JP7031502B2 - 制御システム、制御方法、学習装置、制御装置、学習方法及び学習プログラム - Google Patents
制御システム、制御方法、学習装置、制御装置、学習方法及び学習プログラム Download PDFInfo
- Publication number
- JP7031502B2 JP7031502B2 JP2018109630A JP2018109630A JP7031502B2 JP 7031502 B2 JP7031502 B2 JP 7031502B2 JP 2018109630 A JP2018109630 A JP 2018109630A JP 2018109630 A JP2018109630 A JP 2018109630A JP 7031502 B2 JP7031502 B2 JP 7031502B2
- Authority
- JP
- Japan
- Prior art keywords
- value
- data
- learning
- command value
- target device
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
まず、図1を用いて、本発明が適用される場面の一例について説明する。図1は、本実施形態に係る制御システム100の利用場面の一例を模式的に例示する。
[ハードウェア構成]
<学習装置>
次に、図2を用いて、本実施形態に係る学習装置1のハードウェア構成の一例について説明する。図2は、本実施形態に係る学習装置1のハードウェア構成の一例を模式的に例示する。
次に、図3を用いて、本実施形態に係る制御装置2のハードウェア構成の一例について説明する。図3は、本実施形態に係る制御装置2のハードウェア構成の一例を模式的に例示する。
次に、図4を用いて、本実施形態に係る生産装置3のハードウェア構成の一例について説明する。図4は、本実施形態に係る生産装置3のハードウェア構成の一例を模式的に例示する。
<学習装置>
次に、図6を用いて、本実施形態に係る学習装置1のソフトウェア構成の一例について説明する。図6は、本実施形態に係る学習装置1のソフトウェア構成の一例を模式的に例示する。
次に、図7A及び図7Bを更に用いて、本実施形態に係る予測モデル5について説明する。図7Aは、本実施形態に係る予測モデル5の構成の一例を模式的に例示する。また、図7Bは、予測モデル5に対する入力と出力との関係を模式的に例示する。
次に、図8を用いて、本実施形態に係る制御装置2のソフトウェア構成の一例について説明する。図8は、本実施形態に係る制御装置2のソフトウェア構成の一例を模式的に例示する。
学習装置1及び制御装置2の各ソフトウェアモジュールに関しては後述する動作例で詳細に説明する。なお、本実施形態では、学習装置1及び制御装置2の各ソフトウェアモジュールがいずれも汎用のCPUによって実現される例について説明している。しかしながら、以上のソフトウェアモジュールの一部又は全部が、1又は複数の専用のプロセッサにより実現されてもよい。また、学習装置1及び制御装置2それぞれのソフトウェア構成に関して、実施形態に応じて、適宜、ソフトウェアモジュールの省略、置換及び追加が行われてもよい。
[学習装置]
次に、図9を用いて、学習装置1の動作例について説明する。図9は、学習装置1の処理手順の一例を例示するフローチャートである。以下で説明する処理手順は、本発明の「学習方法」の一例である。ただし、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。
ステップS101では、制御部11は、学習データ取得部111として動作し、予測モデル5の機械学習に利用する複数件の学習用データセット121を取得する。各件の学習用データセット121は、生産装置3の動作を決定する要因に関する第1データ、及び生産装置3への指令値であって、第1データにより示される要因に適応した指令値に関する第2データの組み合わせにより構成される。
ステップS102では、制御部11は、学習処理部112として動作し、取得した複数件の学習用データセット121を利用した機械学習を行うことにより、学習済みの予測モデル5を構築する。
ステップS103では、制御部11は、推定部113として動作し、取得した複数件の学習用データセット121における第2データの分布61から指令値の取り得る数値範囲を推定する。ステップS104では、制御部11は、閾値決定部114として動作し、生産装置3への指令値に対して予め設定された第1の閾値60により規定される第1の許容範囲を拡げるように、推定した数値範囲に基づいて、生産装置3への指令値に対する第2の閾値62を決定する。
推定される指令値の取り得る数値範囲、第1の閾値60、及び第2の閾値62の表現形式は、特に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。本実施形態では、第2データは、補正値1213により構成される。そのため、本ステップS103では、制御部11は、補正値1213の取り得る数値範囲を推定することにより、指令値のとり得る数値範囲を間接的に推定してもよい。これに応じて、第1の閾値60及び第2の閾値62は、補正値に対して設定されることで、指令値の許容範囲を間接的に規定してもよい。また、制御部11は、補正値1213により基準値70を補正することで得られる値により、指令値の取り得る数値範囲を直接的に推定してもよい。これに応じて、第1の閾値60及び第2の閾値62は、指令値に対して設定されることで、当該指令値の許容範囲を直接的に設定されてよい。いずれのケースも同様に取り扱い可能である。以下では、説明の便宜のため、指令値の取り得る数値範囲が直接的に推定されるものとし、第1の閾値60及び第2の閾値62は、指令値に対して直接的に設定されるものと想定する。
次に、ステップS103において、第2データの分布から指令値の取り得る数値範囲を推定する方法について説明する。制御部11は、各件の学習用データセット121における補正値1213(第2データ)を参照することにより、当該補正値1213(第2データ)により指定される指令値の分布を把握することができる。このとき、制御部11は、正規分布、ガンマ分布、指数分布等の統計的手法を用いて、指令値の分布を近似してもよい。
次に、ステップS104において、推定した数値範囲に基づいて、第2の閾値62を決定する方法について説明する。ステップS103により推定した数値範囲から第2の閾値62を導出する方法は、実施の形態に応じて適宜設定されてよい。例えば、制御部11は、当該数値範囲の境界値を利用することで、第2の閾値62を決定することができる。一例として、制御部11は、推定した数値範囲の境界値又は第1の閾値60と当該境界値との間の値を第2の閾値62として採用してもよい。
ステップS105では、制御部11は、学習処理部112として動作し、機械学習により構築した決定木(学習済みの予測モデル5)の構成及び各分岐条件を示す情報を学習結果データ125として記憶部12に格納する。また、制御部11は、閾値決定部114として動作し、ステップS104で決定した第2の閾値62を記憶部12に格納する。これにより、制御部11は、本動作例に係る学習処理を終了する。
次に、図12を用いて、運用のフェーズにおける制御装置2の動作例について説明する。図12は、制御装置2の処理手順の一例を示す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。
ステップS201では、制御部21は、入力データ取得部211として動作し、運用フェーズにおいて、要因に関する入力データを取得する。
ステップS202では、制御部21は、予測演算部212として動作し、取得した入力データ(特徴量71及び属性値72)を予測モデル5に入力し、当該予測モデル5の演算処理を実行する。これにより、制御部21は、生産装置3による製品41の生産に適応した指令値を予測した結果に対応する出力値を当該予測モデル5から取得する。
ステップS203では、制御部21は、予測演算部212として動作し、予測モデル5から取得した出力値に基づいて、学習装置1により決定された第2の閾値62により規定される第2の許容範囲内で、生産装置3への指令値を決定する。
ステップS204では、制御部21は、動作制御部213として動作し、決定した指令値75に基づいて、生産装置3の動作を制御する。指令値75に基づいて生産装置3の動作を制御する方法は、指令値の形式に応じて適宜選択されてよい。
以上により、制御部21は、本動作例に係る生産装置3の動作を制御する一連の処理を終了する。制御部21は、この一連の処理を繰り返し実行することで、生産装置3の動作を継続的に制御することができる。
以上のとおり、本実施形態では、上記ステップS203において、生産装置3への指令値を決定する際に、予め設定された第1の閾値60により規定される第1の許容範囲ではなく、上記ステップS104により第1の許容範囲を拡げるように設定された第2の閾値62により規定される第2の許容範囲が指令値の制約条件として利用される。これにより、安全性を過度に考慮して第1の許容範囲が狭く設定されていた場合であっても、生産装置3の動作の制御に用いる指令値75を許容する範囲を拡げることができる。つまり、上記ステップS204において、第1の許容範囲を制約条件として利用した場合には拒絶されるような指令値75の一部を生産装置3の動作の制御に用いるようにすることができる。
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、第1データは、ワーク40の特徴量1211及び製品41を生産する環境の属性値1212の両方により構成されている。これに応じて、予測モデル5の入力には、ワーク40の特徴量71及び製品41を生産する環境の属性値72の両方が利用されている。しかしながら、予測モデル5の入力は、このような例に限定されなくてもよい。
上記実施形態では、第2データは、指令値の基準値に対する補正値1213により構成されており、これに応じて、予測モデル5は、指令値の基準値70に対する補正値73を出力するように構成されている。しかしながら、予測モデル5の出力形式は、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決定されてよい。例えば、予測モデル5は、指令値そのものを出力するように構成されてもよい。この場合、第2データは、指令値そのものにより構成されてよい。
上記実施形態では、予測モデル5は、決定木により構成されている。しかしながら、予測モデル5の構成は、予測処理を実行する時点よりも先の時点(将来の時点)における対象装置(一例では、上記生産装置3)への指令値を予測可能であれば、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。予測モデル5は、例えば、ニューラルネットワーク、サポートベクタマシン等の決定木以外の学習モデルが用いられてもよい。また、予測モデル5には、学習モデル以外のモデル(例えば、所定の関数)が用いられてもよい。
11…制御部、12…記憶部、13…通信インタフェース、
14…入力装置、15…出力装置、16…ドライブ、
111…学習データ取得部、112…学習処理部、
113…推定部、114…閾値決定部、
81…学習プログラム、121…学習用データセット、
125…学習結果データ、
91…記憶媒体、
2…制御装置、
21…制御部、22…記憶部、23…通信インタフェース、
24…外部インタフェース、
25…入力装置、26…出力装置、27…ドライブ、
211…入力データ取得部、212…予測演算部、
213…動作制御部、
82…制御プログラム、92…記憶媒体、
3…生産装置(対象装置)、
31…サーボドライバ、32…上金型、33…下金型、
40…ワーク、41…製品、
5…予測モデル(決定木)、
60…第1の閾値、61…分布、62…第2の閾値、
70…(指令値の)基準値、
71…特徴量、72…属性値、73…補正値
Claims (12)
- 対象装置の動作を決定する要因に関する第1データ、及び前記対象装置への指令値であって、前記第1データにより示される前記要因に適応した指令値に関する第2データの組み合わせによりそれぞれ構成された複数件の学習用データセットを取得する学習データ取得部と、
取得した前記複数件の学習用データセットそれぞれについて、前記第1データを入力すると、前記第2データに対応する値を出力するように予測モデルを構築する学習処理部と、
取得した前記複数件の学習用データセットにおける前記第2データにより指定される前記指令値の正規分布、ガンマ分布、指数分布の何れかにより近似した前記指令値の分布から前記指令値の取り得る数値範囲を推定する推定部と、
前記対象装置への前記指令値に対して予め設定された第1の閾値により規定される第1の許容範囲を拡げるように、推定した前記数値範囲に基づいて、前記対象装置への前記指令値に対する第2の閾値を決定する閾値決定部と、
運用フェーズにおいて、前記要因に関する入力データを取得する入力データ取得部と、
取得した入力データを前記予測モデルに入力することで、前記予測モデルから出力値を取得し、取得した前記出力値に基づいて、決定した前記第2の閾値により規定される第2の許容範囲内で、前記対象装置に対する指令値を決定する予測演算部と、
決定した前記指令値に基づいて、前記対象装置の動作を制御する動作制御部と、
を備える、
制御システム。 - 前記閾値決定部は、推定した前記数値範囲の境界値又は前記第1の閾値と当該境界値との間の値を前記第2の閾値として採用する、
請求項1に記載の制御システム。 - 前記第1の閾値は、前記第1の許容範囲の上限値であり、
前記閾値決定部は、前記上限値を超える値を前記第2の閾値として採用する、
請求項1又は2に記載の制御システム。 - 前記第1の閾値は、前記第1の許容範囲の下限値であり、
前記閾値決定部は、前記下限値より小さい値を前記第2の閾値として採用する、
請求項1又は2に記載の制御システム。 - 前記閾値決定部は、予め設定された安全条件を満たすように前記第2の閾値を決定する、
請求項1から4のいずれか1項に記載の制御システム。 - 前記第2データは、前記指令値の基準値に対する補正値により構成される、
請求項1から5のいずれか1項に記載の制御システム。 - 前記対象装置は、ワークから製品を生産する生産装置であって、
前記第1データ及び前記入力データはそれぞれ、前記ワークの特徴量及び前記製品を生産する環境の属性値の少なくとも一方により構成される、
請求項1から6のいずれか1項に記載の制御システム。 - コンピュータが、
対象装置の動作を決定する要因に関する第1データ、及び前記対象装置への指令値であって、前記第1データにより示される前記要因に適応した指令値に関する第2データの組み合わせによりそれぞれ構成された複数件の学習用データセットを取得するステップと、
取得した前記複数件の学習用データセットそれぞれについて、前記第1データを入力すると、前記第2データに対応する値を出力するように予測モデルを構築するステップと、
取得した前記複数件の学習用データセットにおける前記第2データにより指定される前記指令値の正規分布、ガンマ分布、指数分布の何れかにより近似した前記指令値の分布から前記指令値の取り得る数値範囲を推定するステップと、
前記対象装置への前記指令値に対して予め設定された第1の閾値により規定される第1の許容範囲を拡げるように、推定した前記数値範囲に基づいて、前記対象装置への前記指令値に対する第2の閾値を決定するステップと、
運用フェーズにおいて、前記要因に関する入力データを取得するステップと、
取得した入力データを前記予測モデルに入力することで、前記予測モデルから出力値を取得するステップと、
取得した前記出力値に基づいて、決定した前記第2の閾値により規定される第2の許容範囲内で、前記対象装置に対する指令値を決定するステップと、
決定した前記指令値に基づいて、前記対象装置の動作を制御するステップと、
を実行する、
制御方法。 - 対象装置の動作を決定する要因に関する第1データ、及び前記対象装置への指令値であって、前記第1データにより示される前記要因に適応した指令値に関する第2データの組み合わせによりそれぞれ構成された複数件の学習用データセットを取得する学習データ取得部と、
取得した前記複数件の学習用データセットそれぞれについて、前記第1データを入力すると、前記第2データに対応する値を出力するように予測モデルを構築する学習処理部と、
取得した前記複数件の学習用データセットにおける前記第2データにより指定される前記指令値の正規分布、ガンマ分布、指数分布の何れかにより近似した前記指令値の分布から前記指令値の取り得る数値範囲を推定する推定部と、
前記対象装置への前記指令値に対して予め設定された第1の閾値により規定される第1の許容範囲を拡げるように、推定した前記数値範囲に基づいて、前記対象装置への前記指令値に対する第2の閾値を決定する閾値決定部と、
を備える、
学習装置。 - 対象装置の動作を決定する要因に関する入力データを取得する入力データ取得部と、
取得した入力データを前記予測モデルに入力することで、前記予測モデルから出力値を取得し、取得した前記出力値に基づいて、請求項9に記載の学習装置によって決定された前記第2の閾値により規定される第2の許容範囲内で、前記対象装置に対する指令値を決定する予測演算部と、
決定した前記指令値に基づいて、前記対象装置の動作を制御する動作制御部と、
を備える、
制御装置。 - コンピュータが、
対象装置の動作を決定する要因に関する第1データ、及び前記対象装置への指令値であって、前記第1データにより示される前記要因に適応した指令値に関する第2データの組み合わせによりそれぞれ構成された複数件の学習用データセットを取得するステップと、
取得した前記複数件の学習用データセットそれぞれについて、前記第1データを入力すると、前記第2データに対応する値を出力するように予測モデルを構築するステップと、
取得した前記複数件の学習用データセットにおける前記第2データにより指定される前記指令値の正規分布、ガンマ分布、指数分布の何れかにより近似した前記指令値の分布から前記指令値の取り得る数値範囲を推定するステップと、
前記対象装置への前記指令値に対して予め設定された第1の閾値により規定される第1の許容範囲を拡げるように、推定した前記数値範囲に基づいて、前記対象装置への前記指令値に対する第2の閾値を決定するステップと、
を実行する、
学習方法。 - コンピュータに、
対象装置の動作を決定する要因に関する第1データ、及び前記対象装置への指令値であって、前記第1データにより示される前記要因に適応した指令値に関する第2データの組み合わせによりそれぞれ構成された複数件の学習用データセットを取得するステップと、
取得した前記複数件の学習用データセットそれぞれについて、前記第1データを入力すると、前記第2データに対応する値を出力するように予測モデルを構築するステップと、
取得した前記複数件の学習用データセットにおける前記第2データにより指定される前記指令値の正規分布、ガンマ分布、指数分布の何れかにより近似した前記指令値の分布から前記指令値の取り得る数値範囲を推定するステップと、
前記対象装置への前記指令値に対して予め設定された第1の閾値により規定される第1の許容範囲を拡げるように、推定した前記数値範囲に基づいて、前記対象装置への前記指令値に対する第2の閾値を決定するステップと、
を実行させるための、
学習プログラム。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018109630A JP7031502B2 (ja) | 2018-06-07 | 2018-06-07 | 制御システム、制御方法、学習装置、制御装置、学習方法及び学習プログラム |
TW108107833A TW202001706A (zh) | 2018-06-07 | 2019-03-08 | 控制系統、控制方法、學習裝置、控制裝置以及學習方法 |
CN201980030426.2A CN112105994B (zh) | 2018-06-07 | 2019-03-13 | 控制系统、装置与方法、学习装置与方法及介质 |
US17/052,523 US11681261B2 (en) | 2018-06-07 | 2019-03-13 | Control system, control method, learning device, control device, learning method for controlling an operation of a subject device on basis of a detemined command value |
EP19814529.4A EP3805875B1 (en) | 2018-06-07 | 2019-03-13 | Control system and method for controlling the operation of a production device |
PCT/JP2019/010189 WO2019235018A1 (ja) | 2018-06-07 | 2019-03-13 | 制御システム、制御方法、学習装置、制御装置、学習方法及び学習プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018109630A JP7031502B2 (ja) | 2018-06-07 | 2018-06-07 | 制御システム、制御方法、学習装置、制御装置、学習方法及び学習プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019212164A JP2019212164A (ja) | 2019-12-12 |
JP7031502B2 true JP7031502B2 (ja) | 2022-03-08 |
Family
ID=68769305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018109630A Active JP7031502B2 (ja) | 2018-06-07 | 2018-06-07 | 制御システム、制御方法、学習装置、制御装置、学習方法及び学習プログラム |
Country Status (6)
Country | Link |
---|---|
US (1) | US11681261B2 (ja) |
EP (1) | EP3805875B1 (ja) |
JP (1) | JP7031502B2 (ja) |
CN (1) | CN112105994B (ja) |
TW (1) | TW202001706A (ja) |
WO (1) | WO2019235018A1 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7031502B2 (ja) * | 2018-06-07 | 2022-03-08 | オムロン株式会社 | 制御システム、制御方法、学習装置、制御装置、学習方法及び学習プログラム |
US11138003B2 (en) * | 2019-04-02 | 2021-10-05 | Taplytics Inc. | Methods and systems for automatic determination of a device-specific configuration for a software application operating on a user device |
JP2021096639A (ja) * | 2019-12-17 | 2021-06-24 | キヤノン株式会社 | 制御方法、制御装置、機械設備、制御プログラム、記録媒体 |
JP7299184B2 (ja) * | 2020-03-11 | 2023-06-27 | 日立Geニュークリア・エナジー株式会社 | 液圧駆動装置、液圧駆動装置の制御方法 |
JP2022127675A (ja) * | 2021-02-22 | 2022-09-01 | オムロン株式会社 | モデル生成装置、モデル生成方法、モデル生成プログラム、推定装置、推定方法、及び推定プログラム |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017102613A (ja) | 2015-11-30 | 2017-06-08 | 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 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3367214B2 (ja) * | 1994-08-24 | 2003-01-14 | 株式会社日立製作所 | ニューラルネット制御方法及び装置 |
JP3510021B2 (ja) * | 1995-09-29 | 2004-03-22 | 松下電器産業株式会社 | 内燃機関の空燃比制御装置 |
JP2000099107A (ja) | 1998-09-25 | 2000-04-07 | Hitachi Ltd | モデル予測制御システム |
US20060247798A1 (en) | 2005-04-28 | 2006-11-02 | Subbu Rajesh V | Method and system for performing multi-objective predictive modeling, monitoring, and update for an asset |
US7526463B2 (en) | 2005-05-13 | 2009-04-28 | Rockwell Automation Technologies, Inc. | Neural network using spatially dependent data for controlling a web-based process |
KR101096793B1 (ko) * | 2010-04-19 | 2011-12-21 | 비앤에프테크놀로지 주식회사 | 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체 |
US10339465B2 (en) * | 2014-06-30 | 2019-07-02 | Amazon Technologies, Inc. | Optimized decision tree based models |
US10318882B2 (en) * | 2014-09-11 | 2019-06-11 | Amazon Technologies, Inc. | Optimized training of linear machine learning models |
US11086310B2 (en) * | 2015-05-27 | 2021-08-10 | Honeywell International Inc. | Method and apparatus for real time model predictive control operator support in industrial process control and automation systems |
US9904916B2 (en) * | 2015-07-01 | 2018-02-27 | Klarna Ab | Incremental login and authentication to user portal without username/password |
US20180284735A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for industrial internet of things data collection in a network sensitive upstream oil and gas environment |
CN107290965B (zh) | 2017-08-01 | 2019-11-08 | 浙江大学 | 基于局部加权贝叶斯网络的自适应软测量预测方法 |
JP6797780B2 (ja) * | 2017-11-07 | 2020-12-09 | 株式会社東芝 | 情報処理装置、情報処理方法及びプログラム |
JP7019396B2 (ja) * | 2017-11-30 | 2022-02-15 | 日本電産マシンツール株式会社 | 工作機械の制御方法、工作機械の制御装置、工作機械の設定支援装置、工作機械の制御システム及びプログラム |
CN108076224B (zh) * | 2017-12-21 | 2021-06-29 | Oppo广东移动通信有限公司 | 应用程序控制方法、装置及存储介质和移动终端 |
JP6888577B2 (ja) * | 2018-03-30 | 2021-06-16 | オムロン株式会社 | 制御装置、制御方法、及び制御プログラム |
JP6740278B2 (ja) * | 2018-04-13 | 2020-08-12 | ファナック株式会社 | 機械学習装置、制御装置、及び機械学習方法 |
JP7031502B2 (ja) * | 2018-06-07 | 2022-03-08 | オムロン株式会社 | 制御システム、制御方法、学習装置、制御装置、学習方法及び学習プログラム |
-
2018
- 2018-06-07 JP JP2018109630A patent/JP7031502B2/ja active Active
-
2019
- 2019-03-08 TW TW108107833A patent/TW202001706A/zh unknown
- 2019-03-13 WO PCT/JP2019/010189 patent/WO2019235018A1/ja unknown
- 2019-03-13 EP EP19814529.4A patent/EP3805875B1/en active Active
- 2019-03-13 CN CN201980030426.2A patent/CN112105994B/zh active Active
- 2019-03-13 US US17/052,523 patent/US11681261B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017102613A (ja) | 2015-11-30 | 2017-06-08 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN112105994B (zh) | 2022-10-11 |
TW202001706A (zh) | 2020-01-01 |
EP3805875B1 (en) | 2023-10-18 |
EP3805875A1 (en) | 2021-04-14 |
JP2019212164A (ja) | 2019-12-12 |
US20210240144A1 (en) | 2021-08-05 |
WO2019235018A1 (ja) | 2019-12-12 |
US11681261B2 (en) | 2023-06-20 |
CN112105994A (zh) | 2020-12-18 |
EP3805875A4 (en) | 2022-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7031502B2 (ja) | 制御システム、制御方法、学習装置、制御装置、学習方法及び学習プログラム | |
JP6888577B2 (ja) | 制御装置、制御方法、及び制御プログラム | |
US10121107B2 (en) | Machine learning device and method for optimizing frequency of tool compensation of machine tool, and machine tool having the machine learning device | |
US10589368B2 (en) | Machine learning device having function of adjusting welding positions of core in wire electric discharge machine | |
US20170308052A1 (en) | Cell controller for optimizing motion of production system including industrial machines | |
US20180164756A1 (en) | Control system and machine learning device | |
US20170206469A1 (en) | Model adaption and online learning for unstable environments | |
CN112534363B (zh) | 预测控制开发装置、开发方法及计算机可读取的存储介质 | |
US20190033839A1 (en) | Machining equipment system and manufacturing system | |
US11762344B2 (en) | Control device, control method, and control program | |
US11579000B2 (en) | Measurement operation parameter adjustment apparatus, machine learning device, and system | |
JP6958461B2 (ja) | 制御装置、制御方法、及び制御プログラム | |
US20230141311A1 (en) | Reduction of friction within a machine tool | |
JP6659260B2 (ja) | Plcプログラムの最適化機能を備えた制御装置及び機械学習器 | |
JP6829271B2 (ja) | 測定動作パラメータ調整装置、機械学習装置及びシステム | |
JP6909616B2 (ja) | 製造システムおよび製造方法 | |
US20240231289A1 (en) | Systems and methods for monitoring and training a manufacturing system | |
WO2022210472A1 (ja) | 加工条件調整装置 | |
CN118331181A (zh) | 用于监测和训练制造系统的系统和方法 | |
JP2020071510A (ja) | 生産システム、生産システムの制御方法および生産制御装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201214 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211019 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211110 |
|
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: 20220125 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220207 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7031502 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |