控制装置、控制方法及控制程序与流程
本发明涉及一种控制装置、控制方法及控制程序。
背景技术：
为了对控制对象装置的动作进行控制，一般利用可编程逻辑控制器(programmablelogiccontroller，plc)等控制器。以往，控制器的计算能力有限，因而控制器例如以如下方式构成：通过比例-积分-微分(proportional-integral-differential,pid)控制等运算相对较简单的控制方法，来对控制对象装置的动作进行控制。但是，近年来控制器的计算能力提高，由此可安装利用预测模型的、高度的控制方法。
例如，专利文献1中提出了下述方法：对用于化工厂、制油所等的工厂过程的控制的plc安装预测模型。具体而言提出，收集表示系统过程的动作结果的数据，基于所得的数据来生成预测系统的状态的预测模型，并利用所生成的预测模型使系统的控制最佳化。根据此方法，可使工厂过程最佳化，降低制造品质差的制品的概率。
现有技术文献
专利文献
专利文献1：美国专利申请公开第2014/0297002号说明书
技术实现要素：
发明所要解决的问题
关于所述那样的、利用预测控制对象装置的状态(即控制量)的预测模型的、以往的预测控制，本案发明人等发现存在如下问题点。
即，专利文献1中，设想在化工厂、制油所等的规模相对较大的生产装置中利用plc。所述大规模的生产装置中，例如几乎不发生工件的切换、调整等变更，因而可在预测控制系统的模型开发中，收集表示各种状况下的控制结果的数据。因此，可基于所收集的数据而容易地生成预测精度高的预测模型。
但是，在搬送机、冲压机等规模相对较小的生产装置为控制对象装置的情况下，生产装置的变更频繁发生，因而难以确保充分的时间来收集表示各种状况下的控制结果的数据。因此，所收集的数据产生偏差，有可能难以生成预测精度高的预测模型，即，生成预测精度低的预测模型。若利用此预测模型来实施控制装置的预测控制，则反而生成品质差的制品等的产生动作不良的可能性变高。
本发明在一侧面是鉴于此种实情而成，其目的在于提供一种技术，通过此项技术，大规模的生产装置自不必说，即便在规模相对较小的生产装置为控制对象装置的情况下，也降低对控制对象装置进行预测控制时的动作不良的产生概率。
解决问题的技术手段
为了解决所述问题，本发明采用以下结构。
即，本发明的一侧面的控制装置包括：第一获取部，获取控制量的基础目标值；第二获取部，获取由测量控制对象装置的控制量的第一传感器所得的、控制量的测量值；预测部，利用所述控制量的预测模型，根据所获取的所述测量值来算出所述控制量的预测值；目标修正部，根据所算出的预测值来修正所述基础目标值，由此决定所述控制量的指令目标值，且所述修正的程度是基于权重而决定；动作控制部，按照所决定的所述指令目标值，对所述控制对象装置的动作进行控制；第三获取部，获取由监视所述控制对象装置的动作结果的第二传感器所得的监测数据；结果判定部，基于所获取的监测数据，判定所述控制对象装置是否通过所述控制而适当运行；以及权重最佳化部，基于所述判定的结果，以所述控制对象装置适当运行的方式使所述修正的权重最佳化。
所述结构的控制装置利用预测模型，根据控制量的测量值来算出预测值，并根据所算出的预测值来修正基础目标值，由此决定控制量的指令目标值。此时，修正的程度是基于权重而决定。此权重可与控制程序分别赋予，也可作为控制程序的内部参数而赋予。所述结构的控制装置按照所决定的指令目标值，对控制对象装置的动作进行控制。而且，所述结构的控制装置获取与控制对象装置的动作结果有关的监测数据，基于所获取的监测数据来判定控制对象装置是否适当运行。并且，所述结构的控制装置基于判定的结果，以控制对象装置适当运行的方式使修正的权重最佳化。
即，所述结构的控制装置中，在可能由利用预测模型的修正处理导致预测控制产生不良状况的情况下，也可通过使决定修正程度的权重最佳化，从而以控制对象装置适当运行的方式改善预测控制的修正处理。因此，即便在生成预测精度相对较低的预测模型的情况下，也可在利用预测模型的预测控制中，降低控制对象装置的动作不良的产生概率。因此，根据所述结构，大规模的生产装置自不必说，即便在规模相对较小的生产装置为控制对象装置的情况下，也可降低对控制对象装置进行预测控制时的动作不良的产生概率。
由此，在控制对象装置为生产装置的情况下，可降低不良品的产生概率，实现制品的良率提高。而且，根据所述结构，可使预测控制中的预测模型的利用自动最佳化，因而可降低人手维护的频率。因此，可抑制人力成本，且可降低由人为因素(例如维护作业的错误)所致的动作不良的产生概率。
另外，控制量例如为马达的旋转角度、旋转速度等成为控制对象的量。操作量例如为马达的电压等对控制对象装置给予的量。控制对象装置的种类也可无特别限定，可根据实施方式而适当选择。控制对象装置例如也可为冲压机、网搬送装置、注射成形机、数控(numericallycontrol，nc)车床、放电加工机、包装机等生产线中利用的规模相对较小的生产装置。此规模相对较小的生产装置的动作例如可由plc所代表的小规模的控制装置进行控制。控制量及操作量也可分别无特别限定，可根据控制对象装置而适当选择。
基础目标值为成为动作控制的基础的目标值。指令目标值为用于控制对象装置的动作控制的目标值。也可将基础目标值称为第一目标值，将指令目标值称为第二目标值。作为操作量而对控制对象装置给予的指令值是基于指令目标值而决定。此时，指令值可通过pid控制、pi控制等众所周知的控制方法而决定。
预测模型以根据第一时刻的控制量的值(测量值或预测值)来预测较第一时刻更为将来的第二时刻的控制量的预测值的方式构成。即，预测模型以若输入第一时刻的控制量的值，则输出第二时刻的控制量的预测值的方式构成。关于预测模型的输入，可使用一个时刻的值，也可使用以往的规定时间区间内的多个值。而且，关于预测模型的输入，也可还使用控制量的值以外的数据。作为控制量的值以外的数据，例如可将操作量的值、工件的个体信息等输入至预测模型。预测模型的输出可为一个时刻的值，也可为规定的时间区间内的多个值。
此种预测模型的种类也可无特别限定，可根据实施方式而适当选择。预测模型例如可包含自回归模型等回归模型，例如也可包含神经网络等机器学习模型。而且，关于预测模型，例如可使用日本专利特开2016-173686号公报、日本专利特开2018-125012号公报等所公开的众所周知的预测模型。生成预测模型的方法也可无特别限定，可根据预测模型的种类而适当选择。在预测模型包含自回归模型的情况下，关于生成方法，可使用最小平方法等众所周知的回归分析方法。而且，在预测模型包含神经网络等机器学习模型的情况下，关于生成方法，可使用误差反向传播法等众所周知的机器学习方法。
第一传感器以可测量控制对象装置的控制量的方式构成。第二传感器以可监测控制对象装置的动作结果的方式构成。各传感器的种类也可无特别限定，可根据实施方式而适当选择。关于各传感器，例如可利用摄像机、位置传感器、速度传感器、力传感器、编码器等各种传感器。判定控制对象装置是否适当运行的方法可根据由第二传感器所得的监测数据及控制对象装置而适当决定。第一传感器及第二传感器也可为相同的传感器。
所述一侧面的控制装置中，所述权重最佳化部也可实施基于根据所述判定的结果所决定的报酬的、强化学习，由此以提高所述控制对象装置适当运行的概率的方式，使所述修正的权重最佳化。根据所述结构，可使修正的权重适当最佳化。由此，可在利用预测模型的预测控制中，适当降低控制对象装置的动作不良的产生概率。
所述一侧面的控制装置中，所述权重的候选可赋予有多个，所述权重最佳化部也可按照由利用所述各权重的候选的修正所决定的各指令目标值，来对所述控制对象装置的动作进行控制，选择结果所述控制对象装置适当运行的概率最高的权重的候选，由此以所述控制对象装置适当运行的方式使所述修正的权重最佳化。根据所述结构，可通过从多个权重中选择适当权重的简易处理来使修正的权重最佳化。由此，可通过负荷少的处理，在利用预测模型的预测控制中，降低控制对象装置的动作不良的产生概率。
所述一侧面的控制装置中，所述目标修正部也可算出所述基础目标值与所述预测值的差量，并基于所算出的所述差量及所述权重来决定修正值，对所述基础目标值加上所决定的所述修正值，由此算出所述指令目标值。进而，所述权重可包含比例常数及常数项，所述目标修正部也可算出所述差量与所述比例常数之积，并对所算出的所述积加上所述常数项，由此算出所述修正值。根据所述结构，可通过相对较简易的处理来实现利用预测模型的修正处理。由此，可降低预测控制的处理负荷。
所述一侧面的控制装置中，由所述控制所致的所述控制对象装置的动作可在每个节拍周期重复，所述节拍周期也可包含第一时间区间、及较所述第一时间区间更为将来的第二时间区间。所述第一获取部也可获取所述第二时间区间的所述控制量的基础目标值，所述第二获取部也可获取所述第一时间区间的所述控制量的测量值。所述预测部也可利用所述预测模型，根据所述第一时间区间的所述控制量的测量值来算出所述第二时间区间的所述控制量的预测值。所述目标修正部也可根据所算出的预测值，来修正所述第二时间区间的所述基础目标值，由此决定所述第二时间区间的所述控制量的指令目标值，所述动作控制部也可按照所决定的所述指令目标值，对所述第二时间区间的所述控制对象装置的动作进行控制。进而，所述预测部也可将所述第一时间区间的所述测量值转换为特征量，将经转换的所述特征量输入至所述预测模型，执行所述预测模型的运算处理，由此获取从所述预测模型输出的输出值作为所述第二时间区间的所述预测值。根据所述结构，可降低在每个节拍周期重复动作的控制对象装置的动作不良的产生概率。
节拍周期为控制对象装置重复动作的周期。在控制对象装置为生产装置的情况下，节拍周期例如为加工规定数的工件所耗的时间。作为一例，在控制对象装置为冲压机的情况下，节拍周期例如为冲压一个工件的时间。然而，节拍周期也可不限定于此种例。节拍周期与控制对象装置的动作的关系可根据实施方式而适当决定。第一时间区间也可称为说明变量区间，第二时间区间可称为修正对象区间。第一时间区间及第二时间区间可含有一个或多个控制周期。控制周期为对控制对象装置给予指令值(操作量)的周期。特征量只要可表示测量值的某些特征，则其种类也可无特别限定，可根据实施方式而适当选择。例如，特征量也可通过从测量值的时序数据中提取用于预测的对象的特征从而获得。而且，例如特征量可为所汇集的信息(例如，每单位区间的平均值的时序)、从预测时间点往前的一区间的系列本身等。作为具体例，特征量例如可为最小值、最大值、平均值、峰度、微分值等。
所述一侧面的控制装置也可还包括：数据收集部，收集在将判定为所述控制对象装置适当运行的控制的期间中由所述第一传感器所得的、所述控制量的所述测量值，作为实绩值数据；模型更新部，基于所收集的所述实绩值数据来更新所述预测模型。根据所述结构，能以可执行适当的预测控制的方式改善预测模型。由此，可降低对控制对象装置进行预测控制时的动作不良的产生概率。
所述一侧面的控制装置也可还包括：目标导出部，基于所收集的所述实绩值数据，导出用于适当控制所述控制对象装置的、控制量的目标值。并且，所述第一获取部也可获取所导出的所述目标值作为所述基础目标值。根据所述结构，能以可执行适当的预测控制的方式改善基础目标值。由此，可降低对控制对象装置进行预测控制时的动作不良的产生概率。
所述一侧面的控制装置中，所述动作控制部也可算出所述指令目标值与所述测量值的差量，根据所算出的差量来决定操作量的值，并对所述控制对象装置给予所决定的所述操作量的值，由此对所述控制对象装置的动作进行控制。根据所述结构，可在预测控制中，适当导出对控制对象装置给予的操作量的值(指令值)。
所述一侧面的控制装置中，所述控制对象装置可为包含金属模具的冲压机。所述控制量可为所述金属模具的位置。所述第一传感器可为以测量所述金属模具的位置的方式构成的位置传感器。所述第二传感器可为以拍摄经所述冲压机冲压的工件的方式配置的摄像机。根据所述结构，可降低对冲压机进行预测控制时的动作不良的产生概率。
所述各形态的控制装置对控制对象装置的动作直接进行控制。而且，所述各形态的控制装置根据由预测模型所预测的控制量的预测值，来修正控制量的基础目标值。但是，本发明的适用范围也可不限定于此种例。例如，也可将本发明适用于下述控制装置，此控制装置向进行控制对象装置的动作控制的控制器给予指令，也就是对控制对象装置的动作间接进行控制。而且，也可将本发明适用于下述控制装置，此控制装置根据由预测模型所预测的控制量的预测值，来直接修正对控制对象装置给予的操作量的值(指令值)。所述各形态的控制装置能以可适用于这些例的方式适当变更。
例如，本发明的一侧面的控制装置包括：第一获取部，获取控制量的基础目标值；第二获取部，获取由测量控制对象装置的控制量的第一传感器所得的、控制量的测量值；预测部，利用所述控制量的预测模型，根据所获取的所述测量值来算出所述控制量的预测值；目标修正部，根据所算出的预测值来修正所述基础目标值，由此决定所述控制量的指令目标值，且所述修正的程度是基于权重而决定；动作指令部，对控制器给予所决定的所述指令目标值，按照所述指令目标值，使所述控制器控制所述控制对象装置的动作；第三获取部，获取由监测所述控制对象装置的动作结果的第二传感器所得的监测数据；结果判定部，基于所获取的监测数据，判定所述控制对象装置是否通过所述控制而适当运行；以及权重最佳化部，基于所述判定的结果，以所述控制对象装置适当运行的方式使所述修正的权重最佳化。
而且，例如本发明的一侧面的控制装置包括：第一获取部，获取控制量的目标值；第二获取部，获取由测量控制对象装置的控制量的第一传感器所得的、控制量的测量值；指令决定部，算出所述目标值与所述测量值的差量，基于所算出的差量来决定操作量的基准值；预测部，利用所述控制量的预测模型，根据所获取的所述测量值算出所述控制量的预测值；指令修正部，根据所算出的预测值来修正所述基准值，由此决定指令值，且所述修正的程度是基于权重而决定；动作控制部，对所述控制对象装置给予所决定的所述指令值，由此对所述控制对象装置的动作进行控制；第三获取部，获取由监测所述控制对象装置的动作结果的第二传感器所得的监测数据；结果判定部，基于所获取的监测数据，判定所述控制对象装置是否通过所述控制而适当运行；以及权重最佳化部，基于所述判定的结果，以所述控制对象装置适当运行的方式使所述修正的权重最佳化。
作为所述各形态的控制装置的其他形态，本发明的一侧面可为实现以上的各结构的信息处理方法，也可为程序，也可为存储有此种程序的、计算机等可读取的存储介质。此处，所谓计算机等可读取的存储介质，为通过电作用、磁作用、光学作用、机械作用或化学作用来存储程序等信息的介质。
例如，本发明的一侧面的控制方法中，计算机执行下述步骤：获取控制量的基础目标值；获取由测量控制对象装置的控制量的第一传感器所得的、控制量的测量值；利用所述控制量的预测模型，根据所获取的所述测量值来算出所述控制量的预测值；根据所算出的预测值来修正所述基础目标值，由此决定所述控制量的指令目标值，且所述修正的程度是基于权重而决定；按照所决定的所述指令目标值，对所述控制对象装置的动作进行控制；获取由监测所述控制对象装置的动作结果的第二传感器所得的监测数据；基于所获取的监测数据，判定所述控制对象装置是否通过所述控制而适当运行；以及基于所述判定的结果，以所述控制对象装置适当运行的方式使所述修正的权重最佳化。
而且，例如本发明的一侧面的控制程序用于使计算机执行下述步骤：获取控制量的基础目标值；获取由测量控制对象装置的控制量的第一传感器所得的、控制量的测量值；利用所述控制量的预测模型，根据所获取的所述测量值来算出所述控制量的预测值；根据所算出的预测值来修正所述基础目标值，由此决定所述控制量的指令目标值，且所述修正的程度是基于权重而决定；按照所决定的所述指令目标值，对所述控制对象装置的动作进行控制；获取由监测所述控制对象装置的动作结果的第二传感器所得的监测数据；基于所获取的监测数据，判定所述控制对象装置是否通过所述控制而适当运行；以及基于所述判定的结果，以所述控制对象装置适当运行的方式使所述修正的权重最佳化。
发明的效果
根据本发明，可降低对控制对象装置进行预测控制时的动作不良的产生概率。
附图说明
[图1]图1示意性地例示适用本发明的场景的一例。
[图2]图2示意性地例示实施方式的控制装置的硬件结构的一例。
[图3]图3示意性地例示实施方式的冲压机(控制对象装置)的一例。
[图4a]图4a示意性地例示图3的冲压机的生产工序的一例。
[图4b]图4b示意性地例示图3的冲压机的生产工序的一例。
[图4c]图4c示意性地例示图3的冲压机的生产工序的一例。
[图4d]图4d示意性地例示图3的冲压机的生产工序的一例。
[图5]图5示意性地例示实施方式的控制装置的软件结构的一例。
[图6]图6示意性地例示控制量的测量值、预测值及修正量的关系的一例。
[图7a]图7a例示实施方式的控制装置的处理顺序的一例。
[图7b]图7b例示实施方式的控制装置的处理顺序的一例。
[图8]图8示意性地例示适用本发明的其他场景的一例。
[图9a]图9a示意性地例示变形例的上位控制器的软件结构的一例。
[图9b]图9b示意性地例示变形例的下位控制器的软件结构的一例。
[图10]图10示意性地例示变形例的控制装置的软件结构的一例。
具体实施方式
以下，基于附图对本发明的一侧面的实施方式(以下也表述为“本实施方式”)进行说明。但是，以下说明的本实施方式在所有方面仅为本发明的例示。当然可在不偏离本发明的范围的情况下进行各种改良或变形。即，实施本发明时，也可适当采用与实施方式相应的具体结构。另外，利用自然语言来说明本实施方式中出现的数据，但更具体而言，以计算机可识别的伪语言、命令、参数、机器语言等进行指定。
§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示意性地例示本实施方式的控制装置1的适用场景的一例。
本实施方式的控制装置1为以对控制对象装置的动作进行控制的方式构成的计算机。如图1所示，本实施方式的控制装置1获取控制量的基础目标值51。而且，控制装置1获取由测量控制对象装置的控制量的第一传感器所得的、控制量的测量值61。接下来，控制装置1利用控制量的预测模型60，根据所获取的测量值61来算出控制量的预测值63，根据所算出的预测值63来修正基础目标值51，由此决定控制量的指令目标值53。基础目标值51为成为动作控制的基础的目标值。指令目标值53为用于控制对象装置的动作控制的目标值。也可将基础目标值51称为第一目标值，将指令目标值53称为第二目标值。
本实施方式中，针对基础目标值51的修正的程度是基于权重55而决定。控制装置1按照所决定的指令目标值53，对控制对象装置的动作进行控制。由此，本实施方式的控制装置1利用预测模型60，对控制对象装置的动作进行预测控制。进而，控制装置1获取由监测控制对象装置的动作结果的第二传感器所得的监测数据65，并基于所获取的监测数据65来判定控制对象装置的动作是否通过控制而适当运行。并且，控制装置1基于所述判定的结果，以控制对象装置适当运行的方式使修正的权重最佳化。
如以上所述，本实施方式的控制装置1即便在可能由利用预测模型60的修正处理导致预测控制产生不良状况的情况下，也可通过使决定修正程度的权重55最佳化，从而以控制对象装置适当运行的方式改善预测控制的修正处理。因此，即便在生成预测精度相对较低的预测模型60的情况下，也可在利用预测模型60的预测控制中，降低控制对象装置的动作不良的产生概率。因此，根据本实施方式，大规模的生产装置自不必说，即便在规模相对较小的生产装置为控制对象装置的情况下，也可降低对控制对象装置进行预测控制时的动作不良的产生概率。
另外，控制量例如为马达的旋转角度、旋转速度等成为控制对象的量。操作量例如为马达的电压等对控制对象装置给予的量。控制对象装置的种类也可无特别限定，可根据实施方式而适当选择。控制对象装置例如可为冲压机、网搬送装置、射出成形机、nc车床、放电加工机、包装机等生产线中利用的规模相对较小的生产装置。控制量及操作量分别也可无特别限定，可根据控制对象装置而适当选择。
第一传感器以可测量控制对象装置的控制量的方式构成。第二传感器以可监测控制对象装置的动作结果的方式构成。各传感器的种类也可无特别限定，可根据实施方式而适当选择。关于各传感器，例如可利用摄像机、位置传感器、速度传感器、力传感器、编码器等各种传感器。判定控制对象装置是否适当运行的方法可根据由第二传感器所得的监测数据及控制对象装置而适当决定。第一传感器及第二传感器也可为相同的传感器。
如图1所示，本实施方式的一例中，对控制装置1连接有包括位置传感器35及摄像机36的冲压机3。冲压机3以下述方式构成：控制金属模具的位置，成形工件，由此生产制品。位置传感器35以可测量金属模具的位置的方式构成。摄像机36以可监测由冲压机3成形的制品的状态的方式配置。即，冲压机3为控制对象装置的一例。位置传感器35为第一传感器的一例。摄像机36为第二传感器的一例。本实施方式的一例中，控制装置1可降低对冲压机3进行预测控制时的动作不良的产生概率。
§2结构例
[硬件结构]
＜控制装置＞
接下来，使用图2对本实施方式的控制装置1的硬件结构的一例进行说明。图2示意性地例示本实施方式的控制装置1的硬件结构的一例。
如图2所示，本实施方式的控制装置1为控制部11、存储部12、外部接口13、输入装置14、输出装置15及驱动器16经电连接的计算机。电连接的计算机。另外，图2中，将外部接口记载为“外部i/f”。
控制部11包含作为硬件处理器的中央处理器(centralprocessingunit，cpu)、随机存取存储器(randomaccessmemory，ram)、只读存储器(readonlymemory，rom)等，以基于程序及各种数据来执行信息处理的方式构成。存储部12为存储器的一例，例如由ram、rom等构成。本实施方式中，存储部12存储控制程序81、实绩值数据125等各种信息。
控制程序81为用于使控制装置1执行对控制对象装置的动作进行控制的后述的信息处理(图7a及图7b)的程序。控制程序81包含所述信息处理的一系列命令群。实绩值数据125表示控制对象装置适当运行的控制的期间中的、控制量的测量值。详细情况将于后述。
外部接口13例如为通用串行总线(universalserialbus，usb)端口、专用端口等，为用于与外部装置连接的接口。外部接口13的种类及个数可根据连接的外部装置的种类及个数而适当选择。本实施方式中，控制装置1经由外部接口13而连接于冲压机3。由此，控制装置1可对冲压机3发送指令值，由此控制冲压机3的动作。而且，控制装置1可从冲压机3获取控制量的测量值。
输入装置14例如为鼠标、键盘等用于进行输入的装置。而且，输出装置15例如为显示器、喇叭等用于进行输出的装置。操作员可通过利用输入装置14及输出装置15从而操作控制装置1。
驱动器16例如为压缩光盘(compactdisc，cd)驱动器、数字多功能光盘(digitalversatiledisc，dvd)驱动器等，为用于读取存储于存储介质91的程序的驱动装置。驱动器16的种类可根据存储介质91的种类而适当选择。所述控制程序81及实绩值数据125的至少一者也可存储于此存储介质91。
存储介质91为以计算机、其他装置、机械等可读取所记录的程序等信息的方式，通过电作用、磁作用、光学作用、机械作用或化学作用存储所述程序等信息的介质。控制装置1也可从所述存储介质91获取所述控制程序81及实绩值数据125的至少一者。
此处，图2中，作为存储介质91的一例，例示cd、dvd等光盘型的存储介质。但是，存储介质91的种类不限定于光盘型，也可为光盘型以外。作为光盘型以外的存储介质，例如可举出快闪存储器等半导体存储器。
另外，关于控制装置1的具体的硬件结构，可根据实施方式适当进行结构元件的省略、替换及追加。例如，控制部11也可包含多个硬件处理器。硬件处理器可由微处理器、现场可编程门阵列(field-programmablegatearray，fpga)、数字信号处理器(digitalsignalprocessor，dsp)等构成。存储部12也可包含控制部11所含的ram及rom。存储部12也可包含硬盘驱动器、固态硬盘等辅助存储装置。而且，关于控制装置1，除了所提供的设计成服务专用的信息处理装置以外，也可根据控制的对象而替换为plc、桌上个人电脑(personalcomputer，pc)、平板pc等信息处理装置。
＜冲压机＞
接下来，使用图3对冲压机3的硬件结构的一例进行说明。图3示意性地例示本实施方式的冲压机3的硬件结构的一例。
本实施方式的冲压机3包括伺服驱动器31、上侧金属模具32、下侧金属模具33、位置传感器35及摄像机36。下侧金属模具33经固定，相对于此，上侧金属模具32构成为可通过伺服马达(未图示)而在上下方向移动。位置传感器35以测量上侧金属模具32相对于下侧金属模具33的位置的方式构成。由此，关于上侧金属模具32，可通过对其位置进行控制，从而将工件按压于下侧金属模具33，或进行工件的成形，或远离下侧金属模具33。伺服驱动器31以基于来自控制装置1的指令值而驱动上侧金属模具32的伺服马达的方式构成。本实施方式中，驱动上侧金属模具32的伺服马达的电压为操作量的一例，上侧金属模具32的位置为控制量的一例。
摄像机36以如下方式配置：拍摄经上侧金属模具32冲压的工件，即，拍摄由上侧金属模具32及下侧金属模具33所成形的制品。通过对由摄像机36所得的、拍摄所生产的制品的图像数据进行图像分析，从而可判定所生产的制品是否良好。即，由摄像机36所得的图像数据可用作监测数据，此监测数据用于监测经冲压机3成形的制品的状态。
但是，冲压机3的结构也可不限定于此种例。关于冲压机3的结构，可根据实施方式而适当进行结构元件的省略、替换及追加。例如，也可构成为上侧金属模具32及下侧金属模具33两者可移动。而且，位置传感器35的配置也可不限定于图3的示例，可根据实施方式而适当选择。关于位置传感器35的种类，只要可测定上侧金属模具32与下侧金属模具33之间的距离，则也可无特别限定，可根据实施方式而适当选择。关于位置传感器35，也可利用众所周知的传感器。而且，摄像机36的种类也可无特别限定，可根据实施方式而适当选择。关于摄像机36，可为以获取红绿蓝(redgreenblue，rgb)图像的方式构成的通常的摄像机、以获取深度图像的方式构成的深度摄像机、以将红外线量图像化的方式构成的红外线摄像机等。
接下来，使用图4a～图4d，示意性地例示冲压机3的生产工序的一例。图4a～图4d示意性地例示冲压机3的生产工序的一场景。冲压机3可适当配置于生产线。如图4a所示，在初始状态下，上侧金属模具32配置于远离下侧金属模具33的待机位置，待机至工件40搬送至下侧金属模具33为止。工件40例如为金属制的板材。但是，工件40的种类也可不限定于此种例，可根据实施方式而适当选择。工件40例如可为制品的原料、加工前的物品、装配前的零件等。
在下侧金属模具33的规定位置配置工件40后，冲压机3如图4b所示，通过伺服驱动器31来驱动上侧金属模具32的伺服马达，将上侧金属模具32配置于成形开始位置。成形开始位置例如为上侧金属模具32的前端接触工件40或即将接触前的位置。
接着，冲压机3如图4c所示，通过伺服驱动器31进一步驱动上侧金属模具32的伺服马达，使上侧金属模具32移动至目标位置(下止点)，利用上侧金属模具32及下侧金属模具33来进行工件40的成形。由此，冲压机3可由工件40生产制品41。另外，此制品41只要通过冲压机3对工件40进行生产处理从而获得，则也可无特别限定，可为最终品，也可为中间品(加工中途的物品)。
成形完成后，冲压机3如图4d所示，通过伺服驱动器31来驱动上侧金属模具32的伺服马达，使上侧金属模具32移动至待机位置。接着，利用带式输送机(未图示)等从冲压机3搬送通过将工件40成形从而获得的制品41。由此，由工件40生产制品41的生产工序的一系列动作完成。
控制装置1可根据由位置传感器35所得的上侧金属模具32的位置的测量值及目标值来决定指令值，并对伺服驱动器31给予所决定的指令值，由此控制冲压机3的动作，以使冲压机3执行所述一系列生产工序。而且，控制装置1可对成形完成后由摄像机36所得的图像数据进行图像分析，由此判定图像数据中拍摄的制品41是否良好。
[软件结构]
接下来，使用图5对本实施方式的控制装置1的软件结构的一例进行说明。图5示意性地例示本实施方式的控制装置1的软件结构的一例。
控制装置1的控制部11将存储于存储部12的控制程序81在ram展开。并且，控制部11利用cpu来解释在ram展开的控制程序81，执行所述控制程序81所含的一系列命令群，由此控制各结构元件。由此，如图5所示，本实施方式的控制装置1作为包括第一获取部101、第二获取部102、预测部103、目标修正部104、动作控制部105、第三获取部106、结果判定部107、权重最佳化部108、数据收集部109、模型更新部110及目标导出部111作为软件模块的计算机而运行。即，本实施方式中，各软件模块是借由控制部11(cpu)而实现。
第一获取部101获取控制量的基础目标值51。第二获取部102获取由测量控制对象装置的控制量的第一传感器所得的、控制量的测量值61。本实施方式的一例中，第一获取部101获取冲压机3的上侧金属模具32的位置的基础目标值51。第二获取部102获取由位置传感器35所得的、上侧金属模具32的位置的测量值61。
预测部103利用控制量的预测模型60，根据所获取的测量值61来算出控制量的预测值63。目标修正部104根据所算出的预测值63来修正基础目标值51，由此决定控制量的指令目标值53。所述修正的程度是基于权重55而决定。动作控制部105按照所决定的指令目标值53，对控制对象装置的动作进行控制。权重55可与控制程序81分别赋予，也可作为控制程序81的内部参数而赋予。
作为控制处理的一例，动作控制部105也可算出指令目标值53与测量值61的差量，并根据所算出的差量来决定指令值71(操作量的值)。决定指令值71的方法也可无特别限定，可根据实施方式而适当选择。指令值71例如可通过pid控制、pi控制等众所周知的控制方法而决定。并且，动作控制部105也可通过对控制对象装置给予所决定的指令值71，从而对控制对象装置的动作进行控制。本实施方式的一例中，动作控制部105可通过对伺服驱动器31给予所决定的指令值71，从而控制冲压机3的上侧金属模具32的位置。
第三获取部106获取由监测控制对象装置的动作结果的第二传感器所得的监测数据65。本实施方式的一例中，第三获取部106可获取由摄像机36所得的图像数据作为监测数据65。结果判定部107可基于所获取的监测数据65，判定控制对象装置是否通过动作控制部105的控制而适当运行。权重最佳化部108基于判定的结果，以控制对象装置适当运行的方式使修正的权重最佳化。
数据收集部109收集在经判定为控制对象装置适当运行的控制的期间中由第一传感器所得的、控制量的测量值61，作为实绩值数据125。模型更新部110基于所收集的实绩值数据125来更新预测模型60。目标导出部111基于所收集的实绩值数据125，导出用于对控制对象装置适当进行控制的、控制量的目标值。第一获取部101也可获取所导出的目标值作为基础目标值51。
预测模型60以根据第一时刻的控制量的值(测量值或预测值)来预测较第一时刻更为将来的第二时刻的控制量的预测值的方式构成。即，预测模型60以若输入第一时刻的控制量的值，则输出第二时刻的控制量的预测值的方式构成。关于预测模型60的输入，可使用一个时刻的值，也可使用以往的规定时间区间内的多个值。而且，关于预测模型60的输入，也可还使用控制量的值以外的数据。作为控制量的值以外的数据，例如可将操作量的值、工件的个体信息等输入至预测模型60。预测模型60的输出可为一个时刻的值，也可为规定的时间区间内的多个值。
此处，使用图6，对利用预测模型60的预测控制中的控制量的测量值61、预测值63及修正量的关系的一例进行说明。图6示意性地例示控制量的测量值61、预测值63及修正量的关系的一例。本实施方式中，由控制所致的控制对象装置的动作也可在每个节拍周期重复。节拍周期为控制对象装置重复动作的周期。节拍周期可包含多个控制周期。控制周期为对控制对象装置给予指令值71(操作量)的周期。在控制对象装置为生产装置的情况下，节拍周期例如为加工规定数的工件所耗的时间。作为一例，在控制对象装置为冲压机3的情况下，节拍周期例如为冲压一个工件40的时间。但是，节拍周期也可不限定于此种例。节拍周期与控制对象装置的动作的关系可根据实施方式而适当决定。
如图6所示，节拍周期也可包含第一时间区间、及较第一时间区间更为将来的第二时间区间。第一时间区间中，为了通过预测模型60来算出控制量的预测值，而收集用于预测的控制量的测量值61。此第一时间区间可称为说明变量区间。另一方面，第二时间区间中，利用预测模型60，根据第一时间区间中收集的测量值61来算出控制量的预测值63，并根据所算出的预测值63来修正基础目标值51。此第二时间区间可称为修正对象区间。第一时间区间及第二时间区间可包含一个或多个控制周期。第一时间区间及第二时间区间各自的时间宽可适当决定。
即，预测模型60能以针对第一时间区间的控制量的测量值61的输入，而输出第二时间区间的控制量的预测值63的方式构成。此时，从节拍周期的开始时间点经过了一个第一时间区间的时间的时间点为可算出第二时间区间的控制量的预测值63的、修正开始周期的时间点。通过在经过所述修正开始周期后，利用预测模型60，从而可根据较处理时间点更为以前的第一时间区间内的测量值61，来算出较所述处理时间点更为将来的第二时间区间内的预测值63。例如，预测部103也可在经过修正开始周期后，利用预测模型60，针对每个控制周期，根据较预测时间点更为以前的第一时间区间内的测量值61来算出第二时间区间内的预测值63。
另外，图6的示例中，节拍周期以修正开始周期的时间点为边界，分割为第一时间区间及第二时间区间此两个时间区间。如此，在控制对象装置的动作在每个节拍周期重复的情况下，节拍周期可分割为两个时间区间，前一时间区间设定为第一时间区间，后一时间区间设定为第二时间区间。此时，预测部103也可在经过修正开始周期的时间点后，一次算出节拍周期的剩余的时间区间(即，第二时间区间)内的预测值63。由此，可使预测控制的处理高速化。但是，第一时间区间及第二时间区间的关系也可不限定于此种例，可根据实施方式而适当决定。如上文所述，预测部103也可针对每个控制周期，根据较预测时间点更为以前的测量值61来算出预测时间点的预测值63。
与此相应地，第一获取部101也可获取第二时间区间的控制量的基础目标值51(图的一点链线)。而且，第二获取部102也可获取第一时间区间的控制量的测量值61(图的实线)。预测部103也可利用预测模型60，根据第一时间区间的控制量的测量值61来算出第二时间区间的控制量的预测值63(图的虚线)。目标修正部104也可根据所算出的预测值63来修正第二时间区间的基础目标值51，由此决定第二时间区间的控制量的指令目标值53。
如图6所例示，修正量也能以减小控制量的预测值63与基础目标值51的偏离的方式赋予。作为一例，在预测值63大于基础目标值51的情况下，修正量能以将基础目标值51修正为小的值的方式赋予。另一方面，在预测值63小于基础目标值51的情况下，修正量能以将基础目标值51修正为大的值的方式赋予。目标修正部104也可通过对基础目标值51适用如此赋予的修正量，从而决定第二时间区间的控制量的指令目标值53。动作控制部105也可按照所决定的指令目标值53，来控制第二时间区间的控制对象装置的动作。
另外，预测模型60以包含运算参数的方式构成，所述运算参数根据控制量的输入值来算出预测值。此种预测模型60的种类也可无特别限定，可根据实施方式而适当选择。预测模型60例如可包含自回归模型等回归模型，例如也可包含神经网络等机器学习模型。自回归模型是由对包含自回归系数的一项或多项求总和的回归式来表现。在由所述自回归模型来构成预测模型60的情况下，运算参数的一例为所述自回归模型的各项的自回归系数等。而且，神经网络包括包含一个或多个神经元(节点)的一个或多个层。在包括多个层的情况下，典型而言，从输入侧向输出侧配置各层，邻接的层所含的神经元彼此适当结合。对各结合设定权重(结合负载)。对各神经元设定有阈值，基本上根据各输入与各权重之积的和是否超过阈值来决定各神经元的输出。在由所述神经网络构成预测模型60的情况下，运算参数的一例例如为各神经元间的结合的权重、各神经元的阈值等。
生成所述预测模型60的方法也可无特别限定，可根据预测模型60的种类而适当选择。在预测模型60包含自回归模型的情况下，可通过利用最小平方法等众所周知的回归分析方法来导出各项的自回归系数等运算参数，从而生成预测模型60。而且，在预测模型60包含神经网络等机器学习模型的情况下，可通过利用误差反向传播法等众所周知的机器学习方法来导出各神经元间的结合的权重、各神经元的阈值等运算参数，从而生成预测模型60。
关于控制装置1的各软件模块，将在后述的动作例中详细说明。另外，本实施方式中，对控制装置1的各软件模块均借由通用的cpu来实现的示例进行说明。但是，以上的软件模块的一部分或全部也可由一个或多个专用的处理器来实现。而且，关于控制装置1的软件结构，也可根据实施方式而适当进行软件模块的省略、替换及追加。
§3动作例
接下来，使用图7a及图7b，对本实施方式的控制装置1的动作例进行说明。图7a及图7b为表示本实施方式的控制装置1的处理顺序的一例的流程图。以下说明的控制装置1的处理顺序为本发明的“控制方法”的一例。但是，以下说明的处理顺序仅为一例，各处理可尽可能地变更。而且，针对以下说明的处理顺序，可根据实施方式适当进行步骤的省略、替换及追加。并无依赖关系的处理的顺序可适当调换。
(步骤s101)
步骤s101中，控制部11作为第一获取部101而运行，获取控制量的基础目标值51。
基础目标值51的获取目的地可根据实施方式而适当选择。基础目标值51例如也可保存于存储部12、存储介质91、外部存储装置等存储区域。外部存储装置例如可为网络附属存储(networkattachedstorage，nas)等数据服务器，也可为连接于控制装置1的外带的存储装置。此时，控制部11可通过接入所述存储区域，从而获取基础目标值51。
控制量的基础目标值51能以可使控制对象装置执行规定动作的方式适当决定。例如，基础目标值51可基于通过实机或模拟使控制对象装置执行规定动作的结果而决定。而且，例如基础目标值51也可通过操作员的指定而赋予。此时，控制装置1可通过受理经由输入装置14的操作员的输入，从而获取基础目标值51。而且，例如基础目标值51也可通过后述的步骤s115而导出。
在由控制所致的控制对象装置的动作在每个节拍周期重复，且节拍周期包含多个控制周期的情况下，基础目标值51可在每个控制周期赋予。此时，控制部11可一次获取任务周期内的所有基础目标值51，例如也可获取导出指令值71的相应控制周期的基础目标值51等任务周期内的基础目标值51的一部分。
本实施方式的一例中，控制对象装置为冲压机3，控制量为上侧金属模具32的位置。此时，基础目标值51表示通过所述生产工序来成形工件40时的、上侧金属模具32的目标位置。例如，各基础目标值51可通过下述方式导出：基于通过实机或模拟使冲压机3执行所述生产工序的动作的结果，以制品41不产生由冲压不足等所致的不良的方式，决定各控制周期的上侧金属模具32的位置。获取基础目标值51后，控制部11使处理进入后续的步骤s102。
(步骤s102)
步骤s102中，控制部11作为第二获取部102而运行，获取由测量控制对象装置的动作的第一传感器所得的、控制量的测量值61。
控制量的测量可模拟上进行，也可利用控制对象装置的实机来进行。而且，控制部11可从控制对象装置直接获取控制量的测量值61，例如也可经由外部存储装置、存储介质91、其他信息处理装置等从控制对象装置间接获取。
本实施方式的一例中，冲压机3包括位置传感器35作为第一传感器，所述位置传感器35用于测量上侧金属模具32相对于下侧金属模具33的位置。控制部11获取由位置传感器35所得的、上侧金属模具32的位置的测量值61。若获取控制量的测量值61，则控制部11使除了进入后续的步骤s103。
(步骤s103)
步骤s103中，控制部11作为动作控制部105而运行，判定是否实施控制对象装置的预测控制。本实施方式的一例中，控制部11判定是否实施冲压机3的上侧金属模具32的位置的预测控制。
是否实施控制对象装置的预测控制可适当决定。例如，是否实施控制对象装置的预测控制也可通过控制装置1以外的其他信息处理装置或操作员的指示而决定。此时，控制部11也可根据其他信息处理装置或操作员的指示，来判定是否实施预测控制。
而且，预测模型60也能以针对第一时间区间的控制量的测量值61的输入，而输出第二时间区间的控制量的预测值63的方式构成。此时，控制部11也可根据是否通过步骤s101获取了第一时间区间的测量值61，来判定是否实施预测控制。即，控制部11也可在获取了第一时间区间的测量值61时，即，在节拍周期内经过了修正开始周期时，判定为实施预测控制。另一方面，控制部11也可在并非如此时，判定为不实施预测控制。
在判定为实施预测控制的情况下，控制部11使处理进入后续的步骤s104。另一方面，在判定为不实施预测控制的情况下，控制部11省略步骤s104及步骤s105的处理，使处理进入后续的步骤s106。
(步骤s104)
步骤s104中，控制部11作为预测部103而运行，利用控制量的预测模型60，根据所获取的测量值61来算出控制量的预测值63。
控制量的预测模型60可适当生成。作为一例，可获取表示以执行规定动作的方式对控制对象装置进行控制的期间中的控制量的值的推移的、时序数据，并对所获取的时序数据进行分析，由此生成控制量的预测模型60。为了生成预测模型60而对时序数据进行分析的方法也可无特别限定，可根据预测模型60的种类而适当选择。
例如，在预测模型60包含自回归模型的情况下，可通过利用最小平方法等众所周知的回归分析方法，根据时序数据来导出自回归系数等运算参数的值，从而生成预测模型60。而且，例如在预测模型60包含神经网络等机器学习模型的情况下，可通过将时序数据用作学习数据，利用众所周知的机器学习方法来导出机器学习模型的运算参数的值，从而生成预测模型60。
作为一例，在预测模型60包含神经网络的情况下，将时序数据的任意时刻(例如，第一时间区间)的样本用作训练数据，将较任意时刻更为将来的时刻(例如，第二时间区间)的样本用作示教数据，执行预测模型60的机器学习。具体而言，可通过利用误差反向传播法来调整运算参数的值，从而以针对训练数据的输入而输出适合于示教数据的输出值的方式训练预测模型60，由此生成预测模型60。
在预测模型60例如以可还输入操作量的值、工件40的个体信息等控制量的值以外的其他数据的方式构成的情况下，也可还获取控制量的值以外的其他数据。并且，也可在所述分析处理中，还利用所得的其他数据。例如，在预测模型60包含自回归模型的情况下，可在导出自回归系数时，还利用所得的其他数据。而且，例如在预测模型60包含神经网络的情况下，可还将所得的其他数据用作训练数据。由此，可生成以针对控制量的测量值61及控制量的测量值61以外的其他数据的输入，而输出控制量的预测值63的方式构成的预测模型60。
生成预测模型60的处理可由控制装置1执行，也可由控制装置1以外的其他信息处理装置执行。所生成的预测模型60可在执行步骤s104的处理前的任意时机提供给控制装置1。所生成的预测模型60可作为生成结果数据(未图示)而保存于规定的存储区域。规定的存储区域例如可为存储部12、存储介质91、外部存储装置等。控制部11也可从规定的存储区域获取表示所生成的预测模型60的生成结果数据。
另外，在预测模型60包含自回归模型的情况下，生成结果数据例如表示各项中导出的自回归系数等运算参数的值。而且，在预测模型60包含神经网络的情况下，生成结果数据例如表示运算参数(例如，各神经元间的结合的权重、各神经元的阈值等)的值、及神经网络的结构(例如，层数、各层所含的神经元的个数、邻接的层的神经元彼此的结合关系等)。
控制部11通过参照生成结果数据，从而进行预测模型60的设定。并且，控制部11将控制量的测量值61输入至所设定的预测模型60，执行预测模型60的运算处理。由此，控制部11可算出控制量的预测值63。
例如，在预测模型60包含自回归模型的情况下，控制部11通过参照生成结果数据，从而进行预测模型60的回归式的设定。接下来，控制部11将控制量的测量值61输入至回归式的各项，执行回归式的运算处理。控制部11可根据其运算结果而获取控制量的预测值63。
而且，例如在预测模型60包含神经网络的情况下，控制部11通过参照生成结果数据，从而进行学习完毕的神经网络的设定。接下来，控制部11将控制量的测量值61输入至神经网络的输入层，从输入侧开始依次进行各层所含的各神经元的放电判定。由此，控制部11可从输出层获取与预测控制量的结果对应的输出值(即，控制量的预测值63)。
另外，在预测模型60例如以可还输入操作量的值、工件40的个体信息等控制量的测量值61以外的其他数据的方式构成的情况下，控制部11在执行步骤s104前，还获取其他数据。获取其他数据的方法也可无特别限定，可根据实施方式而适当决定。控制部11可还将所得的其他数据输入至预测模型60，执行预测模型60的运算处理，由此获取控制量的预测值63。
本实施方式的一例中，控制部11获取预测值63，此预测值63表示在较获得测量值61的时间点更为将来的时刻预测的、上侧金属模具32的位置。获取控制量的预测值63后，控制部11使处理进入后续的步骤s105。
(步骤s105)
步骤s105中，控制部11作为目标修正部104而运行，根据所算出的预测值63来修正基础目标值51，由此决定控制量的指令目标值53。所述修正的程度是基于权重55而决定。
控制量的预测值63与针对基础目标值51的修正量的关系也可无特别限定，可根据实施方式而适当决定。由预测模型60所得的预测值63偏离基础目标值51可相当于下述情况：即便基于基础目标值51直接对控制对象装置进行控制，也预测到由于扰乱等的影响，而控制对象装置以偏离基础目标值51的行为运行。因此，预测值63与修正量的关系例如能以减小预测值63与基础目标值51的偏离的方式决定。作为一例，预测值63与修正量的关系能以下述方式决定：在预测值63小于基础目标值51的情况下，将基础目标值51修正为大的值，在预测值63大于基础目标值51的情况下，将基础目标值51修正为小的值。由此，能以下述方式修正控制量的目标值，即：可使控制对象装置以按照基础目标值51的行为动作。用于算出此种修正量的计算式例如可由以下的式1赋予。
[数1]
r(t)＝r(e(t)-p(t))+s…(式1)
另外，r(t)表示时刻t的修正量的值(修正值)。r表示比例常数。e(t)表示时刻t的控制量的基础目标值51。p(t)表示时刻t的控制量的预测值63。s表示常数项。
所述计算式中，由比例常数r及常数项s的值来决定修正的程度。即，本实施方式的权重55包含比例常数r及常数项s。但是，用于算出修正量的计算式也可不限于式1的示例，可根据实施方式而适当决定。同样地，权重55也可不限于所述比例常数r及常数项s，能以可决定修正的程度的方式适当决定。
比例常数r及常数项s各自的值通过后述的步骤s110而最佳化。比例常数r及常数项s各自的初始值可适当赋予。在节拍周期所含的多个控制周期中分别决定指令目标值53的情况下，比例常数r及常数项s的至少一者在节拍周期内的一个控制周期与其他控制周期之间不同。即，也可根据控制周期设定不同的权重55。
控制部11通过将所获取的预测值63及基础目标值51代入至式1的各项，执行式1的运算处理，从而算出修正值r(t)。即，控制部11算出基础目标值51与预测值63的差量，基于所算出的差量及权重55来决定修正值r(t)。具体而言，控制部11算出所算出的差量与比例常数r之积，并对所算出的积加上常数项s，由此算出修正值r(t)。并且，控制部11通过对基础目标值51加上所算出的修正值r(t)，从而算出指令目标值53。即，本实施方式的预测控制中，控制部11获取通过对基础目标值51加上修正值r(t)从而获得的修正完毕的目标值作为指令目标值53。所述加法处理也可通过减法处理来实现。决定指令目标值53后，控制部11使处理进入后续的步骤s106。
(步骤s106)
步骤s106中，控制部11作为动作控制部105而运行，按照所决定的指令目标值53，对控制对象装置的动作进行控制。
本实施方式中，控制部11按照所决定的指令目标值53，决定指令值71(操作量的值)。实施预测控制的场景下，将通过步骤s105所得的修正完毕的目标值作为指令目标值53进行处理。另一方面，在不实施预测控制的场景下，即，实施通常的控制的场景下，将通过步骤s101所得的基础目标值51直接作为指令目标值53进行处理。
决定指令值71的方法可根据实施方式而适当选择。关于决定指令值71的方法，例如可采用pid控制、pi控制等众所周知的控制方法。此时，控制部11算出指令目标值53与控制量的测量值61的差量，并根据所算出的差量来决定指令值71。详细而言，在实施预测控制的情况下，控制部11根据经修正的目标值与测量值61的差量来决定指令值71。另一方面，在不实施预测控制的情况下，控制部11根据基础目标值51与测量值61的差量来决定指令值71。另外，通过一次处理而决定的指令值71的个数可根据实施方式而适当决定。控制部11通过对控制对象装置给予所决定的指令值71，从而对控制对象装置的动作进行控制。
本实施方式的一例中，指令值71表示为了使上侧金属模具32移动至目标位置而对驱动上侧金属模具32的伺服马达施加的电压。控制部11通过对伺服驱动器31给予所述指令值71，从而控制冲压机3的上侧金属模具32的位置。所述动作的控制可模拟上进行，也可利用控制对象装置的实机来进行。利用指令值71来对控制对象装置的动作进行控制后，控制部11使处理进入后续的步骤s107。
(步骤s107)
步骤s107中，控制部11作为动作控制部105而运行，判定是否结束控制对象装置的控制。
是否结束控制对象装置的控制可适当决定。例如，是否结束控制对象装置的控制也可通过控制装置1以外的其他信息处理装置或操作员的指示而决定。此时，控制部11也可根据其他信息处理装置或操作员的指示，来判定是否结束控制对象装置的控制。
而且，例如控制部11也可根据通过所述生产工序来成形工件40等使控制对象装置执行的一系列动作是否完成，来判定是否结束控制对象装置的控制。即，控制部11也可在使控制对象装置执行的一系列动作完成的情况下，判定为结束控制对象装置的控制。此时，控制部11也可根据多次反复执行了一系列动作，而判定为结束控制对象装置的控制。而且，控制部11也可根据反复进行一系列动作的时间经过了规定时间，而判定为结束控制对象装置的控制。另一方面，控制部11也可在使控制对象装置执行的一系列动作未完成的情况下，判定为不结束控制对象装置的控制。
在判定为结束控制对象装置的控制的情况下，控制部11使处理进入后续的步骤s108。另一方面，在判定为不结束控制对象装置的控制，换言之继续进行控制对象装置的控制的情况下，控制部11回到步骤s101，重复步骤s101～步骤s107的处理。
在重复
而且，本实施方式中，步骤s101～步骤s107的控制所致的控制对象装置的动作也可在每个节拍周期重复。预测模型60能以针对第一时间区间的控制量的测量值61的输入，而输出第二时间区间的控制量的预测值63的方式构成。在重复所述一系列处理的过程中，在获取第一时间区间的测量值61的期间中，也可实施通常的控制而非预测控制。并且，可在获取第一时间区间的测量值61后，实施预测控制。
在重复所述一系列处理的过程中，通过步骤s101的处理，控制部11获取第二时间区间的控制量的基础目标值51。通过步骤s102的处理，控制部11获取第一时间区间的控制量的测量值61。步骤s104的处理中，控制部11利用预测模型60，根据第一时间区间的控制量的测量值61而算出第二时间区间的控制量的预测值63。在每个控制周期重复一系列处理的过程中，控制部11可在经过修正开始周期的时间点后，针对每个控制周期，根据较预测时间点更为以前的测量值61来算出预测时间点的预测值63，也可一次算出第二时间区间内的预测值63。由此，控制部11可一边使利用预测模型60进行的预测控制与实际环境实时同步，一边进行控制对象装置的动作的排程。
所述步骤s104的处理中，控制部11也可将第一时间区间的测量值61直接输入至预测模型60，执行预测模型60的运算处理，由此获取从预测模型60输出的输出值作为第二时间区间的预测值63。或者，控制部11也可将第一时间区间的测量值61转换为特征量。特征量只要可表示测量值61的某些特征，则其种类也可无特别限定，可根据实施方式而适当选择。例如，特征量也可通过从测量值61的时序数据中提取用于算出预测值63的对象的特征从而获得。而且，例如特征量可为经汇集的信息(例如，每单位区间的平均值的时序)、较预测时间点更为以前的一区间的系列本身等。作为具体例，特征量例如可为最小值、最大值、平均值、峰度、微分值等。控制部11也可将所得的特征量输入至预测模型60，并执行预测模型60的运算处理，获取由此从预测模型60输出的输出值作为第二时间区间的预测值63。
步骤s105的处理中，控制部11，控制部11根据所算出的预测值63来修正第二时间区间的基础目标值51，由此决定第二时间区间的控制量的指令目标值53。接着，步骤s106的处理中，控制部11按照所决定的指令目标值53，对第二时间区间的控制对象装置的动作进行控制。
(步骤s108)
步骤s108中，作为第三获取部106而运行，获取由监测控制对象装置的动作结果的第二传感器所得的监测数据65。
步骤s108的处理可与步骤s102的处理同样地执行。监测数据65的获取可模拟上进行，也可利用控制对象装置的实机来进行。而且，控制部11可从控制对象装置直接获取监测数据65，例如也可经由外部存储装置、存储介质91、其他信息处理装置等从控制对象装置间接获取监测数据65。
本实施方式的一例中，冲压机3包括摄像机36，此摄像机36以拍摄由上侧金属模具32及下侧金属模具33所成形的制品41的方式配置。控制部11可获取由摄像机36所得的图像数据作为监测数据65。获取监测数据65后，控制部11使处理进入后续的步骤s109。
(步骤s109)
步骤s109中，控制部11作为结果判定部107而运行，基于所获取的监测数据65，判定控制对象装置是否通过所述步骤s101～步骤s107的控制而适当运行。
基于监测数据65来判定控制对象装置是否适当运行的方法可根据监测数据65的种类及使控制对象装置执行的动作而适当决定。而且，用于判定控制对象装置是否适当运行的基准可适当赋予。例如，也可根据与所给予的基础目标值51相比而控制对象装置是否在规定的误差以内运行，来判定控制对象装置是否适当运行。而且，例如在控制对象装置为生产装置的情况下，也可根据所生产的制品是否良好，来判定控制对象装置是否适当运行。
本实施方式的一例中，控制部11获取拍摄由冲压机3所生产的制品41(成形后的工件40)的图像数据作为监测数据65。控制部11也可对所得的图像数据进行图像分析，由此判定所生产的制品41是否为良品(即，工件40是否经正确冲压)。关于图像分析，可使用众所周知的方法。在所生产的制品41为良品的情况下，控制部11可判定为冲压机3适当运行。另一方面，在所生产的制品41为不良品的情况下，控制部11可判定为冲压机3未适当运行。若判定控制对象装置是否适当运行，则控制部11使处理进入后续的步骤s110。
(步骤s110)
步骤s110中，控制部11作为权重最佳化部108而运行，基于步骤s109的判定结果，以控制对象装置适当运行的方式使修正的权重55最佳化。本实施方式中，控制部11可通过采用以下两个方法中的任一个，从而使修正的权重55最佳化。
(a)强化学习
第一方法中，控制部11利用强化学习。具体而言，控制部11实施基于根据判定的结果而决定的报酬的、强化学习，由此以提高控制对象装置适当运行的概率的方式使修正的权重55最佳化。在控制对象装置为生产装置的情况下，控制对象装置适当运行的概率例如可替换为生产的制品的良品率。而且，提高控制对象装置适当运行的概率可替换为降低生产的制品的不良品率。
报酬是以提高控制对象装置适当运行的概率的方式适当设定。例如，可对控制对象装置适当运行给予正报酬，且对控制对象装置未适当运行给予负报酬。关于强化学习的方法，可使用蒙特卡罗法(montecarlomethod)等众所周知的机器学习方法。根据此第一方法，控制部11可基于多次试行结果使修正的权重55适当最佳化。
(b)从多个候选中选择
第二方法中，控制部11通过从多个权重的候选中选择，从而使修正的权重55最佳化。此时，赋予有多个权重55的候选。本实施方式的一例中，赋予有多个比例常数r及常数项s的组合。
所述步骤s101～步骤s107中，控制部11利用各权重55的候选，实施控制对象装置的预测控制。即，控制部11按照由利用各权重55的候选的修正所决定的各指令目标值53，对控制对象装置的动作进行控制。所述步骤s108中，控制部11获取利用各权重55的候选的预测控制的监测数据65。所述步骤s109中，控制部11进行利用各权重55的候选的预测控制，结果算出控制对象装置适当运行的概率。所述概率可由次数表现。
并且，控制部11选择控制对象装置适当运行的概率最高的权重55的候选作为用于控制的权重55，由此使修正的权重55最佳化。即，第二方法中，将多个权重55的候选中对控制对象装置适当进行预测控制的概率最高的候选，指定为步骤s105的处理中利用的权重55。根据此第二方法，控制部11可通过简易的处理使修正的权重55最佳化。
本实施方式中，通过采用以上两个方法中的任一个，从而控制部11能以控制对象装置适当运行的方式使修正的权重55最佳化。但是，使修正的权重55最佳化的方法也可不限定于这些例，可根据实施方式而适当选择。使修正的权重55最佳化后，控制部11使处理进入后续的步骤s111。
(步骤s111)
步骤s111中，控制部11基于步骤s109的判定结果，决定处理的分支目的地。步骤s109中，在判定为控制对象装置至少局部地适当运行的情况下，控制部11使处理进入后续的步骤s112。另一方面，在判定为控制对象装置未适当运行的情况下，控制部11省略步骤s112的处理，使处理进入后续的步骤s113。
(步骤s112)
步骤s112中，控制部11作为数据收集部109而运行，收集经判定为控制对象装置适当运行的控制的期间中由第一传感器所得的、控制量的测量值61，作为实绩值数据125。本实施方式中，控制部11可通过收集控制对象装置经适当控制的期间中通过步骤s102所得的测量值61，从而生成实绩值数据125。
控制部11也可将实绩值数据125保存于规定的存储区域。规定的存储区域例如可为存储部12、存储介质91、外部存储装置、其他信息处理装置等。关于实绩值数据125，不仅为通过步骤s101～步骤s107的控制处理所得的数据，例如也可包含预先收集的数据等由控制处理以外获得的数据。本实施方式的一例中，实绩值数据125按时序来表示可适当成形工件40的、上侧金属模具32的位置的推移。收集实绩值数据125后，控制部11使处理进入后续的步骤s113。
(步骤s113)
步骤s113中，控制部11判定是否更新预测模型60及基础目标值51。
是否更新预测模型60及基础目标值51可适当决定。例如，是否更新预测模型60及基础目标值51也可通过控制装置1以外的其他信息处理装置或操作员的指示而决定。此时，控制部11也可根据其他信息处理装置或操作员的指示，来判定是否更新预测模型60及基础目标值51。
而且，例如在反复进行本动作例的处理顺序的情况下，控制部11也可定期或不定期地更新预测模型60及基础目标值51。作为一例，控制部11也可在先执行预测模型60及基础目标值51的更新处理后经过规定时间的情况下，判定为执行所述更新处理，且也可在并非如此的情况下，判定为省略所述更新处理。
而且，例如控制部11也可根据所收集的实绩值数据125的量，来判定是否更新预测模型60及基础目标值51。即，控制部11也可在获得了对于更新而言充分量的实绩值数据125的情况下，判定为执行更新处理，也可在并非如此的情况下，判定为省略更新处理。作为一例，控制部11也可在收集了表示控制对象装置以规定次数适当执行规定动作时的测量值61的推移的实绩值数据125的情况下，判定为获得了对于更新而言充分量的实绩值数据125。
在判定为更新预测模型60及基础目标值51(即，执行更新处理)的情况下，控制部11使处理进入后续的步骤s114。另一方面，在判定为不更新预测模型60及基础目标值51的情况下，控制部11结束本动作例的处理。
(步骤s114)
步骤s114中，控制部11作为模型更新部110而运行，基于所收集的实绩值数据125来更新预测模型60。
更新预测模型60的方法也可无特别限定，可根据实施方式而适当决定。例如，控制部11通过对用于生成预测模型60的控制量的时序数据及实绩值数据125的至少一部分进行分析，从而导出运算参数的值，由此生成新的预测模型。生成新的预测模型的方法可与所述方法相同。控制部11也可将步骤s104中利用的现有的预测模型置换为新的预测模型。或者，控制部11也可与现有的预测模型无关而另保存新的预测模型，将步骤s104中利用的预测模型60由现有的预测模型变更为新的预测模型。由此，控制部11可更新预测模型60。这以后，在反复进行本动作例的处理顺序的情况下，控制部11可在预测控制中使用经更新的预测模型60。更新预测模型60后，控制部11使处理进入后续的步骤s115。
(步骤s115)
步骤s115中，控制部11作为目标导出部111而运行，基于所收集的实绩值数据125，导出用于适当控制控制对象装置的、控制量的目标值。
实绩值数据125表示控制对象装置适当运行时的控制量的测量值61。控制量的目标值可根据所述测量值61而适当导出。例如设想，控制对象装置的动作在每个节拍周期重复，结果在每个控制周期获得多次的节拍周期内的测量值61。此时，控制部11也可对于对象的控制周期，算出所得的多个测量值61的平均值，将所算出的平均值用于控制量的目标值。而且，例如控制部11也可对于对象的控制周期，选择所得的多个测量值61中的任一个，将所选择的测量值61用于控制量的目标值。选择的方法及基准可适当决定。通过采用这些方法的任一个，从而控制部11可基于实绩值数据125，导出用于适当控制控制对象装置的、控制量的目标值。
控制部11也可将现有的基础目标值置换为所导出的目标值。或者，控制部11也可与现有的基础目标值无关而另保存所导出的目标值，将步骤s101中获取的基础目标值51由现有的基础目标值变更为所导出的目标值。由此，控制部11可更新基础目标值51。这以后，在反复进行本动作例的处理顺序的情况下，在步骤s101中，控制部11可获取所导出的目标值作为基础目标值51。控制量的目标值的导出完成后，控制部11结束本动作例的处理。
[特征]
如以上那样，本实施方式的控制装置1即便在可能由利用预测模型60的修正处理导致预测控制产生不良状况的情况下，也可通过步骤s108～步骤s110的处理，使规定修正程度的权重55最佳化。由此，能以控制对象装置适当运行的方式改善预测控制的步骤s105的修正处理。因此，即便在生成了预测精度相对较低的预测模型60的情况下，也可在利用预测模型60的预测控制中，降低控制对象装置的动作不良的产生概率。因此，根据本实施方式，大规模的生产装置自不必说，即便在规模相对较小的生产装置为控制对象装置的情况下，也可降低对控制对象装置进行预测控制时的动作不良的产生概率。
由此，在控制对象装置为生产装置的情况下，可降低不良品的产生概率，实现制品良率的提高。而且，根据本实施方式，可使预测控制中的预测模型60的利用自动最佳化，因而可降低人手维护的频率。因此，可抑制人力成本，且可降低由人为因素(例如，维护作业的错误)所致的动作不良的产生概率。本实施方式的一例中，可降低对冲压机3进行预测控制时的动作不良的产生概率，可实现通过包含冲压机3的工厂过程所生产的制品的良率提高。而且，可抑制包含冲压机3的工厂过程所耗的人力成本，而且，可降低由人为因素所致的冲压机3的动作不良的产生概率。
而且，本实施方式的控制装置1通过步骤s112及步骤s114的处理来更新预测模型60，由此可提高预测模型60对控制量的预测精度。即，可在步骤s104～步骤s106中，以可执行适当的预测控制的方式改善预测模型60。进而，本实施方式的控制装置1通过步骤s112及步骤s115的处理来更新基础目标值51，由此能以可执行适当的预测控制的方式改善基础目标值51。由此，本实施方式中，也可降低对控制对象装置进行预测控制时的动作不良的产生概率。
§4变形例
以上，对本发明的实施方式进行了详细说明，但到此为止的所述说明在所有方面仅为本发明的例示。当然可在不偏离本发明的范围的情况下进行各种改良或变形。例如，可进行如下变更。另外，以下关于与所述实施方式相同的结构元件，使用相同符号，针对与所述实施方式相同的点，适当省略说明。以下的变形例可适当组合。
＜4.1＞
所述实施方式中，控制对象装置的个数也可不限于一个，可根据实施方式而适当决定。而且，所述实施方式的一例中，控制对象装置为冲压机3。但是，控制对象装置的种类也可不限定于此种例，可根据实施方式而适当选择。除了冲压机以外，控制对象装置例如，例如，也可为网搬送装置、注射成形机、nc车床、放电加工机、包装机等生产线中利用的规模相对较小的生产装置。所述规模相对较小的生产装置的动作例如可由plc所代表的小规模的控制装置进行控制。而且，所述实施方式的一例中，控制量为上侧金属模具32的位置，操作量为驱动上侧金属模具32的伺服马达的电压。但是，控制量及操作量也可分别不限定于此种例，可根据控制对象装置而适当选择。例如，在控制对象装置为以搬送网的方式构成的网搬送装置的情况下，控制量可为网的端部的位置，操作量可为用于调节网的端部的位置的、致动器的电压。
＜4.2＞
而且，所述实施方式中，控制装置1以对控制对象装置的动作直接进行控制的方式构成。但是，控制装置1的结构也可不限定于此种例。例如，控制装置1也能以下述方式构成：通过对进行控制对象装置的动作控制的控制器给予指令，从而对控制对象装置的动作间接进行控制。
图8示意性地例示本变形例的控制系统1a的适用场景的一例。本变形例的控制系统1a包括上位控制器20及下位控制器21，与所述实施方式的控制装置1同样地以可对控制对象装置的动作进行控制的方式构成。上位控制器20及下位控制器21各自的硬件结构可与所述实施方式的控制装置1相同。上位控制器20及下位控制器21经适当连接。连接方法也可无特别限定。上位控制器20及下位控制器21例如可经由相互的外部接口而连接，也可经由网络而连接。
上位控制器20以为了对控制对象装置的动作进行控制而对下位控制器21给予指令的方式构成。上位控制器20对应于所述实施方式的控制装置1。另一方面，下位控制器21以根据来自上位控制器20的指令而对控制对象装置的动作进行控制的方式构成。本变形例的一例中，冲压机3连接于下位控制器21。下位控制器21以控制冲压机3的动作的方式构成。
图9a示意性地例示本变形例的上位控制器20的软件结构的一例。图9b示意性地例示本变形例的下位控制器21的软件结构的一例。本实施方式的上位控制器20的软件结构除了包括动作指令部113代替动作控制部105的方面以外，与所述控制装置1的软件结构相同。上位控制器20通过使处理器执行存储于存储部的程序，从而作为包括各软件模块的计算机而运行。另一方面，下位控制器21通过使处理器执行存储于存储部的程序，从而作为包括动作控制部105作为软件模块的计算机而运行。
本变形例的上位控制器20除了所述步骤s106以外，执行与所述实施方式的控制装置1相同的处理。上位控制器20的处理器代替所述步骤s106的处理，作为动作指令部113而运行，对下位控制器21给予所决定的指令目标值53，使下位控制器21按照所给予的指令目标值53对控制对象装置的动作进行控制。与此相应地，下位控制器21的处理器与所述步骤s106同样地，作为动作控制部105而运行，按照所给予的指令目标值53，对控制对象装置的动作进行控制。例如，下位控制器21的处理器根据指令目标值53与测量值61的差量来决定指令值71，并对控制对象装置给予所决定的指令值71，由此对控制对象装置的动作进行控制。另外，所述实施方式的步骤s106以外的与动作控制部105有关的处理可由动作指令部113执行。而且，本变形例中，控制量的测量值61及监测数据65可经由下位控制器21提供给上位控制器20。本变形例中，关于下位控制器21，可利用以往的控制器。因此，根据本变形例，可降低适用本发明的成本。
＜4.3＞
所述实施方式中，预测模型60以根据第一时刻的控制量的测量值61来算出预测值63的方式构成。但是，预测模型60的结构也可不限定于此种例。预测模型60也能以下述方式构成：针对控制量的测量值61及基础目标值51的输入，根据所预测的控制量的预测值63而算出修正完毕的目标值。此时，预测模型60的生成时，还利用与控制量的测量值对应的、修正完毕的目标值。与控制量的测量值对应的修正完毕的目标值可适当赋予。
而且，所述实施方式中，预测模型60可也用于步骤s101的基础目标值51的获取。即，所述步骤s101中，控制部11也可将第一时刻的基础目标值51输入至预测模型60，并执行预测模型60的运算处理，由此获取从预测模型60输出的输出值作为较第一时刻更为将来的第二时刻的基础目标值51。
而且，所述实施方式中，控制装置1根据由预测模型60所预测的控制量的预测值63，来修正控制量的基础目标值51，由此间接修正对控制对象装置给予的指令值。但是，修正指令值的方法也可不限定于此种例。例如，指令值也可根据控制量的预测值63而直接修正。
图10示意性地例示本变形例的控制装置1b的软件结构的一例。除了根据预测值63直接修正指令值的方面以外，本变形例的控制装置1与所述实施方式的控制装置1同样地构成。控制装置1b的硬件结构可与所述实施方式的控制装置1相同。而且，控制装置1b的软件结构还包括指令决定部115，且包括指令修正部117代替目标修正部104，除了此方面以外，可与所述实施方式的控制装置1相同。
本变形例的控制装置1b的处理器也可与所述实施方式的控制装置1同样地执行所述步骤s101～步骤s103的处理。步骤s101中，控制装置1b的处理器获取控制量的目标值51b。目标值51b对应于所述基础目标值51。控制装置1b的处理器代替所述步骤s104～步骤s106的处理，作为指令决定部115而运行，算出目标值51b与测量值61的差量，根据所算出的差量来决定操作量的基准值73。决定基准值73的方法可与所述步骤s106相同。
在不实施预测控制的情况下，控制装置1b的处理器作为动作控制部105b而运行，对控制对象装置给予所决定的基准值73作为指令值，由此对控制对象装置的动作进行控制。另一方面，在实施预测控制的情况下，控制装置1b的处理器作为预测部103而运行，利用预测模型60，根据所获取的测量值61来算出控制量的预测值63。接下来，控制装置1b的处理器作为指令修正部117而运行，根据所算出的预测值63来修正基准值73，由此决定指令值75。所述修正的程度是基于权重77而决定。基准值73的修正量可与所述实施方式同样地算出。例如，基准值73的修正量可通过与所述式1相同的计算式而算出。此时，权重77包含比例常数及常数项。并且，控制装置1b的处理器作为动作控制部105b而运行，对控制对象装置给予所决定的指令值75，由此对控制对象装置的动作进行控制。
随后，控制装置1b的处理器也可执行所述步骤s107～步骤s115的处理。步骤s110中，控制装置1b的处理器作为权重最佳化部108b而运行，基于步骤s109的判定结果，以控制对象装置适当运行的方式使修正的权重77最佳化。最佳化的方法可与所述实施方式相同。
＜4.4＞
所述实施方式中，可从控制装置1的软件结构中省略模型更新部110及目标导出部111的至少一者。在省略模型更新部110的情况下，可从控制装置1的处理顺序中省略步骤s114的处理。而且，在省略目标导出部111的情况下，可从控制装置1的处理顺序中省略步骤s115的处理。在从控制装置1的处理顺序中省略步骤s114及步骤s115的处理的情况下，可省略所述步骤s113的处理。进而，在不利用实绩值数据125的情况下，可从控制装置1的处理顺序中省略步骤s111及步骤s112的处理。此时，可从控制装置1的软件结构中省略数据收集部109。而且，在控制装置1的处理顺序中，所述步骤s101～步骤s107的处理与步骤s108～步骤s115的处理也可并列执行。各步骤的处理顺序可适当变更。
所述实施方式中，结束控制后，通过步骤s110使修正的权重55最佳化，通过步骤s114来更新预测模型60。但是，使修正的权重55最佳化的时机及更新预测模型60的时机也可不限定于此种例，可根据实施方式而适当选择。修正的权重55的最佳化、及预测模型60的更新可在每个节拍周期执行。
而且，所述实施方式中，控制装置1更新预测模型60。但是，更新预测模型60的计算机也可不限于控制装置1。预测模型60的更新也可由其他信息处理装置执行。此时，控制装置1例如可经由外部存储装置、存储介质91、网络等从其他信息处理装置获取经更新的预测模型60。
符号的说明
1：控制装置
11：控制部
12：存储部
13：外部接口
14：输入装置
15：输出装置
16：驱动器
101：第一获取部
102：第二获取部
103：预测部
104：目标修正部
105：动作控制部
106：第三获取部
107：结果判定部
108：权重最佳化部
109：数据收集部
110：模型更新部
111：目标导出部
125：实绩值数据
81：控制程序
91：存储介质
3：冲压机(控制对象装置)
31：伺服驱动器
32：上侧金属模具
33：下侧金属模具
35：位置传感器
36：摄像机
40：工件
41：制品
51：基础目标值
53：指令目标值
55：权重
60：预测模型
61：测量值
63：预测值
65：监测数据
71：指令值
1a：控制系统
20：上位控制器
21：下位控制器
113：动作指令部
1b：控制装置
115：指令决定部
117：指令修正部
51b：目标值
73：基准值
75：指令值
77：权重
- 还没有人留言评论。精彩留言会获得点赞！