JP6490131B2 - 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法 - Google Patents
機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法 Download PDFInfo
- Publication number
- JP6490131B2 JP6490131B2 JP2017071017A JP2017071017A JP6490131B2 JP 6490131 B2 JP6490131 B2 JP 6490131B2 JP 2017071017 A JP2017071017 A JP 2017071017A JP 2017071017 A JP2017071017 A JP 2017071017A JP 6490131 B2 JP6490131 B2 JP 6490131B2
- Authority
- JP
- Japan
- Prior art keywords
- current
- speed
- learning
- servo control
- machine learning
- 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
- G05B19/414—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller
- G05B19/4142—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller characterised by the use of a microprocessor
-
- 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
- G05B13/027—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 using neural networks only
-
- 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
- G05B2219/34—Director, elements to supervisory
- G05B2219/34013—Servocontroller
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Feedback Control In General (AREA)
Description
しかしながら、線形モデルを逐一用意することは、ユーザにとっては煩雑であり、より簡便に外乱等を抑制するサーボ制御装置が望まれる。
前記外乱が抑制された状態で前記電流指令に基づいて駆動した制御対象の速度を入力データとして取得する入力データ取得手段(例えば、後述の入力データ取得部210)と、
前記ラベルと前記入力データとの組を教師データとして教師あり学習を行うことにより、前記制御対象の速度から前記制御対象を駆動する電流を推定するための学習モデルを構築する学習手段(例えば、後述の学習部230)と、
を備える機械学習装置である。
前記ラベル取得手段に入力する前記電流指令は、前記アンプの出力であってもよい。
前記サーボ制御装置は、前記関数出力手段から出力された前記関数に基づいて前記制御対象の速度から前記制御対象を駆動する電流を推定する推定電流生成手段(例えば、後述の推定電流生成部150)、前記電流指令と前記推定電流生成手段で推定された推定電流との差を求める減算手段(例えば、後述の減算器140)、及び前記差に基づいて外乱を補償するための補正電流を生成する外乱補償手段(例えば、後述の外乱補償器160)を有する、サーボ制御システムである。
前記ラベル取得手段に入力する前記電流指令は、前記アンプの出力であってもよい。
前記関数出力手段から出力された前記関数に基づいて前記制御対象の速度から前記制御対象を駆動する電流を推定する推定電流生成手段(例えば、後述の推定電流生成部150)と、
前記電流指令と前記推定電流生成手段で推定された推定電流との差を求める減算手段(例えば、後述の減算器140)と、
前記差に基づいて外乱を補償するための補正電流を生成する外乱補償手段(例えば、後述の外乱補償器160)と、
を備えるサーボ制御装置である。
前記ラベル取得手段に入力する前記電流指令は、前記アンプの出力である請求項7に記載のサーボ制御装置。
前記外乱が抑制された状態で前記電流指令に基づいて駆動した制御対象の速度を入力データとして取得し、
前記ラベルと前記入力データとの組を教師データとして教師あり学習を行うことにより、前記制御対象の速度から前記制御対象を駆動する電流を推定するための学習モデルを構築する、機械学習装置の機械学習方法である。
図1は本発明の第1の実施形態のサーボ制御システムを示すブロック図である。サーボ制御システム10は、図1に示すように、n台のサーボ制御装置100−1〜100−n、n台の機械学習装置200−1〜200−n、及びネットワーク300を備えている。なお、nは任意の自然数である。
図2は本発明の第1の実施形態のサーボ制御システムにおける一組のサーボ制御装置と機械学習装置の一構成例を示すブロック図である。図2に示すサーボ制御装置100と、機械学習装置200は例えば、図1に示すサーボ制御装置100−1と機械学習装置200−1とに対応している。図2において、各装置間に存在するネットワーク300については、その図示を省略する。
速度制御部120は、速度偏差に積分ゲインK1vを乗じて積分した値と、速度偏差に比例ゲインK2vを乗じた値とを加算して、その加算値を電流指令値として加算器13に出力する。加算器130は電流指令値とローパスフィルタ170との出力との差を求めて、その差を制御対象400及び減算器140に出力する。
図4に示すように、機械学習装置200は、入力データ取得部210、ラベル取得部220、学習部230、学習モデル記憶部240、及び推定電流生成関数出力部250を備えている。
ラベル取得部220は、加算器130から出力された電流指令をラベルとして取得し、取得したラベルを学習部230に対して出力する。
例えば、フォワードプロパゲーション(Forward−propagation)を行った後に、バックプロパゲーション(Back−propagation、誤差逆伝搬法とも呼ばれる。)という処理を行うことを繰り返すことにより各パーセプトロンの出力の誤差を小さくするように重み付け値を調整する。
このようにして、教師データの特徴を学習し、入力から結果を推定するための学習モデルを帰納的に獲得する。
学習部230が構築した学習モデルは、学習モデル記憶部240に対して出力される。
推定電流生成関数出力部250は、実際の加工前に、学習モデル記憶部204から学習モデルを取得する。そして、推定電流生成関数出力部250は、取得した学習モデルに基づいて算出される関数である推定電流生成関数を推定電流生成部150に対して出力する。この推定電流生成関数は、実際の加工プログラムにより外乱が生じた場合に、推定電流生成部150において外乱による電流成分を含む推定電流値を生成するために用いられる。
ただし、機械学習装置200については機械学習に伴う演算量が多いため、例えば、パーソナルコンピュータにGPU(Graphics Processing Units)を搭載し、GPGPU(General−Purpose computing on Graphics Processing Units)と呼ばれる技術により、GPUを機械学習に伴う演算処理に利用するようにすると高速処理できるようになるのでよい。更には、より高速な処理を行うために、このようなGPUを搭載したコンピュータを複数台用いてコンピュータ・クラスターを構築し、このコンピュータ・クラスターに含まれる複数のコンピュータにて並列処理を行うようにしてもよい。
なお、後述の第2の実施形態における機械学習装置201及び第3の実施形態における機械学習装置202についても、本実施形態の機械学習装置200と同じようにして実現することができる。
ステップS11において、機械学習装置200は、機械学習が終了したか否かを判断する。
ステップS12及びステップS13において、機械学習装置200の入力データ取得部210及びラベル取得部220は入力データとラベルを取得する。これらのデータの具体的な内容は上述した通りである。
このようにすることで、サーボ制御装置100における外乱補償機能が有効となる。
次に、第2の実施形態の構成について図6、図7、及び図8を参照して説明をする。なお、第2の実施形態の機能及び構成は、上述した第1の実施形態と共通する機能及び構成は図6〜図8において、同一符号を付して重複する説明は省略し、第1の実施形態と第2の実施形態にて相違する点について詳細に説明をする。
次に、第3の実施形態の構成について図9、図10、及び図11を参照して説明をする。なお、第3の実施形態の機能及び構成は、上述した第1の実施形態と共通する機能及び構成は図9〜図11において、同一符号を付して重複する説明は省略し、第1の実施形態と第3の実施形態にて相違する点について詳細に説明をする。
上述した実施形態では、機械学習装置200〜202を、サーボ制御装置100〜102とは別体の装置により構成したが、機械学習装置200〜202の機能の一部又は全部をサーボ制御装置100〜102により実現するようにしてもよい。
上述した実施形態では、サーボ制御装置100〜102と機械学習装置200〜102とが1対1の組として通信可能に接続されているが、各実施形態の構成はかかる構成に限定されない。例えばサーボ制御装置100と機械学習装置200を例にとって説明すると、1台の機械学習装置200と複数のサーボ制御装置100とが、直接又はネットワークを介して通信可能に接続され、各サーボ制御装置100の機械学習を実施するようにしてもよい。
その際、機械学習装置200の各機能を、適宜複数のサーバに分散する、分散処理システムとしてもよい。また、クラウド上で仮想サーバ機能等を利用して、機械学習装置200の各機能を実現してもよい。
上述した学習部230における教師あり学習は、オンライン学習で行ってもよく、バッチ学習で行ってもよく、ミニバッチ学習で行ってもよい。
オンライン学習とは、制御対象400が駆動し、教師データが作成される都度、即座に教師あり学習を行うという学習方法である。また、バッチ学習とは、制御対象400が駆動し、教師データが作成されることが繰り返される間に、繰り返しに応じた複数の教師データを収集し、収集した全ての教師データを用いて、教師あり学習を行うという学習方法である。更に、ミニバッチ学習とは、オンライン学習と、バッチ学習の中間的な、ある程度教師データが溜まるたびに教師あり学習を行うという学習方法である。
100、100−1〜100−n サーボ制御装置
110 減算器
120 速度制御部
130 加算器
140 減算器
150 推定電流生成部
160 外乱補償器
170 ローパスフィルタ
200、200−1〜200−n 機械学習装置
210 入力データ取得部
220 ラベル取得部
230 学習部
240 学習モデル記憶部
250 推定電流生成関数出力部
300 ネットワーク
400 制御対象
Claims (7)
- 外乱が抑制された状態でサーボ制御装置の制御対象を駆動する電流指令をラベルとして取得するラベル取得手段と、前記外乱が抑制された状態で前記電流指令に基づいて駆動した制御対象の速度を入力データとして取得する入力データ取得手段と、前記ラベルと前記入力データとの組を教師データとして教師あり学習を行うことにより、前記制御対象の速度から前記制御対象を駆動する電流を推定するための学習モデルを構築する学習手段と、前記学習手段により構築された前記学習モデルに基づいて、前記制御対象の速度から前記制御対象を駆動する電流を推定するための関数を生成して前記サーボ制御装置に対して出力する関数出力手段と、を備える機械学習装置と、
該機械学習装置に対して前記電流指令及び前記制御対象の速度を出力する前記サーボ制御装置とを備え、
前記サーボ制御装置は、前記関数出力手段から出力された前記関数に基づいて前記制御対象の速度から前記制御対象を駆動する電流を推定する推定電流生成手段、前記電流指令と前記推定電流生成手段で推定された推定電流との差を求める減算手段、及び前記差に基づいて外乱を補償するための補正電流を生成する外乱補償手段を有する、サーボ制御システム。 - 前記サーボ制御装置は、電流フィードバックループを構成する電流制御部とアンプとを備え、前記制御対象を駆動する電流指令は前記電流制御部と前記アンプを介して前記制御対象に加えられ、
前記ラベル取得手段に入力する前記電流指令は、前記アンプの出力である請求項1に記載のサーボ制御システム。 - 前記制御対象は、モータと該モータによって移動する負荷とを備え、前記入力データ取得手段により取得される前記速度は、前記モータの回転速度と前記負荷の速度とである請求項1又は2に記載のサーボ制御システム。
- 外乱が抑制された状態でサーボ制御装置の制御対象を駆動する電流指令をラベルとして取得するラベル取得手段と、前記外乱が抑制された状態で前記電流指令に基づいて駆動した制御対象の速度を入力データとして取得する入力データ取得手段と、前記ラベルと前記入力データとの組を教師データとして教師あり学習を行うことにより、前記制御対象の速度から前記制御対象を駆動する電流を推定するための学習モデルを構築する学習手段と、前記学習手段により構築された前記学習モデルに基づいて、前記制御対象の速度から前記制御対象を駆動する電流を推定するための関数を生成して出力する関数出力手段と、を備える機械学習装置と、
前記関数出力手段から出力された前記関数に基づいて前記制御対象の速度から前記制御対象を駆動する電流を推定する推定電流生成手段と、
前記電流指令と前記推定電流生成手段で推定された推定電流との差を求める減算手段と、
前記差に基づいて外乱を補償するための補正電流を生成する外乱補償手段と、
を備えるサーボ制御装置。 - 電流フィードバックループを構成する電流制御部とアンプとを備え、前記制御対象を駆動する電流指令は前記電流制御部と前記アンプを介して前記制御対象に加えられ、
前記ラベル取得手段に入力する前記電流指令は、前記アンプの出力である請求項4に記載のサーボ制御装置。 - 前記制御対象は、モータと該モータによって移動する負荷とを備え、前記入力データ取得手段により取得される前記速度は、前記モータの回転速度と前記負荷の速度とである請求項4又は5に記載のサーボ制御装置。
- 機械学習装置が、
外乱が抑制された状態でサーボ制御装置の制御対象を駆動する電流指令をラベルとして取得し、
前記外乱が抑制された状態で前記電流指令に基づいて駆動した制御対象の速度を入力データとして取得し、
前記ラベルと前記入力データとの組を教師データとして教師あり学習を行うことにより、前記制御対象の速度から前記制御対象を駆動する電流を推定するための学習モデルを構築し、
構築された前記学習モデルに基づいて、前記制御対象の速度から前記制御対象を駆動する電流を推定するための関数を生成し、
前記サーボ制御装置が、
生成された前記関数に基づいて前記制御対象の速度から前記制御対象を駆動する電流を推定し、
前記電流指令と推定された前記電流との差を求め、
前記差に基づいて外乱を補償するための補正電流を生成する、
サーボ制御方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017071017A JP6490131B2 (ja) | 2017-03-31 | 2017-03-31 | 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法 |
DE102018203956.9A DE102018203956B4 (de) | 2017-03-31 | 2018-03-15 | Maschinelle Lernvorrichtung, Servosteuerungsvorrichtung, Servosteuerungssystem und maschinelles Lernverfahren |
US15/926,057 US10481566B2 (en) | 2017-03-31 | 2018-03-20 | Machine learning device, servo control device, servo control system and machine learning method |
CN201810264707.1A CN108693833B (zh) | 2017-03-31 | 2018-03-28 | 机器学习装置、伺服控制装置和***以及机器学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017071017A JP6490131B2 (ja) | 2017-03-31 | 2017-03-31 | 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018173777A JP2018173777A (ja) | 2018-11-08 |
JP6490131B2 true JP6490131B2 (ja) | 2019-03-27 |
Family
ID=63524700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017071017A Active JP6490131B2 (ja) | 2017-03-31 | 2017-03-31 | 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10481566B2 (ja) |
JP (1) | JP6490131B2 (ja) |
CN (1) | CN108693833B (ja) |
DE (1) | DE102018203956B4 (ja) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6646025B2 (ja) * | 2017-09-15 | 2020-02-14 | ファナック株式会社 | 制御装置及び機械学習装置 |
CN109376664B (zh) * | 2018-10-29 | 2021-03-09 | 百度在线网络技术(北京)有限公司 | 机器学习训练方法、装置、服务器和介质 |
TWI681274B (zh) * | 2018-11-14 | 2020-01-01 | 財團法人工業技術研究院 | 工具機頻率響應參數的調整方法及應用其之調整系統 |
CN113518958A (zh) * | 2019-03-29 | 2021-10-19 | 株式会社小松制作所 | 工业机械、控制装置、控制校正装置、及控制方法 |
JP7021147B2 (ja) * | 2019-04-03 | 2022-02-16 | ファナック株式会社 | モータ制御装置及びモータ制御用コンピュータプログラム |
WO2020217282A1 (ja) * | 2019-04-22 | 2020-10-29 | 三菱電機株式会社 | サーボ制御装置 |
JP7412742B2 (ja) | 2020-01-16 | 2024-01-15 | Kkテクノロジーズ株式会社 | 制御装置、制御方法、およびプログラム |
JP7299184B2 (ja) * | 2020-03-11 | 2023-06-27 | 日立Geニュークリア・エナジー株式会社 | 液圧駆動装置、液圧駆動装置の制御方法 |
CN115243813B (zh) * | 2020-03-17 | 2023-09-22 | 三菱电机株式会社 | 控制***、电动机控制装置及机器学习装置 |
JP7484382B2 (ja) * | 2020-04-24 | 2024-05-16 | 横河電機株式会社 | 制御装置、制御方法および制御プログラム |
WO2023112082A1 (ja) * | 2021-12-13 | 2023-06-22 | 三菱電機株式会社 | コントローラ、制御システム、学習装置および推論装置 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2923000B2 (ja) * | 1990-07-27 | 1999-07-26 | 株式会社日立製作所 | サーボ制御装置 |
US5852817A (en) * | 1991-08-14 | 1998-12-22 | Kabushiki Kaisha Toshiba | Intelligent control apparatus |
JP2831880B2 (ja) * | 1992-07-23 | 1998-12-02 | 東洋電機製造株式会社 | 自動制御装置 |
US6000827A (en) * | 1993-09-10 | 1999-12-14 | Fujitsu Limited | System identifying device and adaptive learning control device |
JPH07210207A (ja) * | 1994-01-17 | 1995-08-11 | Hitachi Ltd | 適応制御装置 |
JP3995835B2 (ja) * | 1999-07-12 | 2007-10-24 | トヨタ自動車株式会社 | 電動機を備える車両における動力制御装置 |
JP2004199289A (ja) * | 2002-12-17 | 2004-07-15 | Mitsubishi Electric Corp | 周期的な目標値に追従する出力の制御装置 |
US7128032B2 (en) | 2004-03-26 | 2006-10-31 | Bose Corporation | Electromagnetic actuator and control |
JP2008217259A (ja) * | 2007-03-01 | 2008-09-18 | Sumitomo Heavy Ind Ltd | シミュレータ及び記憶媒体及びプログラム及び制御装置及びシミュレータの制御方法 |
JP2008225533A (ja) | 2007-03-08 | 2008-09-25 | Fanuc Ltd | サーボ制御装置 |
CN103180790B (zh) * | 2010-10-27 | 2016-04-20 | 株式会社牧野铣床制作所 | 数值控制方法 |
CN103532459A (zh) | 2013-10-15 | 2014-01-22 | 东南大学 | 一种数控机床驱动用直线伺服电机控制方法 |
JP5815784B2 (ja) | 2014-04-08 | 2015-11-17 | ファナック株式会社 | 同期加工における同期誤差を低減するサーボ制御装置 |
CN104038128B (zh) | 2014-05-28 | 2017-01-04 | 浙江理工大学 | 基于nurbs的直线电机推力波动控制方法 |
CN104270046B (zh) | 2014-09-26 | 2017-10-20 | 骆伟法 | 基于转速‑电流二维模糊模型自学习的电机控制方法 |
JP5987081B1 (ja) | 2015-04-02 | 2016-09-06 | ファナック株式会社 | 基準軸を切り替えて学習制御を行うサーボ制御装置 |
JP6386492B2 (ja) * | 2016-04-28 | 2018-09-05 | ファナック株式会社 | 高速計算される比例項にフィルタを付加したサーボ制御装置、サーボ制御方法及びサーボ制御プログラム |
JP6457569B2 (ja) * | 2017-02-24 | 2019-01-23 | ファナック株式会社 | サーボモータ制御装置、サーボモータ制御方法、及びサーボモータ制御用プログラム |
JP6514257B2 (ja) * | 2017-03-29 | 2019-05-15 | ファナック株式会社 | 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法 |
-
2017
- 2017-03-31 JP JP2017071017A patent/JP6490131B2/ja active Active
-
2018
- 2018-03-15 DE DE102018203956.9A patent/DE102018203956B4/de active Active
- 2018-03-20 US US15/926,057 patent/US10481566B2/en active Active
- 2018-03-28 CN CN201810264707.1A patent/CN108693833B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
DE102018203956B4 (de) | 2021-09-30 |
CN108693833B (zh) | 2019-11-01 |
DE102018203956A1 (de) | 2018-10-04 |
CN108693833A (zh) | 2018-10-23 |
US20180284702A1 (en) | 2018-10-04 |
US10481566B2 (en) | 2019-11-19 |
JP2018173777A (ja) | 2018-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6490131B2 (ja) | 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法 | |
JP6490127B2 (ja) | 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法 | |
CN109274314B (zh) | 机器学习装置、伺服电动机控制装置、伺服电动机控制***以及机器学习方法 | |
JP6514257B2 (ja) | 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法 | |
JP6499720B2 (ja) | 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法 | |
JP6474449B2 (ja) | 調整装置及び調整方法 | |
US10824121B2 (en) | Machine learning device, servo motor controller, servo motor control system, and machine learning method | |
JP6748135B2 (ja) | 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法 | |
JP6474456B2 (ja) | 機械学習装置、サーボ制御システム及び機械学習方法 | |
JP6740279B2 (ja) | 調整装置及び調整方法 | |
JP6740278B2 (ja) | 機械学習装置、制御装置、及び機械学習方法 | |
JP6784722B2 (ja) | 出力装置、制御装置、及び評価関数値の出力方法 | |
CN111033396B (zh) | 用于模型预测控制的控制参数的设定方法 | |
US11914333B2 (en) | Machine learning device, servo control device, servo control system, and machine learning method | |
JP6841801B2 (ja) | 機械学習装置、制御システム及び機械学習方法 | |
US10684594B2 (en) | Machine learning device, servo motor controller, servo motor control system, and machine learning method | |
JP2020042585A (ja) | 制御装置、cnc装置及び制御装置の制御方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20180913 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20181212 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20181218 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190121 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190205 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190226 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6490131 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |