JP7008687B2 - 制御装置及び制御システム - Google Patents
制御装置及び制御システム Download PDFInfo
- Publication number
- JP7008687B2 JP7008687B2 JP2019508468A JP2019508468A JP7008687B2 JP 7008687 B2 JP7008687 B2 JP 7008687B2 JP 2019508468 A JP2019508468 A JP 2019508468A JP 2019508468 A JP2019508468 A JP 2019508468A JP 7008687 B2 JP7008687 B2 JP 7008687B2
- Authority
- JP
- Japan
- Prior art keywords
- control
- machine learning
- terminal
- artificial intelligence
- abnormality
- 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
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
- G05B9/00—Safety arrangements
- G05B9/02—Safety arrangements electric
- G05B9/03—Safety arrangements electric with multiple-channel loop, i.e. redundant control systems
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
Description
本発明は、制御装置及び制御システムに関する。
本技術分野の背景技術として、特開平05-279980（特許文献１）がある。この文献には、「自動運転モードと手動運転モードとに切換える運転モード切換手段を設けているので、万一画像情報処理系や実ライン用ニューラルネットワークに不具合が生じても直ちに手動運転モードに切換えて運転を継続できる。また、手動運転モードに切換え、そのときの入出力データを学習・評価用データ記憶手段に取込み、このデータを使って学習・評価用ニューラルネットワークに学習させ、学習結果である結合重みを実ライン用ニューラルネットワークに転写することができるので、経験を積んだオペレータが制御している場合と同じような制御を自動的に行わせることができる。」と記載されている（〔作用〕参照）。
また、特開平05-297904（特許文献２）がある。この文献には、「ＰＩ制御装置、ファジィ制御装置、ニューロ制御装置からなる複数の制御方式を有する制御装置において、予め制御対象の状態とその状態における制御装置が有している各制御方式の適性の関係を記憶し、この記憶した関係を基に各時点の制御対象の状態における各制御方式の適性を判定する制御方式切替装置を設け、この制御方式切替装置に入力する各時点の制御対象の状態、各制御装置及びこれらへの入力情報の正・異常状態に応じて、各制御方式の最適性または適合性あるいは制御対象の状態を出力して表示すると共に、最適な制御方式を選定して切替る。」と記載されている（〔構成〕参照）。
しかしながら、前述の先行技術（特許文献１と特許文献２）は、ニューラルネットワーク、ファジィ制御など人工知能を用いた単一の制御システムにおいて異常が発生した場合の制御方式であり、同じく人工知能を用いた複数の制御システムにおいて異常が発生した場合の制御方式ではない。
本発明の目的は、人工知能を用いた制御を行う別の端末で異常が発生した場合に、人工知能を用いた制御の異常発生を未然に防止することができる制御装置等を提供することにある。
上記目的を達成するために、本発明は、機械学習を用いた制御を行う第１の制御部と、前記機械学習を用いた制御と異なる制御を行う第２の制御部と、を備える端末としての制御装置であって、前記第１の制御部を有する別の端末において前記機械学習を用いた制御のパラメータ値が所定範囲にある場合、自らの前記第１の制御部に前記機械学習を用いた制御を行わせ、前記第１の制御部を有する別の端末において前記機械学習を用いた制御のパラメータ値が所定範囲にないことを示す異常が発生した場合、前記第２の制御部に前記機械学習を用いた制御と異なる制御を行わせる制御切替部をさらに備える。
本発明によれば、人工知能を用いた制御を行う別の端末で異常が発生した場合に、人工知能を用いた制御の異常発生を未然に防止することができる。上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
以下、図面を用いて、本発明の実施形態１～９による端末（制御装置）を含む制御システムの構成及び動作について説明する。端末は、ロボット、自動運転車、ドローン（飛行体）等の機械を制御する。なお、各図において、同一符号は同一部分を示す。
（実施形態１）
本実施形態においては、複数の端末それぞれに、人工知能（機械学習）を用いた制御手段と、人工知能とは異なるＰＩＤ制御（Proportional Integral Derivative Control）を用いた制御手段と、複数の端末のうち少なくとも一つの端末において、人工知能（機械学習）を用いた制御手段に異常が生じたとき、異常が生じていない端末の制御を、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替える制御切替手段とを備えた形態について示す。
本実施形態においては、複数の端末それぞれに、人工知能（機械学習）を用いた制御手段と、人工知能とは異なるＰＩＤ制御（Proportional Integral Derivative Control）を用いた制御手段と、複数の端末のうち少なくとも一つの端末において、人工知能（機械学習）を用いた制御手段に異常が生じたとき、異常が生じていない端末の制御を、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替える制御切替手段とを備えた形態について示す。
なお、人工知能（機械学習）を用いた制御の少なくとも一つのパラメータの値が所定範囲にない状態が所定時間継続したとき、異常と判定する。
また、制御システムは、サーバーと端末で構成され、複数の端末のうち少なくとも一つの端末において人工知能（機械学習）を用いた制御手段に異常が生じたとき、サーバー介した通信手段により、人工知能（機械学習）を用いた制御手段の異常を複数の端末のうち異常が生じていない端末に通知する。
また、ある端末で異常が生じたとき、異常が生じていない他の端末において所定の切り替え条件が成立した端末から順次、制御を切り替える。所定の切り替え条件については、図８等を用いて後述する。
また、制御システムは、複数のロボットを制御する装置である。
図１は、制御システムの全体を表した図である。複数の端末１は、サーバー６を介して、情報の送受信を行う。端末１に異常が発生したときは、サーバー６を介して、他の端末に異常発生が伝えられる。サーバー６を介することにより、例えば、情報セキュリティを確保することが容易となる。端末１は、人工知能（機械学習）を用いた制御手段２と、人工知能とは異なるＰＩＤ制御を用いた制御手段３とを備える。異常検知手段４は、人工知能（機械学習）を用いた制御手段の異常を検知する。制御切り替え判定手段５は、異常検知手段４の検知結果、別端末からの異常通知などから制御の切り替えを行う切り替えフラグを演算する。
換言すれば、制御手段２（第１の制御部）は、人工知能を用いた制御を行う。制御手段３（第２の制御部）は、人工知能と異なる制御を行う。
図２は、端末１とサーバー６によって制御される生産ラインのロボット７を示している。人工知能（機械学習）を用いた制御手段２もしくは人工知能とは異なるＰＩＤ制御を用いた制御手段３により、ロボット７を制御するための操作量（例えば、目標角度、目標速度、目標トルクなど）が演算される。
図３は、端末１のシステム構成図である。端末１には、外部からの信号を処理する入力回路１６が設けてある。ここでいう外部からの信号とは、例えば、端末に設置されているセンサ信号等が考えられる。これら外部からの信号は、入力回路１６を経て、入力信号となり入出力ポート１７へ送られる。入出力ポートに送られた各入力情報は、データバス１５を通って、ＲＡＭ１４（Random Access Memory）に書き込まれる。あるいは、記憶装置１１に記憶される。
例えば、入力回路１６（受信部）は、人工知能を用いた制御手段２（第１の制御部）を有する別の端末１の異常を示す異常通知を受信する。
ＲＯＭ１３（Read Only Memory）もしくは記憶装置１１には、後述の処理が書き込まれていて、ＣＰＵ１２（Central Processing Unit）で実行される。その際、ＲＡＭ１４あるいは記憶装置１１に書き込まれた値を、適宜、用いて演算を行う。演算結果の内、外部へ送り出す情報（値）は、データバス１５を通って、入出力ポート１７に送られ、出力信号として、出力回路１８に送られる。出力信号は、出力回路１８から外部への信号として、外部に出力される。ここでいう外部への信号とは制御対象を所望の動きをさせるためのアクチュエータ信号などを指す。
例えば、出力回路１８（送信部）は、人工知能を用いた制御手段２（第１の制御部）が異常であると判定された場合、当該端末１の異常通知を送信する。これにより、人工知能を用いた制御において異常が発生する可能性があることを他の端末１へ通知することができる。
図４は、サーバー６のシステム構成図である。サーバー６には、外部からの信号を処理する入力回路２６が設けてある。ここでいう外部からの信号とは、各端末からの異常通知である。外部からの信号は、入力回路２６を経て、入力信号となり入出力ポート２７へ送られる。入出力ポートに送られた入力情報は、データバス２５を通って、ＲＡＭ２４に書き込まれる。あるいは、記憶装置２１に記憶される。
ＲＯＭ２３もしくは記憶装置２１には、後述の処理が書き込まれていて、ＣＰＵ２２で実行される。その際、ＲＡＭ２４あるいは記憶装置２１に書き込まれた値を、適宜、用いて演算を行う。演算結果の内、外部へ送り出す情報（値）は、データバス２５を通って、入出力ポート２７に送られ、出力信号として、出力回路２８に送られる。出力信号は、出力回路２８から外部への信号として、外部に出力される。ここでいう外部への信号とは、各端末への異常通知であり、複数の端末１へ送られる。以下、各処理の詳細を説明する。
＜人工知能を用いた制御手段（図５）＞
本処理では、人工知能（機械学習）を用いた制御による制御対象への操作量を演算する。具体的には、図５に示される。
本処理では、人工知能（機械学習）を用いた制御による制御対象への操作量を演算する。具体的には、図５に示される。
センサ信号などから機械学習を用いた制御１２１により、制御対象への操作量（本実施形態では、ロボット７を制御するための操作量）を演算する。
なお、人工知能を用いた制御手段２（第１の制御部）は、センサ信号等（入力値）から人工知能を用いた制御の操作量（出力値）を決定する関数のパラメータを示す制御パラメータ値を学習し、センサ信号等と学習された制御パラメータ値に基づいて操作量を算出する。人工知能を用いた制御手段２によって学習された制御パラメータ値は、例えば、記憶装置１１（記憶部）に記憶される。これにより、制御パラメータを自律的に学習することができる。
機械学習を用いた制御は、多くの公知技術があるので、ここでは詳述しないが、例えば、ニューラルネットワーク（ディープラーニング）で制御対象のモデル化を行い、予測制御、逆モデル制御を行う、などが考えられる。
＜人工知能とは異なる制御手段（図６）＞
本処理では、人工知能とは異なる制御であるＰＩＤ制御による制御対象への操作量を演算する。具体的には、図６に示される。
本処理では、人工知能とは異なる制御であるＰＩＤ制御による制御対象への操作量を演算する。具体的には、図６に示される。
センサ信号などからＰＩＤ制御１２２により、制御対象への操作量（本実施形態では、ロボット７を制御するための操作量）を演算する。ＰＩＤ制御は、体系化された実績のある制御であるため、制御の信頼性を確保することができる。ＰＩＤ制御については、多くの公知技術があるので、ここでは詳述しない。
＜異常検知手段（図７）＞
本処理では、人工知能（機械学習）を用いた制御の動作異常を検知する。具体的には、図７に示される。
本処理では、人工知能（機械学習）を用いた制御の動作異常を検知する。具体的には、図７に示される。
・検知対象が２次元の場合を示している。
・範囲１～４で示される領域が正常動作範囲である。
・検知対象のパラメータ値（ベクトル）に対して、Ｌ２距離の意味で、もっとも近い中心ベクトル（図中の○）を特定する。
・特定した中心ベクトルに対応する領域の内部に、検知対象である制御パラメータ値（ベクトル）が存在していれば、正常と判定し、存在していなければ，異常と判定する。例えば、図７のベクトルＡは、正常と判定され、ベクトルＢは、異常と判定される。
図７の例では、特定した中心ベクトルに対応する領域の内部に検知対象である制御パラメータ値（ベクトル）が存在していない状態が所定時間継続すれば、異常と判定している。換言すれば、異常検知手段４（異常検知部）は、少なくとも１つの制御パラメータ値が所定範囲にない状態が所定時間継続した場合、人工知能を用いた制御手段３（第１の制御部）が異常であると判定する。
これにより、一時的に制御パラメータ値（ベクトル）が特定した中心ベクトルに対応する領域の外部に存在するようになることによって、異常と判定されることを抑制することができる。
なお、検知対象のパラメータは、人工知能（機械学習）を用いた制御の出力に相当する操作量でも良い。また、制御内部で演算される内部パラメータでも良い。また、図７では、２次元の場合を示しているが、Ｎ次元(Ｎ：自然数)まで拡張可能である。
＜制御切り替え判定手段（図８）＞
本処理では、制御切り替え判定を行う。具体的には、図８に示される。
本処理では、制御切り替え判定を行う。具体的には、図８に示される。
・『「別端末からの異常通知があり」もしくは「当該端末の異常通知があり」』かつ、『「条件Ａが成立」かつ「条件Ｂが成立」』のとき、切り替えフラグをＯＮ（＝１）にする。
条件Ａ、条件Ｂは、端末における所定の切り替え条件であり、例えば、以下の条件などが考えられる。
条件Ａ：制御パラメータ値が所定範囲にある。
条件Ｂ：制御パラメータ値の変化量が所定範囲にある。
これにより、端末の制御パラメータが安定しているときに、制御の切り替えを許可するものである。
＜サーバーでの処理（図９）＞
本処理では、サーバーは、端末の異常通知を、その他の端末に通知する。具体的には、図９に示される。
本処理では、サーバーは、端末の異常通知を、その他の端末に通知する。具体的には、図９に示される。
少なくとも一つの端末から異常通知があったとき、その他の各端末に異常通知を行う。
以上、本実施形態で示した構成によれば、生産ラインの複数のロボットをそれぞれ制御する端末１に異常が発生したときは、サーバー６を介して、他の端末に異常が伝えられ、異常が発生していない端末においても、所定の切り替え条件が成立した端末から、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替えるので、異常が発生していないその他の端末での異常発生を未然に防ぐことができ、システム全体の信頼性が向上する。
（実施形態２）
本実施形態においては、複数の端末それぞれに、人工知能（機械学習）を用いた制御手段と、人工知能とは異なるＰＩＤ制御を用いた制御手段と、複数の端末のうち少なくとも一つの端末において、人工知能（機械学習）を用いた制御手段に異常が生じたとき、異常が生じていない端末の制御を、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替える制御切替手段とを備えた形態について示す。
本実施形態においては、複数の端末それぞれに、人工知能（機械学習）を用いた制御手段と、人工知能とは異なるＰＩＤ制御を用いた制御手段と、複数の端末のうち少なくとも一つの端末において、人工知能（機械学習）を用いた制御手段に異常が生じたとき、異常が生じていない端末の制御を、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替える制御切替手段とを備えた形態について示す。
特に本実施形態では、制御システムは、複数の自動運転車を制御する装置である。
図１は、制御システムの全体を表した図であるが、実施形態１と同じであるので、詳述しない。
図１０は、端末１とサーバー６によって制御される自動運転車８を示している。人工知能（機械学習）を用いた制御手段２もしくは人工知能とは異なるＰＩＤ制御を用いた制御手段３により、自動運転車８を制御するための操作量（例えば、目標速度、目標回転速度など）が演算される。
図３は、端末１のシステム構成図であるが、実施形態１と同じであるので、詳述しない。
図４は、サーバー６のシステム構成図であるが、実施形態１と同じであるので、詳述しない。以下、各処理の詳細を説明する。
＜人工知能を用いた制御手段（図５）＞
本処理では、人工知能（機械学習）を用いた制御による制御対象への操作量を演算する。具体的には、図５に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能（機械学習）を用いた制御による制御対象への操作量を演算する。具体的には、図５に示されるが、実施形態１と同じであるので、詳述しない。
＜人工知能とは異なる制御手段（図６）＞
本処理では、人工知能とは異なる制御であるＰＩＤ制御による制御対象への操作量を演算する。具体的には、図６に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能とは異なる制御であるＰＩＤ制御による制御対象への操作量を演算する。具体的には、図６に示されるが、実施形態１と同じであるので、詳述しない。
＜異常検知手段（図７）＞
本処理では、人工知能（機械学習）を用いた制御の動作異常を検知する。具体的には、図７に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能（機械学習）を用いた制御の動作異常を検知する。具体的には、図７に示されるが、実施形態１と同じであるので、詳述しない。
＜制御切り替え判定手段（図８）＞
本処理では、制御切り替え判定を行う。具体的には、図８に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、制御切り替え判定を行う。具体的には、図８に示されるが、実施形態１と同じであるので、詳述しない。
＜サーバーでの処理（図９）＞
本処理では、サーバーは、端末の異常通知を、その他の端末に通知する。具体的には、図９に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、サーバーは、端末の異常通知を、その他の端末に通知する。具体的には、図９に示されるが、実施形態１と同じであるので、詳述しない。
以上、本実施形態で示した構成によれば、複数の自動運転車をそれぞれ制御する端末１に異常が発生したときは、サーバー６を介して、他の端末に異常が伝えられ、異常が発生していない端末においても、所定の切り替え条件が成立した端末から、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替えるので、異常が発生していないその他の端末での異常発生を未然に防ぐことができ、システム全体の信頼性が向上する。
（実施形態３）
本実施形態においては、複数の端末それぞれに、人工知能（機械学習）を用いた制御手段と、人工知能とは異なるＰＩＤ制御を用いた制御手段と、複数の端末のうち少なくとも一つの端末において、人工知能（機械学習）を用いた制御手段に異常が生じたとき、異常が生じていない端末の制御を、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替える制御切替手段とを備えた形態について示す。
本実施形態においては、複数の端末それぞれに、人工知能（機械学習）を用いた制御手段と、人工知能とは異なるＰＩＤ制御を用いた制御手段と、複数の端末のうち少なくとも一つの端末において、人工知能（機械学習）を用いた制御手段に異常が生じたとき、異常が生じていない端末の制御を、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替える制御切替手段とを備えた形態について示す。
特に本実施形態では、制御システムは、複数のドローンを制御する装置である。
図１は、制御システムの全体を表した図であるが、実施形態１と同じであるので、詳述しない。
図１１は、端末１とサーバー６によって制御されるドローン９を示している。人工知能（機械学習）を用いた制御手段２もしくは人工知能とは異なるＰＩＤ制御を用いた制御手段３により、ドローン９を制御するための操作量（例えば、各ローターの目標回転速度など）が演算される。
図３は、端末１のシステム構成図であるが、実施形態１と同じであるので、詳述しない。
図４は、サーバー６のシステム構成図であるが、実施形態１と同じであるので、詳述しない。以下、各処理の詳細を説明する。
＜人工知能を用いた制御手段（図５）＞
本処理では、人工知能（機械学習）を用いた制御による制御対象への操作量を演算する。具体的には、図５に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能（機械学習）を用いた制御による制御対象への操作量を演算する。具体的には、図５に示されるが、実施形態１と同じであるので、詳述しない。
＜人工知能とは異なる制御手段（図６）＞
本処理では、人工知能とは異なる制御であるＰＩＤ制御による制御対象への操作量を演算する。具体的には、図６に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能とは異なる制御であるＰＩＤ制御による制御対象への操作量を演算する。具体的には、図６に示されるが、実施形態１と同じであるので、詳述しない。
＜異常検知手段（図７）＞
本処理では、人工知能（機械学習）を用いた制御の動作異常を検知する。具体的には、図７に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能（機械学習）を用いた制御の動作異常を検知する。具体的には、図７に示されるが、実施形態１と同じであるので、詳述しない。
＜制御切り替え判定手段（図８）＞
本処理では、制御切り替え判定を行う。具体的には、図８に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、制御切り替え判定を行う。具体的には、図８に示されるが、実施形態１と同じであるので、詳述しない。
＜サーバーでの処理（図９）＞
本処理では、サーバーは、端末の異常通知を、その他の端末に通知する。具体的には、図９に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、サーバーは、端末の異常通知を、その他の端末に通知する。具体的には、図９に示されるが、実施形態１と同じであるので、詳述しない。
以上、本実施形態で示した構成によれば、複数のドローンをそれぞれ制御する端末１に異常が発生したときは、サーバー６を介して、他の端末に異常が伝えられ、異常が発生していない端末においても、所定の切り替え条件が成立した端末から、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替えるので、異常が発生していないその他の端末での異常発生を未然に防ぐことができ、システム全体の信頼性が向上する。
（実施形態４）
本実施形態においては、複数の端末それぞれに、人工知能（機械学習）を用いた制御手段と、人工知能とは異なる制御を用いた制御手段と、複数の端末のうち少なくとも一つの端末において、人工知能（機械学習）を用いた制御手段に異常が生じたとき、異常が生じていない端末の制御を、人工知能（機械学習）を用いた制御手段から手動制御に切り替える制御切替手段とを備えた形態について示す。
本実施形態においては、複数の端末それぞれに、人工知能（機械学習）を用いた制御手段と、人工知能とは異なる制御を用いた制御手段と、複数の端末のうち少なくとも一つの端末において、人工知能（機械学習）を用いた制御手段に異常が生じたとき、異常が生じていない端末の制御を、人工知能（機械学習）を用いた制御手段から手動制御に切り替える制御切替手段とを備えた形態について示す。
特に本実施形態では、制御システムは、複数の自動運転車を制御する装置であり、人工知能とは異なる制御手段は手動制御である。
図１は、制御システムの全体を表した図であるが、実施形態１と同じであるので、詳述しない。
図１０は、端末１とサーバー６によって制御される自動運転車８を示している。人工知能（機械学習）を用いた制御手段２もしくは人工知能とは異なる手動制御を用いた制御手段３により、自動運転車８を制御するための操作量（例えば、目標速度、目標回転速度など）が演算される。なお、手動制御の場合は、目標速度、目標回転速度を決めるデバイスは、アクセル、ブレーキ、ハンドルとなる。
図３は、端末１のシステム構成図であるが、実施形態１と同じであるので、詳述しない。
図４は、サーバー６のシステム構成図であるが、実施形態１と同じであるので、詳述しない。以下、各処理の詳細を説明する。
＜人工知能を用いた制御手段（図５）＞
本処理では、人工知能（機械学習）を用いた制御による制御対象への操作量を演算する。具体的には、図５に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能（機械学習）を用いた制御による制御対象への操作量を演算する。具体的には、図５に示されるが、実施形態１と同じであるので、詳述しない。
＜人工知能とは異なる制御手段（図１２）＞
本処理では、人工知能とは異なる制御である手動制御により制御対象を操作する。具体的には、図１２に示される。
本処理では、人工知能とは異なる制御である手動制御により制御対象を操作する。具体的には、図１２に示される。
ここでの手動制御とは、ドライバーによるアクセル、ブレーキ、ハンドルを用いた制御を指す。なお、アクセルペダルの踏み込み量、ブレーキペダルの踏み込み量、ハンドルの舵角は、それぞれ、例えば、アクセルポジションセンサ、ブレーキペダルポジションセンサ、舵角センサによって検出される。手動制御１２３では、各センサで検出された値に基づいて制御対象への操作量が算出される。これにより、手動で制御対象の制御を継続することができる。
＜異常検知手段（図７）＞
本処理では、人工知能（機械学習）を用いた制御の動作異常を検知する。具体的には、図７に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能（機械学習）を用いた制御の動作異常を検知する。具体的には、図７に示されるが、実施形態１と同じであるので、詳述しない。
＜制御切り替え判定手段（図８）＞
本処理では、制御切り替え判定を行う。具体的には、図８に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、制御切り替え判定を行う。具体的には、図８に示されるが、実施形態１と同じであるので、詳述しない。
＜サーバーでの処理（図９）＞
本処理では、サーバーで行う。端末の異常通知を、その他の端末に通知する。具体的には、図９に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、サーバーで行う。端末の異常通知を、その他の端末に通知する。具体的には、図９に示されるが、実施形態１と同じであるので、詳述しない。
以上、本実施形態で示した構成によれば、複数の自動運転車をそれぞれ制御する端末１に異常が発生したときは、サーバー６を介して、他の端末に異常が伝えられ、異常が発生していない端末においても、所定の切り替え条件が成立した端末から、人工知能（機械学習）を用いた制御手段から手動制御に切り替えるので、異常が発生していないその他の端末での異常発生を未然に防ぐことができ、システム全体の信頼性が向上する。
（実施形態５）
本実施形態においては、複数の端末それぞれに、人工知能（機械学習）を用いた制御手段と、人工知能とは異なるＰＩＤ制御を用いた制御手段と、複数の端末のうち少なくとも一つの端末において、人工知能（機械学習）を用いた制御手段に異常が生じたとき、異常が生じていない端末の制御を、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替える制御切替手段とを備えた形態について示す。制御システムは、複数のロボットを制御する装置である。
本実施形態においては、複数の端末それぞれに、人工知能（機械学習）を用いた制御手段と、人工知能とは異なるＰＩＤ制御を用いた制御手段と、複数の端末のうち少なくとも一つの端末において、人工知能（機械学習）を用いた制御手段に異常が生じたとき、異常が生じていない端末の制御を、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替える制御切替手段とを備えた形態について示す。制御システムは、複数のロボットを制御する装置である。
特に、ＰＩＤ制御実施中に、学習処理により、人工知能（機械学習）を用いた制御のパラメータ値の更新を行う。
図１は、制御システムの全体を表した図であるが、実施形態１と同じであるので、詳述しない。
図２は、端末１とサーバー６によって制御される生産ラインのロボット７を示しているが、実施形態１と同じであるので、詳述しない。
図３は、端末１のシステム構成図であるが、実施形態１と同じであるので、詳述しない。
図４は、サーバー６のシステム構成図であるが、実施形態１と同じであるので、詳述しない。以下、各処理の詳細を説明する。
＜人工知能を用いた制御手段（図５）＞
本処理では、人工知能（機械学習）を用いた制御による制御対象への操作量を演算する。具体的には、図５に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能（機械学習）を用いた制御による制御対象への操作量を演算する。具体的には、図５に示されるが、実施形態１と同じであるので、詳述しない。
＜人工知能とは異なる制御手段（図６）＞
本処理では、人工知能とは異なる制御であるＰＩＤ制御による制御対象への操作量を演算する。具体的には、図６に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能とは異なる制御であるＰＩＤ制御による制御対象への操作量を演算する。具体的には、図６に示されるが、実施形態１と同じであるので、詳述しない。
＜異常検知手段（図７）＞
本処理では、人工知能（機械学習）を用いた制御の動作異常を検知する。具体的には、図７に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能（機械学習）を用いた制御の動作異常を検知する。具体的には、図７に示されるが、実施形態１と同じであるので、詳述しない。
＜制御切り替え判定手段（図８）＞
本処理では、制御切り替え判定を行う。具体的には、図８に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、制御切り替え判定を行う。具体的には、図８に示されるが、実施形態１と同じであるので、詳述しない。
＜サーバーでの処理（図１３）＞
本処理では、サーバーは、端末の異常通知を、その他の端末に通知する。具体的には、図１３に示される。
本処理では、サーバーは、端末の異常通知を、その他の端末に通知する。具体的には、図１３に示される。
・少なくとも一つの端末から異常通知があったとき、その他の各端末に異常通知を行う。
・各端末への異常通知がON（＝１）のとき、人工知能を用いた制御手段（機械学習）のパラメータの再学習を行う。
機械学習のパラメータの学習方法は、多くの公知技術があるので、ここでは詳述しない。例えばディープラーニングの場合は、誤差逆伝搬法などがある。
以上、本実施形態で示した構成によれば、生産ラインの複数のロボットをそれぞれ制御する端末１に異常が発生したときは、サーバー６を介して、他の端末に異常が伝えられ、異常が発生していない端末においても、所定の切り替え条件が成立した端末から、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替えるので、異常が発生していないその他の端末での異常発生を未然に防ぐことができ、システム全体の信頼性が向上する。
また、ＰＩＤ制御実施中に、サーバーで、人工知能(機械学習)を用いた制御のパラメータの再学習を行うので、次回の人工知能（機械学習）を用いた制御実施時には、異常が解消されると共に、性能向上が期待できる。
（実施形態６）
本実施形態においては、複数の端末それぞれに、人工知能（機械学習）を用いた制御手段と、人工知能とは異なるＰＩＤ制御を用いた制御手段と、複数の端末のうち少なくとも一つの端末において、人工知能（機械学習）を用いた制御手段に異常が生じたとき、異常が生じていない端末の制御を、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替える制御切替手段とを備えた形態について示す。制御システムは、複数のロボットを制御する装置である。
本実施形態においては、複数の端末それぞれに、人工知能（機械学習）を用いた制御手段と、人工知能とは異なるＰＩＤ制御を用いた制御手段と、複数の端末のうち少なくとも一つの端末において、人工知能（機械学習）を用いた制御手段に異常が生じたとき、異常が生じていない端末の制御を、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替える制御切替手段とを備えた形態について示す。制御システムは、複数のロボットを制御する装置である。
特に、ＰＩＤ制御実施中に、学習処理により、人工知能（機械学習）を用いた制御のパラメータ値の更新を行い、人工知能（機械学習）を用いた制御のパラメータ値の更新完了後、ＰＩＤ制御から人工知能（機械学習）を用いた制御に切り替えることを特徴とする制御システムである。
図１は、制御システムの全体を表した図であるが、実施形態１と同じであるので、詳述しない。
図２は、端末１とサーバー６によって制御される生産ラインのロボット７を示しているが、実施形態１と同じであるので、詳述しない。
図１４は、端末１のシステム構成図である。入力回路１６に入力される信号として、端末の人工知能を用いた制御手段のパラメータ値が追加されている。換言すれば、入力回路１６（受信部）は、サーバーで学習された制御パラメータ値を受信する。それ以外は、実施形態１と同じであるので、詳述しない。
図１５は、サーバー６のシステム構成図である。出力回路２８から出力される信号として、端末の人工知能を用いた制御手段のパラメータ値が追加されている。それ以外は、実施形態１と同じであるので、詳述しない。以下、各処理の詳細を説明する。
＜人工知能を用いた制御手段（図５）＞
本処理では、人工知能（機械学習）を用いた制御による制御対象への操作量を演算する。具体的には、図５に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能（機械学習）を用いた制御による制御対象への操作量を演算する。具体的には、図５に示されるが、実施形態１と同じであるので、詳述しない。
＜人工知能とは異なる制御手段（図６）＞
本処理では、人工知能とは異なる制御であるＰＩＤ制御による制御対象への操作量を演算する。具体的には、図６に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能とは異なる制御であるＰＩＤ制御による制御対象への操作量を演算する。具体的には、図６に示されるが、実施形態１と同じであるので、詳述しない。
＜異常検知手段（図７）＞
本処理では、人工知能（機械学習）を用いた制御の動作異常を検知する。具体的には、図７に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能（機械学習）を用いた制御の動作異常を検知する。具体的には、図７に示されるが、実施形態１と同じであるので、詳述しない。
＜制御切り替え判定手段（図８）＞
本処理では、制御切り替え判定を行う。具体的には、図８に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、制御切り替え判定を行う。具体的には、図８に示されるが、実施形態１と同じであるので、詳述しない。
＜サーバーでの処理（図１６）＞
本処理では、サーバーは、端末の異常通知を、その他の端末に通知する。具体的には、図１６に示される。なお、f_ano_0は、少なくとも一つの端末から異常通知があったか否かを示すフラグであり、f_learnは、パラメータの再学習及び更新が終了したか否かを示すフラグであり、f_anoは、各端末への異常通知としてのフラグである。
本処理では、サーバーは、端末の異常通知を、その他の端末に通知する。具体的には、図１６に示される。なお、f_ano_0は、少なくとも一つの端末から異常通知があったか否かを示すフラグであり、f_learnは、パラメータの再学習及び更新が終了したか否かを示すフラグであり、f_anoは、各端末への異常通知としてのフラグである。
詳細には、f_ano_0、f_learn、f_anoは、次のように設定される。
・少なくとも一つの端末から異常通知があったとき、f_ano_0=1とする。
i)f_learn=0（パラメータの再学習又は更新が未終了）であり、かつ、f_ano_0=1（少なくとも一つの端末から異常通知あり）のとき、f_ano=1（異常通知:ON）とする。
ii)f_learn=0→1（パラメータの再学習及び更新が終了）のとき、f_ano=0（異常通知:OFF）とする。
iii)それ以外は、f_ano=0とする。
f_ano=1のとき、その他の各端末に異常通知を行う。
・各端末への異常通知がON（f_ano=1）のとき、人工知能を用いた制御手段（機械学習）のパラメータの再学習を行う。
機械学習のパラメータの学習方法は、多くの公知技術があるので、ここでは詳述しない。例えばディープラーニングの場合は、誤差逆伝搬法などがある。
・人工知能を用いた制御手段（機械学習）のパラメータの再学習が終了し、端末の人工知能を用いた制御手段のパラメータを端末に送信かつ更新が終了したとき、f_learn=1とする。それ以外は、f_learn=0とする。
なお、それぞれの端末１の制御手段２（第１の制御部）は、制御手段３（第２の制御部）が人工知能と異なる制御を行う期間に、それぞれの端末１の記憶装置１１（記憶部）に記憶された制御パラメータ値を、サーバー６で学習された制御パラメータ値で更新する。制御切替部（切り替え判定手段５、スイッチ５ａ）は、制御パラメータ値の更新後に、人工知能と異なる制御から人工知能を用いた制御に切り替える。これにより、人工知能を用いた制御において異常が発生しうる要因を取り除いた後、人工知能を用いた制御に復帰することができる。
以上、本実施形態で示した構成によれば、生産ラインの複数のロボットをそれぞれ制御する端末１に異常が発生したときは、サーバー６を介して、他の端末に異常が伝えられ、異常が発生していない端末においても、所定の切り替え条件が成立した端末から、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替えるので、異常が発生していないその他の端末での異常発生を未然に防ぐことができ、システム全体の信頼性が向上する。
また、ＰＩＤ制御実施中に、サーバーで、人工知能(機械学習)を用いた制御のパラメータの再学習を行い、パラメータの再学習が完了した後は、人工知能（機械学習）を用いた制御に再び切り替えるので、ＰＩＤ制御の期間を最短化し、かつ、次回の人工知能（機械学習）を用いた制御実施時には、異常が解消されると共に、性能向上が期待できる。
（実施形態７）
本実施形態においては、複数の端末それぞれに、人工知能（機械学習）を用いた制御手段と、人工知能とは異なるＰＩＤ制御を用いた制御手段と、複数の端末のうち少なくとも一つの端末において、人工知能（機械学習）を用いた制御手段に異常が生じたとき、異常が生じていない端末の制御を、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替える制御切替手段とを備えた形態について示す。制御システムは、複数のロボットを制御する装置である。
本実施形態においては、複数の端末それぞれに、人工知能（機械学習）を用いた制御手段と、人工知能とは異なるＰＩＤ制御を用いた制御手段と、複数の端末のうち少なくとも一つの端末において、人工知能（機械学習）を用いた制御手段に異常が生じたとき、異常が生じていない端末の制御を、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替える制御切替手段とを備えた形態について示す。制御システムは、複数のロボットを制御する装置である。
特に、制御システムは、端末のみで構成され、複数の端末のうち少なくとも一つの端末において人工知能（機械学習）を用いた制御手段に異常が生じたとき、端末間の通信手段により、人工知能（機械学習）を用いた制御手段の異常を複数の端末のうち異常が生じていない端末に通知する。
図１７は、制御システムの全体を表した図である。複数の端末１は、端末間通信を介して、情報の送受信を行う。端末１に異常が発生したときは、端末間通信を介して、他の端末に異常発生が伝えられる。サーバーが不要であるため、例えば、制御システムのコストを削減することができる。それ以外は実施形態１と同じであるので、詳述しない。
図２は、端末１とサーバー６によって制御される生産ラインのロボット７を示しているが、実施形態１と同じであるので、詳述しない。
図３は、端末１のシステム構成図であるが、実施形態１と同じであるので、詳述しない。以下、各処理の詳細を説明する。
＜人工知能を用いた制御手段（図５）＞
本処理では、人工知能（機械学習）を用いた制御による制御対象への操作量を演算する。具体的には、図５に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能（機械学習）を用いた制御による制御対象への操作量を演算する。具体的には、図５に示されるが、実施形態１と同じであるので、詳述しない。
＜人工知能とは異なる制御手段（図６）＞
本処理では、人工知能とは異なる制御であるＰＩＤ制御による制御対象への操作量を演算する。具体的には、図６に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能とは異なる制御であるＰＩＤ制御による制御対象への操作量を演算する。具体的には、図６に示されるが、実施形態１と同じであるので、詳述しない。
＜異常検知手段（図７）＞
本処理では、人工知能（機械学習）を用いた制御の動作異常を検知する。具体的には、図７に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能（機械学習）を用いた制御の動作異常を検知する。具体的には、図７に示されるが、実施形態１と同じであるので、詳述しない。
＜制御切り替え判定手段（図８）＞
本処理では、制御切り替え判定を行う。具体的には、図８に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、制御切り替え判定を行う。具体的には、図８に示されるが、実施形態１と同じであるので、詳述しない。
以上、本実施形態で示した構成によれば、生産ラインの複数のロボットをそれぞれ制御する端末１に異常が発生したときは、端末間通信を介して、他の端末に異常が伝えられ、異常が発生していない端末においても、所定の切り替え条件が成立した端末から、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替えるので、異常が発生していないその他の端末での異常発生を未然に防ぐことができ、システム全体の信頼性が向上する。
（実施形態８）
本実施形態においては、複数の端末それぞれに、人工知能（機械学習）を用いた制御手段と、人工知能とは異なるＰＩＤ制御を用いた制御手段と、複数の端末のうち少なくとも一つの端末において、人工知能（機械学習）を用いた制御手段に異常が生じたとき、異常が生じていない端末の制御を、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替える制御切替手段とを備えた形態について示す。制御システムは、複数のロボットを制御する装置である。
本実施形態においては、複数の端末それぞれに、人工知能（機械学習）を用いた制御手段と、人工知能とは異なるＰＩＤ制御を用いた制御手段と、複数の端末のうち少なくとも一つの端末において、人工知能（機械学習）を用いた制御手段に異常が生じたとき、異常が生じていない端末の制御を、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替える制御切替手段とを備えた形態について示す。制御システムは、複数のロボットを制御する装置である。
特に本実施形態では、人工知能（機械学習）を用いた制御からＰＩＤ制御に、同時に切り替えるように、切り替えるタイミングを同期させる情報を全端末に送信する。
図１８は、制御システムの全体を表した図である。制御切り替え判定手段５では、別端末からの異常通知と切り替え同期フラグから制御の切り替えを行う切り替えフラグを演算する。それ以外は、実施形態１と同じであるので、詳述しない。
図１９は、端末１とサーバー６によって制御される生産ラインのロボット７を示している。制御切り替え判定手段５では、別端末からの異常通知と切り替え同期フラグから制御の切り替えを行う切り替えフラグを演算する。それ以外は、実施形態１と同じであるので、詳述しない。
図３は、端末１のシステム構成図であるが、実施形態１と同じであるので、詳述しない。
図４は、サーバー６のシステム構成図であるが、実施形態１と同じであるので、詳述しない。以下、各処理の詳細を説明する。
＜人工知能を用いた制御手段（図５）＞
本処理では、人工知能（機械学習）を用いた制御による制御対象への操作量を演算する。具体的には、図５に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能（機械学習）を用いた制御による制御対象への操作量を演算する。具体的には、図５に示されるが、実施形態１と同じであるので、詳述しない。
＜人工知能とは異なる制御手段（図６）＞
本処理では、人工知能とは異なる制御であるＰＩＤ制御による制御対象への操作量を演算する。具体的には、図６に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能とは異なる制御であるＰＩＤ制御による制御対象への操作量を演算する。具体的には、図６に示されるが、実施形態１と同じであるので、詳述しない。
＜異常検知手段（図７）＞
本処理では、人工知能（機械学習）を用いた制御の動作異常を検知する。具体的には、図７に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能（機械学習）を用いた制御の動作異常を検知する。具体的には、図７に示されるが、実施形態１と同じであるので、詳述しない。
＜制御切り替え判定手段（図２０）＞
本処理では、制御切り替え判定を行う。具体的には、図２０に示される。
・サーバーからの異常通知があり、かつ切り替え同期フラグがＯＮ（＝１）のとき、切り替えフラグをＯＮ（＝１）にする。換言すれば、それぞれの端末１の入力回路１６（受信部）は、切り替え同期フラグを受信し、それぞれの端末１の制御切替部（切り替え判定手段５、スイッチ５ａ）は、異常通知が受信され且つ切り替え同期フラグが受信された場合、人工知能を用いた制御から人工知能と異なる制御に切り替える。これにより、複数の端末１において、制御を切り替えるタイミングを合わせることができる。
本処理では、制御切り替え判定を行う。具体的には、図２０に示される。
・サーバーからの異常通知があり、かつ切り替え同期フラグがＯＮ（＝１）のとき、切り替えフラグをＯＮ（＝１）にする。換言すれば、それぞれの端末１の入力回路１６（受信部）は、切り替え同期フラグを受信し、それぞれの端末１の制御切替部（切り替え判定手段５、スイッチ５ａ）は、異常通知が受信され且つ切り替え同期フラグが受信された場合、人工知能を用いた制御から人工知能と異なる制御に切り替える。これにより、複数の端末１において、制御を切り替えるタイミングを合わせることができる。
＜サーバーでの処理（図２１）＞
本処理では、サーバーで行う。端末の異常通知を、その他の端末に通知する。具体的には、図２１に示される。
・少なくとも一つの端末から異常通知があったとき、その他の各端末に異常通知を行う。・『「条件Ａが成立」かつ「条件Ｂが成立」』のとき、切り替え同期フラグをＯＮ（＝１）にする。条件Ａ、条件Ｂは、全端末における所定の切り替え条件であり、例えば、以下の条件などが考えられる。
本処理では、サーバーで行う。端末の異常通知を、その他の端末に通知する。具体的には、図２１に示される。
・少なくとも一つの端末から異常通知があったとき、その他の各端末に異常通知を行う。・『「条件Ａが成立」かつ「条件Ｂが成立」』のとき、切り替え同期フラグをＯＮ（＝１）にする。条件Ａ、条件Ｂは、全端末における所定の切り替え条件であり、例えば、以下の条件などが考えられる。
条件Ａ：全端末の制御パラメータ値が所定範囲にある。
条件Ｂ：全端末の制御パラメータ値の変化量が所定範囲にある。
これにより、全端末の制御パラメータが安定しているときに、全端末の制御の切り替えを許可するものである。
なお、サーバー６の出力回路２８（送信部）は、人工知能を用いた制御から人工知能と異なる制御へ切り替えるタイミングを同期させるための切り替え同期フラグをすべての端末１に送信する。
以上、本実施形態で示した構成によれば、生産ラインの複数のロボットをそれぞれ制御する端末１に異常が発生したときは、サーバー６を介して、他の端末に異常が伝えられ、異常が発生していない端末においても、所定の切り替え条件が成立した端末から、人工知能（機械学習）を用いた制御からＰＩＤ制御に切り替えるので、異常が発生していないその他の端末での異常発生を未然に防ぐことができ、システム全体の信頼性が向上する。
また、全端末同時に、人工知能（機械学習）を用いた制御からＰＩＤ制御に切り替えるので、システムの全体の安定性が向上する。
（実施形態９）
本実施形態においては、複数の端末それぞれに、人工知能（機械学習）を用いた制御手段と、人工知能とは異なるＰＩＤ制御を用いた制御手段と、複数の端末のうち少なくとも一つの端末において、人工知能（機械学習）を用いた制御手段に異常が生じたとき、異常が生じていない端末の制御を、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替える制御切替手段とを備えた形態について示す。
本実施形態においては、複数の端末それぞれに、人工知能（機械学習）を用いた制御手段と、人工知能とは異なるＰＩＤ制御を用いた制御手段と、複数の端末のうち少なくとも一つの端末において、人工知能（機械学習）を用いた制御手段に異常が生じたとき、異常が生じていない端末の制御を、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替える制御切替手段とを備えた形態について示す。
特に本実施形態では、サーバーと複数の端末で構成され、サーバーから前記複数の端末に一定周期で信号を送信する手段を備え、端末において、サーバーからの一定周期信号が受信されないとき、複数の端末のうち異常が生じていない端末の制御を、第１の制御手段から前記第２の制御手段に切り替える制御切替手段とを備える。
図２２は、サーバー６から端末１に、一定周期の信号が送信される。換言すれば、サーバー６の出力回路２８（送信部）は、周期的な信号を示す周期信号をすべての端末１に送信する。それ以外は、実施形態１と同じであるので、詳述しない。
図２３は、端末１とサーバー６によって制御される生産ラインのロボット７を示している。制御切り替え判定手段５では、別端末からの異常通知とサーバーからの一定周期信号から制御の切り替えを行う切り替えフラグを演算する。これにより、例えば、サーバー６が故障した場合又はサーバー６と端末１の間の通信経路に障害が発生した場合に、人工知能を用いた制御から人工知能と異なる制御へ切り替えることができる。それ以外は、実施形態１と同じであるので、詳述しない。
図２４は、端末１のシステム構成図である。入力回路１６に入力される信号として、サーバーからの一定周期信号が追加されている。それ以外は、実施形態１と同じであるので、詳述しない。
図２５は、サーバー６のシステム構成図である。出力回路２８から出力される信号として、サーバーからの一定周期信号が追加されている。それ以外は、実施形態１と同じであるので、詳述しない。以下、各処理の詳細を説明する。
＜人工知能を用いた制御手段（図５）＞
本処理では、人工知能（機械学習）を用いた制御による制御対象への操作量を演算する。具体的には、図５に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能（機械学習）を用いた制御による制御対象への操作量を演算する。具体的には、図５に示されるが、実施形態１と同じであるので、詳述しない。
＜人工知能とは異なる制御手段（図６）＞
本処理では、人工知能とは異なる制御であるＰＩＤ制御による制御対象への操作量を演算する。具体的には、図６に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能とは異なる制御であるＰＩＤ制御による制御対象への操作量を演算する。具体的には、図６に示されるが、実施形態１と同じであるので、詳述しない。
＜異常検知手段（図７）＞
本処理では、人工知能（機械学習）を用いた制御の動作異常を検知する。具体的には、図７に示されるが、実施形態１と同じであるので、詳述しない。
本処理では、人工知能（機械学習）を用いた制御の動作異常を検知する。具体的には、図７に示されるが、実施形態１と同じであるので、詳述しない。
＜制御切り替え判定手段（図２６）＞
本処理では、制御切り替え判定を行う。具体的には、図２６に示される。
・『「別端末からの異常通知があり」もしくは「当該端末の異常通知があり」もしくは「サーバーから一定周期で信号が受信されないとき」』かつ、
『「条件Ａが成立」かつ「条件Ｂが成立」』のとき、
切り替えフラグをＯＮ（＝１）にする。
本処理では、制御切り替え判定を行う。具体的には、図２６に示される。
・『「別端末からの異常通知があり」もしくは「当該端末の異常通知があり」もしくは「サーバーから一定周期で信号が受信されないとき」』かつ、
『「条件Ａが成立」かつ「条件Ｂが成立」』のとき、
切り替えフラグをＯＮ（＝１）にする。
条件Ａ、条件Ｂは、端末における所定の切り替え条件であり、例えば、以下の条件などが考えられる。
条件Ａ：制御パラメータ値が所定範囲にある。
条件Ｂ：制御パラメータ値の変化量が所定範囲にある。
これにより、端末の制御パラメータが安定しているときに、制御の切り替えを許可するものである。
＜サーバーでの処理（図２７）＞
本処理では、サーバーは、端末の異常通知を、その他の端末に通知する。具体的には、図２７に示される。
本処理では、サーバーは、端末の異常通知を、その他の端末に通知する。具体的には、図２７に示される。
・少なくとも一つの端末から異常通知があったとき、その他の各端末に異常通知を行う。
・また、サーバーから各端末に、一定周期で信号を送信する。
以上、本実施形態で示した構成によれば、生産ラインの複数のロボットをそれぞれ制御する端末１に異常が発生したときは、サーバー６を介して、他の端末に異常が伝えられ、異常が発生していない端末においても、所定の切り替え条件が成立した端末から、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替えるので、異常が発生していないその他の端末での異常発生を未然に防ぐことができ、システム全体の信頼性が向上する。
また、サーバー６からの周期信号が受信されないときも、人工知能（機械学習）を用いた制御手段からＰＩＤ制御に切り替えるので、サーバー６に何らかの異常が発生して、サーバー６を介した端末１の異常信号が受信できないときに備えることができ、システムの信頼性が向上する。
なお、本発明は上記した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、上述した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
別の端末における異常発生の検知の具体例としては、正常性が途切れたことの検知あるいは異常通知の受信のいずれでもよい。
上記実施形態１～７、９では、人工知能を用いた制御から人工知能と異なる制御に切り替えるには、「条件Ａが成立」かつ「条件Ｂが成立」が必要であるが、制御切替部（切り替え判定手段５、スイッチ５ａ）は、単に、異常通知が受信されない場合、制御手段２（第１の制御部）に人工知能を用いた制御を行わせ、異常通知が受信された場合、制御手段３（第２の制御部）に人工知能と異なる制御を行わせるようにしてもよい。
また、制御切替部は、異常通知が受信されず且つ自らの制御手段２（第１の制御部）が異常であると判定されない場合、制御手段２（第１の制御部）に人工知能を用いた制御を行わせ、異常通知が受信され又は自らの制御手段２が異常であると判定された場合、制御手段３（第２の制御部）に人工知能と異なる制御を行わせてもよい。
上記実施形態では、人工知能を用いた制御及び人工知能とは異なる制御の対象は、ロボット７、自動運転車８、又はドローン９（飛行体）であるが、任意の機械であってもよい。
上記実施形態９では、人工知能を用いた制御から人工知能と異なる制御に切り替えるには、「条件Ａが成立」かつ「条件Ｂが成立」が必要であるが、制御切替部（切り替え判定手段５、スイッチ５ａ）は、単に、入力回路１６（受信部）によって周期信号が受信されない場合も、人工知能を用いた制御から人工知能とは異なる制御に切り替えてもよい。
上記実施形態では、人工知能と異なる制御としてＰＩＤ制御、手動制御を例示したが、スライディングモード制御、適応制御等であってもよい。
また、上記の各構成、機能（手段）等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能（手段）等は、プロセッサ（CPU）がそれぞれの機能（手段）等を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能（手段）等を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、SSD（Solid State Drive）等の記録装置、または、ICカード、SDカード、DVD等の記録媒体に置くことができる。
なお、本発明の実施形態は、以下の態様であってもよい。
（１）少なくとも複数の端末を備える制御システムにおいて、前記複数の端末それぞれは、制御に関連するパラメータを全て更新する事で学習を行う同仕様の人工知能を用いた第１の制御手段と、
前記人工知能とは異なる第２の制御手段と、前記複数の端末のうち少なくとも一つの端末において前記第１の制御手段に異常が検出されたとき、前記複数の端末のうち異常が検出されていない端末の制御を、前記第１の制御手段から前記第２の制御手段に切り替える制御切替手段とを備える制御システム。
前記人工知能とは異なる第２の制御手段と、前記複数の端末のうち少なくとも一つの端末において前記第１の制御手段に異常が検出されたとき、前記複数の端末のうち異常が検出されていない端末の制御を、前記第１の制御手段から前記第２の制御手段に切り替える制御切替手段とを備える制御システム。
（２）（１）において、前記第１の制御手段は、機械学習を用いた制御であることを特徴とする制御システム。
（３）（１）において、前記第２の制御手段は、ＰＩＤ制御であることを特徴とする制御システム。
（４）（１）において、前記第２の制御手段は、手動制御であることを特徴とする制御システム。
（５）（１）において、第１の制御手段の少なくとも一つのパラメータの値が所定範囲にない状態が所定時間継続したとき、異常と判定することを特徴とする制御システム。
（６）（１）において、前記第２の制御手段実施中に、学習処理などにより、前記第１の制御手段のパラメータ値の更新を行うことを特徴とする制御システム。
（７）（１）において、前記第１の制御手段のパラメータ値の更新後、第２の制御手段から第１の制御手段に切り替えることを特徴とする制御システム。
（８）（１）において、サーバーと端末で構成され、前記複数の端末のうち少なくとも一つの端末において前記第１の制御手段に異常が検出されたとき、サーバー介した通信手段により、前記第１の制御手段の異常を前記複数の端末のうち異常が検出されていない端末に通知することを特徴とする制御システム。
（９）（１）において、前記複数の端末のうち少なくとも一つの端末において前記第１の制御手段に異常が検出されたとき、端末間の通信手段により、前記第１の制御手段の異常を前記複数の端末のうち異常が検出されていない端末に通知することを特徴とする制御システム。
（１０）（１）において、前記複数の端末のうち少なくとも一つの端末において前記第１の制御手段に異常が検出されたとき、前記複数の端末のうち異常が検出されていない端末において所定の切り替え条件が成立した端末から順次、前記第１の制御手段から前記第２の制御手段に、切り替えることを特徴とする制御システム。
（１１）（１）において、前記複数の端末のうち少なくとも一つの端末において前記第１の制御手段に異常が検出されたとき、前記複数の端末のうち異常が検出されていない端末の制御を、前記第１の制御手段から前記第２の制御手段に、同時に切り替えるように、切り替えるタイミングを同期させる情報を全端末に送信することを特徴とする制御システム。
（１２）（１）において、前記制御システムは、ロボットを制御する装置であることを特徴とする。
（１３）（１）において、前記制御システムは、自動運転車を制御する装置であることを特徴とする。
（１４）（１）において、前記制御システムは、ドローンなど飛行体を制御する装置であることを特徴とする。
（１５）（１）において、サーバーと複数の端末で構成され、前記サーバーから前記複数の端末に一定周期で信号を送信する手段を備え、前記端末において、前記サーバーからの一定周期信号が受信されないとき、前記複数の端末のうち異常が生じていない端末の制御を、前記第１の制御手段から前記第２の制御手段に切り替える制御切替手段とを備える制御システム。
上記（１）～（１５）によれば、人工知能を用いた複数の制御システムの一端末で異常が発生した場合、異常が発生していないその他の端末も、人工知能を用いない制御に切り替えるので、異常が発生していないその他の端末での異常発生を未然に防ぐことができ、システム全体の信頼性が向上する。
１…端末
２…人工知能を用いた制御手段
３…人工知能とは異なる制御手段
４…異常検知手段
５…制御切り替え判定手段
５ａ…スイッチ
６…サーバー
７…ロボット
８…自動運転車
９…ドローン
１１…端末の記憶装置
１２…端末のＣＰＵ
１３…端末のＲＯＭ
１４…端末のＲＡＭ
１５…端末のデータバス
１６…端末の入力回路
１７…端末の入出力ポート
１８…端末の出力回路
２１…サーバーの記憶装置
２２…サーバーのＣＰＵ
２３…サーバーのＲＯＭ
２４…サーバーのＲＡＭ
２５…サーバーのデータバス
２６…サーバーの入力回路
２７…サーバーの入出力ポート
２８…サーバーの出力回路
１０１…サーバーでの処理の一例（各端末への異常通知処理）
１０２…サーバーでの処理の一例（機械学習のパラメータ学習処理）
１０３…サーバーでの処理の一例（機械学習のパラメータ学習後の処理）
１０４…サーバーでの処理の一例（各端末への切り替え同期処理）
１０５…サーバーでの処理の一例（各端末への周期信号送信処理）
１２１…人工知能を用いた制御手段の一例（機械学習を用いた制御）
１２２…人工知能とは異なる制御手段の一例（ＰＩＤ制御）
１２３…人工知能とは異なる制御手段の一例（手動制御）
２…人工知能を用いた制御手段
３…人工知能とは異なる制御手段
４…異常検知手段
５…制御切り替え判定手段
５ａ…スイッチ
６…サーバー
７…ロボット
８…自動運転車
９…ドローン
１１…端末の記憶装置
１２…端末のＣＰＵ
１３…端末のＲＯＭ
１４…端末のＲＡＭ
１５…端末のデータバス
１６…端末の入力回路
１７…端末の入出力ポート
１８…端末の出力回路
２１…サーバーの記憶装置
２２…サーバーのＣＰＵ
２３…サーバーのＲＯＭ
２４…サーバーのＲＡＭ
２５…サーバーのデータバス
２６…サーバーの入力回路
２７…サーバーの入出力ポート
２８…サーバーの出力回路
１０１…サーバーでの処理の一例（各端末への異常通知処理）
１０２…サーバーでの処理の一例（機械学習のパラメータ学習処理）
１０３…サーバーでの処理の一例（機械学習のパラメータ学習後の処理）
１０４…サーバーでの処理の一例（各端末への切り替え同期処理）
１０５…サーバーでの処理の一例（各端末への周期信号送信処理）
１２１…人工知能を用いた制御手段の一例（機械学習を用いた制御）
１２２…人工知能とは異なる制御手段の一例（ＰＩＤ制御）
１２３…人工知能とは異なる制御手段の一例（手動制御）
Claims (15)
- 機械学習を用いた制御を行う第１の制御部と、
前記機械学習を用いた制御と異なる制御を行う第２の制御部と、を備える端末としての制御装置であって、
前記第１の制御部を有する別の端末において前記機械学習を用いた制御のパラメータ値が所定範囲にある場合、自らの前記第１の制御部に前記機械学習を用いた制御を行わせ、前記第１の制御部を有する別の端末において前記機械学習を用いた制御のパラメータ値が所定範囲にないことを示す異常が発生した場合、前記第２の制御部に前記機械学習を用いた制御と異なる制御を行わせる制御切替部をさらに備えることを特徴とする制御装置。 - 請求項１に記載の制御装置であって、
前記別の端末の異常を示す異常通知を受信する受信部を備え、
前記制御切替部は、
前記異常通知が受信されない場合、前記第１の制御部に前記機械学習を用いた制御を行わせ、前記異常通知が受信された場合、前記第２の制御部に前記機械学習を用いた制御と異なる制御を行わせる
ことを特徴とする制御装置。 - 請求項２に記載の制御装置であって、
前記第１の制御部は、
前記機械学習を用いた制御の入力値から前記機械学習を用いた制御の出力値を決定する関数のパラメータを示す制御パラメータ値を学習し、
前記入力値と学習された前記制御パラメータ値に基づいて前記出力値を算出する
ことを特徴とする制御装置。 - 請求項３に記載の制御装置であって、
前記機械学習を用いた制御は、
ニューラルネットワークを用いた制御である
ことを特徴とする制御装置。 - 請求項１に記載の制御装置であって、
前記機械学習を用いた制御と異なる制御は、
ＰＩＤ制御又は手動制御である
ことを特徴とする制御装置。 - 請求項３に記載の制御装置であって、
少なくとも１つの前記制御パラメータ値が所定範囲にない状態が所定時間継続した場合、前記第１の制御部が異常であると判定する異常検知部を備え、
前記制御切替部は、
前記異常通知が受信されず且つ前記第１の制御部が異常であると判定されない場合、前記第１の制御部に前記機械学習を用いた制御を行わせ、
前記異常通知が受信され又は前記第１の制御部が異常であると判定された場合、前記第２の制御部に前記機械学習を用いた制御と異なる制御を行わせる
ことを特徴とする制御装置。 - 請求項３に記載の制御装置であって、
前記第１の制御部によって学習された前記制御パラメータ値を記憶する記憶部を備え、
前記受信部は、
サーバーで学習された前記制御パラメータ値を受信し、
前記第１の制御部は、
前記第２の制御部が前記機械学習を用いた制御と異なる制御を行う期間に、前記記憶部に記憶された前記制御パラメータ値を、前記サーバーで学習された前記制御パラメータ値で更新する
ことを特徴とする制御装置。 - 請求項７に記載の制御装置であって、
前記制御切替部は、
前記制御パラメータ値の更新後に、前記機械学習を用いた制御と異なる制御から前記機械学習を用いた制御に切り替える
ことを特徴とする制御装置。 - 請求項６に記載の制御装置であって、
前記第１の制御部が異常であると判定された場合、前記異常通知を送信する送信部を備える
ことを特徴とする制御装置。 - 請求項１に記載の制御装置であって、
前記機械学習を用いた制御及び前記機械学習を用いた制御と異なる制御の対象は、
機械である
ことを特徴とする制御装置。 - 請求項１０に記載の制御装置であって、
前記機械は、
ロボット、自動運転車、又は飛行体である
ことを特徴とする制御装置。 - 請求項９に記載の制御装置と同じ構成の複数の端末とサーバーを含む制御システムであって、
前記異常通知は、
前記サーバーを介して、前記第１の制御部が異常であると判定されていない前記端末に通知される
ことを特徴とする制御システム。 - 請求項９に記載の制御装置と同じ構成の複数の端末を含む制御システムであって、
前記異常通知は、
端末間通信により、前記第１の制御部が異常であると判定されていない前記端末に通知される
ことを特徴とする制御システム。 - 請求項１２に記載の制御システムであって、
前記サーバーは、
前記機械学習を用いた制御から前記機械学習を用いた制御と異なる制御へ切り替えるタイミングを同期させるための切り替え同期フラグをすべての前記端末に送信し、
それぞれの前記端末の前記受信部は、
前記切り替え同期フラグを受信し、
それぞれの前記端末の前記制御切替部は、
前記異常通知が受信され且つ前記切り替え同期フラグが受信された場合、前記機械学習を用いた制御から前記機械学習を用いた制御と異なる制御に切り替える
ことを特徴とする制御システム。 - 請求項１２に記載の制御システムであって、
前記サーバーは、
周期的な信号を示す周期信号をすべての前記端末に送信し、
それぞれの前記端末の前記受信部は、
前記周期信号を受信し、
それぞれの前記端末の前記制御切替部は、
前記周期信号が受信されない場合も、前記機械学習を用いた制御から前記機械学習を用いた制御と異なる制御に切り替える
ことを特徴とする制御システム。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2017/013106 WO2018179191A1 (ja) | 2017-03-29 | 2017-03-29 | 制御装置及び制御システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2018179191A1 JPWO2018179191A1 (ja) | 2019-11-14 |
| JP7008687B2 true JP7008687B2 (ja) | 2022-01-25 |
Family
ID=63674737
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019508468A Active JP7008687B2 (ja) | 2017-03-29 | 2017-03-29 | 制御装置及び制御システム |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11604440B2 (ja) |
| JP (1) | JP7008687B2 (ja) |
| WO (1) | WO2018179191A1 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101435174B1 (ko) * | 2013-05-30 | 2014-09-01 | 현대제철 주식회사 | 활성탄 이송장치 |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6811688B2 (ja) * | 2017-06-30 | 2021-01-13 | 株式会社日立製作所 | 複数動作ユニット統合装置、およびその制御方法、並びに自律学習型ロボット装置 |
| US11292133B2 (en) * | 2018-09-28 | 2022-04-05 | Intel Corporation | Methods and apparatus to train interdependent autonomous machines |
| CN109613825A (zh) * | 2018-12-13 | 2019-04-12 | 北京北排科技有限公司 | 基于自组织模糊神经网络的污水处理厂智能巡检轨迹矫正方法 |
| JP7257194B2 (ja) * | 2019-03-12 | 2023-04-13 | 株式会社日立製作所 | 制御装置 |
| US11702087B2 (en) * | 2019-09-17 | 2023-07-18 | Baidu Usa Llc | Autonomous driving monitoring system |
| JP2021174259A (ja) * | 2020-04-24 | 2021-11-01 | 横河電機株式会社 | 制御装置、制御方法および制御プログラム |
| KR102264078B1 (ko) * | 2020-05-26 | 2021-06-11 | 엘아이지넥스원 주식회사 | 인공 지능 장치, 이를 포함하는 자동 운항 시스템 및 데이터 처리 방법 |
| US11880173B2 (en) | 2020-08-17 | 2024-01-23 | 5G3I Ltd | Systems and methods for enhanced control of electronic circuits |
| US11938941B2 (en) | 2020-08-31 | 2024-03-26 | Denso International America, Inc. | Mode selection according to system conditions |
| CN112469108B (zh) * | 2020-11-16 | 2023-08-01 | 上海擎昆信息科技有限公司 | 网络驻留方法和装置 |
| JP2022114053A (ja) * | 2021-01-26 | 2022-08-05 | 本田技研工業株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
| JP7409343B2 (ja) * | 2021-03-17 | 2024-01-09 | 横河電機株式会社 | コントローラ、制御方法及び制御プログラム |
| WO2023017241A1 (en) * | 2021-08-12 | 2023-02-16 | 5G3I Ltd | System and method for operating an electronic device |
| US20230296078A1 (en) * | 2022-03-18 | 2023-09-21 | General Electric Company | Learning-based backup controller for a wind turbine |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000044063A (ja) | 1998-07-31 | 2000-02-15 | Kawasaki Heavy Ind Ltd | コンテナターミナルシステム |
| JP2002049405A (ja) | 2001-06-01 | 2002-02-15 | Hitachi Ltd | 分散制御装置、システム及びコントローラ |
| JP2017134786A (ja) | 2016-01-29 | 2017-08-03 | ファナック株式会社 | 製造機械の異常の原因を発見するセル制御装置 |
Family Cites Families (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4562528A (en) * | 1982-10-06 | 1985-12-31 | Mitsubishi Denki Kabushiki Kaisha | Backup control apparatus |
| JPH04107604A (ja) * | 1990-08-28 | 1992-04-09 | Hitachi Zosen Corp | 設備の運転制御方法 |
| US5268834A (en) * | 1991-06-24 | 1993-12-07 | Massachusetts Institute Of Technology | Stable adaptive neural network controller |
| JPH05279980A (ja) | 1992-03-31 | 1993-10-26 | Toshiba Corp | 回収ボイラ制御装置 |
| JPH05297904A (ja) | 1992-04-22 | 1993-11-12 | Hitachi Ltd | 最適制御方式選定方法及び装置 |
| US5479119A (en) * | 1994-11-23 | 1995-12-26 | Analog Devices, Inc. | High speed active overvoltage detection and protection for overvoltage sensitive circuits |
| JPH08214377A (ja) * | 1995-02-08 | 1996-08-20 | Hitachi Ltd | 連続プロセスプラント制御システム |
| KR100448219B1 (ko) * | 2001-12-27 | 2004-09-10 | 한국전자통신연구원 | 전송 경로 이중화 통신 시스템 및 그 제어방법 |
| JP4643204B2 (ja) * | 2004-08-25 | 2011-03-02 | 株式会社エヌ・ティ・ティ・ドコモ | サーバ装置 |
| JP4139403B2 (ja) * | 2005-09-16 | 2008-08-27 | リンナイ株式会社 | 給湯システム |
| JP4512621B2 (ja) * | 2007-08-06 | 2010-07-28 | 株式会社日立製作所 | 分散システム |
| US8000859B2 (en) * | 2007-08-30 | 2011-08-16 | GM Global Technology Operations LLC | Duel control solenoid circuit |
| JP2009163324A (ja) * | 2007-12-28 | 2009-07-23 | Omron Corp | 遠隔監視システム、端末管理サーバ、および端末管理サーバ制御プログラム |
| US8718799B2 (en) * | 2008-05-12 | 2014-05-06 | Ge Fanuc Intelligent Platforms, Inc. | Method and system for process control configuration changes |
| DE102008028568A1 (de) * | 2008-06-16 | 2009-12-31 | Nordex Energy Gmbh | Verfahren zur Steuerung einer Windenergieanlage |
| JP5211987B2 (ja) * | 2008-09-26 | 2013-06-12 | ブラザー工業株式会社 | 端末装置及びその時刻調整方法 |
| JP5649808B2 (ja) * | 2009-01-28 | 2015-01-07 | ソニー株式会社 | 情報処理装置、情報処理方法、プログラム |
| JP2011128063A (ja) * | 2009-12-18 | 2011-06-30 | Toyota Motor Corp | 制御切り替え方法 |
| KR101116946B1 (ko) * | 2010-04-09 | 2012-03-14 | 엘에스산전 주식회사 | 비례적분미분 제어기의 모드 전환장치 |
| JP5518594B2 (ja) * | 2010-06-30 | 2014-06-11 | 三菱電機株式会社 | 内部ネットワーク管理システム及び内部ネットワーク管理方法及びプログラム |
| US8683258B2 (en) * | 2011-09-30 | 2014-03-25 | Symantec Corporation | Fast I/O failure detection and cluster wide failover |
| JP6035726B2 (ja) * | 2011-11-02 | 2016-11-30 | 富士通株式会社 | 接続制御装置、ストレージシステム及び接続制御装置の制御方法 |
| JP5661659B2 (ja) * | 2012-02-03 | 2015-01-28 | 株式会社日立製作所 | プラント監視制御装置及びプラント監視制御方法 |
| US20150196002A1 (en) * | 2014-01-12 | 2015-07-16 | Kevin Friesth | Automated hybrid aquaponics and bioreactor system including product processing and storage facilities with integrated robotics, control system, and renewable energy system cross-reference to related applications |
| WO2014125606A1 (ja) * | 2013-02-15 | 2014-08-21 | 三菱電機株式会社 | 制御装置 |
| JP6236432B2 (ja) * | 2013-03-08 | 2017-11-22 | 日立建機株式会社 | 作業機械の管理サーバ及び作業機械の管理方法 |
| US20160247115A1 (en) * | 2013-07-02 | 2016-08-25 | Jasper Mason PONS | Airborne scanning system and method |
| WO2015179632A1 (en) * | 2014-05-22 | 2015-11-26 | Scheffler Lee J | Methods and systems for neural and cognitive processing |
| US9571819B1 (en) * | 2014-09-16 | 2017-02-14 | Google Inc. | Efficient dense stereo computation |
| TWM499015U (zh) * | 2014-11-14 | 2015-04-11 | Netvox Technology Co Ltd | 可同時監控多地的智能監控系統 |
| JP2019056970A (ja) * | 2017-09-19 | 2019-04-11 | カシオ計算機株式会社 | 情報処理装置、人工知能選択方法及び人工知能選択プログラム |
-
2017
- 2017-03-29 JP JP2019508468A patent/JP7008687B2/ja active Active
- 2017-03-29 US US16/495,040 patent/US11604440B2/en active Active
- 2017-03-29 WO PCT/JP2017/013106 patent/WO2018179191A1/ja active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000044063A (ja) | 1998-07-31 | 2000-02-15 | Kawasaki Heavy Ind Ltd | コンテナターミナルシステム |
| JP2002049405A (ja) | 2001-06-01 | 2002-02-15 | Hitachi Ltd | 分散制御装置、システム及びコントローラ |
| JP2017134786A (ja) | 2016-01-29 | 2017-08-03 | ファナック株式会社 | 製造機械の異常の原因を発見するセル制御装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101435174B1 (ko) * | 2013-05-30 | 2014-09-01 | 현대제철 주식회사 | 활성탄 이송장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2018179191A1 (ja) | 2018-10-04 |
| US20200026246A1 (en) | 2020-01-23 |
| JPWO2018179191A1 (ja) | 2019-11-14 |
| US11604440B2 (en) | 2023-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7008687B2 (ja) | 制御装置及び制御システム | |
| Huang et al. | Fault tolerant steer-by-wire systems: An overview | |
| CN110077420B (zh) | 一种自动驾驶控制系统和方法 | |
| US20200139989A1 (en) | Vehicle Control Method, Apparatus, and Device | |
| CN108639054A (zh) | 一种线控驱动系统的驱动方法和线控驱动系统 | |
| CN110775073A (zh) | 用于识别传感器的减退的性能的方法、控制器和存储介质 | |
| WO2018110124A1 (ja) | 車両制御装置 | |
| CN108631683B (zh) | 车辆的控制装置、服务器、马达控制系统及马达控制方法 | |
| US20190259226A1 (en) | Vehicle diagnostic operation | |
| JP7180000B2 (ja) | 車両用制御アーキテクチャ | |
| CN210478602U (zh) | 一种网关和汽车 | |
| KR20190100106A (ko) | 차량 네트워크 장치 및 그의 동작 방법 | |
| EP3800518A1 (en) | System, device and method for testing autonomous vehicles | |
| EP3626571B1 (en) | Control architecture for a vehicle | |
| JP7050083B2 (ja) | 制御装置 | |
| JP7346608B2 (ja) | 車両アーキテクチャ内に冗長通信を提供するための装置および方法ならびに対応する制御アーキテクチャ | |
| KR101601074B1 (ko) | Ecu 업데이트 장치, ecu 업데이트 방법 및 이를 이용한 ecu 업데이트 네트워크 | |
| CN112550313A (zh) | 通过云计算的容错嵌入式汽车应用程序 | |
| CN111376736A (zh) | 控制电动交通工具的动力输出的方法、设备和计算机存储介质 | |
| CN112636881B (zh) | 一种信号切换方法、装置及车辆 | |
| GB2554963A (en) | Vehicle odometry system | |
| JP7399313B2 (ja) | 車両制御システム | |
| CN114684172A (zh) | 具有传感器ecu分散式降级管理的高级驾驶员辅助系统 | |
| WO2020235002A1 (ja) | 制御支援装置、制御支援方法、及び、制御支援プログラム | |
| EP4267437A1 (en) | A vehicle's brake system and a method for braking a vehicle |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190725 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200929 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201109 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210518 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210629 |
|
| 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: 20211221 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220111 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7008687 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |