JP6760317B2 - 学習支援装置 - Google Patents
学習支援装置 Download PDFInfo
- Publication number
- JP6760317B2 JP6760317B2 JP2018047258A JP2018047258A JP6760317B2 JP 6760317 B2 JP6760317 B2 JP 6760317B2 JP 2018047258 A JP2018047258 A JP 2018047258A JP 2018047258 A JP2018047258 A JP 2018047258A JP 6760317 B2 JP6760317 B2 JP 6760317B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- input
- abnormal
- output
- predetermined
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G05B13/027—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 using neural networks only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Description
前記入力の異常を所定の基準に基づいて判定するステップと、前記入力が異常入力である判定された場合、所定の条件下で、当該異常入力を追加の学習データとして、前記学習器の再学習を行うステップと、を実行させる。
以下、本実施形態に係る学習支援装置について図1を参照しつつ説明する。図1は、本実施形態に係る学習支援装置を含む処理システムの機能構成を示すブロック図である。
<2−1.ハードウェア構成>
まず、本実施形態に係る学習支援装置を含むモータ制御システム2のハードウェア構成について、図2を参照しつつ説明する。図2は、本実施形態に係るモータの制御システムのハードウェア構成を示すブロック図である。
図2に示すサーボモータ1は、特には限定されず、公知のものを用いることができるが、ここでは、サーボモータ1で検出したトルク波形をモータ制御システム2に入力することとする。そして、モータ制御システム2は、入力されたトルク波形を所定周期(例えば、1ms周期)でサンプリングし、このトルク波形に応じて、サーボモータ1への位置制御指令を行う。
図2に示すように、本実施形態に係るモータ制御システム2は、制御部21、記憶部22、通信インタフェース23、入力装置24、出力装置25、表示装置26、外部インタフェース27、及びドライブ28が電気的に接続されたコンピュータである。なお、図1では、通信インタフェース及び外部インタフェースをそれぞれ、「通信I/F」及び「外部I/F」と記載している。
次に、図2及び図3を参照しつつ、本実施形態に係るモータ制御システムの機能構成の一例を説明する。図3は、モータ制御システムの機能構成を示すブロック図である。
モータ制御システム2の制御部21は、記憶部22に記憶された制御プログラム221及び学習支援プログラム222をRAMに展開する。そして、制御部21は、RAMに展開されたこれらのプログラム221、222をCPUにより解釈及び実行して、各構成要素を制御する。これによって、図3に示すように、本実施形態に係るモータ制御システム2は、処理部211、判定部212、及び再学習部213を備えるコンピュータとして機能する。
処理部211では、サーボモータ1のトルク値を入力とし、この入力に応じたサーボモータへの位置指令値を出力とするように学習した学習器214を備えている。処理部211は、例えば、サーボモータ1からのトルク波形を1msおきにサンプリングし、このトルク波形に応じて、学習器214から出力された位置指令値を、サーボモータ1に出力する。
判定部212は、トルク値の異常入力を判定するものである。トルク値の異常は、例えば、ワークの揺らぎ、ワークの熱膨張など、サーボモータ1に対する負荷の変動を起因とするもの、あるいは経年劣化や工具の摩耗など、機械の劣化に起因して発生する。例えば、図5Aを正常なトルク波形とした場合、図5Bのようにトルク波形の中に異常に高いトルク値が発生した場合、異常入力があったとする。このような異常入力の判定には、種々の方法があるが、以下に一例を示す。
判定部212で、異常入力と判定された場合、あるいはユーザが再学習の指示を行ったとき、再学習部213において、学習器214の再学習が行われる。再学習の方法は種々の方法があるが、例えば、以下の方法がある。
次に、図9を参照しつつ、モータ制御システム2における学習器214の再学習の処理例を説明する。図9は、モータ制御システムの処理手順の一例を例示するフローチャートである。なお、以下で説明する処理手順は一例に過ぎず、各処理は可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。
以上のように、本実施形態によれば、異常入力があったと判定されたときに、学習器214の学習を行うことで、異常入力に対しても理想的な出力が行えるように学習器214を学習することができる。すなわち、本実施形態においては、学習器214の再学習を異常入力の発生を契機として行うようにしているため、ユーザが学習器214の再学習のタイミングを任意に設定することなく、効率的に学習器214の再学習を行うことができる。また、異常入力に対する学習器214の更新を遅延なく行うことができるため、学習器の出力の精度を高めることができる。
以上、本発明の実施の形態を詳細に説明してきたが、前述までの説明はあらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良や変形を行うことができることは言うまでもない。例えば、以下のような変更が可能である。なお、以下では、上記実施形態と同様の構成要素に関しては同様の符号を用い、上記実施形態と同様の点については、適宜説明を省略した。以下の変形例は適宜組み合わせ可能である。
上記実施形態では、モータ制御システムの中に、本発明に係る学習支援装置を組み込んでいるが、学習支援装置をモータ制御システムと独立に設け、モータ制御システムとの通信によって、学習器の再学習を行うこともできる。例えば、図10に示すように、処理部211を有するモータ制御システム3とは別に、判定部212及び再学習部213を有する学習支援装置4を設け、処理部211の学習器214に対し、学習支援装置4によって再学習を行うように構成することもできる。この場合、例えば、再学習部213が新たな学習結果データ225を生成し、これを処理部211に送信し、処理部211が学習結果データ225の更新を行うことができる。
上述したように判定部212における異常入力の判定は種々の方法があり、上記実施形態に限定されない。同様に、再学習を行うための追加学習データ2261の生成についても、特には限定されず、種々の方法で追加学習データ2261を生成することができる。
異常入力の発生を報知する手段(報知部)は、特には限定されない。例えば、上記実施形態では、異常入力があった場合、表示装置26にその旨が表示されるが、音で異常入力があった旨をユーザに通知することもできる。すなわち、報知部は、表示装置26に代えてスピーカ等の放音装置でもよく、表示装置26及び放音装置でもよい。そして、ユーザは、音によって異常入力があった旨を知った後、再学習の指令を行うことができる。
上記の例では、ニューラルネットワーク7として、多層構造を有する一般的な順伝播型ニューラルネットワークを用いている。しかしながら、各ニューラルネットワーク7の種類は、このような例に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。例えば、各ニューラルネットワーク7は、入力層71及び中間層72を畳み込み層及びプーリング層として利用する畳み込みニューラルネットワークであってもよい。また、例えば、各ニューラルネットワーク7は、中間層72から入力層71等のように出力側から入力側に再帰する結合を有する再帰型ニューラルネットワークであってもよい。なお、各ニューラルネットワーク7の層数、各層におけるニューロンの個数、ニューロン同士の結合関係、及び各ニューロンの伝達関数は、実施の形態に応じて適宜決定されてよい。
上記学習器214の種類は、特には限定されず、ニューラルネットワーク以外に、例えば、決定木、サポートベクターマシン、自己組織化マップ、又は強化学習により学習を行う学習器とすることができる。
上記実施形態においては、本発明の学習支援装置をモータ制御システムに適用した例を示したが、これに限定されるものではなく、種々のシステムに適用可能である。すなわち、学習器によって入力から出力を行うシステムであって、入力の異常が生じうるようなシステムに対して、適宜適用することができる。
212 判定部
213 再学習部
214 学習器
Claims (13)
- 所定の入力から所定の出力を行うための学習を行った学習済みの学習器を有する処理部に対し、再学習を行うための学習支援装置であって、
前記入力の異常を所定の基準に基づいて判定する判定部と、
前記判定部が前記入力を異常入力と判定した場合、所定の条件下で、当該異常入力を追加の学習データとして、前記学習器の再学習を行う再学習部と、
を備え、
前記再学習部は、
前記異常入力からの前記処理部による出力に対し、フィードバック制御を行うことで、前記異常入力に対する理想出力を生成し、
前記異常入力及び前記理想出力を前記追加の学習データとして、前記再学習を行うように構成されている、学習支援装置。 - 所定の入力から所定の出力を行うための学習を行った学習済みの学習器を有する処理部に対し、再学習を行うための学習支援装置であって、
前記入力の異常を所定の基準に基づいて判定する判定部と、
前記判定部が前記入力を異常入力と判定した場合、所定の条件下で、当該異常入力を追加の学習データとして、前記学習器の再学習を行う再学習部と、
を備え、
前記処理部による前記入力からの前記出力が、所定の物理モデルに基づくものであり、
前記再学習部は、
前記物理モデルに基づいて、前記異常入力に対する理想出力を生成し、
前記異常入力及び前記理想出力を前記追加の学習データとして、前記再学習を行うように構成されている、学習支援装置。 - 前記再学習部は、前記判定部が前記入力を異常入力と判定したことを条件として、前記再学習を行うように構成されている、請求項1または2に記載の学習支援装置。
- 前記判定部が前記入力を異常入力と判定した場合、当該異常入力の発生を報知する報知部をさらに備えている、請求項1から3のいずれかに記載の学習支援装置。
- 前記判定部が前記入力を異常入力と判定した場合、当該異常入力の発生を報知する報知部をさらに備え、
前記報知部により前記異常入力の発生が報知された場合において、再学習の指令がなされたときに、前記再学習部が再学習を行うように構成されている、請求項1または2に記載の学習支援装置。 - 所定の入力から所定の出力を行う処理システムであって、
前記所定の入力から前記所定の出力を行うための学習を行った学習済みの学習器を有する処理部と、
請求項1から5のいずれかに記載の学習支援装置と、
を備えている、処理システム。 - 所定の入力から所定の出力を行うための学習を行った学習済みの学習器を有する処理部に対し、再学習を行うための学習支援方法であって、
前記入力の異常を所定の基準に基づいて判定するステップと、
前記入力が異常入力であると判定された場合、所定の条件下で、当該異常入力を追加の学習データとして、前記学習器の再学習を行うステップと、
を備え、
前記再学習を行うステップでは、
前記異常入力からの前記処理部による出力に対し、フィードバック制御を行うことで、前記異常入力に対する理想出力を生成し、
前記異常入力及び前記理想出力を前記追加の学習データとして、前記再学習を行うように構成されている、学習支援方法。 - 所定の入力から所定の出力を行うための学習を行った学習済みの学習器を有する処理部に対し、再学習を行うための学習支援方法であって、
前記入力の異常を所定の基準に基づいて判定するステップと、
前記入力が異常入力であると判定された場合、所定の条件下で、当該異常入力を追加の学習データとして、前記学習器の再学習を行うステップと、
を備え、
前記処理部による前記入力からの前記出力が、所定の物理モデルに基づくものであり、
前記再学習を行うステップでは、
前記物理モデルに基づいて、前記異常入力に対する理想出力を生成し、
前記異常入力及び前記理想出力を前記追加の学習データとして、前記再学習を行うように構成されている、学習支援方法。 - 前記入力が異常入力であると判定された場合、前記再学習を行うように構成されている、請求項7または8に記載の学習支援方法。
- 前記入力が異常入力である判定された場合、当該異常入力の発生を報知するステップをさらに備えている、請求項7から9のいずれかに記載の学習支援方法。
- 前記異常入力の発生が報知された場合、前記再学習が必要か否かを判断するステップをさらに備え、
前記再学習が必要と判断された場合に、前記再学習が行われる、請求項10に記載の学習支援方法。 - 所定の入力から所定の出力を行うための学習を行った学習済みの学習器を有する処理部に対し、再学習を行うための学習支援プログラムであって、
コンピュータに、
前記入力の異常を所定の基準に基づいて判定するステップと、
前記入力が異常入力である判定された場合、所定の条件下で、当該異常入力を追加の学習データとして、前記学習器の再学習を行うステップと、
を実行させ、
前記再学習を行うステップでは、
前記異常入力からの前記処理部による出力に対し、フィードバック制御を行うことで、前記異常入力に対する理想出力を生成し、
前記異常入力及び前記理想出力を前記追加の学習データとして、前記再学習を行うように構成されている、学習支援プログラム。 - 所定の入力から所定の出力を行うための学習を行った学習済みの学習器を有する処理部に対し、再学習を行うための学習支援プログラムであって、
コンピュータに、
前記入力の異常を所定の基準に基づいて判定するステップと、
前記入力が異常入力である判定された場合、所定の条件下で、当該異常入力を追加の学習データとして、前記学習器の再学習を行うステップと、
を実行させ、
前記処理部による前記入力からの前記出力が、所定の物理モデルに基づくものであり、
前記再学習を行うステップでは、
前記物理モデルに基づいて、前記異常入力に対する理想出力を生成し、
前記異常入力及び前記理想出力を前記追加の学習データとして、前記再学習を行うように構成されている、学習支援プログラム。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018047258A JP6760317B2 (ja) | 2018-03-14 | 2018-03-14 | 学習支援装置 |
US16/977,469 US20210049506A1 (en) | 2018-03-14 | 2019-02-20 | Learning assistance device, processing system, learning assistance method, and storage medium |
CN201980012032.4A CN111684475B (zh) | 2018-03-14 | 2019-02-20 | 学习支援装置、处理系统、学习支援方法以及存储介质 |
PCT/JP2019/006185 WO2019176480A1 (ja) | 2018-03-14 | 2019-02-20 | 学習支援装置 |
EP19767171.2A EP3767554A4 (en) | 2018-03-14 | 2019-02-20 | LEARNING ASSISTANT DEVICE |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018047258A JP6760317B2 (ja) | 2018-03-14 | 2018-03-14 | 学習支援装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019159957A JP2019159957A (ja) | 2019-09-19 |
JP6760317B2 true JP6760317B2 (ja) | 2020-09-23 |
Family
ID=67907630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018047258A Active JP6760317B2 (ja) | 2018-03-14 | 2018-03-14 | 学習支援装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210049506A1 (ja) |
EP (1) | EP3767554A4 (ja) |
JP (1) | JP6760317B2 (ja) |
CN (1) | CN111684475B (ja) |
WO (1) | WO2019176480A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7363910B2 (ja) * | 2019-10-23 | 2023-10-18 | 富士通株式会社 | 表示方法、表示プログラム及び情報処理装置 |
WO2021079447A1 (ja) * | 2019-10-23 | 2021-04-29 | 富士通株式会社 | 表示方法、表示プログラム及び情報処理装置 |
WO2021079445A1 (ja) * | 2019-10-23 | 2021-04-29 | 富士通株式会社 | 表示方法、表示プログラム及び情報処理装置 |
JP7351718B2 (ja) | 2019-11-08 | 2023-09-27 | 三菱重工業株式会社 | 原子力プラントの線量当量予測方法、線量当量予測プログラム、及び、線量当量予測装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5539638A (en) * | 1993-08-05 | 1996-07-23 | Pavilion Technologies, Inc. | Virtual emissions monitor for automobile |
GB2321364A (en) * | 1997-01-21 | 1998-07-22 | Northern Telecom Ltd | Retraining neural network |
JPH11231907A (ja) * | 1998-02-12 | 1999-08-27 | Yamaha Motor Co Ltd | 学習可能な制御ロジックを用いたフィードフォワード制御における予測学習方法 |
US20120150334A1 (en) * | 2010-12-10 | 2012-06-14 | L'air Liquide Societe Anonyme Pour L'etude Et L'exploitation Des Procedes Georges Claude | Integrated Fault Detection And Analysis Tool |
JPWO2014042147A1 (ja) * | 2012-09-12 | 2016-08-18 | 日本電気株式会社 | データ集中予測装置、データ集中予測方法、及びそのプログラム |
US10311356B2 (en) * | 2013-09-09 | 2019-06-04 | North Carolina State University | Unsupervised behavior learning system and method for predicting performance anomalies in distributed computing infrastructures |
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 |
CN107256428B (zh) * | 2017-05-25 | 2022-11-18 | 腾讯科技(深圳)有限公司 | 数据处理方法、数据处理装置、存储设备及网络设备 |
-
2018
- 2018-03-14 JP JP2018047258A patent/JP6760317B2/ja active Active
-
2019
- 2019-02-20 WO PCT/JP2019/006185 patent/WO2019176480A1/ja unknown
- 2019-02-20 CN CN201980012032.4A patent/CN111684475B/zh active Active
- 2019-02-20 US US16/977,469 patent/US20210049506A1/en active Pending
- 2019-02-20 EP EP19767171.2A patent/EP3767554A4/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20210049506A1 (en) | 2021-02-18 |
CN111684475A (zh) | 2020-09-18 |
EP3767554A4 (en) | 2021-11-17 |
JP2019159957A (ja) | 2019-09-19 |
WO2019176480A1 (ja) | 2019-09-19 |
CN111684475B (zh) | 2023-10-20 |
EP3767554A1 (en) | 2021-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6760317B2 (ja) | 学習支援装置 | |
US20220146993A1 (en) | Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device | |
US20180174658A1 (en) | Machine learning apparatus, life prediction apparatus, numerical control device, production system, and machine learning method for predicting life of nand flash memory | |
EP3424650B1 (en) | A method and apparatus for performing control of a movement of a robot arm | |
JP6031202B1 (ja) | 製造機械の異常の原因を発見するセル制御装置 | |
JP6444851B2 (ja) | ノイズの発生原因を検出する学習機能を有する制御装置 | |
WO2019103772A1 (en) | Detection and root cause analysis of welding defects | |
JP6453921B2 (ja) | 学習モデル構築装置、及び制御情報最適化装置 | |
JP2017191567A (ja) | 生産計画を実施する生産システム | |
De Filippis et al. | ANN modelling to optimize manufacturing process | |
JP6911798B2 (ja) | ロボットの動作制御装置 | |
US20190099849A1 (en) | Thermal displacement compensation system | |
JP2007265345A (ja) | 情報処理装置および方法、学習装置および方法、並びにプログラム | |
CN106687871A (zh) | 用于控制器适应的系统和方法 | |
JP4577353B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
WO2011083087A1 (en) | Method for processing workpieces by means of a cognitive processing head and a cognitive processing head using the same | |
JP2019155554A (ja) | ロボットの制御装置 | |
JP2006268813A (ja) | 学習制御装置、学習制御方法、およびプログラム | |
Rastegarpanah et al. | Vision-guided mpc for robotic path following using learned memory-augmented model | |
WO2022132558A1 (en) | Evolutionary imitation learning | |
JP2018036713A (ja) | 複数の製造設備からなる生産設備の稼働停止時に原因を特定する機能を備えた生産制御装置 | |
Verma | A survey on machine learning applied to dynamic physical systems | |
JP2023146535A (ja) | 動作指令生成装置および動作指令生成方法 | |
Liu et al. | Extreme learning machine based on improved genetic algorithm | |
Tam | Self-Corrective Autonomous Systems using Optimization Processes for Detection and Correction of Unexpected Error Conditions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200304 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200519 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200720 |
|
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: 20200804 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200817 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6760317 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |