装置100によって用いられる。
センサSd1~Sd7によってそれぞれ測定される複数のローラRo1~Ro7に関する複数の測定値は、測定値セットdoに含まれる。当該複数の測定値は、複数のローラRo1~Ro7のそれぞれの複数の位置、または複数のローラRo1~Ro7のローラピッチ(Y軸方向において隣接するローラ間の間隔)を取得するために制御装置100によって用いられる。センサSd1~Sd7の各々は、たとえば変位センサまたは温度センサを含む。
センサSd10によって測定される線材Wrに関する測定値は、測定値セットdoに含まれる。当該測定値は、ボビンBnの巻き位置(巻回軸Wsの半径方向において最も外側にある線材Wrの位置)を取得するために制御装置100によって用いられる。センサSd10は、たとえば変位センサを含む。
センサSd11によって測定される線材Wrに関する測定値は、測定値セットdoに含まれる。当該測定値は、複数のローラRo1~Ro7によって押圧される前の、線材Wrの部分(第2部分)の位置、寸法、および初期曲率を取得するために制御装置100によって用いられる。センサSd11は、たとえば、測長センサまたは変位センサを含む。
センサSd12~Sd16によってそれぞれ測定される複数のローラRo2~Ro6に関する複数の測定値は、測定値セットdoに含まれる。当該複数の測定値は、ローラRo2~Ro6の位置をそれぞれ取得するために制御装置100によって用いられる。センサSd12~Sd16の各々は、たとえば、変位センサを含む。
センサSL2~SL6によって測定される複数の測定値は、測定値セットdoに含まれる。当該複数の測定値は、ローラRo2~Ro6によって線材Wrに加えられる複数の圧力をそれぞれ取得するために制御装置100によって用いられる。センサSL2~SL6の各々は、たとえば、荷重センサを含む。
センサSd17によって測定される線材Wrに関する測定値は、複数のローラRo1~Ro7によって押圧された後であって、切断部Ctによって切断される前の、線材Wrの部分(第1部分)の矯正曲率qを取得するために制御装置100によって用いられる。センサSd17は、たとえば、変位センサを含む。
なお、矯正曲率qは、切断線材Cwの測定値から算出されてもよい。図3は、図1の矯正機200の具体的な構成の他の例を示す図である。図3に示される矯正機200の構成は、図2のセンサSd17に替えてセンサSd18が加えられた構成である。これ以外の構成は図2と同様であるため、同様の構成についての説明を繰り返さない。
図3に示されるように、センサSd18によって測定された切断線材Cwに関する測定値は、矯正曲率qを取得するために制御装置100によって用いられる。
図4は、図2および図3の複数のローラRo1~Ro7による線材Wrの矯正過程を示す図である。図4において、縦軸は複数のローラRo1~Ro7の各々によって線材Wrに加えられる曲げモーメントを示し、横軸は線材Wrの曲率を示す。曲げモーメントMe1~Me2の領域は、線材Wrが弾性変形する弾性領域を表す。曲げモーメントMe2は正であり、曲げモーメントMe1は負である。曲げモーメントMe1の絶対値は、曲げモーメントMe2の絶対値に等しい。曲げモーメントの絶対値が弾性領域を超えると、降伏応力による塑性変形が線材Wrに発生する。線材Wrの降伏応力に応じて弾性領域が変化する。
図2および図4を併せて参照しながら、矯正の概念を説明する。厳密には前後のローラにより線材Wrの曲率および曲げモーメントは決まるが、ここでは簡略化して説明する。点Psにおける曲率および曲げモーメントは、それぞれκs(<0)および0である。曲率κsは、初期曲率である。点Psから点P2までの過程がローラRo2による矯正過程である。当該過程においてローラRo2は、線材WrをZ軸方向の正方向に押圧する。点P2における曲率および曲げモーメントは、それぞれκ2(>0)およびM2(>Me2)である。
点P2から点P3までの過程がローラRo3による矯正過程である。当該過程においてローラRo3は、線材WrをZ軸方向の負方向に押圧する。点P3における曲率および曲げモーメントは、それぞれκ3(<0)およびM3(<Me1)である。
点P3から点P4までの過程がローラRo4による矯正過程である。当該過程においてローラRo4は、線材WrをZ軸方向の正方向に押圧する。点P4における曲率および曲げモーメントは、それぞれκ4(>0)およびM4(>Me2)である。曲率κ4は、曲率κ2より小さい。曲げモーメントM4は、曲げモーメントM2より小さい。
点P4から点P5までの過程がローラRo5による矯正過程である。当該過程においてローラRo5は、線材WrをZ軸方向の負方向に押圧する。点P5における曲率および曲げモーメントは、それぞれκ5(<0)およびM5(<Me1)である。曲率κ5は、曲率κ3より大きい。曲げモーメントM5は、曲げモーメントM3より大きい。
点P5から点P6までの過程がローラRo6による矯正過程である。当該過程においてローラRo6は、線材WrをZ軸方向の正方向に押圧する。点P6における曲率および曲げモーメントは、それぞれκ6(>0)およびM6(>Me2)である。曲率κ6は、曲率κ4より小さい。曲げモーメントM6は、曲げモーメントM4より小さい。
複数のローラRo1~Ro7による線材Wrへの押圧が終了後、線材Wrの曲げモーメントの減少に伴い、線材Wrの曲率は曲率κ6から矯正曲率κf(<κ6)へ変化する。
図5は、測定値セットdoおよび操作量rの分布図である。なお、図5においては、教師データDsおよび予測モデルMpに関する説明を分かり易くするため、測定値セットdoに含まれる測定値が1つ(測定値セットdoの次元が1)という最も単純な場合の分布図が示されている。後に説明する図6,図7,図9,図10に関しても同様である。
図5おいて、四角の点は、複数の組合せCm1のうち、誤差eqの絶対値が基準値α以上である場合の組合せCm1を表し、丸の点は誤差eqの絶対値が基準値αより小さい場合の組合せCm2を表す。学習手段130は、丸の点で表される複数の組合せCm2を教師データDsに追加する。
図6は、図5の操作量rと予測モデルMpの目的変数rfとの関係を示す図である。図6に示されるように、複数の組合せCm2の各々の操作量rから平均値rb0が引かれたデータが、目的変数rfに対応する。
図7は、学習済みの予測モデルMpによって表現される目的変数rfと説明変数doとの関係を示す図である。当該関係は、学習手段130によって、回帰曲線Rcとして近似される。図7に示されるように、予測モデルMpは、測定値セットdoを受けて、回帰曲線Rcにおいて測定値セットdoに対応する目的変数rfを出力する。
図8は、4つの組合せCm1~Cm4をそれぞれ含む4つのデータセットScm1,Scm2,Scm3,Scm4の包含関係を示すベン図である。データセットScm1は、目標曲率qrと、操作量rと、測定値セットdoと、矯正曲率qとを含む組合せCm1の全てを含むデータセットである。データセットScm2は、データセットScm1のうち、誤差eqの絶対値が基準値αよりも小さい場合の測定値セットdoと操作量rとを含む組合せCm2の全てを含むデータセットである。データセットScm3は、データセットScm1のうち、測定値セットdoの各測定値の絶対値が当該測定値に対応する基準値βより大きい場合の組合せCm3の全てを含むデータセットである。データセットScm4は、データセットScm2のうち、測定値セットdoの各測定値の絶対値が当該測定値に対応する基準値βより大きい組合せCm4の全てを含むデータセットである。図8に示されるように、データセットScm1は、データセットScm2,Scm3を包含する。データセットScm4は、データセットScm2とScm3との共通部分(積集合)である。平均値rb0は、データセットScm2からデータセットScm4が除かれたデータセットの平均値である。
図9は、予測モデルMpが未学習である場合の測定値セットdo、操作量r、および矯正曲率qの各々のタイムチャートを示す図である。図9に示されるように、500秒の時刻において、一次遅れ系のステップ応答と同様の変化をする測定値セットdoが入力されている。測定値セットdoに応じて、500秒から600秒の時間間隔における矯正曲率qには、パルス状のノイズが重畳されている。
図10は、予測モデルMpが学習済みである場合の測定値セットdo、操作量r、および矯正曲率qの各々のタイムチャートを示す図である。図10においても図9と同様に、500秒の時刻において、一次遅れ系のステップ応答と同様の変化をする測定値セットdoが入力されている。しかし、矯正曲率qには、図9に示されているようなパルス状のノイズはほとんど生じていない。図10においては、学習済みの予測モデルMpが予測するフィードフォワード補償値rfによって操作量rが修正されることにより、矯正曲率qの変動が抑制されている。
図11は、図1のフィードバック制御系、フィードフォワード制御系、および学習手段130の各々によって行われる処理の流れを示すフローチャートを示す図である。フィードバック制御系およびフィードフォワード制御系の各々のフローチャートに対応するルーチンは、たとえば、サンプリングタイム毎に実行される。学習手段130のフローチャートに対応するルーチンは、たとえば、フィードフォワード制御系の各々のフローチャートに対応するルーチンの初回実行に応じて実行される。以下ではステップを単にSと記載する。
図11に示されるように、減算器150は、S111において、目標曲率qrと矯正曲率qとの誤差eqを算出してフィードバック制御手段110に出力する。フィードバック制御手段110は、S312において、誤差eqに基づいてフィードバック操作量rbを決定して加算器160に出力して、処理を終了する。
フィードフォワード補償手段120は、S121において、測定値セットdoからフィードフォワード補償値rfを決定して加算器160に出力する。加算器160は、S122において、フィードバック操作量rbとフィードフォワード補償値rfとの和を操作量rとして矯正機200および学習手段130に出力して、処理を終了する。
学習手段130は、S130において予測モデルMpに対して教師データDsを用いた機械学習を行って、処理を終了する。なお、複数の操作量rが制御装置100から矯正機200に出力される場合には、複数の操作量rの各々について、図11に示される処理が行われる。
図12は、図11の機械学習処理S130の具体的な処理の流れを示すフローチャートである。学習手段130は、S131において、目標曲率qr、操作量r、測定値セットdo、および矯正曲率qを取得して誤差eqを算出して処理をS132に進める。学習手段130は、S132において誤差eqの絶対値が基準値αより小さいか否かを判定する。誤差eqの絶対値が基準値α以上である場合(S132においてNO)、学習手段130は、処理をS137に進める。
誤差eqの絶対値が基準値αより小さい場合(S132においてYES)、学習手段130は、S133において、測定値セットdoと操作量rとを含む組合せCm2を教師データDsに追加して処理をS134に進める。学習手段130は、S134において、教師データDsにおいて測定値セットdoの各測定値の絶対値が当該測定値に対応する基準値βよりも小さい場合の操作量rの平均値rb0を算出して処理をS135に進める。学習手段130は、S135において、予測モデルMpによって表現される測定値セットdoと、操作量rおよび平均値rb0の差としてのフィードフォワード補償値rfとの関係を、フィードフォワード補償値rfを目的変数とするとともに、測定値セットdoを説明変数とする関数(回帰曲線)として近似して処理をS136に進める。
学習手段130は、S136において、少なくとも1つの組合せCm1のうち測定値セットdoの絶対値が基準値βより大きい組合せCm3の数N1に対する、少なくとも1つの組合せCm2のうち測定値セットdoの絶対値が基準値βより大きい組合せCm4の数N2の割合Cr(=N2/N1)を算出して、処理をS137に進める。学習手段130は、S137において、割合Crが基準値δより大きいか否かを判定する。割合Crが基準値δ以下である場合(S137においてNO)、学習手段130は、矯正機200へのフィードフォワード制御の精度が不十分であるとして、処理をS131に戻す。割合Crが基準値δより大きい場合(S137においてYES)、矯正機200へのフィードフォワード制御の精度が十分に高まったとして、学習手段130は、機械学習を終了する。
図13は、図1の学習手段130によって行われる追加学習処理の流れを示す図である。図13に示される処理は、たとえば、初回の機械学習が開始した後、サンプリングタイム毎に実行される。学習手段130は、S131Aにおいて、機械学習が終了し、かつ、割合Crが基準値δ以下であるか否かを判定する。機械学習が終了していないか、または割合Crが基準値δより大きい場合(S131AにおいてNO)、矯正機200の特性が変化しておらず既存の学習済みの予測モデルMpが矯正機200に適合しているとして、学習手段130は、処理を終了する。
機械学習が終了し、かつ割合Crが基準値δより以下である場合(S131AにおいてYES)、学習手段130は、前回の機械学習が終了した後、矯正機200の特性が変化したとして、予測モデルMpを矯正機200の特性に再度適合させるために、図8と同様のS130において予測モデルMpに対する機械学習を再開する。制御装置100によれば、矯正機200の特性の変化に応じて予測モデルMpに対する追加学習が行われるため、矯正機200の特性の変化によるフィードフォワード制御の精度の低下を抑制することができる。
[実施の形態1の変形例1]
実施の形態1においては、予測モデルによって、測定値セットdoと、操作量rおよび平均値rb0の差としてのフィードフォワード補償値rfとの関係が表現される場合について説明した。実施の形態1の変形例1においては、予測モデルによって表現される関係が、測定値セットdoと操作量rとの関係である場合について説明する。
実施の形態1においては、予測モデルによって、測定値セットdoと、操作量rおよび平均値rb0の差としてのフィードフォワード補償値rfとの関係が表現される場合について説明した。実施の形態1の変形例1においては、予測モデルによって表現される関係が、測定値セットdoと操作量rとの関係である場合について説明する。
図14は、図11の機械学習処理S130の具体的な処理の流れの他の例を示すフローチャートである。図14に示されるフローチャートは、図12のS135がS135Bに置き換えられたフローチャートである。図14に示されるように、学習手段130は、実施の形態1と同様にS131~S134を行った後、S135Bにおいて、予測モデルMpによって表現される測定値セットdoと操作量rとの関係を、操作量rを目的変数とするとともに、測定値セットdoを説明変数とする関数(回帰曲線)として近似して処理をS136に進める。学習手段130は、実施の形態1と同様にS136,S137を行って処理を終了する。フィードフォワード補償手段120は、予測モデルMpを用いて測定値セットdoから操作量rを予測し、操作量rから平均値rb0を引いた値(=r-rb0)をフィードフォワード補償値rfとして加算器160に出力する。
[実施の形態1の変形例2]
実施の形態1においては、フィードバック制御系およびフィードフォワード制御系の両方が含まれる構成について説明した。実施の形態1の変形例2においては、フィードバック制御系が含まれない構成について説明する。
実施の形態1においては、フィードバック制御系およびフィードフォワード制御系の両方が含まれる構成について説明した。実施の形態1の変形例2においては、フィードバック制御系が含まれない構成について説明する。
図15は、実施の形態1の変形例2に係る、線材の矯正機200の制御装置100Aの機能構成を示すブロック図である。制御装置100Aの構成は、図1の制御装置100から減算器150およびフィードバック制御手段110が除かれた構成である。これ以外は同様であるため、同様の構成についての説明を繰り返さない。なお、加算器160は、制御装置100Aに含まれていなくてもよい。
制御装置100Aは、矯正機200によって矯正された線材の矯正曲率qが目標曲率qrに近づくようにフィードフォワード補償値rfを決定する。制御装置100Aによれば、既存のフィードバック制御系を残存させながら、当該フィードバック制御系に制御装置を追加することにより、既存のフィードバック制御系をフィードフォワード制御系および学習機能を含む制御系に容易に拡張することができる。
以上、実施の形態1および変形例1,2に係る制御装置および制御方法によれば、線材の矯正機に対するフィードフォワード制御の精度を向上させることができる。
[実施の形態2]
実施の形態1においてはフィードバック制御系と、フィードフォワード制御系と、予測モデルに対して機械学習を行う構成とが1つの制御装置に含まれている場合について説明した。実施の形態3においては、フィードバック制御系と、フィードフォワード制御系と、予測モデルに対して機械学習を行う構成とが互いに別個の装置に分かれている構成について説明する。
実施の形態1においてはフィードバック制御系と、フィードフォワード制御系と、予測モデルに対して機械学習を行う構成とが1つの制御装置に含まれている場合について説明した。実施の形態3においては、フィードバック制御系と、フィードフォワード制御系と、予測モデルに対して機械学習を行う構成とが互いに別個の装置に分かれている構成について説明する。
図16は、実施の形態2に係る制御システム2の機能構成を示すブロック図である。図16において図1と同様の参照符号が付されている構成は、実施の形態1において説明された当該参照符号によって特定される構成と同様の機能を有するため、当該同様の構成についての説明を繰り返さない。
図16に示されるように、制御システム2は、フィードバック制御装置11と、フィードフォワード補償装置12と、学習装置13とを備える。フィードバック制御装置11は、フィードバック制御手段110と、減算器150とを含む。フィードフォワード補償装置12は、フィードフォワード補償手段120と、加算器160とを含む。学習装置13は、学習手段130と、記憶手段140とを含む。フィードバック制御装置11、フィードフォワード補償装置12、学習装置13、および矯正機200は、ネットワークを介して互いに接続され、互いに遠隔に配置されていてもよい。なお、加算器160は、フィードフォワード補償装置12ではなく、フィードバック制御装置11に含まれていてもよい。
制御システム2によれば、既存のフィードバック制御装置を残存させながら、当該フィードバック制御装置にフィードフォワード補償装置および学習装置を追加することにより、既存の制御システムを容易に拡張することができる。
以上、実施の形態2に係る制御システムおよび制御方法によれば、線材の矯正機に対するフィードフォワード制御の精度を向上させることができる。
[実施の形態3]
実施の形態3においては、実施の形態1に係る制御装置の一例として、当該制御装置がPLC(Programmable Logic Controller)を含む構成について説明する。
実施の形態3においては、実施の形態1に係る制御装置の一例として、当該制御装置がPLC(Programmable Logic Controller)を含む構成について説明する。
<制御システムのネットワーク構成例>
図17は、実施の形態3に係る制御システム3のネットワーク構成例を示す模式図である。図17に示されるように、制御システム3は、複数のデバイスが互いに通信可能に構成されたデバイス群を含む。典型的には、デバイスは、制御プログラムを実行する処理主体である制御装置300と、制御装置300に接続される周辺装置とを含み得る。制御装置300は、図1に示される制御装置100と同様の機能構成を有する。
図17は、実施の形態3に係る制御システム3のネットワーク構成例を示す模式図である。図17に示されるように、制御システム3は、複数のデバイスが互いに通信可能に構成されたデバイス群を含む。典型的には、デバイスは、制御プログラムを実行する処理主体である制御装置300と、制御装置300に接続される周辺装置とを含み得る。制御装置300は、図1に示される制御装置100と同様の機能構成を有する。
制御装置300は、各種の設備または装置などの制御対象を制御する産業用コントローラに相当する。制御装置300は、制御演算を実行する一種のコンピュータであり、典型的には、PLC(Programmable Logic Controller)を含む。制御装置300は、フィールドネットワーク20を介して矯正機200に接続されている。制御装置300は、フィールドネットワーク20を介して、少なくとも1つの矯正機200との間でデータを遣り取りする。
制御装置300において実行される制御演算は、矯正機200において収集または生成されたデータを収集する処理、矯正機200に対する指令値(操作量)などのデータを生成する処理、および生成した出力データを対象の矯正機200へ送信する処理などを含む。矯正機200において収集または生成されたデータには、矯正機200から得られた測定値に関するデータ、および指令値に従って矯正機200が実際に動作した結果としての制御量が含まれる。矯正機200に対する指令値は、制御装置300によって実行される制御プログラムに基づいて算出された制御目標値(目標曲率)と実際の制御量(矯正曲率)との誤差に基づいて暫定的に算出された操作量に、予測モデルによって測定値から予測されたフィードフォワード補償値が加算されることによって決定される。
フィールドネットワーク20は、定周期通信を行うバスまたはネットワークを採用することが好ましい。このような定周期通信を行うバスまたはネットワークとしては、EtherCAT(登録商標)、EtherNet/IP(登録商標)、DeviceNet(登録商標)、またはCompoNet(登録商標)などが知られている。データの到達時間が保証される点において、EtherCAT(登録商標)が好ましい。
フィールドネットワーク20には、他の矯正機200および任意のフィールドデバイスを接続することができる。フィールドデバイスには、フィールド側にあるロボットまたはコンベアなどに対して何らかの物理的な作用を与えるアクチュエータ、および、フィールドとの間で情報を遣り取りする入出力装置などが含まれる。
制御装置300は、上位ネットワーク32を介して、他の装置にも接続されている。上位ネットワーク32は、ゲートウェイ700を介して、外部ネットワークであるインターネット900に接続されている。上位ネットワーク32には、一般的なネットワークプロトコルであるイーサネット(登録商標)、あるいはEtherNet/IP(登録商標)が採用されてもよい。より具体的には、上位ネットワーク32には、少なくとも1つのサーバ装置600および少なくとも1つの表示装置500が接続されてもよい。
サーバ装置600としては、データベースシステム、または製造実行システム(MES:Manufacturing Execution System)などが想定される。製造実行システムは、制御対象の製造装置または設備からの情報を取得して、生産全体を監視および管理するものであり、オーダ情報、品質情報、あるいは出荷情報などを扱うこともできる。これらに限らず、情報系サービスを提供する装置を上位ネットワーク32に接続するようにしてもよい。情報系サービスとしては、制御対象の製造装置または設備からの情報を取得して、マクロ的またはミクロ的な分析などを行う処理が想定される。たとえば、情報系サービスとしては、制御対象の製造装置または設備からの情報に含まれる何らかの特徴的な傾向を抽出するデータマイニング、あるいは制御対象の設備または機械からの情報に基づく機械学習を行うための機械学習ツールなどが想定される。
表示装置500は、ユーザからの操作を受けて、制御装置300に対してユーザ操作に応じたコマンドなどを出力するとともに、制御装置300での演算結果などをグラフィカルに表示する。
制御装置300には、サポート装置400が接続可能になっている。サポート装置400は、上位ネットワーク32またはインターネット900を介して制御装置300に接続されてもよい。サポート装置400は、制御装置300が制御対象を制御するために必要な準備を支援する装置である。具体的には、サポート装置400は、制御装置300で実行されるプログラムの開発環境(プログラム作成編集ツール、パーサ、およびコンパイラなど)、制御装置300および制御装置300に接続される各種デバイスの構成情報(コンフィギュレーション)を設定するための設定環境、生成したプログラムを制御装置300へ出力する機能、および制御装置300上で実行されるプログラムなどをオンラインで修正および変更を行う機能などを提供する。
制御システム3においては、制御装置300、サポート装置400、および表示装置500がそれぞれ別体として構成されているが、これらの機能の全部または一部を単一の装置に集約するような構成が採用されてもよい。
制御装置300は、一の生産現場のみで使用される場合に限らず、他の生産現場においても使用される。また、一の生産現場内においても複数の異なるラインで使用される場合もある。
<制御装置のハードウェア構成例>
図18は、図17の制御装置300のハードウェア構成例を示すブロック図である。図18に示されるように、制御装置300は、プロセッサ302と、メインメモリ304と、ストレージ360と、メモリカードインターフェイス312と、上位ネットワークコントローラ306と、フィールドネットワークコントローラ308と、ローカルバスコントローラ316と、USB(Universal Serial Bus)インターフェイスを提供するUSBコントローラ370とを含む。これらのコンポーネントは、プロセッサバス318を介して接続されている。
図18は、図17の制御装置300のハードウェア構成例を示すブロック図である。図18に示されるように、制御装置300は、プロセッサ302と、メインメモリ304と、ストレージ360と、メモリカードインターフェイス312と、上位ネットワークコントローラ306と、フィールドネットワークコントローラ308と、ローカルバスコントローラ316と、USB(Universal Serial Bus)インターフェイスを提供するUSBコントローラ370とを含む。これらのコンポーネントは、プロセッサバス318を介して接続されている。
プロセッサ302は、制御演算を実行する演算処理部に相当し、CPU(Central Processing Unit)および/またはGPU(Graphics Processing Unit)などで構成される。具体的には、プロセッサ302は、ストレージ360に保存されたプログラムを読み出して、メインメモリ304に展開して実行することで、矯正機200に対する制御演算を実現する。
メインメモリ304は、DRAM(Dynamic Random Access Memory)および/またはSRAM(Static Random Access Memory)などの揮発性記憶装置などで構成される。ストレージ360は、たとえば、SSD(Solid State Drive)および/またはHDD(Hard Disk Drive)などの不揮発性記憶装置などで構成される。
ストレージ360には、制御プログラムPcと、教師データDsと、予測モデルMpとが保存されている。ストレージ360は、図1の記憶手段140に対応する。制御プログラムPcは、制御装置300を統合的に制御して、制御装置300の各機能を実現するためのプログラムを含む。すなわち、制御プログラムPcを実行するプロセッサ302が、図1のフィードバック制御系(フィードバック制御手段110および減算器150)、フィードフォワード制御系(フィードフォワード補償手段120および加算器160)、ならびに学習手段130に対応する。
メモリカードインターフェイス312は、着脱可能な記憶媒体の一例であるメモリカード314を受け付ける。メモリカードインターフェイス312は、メモリカード314に対して任意のデータの読み書きが可能になっている。
上位ネットワークコントローラ306は、上位ネットワーク32(たとえばローカルエリアネットワーク)を介して、上位ネットワーク32に接続された任意の情報処理装置との間でデータを遣り取りする。
フィールドネットワークコントローラ308は、フィールドネットワーク20を介して、矯正機200との間でデータを遣り取りする。
ローカルバスコントローラ316は、ローカルバス122を介して、制御装置300を構成する任意の機能ユニット380との間でデータを遣り取りする。機能ユニット380は、たとえば、アナログ信号の入力および/または出力を担当するアナログI/Oユニット、デジタル信号の入力および/または出力を担当するデジタルI/Oユニット、ならびにエンコーダなどからのパルスを受け付けるカウンタユニットなどからなる。
USBコントローラ370は、USB接続を介して、任意の情報処理装置との間でデータを遣り取りする。USBコントローラ370には、たとえばサポート装置400が接続される。
以上、実施の形態3に係る制御装置および制御方法によれば、線材の矯正機に対するフィードフォワード制御の精度を向上させることができる。
<付記>
上記したような本実施の形態は、以下のような技術思想を含む。
上記したような本実施の形態は、以下のような技術思想を含む。
[構成1]
矯正機(200)によって矯正された線材(Wr)の矯正曲率(q)が目標曲率(qr)に近づくように前記矯正機(200)へのフィードバック操作量(rb)に対応するフィードフォワード補償値(rf)を決定する、前記矯正機(200)の制御装置(100,100A,300)であって、
前記矯正機(200)は、
巻回された前記線材(Wr)を有する線材供給部(Bn)と、
前記線材供給部(Bn)から引き出された前記線材(Wr)を挟むように互い違いに配置され、前記線材(Wr)を押圧する複数のローラ(Ro1~Ro7)と、
前記線材供給部(Bn)から前記線材(Wr)を引き出して前記複数のローラ(Ro1~Ro7)を通過させる線材移動部(Mu)とを含み、
前記矯正曲率(q)は、前記複数のローラ(Ro1~Ro7)を通過した、前記線材(Wr)の第1部分の曲率であり、
前記フィードバック操作量(rb)は、前記目標曲率(qr)と前記矯正曲率(q)との誤差(eq)に基づいてフィードバック制御手段(110)によって決定され、
前記フィードバック操作量(rb)および前記フィードフォワード補償値(rf)の和が、操作量(r)として前記矯正機(200)に出力され、
前記制御装置(100,100A,300)は、
予測モデル(Mp)を用いて、前記矯正機(200)から得られる測定値(do)から前記フィードフォワード補償値(rf)を決定するフィードフォワード補償手段(120)と、
教師データ(Ds)を用いて前記予測モデル(Mp)に対して機械学習を行う学習手段(130)とを備え、
前記学習手段(130)は、
前記目標曲率(qr)と、前記目標曲率(qr)に対応する前記操作量(r)と、前記測定値(do)と、前記測定値(do)および前記操作量(r)の両方に対応する前記矯正曲率(q)とを含む少なくとも1つの第1組合せ(Cm1)を取得し、
前記少なくとも1つの第1組合せ(Cm1)のうち、前記誤差(eq)の絶対値が第1基準値(α)よりも小さい場合の前記測定値(do)と前記操作量(r)とを含む少なくとも1つの第2組合せ(Cm2)を前記教師データ(Ds)に追加する、矯正機(200)の制御装置(100,100A,300)。
矯正機(200)によって矯正された線材(Wr)の矯正曲率(q)が目標曲率(qr)に近づくように前記矯正機(200)へのフィードバック操作量(rb)に対応するフィードフォワード補償値(rf)を決定する、前記矯正機(200)の制御装置(100,100A,300)であって、
前記矯正機(200)は、
巻回された前記線材(Wr)を有する線材供給部(Bn)と、
前記線材供給部(Bn)から引き出された前記線材(Wr)を挟むように互い違いに配置され、前記線材(Wr)を押圧する複数のローラ(Ro1~Ro7)と、
前記線材供給部(Bn)から前記線材(Wr)を引き出して前記複数のローラ(Ro1~Ro7)を通過させる線材移動部(Mu)とを含み、
前記矯正曲率(q)は、前記複数のローラ(Ro1~Ro7)を通過した、前記線材(Wr)の第1部分の曲率であり、
前記フィードバック操作量(rb)は、前記目標曲率(qr)と前記矯正曲率(q)との誤差(eq)に基づいてフィードバック制御手段(110)によって決定され、
前記フィードバック操作量(rb)および前記フィードフォワード補償値(rf)の和が、操作量(r)として前記矯正機(200)に出力され、
前記制御装置(100,100A,300)は、
予測モデル(Mp)を用いて、前記矯正機(200)から得られる測定値(do)から前記フィードフォワード補償値(rf)を決定するフィードフォワード補償手段(120)と、
教師データ(Ds)を用いて前記予測モデル(Mp)に対して機械学習を行う学習手段(130)とを備え、
前記学習手段(130)は、
前記目標曲率(qr)と、前記目標曲率(qr)に対応する前記操作量(r)と、前記測定値(do)と、前記測定値(do)および前記操作量(r)の両方に対応する前記矯正曲率(q)とを含む少なくとも1つの第1組合せ(Cm1)を取得し、
前記少なくとも1つの第1組合せ(Cm1)のうち、前記誤差(eq)の絶対値が第1基準値(α)よりも小さい場合の前記測定値(do)と前記操作量(r)とを含む少なくとも1つの第2組合せ(Cm2)を前記教師データ(Ds)に追加する、矯正機(200)の制御装置(100,100A,300)。
[構成2]
前記操作量(r)は、前記複数のローラ(Ro2~Ro6)の位置および前記線材(Wr)の移動速度の少なくとも1つを変化させ、
前記制御装置(100,100A,300)は、前記測定値(do)から、
前記線材(Wr)の移動速度、
前記第1部分の位置、
前記複数のローラ(Ro1~Ro7)によって押圧される前の、前記線材(Wr)の第2部分の位置、前記第2部分の寸法、および前記第2部分の曲率、
前記線材供給部(Bn)における前記線材(Wr)の巻き位置、
前記複数のローラ(Ro2~Ro6)の各々の位置、前記複数のローラ(Ro1~Ro7)の各々の半径、前記複数のローラ(Ro1~Ro7)のピッチ、および前記複数のローラ(Ro2~Ro6)の圧力のうち、
少なくとも1つを取得する、構成1に記載の矯正機(200)の制御装置(100,100A,300)。
前記操作量(r)は、前記複数のローラ(Ro2~Ro6)の位置および前記線材(Wr)の移動速度の少なくとも1つを変化させ、
前記制御装置(100,100A,300)は、前記測定値(do)から、
前記線材(Wr)の移動速度、
前記第1部分の位置、
前記複数のローラ(Ro1~Ro7)によって押圧される前の、前記線材(Wr)の第2部分の位置、前記第2部分の寸法、および前記第2部分の曲率、
前記線材供給部(Bn)における前記線材(Wr)の巻き位置、
前記複数のローラ(Ro2~Ro6)の各々の位置、前記複数のローラ(Ro1~Ro7)の各々の半径、前記複数のローラ(Ro1~Ro7)のピッチ、および前記複数のローラ(Ro2~Ro6)の圧力のうち、
少なくとも1つを取得する、構成1に記載の矯正機(200)の制御装置(100,100A,300)。
[構成3]
前記学習手段(130)は、
前記教師データ(Ds)において、前記測定値(do)の絶対値が第2基準値(β)よりも小さい場合の前記操作量(r)の平均値(rb0)を算出し、
前記予測モデル(Mp)によって表現される、前記測定値(do)と、前記操作量(r)および前記平均値(rb0)の差としての前記フィードフォワード補償値(rf)との関係を、前記フィードフォワード補償値(rf)を目的変数とするとともに、前記測定値(do)を説明変数とする関数として近似し、
前記少なくとも1つの第1組合せ(Cm1)のうち前記測定値(do)の絶対値が前記第2基準値(β)より大きい第3組合せ(Cm3)の数に対する、前記少なくとも1つの第2組合せ(Cm2)のうち前記測定値(do)の絶対値が前記第2基準値(β)より大きい第4組合せ(Cm4)の数の割合(Cr)が第3基準値(δ)より大きい場合、前記機械学習を終了する、構成1または2に記載の制御装置(100,100A,300)。
前記学習手段(130)は、
前記教師データ(Ds)において、前記測定値(do)の絶対値が第2基準値(β)よりも小さい場合の前記操作量(r)の平均値(rb0)を算出し、
前記予測モデル(Mp)によって表現される、前記測定値(do)と、前記操作量(r)および前記平均値(rb0)の差としての前記フィードフォワード補償値(rf)との関係を、前記フィードフォワード補償値(rf)を目的変数とするとともに、前記測定値(do)を説明変数とする関数として近似し、
前記少なくとも1つの第1組合せ(Cm1)のうち前記測定値(do)の絶対値が前記第2基準値(β)より大きい第3組合せ(Cm3)の数に対する、前記少なくとも1つの第2組合せ(Cm2)のうち前記測定値(do)の絶対値が前記第2基準値(β)より大きい第4組合せ(Cm4)の数の割合(Cr)が第3基準値(δ)より大きい場合、前記機械学習を終了する、構成1または2に記載の制御装置(100,100A,300)。
[構成4]
前記学習手段(130)は、
前記教師データ(Ds)において、前記測定値(do)の絶対値が第2基準値(β)よりも小さい場合の前記操作量(r)の平均値(rb0)を算出し、
前記予測モデル(Mp)によって表現される前記測定値(do)と前記操作量(r)との関係を、前記操作量(r)を目的変数とするとともに、前記測定値(do)を説明変数とする関数として近似し、
前記少なくとも1つの第1組合せ(Cm1)のうち前記測定値(do)の絶対値が前記第2基準値(β)より大きい第3組合せ(Cm3)の数に対する、前記少なくとも1つの第2組合せ(Cm2)のうち前記測定値(do)の絶対値が前記第2基準値(β)より大きい第4組合せ(Cm4)の数の割合(Cr)が第3基準値(δ)より大きい場合、前記機械学習を終了し、
前記フィードフォワード補償手段(120)は、前記予測モデル(Mp)によって前記測定値(do)から予測された前記操作量(r)から前記平均値(rb0)を引いた値を前記フィードフォワード補償値(rf)として決定する、構成1または2に記載の制御装置(100,100A,300)。
前記学習手段(130)は、
前記教師データ(Ds)において、前記測定値(do)の絶対値が第2基準値(β)よりも小さい場合の前記操作量(r)の平均値(rb0)を算出し、
前記予測モデル(Mp)によって表現される前記測定値(do)と前記操作量(r)との関係を、前記操作量(r)を目的変数とするとともに、前記測定値(do)を説明変数とする関数として近似し、
前記少なくとも1つの第1組合せ(Cm1)のうち前記測定値(do)の絶対値が前記第2基準値(β)より大きい第3組合せ(Cm3)の数に対する、前記少なくとも1つの第2組合せ(Cm2)のうち前記測定値(do)の絶対値が前記第2基準値(β)より大きい第4組合せ(Cm4)の数の割合(Cr)が第3基準値(δ)より大きい場合、前記機械学習を終了し、
前記フィードフォワード補償手段(120)は、前記予測モデル(Mp)によって前記測定値(do)から予測された前記操作量(r)から前記平均値(rb0)を引いた値を前記フィードフォワード補償値(rf)として決定する、構成1または2に記載の制御装置(100,100A,300)。
[構成5]
前記学習手段(130)は、前記機械学習が終了し、かつ、前記割合(Cr)が前記第3基準値(δ)より小さい場合、前記機械学習を再開する、構成3または4に記載の制御装置(100,100A,300)。
前記学習手段(130)は、前記機械学習が終了し、かつ、前記割合(Cr)が前記第3基準値(δ)より小さい場合、前記機械学習を再開する、構成3または4に記載の制御装置(100,100A,300)。
[構成6]
矯正機(200)によって矯正された線材(Wr)の矯正曲率(q)が目標曲率(qr)に近づくように前記矯正機(200)へのフィードバック操作量(rb)とフィードフォワード補償値(rf)との和を操作量(r)として前記矯正機(200)に出力する制御システム(2)であって、
前記矯正機(200)は、
巻回された前記線材(Wr)を有する線材供給部(Bn)と、
前記線材供給部(Bn)から引き出された前記線材(Wr)を挟むように互い違いに配置され、前記線材(Wr)を押圧する複数のローラ(Ro1~Ro7)と、
前記線材供給部(Bn)から前記線材(Wr)を引き出して前記複数のローラ(Ro1~Ro7)を通過させる線材移動部(Mu)とを含み、
前記矯正曲率(q)は、前記複数のローラ(Ro1~Ro7)を通過した、前記線材(Wr)の部分の曲率であり、
前記目標曲率(qr)と前記矯正曲率(q)との誤差(eq)に基づいて前記フィードバック操作量(rb)を決定するフィードバック制御装置(11)と、
予測モデル(Mp)を用いて、前記矯正機(200)から得られる測定値(do)から前記フィードフォワード補償値(rf)を決定するフィードフォワード補償装置(12)と、
教師データ(Ds)を用いて前記予測モデル(Mp)に対して機械学習を行う学習装置(13)とを備え、
前記学習装置(13)は、
前記目標曲率(qr)と、前記目標曲率(qr)に対応する前記操作量(r)と、前記測定値(do)と、前記測定値(do)および前記操作量(r)の両方に対応する前記矯正曲率(q)とを含む少なくとも1つの第1組合せ(Cm1)を取得し、
前記少なくとも1つの第1組合せ(Cm1)のうち、前記誤差(eq)の絶対値が第1基準値(α)よりも小さい場合の前記測定値(do)と前記操作量(r)とを含む少なくとも1つの第2組合せ(Cm2)を前記教師データ(Ds)に追加する、制御システム(2)。
矯正機(200)によって矯正された線材(Wr)の矯正曲率(q)が目標曲率(qr)に近づくように前記矯正機(200)へのフィードバック操作量(rb)とフィードフォワード補償値(rf)との和を操作量(r)として前記矯正機(200)に出力する制御システム(2)であって、
前記矯正機(200)は、
巻回された前記線材(Wr)を有する線材供給部(Bn)と、
前記線材供給部(Bn)から引き出された前記線材(Wr)を挟むように互い違いに配置され、前記線材(Wr)を押圧する複数のローラ(Ro1~Ro7)と、
前記線材供給部(Bn)から前記線材(Wr)を引き出して前記複数のローラ(Ro1~Ro7)を通過させる線材移動部(Mu)とを含み、
前記矯正曲率(q)は、前記複数のローラ(Ro1~Ro7)を通過した、前記線材(Wr)の部分の曲率であり、
前記目標曲率(qr)と前記矯正曲率(q)との誤差(eq)に基づいて前記フィードバック操作量(rb)を決定するフィードバック制御装置(11)と、
予測モデル(Mp)を用いて、前記矯正機(200)から得られる測定値(do)から前記フィードフォワード補償値(rf)を決定するフィードフォワード補償装置(12)と、
教師データ(Ds)を用いて前記予測モデル(Mp)に対して機械学習を行う学習装置(13)とを備え、
前記学習装置(13)は、
前記目標曲率(qr)と、前記目標曲率(qr)に対応する前記操作量(r)と、前記測定値(do)と、前記測定値(do)および前記操作量(r)の両方に対応する前記矯正曲率(q)とを含む少なくとも1つの第1組合せ(Cm1)を取得し、
前記少なくとも1つの第1組合せ(Cm1)のうち、前記誤差(eq)の絶対値が第1基準値(α)よりも小さい場合の前記測定値(do)と前記操作量(r)とを含む少なくとも1つの第2組合せ(Cm2)を前記教師データ(Ds)に追加する、制御システム(2)。
[構成7]
矯正機(200)によって矯正された線材(Wr)の矯正曲率(q)が目標曲率(qr)に近づくように前記矯正機(200)へのフィードバック操作量(rb)に対応するフィードフォワード補償値(rf)を決定する、前記矯正機(200)の制御方法であって、
前記矯正機(200)は、
巻回された前記線材(Wr)を有する線材供給部(Bn)と、
前記線材供給部(Bn)から引き出された前記線材(Wr)を挟むように互い違いに配置され、前記線材(Wr)を押圧する複数のローラ(Ro1~Ro7)と、
前記線材供給部(Bn)から前記線材(Wr)を引き出して前記複数のローラ(Ro1~Ro7)を通過させる線材移動部(Mu)とを含み、
前記矯正曲率(q)は、前記複数のローラ(Ro1~Ro7)を通過した前記線材(Wr)の第1部分の曲率であり、
前記フィードバック操作量(rb)は、前記目標曲率(qr)と前記矯正曲率(q)との誤差(eq)に基づいてフィードバック制御手段(110)によって決定され、
前記フィードバック操作量(rb)および前記フィードフォワード補償値(rf)の和が、操作量(r)として前記矯正機(200)に出力され、
前記制御方法は、
予測モデル(Mp)を用いて、前記矯正機(200)から得られる測定値(do)から前記フィードフォワード補償値(rf)を決定するステップと、
教師データ(Ds)を用いて前記予測モデル(Mp)に対して機械学習を行うステップとを含み、
前記機械学習を行うステップは、
前記目標曲率(qr)と、前記目標曲率(qr)に対応する前記操作量(r)と、前記測定値(do)と、前記測定値(do)および前記操作量(r)の両方に対応する前記矯正曲率(q)とを含む少なくとも1つの第1組合せ(Cm1)を取得するステップと、
前記少なくとも1つの第1組合せ(Cm1)のうち、前記誤差(eq)の絶対値が第1基準値(α)よりも小さい場合の前記測定値(do)と前記操作量(r)とを含む少なくとも1つの第2組合せ(Cm2)を前記教師データ(Ds)に追加するステップとを含む、制御方法。
矯正機(200)によって矯正された線材(Wr)の矯正曲率(q)が目標曲率(qr)に近づくように前記矯正機(200)へのフィードバック操作量(rb)に対応するフィードフォワード補償値(rf)を決定する、前記矯正機(200)の制御方法であって、
前記矯正機(200)は、
巻回された前記線材(Wr)を有する線材供給部(Bn)と、
前記線材供給部(Bn)から引き出された前記線材(Wr)を挟むように互い違いに配置され、前記線材(Wr)を押圧する複数のローラ(Ro1~Ro7)と、
前記線材供給部(Bn)から前記線材(Wr)を引き出して前記複数のローラ(Ro1~Ro7)を通過させる線材移動部(Mu)とを含み、
前記矯正曲率(q)は、前記複数のローラ(Ro1~Ro7)を通過した前記線材(Wr)の第1部分の曲率であり、
前記フィードバック操作量(rb)は、前記目標曲率(qr)と前記矯正曲率(q)との誤差(eq)に基づいてフィードバック制御手段(110)によって決定され、
前記フィードバック操作量(rb)および前記フィードフォワード補償値(rf)の和が、操作量(r)として前記矯正機(200)に出力され、
前記制御方法は、
予測モデル(Mp)を用いて、前記矯正機(200)から得られる測定値(do)から前記フィードフォワード補償値(rf)を決定するステップと、
教師データ(Ds)を用いて前記予測モデル(Mp)に対して機械学習を行うステップとを含み、
前記機械学習を行うステップは、
前記目標曲率(qr)と、前記目標曲率(qr)に対応する前記操作量(r)と、前記測定値(do)と、前記測定値(do)および前記操作量(r)の両方に対応する前記矯正曲率(q)とを含む少なくとも1つの第1組合せ(Cm1)を取得するステップと、
前記少なくとも1つの第1組合せ(Cm1)のうち、前記誤差(eq)の絶対値が第1基準値(α)よりも小さい場合の前記測定値(do)と前記操作量(r)とを含む少なくとも1つの第2組合せ(Cm2)を前記教師データ(Ds)に追加するステップとを含む、制御方法。
今回開示された各実施の形態は、矛盾しない範囲で適宜組み合わされて実施されることも予定されている。今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。
2,3 制御システム、11 フィードバック制御装置、12 フィードフォワード補償装置、13 学習装置、20 フィールドネットワーク、32 上位ネットワーク、100,100A,300 制御装置、110 フィードバック制御手段、120 フィードフォワード補償手段、122 ローカルバス、130 学習手段、140 記憶手段、150 減算器、160 加算器、200 矯正機、302 プロセッサ、304 メインメモリ、306 上位ネットワークコントローラ、308 フィールドネットワークコントローラ、312 メモリカードインターフェイス、314 メモリカード、316 ローカルバスコントローラ、318 プロセッサバス、360 ストレージ、370 コントローラ、380 機能ユニット、400 サポート装置、500 表示装置、600 サーバ装置、700 ゲートウェイ、900 インターネット、Bn ボビン、Cm1~Cm4 組合せ、Cr 割合、Ct 切断部、Cw 切断線材、Ds 教師データ、M2~M6,Me1,Me2 モーメント、Mp 予測モデル、Ms2,Ms4,Ms6,Ms8 サーボモータ、Mu 線材移動部、P2~P6,Ps 点、Pc 制御プログラム、Rc 回帰曲線、Ro1~Ro7 ローラ、SL2~SL6,Sd1~Sd7,Sd10~Sd18 センサ、Scm1~Scm4 データセット、Se エンコーダ、Wr 線材、Ws 巻回軸、do 測定値セット、eq 誤差、q 矯正曲率、qr 目標曲率、r 操作量、rb フィードバック操作量、rb0 平均値、rf フィードフォワード補償値。
Claims (7)
- 矯正機によって矯正された線材の矯正曲率が目標曲率に近づくように前記矯正機へのフィードバック操作量に対応するフィードフォワード補償値を決定する、前記矯正機の制御装置であって、
前記矯正機は、
巻回された前記線材を有する線材供給部と、
前記線材供給部から引き出された前記線材を挟むように互い違いに配置され、前記線材を押圧する複数のローラと、
前記線材供給部から前記線材を引き出して前記複数のローラを通過させる線材移動部とを含み、
前記矯正曲率は、前記複数のローラを通過した、前記線材の第1部分の曲率であり、
前記フィードバック操作量は、前記目標曲率と前記矯正曲率との誤差に基づいてフィードバック制御手段によって決定され、
前記フィードバック操作量および前記フィードフォワード補償値の和が、操作量として前記矯正機に出力され、
前記制御装置は、
予測モデルを用いて、前記矯正機から得られる測定値から前記フィードフォワード補償値を決定するフィードフォワード補償手段と、
教師データを用いて前記予測モデルに対して機械学習を行う学習手段とを備え、
前記学習手段は、
前記目標曲率と、前記目標曲率に対応する前記操作量と、前記測定値と、前記測定値および前記操作量の両方に対応する前記矯正曲率とを含む少なくとも1つの第1組合せを取得し、
前記少なくとも1つの第1組合せのうち、前記誤差の絶対値が第1基準値よりも小さい場合の前記測定値と前記操作量とを含む少なくとも1つの第2組合せを前記教師データに追加する、矯正機の制御装置。 - 前記操作量は、前記複数のローラの位置および前記線材の移動速度の少なくとも1つを変化させ、
前記制御装置は、前記測定値から、
前記線材の移動速度、
前記第1部分の位置、
前記複数のローラによって押圧される前の、前記線材の第2部分の位置、前記第2部分の寸法、および前記第2部分の曲率、
前記線材供給部における前記線材の巻き位置、
前記複数のローラの各々の位置、前記複数のローラの各々の半径、前記複数のローラのピッチ、および前記複数のローラの圧力のうち、
少なくとも1つを取得する、請求項1に記載の矯正機の制御装置。 - 前記学習手段は、
前記教師データにおいて、前記測定値の絶対値が第2基準値よりも小さい場合の前記操作量の平均値を算出し、
前記予測モデルによって表現される、前記測定値と、前記操作量および前記平均値の差としての前記フィードフォワード補償値との関係を、前記フィードフォワード補償値を目的変数とするとともに、前記測定値を説明変数とする関数として近似し、
前記少なくとも1つの第1組合せのうち前記測定値の絶対値が前記第2基準値より大きい第3組合せの数に対する、前記少なくとも1つの第2組合せのうち前記測定値の絶対値が前記第2基準値より大きい第4組合せの数の割合が第3基準値より大きい場合、前記機械学習を終了する、請求項1または2に記載の制御装置。 - 前記学習手段は、
前記教師データにおいて、前記測定値の絶対値が第2基準値よりも小さい場合の前記操作量の平均値を算出し、
前記予測モデルによって表現される前記測定値と前記操作量との関係を、前記操作量を目的変数とするとともに、前記測定値を説明変数とする関数として近似し、
前記少なくとも1つの第1組合せのうち前記測定値の絶対値が前記第2基準値より大きい第3組合せの数に対する、前記少なくとも1つの第2組合せのうち前記測定値の絶対値が前記第2基準値より大きい第4組合せの数の割合が第3基準値より大きい場合、前記機械学習を終了し、
前記フィードフォワード補償手段は、前記予測モデルによって前記測定値から予測された前記操作量から前記平均値を引いた値を前記フィードフォワード補償値として決定する、請求項1または2に記載の制御装置。 - 前記学習手段は、前記機械学習が終了し、かつ、前記割合が前記第3基準値より小さい場合、前記機械学習を再開する、請求項3または4に記載の制御装置。
- 矯正機によって矯正された線材の矯正曲率が目標曲率に近づくように前記矯正機へのフィードバック操作量とフィードフォワード補償値との和を操作量として前記矯正機に出力する制御システムであって、
前記矯正機は、
巻回された前記線材を有する線材供給部と、
前記線材供給部から引き出された前記線材を挟むように互い違いに配置され、前記線材を押圧する複数のローラと、
前記線材供給部から前記線材を引き出して前記複数のローラを通過させる線材移動部とを含み、
前記矯正曲率は、前記複数のローラを通過した、前記線材の部分の曲率であり、
前記制御システムは、
前記目標曲率と前記矯正曲率との誤差に基づいて前記フィードバック操作量を決定するフィードバック制御装置と、
予測モデルを用いて、前記矯正機から得られる測定値から前記フィードフォワード補償値を決定するフィードフォワード補償装置と、
教師データを用いて前記予測モデルに対して機械学習を行う学習装置とを備え、
前記学習装置は、
前記目標曲率と、前記目標曲率に対応する前記操作量と、前記測定値と、前記測定値および前記操作量の両方に対応する前記矯正曲率とを含む少なくとも1つの第1組合せを取得し、
前記少なくとも1つの第1組合せのうち、前記誤差の絶対値が第1基準値よりも小さい場合の前記測定値と前記操作量とを含む少なくとも1つの第2組合せを前記教師データに追加する、制御システム。 - 矯正機によって矯正された線材の矯正曲率が目標曲率に近づくように前記矯正機へのフィードバック操作量に対応するフィードフォワード補償値を決定する、前記矯正機の制御方法であって、
前記矯正機は、
巻回された前記線材を有する線材供給部と、
前記線材供給部から引き出された前記線材を挟むように互い違いに配置され、前記線材を押圧する複数のローラと、
前記線材供給部から前記線材を引き出して前記複数のローラを通過させる線材移動部とを含み、
前記矯正曲率は、前記複数のローラを通過した前記線材の第1部分の曲率であり、
前記フィードバック操作量は、前記目標曲率と前記矯正曲率との誤差に基づいてフィードバック制御手段によって決定され、
前記フィードバック操作量および前記フィードフォワード補償値の和が、操作量として前記矯正機に出力され、
前記制御方法は、
予測モデルを用いて、前記矯正機から得られる測定値から前記フィードフォワード補償値を決定するステップと、
教師データを用いて前記予測モデルに対して機械学習を行うステップとを含み、
前記機械学習を行うステップは、
前記目標曲率と、前記目標曲率に対応する前記操作量と、前記測定値と、前記測定値および前記操作量の両方に対応する前記矯正曲率とを含む少なくとも1つの第1組合せを取得するステップと、
前記少なくとも1つの第1組合せのうち、前記誤差の絶対値が第1基準値よりも小さい場合の前記測定値と前記操作量とを含む少なくとも1つの第2組合せを前記教師データに追加するステップとを含む、制御方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021197682A JP2023083787A (ja) | 2021-12-06 | 2021-12-06 | 線材の矯正機の制御装置、制御システム、および制御方法 |
CN202211452817.3A CN116224778A (zh) | 2021-12-06 | 2022-11-21 | 线材的矫正机的控制装置、控制系统以及控制方法 |
US17/993,274 US20230173573A1 (en) | 2021-12-06 | 2022-11-23 | Control device, control system, and control method for wire straightener |
EP22209312.2A EP4191348B1 (en) | 2021-12-06 | 2022-11-24 | Control device, control system, and control method for wire straightener |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021197682A JP2023083787A (ja) | 2021-12-06 | 2021-12-06 | 線材の矯正機の制御装置、制御システム、および制御方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023083787A true JP2023083787A (ja) | 2023-06-16 |
Family
ID=84361501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021197682A Pending JP2023083787A (ja) | 2021-12-06 | 2021-12-06 | 線材の矯正機の制御装置、制御システム、および制御方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230173573A1 (ja) |
EP (1) | EP4191348B1 (ja) |
JP (1) | JP2023083787A (ja) |
CN (1) | CN116224778A (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116984421B (zh) * | 2023-09-25 | 2023-12-08 | 太仓庄正数控设备有限公司 | 一种矫平机的滚筒控制方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2937267B1 (fr) * | 2008-10-17 | 2010-11-12 | Dimeco Alipresse | Dispositif de redressage et d'amenee d'une bande de matiere semi-rigide dans une machine. |
JP2016196037A (ja) | 2015-04-06 | 2016-11-24 | 三菱電機株式会社 | 線材矯正装置、太陽電池ストリング製造装置および線材矯正方法 |
CN107894711B (zh) * | 2017-10-16 | 2020-07-24 | 淮阴工学院 | 一种基于模糊支持向量机智能线缆自动制作机 |
FI20195790A1 (en) * | 2019-09-20 | 2021-03-21 | Maillefer Extrusion Oy | QUALITY FORECAST BASED ON MACHINE LEARNING OF MANUFACTURED FIBER OPTIC CABLE |
-
2021
- 2021-12-06 JP JP2021197682A patent/JP2023083787A/ja active Pending
-
2022
- 2022-11-21 CN CN202211452817.3A patent/CN116224778A/zh active Pending
- 2022-11-23 US US17/993,274 patent/US20230173573A1/en active Pending
- 2022-11-24 EP EP22209312.2A patent/EP4191348B1/en active Active
Also Published As
Publication number | Publication date |
---|---|
EP4191348B1 (en) | 2024-05-22 |
EP4191348A1 (en) | 2023-06-07 |
US20230173573A1 (en) | 2023-06-08 |
CN116224778A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9122261B2 (en) | Apparatus and method for real-time sequential quadratic programming in industrial process control systems | |
JP4542323B2 (ja) | プロセス制御システムにおける統合型モデル予測制御および最適化 | |
JP4413563B2 (ja) | プロセス制御システムにおける統合型モデル予測制御および最適化 | |
JPH11509345A (ja) | 範囲制御を使用した多変数予想制御用の最適コントローラ設計方法 | |
CN103293953A (zh) | 具有用来补偿模型失配的调节的鲁棒的自适应模型预测控制器 | |
JP4952025B2 (ja) | 運転制御方法,運転制御装置及び運転制御システム | |
JP2017030067A (ja) | 加工時間測定機能とオンマシン測定機能を有する制御装置付き加工装置 | |
JP2009522108A (ja) | 調整及び制御を行なう方法と装置 | |
JP6691087B2 (ja) | 熱変位補正システム | |
CN103477290A (zh) | 控制器辅助装置、用于在该装置中执行的控制器辅助程序以及存储有该程序的记录介质 | |
JP2019139755A (ja) | 研磨工具摩耗量予測装置、機械学習装置及びシステム | |
US11953866B2 (en) | Prediction control development device, prediction control development method, and computer readable storage medium | |
US20190094831A1 (en) | Control apparatus, control method, and support apparatus | |
EP4191348B1 (en) | Control device, control system, and control method for wire straightener | |
CN110174871B (zh) | 控制装置、机器学习装置以及系统 | |
JP2010264499A (ja) | 制御モデルのパラメータ最適化方法 | |
Trostmann et al. | General scheme for automatic control of continuous bending of beams | |
CN111132773B (zh) | 使用优化器的平整度控制 | |
US11086277B2 (en) | System and method for determining the parameters of a controller | |
CN113196193A (zh) | 用于管理机器人程序的方法和装置 | |
US20230141311A1 (en) | Reduction of friction within a machine tool | |
WO2020162200A1 (ja) | 制御装置および制御プログラム | |
WO2023053514A1 (ja) | 制御装置、制御システム、および制御方法 | |
Tapoglou et al. | Energy Efficient Machining Through Evolutionary Real-Time Optimization of Cutting Conditions on CNC-Milling Controllers | |
KR20210100399A (ko) | 인공 지능을 이용한 가공품질 예측 시스템 및 방법 |