JPH07219604A - 学習知識の評価装置および評価方法 - Google Patents

学習知識の評価装置および評価方法

Info

Publication number
JPH07219604A
JPH07219604A JP6304043A JP30404394A JPH07219604A JP H07219604 A JPH07219604 A JP H07219604A JP 6304043 A JP6304043 A JP 6304043A JP 30404394 A JP30404394 A JP 30404394A JP H07219604 A JPH07219604 A JP H07219604A
Authority
JP
Japan
Prior art keywords
value
actual measurement
measured
learning knowledge
target value
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.)
Pending
Application number
JP6304043A
Other languages
English (en)
Inventor
Yumi Tsutsumi
ゆみ 堤
Nobuo Nagasaka
伸夫 長坂
Tsutomu Ishida
勉 石田
Mamoru Egi
守 恵木
Seikou Rou
世紅 労
Toshihiro Tajima
年浩 田島
Yasuhiro Tsutsumi
康弘 堤
Koji Soma
宏司 相馬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Omron Corp
Original Assignee
Omron Corp
Omron Tateisi Electronics Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Omron Corp, Omron Tateisi Electronics Co filed Critical Omron Corp
Priority to JP6304043A priority Critical patent/JPH07219604A/ja
Publication of JPH07219604A publication Critical patent/JPH07219604A/ja
Pending legal-status Critical Current

Links

Landscapes

  • Testing And Monitoring For Control Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

(57)【要約】 【目的】 現在、記憶されている学習知識が適正か不適
正かを判断し、不適正な場合、その修正指示を示す学習
知識の評価装置および評価方法の提供を目的とする。 【構成】 実測値記憶手段1には直前実測値とともに過
去の複数の実測値も記憶されている。一方、期待目標値
記憶手段8には、例えば熟練者が入力した期待目標値が
記憶されている。これらの直前実測値、過去の複数の実
測値、期待目標値に基づいて直前実測値信頼度、推論出
力信頼度、ひらき値を求め、これらに基づいて判別手段
5が現在のルール、メンバーシップ関数が適切であるか
否かを判断する。

Description

【発明の詳細な説明】
【0001】
【産業上の利用分野】本発明は学習知識の評価装置およ
び評価方法に関し、特に学習知識が適正か不適正かを判
断し、不適正な場合、その修正指示を示す学習知識の評
価装置および評価方法に関する。
【0002】
【従来の技術】近年のファジィ技術の発展により、種々
の機器がファジィ推論によって制御されている。ファジ
ィ推論では、ファジィ知識として予めルールやメンバー
シップ関数を記憶させておく。そして、現状の入力値に
対して、メンバーシップ関数、ルールに基づくファジィ
推論を行ない、出力値を出力してファジイ制御を行な
う。
【0003】ファジィ制御が行なわれる機器としては、
例えば図12に示すような包装機がある。搬送ライン7
1に置かれた包装物70が、矢印90方向に順次、搬送
される。また、ロール状のプラスチックフィルム72も
同時に送り込まれている。このプラスチックフィルム7
2は、包装物70を包み込みながら、センターシールロ
ーラ75によって筒状に熱接着される。
【0004】そして、エンドシーラ73の開閉動作(矢
印91、92方向)によって、両端部を熱接着すると同
時に、各包装物単位でプラスチックフィルム72を切断
する。こうして、プラスチックフィルム72によって包
装された製品を得る。
【0005】このような包装機で包装作業を行なうため
には、センターシールローラ75やエンドシーラ73の
温度、押圧力、シール時間が適正でなければならない。
例えば、温度や押圧力が低くすぎたり、またはシール時
間が短すぎる場合は、熱接着が行なわれない。逆に、温
度や押圧力が高すぎたり、またはシール時間が長すぎる
場合は、接着すべき部分が切断されてしまうという不都
合が生じる。温度、押圧力、シール時間等の適正値は、
プラスチックフィルム72の厚さや材質などによって異
なり、また温度、押圧力、シール時間が互いに影響し合
うため、適正値の設定が難しい。
【0006】このため、ファジィ制御によって包装機の
温度、押圧力、シール時間の調整が行なわれる。すなわ
ちオペレータは包装機を駆動させ、包装の試作品を見
て、接着度合いを判断する。そして接着度合いが不適正
な場合、接着が弱いまたは強いの評価を、例えば数値化
して包装機に入力する。
【0007】包装機はこの入力を受け、現在の温度、押
圧力、シール時間を取り込み、入力された接着度合いの
数値と、取り込んだ現在の温度、押圧力、シール時間を
入力値としてファジィ推論を行なう。そして、ファジィ
制御後の温度、押圧力、シール時間で包装機を駆動さ
せ、再び包装の試作品を見て、接着度合いを評価し、評
価の数値を入力する。このような作業を繰り返し、適正
な温度、押圧力、シール時間を得る。
【0008】包装機には予めルール、メンバーシップ関
数が記憶されており、このルール、メンバーシップ関数
にしたがって推論を実行し 、温度、押圧力、シール時
間を調整する。こうして適正値を設定し、包装動作を行
なう。
【0009】
【発明が解決しようとする課題】従来のファジィ制御に
は次のような問題があった。上述のように、ファジィ推
論は、予め記憶されているルールやメンバーシップ関数
に基づいて行なわれる。ここで、例えば図12に示す包
装機では、プラスチックフィルム72の厚さや材質など
は様々であり、プラスチックフィルム72の種類によっ
ては、現状のルール、メンバーシップ関数のままでは適
正な対応ができない場合がある。ところがこのような場
合であっても、オペレータはこれに気付かずに、繰り返
しプラスチックフィルム72の接着度合の評価を入力す
るという問題がある。
【0010】そこで本発明は、現在、記憶されている学
習知識が適正か不適正かを判断し、不適正な場合、その
修正指示を示す学習知識の評価装置および評価方法の提
供を目的とする。
【0011】
【課題を解決するための手段】請求項1の学習知識の評
価装置は、与えられた目標値に基づき制御装置が制御対
象を制御し、制御された制御対象からの実測値に基づい
て、予め記憶された学習知識にしたがって、制御装置に
次回与える目標値を推論するようにした制御において、
当該学習知識に対する評価を行なう評価装置であって、
入力された期待目標値を記憶する期待目標値記憶手段
(8)、過去の前記実測値を抽出する抽出手段(2、
6)、期待目標値と過去の前記実測値とを比較して、学
習知識が適正か否かを判断する比較手段(5)、を備え
たことを特徴としている。
【0012】請求項2の学習知識の評価装置は、請求項
1の学習知識の評価装置において、比較手段は、学習知
識が不適正と判断したとき、期待目標値と過去の前記実
測値との比較に基づいて推論を行ない、学習知識の修正
指示を出力する、ことを特徴としている。
【0013】請求項3に係る学習知識の評価装置は、与
えられた目標値に基づき制御装置が制御対象を制御し、
制御された制御対象からの実測値に基づいて、予め記憶
された学習知識にしたがって、制御装置に次回与える目
標値を推論するようにした制御において、当該学習知識
に対する評価を行なう評価装置であって、過去の複数の
前記実測値、および直前の前記実測値を記憶する実測値
記憶手段(1)、過去の複数の前記実測値を取り込み、
実測値ごとの当該実測値の発生頻度を求める頻度手段
(2)、実測値ごとの当該実測値の発生頻度のなかか
ら、最大頻度を有する実測値を最大頻度実測値として選
択する最大頻度実測値選択手段(3)、最大頻度実測値
に対する直前実測値の割合を直前実測値信頼度として算
出する信頼度算出手段(4)、直前実測値信頼度に基づ
いて学習知識が適正か否かを判別する判別手段(5)、
を備えたことを特徴としている。
【0014】請求項4に係る学習知識の評価装置は、与
えられた目標値に基づき制御装置が制御対象を制御し、
制御された制御対象からの実測値に基づいて、予め記憶
された学習知識にしたがって、制御装置に次回与える目
標値を推論するようにした制御において、当該学習知識
に対する評価を行なう評価装置であって、過去の複数の
前記実測値、および直前の前記実測値を記憶する実測値
記憶手段(1)、過去の複数の前記実測値を取り込み、
実測値ごとの当該実測値の発生頻度を求める頻度手段
(2)、実測値ごとの当該実測値の発生頻度のなかか
ら、最大頻度を有する実測値を最大頻度実測値として選
択する最大頻度実測値選択手段(3)、最大頻度実測値
の値の近傍の実測値を近傍実測値として求める近傍実測
値手段(6)、直前実測値および近傍実測値を各仮想実
測値として全ての組み合わせについて推論を行なわせ、
それぞれの仮想目標値を取り込んで、仮想目標値ごとの
当該仮想目標値の発生頻度を求める仮想目標値頻度手段
(7)、入力された期待目標値を記憶する期待目標値記
憶手段(8)、期待目標値と仮想目標値の最大ひらき間
隔を第一のひらき値として算出する第一のひらき値算出
手段(9)、仮想目標値ごとの当該仮想目標値の発生頻
度のなかから、最大頻度を有する仮想目標値を最大頻度
仮想目標値として選択する最大頻度仮想目標値選択手段
(10)、期待目標値と最大頻度仮想目標値との間隔を
第二のひらき値として算出する第二のひらき値算出手段
(11)、第一のひらき値に対する第二のひらき値の割
合をひらき度として算出するひらき度算出手段(1
2)、ひらき度に基づいて学習知識が適正か否かを判別
する判別手段(5)、を備えたことを特徴としている。
【0015】請求項5に係る学習知識の評価装置は、与
えられた目標値に基づき制御装置が制御対象を制御し、
制御された制御対象からの実測値に基づいて、予め記憶
された学習知識にしたがって、制御装置に次回与える目
標値を推論するようにした制御において、当該学習知識
に対する評価を行なう評価装置であって、過去の複数の
前記実測値、および直前の前記実測値を記憶する実測値
記憶手段(1)、過去の複数の前記実測値を取り込み、
実測値ごとの当該実測値の発生頻度を求める頻度手段
(2)、実測値ごとの当該実測値の発生頻度のなかか
ら、最大頻度を有する実測値を最大頻度実測値として選
択する最大頻度実測値選択手段(3)、最大頻度実測値
の値の近傍の実測値を近傍実測値として求める近傍実測
値手段(6)、直前実測値および近傍実測値を各仮想実
測値として全ての組み合わせについて推論を行なわせ、
各組み合わせの推論過程での合成メンバーシップ関数の
重心点におけるメンバーシップ適合度の最小値を推論出
力信頼度として求める推論出力信頼度手段(13)、推
論出力信頼度に基づいて学習知識が適正か否かを判別す
る判別手段(5)、を備えたことを特徴としている。
【0016】請求項6に係る学習知識の評価方法は、与
えられた目標値に基づき制御装置が制御対象を制御し、
制御された制御対象からの実測値に基づいて、予め記憶
された学習知識にしたがって、制御装置に次回与える目
標値を推論するようにした制御において、当該学習知識
に対する評価を行なう評価方法であって、入力された期
待目標値を記憶するステップ(期待目標値記憶手段
8)、過去の前記実測値を抽出するステップ(頻度手段
2、最大頻度実測値選択手段6)、期待目標値と過去の
前記実測値とを比較して、学習知識が適正か否かを判断
するステップ(判別手段5)、を備えたことを特徴とし
ている。
【0017】請求項7に係る学習知識の評価方法は、請
求項6の学習知識の評価方法において、学習知識が不適
正と判断したとき、期待目標値と過去の前記実測値との
比較に基づいて推論を行ない、学習知識の修正指示を出
力する、ことを特徴としている。
【0018】請求項8に係る学習知識の評価方法は、与
えられた目標値に基づき制御装置が制御対象を制御し、
制御された制御対象からの実測値に基づいて、予め記憶
された学習知識にしたがって、制御装置に次回与える目
標値を推論するようにした制御において、当該学習知識
に対する評価を行なう評価方法であって、過去の複数の
前記実測値、および直前の前記実測値を記憶するステッ
プ(実測値記憶手段1)、過去の複数の前記実測値を取
り込み、実測値ごとの当該実測値の発生頻度を求めるス
テップ(頻度手段2)、実測値ごとの当該実測値の発生
頻度のなかから、最大頻度を有する実測値を最大頻度実
測値として選択するステップ(最大頻度実測値選択手
段)、最大頻度実測値に対する直前実測値の割合を直前
実測値信頼度として算出するステップ(信頼度算出手
段)、直前実測値信頼度に基づいて学習知識が適正か否
かを判別するステップ(判別手段5)、を備えたことを
特徴としている。
【0019】請求項9に係る学習知識の評価方法は、与
えられた目標値に基づき制御装置が制御対象を制御し、
制御された制御対象からの実測値に基づいて、予め記憶
された学習知識にしたがって、制御装置に次回与える目
標値を推論するようにした制御において、当該学習知識
に対する評価を行なう評価方法であって、過去の複数の
前記実測値、および直前の前記実測値を記憶するステッ
プ(実測値記憶手段1)、過去の複数の前記実測値を取
り込み、実測値ごとの当該実測値の発生頻度を求めるス
テップ(頻度手段2)、実測値ごとの当該実測値の発生
頻度のなかから、最大頻度を有する実測値を最大頻度実
測値として選択するステップ(最大頻度実測値選択手段
3)、最大頻度実測値の値の近傍の実測値を近傍実測値
として求めるステップ(近傍実測値手段6)、直前実測
値および近傍実測値を各仮想実測値として全ての組み合
わせについて推論を行なわせ、それぞれの仮想目標値を
取り込んで、仮想目標値ごとの当該仮想目標値の発生頻
度を求めるステップ(仮想目標値頻度手段7)、入力さ
れた期待目標値を記憶するステップ(期待目標値記憶手
段8)、期待目標値と仮想目標値の最大ひらき間隔を第
一のひらき値として算出するステップ(第一のひらき値
算出手段9)、仮想目標値ごとの当該仮想目標値の発生
頻度のなかから、最大頻度を有する仮想目標値を最大頻
度仮想目標値として選択するステップ(最大頻度仮想目
標値選択手段10)、期待目標値と最大頻度仮想目標値
との間隔を第二のひらき値として算出するステップ(第
二のひらき値算出手段11)、第一のひらき値に対する
第二のひらき値の割合をひらき度として算出するステッ
プ(ひらき度算出手段)、ひらき度に基づいて学習知識
が適正か否かを判別するステップ(判別手段5)、を備
えたことを特徴としている。
【0020】請求項10に係る学習知識の評価方法は、
与えられた目標値に基づき制御装置が制御対象を制御
し、制御された制御対象からの実測値に基づいて、予め
記憶された学習知識にしたがって、制御装置に次回与え
る目標値を推論するようにした制御において、当該学習
知識に対する評価を行なう評価方法であって、過去の複
数の前記実測値、および直前の前記実測値を記憶するス
テップ(実測値記憶手段1)、過去の複数の前記実測値
を取り込み、実測値ごとの当該実測値の発生頻度を求め
るステップ(頻度手段2)、実測値ごとの当該実測値の
発生頻度のなかから、最大頻度を有する実測値を最大頻
度実測値として選択するステップ(最大頻度実測値選択
手段3)、最大頻度実測値の値の近傍の実測値を近傍実
測値として求めるステップ(近傍実測値手段6)、直前
実測値および近傍実測値を各仮想実測値として全ての組
み合わせについて推論を行なわせ、各組み合わせの推論
過程での合成メンバーシップ関数の重心点におけるメン
バーシップ適合度の最小値を推論出力信頼度として求め
るステップ(推論出力信頼度手段13)、推論出力信頼
度に基づいて学習知識が適正か否かを判別するステップ
(判別手段5)、を備えたことを特徴としている。
【0021】
【作用】請求項1の学習知識の評価装置においては、入
力された期待目標値を期待目標値記憶手段が記憶し、抽
出手段が過去の実測値を抽出する。そして、比較手段
は、期待目標値と過去の実測値とを比較して、学習知識
が適正か否かを判断する。
【0022】また、請求項6の学習知識の評価方法にお
いても、入力された期待目標値を記憶し、過去の実測値
を抽出する。そして、期待目標値と過去の実測値とを比
較して、学習知識が適正か否かを判断する。
【0023】このように、請求項1、請求項6の学習知
識の評価装置および評価方法では、過去の実測値を抽出
することにより、この過去の実測値に基づいて、今後、
出力されるであろう目標値を予測することができる。そ
して、この目標値と期待目標値とを比較することによっ
て、現在の学習知識を用いて推論を行なった場合、期待
する制御目標値を得ることができるか否かを推測するこ
とができる。
【0024】請求項2、請求項7の学習知識の評価装置
および評価方法においては、比較手段は、学習知識が不
適正と判断したとき、期待目標値と過去の実測値との比
較に基づいて推論を行ない、学習知識の修正指示を出力
する。
【0025】したがって、学習知識の修正を容易に行な
うことができる。
【0026】請求項3の学習知識の評価装置において
は、実測値記憶手段は、過去の複数の実測値、および直
前の実測値を記憶し、頻度手段は、過去の複数の実測値
を取り込み、実測値ごとの当該実測値の発生頻度を求め
る。そして、最大頻度実測値選択手段は、実測値ごとの
当該実測値の発生頻度のなかから、最大頻度を有する実
測値を最大頻度実測値として選択する。
【0027】また、信頼度算出手段は、最大頻度実測値
に対する直前実測値の割合を直前実測値信頼度として算
出する。そして、判別手段は、直前実測値信頼度に基づ
いて学習知識が適正か否かを判別する。
【0028】また、請求項8の学習知識の評価方法にお
いては、過去の複数の実測値、および直前の実測値を記
憶し、過去の複数の実測値を取り込み、実測値ごとの当
該実測値の発生頻度を求める。そして、実測値ごとの当
該実測値の発生頻度のなかから、最大頻度を有する実測
値を最大頻度実測値として選択する。
【0029】その後、最大頻度実測値に対する直前実測
値の割合を直前実測値信頼度として算出する。そして、
直前実測値信頼度に基づいて学習知識が適正か否かを判
別する。
【0030】このように、請求項3、請求項8の学習知
識の評価装置および評価方法では、最大頻度実測値に対
する直前実測値の割合を直前実測値信頼度として求める
ことができため、直前実測値が適切な値であるか否かを
予測することができる。このため、現在の学習知識を用
いて推論を行なった場合、期待する目標値を得ることが
できるか否かを確実に推測することができる。
【0031】請求項4の学習知識の評価装置において
は、実測値記憶手段は、過去の複数の実測値、および直
前の実測値を記憶し、頻度手段は、過去の複数の実測値
を取り込み、実測値ごとの当該実測値の発生頻度を求め
る。そして、最大頻度実測値選択手段は、実測値ごとの
当該実測値の発生頻度のなかから、最大頻度を有する実
測値を最大頻度実測値として選択する。
【0032】また、近傍実測値手段は、最大頻度実測値
の値の近傍の実測値を近傍実測値として求める。そし
て、仮想目標値頻度手段は、直前実測値および近傍実測
値を各仮想実測値として全ての組み合わせについて推論
を行なわせ、それぞれの仮想目標値を取り込んで、仮想
目標値ごとの当該仮想目標値の発生頻度を求める。
【0033】一方、期待目標値記憶手段は、入力された
期待目標値を記憶する。そして、第一のひらき値算出手
段は、期待目標値と仮想目標値の最大ひらき間隔を第一
のひらき値として算出する。また、最大頻度仮想目標値
選択手段は、仮想目標値ごとの当該仮想目標値の発生頻
度のなかから、最大頻度を有する仮想目標値を最大頻度
仮想目標値として選択し、第二のひらき値算出手段は、
期待目標値と最大頻度仮想目標値との間隔を第二のひら
き値として算出する。
【0034】そして、ひらき度算出手段は、第一のひら
き値に対する第二のひらき値の割合をひらき度として算
出し、判別手段が、ひらき度に基づいて学習知識が適正
か否かを判別する。
【0035】また、請求項9の学習知識の評価方法にお
いては、過去の複数の実測値、および直前の実測値を記
憶し、過去の複数の実測値を取り込み、実測値ごとの当
該実測値の発生頻度を求める。そして、実測値ごとの当
該実測値の発生頻度のなかから、最大頻度を有する実測
値を最大頻度実測値として選択する。
【0036】また、最大頻度実測値の値の近傍の実測値
を近傍実測値として求める。そして、直前実測値および
近傍実測値を各仮想実測値として全ての組み合わせにつ
いて推論を行なわせ、それぞれの仮想目標値を取り込ん
で、仮想目標値ごとの当該仮想目標値の発生頻度を求め
る。
【0037】一方、入力された期待目標値を記憶し、期
待目標値と仮想目標値の最大ひらき間隔を第一のひらき
値として算出する。また、仮想目標値ごとの当該仮想目
標値の発生頻度のなかから、最大頻度を有する仮想目標
値を最大頻度仮想目標値として選択し、期待目標値と最
大頻度仮想目標値との間隔を第二のひらき値として算出
する。
【0038】そして、第一のひらき値に対する第二のひ
らき値の割合をひらき度として算出し、ひらき度に基づ
いて学習知識が適正か否かを判別する。
【0039】このように、請求項4、請求項9の学習知
識の評価装置および評価方法では、直前実測値および近
傍実測値を各仮想実測値として推論を行なわせ、それぞ
れの仮想目標値を取り込んで、仮想目標値ごとの当該仮
想目標値の発生頻度を求めた後、第一のひらき値に対す
る第二のひらき値の割合をひらき度として求めることが
できる。このため、現在の学習知識を用いて推論を行な
った場合、今後、適切な目標値が出力されるか否かを確
実に推測することができる。
【0040】請求項5の学習知識の評価装置において
は、実測値記憶手段は、過去の複数の実測値、および直
前の実測値を記憶し、頻度手段は、過去の複数の実測値
を取り込み、実測値ごとの当該実測値の発生頻度を求め
る。そして、最大頻度実測値選択手段は、実測値ごとの
当該実測値の発生頻度のなかから、最大頻度を有する実
測値を最大頻度実測値として選択する。
【0041】また、近傍実測値手段は、最大頻度実測値
の値の近傍の実測値を近傍実測値として求める。そし
て、推論出力信頼度手段は、直前実測値および近傍実測
値を各仮想実測値として全ての組み合わせについて推論
を行なわせ、各組み合わせの推論過程での合成メンバー
シップ関数の重心点におけるメンバーシップ適合度の最
小値を推論出力信頼度として求め、判別手段は、推論出
力信頼度に基づいて学習知識が適正か否かを判別する。
【0042】また、請求項10の学習知識の評価方法に
おいては、過去の複数の実測値、および直前の実測値を
記憶し、過去の複数の実測値を取り込み、実測値ごとの
当該実測値の発生頻度を求める。そして、実測値ごとの
当該実測値の発生頻度のなかから、最大頻度を有する実
測値を最大頻度実測値として選択する。
【0043】また、最大頻度実測値の値の近傍の実測値
を近傍実測値として求める。そして、直前実測値および
近傍実測値を各仮想実測値として全ての組み合わせにつ
いて推論を行なわせ、各組み合わせの推論過程での合成
メンバーシップ関数の重心点におけるメンバーシップ適
合度の最小値を推論出力信頼度として求め、推論出力信
頼度に基づいて学習知識が適正か否かを判別する。
【0044】このように、請求項5、請求項10の学習
知識の評価装置および評価方法では、合成メンバーシッ
プ関数の重心点におけるメンバーシップ適合度の最小値
を推論出力信頼度として求めるため、現在の学習知識を
用いて推論を行なった場合、今後、適切な目標値が出力
されるか否かを確実に推測することができる。
【0045】
【実施例】
[本発明の基本的構成]まず、本発明の基本的構成を図
1に基づいて説明する。制御対象からの実測値は実測値
記憶手段1に記憶される。この実測値記憶手段1には、
直前の実測値とともに、過去の複数の実測値も記憶され
ている。この直前の実測値とは、推論による目標値にし
たがって制御された制御対象からの最新の実測値であ
り、過去の複数の実測値とは、今までに与えられた全て
の実測値である。実測値記憶手段1中の過去の複数の実
測値は、頻度手段2に取り込まれ、ここで各実測値ごと
の当該実測値の発生頻度が求められる。
【0046】そして、最大頻度実測値選択手段3は、実
測値ごとの当該実測値の発生頻度のなかから、最大頻度
を有する実測値を選択する。この後、信頼度算出手段4
は、最大頻度実測値選択手段3が選択した最大頻度実測
値と、実測値記憶手段1に記憶されている直前実測値と
を取り込み、最大頻度実測値に対する直前実測値の割合
を直前実測値信頼度として算出する。
【0047】ここで最大頻度実測値は、上記のように最
大頻度を有する実測値であり、適正な値である確率が最
も高い。このため、最大頻度実測値に対する直前実測値
の割合いとして求めた直前実測値信頼度が「1」に近い
ほど直前実測値の信頼性が高く、また逆に「0」に近い
ほど信頼性が低いことになる。
【0048】頻度手段2で求められた各実測値ごとの当
該実測値の発生頻度、および最大頻度実測値選択手段3
が選択した最大頻度実測値は、近傍実測値手段6にも取
り込まれる。そして、近傍実測値手段6は、最大頻度実
測値の値の近傍の実測値を近傍実測値として求め、この
近傍実測値は直前実測値とともに仮想目標値頻度手段7
に与えられる。仮想目標値頻度手段7は、近傍実測値お
よび直前実測値を各仮想実測値とし、全ての組み合わせ
について推論を行なう。
【0049】近傍実測値および直前実測値は、今後も出
力される確率の高い値であり、これら全ての組み合わせ
について推論を行なうことによって、今後の目標値のシ
ュミレーションを行なうことができる。これらの推論結
果を仮想目標値として、さらに仮想目標値ごとの当該仮
想目標値の発生頻度を求める。
【0050】また、期待目標値記憶手段8には入力され
た期待目標値が記憶される。この期待目標値と、仮想目
標値頻度手段7が求めた仮想目標値とは、第一のひらき
値算出手段9に取り込まれ、両者の最大ひらき間隔が第
一のひらき値として算出される。仮想目標値はばらつか
ず、集中しているほうが理想的であるため、この第一の
ひらき値は小さいほど信頼性が高い。
【0051】また、仮想目標値頻度手段7が求めた仮想
目標値ごとの当該仮想目標値の発生頻度は、最大頻度仮
想目標値選択手段10に与えられ、ここで最大頻度を有
する仮想目標値が最大頻度仮想目標値として選択され
る。この最大頻度仮想目標値は、今後出力される可能性
が最も高い目標値である。
【0052】こうして選択された最大頻度仮想目標値
は、期待目標値とともに第二のひらき値算出手段11に
与えられ、両者の間隔が第二のひらき値として算出され
る。今後、出力される可能性の高い最大頻度仮想目標値
は期待目標値と近いほうが理想的であるため、第二のひ
らき値は小さいほど信頼性が高い。この後、ひらき度算
出手段12は、第一のひらき値に対する第二のひらき値
の割合をひらき度として算出する。
【0053】また、上記近傍実測値手段6が求めた近傍
実測値は、直前実測値とともに推論出力信頼度手段13
に取り込まれる。そして、この推論出力信頼度手段13
は、近傍実測値および直前実測値を各仮想実測値として
全ての組み合わせについてファジィ推論を行なわせ、各
組み合わせの推論過程での合成メンバーシップ関数の重
心点におけるメンバーシップ適合度の最小値を推論出力
信頼度として求める。
【0054】以上のようにして求められた直前実測値信
頼度、ひらき度、推論出力信頼度は判別手段5に取り込
まれ、これら各データに基づいて学習知識が適正か否か
が判別される。なお、判別手段5は、直前制御出力信頼
度、ひらき度、推論出力信頼度のうちの1または2のデ
ータのみに基づいて学習知識が適正か否かを判別するこ
ともできる。
【0055】[本発明の第1の実施例]次に、本発明に
係る学習知識の評価装置および評価方法の一実施例を図
面に基づいて説明する。たとえば、ファジィ制御が行な
われる機器としては種々のものがあるが、本実施例で
は、まず図12に示すような包装機を例に掲げる。
【0056】搬送ライン71に置かれた包装物70が、
矢印90方向に順次、搬送される。また、ロール状のプ
ラスチックフィルム72も同時に送り込まれている。こ
のプラスチックフィルム72は、包装物70を包み込み
ながら、センターシールローラ75によって筒状に熱接
着される。
【0057】そして、エンドシーラ73の開閉動作(矢
印91、92方向)によって、両端部を熱接着すると同
時に、各包装物単位でプラスチックフィルム72を切断
する。こうして、プラスチックフィルム72によって包
装された製品を得る。
【0058】このような包装機で包装作業を行なうため
には、センターシールローラ75やエンドシーラ73の
温度、押圧力、シール時間が適正でなければならない。
たとえば、温度や押圧力が低くすぎたり、またはシール
時間が短すぎる場合は、熱接着が行なわれない。逆に、
温度や押圧力が高すぎたり、またはシール時間が長すぎ
る場合は、接着すべき部分が切断されてしまうという不
都合が生じる。温度、押圧力、シール時間等の適正値
は、プラスチックフィルム72の厚さや材質などによっ
て異なり、また温度、押圧力、シール時間が互いに影響
し合うため、適正値の設定が難しい。
【0059】このため、ファジィ制御によって包装機の
温度、押圧力、シール時間の調整が行なわれる。具体的
に説明すると、オペレータは包装機に新しいプラスチッ
クフィルム72をセットした場合、その時点で設定され
ている温度データ、押圧力データ、シール時間データで
包装機を駆動させ、包装の試作品を見て、接着度合いを
判断する。そして接着度合いが不適正な場合、接着が弱
いまたは強いの評価を数値化して包装機に入力する。
【0060】ここで、図2に本実施例におけるシステム
全体の概念図を示す。制御装置52は、与えられた目標
押圧力データ、目標シール時間データおよび目標温度デ
ータに基づき図12に示す包装機54(制御対象)を制
御し、包装機54の押圧力、シール時間、温度がそれぞ
れ目標値になるように調整する。目標押圧力データ、目
標シール時間データおよび目標温度データが、目標値で
ある。
【0061】包装機54における実際の押圧力、シール
時間、温度は、それぞれ検出器56によって検出され、
実測押圧力データ、実測シール時間データおよび実測温
度データとして推論部20に取り込まれる。実測押圧力
データ、実測シール時間データおよび実測温度データ
が、実測値である。また、推論部20にはオペレータが
入力する接着度合いデータも与えられる。
【0062】ルール・メンバーシップ関数記憶部21に
は、予め学習知識であるルール・メンバーシップ関数が
設定、記憶されている。推論部20は、実測押圧力デー
タ、実測シール時間データ、実測温度データおよび接着
度合いデータに対し、ルール・メンバーシップ関数にし
たがったファジィ推論を行い、次回、制御装置52に与
える目標温度データ、目標押圧力データ、目標シール時
間データを出力する。そして、オペレータは再度、包装
機54を駆動させ、制御装置52からの目標温度デー
タ、目標押圧力データ、目標シール時間データにしたが
った包装を行う。
【0063】そして、このときの実測押圧力データ、実
測シール時間データおよび実測温度データが検出器56
で検出され、推論部20に与えられ、オペレータは再び
接着度合いを評価して接着度合いデータを入力する。オ
ペレータは、このような作業を繰り返し行なう。
【0064】包装の試作によって繰り返し推論部20に
与えられる実測押圧力データ、実測シール時間データ、
実測温度データおよび接着度合いデータは、図2の実測
データ記憶部22(実測値記憶手段)に順次、記憶され
る。すなわち、この実測データ記憶部22には、直前の
各実測データ(直前実測値)とともに、過去の複数の実
測データ(過去の複数の実測値)も記憶されている。
【0065】ルール・メンバーシップ関数記憶部21に
記憶されているルールを図3に示す。また、条件部のメ
ンバーシップ関数を図4に、結論部のメンバーシップ関
数を図5に示す。なお、図4Aは接着度合いのメンバー
シップ関数、図4Bは温度のメンバーシップ関数、図4
Cは押圧力のメンバーシップ関数、図4Dはシール時間
のメンバーシップ関数である。また、図5Aは目標温度
の変更量のメンバーシップ関数、図5Bは目標押圧力の
変更量のメンバーシップ関数、図5Cは目標シール時間
の変更量のメンバーシップ関数である。
【0066】こうして目標温度データ、目標押圧力デー
タ、目標シール時間データがそれぞれ繰り返し出力さ
れ、その度に実測押圧力データ、実測シール時間デー
タ、実測温度データおよび接着度合いデータが実測デー
タ記憶部22に記憶される。実測データ記憶部22に記
憶された各データは、評価装置50に取り込まれ、この
評価装置50によってルール・メンバーシップ関数記憶
部21に現在記憶されているルールやメンバーシップ関
数が適切であるか否かが判断される。
【0067】図6に評価装置50のハードウエア構成の
一実施例を示す。バスライン28にはCPU23、RO
M24、RAM25が接続されている。CPU23は、
ROM24に格納されているプログラムに従い各部を制
御する。また、バスライン28には図2で示した実測デ
ータ記憶部22が接続されており、CPU23には直前
の各実測データ、過去の複数の実測データが取り込まれ
るようになっている。
【0068】さらに、バスライン28にはキーボード2
5、CRT26、プリンタ27が接続されている。な
お、オペレータが行う接着度合いの評価の数値は、キー
ボード25から入力される。
【0069】オペレータからファジィ知識の評価指令が
与えられた場合、CPU23は以下のような処理を行な
い、ルール・メンバーシップ関数記憶部21に現在記憶
されているルール、メンバーシップ関数が今回のプラス
チックフィルム72に対応可能か否かを判断する。
【0070】まず、CPU23は、実測データ記憶部2
2から過去の実測温度データ、実測押圧力データ、実測
シール時間データおよび入力された接着度合いデータを
取り込み、それぞれのデータの発生頻度を求める。この
各データの発生頻度のヒストグラムが図7である。次に
CPU23は、各実測データの発生頻度のうち、最大頻
度を有するデータを最大頻度実測データとして選択す
る。この場合、図7Aの実測温度データについてはm1
のデータ、図7Bの実測押圧力データについてはm2の
データ、図7Cの実測シール時間データについてはm3
のデータ、図7Dの接着度合いデータについてはm4の
データが、それぞれ最大頻度実測データとして選択され
る。
【0071】続いてCPU23は、実測データ記憶部2
2から直前の各実測データ、すなわちこの時点における
包装機54の実測温度データ、実測押圧力データ、実測
シール時間データを取り込む。そして、図7に示す各実
測データの最大頻度実測データに対する、直前の各実測
データの割合いを数1の式にしたがって、直前実測デー
タ信頼度として求める。
【0072】ここで最大頻度実測データは、上記のよう
に最大頻度を有する実測データであり、適正な値である
確率が最も高い。このため、最大頻度実測データに対す
る直前実測データの割合いとして求めた直前実測データ
信頼度が「1」に近いほど直前実測データの信頼性が高
く、また逆に「0」に近いほど信頼性が低いことにな
る。なお、数1の式に示されるように、割合いの値の最
小値が直前実測データ信頼度として求められる。
【0073】
【数1】
【0074】たとえば、実測温度データ、実測押圧力デ
ータ、実測シール時間データそれぞれの直前実測デー
タ、および直前の接着度合いデータが、図7に示すk
1、k2、k3、k4であるとする。この場合、実測温
度データにおける割合いが「1」、実測押圧力データに
おける割合いが約「0.6」、実測シール時間データに
おける割合いが「1」、接着度合いデータにおける割合
いが約「0.9」であり、直前実測データ信頼度は、最
小値の「0.6」として求められる。
【0075】次にCPU23は、各実測データの最大頻
度実測データ(m1、m2、m3、m4)近傍のデータ
を近傍実測データ(近傍実測値)として求める。ここで
近傍のデータとは、ヒストグラムにおける最大頻度実測
データの中央値に隣接するn個の中央値である。
【0076】本実施例では、隣接する両側2個の中央値
データを近傍実測データとして求めている。すなわち、
図7に示すm1a〜m1b、m2a〜m2b、m3a〜
m3b、m4a〜m4bである。そして、これら各近傍
実測データおよび直前実測データの組合わせ全てを仮想
実測値として順次、推論部20(図2)に与えて推論を
行わせ、それぞれの仮想目標データ(仮想目標値)を得
る。すなわち、仮想目標データとは、各近傍実測データ
および直前実測データの全ての組合わせについて、これ
らが仮に推論部20に与えられた場合に、推論部20か
ら出力されるデータである。
【0077】なお、近傍実測データおよび直前実測デー
タは、今後も出力される確率の高い値であり、これら全
ての組み合わせについてファジィ推論を行なうことによ
って、今後の出力されるであろう目標データのシュミレ
ーションを行なうことができる。この場合、54通りの
仮想目標温度データ、仮想目標押圧力データ、仮想目標
シール時間データが求められることになる。
【0078】ここで、これら各仮想目標データは、上述
のようにルール・メンバーシップ関数記憶部21に記憶
されたルール・メンバーシップ関数(図3、図4、図
5)に基づいて求められる。本実施例の推論では、得ら
れた合成メンバーシップ関数について、その重心点を求
めることによって、目標データを出力するようにしてい
る。
【0079】合成メンバーシップ関数の一例を図8に示
す。この合成メンバーシップ関数の重心点がgである場
合、この重心点gにおける適合度約「0.3」を推論出
力信頼値として記憶する。この推論出力信頼値は、仮想
目標温度データ、仮想目標押圧力データ、仮想目標シー
ル時間データそれぞれについて54通り求められ、各々
の中の最小値が、仮想目標温度データ、仮想目標押圧力
データ、仮想目標シール時間データについての推論出力
信頼度として求められる。
【0080】次に、CPU23は、上記のようにして求
めた仮想目標温度データ、仮想目標押圧力データ、仮想
目標シール時間データの発生頻度を求める。この発生頻
度のヒストグラムを図9に示す。なお、CPU23は、
これらの各ヒストグラムの中から、最大頻度を有する仮
想目標データを最大頻度仮想目標データとして選択す
る。この最大頻度仮想目標データは、今後出力される可
能性が最も高い目標データである。この場合、n1、n
2、n3が選択される。
【0081】ここで、キーボード25(図6)からは、
温度、押圧力、シール時間、接着度合いについての、そ
れぞれの期待目標値j1、j2、j3(図9)が入力さ
れる。この期待目標値とは、各目標データについての理
想的な値であり、たとえば熟練者などが最適と考える値
を決定し入力する。CPU23は、入力された期待目標
値j1、j2、j3を取り込み、仮想目標温度データ、
仮想目標押圧力データ、仮想目標シール時間データの発
生頻度のヒストグラムと比較する。
【0082】そして、仮想目標温度データ、仮想目標押
圧力データ、仮想目標シール時間データそれぞれについ
て、期待目標値と仮想目標データとの最大ひらき間隔を
第一ひらき値として求める。仮想目標データはばらつか
ず、集中しているほうが理想的であるため、この第一の
ひらき値は小さいほど信頼性が高い。この場合、図9に
示す第一ひらき値L11、L21、L31が求められ
る。
【0083】続いてCPU23は、仮想目標温度デー
タ、仮想目標押圧力データ、仮想目標シール時間データ
それぞれについて、期待目標値と最大頻度仮想目標デー
タとの間隔を第二のひらき値として求める。今後、出力
される可能性の高い最大頻度仮想目標データは期待目標
値と近いほうが理想的であるため、第二のひらき値は小
さいほど信頼性が高い。
【0084】この場合、第二のひらき値L22、L32
が求められる。なお、仮想目標温度データについては、
期待目標値と最大頻度仮想目標データとが同じであるた
め、第二のひらき値は「0」になる。こうして求めた第
一のひらき値と第二のひらき値とに基づき、数2の式に
したがってひらき度を求める。
【0085】
【数2】
【0086】以上のようにして算出した直前実測データ
信頼度、推論出力信頼度、ひらき度に基づき、ルール・
メンバーシップ関数記憶部21に予め記憶されているル
ール・メンバーシップ関数が適正か否かをファジィ推論
によって判断し、さらに不適正であると判断した場合、
ルール・メンバーシップ関数の修正指示を出力する。こ
の修正指示は例えばCRT26に表示したり、プリンタ
27から印字出力する(図6参照)。
【0087】この適否判断のファジィ推論のルールを図
10に、メンバーシップ関数を図11に示す。図11A
は直前実測データ信頼度、推論出力信頼度のメンバーシ
ップ関数、図11Bはひらき度のメンバーシップ関数で
ある。なお、図10のルールの結論部において、適合度
が例えばしきい値「0.5」をこえた場合に、そのメッ
セージにしたがう。
【0088】図10に示すルール番号1のメッセージが
出力された場合、入力データが適切でないと判断される
ため、修正指示にしたがい、入力データの追加、例えば
温度、押圧力、シール時間の他に湿度を入力データとし
て追加するなどの修正を行なう。また、ルール番号4の
メッセージが出力された場合、期待目標値が矛盾してい
ると判断されるため、熟練者が再度、キーボード25
(図6)から期待目標値を入力し直す。
【0089】なお、本実施例においては、実測温度デー
タ、実測押圧力データ、実測シール時間データ、接着度
合いデータについてそれぞれの発生頻度を求めた(図7
参照)。しかし、推論部20から出力される目標温度デ
ータ、目標押圧力データ、目標シール時間データ、およ
び接着度合いデータの発生頻度を求め、これらに基づい
て上記と同様の処理を行い、ルール・メンバーシップ関
数が適正か否かを判断してもよい。特に、各目標データ
と各実測データとの誤差が微小である場合、有効な判断
を行うことができる。
【0090】[その他の実施例]本発明は上記包装機の
実施例に限定されるものではなく、他の機器のファジィ
制御にも適用することができる。たとえば、パン焼きオ
ーブン温度のファジィ制御や、成形機コントローラのフ
ァジィ制御にも適用することができる。
【0091】
【発明の効果】請求項1の学習知識の評価装置において
は、入力された期待目標値を期待目標値記憶手段が記憶
し、抽出手段が過去の実測値を抽出する。そして、比較
手段は、期待目標値と過去の実測値とを比較して、学習
知識が適正か否かを判断する。
【0092】また、請求項6の学習知識の評価方法にお
いても、入力された期待目標値を記憶し、過去の実測値
を抽出する。そして、期待目標値と過去の実測値とを比
較して、学習知識が適正か否かを判断する。
【0093】このように、請求項1、請求項6の学習知
識の評価装置および評価方法では、過去の実測値を抽出
することにより、この過去の実測値に基づいて、今後、
出力されるであろう目標値を予測することができる。そ
して、この目標値と期待目標値とを比較することによっ
て、現在の学習知識を用いて推論を行なった場合、期待
する制御目標値を得ることができるか否かを推測するこ
とができる。
【0094】したがって、現在記憶されている学習知識
が適正が不適正かを、迅速かつ正確に判断することが可
能になる。
【0095】請求項2、請求項7の学習知識の評価装置
および評価方法においては、比較手段は、学習知識が不
適正と判断したとき、期待目標値と過去の実測値との比
較に基づいて推論を行ない、学習知識の修正指示を出力
する。
【0096】したがって、学習知識の修正を容易に行な
うことができる。
【0097】請求項3の学習知識の評価装置において
は、実測値記憶手段は、過去の複数の実測値、および直
前の実測値を記憶し、頻度手段は、過去の複数の実測値
を取り込み、実測値ごとの当該実測値の発生頻度を求め
る。そして、最大頻度実測値選択手段は、実測値ごとの
当該実測値の発生頻度のなかから、最大頻度を有する実
測値を最大頻度実測値として選択する。
【0098】また、信頼度算出手段は、最大頻度実測値
に対する直前実測値の割合を直前実測値信頼度として算
出する。そして、判別手段は、直前実測値信頼度に基づ
いて学習知識が適正か否かを判別する。
【0099】また、請求項8の学習知識の評価方法にお
いては、過去の複数の実測値、および直前の実測値を記
憶し、過去の複数の実測値を取り込み、実測値ごとの当
該実測値の発生頻度を求める。そして、実測値ごとの当
該実測値の発生頻度のなかから、最大頻度を有する実測
値を最大頻度実測値として選択する。
【0100】その後、最大頻度実測値に対する直前実測
値の割合を直前実測値信頼度として算出する。そして、
直前実測値信頼度に基づいて学習知識が適正か否かを判
別する。
【0101】このように、請求項3、請求項8の学習知
識の評価装置および評価方法では、最大頻度実測値に対
する直前実測値の割合を直前実測値信頼度として求める
ことができため、直前実測値が適切な値であるか否かを
予測することができる。このため、現在の学習知識を用
いて推論を行なった場合、期待する目標値を得ることが
できるか否かを確実に推測することができる。
【0102】したがって、現在記憶されている学習知識
が適正が不適正かを、迅速かつ正確に判断することが可
能になる。
【0103】請求項4の学習知識の評価装置において
は、実測値記憶手段は、過去の複数の実測値、および直
前の実測値を記憶し、頻度手段は、過去の複数の実測値
を取り込み、実測値ごとの当該実測値の発生頻度を求め
る。そして、最大頻度実測値選択手段は、実測値ごとの
当該実測値の発生頻度のなかから、最大頻度を有する実
測値を最大頻度実測値として選択する。
【0104】また、近傍実測値手段は、最大頻度実測値
の値の近傍の実測値を近傍実測値として求める。そし
て、仮想目標値頻度手段は、直前実測値および近傍実測
値を各仮想実測値として全ての組み合わせについて推論
を行なわせ、それぞれの仮想目標値を取り込んで、仮想
目標値ごとの当該仮想目標値の発生頻度を求める。
【0105】一方、期待目標値記憶手段は、入力された
期待目標値を記憶する。そして、第一のひらき値算出手
段は、期待目標値と仮想目標値の最大ひらき間隔を第一
のひらき値として算出する。また、最大頻度仮想目標値
選択手段は、仮想目標値ごとの当該仮想目標値の発生頻
度のなかから、最大頻度を有する仮想目標値を最大頻度
仮想目標値として選択し、第二のひらき値算出手段は、
期待目標値と最大頻度仮想目標値との間隔を第二のひら
き値として算出する。
【0106】そして、ひらき度算出手段は、第一のひら
き値に対する第二のひらき値の割合をひらき度として算
出し、判別手段が、ひらき度に基づいて学習知識が適正
か否かを判別する。
【0107】また、請求項9の学習知識の評価方法にお
いては、過去の複数の実測値、および直前の実測値を記
憶し、過去の複数の実測値を取り込み、実測値ごとの当
該実測値の発生頻度を求める。そして、実測値ごとの当
該実測値の発生頻度のなかから、最大頻度を有する実測
値を最大頻度実測値として選択する。
【0108】また、最大頻度実測値の値の近傍の実測値
を近傍実測値として求める。そして、直前実測値および
近傍実測値を各仮想実測値として全ての組み合わせにつ
いて推論を行なわせ、それぞれの仮想目標値を取り込ん
で、仮想目標値ごとの当該仮想目標値の発生頻度を求め
る。
【0109】一方、入力された期待目標値を記憶し、期
待目標値と仮想目標値の最大ひらき間隔を第一のひらき
値として算出する。また、仮想目標値ごとの当該仮想目
標値の発生頻度のなかから、最大頻度を有する仮想目標
値を最大頻度仮想目標値として選択し、期待目標値と最
大頻度仮想目標値との間隔を第二のひらき値として算出
する。
【0110】そして、第一のひらき値に対する第二のひ
らき値の割合をひらき度として算出し、ひらき度に基づ
いて学習知識が適正か否かを判別する。
【0111】このように、請求項4、請求項9の学習知
識の評価装置および評価方法では、直前実測値および近
傍実測値を各仮想実測値として推論を行なわせ、それぞ
れの仮想目標値を取り込んで、仮想目標値ごとの当該仮
想目標値の発生頻度を求めた後、第一のひらき値に対す
る第二のひらき値の割合をひらき度として求めることが
できる。このため、現在の学習知識を用いて推論を行な
った場合、今後、適切な目標値が出力されるか否かを確
実に推測することができる。
【0112】したがって、現在記憶されている学習知識
が適正が不適正かを、迅速かつ正確に判断することが可
能になる。
【0113】請求項5の学習知識の評価装置において
は、実測値記憶手段は、過去の複数の実測値、および直
前の実測値を記憶し、頻度手段は、過去の複数の実測値
を取り込み、実測値ごとの当該実測値の発生頻度を求め
る。そして、最大頻度実測値選択手段は、実測値ごとの
当該実測値の発生頻度のなかから、最大頻度を有する実
測値を最大頻度実測値として選択する。
【0114】また、近傍実測値手段は、最大頻度実測値
の値の近傍の実測値を近傍実測値として求める。そし
て、推論出力信頼度手段は、直前実測値および近傍実測
値を各仮想実測値として全ての組み合わせについて推論
を行なわせ、各組み合わせの推論過程での合成メンバー
シップ関数の重心点におけるメンバーシップ適合度の最
小値を推論出力信頼度として求め、判別手段は、推論出
力信頼度に基づいて学習知識が適正か否かを判別する。
【0115】また、請求項10の学習知識の評価方法に
おいては、過去の複数の実測値、および直前の実測値を
記憶し、過去の複数の実測値を取り込み、実測値ごとの
当該実測値の発生頻度を求める。そして、実測値ごとの
当該実測値の発生頻度のなかから、最大頻度を有する実
測値を最大頻度実測値として選択する。
【0116】また、最大頻度実測値の値の近傍の実測値
を近傍実測値として求める。そして、直前実測値および
近傍実測値を各仮想実測値として全ての組み合わせにつ
いて推論を行なわせ、各組み合わせの推論過程での合成
メンバーシップ関数の重心点におけるメンバーシップ適
合度の最小値を推論出力信頼度として求め、推論出力信
頼度に基づいて学習知識が適正か否かを判別する。
【0117】このように、請求項5、請求項10の学習
知識の評価装置および評価方法では、合成メンバーシッ
プ関数の重心点におけるメンバーシップ適合度の最小値
を推論出力信頼度として求めるため、現在の学習知識を
用いて推論を行なった場合、今後、適切な目標値が出力
されるか否かを確実に推測することができる。
【0118】したがって、現在記憶されている学習知識
が適正が不適正かを、迅速かつ正確に判断することが可
能になる。
【図面の簡単な説明】
【図1】本発明に係る学習知識の評価装置および評価方
法の基本的構成を示す図である。
【図2】本実施例における推論システムを示す概念図で
ある。
【図3】図2に示すルール・メンバーシップ関数記憶部
に記憶されているルールである。
【図4】図2に示すルール・メンバーシップ関数記憶部
に記憶されている条件部のメンバーシップ関数である。
【図5】図2に示すルール・メンバーシップ関数記憶部
に記憶されている結論部のメンバーシップ関数である。
【図6】本実施例における学習知識の評価装置のハード
ウエア構成を示す図である。
【図7】過去の実測温度データ、実測押圧力データ、実
測シール時間データ、接着度合いデータの発生頻度のヒ
ストグラムである。
【図8】仮想目標データが入力された場合の合成メンバ
ーシップ関数の一例である。
【図9】仮想目標温度データ、仮想目標押圧力データ、
仮想目標シール時間データの発生頻度のヒストグラムで
ある。
【図10】図2に示すルール・メンバーシップ関数記憶
部に記憶されているルール・メンバーシップ関数が適正
か否かをファジィ推論するためのルールである。
【図11】図2に示すルール・メンバーシップ関数記憶
部に記憶されているルール・メンバーシップ関数が適正
か否かをファジィ推論するためのメンバーシップ関数で
ある。
【図12】包装機の全体構成を示す概略図である。
【符号の説明】
1・・・・・実測値記憶手段 2・・・・・頻度手段 3・・・・・最大頻度実測値選択手段 4・・・・・信頼度算出手段 5・・・・・判別手段 6・・・・・近傍実測値手段 7・・・・・仮想目標値頻度手段 8・・・・・期待目標値記憶手段 9・・・・・第一のひらき値算出手段 10・・・・・最大頻度仮想目標値選択手段 11・・・・・第二のひらき値算出手段 12・・・・・ひらき度算出手段 13・・・・・推論出力信頼度手段 50・・・・・評価装置 52・・・・・制御装置 54・・・・・包装機 56・・・・・検出器
───────────────────────────────────────────────────── フロントページの続き (72)発明者 恵木 守 京都府京都市右京区花園土堂町10番地 オ ムロン株式会社内 (72)発明者 労 世紅 京都府京都市右京区花園土堂町10番地 オ ムロン株式会社内 (72)発明者 田島 年浩 京都府京都市右京区花園土堂町10番地 オ ムロン株式会社内 (72)発明者 堤 康弘 京都府京都市右京区花園土堂町10番地 オ ムロン株式会社内 (72)発明者 相馬 宏司 京都府京都市右京区花園土堂町10番地 オ ムロン株式会社内

Claims (10)

    【特許請求の範囲】
  1. 【請求項1】与えられた目標値に基づき制御装置が制御
    対象を制御し、制御された制御対象からの実測値に基づ
    いて、予め記憶された学習知識にしたがって、制御装置
    に次回与える目標値を推論するようにした制御におい
    て、当該学習知識に対する評価を行なう評価装置であっ
    て、 入力された期待目標値を記憶する期待目標値記憶手段、 過去の前記実測値を抽出する抽出手段、 期待目標値と過去の前記実測値とを比較して、学習知識
    が適正か否かを判断する比較手段、 を備えたことを特徴とする学習知識の評価装置。
  2. 【請求項2】請求項1の学習知識の評価装置において、 比較手段は、学習知識が不適正と判断したとき、期待目
    標値と過去の前記実測値との比較に基づいて推論を行な
    い、学習知識の修正指示を出力する、 ことを特徴とする学習知識の評価装置。
  3. 【請求項3】与えられた目標値に基づき制御装置が制御
    対象を制御し、制御された制御対象からの実測値に基づ
    いて、予め記憶された学習知識にしたがって、制御装置
    に次回与える目標値を推論するようにした制御におい
    て、当該学習知識に対する評価を行なう評価装置であっ
    て、 過去の複数の前記実測値、および直前の前記実測値を記
    憶する実測値記憶手段、 過去の複数の前記実測値を取り込み、実測値ごとの当該
    実測値の発生頻度を求める頻度手段、 実測値ごとの当該実測値の発生頻度のなかから、最大頻
    度を有する実測値を最大頻度実測値として選択する最大
    頻度実測値選択手段、 最大頻度実測値に対する直前実測値の割合を直前実測値
    信頼度として算出する信頼度算出手段、 直前実測値信頼度に基づいて学習知識が適正か否かを判
    別する判別手段、 を備えたことを特徴とする学習知識の評価装置。
  4. 【請求項4】与えられた目標値に基づき制御装置が制御
    対象を制御し、制御された制御対象からの実測値に基づ
    いて、予め記憶された学習知識にしたがって、制御装置
    に次回与える目標値を推論するようにした制御におい
    て、当該学習知識に対する評価を行なう評価装置であっ
    て、 過去の複数の前記実測値、および直前の前記実測値を記
    憶する実測値記憶手段、 過去の複数の前記実測値を取り込み、実測値ごとの当該
    実測値の発生頻度を求める頻度手段、 実測値ごとの当該実測値の発生頻度のなかから、最大頻
    度を有する実測値を最大頻度実測値として選択する最大
    頻度実測値選択手段、 最大頻度実測値の値の近傍の実測値を近傍実測値として
    求める近傍実測値手段、 直前実測値および近傍実測値を各仮想実測値として全て
    の組み合わせについて推論を行なわせ、それぞれの仮想
    目標値を取り込んで、仮想目標値ごとの当該仮想目標値
    の発生頻度を求める仮想目標値頻度手段、 入力された期待目標値を記憶する期待目標値記憶手段、 期待目標値と仮想目標値の最大ひらき間隔を第一のひら
    き値として算出する第一のひらき値算出手段、 仮想目標値ごとの当該仮想目標値の発生頻度のなかか
    ら、最大頻度を有する仮想目標値を最大頻度仮想目標値
    として選択する最大頻度仮想目標値選択手段、 期待目標値と最大頻度仮想目標値との間隔を第二のひら
    き値として算出する第二のひらき値算出手段、 第一のひらき値に対する第二のひらき値の割合をひらき
    度として算出するひらき度算出手段、 ひらき度に基づいて学習知識が適正か否かを判別する判
    別手段、 を備えたことを特徴とする学習知識の評価装置。
  5. 【請求項5】与えられた目標値に基づき制御装置が制御
    対象を制御し、制御された制御対象からの実測値に基づ
    いて、予め記憶された学習知識にしたがって、制御装置
    に次回与える目標値を推論するようにした制御におい
    て、当該学習知識に対する評価を行なう評価装置であっ
    て、 過去の複数の前記実測値、および直前の前記実測値を記
    憶する実測値記憶手段、 過去の複数の前記実測値を取り込み、実測値ごとの当該
    実測値の発生頻度を求める頻度手段、 実測値ごとの当該実測値の発生頻度のなかから、最大頻
    度を有する実測値を最大頻度実測値として選択する最大
    頻度実測値選択手段、 最大頻度実測値の値の近傍の実測値を近傍実測値として
    求める近傍実測値手段、 直前実測値および近傍実測値を各仮想実測値として全て
    の組み合わせについて推論を行なわせ、各組み合わせの
    推論過程での合成メンバーシップ関数の重心点における
    メンバーシップ適合度の最小値を推論出力信頼度として
    求める推論出力信頼度手段、 推論出力信頼度に基づいて学習知識が適正か否かを判別
    する判別手段、 を備えたことを特徴とする学習知識の評価装置。
  6. 【請求項6】与えられた目標値に基づき制御装置が制御
    対象を制御し、制御された制御対象からの実測値に基づ
    いて、予め記憶された学習知識にしたがって、制御装置
    に次回与える目標値を推論するようにした制御におい
    て、当該学習知識に対する評価を行なう評価方法であっ
    て、 入力された期待目標値を記憶するステップ、 過去の前記実測値を抽出するステップ、 期待目標値と過去の前記実測値とを比較して、学習知識
    が適正か否かを判断するステップ、 を備えたことを特徴とする学習知識の評価方法。
  7. 【請求項7】請求項6の学習知識の評価方法において、 学習知識が不適正と判断したとき、期待目標値と過去の
    前記実測値との比較に基づいて推論を行ない、学習知識
    の修正指示を出力する、 ことを特徴とする学習知識の評価方法。
  8. 【請求項8】与えられた目標値に基づき制御装置が制御
    対象を制御し、制御された制御対象からの実測値に基づ
    いて、予め記憶された学習知識にしたがって、制御装置
    に次回与える目標値を推論するようにした制御におい
    て、当該学習知識に対する評価を行なう評価方法であっ
    て、 過去の複数の前記実測値、および直前の前記実測値を記
    憶するステップ、 過去の複数の前記実測値を取り込み、実測値ごとの当該
    実測値の発生頻度を求めるステップ、 実測値ごとの当該実測値の発生頻度のなかから、最大頻
    度を有する実測値を最大頻度実測値として選択するステ
    ップ、 最大頻度実測値に対する直前実測値の割合を直前実測値
    信頼度として算出するステップ、 直前実測値信頼度に基づいて学習知識が適正か否かを判
    別するステップ、 を備えたことを特徴とする学習知識の評価方法。
  9. 【請求項9】与えられた目標値に基づき制御装置が制御
    対象を制御し、制御された制御対象からの実測値に基づ
    いて、予め記憶された学習知識にしたがって、制御装置
    に次回与える目標値を推論するようにした制御におい
    て、当該学習知識に対する評価を行なう評価方法であっ
    て、 過去の複数の前記実測値、および直前の前記実測値を記
    憶するステップ、 過去の複数の前記実測値を取り込み、実測値ごとの当該
    実測値の発生頻度を求めるステップ、 実測値ごとの当該実測値の発生頻度のなかから、最大頻
    度を有する実測値を最大頻度実測値として選択するステ
    ップ、 最大頻度実測値の値の近傍の実測値を近傍実測値として
    求めるステップ、 直前実測値および近傍実測値を各仮想実測値として全て
    の組み合わせについて推論を行なわせ、それぞれの仮想
    目標値を取り込んで、仮想目標値ごとの当該仮想目標値
    の発生頻度を求めるステップ、 入力された期待目標値を記憶するステップ、 期待目標値と仮想目標値の最大ひらき間隔を第一のひら
    き値として算出するステップ、 仮想目標値ごとの当該仮想目標値の発生頻度のなかか
    ら、最大頻度を有する仮想目標値を最大頻度仮想目標値
    として選択するステップ、 期待目標値と最大頻度仮想目標値との間隔を第二のひら
    き値として算出するステップ、 第一のひらき値に対する第二のひらき値の割合をひらき
    度として算出するステップ、 ひらき度に基づいて学習知識が適正か否かを判別するス
    テップ、 を備えたことを特徴とする学習知識の評価方法。
  10. 【請求項10】与えられた目標値に基づき制御装置が制
    御対象を制御し、制御された制御対象からの実測値に基
    づいて、予め記憶された学習知識にしたがって、制御装
    置に次回与える目標値を推論するようにした制御におい
    て、当該学習知識に対する評価を行なう評価方法であっ
    て、 過去の複数の前記実測値、および直前の前記実測値を記
    憶するステップ、 過去の複数の前記実測値を取り込み、実測値ごとの当該
    実測値の発生頻度を求めるステップ、 実測値ごとの当該実測値の発生頻度のなかから、最大頻
    度を有する実測値を最大頻度実測値として選択するステ
    ップ、 最大頻度実測値の値の近傍の実測値を近傍実測値として
    求めるステップ、 直前実測値および近傍実測値を各仮想実測値として全て
    の組み合わせについて推論を行なわせ、各組み合わせの
    推論過程での合成メンバーシップ関数の重心点における
    メンバーシップ適合度の最小値を推論出力信頼度として
    求めるステップ、 推論出力信頼度に基づいて学習知識が適正か否かを判別
    するステップ、 を備えたことを特徴とする学習知識の評価方法。
JP6304043A 1993-12-07 1994-12-07 学習知識の評価装置および評価方法 Pending JPH07219604A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP6304043A JPH07219604A (ja) 1993-12-07 1994-12-07 学習知識の評価装置および評価方法

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP30686593 1993-12-07
JP5-306865 1993-12-07
JP6304043A JPH07219604A (ja) 1993-12-07 1994-12-07 学習知識の評価装置および評価方法

Publications (1)

Publication Number Publication Date
JPH07219604A true JPH07219604A (ja) 1995-08-18

Family

ID=26563762

Family Applications (1)

Application Number Title Priority Date Filing Date
JP6304043A Pending JPH07219604A (ja) 1993-12-07 1994-12-07 学習知識の評価装置および評価方法

Country Status (1)

Country Link
JP (1) JPH07219604A (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020189585A1 (ja) 2019-03-15 2020-09-24 住友重機械工業株式会社 監視装置、表示装置、監視方法及び監視プログラム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020189585A1 (ja) 2019-03-15 2020-09-24 住友重機械工業株式会社 監視装置、表示装置、監視方法及び監視プログラム
KR20210139268A (ko) 2019-03-15 2021-11-22 스미도모쥬기가이고교 가부시키가이샤 감시장치, 표시장치, 감시방법 및 감시프로그램

Similar Documents

Publication Publication Date Title
US20220043420A1 (en) Dynamic training for assembly lines
US10692018B2 (en) Machine learning device and machine learning method for learning optimal object grasp route
US10090798B2 (en) Machine learning apparatus and method learning predicted life of power device, and life prediction apparatus and motor driving apparatus including machine learning apparatus
US11715281B2 (en) System and method for detecting objects in a digital image, and system and method for rescoring object detections
JPH0535707A (ja) ニユ−ラルネツトを利用したパタ−ン分類方法および装置
EP3739520A1 (en) Method and apparatus for highly efficient exploring environment on metacognition
Lee et al. Precision and recall for range-based anomaly detection
CN109886087A (zh) 一种基于神经网络的活体检测方法及终端设备
CN114004331A (zh) 一种基于关键指标和深度学习的故障分析方法
JPH07219604A (ja) 学習知識の評価装置および評価方法
JPH04156610A (ja) ニューラルネットワークを用いた人間の動作自動認識装置
CN113242237A (zh) 基于工业物联网的节点设备检测系统及其检测方法
Lim et al. Robust robot knowledge instantiation for intelligent service robots
CN115169245A (zh) 烘干降温时长的预测方法、装置、计算机设备及存储介质
JPH0535308A (ja) フアジイメンバシツプ関数の同定装置及び同定方法
CN113079127B (zh) 攻击识别数据模型的生成与应用方法
US11544620B2 (en) System and method for context-based training of a machine learning model
JPS6325726A (ja) 知識ベースを用いた推論方法
CN114239763B (zh) 一种基于网络信息安全的恶意攻击检测方法和系统
WO2023188052A1 (ja) 学習データ選択装置、学習データ選択方法及び異常検知装置
JP2002324226A (ja) ニューロシステム及びその構築方法
Kamiura et al. On concurrent tests of fuzzy controllers
JP2977099B2 (ja) 演算処理装置
Mladenovski Information fusion schemes for real time risk assessment in adaptive control systems
EP3734500A1 (en) Method for re-identification of observations