WO2019176496A1 - 制御装置、制御システム、制御方法及び制御プログラム - Google Patents

制御装置、制御システム、制御方法及び制御プログラム Download PDF

Info

Publication number
WO2019176496A1
WO2019176496A1 PCT/JP2019/006595 JP2019006595W WO2019176496A1 WO 2019176496 A1 WO2019176496 A1 WO 2019176496A1 JP 2019006595 W JP2019006595 W JP 2019006595W WO 2019176496 A1 WO2019176496 A1 WO 2019176496A1
Authority
WO
WIPO (PCT)
Prior art keywords
input data
new
output data
controller
data
Prior art date
Application number
PCT/JP2019/006595
Other languages
English (en)
French (fr)
Inventor
勇樹 上山
高史 藤井
泰明 阿部
和彦 今竹
信幸 阪谷
Original Assignee
オムロン株式会社
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 オムロン株式会社 filed Critical オムロン株式会社
Priority to CN201980012035.8A priority Critical patent/CN111684367B/zh
Priority to US16/970,620 priority patent/US11892819B2/en
Priority to EP19767246.2A priority patent/EP3767399A4/en
Publication of WO2019176496A1 publication Critical patent/WO2019176496A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/42—Servomotor, servo controller kind till VSS
    • G05B2219/42018—Pid learning controller, gains adapted as function of previous error
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Definitions

  • the present disclosure relates to a control device, a control system, a control method, and a control program.
  • Patent Document 1 is a process driving support method for obtaining a control variable value whose target is a controlled object in accordance with a plurality of input variable values that change with time, using a neural circuit model, Of the past driving history information, a pattern of a plurality of input variable values is used as an input signal, and a control variable value corresponding to the pattern is used as a teacher signal to cause the neural circuit model to learn, and any input to the learned neural circuit model A process operation support method for obtaining a control variable value for a pattern by inputting a variable value pattern is described.
  • the present invention provides a control device, a control system, a control method, and a control program that can confirm the reliability of control of an operating machine.
  • a control device includes a controller that outputs output data with respect to input data, and controls the operating machine using the controller, and input data and output data obtained in the past At least one of an acquisition unit that acquires attribute information including a statistic, attribute information, new input data that is newly input to the controller, and new output data that is output from the controller in response to the new input data
  • An evaluation unit that evaluates how far at least one of the new input data and the new output data is deviated from the statistic based on the comparison with either of them.
  • the attribute information is information representing the characteristics of the input data and the output data, and includes statistics of the input data and the output data.
  • the statistics of input data and output data may include maximum and minimum values of input data and output data, and may include an average value, median, quartile, variance, and the like of input data and output data.
  • At least one of the new input data and the new output data is evaluated by evaluating how far the new input data and the new output data deviate from the statistics.
  • a change unit that changes at least one of new input data and new output data based on the degree of deviation evaluated by the evaluation unit may be further provided.
  • the changing unit compares the degree of deviation numerically evaluated by the evaluation unit with a threshold value, and determines that the deviation is larger than the threshold value, at least one of new input data and new output data Either one may be changed.
  • the reliability is ensured by changing at least one of the new input data and the new output data. Therefore, the operating machine can be controlled within the range, and failure and malfunction of the operating machine can be prevented.
  • the changing unit does not use at least one of new input data and new output data based on the degree of deviation evaluated by the evaluation unit, and the control unit is different from the controller.
  • the controller may be used to control the operating machine.
  • the reliability of the control of the operating machine when it is evaluated that the reliability of the control of the operating machine is not sufficiently high, at least one of the new input data and the new output data is not used, and the reliability is ensured.
  • the operating machine can be controlled using another controller, and failure and malfunction of the operating machine can be prevented.
  • the attribute information further includes a measurement amount including at least one of information related to an environment in which the operating machine is measured and information related to the state of the operating machine measured in the past by the measuring device, and the evaluation unit includes the attribute information.
  • a new measured quantity is determined from the measured quantity based on a comparison with the new measured quantity measured by the measuring device. It may be evaluated whether the degree of deviation is present.
  • At least one of the environment in which the current operating machine operates and the state of the operating machine is It is possible to confirm whether or not there is a deviation from at least one of the environment in which the operating machine operates and the state of the operating machine in the past, and it is possible to check whether the reliability of control of the operating machine by the controller is ensured.
  • the environment information may include information about the time when the operating machine is controlled by the control unit, and the state information may include information for distinguishing whether the operating machine is operating or stopped.
  • the information on the environment may include information on the climate such as the temperature and humidity of the room in which the operating machine operates.
  • the information for distinguishing whether the operating machine is operating or stopped may be at least binary information and does not necessarily have to be character information.
  • the controller it is possible to confirm whether the current time at which the operating machine operates deviates from the past time at which the operating machine has operated, and to confirm whether the environment for controlling the operating machine is different from the past. be able to. Further, it is possible to prevent the evaluation unit from evaluating the divergence of the input data and output data statistics obtained when the operating machine is stopped, and the new input data and new output data, The reliability of the control of the operating machine by the controller can be confirmed more accurately.
  • the evaluation unit may further include a setting unit that sets a new measurement amount and a reference for comparing the measurement amount.
  • the input data and the output data include numerical data
  • the attribute information includes the maximum value and the minimum value of the input data and the output data
  • the evaluation unit includes at least one of the new input data and the new output data. It may be evaluated how far one of the values deviates from the maximum value and the minimum value.
  • the evaluation unit determines whether the new input data newly input to the controller is greater than or equal to the minimum value and less than or equal to the maximum value of the input data obtained in the past. You may evaluate the divergence.
  • the evaluation unit determines the difference between the new output data and the statistic based on whether the new output data output from the controller is greater than the minimum value and less than the maximum value of the output data obtained in the past. May be evaluated.
  • the input data and the output data include numerical data
  • the attribute information includes a probability distribution of the input data and the output data
  • the evaluation unit generates new input data and new data based on the value of the probability distribution. You may evaluate how much at least any one of output data has deviated from input data and output data.
  • the evaluation unit calculates a probability that new input data is obtained based on the probability distribution obtained from the input data obtained in the past, and based on the probability, the input data obtained in the past and The degree of divergence of new input data may be evaluated.
  • the evaluation unit calculates a probability that new output data is obtained based on the probability distribution obtained from the output data obtained in the past, and based on the probability, the output data obtained in the past and the new output data are calculated.
  • the degree of deviation of the output data may be evaluated.
  • the controller may include a learned model generated by machine learning using learning data that defines the relationship between input data and output data.
  • a control system includes a learning device that performs learning processing of a controller by machine learning using learning data that defines a relationship between input data and output data, and an operating machine using the controller
  • a control system including a control unit that controls the control device, the learning device further includes a generation unit that generates attribute information including statistics of input data and output data obtained in the past,
  • the control device includes at least one of an acquisition unit that acquires attribute information, attribute information, new input data that is newly input to the controller, and new output data that is output from the controller in response to the new input data.
  • an evaluation unit that evaluates how far the new input data and / or the new output data deviate from the statistics based on the comparison with the other. .
  • At least one of the new input data and the new output data is evaluated by evaluating how far the new input data and the new output data deviate from the statistics. Can be confirmed whether it is similar to the input data and output data used to generate the learned model, and whether the reliability of the control of the operating machine by the controller can be guaranteed. .
  • the information processing apparatus may further include a measurement device that measures information related to an environment in which the operating machine operates, and the generation unit may generate attribute information based on the information related to the environment.
  • the apparatus may further include a measurement device that measures information related to the state of the operating machine, and the generation unit may generate attribute information based on the information related to the state.
  • a control method controls an operating machine using a controller that outputs output data with respect to input data, and acquires attribute information including statistics of the input data and the output data.
  • At least one of the new input data and the new output data is evaluated by evaluating how far the new input data and the new output data deviate from the statistics.
  • a control program includes a control unit that outputs an output data with respect to input data, and a control unit that controls the operating machine using the controller, the arithmetic unit provided in the control device, An acquisition unit for acquiring attribute information including statistics of input data and output data, new input data to be newly input to the controller, new input data to be input to the controller, and new output to be output from the controller Based on the comparison with at least one of the output data, it is operated as an evaluation unit that evaluates how much the new input data and / or the new output data deviate from the statistics.
  • At least one of the new input data and the new output data is evaluated by evaluating how far the new input data and the new output data deviate from the statistics.
  • a control device capable of confirming the reliability of control of an operating machine are provided.
  • FIG. 1 is a functional block diagram of a control system 1 according to an embodiment of the present invention.
  • the control system 1 operates using a learning device 20 that performs learning processing of the controller 11a by machine learning using learning data that defines the relationship between input data and output data, and the controller 11a.
  • a control device 10 having a control unit 11 that controls the machine 30.
  • the control device 10 that controls the operating machine 30 using the controller 11a generated by machine learning by the learning device 20 will be described.
  • the controller 11a is not necessarily generated by machine learning.
  • the operating machine 30 may be controlled based on a relational expression derived theoretically or an empirical relational expression regarding the relationship between input data and output data.
  • the control apparatus 10 and the learning apparatus 20 may be configured as an integrated apparatus.
  • the control device 10 and the learning device 20 may be realized as different operations of a PLC (Programmable Logic Controller).
  • the learning device 20 includes a learning data storage unit 21, a learning unit 22, a generation unit 23, and a learning result storage unit 24.
  • the learning data storage unit 21 may store the input data input to the control device 10 and the output data output from the control unit 11 for controlling the operating machine 30 as learning data.
  • the input data and the output data may be sequentially stored and accumulated in the learning data storage unit 21.
  • the learning unit 22 executes the learning process of the controller 11a by machine learning using the learning data stored in the learning data storage unit 21.
  • the learning unit 22 may perform the learning process of the controller 11a so that output data corresponding to the input data is output based on the input data obtained in the past.
  • the controller 11a may be composed of an arbitrary learning model, but may be composed of, for example, a neural network.
  • the generation unit 23 generates attribute information including statistics of input data and output data obtained in the past.
  • the input data and the output data may include numerical data
  • the attribute information may include at least the maximum value and the minimum value of the input data and the output data.
  • the statistical amount of the input data and output data included in the attribute information may be an amount other than the maximum value and the minimum value of the input data and output data. For example, the average value, median value, four values of the input data and output data Quantiles, variances, etc. may be included.
  • the learning result storage unit 24 stores a learned model storage unit 24a that stores a learned model generated by the learning process performed by the learning unit 22, an attribute information storage unit 24b that stores attribute information generated by the generation unit 23, May be included.
  • the learned model and the attribute information including the statistics of the input data and the output data used in the learning process of the learned model may be stored in association with each other.
  • the control device 10 includes a controller 11a that outputs output data with respect to input data.
  • the controller 11 controls the operating machine 30 using the controller 11a, an acquisition unit 12 that acquires attribute information, and an evaluation unit. 13, a changing unit 14, and a setting unit 15.
  • the controller 11a may be mounted with a learned model that is generated by machine learning using learning data by the learning unit 22 and stored in the learned model storage unit 24a.
  • the acquisition part 12 may acquire the attribute information linked
  • the evaluation unit 13 is based on a comparison between the attribute information and at least one of new input data newly input to the controller 11a and new output data output from the controller 11a with respect to the new input data. Thus, it is evaluated how far at least one of the new input data and the new output data is deviated from the statistics included in the attribute information. For example, the evaluation unit 13 compares new input data newly input to the controller 11a with minimum and maximum values of input data obtained in the past, and new input data is obtained in the past. The discrepancy between the new input data and the statistic may be evaluated depending on whether the input data is not less than the minimum value and not more than the maximum value.
  • the new input data is not less than the minimum value and not more than the maximum value of the input data obtained in the past, it is evaluated that there is no divergence and new input data is obtained in the past.
  • the difference between the new input data and the minimum value or the maximum value may be evaluated as a divergence.
  • the evaluation unit 13 compares the new output data output from the controller 11a with the minimum value and the maximum value of the output data obtained in the past, and new output data is obtained in the past. The difference between the new output data and the statistic may be evaluated depending on whether the output data is not less than the minimum value and not more than the maximum value.
  • the new output data is not less than the minimum value and not more than the maximum value of the output data obtained in the past, it is evaluated that there is no divergence and new output data is obtained in the past. If the output data is smaller than the minimum value or larger than the maximum value, the difference between the new output data and the minimum value or the maximum value may be evaluated as a divergence.
  • At least one of the new input data and the new output data is It can be confirmed whether the input data and the output data obtained in the past are similar, and it can be confirmed whether the reliability of the control of the operating machine 30 by the controller 11a is ensured. Thereby, it is possible to easily confirm whether or not the operating machine 30 is appropriately controlled, and it is possible to prevent malfunction and failure of the operating machine 30.
  • the learning device 20 includes a learning data storage unit 21, a learning unit 22, a generation unit 23, and a learning result storage unit 24.
  • the learning data storage unit 21 is operated by the input data input to the control device 10 to control the operating machine 30, the output data output from the control unit 11, and the operating machine 30 measured by the measuring device 40.
  • the information regarding the environment to be performed and the information regarding the state of the operating machine 30 may be stored in association with each other. These pieces of information may be sequentially stored and accumulated in the learning data storage unit 21.
  • the learning unit 22 executes the learning process of the controller 11a by machine learning using the learning data stored in the learning data storage unit 21.
  • the learning unit 22 may perform the learning process of the controller 11a so that output data corresponding to the input data is output based on the input data obtained in the past.
  • the controller 11a may be composed of an arbitrary learning model, but may be composed of, for example, a neural network.
  • the learning unit 22 may perform a neural network learning process by an error back propagation method. Further, the learning unit 22 outputs the output data corresponding to the input data based on the input data obtained in the past, information on the environment in which the operating machine 30 operates, and information on the state of the operating machine 30. You may perform the learning process of the controller 11a.
  • the generation unit 23 generates attribute information including statistics of input data and output data obtained in the past.
  • the input data and the output data may include numerical data
  • the attribute information may include the maximum value and the minimum value of the input data and the output data.
  • the attribute information may include a probability distribution of input data and output data.
  • the probability distribution of the input data may be, for example, the average and variance of the normal distribution as the sample mean and sample variance of the input data
  • the probability distribution of the output data is, for example, the average and variance of the normal distribution as the sample of the output data It may be the mean and sample variance.
  • input data and output data include a plurality of clusters, for example, a plurality of averages and a plurality of variances of a mixed normal distribution may be set as an average and a variance for each cluster of input data and output data. .
  • the attribute information may further include a measurement amount including at least one of information on the environment in which the operating machine 30 is measured in the past by the measuring device 40 and information on the state of the operating machine 30.
  • the information related to the environment may include information related to the time when the operating machine 30 is controlled by the control unit 11.
  • the information regarding the environment may include information regarding the climate such as the temperature and humidity of the room in which the operating machine 30 operates.
  • the information regarding the state may include information for distinguishing whether the operating machine 30 is operating or stopped.
  • the information for discriminating whether it is operating or stopped may be at least binary information, and does not necessarily have to be character information.
  • the information regarding the state may include information regarding power consumption when the operating machine 30 is operating, or may include information regarding the reason for stopping when the operating machine 30 is stopped.
  • the reason for the stop may be that the operation is temporarily stopped due to the setting operation of the operating machine 30 or that the operating machine 30 is urgently stopped.
  • information related to the environment information regarding the time when the operating machine 30 was controlled by the control unit 11 is included, so that it is confirmed whether the current time when the operating machine 30 operates deviates from the past time when the operating machine 30 operated. It is possible to check whether or not the environment for controlling the operating machine 30 is different from the past.
  • the information on the state includes information for distinguishing whether the operating machine 30 is operating or stopped, so that statistics of input data and output data obtained when the operating machine 30 is stopped are included. It is possible to prevent the evaluation unit 13 from evaluating the deviation of the quantity, the new input data, and the new output data, and more accurately confirm the reliability of the control of the operating machine 30 by the controller 11a. Can do.
  • the input data and output data obtained when the operating machine 30 is stopped are excluded from the learning data, and the input data and output data obtained when the operating machine 30 is operating are used as learning data.
  • the learning process of the controller 11a is performed so as to accurately reproduce the relationship between the input data and the output data that can be stored in the learning data storage unit 21 and used to control the operating machine 30 in operation. be able to.
  • the learning result storage unit 24 stores a learned model storage unit 24a that stores a learned model generated by the learning process performed by the learning unit 22, an attribute information storage unit 24b that stores attribute information generated by the generation unit 23, May be included.
  • the learned model and the attribute information including the statistics of the input data and the output data used in the learning process of the learned model may be stored in association with each other.
  • the control device 10 includes a control unit 11, an acquisition unit 12, an evaluation unit 13, a change unit 14, and a setting unit 15.
  • the control unit 11 includes a controller 11a that outputs output data with respect to input data, and controls the operating machine 30 using the controller 11a.
  • the controller 11a may include a learned model generated by machine learning using learning data that defines the relationship between input data and output data.
  • the controller 11a is generated by the learning unit 22 and stored in the learned model storage unit 24a. Trained learned models may be implemented. As a result, it is possible to confirm whether at least one of the new input data and the new output data is similar to the input data and the output data used for generating the learned model. It can be confirmed whether the reliability of the control of the operating machine 30 is ensured.
  • the acquisition unit 12 acquires attribute information including statistics of input data and output data obtained in the past.
  • the acquisition unit 12 may acquire attribute information associated with the learned model implemented in the controller 11a from the attribute information storage unit 24b.
  • the evaluation unit 13 is based on a comparison between the attribute information and at least one of new input data newly input to the controller 11a and new output data output from the controller 11a with respect to the new input data. Thus, it is evaluated how far the new input data and / or the new output data deviate from the statistics.
  • the evaluation unit 13 obtains at least one of the new input data and the new output data in the past. You may evaluate how much it deviates from the maximum value and minimum value of input data and output data. By evaluating how far the new input data and / or new output data deviate from the maximum and minimum values of the input data and output data obtained in the past, new input data and new output data are evaluated. Whether at least any one of the output data is similar to the input data and the output data obtained in the past, and can the reliability of the control of the operating machine 30 by the controller 11a be ensured? Can be confirmed.
  • the evaluation unit 13 determines that at least one of new input data and new output data is based on the value of the probability distribution. You may evaluate how much it deviates from the input data and output data which were obtained in the past. Specifically, the probability that new input data is obtained is calculated based on the probability distribution obtained from the input data obtained in the past, and the input data obtained in the past and the new data are calculated based on the probability. The degree of divergence of input data may be evaluated. Also, based on the probability distribution obtained from the output data obtained in the past, the probability of obtaining new output data is calculated, and based on the probability, the output data obtained in the past and the new output data are calculated.
  • the degree of deviation may be evaluated. Whether at least one of the new input data and the new output data is similar to the input data and output data obtained in the past based on the probability distribution values of the input data and output data obtained in the past It is possible to confirm whether the reliability of the control of the operating machine 30 by the controller 11a is ensured.
  • the evaluation unit 13 When the measurement information including at least one of the information related to the environment in which the operating machine 30 is operated and the information related to the state of the operating machine 30 measured in the past by the measuring device 40 is included in the attribute information, the evaluation unit 13 And when new input data and / or new output data are generated, a new measured quantity is measured in the past based on a comparison with the new measured quantity measured by the measuring device 40. The degree of deviation from the measured amount may be evaluated.
  • At least one of the current environment in which the operating machine 30 operates and the state of the operating machine 30 is It is possible to confirm whether or not there is a deviation from at least one of the environment in which the machine 30 operates and the state of the machine 30, and whether the reliability of the control of the machine 30 by the controller 11 a can be ensured. .
  • the changing unit 14 changes at least one of new input data and new output data based on the degree of deviation evaluated by the evaluation unit 13. For example, the changing unit 14 compares the degree of deviation numerically evaluated by the evaluation unit 13 with a threshold value, and determines that the deviation is larger than the threshold value, the new input data and the new output data At least one of them may be changed. As described above, when it is evaluated that the degree of deviation evaluated by the evaluation unit 13 is large and the reliability of the control of the operating machine 30 is not sufficiently high, at least one of new input data and new output data. By changing one of them, the operating machine 30 can be controlled within a range in which reliability is ensured, and failure and malfunction of the operating machine 30 can be prevented.
  • the changing unit 14 may not use at least one of new input data and new output data based on the degree of deviation evaluated by the evaluation unit 13.
  • the control unit 11 may control the operating machine 30 using an auxiliary controller 11b that is different from the controller 11a.
  • the auxiliary controller 11b corresponds to “another controller” of the present invention.
  • the auxiliary controller 11b may be a controller that performs classical control such as PID control or a controller that performs modern control.
  • PID control a controller that performs modern control.
  • the setting unit 15 uses the evaluation unit 13 to create a new measurement amount. And a reference for comparison with the measured quantity measured in the past.
  • the setting unit 15 may set a threshold value used in a comparison between a new measurement amount and a measurement amount measured in the past.
  • a plurality of threshold values may be set according to the degree of deviation.
  • the setting unit 15 indicates that the current time when the operating machine 30 operates is You may set the threshold value for judging whether it deviates from the past time which operate
  • the setting unit 15 may set a threshold value that defines a plurality of time zones in which the operating machine 30 operates. More specifically, when dividing a plurality of time zones in which the operating machine 30 operates into four such as morning, noon, evening, and night, six times that define the four time zones may be set as threshold values. For example, the setting unit 15 may set a threshold value that determines a season in which the operating machine 30 operates.
  • the season in which the operating machine 30 operates is divided into four seasons such as spring, summer, autumn, and winter
  • four dates that define the four seasons may be set as threshold values.
  • the setting unit 15 sets the current temperature and humidity of the room in which the operating machine 30 operates.
  • you may set the threshold value for judging whether it deviates from the past temperature and humidity.
  • the operating machine 30 may be a machine that performs an arbitrary operation, and may be, for example, a robot or an actuator provided in a production line.
  • the operating machine 30 may be feedback-controlled by the control device 10, and the current control amount of the operating machine 30 may be acquired by the control device 10 and used as input data of the controller 11a. Further, input data and output data of the control device 10 may be sequentially stored in the learning data storage unit 21.
  • the measuring device 40 measures information related to the environment in which the operating machine 30 operates, and measures information related to the state of the operating machine 30.
  • the measurement amount measured by the measurement device 40 may be sequentially stored in the learning data storage unit 21.
  • the degree to which at least one of new input data and new output data is deviated from the statistics of input data and output data obtained in the past is evaluated.
  • the measurement apparatus 40 measures information related to the environment in which the operating machine 30 operates, and the generation unit 23 generates attribute information based on the information related to the environment. It is possible to confirm whether or not there is a deviation from the environment in the above, and it is possible to confirm whether or not the reliability of the control of the operating machine 30 by the controller 11a is ensured.
  • the measurement device 40 measures information related to the state of the operating machine 30, and the generation unit 23 generates attribute information based on the information related to the state, whereby the current state of the operating machine 30 is changed to the past operating machine 30. It is possible to confirm whether or not there is a deviation from the state, and it is possible to confirm whether or not the reliability of the control of the operating machine 30 by the controller 11a is ensured.
  • FIG. 2 is a diagram illustrating a physical configuration of the control device 10 according to the present embodiment.
  • the control device 10 includes a CPU (Central Processing Unit) 10a corresponding to a calculation unit, a RAM (Random Access Memory) 10b corresponding to a storage unit, a ROM (Read only Memory) 10c corresponding to a storage unit, and a communication unit 10d. And an input unit 10e and a display unit 10f.
  • Each of these components is connected to each other via a bus so that data can be transmitted and received.
  • this example demonstrates the case where the control apparatus 10 is comprised with one computer, the control apparatus 10 may be implement
  • the structure shown in FIG. 2 is an example, and the control apparatus 10 may have a structure other than these, and does not need to have a part among these structures.
  • the CPU 10a is a control unit that performs control related to execution of a program stored in the RAM 10b or the ROM 10c, and calculates and processes data.
  • the CPU 10a evaluates how far at least one of the new input data and the new output data differs from the statistics of the input data and the output data obtained in the past, and a program for controlling the operating machine 30 ( (Control program).
  • the CPU 10a receives various input data from the input unit 10e and the communication unit 10d, and displays the calculation result of the input data on the display unit 10f or stores it in the RAM 10b or the ROM 10c.
  • the RAM 10b can rewrite data in the storage unit, and may be composed of, for example, a semiconductor storage element.
  • the RAM 10b may store data such as a control program executed by the CPU 10a, input data input to the controller 11a, and output data output from the controller 11a. These are examples, and the RAM 10b may store data other than these, or some of them may not be stored.
  • the ROM 10c is capable of reading data out of the storage unit, and may be composed of, for example, a semiconductor storage element.
  • the ROM 10c may store, for example, a control program and data that is not rewritten.
  • the communication unit 10d is an interface that connects the control device 10 to another device.
  • the communication unit 10d is connected to the learning device 20, the operating machine 30, and the measuring device 40 through, for example, a LAN (Local Area Network), and receives information for configuring a learned model from the learning apparatus 20, or the operating machine
  • the output data of the controller 11 a may be transmitted to 30, or the measurement amount may be received from the measurement device 40.
  • the communication unit 10d may be connected to a communication network such as the Internet.
  • the communication unit 10d includes inter-process communication between a process operating as the control device 10 and a process operating as the learning device 20. Good.
  • the input unit 10e receives data input from the user, and may include, for example, a keyboard, a mouse, and a touch panel.
  • the input unit 10e may accept an input of a threshold set by the setting unit 15, for example.
  • the display unit 10f visually displays the calculation result by the CPU 10a, and may be configured by, for example, an LCD (Liquid Crystal Display).
  • the display unit 10f may display, for example, a measurement amount measured by the measurement device 40 or display an operation history of the operating machine 30.
  • the control program may be provided by being stored in a computer-readable storage medium such as the RAM 10b or the ROM 10c, or may be provided via a communication network connected by the communication unit 10d.
  • the CPU 10a executes the control program, thereby realizing the operations of the control unit 11, the acquisition unit 12, the evaluation unit 13, the change unit 14, and the setting unit 15 described with reference to FIG. .
  • the control program may be expanded in the RAM 10b, and the control program expanded in the RAM 10b may be interpreted and executed by the CPU 10a.
  • these physical structures are illustrations, Comprising: It does not necessarily need to be an independent structure.
  • the control device 10 may include an LSI (Large-Scale Integration) in which the CPU 10a, the RAM 10b, and the ROM 10c are integrated.
  • FIG. 3 is a diagram showing data D used in the control system 1 according to the present embodiment.
  • the data D may be stored in the learning data storage unit 21, and the input data x input to the controller 11a, the output data y output from the controller 11a, the input data x and the output data y are obtained. And information on the state of the operating machine 30 when the input data x and the output data y are obtained.
  • the input data x input to the controller 11a is “1.5” for the time “10: 04: 00.000” and “3. 4 ”,“ 2.2 ”for the time“ 10: 06: 00.000 ”, and“ 5.6 ”for the time“ 10: 07: 00.000 ”.
  • the input data may be a vector value or an image.
  • the time may be the absolute time shown in this example, or may be a count value from a reference time such as an internal clock value of the CPU 10a of the control device 10 or the like. However, when the count value from the reference time is stored, it may be read as the absolute time when the control system 1 refers to the time.
  • the time is shown in the format of hour, minute, second, and millisecond, but the time may be stored in units of seconds or may be stored in units of microseconds.
  • the output data y output from the controller 11a is “10” for the time “10: 04: 00.000”, “2” for the time “10: 05: 00.000”, and the time It is “4” for “10: 06: 00.000” and “6” for the time “10: 07: 00.0000”.
  • These numerical values are simplified representations of the control amount of the operating machine 30 and are merely examples, and the output data may be a vector value or a truth value. Even when the input data x is an image, the output data y may be a numerical value representing the control amount of the operating machine 30.
  • the input data x is an image
  • a specific region of the image is cut out, smoothed by a convolution operation between the image and a Gaussian kernel, or an edge is emphasized by a convolution operation between the image and a Sobel filter, It may be input to the controller 11a after performing preprocessing such as binarization of the color image.
  • the information regarding the state of the operating machine 30 when the input data x and the output data y are obtained is “in operation (1)” at the time “10: 04: 00.000”, “In operation (1)” for time “10: 05: 00.000”, “Stopped (0)” for time “10: 06: 00.000”, and “10: 07: 00.000” In operation (1) ”.
  • “1” and “0” in parentheses are binary values indicating whether the operation is in progress or the operation is stopped.
  • an arbitrary numerical value may be associated with each state.
  • the information regarding the state may be a vector value, a character, or a truth value.
  • FIG. 4 is a diagram showing simplified statistics of input data and output data of the controller 11a according to the present embodiment.
  • input data and output data are each simplified as one-dimensional data, with “x (input data)” on the horizontal axis and “y (output data)” on the vertical axis.
  • a plurality of plot points indicate values of input data and output data obtained in the past.
  • a first graph G1 indicating what kind of output data is output when new input data is input to the controller 11a is indicated by a broken line.
  • the controller 11a is learned so as to reproduce the relationship between input data and output data obtained in the past, and the first graph G1 is illustrated as a linear function for simplicity.
  • the controller 11a When new input data “x_new1” is input to the controller 11a, the controller 11a outputs new output data “y_new1” according to the learned first graph G1. As shown in FIG. 4, the new input data “x_new1” is larger than the minimum value “x_min” of the input data obtained in the past and smaller than the maximum value “x_max”. The new output data “y_new1” is larger than the minimum value “y_min” of the output data obtained in the past and smaller than the maximum value “y_max”. Therefore, the evaluation unit 13 may evaluate that the new input data “x_new1” and the new output data “y_new1” do not deviate from the statistics of the input data and output data obtained in the past. In this case, the operating machine 30 may be controlled using the new output data “y_new1” output from the controller 11a.
  • the controller 11a when new input data “x_new2” is input to the controller 11a, the controller 11a outputs new output data “y_new2” according to the learned first graph G1.
  • the new input data “x_new2” is larger than the minimum value “x_min” of the input data obtained in the past and larger than the maximum value “x_max”.
  • the new output data “y_new2” is larger than the minimum value “y_min” of the output data obtained in the past and larger than the maximum value “y_max”. That is, the new input data “x_new2” and the new output data “y_new2” are larger than the maximum values of the input data and output data obtained in the past, and have not been used in the past for controlling the operating machine 30.
  • the evaluation unit 13 may evaluate that the new input data “x_new2” and the new output data “y_new2” are different from the statistics of the input data and output data obtained in the past. Specifically, the evaluation unit 13 may evaluate the degree of divergence of input data by (x_new2-x_max) and may evaluate the degree of divergence of output data by (y_new2-y_max). In this case, the operation machine 30 may be controlled by using the auxiliary controller 11b without using the new output data “y_new2” output from the controller 11a.
  • FIG. 5 is a flowchart of the first control process of the operating machine 30 executed by the control system 1 according to the present embodiment.
  • the control system 1 acquires the current control amount of the operating machine 30 as new input data by the control device 10 (S10).
  • the control device 10 inputs new input data to the learned controller 11a and generates new output data (S11). And the control apparatus 10 acquires the attribute information linked
  • the attribute information associated with the learned controller 11a may be attribute information generated by the generation unit 23 from the learning data used for the learning process of the learned controller 11a.
  • the control device 10 evaluates the difference between the new input data and the new output data, and the maximum value and the minimum value included in the attribute information (S13).
  • the target to be compared with the new input data and the new output data may be a statistic included in the attribute information, and the average value, median, and quartile of the input data and output data obtained in the past. It may be a number, dispersion, etc., or a combination thereof.
  • the control device 10 controls the operating machine 30 with the new output data output from the controller 11a (S15).
  • the control device 10 discards the new output data by the changing unit 14 (S16), and uses the auxiliary controller 11b to change the operating machine 30.
  • Control (S17). In the example described above, after new output data is generated by the controller 11a, the difference between the new input data and the new output data and the maximum value and the minimum value included in the attribute information is evaluated.
  • the control device 10 may generate new output data by the controller 11a and control the operating machine 30 by the new output data.
  • the control device 10 may control the operating machine 30 by the auxiliary controller 11b without inputting new input data to the controller 11a.
  • FIG. 6 is a flowchart of the second control process of the operating machine 30 executed by the control system 1 according to the present embodiment.
  • the second control process is a process of controlling the operating machine 30 by evaluating a difference between a new measurement amount measured by the measurement device 40 and a measurement amount measured in the past.
  • the control system 1 first acquires the current control amount of the operating machine 30 as new input data by the control device 10 (S20). Thereafter, the control device 10 inputs new input data to the learned controller 11a and generates new output data (S21).
  • control system 1 measures the new measurement amount including the information regarding the environment in which the operating machine 30 operates and the information regarding the state of the operating machine 30 by the measuring device 40, and acquires the new measured amount by the control device 10. (S22).
  • the control device 10 acquires attribute information associated with the learned controller 11a (S23).
  • the attribute information may include information on the environment in which the operating machine 30 operates and information on the state of the operating machine 30 measured in the past by the measurement device 40.
  • the control device 10 evaluates the divergence between the new measurement amount and the measurement amount included in the attribute information (S24). Note that the comparison between the new measurement amount and the measurement amount measured in the past may be performed based on the reference set by the setting unit 15.
  • the control device 10 controls the operating machine 30 with the new output data output from the controller 11a (S26).
  • the control device 10 discards the new output data by the changing unit 14 (S27), and uses the auxiliary controller 11b to change the operating machine 30.
  • Control S28.
  • the difference between the new measured amount and the measured amount included in the attribute information is evaluated.
  • the attribute information associated with the learned controller 11a may be acquired, and the difference between the new measurement amount and the measurement amount included in the attribute information may be evaluated.
  • control device 10 may generate new output data by the controller 11a and control the operating machine 30 by the new output data.
  • control device 10 may control the operating machine 30 by the auxiliary controller 11b without inputting new input data to the controller 11a.
  • the second control process ends.
  • FIG. 7 is a diagram showing a simplified probability distribution of input data and output data of the controller 11a according to the present embodiment.
  • input data and output data are each simplified as one-dimensional data, with “x (input data)” on the horizontal axis and “y (output data)” on the vertical axis.
  • a plurality of plot points indicate values of input data and output data obtained in the past.
  • the graph shown in FIG. 7 shows the first probability distribution P1 obtained based on the sample mean and sample variance of the input data obtained in the past. Further, in the figure, a first graph G1 indicating what kind of output data is output when new input data is input to the controller 11a is indicated by a broken line. Here, the controller 11a is learned so as to reproduce the relationship between input data and output data obtained in the past, and the first graph G1 is illustrated as a linear function for simplicity.
  • the controller 11a When new input data “x_new3” is input to the controller 11a, the controller 11a outputs new output data “y_new3” according to the learned first graph G1.
  • the new input data “x_new3” is data such that the value of the first probability distribution P1 is almost the maximum value.
  • the new input data “x_new3” is data that falls within the range of ⁇ ⁇ 1 ⁇ when the average value of the first probability distribution P1 is ⁇ and the standard deviation is ⁇ . Therefore, the evaluation unit 13 may evaluate that the new input data “x_new3” and the new output data “y_new3” do not deviate from the statistics of the input data and output data obtained in the past. In this case, the operating machine 30 may be controlled using the new output data “y_new3” output from the controller 11a.
  • the controller 11a when new input data “x_new4” is input to the controller 11a, the controller 11a outputs new output data “y_new4” according to the learned first graph G1.
  • the new input data “x_new4” is data such that the value of the first probability distribution P1 is substantially zero.
  • the new input data “x_new4” is data that does not fall within the range of ⁇ ⁇ 1 ⁇ and does not fall within the range of ⁇ ⁇ 2 ⁇ when the average value of the first probability distribution P1 is ⁇ and the standard deviation is ⁇ . is there.
  • the evaluation unit 13 may evaluate that the new input data “x_new4” and the new output data “y_new4” are different from the statistics of the input data and the output data obtained in the past.
  • the evaluation unit 13 may evaluate the degree of deviation of input data by (x_new4- ⁇ ) / ⁇ .
  • the operation machine 30 may be controlled using the auxiliary controller 11b without using the new output data “y_new4” output from the controller 11a.
  • FIG. 8 is a diagram showing, in a simplified manner, another example of the probability distribution of input data and output data of the controller 11a according to the present embodiment.
  • the input data and the output data are each simplified as one-dimensional data, and the horizontal axis indicates “x (input data)” and the vertical axis indicates “y (output data)”.
  • a plurality of plot points indicate values of input data and output data obtained in the past.
  • the graph shown in FIG. 8 shows a mixed normal distribution including the second probability distribution P2 and the third probability distribution P3 as the probability distribution of the input data obtained in the past.
  • the second probability distribution P2 is obtained based on the sample average and sample variance of the first cluster of input data obtained in the past
  • the third probability distribution P3 is a sample of the second cluster of input data obtained in the past. Determined based on mean and sample variance.
  • a second graph G2 indicating what kind of output data is output when new input data is input to the controller 11a is indicated by a broken line.
  • the controller 11a is learned to reproduce the relationship between input data and output data obtained in the past
  • the second graph G2 is illustrated as a linear function for simplicity.
  • the controller 11a When new input data “x_new5” is input to the controller 11a, the controller 11a outputs new output data “y_new5” according to the learned second graph G2.
  • the new input data “x_new5” is data such that the value of the second probability distribution P ⁇ b> 2 is almost the maximum value.
  • the new input data “x_new5” is data that falls within a range of ⁇ ⁇ 1 ⁇ when the average value of the second probability distribution P2 is ⁇ and the standard deviation is ⁇ . Therefore, the evaluation unit 13 may evaluate that the new input data “x_new5” and the new output data “y_new5” do not deviate from the statistics of the input data and output data obtained in the past. In this case, the operating machine 30 may be controlled using the new output data “y_new5” output from the controller 11a.
  • the evaluation unit 13 may evaluate that the new input data “x_new6” and the new output data “y_new6” are different from the statistics of the input data and the output data obtained in the past. Specifically, the evaluation unit 13 may evaluate the degree of divergence of input data, for example, by (x_new6- ⁇ ) / ⁇ . In this case, the operation machine 30 may be controlled using the auxiliary controller 11b without using the new output data “y_new6” output from the controller 11a.
  • FIG. 9 is a flowchart of the third control process of the operating machine 30 executed by the control system 1 according to the present embodiment.
  • the third control process evaluates the discrepancy between new input data and new output data and past input data and output data based on the probability distribution values of the input data and output data obtained in the past. In this process, the operating machine 30 is controlled.
  • the control system 1 acquires the current control amount of the operating machine 30 as new input data by the control device 10 (S30). Then, the control device 10 inputs new input data to the learned controller 11a and generates new output data (S31). The control device 10 acquires attribute information associated with the learned controller 11a (S32).
  • the attribute information associated with the learned controller 11a may be attribute information generated by the generation unit 23 from the learning data used for the learning process of the learned controller 11a.
  • control device 10 determines how much new input data and new output data are obtained from the input data and output data obtained in the past based on the probability distribution values of the input data and output data obtained in the past. It is evaluated whether there is a divergence (S33).
  • the control device 10 controls the operating machine 30 with the new output data output from the controller 11a (S35).
  • the control device 10 discards the new output data by the changing unit 14 (S36), and uses the auxiliary controller 11b to change the operating machine 30.
  • Control (S37).
  • new input data and new output data are generated based on the probability distribution of input data and output data obtained in the past.
  • the degree of deviation from the input data and output data obtained in the past is to be evaluated, but before the controller 11a generates new output data, the attribute associated with the learned controller 11a Based on the probability distribution values of the input data and output data obtained in the past, and how far the new input data and new output data differ from the input data and output data obtained in the past It is good also as evaluating whether it is.
  • the control device 10 may generate new output data by the controller 11a and control the operating machine 30 by the new output data.
  • the control device 10 may control the operating machine 30 by the auxiliary controller 11b without inputting new input data to the controller 11a.
  • the third control process ends.
  • An evaluation unit (13) that evaluates how far the new input data and / or the new output data deviate from the statistics based on the comparison;
  • a control device comprising:
  • the changing unit (14) does not use at least one of the new input data and the new output data based on the degree of deviation evaluated by the evaluation unit (13).
  • the controller (11) controls the operating machine (30) using another controller (11a) different from the controller (11a).
  • the attribute information further includes a measurement amount including at least one of information on an environment in which the operating machine (30) operating in the past measured by a measuring device and information on a state of the operating machine (30) is included,
  • the evaluation unit (13) compares the attribute information with a new measurement amount measured by the measurement device when at least one of the new input data and the new output data is generated. To evaluate how far the new measured quantity deviates from the measured quantity, The control device according to any one of appendices 1 to 3.
  • the information on the environment includes information on the time when the operating machine (30) is controlled by the control unit (11),
  • the information on the state includes information for distinguishing whether the operating machine (30) is operating or stopped.
  • the evaluation unit (13) further includes a setting unit (15) for setting a reference for performing a comparison between the new measurement amount and the measurement amount.
  • the control device according to appendix 4 or 5.
  • the input data and the output data include numerical data
  • the attribute information includes a maximum value and a minimum value of the input data and the output data
  • the evaluation unit (13) evaluates how much the at least one of the new input data and the new output data deviates from the maximum value and the minimum value.
  • the control device according to any one of appendices 1 to 6.
  • the input data and the output data include numerical data
  • the attribute information includes a probability distribution of the input data and the output data
  • the evaluation unit (13) evaluates, based on the value of the probability distribution, how much the at least one of the new input data and the new output data deviates from the input data and the output data.
  • the controller (11a) includes a learned model generated by machine learning using learning data defining a relationship between the input data and the output data.
  • the control device according to any one of appendices 1 to 8.
  • a learning device that executes learning processing of the controller (11a) by machine learning using learning data that defines the relationship between input data and output data, and the operating machine (30) is controlled using the controller (11a)
  • a control system having a control unit (11) for performing The learning device
  • a generator (23) for generating attribute information including statistics of the input data and the output data obtained in the past;
  • the control device includes: An acquisition unit (12) for acquiring the attribute information; The attribute information and at least one of new input data newly input to the controller (11a) and new output data output from the controller (11a) with respect to the new input data
  • An evaluation unit (13) that evaluates how much the at least one of the new input data and the new output data deviates from the statistic based on the comparison; Control system.
  • Appendix 11 A measuring device for measuring information about an environment in which the operating machine (30) operates;
  • the generation unit (23) generates the attribute information based on information about the environment.
  • the control system according to appendix 10.
  • Appendix 12 A measuring device for measuring information on the state of the operating machine (30); The generation unit (23) generates the attribute information based on information on the state.
  • the control system according to appendix 10 or 11.
  • [Appendix 13] Controlling the machine (30) using a controller (11a) that outputs output data relative to input data; Obtaining attribute information including statistics of the input data and the output data; The attribute information and at least one of new input data newly input to the controller (11a) and new output data output from the controller (11a) with respect to the new input data Based on the comparison, evaluating how far the new input data and / or the new output data deviate from the statistics, Control method.
  • a control unit (11) including a controller (11a) for outputting output data with respect to input data, and controlling the operating machine (30) using the controller (11a);
  • An acquisition unit (12) that acquires attribute information including statistics of the input data and the output data, and the attribute information, new input data that is newly input to the controller (11a), and the new input data
  • An evaluation unit (13) that evaluates how far it is from Control program to operate as.

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

動作機械の制御の信頼性を確認することができる制御装置、制御システム、制御方法及び制御プログラムを提供する。制御装置は、入力データに対して出力データを出力する制御器を含み、制御器を用いて動作機械を制御する制御部と、過去に得られた入力データ及び出力データの統計量を含む属性情報を取得する取得部と、属性情報と、制御器に新たに入力する新たな入力データ及び新たな入力データに対して制御器から出力される新たな出力データの少なくともいずれか一方との比較に基づいて、新たな入力データ及び新たな出力データの少なくともいずれか一方が、統計量からどの程度乖離しているか評価する評価部と、を備える。

Description

制御装置、制御システム、制御方法及び制御プログラム
　本開示は、制御装置、制御システム、制御方法及び制御プログラムに関する。
　従来、ＰＩＤ（Proportional-Integral-Differential）制御等の古典制御を行う制御器や、ニューラルネットワーク制御等の現代制御を行う制御器を用いて動作機械を制御する制御装置が知られている。
　例えば、下記特許文献１には、時間と共に変化する複数の入力変数値に応じて、制御対象を目標状態とする制御変数値を求めるプロセス運転支援方法であって、神経回路モデルを用い、プロセスの過去の運転履歴情報のうち、複数の入力変数値のパターンを入力信号とし、当該パターンに対応する制御変数値を教師信号として、神経回路モデルに学習させ、学習した神経回路モデルに、任意の入力変数値パターンを入力することにより、該パターンに対する制御変数値を求めるプロセス運転支援方法が記載されている。
特開平７－３１９５０８号公報
　特許文献１に記載の技術のように、過去に得られた入力データと出力データに基づいて生成される制御器を用いて動作機械を制御する場合、制御器に入力する新たな入力データ及びそのデータに対して制御器から出力される新たな出力データが、過去に得られた入力データ及び出力データと類似のデータであれば、動作機械の制御は高い信頼性で行われる。
　しかしながら、新たな入力データ及び新たな出力データが、過去に得られた入力データ及び出力データから乖離している場合、そのようなデータを用いて動作機械を制御した実績が乏しいため、制御の信頼性が必ずしも高くなく、適切な制御がされないおそれがある。
　そこで、本発明は、動作機械の制御の信頼性を確認することができる制御装置、制御システム、制御方法及び制御プログラムを提供する。
　本開示の一態様に係る制御装置は、入力データに対して出力データを出力する制御器を含み、制御器を用いて動作機械を制御する制御部と、過去に得られた入力データ及び出力データの統計量を含む属性情報を取得する取得部と、属性情報と、制御器に新たに入力する新たな入力データ及び新たな入力データに対して制御器から出力される新たな出力データの少なくともいずれか一方との比較に基づいて、新たな入力データ及び新たな出力データの少なくともいずれか一方が、統計量からどの程度乖離しているか評価する評価部と、を備える。ここで、属性情報は、入力データ及び出力データの特徴を表す情報であり、入力データ及び出力データの統計量を含む。入力データ及び出力データの統計量は、入力データ及び出力データの最大値及び最小値を含んでよく、入力データ及び出力データの平均値、中央値、四分位数、分散等を含んでもよい。
　この態様によれば、新たな入力データ及び新たな出力データの少なくともいずれか一方が、統計量からどの程度乖離しているか評価することによって、新たな入力データ及び新たな出力データの少なくともいずれか一方が、過去に得られた入力データ及び出力データと類似しているかどうかを確認することができ、制御器による動作機械の制御の信頼性が担保されるかを確認することができる。
　上記態様において、評価部により評価された乖離の程度に基づいて、新たな入力データ及び新たな出力データの少なくともいずれか一方を変更する変更部をさらに備えてもよい。例えば、変更部は、評価部により数値的に評価された乖離の程度と閾値とを比較して、乖離が閾値より大きいと判断される場合に、新たな入力データ及び新たな出力データの少なくともいずれか一方を変更してよい。
　この態様によれば、動作機械の制御の信頼性が十分に高くないと評価される場合に、新たな入力データ及び新たな出力データの少なくともいずれか一方を変更することで、信頼性が担保された範囲で動作機械を制御することができ、動作機械の故障及び誤動作を防止することができる。
　上記態様において、変更部は、評価部により評価された乖離の程度に基づいて、新たな入力データ及び新たな出力データの少なくともいずれか一方を使用せず、制御部は、制御器とは異なる他の制御器を用いて、動作機械を制御してもよい。
　この態様によれば、動作機械の制御の信頼性が十分に高くないと評価される場合に、新たな入力データ及び新たな出力データの少なくともいずれか一方を使用せず、信頼性が担保された他の制御器を用いて動作機械を制御することができ、動作機械の故障及び誤動作を防止することができる。
　上記態様において、属性情報は、測定装置によって過去に測定された動作機械が動作する環境に関する情報及び動作機械の状態に関する情報の少なくともいずれか一方を含む測定量をさらに含み、評価部は、属性情報と、新たな入力データ及び新たな出力データの少なくともいずれか一方が生成された際に、測定装置によって測定された新たな測定量との比較に基づいて、新たな測定量が、測定量からどの程度乖離しているか評価してもよい。
　この態様によれば、新たな測定量が、過去に測定された測定量からどの程度乖離しているか評価することによって、現在における動作機械が動作する環境及び動作機械の状態の少なくともいずれかが、過去における動作機械が動作する環境及び動作機械の状態の少なくともいずれかから乖離していないか確認することができ、制御器による動作機械の制御の信頼性が担保されるかを確認することができる。
　上記態様において、環境に関する情報は、制御部により動作機械が制御された時刻に関する情報を含み、状態に関する情報は、動作機械が動作中であるか停止中であるかを区別する情報を含んでもよい。ここで、環境に関する情報は、動作機械が動作する部屋の温度、湿度等の気候に関する情報を含んでもよい。また、動作機械が動作中であるか停止中であるかを区別する情報は、少なくとも２値の情報であればよく、必ずしも文字情報でなくてもよい。
　この態様によれば、動作機械が動作する現在時刻が、動作機械が動作した過去の時刻と乖離しているか確認することができ、動作機械を制御する環境がこれまでと異なるかどうかを確認することができる。また、動作機械が停止中の場合に得られた入力データ及び出力データの統計量と、新たな入力データ及び新たな出力データとについて評価部による乖離の評価を行わないようにすることができ、制御器による動作機械の制御の信頼性をより正確に確認することができる。
　上記態様において、評価部によって、新たな測定量と、測定量との比較を行うための基準を設定する設定部をさらに備えてもよい。
　この態様によれば、新たな測定量が、過去に測定された測定量からどの程度乖離しているか評価する際の基準を設定することで、基準との比較により乖離の程度を確認することができ、制御器による動作機械の制御の信頼性が担保されるかをより容易に確認することができる。
　上記態様において、入力データ及び出力データは、数値データを含み、属性情報は、入力データ及び出力データの最大値及び最小値を含み、評価部は、新たな入力データ及び新たな出力データの少なくともいずれか一方が、最大値及び最小値からどの程度乖離しているか評価してもよい。ここで、評価部は、制御器に新たに入力する新たな入力データが、過去に得られた入力データの最小値以上、最大値以下であるか否かによって、新たな入力データと統計量との乖離を評価してよい。また、評価部は、制御器から出力される新たな出力データが、過去に得られた出力データの最小値以上、最大値以下であるか否かによって、新たな出力データと統計量との乖離を評価してよい。
　この態様によれば、新たな入力データ及び新たな出力データの少なくともいずれか一方が、過去に得られた入力データ及び出力データの最大値及び最小値からどの程度乖離しているか評価することによって、新たな入力データ及び新たな出力データの少なくともいずれか一方が、過去に得られた入力データ及び出力データと類似しているかどうかを確認することができ、制御器による動作機械の制御の信頼性が担保されるかを確認することができる。
　上記態様において、入力データ及び出力データは、数値データを含み、属性情報は、入力データ及び出力データの確率分布を含み、評価部は、確率分布の値に基づいて、新たな入力データ及び新たな出力データの少なくともいずれか一方が、入力データ及び出力データからどの程度乖離しているか評価してもよい。ここで、評価部は、過去に得られた入力データから求められた確率分布に基づいて、新たな入力データが得られる確率を算出し、その確率に基づいて、過去に得られた入力データと新たな入力データの乖離の程度を評価してよい。また、評価部は、過去に得られた出力データから求められた確率分布に基づいて、新たな出力データが得られる確率を算出し、その確率に基づいて、過去に得られた出力データと新たな出力データの乖離の程度を評価してよい。
　この態様によれば、過去に得られた入力データ及び出力データの確率分布の値に基づいて、新たな入力データ及び新たな出力データの少なくともいずれか一方が過去に得られた入力データ及び出力データと類似しているかどうかを確認することができ、制御器による動作機械の制御の信頼性が担保されるかを確認することができる。
　上記態様において、制御器は、入力データと出力データの関係を規定した学習用データを用いた機械学習によって生成された学習済みモデルを含んでもよい。
　この態様によれば、新たな入力データ及び新たな出力データの少なくともいずれか一方が、学習済みモデルの生成に用いられた入力データ及び出力データと類似しているかどうかを確認することができ、制御器による動作機械の制御の信頼性が担保されるかを確認することができる。
　本開示の他の態様に係る制御システムは、入力データと出力データの関係を規定した学習用データを用いた機械学習によって制御器の学習処理を実行する学習装置と、制御器を用いて動作機械を制御する制御部を有する制御装置と、を備える制御システムであって、学習装置は、過去に得られた入力データ及び出力データの統計量を含む属性情報を生成する生成部をさらに有し、制御装置は、属性情報を取得する取得部と、属性情報と、制御器に新たに入力する新たな入力データ及び新たな入力データに対して制御器から出力される新たな出力データの少なくともいずれか一方との比較に基づいて、新たな入力データ及び新たな出力データの少なくともいずれか一方が、統計量からどの程度乖離しているか評価する評価部と、をさらに有する。
　この態様によれば、新たな入力データ及び新たな出力データの少なくともいずれか一方が、統計量からどの程度乖離しているか評価することによって、新たな入力データ及び新たな出力データの少なくともいずれか一方が、学習済みモデルの生成に用いられた入力データ及び出力データと類似しているかどうかを確認することができ、制御器による動作機械の制御の信頼性が担保されるかを確認することができる。
　上記態様において、動作機械が動作する環境に関する情報を測定する測定装置をさらに備え、生成部は、環境に関する情報に基づいて、属性情報を生成してもよい。
　この態様によれば、動作機械が動作する環境に関する情報を測定することで、現在における動作機械が動作する環境が、過去における環境から乖離していないか確認することができ、制御器による動作機械の制御の信頼性が担保されるかを確認することができる。
　上記態様において、動作機械の状態に関する情報を測定する測定装置をさらに備え、生成部は、状態に関する情報に基づいて、属性情報を生成してもよい。
　この態様によれば、動作機械の状態に関する情報を測定することで、現在における動作機械の状態が、過去における動作機械の状態から乖離していないか確認することができ、制御器による動作機械の制御の信頼性が担保されるかを確認することができる。
　本開示の他の態様に係る制御方法は、入力データに対して出力データを出力する制御器を用いて動作機械を制御することと、入力データ及び出力データの統計量を含む属性情報を取得することと、属性情報と、制御器に新たに入力する新たな入力データ及び新たな入力データに対して制御器から出力される新たな出力データの少なくともいずれか一方との比較に基づいて、新たな入力データ及び新たな出力データの少なくともいずれか一方が、統計量からどの程度乖離しているか評価することと、を含む。
　この態様によれば、新たな入力データ及び新たな出力データの少なくともいずれか一方が、統計量からどの程度乖離しているか評価することによって、新たな入力データ及び新たな出力データの少なくともいずれか一方が、過去に得られた入力データ及び出力データと類似しているかどうかを確認することができ、制御器による動作機械の制御の信頼性が担保されるかを確認することができる。
　本開示の他の態様に係る制御プログラムは、制御装置に備えられた演算部を、入力データに対して出力データを出力する制御器を含み、制御器を用いて動作機械を制御する制御部、入力データ及び出力データの統計量を含む属性情報を取得する取得部、及び属性情報と、制御器に新たに入力する新たな入力データ及び前記新たな入力データに対して制御器から出力される新たな出力データの少なくともいずれか一方との比較に基づいて、新たな入力データ及び新たな出力データの少なくともいずれか一方が、統計量からどの程度乖離しているか評価する評価部、として動作させる。
　この態様によれば、新たな入力データ及び新たな出力データの少なくともいずれか一方が、統計量からどの程度乖離しているか評価することによって、新たな入力データ及び新たな出力データの少なくともいずれか一方が、過去に得られた入力データ及び出力データと類似しているかどうかを確認することができ、制御器による動作機械の制御の信頼性が担保されるかを確認することができる。
　本開示によれば、動作機械の制御の信頼性を確認することができる制御装置、制御システム、制御方法及び制御プログラムが提供される。
本発明の実施形態に係る制御システムの機能ブロックを示す図である。 本実施形態に係る制御装置の物理的構成を示す図である。 本実施形態に係る制御システムで用いられるデータを示す図である。 本実施形態に係る制御器の入力データ及び出力データの統計量を簡略化して示す図である。 本実施形態に係る制御システムにより実行される動作機械の第１制御処理のフローチャートである。 本実施形態に係る制御システムにより実行される動作機械の第２制御処理のフローチャートである。 本実施形態に係る制御器の入力データ及び出力データの確率分布を簡略化して示す図である。 本実施形態に係る制御器の入力データ及び出力データの確率分布の他の例を簡略化して示す図である。 本実施形態に係る制御システムにより実行される動作機械の第３制御処理のフローチャートである。
　以下、本発明の一側面に係る実施の形態（以下、「本実施形態」と表記する。）を、図面に基づいて説明する。なお、各図において、同一の符号を付したものは、同一又は同様の構成を有する。
　§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、本発明の実施形態に係る制御システム１の機能ブロックを示す図である。本実施形態に係る制御システム１は、入力データと出力データの関係を規定した学習用データを用いた機械学習によって制御器１１ａの学習処理を実行する学習装置２０と、制御器１１ａを用いて動作機械３０を制御する制御部１１を有する制御装置１０と、を備える。なお、本例では、学習装置２０による機械学習によって生成された制御器１１ａを用いて動作機械３０を制御する制御装置１０について説明するが、制御器１１ａは、必ずしも機械学習によって生成されたものに限られず、入力データと出力データの関係について理論的に導かれた関係式又は経験的に導かれた関係式に基づいて動作機械３０を制御するものであってもよい。また、本例では、制御装置１０及び学習装置２０が別体の場合を示しているが、制御装置１０及び学習装置２０は一体の装置で構成されてもよい。例えば、制御装置１０及び学習装置２０は、ＰＬＣ（Programmable Logic Controller）の異なる動作として実現されてもよい。
　学習装置２０は、学習用データ記憶部２１、学習部２２、生成部２３及び学習結果記憶部２４を有する。学習用データ記憶部２１は、動作機械３０を制御するために制御装置１０に入力された入力データと、制御部１１から出力された出力データとを学習用データとして記憶してよい。入力データ及び出力データは、学習用データ記憶部２１に逐次記憶され、蓄積されてよい。学習部２２は、学習用データ記憶部２１に記憶された学習用データを用いた機械学習によって制御器１１ａの学習処理を実行する。例えば、学習部２２は、過去に得られた入力データに基づいて、入力データに対応する出力データが出力されるように、制御器１１ａの学習処理を行ってよい。制御器１１ａは、任意の学習モデルで構成されてよいが、例えばニューラルネットワークで構成されてよい。
　生成部２３は、過去に得られた入力データ及び出力データの統計量を含む属性情報を生成する。ここで、入力データ及び出力データは、数値データを含んでよく、属性情報は、少なくとも、入力データ及び出力データの最大値及び最小値を含んでよい。属性情報に含まれる入力データ及び出力データの統計量は、入力データ及び出力データの最大値及び最小値以外の量であってもよく、例えば、入力データ及び出力データの平均値、中央値、四分位数、分散等を含んでよい。
　学習結果記憶部２４は、学習部２２による学習処理によって生成された学習済みモデルを記憶する学習済みモデル記憶部２４ａと、生成部２３により生成された属性情報を記憶する属性情報記憶部２４ｂと、を含んでよい。ここで、学習済みモデルと、当該学習済みモデルの学習処理に用いられた入力データ及び出力データの統計量を含む属性情報とは、関連付けられて記憶されてよい。
　制御装置１０は、入力データに対して出力データを出力する制御器１１ａを含み、制御器１１ａを用いて動作機械３０を制御する制御部１１と、属性情報を取得する取得部１２と、評価部１３と、変更部１４と、設定部１５とを備える。制御器１１ａには、学習部２２によって学習用データを用いた機械学習によって生成され、学習済みモデル記憶部２４ａに記憶された学習済みモデルが実装されていてよい。また、取得部１２は、制御器１１ａに実装される学習済みモデルと関連付けられた属性情報を、属性情報記憶部２４ｂから取得してよい。
　評価部１３は、属性情報と、制御器１１ａに新たに入力する新たな入力データ及び新たな入力データに対して制御器１１ａから出力される新たな出力データの少なくともいずれか一方との比較に基づいて、新たな入力データ及び新たな出力データの少なくともいずれか一方が、属性情報に含まれる統計量からどの程度乖離しているか評価する。例えば、評価部１３は、制御器１１ａに新たに入力する新たな入力データを、過去に得られた入力データの最小値及び最大値と比較して、新たな入力データが、過去に得られた入力データの最小値以上、最大値以下であるか否かによって、新たな入力データと統計量との乖離を評価してよい。より具体的には、新たな入力データが、過去に得られた入力データの最小値以上、最大値以下である場合には、乖離が無いと評価して、新たな入力データが、過去に得られた入力データの最小値より小さいか、最大値より大きい場合には、新たな入力データと最小値又は最大値との差を乖離として評価してよい。また、例えば、評価部１３は、制御器１１ａから出力される新たな出力データを、過去に得られた出力データの最小値及び最大値と比較して、新たな出力データが、過去に得られた出力データの最小値以上、最大値以下であるか否かによって、新たな出力データと統計量との乖離を評価してよい。より具体的には、新たな出力データが、過去に得られた出力データの最小値以上、最大値以下である場合には、乖離が無いと評価して、新たな出力データが、過去に得られた出力データの最小値より小さいか、最大値より大きい場合には、新たな出力データと最小値又は最大値との差を乖離として評価してよい。
　このように、新たな入力データ及び新たな出力データの少なくともいずれか一方が、統計量からどの程度乖離しているか評価することによって、新たな入力データ及び新たな出力データの少なくともいずれか一方が、過去に得られた入力データ及び出力データと類似しているかどうかを確認することができ、制御器１１ａによる動作機械３０の制御の信頼性が担保されるかを確認することができる。これにより、動作機械３０が適切に制御されるかどうかを容易に確認することができ、動作機械３０の誤動作や故障を防ぐことができる。
　§２　構成例
　［機能構成］
　＜学習装置＞
　学習装置２０は、学習用データ記憶部２１、学習部２２、生成部２３及び学習結果記憶部２４を有する。学習用データ記憶部２１は、動作機械３０を制御するために制御装置１０に入力された入力データと、制御部１１から出力された出力データと、測定装置４０によって測定された動作機械３０が動作する環境に関する情報及び動作機械３０の状態に関する情報と、を関連付けて記憶してよい。これらの情報は、学習用データ記憶部２１に逐次記憶され、蓄積されてよい。
　学習部２２は、学習用データ記憶部２１に記憶された学習用データを用いた機械学習によって制御器１１ａの学習処理を実行する。例えば、学習部２２は、過去に得られた入力データに基づいて、入力データに対応する出力データが出力されるように、制御器１１ａの学習処理を行ってよい。制御器１１ａは、任意の学習モデルで構成されてよいが、例えばニューラルネットワークで構成されてよい。制御器１１ａがニューラルネットワークで構成される場合、学習部２２は、誤差逆伝播法によってニューラルネットワークの学習処理を行ってよい。また、学習部２２は、過去に得られた入力データ、動作機械３０が動作する環境に関する情報及び動作機械３０の状態に関する情報に基づいて、入力データに対応する出力データが出力されるように、制御器１１ａの学習処理を行ってもよい。
　生成部２３は、過去に得られた入力データ及び出力データの統計量を含む属性情報を生成する。ここで、入力データ及び出力データは、数値データを含んでよく、属性情報は、入力データ及び出力データの最大値及び最小値を含んでよい。また、属性情報は、入力データ及び出力データの確率分布を含んでもよい。入力データの確率分布は、例えば正規分布の平均及び分散を入力データの標本平均及び標本分散としたものであってよく、出力データの確率分布は、例えば正規分布の平均及び分散を出力データの標本平均及び標本分散としたものであってよい。なお、入力データや出力データが複数のクラスタを含む場合には、例えば混合正規分布の複数の平均及び複数の分散を、入力データや出力データのクラスタ毎の平均及び分散としたものであってよい。
　属性情報は、測定装置４０によって過去に測定された動作機械３０が動作する環境に関する情報及び動作機械３０の状態に関する情報の少なくともいずれか一方を含む測定量をさらに含んでもよい。そして、環境に関する情報は、制御部１１により動作機械３０が制御された時刻に関する情報を含んでよい。環境に関する情報は、動作機械３０が動作する部屋の温度、湿度等の気候に関する情報を含んでもよい。また、状態に関する情報は、動作機械３０が動作中であるか停止中であるかを区別する情報を含んでよい。ここで、動作中であるか停止中であるかを区別する情報は、少なくとも２値の情報であればよく、必ずしも文字情報でなくてもよい。また、状態に関する情報は、動作機械３０が動作中である場合の消費電力に関する情報を含んだり、動作機械３０が停止中である場合の停止理由に関する情報を含んだりしもよい。ここで、停止理由は、動作機械３０の設定操作のために一時的に動作が停止されたことであったり、動作機械３０が緊急停止されたことであったりしてよい。
　環境に関する情報として、制御部１１により動作機械３０が制御された時刻に関する情報が含まれることで、動作機械３０が動作する現在時刻が、動作機械３０が動作した過去の時刻と乖離しているか確認することができ、動作機械３０を制御する環境がこれまでと異なるかどうかを確認することができる。また、状態に関する情報として、動作機械３０が動作中であるか停止中であるかを区別する情報が含まれることで、動作機械３０が停止中の場合に得られた入力データ及び出力データの統計量と、新たな入力データ及び新たな出力データとについて評価部１３による乖離の評価を行わないようにすることができ、制御器１１ａによる動作機械３０の制御の信頼性をより正確に確認することができる。さらに、動作機械３０が停止中の場合に得られた入力データ及び出力データを学習用データから除外して、動作機械３０が動作中の場合に得られた入力データ及び出力データを学習用データとして学習用データ記憶部２１に蓄積することができ、動作中の動作機械３０を制御するために用いられた入力データと出力データの関係を精度良く再現するように、制御器１１ａの学習処理を行うことができる。
　学習結果記憶部２４は、学習部２２による学習処理によって生成された学習済みモデルを記憶する学習済みモデル記憶部２４ａと、生成部２３により生成された属性情報を記憶する属性情報記憶部２４ｂと、を含んでよい。ここで、学習済みモデルと、当該学習済みモデルの学習処理に用いられた入力データ及び出力データの統計量を含む属性情報とは、関連付けられて記憶されてよい。
　＜制御装置＞
　制御装置１０は、制御部１１、取得部１２、評価部１３、変更部１４及び設定部１５を備える。制御部１１は、入力データに対して出力データを出力する制御器１１ａを含み、制御器１１ａを用いて動作機械３０を制御する。制御器１１ａは、入力データと出力データの関係を規定した学習用データを用いた機械学習によって生成された学習済みモデルを含んでよく、学習部２２によって生成され、学習済みモデル記憶部２４ａに記憶された学習済みモデルが実装されていてよい。これにより、新たな入力データ及び新たな出力データの少なくともいずれか一方が、学習済みモデルの生成に用いられた入力データ及び出力データと類似しているかどうかを確認することができ、制御器１１ａによる動作機械３０の制御の信頼性が担保されるかを確認することができる。
　取得部１２は、過去に得られた入力データ及び出力データの統計量を含む属性情報を取得する。取得部１２は、制御器１１ａに実装される学習済みモデルと関連付けられた属性情報を、属性情報記憶部２４ｂから取得してよい。
　評価部１３は、属性情報と、制御器１１ａに新たに入力する新たな入力データ及び新たな入力データに対して制御器１１ａから出力される新たな出力データの少なくともいずれか一方との比較に基づいて、新たな入力データ及び新たな出力データの少なくともいずれか一方が、統計量からどの程度乖離しているか評価する。
　過去に得られた入力データ及び出力データの最大値及び最小値が属性情報に含まれる場合、評価部１３は、新たな入力データ及び新たな出力データの少なくともいずれか一方が、過去に得られた入力データ及び出力データの最大値及び最小値からどの程度乖離しているか評価してよい。新たな入力データ及び新たな出力データの少なくともいずれか一方が、過去に得られた入力データ及び出力データの最大値及び最小値からどの程度乖離しているか評価することによって、新たな入力データ及び新たな出力データの少なくともいずれか一方が、過去に得られた入力データ及び出力データと類似しているかどうかを確認することができ、制御器１１ａによる動作機械３０の制御の信頼性が担保されるかを確認することができる。
　過去に得られた入力データ及び出力データの確率分布が属性情報に含まれる場合、評価部１３は、確率分布の値に基づいて、新たな入力データ及び新たな出力データの少なくともいずれか一方が、過去に得られた入力データ及び出力データからどの程度乖離しているか評価してよい。具体的には、過去に得られた入力データから求められた確率分布に基づいて、新たな入力データが得られる確率を算出し、その確率に基づいて、過去に得られた入力データと新たな入力データの乖離の程度を評価してよい。また、過去に得られた出力データから求められた確率分布に基づいて、新たな出力データが得られる確率を算出し、その確率に基づいて、過去に得られた出力データと新たな出力データの乖離の程度を評価してよい。過去に得られた入力データ及び出力データの確率分布の値に基づいて、新たな入力データ及び新たな出力データの少なくともいずれか一方が過去に得られた入力データ及び出力データと類似しているかどうかを確認することができ、制御器１１ａによる動作機械３０の制御の信頼性が担保されるかを確認することができる。
　測定装置４０によって過去に測定された動作機械３０が動作する環境に関する情報及び動作機械３０の状態に関する情報の少なくともいずれか一方を含む測定量が属性情報に含まれる場合、評価部１３は、属性情報と、新たな入力データ及び新たな出力データの少なくともいずれか一方が生成された際に、測定装置４０によって測定された新たな測定量との比較に基づいて、新たな測定量が、過去に測定された測定量からどの程度乖離しているか評価してもよい。新たな測定量が、過去に測定された測定量からどの程度乖離しているか評価することによって、現在における動作機械３０が動作する環境及び動作機械３０の状態の少なくともいずれかが、過去における動作機械３０が動作する環境及び動作機械３０の状態の少なくともいずれかから乖離していないか確認することができ、制御器１１ａによる動作機械３０の制御の信頼性が担保されるかを確認することができる。
　変更部１４は、評価部１３により評価された乖離の程度に基づいて、新たな入力データ及び新たな出力データの少なくともいずれか一方を変更する。例えば、変更部１４は、評価部１３により数値的に評価された乖離の程度と閾値とを比較して、乖離が閾値より大きいと判断される場合に、新たな入力データ及び新たな出力データの少なくともいずれか一方を変更してよい。このように、評価部１３により評価された乖離の程度が大きく、動作機械３０の制御の信頼性が十分に高くないと評価される場合に、新たな入力データ及び新たな出力データの少なくともいずれか一方を変更することで、信頼性が担保された範囲で動作機械３０を制御することができ、動作機械３０の故障及び誤動作を防止することができる。
　より具体的には、変更部１４は、評価部１３により評価された乖離の程度に基づいて、新たな入力データ及び新たな出力データの少なくともいずれか一方を使用しないこととしてよい。その場合、制御部１１は、制御器１１ａとは異なる補助制御器１１ｂを用いて、動作機械３０を制御することとしてよい。ここで、補助制御器１１ｂは、本発明の「他の制御器」に相当する。補助制御器１１ｂは、ＰＩＤ制御等の古典制御を行う制御器であったり、現代制御を行う制御器であったりしてよい。このように、評価部１３により評価された乖離の程度が大きく、動作機械３０の制御の信頼性が十分に高くないと評価される場合に、新たな入力データ及び新たな出力データの少なくともいずれか一方を使用せず、信頼性が担保された他の制御器を用いて動作機械３０を制御することができ、動作機械３０の故障及び誤動作を防止することができる。
　設定部１５は、測定装置４０によって動作機械３０が動作する環境に関する情報及び動作機械３０の状態に関する情報の少なくともいずれか一方を含む測定量を測定する場合に、評価部１３によって、新たな測定量と、過去に測定された測定量との比較を行うための基準を設定する。例えば、設定部１５は、新たな測定量と、過去に測定された測定量との比較において用いる閾値の設定を行ってよい。ここで、閾値は、乖離の程度に応じて複数設定されてもよい。例えば、動作機械３０が動作する環境に関する情報が、制御部１１により動作機械３０が制御された時刻に関する情報を含む場合、設定部１５は、動作機械３０が動作する現在時刻が、動作機械３０が動作した過去の時刻と乖離しているか判断するための閾値を設定してよい。例えば、設定部１５は、動作機械３０が動作する複数の時間帯を定める閾値を設定してよい。より具体的には、動作機械３０が動作する複数の時間帯を朝、昼、夕方及び夜のように４つに分ける場合、４つの時間帯を定める６つの時刻を閾値として設定してよい。また、例えば、設定部１５は、動作機械３０が動作する季節を定める閾値を設定してよい。より具体的には、動作機械３０が動作する季節を春、夏、秋及び冬のように４つに分ける場合、４つの季節を定める４つの日付を閾値として設定してよい。また、例えば、動作機械３０が動作する環境に関する情報が、動作機械３０が動作する部屋の温度及び湿度に関する情報を含む場合、設定部１５は、動作機械３０が動作する部屋の現在の温度及び湿度が、過去の温度及び湿度と乖離しているか判断するための閾値を設定してよい。このように、新たな測定量が、過去に測定された測定量からどの程度乖離しているか評価する際の基準を設定することで、基準との比較により乖離の程度を確認することができ、制御器１１ａによる動作機械３０の制御の信頼性が担保されるかをより容易に確認することができる。
　＜動作機械＞
　動作機械３０は、任意の動作を行う機械であってよく、例えばロボットであったり、生産ラインに設けられたアクチュエータであったりしてよい。動作機械３０は、制御装置１０によってフィードバック制御されてよく、動作機械３０の現在の制御量は、制御装置１０によって取得され、制御器１１ａの入力データとされてよい。また、制御装置１０の入力データ及び出力データは、学習用データ記憶部２１に逐次記憶されてよい。
　＜測定装置＞
　測定装置４０は、動作機械３０が動作する環境に関する情報を測定したり、動作機械３０の状態に関する情報を測定したりする。測定装置４０により測定された測定量は、学習用データ記憶部２１に逐次記憶されてよい。
　本実施形態に係る制御システム１によれば、新たな入力データ及び新たな出力データの少なくともいずれか一方が、過去に得られた入力データ及び出力データの統計量からどの程度乖離しているか評価することによって、新たな入力データ及び新たな出力データの少なくともいずれか一方が、学習済みモデルの生成に用いられた入力データ及び出力データと類似しているかどうかを確認することができ、制御器１１ａによる動作機械３０の制御の信頼性が担保されるかを確認することができる。
　また、測定装置４０により動作機械３０が動作する環境に関する情報を測定し、生成部２３により、環境に関する情報に基づいて属性情報を生成することで、現在における動作機械３０が動作する環境が、過去における環境から乖離していないか確認することができ、制御器１１ａによる動作機械３０の制御の信頼性が担保されるかを確認することができる。
　また、測定装置４０により動作機械３０の状態に関する情報を測定し、生成部２３により、状態に関する情報に基づいて属性情報を生成することで、現在における動作機械３０の状態が、過去における動作機械３０の状態から乖離していないか確認することができ、制御器１１ａによる動作機械３０の制御の信頼性が担保されるかを確認することができる。
　［ハードウェア構成］
　図２は、本実施形態に係る制御装置１０の物理的構成を示す図である。制御装置１０は、演算部に相当するＣＰＵ（Central Processing Unit）１０ａと、記憶部に相当するＲＡＭ（Random Access Memory）１０ｂと、記憶部に相当するＲＯＭ（Read only Memory）１０ｃと、通信部１０ｄと、入力部１０ｅと、表示部１０ｆとを有する。これらの各構成は、バスを介して相互にデータ送受信可能に接続される。なお、本例では制御装置１０が一台のコンピュータで構成される場合について説明するが、制御装置１０は、複数のコンピュータを用いて実現されてもよい。また、図２で示す構成は一例であり、制御装置１０はこれら以外の構成を有してもよいし、これらの構成のうち一部を有さなくてもよい。
　ＣＰＵ１０ａは、ＲＡＭ１０ｂ又はＲＯＭ１０ｃに記憶されたプログラムの実行に関する制御やデータの演算、加工を行う制御部である。ＣＰＵ１０ａは、新たな入力データ及び新たな出力データの少なくともいずれか一方が、過去に得られた入力データ及び出力データの統計量からどの程度乖離しているか評価し、動作機械３０を制御するプログラム（制御プログラム）を実行する演算部である。ＣＰＵ１０ａは、入力部１０ｅや通信部１０ｄから種々の入力データを受け取り、入力データの演算結果を表示部１０ｆに表示したり、ＲＡＭ１０ｂやＲＯＭ１０ｃに格納したりする。
　ＲＡＭ１０ｂは、記憶部のうちデータの書き換えが可能なものであり、例えば半導体記憶素子で構成されてよい。ＲＡＭ１０ｂは、ＣＰＵ１０ａが実行する制御プログラム、制御器１１ａに入力する入力データ及び制御器１１ａから出力される出力データといったデータを記憶してよい。なお、これらは例示であって、ＲＡＭ１０ｂには、これら以外のデータが記憶されていてもよいし、これらの一部が記憶されていなくてもよい。
　ＲＯＭ１０ｃは、記憶部のうちデータの読み出しが可能なものであり、例えば半導体記憶素子で構成されてよい。ＲＯＭ１０ｃは、例えば制御プログラムや、書き換えが行われないデータを記憶してよい。
　通信部１０ｄは、制御装置１０を他の機器に接続するインターフェースである。通信部１０ｄは、学習装置２０、動作機械３０及び測定装置４０と、例えばＬＡＮ（Local Area Network）により接続されて、学習装置２０から学習済みモデルを構成するための情報を受信したり、動作機械３０に制御器１１ａの出力データを送信したり、測定装置４０から測定量を受信したりしてよい。また、通信部１０ｄは、インターネット等の通信ネットワークに接続されてもよい。なお、制御装置１０及び学習装置２０が一体の装置で構成される場合、通信部１０ｄは、制御装置１０として動作するプロセスと、学習装置２０として動作するプロセスとの間のプロセス間通信を含んでよい。
　入力部１０ｅは、ユーザからデータの入力を受け付けるものであり、例えば、キーボード、マウス及びタッチパネルを含んでよい。入力部１０ｅは、例えば、設定部１５により設定する閾値の入力を受け付けてよい。
　表示部１０ｆは、ＣＰＵ１０ａによる演算結果を視覚的に表示するものであり、例えば、ＬＣＤ（Liquid Crystal Display）により構成されてよい。表示部１０ｆは、例えば測定装置４０により測定された測定量を表示したり、動作機械３０の動作履歴を表示したりしてよい。
　制御プログラムは、ＲＡＭ１０ｂやＲＯＭ１０ｃ等のコンピュータによって読み取り可能な記憶媒体に記憶されて提供されてもよいし、通信部１０ｄにより接続される通信ネットワークを介して提供されてもよい。制御装置１０では、ＣＰＵ１０ａが制御プログラムを実行することにより、ＣＰＵ１０ａによって、図１を用いて説明した制御部１１、取得部１２、評価部１３、変更部１４及び設定部１５の動作が実現される。ＣＰＵ１０ａによって制御プログラムを実行する際は、制御プログラムをＲＡＭ１０ｂに展開し、ＲＡＭ１０ｂに展開された制御プログラムをＣＰＵ１０ａによって解釈及び実行することとしてよい。なお、これらの物理的な構成は例示であって、必ずしも独立した構成でなくてもよい。例えば、制御装置１０は、ＣＰＵ１０ａとＲＡＭ１０ｂやＲＯＭ１０ｃが一体化したＬＳＩ（Large-Scale Integration）を備えていてもよい。
　§３　動作例
　図３は、本実施形態に係る制御システム１で用いられるデータＤを示す図である。データＤは、学習用データ記憶部２１に記憶されてよく、制御器１１ａに入力された入力データｘ、制御器１１ａから出力された出力データｙ、入力データｘ及び出力データｙが得られた時刻及び入力データｘ及び出力データｙが得られた際の動作機械３０の状態に関する情報を含む。
　本例のデータＤにおいて、制御器１１ａに入力された入力データｘは、時刻「１０：０４：００．０００」について「１．５」、時刻「１０：０５：００．０００」について「３．４」、時刻「１０：０６：００．０００」について「２．２」、時刻「１０：０７：００．０００」について「５．６」である。なお、これらの数値は例示に過ぎず、入力データは、ベクトル値であったり、画像であったりしてもよい。例えば、時刻は、本例で示した絶対時刻であってもよいし、制御装置１０のＣＰＵ１０ａ等の内部クロック値のような基準時刻からのカウント値であってもよい。ただし、基準時刻からのカウント値を記憶する場合、制御システム１で時刻を参照する際に絶対時刻に読み替えることとしてもよい。また、本例では、簡単のため時刻を時、分、秒、ミリ秒の形式で示しているが、時刻は秒単位で記憶されてよいし、マイクロ秒の単位で記憶されてもよい。
　本例のデータＤにおいて、制御器１１ａから出力された出力データｙは、時刻「１０：０４：００．０００」について「１０」、時刻「１０：０５：００．０００」について「２」、時刻「１０：０６：００．０００」について「４」、時刻「１０：０７：００．０００」について「６」である。なお、これらの数値は動作機械３０の制御量を簡略化して表したものであり、例示に過ぎず、出力データは、ベクトル値であったり、真理値であったりしてもよい。なお、入力データｘが画像の場合であっても、出力データｙは、動作機械３０の制御量を表す数値であってよい。入力データｘが画像の場合、画像の特定の領域を切り出したり、画像とガウスカーネル等との畳み込み演算によって平滑化を行ったり、画像とソーベルフィルタ等との畳み込み演算によってエッジを強調したり、カラー画像を２値化したり、といった前処理を行った上で、制御器１１ａに入力することとしてもよい。
　また、本例のデータＤにおいて、入力データｘ及び出力データｙが得られた際の動作機械３０の状態に関する情報は、時刻「１０：０４：００．０００」について「動作中（１）」、時刻「１０：０５：００．０００」について「動作中（１）」、時刻「１０：０６：００．０００」について「停止中（０）」、時刻「１０：０７：００．０００」について「動作中（１）」である。ここで、括弧中の「１」及び「０」は、動作中であるか停止中であるかを２値で表したものである。なお、動作機械３０の状態を３種類以上記録する場合には、状態毎に任意の数値を対応付けてよい。また、これらは例示に過ぎず、状態に関する情報は、ベクトル値であったり、文字であったり、真理値であったりしてよい。
　図４は、本実施形態に係る制御器１１ａの入力データ及び出力データの統計量を簡略化して示す図である。同図では、入力データ及び出力データをそれぞれ１次元のデータとして簡略化して、横軸に「ｘ（入力データ）」を示し、縦軸に「ｙ（出力データ）」を示している。複数のプロット点は、過去に得られた入力データ及び出力データの値を示す。
　図４に示すグラフには、過去に得られた入力データの最小値「ｘ＿ｍｉｎ」及び最大値「ｘ＿ｍａｘ」と、過去に得られた出力データの最小値「ｙ＿ｍｉｎ」及び最大値「ｙ＿ｍａｘ」と、を示している。また、同図には、制御器１１ａに新たな入力データが入力された場合に、どのような出力データが出力されるかを示す第１グラフＧ１を破線で図示している。ここで、制御器１１ａは、過去に得られた入力データ及び出力データの関係を再現するように学習されており、第１グラフＧ１は、簡単のため一次関数として例示されている。
　制御器１１ａに新たな入力データ「ｘ＿ｎｅｗ１」が入力されると、制御器１１ａは、学習された第１グラフＧ１に従って、新たな出力データ「ｙ＿ｎｅｗ１」を出力する。図４に示すように、新たな入力データ「ｘ＿ｎｅｗ１」は、過去に得られた入力データの最小値「ｘ＿ｍｉｎ」より大きく、最大値「ｘ＿ｍａｘ」より小さい。また、新たな出力データ「ｙ＿ｎｅｗ１」は、過去に得られた出力データの最小値「ｙ＿ｍｉｎ」より大きく、最大値「ｙ＿ｍａｘ」より小さい。従って、評価部１３は、新たな入力データ「ｘ＿ｎｅｗ１」及び新たな出力データ「ｙ＿ｎｅｗ１」は、過去に得られた入力データ及び出力データの統計量から乖離していないと評価してよい。この場合、制御器１１ａから出力される新たな出力データ「ｙ＿ｎｅｗ１」を用いて動作機械３０の制御を行ってよい。
　一方、制御器１１ａに新たな入力データ「ｘ＿ｎｅｗ２」が入力されると、制御器１１ａは、学習された第１グラフＧ１に従って、新たな出力データ「ｙ＿ｎｅｗ２」を出力する。図４に示すように、新たな入力データ「ｘ＿ｎｅｗ２」は、過去に得られた入力データの最小値「ｘ＿ｍｉｎ」より大きく、最大値「ｘ＿ｍａｘ」よりも大きい。また、新たな出力データ「ｙ＿ｎｅｗ２」は、過去に得られた出力データの最小値「ｙ＿ｍｉｎ」より大きく、最大値「ｙ＿ｍａｘ」よりも大きい。すなわち、新たな入力データ「ｘ＿ｎｅｗ２」及び新たな出力データ「ｙ＿ｎｅｗ２」は、過去に得られた入力データ及び出力データの最大値よりも大きく、過去に動作機械３０の制御に用いられた実績の無いデータである。この場合、評価部１３は、新たな入力データ「ｘ＿ｎｅｗ２」及び新たな出力データ「ｙ＿ｎｅｗ２」は、過去に得られた入力データ及び出力データの統計量から乖離していると評価してよい。具体的には、評価部１３は、（ｘ＿ｎｅｗ２－ｘ＿ｍａｘ）によって入力データの乖離の程度を評価してよく、（ｙ＿ｎｅｗ２－ｙ＿ｍａｘ）によって出力データの乖離の程度を評価してよい。この場合、制御器１１ａから出力される新たな出力データ「ｙ＿ｎｅｗ２」を使用せず、補助制御器１１ｂを用いて動作機械３０の制御を行うこととしてよい。
　図５は、本実施形態に係る制御システム１により実行される動作機械３０の第１制御処理のフローチャートである。制御システム１は、はじめに、制御装置１０によって、動作機械３０の現在の制御量を新たな入力データとして取得する（Ｓ１０）。
　制御装置１０は、学習済みの制御器１１ａに新たな入力データを入力し、新たな出力データを生成する（Ｓ１１）。そして、制御装置１０は、学習済みの制御器１１ａに関連付けられた属性情報を取得する（Ｓ１２）。ここで、学習済みの制御器１１ａに関連付けられた属性情報は、学習済みの制御器１１ａの学習処理に用いられた学習用データから生成部２３によって生成された属性情報であってよい。
　その後、制御装置１０は、新たな入力データ及び新たな出力データと、属性情報に含まれる最大値、最小値との乖離を評価する（Ｓ１３）。なお、新たな入力データ及び新たな出力データと比較される対象は、属性情報に含まれる統計量であればよく、過去に得られた入力データ及び出力データの平均値、中央値、四分位数、分散等であってもよいし、それらの組み合わせであってもよい。
　制御装置１０により評価された乖離が閾値より大きくない場合（Ｓ１４：ＮＯ）、制御装置１０は、制御器１１ａから出力された新たな出力データによって動作機械３０を制御する（Ｓ１５）。一方、制御装置１０により評価された乖離が閾値より大きい場合（Ｓ１４：ＹＥＳ）、制御装置１０は、変更部１４によって新たな出力データを破棄し（Ｓ１６）、補助制御器１１ｂによって動作機械３０を制御する（Ｓ１７）。なお、以上説明した例では、制御器１１ａによって新たな出力データを生成した後、新たな入力データ及び新たな出力データと、属性情報に含まれる最大値、最小値との乖離を評価することとしているが、制御器１１ａによって新たな出力データを生成する前に、学習済みの制御器１１ａに関連付けられた属性情報を取得し、新たな入力データと、属性情報に含まれる最大値、最小値との乖離を評価することとしてもよい。そして、評価された乖離が閾値より大きくない場合、制御装置１０は、制御器１１ａによって新たな出力データを生成し、新たな出力データによって動作機械３０を制御することとしてよい。一方、評価された乖離が閾値より大きい場合、制御装置１０は、制御器１１ａに新たな入力データを入力せず、補助制御器１１ｂによって動作機械３０を制御することとしてよい。以上により第１制御処理が終了する。
　図６は、本実施形態に係る制御システム１により実行される動作機械３０の第２制御処理のフローチャートである。第２制御処理は、測定装置４０により測定した新たな測定量と、過去に測定した測定量との乖離を評価し、動作機械３０を制御する処理である。
　制御システム１は、はじめに、制御装置１０によって、動作機械３０の現在の制御量を新たな入力データとして取得する（Ｓ２０）。その後、制御装置１０は、学習済みの制御器１１ａに新たな入力データを入力し、新たな出力データを生成する（Ｓ２１）。
　また、制御システム１は、測定装置４０によって、動作機械３０が動作する環境に関する情報及び動作機械３０の状態に関する情報を含む新たな測定量を測定し、当該新たな測定量を制御装置１０によって取得する（Ｓ２２）。
　制御装置１０は、学習済みの制御器１１ａに関連付けられた属性情報を取得する（Ｓ２３）。ここで、属性情報には、測定装置４０によって過去に測定された、動作機械３０が動作する環境に関する情報及び動作機械３０の状態に関する情報が含まれてよい。
　制御装置１０は、新たな測定量と、属性情報に含まれる測定量との乖離を評価する（Ｓ２４）。なお、新たな測定量と、過去に測定された測定量との比較は、設定部１５により設定された基準に基づいて行われてもよい。
　制御装置１０により評価された乖離が閾値より大きくない場合（Ｓ２５：ＮＯ）、制御装置１０は、制御器１１ａから出力された新たな出力データによって動作機械３０を制御する（Ｓ２６）。一方、制御装置１０により評価された乖離が閾値より大きい場合（Ｓ２５：ＹＥＳ）、制御装置１０は、変更部１４によって新たな出力データを破棄し（Ｓ２７）、補助制御器１１ｂによって動作機械３０を制御する（Ｓ２８）。なお、以上説明した例では、制御器１１ａによって新たな出力データを生成した後、新たな測定量と、属性情報に含まれる測定量との乖離を評価することとしているが、制御器１１ａによって新たな出力データを生成する前に、学習済みの制御器１１ａに関連付けられた属性情報を取得し、新たな測定量と、属性情報に含まれる測定量との乖離を評価することとしてもよい。そして、評価された乖離が閾値より大きくない場合、制御装置１０は、制御器１１ａによって新たな出力データを生成し、新たな出力データによって動作機械３０を制御することとしてよい。一方、評価された乖離が閾値より大きい場合、制御装置１０は、制御器１１ａに新たな入力データを入力せず、補助制御器１１ｂによって動作機械３０を制御することとしてよい。以上により第２制御処理が終了する。
　図７は、本実施形態に係る制御器１１ａの入力データ及び出力データの確率分布を簡略化して示す図である。同図では、入力データ及び出力データをそれぞれ１次元のデータとして簡略化して、横軸に「ｘ（入力データ）」を示し、縦軸に「ｙ（出力データ）」を示している。複数のプロット点は、過去に得られた入力データ及び出力データの値を示す。
　図７に示すグラフには、過去に得られた入力データの標本平均及び標本分散に基づいて求められた第１確率分布Ｐ１を示している。また、同図には、制御器１１ａに新たな入力データが入力された場合に、どのような出力データが出力されるかを示す第１グラフＧ１を破線で図示している。ここで、制御器１１ａは、過去に得られた入力データ及び出力データの関係を再現するように学習されており、第１グラフＧ１は、簡単のため一次関数として例示されている。
　制御器１１ａに新たな入力データ「ｘ＿ｎｅｗ３」が入力されると、制御器１１ａは、学習された第１グラフＧ１に従って、新たな出力データ「ｙ＿ｎｅｗ３」を出力する。図４に示すように、新たな入力データ「ｘ＿ｎｅｗ３」は、第１確率分布Ｐ１の値がほぼ最大値となるようなデータである。また、新たな入力データ「ｘ＿ｎｅｗ３」は、第１確率分布Ｐ１の平均値をμ、標準偏差をσと表すとき、μ±１σの範囲に収まるデータである。従って、評価部１３は、新たな入力データ「ｘ＿ｎｅｗ３」及び新たな出力データ「ｙ＿ｎｅｗ３」は、過去に得られた入力データ及び出力データの統計量から乖離していないと評価してよい。この場合、制御器１１ａから出力される新たな出力データ「ｙ＿ｎｅｗ３」を用いて動作機械３０の制御を行ってよい。
　一方、制御器１１ａに新たな入力データ「ｘ＿ｎｅｗ４」が入力されると、制御器１１ａは、学習された第１グラフＧ１に従って、新たな出力データ「ｙ＿ｎｅｗ４」を出力する。ここで、新たな入力データ「ｘ＿ｎｅｗ４」は、第１確率分布Ｐ１の値がほぼゼロとなるようなデータである。また、新たな入力データ「ｘ＿ｎｅｗ４」は、第１確率分布Ｐ１の平均値をμ、標準偏差をσと表すとき、μ±１σの範囲に収まらず、μ±２σの範囲にも収まらないデータである。この場合、評価部１３は、新たな入力データ「ｘ＿ｎｅｗ４」及び新たな出力データ「ｙ＿ｎｅｗ４」は、過去に得られた入力データ及び出力データの統計量から乖離していると評価してよい。具体的には、評価部１３は、（ｘ＿ｎｅｗ４－μ）／σによって入力データの乖離の程度を評価してよい。この場合、制御器１１ａから出力される新たな出力データ「ｙ＿ｎｅｗ４」を使用せず、補助制御器１１ｂを用いて動作機械３０の制御を行うこととしてよい。
　図８は、本実施形態に係る制御器１１ａの入力データ及び出力データの確率分布の他の例を簡略化して示す図である。同図では、入力データ及び出力データがそれぞれ１次元のデータであるものとして簡略化して、横軸に「ｘ（入力データ）」を示し、縦軸に「ｙ（出力データ）」を示している。複数のプロット点は、過去に得られた入力データ及び出力データの値を示す。
　図８に示すグラフには、過去に得られた入力データの確率分布として、第２確率分布Ｐ２及び第３確率分布Ｐ３を含む混合正規分布を示している。第２確率分布Ｐ２は、過去に得られた入力データの第１クラスタの標本平均及び標本分散に基づいて求められ、第３確率分布Ｐ３は、過去に得られた入力データの第２クラスタの標本平均及び標本分散に基づいて求められている。また、同図には、制御器１１ａに新たな入力データが入力された場合に、どのような出力データが出力されるかを示す第２グラフＧ２を破線で図示している。ここで、制御器１１ａは、過去に得られた入力データ及び出力データの関係を再現するように学習されており、第２グラフＧ２は、簡単のため一次関数として例示されている。
　制御器１１ａに新たな入力データ「ｘ＿ｎｅｗ５」が入力されると、制御器１１ａは、学習された第２グラフＧ２に従って、新たな出力データ「ｙ＿ｎｅｗ５」を出力する。図８に示すように、新たな入力データ「ｘ＿ｎｅｗ５」は、第２確率分布Ｐ２の値がほぼ最大値となるようなデータである。また、新たな入力データ「ｘ＿ｎｅｗ５」は、第２確率分布Ｐ２の平均値をμ、標準偏差をσと表すとき、μ±１σの範囲に収まるデータである。従って、評価部１３は、新たな入力データ「ｘ＿ｎｅｗ５」及び新たな出力データ「ｙ＿ｎｅｗ５」は、過去に得られた入力データ及び出力データの統計量から乖離していないと評価してよい。この場合、制御器１１ａから出力される新たな出力データ「ｙ＿ｎｅｗ５」を用いて動作機械３０の制御を行ってよい。
　一方、制御器１１ａに新たな入力データ「ｘ＿ｎｅｗ６」が入力されると、制御器１１ａは、学習された第２グラフＧ２に従って、新たな出力データ「ｙ＿ｎｅｗ６」を出力する。ここで、新たな入力データ「ｘ＿ｎｅｗ６」は、第２確率分布Ｐ２及び第３確率分布Ｐ３の値がほぼゼロとなるようなデータである。また、新たな入力データ「ｘ＿ｎｅｗ６」は、第３確率分布Ｐ３の平均値をμ、標準偏差をσと表すとき、μ±１σの範囲に収まらず、μ±２σの範囲にも収まらないデータである。この場合、評価部１３は、新たな入力データ「ｘ＿ｎｅｗ６」及び新たな出力データ「ｙ＿ｎｅｗ６」は、過去に得られた入力データ及び出力データの統計量から乖離していると評価してよい。具体的には、評価部１３は、例えば（ｘ＿ｎｅｗ６－μ）／σによって入力データの乖離の程度を評価してよい。この場合、制御器１１ａから出力される新たな出力データ「ｙ＿ｎｅｗ６」を使用せず、補助制御器１１ｂを用いて動作機械３０の制御を行うこととしてよい。
　図９は、本実施形態に係る制御システム１により実行される動作機械３０の第３制御処理のフローチャートである。第３制御処理は、過去に得られた入力データ及び出力データの確率分布の値に基づいて、新たな入力データ及び新たな出力データと過去に得られた入力データ及び出力データとの乖離を評価し、動作機械３０を制御する処理である。
　制御システム１は、はじめに、制御装置１０によって、動作機械３０の現在の制御量を新たな入力データとして取得する（Ｓ３０）。そして、制御装置１０は、学習済みの制御器１１ａに新たな入力データを入力し、新たな出力データを生成する（Ｓ３１）。制御装置１０は、学習済みの制御器１１ａに関連付けられた属性情報を取得する（Ｓ３２）。ここで、学習済みの制御器１１ａに関連付けられた属性情報は、学習済みの制御器１１ａの学習処理に用いられた学習用データから生成部２３によって生成された属性情報であってよい。
　その後、制御装置１０は、過去に得られた入力データ及び出力データの確率分布の値に基づいて、新たな入力データ及び新たな出力データが、過去に得られた入力データ及び出力データからどの程度乖離しているか評価する（Ｓ３３）。
　制御装置１０により評価された乖離が閾値より大きくない場合（Ｓ３４：ＮＯ）、制御装置１０は、制御器１１ａから出力された新たな出力データによって動作機械３０を制御する（Ｓ３５）。一方、制御装置１０により評価された乖離が閾値より大きい場合（Ｓ３４：ＹＥＳ）、制御装置１０は、変更部１４によって新たな出力データを破棄し（Ｓ３６）、補助制御器１１ｂによって動作機械３０を制御する（Ｓ３７）。なお、以上説明した例では、制御器１１ａによって新たな出力データを生成した後、過去に得られた入力データ及び出力データの確率分布の値に基づいて、新たな入力データ及び新たな出力データが、過去に得られた入力データ及び出力データからどの程度乖離しているか評価することとしているが、制御器１１ａによって新たな出力データを生成する前に、学習済みの制御器１１ａに関連付けられた属性情報を取得し、過去に得られた入力データ及び出力データの確率分布の値に基づいて、新たな入力データ及び新たな出力データが、過去に得られた入力データ及び出力データからどの程度乖離しているか評価することとしてもよい。そして、評価された乖離が閾値より大きくない場合、制御装置１０は、制御器１１ａによって新たな出力データを生成し、新たな出力データによって動作機械３０を制御することとしてよい。一方、評価された乖離が閾値より大きい場合、制御装置１０は、制御器１１ａに新たな入力データを入力せず、補助制御器１１ｂによって動作機械３０を制御することとしてよい。以上により第３制御処理が終了する。
　以上説明した実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。実施形態が備える各要素並びにその配置、材料、条件、形状及びサイズ等は、例示したものに限定されるわけではなく適宜変更することができる。また、異なる実施形態で示した構成同士を部分的に置換し又は組み合わせることが可能である。
　［付記１］
　入力データに対して出力データを出力する制御器（１１ａ）を含み、前記制御器（１１ａ）を用いて動作機械（３０）を制御する制御部（１１）と、
　過去に得られた前記入力データ及び前記出力データの統計量を含む属性情報を取得する取得部（１２）と、
　前記属性情報と、前記制御器（１１ａ）に新たに入力する新たな入力データ及び前記新たな入力データに対して前記制御器（１１ａ）から出力される新たな出力データの少なくともいずれか一方との比較に基づいて、前記新たな入力データ及び前記新たな出力データの少なくともいずれか一方が、前記統計量からどの程度乖離しているか評価する評価部（１３）と、
　を備える制御装置。
　［付記２］
　前記評価部（１３）により評価された乖離の程度に基づいて、前記新たな入力データ及び前記新たな出力データの少なくともいずれか一方を変更する変更部（１４）をさらに備える、
　付記１に記載の制御装置。
　［付記３］
　前記変更部（１４）は、前記評価部（１３）により評価された乖離の程度に基づいて、前記新たな入力データ及び前記新たな出力データの少なくともいずれか一方を使用せず、
　前記制御部（１１）は、前記制御器（１１ａ）とは異なる他の制御器（１１ａ）を用いて、前記動作機械（３０）を制御する、
　付記２に記載の制御装置。
　［付記４］
　前記属性情報は、測定装置によって過去に測定された前記動作機械（３０）が動作する環境に関する情報及び前記動作機械（３０）の状態に関する情報の少なくともいずれか一方を含む測定量をさらに含み、
　前記評価部（１３）は、前記属性情報と、前記新たな入力データ及び前記新たな出力データの少なくともいずれか一方が生成された際に、前記測定装置によって測定された新たな測定量との比較に基づいて、前記新たな測定量が、前記測定量からどの程度乖離しているか評価する、
　付記１から３のいずれか一項に記載の制御装置。
　［付記５］
　前記環境に関する情報は、前記制御部（１１）により前記動作機械（３０）が制御された時刻に関する情報を含み、
　前記状態に関する情報は、前記動作機械（３０）が動作中であるか停止中であるかを区別する情報を含む、
　付記４に記載の制御装置。
　［付記６］
　前記評価部（１３）によって、前記新たな測定量と、前記測定量との比較を行うための基準を設定する設定部（１５）をさらに備える、
　付記４又は５に記載の制御装置。
　［付記７］
　前記入力データ及び前記出力データは、数値データを含み、
　前記属性情報は、前記入力データ及び前記出力データの最大値及び最小値を含み、
　前記評価部（１３）は、前記新たな入力データ及び前記新たな出力データの少なくともいずれか一方が、前記最大値及び前記最小値からどの程度乖離しているか評価する、
　付記１から６のいずれか一項に記載の制御装置。
　［付記８］
　前記入力データ及び前記出力データは、数値データを含み、
　前記属性情報は、前記入力データ及び前記出力データの確率分布を含み、
　前記評価部（１３）は、前記確率分布の値に基づいて、前記新たな入力データ及び前記新たな出力データの少なくともいずれか一方が、前記入力データ及び前記出力データからどの程度乖離しているか評価する、
　付記１から７のいずれか一項に記載の制御装置。
　［付記９］
　前記制御器（１１ａ）は、前記入力データと前記出力データの関係を規定した学習用データを用いた機械学習によって生成された学習済みモデルを含む、
　付記１から８のいずれか一項に記載の制御装置。
　［付記１０］
　入力データと出力データの関係を規定した学習用データを用いた機械学習によって制御器（１１ａ）の学習処理を実行する学習装置と、前記制御器（１１ａ）を用いて動作機械（３０）を制御する制御部（１１）を有する制御装置と、を備える制御システムであって、
　前記学習装置は、
　過去に得られた前記入力データ及び前記出力データの統計量を含む属性情報を生成する生成部（２３）をさらに有し、
　前記制御装置は、
　前記属性情報を取得する取得部（１２）と、
　前記属性情報と、前記制御器（１１ａ）に新たに入力する新たな入力データ及び前記新たな入力データに対して前記制御器（１１ａ）から出力される新たな出力データの少なくともいずれか一方との比較に基づいて、前記新たな入力データ及び前記新たな出力データの少なくともいずれか一方が、前記統計量からどの程度乖離しているか評価する評価部（１３）と、をさらに有する、
　制御システム。
　［付記１１］
　前記動作機械（３０）が動作する環境に関する情報を測定する測定装置をさらに備え、
　前記生成部（２３）は、前記環境に関する情報に基づいて、前記属性情報を生成する、
　付記１０に記載の制御システム。
　［付記１２］
　前記動作機械（３０）の状態に関する情報を測定する測定装置をさらに備え、
　前記生成部（２３）は、前記状態に関する情報に基づいて、前記属性情報を生成する、
　付記１０又は１１に記載の制御システム。
　［付記１３］
　入力データに対して出力データを出力する制御器（１１ａ）を用いて動作機械（３０）を制御することと、
　前記入力データ及び前記出力データの統計量を含む属性情報を取得することと、
　前記属性情報と、前記制御器（１１ａ）に新たに入力する新たな入力データ及び前記新たな入力データに対して前記制御器（１１ａ）から出力される新たな出力データの少なくともいずれか一方との比較に基づいて、前記新たな入力データ及び前記新たな出力データの少なくともいずれか一方が、前記統計量からどの程度乖離しているか評価することと、
　を含む制御方法。
　［付記１４］
　制御装置に備えられた演算部を、
　入力データに対して出力データを出力する制御器（１１ａ）を含み、前記制御器（１１ａ）を用いて動作機械（３０）を制御する制御部（１１）、
　前記入力データ及び前記出力データの統計量を含む属性情報を取得する取得部（１２）、及び
　前記属性情報と、前記制御器（１１ａ）に新たに入力する新たな入力データ及び前記新たな入力データに対して前記制御器（１１ａ）から出力される新たな出力データの少なくともいずれか一方との比較に基づいて、前記新たな入力データ及び前記新たな出力データの少なくともいずれか一方が、前記統計量からどの程度乖離しているか評価する評価部（１３）、
　として動作させる制御プログラム。

Claims (14)

  1. 　入力データに対して出力データを出力する制御器を含み、前記制御器を用いて動作機械を制御する制御部と、
    　過去に得られた前記入力データ及び前記出力データの統計量を含む属性情報を取得する取得部と、
    　前記属性情報と、前記制御器に新たに入力する新たな入力データ及び前記新たな入力データに対して前記制御器から出力される新たな出力データの少なくともいずれか一方との比較に基づいて、前記新たな入力データ及び前記新たな出力データの少なくともいずれか一方が、前記統計量からどの程度乖離しているか評価する評価部と、
    　を備える制御装置。
  2. 　前記評価部により評価された乖離の程度に基づいて、前記新たな入力データ及び前記新たな出力データの少なくともいずれか一方を変更する変更部をさらに備える、
    　請求項１に記載の制御装置。
  3. 　前記変更部は、前記評価部により評価された乖離の程度に基づいて、前記新たな入力データ及び前記新たな出力データの少なくともいずれか一方を使用せず、
    　前記制御部は、前記制御器とは異なる他の制御器を用いて、前記動作機械を制御する、
    　請求項２に記載の制御装置。
  4. 　前記属性情報は、測定装置によって過去に測定された前記動作機械が動作する環境に関する情報及び前記動作機械の状態に関する情報の少なくともいずれか一方を含む測定量をさらに含み、
    　前記評価部は、前記属性情報と、前記新たな入力データ及び前記新たな出力データの少なくともいずれか一方が生成された際に、前記測定装置によって測定された新たな測定量との比較に基づいて、前記新たな測定量が、前記測定量からどの程度乖離しているか評価する、
    　請求項１から３のいずれか一項に記載の制御装置。
  5. 　前記環境に関する情報は、前記制御部により前記動作機械が制御された時刻に関する情報を含み、
    　前記状態に関する情報は、前記動作機械が動作中であるか停止中であるかを区別する情報を含む、
    　請求項４に記載の制御装置。
  6. 　前記評価部によって、前記新たな測定量と、前記測定量との比較を行うための基準を設定する設定部をさらに備える、
    　請求項４又は５に記載の制御装置。
  7. 　前記入力データ及び前記出力データは、数値データを含み、
    　前記属性情報は、前記入力データ及び前記出力データの最大値及び最小値を含み、
    　前記評価部は、前記新たな入力データ及び前記新たな出力データの少なくともいずれか一方が、前記最大値及び前記最小値からどの程度乖離しているか評価する、
    　請求項１から６のいずれか一項に記載の制御装置。
  8. 　前記入力データ及び前記出力データは、数値データを含み、
    　前記属性情報は、前記入力データ及び前記出力データの確率分布を含み、
    　前記評価部は、前記確率分布の値に基づいて、前記新たな入力データ及び前記新たな出力データの少なくともいずれか一方が、前記入力データ及び前記出力データからどの程度乖離しているか評価する、
    　請求項１から７のいずれか一項に記載の制御装置。
  9. 　前記制御器は、前記入力データと前記出力データの関係を規定した学習用データを用いた機械学習によって生成された学習済みモデルを含む、
    　請求項１から８のいずれか一項に記載の制御装置。
  10. 　入力データと出力データの関係を規定した学習用データを用いた機械学習によって制御器の学習処理を実行する学習装置と、前記制御器を用いて動作機械を制御する制御部を有する制御装置と、を備える制御システムであって、
    　前記学習装置は、
    　過去に得られた前記入力データ及び前記出力データの統計量を含む属性情報を生成する生成部をさらに有し、
    　前記制御装置は、
    　前記属性情報を取得する取得部と、
    　前記属性情報と、前記制御器に新たに入力する新たな入力データ及び前記新たな入力データに対して前記制御器から出力される新たな出力データの少なくともいずれか一方との比較に基づいて、前記新たな入力データ及び前記新たな出力データの少なくともいずれか一方が、前記統計量からどの程度乖離しているか評価する評価部と、をさらに有する、
    　制御システム。
  11. 　前記動作機械が動作する環境に関する情報を測定する測定装置をさらに備え、
    　前記生成部は、前記環境に関する情報に基づいて、前記属性情報を生成する、
    　請求項１０に記載の制御システム。
  12. 　前記動作機械の状態に関する情報を測定する測定装置をさらに備え、
    　前記生成部は、前記状態に関する情報に基づいて、前記属性情報を生成する、
    　請求項１０又は１１に記載の制御システム。
  13. 　入力データに対して出力データを出力する制御器を用いて動作機械を制御することと、
    　前記入力データ及び前記出力データの統計量を含む属性情報を取得することと、
    　前記属性情報と、前記制御器に新たに入力する新たな入力データ及び前記新たな入力データに対して前記制御器から出力される新たな出力データの少なくともいずれか一方との比較に基づいて、前記新たな入力データ及び前記新たな出力データの少なくともいずれか一方が、前記統計量からどの程度乖離しているか評価することと、
    　を含む制御方法。
  14. 　制御装置に備えられた演算部を、
    　入力データに対して出力データを出力する制御器を含み、前記制御器を用いて動作機械を制御する制御部、
    　前記入力データ及び前記出力データの統計量を含む属性情報を取得する取得部、及び
    　前記属性情報と、前記制御器に新たに入力する新たな入力データ及び前記新たな入力データに対して前記制御器から出力される新たな出力データの少なくともいずれか一方との比較に基づいて、前記新たな入力データ及び前記新たな出力データの少なくともいずれか一方が、前記統計量からどの程度乖離しているか評価する評価部、
    　として動作させる制御プログラム。
PCT/JP2019/006595 2018-03-12 2019-02-21 制御装置、制御システム、制御方法及び制御プログラム WO2019176496A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201980012035.8A CN111684367B (zh) 2018-03-12 2019-02-21 控制装置、控制系统、控制方法以及计算机可读存储介质
US16/970,620 US11892819B2 (en) 2018-03-12 2019-02-21 Control device, control system, control method, and computer-readable storage medium
EP19767246.2A EP3767399A4 (en) 2018-03-12 2019-02-21 CONTROL DEVICE, CONTROL SYSTEM, CONTROL PROCEDURE AND CONTROL PROGRAM

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-044282 2018-03-12
JP2018044282A JP6986203B2 (ja) 2018-03-12 2018-03-12 制御装置、制御システム、制御方法及び制御プログラム

Publications (1)

Publication Number Publication Date
WO2019176496A1 true WO2019176496A1 (ja) 2019-09-19

Family

ID=67907579

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/006595 WO2019176496A1 (ja) 2018-03-12 2019-02-21 制御装置、制御システム、制御方法及び制御プログラム

Country Status (5)

Country Link
US (1) US11892819B2 (ja)
EP (1) EP3767399A4 (ja)
JP (1) JP6986203B2 (ja)
CN (1) CN111684367B (ja)
WO (1) WO2019176496A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6813231B1 (ja) * 2019-10-21 2021-01-13 株式会社エイシング 制御装置、方法、プログラム及びシステム
JP2022031289A (ja) * 2019-11-26 2022-02-18 ダイキン工業株式会社 空調管理システム
JP7523231B2 (ja) 2020-03-19 2024-07-26 三菱電機株式会社 電力用半導体モジュールの製造方法、電力用半導体モジュールの製造装置、学習装置、および推論装置

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7006724B2 (ja) * 2020-05-15 2022-01-24 三菱電機株式会社 分類装置、分類方法、及び、プログラム
JP7021809B1 (ja) * 2021-03-11 2022-02-17 株式会社Citadel AI ファイヤーウォール装置、プログラム及び情報処理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07319508A (ja) 1989-03-13 1995-12-08 Hitachi Ltd プロセス運転支援方法およびシステム
JPH0981203A (ja) * 1995-09-12 1997-03-28 Yamatake Honeywell Co Ltd 制御装置
JP2006343063A (ja) * 2005-06-10 2006-12-21 Daikin Ind Ltd 設備機器の異常予知システム、設備機器の異常予知装置および設備機器の異常予知方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4494207A (en) * 1982-04-15 1985-01-15 General Electric Company Dual turbine controller
JPH05297904A (ja) 1992-04-22 1993-11-12 Hitachi Ltd 最適制御方式選定方法及び装置
JPH07210209A (ja) * 1994-01-21 1995-08-11 Mazda Motor Corp 神経回路を用いた制御装置
TWI225576B (en) * 2003-10-06 2004-12-21 Univ Tsinghua Process controlling method with merged two-control loops
US7356377B2 (en) * 2004-01-29 2008-04-08 Applied Materials, Inc. System, method, and medium for monitoring performance of an advanced process control system
JP2006302078A (ja) * 2005-04-22 2006-11-02 Yamatake Corp 制御対象モデル生成装置および生成方法
JP5475546B2 (ja) * 2010-05-25 2014-04-16 パナソニック株式会社 省エネ診断システム
JP5251938B2 (ja) * 2010-08-31 2013-07-31 株式会社日立製作所 プラントの制御装置及び火力発電プラントの制御装置
JP6333868B2 (ja) * 2016-01-21 2018-05-30 ファナック株式会社 セル制御装置、及び製造セルにおける複数の製造機械の稼働状況を管理する生産システム
CN107783423B (zh) 2017-10-25 2020-03-27 珠海格力电器股份有限公司 基于机器学习的pid参数自整定方法及其装置
GB2568087B (en) * 2017-11-03 2022-07-20 Imagination Tech Ltd Activation functions for deep neural networks
WO2019087374A1 (ja) * 2017-11-06 2019-05-09 株式会社日立製作所 制御装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07319508A (ja) 1989-03-13 1995-12-08 Hitachi Ltd プロセス運転支援方法およびシステム
JPH0981203A (ja) * 1995-09-12 1997-03-28 Yamatake Honeywell Co Ltd 制御装置
JP2006343063A (ja) * 2005-06-10 2006-12-21 Daikin Ind Ltd 設備機器の異常予知システム、設備機器の異常予知装置および設備機器の異常予知方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3767399A4

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6813231B1 (ja) * 2019-10-21 2021-01-13 株式会社エイシング 制御装置、方法、プログラム及びシステム
WO2021079411A1 (ja) * 2019-10-21 2021-04-29 株式会社エイシング 制御装置、方法、プログラム及びシステム
US11940787B2 (en) 2019-10-21 2024-03-26 Aising Ltd. Control device, method, program, and system using machine learning technology
JP2022031289A (ja) * 2019-11-26 2022-02-18 ダイキン工業株式会社 空調管理システム
JP7339558B2 (ja) 2019-11-26 2023-09-06 ダイキン工業株式会社 空調管理システム
JP7523231B2 (ja) 2020-03-19 2024-07-26 三菱電機株式会社 電力用半導体モジュールの製造方法、電力用半導体モジュールの製造装置、学習装置、および推論装置

Also Published As

Publication number Publication date
US20210089005A1 (en) 2021-03-25
US11892819B2 (en) 2024-02-06
JP2019159669A (ja) 2019-09-19
CN111684367B (zh) 2023-01-17
JP6986203B2 (ja) 2021-12-22
EP3767399A4 (en) 2021-11-17
EP3767399A1 (en) 2021-01-20
CN111684367A (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
WO2019176496A1 (ja) 制御装置、制御システム、制御方法及び制御プログラム
Meuleau et al. Exploration of multi-state environments: Local measures and back-propagation of uncertainty
Gharbi et al. Production rate control of an unreliable manufacturing cell with adjustable capacity
US20230021897A1 (en) System and method for managing computing devices
JPH07191737A (ja) 工場制御装置および制御方法
US6205439B1 (en) Optimization of simulation run-times based on fuzzy-controlled input values
CN113597618A (zh) 推理计算装置、模型训练装置、推理计算系统
PH12015000246A1 (en) Process control system using typical and adapter components
CN113168136A (zh) 用于控制制造设施的控制装置以及制造设施和方法
Rivera-Gomez et al. Production and quality control policies for deteriorating manufacturing system
DE112021001422T5 (de) Algorithmische Lernmaschine zur dynamischen Erzeugung von Vorhersageanalysen aus Streaming-Daten mit hohem Volumen und hoher Geschwindigkeit
JP6947029B2 (ja) 制御装置、それを使用する情報処理装置、制御方法、並びにコンピュータ・プログラム
US10656635B2 (en) Apparatus and method for performing process simulations for embedded multivariable predictive controllers in industrial process control and automation systems
Zhong et al. Temporal fuzzy cognitive maps
KR101527419B1 (ko) 자동화 라인의 정상 상태 판단을 위한 기준 마스터 패턴 생성 방법
JPH0566805A (ja) コンピユータ統合化製造システム
WO2009055967A1 (en) Real-time model validation
Zăvoianu et al. A soft-computing framework for automated optimization of multiple product quality criteria with application to micro-fluidic chip production
US11543813B2 (en) Method and control system for controlling a real production process
Marcellus Bayesian statistical process control
US20170122843A1 (en) Stable manufacturing efficiency generating method and system and non-transitory computer readable storage medium
JP2022035737A (ja) 制御システム、制御方法、制御装置及びプログラム
US20200150173A1 (en) Method and system for real time outlier detection and product re-binning
Sh.-H. Tsai et al. Active fault tolerant control using state-space self-tuning control approach
JP2023084566A (ja) 推定装置、推定方法および推定プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19767246

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2019767246

Country of ref document: EP

Effective date: 20201012