JP6740277B2 - 機械学習装置、制御装置、及び機械学習方法 - Google Patents
機械学習装置、制御装置、及び機械学習方法 Download PDFInfo
- Publication number
- JP6740277B2 JP6740277B2 JP2018077558A JP2018077558A JP6740277B2 JP 6740277 B2 JP6740277 B2 JP 6740277B2 JP 2018077558 A JP2018077558 A JP 2018077558A JP 2018077558 A JP2018077558 A JP 2018077558A JP 6740277 B2 JP6740277 B2 JP 6740277B2
- Authority
- JP
- Japan
- Prior art keywords
- machine learning
- correction
- control device
- feedback loop
- learning
- 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.)
- Active
Links
- 238000010801 machine learning Methods 0.000 title claims description 218
- 238000012937 correction Methods 0.000 claims description 217
- 238000012545 processing Methods 0.000 claims description 191
- 230000013016 learning Effects 0.000 claims description 167
- 230000005856 abnormality Effects 0.000 claims description 120
- 230000006870 function Effects 0.000 claims description 111
- 238000001514 detection method Methods 0.000 claims description 94
- 230000002787 reinforcement Effects 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 description 76
- 238000012546 transfer Methods 0.000 description 62
- 230000006399 behavior Effects 0.000 description 48
- 238000000034 method Methods 0.000 description 42
- 238000010586 diagram Methods 0.000 description 28
- 230000008569 process Effects 0.000 description 23
- 238000003860 storage Methods 0.000 description 15
- 238000003754 machining Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 9
- 239000003795 chemical substances by application Substances 0.000 description 8
- 230000004048 modification Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4063—Monitoring general control system
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33056—Reinforcement learning, agent acts, receives reward, emotion, action selective
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34082—Learning, online reinforcement learning
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/42—Servomotor, servo controller kind till VSS
- G05B2219/42063—Position and speed and current and force, moment, torque
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/42—Servomotor, servo controller kind till VSS
- G05B2219/42128—Servo characteristics, drive parameters, during test move
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/42—Servomotor, servo controller kind till VSS
- G05B2219/42152—Learn, self, auto tuning, calibrating, environment adaptation, repetition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Numerical Control (AREA)
- Manipulator (AREA)
- Feedback Control In General (AREA)
Description
例えば、空運転ではなく、工作機械を実動作させながら補正量を学習する場合、その補正量が適切な範囲にないと、モータや機械先端に振動が発生して有効な学習ができなくなったり、また、アラームで工作機械等が停止、終了して、学習が中断する恐れがある。
この点、特許文献1に記載の学習制御は、空運転を繰り返して、補正データを生成することから、空運転の学習制御中に、モータや機械先端に振動が発生して有効な学習ができなくなったり、また、アラームで工作機械等が停止、終了して、学習が中断することはなかった。
他方、フィードバックループに加える補正を、後述する高次の伝達関数を用いて生成する場合に、当該伝達関数の係数を、工作機械を実動作させながら機械学習により求める方法が考えられる。
このような学習方法の一例として、強化学習による伝達関数の係数の機械学習が考えられる。強化学習とは、エージェントが、環境の状態を観測し、ある行動を選択し、当該行動に基づいて環境が変化し、環境の変化に伴って、何らかの報酬が与えられ、エージェントはより良い行動の選択(意思決定)を学習する、いわゆる教師無し学習である。このような強化学習により伝達関数の係数を機械学習する場合、環境の状態が位置偏差である場合に、例えばこの位置偏差が増大するような係数が選択されると、モータや機械先端に振動が発生して有効な機械学習ができなくなったり、また、アラームで工作機械等が停止、終了して、機械学習が中断する可能性がある。このため、工作機械を実動作させながら、補正量を機械学習する場合に、仮に不適切な補正量が選択されることがあっても、モータや機械先端に振動が発生して有効な学習ができなくなったり、また、アラームで工作機械等が停止、終了して、学習が中断することがないように、安全に機械学習を継続することができる機械学習装置、この機械学習装置を含む制御装置、及び機械学習方法が求められる。
機械学習動作中に、前記サーボ制御装置において、前記異常検出部が異常を検出した場合に、前記補正生成部からの補正を停止し、前記機械学習装置において、前記補正生成部にて生成する補正量の最適化を継続する、機械学習装置である。
前記機械学習装置は、前記フィードバックループへの補正が停止されたことの通知を受けたときに、前記補正量を学習に反映させてもよい。
前記異常検出部から補正停止通知を受けたときに、異常な動作をする前記補正量が選択されないような報酬を与えてもよい。
前記スイッチによる切り換え時に前記積分器の書き替えを行ってもよい。
工作機械、ロボット又は産業機械の軸を駆動するサーボモータを制御する、少なくとも1つのフィードバックループ、該フィードバックループに加える補正を生成する補正生成部、及び前記サーボモータの異常な動作を検出する異常検出部を備えたサーボ制御装置と、
を備えた制御装置である。
機械学習動作中に、前記サーボ制御装置が異常を検出した場合、少なくとも1つのフィードバックループに加える補正を停止し、前記機械学習装置が、前記補正量の最適化を継続する、機械学習方法である。
(第1実施形態)
サーボ制御装置100は、減算器101、位置制御部102、加減算器103、速度制御部104、スイッチ117、サーボモータ106、積分器107、位置検出処理部108、異常検出部109、補正生成部110、及び報知部118を備えている。
数値制御装置400は、加工プログラムにより指定される加工形状となるように、送り速度を設定して位置指令値を作成し、減算器101、補正生成部110及び機械学習装置200に出力する。
なお補正停止通知信号は異常検出信号と別に設けなくともよく、異常検出信号を用いてもよい。機械学習装置200からは、補正生成部110の補正量が、異常を検出したときの補正量とは異なる補正量に調整したことを通知する補正量調整通知信号を送る。異常検出部109はこの補正量調整通知信号を受けると、機械学習装置200で異常が生じたときの補正量とは異なる新たな補正量が探索されて調整されたことを認識し、新たな学習動作が開始されるときに、スイッチ117をオン(導通状態)となるように切換信号を送る。
このように、異常検出部109が異常を検出して、スイッチ117をオフした場合、補正量は加減算器103に出力されないので、サーボ制御装置100は、位置フィードバックループと速度フィードバックループのみで動作することになり、動作が安定する。
数式1の係数ai、bj(i,j≧0)は位置フィードフォワード処理部116の伝達関数G(s)の各係数である。
ここでは、前述した補正生成部110として例示した、位置指令に基づいて速度指令に対する補正量を生成する位置フィードフォワード項に係る機械学習(強化学習)を例として説明する。
機械学習装置200は、予め設定された加工プログラム(「学習時の加工プログラム」となる)を実行することで、位置フィードフォワード処理部116の伝達関数の係数を機械学習(以下、学習という)する。
ここでは、学習時の加工プログラムにより指定される加工形状の位置A1と位置A3、及び/又は位置B1と位置B3により、線形制御において回転速度が変更されたときの振動を評価し、位置偏差に対する影響を調べることで、伝達関数G(s)に係る係数の学習を行うものとする。
なお、加工形状の位置A2と位置A4、及び/又は位置B2と位置B4により、回転方向が反転する場合に生ずる惰走(いわゆる「象限突起」)を評価し、位置偏差に対する影響を調べることで、象限突起を抑制する補正量を算出するための伝達関数の係る係数の学習を行うこともできる。
教師あり学習が、完全な正解を示すのに対して、強化学習における報酬は、環境の一部の変化に基づく断片的な値であることが多い。このため、エージェントは、将来にわたっての報酬の合計を最大にするように行動を選択するように学習する。
Q学習では、或る状態Sのとき、取り得る行動Aのなかから、価値Q(S,A)の最も高い行動Aを最適な行動として選択することを目的とする。
この更新式は、状態Stにおける行動Atの価値Q(St,At)よりも、行動Atによる次の状態St+1における最良の行動の価値maxa Q(St+1,A)の方が大きければ、Q(St,At)を大きくし、逆に小さければ、Q(St,At)を小さくすることを示している。つまり、或る状態における或る行動の価値を、それによる次の状態における最良の行動の価値に近づける。ただし、その差は、割引率γと報酬rt+1のあり方により変わってくるが、基本的には、ある状態における最良の行動の価値が、それに至る一つ前の状態における行動の価値に伝播していく仕組みになっている。
「Human-level control through deep reinforcement learning」、Volodymyr Mnih1著[online]、[平成29年1月17日検索]、インターネット〈URL:http://files.davidqiu.com/research/nature14236.pdf〉
上述した強化学習を行うために、図5に示すように、機械学習装置200は、状態情報取得部201、学習部202、行動情報出力部203、価値関数記憶部204、及び最適化行動情報出力部205を備える。学習部202は報酬出力部2021、価値関数更新部2022、及び行動情報生成部2023を備える。
状態情報取得部201は、取得した状態情報Sを学習部202に対して出力する。
なお、係数ai、bjは予め操作者が工作機械を調整している場合には、調整済の値を初期値として機械学習してもよい。
ここで、状態Sにおける状態変数である位置偏差の集合とは、前述した加工形状の位置A1と位置A3、及び/又は位置B1と位置B3を含む所定の範囲内で計測される位置偏差の集合を意味する。
評価関数fとしては、例えば、
位置偏差の絶対値の積算値を算出する関数
∫|e|dt
位置偏差の絶対値に時間の重み付けをして積算値を算出する関数
∫t|e|dt
位置偏差の絶対値の2n(nは自然数)乗の積算値を算出する関数
∫e2ndt(nは自然数)
位置偏差の絶対値の最大値を算出する関数
Max{|e|}
等を適用することができる。
なお、報酬出力部2021は、異常検出部109からの補正停止通知信号を受けたときには、異常が検知されたときの位置フィードフォワード処理部116の係数ai、bjが選択されないように報酬の値を絶対値の大きな負の値とすることができる。そうすることで、異常が検知されたときの位置フィードフォワード処理部116の係数ai、bjは、今後の学習範囲から実質的に外すことができる。
なお、行動情報Aにより修正された状態情報S´に係る修正後の位置フィードフォワード処理部116に基づいて動作したサーボ制御装置100の位置偏差の値f(PD(S´))が、行動情報Aにより修正される前の状態情報Sに係る修正前の位置フィードフォワード処理部116に基づいて動作したサーボ制御装置100の位置偏差の値f(PD(S))と等しい場合は、報酬出力部2021は、報酬の値をゼロとするようにしてもよい。
価値関数Qの更新は、オンライン学習で行ってもよく、バッチ学習で行ってもよく、ミニバッチ学習で行ってもよい。
オンライン学習は、或る行動Aを現在の状態Sに適用することにより、状態Sが新たな状態S´に遷移する都度、即座に価値関数Qの更新を行う学習方法である。また、バッチ学習は、或る行動Aを現在の状態Sに適用することにより、状態Sが新たな状態S´に遷移することを繰り返すことにより、学習用のデータを収集し、収集した全ての学習用データを用いて、価値関数Qの更新を行う学習方法である。更に、ミニバッチ学習は、オンライン学習と、バッチ学習の中間的な、ある程度学習用データが溜まるたびに価値関数Qの更新を行う学習方法である。
より具体的には、最適化行動情報出力部205は、価値関数記憶部204が記憶している価値関数Qを取得する。この価値関数Qは、上述したように価値関数更新部2022がQ学習を行うことにより更新したものである。そして、最適化行動情報出力部205は、価値関数Qに基づいて、行動情報を生成し、生成した行動情報をサーボ制御装置100(位置フィードフォワード処理部116)に対して出力する。この最適化行動情報には、行動情報出力部203がQ学習の過程において出力する行動情報と同様に、位置フィードフォワード処理部116の各係数ai、bjを修正する情報が含まれる。
機械学習装置200は、以上の動作で、位置フィードフォワード処理部116の各係数ai、bjの学習及び最適化を行い、位置偏差の値を低減するように動作することができる。
以上のように、本発明に係る機械学習装置200を利用することで、サーボ制御装置100の位置フィードフォワード処理部116の補正パラメータ(係数ai、bj)調整を簡易化することができる。補正パラメータ(係数ai、bj)調整により位置フィードフォワード処理部116の位置フィードフォワード項の調整がなされる。
これらの機能ブロックを実現するために、サーボ制御装置100、及び機械学習装置200のそれぞれは、CPU(Central Processing Unit)等の演算処理装置を備える。また、サーボ制御装置100、及び機械学習装置200のそれぞれは、アプリケーションソフトウェアやOS(Operating System)等の各種の制御用プログラムを格納したHDD(Hard Disk Drive)等の補助記憶装置や、演算処理装置がプログラムを実行する上で一時的に必要とされるデータを格納するためのRAM(Random Access Memory)といった主記憶装置も備える。
図6に示すように、ステップS21で、機械学習装置200は学習動作を開始する。ここで、学習動作とは、状態Sにおいて、行動A(位置フィードフォワード処理部116の係数ai、bj)を選択して、補正生成部110に設定し、学習時の加工プログラムを実行させることにより前述した加工形状の位置A1と位置A3、及び/又は位置B1と位置B3における位置偏差の集合(状態S´における状態変数)を取得して、当該位置偏差の評価値を算出し、状態Sにおける位置偏差の評価値と比較することにより、報酬を算出し、価値関数記憶部204が記憶する価値関数Qを更新する一連の処理を意味する。以下のステップにおいて、一連の処理を実行する。
そして、学習動作時に、異常検出部109が、異常を検知した場合、機械学習装置200は、状態Sにおける行動A(位置フィードフォワード処理部116の係数ai、bj)をサーボモータ106が異常な動作をする行動(補正パラメータ)として報酬に反映させることができる。その際、当該状態Sの学習時の加工プログラムは、前述したように、補正を停止したまま、加工プログラムが終了するまで動作させる。それにより、機械学習装置は、次の行動を探索して、新たな行動を生成することで、学習が中断することがないように、安全に機械学習を継続することが可能となる。
第1実施形態では、補正生成部110として、位置指令に基づいて速度指令に対する補正量を生成する位置フィードフォワード項生成部を備えるものとしたが、これに限られない。
例えば、補正生成部110として、位置フィードフォワード項生成部に換えて、後述する速度フィードフォワード項生成部を備えるものとしてもよい。その場合、速度フィードフォワード項生成部から速度フィードフォワード項がスイッチを介して、速度フィードバックループを構成する速度制御部104の出力に加えられる。
また、補正生成部110として、後述する象限突起の補正量を生成するものとしてもよい。その場合、象限突起の補正量がスイッチを介して速度フィードバックループを構成する加減算器103に加えられる。
第1実施形態は、補正生成部110として、位置指令に基づいて速度指令に対する補正量を生成する位置フィードフォワード項生成部を備えるものについて説明した。第2実施形態では、補正生成部110として、位置指令に基づいて速度指令に対する補正量を生成する位置フィードフォワード項生成部に加えて、位置指令に基づいてトルク指令に対する補正量を生成する速度フィードフォワード項生成部を備えるものとする。
第2実施形態では、機械学習装置200は、速度フィードフォワード処理部113の伝達関数の係数の学習と、位置フィードフォワード処理部116の伝達関数の係数の学習とは別に行い、位置フィードフォワード処理部116より内側(インナーループ)にある速度フィードフォワード処理部113の伝達関数の係数の学習を位置フィードフォワード処理部116の伝達関数の係数の学習よりも先に行う。具体的には、位置フィードフォワード処理部116の伝達関数の係数を固定し、速度フィードフォワード処理部113の伝達関数の係数の最適な値を学習する。その後に、機械学習装置200は、速度フィードフォワード処理部113の伝達関数の係数を学習で得られた最適な値に固定して、位置フィードフォワード処理部116の伝達関数の係数を学習する。
そうすることで、学習により最適化された速度フィードフォワード項の条件下で、位置フィードフォワード処理部116の伝達関数の係数の最適化に係る学習を行うことができ、位置偏差の変動を抑制することができる。
このため、位置フィードフォワード処理部116より内側(インナーループ)にある速度フィードフォワード処理部113の伝達関数の係数の学習が位置フィードフォワード処理部116の伝達関数の係数の学習より先にした方が、位置偏差の変動を抑制し、高精度化を実現できる。
位置指令値は2回微分器112に出力される。
2回微分器112は、位置指令を2回微分して定数αを掛け、速度フィードフォワード処理部113は2回微分器112の出力に、数式3(以下に数3として示す)で示された伝達関数F(s)で示される速度フィードフォワード処理を行い、その処理結果を速度フィードフォワード項(補正量となる)としてスイッチ114を介して加算器111に出力する。異常検出部109によってスイッチ114がオフしている場合には、速度フィードフォワード項は加算器111に出力されない。数式3の係数ci、dj(i,j≧0)は速度フィードフォワード処理部113の伝達関数F(s)の各係数である。
機械学習装置200は、第1実施形態と同様に、予め設定された加工プログラム(学習時の加工プログラム」となる)を実行することで、速度フィードフォワード処理部113の伝達関数の係数、及び位置フィードフォワード処理部116の伝達関数の係数を機械学習(学習)する。以下の説明では速度フィードフォワード処理部113の伝達関数の係数の学習について説明するが、速度フィードフォワード処理部113の伝達関数の係数の学習後に、第1実施形態で説明した、位置フィードフォワード処理部116の伝達関数の係数の学習が行われる。
また、係数ci、djの初期設定値は、位置フィードフォワード処理部116の各係数ai、bjの初期設定値と同じ値を適用してもよい。
同様に、サーボ制御装置100における速度フィードフォワード処理部113の各係数ci、djに係る処理についても、位置フィードフォワード処理部116の各係数ai、bjを速度フィードフォワード処理部113の伝達関数の各係数ci、djに読み換えることで説明できる。
第2実施形態の機械学習装置200の速度フィードフォワード処理部113の伝達関数の各係数ci、djに関連する動作についても、第1実施形態における図6に示した機械学習装置200の処理フローにおいて、位置フィードフォワード処理部116を速度フィードフォワード処理部113に読み換え、位置フィードフォワード処理部116の各係数ai、bjを速度フィードフォワード処理部113の伝達関数の各係数ci、djに読み換えることで説明できるため、詳細な説明は省略する。
第2実施形態において、機械学習装置200は、速度フィードフォワード処理部113の伝達関数の係数の学習を先に行い、速度フィードフォワード処理部113の伝達関数の係数を最適化した後に、位置フィードフォワード処理部116の伝達関数の係数の学習を行うようにしたが、第2の実施形態は、これに限定されない。
例えば、機械学習装置200は、位置フィードフォワード処理部116の伝達関数の係数、及び速度フィードフォワード処理部113の伝達関数の係数を同時に学習するようにしてもよい。この場合、異常検出部109は異常を検出した場合、スイッチ114及びスイッチ117を同時にオンして、機械学習装置200が同時に学習できるようにする。このように、機械学習装置200が同時に学習した場合、二つの学習が相互に干渉して情報処理量が増大する可能性がある。
第1実施形態の制御装置10では、図1に示すように、異常検出部109は、異常を検出したときに、微分器115と位置フィードフォワード処理部116を含む補正生成部110を、スイッチ117をオフすることで位置フィードバックループから切り離した。
同様に、第2実施形態の制御装置10Aでは、図7に示すように、異常検出部109は、異常を検出したときに、2回微分器112と速度フィードフォワード処理部113を、スイッチ114をオフすることで速度フィードバックループから切り離し、微分器115と位置フィードフォワード処理部116を、スイッチ117をオフすることで位置フィードバックループから切り離していた。
図8は本発明の第3実施形態の制御装置の一構成例を示すブロック図である。図8において、図7に示した制御装置の各構成部材と同一構成部材については同一符号を付して説明を省略する。
スイッチ119は、2回微分器112が速度フィードフォワード処理部113か、加算器111かに接続されるように切り換える。スイッチ120は、微分器115が位置フィードフォワード処理部116か、加減算器103かに接続されるように切り換える。
このため、異常検出部109が異常を検出したときに、位置フィードバックループには、微分器115の出力が加えられて補正ができ、速度フィードバックには2回微分器112の出力が加えられて補正ができる。
本実施形態を、第2実施形態に適用する場合は、スイッチ119とスイッチ120を備えるようにする。
(変形例)
本実施形態において、第2実施形態と同様に、機械学習装置200が、速度フィードフォワード処理部113の伝達関数の係数の学習と、位置フィードフォワード処理部116の伝達関数の係数の学習とは別に行う場合は、速度フィードフォワード処理部113の伝達関数の係数の学習を位置フィードフォワード処理部116の伝達関数の係数の学習よりも先に行う。しかし、第2実施形態の変形例と同様に、機械学習装置200は、位置フィードフォワード処理部116の伝達関数の係数、及び速度フィードフォワード処理部113の伝達関数の係数を同時に学習するようにしてもよい。
以上説明した実施形態においては、機械学習装置200は、X軸方向及びY軸方向のサーボモータの回転方向が変わらない線形動作時に関する機械学習装置200の学習動作時に、異常検出部109が異常を検出した場合の処理について説明した。
しかし、本発明は、線形動作時の学習動作に限定されず、非線形動作の学習動作にも適用することができる。例えば、既に説明したように、工作機械において、非線形動作として、モータとボールねじにより駆動される送り駆動系で円運動を行うと、軸の運動方向が反転する象限切替え時に突起状の軌跡誤差(以下、「象限突起」という)が生じることが知られている。
図9は本発明の第4実施形態の制御装置の一構成例を示すブロック図である。図9の制御装置10Cにおいて、図7に示した制御装置の各構成部材と同一構成部材については同一符号を付して説明を省略する。
図9に示すように、サーボ制御装置100Cは、反転検出部121、補正生成部122、スイッチ123、異常検出部124、及び報知部125を備えている。サーボ制御装置100Cは、図7に示す、異常検出部109、2回微分器112、速度フィードフォワード処理部113、スイッチ114、微分器115、位置フィードフォワード処理部116、スイッチ117、及び報知部118を備えていない。
位置指令は、減算器101、反転検出部121、及び機械学習装置200に入力される。減算器101は、位置指令と位置フィードバックされた検出位置との差を求め、その差を位置偏差として位置制御部102及び機械学習装置200に出力する。
異常検出部124が異常を検出して、スイッチ123をオフした場合、補正量は、加減算器103に出力されないので、サーボ制御装置100Cは、位置フィードバックループと速度フィードバックループのみで動作することになり、動作が安定する。
前述した第1実施形態や第2実施形態の制御装置では、異常検出部109がスイッチ114及び/又はスイッチ117をオンからオフに切り替えると、切り替え時に位置フィードバックループ及び速度フィードバックループにそれぞれ加えられる位置フィードフォワード項及び/又は速度フィードフォワード項(補正量となる)が不連続に変わる。
また、前述した第3実施形態の制御装置においても、異常検出部109がスイッチ119及び/又はスイッチ120を切り替えると、切り替え時に位置フィードバックループ及び速度フィードバックループにそれぞれ加えられる位置フィードフォワード項及び/又は速度フィードフォワード項(補正量となる)が不連続に変わる。
また、前述した第4実施形態の制御装置においては、異常検出部124がスイッチ123を切り替えると、切り替え時に補正量が不連続に変わる。
本実施形態では、補正量の不連続を防止するためローパスフィルタを設ける。以下、第1実施形態から第4実施形態において、本実施形態の構成を適用する場合について説明する。
図10は本発明の第5実施形態となるサーボ制御装置の速度フィードフォワード処理部113の後段の構成の一部を示すブロック図である。図11は本発明の第5実施形態となるサーボ制御装置の位置フィードフォワード処理部116の後段の構成の一部を示すブロック図である。
このように、速度フィードフォワード処理部113と加算器111との間の接続を不連続に切り替えるのでなく、一旦ローパスフィルタ127を介して接続状態に切り替えて緩やかに収束させる。また、位置フィードフォワード処理部116と加減算器103との間の接続を不連続に切り替えるのでなく、一旦ローパスフィルタ129を介して接続状態に切り替えて緩やかに収束させる。
図12は、フィルタの有無による位置フィードフォワード(位置FF)処理又は速度フィードフォワード(速度FF)処理による補正量の変化を示す特性図である。
図13は本発明の第5実施形態となる他の構成のサーボ制御装置の2回微分器112の後段の構成の一部を示すブロック図である。図14は本発明の第5実施形態となる他の構成のサーボ制御装置の微分器115の後段の構成の一部を示すブロック図である。
このように、2回微分器112と加算器111との間の接続を不連続に切り替えるのでなく、一旦ローパスフィルタ131を介して接続状態に切り替えて緩やかに収束させる。また、微分器115と加減算器103との間の接続を不連続に切り替えるのでなく、一旦ローパスフィルタ133を介して接続状態に切り替えて緩やかに収束させる。
図15は、フィルタの有無による位置フィードフォワード(位置FF)処理又は速度フィードフォワード(速度FF)処理による補正量の変化を示す特性図である。
第5実施形態の制御装置では、補正量の不連続を防止するためにローパスフィルタを設けたが、ローパスフィルタの代わりに速度制御部104の積分器の書き換えを行い、速度制御部104から出力されるトルク指令値が連続になるようにしてもよい。本実施形態において、積分器の書き換えとともに第5実施形態で説明したローパスフィルタを設けてもよい。以下の説明では、図4に示した第2実施形態の制御装置を例にとって説明するが、第1、第3及び第4実施形態のサーボ制御装置にも適用できる。
図16に示すように、速度制御部104は、位置フィードフォワード項が加えられた速度偏差が入力される積分器1041、積分器1041から出力される積分値に係数Kiを掛ける乗算器1042、位置フィードフォワード項が加えられた速度偏差が入力され、係数Kvを掛ける乗算器1043、及び乗算器1042の出力と乗算器1043の出力とを加算して出力する加算器1044を備えている。
位置フィードフォワード(位置FF)の停止直前のトルク指令Tcmd(i)は、Verrを速度偏差、kpを比例ゲイン、kiを積分ゲインとすると、以下の数式4であらわされる。
そこで、数式6に示すように、位置フィードフォワードの停止直後のトルク指令の積分器による積分項を以下のように置き換える。
書き換え後の積分器1041は、(Tcmd(i)-Verr(i+1)×kp)/kiにVerr(n)を足し合わせて計算する。
図17は、積分器の書き換えの有無によるトルク指令の変化を示す特性図である。
上述した実施形態では、機械学習装置200と、サーボ制御装置100、100A、100B又は100Cとを制御装置内に設けて構成し、機械学習装置200とサーボ制御装置100、100A、100B又は100Cとは別体の装置により構成したが、機械学習装置200の機能の一部又は全部をサーボ制御装置100により実現するようにしてもよい。
また、上述した実施形態では、サーボ制御装置100、100A、100B又は100Cと数値制御装置400とは別体の装置により構成したが、サーボ制御装置100、100A、100B又は100Cの機能の一部又は全部を数値制御装置400により実現するようにしてもよい。数値制御装置400は、機械学習装置200、サーボ制御装置100、100A、100B又は100Cを含んでもよく、その場合、数値制御装置400が制御装置を構成する。
図18は他の構成の制御装置を示すブロック図である。制御装置10Dは、図18に示すように、n台のサーボ制御装置100−1〜100−n、n台の機械学習装置200−1〜200−n、ネットワーク300、及び数値制御装置400−1〜400−nを備えている。なお、nは任意の自然数である。n台のサーボ制御装置100−1〜100−nのそれぞれは図1、図7、図8及び図9に示したサーボ制御装置100、100A〜100Cのいずれかに対応している。n台の機械学習装置200−1〜200−nのそれぞれは図1、図7、図8及び図9に示した機械学習装置200のいずれかに対応している。数値制御装置400−1〜400−nは数値制御装置400に対応し、サーボ制御装置100−1〜100−nのそれぞれに対して設けられる。サーボ制御装置100−1〜100−nは数値制御装置400−1〜400−nに含まれていてもよい。
その際、機械学習装置200−1の各機能を、適宜複数のサーバに分散する、分散処理システムとしてもよい。また、クラウド上で仮想サーバ機能等を利用して、機械学習装置200−1の各機能を実現してもよい。
また、複数の同じ型名、同一仕様、又は同一シリーズのサーボ制御装置100−1〜100−nとそれぞれ対応する複数の機械学習装置200−1〜200−nがあった場合に、各機械学習装置200−1〜200−nにおける学習結果を共有するように構成するようにしてもよい。そうすることで、より最適なモデルを構築することが可能となる。
100、100A〜100C サーボ制御装置
101 減算器
102 位置制御部
103 加減算器
104 速度制御部
111 加算器
106 モータ
107 積分器
108 位置検出処理部
109、124 異常検出部
112 2回微分器
113 速度フィードフォワード処理部
114、117、123 スイッチ
115 微分器
116 位置フィードフォワード処理部
118、125 報知部
121 反転検出部
122 補正生成部
200 機械学習装置
201 状態情報取得部
202 学習部
203 行動情報出力部
204 価値関数記憶部
205 最適化行動情報出力部
300 ネットワーク
Claims (13)
- 工作機械、ロボット又は産業機械の軸を駆動するサーボモータを制御する、少なくとも1つのフィードバックループと、該フィードバックループに加える補正量を生成する補正生成部と、前記サーボモータの異常な動作を検出する異常検出部と、を備えたサーボ制御装置に対して、前記補正生成部の補正量の最適化に係る機械学習を行う機械学習装置であって、
機械学習動作中に、前記サーボ制御装置において、前記異常検出部が異常を検出した場合、前記補正生成部からの補正を停止し、前記機械学習装置において、前記補正生成部にて生成する補正量の最適化を継続する機械学習装置。 - 前記サーボ制御装置は、前記フィードバックループと前記補正生成部内又は前記補正生成部の後段との間に設けられたスイッチを備え、前記異常検出部は異常な動作を検出したときに、前記スイッチをオフし、前記フィードバックループへの補正が停止されたことを前記機械学習装置に通知し、
前記機械学習装置は、前記フィードバックループへの補正が停止されたことの通知を受けたときに、前記補正量を学習に反映させる、請求項1に記載の機械学習装置。 - 前記機械学習として強化学習を行い、
前記異常検出部から補正停止通知を受けたときに、異常な動作をする前記補正量が選択されないような報酬を与える請求項1又は2に記載の機械学習装置。 - 前記報酬に基づいて価値関数を更新し、更新された価値関数に基づいて、最適な前記補正量又は補正パラメータの調整情報を生成して、前記補正生成部に出力する請求項3に記載の機械学習装置。
- 前記異常検出部は、位置偏差、トルク指令、あるいはその両方があらかじめ設定した閾値以上となった際に異常とする請求項1から4のいずれか1項に記載の機械学習装置。
- 前記サーボ制御装置は、前記異常検出部にて異常を検出した際に、異常の検出を報知する報知部をさらに有する請求項1から5のいずれか1項に記載の機械学習装置。
- 前記サーボ制御装置は、前記スイッチの後段に設けられたローパスフィルタを備え、前記スイッチによる切り換え時に前記ローパスフィルタを通す請求項2から6のいずれか1項に記載の機械学習装置。
- 前記フィードバックループは速度偏差を積算する積分器を有する速度制御部を備え、
前記スイッチによる切り換え時に前記積分器の書き替えを行う請求項2から6のいずれか1項に記載の機械学習装置。 - 少なくとも1つのフィードバックループは、位置フィードバックループ及び速度フィードバックループの少なくとも1つを含み、前記補正生成部は前記位置フィードバックループに位置フィードフォワード項を加える位置フィードフォワード処理部及び前記速度フィードバックループに速度フィードフォワード項を加える速度フィードフォワード処理部の少なくとも1つを含む請求項1から8のいずれか1項に記載の機械学習装置。
- 少なくとも1つのフィードバックループは、位置フィードバックループであり、前記補正生成部は前記サーボモータの反転時の補正を生成する請求項1から8のいずれか1項に記載の機械学習装置。
- 請求項1から10のいずれか1項に記載の機械学習装置と、
工作機械、ロボット又は産業機械の軸を駆動するサーボモータを制御する、少なくとも1つのフィードバックループ、該フィードバックループに加える補正を生成する補正生成部、及び前記サーボモータの異常な動作を検出する異常検出部を備えたサーボ制御装置と、
を備えた制御装置。 - 前記機械学習装置は、前記サーボ制御装置に含まれる、請求項11に記載の制御装置。
- 工作機械、ロボット又は産業機械の軸を駆動するサーボモータを制御する、少なくとも1つのフィードバックループに加える補正を生成し、前記サーボモータの異常な動作を検出するサーボ制御装置に対して、前記少なくとも1つのフィードバックループに加える補正量の最適化に係る機械学習を行う機械学習装置の機械学習方法であって、
機械学習動作中に、前記サーボ制御装置が異常を検出した場合、少なくとも1つのフィードバックループに加える補正を停止し、前記機械学習装置が、前記補正量の最適化を継続する、機械学習方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018077558A JP6740277B2 (ja) | 2018-04-13 | 2018-04-13 | 機械学習装置、制御装置、及び機械学習方法 |
US16/374,088 US10877442B2 (en) | 2018-04-13 | 2019-04-03 | Machine learning device, control device, and machine learning method |
DE102019204861.7A DE102019204861B4 (de) | 2018-04-13 | 2019-04-05 | Maschinenlernvorrichtung; steuervorrichtung und maschinelles lernverfahren |
CN201910285449.XA CN110376965B (zh) | 2018-04-13 | 2019-04-10 | 机器学习装置、控制装置以及机器学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018077558A JP6740277B2 (ja) | 2018-04-13 | 2018-04-13 | 機械学習装置、制御装置、及び機械学習方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019185529A JP2019185529A (ja) | 2019-10-24 |
JP6740277B2 true JP6740277B2 (ja) | 2020-08-12 |
Family
ID=68053035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018077558A Active JP6740277B2 (ja) | 2018-04-13 | 2018-04-13 | 機械学習装置、制御装置、及び機械学習方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10877442B2 (ja) |
JP (1) | JP6740277B2 (ja) |
CN (1) | CN110376965B (ja) |
DE (1) | DE102019204861B4 (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3523760B1 (en) * | 2016-11-04 | 2024-01-24 | DeepMind Technologies Limited | Reinforcement learning systems |
JP6703021B2 (ja) * | 2018-02-20 | 2020-06-03 | ファナック株式会社 | サーボ制御装置 |
US11429869B2 (en) * | 2019-11-21 | 2022-08-30 | International Business Machines Corporation | Artificially intelligent interaction agent |
CN114728411B (zh) * | 2019-11-25 | 2024-06-07 | 三菱电机株式会社 | 控制装置、机器人系统和控制方法 |
US11316583B2 (en) * | 2019-12-09 | 2022-04-26 | Intelligent Fusion Technology, Inc. | Predistorter, predistorter controller, and high power amplifier linearization method |
US20210178600A1 (en) * | 2019-12-12 | 2021-06-17 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Robust Optimization for Trajectory-Centric ModelBased Reinforcement Learning |
US11584004B2 (en) * | 2019-12-17 | 2023-02-21 | X Development Llc | Autonomous object learning by robots triggered by remote operators |
JP7326177B2 (ja) * | 2020-01-31 | 2023-08-15 | 住友重機械工業株式会社 | 射出成形機の調整装置、及び射出成形機 |
DE102021116393A1 (de) | 2021-06-24 | 2022-12-29 | Ifm Electronic Gmbh | Computerimplementiertes Verfahren zur Ausführung einer Steuerung mit Anomalie-Erkennung |
WO2023012902A1 (ja) | 2021-08-03 | 2023-02-09 | ファナック株式会社 | サーボモータ制御装置 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4852018A (en) * | 1987-01-07 | 1989-07-25 | Trustees Of Boston University | Massively parellel real-time network architectures for robots capable of self-calibrating their operating parameters through associative learning |
JPH08234826A (ja) * | 1995-02-22 | 1996-09-13 | Hitachi Ltd | 制御装置のシミュレーション装置 |
JP3552158B2 (ja) * | 1999-04-08 | 2004-08-11 | 富士通株式会社 | 記憶装置 |
US7062411B2 (en) * | 2003-06-11 | 2006-06-13 | Scientific Systems Research Limited | Method for process control of semiconductor manufacturing equipment |
JP4042058B2 (ja) * | 2003-11-17 | 2008-02-06 | 株式会社デンソー | 内燃機関用燃料噴射装置 |
KR100636220B1 (ko) * | 2005-01-22 | 2006-10-19 | 삼성전자주식회사 | 화상 형성 장치에 공급되는 매체 속도 제어 장치 및 방법 |
JP4276187B2 (ja) | 2005-02-02 | 2009-06-10 | ファナック株式会社 | 学習制御機能を有する数値制御装置 |
JP4647393B2 (ja) * | 2005-05-23 | 2011-03-09 | 富士重工業株式会社 | 空燃比センサの異常診断装置 |
JP4741637B2 (ja) * | 2008-06-30 | 2011-08-03 | ファナック株式会社 | サーボモータの駆動制御装置及び駆動制御方法 |
CN102122132A (zh) * | 2010-01-11 | 2011-07-13 | 北京航空航天大学 | 一种基于模糊神经网络的用于环境模拟系统的智能控制系统 |
US8767343B1 (en) * | 2012-04-24 | 2014-07-01 | Western Digital Technologies, Inc. | Disk drive increasing integrator output range to complete seek operation |
JP5886717B2 (ja) * | 2012-08-31 | 2016-03-16 | オークマ株式会社 | 繰返し学習位置制御装置 |
US9785139B2 (en) * | 2013-03-07 | 2017-10-10 | Makino Milling Machine Co., Ltd. | Working machine feed axis control method and feed axis control device |
JP5650814B1 (ja) * | 2013-07-05 | 2015-01-07 | ファナック株式会社 | フィードフォワード制御を備えたモータ制御装置 |
KR101972635B1 (ko) * | 2013-11-08 | 2019-04-25 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | 생산 라인의 시뮬레이션 장치 |
JP5890472B2 (ja) * | 2014-06-13 | 2016-03-22 | ファナック株式会社 | 周期動作サイクルに同期した重畳サイクルを重畳させる機能を有する数値制御装置 |
JP6193961B2 (ja) | 2015-11-30 | 2017-09-06 | ファナック株式会社 | 機械の送り軸の送りの滑らかさを最適化する機械学習装置および方法ならびに該機械学習装置を備えたモータ制御装置 |
JP6544219B2 (ja) * | 2015-11-30 | 2019-07-17 | オムロン株式会社 | 制御装置 |
JP6333868B2 (ja) * | 2016-01-21 | 2018-05-30 | ファナック株式会社 | セル制御装置、及び製造セルにおける複数の製造機械の稼働状況を管理する生産システム |
JP6342935B2 (ja) * | 2016-03-29 | 2018-06-13 | ファナック株式会社 | 揺動切削を行う工作機械のサーボ制御装置、制御方法及びコンピュータプログラム |
JP6140331B1 (ja) | 2016-04-08 | 2017-05-31 | ファナック株式会社 | 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム |
JP6506219B2 (ja) * | 2016-07-21 | 2019-04-24 | ファナック株式会社 | モータの電流指令を学習する機械学習器,モータ制御装置および機械学習方法 |
JP6412075B2 (ja) * | 2016-09-08 | 2018-10-24 | ファナック株式会社 | サーボモータ制御装置、サーボモータ制御方法、及びサーボモータ制御用プログラム |
-
2018
- 2018-04-13 JP JP2018077558A patent/JP6740277B2/ja active Active
-
2019
- 2019-04-03 US US16/374,088 patent/US10877442B2/en active Active
- 2019-04-05 DE DE102019204861.7A patent/DE102019204861B4/de active Active
- 2019-04-10 CN CN201910285449.XA patent/CN110376965B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110376965A (zh) | 2019-10-25 |
CN110376965B (zh) | 2022-06-14 |
JP2019185529A (ja) | 2019-10-24 |
DE102019204861B4 (de) | 2021-09-30 |
DE102019204861A1 (de) | 2019-10-17 |
US10877442B2 (en) | 2020-12-29 |
US20190317457A1 (en) | 2019-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6740277B2 (ja) | 機械学習装置、制御装置、及び機械学習方法 | |
CN108628355B (zh) | 伺服控制装置及系统、机器学习装置及方法 | |
JP6740278B2 (ja) | 機械学習装置、制御装置、及び機械学習方法 | |
JP6538766B2 (ja) | 機械学習装置、サーボモータ制御装置、サーボモータ制御システム、及び機械学習方法 | |
JP6748135B2 (ja) | 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法 | |
JP6474449B2 (ja) | 調整装置及び調整方法 | |
CN109116811B (zh) | 机器学习装置和方法、伺服控制装置、伺服控制系统 | |
JP6697491B2 (ja) | 機械学習装置、サーボモータ制御装置、サーボモータ制御システム、及び機械学習方法 | |
CN108880399B (zh) | 机器学习装置、伺服控制系统以及机器学习方法 | |
JP6784722B2 (ja) | 出力装置、制御装置、及び評価関数値の出力方法 | |
JP6740279B2 (ja) | 調整装置及び調整方法 | |
JP6806746B2 (ja) | モータ制御装置 | |
JP7158604B1 (ja) | 数値制御装置、学習装置、推論装置、および数値制御方法 | |
JP2020035213A (ja) | 機械学習装置、制御システム及び機械学習方法 | |
JP2020071508A (ja) | 出力装置、制御装置、及び評価関数値の出力方法 | |
JP6740263B2 (ja) | 機械学習装置、サーボモータ制御装置、サーボモータ制御システム、及び機械学習方法 | |
JP6740290B2 (ja) | 機械学習装置、制御装置、及び機械学習方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190808 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20191217 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200217 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200608 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200623 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200722 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6740277 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |