JP2023083787A

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

Info

Publication number: JP2023083787A
Application number: JP2021197682A
Authority: JP
Inventors: 高史藤井; Takashi Fujii
Original assignee: Omron Corp; Omron Tateisi Electronics Co
Current assignee: Omron Corp
Priority date: 2021-12-06
Filing date: 2021-12-06
Publication date: 2023-06-16
Also published as: EP4191348B1; EP4191348A1; US20230173573A1; CN116224778A

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。

特開２０１６－１９６０３７号公報

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。

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。

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。

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。

実施の形態１に係る、線材の矯正機の制御装置の機能構成を示すブロック図である。図１の矯正機の具体的な構成を示す図である。図１の矯正機の具体的な構成の他の例を示す図である。図２および図３の複数のローラによる線材の矯正過程を示す図である。測定値セットおよび操作量の分布図である。図５の操作量と予測モデルの目的変数との関係を示す図である。学習済みの予測モデルによって表現される目的変数と説明変数との関係を示す図である。４つの組合せをそれぞれ含む４つのデータセットの包含関係を示すベン図である。予測モデルが未学習である場合の矯正曲率、操作量、および測定値セットの各々のタイムチャートを示す図である。予測モデルが学習済みである場合の矯正曲率、操作量、および測定値セットの各々のタイムチャートを示す図である。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。図１１の機械学習処理の具体的な処理の流れを示すフローチャートである。図１の学習手段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１１の機械学習処理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。実施の形態１の変形例２に係る、線材の矯正機の制御装置の機能構成を示すブロック図である。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。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の制御装置のハードウェア構成例を示すブロック図である。

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。

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κ_ｓ（＜０）および０である。曲率κ_ｓ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κ_２（＞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κ_３（＜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κ_４（＞０）およびＭ４（＞Ｍｅ２）である。曲率κ_４は、曲率κ_２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κ_５（＜０）およびＭ５（＜Ｍｅ１）である。曲率κ_５は、曲率κ_３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κ_６（＞０）およびＭ６（＞Ｍｅ２）である。曲率κ_６は、曲率κ_４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κ_６から矯正曲率κ_ｆ（＜κ_６）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。

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。

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。

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。

＜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。

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。

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。

［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）。

［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）。

［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）。

［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）。

［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）。

［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）。

［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。

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

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。