DE102016015017B4

DE102016015017B4 - Steuervorrichtung mit Lernfunktion zum Erfassen einer Rauschursache

Info

Publication number: DE102016015017B4
Application number: DE102016015017.3A
Authority: DE
Inventors: Kazuhiro Satou
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2015-12-24
Filing date: 2016-12-16
Publication date: 2020-04-02
Anticipated expiration: 2036-12-17
Also published as: JP6444851B2; US20170185056A1; JP2017117180A; DE102016015017A1; CN106919162B; CN106919162A

Abstract

Steuervorrichtung, die ein gesteuertes Objekt (2, 2A-2N) steuert, wobei die Steuervorrichtung (3, 3A-3N) umfasst:- eine Rauscherfassungseinheit (34), die elektrisches Rauschen erfasst, und- eine Lerneinheit (4, 4A-4N), die eine Zustandsgröße, welche zumindest einige der Informationen, die Zustände und Zustandsänderungen eines Ein-/Ausgangssignals und eines internen Signals der Steuervorrichtung (3, 3A-3N) betreffen, Informationen, die einen Betriebszustand des gesteuerten Objekts betreffen, und Informationen umfasst, die eine Umgebungsbedingung der Steuervorrichtung (3, 3A-3N) betreffen, überwacht und eine Ursache des elektrischen Rauschens anhand der Zustandsgröße und Rauschdaten die mit dem von der Rauscherfassungseinheit (34) erfassten elektrischen Rauschen verbunden sind lernt, wobei die Lerneinheit (4, 4A-4N) umfasst:eine Zustandsüberwachungseinheit (41), die die Zustandsgröße und die Rauschdaten empfängt,- eine Rauschquellenlerneinheit (44), die einen Zusammenhang zwischen der Zustandsgröße und den Rauschdaten anhand der Zustandsgröße und den Rauschdaten lernt, und- eine Rauschquellenbestimmungseinheit (45), die eine Rauschursache anhand eines Lernergebnisses der Rauschquellenlerneinheit (44) bestimmt.

Description

Hintergrund der Erfindung
Gebiet der Erfindung
Die vorliegende Erfindung betrifft eine Steuervorrichtung mit einer Lernfunktion zum Erfassen der Rauschursache.
Beschreibung des zugehörigen Standes der Technik
Es ist gängige Praxis, gesteuerte Objekte durch Steuervorrichtungen zu steuern, wobei beispielsweise Werkzeugmaschinen durch numerische Steuervorrichtungen gesteuert werden, während Roboter durch Robotersteuervorrichtungen gesteuert werden. Eine der Ursachen von Fehlfunktionen solcher Steuervorrichtungen ist elektrisches Rauschen (nachstehend manchmal einfach nur als Rauschen bezeichnet).
Mögliche Beispiele für Maßnahmen zum Verhindern von Fehlfunktionen aufgrund von Rauschen umfassen ein Verfahren zum Beseitigen der Rauschursache und ein Verfahren zum Unterdrücken eines Rauschgemisches. Beispiele für solche Verfahren umfassen ein Verfahren zum elektrischen Isolieren einer Rauschquelle von der umliegenden Umgebung und ein Verfahren zum Abschirmen des Signalpfads, um einen Einfluss des Rauschens zu vermeiden. Bei solchen Maßnahmen ist es wichtig, die Rauschursache (Rauschquelle) zu ermitteln.
Zum Ermitteln der Rauschursache durch eine Steuervorrichtung für beispielsweise eine Werkzeugmaschine wird im Allgemeinen ein Verfahren zum Überwachen von Rauschen unter Verwendung eines Messgeräts, wie etwa eines Oszilloskops, am Aufstellort der Maschine verwendet. Rauschen wird überwacht, wenn sich interne Signale, Ein-/Ausgangssignale und dergleichen der Steuervorrichtung ändern und sich dementsprechend der Betriebszustand der Maschine ändert.
Eine solche Rauschmessung kann jedoch vorzugsweise einen Wartungsingenieur für die Steuervorrichtung einbeziehen, der Messgeräte und -materialen mitbringt und sich zum Aufstellort der Maschine begibt, was aufgrund der damit verbundenen hohen Wartungskosten nicht bevorzugt ist. Des Weiteren ist es häufig der Fall, dass Rauschstörungen, die Fehlfunktionen zur Folge haben, entsprechend den jeweiligen Umständen unregelmäßig auftreten und es lange dauern kann, ein solches Rauschen zu überwachen.
Die offengelegte japanische Patentveröffentlichung Nr. 2005-159988 (Patentschrift 1) offenbart das Speichern von Informationen betreffend die Auftrittsbedingungen von Rauschen bei der Rauscherfassung in einem Heißwasserversorgungssystem, das einen Heißwasserversorgungssteuerbetrieb durchführt. Die in der Patentschrift 1 offenbarte Technik kann jedoch vorzugsweise einen Wartungsingenieur einbeziehen, der die Rauschursache basierend auf den gespeicherten Informationen untersucht.
Die offengelegte japanische Patentveröffentlichung Nr. 2015-50903 (Patentschrift 2) offenbart einen elektromagnetischen Rauschdetektor, der eine durch eine Stromversorgungseinrichtung emittierte elektromagnetische Welle erfasst. Bei der in der Patentschrift 2 offenbarten Technik kann, wenn ein elektromagnetisches Rauschen erfasst wird, das gleich oder größer als ein Schwellenwert ist, ein Wartungsingenieur vorzugsweise genauere Informationen betreffend die Auftrittsbedingungen von Rauschen sammeln und dann die Rauschursache untersuchen.
Wie vorstehend beschrieben, werden die Auftrittsbedingungen von Rauschen betreffende Informationen automatisch gesammelt, die Rauschursache wird jedoch nicht automatisch ermittelt. Wenn die Rauschursache automatisch ermittelt werden kann, kann ein Benutzer der Maschine, der kein Wartungsingenieur ist, Maßnahmen gegen die Rauschursache ergreifen, und selbst wenn der Wartungsingenieur Maßnahmen ergreift, kann er oder sie dies sofort tun, so dass die Wartungskosten niedrig gehalten werden.
Ein Ziel der vorliegenden Erfindung besteht darin, eine Steuervorrichtung mit einer Rauschanalysefunktion zum automatischen Ermitteln der Rauschursache bereitzustellen.
Zusammenfassung der Erfindung
Gemäß einem ersten Aspekt der vorliegenden Erfindung wird eine Steuervorrichtung bereitgestellt, die ein gesteuertes Objekt steuert, wobei die Steuervorrichtung eine Rauscherfassungseinheit, die elektrisches Rauschen erfasst, und eine Lerneinheit umfasst, die eine Zustandsgröße, welche zumindest einige der Informationen, die Zustände und Zustandsänderungen eines Ein-/Ausgangssignals und eines internen Signals der Steuervorrichtung betreffen, Informationen, die einen Betriebszustand des gesteuerten Objekts betreffen, und Informationen umfasst, die eine Umgebungsbedingung der Steuervorrichtung betreffen, und Rauschdaten überwacht, die dem durch die Rauscherfassungseinheit erfassten elektrischen Rauschen zugeordnet sind, und eine Ursache des elektrischen Rauschens anhand der überwachten Zustandsgröße und Rauschdaten lernt.
Die Rauscherfassungseinheit erfasst den Betrag des in der Steuervorrichtung auftretenden elektrischen Rauschens. Die Erfassungsstelle ist nicht auf eine beschränkt, es kann vielmehr eine Mehrzahl Erfassungsstellen vorgegeben werden. Des Weiteren kann die Rauscherfassungseinheit außerhalb der Steuervorrichtung bereitgestellt werden, wo der Betrag des elektrischen Rauschens die Steuervorrichtung beeinflussen kann, und durch Kombinieren der gemessenen Werte des außerhalb der Steuervorrichtung erfassten Betrags des in der Steuervorrichtung auftretenden elektrischen Rauschens, das die Steuervorrichtung beeinflussen kann, Rauschdaten erzeugen. Die Zustandsgröße kann aus Ereignissen (Bewandtnissen) ausgewählt werden, die die Erzeugung von elektrischem Rauschen beeinflussen können, z.B. Zustände oder Größen von Signalen, die von außen in die Steuervorrichtung eingegeben werden (Zustände verschiedener Betriebsschalter, verschiedener Sensoren, etc.), Zustände oder Größen von Signalen, die von der Steuervorrichtung nach außen abgegeben werden (AN-/AUS-Signal eine Anzeigeleuchte, ein Kühlmittelsteuersignal, ein Ansteuersignal einer Tür, etc.), Betriebszustände eines gesteuerten Objekts (Geschwindigkeit, Beschleunigung, Ruck, etc.), Betriebszustände der Steuervorrichtung (Lastzustand eines in der Steuervorrichtung bereitgestellten Prozessors, Anwendungssituation von Wellenbändern einer Kommunikationseinheit, etc.), Betriebszustand einer anderen Steuervorrichtung, die sich nahe der Steuervorrichtung befindet, und Umgebungsbedingungen (Temperatur, Feuchtigkeit, etc.). Die Lerneinheit kann die Korrelation der Zustandsgrößen mit den Rauschdaten unter Verwendung beispielsweise einer überwachten Lernweise lernen. Es wird darauf hingewiesen, dass die Rauscherfassungseinheit gemessene Werte der an einer Mehrzahl Stellen gemessenen Beträge des elektrischen Rauschens nicht kombiniert, die Rauscherfassungseinheit kann jedoch jeweilige Werte der an der Mehrzahl Stellen gemessenen Beträge des elektrischen Rauschens lernen. Eine Rauschursache kann durch ein Lernmodell angegeben werden, das anhand der Lernergebnisse erhalten wird.
Die Lerneinheit umfasst eine Zustandsüberwachungseinheit, die die Zustandsgröße und die Rauschdaten empfängt, eine Rauschquellenlerneinheit, die einen Einflussgrad der Zustandsgröße auf das elektrische Rauschen anhand der Zustandsgröße und der Rauschdaten lernt, und eine Rauschquellenbestimmungseinheit, die eine Rauschursache anhand eines Lernergebnisses der Rauschquellenlerneinheit bestimmt.
Die Rauschquellenlerneinheit kann eine Labelberechnungseinheit, die anhand der Rauschdaten einen Labelwert berechnet, und eine Entscheidungsbaumlerneinrichtung umfassen, die einen Entscheidungsbaum für den Labelwert unter Verwendung der Zustandsgröße als Eingabevektor lernt.
Des Weiteren kann die Rauschquellenlerneinheit eine Labelberechnungseinheit, die anhand der Rauschdaten einen Erfassungslabelwert berechnet, eine Neuronalnetzlerneinrichtung, die eine Neuronalnetzfunktion zum Berechnen eines Berechnungslabelwerts unter Verwendung der Zustandsgröße als Eingabe umfasst, und eine Funktionsaktualisierungseinheit umfassen, die die Neuronalnetzfunktion basierend auf einem Ergebnis eines Vergleichs zwischen dem Berechnungslabelwert und dem Erfassungslabelwert aktualisiert, so dass der Berechnungslabelwert und der Erfassungslabelwert miteinander übereinstimmen.
Die Steuervorrichtung kann eine Kommunikationseinheit umfassen, die Daten kommuniziert, die einen Fehlererkennungscode oder einen Fehlerkorrekturcode umfassen, um das Auftreten eines Kommunikationsfehlers anhand des Fehlererkennungscodes oder des Fehlerkorrekturcodes der kommunizierten Daten zu erkennen, wobei die Rauschdaten dafür ausgelegt sein können, das Vorhandensein von Rauschen beim Auftreten des Kommunikationsfehlers und die Abwesenheit von Rauschen während eines Nichtauftretens des Kommunikationsfehlers anzugeben.
Darüber hinaus kann die Steuervorrichtung über ein Kommunikationsnetz kommunikationsfähig mit anderen Steuervorrichtungen verbunden sein und ein Lernergebnis der Lerneinheit mit den anderen Steuervorrichtungen austauschen oder teilen.
Figurenliste

1 ist ein Blockdiagramm, das die Konfiguration eines kompletten Maschinensystems gemäß einer ersten Ausführungsform der vorliegenden Erfindung zeigt;
2 ist ein Blockdiagramm, das die schematische Konfiguration einer Maschine zeigt;
3 ist ein Flussdiagramm, das eine dem Lernen zugeordnete Verarbeitung gemäß der ersten Ausführungsform zeigt;
4 ist ein Blockdiagramm, das die Konfiguration einer Rauschquellenlerneinheit gemäß einer zweiten Ausführungsform zeigt;
5 ist eine Darstellung, die einen beispielhaften Entscheidungsbaum zeigt, der gemäß der zweiten Ausführungsform erhalten wird;
6 ist ein Flussdiagramm, das eine dem Lernen zugeordnete Verarbeitung gemäß der zweiten Ausführungsform zeigt;
7 ist ein Blockdiagramm, das die Konfiguration einer Rauschquellenlerneinheit gemäß einer dritten Ausführungsform zeigt;
8 ist ein Flussdiagramm, das die Operationsfolge maschinellen Lernens gemäß der dritten Ausführungsform zeigt;
9 ist eine schematische Darstellung, die ein Modell eines Neurons zeigt; und
10 ist eine schematische Darstellung, die ein neuronales Netz mit dem Gewicht von drei Schichten zeigt.

Genaue Beschreibung
Nachstehend ist eine Ausführungsform einer Steuervorrichtung mit einer Lernfunktion zum Erfassen der Rauschursache gemäß der vorliegenden Erfindung unter Bezugnahme auf die zugehörigen Zeichnungen beschrieben.
1 ist ein Blockdiagramm, das die Konfiguration eines kompletten Maschinensystems gemäß einer ersten Ausführungsform der vorliegenden Erfindung zeigt.
Das Maschinensystem gemäß der ersten Ausführungsform umfasst eine Mehrzahl Maschinen 1A, 1B, ..., 1N. Die Maschinen können z.B. Werkzeugmaschinen, Schmiedepressen, Spritzgießmaschinen, Industriemaschinen oder verschiedene Roboter umfassen und eine Mehrzahl solcher Maschinen kann benachbart zu einander in einer Fabrik aufgestellt werden. Obgleich hierin Werkzeugmaschinen als Beispiel angegeben sind, sind die Maschinen nicht auf dieses Beispiel beschränkt.
Die Maschinen 1A, 1B, ..., 1N umfassen gesteuerte Objekte 2A, 2B, ..., 2N und Steuervorrichtungen 3A, 3B, ..., 3N. Die gesteuerten Objekte 2A, 2B, ..., 2N sind Bearbeitungseinheiten, wie etwa Drehbänke, Fräsmaschinen oder Bearbeitungszentren, und werden durch die Steuervorrichtungen 3A, 3B, ..., 3N gesteuert. Die Steuervorrichtungen 3A, 3B, ..., 3N dienen als CNC-(computergestützte numerische Steuerung) Einrichtungen und umfassen jeweils Lerneinheiten 4A, 4B, ..., 4N. Die die Lerneinheiten 4A, 4B, ..., 4N umfassenden Steuervorrichtungen 3A, 3B, ..., 3N sind in Form von Software oder Firmware in Computern implementiert. Die Steuervorrichtungen 3A, 3B, ..., 3N sind über ein Netzwerk kommunikationsfähig miteinander verbunden. Die Steuervorrichtungen 3A, 3B, ..., 3N arbeiten basierend auf Befehlen von Maschinen (oder dedizierten Gesamtsteuervorrichtungen), die als Hosts dienen und Gesamtsteuerbefehle ausgeben. Lerneinheiten implementierende Computer oder dergleichen können den herkömmlichen CNC-Einrichtungen zusätzlich beigestellt werden, um die vorstehend genannte Konfiguration zu implementieren, wobei in einem solchen Fall ein Satz aus einem CNC-Computer und einem zusätzlichen Computer kollektiv als Steuervorrichtung bezeichnet wird. In jedem Fall können Lerneinheiten unter Verwendung verschiedener Verfahren implementiert werden, wobei eine solche Implementierung nicht speziell eingeschränkt ist.
2 ist ein Blockdiagramm, das die schematische Konfiguration einer Maschine zeigt.
Die in 2 gezeigte Maschine ist eine der in 1 gezeigten Maschinen 1A, 1B, ..., 1N und ihre Steuervorrichtung ist kommunikationsfähig mit den Steuervorrichtungen anderer Maschinen verbunden. Die Maschine umfasst ein gesteuertes Objekt 2 und eine Steuervorrichtung 3. Das gesteuerte Objekt 2 umfasst eine Antriebseinheit 21 mit einem Motor und einen Sensor 22 sowie das Maschinenteil einer Werkzeugmaschine. Die Antriebseinheit 21 umfasst hier einen Rauschsensor 23, muss aber nicht immer einen Rauschsensor 23 umfassen.
Die Steuervorrichtung 3 umfasst eine NC-Steuereinheit 31, eine Kommunikationseinheit 32, eine Rauscherfassungseinheit 34 und eine Lerneinheit 4. Die NC-Steuereinheit 31 wird häufig zur numerischen Steuerung von Werkzeugmaschinen verwendet und ist nicht speziell eingeschränkt. Die Kommunikationseinheit 32 kommuniziert mit anderen in 1 gezeigten Werkzeugmaschinen und der dedizierten Gesamtsteuervorrichtung, um Betriebsbefehle für die Werkzeugmaschine zu empfangen und Daten, die beispielsweise dem Betriebszustand der Werkzeugmaschine zugeordnet sind, an andere Werkzeugmaschinen und die dedizierte Gesamtsteuervorrichtung zu senden. Die Kommunikationseinheit 32 umfasst eine Kommunikationsfehlererfassungseinheit 33, die Daten kommuniziert, die einen Fehlererkennungscode oder einen Fehlerkorrekturcode umfassen, und die Rate des Auftretens von Kommunikationsfehlern anhand des empfangenen Fehlererkennungscodes oder Fehlerkorrekturcodes erfasst.
Die NC-Steuereinheit 31 führt basierend auf den empfangenen Betriebsbefehlen eine Rechenverarbeitung eines aktuellen Befehlswerts für den Motor der Antriebseinheit 21 durch, die bevorzugt in die Steuerung zum Bewegen des Motors zu einer durch den Befehlswert angegebenen Position einbezogen ist, erzeugt und gibt ein entsprechendes PWM-Signal an die Antriebseinheit 21 aus, empfängt ein Rückkopplungssignal vom Motor und führt eine Servosteuerung zum Steuern des Motors durch, um die gewünschte Umdrehung auszuführen. Die NC-Steuereinheit 31 empfängt ferner ein Erfassungssignal, das den durch den Sensor 22 erfassten Zustand des gesteuerten Objekts 2 repräsentiert, und verwendet das empfangene Signal zur Steuerung.
Die Rauscherfassungseinheit 34 erfasst den Betrag des in der Steuervorrichtung 3 auftretenden elektrischen Rauschens. Wenn beispielsweise der Betrag des in der Steuervorrichtung 3 auftretenden elektrischen Rauschens gleich oder größer als ein vorgegebener Wert ist, setzt die Rauscherfassungseinheit 34 ein das Auftreten von Rauschen angebendes Flag auf „1“, anderenfalls setzt sie das Flag auf „0“. Der vorgegebene Wert wird unter Berücksichtigung des Rauschbetrags beim Auftreten beispielsweise einer Fehlfunktion bestimmt. In diesem Fall wird selbst dann, wenn die Steuervorrichtung 3 nicht richtig funktioniert, das Flag auf „0“ gesetzt, wenn der Rauschbetrag kleiner als der vorgegebene Wert ist. Dies ist der Fall, da Fehlfunktionen auch aufgrund von anderen Faktoren als Rauschen auftreten können.
Die Rauscherfassungseinheit 34 empfängt ferner Daten, die dem Betrag eines durch die Kommunikationsfehlererfassungseinheit 33 erfassten Kommunikationsfehlers und dem Betrag des durch den Rauschsensor 23 erfassten elektrischen Rauschens im gesteuerten Objekt 2 zugeordnet sind. Wenn der Betrag des durch die Kommunikationsfehlererfassungseinheit 33 erfassten Kommunikationsfehlers gleich oder größer als ein vorgegebener Wert ist, kann die Rauscherfassungseinheit 34 ein das Auftreten von Rauschen angebendes Flag auf „1“ setzen, anderenfalls kann sie das Flag auf „0“ setzen. Darüber hinaus kann, wenn die Summe des Betrags des in der Steuervorrichtung 3 auftretenden elektrischen Rauschens und des Betrags des durch den Rauschsensor 23 erfassten elektrischen Rauschens im gesteuerten Objekt 2 gleich oder größer als ein vorgegebener Wert ist, die Rauscherfassungseinheit 34 ein das Auftreten von Rauschen angebendes Flag auf „1“ setzen, anderenfalls kann sie das Flag auf „0“ setzen.
Obgleich in 2 nur eine Rauscherfassungseinheit 34 vorgesehen ist, kann auch eine Mehrzahl Rauscherfassungseinheiten 34 bereitgestellt werden, um die Werte einer Mehrzahl Flags einzustellen, die den jeweiligen Rauscherfassungseinheiten entsprechen, den Wert eines Flags basierend auf der gewichteten Summe der Beträge des durch die Mehrzahl Rauscherfassungseinheiten erfassten elektrischen Rauschens einzustellen, oder ein Flag basierend auf einer Kombination der Rauschbeträge einzustellen, die nicht den vorstehend beschriebenen Beispielen entsprechen. Anstelle eines Flags kann das Rauschmaß auf drei oder mehr Niveaus repräsentiert werden.
Die Lerneinheit 4 umfasst eine Zustandsüberwachungseinheit 41, eine Rauschquellenlerneinheit 44 und eine Rauschquellenbestimmungseinheit 45. Die Zustandsüberwachungseinheit 41 umfasst eine Vektoreingabeeinheit 42 und eine Rauschdateneingabeeinheit 43. Die Vektoreingabeeinheit 42 empfängt überwachbare Zustandsgrößen, wie etwa den Zustand und Betrag einer Änderung eines von der Steuervorrichtung 3 nach außen ausgegebenen Signals, den Zustand und Betrag einer Änderung eines von außen in die Steuervorrichtung 3 eingegebenen Signals, den Betriebszustand des Motors im gesteuerten Objekt 2, den Umgebungszustand, in dem die Steuervorrichtung 3 eingerichtet ist, und die Betriebszustände der Steuervorrichtungen von anderen in 1 gezeigten Maschinen. Die Zustandsgrößen dienen beim Lernen als Vektoreingaben. Die Rauschdateneingabeeinheit 43 empfängt durch die Rauscherfassungseinheit 34 erfasste Rauschdaten. Hierin wird angenommen, dass die Rauscherfassungseinheit 34 bestimmt, ob das Rauschen hoch ist, und wenn bestimmt wird, dass das Rauschen hoch ist, setzt sie ein Rauschauftritts-Flag auf „1“, anderenfalls setzt sie das Rauschauftritts-Flag auf „0“, wie vorstehend beschrieben, wobei die Rauschdateneingabeeinheit 43 das Rauschauftritts-Flag als Rauschdaten empfängt.
Die Vektoreingabeeinheit 42 und die Rauschdateneingabeeinheit 43 empfangen Zustandsgrößen und Rauschdaten zum selben Zeitpunkt. Beim Durchführen des später beschriebenen Lernens liegt die Anzahl der Daten, die ein Rauschauftritts-Flag „1“ haben, bevorzugt nahe der Anzahl der Daten, die ein Flag „0“ haben. Wenn sich die Häufigkeit, mit der das Rauschauftritts-Flag „1“ auftritt, erheblich von derjenigen unterscheidet, mit der das Rauschauftritts-Flag „0“ auftritt, führt die Zustandsüberwachungseinheit 41 in erwünschter Weise eine Abtastung durch, um die Anzahl der Daten, die Rauschauftritts-Flags „1“ und „0“ haben, aneinander anzunähern. Wenn beispielsweise die Auftrittshäufigkeit von hohem Rauschen, das dem Rauschauftritts-Flag „1“ entspricht, niedrig ist, werden Daten für das Rauschauftritts-Flag „0“ willkürlich verworfen, ansonsten werden, wenn die Auftrittshäufigkeit von hohem Rauschen, das dem Rauschauftritts-Flag „0“ entspricht, niedrig ist, werden Daten für das Rauschauftritts-Flag „1“ willkürlich verworfen, wodurch eine Abtastung in einer Weise durchgeführt wird, die die Anzahl der Daten mit Rauschauftritts-Flags „1“ und „0“ aneinander annähert.
Die Rauschquellenlerneinheit 44 lernt die Beziehung zwischen den Rauschdaten und den Zustandsgrößen von der Zustandsüberwachungseinheit 41. Nachstehend ist eine Lernverarbeitung in der Rauschquellenlerneinheit 44 beschrieben.
Nehmen wir an, dass x die überwachbare Eingabe, Θ die nichtüberwachbare Umgebungsgröße und y die Ausgabe ist. Wie vorstehend beschrieben, repräsentiert x die Daten beispielsweise des Zustands und des Betrags einer Änderung eines von der Steuervorrichtung 3 nach außen ausgegebenen Signals, des Zustands und Betrags einer Änderung eines von außen in die Steuervorrichtung 3 eingegebenen Signals, des Betriebszustands des Motors im gesteuerten Objekt 2, des Umgebungszustands, in dem die Steuervorrichtung 3 eingerichtet ist, und der Betriebszustände der Steuervorrichtungen von anderen in 1 gezeigten Maschinen. Θ ist die nichtüberwachbare Umgebungsgröße, wie etwa der Abstand von einer Einrichtung, die Rauschen erzeugt, und die Standortbedingungen der Steuervorrichtung 3, wie etwa die Kabelformgebung. y ist der Rauschbetrag und beträgt in diesem Fall „1“ oder „0“.
Nehmen wir an, dass fΘ(x) die Funktion zum Erhalten von y anhand der Eingabe x und Θ ist. Diese Funktion wird als Lernmodell bezeichnet, wobei beispielsweise ein neuronales Netz oder ein Entscheidungsbaum dazu verwendet werden, f zu repräsentieren. Die Rauschquellenlerneinheit 44 empfängt eine große Anzahl Sätze von Eingaben x und Rauschdaten y und verwendet sie zum Einstellen der Parameter des Lernmodells f.
Bei dieser Ausführungsform ist wenigstens eine überwachbare Dateninformation, wie etwa der Zustand und Betrag einer Änderung eines von der Steuervorrichtung 3 nach außen ausgegebenen Signals, der Zustand und Betrag einer Änderung eines von außen in die Steuervorrichtung 3 eingegebenen Signals, der Betriebszustand des Motors im gesteuerten Objekt 2, der Umgebungszustand, in dem die Steuervorrichtung 3 eingerichtet ist, und die Betriebszustände der Steuervorrichtungen von anderen in 1 gezeigten Maschinen, als Eingabe x und der Rauschbetrag zu diesem Zeitpunkt als Ausgabe y definiert, wobei die Eingabe x und die Ausgabe y während des Betriebs der Maschine mehrmals überwacht werden, um eine Mehrzahl Datensätze zu erhalten, und das Lernen durch eine Lerneinheit (z.B. ein neuronales Netz oder ein Entscheidungsbaum) durchgeführt wird. Dadurch wird die Beziehung f zwischen der Eingabe x und der Ausgabe y gelernt. Zu diesem Zeitpunkt variiert bei dieser Ausführungsform das dargestellte Lernmodell fΘ(x) entsprechend der nichtüberwachbaren Umgebungsgröße Θ, wie etwa den Standortbedingungen der Steuervorrichtung 3.
Die Rauschquellenbestimmungseinheit 45 ermittelt die Rauschursache basierend auf dem so erhaltenen Lernmodell fΘ.
3 ist ein Flussdiagramm, das eine dem Lernen zugeordnete Verarbeitung gemäß der ersten Ausführungsform darstellt.
In Schritt S101 überwacht die Zustandsüberwachungseinheit 41 die Zustandsgrößen.
In Schritt S102 führt die Rauschquellenlerneinheit 44 ein maschinelles Lernen durch.
In Schritt S103 ermittelt die Rauschquellenbestimmungseinheit 45 die Rauschursache basierend auf einem Lernmodell.
In Schritt S104 kommuniziert die Steuervorrichtung 3 ein durch die Rauschquellenlerneinheit 44 erhaltenes Lernmodell fΘ und die durch die Rauschquellenbestimmungseinheit 45 ermittelte Rauschursache von der Kommunikationseinheit 32 an andere Steuervorrichtungen oder dergleichen, um Lernergebnisse miteinander auszutauschen und zu teilen.
Nachdem das Maschinensystem gemäß der ersten Ausführungsform beschrieben worden ist, wird als Nächstes eine Ausführungsform zum genaueren Erläutern der Lerneinheit 4 beschrieben.
4 ist ein Blockdiagramm, das die Konfiguration einer Rauschquellenlerneinheit gemäß einer zweiten Ausführungsform zeigt.
Ein Maschinensystem gemäß der zweiten Ausführungsform hat eine Konfiguration, die derjenigen des Maschinensystems gemäß der ersten Ausführungsform ähnelt, wobei bei ersterem eine Rauschquellenlerneinheit 44 in einer Entscheidungsbaumlerneinrichtung implementiert ist. Die Rauschquellenlerneinheit 44 gemäß der zweiten Ausführungsform ist beispielsweise in Form von Software oder Firmware in einem Computer implementiert und hat eine funktionelle Konfiguration wie in 4 gezeigt.
Die Rauschquellenlerneinheit 44 umfasst eine Labelberechnungseinheit 51, eine Eingabedatenspeichereinheit 52, eine Entropieberechnungseinheit 53, eine Größenauswahleinheit 54 und eine Entscheidungsbaumlerneinrichtung 55. Die Labelberechnungseinheit 51 berechnet ein für eine Lerneinrichtung geeignetes Label basierend auf Rauschdaten von einer Rauschdateneingabeeinheit 43 einer Zustandsüberwachungseinheit 41, kann jedoch Rauschdaten auch direkt als Label verwenden, wenn die Rauschdaten ein Rauschauftritts-Flag repräsentieren.
Die Eingabedatenspeichereinheit 52 sammelt und speichert Sätze von Zustandsgrößen (Eingaben x, Label) in ausreichender Menge, um ein Entscheidungsbaumlernen durchzuführen.
Die Entropieberechnungseinheit 53 berechnet eine Entropiedifferenz basierend auf jeder Größe der Eingabe x. Da die Entropieberechnung beim Entscheidungsbaumlernen weithin bekannt ist, wird sie nicht genauer beschrieben, wobei der Einflussgrad jeder Größe beim Auftreten von Rauschen anhand einer Entropieänderung (Entropiedifferenz) erhalten werden kann, die aus einer auf jeder Größe (Element) basierenden Verzweigung resultiert.
Die Größenauswahleinheit 54 wählt basierend auf jeder durch die Entropieberechnungseinheit 53 berechneten Größe zum Lernen verwendete Größen aus der Entropiedifferenz aus. Je größer die Anzahl der Größen, desto tiefer kann die Lerneinheit die Rauschursache lernen, der Berechnungsumfang steigt jedoch abhängig von der Anzahl der Größen dramatisch an, weshalb es beim tatsächlichen Lernen erwünscht ist, eine Auswahl durchzuführen, um Größen, die weniger Einfluss auf das Auftreten von Rauschen haben, so weit wie möglich auszuschließen.
Wenn die Anzahl der Größen der Eingaben x kleiner ist als die Rechenkapazität eines zum Lernen verwendeten Computers, können die Entropieberechnungseinheit 53 und Größenauswahleinheit 54 weggelassen werden.
Die Entscheidungsbaumlerneinrichtung 55 erzeugt gemäß dem Entscheidungsbaumlernverfahren anhand des Satzes Label und Größen der Eingaben x einen Entscheidungsbaum, der Bedingungen für Größen, die zu einem Vorhandensein von Rauschen führen (Rauschauftritts-Flag „1“), von Bedingungen trennt, die zu einer Abwesenheit von Rauschen führen (Rauschauftritts-Flag „0“).
5 ist eine Darstellung, die einen beispielhaften Entscheidungsbaum zeigt, der gemäß der zweiten Ausführungsform erhalten wird.
In dem Entscheidungsbaum entsprechen die internen Knoten Elementen (Größen) der Eingaben x und die Äste zu Tochterknoten repräsentieren die Bedingungen von Werten, die von den Elementen (Größen) angenommen werden können. Die Blattknoten repräsentieren die vorhergesagten Werte der Ausgaben y für Kombinationen der Werte der Eingaben x, die durch die Pfade vom Wurzelknoten repräsentiert werden. Bei einem in 5 gezeigten beispielhaften Entscheidungsknoten kann, da der „Wert des externen Ausgangssignals DOxx“ und die „Drehzahl des Motors X“ an den internen Knoten erscheinen, bestimmt werden, dass diese zwei Bedingungen mit der Rauschursache in Zusammenhang stehen. Der Entscheidungsbaum zeigt ferner auf, dass Rauschen auftritt, wenn der Wert von DOxx 1 und die Drehzahl des Motors X 1.000 U/min oder mehr beträgt.
Wie vorstehend beschrieben, kann bestimmt werden, dass die im Entscheidungsbaum erscheinenden Elemente (Größen) mit der Rauschursache in Zusammenhang stehen und die Bedingungen der Äste den Rauschauftrittsbedingungen entsprechen. Folglich sucht eine Rauschquellenbestimmungseinheit 45 basierend auf dem Entscheidungsbaum nach der Rauschursache und gibt die Rauschursache betreffende Informationen aus.
6 ist ein Flussdiagramm, das eine dem Lernen zugeordnete Verarbeitung gemäß der zweiten Ausführungsform zeigt.
In Schritt S201 überwacht die Zustandsüberwachungseinheit 41 Zustandsgrößen, um Eingabedaten (Größen und Rauschdaten) zu sammeln. In Antwort darauf berechnet die Labelberechnungseinheit 51 Label anhand der Rauschdaten und die Eingabedatenspeichereinheit 52 speichert die Größen und die Label.
In Schritt S202 bestimmt die Eingabedatenspeichereinheit 52, ob die Datenmenge ausreichend ist, wobei das Verfahren zu Schritt S201 zurückkehrt, wenn in Schritt S202 NEIN bestimmt wird, anderenfalls fährt das Verfahren mit Schritt S203 fort.
In Schritt S203 berechnet die Entropieberechnungseinheit 53 basierend auf jeder Größe eine Entropieänderung.
In Schritt S204 wählt die Größenauswahleinheit 54 zum Lernen verwendete Größen aus.
In Schritt S205 führt die Entscheidungsbaumlerneinrichtung 55 ein maschinelles Lernen durch, um anhand der Label und der ausgewählten Größen der Eingaben x einen Entscheidungsbaum zu erzeugen.
In Schritt S206 ermittelt die Rauschquellenbestimmungseinheit 45 basierend auf dem Entscheidungsbaum die Rauschursache.
Danach kommuniziert eine Steuervorrichtung 3, wie bei der ersten Ausführungsform, die durch die Rauschquellenbestimmungseinheit 45 ermittelte Rauschursache, d.h. das Lernergebnis, von einer Kommunikationseinheit 32 an andere Steuervorrichtungen oder dergleichen.
7 ist ein Blockdiagramm, das die Konfiguration einer Rauschquellenlerneinheit gemäß einer dritten Ausführungsform zeigt. 7 zeigt außerdem eine Zustandsüberwachungseinheit.
Ein Maschinensystem gemäß der dritten Ausführungsform hat eine Konfiguration, die derjenigen des Maschinensystems gemäß der ersten Ausführungsform ähnelt, wobei bei ersterem eine Rauschquellenlerneinheit 44 in einer „überwachten“ Neuronalnetzlerneinrichtung implementiert ist. Die Rauschquellenlerneinheit 44 gemäß der dritten Ausführungsform ist beispielsweise in Form von Software oder Firmware in einem Computer implementiert und hat eine funktionelle Konfiguration wie in 7 gezeigt.
Eine Zustandsüberwachungseinheit 41 umfasst, wie bei der ersten Ausführungsform, eine Vektoreingabeeinheit 42 und eine Rauschdateneingabeeinheit 43.
Die Rauschquellenlerneinheit 44 umfasst eine Labelberechnungseinheit 61, eine Neuronalnetz- (NW-) Lerneinrichtung 62 und eine Funktionsaktualisierungseinheit 63.
Die Labelberechnungseinheit 61 berechnet ein Label anhand der von der Rauschdateneingabeeinheit 43 ausgegebenen Rauschdaten.
Die NW-Lerneinrichtung 62 umfasst ein neuronales Netz (Funktion), das ihre Größen aufweist, die von der Vektoreingabeeinheit 42 ausgegebenen Zustandsgrößen, und gibt ein Ergebnis aus, das das Vorhandensein oder die Abwesenheit von Rauschen angibt.
Die Funktionsaktualisierungseinheit 63 vergleicht das von der Labelberechnungseinheit 61 ausgegebene Label und das von der NW-Lerneinrichtung 62 ausgegebene Ergebnis miteinander und gibt das Vergleichsergebnis an die NW-Lerneinrichtung 62 aus.
Die NW-Lerneinrichtung 62 lernt, um das neuronale Netz (Funktion) zu aktualisieren, damit es mit den Vergleichsergebnissen übereinstimmt.
8 ist ein Flussdiagramm, das die Operationsfolge maschinellen Lernens gemäß der dritten Ausführungsform zeigt.
In Schritt S301 wird eine Werkzeugmaschine aktiviert.
In Schritt S302 überwacht die Zustandsüberwachungseinheit 41 Zustandsgrößen und Rauschdaten.
In Schritt S303 berechnet die Labelberechnungseinheit 61 ein Label basierend auf den durch die Rauschdateneingabeeinheit 43 der Zustandsüberwachungseinheit 41 überwachten Rauschdaten. Wenn die Rauschdaten ein Rauschauftritts-Flag repräsentieren, wird es, wie vorstehend beschrieben, direkt als Label verwendet.
In Schritt S304 berechnet die NW-Lerneinrichtung 62 basierend auf den durch die Vektoreingabeeinheit 42 der Zustandsüberwachungseinheit 41 überwachten Zustandsgrößen, ob gemäß den zu diesem Zeitpunkt eingegebenen Zustandsgrößen ein Rauschen auftritt, und gibt das Berechnungsergebnis aus. Das Berechnungsergebnis ist „1“, wenn ein Rauschen auftritt, und „0“, wenn kein Rauschen auftritt.
In Schritt S305 vergleicht die Funktionsaktualisierungseinheit 63, ob das von der Labelberechnungseinheit 61 ausgegebene Label und das von der NW-Lerneinrichtung 62 ausgegebene Berechnungsergebnis miteinander übereinstimmen, wobei das Verfahren mit Schritt S306 fortfährt, wenn in Schritt S305 NEIN bestimmt wird, anderenfalls fährt das Verfahren mit Schritt S307 fort.
In Schritt S306 wird das neuronale Netz (Funktion) aktualisiert, so dass das Berechnungsergebnis mit dem Label übereinstimmt, und das Verfahren kehrt zu Schritt S302 zurück. Das Aktualisieren des neuronalen Netzes (Funktion) ist nachstehend genauer beschrieben.
In Schritt S307 wird bestimmt, ob die Anzahl der aufeinanderfolgenden Übereinstimmungen der Berechnungsergebnisse mit den Labeln eine vorgegebene Anzahl TH übersteigt, wobei das Verfahren zu Schritt S302 zurückkehrt, wenn in Schritt S307 NEIN bestimmt wird, anderenfalls fährt das Verfahren mit Schritt S308 fort.
Dass das Verfahren mit Schritt S308 fortfährt bedeutet, dass das neuronale Netz (Funktion) bereit ist, adäquat zu bestimmen, ob gemäß den Größen ein Rauschen auftritt. In Schritt S308 sucht die Rauschquellenbestimmungseinheit 45 basierend auf dem internen Zustand des neuronalen Netzes (Funktion) nach der Rauschursache und gibt die Rauschursache betreffende Informationen aus.
Die NW-Lerneinrichtung 62 ist nachstehend genauer beschrieben. Die NW-Lerneinrichtung 62 hat die Funktion, basierend auf einer Analyse eines Eingabedatensatzes beispielsweise eine nützliche Regel, eine Wissensrepräsentation und ein Bestimmungskriterium zu extrahieren, die Bestimmungsergebnisse auszugeben und Wissen zu lernen (maschinelles Lernen). In diesem Fall werden „überwachtes Lernen“ als Lernalgorithmus und ferner eine als „tiefes Lernen“ bezeichnete Technik verwendet. Die NW-Lerneinrichtung 62 wird unter Verwendung von beispielsweise GPGPUs (General-Purpose computing on Graphics Processing Units/Universalberechnung in Grafikverarbeitungseinheiten) oder großen PC-Clustern (Rechnerverbunde) implementiert.
Beim „überwachten Lernen“ wird eine große Anzahl Datensätze bestimmter Eingaben und Ergebnisse (Label) in die NW-Lerneinrichtung 62 eingespeist, die in diesen Datensätzen überwachte Merkmale lernt und ein Modell zum Schätzen des Ergebnisses anhand der Eingabe, d.h. ihre Beziehung, induktiv erstellt. Wenn überwachtes Lernen auf diese Ausführungsform angewandt wird, kann es unter Verwendung eines Algorithmus für ein neuronales Netz implementiert werden.
Zunächst wird ein Lernalgorithmus für die NW-Lerneinrichtung 62 beschrieben.
Eine Lernproblemstellung wird wie folgt angenommen:

- Die Lerneinheit 4 der Steuervorrichtung 3 überwacht den Umgebungszustand, um den Wert (das Vorhandensein oder die Abwesenheit von Rauschen) eines neuronalen Netzes (Funktion) zu berechnen.
- Die Umgebung verändert sich entsprechend dem Betrieb.
- Das Vorhandensein oder die Abwesenheit von tatsächlichem Rauschen wird hinsichtlich der überwachten Umgebung (Zustandsgröße) überwacht, um ein Label zu erhalten.
- Das neuronale Netz (Funktion) wird aktualisiert, so dass das Berechnungsergebnis mit dem Label übereinstimmt, das ein tatsächliches Ergebnis darstellt.
- Das Lernen beginnt in einem Zustand, in dem ein durch die Umgebung (Zustandsgröße) verursachtes Ergebnis (das Vorhandensein oder die Abwesenheit von Rauschen) völlig unbekannt oder nur unvollständig bekannt ist. Mit anderen Worten, das Ergebnis (Rauschen) des Betriebs der Maschine (Steuervorrichtung) kann nur dann als Daten erhalten werden, wenn die Maschine (Steuervorrichtung) tatsächlich arbeitet. Das heißt, eine optimale Funktion zum Suchen nach der Rauschursache kann bevorzugt durch Versuch und Irrtum erhalten werden.

Die NW-Lerneinrichtung 62 umfasst eine ein neuronales Netz verwendende Funktion und aktualisiert die Funktion durch Einstellen der Parameter der Funktion unter Verwendung einer Technik, wie etwa dem stochastischen Gradientenabstiegsverfahren. Das neuronale Netz wird beispielsweise durch eine Recheneinrichtung zum Implementieren eines neuronalen Netzes, die ein Modell eines Neurons imitiert, wie z.B. in 9 gezeigt, und einen Speicher gebildet. 9 ist eine schematische Darstellung, die ein Modell eines Neurons zeigt.
Wie in 9 gezeigt, dient das Neuron dazu, für eine Mehrzahl Eingaben x eine Ausgabe y auszugeben (8 zeigt die Eingaben x₁ bis x₃ als Beispiel). Jede der Eingaben x₁ bis x₃ wird mit einem der Eingabe x entsprechenden Gewicht w (w₁ bis w₃ ) multipliziert. Durch diese Operation gibt das Neuron die Ausgabe y aus, die wie folgt lautet: $y = f_{k} (\sum_{i = 1}^{n} x_{i} w_{i} - θ)$
wobei θ die Vorspannung und f_k die Aktivierungsfunktion ist. Es wird darauf hingewiesen, dass die Eingabe x, das Ergebnis y und das Gewicht w allesamt Vektoren sind.
Ein neuronales Netz, das das Gewicht von drei Schichten hat und, wie vorstehend erwähnt, durch Kombinieren von Neuronen miteinander gebildet wird, ist nachstehend unter Bezugnahme auf 10 beschrieben. 10 ist eine schematische Darstellung, die ein neuronales Netz mit dem Gewicht von drei Schichten D1 bis D3 zeigt.
Eine Mehrzahl Eingaben x (die Eingaben x1 bis x3 werden hierin als Beispiel verwendet) wird auf der linken Seite des neuronalen Netzes eingegeben und die Ergebnisse y (die Ergebnisse y1 bis y3 werden hierin als Beispiel verwendet) werden auf der rechten Seite dieses Netzes ausgegeben, wie in 10 gezeigt. Bei der dritten Ausführungsform wird nur y1 als Ausgabe y verwendet.
Spezifischer werden die Eingaben x1 bis x3 mit einem Gewicht multipliziert, das jedem der drei Neuronen N11 bis N13 entspricht, und eingegeben. Die zum Multiplizieren dieser Eingaben verwendeten Gewichte sind hierin kollektiv mit W1 bezeichnet.
Die Neuronen N11 bis N13 geben jeweils Z11 bis Z13 aus. Bezug nehmend auf 10 sind Z11 bis Z13 kollektiv als Merkmalsvektoren Z1 bezeichnet und können als Vektoren angesehen werden, die durch Extrahieren der Merkmalsbeträge von Eingabevektoren erhalten werden. Die Merkmalsvektoren Z1 werden zwischen den Gewichten W1 und W2 gebildet. Z11 bis Z13 werden mit einem Gewicht multipliziert, das jedem von zwei Neuronen N21 und N22 entspricht, und dann in die Neuronen eingegeben. Die zum Multiplizieren dieser Merkmalsvektoren verwendeten Gewichte sind hierin kollektiv mit W2 bezeichnet.
Die Neuronen N21 und N22 geben jeweils Z21 und Z22 aus. Bezug nehmend auf 10 sind Z21 und Z22 kollektiv als Merkmalsvektoren Z2 bezeichnet. Die Merkmalsvektoren Z2 werden zwischen den Gewichten W2 und W3 gebildet. Die Merkmalsvektoren Z21 und Z22 werden mit einem Gewicht multipliziert, das jedem von drei Neuronen N31 bis N33 entspricht, und dann in die Neuronen eingegeben. Die zum Multiplizieren dieser Merkmalsvektoren verwendeten Gewichte sind hierin kollektiv mit W3 bezeichnet.
Schließlich geben die Neuronen N31 bis N33 jeweils die Ergebnisse y1 bis y3 aus.
Der Betrieb des neuronalen Netzes umfasst einen Lernmodus und einen Suchmodus. Beispielsweise wird das Gewicht w im Lernmodus unter Verwendung eines Lerndatensatzes gelernt und die Rauschquellenbestimmungseinheit 45 sucht im Suchmodus unter Verwendung der Parameter nach der Rauschursache.
Daten, die durch ein tatsächliches Aktivieren der Maschine im Suchmodus erhalten werden, können sofort gelernt und in der anschließenden Tätigkeit (Online-Lernen) reflektiert werden, oder eine Gruppe vorab gesammelter Daten kann dazu verwendet werden, ein kollektives Lernen (Batch-Lernen) durchzuführen. Der Lernmodus kann als andere zwischenzeitliche Vorgehensweise immer dann zwischengeschaltet werden, wenn eine bestimmte Datenmenge angehäuft worden ist.
Die Gewichte W1 bis W3 können durch das Error-Backpropagation-(Fehlerrückführungs-) Verfahren gelernt werden. Die Fehlerinformationen werden rechts eingegeben und fließen nach links. Das Error-Backpropagation-Verfahren wird dazu verwendet, jedes Gewicht einzustellen (zu lernen), um die Differenz zwischen der Ausgabe y bei Eingabe der Eingabe x und der echten Ausgabe y (Lehrer) (in diesem Fall eine Übereinstimmung oder Nichtübereinstimmung des Ergebnisses) zu verringern.
Ein solches neuronales Netz kann mehr als drei Schichten haben (als tiefes Lernen bezeichnet). Es ist möglich, nur anhand von Lehrerdaten automatisch eine Lerneinrichtung zu erhalten, die Merkmale der Eingabe schrittweise extrahiert und ein Ergebnis zurückführt.
Rauschdaten werden bei der ersten bis dritten Ausführungsform durch ein binäres Flag repräsentiert, sie können jedoch auch durch ternäre oder mehrwertige Daten höher Ordnung repräsentiert werden. Wie vorstehend beschrieben, kann sogar eine Mehrzahl Rauscherfassungseinheiten an verschiedenen Stellen platziert werden, um jeweils Ausgaben von der Mehrzahl Rauscherfassungseinheiten zu lernen.
Gemäß der vorliegenden Erfindung kann die Rauschursache automatisch durch eine Steuervorrichtung ermittelt werden.
Sämtliche Beispiele und die konditionale Sprache, die hierin vorgesehen sind, sollen nur den pädagogischen Zweck erfüllen, den Leser beim Verständnis der Erfindung und der Konzepte zu unterstützen, die der Erfinder beigetragen hat, um den Stand der Technik voranzubringen, und sind weder als Beschränkung auf solche spezifisch angegebenen Beispiele und Bedingungen auszulegen, noch bezieht sich die Ordnung solcher Beispiele in der Beschreibung auf eine Darstellung einer Höherwertigkeit oder Minderwertigkeit der Erfindung. Obgleich eine oder mehrere Ausführungsformen der vorliegenden Erfindung im Detail beschrieben worden sind, versteht es sich, dass daran verschiedene Änderungen, Ersetzungen und Abwandlungen durchgeführt werden können, ohne vom Gedanken und Schutzumfang der Erfindung abzuweichen.

Claims

Steuervorrichtung, die ein gesteuertes Objekt (2, 2A-2N) steuert, wobei die Steuervorrichtung (3, 3A-3N) umfasst: - eine Rauscherfassungseinheit (34), die elektrisches Rauschen erfasst, und - eine Lerneinheit (4, 4A-4N), die eine Zustandsgröße, welche zumindest einige der Informationen, die Zustände und Zustandsänderungen eines Ein-/Ausgangssignals und eines internen Signals der Steuervorrichtung (3, 3A-3N) betreffen, Informationen, die einen Betriebszustand des gesteuerten Objekts betreffen, und Informationen umfasst, die eine Umgebungsbedingung der Steuervorrichtung (3, 3A-3N) betreffen, überwacht und eine Ursache des elektrischen Rauschens anhand der Zustandsgröße und Rauschdaten die mit dem von der Rauscherfassungseinheit (34) erfassten elektrischen Rauschen verbunden sind lernt, wobei die Lerneinheit (4, 4A-4N) umfasst: eine Zustandsüberwachungseinheit (41), die die Zustandsgröße und die Rauschdaten empfängt, - eine Rauschquellenlerneinheit (44), die einen Zusammenhang zwischen der Zustandsgröße und den Rauschdaten anhand der Zustandsgröße und den Rauschdaten lernt, und - eine Rauschquellenbestimmungseinheit (45), die eine Rauschursache anhand eines Lernergebnisses der Rauschquellenlerneinheit (44) bestimmt.
Steuervorrichtung nach Anspruch 1, wobei die Rauschquellenlerneinheit (44) umfasst: - eine Labelberechnungseinheit (51), die anhand der Rauschdaten einen Labelwert berechnet, und - eine Entscheidungsbaumlerneinrichtung (55), die einen Entscheidungsbaum für den Labelwert unter Verwendung der Zustandsgröße als Eingabevektor lernt.
Steuervorrichtung nach Anspruch 1, wobei die Rauschquellenlerneinheit (44) umfasst: - eine Labelberechnungseinheit (51), die anhand der Rauschdaten einen Erfassungslabelwert berechnet, eine Neuronalnetzlerneinrichtung (62), die eine Neuronalnetzfunktion zum Berechnen eines Berechnungslabelwerts unter Verwendung der Zustandsgröße als Eingabe umfasst, und - eine Funktionsaktualisierungseinheit (63), die die Neuronalnetzfunktion basierend auf einem Ergebnis eines Vergleichs zwischen dem Berechnungslabelwert und dem Erfassungslabelwert aktualisiert, so dass der Berechnungslabelwert und der Erfassungslabelwert miteinander übereinstimmen.
Steuervorrichtung nach einem der Ansprüche 1 bis 3, wobei - die Steuervorrichtung (3, 3A-3N) eine Kommunikationseinheit (32) umfasst, die Daten kommuniziert, die einen Fehlererkennungscode oder einen Fehlerkorrekturcode umfassen, um das Auftreten eines Kommunikationsfehlers anhand des Fehlererkennungscodes oder des Fehlerkorrekturcodes der kommunizierten Daten zu erkennen, und - die Rauschdaten dafür ausgelegt sind, das Vorhandensein von Rauschen beim Auftreten des Kommunikationsfehlers und die Abwesenheit von Rauschen während eines Nichtauftretens des Kommunikationsfehlers anzugeben.
Steuervorrichtung nach einem der Ansprüche 1 bis 4, wobei die Steuervorrichtung (3, 3A-3N) über ein Kommunikationsnetz kommunikationsfähig mit anderen Steuervorrichtungen (3, 3A-3N) verbunden ist und ein Lernergebnis der Lerneinheit (4, 4A-4N) mit den anderen Steuervorrichtungen (3, 3A-3N) austauscht oder teilt.