CN111684367B - 控制装置、控制***、控制方法以及计算机可读存储介质 - Google Patents
控制装置、控制***、控制方法以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111684367B CN111684367B CN201980012035.8A CN201980012035A CN111684367B CN 111684367 B CN111684367 B CN 111684367B CN 201980012035 A CN201980012035 A CN 201980012035A CN 111684367 B CN111684367 B CN 111684367B
- Authority
- CN
- China
- Prior art keywords
- input data
- new
- output data
- controller
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- 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
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
本发明提供一种控制装置、控制***、控制方法以及计算机可读存储介质,可确认运行机器的控制的可靠性。控制装置包括:控制部,包含用以输出针对输入数据的输出数据的控制器,使用控制器来控制运行机器;获取部,获取包含以往获得的输入数据及输出数据的统计量的属性信息;以及评价部,基于属性信息、与新输入至控制器的新的输入数据及针对新的输入数据从控制器输出的新的输出数据中的至少任一者的比较,来评价新的输入数据及新的输出数据中的至少任一者以何种程度偏离统计量。
Description
技术领域
本公开涉及一种控制装置、控制***、控制方法以及计算机可读存储介质。
背景技术
以前,已知有下述控制装置,此控制装置使用进行比例积分微分(Proportional-Integral-Differential,PID)控制等传统控制的控制器、或进行神经网络(neuralnetwork)控制等现代控制的控制器来控制运行机器。
例如,下述专利文献1中记载了一种过程运转支持方法,根据随时间变化的多个输入变量值,来求出将控制对象设为目标状态的控制变量值,并且使用神经电路模型,将过程的以往的运转历程信息中的多个输入变量值的图案作为输入信号,将与所述图案对应的控制变量值作为示教信号(teacher network),使神经电路模型进行学习,将任意的输入变量值图案输入至经学习的神经电路模型,由此求出针对所述图案的控制变量值。
现有技术文献
专利文献
专利文献1:日本专利特开平7-319508号公报
发明内容
发明所要解决的问题
在如专利文献1所记载的技术那样,使用基于以往获得的输入数据和输出数据而生成的控制器来控制运行机器的情况下,若输入至控制器的新的输入数据及针对所述数据从控制器输出的新的输出数据为与以往获得的输入数据及输出数据类似的数据,则运行机器的控制会以高可靠性进行。
但是,在新的输入数据及新的输出数据偏离以往获得的输入数据及输出数据的情况下,缺乏使用这种数据来控制运行机器的实效,因而控制的可靠性未必高,可能并未进行适当的控制。
因此,本发明提供一种控制装置、控制***、控制方法以及计算机可读存储介质,可确认运行机器的控制的可靠性。
解决问题的技术手段
本公开的一实施例的控制装置包括:控制部,含有用以输出针对输入数据的输出数据的控制器,使用控制器来控制运行机器;获取部,获取属性信息,所述属性信息包含以往获得的输入数据及输出数据的统计量;以及评价部,基于属性信息、与新输入至控制器的新的输入数据及针对新的输入数据从控制器输出的新的输出数据中的至少任一者的比较,来评价新的输入数据及新的输出数据中的至少任一者以何种程度偏离统计量。此处,属性信息为表示输入数据及输出数据的特征的信息,包含输入数据及输出数据的统计量。输入数据及输出数据的统计量可包含输入数据及输出数据的最大值及最小值,也可包含输入数据及输出数据的平均值、中值、四分位数、方差等。
根据所述实施例,通过评价新的输入数据及新的输出数据中的至少任一者以何种程度偏离统计量,从而可确认新的输入数据及新的输出数据中的至少任一者是否与以往获得的输入数据及输出数据类似,可确认利用控制器来控制运行机器的可靠性是否得到确保。
所述实施例中,也可还包括:变更部,基于由评价部所评价的偏离的程度,来变更新的输入数据及新的输出数据中的至少任一者。例如,变更部可将由评价部以数值的形式评价的偏离的程度与阈值进行比较,在判断为偏离大于阈值的情况下,变更新的输入数据及新的输出数据中的至少任一者。
根据所述实施例,在评价为运行机器的控制的可靠性不够高的情况下,通过变更新的输入数据及新的输出数据中的至少任一者,从而可在确保可靠性的范围内控制运行机器,可防止运行机器的故障及误运行。
所述实施例中也可为,变更部基于由评价部所评价的偏离的程度,不使用新的输入数据及新的输出数据中的至少任一者,控制部使用与控制器不同的其他控制器来控制运行机器。
根据所述实施例,在评价为运行机器的控制的可靠性不够高的情况下,可不使用新的输入数据及新的输出数据中的至少任一者,而使用确保可靠性的其他控制器来控制运行机器,可防止运行机器的故障及误运行。
所述实施例中也可为,属性信息还包含测定量,此测定量是由测定装置以往进行测定而得,包含与运行机器运行的环境有关的信息及与运行机器的状态有关的信息中的至少任一者,评价部基于属性信息、与生成新的输入数据及新的输出数据中的至少任一者时由测定装置测定的新的测定量的比较,来评价新的测定量以何种程度偏离测定量。
根据所述实施例,通过评价新的测定量以何种程度偏离以往测定的测定量,从而可确认当前的运行机器运行的环境及运行机器的状态中的至少任一个是否偏离以往的运行机器运行的环境及运行机器的状态中的至少任一个,可确认利用控制器来控制运行机器的可靠性是否得到确保。
所述实施例中也可为,与环境有关的信息包含与由控制部控制运行机器的时刻有关的信息,与状态有关的信息包含区分运行机器是运行中还是停止中的信息。此处,与环境有关的信息也可包含与运行机器运行的房间的温度、湿度等气候有关的信息。而且,区分运行机器是运行中还是停止中的信息只要至少为二值的信息即可,也可未必为文字信息。
根据所述实施例,可确认运行机器运行的当前时刻是否与运行机器运行的以往的时刻发生偏离,可确认控制运行机器的环境是否与到此为止的环境不同。而且,可不对运行机器为停止中的情况下获得的输入数据及输出数据的统计量、和新的输入数据及新的输出数据进行利用评价部的偏离评价,可更准确地确认利用控制器来控制运行机器的可靠性。
所述实施例中,也可还包括:设定部,设定用于通过评价部来进行新的测定量与测定量的比较的基准。
根据所述实施例,通过设定评价新的测定量以何种程度偏离以往测定的测定量时的基准,从而可通过与基准的比较来确认偏离的程度,可更容易地确认利用控制器来控制运行机器的可靠性是否得到确保。
所述实施例中也可为,输入数据及输出数据包含数值数据,属性信息包含输入数据及输出数据的最大值及最小值,评价部评价新的输入数据及新的输出数据中的至少任一者以何种程度偏离最大值及最小值。此处,评价部可根据新输入至控制器的新的输入数据是否为以往获得的输入数据的最小值以上、最大值以下,来评价新的输入数据与统计量的偏离。而且,评价部可根据从控制器输出的新的输出数据是否为以往获得的输出数据的最小值以上、最大值以下,来评价新的输出数据与统计量的偏离。
根据所述实施例,通过评价新的输入数据及新的输出数据中的至少任一者以何种程度偏离以往获得的输入数据及输出数据的最大值及最小值,从而可确认新的输入数据及新的输出数据中的至少任一者是否与以往获得的输入数据及输出数据类似,可确认利用控制器来控制运行机器的可靠性是否得到确保。
所述实施例中也可为,输入数据及输出数据包含数值数据,属性信息包含输入数据及输出数据的概率分布,评价部基于概率分布的值,来评价新的输入数据及新的输出数据中的至少任一者以何种程度偏离输入数据及输出数据。此处,评价部可基于根据以往获得的输入数据求出的概率分布,算出获得新的输入数据的概率,基于所述概率来评价以往获得的输入数据与新的输入数据的偏离程度。而且,评价部可基于根据以往获得的输出数据求出的概率分布,算出获得新的输出数据的概率,基于所述概率来评价以往获得的输出数据与新的输出数据的偏离程度。
根据所述实施例,可基于以往获得的输入数据及输出数据的概率分布的值,来确认新的输入数据及新的输出数据中的至少任一者是否与以往获得的输入数据及输出数据类似,可确认利用控制器来控制运行机器的可靠性是否得到确保。
所述实施例中,控制器也可包含通过机器学习而生成的学习完成模型,所述机器学习使用规定了输入数据与输出数据的关系的学习用数据。
根据所述实施例,可确认新的输入数据及新的输出数据中的至少任一者是否与用于生成学习完成模型的输入数据及输出数据类似,可确认利用控制器来控制运行机器的可靠性是否得到确保。
本公开的另一实施例的控制***包括:学习装置,通过机器学习来执行控制器的学习处理,所述机器学习使用规定了输入数据与输出数据的关系的学习用数据;以及控制装置,具有使用控制器来控制运行机器的控制部,且学习装置还具有:生成部,生成属性信息,所述属性信息包含以往获得的输入数据及输出数据的统计量,控制装置还具有:获取部,获取属性信息;以及评价部,基于属性信息、与新输入至控制器的新的输入数据及针对新的输入数据从控制器输出的新的输出数据中的至少任一者的比较,来评价新的输入数据及新的输出数据中的至少任一者以何种程度偏离统计量。
根据所述实施例,通过评价新的输入数据及新的输出数据中的至少任一者以何种程度偏离统计量,从而可确认新的输入数据及新的输出数据中的至少任一者是否与用于生成学习完成模型的输入数据及输出数据类似,可确认利用控制器来控制运行机器的可靠性是否得到确保。
所述实施例中也可为,还包括:测定装置,测定与运行机器运行的环境有关的信息,生成部基于与环境有关的信息来生成属性信息。
根据所述实施例,通过测定与运行机器运行的环境有关的信息,从而可确认当前的运行机器运行的环境是否偏离以往的环境,可确认利用控制器来控制运行机器的可靠性是否得到确保。
所述实施例中也可为,还包括:测定装置,测定与运行机器的状态有关的信息,生成部基于与状态有关的信息来生成属性信息。
根据所述实施例,通过测定与运行机器的状态有关的信息,从而可确认当前的运行机器的状态是否偏离以往的运行机器的状态,可确认利用控制器来控制运行机器的可靠性是否得到确保。
本公开的另一实施例的控制方法包括:使用用以输出针对输入数据的输出数据的控制器来控制运行机器;获取属性信息,所述属性信息包含输入数据及输出数据的统计量;以及基于属性信息、与新输入至控制器的新的输入数据及针对新的输入数据从控制器输出的新的输出数据中的至少任一者的比较,来评价新的输入数据及新的输出数据中的至少任一者以何种程度偏离统计量。
根据所述实施例,通过评价新的输入数据及新的输出数据中的至少任一者以何种程度偏离统计量,从而可确认新的输入数据及新的输出数据中的至少任一者是否与以往获得的输入数据及输出数据类似,可确认利用控制器来控制运行机器的可靠性是否得到确保。
本公开的另一实施例的计算机可读存储介质使控制装置所包括的运算部作为下述各部而运行:控制部,包含用以输出针对输入数据的输出数据的控制器,使用控制器来控制运行机器;获取部,获取属性信息,所述属性信息包含输入数据及输出数据的统计量;以及评价部,基于属性信息、与新输入至控制器的新的输入数据及针对所述新的输入数据从控制器输出的新的输出数据中的至少任一者的比较,来评价新的输入数据及新的输出数据中的至少任一者以何种程度偏离统计量。
根据所述实施例,通过评价新的输入数据及新的输出数据中的至少任一者以何种程度偏离统计量,从而可确认新的输入数据及新的输出数据中的至少任一者是否与以往获得的输入数据及输出数据类似,可确认利用控制器来控制运行机器的可靠性是否得到确保。
发明的效果
根据本公开,提供一种控制装置、控制***、控制方法以及计算机可读存储介质,可确认运行机器的控制的可靠性。
附图说明
图1为表示本发明的实施方式的控制***的功能框的图。
图2为表示本实施方式的控制装置的物理结构的图。
图3为表示本实施方式的控制***所用的数据的图。
图4为简化表示本实施方式的控制器的输入数据及输出数据的统计量的图。
图5为由本实施方式的控制***执行的运行机器的第一控制处理的流程图。
图6为由本实施方式的控制***执行的运行机器的第二控制处理的流程图。
图7为简化表示本实施方式的控制器的输入数据及输出数据的概率分布的图。
图8为简化表示本实施方式的控制器的输入数据及输出数据的概率分布的另一例的图。
图9为由本实施方式的控制***执行的运行机器的第三控制处理的流程图。
具体实施方式
以下,基于附图对本发明的一方面的实施方式(以下表述为“本实施方式”)进行说明。此外,各图中标注相同符号的部分具有相同或同样的结构。
§1适用例
首先,使用图1对适用本发明的场景的一例进行说明。图1为表示本发明的实施方式的控制***1的功能框的图。本实施方式的控制***1包括:学习装置20,通过机器学习来执行控制器11a的学习处理,所述机器学习使用规定了输入数据与输出数据的关系的学习用数据;以及控制装置10,具有使用控制器11a来控制运行机器30的控制部11。此外,本例中,对使用通过学习装置20进行机器学习而生成的控制器11a来控制运行机器30的控制装置10进行说明,但控制器11a未必限于通过机器学习来生成,也可基于针对输入数据与输出数据的关系在理论上导出的关系式或根据经验导出的关系式,来控制运行机器30。而且,本例中表示了控制装置10及学习装置20分立的情况,但控制装置10及学习装置20也可包含一体的装置。例如,控制装置10及学习装置20也可作为可编程逻辑控制器(ProgrammableLogic Controller,PLC)的不同运行而实现。
学习装置20具有学习用数据存储部21、学习部22、生成部23及学习结果存储部24。学习用数据存储部21可存储为了控制运行机器30而输入至控制装置10的输入数据、及从控制部11输出的输出数据作为学习用数据。输入数据及输出数据依次存储或累积于学习用数据存储部21。学习部22通过机器学习来执行控制器11a的学习处理,所述机器学习使用存储于学习用数据存储部21的学习用数据。例如,学习部22能以基于以往获得的输入数据而输出与输入数据对应的输出数据的方式,进行控制器11a的学习处理。控制器11a可包含任意的学习模型,例如可包含神经网络。
生成部23生成属性信息,所述属性信息包含以往获得的输入数据及输出数据的统计量。此处,输入数据及输出数据可包含数值数据,属性信息可至少包含输入数据及输出数据的最大值及最小值。属性信息所含的输入数据及输出数据的统计量也可为输入数据及输出数据的最大值及最小值以外的量,例如可包含输入数据及输出数据的平均值、中值、四分位数、方差等。
学习结果存储部24可包含:学习完成模型存储部24a,存储通过学习部22进行学习处理而生成的学习完成模型;以及属性信息存储部24b,存储由生成部23生成的属性信息。此处,将学习完成模型、与包含用于所述学习完成模型的学习处理的输入数据及输出数据的统计量的属性信息可相关联地存储。
控制装置10包括:控制部11,包含用以输出针对输入数据的输出数据的控制器11a,使用控制器11a来控制运行机器30;获取部12,获取属性信息;评价部13;变更部14;以及设定部15。控制器11a中,可安装有由学习部22利用使用学习用数据的机器学习而生成,且存储于学习完成模型存储部24a的学习完成模型。而且,获取部12可从属性信息存储部24b获取与安装于控制器11a的学习完成模型相关联的属性信息。
评价部13基于属性信息、与新输入至控制器11a的新的输入数据及针对新的输入数据从控制器11a输出的新的输出数据中的至少任一者的比较,来评价新的输入数据及新的输出数据中的至少任一者以何种程度偏离属性信息所含的统计量。例如,评价部13可将新输入至控制器11a的新的输入数据与以往获得的输入数据的最小值及最大值进行比较,根据新的输入数据是否为以往获得的输入数据的最小值以上、最大值以下,来评价新的输入数据与统计量的偏离。更具体而言,在新的输入数据为以往获得的输入数据的最小值以上、最大值以下的情况下,评价为并无偏离,在新的输入数据小于以往获得的输入数据的最小值,或大于最大值的情况下,将新的输入数据与最小值或最大值的差评价为偏离。而且,例如评价部13可将从控制器11a输出的新的输出数据与以往获得的输出数据的最小值及最大值进行比较,根据新的输出数据是否为以往获得的输出数据的最小值以上、最大值以下,来评价新的输出数据与统计量的偏离。更具体而言,在新的输出数据为以往获得的输出数据的最小值以上、最大值以下的情况下,评价为并无偏离,在新的输出数据小于以往获得的输出数据的最小值,或大于最大值的情况下,将新的输出数据与最小值或最大值的差评价为偏离。
这样,通过评价新的输入数据及新的输出数据中的至少任一者以何种程度偏离统计量,从而可确认新的输入数据及新的输出数据中的至少任一者是否与以往获得的输入数据及输出数据类似,可确认利用控制器11a来控制运行机器30的可靠性是否得到确保。由此,可容易地确认是否合适地控制运行机器30,可防止运行机器30的误运行或故障。
§2结构例
[功能结构]
<学习装置>
学习装置20具有学习用数据存储部21、学习部22、生成部23及学习结果存储部24。学习用数据存储部21可将为了控制运行机器30而输入至控制装置10的输入数据、从控制部11输出的输出数据、由测定装置40测定的与运行机器30运行的环境有关的信息及与运行机器30的状态有关的信息相关联地存储。这些信息可依次存储并累积于学习用数据存储部21。
学习部22通过机器学习来执行控制器11a的学习处理,所述机器学习使用存储于学习用数据存储部21的学习用数据。例如,学习部22能以基于以往获得的输入数据而输出与输入数据对应的输出数据的方式,进行控制器11a的学习处理。控制器11a可包含任意的学习模型,例如可包含神经网络。在控制器11a包含神经网络的情况下,学习部22可通过误差反向传播法(error back propagation method)来进行神经网络的学习处理。而且,学习部22也能以基于以往获得的输入数据、与运行机器30运行的环境有关的信息及与运行机器30的状态有关的信息,来输出与输入数据对应的输出数据的方式,进行控制器11a的学习处理。
生成部23生成属性信息,所述属性信息包含以往获得的输入数据及输出数据的统计量。此处,输入数据及输出数据可包含数值数据,属性信息可包含输入数据及输出数据的最大值及最小值。而且,属性信息可包含输入数据及输出数据的概率分布。输入数据的概率分布例如可将正态分布的平均及方差设为输入数据的样本平均及样本方差,输出数据的概率分布例如可将正态分布的平均及方差设为输出数据的样本平均及样本方差。此外,在输入数据或输出数据包含多个集群(cluster)的情况下,例如可将混合正态分布的多个平均及多个方差设为输入数据或输出数据的每个集群的平均及方差。
属性信息也可还包含测定量,此测定量是由测定装置40以往进行测定所得,包含与运行机器30运行的环境有关的信息及与运行机器30的状态有关的信息中的至少任一者。另外,与环境有关的信息可包含与由控制部11控制运行机器30的时刻有关的信息。与环境有关的信息可包含与运行机器30运行的房间的温度、湿度等气候有关的信息。而且,与状态有关的信息可包含区分运行机器30是运行中还是停止中的信息。此处,区分是运行中还是停止中的信息只要至少为二值的信息即可,也可未必为文字信息。而且,与状态有关的信息可包含运行机器30为运行中的情况下的与消耗电力有关的信息,或运行机器30为停止中的情况下的与停止原因有关的信息。此处,停止原因可为以运行机器30的设定操作为目的而暂时使运行停止,或使运行机器30紧急停止。
通过包含与由控制部11控制运行机器30的时刻有关的信息作为与环境有关的信息,从而可确认运行机器30运行的当前时刻是否与运行机器30运行的以往的时刻发生偏离,可确认控制运行机器30的环境是否与到此为止的环境不同。而且,通过包含区分运行机器30是运行中还是停止中的信息作为与状态有关的信息,从而可不对运行机器30为停止中的情况下获得的输入数据及输出数据的统计量、和新的输入数据及新的输出数据进行利用评价部13的偏离评价,可更准确地确认利用控制器11a来控制运行机器30的可靠性。进而,可将运行机器30为停止中的情况下获得的输入数据及输出数据从学习用数据中排除,将运行机器30为运行中的情况下获得的输入数据及输出数据作为学习用数据而累积于学习用数据存储部21,能以高精度地再现用于控制运行中的运行机器30的输入数据与输出数据的关系的方式,来进行控制器11a的学习处理。
学习结果存储部24可包含:学习完成模型存储部24a,存储通过学习部22进行学习处理而生成的学习完成模型;以及属性信息存储部24b,存储由生成部23生成的属性信息。此处,学习完成模型、与包含用于所述学习完成模型的学习处理的输入数据及输出数据的统计量的属性信息可相关联地存储。
<控制装置>
控制装置10包括控制部11、获取部12、评价部13、变更部14及设定部15。控制部11包含用以输出针对输入数据的输出数据的控制器11a,使用控制器11a来控制运行机器30。控制器11a可包含通过机器学习而生成的学习完成模型,所述机器学习使用规定了输入数据与输出数据的关系的学习用数据,所述控制器11a可安装有由学习部22生成且存储于学习完成模型存储部24a的学习完成模型。由此,可确认新的输入数据及新的输出数据中的至少任一者是否与用于生成学习完成模型的输入数据及输出数据类似,可确认利用控制器11a来控制运行机器30的可靠性是否得到确保。
获取部12获取属性信息,所述属性信息包含以往获得的输入数据及输出数据的统计量。获取部12可从属性信息存储部24b获取与安装于控制器11a的学习完成模型相关联的属性信息。
评价部13基于属性信息、与新输入至控制器11a的新的输入数据及针对新的输入数据从控制器11a输出的新的输出数据中的至少任一者的比较,来评价新的输入数据及新的输出数据中的至少任一者以何种程度偏离统计量。
在以往获得的输入数据及输出数据的最大值及最小值包含于属性信息的情况下,评价部13可评价新的输入数据及新的输出数据中的至少任一者以何种程度偏离以往获得的输入数据及输出数据的最大值及最小值。通过评价新的输入数据及新的输出数据中的至少任一者以何种程度偏离以往获得的输入数据及输出数据的最大值及最小值,从而可确认新的输入数据及新的输出数据中的至少任一者是否与以往获得的输入数据及输出数据类似,可确认利用控制器11a来控制运行机器30的可靠性是否得到确保。
在以往获得的输入数据及输出数据的概率分布包含于属性信息的情况下,评价部13可基于概率分布的值,来评价新的输入数据及新的输出数据中的至少任一者以何种程度偏离以往获得的输入数据及输出数据。具体而言,可基于根据以往获得的输入数据求出的概率分布,算出获得新的输入数据的概率,基于所述概率来评价以往获得的输入数据与新的输入数据的偏离程度。而且,可基于根据以往获得的输出数据求出的概率分布,算出获得新的输出数据的概率,基于所述概率来评价以往获得的输出数据与新的输出数据的偏离程度。可基于以往获得的输入数据及输出数据的概率分布的值,来确认新的输入数据及新的输出数据中的至少任一者是否与以往获得的输入数据及输出数据类似,可确认利用控制器11a来控制运行机器30的可靠性是否得到确保。
在由测定装置40以往测定的包含与运行机器30运行的环境有关的信息及与运行机器30的状态有关的信息中的至少任一者的测定量包含于属性信息的情况下,评价部13也可基于属性信息、与生成了新的输入数据及新的输出数据中的至少任一者时由测定装置40测定的新的测定量的比较,来评价新的测定量以何种程度偏离以往测定的测定量。通过评价新的测定量以何种程度偏离以往测定的测定量,从而可确认当前的运行机器30运行的环境及运行机器30的状态中的至少任一个是否偏离以往的运行机器30运行的环境及运行机器30的状态中的至少任一个,可确认利用控制器11a来控制运行机器30的可靠性是否得到确保。
变更部14基于由评价部13评价的偏离的程度,来变更新的输入数据及新的输出数据中的至少任一者。例如,变更部14可将由评价部13以数值的形式评价的偏离的程度与阈值进行比较,在判断为偏离大于阈值的情况下,变更新的输入数据及新的输出数据中的至少任一者。这样,在由评价部13评价的偏离的程度大,评价为对运行机器30的控制的可靠性不够高的情况下,通过变更新的输入数据及新的输出数据中的至少任一者,从而可在确保可靠性的范围内控制运行机器30,可防止运行机器30的故障及误运行。
更具体而言,变更部14可基于由评价部13评价的偏离的程度,不使用新的输入数据及新的输出数据中的至少任一者。此时,控制部11可使用与控制器11a不同的辅助控制器11b,来控制运行机器30。此处,辅助控制器11b相当于本发明的“其他控制器”。辅助控制器11b可为进行PID控制等传统控制的控制器,或为进行现代控制的控制器。这样,在由评价部13评价的偏离的程度大,评价为对运行机器30的控制的可靠性不够高的情况下,可不使用新的输入数据及新的输出数据中的至少任一者,而使用确保可靠性的其他控制器来控制运行机器30,可防止运行机器30的故障及误运行。
设定部15在通过测定装置40来测定包含与运行机器30运行的环境有关的信息及与运行机器30的状态有关的信息中的至少任一者的测定量的情况下,设定用于通过评价部13来进行新的测定量、与以往测定的测定量的比较的基准。例如,设定部15可进行新的测定量、与以往测定的测定量的比较中使用的阈值的设定。此处,阈值也可根据偏离的程度而设定有多个。例如,在与运行机器30运行的环境有关的信息包含与由控制部11控制运行机器30的时刻有关的信息的情况下,设定部15可设定用于判断运行机器30运行的当前时刻是否与运行机器30运行的以往的时刻发生偏离的阈值。例如,设定部15可设定决定运行机器30运行的多个时段的阈值。更具体而言,在将运行机器30运行的多个时段如早晨、正午、傍晚及夜晚那样分为四个的情况下,可将决定四个时段的六个时刻设定为阈值。而且,例如设定部15可设定决定运行机器30运行的季节的阈值。更具体而言,在将运行机器30运行的季节如春、夏、秋及冬那样分为四个的情况下,可将决定四个季节的四个日期设定为阈值。而且,例如在与运行机器30运行的环境有关的信息包含与运行机器30运行的房间的温度及湿度有关的信息的情况下,设定部15可设定用于判断运行机器30运行的房间的当前的温度及湿度是否与以往的温度及湿度发生偏离的阈值。这样,通过设定评价新的测定量以何种程度偏离以往测定的测定量时的基准,从而可通过与基准的比较来确认偏离的程度,可更容易地确认利用控制器11a来控制运行机器30的可靠性是否得到确保。
<运行机器>
运行机器30可为进行任意的动作的机器,例如可为机器人,或为设于生产线的致动器(actuator)。运行机器30可由控制装置10进行反馈控制,运行机器30的当前的控制量可由控制装置10获取,设为控制器11a的输入数据。而且,控制装置10的输入数据及输出数据可依次存储于学习用数据存储部21。
<测定装置>
测定装置40测定与运行机器30运行的环境有关的信息,或测定与运行机器30的状态有关的信息。由测定装置40测定的测定量可依次存储于学习用数据存储部21。
根据本实施方式的控制***1,通过评价新的输入数据及新的输出数据中的至少任一者以何种程度偏离以往获得的输入数据及输出数据的统计量,从而可确认新的输入数据及新的输出数据中的至少任一者是否与用于生成学习完成模型的输入数据及输出数据类似,可确认利用控制器11a来控制运行机器30的可靠性是否得到确保。
而且,通过利用测定装置40来测定与运行机器30运行的环境有关的信息,并由生成部23基于与环境有关的信息来生成属性信息,从而可确认当前的运行机器30运行的环境是否偏离以往的环境,可确认利用控制器11a来控制运行机器30的可靠性是否得到确保。
而且,通过利用测定装置40来测定与运行机器30的状态有关的信息,并由生成部23基于与状态有关的信息来生成属性信息,从而可确认当前的运行机器30的状态是否偏离以往的运行机器30的状态,可确认利用控制器11a来控制运行机器30的可靠性是否得到确保。
[硬件结构]
图2为表示本实施方式的控制装置10的物理结构的图。控制装置10具有:相当于运算部的中央处理器(Central Processing Unit,CPU)10a、相当于存储部的随机存取存储器(Random Access Memory,RAM)10b、相当于存储部的只读存储器(Read only Memory,ROM)10c、通信部10d、输入部10e及显示部10f。这些各结构经由总线而相互可收发数据地连接。此外,本例中对控制装置10包含一台计算机的情况进行说明,但控制装置10也可使用多台计算机来实现。而且,图2所示的结构为一例,控制装置10也可具有这些以外的结构,或也可不具有这些结构中的一部分。
CPU 10a为控制部,进行与存储于RAM 10b或ROM 10c的程序的执行有关的控制或数据的运算、加工。CPU 10a为执行下述程序(控制程序)的运算部,即:评价新的输入数据及新的输出数据中的至少任一者以何种程度偏离以往获得的输入数据及输出数据的统计量,控制运行机器30。CPU 10a从输入部10e或通信部10d接收各种输入数据,将输入数据的运算结果显示于显示部10f,或者保存于RAM 10b或ROM 10c。
RAM 10b在存储部中可改写数据,例如可包含半导体存储元件。RAM 10b可存储CPU10a执行的控制程序、输入至控制器11a的输入数据及从控制器11a输出的输出数据等数据。此外,这些为例示,在RAM 10b也可存储这些以外的数据,或不存储这些的一部分。
ROM 10c在存储部中可读出数据,例如可包含半导体存储元件。ROM 10c例如可存储控制程序、或不进行改写的数据。
通信部10d为将控制装置10连接于其他设备的接口。通信部10d例如可通过局域网(Local AreaNetwork,LAN)而与学习装置20、运行机器30及测定装置40连接,从学习装置20接收用于构成学习完成模型的信息,或向运行机器30发送控制器11a的输出数据,或从测定装置40接收测定量。而且,通信部10d也可连接于国际互联网(Intemet)等通信网络。此外,在控制装置10及学习装置20包含一体的装置的情况下,通信部10d可包含作为控制装置10运行的过程、与作为学习装置20运行的过程之间的过程间通信。
输入部10e从用户受理数据的输入,例如可包含键盘、鼠标及触摸屏。输入部10e例如可受理由设定部15所设定的阈值的输入。
显示部10f以视觉方式显示由CPU 10a所得的运算结果,例如可包含液晶显示器(Liquid Crystal Display,LCD)。显示部10f例如可显示由测定装置40测定的测定量,或显示运行机器30的运行历程。
控制程序既可存储于RAM 10b或ROM 10c等计算机可读取的存储介质而提供,也可经由通过通信部10d而连接的通信网络来提供。控制装置10中,通过CPU 10a执行控制程序,从而利用CPU 10a来实现使用图1所说明的控制部11、获取部12、评价部13、变更部14及设定部15的动作。在由CPU 10a执行控制程序时,可将控制程序在RAM 10b中展开,由CPU 10a来解释及执行在RAM 10b中展开的控制程序。此外,这些物理结构为例示,也可未必为独立的结构。例如,控制装置10也可包括CPU 10a与RAM 10b或ROM 10c一体化的大规模集成电路(Large-Scale Integration,LSI)。
§3运行例
图3为表示本实施方式的控制***1所用的数据D的图。数据D可存储于学习用数据存储部21,包含输入至控制器11a的输入数据x、从控制器11a输出的输出数据y、与获得输入数据x及输出数据y的时刻以及获得输入数据x及输出数据y时的运行机器30的状态有关的信息。
本例的数据D中,关于输入至控制器11a的输入数据x,在时刻“10:04:00.000”为“1.5”,在时刻“10:05:00.000”为“3.4”,在时刻“10:06:00.000”为“2.2”,在时刻“10:07:00.000”为“5.6”。此外,这些数值仅为例示,输入数据也可为向量值,或为图像。例如,时刻既可为本例中所示的绝对时刻,也可为控制装置10的CPU 10a等的内部时钟值那样的距基准时刻的计数值。其中,在存储距基准时刻的计数值的情况下,也可在控制***1中参照时刻时改读成绝对时刻。而且,本例中为了简单而以时、分、秒、毫秒的形式来表示时刻,但时刻既能以秒为单位存储,也能以微秒为单位存储。
本例的数据D中,关于从控制器11a输出的输出数据y,在时刻“10:04:00.000”为“10”,在时刻“10:05:00.000”为“2”,在时刻“10:06:00.000”为“4”,在时刻“10:07:00.000”为“6”。此外,这些数值是将运行机器30的控制量简化表示,仅为例示,输出数据也可为向量值,或为真假值(truth value)。此外,即便在输入数据x为图像的情况下,输出数据y也可为表示运行机器30的控制量的数值。在输入数据x为图像的情况下,也可进行下述前处理后输入至控制器11a,即:切出图像的特定的区域,或通过图像与高斯核(Gaussian kernel)等的叠加运算而进行平滑化,或通过图像与索贝尔滤波器(Sobel filter)等的叠加运算而强调边缘,或将彩色图像进行二值化等。
而且,本例的数据D中,关于与获得输入数据x及输出数据y时的运行机器30的状态有关的信息,在时刻“10:04:00.000”为“运行中(1)”,在时刻“10:05:00.000”为“运行中(1)”,在时刻“10:06:00.000”为“停止中(0)”,在时刻“10:07:00.000”为“运行中(1)”。此处,括弧中的“1”及“0”以二值来表示是运行中还是停止中。此外,在记录三种以上的运行机器30的状态的情况下,可针对每个状态对应任意的数值。而且,这些仅为例示,与状态有关的信息也可为向量值,或为文字,或为真假值。
图4为简化表示本实施方式的控制器11a的输入数据及输出数据的统计量的图。所述图中,将输入数据及输出数据分别简化为一维数据,横轴表示“x(输入数据)”,纵轴表示“y(输出数据)”。多个绘点表示以往获得的输入数据及输出数据的值。
图4所示的图表中,表示以往获得的输入数据的最小值“x_min”及最大值“x_max”、和以往获得的输出数据的最小值“y_min”及最大值“y_max”。而且,所述图中,以虚线来图示第一曲线G1,此第一曲线G1表示在对控制器11a输入了新的输入数据的情况下,输出何种输出数据。此处,控制器11a以再现以往获得的输入数据及输出数据的关系的方式进行了学习,第一曲线G1为了简单而以线性函数的形式例示。
若向控制器11a输入新的输入数据“x_new1”,则控制器11a按照所学习的第一曲线G1,输出新的输出数据“y_new1”。如图4所示,新的输入数据“x_new1”大于以往获得的输入数据的最小值“x_min”,小于最大值“x_max”。而且,新的输出数据“y_new1”大于以往获得的输出数据的最小值“y_min”,小于最大值“y_max”。因此,评价部13可评价为新的输入数据“x_new1”及新的输出数据“y_new1”并未偏离以往获得的输入数据及输出数据的统计量。此时,可使用从控制器11a输出的新的输出数据“y_new1”进行运行机器30的控制。
另一方面,若对控制器11a输入新的输入数据“x_new2”,则控制器11a按照所学习的第一曲线G1,输出新的输出数据“y_new2”。如图4所示,新的输入数据“x_new2”大于以往获得的输入数据的最小值“x_min”,且大于最大值“x_max”。而且,新的输出数据“y_new2”大于以往获得的输出数据的最小值“y_min”,且大于最大值“y_max”。即,新的输入数据“x_new2”及新的输出数据“y_new2”大于以往获得的输入数据及输出数据的最大值,为并无以往用于控制运行机器30的实效的数据。此时,评价部13可评价为新的输入数据“x_new2”及新的输出数据“y_new2”偏离以往获得的输入数据及输出数据的统计量。具体而言,评价部13可通过(x_new2-x_max)来评价输入数据的偏离程度,可通过(y_new2-y_max)来评价输出数据的偏离程度。此时,可不使用从控制器11a输出的新的输出数据“y_new2”,而使用辅助控制器11b来进行运行机器30的控制。
图5为由本实施方式的控制***1执行的运行机器30的第一控制处理的流程图。控制***1首先通过控制装置10获取运行机器30的当前的控制量作为新的输入数据(S10)。
控制装置10向学习完成的控制器11a输入新的输入数据,生成新的输出数据(S11)。接下来,控制装置10获取关联于学习完成的控制器11a的属性信息(S12)。此处,关联于学习完成的控制器11a的属性信息可为由生成部23根据用于学习完成的控制器11a的学习处理的学习用数据而生成的属性信息。
然后,控制装置10评价新的输入数据及新的输出数据与属性信息所含的最大值、最小值的偏离(S13)。此外,与新的输入数据及新的输出数据进行比较的对象只要为属性信息所含的统计量即可,既可为以往获得的输入数据及输出数据的平均值、中值、四分位数、方差等,也可为这些的组合。
在由控制装置10所评价的偏离不大于阈值的情况下(S14:否(NO))下,控制装置10利用从控制器11a输出的新的输出数据来控制运行机器30(S15)。另一方面,在由控制装置10所评价的偏离大于阈值的情况下(S14:是(YES)),控制装置10通过变更部14将新的输出数据废弃(S16),利用辅助控制器11b来控制运行机器30(S17)。此外,以上说明的示例中,设为在通过控制器11a生成新的输出数据后,评价新的输入数据及新的输出数据与属性信息所含的最大值、最小值的偏离,但也可在通过控制器11a生成新的输出数据前,获取关联于学习完成的控制器11a的属性信息,评价新的输入数据与属性信息所含的最大值、最小值的偏离。接下来,在所评价的偏离不大于阈值的情况下,控制装置10可通过控制器11a来生成新的输出数据,利用新的输出数据来控制运行机器30。另一方面,在所评价的偏离大于阈值的情况下,控制装置10可不向控制器11a输入新的输入数据,而是利用辅助控制器11b来控制运行机器30。通过以上操作,第一控制处理结束。
图6为由本实施方式的控制***1执行的运行机器30的第二控制处理的流程图。第二控制处理为评价由测定装置40所测定的新的测定量、与以往测定的测定量的偏离,控制运行机器30的处理。
控制***1首先通过控制装置10获取运行机器30的当前的控制量作为新的输入数据(S20)。然后,控制装置10向学习完成的控制器11a输入新的输入数据,生成新的输出数据(S21)。
而且,控制***1通过测定装置40来测定包含与运行机器30运行的环境有关的信息及与运行机器30的状态有关的信息的新的测定量,通过控制装置10来获取所述新的测定量(S22)。
控制装置10获取关联于学习完成的控制器11a的属性信息(S23)。此处,属性信息中,可包含由测定装置40以往测定的与运行机器30运行的环境有关的信息及与运行机器30的状态有关的信息。
控制装置10评价新的测定量、与属性信息所含的测定量的偏离(S24)。此外,新的测定量、与以往测定的测定量的比较也可基于由设定部15所设定的基准而进行。
在由控制装置10所评价的偏离不大于阈值的情况下(S25:否(NO)),控制装置10利用从控制器11a输出的新的输出数据来控制运行机器30(S26)。另一方面,在由控制装置10所评价的偏离大于阈值的情况下(S25:是(YES)),控制装置10通过变更部14将新的输出数据废弃(S27),利用辅助控制器11b来控制运行机器30(S28)。此外,以上说明的示例中,设为通过控制器11a生成新的输出数据后,评价新的测定量、与属性信息所含的测定量的偏离,但也可在通过控制器11a生成新的输出数据前,获取关联于学习完成的控制器11a的属性信息,评价新的测定量、与属性信息所含的测定量的偏离。接下来,在所评价的偏离不大于阈值的情况下,控制装置10可通过控制器11a而生成新的输出数据,利用新的输出数据来控制运行机器30。另一方面,在所评价的偏离大于阈值的情况下,控制装置10可不向控制器11a输入新的输入数据,而利用辅助控制器11b来控制运行机器30。通过以上操作,第二控制处理结束。
图7为简化表示本实施方式的控制器11a的输入数据及输出数据的概率分布的图。所述图中,将输入数据及输出数据分别简化为一维数据,横轴表示“x(输入数据)”,纵轴表示“y(输出数据)”。多个绘点表示以往获得的输入数据及输出数据的值。
图7所示的图表中,表示基于以往获得的输入数据的样本平均及样本方差而求出的第一概率分布P1。而且,所述图中,以虚线来图示第一曲线G1,此第一曲线G1表示在向控制器11a输入了新的输入数据的情况下,输出何种输出数据。此处,控制器11a以再现以往获得的输入数据及输出数据的关系的方式进行了学习,第一曲线G1为了简单而以线性函数(linear function)的形式例示。
若向控制器11a输入新的输入数据“x_new3”,则控制器11a按照所学***均值表示为μ,将标准偏差表示为σ时,限制在μ±1σ的范围内的数据。因此,评价部13可评价为新的输入数据“x_new3”及新的输出数据“y_new3”未偏离以往获得的输入数据及输出数据的统计量。此时,可使用从控制器11a输出的新的输出数据“y_new3”进行运行机器30的控制。
另一方面,若向控制器11a输入新的输入数据“x_new4”,则控制器11a按照所学***均值表示为μ,将标准偏差表示为σ时,不限制在μ±1σ的范围内,也不限制在μ±2σ的范围内的数据。此时,评价部13可评价为新的输入数据“x_new4”及新的输出数据“y_new4”偏离以往获得的输入数据及输出数据的统计量。具体而言,评价部13可通过(x_new4-μ)/σ来评价输入数据的偏离程度。此时,可不使用从控制器11a输出的新的输出数据“y_new4”,而使用辅助控制器11b来进行运行机器30的控制。
图8为简化表示本实施方式的控制器11a的输入数据及输出数据的概率分布的另一例的图。所述图中,将输入数据及输出数据分别简化为一维数据,横轴表示“x(输入数据)”,纵轴表示“y(输出数据)”。多个绘点表示以往获得的输入数据及输出数据的值。
图8所示的图表中,表示包含第二概率分布P2及第三概率分布P3的混合正态分布,作为以往获得的输入数据的概率分布。第二概率分布P2是基于以往获得的输入数据的第一集群的样本平均及样本方差而求出,第三概率分布P3是基于以往获得的输入数据的第二集群的样本平均及样本方差而求出。而且,所述图中,以虚线来图示第二曲线G2,此第二曲线G2表示在向控制器11a输入了新的输入数据的情况下,输出何种输出数据。此处,控制器11a以再现以往获得的输入数据及输出数据的关系的方式进行了学习,第二曲线G2为了简单而以线性函数的形式例示。
若向控制器11a输入新的输入数据“x_new5”,则控制器11a按照所学***均值表示为μ,将标准偏差表示为σ时,限制在μ±1σ的范围内的数据。因此,评价部13可评价为新的输入数据“x_new5”及新的输出数据“y_new5”不偏离以往获得的输入数据及输出数据的统计量。此时,可使用从控制器11a输出的新的输出数据“y_new5”来进行运行机器30的控制。
另一方面,若向控制器11a输入新的输入数据“x_new6”,则控制器11a按照所学***均值表示为μ,将标准偏差表示为σ时,不限制在μ±1σ的范围内,也不限制在μ±2σ的范围内的数据。此时,评价部13可评价为新的输入数据“x_new6”及新的输出数据“y_new6”偏离以往获得的输入数据及输出数据的统计量。具体而言,评价部13例如可通过(x_new6-μ)/σ来评价输入数据的偏离程度。此时,可不使用从控制器11a输出的新的输出数据“y_new6”,而使用辅助控制器11b来进行运行机器30的控制。
图9为由本实施方式的控制***1执行的运行机器30的第三控制处理的流程图。第三控制处理为基于以往获得的输入数据及输出数据的概率分布的值,来评价新的输入数据及新的输出数据与以往获得的输入数据及输出数据的偏离,控制运行机器30的处理。
控制***1首先通过控制装置10获取运行机器30的当前的控制量作为新的输入数据(S30)。接下来,控制装置10向学习完成的控制器11a输入新的输入数据,生成新的输出数据(S31)。控制装置10获取关联于学习完成的控制器11a的属性信息(S32)。此处,关联于学习完成的控制器11a的属性信息也可为由生成部23根据用于学习完成的控制器11a的学习处理的学习用数据而生成的属性信息。
然后,控制装置10基于以往获得的输入数据及输出数据的概率分布的值,来评价新的输入数据及新的输出数据以何种程度偏离以往获得的输入数据及输出数据(S33)。
在由控制装置10所评价的偏离不大于阈值的情况下(S34:否(NO)),控制装置10利用从控制器11a输出的新的输出数据来控制运行机器30(S35)。另一方面,在由控制装置10所评价的偏离大于阈值的情况下(S34:是(YES)),控制装置10通过变更部14将新的输出数据废弃(S36),利用辅助控制器11b来控制运行机器30(S37)。此外,以上说明的示例中,设为在通过控制器11a生成新的输出数据后,基于以往获得的输入数据及输出数据的概率分布的值,来评价新的输入数据及新的输出数据以何种程度偏离以往获得的输入数据及输出数据,但也可在通过控制器11a生成新的输出数据前,获取关联于学习完成的控制器11a的属性信息,基于以往获得的输入数据及输出数据的概率分布的值,来评价新的输入数据及新的输出数据以何种程度偏离以往获得的输入数据及输出数据。另外,在所评价的偏离不大于阈值的情况下,控制装置10可通过控制器11a生成新的输出数据,利用新的输出数据来控制运行机器30。另一方面,在所评价的偏离大于阈值的情况下,控制装置10可不向控制器11a输入新的输入数据,而利用辅助控制器11b来控制运行机器30。通过以上操作,第三控制处理结束。
以上说明的实施方式是为了容易理解本发明,并非用于限定性地解释本发明。实施方式所包括的各元件及其配置、材料、条件、形状及尺寸等不限定于例示,可适当变更。而且,可将不同实施方式所示的结构彼此局部地替换或组合。
[附记1]
一种控制装置,包括:
控制部11,包含用以输出针对输入数据的输出数据的控制器11a,使用所述控制器11a来控制运行机器30;
获取部12,获取属性信息,所述属性信息包含以往获得的所述输入数据及所述输出数据的统计量;以及
评价部13,基于所述属性信息、与新输入至所述控制器11a的新的输入数据及针对所述新的输入数据从所述控制器11a输出的新的输出数据中的至少任一者的比较,来评价所述新的输入数据及所述新的输出数据中的至少任一者以何种程度偏离所述统计量。
[附记2]
根据附记1所记载的控制装置,还包括:
变更部14,基于由所述评价部13所评价的偏离的程度,来变更所述新的输入数据及所述新的输出数据中的至少任一者。
[附记3]
根据附记2所记载的控制装置,其中,
所述变更部14基于由所述评价部13所评价的偏离的程度,不使用所述新的输入数据及所述新的输出数据中的至少任一者,
所述控制部11使用与所述控制器11a不同的其他控制器11b来控制所述运行机器30。
[附记4]
根据附记1至3中任一项所记载的控制装置,其中,
所述属性信息还包含:测定量,由测定装置以往进行测定所得,包含与所述运行机器30运行的环境有关的信息及与所述运行机器30的状态有关的信息中的至少任一者,
所述评价部13基于所述属性信息、与生成所述新的输入数据及所述新的输出数据中的至少任一者时由所述测定装置测定的新的测定量的比较,评价所述新的测定量以何种程度偏离所述测定量。
[附记5]
如附记4所记载的控制装置,其中,
所述与环境有关的信息包含与由所述控制部11控制所述运行机器30的时刻有关的信息,
所述与状态有关的信息包含区分所述运行机器30是运行中还是停止中的信息。
[附记6]
根据附记4或5所记载的控制装置,还包括:
设定部15,设定用于通过所述评价部13来进行所述新的测定量与所述测定量的比较的基准。
[附记7]
根据附记1至6中任一项所记载的控制装置,其中,
所述输入数据及所述输出数据包含数值数据,
所述属性信息包含所述输入数据及所述输出数据的最大值及最小值,
所述评价部13评价所述新的输入数据及所述新的输出数据中的至少任一者以何种程度偏离所述最大值及所述最小值。
[附记8]
如附记1至7中任一项所记载的控制装置,其中,
所述输入数据及所述输出数据包含数值数据,
所述属性信息包含所述输入数据及所述输出数据的概率分布,
所述评价部13基于所述概率分布的值,来评价所述新的输入数据及所述新的输出数据中的至少任一者以何种程度偏离所述输入数据及所述输出数据。
[附记9]
根据附记1至8中任一项所记载的控制装置,其中,
所述控制器11a包含:学习完成模型,通过机器学习而生成,所述机器学习使用规定了所述输入数据与所述输出数据的关系的学习用数据。
[附记10]
一种控制***,包括:学习装置,通过机器学习来执行控制器11a的学习处理,所述机器学习使用规定了输入数据与输出数据的关系的学习用数据;以及控制装置,具有使用所述控制器11a来控制运行机器30的控制部11,
所述学习装置还具有:
生成部23,生成属性信息,所述属性信息包含以往获得的所述输入数据及所述输出数据的统计量,
所述控制装置还具有:
获取部12,获取所述属性信息;以及
评价部13,基于所述属性信息、与新输入至所述控制器11a的新的输入数据及针对所述新的输入数据从所述控制器11a输出的新的输出数据中的至少任一者的比较,来评价所述新的输入数据及所述新的输出数据中的至少任一者以何种程度偏离所述统计量。
[附记11]
根据附记10所记载的控制***,还包括:
测定装置,测定与所述运行机器30运行的环境有关的信息,
所述生成部23基于所述与环境有关的信息而生成所述属性信息。
[附记12]
根据附记10或11所记载的控制***,还包括:
测定装置,测定与所述运行机器30的状态有关的信息,
所述生成部23基于所述与状态有关的信息而生成所述属性信息。
[附记13]
一种控制方法,包括:
使用用以输出针对输入数据的输出数据的控制器11a来控制运行机器30;
获取属性信息,所述属性信息包含所述输入数据及所述输出数据的统计量;以及
基于所述属性信息、与新输入至所述控制器11a的新的输入数据及针对所述新的输入数据从所述控制器11a输出的新的输出数据中的至少任一者的比较,来评价所述新的输入数据及所述新的输出数据中的至少任一者以何种程度偏离所述统计量。
[附记14]
一种计算机可读存储介质,其上存储有控制程序,该控制程序被处理器执行时,使控制装置所包括的处理器作为下述各部而运行:
控制部11,包含用以输出针对输入数据的输出数据的控制器11a,使用所述控制器11a来控制运行机器30;
获取部12,获取属性信息,所述属性信息包含所述输入数据及所述输出数据的统计量;以及
评价部13,基于所述属性信息、与新输入至所述控制器11a的新的输入数据及针对所述新的输入数据从所述控制器11a输出的新的输出数据中的至少任一者的比较,评价所述新的输入数据及所述新的输出数据中的至少任一者以何种程度偏离所述统计量。
Claims (12)
1.一种控制装置,其特征在于,包括:
控制部,包含用以输出针对输入数据的输出数据的控制器,使用所述控制器来控制运行机器;
获取部,获取属性信息,所述属性信息包含以往获得的所述输入数据及所述输出数据的统计量;
评价部,基于所述属性信息、与新输入至所述控制器的新的输入数据及针对所述新的输入数据从所述控制器输出的新的输出数据中的至少任一者的比较,来评价所述新的输入数据及所述新的输出数据中的至少任一者以何种程度偏离所述统计量;以及
变更部,基于由所述评价部所评价的偏离的程度,来变更所述新的输入数据及所述新的输出数据中的至少任一者,
其中,所述变更部基于由所述评价部所评价的偏离的程度,不使用所述新的输入数据及所述新的输出数据中的至少任一者,
所述控制部使用与所述控制器不同的其他控制器来控制所述运行机器。
2.根据权利要求1所述的控制装置,其中,
所述属性信息还包含:测定量,由测定装置以往进行测定所得,包含与所述运行机器运行的环境有关的信息及与所述运行机器的状态有关的信息中的至少任一者,
所述评价部基于所述属性信息、与在生成所述新的输入数据及所述新的输出数据中的至少任一者时由所述测定装置测定的新的测定量的比较,评价所述新的测定量以何种程度偏离所述测定量。
3.根据权利要求2所述的控制装置,其中,
与所述环境有关的信息包含与由所述控制部控制所述运行机器的时刻有关的信息,
与所述状态有关的信息包含区分所述运行机器是运行中还是停止中的信息。
4.根据权利要求2所述的控制装置,还包括:
设定部,设定用于通过所述评价部来进行所述新的测定量与所述测定量的比较的基准。
5.根据权利要求1所述的控制装置,其中,
所述输入数据及所述输出数据包含数值数据,
所述属性信息包含所述输入数据及所述输出数据的最大值及最小值,
所述评价部评价所述新的输入数据及所述新的输出数据中的至少任一者以何种程度偏离所述最大值及所述最小值。
6.根据权利要求1所述的控制装置,其中,
所述输入数据及所述输出数据包含数值数据,
所述属性信息包含所述输入数据及所述输出数据的概率分布,
所述评价部基于所述概率分布的值,来评价所述新的输入数据及所述新的输出数据中的至少任一者以何种程度偏离所述输入数据及所述输出数据。
7.根据权利要求1所述的控制装置,其中,
所述控制器包含:学习完成模型,通过机器学习而生成,所述机器学习使用规定了所述输入数据与所述输出数据的关系的学习用数据。
8.一种控制***,其特征在于,包括:学习装置,通过机器学习来执行控制器的学习处理,所述机器学习使用规定了输入数据与输出数据的关系的学习用数据;以及控制装置,具有使用所述控制器来控制运行机器的控制部,
所述学习装置还具有:
生成部,生成属性信息,所述属性信息包含以往获得的所述输入数据及所述输出数据的统计量,
所述控制装置还具有:
获取部,获取所述属性信息;
评价部,基于所述属性信息、与新输入至所述控制器的新的输入数据及针对所述新的输入数据从所述控制器输出的新的输出数据中的至少任一者的比较,来评价所述新的输入数据及所述新的输出数据中的至少任一者以何种程度偏离所述统计量;以及
变更部,基于由所述评价部所评价的偏离的程度,来变更所述新的输入数据及所述新的输出数据中的至少任一者,
其中,所述变更部基于由所述评价部所评价的偏离的程度,不使用所述新的输入数据及所述新的输出数据中的至少任一者,
所述控制部使用与所述控制器不同的其他控制器来控制所述运行机器。
9.根据权利要求8所述的控制***,还包括:
测定装置,测定与所述运行机器运行的环境有关的信息,
所述生成部基于与所述环境有关的信息而生成所述属性信息。
10.根据权利要求8所述的控制***,还包括:
测定装置,测定与所述运行机器的状态有关的信息,
所述生成部基于与所述状态有关的信息而生成所述属性信息。
11.一种控制方法,其特征在于,包括:
使用用以输出针对输入数据的输出数据的控制器来控制运行机器;
获取属性信息,所述属性信息包含所述输入数据及所述输出数据的统计量;
基于所述属性信息、与新输入至所述控制器的新的输入数据及针对所述新的输入数据从所述控制器输出的新的输出数据中的至少任一者的比较,来评价所述新的输入数据及所述新的输出数据中的至少任一者以何种程度偏离所述统计量;以及
基于所评价的偏离的程度,来变更所述新的输入数据及所述新的输出数据中的至少任一者,其中,基于所评价的偏离的程度,不使用所述新的输入数据及所述新的输出数据中的至少任一者,使用与所述控制器不同的其他控制器来控制所述运行机器。
12.一种计算机可读存储介质,其上存储有控制程序,其特征在于,该控制程序被处理器执行时,使控制装置所包括的该处理器作为下述各部而运行:
控制部,包含用以输出针对输入数据的输出数据的控制器,使用所述控制器来控制运行机器;
获取部,获取属性信息,所述属性信息包含所述输入数据及所述输出数据的统计量;
评价部,基于所述属性信息、与新输入至所述控制器的新的输入数据及针对所述新的输入数据从所述控制器输出的新的输出数据中的至少任一者的比较,评价所述新的输入数据及所述新的输出数据中的至少任一者以何种程度偏离所述统计量;以及
变更部,基于由所述评价部所评价的偏离的程度,来变更所述新的输入数据及所述新的输出数据中的至少任一者,
其中,所述变更部基于由所述评价部所评价的偏离的程度,不使用所述新的输入数据及所述新的输出数据中的至少任一者,
所述控制部使用与所述控制器不同的其他控制器来控制所述运行机器。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
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 |
JP2018-044282 | 2018-03-12 | ||
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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111684367A CN111684367A (zh) | 2020-09-18 |
CN111684367B true CN111684367B (zh) | 2023-01-17 |
Family
ID=67907579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980012035.8A Active CN111684367B (zh) | 2018-03-12 | 2019-02-21 | 控制装置、控制***、控制方法以及计算机可读存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11892819B2 (zh) |
EP (1) | EP3767399A4 (zh) |
JP (1) | JP6986203B2 (zh) |
CN (1) | CN111684367B (zh) |
WO (1) | WO2019176496A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4050431A4 (en) | 2019-10-21 | 2023-07-19 | Aising Ltd. | DEVICE, METHOD, PROGRAM AND CONTROL SYSTEM |
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 |
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 (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0432267A1 (en) * | 1989-03-13 | 1991-06-19 | Hitachi, Ltd. | Supporting method and system for process control |
JPH0981203A (ja) * | 1995-09-12 | 1997-03-28 | Yamatake Honeywell Co Ltd | 制御装置 |
CN1851574A (zh) * | 2005-04-22 | 2006-10-25 | 株式会社山武 | 控制对象模型生成装置和生成方法 |
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 |
CN102418919A (zh) * | 2010-08-31 | 2012-04-18 | 株式会社日立制作所 | 设备的控制装置和火力发电设备的控制装置 |
CN102906771A (zh) * | 2010-05-25 | 2013-01-30 | 松下电器产业株式会社 | 节能诊断*** |
CN106990760A (zh) * | 2016-01-21 | 2017-07-28 | 发那科株式会社 | 单元控制装置、以及生产*** |
CN107783423A (zh) * | 2017-10-25 | 2018-03-09 | 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 |
Family Cites Families (7)
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 |
GB2568087B (en) * | 2017-11-03 | 2022-07-20 | Imagination Tech Ltd | Activation functions for deep neural networks |
JP7050083B2 (ja) * | 2017-11-06 | 2022-04-07 | 株式会社日立製作所 | 制御装置 |
-
2018
- 2018-03-12 JP JP2018044282A patent/JP6986203B2/ja active Active
-
2019
- 2019-02-21 CN CN201980012035.8A patent/CN111684367B/zh active Active
- 2019-02-21 EP EP19767246.2A patent/EP3767399A4/en active Pending
- 2019-02-21 WO PCT/JP2019/006595 patent/WO2019176496A1/ja unknown
- 2019-02-21 US US16/970,620 patent/US11892819B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0432267A1 (en) * | 1989-03-13 | 1991-06-19 | Hitachi, Ltd. | Supporting method and system for process control |
JPH0981203A (ja) * | 1995-09-12 | 1997-03-28 | Yamatake Honeywell Co Ltd | 制御装置 |
CN1851574A (zh) * | 2005-04-22 | 2006-10-25 | 株式会社山武 | 控制对象模型生成装置和生成方法 |
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 |
CN102906771A (zh) * | 2010-05-25 | 2013-01-30 | 松下电器产业株式会社 | 节能诊断*** |
CN102418919A (zh) * | 2010-08-31 | 2012-04-18 | 株式会社日立制作所 | 设备的控制装置和火力发电设备的控制装置 |
CN106990760A (zh) * | 2016-01-21 | 2017-07-28 | 发那科株式会社 | 单元控制装置、以及生产*** |
CN107783423A (zh) * | 2017-10-25 | 2018-03-09 | 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 |
Also Published As
Publication number | Publication date |
---|---|
EP3767399A4 (en) | 2021-11-17 |
JP2019159669A (ja) | 2019-09-19 |
EP3767399A1 (en) | 2021-01-20 |
JP6986203B2 (ja) | 2021-12-22 |
CN111684367A (zh) | 2020-09-18 |
US20210089005A1 (en) | 2021-03-25 |
WO2019176496A1 (ja) | 2019-09-19 |
US11892819B2 (en) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111684367B (zh) | 控制装置、控制***、控制方法以及计算机可读存储介质 | |
EP4290412A2 (en) | Computer-implemented method, computer program product and system for data analysis | |
EP3734519A1 (en) | Method for generating universal learned model | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
US20210042585A1 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
US6205439B1 (en) | Optimization of simulation run-times based on fuzzy-controlled input values | |
CN114830096A (zh) | 用于管理计算设备的***和方法 | |
JP7481902B2 (ja) | 管理計算機、管理プログラム、及び管理方法 | |
US20220011760A1 (en) | Model fidelity monitoring and regeneration for manufacturing process decision support | |
CN104076809A (zh) | 数据处理装置以及数据处理方法 | |
CN115867873A (zh) | 提供与分配给输入数据方法和***的异常分数相关的警报 | |
CN114037673A (zh) | 一种基于机器视觉的硬件衔接接口监测方法及*** | |
US20220222545A1 (en) | Generation method, non-transitory computer-readable storage medium, and information processing device | |
US20210080924A1 (en) | Diagnosis Method and Diagnosis System for a Processing Engineering Plant and Training Method | |
JP7363910B2 (ja) | 表示方法、表示プログラム及び情報処理装置 | |
DE112021001422T5 (de) | Algorithmische Lernmaschine zur dynamischen Erzeugung von Vorhersageanalysen aus Streaming-Daten mit hohem Volumen und hoher Geschwindigkeit | |
US10218722B2 (en) | Method and system for developing an anomaly detector for detecting an anomaly parameter on network terminals in a distributed network | |
DE102023103798A1 (de) | Automatische fehlervorhersage in rechenzentren | |
US20220222927A1 (en) | Apparatus, system, and method of generating a multi-model machine learning (ml) architecture | |
US20220222580A1 (en) | Deterioration detection method, non-transitory computer-readable storage medium, and information processing device | |
CN111382874B (zh) | 实现线上机器学习模型的更新迭代的方法和装置 | |
JP7363912B2 (ja) | 表示方法、表示プログラム及び情報処理装置 | |
US11775403B2 (en) | Method and system for developing an anomaly detector for detecting an anomaly parameter on network terminals in a distributed network | |
US11310349B1 (en) | Transforming multivariate time series data into image data to generate image-based predictions | |
WO2022059183A1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |