-
公开(公告)号：CN117170317A
公开(公告)日：2023-12-05
申请号：CN202211096955.2
申请日：2022-09-08
Applicant: 株式会社日立制作所
IPC: G05B19/418
Abstract: 本发明提供一种控制装置、控制系统、控制方法以及计算机可读介质，能够更容易地将各种控制系统应用于控制对象。所述控制装置具备：控制对象状态掌握装置(601)，其取得预先确定的控制对象的状态量；以及控制系统切换装置(602)，其预先准备多种输入数据与输出数据的关系，并基于所取得的状态量以及该关系来选择对控制对象(500)进行控制的登记控制系统，其中，所述输入数据是向登记控制系统(615B～615Z)输入的数据，所述输出数据是包含从登记控制系统(615B～615Z)中的某一个向控制对象(500)输出控制指令的输出目的地的信息的数据。
-
公开(公告)号：CN114749494A
公开(公告)日：2022-07-15
申请号：CN202111240294.1
申请日：2021-10-25
Applicant: 株式会社日立制作所
Abstract: 本发明的工厂设备控制装置、工厂设备控制方法及程序预测控制对象工厂设备的机械作业异常发生，适当操作控制操作端以不发生机械作业异常，提高控制效果和操作效率。对控制对象工厂设备进行针对操作的响应速度为预定响应速度的第一操作处理和针对操作的响应速度比第一操作处理慢的第二操作处理。第一操作端执行第一操作处理，第二操作端执行第二操作处理。在此设置由第一操作端的实绩决定第一操作端的第一操作处理的安全操作范围的安全操作范围决定部。该安全操作范围决定部的判断中，第一操作端的第一操作处理非安全操作范围时，校正或变更第二操作处理的指示，使第一操作端的第一操作处理的实绩位置移动到未推定出发生机械作业异常的实绩位置。
-
公开(公告)号：CN113050550A
公开(公告)日：2021-06-29
申请号：CN202011428094.4
申请日：2020-12-07
Applicant: 株式会社日立制作所
IPC: G05B19/418 , B21B37/28 , G06N3/04 , G06N3/08
Abstract: 本发明的工厂设备控制装置具备：控制执行装置，其根据控制效果学习控制对象工厂设备的实绩数据与控制操作的组合，提供根据由控制方法学习装置学习过的神经网络的输出来控制上述控制对象工厂设备的操作端的控制输出，就控制执行装置而言，当存在学习控制效果高的情况而形成的神经网络的输出且控制效果高时，根据该输出控制控制对象工厂设备的操作端，在只存在学习控制效果低的情况而形成的神经网络的输出且操作端的操作端位置有富余时，根据学习控制效果低的情况而形成的神经网络的输出控制控制对象工厂设备的操作端，进而在只存在学习控制效果低的情况而形成的神经网络的输出且操作端的操作端位置没富余时，不控制控制对象工厂设备的操作端。
-
公开(公告)号：CN114749494B
公开(公告)日：2024-07-12
申请号：CN202111240294.1
申请日：2021-10-25
Applicant: 株式会社日立制作所
Abstract: 本发明的工厂设备控制装置、工厂设备控制方法及程序预测控制对象工厂设备的机械作业异常发生，适当操作控制操作端以不发生机械作业异常，提高控制效果和操作效率。对控制对象工厂设备进行针对操作的响应速度为预定响应速度的第一操作处理和针对操作的响应速度比第一操作处理慢的第二操作处理。第一操作端执行第一操作处理，第二操作端执行第二操作处理。在此设置由第一操作端的实绩决定第一操作端的第一操作处理的安全操作范围的安全操作范围决定部。该安全操作范围决定部的判断中，第一操作端的第一操作处理非安全操作范围时，校正或变更第二操作处理的指示，使第一操作端的第一操作处理的实绩位置移动到未推定出发生机械作业异常的实绩位置。
-
公开(公告)号：CN111001660B
公开(公告)日：2021-07-30
申请号：CN201910881209.6
申请日：2019-09-18
Applicant: 株式会社日立制作所
Abstract: 本发明涉及进行使用了神经网络等人工智能的实时的反馈控制的技术。用于实现预测精度高的前馈控制。控制装置具有：前馈控制方法学习装置，其学习控制控制对象的结果即控制状态量与施加到所述控制对象的干扰的关系，由此构建由输入到所述控制对象的干扰来预测所述控制对象的控制状态量的变化量的第一前馈控制神经网络；以及前馈控制执行装置，其根据所述第一前馈控制神经网络由施加给所述控制对象的干扰来预测所述控制对象的控制状态量的变化量，根据该控制状态量的变化量直接或间接校正所述控制操作量。
-
Patent Agency Ranking
公开(公告)号：CN110976523A
公开(公告)日：2020-04-10
申请号：CN201910875816.1
申请日：2019-09-17
Applicant: 株式会社日立制作所
Abstract: 本发明涉及进行使用了神经网络等人工智能的实时的反馈控制的技术。本发明提供一种能够执行基于控制结果的适当的良好与否判定的控制的技术。对控制对象进行控制的控制装置具有：控制执行装置，其按照所提供的控制规则，对所述控制对象提供控制输出；控制方法学习装置，其使用所指定的评价函数来评价提供给所述控制对象的控制输出，利用该评价结果制作学习数据，学习该学习数据，由此构建所述控制规则，并将该控制规则提供给所述控制执行装置；以及评价函数设定部，其预先保持多个评价函数，根据针对所述控制对象的控制状态，选择所述多个评价函数中的任意一个，将所述选择出的评价函数指定给所述控制方法学习装置。
-
公开(公告)号：CN113050550B
公开(公告)日：2024-04-16
申请号：CN202011428094.4
申请日：2020-12-07
Applicant: 株式会社日立制作所
IPC: G05B13/02 , G05B19/418 , B21B37/28 , G06N3/045 , G06N3/08
Abstract: 本发明的工厂设备控制装置具备：控制执行装置，其根据控制效果学习控制对象工厂设备的实绩数据与控制操作的组合，提供根据由控制方法学习装置学习过的神经网络的输出来控制上述控制对象工厂设备的操作端的控制输出，就控制执行装置而言，当存在学习控制效果高的情况而形成的神经网络的输出且控制效果高时，根据该输出控制控制对象工厂设备的操作端，在只存在学习控制效果低的情况而形成的神经网络的输出且操作端的操作端位置有富余时，根据学习控制效果低的情况而形成的神经网络的输出控制控制对象工厂设备的操作端，进而在只存在学习控制效果低的情况而形成的神经网络的输出且操作端的操作端位置没富余时，不控制控制对象工厂设备的操作端。
-
公开(公告)号：CN114637194A
公开(公告)日：2022-06-17
申请号：CN202111242094.X
申请日：2021-10-25
Applicant: 株式会社日立制作所
Abstract: 本发明提供工厂设备控制系统、控制方法以及计算机可读记录介质。在工厂设备控制系统中，在扰乱工厂设备的控制的风险少的状态下，高效地校正控制规则。具备：控制方法学习单元，其学习对象工厂设备的实绩数据和控制操作的组合；控制执行单元，其根据控制方法学习部学习到的实绩数据和控制操作的组合来执行对象工厂设备的控制；以及优劣判定规则学习单元，其学习对象工厂设备的实绩数据和控制操作的组合与控制结果优劣的组合。按照对象工厂设备的实绩数据、控制操作和控制结果优劣的确定的组合来进行控制输出的优劣判定，将优劣判定结果、实绩数据和监督数据作为学习数据来学习控制规则。
-
公开(公告)号：CN110580518A
公开(公告)日：2019-12-17
申请号：CN201910247853.8
申请日：2019-03-29
Applicant: 株式会社日立制作所
Abstract: 本发明提供一种监督数据生成装置以及监督数据生成方法，开始基于人工智能的设备的控制而能够从早期阶段实现高精度的控制。根据设备运行实绩数据，计算与从预定开始时刻(t1)起在预定的提取时间宽度(tband)的期间进行的操作相对应的结果的评价值即操作结果评价值(Tv)。使用操作结果评价值(Tv)判断是否能够生成新监督数据(Tnew)。在判断为能够生成监督数据(T)时，提取包含根据开始时刻(t1)的板形状状态量S(t)计算出的监督数据输入部(Tin)和根据从开始时刻(t1)起在预定的提取时间宽度tband的期间中的操作机器状态量O(t)计算出的监督数据输出部(Tout)的监督数据(T)，将提取出的监督数据(T)存储到神经网络学习用监督数据数据库(DB2)。
-
公开(公告)号：CN108687137B
公开(公告)日：2019-12-10
申请号：CN201810267684.X
申请日：2018-03-29
Applicant: 株式会社日立制作所
IPC: B21B37/00
Abstract: 本发明涉及不会使控制对象整套设备的状态恶化而学习针对实际数据的最佳的操作方法的整套设备控制装置、轧机控制装置、整套设备控制方法、轧机控制方法及存储有程序的存储介质。本发明针对控制对象整套设备识别控制对象整套设备的实际数据的组合的模式来实施控制，其中具备：控制方法学习装置，学习控制对象整套设备的实际数据和控制操作的组合；以及控制执行装置，根据学习出的实际数据和控制操作的组合，实施控制对象整套设备的控制，其中控制执行装置具备控制规则执行部、控制输出判定部以及控制输出抑制部，控制方法学习装置具备控制结果良好与否判定部、学习数据制作部以及控制规则学习部。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.053 seconds)
