JP6536978B1 - 学習装置、学習方法、及びそのプログラム - Google Patents
学習装置、学習方法、及びそのプログラム Download PDFInfo
- Publication number
- JP6536978B1 JP6536978B1 JP2018047865A JP2018047865A JP6536978B1 JP 6536978 B1 JP6536978 B1 JP 6536978B1 JP 2018047865 A JP2018047865 A JP 2018047865A JP 2018047865 A JP2018047865 A JP 2018047865A JP 6536978 B1 JP6536978 B1 JP 6536978B1
- Authority
- JP
- Japan
- Prior art keywords
- correction amount
- control
- learned model
- learning
- command value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012937 correction Methods 0.000 claims abstract description 145
- 238000012545 processing Methods 0.000 claims abstract description 65
- 238000011156 evaluation Methods 0.000 claims abstract description 30
- 230000004044 response Effects 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 description 36
- 238000013441 quality evaluation Methods 0.000 description 27
- 238000003860 storage Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 12
- 238000012546 transfer Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- 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
- 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
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- G05B2219/33—Director till display
- G05B2219/33027—Artificial neural network controller
-
- 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
- G05B2219/33—Director till display
- G05B2219/33034—Online learning, training
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
Abstract
Description
以下、本発明の一側面に係る実施の形態(以下「本実施形態」とも表記する)を、図面に基づいて説明する。ただし、以下で説明する実施形態は、あらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良や変形を行うことができることは言うまでもない。つまり、本発明の実施にあたって、実施形態に応じた具体的構成が適宜採用されてもよい。なお、本実施形態において登場するデータを自然言語により説明しているが、より具体的には、コンピュータが認識可能な疑似言語、コマンド、パラメータ、マシン語等で指定される。
まず、図1を参照しながら、本発明が適用される場面の一例について説明する。図1は本発明に係る制御システム1の構成の一例を示す図である。制御システム1は、コントローラ10と、サーボ機構20と、調整器30と、学習装置40とを備えている。
<コントローラの演算式>
u(t)=C(ρ)×r(t)・・・式(1)
<サーボ機構の演算式>
y(t)=P×u(t) ・・・式(2)
例えば、ワークXのパラメータαと補正量候補ρ*とを教師データとして学習を行い、新たに学習済みモデルLM*を生成したとする。このとき学習装置40は、ワークXと同様のパラメータαを有する別のワークがサーボ機構20に与えられた際に、先に生成した学習済みモデルLM*を用いて補正量ραを生成し、コントローラ10に提供する。コントローラ10は、補正量ραに基づいて指令値u(x)を生成し、サーボ機構20が指令値u(x)への応答として制御量y(x)を出力する。ここで、品質評価部42が制御量y(x)の品質を評価した結果、制御量y(x)が所定の許容範囲内であれば、学習装置40は調整器30に新たに生成された学習済みモデルLM*を設定するものとしてよい。他方、所定の許容範囲に満たなかった場合、すでに調整器30に学習済みモデルが設定されている場合には、設定部44は学習済みモデルの更新を行わなくてもよい。これにより、学習装置40は、制御対象を実際に動作させることなく補正量候補を生成したときに、当該補正量候補を用いて生成された学習済みモデルを、適切な補正量を出力するか否かを確認してから採否を判定することができるため、より効率的に学習を行いつつ、不適切な学習済みモデルを排除することができる。この結果、学習装置は、処理対象物を準備したり破損させたりすることなく、より効率的に学習を行うことができる。
図2乃至図4を参照して、学習装置40の機能構成の一例を説明する。図2は、学習装置40の機能構成の一例を示す機能ブロック図である。図2に示すように、学習装置40は、記憶部41と、品質評価部42と、学習部43と、設定部44とを有している。
参照モデルTdとは、目標値r(t)に対する制御量y(t)の理想的な応答の伝達関数を示したものである。参照モデルTdを用いると、目標値r(t)に対する理想的な制御量(以下「目標応答」ともいう。)yd(t)は次式(3)で表される。
<参照モデルTdの式>
yd(t)=Td×r(t) ・・・(3)
図5を参照して、本実施形態に係る制御システム1の処理フローの一例について説明する。まず、学習装置40は、参照モデルTdを生成する(S101)。このとき、学習装置40は、基準とする動作データ[r、yd]を取得する。基準となる動作データは、例えば、ワークなし動作を行った場合の、目標値rと、サーボ機構20の制御量yとしてよい。取得した動作データ[r、yd]に基づいて、学習装置40は、参照モデルTdを生成する。
本実施形態に係る制御システム1では、設定部44は、学習部43が生成した学習済みモデルを調整器30へ設定する。このとき設定部44は、学習済みモデルを設定する前に、学習済みモデルを評価し、評価結果に基づいて、調整器30に設定するか否か判定を行う。すなわち、本実施形態に係る学習装置40によると、動作データに基づいて生成された補正量候補を用いて学習を行い、生成された学習済みモデルに対して設定部44が評価を行う。例えば設定部44は、生成された学習済みモデルを用いた制御の結果に基づいて、学習済みモデルの品質の評価を行う。これによって、学習装置40は、反復実験、すなわち制御対象の実際の動作を繰り返し行うことなく補正量候補を教師データとして用いることが可能になり、適切な教師データを生成するまでの時間を短縮することができる。
次に、図6を参照しながら、上述してきた学習装置40をコンピュータ800により実現する場合のハードウェア構成の一例を説明する。なお、それぞれの装置の機能は、複数台の装置に分けて実現することもできる。
図7を参照して、本発明の他の実施形態に係る制御システム2の構成を説明する。図7は、制御システム2の構成の一例を示す図である。なお、既述の実施形態と共通の事柄についての記述は省略し、異なる点についてのみ説明する。特に、既述の構成には同様の符号を付し、同様の構成による同様の作用効果については実施形態毎には逐次言及しない。
u(t)=r(t)+ρ・・・式(8)
(付記1)
補正量(ρ)に基づいて目標値(r)を補正した指令値(u)を出力するコントローラ(10)と、
処理対象物に対して所定の処理をするよう制御される制御対象(20)であって、前記コントローラ(10)から出力される指令値(u)が入力され、当該指令値(u)の応答として制御量が出力される制御対象(20)と、
を備える制御系(1)において、
前記処理対象物の特定のパラメータに基づいて、前記コントローラ(10)に対して所定の前記補正量(ρ)を出力するように学習された学習済みモデルを含む調整器(30)に対して、前記学習済みモデルを提供する学習装置(40)であって、
前記目標値(r)、前記指令値(u)及び前記制御量(y)を含む動作データを取得して、前記制御量(y)の品質を評価する評価部(42)と、
前記動作データに基づいて、補正量候補(ρ*)を生成し、生成した補正量候補(ρ*)と、前記処理対象物の特定のパラメータとを教師データとして学習を行い、学習済みモデルを生成する学習部(43)と、
前記生成された学習済みモデルによって出力された前記補正量に基づいて補正した指令値(u)を前記制御対象に与えたときの制御量(y)に基づいて、前記評価部(42)において評価された品質が予め定められた許容範囲内であるときに、前記学習済みモデルを前記調整器(30)に提供する設定部(44)と、
を備える学習装置(40)。
(付記2)
前記設定部(44)は、
前記制御対象に与えられた処理対象物の特定のパラメータが、前記生成された学習済みモデルの評価が未実施のパラメータに等しいとき、前記生成された学習済みモデルによって出力された補正量を前記コントローラに対して出力し、前記評価部(42)において品質を評価させる、
付記1に記載の学習装置(40)。
(付記3)
前記学習部(43)は、
前記生成された学習済みモデルが出力した補正量(ρ)に基づいて評価させた品質が前記許容範囲に満たないときに改めて学習を行い、学習済みモデルを生成し直す、
付記2に記載の学習装置(40)。
(付記4)
前記学習部(43)は、データ駆動制御によって前記補正量候補(ρ*)を生成する、
付記1乃至3の何れか一項に記載の学習装置(40)。
(付記5)
前記データ駆動制御は、VRFT、FRIT又はERITのいずれかである、
付記4に記載の学習装置(40)。
(付記6)
補正量(ρ)に基づいて目標値(r)を補正した指令値(u)を出力するコントローラ(10)と、
処理対象物に対して所定の処理をするよう制御される制御対象(20)であって、前記コントローラ(10)から出力される指令値(u)が入力され、当該指令値(u)の応答として制御量が出力される制御対象(20)と、
を備える制御系(1)において、
前記処理対象物の特定のパラメータに基づいて、前記コントローラ(10)に対して所定の前記補正量(ρ)を出力するように学習された学習済みモデルを含む調整器(30)に対して、前記学習済みモデルを提供する学習装置(40)において実行される学習方法であって、
前記学習装置(40)が、
前記目標値(r)、前記指令値(u)及び前記制御量(y)を含む動作データを取得して、前記制御量(y)の品質を評価するステップと、
前記動作データに基づいて、補正量候補(ρ*)を生成し、生成した補正量候補(ρ*)と、前記処理対象物の特定のパラメータとを教師データとして学習を行い、学習済みモデル(LM*)を生成するステップと、
前記生成された学習済みモデルによって出力された補正量に基づいて目標値を補正した指令値を前記制御対象に与えたときの制御量に基づいて、前記評価するステップにおいて評価された品質が予め定められた許容範囲内であるときに、前記学習済みモデルを前記調整器に提供するステップと、
を実行する学習方法。
(付記7)
補正量(ρ)に基づいて目標値(r)を補正した指令値(u)を出力するコントローラ(10)と、
処理対象物に対して所定の処理をするよう制御される制御対象(20)であって、前記コントローラ(10)から出力される指令値(u)が入力され、当該指令値(u)の応答として制御量が出力される制御対象(20)と、
を備える制御系(1)において、
前記処理対象物の特定のパラメータに基づいて、前記コントローラ(10)に対して所定の前記補正量(ρ)を出力するように学習された学習済みモデルを含む調整器(30)に対して、前記学習済みモデルを提供する学習装置(40)を機能させるプログラムであって、
前記学習装置(40)を、
前記目標値(r)、前記指令値(u)及び前記制御量(y)を含む動作データを取得して、前記制御量(y)の品質を評価する手段、
前記動作データに基づいて、補正量候補(ρ*)を生成し、生成した補正量候補(ρ*)と、前記処理対象物の特定のパラメータとを教師データとして学習を行い、学習済みモデルを生成する手段、及び
前記生成された学習済みモデルによって出力された補正量候補に基づいて目標値を補正した指令値を前記制御対象に与えたときの制御量に基づいて、前記評価する手段において評価された品質が予め定められた許容範囲内であるときに、前記学習済みモデル(LM*)を前記調整器に提供する手段、
として機能させるプログラム。
10、11 コントローラ
20 サーボ機構
30 調整器
40 学習装置
41 記憶部
42 品質評価部
43 学習部
44 設定部
800 コンピュータ
801 プロセッサ
803 メモリ
805 記憶装置
Claims (7)
- 補正量に基づいて目標値を補正した指令値を出力するコントローラと、
処理対象物に対して所定の処理をするよう制御される制御対象であって、前記コントローラから出力される指令値が入力され、当該指令値の応答として制御量が出力される制御対象と、
を備える制御系において、
前記処理対象物の特定のパラメータに基づいて、前記コントローラに対して所定の前記補正量を出力するように学習された学習済みモデルを含む調整器に対して、前記学習済みモデルを提供する学習装置であって、
前記目標値、前記指令値及び前記制御量を含む動作データを取得して、前記制御量の品質を評価する評価部と、
前記動作データに基づいて、補正量候補を生成し、生成した補正量候補と、前記処理対象物の特定のパラメータとを教師データとして学習を行い、学習済みモデルを生成する学習部と、
前記生成された学習済みモデルによって出力された補正量に基づいて目標値を補正した指令値を前記制御対象に与えたときの制御量に基づいて、前記評価部において評価された品質が予め定められた許容範囲内であるときに、前記学習済みモデルを前記調整器に提供する設定部と、
を備える学習装置。 - 前記設定部は、
前記制御対象に与えられた処理対象物の特定のパラメータが、前記生成された学習済みモデルの評価が未実施のパラメータに等しいとき、前記生成された学習済みモデルによって出力された補正量を前記コントローラに対して出力し、前記評価部において品質を評価させる、
請求項1に記載の学習装置。 - 前記学習部は、
前記生成された学習済みモデルが出力した補正量に基づいて評価させた品質が、前記許容範囲に満たないときに改めて学習を行い、学習済みモデルを生成し直す、
請求項2に記載の学習装置。 - 前記学習部は、データ駆動制御によって前記補正量候補を生成する、
請求項1乃至3の何れか一項に記載の学習装置。 - 前記データ駆動制御は、VRFT、FRIT又はERITのいずれかである、
請求項4に記載の学習装置。 - 補正量に基づいて目標値を補正した指令値を出力するコントローラと、
処理対象物に対して所定の処理をするよう制御される制御対象であって、前記コントローラから出力される指令値が入力され、当該指令値の応答として制御量が出力される制御対象と、
を備える制御系において、
前記処理対象物の特定のパラメータに基づいて、前記コントローラに対して所定の前記補正量を出力するように学習された学習済みモデルを含む調整器に対して、前記学習済みモデルを提供する学習装置で実行される方法であって、
前記学習装置が、
前記目標値、前記指令値及び前記制御量を含む動作データを取得して、前記制御量の品質を評価するステップと、
前記動作データに基づいて、補正量候補を生成し、生成した補正量候補と、前記処理対象物の特定のパラメータとを教師データとして学習を行い、学習済みモデルを生成するステップと、
前記生成された学習済みモデルによって出力された補正量に基づいて目標値を補正した指令値を前記制御対象に与えたときの制御量に基づいて、前記評価するステップ部において評価された品質が予め定められた許容範囲内であるときに、前記学習済みモデルを前記調整器に提供するステップと、
を実行する方法。 - 補正量に基づいて目標値を補正した指令値を出力するコントローラと、
処理対象物に対して所定の処理をするよう制御される制御対象であって、前記コントローラから出力される指令値が入力され、当該指令値の応答として制御量が出力される制御対象と、
を備える制御系において、
前記処理対象物の特定のパラメータに基づいて、前記コントローラに対して所定の前記補正量を出力するように学習された学習済みモデルを含む調整器に対して、前記学習済みモデルを提供する学習装置を機能させるプログラムであって、
前記学習装置を、
前記目標値、前記指令値及び前記制御量を含む動作データを取得して、前記制御量の品質を評価する手段、
前記動作データに基づいて、補正量候補を生成し、生成した補正量候補と、前記処理対象物の特定のパラメータとを教師データとして学習を行い、学習済みモデルを生成する手段、及び
前記生成された学習済みモデルによって出力された補正量に基づいて目標値を補正した指令値を前記制御対象に与えたときの制御量に基づいて、前記評価する手段において評価された品質が予め定められた許容範囲内であるときに、前記学習済みモデルを前記調整器に提供する手段、
として機能させるプログラム。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018047865A JP6536978B1 (ja) | 2018-03-15 | 2018-03-15 | 学習装置、学習方法、及びそのプログラム |
PCT/JP2019/009335 WO2019176772A1 (ja) | 2018-03-15 | 2019-03-08 | 学習装置、学習方法、及びそのプログラム |
EP19767608.3A EP3767400B1 (en) | 2018-03-15 | 2019-03-08 | Learning device, learning method and program therefor |
CN201980011789.1A CN111684365B (zh) | 2018-03-15 | 2019-03-08 | 学习装置、学习方法及其存储介质 |
US16/968,164 US11480931B2 (en) | 2018-03-15 | 2019-03-08 | Learning device, learning method, and program therefor |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018047865A JP6536978B1 (ja) | 2018-03-15 | 2018-03-15 | 学習装置、学習方法、及びそのプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6536978B1 true JP6536978B1 (ja) | 2019-07-03 |
JP2019160017A JP2019160017A (ja) | 2019-09-19 |
Family
ID=67144669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018047865A Active JP6536978B1 (ja) | 2018-03-15 | 2018-03-15 | 学習装置、学習方法、及びそのプログラム |
Country Status (5)
Country | Link |
---|---|
US (1) | US11480931B2 (ja) |
EP (1) | EP3767400B1 (ja) |
JP (1) | JP6536978B1 (ja) |
CN (1) | CN111684365B (ja) |
WO (1) | WO2019176772A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113552842A (zh) * | 2020-04-24 | 2021-10-26 | 横河电机株式会社 | 控制装置、控制方法及记录介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115917445A (zh) * | 2020-06-05 | 2023-04-04 | 三菱电机株式会社 | 伺服控制装置 |
US11814053B2 (en) * | 2021-10-20 | 2023-11-14 | Micron Technology, Inc. | Vehicle occupant emergency monitoring |
Family Cites Families (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2656637B2 (ja) * | 1989-11-22 | 1997-09-24 | 株式会社日立製作所 | プロセス制御システム及び発電プラントプロセス制御システム |
JPH06314106A (ja) * | 1993-04-28 | 1994-11-08 | Yaskawa Electric Corp | 学習制御装置 |
JP3191836B2 (ja) * | 1993-05-12 | 2001-07-23 | 株式会社安川電機 | 学習制御装置 |
JPH07105159A (ja) * | 1993-09-30 | 1995-04-21 | Omron Corp | 情報処理装置 |
US5704011A (en) * | 1994-11-01 | 1997-12-30 | The Foxboro Company | Method and apparatus for providing multivariable nonlinear control |
JP2000330610A (ja) * | 1999-05-19 | 2000-11-30 | Matsushita Electric Ind Co Ltd | 学習制御装置および学習制御方法 |
JP2000089525A (ja) * | 1998-09-07 | 2000-03-31 | Toshiba Corp | 調整制御システム |
JP2000339005A (ja) * | 1999-05-28 | 2000-12-08 | Yamaha Motor Co Ltd | 制御対象の最適化制御方法及び制御装置 |
GB0113627D0 (en) * | 2001-06-05 | 2001-07-25 | Univ Stirling | Controller and method of controlling an apparatus |
JP2005211928A (ja) * | 2004-01-29 | 2005-08-11 | Komatsu Sanki Kk | プレスシステム |
US7451004B2 (en) * | 2005-09-30 | 2008-11-11 | Fisher-Rosemount Systems, Inc. | On-line adaptive model predictive control in a process control system |
JP4825960B2 (ja) * | 2006-10-18 | 2011-11-30 | 国立大学法人広島大学 | 制御装置、制御パラメータの調整装置、制御パラメータの調整方法 |
JP2008234326A (ja) * | 2007-03-20 | 2008-10-02 | Masami Saeki | Pid制御器の制御パラメータの調整方法及び調整装置 |
JP4427074B2 (ja) * | 2007-06-07 | 2010-03-03 | 株式会社日立製作所 | プラントの制御装置 |
JP4876057B2 (ja) * | 2007-11-20 | 2012-02-15 | 株式会社日立製作所 | プラントの制御装置、及び火力発電プラントの制御装置 |
EP2409048B1 (en) * | 2009-03-17 | 2013-05-29 | Flander's Mechatronics Technology Centre v.z.w. | Method for controlling a torque transmitting device with learning function |
JP5759206B2 (ja) * | 2011-03-01 | 2015-08-05 | 東芝三菱電機産業システム株式会社 | 学習係数制御装置 |
JP6111913B2 (ja) * | 2013-07-10 | 2017-04-12 | 東芝三菱電機産業システム株式会社 | 制御パラメータ調整システム |
JP6147687B2 (ja) * | 2014-02-28 | 2017-06-14 | 株式会社東芝 | 制御パラメータ調整装置、および制御パラメータ調整プログラム |
JP6589523B2 (ja) * | 2015-09-30 | 2019-10-16 | ブラザー工業株式会社 | パラメータ更新方法、パラメータ更新装置、及びプログラム |
JP6544219B2 (ja) * | 2015-11-30 | 2019-07-17 | オムロン株式会社 | 制御装置 |
JP6650786B2 (ja) * | 2016-03-03 | 2020-02-19 | 三菱日立パワーシステムズ株式会社 | 制御パラメータ自動調整装置、制御パラメータ自動調整方法、及び制御パラメータ自動調整装置ネットワーク |
JP6833195B2 (ja) * | 2016-08-30 | 2021-02-24 | 国立大学法人広島大学 | データ指向型フィードバック制御装置およびデータ指向型フィードバック制御方法 |
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 |
JP6603260B2 (ja) * | 2017-04-27 | 2019-11-06 | ファナック株式会社 | 数値制御装置 |
JP6748135B2 (ja) * | 2018-03-19 | 2020-08-26 | 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 |
JP6740279B2 (ja) * | 2018-04-13 | 2020-08-12 | ファナック株式会社 | 調整装置及び調整方法 |
-
2018
- 2018-03-15 JP JP2018047865A patent/JP6536978B1/ja active Active
-
2019
- 2019-03-08 EP EP19767608.3A patent/EP3767400B1/en active Active
- 2019-03-08 WO PCT/JP2019/009335 patent/WO2019176772A1/ja active Application Filing
- 2019-03-08 US US16/968,164 patent/US11480931B2/en active Active
- 2019-03-08 CN CN201980011789.1A patent/CN111684365B/zh active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113552842A (zh) * | 2020-04-24 | 2021-10-26 | 横河电机株式会社 | 控制装置、控制方法及记录介质 |
US11960267B2 (en) | 2020-04-24 | 2024-04-16 | Yokogawa Electric Corporation | Control apparatus, control method, and storage medium |
Also Published As
Publication number | Publication date |
---|---|
WO2019176772A1 (ja) | 2019-09-19 |
EP3767400A1 (en) | 2021-01-20 |
EP3767400A4 (en) | 2021-11-17 |
US11480931B2 (en) | 2022-10-25 |
CN111684365B (zh) | 2022-10-21 |
EP3767400B1 (en) | 2023-05-10 |
CN111684365A (zh) | 2020-09-18 |
US20210041838A1 (en) | 2021-02-11 |
JP2019160017A (ja) | 2019-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6519896B1 (ja) | 学習装置、学習方法、及びそのプログラム | |
JP6856768B2 (ja) | 設計ツールからのデータおよびデジタルツイングラフからの知識を用いた自律生成設計合成システム | |
JP6536978B1 (ja) | 学習装置、学習方法、及びそのプログラム | |
US20220172130A1 (en) | Multi-step time series forecasting with residual learning | |
WO1992014197A1 (en) | Model forecasting controller | |
US20210279457A1 (en) | Digital Handwriting Synthesis | |
WO2019176370A1 (ja) | 将来状態推定装置および将来状態推定方法 | |
KR102577188B1 (ko) | 목표 시스템에 대한 제어 시스템 생성 | |
JP2020052737A (ja) | 製品設計装置および該方法 | |
US10876751B2 (en) | Intelligent finite-state machine remote control system for air-conditioning equipment | |
JP7081728B1 (ja) | 運転支援装置、運転支援方法及びプログラム | |
JP2018114576A (ja) | オフラインプログラミング装置及び位置パラメータ補正方法 | |
US20180285317A1 (en) | Model generation system and model generation method | |
JP2019053593A (ja) | 方策改善プログラム、方策改善方法、および方策改善装置 | |
JP2021043574A (ja) | 設計方法、制御方法、及びコンピュータプログラム | |
WO2021176566A1 (ja) | 特徴変換装置、画像認識システム、特徴変換方法および非一時的なコンピュータ可読媒体 | |
US12051013B2 (en) | Learning device, learning method, and program therefor for shorten time in generating appropriate teacher data | |
JPH06332506A (ja) | 非線形制御装置 | |
WO2019142728A1 (ja) | 制御装置、制御方法およびプログラム記録媒体 | |
JP7360162B2 (ja) | 制御系設計方法及び制御装置 | |
JP2006338673A (ja) | 設備を調整するデータ処理システムおよび方法 | |
JP2020046984A (ja) | 画像生成方法、画像判定方法、画像生成装置および画像生成プログラム | |
JP6999207B1 (ja) | データ解析方法、データ解析装置、及び、データ解析プログラム | |
JP7258246B1 (ja) | シミュレーション用プログラム、シミュレーション装置及び制御方法 | |
Biehler et al. | RETROFIT: Real-Time Control of Time-Dependent 3D Point Cloud Profiles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180315 |
|
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: 20190510 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190523 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6536978 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |