[发明专利]控制系统以及机器学习装置

说明书

本发明提供一种控制系统以及机器学习装置，其根据机械的动作条件、动作环境、优先因素，通过机器学习使设备内机械的伺服增益最佳化。控制系统具备：状态观测部，其观测机械的与机械相关的信息来作为状态数据；判定数据取得部，其取得与所述机械进行的加工相关的信息来作为判定数据；回报计算部，其根据判定数据和回报条件来计算回报；学习部，其对机械的伺服增益的调整进行机器学习；决策部，其根据机械的伺服增益的调整的机器学习结果和状态数据，决定机械(3)的伺服增益的调整行为；增益变更部，其根据决定的伺服增益的调整行为，变更机械(3)的伺服增益。

技术领域

本发明涉及一种控制系统以及机器学习装置，尤其涉及通过机器学习使设备内机械控制中的伺服增益最佳化的控制装置以及机器学习装置。

背景技术

控制装置的伺服增益的设定对成为控制对象的机械的动作产生大的影响，且对加工产品的品质、生产率产生直接的影响。关于伺服增益的设定，针对每个机械以工件、工具、精度、周期时间、金属模具的重量、树脂的粘度等加工条件为基础，使用调整用工具，根据需要每次进行设定并调整的情况较多，最佳化需要时间。此外，还存在如下情况：根据运转状态，每次在运转过程中想要切换为最佳的增益。

控制装置的伺服增益存在电流环增益，速度环增益，位置环增益，压力控制比例/积分增益等各种种类。以往，需要根据机械的刚性、负载惯量、工具的种类、动作方式等各种条件，使用调整用工具等来分别设定最佳的值。此外，需要根据加工精度优先、速度优先等优先的因素，重新调整最佳的增益。

作为与伺服增益的调整有关的现有技术，例如，在日本特开平3-259303号公报中公开了使用神经网络来进行机械动作控制中的调整的系统。此外，在日本特开2006-302282号公报中公开了取得各个机器人的性能数据，根据用户的性能目标，包含控制增益在内使控制程序最佳化的技术。

在调整伺服增益时，例如，难以根据机械的刚性、对象工件、工具、夹具、金属模型的重量、射出成形时的树脂的粘度的影响等这样的成为控制对象的机械的动作条件、动作环境等，在运转前推定最佳增益的情况较多。此外，使形状误差、生产率、消耗电力、向机械的负荷等中的哪个因素优先来设定增益每次都不同，因此难以在运转前推定最佳增益的情况较多。并且，日本特开平3-259303号公报、日本特开2006-302282号公报中所公开的技术无法解决这样的课题。

发明内容

因此，本发明的目的在于提供一种控制装置以及机器学习装置，其根据机械的动作条件、动作环境、优先因素，通过机器学习使设备内机械的伺服增益最佳化。

本发明向多个控制装置的上位的控制装置或现场计算机导入机器学习器，根据从各机械的控制装置收集到的各轴的信息(位置偏差、周期时间、电动机负荷、消耗电力、速度变动率等)、与各机械的运转条件相关的信息(电动机的特性、机械的刚性、工件的种类、树脂的粘度、使用的工具、夹具、金属模具的重量、形状、树脂的种类、粘度等)，进行使优先因素最佳化的机器学习。在本发明的控制系统中，根据各机械的运转条件和价值函数的最新数据，在控制装置中设定最佳增益的推定初始值，并根据从控制装置得到的各轴的信息计算回报，将其在机器学习器的学习中使用。在本发明的控制系统中，可以至少根据优先因素来存储在多个机器学习中使用的价值函数，可以根据状况从数据库中选择并使用最佳的价值函数。