JPWO2019107360A1 - 制御システム、工場システム、学習システム、推定用モデルの生成方法及びアクチュエータの状態推定方法 - Google Patents
制御システム、工場システム、学習システム、推定用モデルの生成方法及びアクチュエータの状態推定方法 Download PDFInfo
- Publication number
- JPWO2019107360A1 JPWO2019107360A1 JP2019557240A JP2019557240A JPWO2019107360A1 JP WO2019107360 A1 JPWO2019107360 A1 JP WO2019107360A1 JP 2019557240 A JP2019557240 A JP 2019557240A JP 2019557240 A JP2019557240 A JP 2019557240A JP WO2019107360 A1 JPWO2019107360 A1 JP WO2019107360A1
- Authority
- JP
- Japan
- Prior art keywords
- unit
- model
- information
- data
- estimation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 62
- 238000010801 machine learning Methods 0.000 claims abstract description 89
- 238000004891 communication Methods 0.000 claims abstract description 82
- 238000010276 construction Methods 0.000 claims abstract description 43
- 239000000284 extract Substances 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims description 58
- 238000000605 extraction Methods 0.000 claims description 36
- 238000009795 derivation Methods 0.000 claims description 30
- 230000004044 response Effects 0.000 claims description 17
- 230000006866 deterioration Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 38
- 239000003638 chemical reducing agent Substances 0.000 description 31
- 238000013523 data management Methods 0.000 description 30
- 238000012423 maintenance Methods 0.000 description 19
- 230000005540 biological transmission Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 11
- 238000012937 correction Methods 0.000 description 10
- 238000013500 data storage Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000004519 grease Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013459 approach Methods 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- G05B13/0265—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1679—Programme controls characterised by the tasks executed
- B25J9/1692—Calibration of manipulator
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Robotics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Power Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Manipulator (AREA)
- General Factory Administration (AREA)
- Control Of Electric Motors In General (AREA)
- Feedback Control In General (AREA)
Abstract
Description
本実施形態に係る制御システム1は、工場のセルに設置された産業機器(例えばロボット、NC加工装置等)のアクチュエータを制御するシステムである。図1に示すように、制御システム1は、学習システム2と工場システム3とを備える。工場システム3は、工場に設けられ、アクチュエータを制御する。
図4に示すように、学習システム2は、機能的な構成(以下、「機能モジュール」という。)として、情報抽出部111と、情報蓄積部112と、モデル生成部113と、モデル保持部114(第二モデル保持部)と、モデル評価部115と、表示データ生成部116と、更新情報送信部117と、モデル出力部118とを有する。
(ロボットコントローラ)
図5に示すように、ロボットコントローラ4は、機能モジュールとして、位置制御部211と、速度制御部212と、トルク制御部213とを有する。位置制御部211は、アクチュエータ11〜16の現在の回転角度(以下、「現在角度」という。)を目標の回転角度(以下、「目標角度」という。)に近付けるように速度指令値を生成する。例えば、位置制御部211は、目標角度と現在角度との偏差(以下、「角度偏差」という。)に対して比例演算、比例・積分演算、又は比例・積分・微分演算等を施して速度指令値を生成する。なお、位置制御部211は、上位コントローラ5から取得したアームAの先端の目標位置及び目標姿勢に応じてアクチュエータ11〜16の目標角度を導出する。また、位置制御部211は、センサ23からのフィードバック情報に基づいて現在角度を導出する。例えば位置制御部211は、センサ23から出力されたパルス信号をカウントすることにより現在角度を導出する。位置制御部211は、現在時刻と、目標角度及び現在角度とを対応付けた履歴データを上位コントローラ5に送信する。
上位コントローラ5は、機能モジュールとして、動作プログラム保持部311と、指令出力部312と、制御データ保持部313とを有する。動作プログラム保持部311は、各ロボット10に所定の作業を実行させるための動作プログラムを記憶する。動作プログラムは、時系列に並ぶ目標位置及び目標姿勢(アームAの先端の目標位置及び目標姿勢)を含む。
データ管理装置6は、機能モジュールとして、モデル要求部411と、モデル保持部412(第一モデル保持部)と、インタフェース保持部413と、データ取得部415と、データ保持部416と、推定部417と、予測データ蓄積部418と、モデル構築部419と、モデル保持部420と、推奨時期導出部421,422と、予測式修正部423と、予測式保持部424と、表示データ生成部425と、表示部426とを有する。
A :補正係数
K :減速機22の軸受の定格寿命(h)
N0:減速機22の定格速度(rpm)
Nn:時間毎の減速機22の回転速度(rpm/h)
T0:減速機22の定格トルク(Nm)
Tn:時間毎の減速機22のトルク(Nm/h)
P :減速機の22の種類に応じて定められた定数
通信管理装置7は、機能モジュールとして、データ取得部511(取得部)と、データセット構築部512と、読出データ保持部513と、情報抽出部514と、モデル取得部515と、通信規制部516とを有する。
図6に示すように、学習システム2は、回路190を有する。回路190は、少なくとも一つのプロセッサ191と、メモリ192と、ストレージ193と、ネットワークアダプタ194とを含む。ストレージ193は、コンピュータによって読み取り可能な不揮発型の記憶媒体(例えばハードディスク又はフラッシュメモリ)である。ストレージ193は、学習システム2の各機能モジュールを構成するためのプログラムの記憶領域と、上記情報蓄積部112及び上記モデル保持部114に割り当てられる記憶領域とを含む。メモリ192は、ストレージ193からロードしたプログラム及びプロセッサ191による演算結果等を一時的に記憶する。プロセッサ191は、メモリ192と協働して上記プログラムを実行することで、学習システム2の各機能モジュールを構成する。ネットワークアダプタ194は、プロセッサ191からの指令に応じて、ネットワーク回線NWを介したネットワーク通信を行う。
続いて、推定用モデルの生成方法の一例として、学習システム2により実行される推定用モデルの生成手順、推定用モデルの評価手順及び推定用モデルの出力手順をそれぞれ説明する。
図7に示すように、学習システム2は、まずステップS01を実行する。ステップS01では、情報抽出部111が、読出データ保持部513に新たなデータセットが保存されるのを待機する。読出データ保持部513に新たなデータセットが保存されたか否かは、情報抽出部514への問い合わせ又は情報抽出部514からの通知によって確認可能である。
図8に示すように、学習システム2は、ステップS11,S12,S13,S14を順に実行する。ステップS11では、モデル評価部115が、モデル保持部114に新たな推定用モデルが保存されるのを待機する。ステップS12では、モデル評価部115が、学習用データのいずれかをサンプルデータとして選択し、サンプルデータに含まれる速度データ及びトルクデータを評価対象モデル(モデル保持部114に新たに保存された推定用モデル)に入力して予測濃度データを導出する。ステップS13では、モデル評価部115が、ステップS12において導出された予測濃度データと、サンプルデータが含む実測濃度データとを比較して、推定用モデルの推定精度を評価し、評価結果をモデル保持部114に保存する。ステップS14では、表示データ生成部116が、複数種類の推定用モデルの識別情報と、複数種類の推定用モデルの推定精度の評価結果とを表示するためのデータを生成し、当該データを更新情報送信部117が工場システム3のいずれかのノードXに送信する。以上で推定用モデルの評価手順が完了する。学習システム2は以上の手順を繰り返し実行する。
図9に示すように、学習システム2は、ステップS21,S22,S23を順に実行する。ステップS21では、モデル出力部118が、推定用モデルの送信要求が通信規制部516から送信されるのを待機する。ステップS22では、モデル出力部118が、送信すべき推定用モデルの種類の指定を通信規制部516から取得する。ステップS23では、モデル出力部118が、ステップS22において指定された推定用モデルのデータを通信規制部516に送信する。以上で推定用モデルの出力手順が完了する。学習システム2は以上の手順を繰り返し実行する。
続いて、機械学習用のデータの送信方法の一例として、通信管理装置7により実行されるデータセットの構築手順及びデータセットの送信手順をそれぞれ説明する。
図10に示すように、通信管理装置7は、まずステップS31,S32,S33を順に実行する。ステップS31では、データ取得部511が、データ保持部416に新たなデータが加わるのを待機する。ステップS32では、データ取得部511が、データ保持部416に加わった新たなデータを取得する。ステップS33では、全てのロボット10のアクチュエータ11〜16について新たなデータの取得が完了したか否かをデータ取得部511が確認する。ステップS33において、新たなデータを取得していないアクチュエータ11〜16が残っていると判定した場合、通信管理装置7は処理をステップS31に戻す。以後、全てのロボット10のアクチュエータ11〜16について新たなデータの取得が完了するまで、新たなデータの取得が繰り返される。
図11に示すように、通信管理装置7は、まずステップS41,S42,S43,S44を順に実行する。ステップS41では、情報抽出部111からのデータの送信要求の受信を通信規制部516が待機する。ステップS42では、通信規制部516が、送信すべきデータの分類指定を受信する。ステップS43では、情報抽出部514が、ステップS42において受信された分類指定に応じたデータを読出データ保持部513のデータセットから抽出し、通信規制部516に出力する。ステップS44では、情報抽出部514から取得したデータが分類指定にマッチしているか否かを通信規制部516が確認する。ステップS44において、情報抽出部514から取得したデータが分類指定にマッチしていないと判定した場合、通信管理装置7は処理をステップS43に戻す。以後、分類指定にマッチしたデータが抽出されるまで、データ抽出とデータチェックとが繰り返される。
続いて、アクチュエータの状態推定方法の一例として、推定用モデルのデータの取得手順、推定用モデルに基づくメンテナンス推奨時期の導出手順、及び予測式に基づくメンテナンス推奨時期の導出手順をそれぞれ説明する。
図12に示すように、通信管理装置7は、まずステップS51,S52,S53を順に実行する。ステップS51では、通信規制部516が、モデル要求部411から推定用モデルのデータが要求されるのを待機する。ステップS52では、通信規制部516が、推定用モデルの送信要求をモデル出力部118に送信する。ステップS53では、通信規制部516が、推定用モデルの種類の指定をモデル要求部411から取得してモデル出力部118に送信する。
図13に示すように、データ管理装置6は、まずステップS61,S62,S63を順に実行する。ステップS61では、推定部417が、新たな上記入力データセット(予測濃度データの導出に用いられていない入力データセット)がデータ保持部416に蓄積されるのを待機する。ステップS62では、推定部417が、新たな入力データセットをモデル保持部412の推定用モデルに入力し、上記予測濃度データを導出する。その後、推定部417は、当該予測濃度データを予測データ蓄積部418に保存する。ステップS63では、モデル構築部419が、予測データ蓄積部418に所定数の新たな予測濃度データ(モデル構築部419において未使用の予測濃度データ)が蓄積されたか否かを判断する。蓄積された新たな予測濃度データの数が所定数に達していないと判定した場合、データ管理装置6は処理をステップS61に戻す。以後、所定数の新たな予測濃度データが予測データ蓄積部418に蓄積されたと判定するまでは、予測濃度データの導出及び保存が繰り返される。
図14に示すように、データ管理装置6は、ステップS71,S72,S73を順に実行する。ステップS71では、推奨時期導出部422が、減速機22の回転速度及びトルクの設定値の入力を待機する。ステップS72では、推奨時期導出部422が、入力された設定値と予測式修正部423により修正された予測式とに基づいて、上記第二の推奨時期を導出する。例えば推奨時期導出部422は、上記の式(1)に基づいて第二の推奨時期を導出する。ステップS73では、表示データ生成部425が、第二の推奨時期を表示するための画像データを生成し、表示部426が当該画像データにより第二の推奨時期を含む画像を表示する。表示データ生成部425は、第一の推奨時期及び第二の推奨時期の両方を表示するための画像データを生成してもよい。以上により、予測式に基づくメンテナンス推奨時期の導出手順が完了する。データ管理装置6は、以上のメンテナンス推奨時期の導出手順を繰り返し実行する。
以上に説明したように、制御システム1は、アクチュエータ11〜16を制御する工場システム3と、ネットワーク回線NWを介し、工場システム3からアクチュエータ11〜16に関する機械学習用の情報を抽出し、当該情報を用いた機械学習によりアクチュエータ11〜16の状態の推定用モデルを生成する学習システム2と、を備え、工場システム3は、アクチュエータ11〜16を制御するノードであるロボットコントローラ4及び上位コントローラ5と、ネットワーク回線NWを介して学習システム2に接続されたノードである通信管理装置7と、を含む複数のノードXを有し、通信管理装置7は、機械学習用の情報を、他のノードXのいずれかから取得するデータ取得部511と、データ取得部511が取得した情報を含むデータセットを構築して学習システム2から読み出し可能にするデータセット構築部512と、を含む。
Claims (22)
- アクチュエータを制御する工場システムと、
ネットワーク回線を介し、前記工場システムから前記アクチュエータに関する機械学習用の情報を抽出し、当該情報を用いた機械学習により前記アクチュエータの状態の推定用モデルを生成する学習システムと、を備え、
前記工場システムは、
前記アクチュエータを制御するノードである制御装置と、前記ネットワーク回線を介して前記学習システムに接続されたノードである読出データ構築装置と、を含む複数のノードを有し、
前記読出データ構築装置は、
前記機械学習用の情報を、他の前記ノードのいずれかから取得する取得部と、
前記取得部が取得した情報を含むデータセットを構築して前記学習システムから読み出し可能にするデータセット構築部と、を含む制御システム。 - 前記取得部は、前記制御装置内のデータにアクセスするためのインタフェースプログラムにより前記制御装置内から読み出された前記機械学習用の情報を取得し、
前記インタフェースプログラムは、前記複数のノードのうち、前記読出データ構築装置により前記ネットワーク回線から隔離されたいずれかのノードに設けられたインタフェース保持部に記憶されている、請求項1記載の制御システム。 - 前記複数のノードは、前記読出データ構築装置及び前記制御装置の他の前記ノードを含み、当該ノードが前記インタフェース保持部を含む、請求項2記載の制御システム。
- 前記取得部は、複数の前記アクチュエータに関する前記機械学習用の情報を取得し、
前記データセット構築部は、前記取得部が取得した情報を、前記アクチュエータの識別情報を含む分類用情報により構造化した前記データセットを構築し、
前記学習システムは、
前記分類用情報の指定により、前記データセットから前記機械学習用の情報を抽出する情報抽出部と、
前記情報抽出部が抽出した前記機械学習用の情報を蓄積する情報蓄積部と、
前記情報蓄積部に蓄積された情報を用いた機械学習により、前記推定用モデルを生成するモデル生成部と、を有する、請求項1〜3のいずれか一項記載の制御システム。 - 前記複数のノードのいずれかは、前記学習システムにより生成された前記推定用モデルのデータを記憶する第一モデル保持部を含み、
前記複数のノードのいずれかは、前記第一モデル保持部に記憶された前記推定用モデルに基づいて前記アクチュエータの状態推定を行う推定部を含む、請求項1〜4のいずれか一項記載の制御システム。 - 前記推定部は、前記アクチュエータの劣化状態の推定を行う、請求項5記載の制御システム。
- 前記複数のノードのいずれかは、前記推定部による前記アクチュエータの状態推定結果に基づいて前記アクチュエータの制御パラメータを調節するパラメータ調節部を更に有する、請求項5又は6記載の制御システム。
- 前記学習システムは、
前記モデル生成部により生成された複数種類の前記推定用モデルを記憶する第二モデル保持部と、
前記情報蓄積部に蓄積された情報と、前記複数種類の推定用モデルによる前記アクチュエータの状態推定結果とに基づいてそれぞれの前記推定用モデルの推定精度を評価するモデル評価部と、
前記複数種類の前記推定用モデルの識別情報と、前記複数種類の前記推定用モデルの推定精度の評価結果とを表示するためのデータを生成する表示データ生成部と、を有する請求項4記載の制御システム。 - 前記モデル評価部は、
前記情報蓄積部に蓄積された情報の一部を前記推定用モデルに入力して評価用のデータを導出する評価データ導出部と、
前記評価データ導出部により導出されたデータと、前記情報蓄積部に蓄積された情報が含む前記アクチュエータの状態の情報とを比較して当該推定用モデルの推定精度を評価する精度評価部と、を有する、請求項8記載の制御システム。 - 前記学習システムは、
前記工場システムのいずれかの前記ノードから前記推定用モデルの種類の指定を受信し、当該指定に従った前記推定用モデルのデータを当該ノードに送信するモデル出力部を更に有する、請求項8又は9記載の制御システム。 - アクチュエータを制御する工場システムと、
ネットワーク回線を介し、前記工場システムから前記アクチュエータに関する機械学習用の情報を抽出し、当該情報を用いた機械学習により前記アクチュエータの状態の推定用モデルを生成する学習システムと、を備え、
前記工場システムは、
前記アクチュエータを制御するノードである制御装置を含む複数のノードを有し、
前記複数のノードのいずれかは、前記学習システムにより生成された前記推定用モデルを記憶する第一モデル保持部を含み、
前記複数のノードのいずれかは、前記第一モデル保持部に記憶された前記推定用モデルに基づいて前記アクチュエータの状態推定を行う推定部を含む、制御システム。 - 前記複数のノードのいずれかは、前記学習システムに前記推定用モデルのデータの送信を要求するモデル要求部を含み、
前記複数のノードのいずれかは、前記モデル要求部からの要求に応じて送信された前記推定用モデルのデータを取得するモデル取得部を含む、請求項11記載の制御システム。 - 前記複数のノードのいずれかは、前記モデル要求部からの要求に応じたデータとは異なるデータの取得を制限する通信規制部を含む、請求項12記載の制御システム。
- 前記学習システムは、
前記工場システムから抽出した前記機械学習用の情報を蓄積する情報蓄積部と、
前記情報蓄積部に蓄積された情報を用いた機械学習により、前記推定用モデルを生成するモデル生成部と、
前記モデル生成部により生成された複数種類の前記推定用モデルを記憶する第二モデル保持部と、
前記情報蓄積部に蓄積された情報と、前記複数種類の推定用モデルによる前記アクチュエータの状態推定結果とに基づいてそれぞれの前記推定用モデルの推定精度を評価するモデル評価部と、
前記複数種類の前記推定用モデルの識別情報と、前記複数種類の前記推定用モデルの推定精度の評価結果を表示するためのデータを生成する表示データ生成部と、を有する請求項11〜13のいずれか一項記載の制御システム。 - ネットワーク回線を介して機械学習用の学習システムに接続される工場システムであって、
アクチュエータを制御する制御装置と、前記ネットワーク回線を介して前記学習システムに接続された読出データ構築装置と、を含む複数のノードを備え、
前記読出データ構築装置は、
前記機械学習用の情報を前記制御装置から取得する取得部と、
前記取得部が取得した情報を含むデータセットを構築して前記学習システムから読み出し可能にするデータセット構築部と、を有する工場システム。 - ネットワーク回線を介して機械学習用の学習システムに接続される工場システムであって、
アクチュエータを制御する制御装置を含む複数のノードを備え、
前記複数のノードのいずれかは、前記学習システムにより生成された前記アクチュエータの状態の推定用モデルを記憶する第一モデル保持部を有し、
前記複数のノードのいずれかは、前記第一モデル保持部に記憶された前記推定用モデルに基づいて前記アクチュエータの状態推定を行う推定部を有する、工場システム。 - 複数のアクチュエータに関する機械学習用の情報を当該複数のアクチュエータの制御装置から取得し、取得した情報を前記アクチュエータの識別情報を含む分類用情報により構造化したデータセットを構築する読出データ構築装置にネットワーク回線を介して接続され、前記分類用情報の指定により、前記データセットから前記機械学習用の情報を抽出する情報抽出部と、
前記情報抽出部が抽出した前記機械学習用の情報を蓄積する情報蓄積部と、
前記情報蓄積部に蓄積された情報を用いた機械学習により、前記アクチュエータの状態の推定用モデルを生成するモデル生成部と、を備える学習システム。 - 前記モデル生成部により生成された複数種類の前記推定用モデルを記憶する第二モデル保持部と、
前記情報蓄積部に蓄積された情報と、前記複数種類の推定用モデルによる前記アクチュエータの状態推定結果とに基づいてそれぞれの前記推定用モデルの推定精度を評価するモデル評価部と、
前記複数種類の前記推定用モデルの識別情報と、前記複数種類の前記推定用モデルの推定精度の評価結果を表示するためのデータを生成する表示データ生成部と、を更に備える、請求項17記載の学習システム。 - 複数のアクチュエータに関する機械学習用の情報を当該複数のアクチュエータの制御装置から取得し、取得した情報を前記アクチュエータの識別情報を含む分類用情報により構造化したデータセットを構築する読出データ構築装置にネットワーク回線を介して接続された学習システムにより、前記分類用情報を指定して、前記データセットから前記機械学習用の情報を抽出することと、
取得した前記機械学習用の情報を前記学習システムに蓄積することと、
前記学習システムに蓄積した前記機械学習用の情報を用いた機械学習により、前記学習システムにより前記アクチュエータの状態の推定用モデルを生成することと、を備える推定用モデルの生成方法。 - 生成した複数種類の前記推定用モデルを前記学習システムに記憶することと、
前記学習システムに蓄積した前記機械学習用の情報と、前記複数種類の推定用モデルによる前記アクチュエータの状態推定結果とに基づいてそれぞれの前記推定用モデルの推定精度を評価することと、
前記複数種類の前記推定用モデルの識別情報と、前記複数種類の前記推定用モデルの推定精度の評価結果とを表示するためのデータを生成することと、を更に含む、請求項19記載の推定用モデルの生成方法。 - アクチュエータを制御する制御装置と、ネットワーク回線を介して学習システムに接続された読出データ構築装置とを含む工場システムの前記読出データ構築装置により、アクチュエータに関する機械学習用の情報を前記制御装置から取得し、取得した情報を含むデータセットを構築して前記学習システムから読み出し可能にすることと、
前記データセットから抽出した情報を用いた機械学習により前記学習システムが生成した前記アクチュエータの状態の推定用モデルに基づいて、前記工場システムにより前記アクチュエータの状態推定を行うことと、を含むアクチュエータの状態推定方法。 - 学習システムにおける機械学習により生成されたアクチュエータの状態の推定用モデルを、前記学習システムからネットワーク回線を介して取得し、工場システムに記憶することと、
前記工場システムに記憶した推定用モデルに基づいて、前記工場システムにより前記アクチュエータの状態推定を行うことと、を含むアクチュエータの状態推定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021130092A JP7325481B2 (ja) | 2017-11-28 | 2021-08-06 | 制御システム、工場システム、学習システム、推定用モデルの生成方法及びアクチュエータの状態推定方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017227874 | 2017-11-28 | ||
JP2017227874 | 2017-11-28 | ||
PCT/JP2018/043603 WO2019107360A1 (ja) | 2017-11-28 | 2018-11-27 | 制御システム、工場システム、学習システム、推定用モデルの生成方法及びアクチュエータの状態推定方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021130092A Division JP7325481B2 (ja) | 2017-11-28 | 2021-08-06 | 制御システム、工場システム、学習システム、推定用モデルの生成方法及びアクチュエータの状態推定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2019107360A1 true JPWO2019107360A1 (ja) | 2020-12-03 |
JP6928669B2 JP6928669B2 (ja) | 2021-09-01 |
Family
ID=66665644
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019557240A Active JP6928669B2 (ja) | 2017-11-28 | 2018-11-27 | 制御システム、工場システム、学習システム、推定用モデルの生成方法及びアクチュエータの状態推定方法 |
JP2021130092A Active JP7325481B2 (ja) | 2017-11-28 | 2021-08-06 | 制御システム、工場システム、学習システム、推定用モデルの生成方法及びアクチュエータの状態推定方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021130092A Active JP7325481B2 (ja) | 2017-11-28 | 2021-08-06 | 制御システム、工場システム、学習システム、推定用モデルの生成方法及びアクチュエータの状態推定方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11947322B2 (ja) |
EP (1) | EP3719600A4 (ja) |
JP (2) | JP6928669B2 (ja) |
CN (1) | CN111433691B (ja) |
WO (1) | WO2019107360A1 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11307863B1 (en) | 2018-10-08 | 2022-04-19 | Nvidia Corporation | Graphics processing unit systems for performing data analytics operations in data science |
JP7193491B2 (ja) * | 2020-02-25 | 2022-12-20 | 株式会社日立製作所 | 音点検システム |
WO2021211578A1 (en) * | 2020-04-13 | 2021-10-21 | Orangewoodlabs Inc. | System and/or method for error compensation in mechanical transmissions |
KR102511419B1 (ko) * | 2020-05-11 | 2023-03-17 | 엘에스일렉트릭(주) | 전력 시스템의 데이터 수집 장치 |
JP7342833B2 (ja) * | 2020-10-16 | 2023-09-12 | 横河電機株式会社 | 制御装置、コントローラ、制御システム、制御方法、および制御プログラム |
CN112859792B (zh) * | 2021-02-04 | 2022-04-19 | 杭州易闻科技有限公司 | 一种智能工厂管控系统 |
JP2023002081A (ja) * | 2021-06-22 | 2023-01-10 | オムロン株式会社 | 予測システム、情報処理装置および情報処理プログラム |
JP7304401B1 (ja) | 2021-12-20 | 2023-07-06 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 支援装置、支援方法および支援プログラム |
WO2024142282A1 (ja) * | 2022-12-27 | 2024-07-04 | リンクウィズ株式会社 | 情報処理システム、プログラム、及び情報処理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009116406A (ja) * | 2007-11-01 | 2009-05-28 | Sharp Corp | 評価モデル選択支援システム、評価モデル選択支援方法、及び評価モデル選択支援プログラム |
JP2017033239A (ja) * | 2015-07-31 | 2017-02-09 | ファナック株式会社 | 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法 |
WO2017163569A1 (ja) * | 2016-03-23 | 2017-09-28 | 日本電気株式会社 | データ処理装置、データ処理システム、データ処理方法及びプログラム |
JP2017199077A (ja) * | 2016-04-25 | 2017-11-02 | ファナック株式会社 | 複数台の産業機械を有する生産システムの動作を最適化するセルコントローラ |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7552030B2 (en) * | 2002-01-22 | 2009-06-23 | Honeywell International Inc. | System and method for learning patterns of behavior and operating a monitoring and response system based thereon |
US7920929B2 (en) | 2005-09-29 | 2011-04-05 | Honeywell International Inc. | On-demand auto-tuner for a plant control system |
US7660639B2 (en) * | 2006-03-27 | 2010-02-09 | Hitachi, Ltd. | Control system for control subject having combustion unit and control system for plant having boiler |
CN201681071U (zh) * | 2009-12-11 | 2010-12-22 | 中国计量学院 | 多参数模块化养殖水环境无线监测系统 |
JP5337909B2 (ja) * | 2010-03-30 | 2013-11-06 | 株式会社東芝 | 異常検出装置 |
US10223327B2 (en) * | 2013-03-14 | 2019-03-05 | Fisher-Rosemount Systems, Inc. | Collecting and delivering data to a big data machine in a process control system |
US10649449B2 (en) | 2013-03-04 | 2020-05-12 | Fisher-Rosemount Systems, Inc. | Distributed industrial performance monitoring and analytics |
US10282676B2 (en) | 2014-10-06 | 2019-05-07 | Fisher-Rosemount Systems, Inc. | Automatic signal processing-based learning in a process plant |
US9438648B2 (en) * | 2013-05-09 | 2016-09-06 | Rockwell Automation Technologies, Inc. | Industrial data analytics in a cloud platform |
EP2835704B1 (en) * | 2013-08-06 | 2016-03-23 | ABB Technology Oy | Actuator assembly |
WO2016144586A1 (en) * | 2015-03-11 | 2016-09-15 | Siemens Industry, Inc. | Prediction in building automation |
JP2016191973A (ja) | 2015-03-30 | 2016-11-10 | 日本電気株式会社 | 情報転送装置、学習システム、情報転送方法及びプログラム |
US20160292895A1 (en) * | 2015-03-31 | 2016-10-06 | Rockwell Automation Technologies, Inc. | Layered map presentation for industrial data |
DE102016008987B4 (de) * | 2015-07-31 | 2021-09-16 | Fanuc Corporation | Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt |
US10474128B2 (en) | 2015-11-16 | 2019-11-12 | Jtekt Corporation | Abnormality analysis system and analysis apparatus |
JP6828300B2 (ja) | 2015-11-16 | 2021-02-10 | 株式会社ジェイテクト | 異常解析システム及び解析装置 |
JP6451662B2 (ja) | 2016-02-23 | 2019-01-16 | 株式会社安川電機 | 異常判定装置、異常判定プログラム、異常判定システム、及びモータ制御装置 |
US10416660B2 (en) * | 2017-08-31 | 2019-09-17 | Rockwell Automation Technologies, Inc. | Discrete manufacturing hybrid cloud solution architecture |
-
2018
- 2018-11-27 EP EP18882680.4A patent/EP3719600A4/en active Pending
- 2018-11-27 CN CN201880076376.7A patent/CN111433691B/zh active Active
- 2018-11-27 WO PCT/JP2018/043603 patent/WO2019107360A1/ja unknown
- 2018-11-27 JP JP2019557240A patent/JP6928669B2/ja active Active
-
2020
- 2020-05-19 US US16/877,491 patent/US11947322B2/en active Active
-
2021
- 2021-08-06 JP JP2021130092A patent/JP7325481B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009116406A (ja) * | 2007-11-01 | 2009-05-28 | Sharp Corp | 評価モデル選択支援システム、評価モデル選択支援方法、及び評価モデル選択支援プログラム |
JP2017033239A (ja) * | 2015-07-31 | 2017-02-09 | ファナック株式会社 | 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法 |
WO2017163569A1 (ja) * | 2016-03-23 | 2017-09-28 | 日本電気株式会社 | データ処理装置、データ処理システム、データ処理方法及びプログラム |
JP2017199077A (ja) * | 2016-04-25 | 2017-11-02 | ファナック株式会社 | 複数台の産業機械を有する生産システムの動作を最適化するセルコントローラ |
Also Published As
Publication number | Publication date |
---|---|
CN111433691B (zh) | 2024-03-08 |
JP7325481B2 (ja) | 2023-08-14 |
WO2019107360A1 (ja) | 2019-06-06 |
JP2021182431A (ja) | 2021-11-25 |
JP6928669B2 (ja) | 2021-09-01 |
EP3719600A1 (en) | 2020-10-07 |
EP3719600A4 (en) | 2021-08-11 |
CN111433691A (zh) | 2020-07-17 |
US20200278646A1 (en) | 2020-09-03 |
US11947322B2 (en) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6928669B2 (ja) | 制御システム、工場システム、学習システム、推定用モデルの生成方法及びアクチュエータの状態推定方法 | |
JP7104121B2 (ja) | 故障予知装置、故障予知システム及び故障予知方法 | |
US10668619B2 (en) | Controller and machine learning device | |
JP6569927B1 (ja) | 異常判定システム、モータ制御装置、及び異常判定装置 | |
US9887661B2 (en) | Machine learning method and machine learning apparatus learning operating command to electric motor and controller and electric motor apparatus including machine learning apparatus | |
US10317853B2 (en) | Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device | |
US20180373233A1 (en) | Failure predicting apparatus and machine learning device | |
JP6593715B2 (ja) | 異常判定システム、モータ制御装置 | |
US20170308052A1 (en) | Cell controller for optimizing motion of production system including industrial machines | |
CN110832422B (zh) | 机器学习装置、校正参数调整装置及机器学习方法 | |
US9952574B2 (en) | Machine learning device, motor control system, and machine learning method for learning cleaning interval of fan motor | |
JP6972971B2 (ja) | 制御システム、機械学習装置、メンテナンス支援装置、及びメンテナンス支援方法 | |
JP2018120327A (ja) | 制御装置、制御プログラムおよび制御システム | |
CN110888398B (zh) | 控制装置、cnc装置以及控制方法 | |
EP3139234B1 (en) | Device system, information processing device, and operation proposal method | |
US20220118619A1 (en) | Method and system for detecting anomalies in a robotic system | |
JP2019155574A (ja) | ロボット制御装置、ネットワークシステム、ロボットのパラメータの導出方法およびプログラム | |
JP7486362B2 (ja) | 工作機械の精度診断装置及び精度診断方法 | |
US20220161381A1 (en) | Stability boundary and optimal stable parameter identification in machining | |
JP7060546B2 (ja) | 歯当たり位置調整量推定装置、機械学習装置、ロボットシステム及び歯当たり位置調整量推定システム | |
JP2022128680A (ja) | 動作パラメーターを調整する方法、及び、ロボットシステム | |
CN118226814A (zh) | 生产线加工控制方法、装置、系统和计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200610 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210316 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210423 |
|
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: 20210713 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210806 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6928669 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |