JP7151546B2 - 制御装置、制御方法、及び制御プログラム - Google Patents

Description

本発明は、制御装置、制御方法、及び制御プログラムに関する。

制御対象装置の動作を制御するために、ＰＬＣ（programmable logic controller）等のコントローラが一般的に利用されている。従来、コントローラの計算能力が限られていたため、コントローラは、ＰＩＤ（Proportional-Integral-Differential）制御等の演算の比較的に簡単な制御方法により、制御対象装置の動作を制御するように構成されていた。しかしながら、近年、コントローラの計算能力が向上したことにより、予測モデルを利用した高度な制御方法の実装が可能となった。

例えば、特許文献１では、化学プラント、製油所等の工場プロセスの制御に利用するＰＬＣに予測モデルを実装する方法が提案されている。具体的には、システムプロセスの動作結果を示すデータを収集し、得られたデータに基づいて、システムの状態を予測する予測モデルを生成し、生成した予測モデルを利用して、システムの制御を最適化することが提案されている。この方法によれば、工場プロセスを最適化し、品質の悪い製品が製造される確率を低減することができる。

米国特許出願公開第２０１４／０２９７００２号明細書

本件発明者らは、上記のような、制御対象装置の状態（すなわち、制御量）を予測する予測モデルを利用した従来の予測制御には、次のような問題点があることを見出した。

すなわち、特許文献１では、化学プラント、製油所等の比較的に大規模な生産装置において、ＰＬＣの利用が想定されている。この大規模な生産装置では、例えば、ワークの切り替え、調整等の段取り替えが殆ど発生しないため、予測制御システムのモデル開発において、様々な状況下での制御結果を示すデータを収集することができる。そのため、収集されたデータに基づいて、予測精度の高い予測モデルを容易に生成することができる。

しかしながら、搬送機、プレス機等の比較的に小規模な生産装置が制御対象装置である場合、生産装置の段取り替えが頻繁に発生するため、様々な状況下での制御結果を示すデータを収集する時間を十分に確保するのは困難である。そのため、収集されるデータには偏りが生じてしまい、予測精度の高い予測モデルを生成するのは困難である、すなわち、予測精度の低い予測モデルが生成されてしまう可能性がある。この予測モデルを利用して制御装置の予測制御を実施してしまうと、かえって品質の悪い製品を生成してしまう等の動作不良の生じる可能性が高くなってしまう。

本発明は、一側面では、このような実情を鑑みてなされたものであり、その目的は、大規模な生産装置は勿論のこと、比較的に小規模な生産装置が制御対象装置である場合でも、制御対象装置を予測制御する際における動作不良の発生確率を低減するための技術を提供することである。

本発明は、上述した課題を解決するために、以下の構成を採用する。

すなわち、本発明の一側面に係る制御装置は、制御量の基礎目標値を取得する第１取得部と、制御対象装置の制御量を計測する第１センサにより得られた制御量の計測値を取得する第２取得部と、前記制御量の予測モデルを利用して、取得された前記計測値から前記制御量の予測値を算出する予測部と、算出された予測値に応じて、前記基礎目標値を補正することで、前記制御量の指令目標値を決定する目標補正部であって、当該補正の程度は、重みに基づいて決定される、目標補正部と、決定された前記指令目標値に従って、前記制御対象装置の動作を制御する動作制御部と、前記制御対象装置の動作結果を監視する第２センサにより得られた監視データを取得する第３取得部と、取得された監視データに基づいて、前記制御対象装置が前記制御により適切に動作したか否かを判定する結果判定部と、前記判定の結果に基づいて、前記制御対象装置が適切に動作するように前記補正の重みを最適化する重み最適化部と、を備える。

当該構成に係る制御装置は、予測モデルを利用して、制御量の計測値から予測値を算出し、算出された予測値に応じて、基礎目標値を補正することで、制御量の指令目標値を決定する。このとき、補正の程度は、重みに基づいて決定される。この重みは、制御プログラムとは別に与えられてもよいし、制御プログラムの内部パラメータとして与えられてもよい。当該構成に係る制御装置は、決定された指令目標値に従って、制御対象装置の動作を制御する。また、当該構成に係る制御装置は、制御対象装置の動作結果に関する監視データを取得し、取得された監視データに基づいて、制御対象装置が適切に動作したか否かを判定する。そして、当該構成に係る制御装置は、判定の結果に基づいて、制御対象装置が適切に動作するように補正の重みを最適化する。

すなわち、当該構成に係る制御装置では、予測モデルを利用した補正処理に起因して予測制御に不具合が生じ得る場合でも、補正の程度を定める重みを最適化することで、制御対象装置が適切に動作するように予測制御における補正処理を改善することができる。そのため、比較的に予測精度の低い予測モデルが生成された場合であっても、予測モデルを利用した予測制御において、制御対象装置の動作不良の発生確率を低減することができる。したがって、当該構成によれば、大規模な生産装置は勿論のこと、比較的に小規模な生産装置が制御対象装置である場合でも、制御対象装置を予測制御する際における動作不良の発生確率を低減することができる。

これにより、制御対象装置が生産装置である場合には、不良品の発生確率を低減し、生産品の歩留まりの向上を図ることができる。また、当該構成によれば、予測制御における予測モデルの利用を自動的に最適化することができるため、人手によるメンテナンスの頻度を低減することができる。そのため、人的コストを抑えることができ、かつ人的要因（例えば、メンテナンス作業のミス）による動作不良の発生確率を低減することができる。

なお、制御量は、例えば、モータの回転角度、回転速度等の制御の対象となる量である。操作量は、例えば、モータの電圧等の制御対象装置に与える量である。制御対象装置の種類は、特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。制御対象装置は、例えば、プレス機、ウェブ搬送装置、射出成形機、ＮＣ旋盤、放電加工機、包装機等の生産ラインで利用される比較的に小規模な生産装置であってもよい。この比較的に小規模な生産装置の動作は、例えば、ＰＬＣに代表される小規模な制御装置によって制御されてよい。制御量及び操作量はそれぞれ、特に限定されなくてもよく、制御対象装置に応じて適宜選択されてよい。

基礎目標値は、動作制御の基礎となる目標値である。指令目標値は、制御対象装置の動作制御に利用される目標値である。基礎目標値を第１目標値と称し、指令目標値を第２目標値と称してもよい。操作量として制御対象装置に与えられる指令値は、指令目標値に基づいて決定される。このとき、指令値は、ＰＩＤ制御、ＰＩ制御等の公知の制御方法により決定されてよい。

予測モデルは、第１時刻における制御量の値（計測値又は予測値）から第１時刻より未来の第２時刻における制御量の予測値を予測するように構成される。つまり、予測モデルは、第１時刻における制御量の値が入力されると、第２時刻における制御量の予測値を出力するように構成される。予測モデルの入力には、１時刻の値が用いられてもよいし、過去の所定の時間区間内の複数の値が用いられてもよい。また、予測モデルの入力には、制御量の値以外のデータが更に用いられてもよい。制御量の値以外のデータとして、例えば、操作量の値、ワークの個体情報等が予測モデルに入力されてよい。予測モデルの出力は、１時刻の値であってもよいし、所定の時間区間内の複数の値であってもよい。

このような予測モデルの種類は、特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。予測モデルは、例えば、自己回帰モデル等の回帰モデルにより構成されてもよいし、例えば、ニューラルネットワーク等の機械学習モデルにより構成されてもよい。また、予測モデルには、例えば、特開２０１６－１７３６８６号公報、特開２０１８－１２５０１２号公報等に開示される公知の予測モデルが用いられてよい。予測モデルを生成する方法は、特に限定されなくてもよく、予測モデルの種類に応じて適宜選択されてよい。予測モデルが自己回帰モデルにより構成される場合、生成方法には、最小二乗法等の公知の回帰分析方法が用いられてよい。また、予測モデルがニューラルネットワーク等の機械学習モデルにより構成される場合、生成方法には、誤差逆伝播法等の公知の機械学習方法が用いられてよい。

第１センサは、制御対象装置の制御量を計測可能に構成される。第２センサは、制御対象装置の動作結果を監視可能に構成される。各センサの種類は、特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。各センサには、例えば、カメラ、位置センサ、速度センサ、力センサ、エンコーダ等の各種センサが利用されてよい。制御対象装置が適切に動作したか否かを判定する方法は、第２センサにより得られる監視データ及び制御対象装置に応じて適宜決定されてよい。第１センサ及び第２センサは同一のセンサであってもよい。

上記一側面に係る制御装置において、前記重み最適化部は、前記判定の結果に応じて決定された報酬に基づく強化学習を実施することで、前記制御対象装置が適切に動作する確率を高めるように前記補正の重みを最適化してもよい。当該構成によれば、補正の重みを適切に最適化することができる。これにより、予測モデルを利用した予測制御において、制御対象装置の動作不良の発生確率を適切に低減することができる。

上記一側面に係る制御装置において、前記重みの候補が、複数与えられてよく、前記重み最適化部は、前記各重みの候補を利用した補正により決定された各指令目標値に従って、前記制御対象装置の動作を制御した結果、前記制御対象装置が適切に動作する確率の最も高かった重みの候補を選択することで、前記制御対象装置が適切に動作するように前記補正の重みを最適化してもよい。当該構成によれば、複数の重みから適切な重みを選択するという簡易な処理により補正の重みを最適化することができる。これにより、負荷の少ない処理によって、予測モデルを利用した予測制御において、制御対象装置の動作不良の発生確率を低減することができる。

上記一側面に係る制御装置において、前記目標補正部は、前記基礎目標値と前記予測値との差分を算出し、算出した前記差分及び前記重みに基づいて、補正値を決定し、決定した前記補正値を前記基礎目標値に加えることにより、前記指令目標値を算出してもよい。更に、前記重みは、比例定数及び定数項により構成されてよく、前記目標補正部は、前記差分と前記比例定数との積を算出し、算出した前記積に前記定数項を加えることにより、前記補正値を算出してもよい。当該構成によれば、予測モデルを利用した補正処理を比較的に簡易な処理で実現することができる。これにより、予測制御の処理負荷を低減することができる。

上記一側面に係る制御装置において、前記制御による前記制御対象装置の動作は、タクト周期毎に繰り返されてよく、前記タクト周期は、第１時間区間、及び当該第１時間区間よりも未来の第２時間区間を含んでもよい。前記第１取得部は、前記第２時間区間における前記制御量の基礎目標値を取得してもよく、前記第２取得部は、前記第１時間区間における前記制御量の計測値を取得してもよい。前記予測部は、前記予測モデルを利用して、前記第１時間区間における前記制御量の計測値から前記第２時間区間における前記制御量の予測値を算出してもよい。前記目標補正部は、算出された予測値に応じて、前記第２時間区間における前記基礎目標値を補正することで、前記第２時間区間における前記制御量の指令目標値を決定してもよく、前記動作制御部は、決定された前記指令目標値に従って、前記第２時間区間における前記制御対象装置の動作を制御してもよい。更に、前記予測部は、前記第１時間区間における前記計測値を特徴量に変換し、変換した当該特徴量を前記予測モデルに入力し、前記予測モデルの演算処理を実行することにより前記予測モデルから出力される出力値を前記第２時間区間における前記予測値として取得してもよい。当該構成によれば、タクト周期毎に動作を繰り返す制御対象装置の動作不良の発生確率を低減することができる。

タクト周期は、制御対象装置が動作を繰り返す周期である。制御対象装置が生産装置である場合、タクト周期は、例えば、所定数のワークを加工するのにかかる時間である。一例として、制御対象装置がプレス機である場合、タクト周期は、例えば、１つのワークをプレスする時間である。ただし、タクト周期は、このような例に限定されなくてもよい。タクト周期と制御対象装置の動作との関係は、実施の形態に応じて適宜決定されてよい。第１時間区間は、説明変数区間と称されてよく、第２時間区間は、補正対象区間と称されてよい。第１時間区間及び第２時間区間は、１又は複数の制御周期を含んでよい。制御周期は、制御対象装置に指令値（操作量）を与える周期である。特徴量は、計測値の何らかの特徴を表し得るものであれば、その種類は、特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、特徴量は、計測値の時系列データから予測に利用する対象の特徴を抽出することで得られてもよい。また、例えば、特徴量は、集約された情報（例えば、単位区間毎の平均値の時系列）、予測時点から過去の位置区間の系列そのもの等であってよい。具体例として、特徴量は、例えば、最小値、最大値、平均値、尖度、微分値等であってよい。

上記一側面に係る制御装置は、前記制御対象装置が適切に動作したと判定された制御の間に前記第１センサにより得られた前記制御量の前記計測値を実績値データとして収集するデータ収集部と、収集された前記実績値データに基づいて、前記予測モデルを更新するモデル更新部と、を更に備えてもよい。当該構成によれば、適切な予測制御を実行可能なように予測モデルを改善することができる。これにより、制御対象装置を予測制御する際における動作不良の発生確率を低減することができる。

上記一側面に係る制御装置は、収集された前記実績値データに基づいて、前記制御対象装置を適切に制御するための制御量の目標値を導出する目標導出部を更に備えてもよい。そして、前記第１取得部は、導出された前記目標値を前記基礎目標値として取得してもよい。当該構成によれば、適切な予測制御を実行可能なように基礎目標値を改善することができる。これにより、制御対象装置を予測制御する際における動作不良の発生確率を低減することができる。

上記一側面に係る制御装置において、前記動作制御部は、前記指令目標値と前記計測値との差分を算出し、算出した差分に応じて、操作量の値を決定し、決定した前記操作量の値を前記制御対象装置に与えることで、前記制御対象装置の動作を制御してもよい。当該構成によれば、予測制御において、制御対象装置に与える操作量の値（指令値）を適切に導出することができる。

上記一側面に係る制御装置において、前記制御対象装置は、金型により構成されたプレス機であってよい。前記制御量は、前記金型の位置であってよい。前記第１センサは、前記金型の位置を計測するように構成された位置センサであってよい。前記第２センサは、前記プレス機によりプレスされたワークを撮影するように配置されたカメラであってよい。当該構成によれば、プレス機を予測制御する際における動作不良の発生確率を低減することができる。

上記各形態に係る制御装置は、制御対象装置の動作を直接的に制御する。また、上記各形態に係る制御装置は、予測モデルにより予測された制御量の予測値に応じて、制御量の基礎目標値を補正する。しかしながら、本発明の適用範囲は、このような例に限定されなくてもよい。例えば、制御対象装置の動作を制御するコントローラに指令を与える制御装置、すなわち、制御対象装置の動作を間接的に制御する制御装置に本発明が適用されてもよい。また、予測モデルにより予測された制御量の予測値に応じて、制御対象装置に与える操作量の値（指令値）を直接的に補正する制御装置に本発明が適用されてもよい。上記各形態に係る制御装置は、これらの例に適用可能に適宜変更されてよい。

例えば、本発明の一側面に係る制御装置は、制御量の基礎目標値を取得する第１取得部と、制御対象装置の制御量を計測する第１センサにより得られた制御量の計測値を取得する第２取得部と、前記制御量の予測モデルを利用して、取得された前記計測値から前記制御量の予測値を算出する予測部と、算出された予測値に応じて、前記基礎目標値を補正することで、前記制御量の指令目標値を決定する目標補正部であって、当該補正の程度は、重みに基づいて決定される、目標補正部と、決定された前記指令目標値をコントローラに与えて、与えた前記指令目標値に従って、当該コントローラに前記制御対象装置の動作を制御させる動作指令部と、前記制御対象装置の動作結果を監視する第２センサにより得られた監視データを取得する第３取得部と、取得された監視データに基づいて、前記制御対象装置が前記制御により適切に動作したか否かを判定する結果判定部と、前記判定の結果に基づいて、前記制御対象装置が適切に動作するように前記補正の重みを最適化する重み最適化部と、を備える。

また、例えば、本発明の一側面に係る制御装置は、制御量の目標値を取得する第１取得部と、制御対象装置の制御量を計測する第１センサにより得られた制御量の計測値を取得する第２取得部と、前記目標値と前記計測値との差分を算出し、算出された差分に応じて操作量の基準値を決定する指令決定部と、前記制御量の予測モデルを利用して、取得された前記計測値から前記制御量の予測値を算出する予測部と、算出された予測値に応じて、前記基準値を補正することで、指令値を決定する指令補正部であって、当該補正の程度は、重みに基づいて決定される、指令補正部と、決定された前記指令値を前記制御対象装置に与えることで、前記制御対象装置の動作を制御する動作制御部と、前記制御対象装置の動作結果を監視する第２センサにより得られた監視データを取得する第３取得部と、取得された監視データに基づいて、前記制御対象装置が前記制御により適切に動作したか否かを判定する結果判定部と、前記判定の結果に基づいて、前記制御対象装置が適切に動作するように前記補正の重みを最適化する重み最適化部と、を備える。

上記各形態に係る制御装置の別の態様として、本発明の一側面は、以上の各構成を実現する情報処理方法であってもよいし、プログラムであってもよいし、このようなプログラムを記憶した、コンピュータ等が読み取り可能な記憶媒体であってもよい。ここで、コンピュータ等が読み取り可能な記憶媒体とは、プログラム等の情報を、電気的、磁気的、光学的、機械的、又は、化学的作用によって蓄積する媒体である。

例えば、本発明の一側面に係る制御方法は、コンピュータが、制御量の基礎目標値を取得するステップと、制御対象装置の制御量を計測する第１センサにより得られた制御量の計測値を取得するステップと、前記制御量の予測モデルを利用して、取得された前記計測値から前記制御量の予測値を算出するステップと、算出された予測値に応じて、前記基礎目標値を補正することで、前記制御量の指令目標値を決定するステップであって、当該補正の程度は、重みに基づいて決定される、ステップと、決定された前記指令目標値に従って、前記制御対象装置の動作を制御するステップと、前記制御対象装置の動作結果を監視する第２センサにより得られた監視データを取得するステップと、取得された監視データに基づいて、前記制御対象装置が前記制御により適切に動作したか否かを判定するステップと、前記判定の結果に基づいて、前記制御対象装置が適切に動作するように前記補正の重みを最適化するステップと、を実行する、情報処理方法である。

また、例えば、本発明の一側面に係る制御プログラムは、コンピュータに、制御量の基礎目標値を取得するステップと、制御対象装置の制御量を計測する第１センサにより得られた制御量の計測値を取得するステップと、前記制御量の予測モデルを利用して、取得された前記計測値から前記制御量の予測値を算出するステップと、算出された予測値に応じて、前記基礎目標値を補正することで、前記制御量の指令目標値を決定するステップであって、当該補正の程度は、重みに基づいて決定される、ステップと、決定された前記指令目標値に従って、前記制御対象装置の動作を制御するステップと、前記制御対象装置の動作結果を監視する第２センサにより得られた監視データを取得するステップと、取得された監視データに基づいて、前記制御対象装置が前記制御により適切に動作したか否かを判定するステップと、前記判定の結果に基づいて、前記制御対象装置が適切に動作するように前記補正の重みを最適化するステップと、を実行させるための、プログラムである。

本発明によれば、制御対象装置を予測制御する際における動作不良の発生確率を低減することができる。

図１は、本発明が適用される場面の一例を模式的に例示する。 図２は、実施の形態に係る制御装置のハードウェア構成の一例を模式的に例示する。 図３は、実施の形態に係るプレス機（制御対象装置）の一例を模式的に例示する。 図４Ａは、図３のプレス機における生産工程の一例を模式的に例示する。 図４Ｂは、図３のプレス機における生産工程の一例を模式的に例示する。 図４Ｃは、図３のプレス機における生産工程の一例を模式的に例示する。 図４Ｄは、図３のプレス機における生産工程の一例を模式的に例示する。 図５は、実施の形態に係る制御装置のソフトウェア構成の一例を模式的に例示する。 図６は、制御量の計測値、予測値、及び補正量の関係の一例を模式的に例示する。 図７Ａは、実施の形態に係る制御装置の処理手順の一例を例示する。 図７Ｂは、実施の形態に係る制御装置の処理手順の一例を例示する。 図８は、本発明が適用される他の場面の一例を模式的に例示する。 図９Ａは、変形例に係る上位コントローラのソフトウェア構成の一例を模式的に例示する。 図９Ｂは、変形例に係る下位コントローラのソフトウェア構成の一例を模式的に例示する。 図１０は、変形例に係る制御装置のソフトウェア構成の一例を模式的に例示する。

以下、本発明の一側面に係る実施の形態（以下、「本実施形態」とも表記する）を、図面に基づいて説明する。ただし、以下で説明する本実施形態は、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。つまり、本発明の実施にあたって、実施形態に応じた具体的構成が適宜採用されてもよい。なお、本実施形態において登場するデータを自然言語により説明しているが、より具体的には、コンピュータが認識可能な疑似言語、コマンド、パラメータ、マシン語等で指定される。

§１ 適用例
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装置１の適用場面の一例を模式的に例示する。

本実施形態に係る制御装置１は、制御対象装置の動作を制御するように構成されたコンピュータである。図１に示されるとおり、本実施形態に係る制御装置１は、制御量の基礎目標値５１を取得する。また、制御装置１は、制御対象装置の制御量を計測する第１センサにより得られた制御量の計測値６１を取得する。次に、制御装置１は、制御量の予測モデル６０を利用して、取得された計測値６１から制御量の予測値６３を算出し、算出された予測値６３に応じて、基礎目標値５１を補正することで、制御量の指令目標値５３を決定する。基礎目標値５１は、動作制御の基礎となる目標値である。指令目標値５３は、制御対象装置の動作制御に利用される目標値である。基礎目標値５１を第１目標値と称し、指令目標値５３を第２目標値と称してもよい。

本実施形態では、基礎目標値５１に対する補正の程度は、重み５５に基づいて決定される。制御装置１は、決定された指令目標値５３に従って、制御対象装置の動作を制御する。これにより、本実施形態に係る制御装置１は、予測モデル６０を利用して、制御対象装置の動作を予測制御する。更に、制御装置１は、制御対象装置の動作結果を監視する第２センサにより得られた監視データ６５を取得し、取得された監視データ６５に基づいて、制御対象装置の動作が制御により適切に動作したか否かを判定する。そして、制御装置１は、当該判定の結果に基づいて、制御対象装置が適切に動作するように補正の重みを最適化する。

以上のとおり、本実施形態に係る制御装置１は、予測モデル６０を利用した補正処理に起因して予測制御に不具合が生じ得る場合でも、補正の程度を定める重み５５を最適化することで、制御対象装置が適切に動作するように予測制御における補正処理を改善することができる。そのため、比較的に予測精度の低い予測モデル６０が生成された場合でも、予測モデル６０を利用した予測制御において、制御対象装置の動作不良の発生確率を低減することができる。したがって、本実施形態によれば、大規模な生産装置は勿論のこと、比較的に小規模な生産装置が制御対象装置である場合でも、制御対象装置を予測制御する際における動作不良の発生確率を低減することができる。

なお、制御量は、例えば、モータの回転角度、回転速度等の制御の対象となる量である。操作量は、例えば、モータの電圧等の制御対象装置に与える量である。制御対象装置の種類は、特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。制御対象装置は、例えば、プレス機、ウェブ搬送装置、射出成形機、ＮＣ旋盤、放電加工機、包装機等の生産ラインで利用される比較的に小規模な生産装置であってもよい。制御量及び操作量はそれぞれ、特に限定されなくてもよく、制御対象装置に応じて適宜選択されてよい。

第１センサは、制御対象装置の制御量を計測可能に構成される。第２センサは、制御対象装置の動作結果を監視可能に構成される。各センサの種類は、特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。各センサには、例えば、カメラ、位置センサ、速度センサ、力センサ、エンコーダ等の各種センサが利用されてよい。制御対象装置が適切に動作したか否かを判定する方法は、第２センサにより得られる監視データ及び制御対象装置に応じて適宜決定されてよい。第１センサ及び第２センサは同一のセンサであってもよい。

図１に示されるとおり、本実施形態の一例では、制御装置１には、位置センサ３５及びカメラ３６を備えるプレス機３に接続される。プレス機３は、金型の位置を制御されて、ワークを成形することで、製品を生産するように構成される。位置センサ３５は、金型の位置を計測可能に構成される。カメラ３６は、プレス機３により成形された製品の状態を監視可能に配置される。すなわち、プレス機３は、制御対象装置の一例である。位置センサ３５は、第１センサの一例である。カメラ３６は、第２センサの一例である。本実施形態の一例では、制御装置１は、プレス機３を予測制御する際における動作不良の発生確率を低減することができる。

§２ 構成例
［ハードウェア構成］
＜制御装置＞
次に、図２を用いて、本実施形態に係る制御装置１のハードウェア構成の一例について説明する。図２は、本実施形態に係る制御装置１のハードウェア構成の一例を模式的に例示する。

図２に示されるとおり、本実施形態に係る制御装置１は、制御部１１、記憶部１２、外部インタフェース１３、入力装置１４、出力装置１５、及びドライブ１６が電気的に接続されたコンピュータである。なお、図２では、外部インタフェースを「外部Ｉ／Ｆ」と記載している。

制御部１１は、ハードウェアプロセッサであるＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等を含み、プログラム及び各種データに基づいて情報処理を実行するように構成される。記憶部１２は、メモリの一例であり、例えば、ＲＡＭ、ＲＯＭ等で構成される。本実施形態では、記憶部１２は、制御プログラム８１、実績値データ１２５等の各種情報を記憶する。

制御プログラム８１は、制御対象装置の動作を制御する後述の情報処理（図７Ａ及び図７Ｂ）を制御装置１に実行させるためのプログラムである。制御プログラム８１は、当該情報処理の一連の命令群を含む。実績値データ１２５は、制御対象装置が適切に動作した制御の間における制御量の計測値を示す。詳細は後述する。

外部インタフェース１３は、例えば、ＵＳＢ（Universal Serial Bus）ポート、専用ポート等であり、外部装置と接続するためのインタフェースである。外部インタフェース１３の種類及び数は、接続される外部装置の種類及び数に応じて適宜選択されてよい。本実施形態では、制御装置１は、外部インタフェース１３を介して、プレス機３に接続される。これにより、制御装置１は、プレス機３に対して指令値を送信することで、プレス機３の動作を制御することができる。また、制御装置１は、制御量の計測値をプレス機３から取得することができる。

入力装置１４は、例えば、マウス、キーボード等の入力を行うための装置である。また、出力装置１５は、例えば、ディスプレイ、スピーカ等の出力を行うための装置である。オペレータは、入力装置１４及び出力装置１５を利用することで、制御装置１を操作することができる。

ドライブ１６は、例えば、ＣＤドライブ、ＤＶＤドライブ等であり、記憶媒体９１に記憶されたプログラムを読み込むためのドライブ装置である。ドライブ１６の種類は、記憶媒体９１の種類に応じて適宜選択されてよい。上記制御プログラム８１及び実績値データ１２５の少なくとも一方は、この記憶媒体９１に記憶されていてもよい。

記憶媒体９１は、コンピュータその他装置、機械等が、記録されたプログラム等の情報を読み取り可能なように、当該プログラム等の情報を、電気的、磁気的、光学的、機械的又は化学的作用によって蓄積する媒体である。制御装置１は、この記憶媒体９１から、上記制御プログラム８１及び実績値データ１２５の少なくとも一方を取得してもよい。

ここで、図２では、記憶媒体９１の一例として、ＣＤ、ＤＶＤ等のディスク型の記憶媒体を例示している。しかしながら、記憶媒体９１の種類は、ディスク型に限定される訳ではなく、ディスク型以外であってもよい。ディスク型以外の記憶媒体として、例えば、フラッシュメモリ等の半導体メモリを挙げることができる。

なお、制御装置１の具体的なハードウェア構成に関して、実施の形態に応じて、適宜、構成要素の省略、置換、及び追加が可能である。例えば、制御部１１は、複数のハードウェアプロセッサを含んでもよい。ハードウェアプロセッサは、マイクロプロセッサ、ＦＰＧＡ（field-programmable gate array）、ＤＳＰ（digital signal processor）等で構成されてよい。記憶部１２は、制御部１１に含まれるＲＡＭ及びＲＯＭにより構成されてもよい。記憶部１２は、ハードディスクドライブ、ソリッドステートドライブ等の補助記憶装置により構成されてもよい。また、制御装置１は、提供されるサービス専用に設計された情報処理装置の他、制御する対象に応じて、ＰＬＣ、デスクトップＰＣ（Personal Computer）、タブレットＰＣ等の情報処理装置に置き換えられてもよい。

＜プレス機＞
次に、図３を用いて、プレス機３のハードウェア構成の一例について説明する。図３は、本実施形態に係るプレス機３のハードウェア構成の一例を模式的に例示する。

本実施形態に係るプレス機３は、サーボドライバ３１、上側金型３２、下側金型３３、位置センサ３５、及びカメラ３６を備えている。下側金型３３が固定されているのに対して、上側金型３２は、サーボモータ（不図示）によって、上下方向に移動可能に構成されている。位置センサ３５は、下側金型３３に対する上側金型３２の位置を計測するように構成される。これにより、上側金型３２は、その位置を制御されることで、下側金型３３にワークを押し付けて、ワークの成形を行ったり、下側金型３３から離れたりすることができる。サーボドライバ３１は、制御装置１からの指令値に基づいて、上側金型３２のサーボモータを駆動するように構成される。本実施形態において、上側金型３２を駆動するサーボモータの電圧は操作量の一例であり、上側金型３２の位置は制御量の一例である。

カメラ３６は、上側金型３２によりプレスされたワークを撮影する、すなわち、上側金型３２及び下側金型３３により成形された製品を撮影するように配置されている。カメラ３６により得られる、生産された製品の写る画像データを画像解析することで、生産された製品の良否を判定することができる。すなわち、カメラ３６により得られる画像データは、プレス機３により成形された製品の状態を監視するための監視データとして利用可能である。

ただし、プレス機３の構成は、このような例に限定されなくてもよい。プレス機３の構成に関して、実施の形態に応じて、適宜、構成要素の省略、置換、及び追加が可能である。例えば、上側金型３２及び下側金型３３の両方が移動可能に構成されてもよい。また、位置センサ３５の配置は、図３の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。位置センサ３５の種類は、上側金型３２と下側金型３３との間の距離を測定可能であれば、特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。位置センサ３５には、公知のセンサが利用されてもよい。また、カメラ３６の種類は、特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。カメラ３６には、ＲＧＢ画像を取得するように構成された一般的なカメラ、深度画像を取得するように構成された深度カメラ、赤外線量を画像化するように構成された赤外線カメラ等であってよい。

次に、図４Ａ～図４Ｄを用いて、プレス機３における生産工程の一例を模式的に例示する。図４Ａ～図４Ｄは、プレス機３における生産工程の一場面を模式的に例示する。プレス機３は、生産ラインに適宜配置されてよい。図４Ａに示されるとおり、初期状態では、上側金型３２は、下側金型３３から離れた待機位置に配置され、下側金型３３にワーク４０が搬送されるまで待機する。ワーク４０は、例えば、金属製の板材である。ただし、ワーク４０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。ワーク４０は、例えば、製品の原料、加工前の物、組み立て前の部品等であってよい。

下側金型３３の所定の位置にワーク４０が配置された後、プレス機３は、図４Ｂに示されるとおり、サーボドライバ３１により上側金型３２のサーボモータを駆動し、上側金型３２を成形開始位置に配置する。成形開始位置は、例えば、上側金型３２の先端がワーク４０に接触する又はその直前の位置である。

そして、プレス機３は、図４Ｃに示されるとおり、サーボドライバ３１により上側金型３２のサーボモータを更に駆動し、上側金型３２を目標位置（下死点）まで移動させ、上側金型３２及び下側金型３３によりワーク４０の成形を行う。これにより、プレス機３は、ワーク４０から製品４１を生産することができる。なお、この製品４１は、ワーク４０に対してプレス機３が生産処理を行うことで得られる物であれば特に限定されなくてもよく、最終品であってもよいし、中間品（加工途中のもの）であってもよい。

成形が完了した後、プレス機３は、図４Ｄに示されるとおり、サーボドライバ３１により上側金型３２のサーボモータを駆動し、上側金型３２を待機位置まで移動させる。そして、ワーク４０を成形することで得られた製品４１をベルトコンベア（不図示）等によりプレス機３から搬送する。これにより、ワーク４０から製品４１を生産する生産工程の一連の動作が完了する。

制御装置１は、この一連の生産工程をプレス機３に実行させるように、位置センサ３５により得られる上側金型３２の位置の計測値及び目標値から指令値を決定し、決定された指令値をサーボドライバ３１に与えることで、プレス機３の動作を制御することができる。また、制御装置１は、成形が完了した後にカメラ３６により得られる画像データを画像解析することで、画像データに写る製品４１の良否を判定することができる。

［ソフトウェア構成］
次に、図５を用いて、本実施形態に係る制御装置１のソフトウェア構成の一例について説明する。図５は、本実施形態に係る制御装置１のソフトウェア構成の一例を模式的に例示する。

制御装置１の制御部１１は、記憶部１２に記憶された制御プログラム８１をＲＡＭに展開する。そして、制御部１１は、ＲＡＭに展開された制御プログラム８１をＣＰＵにより解釈して、当該制御プログラム８１に含まれる一連の命令群を実行することで、各構成要素を制御する。これにより、図５に示されるとおり、本実施形態に係る制御装置１は、第１取得部１０１、第２取得部１０２、予測部１０３、目標補正部１０４、動作制御部１０５、第３取得部１０６、結果判定部１０７、重み最適化部１０８、データ収集部１０９、モデル更新部１１０、及び目標導出部１１１をソフトウェアモジュールとして備えるコンピュータとして動作する。すなわち、本実施形態では、各ソフトウェアモジュールは、制御部１１（ＣＰＵ）により実現される。

第１取得部１０１は、制御量の基礎目標値５１を取得する。第２取得部１０２は、制御対象装置の制御量を計測する第１センサにより得られた制御量の計測値６１を取得する。本実施形態の一例では、第１取得部１０１は、プレス機３における上側金型３２の位置の基礎目標値５１を取得する。第２取得部１０２は、位置センサ３５により得られた上側金型３２の位置の計測値６１を取得する。

予測部１０３は、制御量の予測モデル６０を利用して、取得された計測値６１から制御量の予測値６３を算出する。目標補正部１０４は、算出された予測値６３に応じて、基礎目標値５１を補正することで、制御量の指令目標値５３を決定する。この補正の程度は、重み５５に基づいて決定される。動作制御部１０５は、決定された指令目標値５３に従って、制御対象装置の動作を制御する。重み５５は、制御プログラム８１とは別に与えられてもよいし、制御プログラム８１の内部パラメータとして与えられてもよい。

制御処理の一例として、動作制御部１０５は、指令目標値５３と計測値６１との差分を算出し、算出された差分に応じて、指令値７１（操作量の値）を決定してもよい。指令値７１を決定する方法は、特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。指令値７１は、例えば、ＰＩＤ制御、ＰＩ制御等の公知の制御方法により決定されてよい。そして、動作制御部１０５は、決定された指令値７１を制御対象装置に与えることで、制御対象装置の動作を制御してもよい。本実施形態の一例では、動作制御部１０５は、決定された指令値７１をサーボドライバ３１に与えることで、プレス機３における上側金型３２の位置を制御することができる。

第３取得部１０６は、制御対象装置の動作結果を監視する第２センサにより得られた監視データ６５を取得する。本実施形態の一例では、第３取得部１０６は、カメラ３６により得られた画像データを監視データ６５として取得することができる。結果判定部１０７は、取得された監視データ６５に基づいて、動作制御部１０５の制御により制御対象装置が適切に動作したか否かを判定する。重み最適化部１０８は、判定の結果に基づいて、制御対象装置が適切に動作するように補正の重みを最適化する。

データ収集部１０９は、制御対象装置が適切に動作したと判定された制御の間に第１センサにより得られた制御量の計測値６１を実績値データ１２５として収集する。モデル更新部１１０は、収集された実績値データ１２５に基づいて、予測モデル６０を更新する。目標導出部１１１は、収集された実績値データ１２５に基づいて、制御対象装置を適切に制御するための制御量の目標値を導出する。第１取得部１０１は、導出された目標値を基礎目標値５１として取得してもよい。

予測モデル６０は、第１時刻における制御量の値（計測値又は予測値）から第１時刻より未来の第２時刻における制御量の予測値を予測するように構成される。つまり、予測モデル６０は、第１時刻における制御量の値が入力されると、第２時刻における制御量の予測値を出力するように構成される。予測モデル６０の入力には、１時刻の値が用いられてもよいし、過去の所定の時間区間内の複数の値が用いられてもよい。また、予測モデル６０の入力には、制御量の値以外のデータが更に用いられてもよい。制御量の値以外のデータとして、例えば、操作量の値、ワークの個体情報等が予測モデル６０に入力されてよい。予測モデル６０の出力は、１時刻の値であってもよいし、所定の時間区間内の複数の値であってもよい。

ここで、図６を用いて、予測モデル６０を利用した予測制御における、制御量の計測値６１、予測値６３、及び補正量の関係の一例について説明する。図６は、制御量の計測値６１、予測値６３、及び補正量の関係の一例を模式的に例示する。本実施形態において、制御による制御対象装置の動作は、タクト周期毎に繰り返されてもよい。タクト周期は、制御対象装置が動作を繰り返す周期である。タクト周期は、複数の制御周期を含んでよい。制御周期は、制御対象装置に指令値７１（操作量）を与える周期である。制御対象装置が生産装置である場合、タクト周期は、例えば、所定数のワークを加工するのにかかる時間である。一例として、制御対象装置がプレス機３である場合、タクト周期は、例えば、１つのワーク４０をプレスする時間である。ただし、タクト周期は、このような例に限定されなくてもよい。タクト周期と制御対象装置の動作との関係は、実施の形態に応じて適宜決定されてよい。

図６に示されるとおり、タクト周期は、第１時間区間、及び第１時間区間よりも未来の第２時間区間を含んでもよい。第１時間区間では、予測モデル６０により制御量の予測値を算出するために、予測に利用する制御量の計測値６１が収集される。この第１時間区間は、説明変数区間と称されてよい。他方、第２時間区間では、予測モデル６０を利用して、第１時間区間で収集された計測値６１から制御量の予測値６３が算出され、算出された予測値６３に応じて、基礎目標値５１が補正される。この第２時間区間は、補正対象区間と称されてよい。第１時間区間及び第２時間区間は、１又は複数の制御周期を含んでよい。第１時間区間及び第２時間区間それぞれの時間幅は適宜決定されてよい。

すなわち、予測モデル６０は、第１時間区間における制御量の計測値６１の入力に対して、第２時間区間における制御量の予測値６３を出力するように構成されてよい。この場合、タクト周期の開始時点から１つの第１時間区間分の時間の経過した時点が、第２時間区間における制御量の予測値６３を算出可能となる補正開始周期の時点である。この補正開始周期を経過した後、予測モデル６０を利用することで、処理時点より過去の第１時間区間内の計測値６１から当該処理時点より未来の第２時間区間内の予測値６３を算出することができる。例えば、予測部１０３は、補正開始周期を経過した後に、予測モデル６０を利用して、予測時点よりも過去の第１時間区間内の計測値６１から第２時間区間内の予測値６３を制御周期毎に算出してもよい。

なお、図６の例では、タクト周期が、補正開始周期の時点を境界として、第１時間区間及び第２時間区間の２つに分割されている。このように、制御対象装置の動作がタクト周期毎に繰り返される場合には、タクト周期は２つの時間区間に分割され、前の時間区間が第１時間区間に設定され、後の時間区間が第２時間区間に設定されてよい。この場合、予測部１０３は、補正開始周期の時点を経過した後に、タクト周期の残りの時間区間（すなわち、第２時間区間）内の予測値６３を一度に算出してもよい。これにより、予測制御の処理を高速化することができる。ただし、第１時間区間及び第２時間区間の関係は、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。上記のとおり、予測部１０３は、予測時点よりも過去の計測値６１から予測時点における予測値６３を制御周期毎に算出してもよい。

これに応じて、第１取得部１０１は、第２時間区間における制御量の基礎目標値５１（図の一点鎖線）を取得してもよい。また、第２取得部１０２は、第１時間区間における制御量の計測値６１（図の実線）を取得してもよい。予測部１０３は、予測モデル６０を利用して、第１時間区間における制御量の計測値６１から第２時間区間における制御量の予測値６３（図の破線）を算出してもよい。目標補正部１０４は、算出された予測値６３に応じて、第２時間区間における基礎目標値５１を補正することで、第２時間区間における制御量の指令目標値５３を決定してもよい。

図６に例示されるとおり、補正量は、制御量の予測値６３と基礎目標値５１との乖離を減らすように与えられてもよい。一例として、基礎目標値５１よりも予測値６３が大きい場合には、補正量は、基礎目標値５１を小さな値に修正するように与えられてよい。他方、基礎目標値５１よりも予測値６３が小さい場合には、補正量は、基礎目標値５１を大きな値に修正するように与えられてよい。目標補正部１０４は、このように与えられた補正量を基礎目標値５１に適用することで、第２時間区間における制御量の指令目標値５３を決定してもよい。動作制御部１０５は、決定された指令目標値５３に従って、第２時間区間における制御対象装置の動作を制御してもよい。

なお、予測モデル６０は、制御量の入力値から予測値を算出するための演算パラメータを含むように構成される。このような予測モデル６０の種類は、特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６０は、例えば、自己回帰モデル等の回帰モデルにより構成されてもよいし、例えば、ニューラルネットワーク等の機械学習モデルにより構成されてもよい。自己回帰モデルは、自己回帰係数を含む１又は複数の項を総和する回帰式により表現される。この自己回帰モデルにより予測モデル６０が構成される場合、演算パラメータの一例は、当該自己回帰モデルの各項における自己回帰係数等である。また、ニューラルネットワークは、１又は複数のニューロン（ノード）を含む１又は複数の層を備える。複数の層を備える場合、典型的には、入力側から出力側に各層は配置され、隣接する層に含まれるニューロン同士は適宜結合される。各結合には重み（結合荷重）が設定される。各ニューロンには閾値が設定されており、基本的には、各入力と各重みとの積の和が閾値を超えているか否かによって各ニューロンの出力が決定される。このニューラルネットワークにより予測モデル６０が構成される場合、演算パラメータの一例は、例えば、各ニューロン間の結合の重み、各ニューロンの閾値等である。

この予測モデル６０を生成する方法は、特に限定されなくてもよく、予測モデル６０の種類に応じて適宜選択されてよい。予測モデル６０が自己回帰モデルにより構成される場合、最小二乗法等の公知の回帰分析方法により、各項における自己回帰係数等の演算パラメータを導出することで、予測モデル６０を生成することができる。また、予測モデル６０がニューラルネットワーク等の機械学習モデルにより構成される場合、誤差逆伝播法等の公知の機械学習方法により、各ニューロン間の結合の重み、各ニューロンの閾値等の演算パラメータを導出することで、予測モデル６０を生成することができる。

制御装置１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、制御装置１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、制御装置１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。

§３ 動作例
次に、図７Ａ及び図７Ｂを用いて、本実施形態に係る制御装置１の動作例について説明する。図７Ａ及び図７Ｂは、本実施形態に係る制御装置１の処理手順の一例を示すフローチャートである。以下で説明する制御装置１の処理手順は、本発明の「制御方法」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。依存関係のない処理の順序は適宜入れ替えられてよい。

（ステップＳ１０１）
ステップＳ１０１では、制御部１１は、第１取得部１０１として動作し、制御量の基礎目標値５１を取得する。

基礎目標値５１の取得先は、実施の形態に応じて適宜選択されてよい。基礎目標値５１は、例えば、記憶部１２、記憶媒体９１、外部記憶装置等の記憶領域に保存されていてもよい。外部記憶装置は、例えば、ＮＡＳ（Network Attached Storage）等のデータサーバであってもよいし、制御装置１に接続される外付けの記憶装置であってもよい。この場合、制御部１１は、当該記憶領域にアクセスすることで、基礎目標値５１を取得することができる。

制御量の基礎目標値５１は、所定の動作を制御対象装置に実行させることができるように適宜決定されてよい。例えば、実機又はシミュレーションにより制御対象装置に所定の動作を実行させた結果に基づいて、基礎目標値５１は、決定されてよい。また、例えば、基礎目標値５１は、オペレータの指定により与えられてもよい。この場合、制御装置１は、入力装置１４を介したオペレータの入力を受け付けることで、基礎目標値５１を取得することができる。また、例えば、基礎目標値５１は、後述するステップＳ１１５により導出されてもよい。

制御による制御対象装置の動作がタクト周期毎に繰り返され、タクト周期が複数の制御周期を含む場合には、基礎目標値５１は、制御周期毎に与えられてよい。この場合、制御部１１は、タスク周期内の全ての基礎目標値５１を一度に取得してもよいし、例えば、指令値７１を導出する該当の制御周期における基礎目標値５１等のタスク周期内の基礎目標値５１の一部を取得してもよい。

本実施形態の一例では、制御対象装置は、プレス機３であり、制御量は、上側金型３２の位置である。この場合、基礎目標値５１は、上記生産工程によりワーク４０を成形する際における上側金型３２の目標の位置を示す。例えば、実機又はシミュレーションによりプレス機３に上記生産工程の動作を実行させた結果に基づいて、プレス不足等による不良が製品４１に生じないように、各制御周期における上側金型３２の位置を決定することで、各基礎目標値５１は、導出されてよい。基礎目標値５１を取得すると、制御部１１は、次のステップＳ１０２に処理を進める。

（ステップＳ１０２）
ステップＳ１０２では、制御部１１は、第２取得部１０２として動作し、制御対象装置の動作を計測する第１センサにより得られた制御量の計測値６１を取得する。

制御量の計測は、シミュレーション上で行われてもよいし、制御対象装置の実機を利用して行われてもよい。また、制御部１１は、制御量の計測値６１を、制御対象装置から直接的に取得してもよいし、例えば、外部記憶装置、記憶媒体９１、他の情報処理装置等を介して制御対象装置から間接的に取得してもよい。

本実施形態の一例では、プレス機３は、下側金型３３に対する上側金型３２の位置を計測するための位置センサ３５を第１センサとして備えている。制御部１１は、位置センサ３５により得られた上側金型３２の位置の計測値６１を取得する。制御量の計測値６１を取得すると、制御部１１は、次のＳ１０３に処理を進める。

（ステップＳ１０３）
ステップＳ１０３では、制御部１１は、動作制御部１０５として動作し、制御対象装置の予測制御を実施するか否かを判定する。本実施形態の一例では、制御部１１は、プレス機３における上側金型３２の位置の予測制御を実施するか否かを判定する。

制御対象装置の予測制御を実施するか否かは適宜決定されてよい。例えば、制御対象装置の予測制御を実施するか否かは、制御装置１以外の他の情報処理装置又はオペレータの指示により決定されてもよい。この場合、制御部１１は、他の情報処理装置又はオペレータの指示に応じて、予測制御を実施するか否かを判定してもよい。

また、予測モデル６０は、第１時間区間における制御量の計測値６１の入力に対して、第２時間区間における制御量の予測値６３を出力するように構成されてもよい。この場合、制御部１１は、ステップＳ１０１により第１時間区間における計測値６１を取得したか否かに応じて、予測制御を実施するか否かを判定してもよい。すなわち、第１時間区間における計測値６１を取得した、すなわち、タクト周期内において補正開始周期を経過したときに、制御部１１は、予測制御を実施すると判定してもよい。一方、そうではないとき、制御部１１は、予測制御を実施しないと判定してもよい。

予測制御を実施すると判定した場合には、制御部１１は、次のステップＳ１０４に処理を進める。他方、予測制御を実施しないと判定した場合には、制御部１１は、ステップＳ１０４及びステップＳ１０５の処理を省略して、次のステップＳ１０６に処理を進める。

（ステップＳ１０４）
ステップＳ１０４では、制御部１１は、予測部１０３として動作し、制御量の予測モデル６０を利用して、取得された計測値６１から制御量の予測値６３を算出する。

制御量の予測モデル６０は適宜生成されてよい。一例として、所定の動作を実行するように制御対象装置を制御している間における制御量の値の推移を示す時系列データを取得し、取得された時系列データを分析することで、制御量の予測モデル６０を生成することができる。予測モデル６０を生成するために、時系列データを分析する方法は、特に限定されなくてもよく、予測モデル６０の種類に応じて適宜選択されてよい。

例えば、予測モデル６０が自己回帰モデルにより構成される場合、最小二乗法等の公知の回帰分析方法により、自己回帰係数等の演算パラメータの値を時系列データから導出することで、予測モデル６０を生成することができる。また、例えば、予測モデル６０がニューラルネットワーク等の機械学習モデルにより構成される場合、時系列データを学習データとして利用し、公知の機械学習方法により、機械学習モデルの演算パラメータの値を導出することで、予測モデル６０を生成することができる。

一例として、予測モデル６０がニューラルネットワークにより構成される場合、時系列データの任意の時刻（例えば、第１時間区間）におけるサンプルを訓練データとして利用し、任意の時刻よりも未来の時刻（例えば、第２時間区間）におけるサンプルを教師データとして利用して、予測モデル６０の機械学習を実行する。具体的には、誤差逆伝播法により演算パラメータの値を調整することで、訓練データの入力に対して教師データに適合する出力値を出力するように予測モデル６０を訓練することで、予測モデル６０を生成することができる。

予測モデル６０が、例えば、操作量の値、ワーク４０の個体情報等の制御量の値以外の他のデータを更に入力可能に構成される場合、制御量の値以外の他のデータが更に取得されてよい。そして、上記の分析処理において、得られた他のデータを更に利用してもよい。例えば、予測モデル６０が自己回帰モデルにより構成される場合、自己回帰係数の導出に、得られた他のデータが更に利用されてよい。また、例えば、予測モデル６０がニューラルネットワークにより構成される場合、得られた他のデータが更に訓練データとして利用されてよい。これにより、制御量の計測値６１及び制御量の計測値６１以外の他のデータの入力に対して、制御量の予測値６３を出力するように構成された予測モデル６０を生成することができる。

予測モデル６０を生成する処理は、制御装置１により実行されてもよいし、制御装置１以外の他の情報処理装置により実行されてよい。生成された予測モデル６０は、ステップＳ１０４の処理を実行する前の任意のタイミングで制御装置１に提供されてよい。生成された予測モデル６０は、生成結果データ（不図示）として所定の記憶領域に保存されてよい。所定の記憶領域は、例えば、記憶部１２、記憶媒体９１、外部記憶装置等であってよい。制御部１１は、生成された予測モデル６０を示す生成結果データを所定の記憶領域から取得してもよい。

なお、予測モデル６０が自己回帰モデルにより構成される場合、生成結果データは、例えば、各項において導出された自己回帰係数等の演算パラメータの値を示す。また、予測モデル６０がニューラルネットワークにより構成される場合、生成結果データは、例えば、演算パラメータ（例えば、各ニューロン間の結合の重み、各ニューロンの閾値等）の値、及びニューラルネットワークの構造（例えば、層の数、各層に含まれるニューロンの数、隣接する層のニューロン同士の結合関係等）を示す。

制御部１１は、生成結果データを参照することで、予測モデル６０の設定を行う。そして、制御部１１は、設定された予測モデル６０に制御量の計測値６１を入力し、予測モデル６０の演算処理を実行する。これにより、制御部１１は、制御量の予測値６３を算出することができる。

例えば、予測モデル６０が自己回帰モデルにより構成される場合、制御部１１は、生成結果データを参照することで、予測モデル６０の回帰式の設定を行う。次に、制御部１１は、回帰式の各項に制御量の計測値６１を入力して、回帰式の演算処理を実行する。この演算結果により、制御部１１は、制御量の予測値６３を取得することができる。

また、例えば、予測モデル６０がニューラルネットワークにより構成される場合、制御部１１は、生成結果データを参照することで、学習済みのニューラルネットワークの設定を行う。次に、制御部１１は、ニューラルネットワークの入力層に制御量の計測値６１を入力し、入力側から順に各層に含まれる各ニューロンの発火判定を行う。これにより、制御部１１は、制御量を予測した結果に対応する出力値（すなわち、制御量の予測値６３）を出力層から取得することができる。

なお、予測モデル６０が、例えば、操作量の値、ワーク４０の個体情報等の制御量の計測値６１以外の他のデータを更に入力可能に構成されている場合、制御部１１は、ステップＳ１０４を実行する前に、他のデータを更に取得する。他のデータを取得する方法は、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。制御部１１は、得られた他のデータを予測モデル６０に更に入力し、予測モデル６０の演算処理を実行することで、制御量の予測値６３を取得することができる。

本実施形態の一例では、制御部１１は、計測値６１の得られた時点から未来の時刻に予測される上側金型３２の位置を示す予測値６３を取得する。制御量の予測値６３を取得すると、制御部１１は、次のステップＳ１０５に処理を進める。

（ステップＳ１０５）
ステップＳ１０５では、制御部１１は、目標補正部１０４として動作し、算出された予測値６３に応じて、基礎目標値５１を補正することで、制御量の指令目標値５３を決定する。この補正の程度は、重み５５に基づいて決定される。

制御量の予測値６３と基礎目標値５１に対する補正量との関係は、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。予測モデル６０により得られる予測値６３が基礎目標値５１から乖離するということは、基礎目標値５１に基づいてそのまま制御対象装置を制御しても、外乱等の影響により、基礎目標値５１からずれた挙動で制御対象装置が動作することが予測されたことに相当し得る。そこで、予測値６３と補正量との関係は、例えば、予測値６３と基礎目標値５１との乖離を減らすように決定されてよい。一例として、予測値６３と補正量との関係は、基礎目標値５１よりも予測値６３が小さい場合に基礎目標値５１を大きな値に修正し、基礎目標値５１よりも予測値６３が大きい場合に基礎目標値５１を小さな値に修正するように決定されてよい。これにより、基礎目標値５１に沿う挙動で制御対象装置を動作させることができるように、制御量の目標値を補正することができる。このような補正量を算出するための計算式は、例えば、以下の式１により与えられてよい。

なお、Ｒ（ｔ）は、時刻ｔにおける補正量の値（補正値）を示す。ｒは、比例定数を示す。Ｅ（ｔ）は、時刻ｔにおける制御量の基礎目標値５１を示す。Ｐ（ｔ）は、時刻ｔにおける制御量の予測値６３を示す。ｓは、定数項を示す。

この計算式では、比例定数ｒ及び定数項ｓの値により、補正の度合いが決定される。すなわち、本実施形態に係る重み５５は、比例定数ｒ及び定数項ｓにより構成される。ただし、補正量を算出するための計算式は、式１の例に限られなくてもよく、実施の形態に応じて適宜決定されてよい。同様に、重み５５は、上記比例定数ｒ及び定数項ｓに限られなくてもよく、補正の程度を決定可能に適宜決定されてよい。

比例定数ｒ及び定数項ｓそれぞれの値は、後述するステップＳ１１０により最適化される。比例定数ｒ及び定数項ｓそれぞれの初期値は適宜与えられてよい。タクト周期に含まれる複数の制御周期それぞれで指令目標値５３を決定する場合、比例定数ｒ及び定数項ｓの少なくとも一方は、タクト周期内における一の制御周期と他の制御周期との間で異なっていてもよい。すなわち、制御周期に応じて異なる重み５５が設定されてもよい。

制御部１１は、取得された予測値６３及び基礎目標値５１を式１の各項に代入し、式１の演算処理を実行することで、補正値Ｒ（ｔ）を算出する。すなわち、制御部１１は、基礎目標値５１と予測値６３との差分を算出し、算出された差分及び重み５５に基づいて、補正値Ｒ（ｔ）を決定する。具体的には、制御部１１は、算出された差分と比例定数ｒとの積を算出し、算出された積に定数項ｓを加えることにより、補正値Ｒ（ｔ）を算出する。そして、制御部１１は、算出された補正値Ｒ（ｔ）を基礎目標値５１に加えることにより、指令目標値５３を算出する。つまり、本実施形態に係る予測制御では、制御部１１は、基礎目標値５１に補正値Ｒ（ｔ）を加算することで得られる補正済みの目標値を指令目標値５３として取得する。この加算処理は、減算処理により実現されてもよい。指令目標値５３を決定すると、制御部１１は、次のステップＳ１０６に処理を進める。

（ステップＳ１０６）
ステップＳ１０６では、制御部１１は、動作制御部１０５として動作し、決定された指令目標値５３に従って、制御対象装置の動作を制御する。

本実施形態では、制御部１１は、決定された指令目標値５３に従って、指令値７１（操作量の値）を決定する。予測制御を実施する場面では、ステップＳ１０５により得られた補正済みの目標値が指令目標値５３として取り扱われる。他方、予測制御を実施しない場面、すなわち、通常の制御を実施する場面では、ステップＳ１０１により得られた基礎目標値５１がそのまま指令目標値５３として取り扱われる。

指令値７１を決定する方法は、実施の形態に応じて適宜選択されてよい。指令値７１を決定する方法には、例えば、ＰＩＤ制御、ＰＩ制御等の公知の制御方法が採用されてよい。この場合、制御部１１は、指令目標値５３と制御量の計測値６１との差分を算出し、算出された差分に応じて指令値７１を決定する。詳細には、予測制御を実施する場合、制御部１１は、補正された目標値と計測値６１との差分に応じて指令値７１を決定する。他方、予測制御を実施しない場合、制御部１１は、基礎目標値５１と計測値６１との差分に応じて指令値７１を決定する。なお、一度の処理で決定する指令値７１の数は、実施の形態に応じて適宜決定されてよい。制御部１１は、決定された指令値７１を制御対象装置に与えることで、制御対象装置の動作を制御する。

本実施形態の一例では、指令値７１は、上側金型３２を目標の位置に移動させるために、上側金型３２を駆動するサーボモータに加える電圧を示す。制御部１１は、この指令値７１をサーボドライバ３１に与えることで、プレス機３における上側金型３２の位置を制御する。当該動作の制御は、シミュレーション上で行われてもよいし、制御対象装置の実機を利用して行われてもよい。指令値７１により制御対象装置の動作を制御すると、制御部１１は、次のステップＳ１０７に処理を進める。

（ステップＳ１０７）
ステップＳ１０７では、制御部１１は、動作制御部１０５として動作し、制御対象装置の制御を終了するか否かを判定する。

制御対象装置の制御を終了するか否かは適宜決定されてよい。例えば、制御対象装置の制御を終了するか否かは、制御装置１以外の他の情報処理装置又はオペレータの指示により決定されてもよい。この場合、制御部１１は、他の情報処理装置又はオペレータの指示に応じて、制御対象装置の制御を終了するか否かを判定してもよい。

また、例えば、制御部１１は、上記生産工程によりワーク４０を成形する等の制御対象装置に実行させる一連の動作が完了したか否かに応じて、制御対象装置の制御を終了するか否かを判定してもよい。すなわち、制御部１１は、制御対象装置に実行させる一連の動作が完了した場合に、制御対象装置の制御を終了すると判定してもよい。この場合、制御部１１は、一連の動作が複数回繰り返し実行されたことに応じて、制御対象装置の制御を終了すると判定してもよい。また、制御部１１は、一連の動作を繰り返した時間が所定時間を経過したことに応じて、制御対象装置の制御を終了すると判定してもよい。他方、制御対象装置に実行させる一連の動作が完了していない場合に、制御部１１は、制御対象装置の制御を終了しないと判定してもよい。

制御対象装置の制御を終了すると判定した場合、制御部１１は、次のステップＳ１０８に処理を進める。一方、制御対象装置の制御を終了しない、換言すると、制御対象装置の制御を継続すると判定した場合、制御部１１は、ステップＳ１０１に戻り、ステップＳ１０１～ステップＳ１０７の処理を繰り返す。

ステップＳ１０１～ステップＳ１０７の処理を繰り返す過程で、制御部１１は、複数の指令値７１を制御対象装置に与えることにより、所定の動作を実行するように制御対象装置を制御する。本実施形態の一例では、プレス機３の実機を利用した制御を実施することで、成形された製品４１を生成することができる。処理を繰り返すタイミング及び一度の処理で生成する指令値７１の数はそれぞれ、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。制御部１１は、例えば、制御周期毎に、ステップＳ１０１～ステップＳ１０７の処理を繰り返してもよい。

また、本実施形態では、ステップＳ１０１～ステップＳ１０７の制御による制御対象装置の動作はタクト周期毎に繰り返されてよい。予測モデル６０は、第１時間区間における制御量の計測値６１の入力に対して、第２時間区間における制御量の予測値６３を出力するように構成されてよい。この一連の処理を繰り返す過程では、第１時間区間の計測値６１を取得している間は、予測制御ではない通常の制御が実施されてよい。そして、第１時間区間の計測値６１を取得した後には、予測制御が実施されてよい。

この一連の処理を繰り返す過程において、ステップＳ１０１の処理により、制御部１１は、第２時間区間における制御量の基礎目標値５１を取得する。ステップＳ１０２の処理により、制御部１１は、第１時間区間における制御量の計測値６１を取得する。ステップＳ１０４の処理では、制御部１１は、予測モデル６０を利用して、第１時間区間における制御量の計測値６１から第２時間区間における制御量の予測値６３を算出する。一連の処理を制御周期毎に繰り返す過程において、制御部１１は、補正開始周期の時点を経過した後に、予測時点よりも過去の計測値６１から予測時点における予測値６３を制御周期毎に算出してもよいし、第２時間区間内の予測値６３を一度に算出してもよい。これにより、制御部１１は、予測モデル６０による予測制御を実環境にリアルタイムに同期させながら、制御対象装置の動作のスケジューリングを行うことができる。

このステップＳ１０４の処理において、制御部１１は、第１時間区間における計測値６１をそのまま予測モデル６０に入力し、予測モデル６０の演算処理を実行することで、予測モデル６０から出力される出力値を第２時間区間における予測値６３として取得してもよい。或いは、制御部１１は、第１時間区間における計測値６１を特徴量に変換してもよい。特徴量は、計測値６１の何らかの特徴を表し得るものであれば、その種類は、特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、特徴量は、計測値６１の時系列データから予測値６３の算出に利用する対象の特徴を抽出することで得られてもよい。また、例えば、特徴量は、集約された情報（例えば、単位区間毎の平均値の時系列）、予測時点から過去の位置区間の系列そのもの等であってよい。具体例として、特徴量は、例えば、最小値、最大値、平均値、尖度、微分値等であってよい。制御部１１は、得られた特徴量を予測モデル６０に入力し、予測モデル６０の演算処理を実行することにより予測モデル６０から出力される出力値を第２時間区間における予測値６３として取得してもよい。

ステップＳ１０５の処理では、制御部１１は、算出された予測値６３に応じて、第２時間区間における基礎目標値５１を補正することで、第２時間区間における制御量の指令目標値５３を決定する。そして、ステップＳ１０６の処理では、制御部１１は、決定された指令目標値５３に従って、第２時間区間における制御対象装置の動作を制御する。

（ステップＳ１０８）
ステップＳ１０８では、第３取得部１０６として動作し、制御対象装置の動作結果を監視する第２センサにより得られた監視データ６５を取得する。

ステップＳ１０８の処理は、ステップＳ１０２の処理と同様に実行されてよい。監視データ６５の取得は、シミュレーション上で行われてもよいし、制御対象装置の実機を利用して行われてもよい。また、制御部１１は、監視データ６５を、制御対象装置から直接的に取得してもよいし、例えば、外部記憶装置、記憶媒体９１、他の情報処理装置等を介して制御対象装置から間接的に取得してもよい。

本実施形態の一例では、プレス機３は、上側金型３２及び下側金型３３により成形された製品４１を撮影するように配置されたカメラ３６を備えている。制御部１１は、カメラ３６により得られた画像データを監視データ６５として取得することができる。監視データ６５を取得すると、制御部１１は、次のステップＳ１０９に処理を進める。

（ステップＳ１０９）
ステップＳ１０９では、制御部１１は、結果判定部１０７として動作し、取得された監視データ６５に基づいて、上記ステップＳ１０１～ステップＳ１０７の制御により制御対象装置が適切に動作したか否かを判定する。

監視データ６５に基づいて制御対象装置が適切に動作したか否かを判定する方法は、監視データ６５の種類及び制御対象装置に実行させる動作に応じて適宜決定されてよい。また、制御対象装置が適切に動作したか否かを判定するための基準は適宜与えられてよい。例えば、与えられた基礎目標値５１から所定の誤差以内で制御対象装置が動作したか否かに応じて、制御対象装置が適切に動作したか否かが判定されてよい。また、例えば、制御対象装置が生産装置である場合、生産された製品の良否に応じて、制御対象装置が適切に動作したか否かが判定されてよい。

本実施形態の一例では、制御部１１は、プレス機３により生産された製品４１（成形後のワーク４０）の写る画像データを監視データ６５として取得することができる。制御部１１は、得られた画像データを画像解析することで、生産された製品４１が良品であるか否か（すなわち、ワーク４０が正しくプレスされたか否か）を判定してもよい。画像解析には、公知の方法が用いられてよい。生産された製品４１が良品である場合に、制御部１１は、プレス機３は適切に動作したと判定することができる。他方、生産された製品４１が不良品である場合、制御部１１は、プレス機３は適切に動作しなかったと判定することができる。制御対象装置が適切に動作したか否かを判定すると、制御部１１は、次のステップＳ１１０に処理を進める。

（ステップＳ１１０）
ステップＳ１１０では、制御部１１は、重み最適化部１０８として動作し、ステップＳ１０９の判定の結果に基づいて、制御対象装置が適切に動作するように補正の重み５５を最適化する。本実施形態では、制御部１１は、以下の２つの方法のうちのいずれかを採用することにより、補正の重み５５を最適化することができる。

（Ａ）強化学習
第１の方法では、制御部１１は、強化学習を利用する。具体的には、制御部１１は、判定の結果に応じて決定された報酬に基づく強化学習を実施することで、制御対象装置が適切に動作する確率を高めるように補正の重み５５を最適化する。制御対象装置が生産装置である場合、制御対象装置が適切に動作する確率は、例えば、生産される製品の良品率に置き換えられてよい。また、制御対象装置が適切に動作する確率を高めることは、生産される製品の不良品率を低減することに置き換えられてよい。

報酬は、制御対象装置が適切に動作する確率を高めるように適宜設定される。例えば、制御対象装置が適切に動作したことに対して正の報酬が与えられ、制御対象装置が適切に動作しなかったことに対して負の報酬が与えられてもよい。強化学習の方法には、モンテカルロ法等の公知の機械学習方法が用いられてよい。この第１の方法によれば、複数回の試行結果に基づいて、制御部１１は、補正の重み５５を適切に最適化することができる。

（Ｂ）複数の候補からの選択
第２の方法では、制御部１１は、複数の重みの候補からの選択により、補正の重み５５を最適化する。この場合、重み５５の候補が複数与えられる。本実施形態の一例では、比例定数ｒ及び定数項ｓの組み合わせが複数与えられる。

上記ステップＳ１０１～ステップＳ１０７では、制御部１１は、各重み５５の候補を利用して、制御対象装置の予測制御を実施する。すなわち、制御部１１は、各重み５５の候補を利用した補正により決定された各指令目標値５３に従って、制御対象装置の動作を制御する。上記ステップＳ１０８では、制御部１１は、各重み５５の候補を利用した予測制御の監視データ６５を取得する。上記ステップＳ１０９では、制御部１１は、各重み５５の候補を利用した予測制御の結果、制御対象装置が適切に動作した確率を算出する。当該確率は、回数により表現されてよい。

そして、制御部１１は、制御対象装置が適切に動作した確率の最も高かった重み５５の候補を制御に利用する重み５５として選択することで、補正の重み５５を最適化する。つまり、第２の方法では、複数の重み５５の候補のうち、制御対象装置を適切に予測制御する確率の最も高い候補が、ステップＳ１０５の処理で利用する重み５５に指定される。この第２の方法によれば、制御部１１は、簡易な処理により補正の重み５５を最適化することができる。

本実施形態では、以上の２つの方法のうちのいずれかを採用することにより、制御部１１は、制御対象装置が適切に動作するように補正の重み５５を最適化することができる。ただし、補正の重み５５を最適化する方法は、これらの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。補正の重み５５を最適化すると、制御部１１は、次のステップＳ１１１に処理を進める。

（ステップＳ１１１）
ステップＳ１１１では、制御部１１は、ステップＳ１０９の判定結果に基づいて、処理の分岐先を決定する。ステップＳ１０９において、制御対象装置が少なくとも部分的に適切に動作したと判定された場合に、制御部１１は、次のステップＳ１１２に処理を進める。一方、制御対象装置が適切に動作しなかったと判定された場合、制御部１１は、ステップＳ１１２の処理を省略し、次のステップＳ１１３に処理を進める。

（ステップＳ１１２）
ステップＳ１１２では、制御部１１は、データ収集部１０９として動作し、制御対象装置が適切に動作したと判定された制御の間に第１センサにより得られた制御量の計測値６１を実績値データ１２５として収集する。本実施形態では、制御部１１は、制御対象装置が適切に制御されている間に、ステップＳ１０２により得られた計測値６１を収集することで、実績値データ１２５を生成することができる。

制御部１１は、実績値データ１２５を所定の記憶領域に保存してもよい。所定の記憶領域は、例えば、記憶部１２、記憶媒体９１、外部記憶装置、他の情報処理装置等であってよい。実績値データ１２５には、ステップＳ１０１～ステップＳ１０７の制御処理により得られたデータだけではなく、例えば、予め収集されたデータ等の制御処理以外で得られたデータが含まれてもよい。本実施形態の一例では、実績値データ１２５は、ワーク４０を適切に成形可能な上側金型３２の位置の推移を時系列に沿って示す。実績値データ１２５を収集すると、制御部１１は、次のステップＳ１１３に処理を進める。

（ステップＳ１１３）
ステップＳ１１３では、制御部１１は、予測モデル６０及び基礎目標値５１を更新するか否かを判定する。

予測モデル６０及び基礎目標値５１を更新するか否かは適宜決定されてよい。例えば、予測モデル６０及び基礎目標値５１を更新するか否かは、制御装置１以外の他の情報処理装置又はオペレータの指示により決定されてもよい。この場合、制御部１１は、他の情報処理装置又はオペレータの指示に応じて、予測モデル６０及び基礎目標値５１を更新するか否かを判定してもよい。

また、例えば、本動作例に係る処理手順が繰り返される場合、制御部１１は、予測モデル６０及び基礎目標値５１を定期的又は不定期に更新してもよい。一例として、制御部１１は、予測モデル６０及び基礎目標値５１の更新処理が前に実行されてから所定の時間が経過している場合に、当該更新処理を実行すると判定してもよく、そうではない場合に、当該更新処理を省略すると判定してもよい。

また、例えば、制御部１１は、収集された実績値データ１２５の量に応じて、予測モデル６０及び基礎目標値５１を更新するか否かを判定してもよい。すなわち、制御部１１は、更新に十分な量の実績値データ１２５が得られている場合に、更新処理を実行すると判定してもよく、そうではない場合に、更新処理を省略すると判定してもよい。一例として、制御対象装置が所定の動作を所定回数適切に実行した際の計測値６１の推移を示す実績値データ１２５が収集された場合に、制御部１１は、更新に十分な量の実績値データ１２５が得られていると判定してもよい。

予測モデル６０及び基礎目標値５１を更新する（すなわち、更新処理を実行する）と判定した場合、制御部１１は、次のステップＳ１１４に処理を進める。一方、予測モデル６０及び基礎目標値５１を更新しないと判定した場合、制御部１１は、本動作例に係る処理を終了する。

（ステップＳ１１４）
ステップＳ１１４では、制御部１１は、モデル更新部１１０として動作し、収集された実績値データ１２５に基づいて、予測モデル６０を更新する。

予測モデル６０を更新する方法は、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。例えば、制御部１１は、予測モデル６０の生成に利用した制御量の時系列データ及び実績値データ１２５の少なくとも一部を分析することにより、演算パラメータの値を導出することで、新たな予測モデルを生成する。新たな予測モデルを生成する方法は、上記の方法と同様であってよい。制御部１１は、ステップＳ１０４で利用した既存の予測モデルを新たな予測モデルに置き換えてもよい。或いは、制御部１１は、既存の予測モデルとは別で新たな予測モデルを保存し、ステップＳ１０４で利用する予測モデル６０を既存の予測モデルから新たな予測モデルに変更してもよい。これにより、制御部１１は、予測モデル６０を更新することができる。これ以降に、本動作例に係る処理手順を繰り返す場合、予測制御において、制御部１１は、更新された予測モデル６０を利用することができる。予測モデル６０を更新すると、制御部１１は、次のステップＳ１１５に処理を進める。

（ステップＳ１１５）
ステップＳ１１５では、制御部１１は、目標導出部１１１として動作し、収集された実績値データ１２５に基づいて、制御対象装置を適切に制御するための制御量の目標値を導出する。

実績値データ１２５は、制御対象装置が適切に動作したときの制御量の計測値６１を示す。制御量の目標値は、当該計測値６１から適宜導出されてよい。例えば、制御対象装置の動作がタクト周期毎に繰り返された結果、複数回分のタクト周期内における計測値６１が制御周期毎に得られていると想定する。この場合、制御部１１は、対象の制御周期について、得られた複数の計測値６１の平均値を算出し、算出された平均値を制御量の目標値に採用してもよい。また、例えば、制御部１１は、対象の制御周期について、得られた複数の計測値６１のうちからいずれかを選択し、選択された計測値６１を制御量の目標値に採用してもよい。選択する方法及び基準は適宜決定されてよい。これらの方法のいずれかを採用することで、制御部１１は、実績値データ１２５に基づいて、制御対象装置を適切に制御するための制御量の目標値を導出することができる。

制御部１１は、既存の基礎目標値を導出された目標値に置き換えてもよい。或いは、制御部１１は、導出された目標値を既存の基礎目標値とは別で保存し、ステップＳ１０１で取得する基礎目標値５１を既存の基礎目標値から導出された目標値に変更してもよい。これにより、制御部１１は、基礎目標値５１を更新することができる。これ以降に、本動作例に係る処理手順を繰り返す場合、ステップＳ１０１において、制御部１１は、導出された目標値を基礎目標値５１として取得することができる。制御量の目標値の導出が完了すると、制御部１１は、本動作例に係る処理を終了する。

［特徴］
以上のとおり、本実施形態に係る制御装置１は、予測モデル６０を利用した補正処理に起因して予測制御に不具合が生じ得る場合でも、ステップＳ１０８～ステップＳ１１０の処理により、補正の程度を定める重み５５を最適化することができる。これにより、制御対象装置が適切に動作するように予測制御におけるステップＳ１０５の補正処理を改善することができる。そのため、比較的に予測精度の低い予測モデル６０が生成された場合でも、予測モデル６０を利用した予測制御において、制御対象装置の動作不良の発生確率を低減することができる。したがって、本実施形態によれば、大規模な生産装置は勿論のこと、比較的に小規模な生産装置が制御対象装置である場合でも、制御対象装置を予測制御する際における動作不良の発生確率を低減することができる。

これにより、制御対象装置が生産装置である場合には、不良品の発生確率を低減し、生産品の歩留まりの向上を図ることができる。また、本実施形態によれば、予測制御における予測モデル６０の利用を自動的に最適化することができるため、人手によるメンテナンスの頻度を低減することができる。そのため、人的コストを抑えることができ、かつ人的要因（例えば、メンテナンス作業のミス）による動作不良の発生確率を低減することができる。本実施形態の一例では、プレス機３を予測制御する際における動作不良の発生確率を低減することができ、プレス機３を含む工場プロセスにより生産される製品の歩留まりの向上を図ることができる。また、プレス機３を含む工場プロセスにかかる人的コストを抑えることができ、また、人的要因によるプレス機３の動作不良の発生確率を低減することができる。

また、本実施形態に係る制御装置１は、ステップＳ１１２及びステップＳ１１４の処理により、予測モデル６０を更新することで、予測モデル６０による制御量の予測の精度を高めることができる。すなわち、ステップＳ１０４～ステップＳ１０６において、適切な予測制御を実行可能なように予測モデル６０を改善することができる。更に、本実施形態に係る制御装置１は、ステップＳ１１２及びステップＳ１１５の処理により、基礎目標値５１を更新することで、適切な予測制御を実行可能なように基礎目標値５１を改善することができる。これらによっても、本実施形態では、制御対象装置を予測制御する際における動作不良の発生確率を低減することができる。

§４ 変形例
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。

＜４．１＞
上記実施形態において、制御対象装置の数は、１つに限られなくてもよく、実施の形態に応じて適宜決定されてよい。また、上記実施形態の一例では、制御対象装置はプレス機３である。しかしながら、制御対象装置の種類は、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。制御対象装置は、プレス機の他、例えば、ウェブ搬送装置、射出成形機、ＮＣ旋盤、放電加工機、包装機等の生産ラインで利用される比較的に小規模な生産装置であってもよい。この比較的に小規模な生産装置の動作は、例えば、ＰＬＣに代表される小規模な制御装置によって制御されてよい。また、上記実施形態の一例では、制御量は、上側金型３２の位置であり、操作量は、上側金型３２を駆動するサーボモータの電圧である。しかしながら、制御量及び操作量はそれぞれ、このような例に限定されなくてもよく、制御対象装置に応じて適宜選択されてよい。例えば、制御対象装置が、ウェブを搬送するように構成されたウェブ搬送装置である場合、制御量は、ウェブの端部の位置であってよく、操作量は、ウェブの端部の位置を調節するためのアクチュエータの電圧であってよい。

＜４．２＞
また、上記実施形態において、制御装置１は、制御対象装置の動作を直接的に制御するように構成されている。しかしながら、制御装置１の構成は、このような例に限定されなくてもよい。例えば、制御装置１は、制御対象装置の動作を制御するコントローラに指令を与えることで、制御対象装置の動作を間接的に制御するように構成されてもよい。

図８は、本変形例に係る制御システム１Ａの適用場面の一例を模式的に例示する。本変形例に係る制御システム１Ａは、上位コントローラ２０及び下位コントローラ２１を備えており、上記実施形態に係る制御装置１と同様に制御対象装置の動作を制御可能に構成される。上位コントローラ２０及び下位コントローラ２１それぞれのハードウェア構成は、上記実施形態に係る制御装置１と同様であってよい。上位コントローラ２０及び下位コントローラ２１は適宜接続されている。接続方法は、特に限定されなくてもよい。上位コントローラ２０及び下位コントローラ２１は、例えば、互いの外部インタフェースを介して接続されてもよいし、ネットワークを介して接続されてもよい。

上位コントローラ２０は、制御対象装置の動作を制御するために、下位コントローラ２１に指令を与えるように構成される。上位コントローラ２０は、上記実施形態に係る制御装置１に対応する。一方、下位コントローラ２１は、上位コントローラ２０からの指令に応じて、制御対象装置の動作を制御するように構成される。本変形例の一例では、下位コントローラ２１にプレス機３が接続される。下位コントローラ２１はプレス機３の動作を制御するように構成される。

図９Ａは、本変形例に係る上位コントローラ２０のソフトウェア構成の一例を模式的に例示する。図９Ｂは、本変形例に係る下位コントローラ２１のソフトウェア構成の一例を模式的に例示する。本実施形態に係る上位コントローラ２０のソフトウェア構成は、動作制御部１０５に代えて、動作指令部１１３を備える点を除き、上記制御装置１のソフトウェア構成と同様である。上位コントローラ２０は、記憶部に記憶されたプログラムをプロセッサにより実行することで、各ソフトウェアモジュールを備えたコンピュータとして動作する。一方、下位コントローラ２１は、記憶部に記憶されたプログラムをプロセッサにより実行することで、動作制御部１０５をソフトウェアモジュールとして備えたコンピュータとして動作する。

本変形例に係る上位コントローラ２０は、上記ステップＳ１０６を除き、上記実施形態に係る制御装置１と同様の処理を実行する。上位コントローラ２０のプロセッサは、上記ステップＳ１０６の処理に代えて、動作指令部１１３として動作し、決定された指令目標値５３を下位コントローラ２１に与えて、与えた指令目標値５３に従って、下位コントローラ２１に制御対象装置の動作を制御させる。これに応じて、下位コントローラ２１のプロセッサは、上記ステップＳ１０６と同様に、動作制御部１０５として動作し、与えられた指令目標値５３に従って、制御対象装置の動作を制御する。例えば、下位コントローラ２１のプロセッサは、指令目標値５３と計測値６１との差分に応じて指令値７１を決定し、決定された指令値７１を制御対象装置に与えることで、制御対象装置の動作を制御する。なお、上記実施形態におけるステップＳ１０６以外の動作制御部１０５に関する処理は、動作指令部１１３により実行されてよい。また、本変形例では、制御量の計測値６１及び監視データ６５は、下位コントローラ２１を介して上位コントローラ２０に提供されてよい。本変形例では、下位コントローラ２１には、従来のコントローラを利用可能である。そのため、本変形例によれば、本発明を適用するコストを低減することができる。

＜４．３＞
上記実施形態では、予測モデル６０は、第１時刻における制御量の計測値６１から予測値６３を算出するように構成されている。しかしながら、予測モデル６０の構成は、このような例に限定されなくてもよい。予測モデル６０は、制御量の計測値６１及び基礎目標値５１の入力に対して、予測される制御量の予測値６３に応じて補正済みの目標値を算出するように構成されてよい。この場合、予測モデル６０の生成には、制御量の計測値に対応する補正済みの目標値が更に利用される。制御量の計測値に対応する補正済みの目標値は適宜与えられてよい。

また、上記実施形態において、予測モデル６０は、ステップＳ１０１における基礎目標値５１の取得にも利用されてよい。すなわち、上記ステップＳ１０１では、制御部１１は、第１時刻の基礎目標値５１を予測モデル６０に入力し、予測モデル６０の演算処理を実行することで、予測モデル６０から出力される出力値を、第１時刻よりも未来の第２時刻の基礎目標値５１として取得してもよい。

また、上記実施形態では、制御装置１は、予測モデル６０により予測された制御量の予測値６３に応じて、制御量の基礎目標値５１を補正することで、制御対象装置に与える指令値を間接的に補正する。しかしながら、指令値を補正する方法は、このような例に限定されなくてもよい。例えば、指令値は、制御量の予測値６３に応じて直接的に補正されてもよい。

図１０は、本変形例に係る制御装置１Ｂのソフトウェア構成の一例を模式的に例示する。予測値６３に応じて指令値を直接的に補正する点を除き、本変形例に係る制御装置１は、上記実施形態に係る制御装置１と同様に構成される。制御装置１Ｂのハードウェア構成は、上記実施形態に係る制御装置１と同様であってよい。また、制御装置１Ｂのソフトウェア構成は、指令決定部１１５を更に備え、かつ目標補正部１０４に代えて、指令補正部１１７を備える点を除き、上記実施形態に係る制御装置１と同様であってよい。

本変形例に係る制御装置１Ｂのプロセッサは、上記実施形態に係る制御装置１と同様に上記ステップＳ１０１～ステップＳ１０３の処理を実行してもよい。ステップＳ１０１では、制御装置１Ｂのプロセッサは、制御量の目標値５１Ｂを取得する。目標値５１Ｂは、上記基礎目標値５１に対応する。制御装置１Ｂのプロセッサは、上記ステップＳ１０４～ステップＳ１０６の処理に代えて、指令決定部１１５として動作し、目標値５１Ｂと計測値６１との差分を算出し、算出された差分に応じて操作量の基準値７３を決定する。基準値７３を決定する方法は、上記ステップＳ１０６と同様であってよい。

予測制御を実施しない場合には、制御装置１Ｂのプロセッサは、動作制御部１０５Ｂとして動作し、決定された基準値７３を指令値として制御対象装置に与えることで、制御対象装置の動作を制御する。他方、予測制御を実施する場合には、制御装置１Ｂのプロセッサは、予測部１０３として動作し、予測モデル６０を利用して、取得された計測値６１から制御量の予測値６３を算出する。次に、制御装置１Ｂのプロセッサは、指令補正部１１７として動作し、算出された予測値６３に応じて、基準値７３を補正することで、指令値７５を決定する。この補正の程度は、重み７７に基づいて決定される。基準値７３の補正量は、上記実施形態と同様に算出されてよい。例えば、基準値７３の補正量は、上記式１と同様の計算式により算出されてよい。この場合、重み７７は、比例定数及び定数項により構成される。そして、制御装置１Ｂのプロセッサは、動作制御部１０５Ｂとして動作し、決定された指令値７５を制御対象装置に与えることで、制御対象装置の動作を制御する。

その後、制御装置１Ｂのプロセッサは、上記ステップＳ１０７～ステップＳ１１５の処理を実行してもよい。ステップＳ１１０では、制御装置１Ｂのプロセッサは、重み最適化部１０８Ｂとして動作し、ステップＳ１０９の判定の結果に基づいて、制御対象装置が適切に動作するように補正の重み７７を最適化する。最適化の方法は、上記実施形態と同様であってよい。

＜４．４＞
上記実施形態において、制御装置１のソフトウェア構成からモデル更新部１１０及び目標導出部１１１の少なくとも一方は省略されてよい。モデル更新部１１０が省略される場合、制御装置１の処理手順からステップＳ１１４の処理が省略されてよい。また、目標導出部１１１が省略される場合、制御装置１の処理手順からステップＳ１１５の処理が省略されてよい。制御装置１の処理手順からステップＳ１１４及びステップＳ１１５の処理が省略される場合、上記ステップＳ１１３の処理も省略されてよい。更に、実績値データ１２５を利用しない場合、制御装置１の処理手順からステップＳ１１１及びステップＳ１１２の処理が省略されてよい。この場合、制御装置１のソフトウェア構成からデータ収集部１０９は省略されてよい。また、制御装置１の処理手順において、上記ステップＳ１０１～ステップＳ１０７の処理とステップＳ１０８～ステップＳ１１５の処理とは並列に実行されてもよい。各ステップの処理順序は適宜変更されてよい。

上記実施形態では、制御を終了した後に、ステップＳ１１０により補正の重み５５を最適化し、ステップＳ１１４により予測モデル６０を更新している。しかしながら、補正の重み５５を最適化するタイミング及び予測モデル６０を更新するタイミングは、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。補正の重み５５の最適化、及び予測モデル６０の更新は、タクト周期毎に実行されてもよい。

また、上記実施形態では、制御装置１が予測モデル６０を更新する。しかしながら、予測モデル６０を更新するコンピュータは、制御装置１に限られなくてよい。予測モデル６０の更新は、他の情報処理装置により実行されてもよい。この場合、制御装置１は、例えば、外部記憶装置、記憶媒体９１、ネットワーク等を介して他の情報処理装置から更新された予測モデル６０を取得してもよい。

１…制御装置、
１１…制御部、１２…記憶部、１３…外部インタフェース、
１４…入力装置、１５…出力装置、１６…ドライブ、
１０１…第１取得部、１０２…第２取得部、
１０３…予測部、１０４…目標補正部、
１０５…動作制御部、１０６…第３取得部、
１０７…結果判定部、１０８…重み最適化部、
１０９…データ収集部、１１０…モデル更新部、
１１１…目標導出部、
１２５…実績値データ、
８１…制御プログラム、９１…記憶媒体、
３…プレス機（制御対象装置）、
３１…サーボドライバ、３２…上側金型、３３…下側金型、
３５…位置センサ、３６…カメラ、
４０…ワーク、４１…製品、
５１…基礎目標値、５３…指令目標値、
５５…重み、
６０…予測モデル、
６１…計測値、６３…予測値、６５…監視データ、
７１…指令値、
１Ａ…制御システム、
２０…上位コントローラ、２１…下位コントローラ、
１１３…動作指令部、
１Ｂ…制御装置、
１１５…指令決定部、１１７…指令補正部、
５１Ｂ…目標値、
７３…基準値、７５…指令値、７７…重み

Claims (15)

1. 制御量の基礎目標値を取得する第１取得部と、
   制御対象装置の制御量を計測する第１センサにより得られた制御量の計測値を取得する第２取得部と、
   前記制御量の予測モデルを利用して、取得された前記計測値から前記制御量の予測値を算出する予測部と、
   算出された予測値に応じて、前記基礎目標値を補正することで、前記制御量の指令目標値を決定する目標補正部であって、当該補正の程度は、重みに基づいて決定される、目標補正部と、
   決定された前記指令目標値に従って、前記制御対象装置の動作を制御する動作制御部と、
   前記制御対象装置の動作結果を監視する第２センサにより得られた監視データを取得する第３取得部と、
   取得された監視データに基づいて、前記基礎目標値から所定の誤差以内で前記制御対象装置が動作したか否か、および、前記制御対象装置により生産された製品の良否の少なくとも一方を判定する結果判定部と、
   前記判定の結果に基づいて、前記基礎目標値から所定の誤差以内で前記制御対象装置が動作する確率、および、前記製品が良品となる確率の少なくとも一方を高めるように前記補正の重みを最適化する重み最適化部と、
   を備える、
   制御装置。
2. 前記重み最適化部は、前記判定の結果に応じて決定された報酬に基づく強化学習を実施することで、前記確率を高めるように前記補正の重みを最適化する、
   請求項１に記載の制御装置。
3. 前記重みの候補が、複数与えられ、
   前記重み最適化部は、前記各重みの候補を利用した補正により決定された各指令目標値に従って、前記制御対象装置の動作を制御した結果、前記確率の最も高かった重みの候補を選択することで、前記確率を高めるように前記補正の重みを最適化する、
   請求項１に記載の制御装置。
4. 前記目標補正部は、
   前記基礎目標値と前記予測値との差分を算出し、
   算出した前記差分及び前記重みに基づいて、補正値を決定し、
   決定した前記補正値を前記基礎目標値に加えることにより、前記指令目標値を算出する、
   請求項１から３のいずれか１項に記載の制御装置。
5. 前記重みは、比例定数及び定数項により構成され、
   前記目標補正部は、
   前記差分と前記比例定数との積を算出し、
   算出した前記積に前記定数項を加えることにより、前記補正値を算出する、
   請求項４に記載の制御装置。
6. 前記制御による前記制御対象装置の動作は、タクト周期毎に繰り返され、
   前記タクト周期は、第１時間区間、及び当該第１時間区間よりも未来の第２時間区間を含み、
   前記第１取得部は、前記第２時間区間における前記制御量の基礎目標値を取得し、
   前記第２取得部は、前記第１時間区間における前記制御量の計測値を取得し、
   前記予測部は、前記予測モデルを利用して、前記第１時間区間における前記制御量の計測値から前記第２時間区間における前記制御量の予測値を算出し、
   前記目標補正部は、算出された予測値に応じて、前記第２時間区間における前記基礎目標値を補正することで、前記第２時間区間における前記制御量の指令目標値を決定し、
   前記動作制御部は、決定された前記指令目標値に従って、前記第２時間区間における前記制御対象装置の動作を制御する、
   請求項１から５のいずれか１項に記載の制御装置。
7. 前記予測部は、前記第１時間区間における前記計測値を特徴量に変換し、変換した当該特徴量を前記予測モデルに入力し、前記予測モデルの演算処理を実行することにより前記予測モデルから出力される出力値を前記第２時間区間における前記予測値として取得する、
   請求項６に記載の制御装置。
8. 前記基礎目標値から所定の誤差以内で前記制御対象装置が動作したと判定された制御の間、および、前記製品が良品であると判定された制御の間の少なくとも一方に前記第１センサにより得られた前記制御量の前記計測値を実績値データとして収集するデータ収集部と、
   収集された前記実績値データに基づいて、前記予測モデルを更新するモデル更新部と、
   を更に備える、
   請求項１から７のいずれか１項に記載の制御装置。
9. 収集された前記実績値データに基づいて、前記基礎目標値から所定の誤差以内で前記制御対象装置が動作する確率を高めるための制御量の目標値、および、前記製品が良品となる確率を高めるための制御量の目標値の少なくとも一方を導出する目標導出部を更に備え、
   前記第１取得部は、導出された前記目標値を前記基礎目標値として取得する、
   請求項８に記載の制御装置。
10. 前記動作制御部は、前記指令目標値と前記計測値との差分を算出し、算出した差分に応じて、操作量の値を決定し、決定した前記操作量の値を前記制御対象装置に与えることで、前記制御対象装置の動作を制御する、
    請求項１から９のいずれか１項に記載の制御装置。
11. 前記制御対象装置は、金型により構成されたプレス機であり、
    前記制御量は、前記金型の位置であり、
    前記第１センサは、前記金型の位置を計測するように構成された位置センサであり、
    前記第２センサは、前記プレス機によりプレスされたワークを撮影するように配置されたカメラである、
    請求項１から１０のいずれか１項に記載の制御装置。
12. コンピュータが、
    制御量の基礎目標値を取得するステップと、
    制御対象装置の制御量を計測する第１センサにより得られた制御量の計測値を取得するステップと、
    前記制御量の予測モデルを利用して、取得された前記計測値から前記制御量の予測値を算出するステップと、
    算出された予測値に応じて、前記基礎目標値を補正することで、前記制御量の指令目標値を決定するステップであって、当該補正の程度は、重みに基づいて決定される、ステップと、
    決定された前記指令目標値に従って、前記制御対象装置の動作を制御するステップと、
    前記制御対象装置の動作結果を監視する第２センサにより得られた監視データを取得するステップと、
    取得された監視データに基づいて、前記基礎目標値から所定の誤差以内で前記制御対象装置が動作したか否か、および、前記制御対象装置により生産された製品の良否の少なくとも一方を判定するステップと、
    前記判定の結果に基づいて、前記基礎目標値から所定の誤差以内で前記制御対象装置が動作する確率、および、前記製品が良品となる確率の少なくとも一方を高めるように前記補正の重みを最適化するステップと、
    を実行する、
    制御方法。
13. コンピュータに、
    制御量の基礎目標値を取得するステップと、
    制御対象装置の制御量を計測する第１センサにより得られた制御量の計測値を取得するステップと、
    前記制御量の予測モデルを利用して、取得された前記計測値から前記制御量の予測値を算出するステップと、
    算出された予測値に応じて、前記基礎目標値を補正することで、前記制御量の指令目標値を決定するステップであって、当該補正の程度は、重みに基づいて決定される、ステップと、
    決定された前記指令目標値に従って、前記制御対象装置の動作を制御するステップと、
    前記制御対象装置の動作結果を監視する第２センサにより得られた監視データを取得するステップと、
    取得された監視データに基づいて、前記基礎目標値から所定の誤差以内で前記制御対象装置が動作したか否か、および、前記制御対象装置により生産された製品の良否の少なくとも一方を判定するステップと、
    前記判定の結果に基づいて、前記基礎目標値から所定の誤差以内で前記制御対象装置が動作する確率、および、前記製品が良品となる確率の少なくとも一方を高めるように前記補正の重みを最適化するステップと、
    を実行させるための、
    制御プログラム。
14. 制御量の基礎目標値を取得する第１取得部と、
    制御対象装置の制御量を計測する第１センサにより得られた制御量の計測値を取得する第２取得部と、
    前記制御量の予測モデルを利用して、取得された前記計測値から前記制御量の予測値を算出する予測部と、
    算出された予測値に応じて、前記基礎目標値を補正することで、前記制御量の指令目標値を決定する目標補正部であって、当該補正の程度は、重みに基づいて決定される、目標補正部と、
    決定された前記指令目標値をコントローラに与えて、与えた前記指令目標値に従って、当該コントローラに前記制御対象装置の動作を制御させる動作指令部と、
    前記制御対象装置の動作結果を監視する第２センサにより得られた監視データを取得する第３取得部と、
    取得された監視データに基づいて、前記基礎目標値から所定の誤差以内で前記制御対象装置が動作したか否か、および、前記制御対象装置により生産された製品の良否の少なくとも一方を判定する結果判定部と、
    前記判定の結果に基づいて、前記基礎目標値から所定の誤差以内で前記制御対象装置が動作する確率、および、前記製品が良品となる確率の少なくとも一方を高めるように前記補正の重みを最適化する重み最適化部と、
    を備える、
    制御装置。
15. 制御量の目標値を取得する第１取得部と、
    制御対象装置の制御量を計測する第１センサにより得られた制御量の計測値を取得する第２取得部と、
    前記目標値と前記計測値との差分を算出し、算出された差分に応じて操作量の基準値を決定する指令決定部と、
    前記制御量の予測モデルを利用して、取得された前記計測値から前記制御量の予測値を算出する予測部と、
    算出された予測値に応じて、前記基準値を補正することで、指令値を決定する指令補正部であって、当該補正の程度は、重みに基づいて決定される、指令補正部と、
    決定された前記指令値を前記制御対象装置に与えることで、前記制御対象装置の動作を制御する動作制御部と、
    前記制御対象装置の動作結果を監視する第２センサにより得られた監視データを取得する第３取得部と、
    取得された監視データに基づいて、前記目標値から所定の誤差以内で前記制御対象装置が動作したか否か、および、前記制御対象装置により生産された製品の良否の少なくとも一方を判定する結果判定部と、
    前記判定の結果に基づいて、前記目標値から所定の誤差以内で前記制御対象装置が動作する確率、および、前記製品が良品となる確率の少なくとも一方を高めるように前記補正の重みを最適化する重み最適化部と、
    を備える、
    制御装置。

Images