JP2000187504A

JP2000187504A - ソフト計算に基づくインテリジェント制御方法、制御装置及び制御システム

Info

Publication number: JP2000187504A
Application number: JP11338346A
Authority: JP
Inventors: V Uliyanov Sergei; ヴイ．ウリヤノフセルゲイ; Masashi Yamaguchi; 昌志山口; Shigeki Hashimoto; 茂喜橋本; Takahide Hagiwara; 孝英萩原
Original assignee: Yamaha Motor Co Ltd
Current assignee: Yamaha Motor Co Ltd
Priority date: 1998-10-22
Filing date: 1999-10-22
Publication date: 2000-07-04

Abstract

(57)【要約】【課題】非線形つまり不安定なプラントの制御に適した
センサを削減できる制御システムを提供する。【解決手段】本削減制御システムは、最適センサセット
をもつ最適制御システムと比較して、制御品質（精度）
の有意な損失も無く、プラントを制御するために減らし
たセンサセットを使用するように構成される。制御シス
テムは、最適セットにより供給された情報内容と比較し
て削減センサセットにより供給された情報内容を計算す
る。制御システムは、また、プラントのエントロピー生
成レートとコントローラのエントロピ生成レートとの間
の差を計算する。遺伝的最適化装置が、減少コントロー
ラでのファジーニューラル回路網を同調するのに使用さ
れる。遺伝的最適化装置のための適合関数は、センサ情
報内容を最大化すると共にエントロピー生成での差を最
小にすることにより削減制御システムでの最適制御精度
を提供する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、一般的に制御シス
テムに関し、より詳細には非線形プラントを制御するた
めに、人工知能を利用する制御方法、制御装置及び制御
システムに関する。また本発明は、エンジン制御システ
ム特に内燃機関用の電子制御システム、及び車両の懸架
装置特にアクティブ懸架装置用の電子制御システムに関
する。

【０００２】

【従来の技術】出力を目標値から変位させる外乱力に拘
わらず、動的システムの出力を目標値に維持するため
に、フィードバック制御システムが広く使用されてい
る。例えば、サーモスタットで制御される家庭用暖房機
はフィードバック制御システムの一例である。サーモス
タットは、連続的に屋内の空気温度を測定していて、温
度が最低目標温度を下回ると、暖房機をオンに切り替え
る。空気が、暖房機により最低目標温度を超えて暖めら
れると、サーモスタットは暖房機をオフに切り替える。
サーモスタット−暖房機システムは、屋外温度の低下等
の外乱に拘わらずに屋内温度を一定値に維持する。同様
なタイプのフィードバック制御は多くの用途で使用され
ている。

【０００３】フィードバック制御システムにおける中心
構成要素は、出力変数の制御されることになる制御対
象、つまりプロセス「プラント」として知られるもので
ある。上記例では、プラントは家屋であり、出力変数は
屋内の空気温度であり、外乱は家屋の壁を抜ける熱の流
れである。プラントは制御システムで制御される。上記
例では、制御システムは暖房機につながるサーモスタッ
トである。屋内温度を維持するためにサーモスタット−
暖房機システムで使用するのは、単純なオン−オフ・フ
ィードバック制御である。モータの軸位置やモータ速度
の制御システム等、多くの制御環境においては、単純な
オン−オフ・フィードバック制御では不充分である。よ
り先進的な制御システムは、比例フィードバック制御、
積分フィードバック制御、及び微分フィードバック制御
の組合せに依存している。比例＋積分＋微分フィードバ
ック制御のことを、ＰＩＤ制御と呼ぶことが多い。

【０００４】ＰＩＤ制御システムは、プラントの動的モ
デルをベースとする線形制御システムである。古典制御
システムでは、線形動的モデルは、運動方程式、通常
は、常微分方程式の形式で得られる。プラントは相対的
に線形で時間変動がなく、安定している、と仮定されて
いる、しかし、現実のプラントの多くは、時間変動があ
り、きわめて非線形で、かつ不安定である。例えば、動
的モデルは、よく知られていないかまたは変化する環境
に依存するパラメータ（例えば、質量、インダクタン
ス、空気力学的係数等）を含んでいるかもしれない。パ
ラメータの変動が小さく、動的モデルが安定な場合に
は、ＰＩＤ制御で充分であろう。しかし、パラメータ変
動が大きい場合、または動的モデルが不安定な場合に
は、ＰＩＤ制御システムに適応／インテリジェント（Ａ
Ｉ）制御を追加するのが一般的である。

【０００５】ＡＩ制御システムは、最適化装置（オプテ
ィマイザ）、典型的には非線形最適化装置を使用してＰ
ＩＤコントローラの操作をプログラム化し、それにより
制御システムの全体操作を改善する。多くのＡＩ制御シ
ステムで使用されている最適化装置は、遺伝的アルゴリ
ズムに依存している。１セットの入力及び適合関数を使
用して、遺伝的アルゴリズムは進化のプロセスと同様な
方法で働き、目標として最適な解に到達する。この遺伝
的アルゴリズムは（可能な解に対応する）染色体の複数
のセットを生成し、適合関数を使用してそれぞれの解を
評価することにより、染色体を選別する。適合関数は、
適合尺度上でそれぞれの解が占める位を決める。より良
く適合する染色体は、適合尺度上で高く位する解に対応
する染色体である。あまり適合しない染色体は、適合尺
度上で低く位する解に対応する染色体である。より良く
適合する染色体は保存され、あまり適合しない染色体は
捨てられる。新たな染色体が、既存の染色体を置換えて
創生される。新たな染色体は、既存の染色体を交配させ
ることにより、そして突然変異を導入することにより創
生される。

【０００６】ＰＩＤコントローラは線形伝達関数を持っ
ているので、プラントに対する動作の線形化方程式に基
づいている。ＰＩＤコントローラをプログラムするのに
使用される先行技術の遺伝的アルゴリズムは、普通は単
純な適合関数を使用しているので、線形化モデルで普通
に見られる制御性の悪さの問題を解決しない。ほとんど
の最適化装置の場合、最適化の成功と失敗は、結局のと
ころ、評価（適合）関数の選択に依存することが多い。

【０００７】非線形プラントの動作特性評価作業は、一
部は、一般的な解析方法がないという理由で困難なこと
が多い。従来、非線形動作特性をもつプラントを制御す
る場合にはプラントの確かな平衡点（複数）を見つける
ことが一般的で、プラントの動作特性は平衡点近くの近
傍で線形化される。そして、制御は、平衡点近くの擬似
（線形化）動作特性を評価することに基づいて制御が行
われる。この技法は、不安定な、または持続的なモデル
で説明されるプラントに対しては、全く駄目ではないに
しても、うまく働かない。

【０００８】

【発明が解決しようとする課題】本発明は、これらの問
題及び他の問題を解決するため、制御精度の有意な損失
もなく、使用センサ数を削減できる新規なＡＩ制御方
法、装置及びシステムを提供することを目的としてい
る。

【０００９】

【課題を解決するための手段】上記目的を達成するため
に、本発明による新規なＡＩ制御システムは自己組織系
（ｓｅｌｆ−ｏｒｇａｎｉｚｉｎｇ）であり、最少エン
トロピの物理法則と最大量のセンサ情報とに基づいてす
る適合（評価）関数を使用する。この自己組織制御系
は、非線形で、不安定な、かつ持続的なモデルで説明さ
れる複合プラントを制御するのに使用してもよい。この
センサ削減制御システムはセンサ数の削減にも拘わら
ず、最適制御システムと比較して制御品質（精度）の有
意な損失も無くプラントを制御する、スマート・シミュ
レーション技法を使用するように構成される。本発明に
よれば、削減制御システムは、遺伝子アナライザ（ｇｅ
ｎｅｔｉｃａｎａｌｙｚｅｒ）によりトレーニング（学
習、進化、最適化）されるニューラル回路網を備える。
遺伝子アナライザは、エントロピの生成を最少化する一
方で、情報量を最大化する適合関数を使用する。

【００１０】

【発明の実施の形態】本発明の一つの実施の形態では、
削減制御システムは内燃機関に適用され、例えば酸素セ
ンサ等の余分なセンサを使用しない制御を提供する。
すなわち、この実施の形態においては、第１の複数のセ
ンサを使用して内燃機関から第１情報を測定するステッ
プと；内燃機関に対し目標の精度を提供するように構成
された第１の機関制御システムへ第１情報を供給して第
１制御信号を発生させるステップと；第１の複数のセン
サより少ない第２の複数のセンサを使用して内燃機関か
ら第２情報を測定するステップと；第２制御信号を発生
する第２の機関制御システムへ第２情報を供給するステ
ップと；第１の機関制御信号及び第２の機関制御信号を
使用して第２の機関制御システムを構成するステップ
と；から成ることを特徴とする内燃機関の制御方法が提
供される。

【００１１】また、機関を測定する複数のセンサからの
情報に基づいて機関制御信号を発生する機関制御手段を
備え、機関制御手段が、トレーニング信号を発生する最
適化手段によってトレーニングされ、最適化手段が、制
御信号と、最適制御手段により供給される最適制御信号
とを使用してトレーニング信号を発生するように構成さ
れることを特徴とする内燃機関の制御装置が提供され
る。

【００１２】さらに、機関についての第１情報を測定す
るように構成された削減された複数のセンサと、第１情
報の少なくとも一部分を受取るように構成され、そして
第１制御信号を発生するようにトレーニングされた第１
の機関コントローラとを備え、第１の機関コントローラ
が、機関のエントロピ生成を減らすために第１情報信号
の前記少なくとも一部分の比較的多くを使用するように
トレーニングされることを特徴とする内燃機関の制御シ
ステムが提供される。

【００１３】削減制御システムは、削減センサーセット
から削減制御信号を発生する。削減制御システムは、最
適化制御システムが発生する制御信号を使用する遺伝子
アナライザによりトレーニングされる。この最適化制御
システムは、温度センサ、空気流センサ、及び酸素セン
サから得られたデータに基づいて最適制御信号を供給す
る。オフライン学習モードでは、最適制御信号が（削減
制御システムにより発生した）削減制御信号から差引か
れ、情報計算器へ供給される。情報計算器は、情報基準
を遺伝子アナライザへ供給する。削減センサーセットか
らのデータはまた、エントロピに基づいて物理基準を計
算するエントロピモデルへ供給される。物理基準も遺伝
子アナライザへ供給される。遺伝子アナライザは情報基
準と物理基準の両方を使用して、削減制御システムのた
めのトレーニング信号を発生する。

【００１４】また、本発明の別の実施の形態によれば、
削減制御システムは、車両懸架装置に適用され、数を削
減したセンサからのデータを使用して懸架装置系の制御
を提供する。

【００１５】すなわち、この実施の形態による車両の懸
架装置の制御方法は、第１の複数のセンサを使用し
て車両の懸架装置から第１情報を測定するステップと；
懸架装置に対し目標の精度を提供するように構成された
第１の懸架装置制御システムへ第１情報を供給して第１
制御信号を発生させるステップと；第１の複数のセンサ
より少ない第２の複数のセンサを使用して懸架装置から
第２情報を測定するステップと；第２制御信号を発生す
る第２の懸架装置制御システムへ第２情報を供給するス
テップと；第１の懸架装置制御信号及び第２の懸架装置
制御信号を使用して第２の懸架装置制御システムを構成
するステップと；から成ることを特徴としている。

【００１６】また、懸架装置の制御装置は、懸架装置を
測定する複数のセンサからの情報に基づいて懸架装置制
御信号を発生する懸架装置制御手段を備え、懸架装置制
御手段が、トレーニング信号を発生する最適化手段によ
りトレーニングされ、最適化手段が、制御信号と、最適
制御手段により供給される最適制御信号とを使用してト
レーニング信号を発生することを特徴としている。

【００１７】さらに、懸架装置の制御システムにおいて
は、懸架装置についての第１情報を測定するように構成
された削減された複数のセンサと、第１情報の少なくと
も一部分を受取るように構成され、そして第１制御信号
を発生するようにトレーニングされた第１の懸架装置コ
ントローラとが設けられ、第１の懸架装置コントローラ
が、懸架装置のエントロピ生成を減らすために第１情報
信号の少なくとも一部分の比較的多くを使用するように
トレーニングされることを特徴としている。

【００１８】削減制御システムは、削減センサセットか
ら削減制御信号を発生する。削減制御システムは、最適
化制御システムが発生する制御信号を使用する遺伝子ア
ナライザによりトレーニングされる。最適化制御システ
ムは、複数の角度・位置センサから得られたデータに基
づいて最適制御信号を供給する。オフライン学習モード
で、最適制御信号は、（削減制御システムが発生する）
削減制御信号から差引かれて情報計算器へ供給される。
一つの実施の形態において、削減制御システムは、車両
中心付近へ取付けた垂直加速度計を使用する。情報計算
器は、情報基準を遺伝子アナライザへ供給する。削減セ
ンサーセットからのデータもエントロピーモデルへ供給
され、このモデルはエントロピに基づいて物理基準を算
出する。この物理基準もまた、遺伝子アナライザへ供給
される。遺伝子アナライザは、情報基準と物理基準の両
方を使用して、削減制御システム用のトレーニング信号
を発生する。

【００１９】本発明のさらに別の実施の形態において、
本発明は、プラントのエントロピの時間微分（ｄＳｕ／
ｄｔ）とコントローラからプラントへ供給されるエント
ロピの時間微分（ｄＳｃ／ｄｔ）との間のエントロピ生
成差を得ることにより非線形対象（プラント）を制御す
る方法を包含する。すなわち、本発明によれば、第１の
複数のセンサを使用してプラントから第１情報を測定す
るステップと；プラントに対し目標の精度を提供するよ
うに構成され、第１制御信号を発生する第１の制御シス
テムへ第１情報を供給するステップと；第１の複数のセ
ンサより少ない第２の複数のセンサを使用してプラント
から第２情報を測定するステップと；第２制御信号を発
生する第２制御システムへ第２情報を供給するステップ
と；第１制御信号及び第２制御信号を使用して第２制御
システムを構成するステップと；から成ることを特徴と
するプラントの制御方法が提供される。

【００２０】適合（評価）関数としてエントロピ生成差
を使用する遺伝的アルゴリズムは、ＰＩＤコントローラ
のような低レベルコントローラのための制御ルールを進
化させる。プラントの非線形安定性特性はリヤプノフ
（リヤプノフ）関数を使用して評価される。進化させら
れた制御ルールは、最適センサーシステムから入手可能
な情報を、削減センサーシステムから入手可能な情報と
比較する情報関数を用いた更なる進化を利用して修正し
てもよい。遺伝子アナライザは、エントロピを最少化
し、センサ情報内容を最大化する。いくつかの実施の形
態では、遺伝的アルゴリズムによってコントローラの変
数に対する制御ルールを進化させるステップを、制御方
法に含めることもできる。遺伝的アルゴリズムでは、プ
ラントのエントロピの時間微分（ｄＳｕ／ｄｔ）と、プ
ラントへ供給されるエントロピの時間微分（ｄＳｃ／ｄ
ｔ）との間の差に基づいて適合関数が使用される。この
変数は進化させられた制御ルールを使用して修正してよ
い。

【００２１】本発明の別の実施の形態において、本発明
は、非線形プラントを制御するように成されたＡＩ制御
システムを備える。すなわち、本発明によれば、プラン
トを測定する削減された複数のセンサからの削減情報に
基づいて削減制御信号を発生する削減制御手段を備え、
削減制御手段が、削減制御信号及び非削減制御信号から
トレーニング信号を発生する最適化手段によりトレーニ
ングされることを特徴とするプラントの制御装置が提供
される。

【００２２】また、本発明によれば、プラントに関する
第１情報を測定するよう構成された、削減された複数の
センサと、第１情報の少なくとも一部分を受取るように
構成され、第１制御信号を発生するようにトレーニング
された第１コントローラと、を備え、第１コントローラ
が、プラントのエントロピー生成を減らすために第１情
報信号の少なくとも一部分の比較的多くを使用するよう
にトレーニングされることを特徴とするプラントの制御
システムが提供される。

【００２３】このＡＩ制御システムは、プラントの非線
形動作方程式の熱力学モデルを使用するように構成され
たシミュレータを含む。熱力学モデルは、リヤプノフ関
数（Ｖ）に基づいてし、シミュレータは、プラントの状
態安定性のための制御を解析するのに関数Ｖを使用す
る。ＡＩ制御システムは、そのプラントのエントロピの
時間微分（ｄＳｕ／ｄｔ）と、プラントを制御する低レ
ベルコントローラによりプラントへ供給されるエントロ
ピの時間微分（ｄＳｃ／ｄｔ）との間のエントロピ生成
差を算出する。エントロピ生成差は、遺伝的アルゴリズ
ムに使用されて、エントロピ生成差が最小化される適応
関数を得る。遺伝的アルゴリズムは、学習過程を用いる
ことによりファジールールを決定するファジーロジック
分類器（ｆｕｚｚｙｌｏｇｉｃｃｌａｓｓｉｆｉｅ
ｒ）へ教師信号を供給する。ファジーコントローラも、
低レベルコントローラの制御変数を取り定める制御ルー
ルを形成するように構成されている。一つの実施の形態
において、低レベルコントローラは、ＰＩＤコントロー
ラのような線形コントローラである。学習過程は、ファ
ジールールのためのルックアップ・テーブルを形成する
ように構成されたファジーニューラル回路網により実行
してもよい。

【００２４】更に別の実施の形態において、本発明によ
れば、制御対象がメカトロニクスである制御システムに
おいて、制御対象から必要かつ十分な情報を得ることの
できる数のセンサを備えた第１の制御システムと、セン
サの数を削減し、第１の制御システムと同様な機能をす
る第２の制御システムとの出力が比較され、その差から
算出した情報の指標とセンサ入力の物理的モデルに入力
して算出したエントロピの指標とをそれぞれ最適化でき
るように教師データが作成され、この教師データに基き
第２の制御システムのファジニューラル回路網を学習さ
せて最適化ルールが作成される。この場合、第１の制御
システム及び第２の制御システムの出力の差から算出し
た情報の指標を最大化することにより得られる制御の精
度及び信頼度（Ｉ）と、物理的モデルにより算出したエ
ントロピを最少化することにより得られる制御の安定性
及び外乱に対する頑強さ（Ｓ）との優先順位は、Ｋを重
み係数とするとき、式Ｅ＝Ｋ・Ｉ（ｘ，ｙ）＋（１−Ｋ）（１−Ｓ）で表す評価量（Ｅ）に基いて評価され、それに基いて遺
伝的アルゴリズムを用いて教師データが作成され得る。
また、評価式中の重み係数Ｋは制御システムの動作状態
に応じて個々に設定され得る。また、本発明は、制御
品質のための新規な物理的測定方法を包含し、この測定
方法は最少の生成エントロピに基づいてする方法であ
り、最適制御システム設計で遺伝的アルゴリズムの適合
関数のために使用される。この方法は、制御システムに
おけるローカルエントロピーフィードバックループを提
供する。エントロピフィードバックループは、プラント
の安定性（リヤプノフ関数を使用して）とプラントの制
御性（制御システムの生成エントロピに基づいて）とを
関連させることにより最適制御構成設計のために提供さ
れる。制御システムは、例えば、機械系、生物機械系、
ロボット、電気機械系など他の制御システムを含め、あ
らゆる制御システムに適用可能である。

【００２５】フィードバック制御システムは、普通は、
外乱に直面してプロセスまたはプラントの出力変数を制
御するために使用されている。線形フィードバック制御
システムは、普通は、比例フィードバック制御、積分フ
ィードバック制御、及び微分フィードバック制御の組合
せて使用している。比例フィードバック＋積分フィード
バック＋微分フィードバックの合計であるフィードバッ
クは、ＰＩＤ制御と称されることが多い。ＰＩＤコント
ローラの出力ｕ（ｓ）のラプラス変換は次式で与えられ
る：ｕ（ｓ）＝Ｇ（ｓ）ｅ（ｓ）＝［ｋ_１＋ｋ_２／ｓ＋ｋ_３ｓ］ｅ（ｓ）（１）上式で、Ｇ（ｓ）はＰＩＤコントローラの伝達関数であ
り、ｅ（ｓ）はコントローラの入力であり、ｕ（ｓ）は
コントローラの出力であり、ｋ_１は比例フィードバック
の係数であり、ｋ_２は積分フィードバックの係数であ
り、そしてｋ_３は微分フィードバックの係数である。係
数ｋ_ｉは係数ベクトルＫで表すことができ、ここでＫ＝
［ｋ_１，ｋ_２，ｋ_３］である。ベクトルＫは一般的に係
数ゲインスケジュール（ＣＧＳ）と呼ばれている。線形
ＰＩＤ制御システムで使用される係数Ｋの値は、プラン
トの動的モデルに基づいている。プラントが不安定で、
非線形で、及び／または時間変動である場合には、Ｋに
おける係数はＡＩ制御システムにより制御されることが
多い。

【００２６】図１は、典型的な従来技術のＡＩ制御シス
テム１００を示す。制御システム１００の入力ｙ（ｔ）
は、加算器１０４の正の入力に供給され、プラント１１
０の出力ｘ（ｔ）は、加算器１０４の負の入力に供給さ
れる。加算器１０４の出力は、エラー信号ｅ（ｔ）とし
てＰＩＤコントローラ１０６のエラー信号入力に供給さ
れる。ＰＩＤコントローラ１０６の出力ｕ（ｔ）は、加
算器１０８の第一入力に供給される。加算器１０８の第
二入力には外乱ｍ（ｔ）が供給される。加算器１０８の
出力ｕ^＊（ｔ）はプラント１１０の入力へ供給される。
プラント１１０は、伝達関数Ｈ（ｓ）と出力ｘ（ｔ）を
有し、ここでｘ（ｔ）⇔Ｘ（ｓ）（ここで記号⇔はラプ
ラス変換を意味する）及びＸ（ｓ）＝Ｈ（ｓ）ｕ
^＊（ｓ）である。遺伝的アルゴリズム１１６の出力はフ
ァジーニューラル回路網（ＦＮＮ）１１８に供給され、
ファジーニューラル回路網１１８の出力はファジーコン
トローラ（ＦＣ）１２０に供給される。ファジーコント
ローラ１２０の出力は、一セットの係数Ｋであり、これ
らの係数はＰＩＤコントローラ１０６の係数入力に供給
される。

【００２７】ＰＩＤコントローラ１０６に供給されるエ
ラー信号ｅ（ｔ）は、プラントの出力目標値ｙ（ｔ）と
プラントの出力実効値ｘ（ｔ）との間の差である。ＰＩ
Ｄコントローラ１０６は、ｅ（ｔ）（エラーは目標と実
際の出力信号の差信号である）で表現されるエラーを最
小化するように設計されている。すなわちＰＩＤコント
ローラ１０６は、プラント１１０からの出力信号ｘ
（ｔ）を目標値に近づくように動かす出力信号ｕ（ｔ）
を発生することにより、エラー信号ｅ（ｔ）を最小化す
る。遺伝的アルゴリズム１１６、ファジーニューラル回
路網１１８、及びファジーコントローラ１２０はエラー
信号ｅ（ｔ）を監視し、そしてＰＩＤコントローラ１０
６の操作を改善するために、ＰＩＤコントローラ１０６
のゲインスケジュールＫを修正する。

【００２８】ＰＩＤコントローラ１０６は、プラント１
１０に関し逆モデルを構成している。遺伝的アルゴリズ
ム１１６は、評価関数ｆに基づいて出力信号αを展開さ
せる。αに対する複数の候補が生成され、これらの候補
は一対にされ、それに従い複数の染色体（親）が生成さ
れる。染色体は、評価関数ｆを使用することにより最良
から最悪まで評価され、ソートされる。全ての親染色体
を評価した後、複数の親染色体の中から良い子染色体が
選択され、いくつかの子染色体がランダム（無差別）に
選択される。選択された染色体は交配され、それにより
次世代の親染色体を生成する。また、突然変異が使用さ
れてもよい。第二世代の親染色体もまた評価され（ソー
トされ）、同じ進化のプロセスを経過して次世代（すな
わち第三世代）の染色体を生成する。この進化プロセス
は予め決められた世代に達するか、または評価関数ｆが
特定の値をもつ染色体を見出すまで続けられる。遺伝的
アルゴリズムの出力が最終世代の染色体である。これら
の染色体は、ファジーニューラル回路網１１８に供給さ
れる入力情報αとなる。

【００２９】ファジーニューラル回路網１１８では、フ
ァジーコントローラ１２０で使用されるファジールール
が、一連のルールから選択される。選択されるルール
は、遺伝的アルゴリズム１１６からの入力情報αの基づ
いて決定される。選択されたルールを使用して、ファジ
ーコントローラ１２０は、ＰＩＤコントローラ１０６の
ためのゲインスケジュールＫを生成する。ベクトル係数
ゲインスケジュールＫは、ＰＩＤコントローラ１０６に
供給され、従って、ＰＩＤコントローラ１０６がエラー
信号ｅ（ｔ）をより良く最小化できるように、ＰＩＤコ
ントローラ１０６の操作を調節する。

【００３０】ＡＩコントローラ１００は、線形化した平
衡点近くの領域では制御が正確である利点があるとはい
え、線形化した平衡点から離れた領域では、精度は低下
する。その上、普通、ＡＩコントローラ１００は遅く、
またはプラント１１０を取巻く環境の変化にさえ追随で
きない。ＰＩＤコントローラ１０６は、線形伝達関数Ｇ
（ｓ）を有し、従って、プラント１１０に対する動作の
一次方程式に基づいている。遺伝的アルゴリズム１１６
に用いられる評価関数ｆは、線形ＰＩＤコントローラ１
０６の入力ｅ（ｔ）に対する情報だけに基づいているの
で、コントローラ１００は、線形化モデルで普通に見ら
れる制御性の悪さの問題を解決しない。更に、出力結果
は、ゲインスケジュールＫ及び出力ｘ（ｔ）の両方で、
遺伝的アルゴリズム１１６に使用した評価関数ｆの性質
に依存して、大きく変動することが多い。遺伝的アルゴ
リズム１１６は、評価関数ｆを最適化する非線形最適化
装置である。多くの最適化装置と同様に、最適化の成功
と失敗は、結局のところ、評価関数ｆの選択に依存する
ことが多い。

【００３１】以下、添付図面の図２〜図１１を参照して
図示された実施の形態について説明する。本発明は、図
２に示す新規のＡＩ制御システム２００を提供すること
により、上記の問題及び他の問題を解決する。従来のＡ
Ｉ制御システムと異なり、制御システム２００は、自己
組織系であり、最小エントロピの物理法則に基づいて新
規の評価関数ｆを使用する。制御システム２００の入力
ｙ（ｔ）は、加算器２０４の正の入力に供給され、プラ
ント２１０の出力ｘ（ｔ）は、加算器２０４の負の入力
に供給される。加算器２０４の出力は、エラー信号ｅ
（ｔ）として、ＰＩＤコントローラ２０６のエラー信号
入力及びファジーコントローラ２２０の入力に供給され
る。ＰＩＤコントローラ２０６の出力ｕ（ｔ）は、加算
器２０８の第一入力及びエントロピ計算器（ＥＣ）２１
４の第一入力に供給される。外乱ｍ（ｔ）は、加算器２
０８の第二入力に供給される。加算器２０８の出力ｕ^＊
（ｔ）は、プラント２１０の入力に供給される。プラン
ト２１０は、Ｘ（ｓ）＝Ｈ（ｓ）ｕ^＊（ｓ）であり、こ
こでｘ（ｔ）⇔Ｘ（ｓ）であるような伝達関数Ｈ（ｓ）
と出力ｘ（ｔ）を有する。出力ｘ（ｔ）は、エントロピ
計算器２１４の第二入力及び加算器２０４の負の入力に
供給される。エントロピ計算器２１４の出力は、遺伝的
アルゴリズム２１６の入力に供給され、遺伝的アルゴリ
ズム２１６の出力はファジーニューラル回路網（ＦＮ
Ｎ）２１８の入力に供給される。ファジーニューラル回
路網２１８の出力は、ファジーコントローラ２２０のル
ール選択入力２２２へ供給される。ファジーコントロー
ラ２２０の係数ゲインスケジュール（ＣＧＳ）出力２１
２は、ＰＩＤ２０６のゲインスケジュール入力へ供給さ
れる。

【００３２】遺伝的アルゴリズム２１６とエントロピ計
算器２１４の組合せは、制御品質シミュレーションシス
テム２１５を構成している。ファジーニューラル回路網
２１８とファジーコントローラ２２０の組合せは、ファ
ジーロジック分類システムＦＬＣＳ２１９を構成してい
る。プラント２１０と加算器２０８の組合せは、外乱を
もつプラントモデル２１３を構成している。外乱をもつ
プラント信号ｕ^＊（ｔ）＝ｕ（ｔ）＋ｍ（ｔ）及び外乱
ｍ（ｔ）は普通は観測可能ではない。

【００３３】ＰＩＤコントローラ２０６へ供給されるエ
ラー信号ｅ（ｔ）は、プラントの出力目標値ｙ（ｔ）と
プラントの出力実効値ｘ（ｔ）との間の差である。ＰＩ
Ｄコントローラ２０６はｅ（ｔ）で表わされるエラーを
最小化するように設計されている。ＰＩＤコントローラ
２０６は、プラント２１０からの出力信号ｘ（ｔ）を目
標値へ近づくように動かす出力信号ｕ（ｔ）を発生する
ことにより、エラー信号ｅ（ｔ）を最小化する。ファジ
ーコントローラ２２０はエラー信号ｅ（ｔ）を監視し、
ファジーニューラル回路網２１８により選択されたファ
ジー制御ルールに従いＰＩＤコントローラ２０６のゲイ
ンスケジュールＫを修正する。

【００３４】遺伝的アルゴリズム２１６は、教師（教
師）信号Ｋ_Ｔをファジーニューラル回路網２１８へ供給
する。教師信号Ｋ_Ｔは、遺伝的アルゴリズム２１６によ
り生成された係数ゲインスケジュールＫの大域的最適解
である。

【００３５】ＰＩＤコントローラ２０６は、プラント２
１０に関し逆モデルを構成する。遺伝的アルゴリズム２
１６は、評価関数ｆに基づいて出力信号αを展開する。
複数のαに対する候補が生成され、これらの候補は一対
にされ、それにより複数の染色体（親）が生成される。
染色体は、評価関数ｆを使用することにより最良から最
悪まで評価されソートされる。全ての親染色体を評価し
た、複数の親染色体の中から良い子染色体が選択され、
いくつかの子染色体がランダムに選択される。選択され
た染色体は交配され、それにより次世代の親染色体を生
成する。突然変異も採用される。第二世代の親染色体も
また評価され（ソートされ）、同じ進化のプロセスを経
て次世代（すなわち第三世代）の染色体を生成する。こ
の進化プロセスは予め決められた世代に達するか、また
は評価関数ｆが特定の値をもつ染色体を見出すまで続け
られる。その後、最終世代の染色体からの構成要素が最
終出力、すなわち、ファジーニューラル回路網２１８へ
供給される入力情報αとなる。

【００３６】ファジーニューラル回路網２１８では、フ
ァジーコントローラ２２０で使用されるファジールール
が、一連のルールから選択される。選択されたルール
は、遺伝的アルゴリズム２１６からの入力情報αに基づ
いて決定される。選択されたルールを使用して、ファジ
ーコントローラ２２０は、ＰＩＤコントローラ２０６の
ためのゲインスケジュールＫを生成する。これは、ＰＩ
Ｄコントローラ２０６へ供給され、従って、ＰＩＤコン
トローラ２０６がエラー信号ｅ（ｔ）をより良く最小化
できるように、ＰＩＤコントローラ２０６の操作を調節
する。

【００３７】遺伝的アルゴリズムのための適合関数ｆ
は、次式で与えられる：ｆ＝ｍｉｎ（ｄＳ／ｄｔ）（２）ここで、ｄＳ／ｄｔ＝（ｄＳｃ／ｄｔ−ｄＳｕ／ｄｔ）（３）量ｄＳｕ／ｄｔは、プラント２１０の出力ｘ（ｔ）での
エントロピ生成速度を表す。量ｄＳｃ／ｄｔは、ＰＩＤ
コントローラ２０６の出力ｕ（ｔ）でのエントロピ生成
速度を表す。

【００３８】エントロピは、システムの熱または不規則
さを特徴づけるため、物理学に源（ソース）となる概念
である。エントロピはまた、事象の集合の不確実性、ま
たはランダム変数、確率分布に対する方法を提供するの
に使用できる。エントロピ関数は、確率分布での情報の
損失度の測定方法を提供する。例示すると、ｐ（ｘ）が
パラメータの分かっている状態の確率的記述を表すと仮
定すれば、ｐ（ｘ）はパラメータがｚに等しい確率であ
る。ｐ（ｘ）が一様であれば、パラメータｐは何れの値
も保持するのに等しく、観測者にはパラメータｐはよく
分からない。この場合、エントロピ関数はその最大にあ
る。しかし、ｐ（ｚ）の要素の１つが確率１で起こると
すると、観測者は、パラメータｐを正確に知り、ｐにつ
いての完全な情報を有することになる。この場合、ｐ
（ｘ）のエントロピは、その最小可能値にある。このよ
うに、一貫性のある測定方法を提供することにより、エ
ントロピ関数は、確率分布における情報の定量化を可能
にする。

【００３９】測定されたモーメント（時間）またはデー
タが与えられればこれらのエントロピ概念が統計的モデ
ルを満足するように確率を制約すると共に、確率の分布
のエントロピ測定を最大化することにより、パラメータ
回収にエントロピ概念を適用することは可能である。こ
の最適化にもかかわらず、データと一貫性のある可能性
の最も少ない情報を有する分布を見出すことができる。
ある意味で、データ中の全ての情報が確率分布の形に変
換される。このように、結果としての確率分布は、追加
の構成を賦課することなく、データ中の情報だけを含
む。一般に、エントロピ技術は、確率分布に関して回収
されるようにパラメータを公式化し、最適化のための制
約としてデータを記述するのに使用される。エントロピ
公式化を使用して、強力な分布上の仮定を加えること無
く広範囲の推定を行い、悪い形の問題を解決し、そして
種々のソースからの情報の組合わが可能である。

【００４０】図２におけるプラントのエントロピに基
く制御は、プラントのエントロピの時間微分（ｄＳｕ／
ｄｔ）と、プラント２１０を制御する低レベルのコント
ローラからプラントへ供給されるエントロピの時間微分
（ｄＳｃ／ｄｔ）との間の差を得、次いで遺伝的アルゴ
リズムを使用して制御ルールを展開することに基づいて
いる。エントロピの時間微分は、エントロピ生成レート
と呼ばれる。遺伝的アルゴリズムは、プラントのエント
ロピ生成レート（ｄＳｕ／ｄｔ）と低レベルコントロー
ラのエントロピ生成レート（ｄＳｃ／ｄｔ）との間の差
を、評価関数として使用する。物理的プラント２１０の
非線形操作特性は、リヤプノフ関数を使用して算出され
る。

【００４１】平衡点近傍でのプラント２１０の動的安定
性特性はリヤプノフ関数を使用して決定され得る。Ｖ
（ｘ）を、原点を含む領域Ｄ⊂Ｒ^ｎで定義される連続的
に微分可能なスカラー関数であるとする。関数Ｖ（ｘ）
は、Ｖ（０）＝０及びｘ≠０に対しＶ（ｘ）＞０の場
合、正値（ｄｅｆｉｎｉｔｅ）であると言われる。関数
Ｖは、−Ｖ（ｘ）が正の定数（ｄｅｆｉｎｉｔｅ）また
は正のセミ定数（ｓｅｍｉｄｅｆｉｎｉｔｅ）である場
合、それぞれ負の定数（ｄｅｆｉｎｉｔｅ）または負の
セミ定数（ｓｅｍｉｄｅｆｉｎｉｔｅ）であると言われ
る。ここで、∂Ｖ／∂ｘは、列ベクトルであり、そのｉ番目
の成分は∂Ｖ／∂ｘ_ｉであり、またｎ次元ベクトルｆ
（ｘ）の成分は、領域Ｄで全てのｘに対して定義され
る、局部的にｘのリプシェッツ関数である。リヤプノフ
安定性定理は、連続的に微分可能な正値関数Ｖ（ｘ）が
存在し、それ故Ｖ（ｘ）が負値である場合には、原点は
安定であると述べている。安定性に対する条件を満足す
る関数Ｖ（ｘ）はリヤプノフ関数と呼ばれる。

【００４２】閉鎖非線形機械系に対するリヤプノフ動的
安定性及びエントロピ生成の計算方法は、例として、ホ
ームズランド（ダフィング−ファンデルポール）非線形
発振器を使用することにより表示される。ホームズラン
ド発振器は次式で記述される：ここで、α，β，及びγは定数パラメータである。ホー
ムズランド発振器に対するリヤプノフ関数は次式で与え
られる：ホームズランド発振器に対するエントロピ生成ｄ_ｉＳ／
ｄｔは次式で与えられる：（５）式は次のように書換えられ：ここでＴは標準化ファクタである。

【００４３】開放動態体系でのリヤプノフ関数とエント
ロピ生成間の相互関係は、次式の形のリヤプノフ関数を
仮定することにより確立でき：ここで、Ｓ＝Ｓｕ−Ｓｃであり、ｑ_ｉは一般化された座
標である。エントロピＳはまた時間のスカラー関数であ
るから、リヤプノフ関数Ｖにエントロピ関数Ｓを導入す
ることは可能である。時間に対するＶの微分は：従って： β＝０で、特別な場合が起こり、ホームズランド発振器
は、自由力のダフィング発振器となり、ここで：ファンデルポール発振器は次式で記述され：そして、エントロピ生成は次式で与えられる：流体中でのマイクロ可動ロボットに対して、機械的モデ
ルは次式で与えられる：ここで： θ_ｎ＋１＝−（１／２）θ_ｎ＋（３／２）（１／ｌ_ｎ＋１）（ｘ_ｎ＋１− ｘ_ｎ）（１９）

【００４４】特定のマイクロ可動ロボットに対する値
は、下の表１で与えられる。

【００４５】マイクロ可動ロボットに対するエントロピ
生成は次式で与えられる：そして、リヤプノフ関数は次式で与えられる：ここで、Ｓ＝Ｓｉ−Ｓｃで、Ｓｃはトルクτをもつコン
トローラのエントロピである。

【００４６】プラントのリヤプノフ安定性に対する必要
かつ充分な条件は、次の関係で与えられる：上記の式によれば、プラントの安定性は、（Ｂｒｉｌｌ
ｏｕｉｎによって使用された術語である）「ネゲントロ
ピ」Ｓｃでもって達成され得、ここで、制御システム２
０６でのネゲントロピの変化ｄＳｃ／ｄｔは、プラント
２１０の動作でエントロピの変化ｄＳｉ／ｄｔから引き
算される。

【００４７】頑健な（ロバスト）ＡＩ制御システム２０
０は、確率的環境（例えば、活性振動制御）、インテリ
ジェント・ロボット及び電気機械システム（例えば、モ
ービル・ロボット・ナビゲーション、マニピュレータ、
総合モービル・ロボット制御）、バイオ・メカニカル・
システム（例えば、パワー・アシスト・システム、人工
肺浄気のような医療用システムでの人工置換内臓の制
御）、マイクロ電気機械システム（例えば，流体中のマ
イクロ・ロボット）等で、機械系の進歩した制御を提供
する。

【００４８】遺伝的アルゴリズムは、最小エントロピ生
成の原理を使用する単純な構成で最適なコントローラの
探索を実現する。ファジーニューラル回路網コントロー
ラは、より小さなトルクで、コントローラのよりフレキ
シブルな構成を提供し、また学習過程は、エントロピを
わずかしか生成しない。ファジーニューラル回路網コン
トローラは、小さなトルクをもつコントローラに対しよ
りフレキシブルな構成をもたらし、学習過程は、遺伝子
アナライザ単体より少ないエントロピしか生成しない。
このように、本能的メカニズムは、直覚的メカニズムよ
り少ないエントロピしか生成しない。しかし、ファジー
ニューラル回路網上で学習過程（本能）を用いて最適制
御を達成するために必要な時間は、遺伝的アルゴリズム
上で大域的探索（直覚）を用いるものよりも長い。

【００４９】ファジーコントローラ２２０のルックアッ
プ・テーブル間の組織的行動の実現は、遺伝的アルゴリ
ズムとファジーニューラル回路網により遂行される。特
に、構成２００は、線形または非線形のニューラル回路
網２１８と結合した多モードのファジーコントローラを
提供する。制御システム２００は、直覚と本能をもつ自
己組織系ＡＩ制御システムの実現である。適応コントロ
ーラ２００では、ＰＩＤコントローラ２１０のフィード
バック・ゲインは、量子ファジー・ロジックに従い変化
され、概算の推定（ａｐｐｒｏｘｉｍａｔｅｒｅａｓ
ｏｎｉｎｇ）が、非線形動的動作方程式の使用により得
られる。

【００５０】ゲインｋｉのためのファジー同調ルール
は、遺伝的アルゴリズム２１６により供給される大域的
入力に基づくファジールールの加速をもつファジーニュ
ーラル回路網２１８での学習システムにより形成され
る。このように、制御システム２００は、「小型の」イ
ンテリジェントである階層的な２レベルの制御システム
である。下位（実行）レベルは、従来のＰＩＤコントロ
ーラ２０６により提供され、上位（調整）レベルは、
（他のファジー関連モデルとの生成ルールの形態でのフ
ァジー推論モジュールをもつ）ＫＢ、及び、それぞれフ
ァジー化と逆ファジー化成分により提供される。遺伝的
アルゴリズム２１６は、エントロピ生成の測定である適
合関数、及びこの場合エントロピである進化関数、を使
用することによりＰＩＤコントローラ２０６の最適構成
を選ぶ直覚的メカニズムをシミュレートする。

【００５１】センサ削減制御システム一つの実施の形態では、エントロピに基く制御システム
は、センサの数量を最適システムのセンサ数から減じた
センサ削減制御システムに適用されている。図３Ａは、
プラント３０４を制御する最適制御システムｘ３０２を
示す。最適制御システムｘは出力信号ｘを生成する。ｍ
個のセンサのグループは、プラント３０４から状態情報
を集め、状態情報をフィードバックとして最適制御シス
テムｘ３０２へ供給する。制御システムｘ３０２が最適
であるというのは、それが完全とか最良であるという意
味ではなく、むしろ、制御システムｘ３０２が、プラン
ト３０４の出力を制御するのに所望の制御精度を提供す
るという意味で最適である。

【００５２】図３Ｂは、プラント３０４を制御する削減
制御システムｙ３１２を示す。削減制御システムｙ３１
２は出力信号ｙを供給する。ｎ個のセンサ（ここではｎ
＜ｍ）のグループはプラント３０４から状態情報を集
め、状態情報をフィードバックとして削減制御システム
ｙ３１２へ供給する。削減制御システム３１２は、最適
制御システム３０２よりも少ないセンサから情報を受取
っている（ｎはｍより少ない）ため減少されている。削
減制御システム３１２は、最適制御システム３０２と比
較して、センサ数量の数の減少に関らず制御品質（精
度）の著しい損失なしにプラント３０４を制御するため
の、スマート・シミュレーション技術を使用するように
構成されている。プラント３０４は，安定でも不安定で
もよく、制御システム３１２は、プラント３０４の完全
なモデルでもプラント３０４の部分モデルでも使用する
ことができる。

【００５３】削減制御システム３１２は、信頼性、充分
な精度、制御のロバスト性、自己及びプラント３０４の
安定性、低コスト（一部は、制御に必要なセンサ数の減
少による）、を提供する。削減制御システムは、例え
ば、懸架装置システム、エンジン、ヘリコプター、船
舶、ロボット、マイクロ電気機械システム等のプラント
のためのロバスト・インテリジェント制御システムに有
用である。いくつかの実施の形態では、センサ数におけ
る減少が、例えば、インテリジェント・システムとして
の統合センサ（例えば、予備のデータ処理での「センサ
ーアクチュエーターマイクロプロセッサ」）に対して、
また減少した数のセンサでロバスト・インテリジェント
制御システムのシミュレーションのために使用できる。
減少出力信号ｙ（ｎ個のセンサの場合）での情報の量
は、好ましくは、最適出力信号での情報の量に近い。言
い換えると、減少（変いくつかの実施の形態では、削減制御システム３１２が
適用されて、制御システム３１２及びプラント３０４に
おけるエントロピ生成を最小化する。

【００５４】削減制御システム３１２の一般的構成を、
図４Ａと図４Ｂに示す。図４Ａは、削減制御システム４
８０と最適制御システム４２０を示すブロック図であ
る。最適制御システム４２０は、最適化装置４４０及び
センサ補償器４６０と共に、削減制御システム４８０を
学習させるのに使用される。図４Ａでは、目標信号（目
標出力と表示）は、最適制御システム４２０の入力と削
減制御システム４８０の入力へ供給される。ｍ個のセン
サを有する最適制御システム４２０は、出力センサ信号
ｘ_ｂと最適制御信号ｘ_ａとを供給する。削減制御システ
ム４８０は、出力センサ信号ｙ_ｂと削減制御信号ｙ_ａと
を供給する。信号ｘ_ｂとｙ_ｂはｋ個のセンサからのデー
タを含み、ここでｋ２２と４８２間に共通でないセンサである。信号ｘ_ｂと
ｙ_ｂは、減算器４９１の第一と第二の入力へ供給され
る。減算器４９１の出力は、信号ε_ｂであり、ここでε
_ｂ＝ｘ_ｂ−ｙ_ｂである。信号ε_ｂは、センサ補償器４６
０のセンサ入力へ供給される。信号ｘ_ａとｙ_ａは、減算
器４９０の第一と第二の入力へ供給される。減算器４９
０の出力は、信号ε_ａであり、ここでε_ａ＝ｘ_ａ−ｙ_ａ
である。信号ε_ａは、センサ補償器４６０の制御信号入
力へ供給される。センサ補償器４６０の制御情報出力
は、最適化装置４４０の制御情報入力へ供給される。セ
ンサ補償器４６０のセンサ情報出力は、最適化装置４４
０のセンサ情報入力へ供給される。削減制御システム４
８０からのセンサ信号４８３も最適化装置４４０の入力
へ供給される。最適化装置４４０の出力は、削減制御シ
ステム４８０の入力へ教師信号４４７を供給する。

【００５５】以下に説明するように、オフライン・モー
ドは普通には、補正モードと呼ばれ、ここでは制御対象
４２８（及び制御対象４８８）は、ｍ個のセンサのセッ
トの最適セットで動作する。実施の形態の１つでは、オ
フライン・モードは、追加のセンサ（すなわち、ｎ個の
セットでなく、ｍ個のセットであるセンサ）がＦＮＮ１
４２６及びＦＮＮ２４８６をトレーニングするの
に使用される工場または修理センターで実行される。オ
ンライン・モードは普通には、操作モード（例えば、標
準モード）と呼ばれ、ここではシステムは、ｎ個のセッ
トのセンサだけで実行される。

【００５６】図４Ｂは、図４Ａ内のブロックの詳細を示
すブロック図である。図４Ｂでは、信号ｘ_ｋは、ｍ＝ｋ
＋ｋ_１により与えられるｍ個のセンサを有するセンサー
システムｍ４２２の出力により供給される。センサーシ
ステムｍ４２２からの情報は、最適情報内容Ｉ_１を有す
る信号（または信号のグループ）である。つまり、情報
Ｉ_１は、センサーシステム４２２におけるｍ個のセンサ
の完全セットからの情報である。出力信号ｘ_ａは、制御
ユニット４２５の出力により供給される。制御信号ｘ_ａ
は制御対象４２８の入力へ供給される。制御対象４２８
の出力は、センサーシステム４２２の入力へ供給され
る。ｋ個のセンサセットからの情報Ｉ_ｋは、ファジーニ
ューラル回路網（ＦＮＮ１）４２６のオンライン学習入
力、及び第一遺伝的アルゴリズム（ＧＡ１）４２７の入
力へ供給される。センサーシステム４２２におけるセン
サのセットｋ_１からの情報Ｉ_ｋ１は、制御対象モデル４
２４の入力へ供給される。アルゴリズムＧＡ１４２７
からのオフライン同調信号出力は、ＦＮＮ１４２６の
オフライン同調信号入力へ供給される。ＦＮＮ４２６
からの制御出力は制御信号ｘ_ａであり、それは、制御対
象４２８の制御入力へ供給される。制御対象モデル４２
４及びＦＮＮ４２６は、共に最適ファジー制御ユニッ
ト４２５を備える。

【００５７】また図４Ｂで、センサ補償器４６０は、乗
算器４６２、乗算器４６６、情報計算器４６８、及び情
報計算器４６４を備えている。乗算器４６２及び情報計
算器４６４は、オンライン（標準）モードで使用され
る。乗算器４６６及び情報計算器４６８は、オフライン
検査のために設けられている。加算器４９０の出力から
の信号ε_ａは、乗算器４６２の第一入力と乗算器４６２
の第二入力へ供給される。乗算器４６２の出力は、信号
ε_ａ ^２であり、情報計算器４６４の入力へ供給される。
情報計算器４６４はＨ_ａ（ｙ）≦Ｉ（ｘ_ａ，ｙ_ａ）を計
算する。情報計算器４６４の出力は、精度と信頼性に対
する情報基準Ｉ（ｘ_ａ，ｙ_ａ）→ｍａｘである。加算器
４９１の出力からの信号ε_ｂは、乗算器４６６の第一入
力と乗算器４６６の第二入力へ供給される。乗算器４６
６の出力は、信号ε_ｂ ^２であり、情報計算器４６８の入
力へ供給される。情報計算器４６８はＨ_ｂ（ｙ）≦Ｉ
（ｘ_ｂ，ｙ_ｂ）を計算する。情報計算器４６８の出力
は、精度と信頼性に対する情報基準Ｉ（ｘ_ｂ，ｙ_ｂ）→
ｍａｘである。最適化装置４４０は、第二遺伝的アルゴ
リズム（ＧＡ２）４４４、及びエントロピ・モデル４４
２を備えている。情報計算器４６４からの信号Ｉ
（ｘ_ａ，ｙ_ａ）→ｍａｘは、最適化装置４４０でのアル
ゴリズム（ＧＡ２）４４４の第一入力へ供給される。エ
ントロピ信号Ｓ→ｍｉｎは、熱力学モデル４４２の出
力からアルゴリズムＧＡ２４４４の第二入力へ供給さ
れる。情報計算器４６８からの信号Ｉ（ｘ_ｂ，ｙ_ｂ）→
ｍａｘは、最適化装置４４０でのアルゴリズム（ＧＡ
２）４４４の第三入力へ供給される。アルゴリズム（Ｇ
Ａ２）４４４の第一と第三入力へ供給される信号Ｉ（ｘ
_ａ，ｙ_ａ）→ｍａｘとＩ（ｘ_ｂ，ｙ_ｂ）→ｍａｘは、情
報基準であり、アルゴリズムＧＡ２４４４の第二入力
へ供給されるエントロピ信号Ｓ（ｋ_２）→ｍｉｎは、エ
ントロピに基づく物理基準である。アルゴリズムＧＡ２
４４４の出力は、以下に説明するＦＮＮ２４８６の
ための教師信号４４７である。

【００５８】削減制御システム４８０は、削減センサー
システム４８２、制御対象モデル４８４、ＦＮＮ２４
８６、及び制御対象４８８を備えている。特別なオフラ
イン検査（検証）モードで動作する場合、センサーシス
テム４８２は、センサーセットｋも含む。制御対象モデ
ル４８４及びＦＮＮ２４８６は、共に減少ファジー制
御ユニット４８５を備える。制御対象４８８の出力は、
センサーセット４８２の入力へ供給される。センサーセ
ット４８２のＩ_２出力は、ｎ個のセンサのセットからの
情報を包み、ここでは、ｎ＝（ｋ_１＋ｋ_２）＜ｍ、その
結果Ｉ_２＜Ｉ_１である。情報Ｉ_２は、ＦＮＮ２４８６
の同調入力、制御対象モデル４８４の入力、及びエント
ロピ・モデル４４２の入力へ供給される。アルゴリズム
ＧＡ２４４４からの教師信号４４７は、ＦＮＮ２４８
６の教師信号入力へ供給される。ＦＮＮ２４８６から
の制御出力は信号ｙ_ａであり、それは、制御対象４８８
の制御入力へ供給される。

【００５９】制御対象モデル４２４及び４８４は、完全
または部分モデルであってよい。図４Ａ及び図４Ｂは、
最適システム４２０と減少システム４８０を分離したシ
ステムとして示しているとはいえ、普通には、システム
４２０と４８０は同じシステムである。システム４８０
は、余分なセンサを取去り、ニューラル回路網をトレー
ニングすることによりシステム４２０から「作成され
た」ものである。このように、普通には、制御対象モデ
ル４２４と４８４とは同じである。制御対象４２８と４
８８もまた、普通には同じである。

【００６０】図４Ｂは、ＧＡ１４２７からＦＮＮ１
４２６へ、及びＧＡ２４４４からＦＮＮ２４８６への
オフライン同調（チューニング）の矢印である矢印を示
している。図４Ｂはまた、センサーシステム４２２から
ＦＮＮ１４２６へのオンライン学習矢印４２９を示
す。ＧＡ２４４４の同調は、ＦＮＮ２４８６での結
合係数（ｂｏｎｄｉｎｇｃｏｅｆｆｉｃｉｅｎｔ）の
セットを変更することを意味する。結合係数は、Ｉ
（ｘ，ｙ）が最大になる方向へ向かい、Ｓが最小になる
方向へ向かうように、（例えば、反復または試行錯誤プ
ロセスを使用して）変更される。言い換えれば、係数の
コード化セットの情報は、Ｉ（ｘ，ｙ）とＳが評価され
るように、ＦＮＮ２４８６へＧＡ２４４４から送ら
れる。普通には、ＦＮＮ２４８６での結合係数は工場
またはサービス・センターでオフライン・モードで同調
される。

【００６１】教師信号４２９は、最適制御セットを持つ
最適制御システム４２０の操作中にＦＮＮ１４２６上
で操作する信号である。普通には、教師信号４２９は、
削減制御システムがオンライン・モードで操作している
場合に、削減制御システム４８０で使用されないセンサ
により供給される。ＧＡ１４２７は、オフライン中に
ＦＮＮ１４２６を同調する。ｘ_ｂ及びｙ_ｂに関連する
信号線は、破線にして、ｘ_ｂ及びｙ_ｂ信号は典型的には
特別なオフライン検査（すなわち、検証）モード中にだ
け使用されることを示す。検証モード中、削減制御シス
テムは、最適なセンサのセットで動作する。追加のセン
サ情報が最適化装置４４０へ供給され、最適化装置４４
０は、削減制御システム４８０が所望の、ほぼ最適の、
精度で操作することを検証する。

【００６２】非線形発散的数学モデルの説明及び減少し
たセンサの数（またはセンサの異なるセット）をもつ安
定及び不安定の制御対象に対しては、制御システム設計
は、情報基準Ｉ（ｘ_ａ，ｙ_ａ）→ｍａｘとＩ（ｘ_ｂ，ｙ
_ｂ）→ｍａｘに従う制御対象の出力精度及び制御システ
ムの信頼性の計算に関係する。制御システム設計はま
た、物理基準Ｓ（ｋ_２）→ｍｉｎに従う制御システム及
び制御対象の安定性及びロバスト性の検査に関係する。

【００６３】第一のステップでは、最適制御信号ｘ_ａと
削減制御信号ｙ_ａとの間の相互情報の最大として説明さ
れる適合関数をもつ遺伝的アルゴリズムＧＡ２４４４
が、オフライン・シミュレーションでファジーニューラ
ル回路網ＦＮＮ２４８６のための教師信号４４３を発
生するのに使用される。ファジーニューラル回路網ＦＮ
Ｎ２４８６は、教師信号へ適用するための後方伝播をも
つ学習プロセスを使用して実現され、コントローラ４８
５でのＰＩＤコントローラのパラメータを変更するため
のルックアップ・テーブルを発生することになる。これ
は、充分な精度で所望の制御信頼性を達成するための十
分条件を構成する。

【００６４】第二ステップでは、最小のエントロピＳ、
生成速度ｄＳ／ｄｔとして説明される適合関数をもつ遺
伝的アルゴリズムＧＡ２４４４が（制御対象４８８の
数学的モデルに従い計算され）、ＦＮＮ２４８６でノ
ード修正ルックアップ・テーブルを実現するのに使用さ
れる。このアプローチは、制御の信頼性と充分な精度を
もつ削減制御システム４８０の安定性とロバスト性を提
供する。これは、減少したセンサ数をもつロバスト・イ
ンテリジェント制御システムのための設計の十分条件を
構成する。上の第一及び第二のステップは、記載順序
で、または順次になされる必要はない。不安定な対象の
シミュレーションでは、両ステップは好ましくは、物理
及び情報基準の合計として適合関数を使用して並行して
行われる。

【００６５】ＦＮＮ２４８６のためのルックアップ・
テーブルのシミュレーション後に、制御対象４８４の数
学的モデルは、削減センサ数をもつ削減制御システムと
全量（最適数）のセンサをもつ削減制御システムとの間
の質的形質の検査のためにセンサーシステム４８２上で
変更される。２つの適合関数をもつＧＡ２４４４の並
行した最適化は、ＦＮＮ２４８６でのルックアップ・
テーブルのこのまま修正を実現するのに使用される。エ
ントロピ・モデル４４２は、制御対象４８８の測定と制
御のための所望のセンサ数を決定するのを助けるようセ
ンサ情報Ｉ_２からデータを抽出する。

【００６６】図４Ａ及び図４Ｂは、センサの減少が制御
対象の出力での測定センサを除外する場合、及び情報基
準上での制御信号の計算比較が可能である場合での、一
般的な場合を示す。センサ補正器４６０は、（ＧＡ２
４４４に対する第一の適合関数として使用され）２つの
制御信号ｘ_ａとｙ_ａとの間の相互情報の最大として情報
基準を計算する。エントロピ・モデル４４２は、センサ
４８２からの情報を使用して（ＧＡ２４４４での第二
の適合関数として使用され）最小エントロピ生成として
物理基準を与える。ＧＡ２４４４の出力は、ＦＮＮ２
４８６のための教師信号４４７であり、それは、オン
ラインで使用されて、削減制御信号ｙ_ａを発生し、その
結果、削減制御信号ｙ_ｂの品質は、最適制御信号ｘ_ａと
同様である。このように、最適化装置４４０は、（物理
基準を使用して）制御の安定性とロバスト性を提供し、
（情報基準を使用して）充分な精度をもつ信頼性を提供
する。オフライン検査では、最適化装置４４０は、新規
の情報基準を使用してＦＮＮ２４８６から制御信号ｙ
_ａの修正を提供する。情報は加算的であるので、オンラ
イン／オフライン・ステップを順次、または並行して行
うことが可能である。オフライン検査では、センサーシ
ステム４８２は、制御信号ｙ_ａの品質の検査と修正のた
めだけに、普通は全てのセンサを使用する。このアプロ
ーチは、制御対象４８８が不安定な場合でも、所望の制
御の信頼性と品質を提供する。削減センサーシステム４
８２（ｎセンサをもつ）に対しては、ＦＮＮ２４８６
は、好ましくは、ファジーコントローラ（ＦＣ）アルゴ
リズムの代わりに学習及び適応プロセスを使用する。図
５は、ＦＣ５０１とＦＮＮ５４０との間の類似性を示
す。

【００６７】図５Ａに示すように、ＦＮＮ５４０の構成
は、ＦＣ５０１の構成に類似している。図５Ａは、目標
のセンサ出力値を受取る第一の入力５３５と、実際のセ
ンサ出力値５３６を受取る第二の入力５３６とを有する
ＰＩＤコントローラ５０３を示す。目標センサ出力値は
加算器５２０の正の入力へ供給され、実際のセンサ出力
値５３６は、加算器５２０の負の入力へ供給される。加
算器５２０の出力は、比例出力５３１、積分器５２１の
入力、及び微分器５２２の入力へ供給される。積分器の
出力は積分出力５３２へ供給され、微分器の出力は微分
出力５３３へ供給される。

【００６８】ファジーコントローラ（ＦＣ）５０１は、
ファジー化インタフェース５０４（図５Ｂに示す）、知
識ベース（ＫＢ）５０２、ファジールール計算器５０
６、及び逆ファジー化インタフェース５０８を備えてい
る。ＰＩＤ出力５３１−５３３は、ファジー化インタフ
ェース５０４のＰＩＤ入力へ供給される。ファジー化イ
ンタフェース５０４の出力は、ファジールール計算器５
０６の第一の入力へ供給される。ＫＢ５０２の出力は、
ファジールール計算器５０６の第二の入力へ供給され
る。ファジールール計算器５０６の出力は、逆ファジー
化インタフェース５０８の入力へ供給され、逆ファジー
化インタフェース５０８の出力は、ＦＣ５０１の制御出
力Ｕ_ＦＣとして供給される。

【００６９】ファジーニューラル回路網は、６つのニュ
ーラル層５５０−５５５を含む。ニューラル層５５０
は、入力層であり、３つのＰＩＤ出力信号５３１−５３
３に対応する３本のニューラルを有する。ニューラル層
５５５は出力層であり、１本のニューラルを含む。ニュ
ーラル層５５１−５５３は隠蔽層である（例えば、入力
または出力のどちらかからも見えない）。ニューラル層
５５１は、３グループの２本での６本のニューラルであ
り、ここで、各グループは、ニューラル層５５０内で３
つの入力ニューラルの１つに連合している。ニューラル
層５５２は８本のニューラルを含む。ニューラル層５５
２の各ニューラルは、３つの入力を有し、ここで、各入
力は、ニューラル層５５１からの３つのグループの１つ
に連合している。ニューラル層５５３は８本のニューラ
ルを有する。ニューラル層５５３での各ニューラルは、
ニューラル層５５２での全てのニューラルから入力を受
取る。ニューラル層５５４は、８本のニューラルを有し
見える層である。ニューラル層５５４での各ニューラル
は、４つの入力を有し、ニューラル層５５３でのニュー
ラルの１つからデータを受取る（すなわち、ニューラル
層５５４での第一ニューラルはニューラル層５５３での
第一ニューラルから入力を受取り、第二は第二から、
等）。ニューラル層５５４での各ニューラルはまた、Ｐ
ＩＤ入力信号５３１−５３３の全てから入力を受取る。
出力ニューラル層５５５は、８入力をもつ単一ニューラ
ルであり、この単一ニューラルは、層５５４での全ての
ニューラルからデータを受取る（一般化したタカギ・ス
ゲノＦＣモデル）。

【００７０】ＦＮＮ５４０での隠蔽層の数は、普通に
は、ＦＣ５０１での要素の数に対応する。ＦＣ５０１と
ＦＮＮ５４０との間の差異の１つは、知識ベースが形成
される方法にある。ＦＣ５０１では、パラメータと構成
員関数とは普通には固定されており、制御の期間中は変
化しない。対照的に、ＦＮＮ５４０は学習及び適応プロ
セスを使用し、それにより、オンライン（例えば、標準
モード）で動作している場合、ＦＮＮ５４０は、生成ル
ールの“ＩＦ．．．ＴＨＥＮ”部分で構成員関数のパラ
メータを変更する。

【００７１】図４Ａ及び図４Ｂでのエントロピ−ベース
の制御システムは、最適システムｘに関連して、削減制
御システムｙの出力信号での所望の制御精度を、上記で
次のように与えられた精度の統計的基準を使用すること
により、達成する：最適出力信号ｘは、定数の分散σ_ｘ ^２を有し、変化する
出力信号ｙは、変化する分散σ_ｙ ^２を有する。所望の制
御精度εに対して、ε−エントロピＨ_ε（ｙ）は、プロ
セスｘに関してプロセスｙの測定での不確実性の測定で
ある、式中で、プロセスｘとｙとは、相互にある量εだ
け異なる。

【００７２】ε−エントロピＨ_ε（ｙ）は、次のように
計算できＨ_ε（ｙ）＝Ｈ（ｙ）−εｌｏｇ［（ｎ−１）／ε］−（１−ε）ｌｏｇ［１／（１−ε）］（２４）式中で、Ｈ（ｙ）はプロセスｙのエントロピであり、ｎ
はプロセスｙでの測定点の数である。更に、式中、ｐ_ｋは、プロセスｙの出力値の１つがプロセスｘ
の出力値の値と等しくなる確率である。

【００７３】一般に、ε−エントロピの形式は、次式で
定義され一般に、情報の量Ｉ（ｘ，ｙ）は、次式で与えられる。（ｘ，ｙ）＝Ｍ｛ｌｏｇ［ｐ（ｘ，ｙ）／（ｐ（ｘ）ｐ（ｙ））］｝（２７）ｘとｙがガウス分布のプロセスの場合、（ｘ，ｙ）＝（１／２）ｌｏｇ｛１＋１／［（２＋σ）σ］｝式中、σ＝σ_ｙ ^２／σ_ｘ ^２（２８）Ｉ（ｘ，ｙ）で与えられる、情報の量は、次の不等式を
満足する。そして、次式と見られことができ式中、関数ε_ｙ（Ｉ（ｘ，ｙ））はＨ_ε（ｙ）の逆関数
でありＨ_{εｙ（Ｈ）}（ｙ）＝Ｈ（３１）従って、従って、以下から情報Ｉ（ｘ，ｙ）の既知の量により、
二乗平均エラの計算は、次式の精度で、最適プロセスｘに対して、プ
ロセスｙの測定の信頼性を決定する。式（２８）において、プロセスｘに対するプロセスｙで
の情報の量Ｉ（ｘ，ｙ）は、σ_ｙ ^２→σ_ｙ ^２のとき、最
大値Ｉ_ｍａｘを持つであろう。更に、Ｉ_ｍａｘで、であり、従って、ε^２の最小値が観測される。制御プロ
セスｙに対する、式（３３）の計算は、センサ数の減少
により生じる、情報の損失を補正し、統計的リスクを最
小化する。

【００７４】図４Ａ及び図４Ｂに示す制御システムにお
いて、第１の制御システム及び第２の制御システムの出
力の差から算出した情報の指標を最大化することにより
得られる制御の精度及び信頼度が得られ、一方、物理的
モデルにより算出したエントロピを最少化することによ
り制御の安定性及び外乱に対する頑強さが得られる。制
御の精度及び信頼度と制御の安定性及び外乱に対する頑
強さとの関係は図１０に示すように、制御の精度及び信
頼度を最大にすると、制御の安定性及び外乱に対する頑
強さは低下する。逆に制御の安定性及び外乱に対する頑
強さだけを求めると、制御の精度及び信頼度は低下して
しまう。そのためこれらのファクタは実際の適用に合う
ように選択するのが好ましい。第１の制御システム及び
第２の制御システムの出力の差から算出した情報の指標
を最大化することにより得られる制御の精度及び信頼度
をＩとし、物理的モデルにより算出したエントロピを最
少化することにより得られる制御の安定性及び外乱に対
する頑強さをＳとし、Ｋを重み係数とすると、下記の評
価式が成り立つ。Ｅ＝Ｋ・Ｉ（ｘ，ｙ）＋（１−Ｋ）（１−Ｓ）そこでこの式で得られる評価量Ｅに基いて、制御の精度
及び信頼度と、制御の安定性及び外乱に対する頑強さと
の優先順位を評価することができ、この評価結果に基い
て遺伝的アルゴリズムを用いて教師データが作成され得
る。この場合重み係数Ｋは図１１に示すように制御シス
テムの動作状態に応じて個々に設定され得る。図１１に
おいて横軸は例えばエンジンの回転速度のような制御
量、縦軸は負荷を表しており、すなわち制御対象に対す
る負荷及び制御量とを考慮して重み係数Ｋは適当に選択
され得る。

【００７５】エンジン制御一つの実施の形態では、センサを削減し、エントロピに
基く制御システムは、例えば、内燃機関、ピストン機
関、ディーゼル機関、ジェットエンジン、ガスタービン
機関、ロケットエンジン等のエンジン制御システムへ適
用されている。図６は、４個のセンサ、吸気温度センサ
６０２、水温センサ６０４、クランク角度センサ６０
６、及び空燃比センサ６０８を有する内燃ピストン機関
を示す。空気温度センサ６０２は、吸気マニホールド６
２０での空気温度を測定する。燃料インジェクタ６２８
は、吸気マニホールド６２０のところで空気へ燃料を供
給する。吸気マニホールド６２０は、燃焼室６２２へ空
気と燃料を供給する。燃焼室６２２での混合気の燃焼が
ピストン６２８を駆動する。ピストン６２８はクランク
６２６へ接続され、それにより、ピストン６２８の運動
がクランク６２６を回転させる。クランク角度センサ６
０６は、クランク６２６の回転位置を測定する。水温セ
ンサは、燃焼室６２２及びピストン６２８を囲むウオー
タージャケット内の水の温度を測定する。燃焼室６２２
からの排気ガスは、排気マニホールド６２４へ供給さ
れ、空燃比センサ６０８が排気ガス中の空気の燃料に対
する比を測定する。

【００７６】図７は、削減制御システム７８０及び最適
制御システム７２０を示すブロック図である。最適制御
システム７２０は、最適化装置７４０及びセンサ補償器
７６０と共に、削減制御システム７８０を教師するのに
使用される。図７では、目標信号（目標エンジン出力と
表示）は、最適制御システム７２０の入力と削減制御シ
ステム７８０の入力へ供給される。５個のセンサを有す
る最適制御システム７２０は、最適制御信号ｘ_ａとセン
サ出力信号ｘ_ｂを供給する。削減制御システム７８０
は、削減制御出力信号ｙ_ａと出力センサ信号ｙ_ｂを供給
する。信号ｘ_ｂとｙ_ｂは、Ａ／Ｆセンサ６０８からのデ
ータを含む。信号ｘ_ｂとｙ_ｂは、減算器７９１の第一及
び第二入力へ供給される。減算器７９１の出力は信号ε
_ｂであり、ここで、ε_ｂ＝ｘ_ｂ−ｙ_ｂ。信号ε_ｂは、
センサ補償器７６０のセンサ入力へ供給される。信号ｘ
_ａとｙ_ａは、減算器７９０の第一及び第二入力へ供給さ
れる。減算器７９０の出力は信号ε_ａであり、ここで、
ε_ａ＝ｘ_ａ−ｙ_ａ。信号ε_ａは、センサ補償器７６０の
制御信号入力へ供給される。センサ補償器７６０の制御
情報出力は、最適化装置７４０の制御情報入力へ供給さ
れる。センサ補償器７６０のセンサ情報出力は、最適化
装置７４０のセンサ情報入力へ供給される。削減制御シ
ステム７８０からのセンサ信号７８３はまた、最適化装
置７４０の入力へ供給される。最適化装置７４０の出力
は、削減制御システム７８０の入力へ教師信号７４７を
供給する。

【００７７】出力信号ｘ_ｂは、吸気温度センサ６０２、
水温センサ６０４、クランク角度センサ６０６、圧力セ
ンサ６０７、及び空燃比（Ａ／Ｆ）センサ６０８、を含
む、５センサを有するセンサーシステム７２２の出力に
より供給される。センサーシステム７２２からの情報
は、最適情報内容Ｉ_１を有する信号のグループである。
言い換えると、情報Ｉ_１は、センサーシステム７２２で
の５個のセンサの完全なセットからの情報である。

【００７８】出力信号ｘ_ａは、制御ユニット７２５の出
力により供給される。制御信号ｘ_ａは、エンジン７２８
の入力へ供給される。エンジン７２８の出力は、センサ
ーシステム７２２の入力へ供給される。Ａ／Ｆセンサ６
０８からの情報Ｉ_ｋは、ファジーニューラル回路網（Ｆ
ＮＮ）７２６のオンライン学習入力と第一遺伝的アルゴ
リズム（ＧＡ１）７２７の入力とへ供給される。Ａ／Ｆ
センサ６０８を除く４個のセンサからの情報Ｉ_ｋ１は、
エンジンモデル７２４の入力に供給される。アルゴリズ
ムＧＡ１７２７からのオフライン同調信号出力は、ＦＮ
Ｎ７２６のオフライン同調信号入力へ供給される。ＦＮ
Ｎ７２６からの制御出力は、燃料インジェクタ制御信号
Ｕ_１であり、それはエンジン７２８の制御入力へ供給さ
れる。信号Ｕ_１はまた、信号ｘ_ａである。エンジンモデ
ル７２４及びＦＮＮ７２６は共に最適制御ユニット７２
５を構成する。

【００７９】センサ補償器７６０は、乗算器７６２、乗
算器７６６、情報計算器７６８、及び情報計算器７６４
を備えている。乗算器７６２と情報計算器７６４とはオ
ンライン（標準）モードで使用される。乗算器７６６と
情報計算器７６８とはオフライン検査のために設けられ
ている。加算器７９０の出力からの信号ε_ａは、乗算器
７６２の第一入力と乗算器７６２の第二入力とへ供給さ
れる。乗算器７６２の出力は、信号ε_ａ ^２であり、情報
計算器７６４の入力へ供給される。情報計算器７６４
は、Ｈ_ａ（ｙ）．Ｉ（ｘ_ａ，ｙ_ａ）を算出する。情報計
算器７６４の出力は、精度と信頼性に対する情報基準Ｉ
（ｘ_ａ，ｙ_ａ）→ｍａｘである。加算器７９１の出力か
らの信号ε_ｂは、乗算器７６６の第一入力と乗算器７６
６の第二入力とへ供給される。乗算器７６６のミスプリ
の出力は、信号ε_ｂ ^２であり、情報計算器７６８の入力
へ供給される。情報計算器７６８は、Ｈ_ｂ（ｙ）．Ｉ
（ｘ_ｂ，ｙ_ｂ）を算出する。情報計算器７６８の出力
は、精度と信頼性に対する情報基準Ｉ（ｘ_ｂ，ｙ_ｂ）→
ｍａｘである。

【００８０】最適化装置７４０は、第二遺伝的アルゴリ
ズム（ＧＡ２）７４４、及び熱力学（エントロピ）モデ
ル７４２を含む。情報計算器７６４からの信号Ｉ
（ｘ_ａ，ｙ_ａ）→ｍａｘは、最適化装置７４０でのアル
ゴリズム（ＧＡ２）７４４の第一入力へ供給される。エ
ントロピ信号Ｓ→ｍｉｎは、熱力学モデル７４２の出力
からアルゴリズムＧＡ２７４４の第二入力へ供給され
る。情報計算器７６８からの信号Ｉ（ｘ_ｂ，ｙ_ｂ）→ｍ
ａｘは、最適化装置７４０でのアルゴリズム（ＧＡ２）
７４４の第三入力へ供給される。アルゴリズム（ＧＡ
２）７４４の第一と第三入力へ供給される信号Ｉ
（ｘ_ａ，ｙ_ａ）→ｍａｘとＩ（ｘ_ｂ，ｙ_ｂ）→ｍａｘは
情報基準であり、アルゴリズムＧＡ２７４４の第二入
力へ供給されるエントロピ信号Ｓ（ｋ_２）→ｍｉｎは、
エントロピにベースをおく物理基準である。アルゴリズ
ムＧＡ２７４４の出力は、ＦＮＮ７８６のための教師
信号である。

【００８１】削減制御システム７８０は、削減センサー
システム７８２、エンジンモデル７８４、ＦＮＮ７８
６、及びエンジン７８８を含む。削減センサーシステム
７８２は、Ａ／Ｆセンサ６０８を除くセンサーシステム
７２２での全てのエンジンセンサを含む。特別なオフラ
イン検査モードで動作する場合、センサーシステム７８
２はＡ／Ｆセンサ６０８も含む。エンジンモデル７８４
及びＦＮＮ７８６は、共に削減制御ユニット７８５を構
成する。エンジン７８８の出力は、センサーセット７８
２の入力へ供給される。センサーセット７８２のＩ_２出
力は、４個のエンジンセンサからの情報を包含し、それ
によりＩ_２＜Ｉ_１である。情報Ｉ_２は、制御対象モデル
７８４の入力、と熱力学モデル７４２の入力とへ供給さ
れる。アルゴリズムＧＡ２７４４からの教師信号７４７
は、ＦＮＮ７８６の教師信号入力へ供給される。ＦＮＮ
７８６からの制御出力はインジェクタ制御信号Ｕ_２であ
り、それはまた、信号ｙ_ａである。

【００８２】図７に示すシステムの操作は、図４Ａ、４
Ｂ、及び５Ｂに示すシステムの操作と多くの点で類似し
ている。熱力学モデル７４２は、エントロピー生成と水
温センサ６０４（Ｔ^Ｗ）及び空気温度センサ６０２（Ｔ
^Ａ）からの温度情報との間の熱力学的関係を使用して形
成される。エントロピー生成Ｓ（Ｔ^Ｗ，Ｔ^Ａ）は、次の
関係を使用して計算され：Ｓ＝ｃ［ｌｎ（Ｔ^Ｗ／Ｔ^Ａ）］^２／［Δτ−ｌｎ（Ｔ^Ｗ／Ｔ^Ａ）］（３５）ここで、Δτは、有限プロセスの持続時間である。エン
ジンモデル７８４は最少のエントロピー生成に等しい、
最大の仕事が、有限資源流体とバスから送出される、定
常状態モデルとして熱力学的観点から解析される。更
に、エンジンモデルは、２つの相互作用するサブシステ
ム間の温度駆動力が一定時間Δτ で変化する（可逆サ
イクル）、放散するカルノー問題の発散的、有限時間
の、一般化として解析される。

【００８３】可逆サイクルの存在は、自動的に、カルノ
ーレベルでの各微小ステージの第一法則効率を定める。 η＝１−（Ｔ^ｅ／Ｔ）（３６）ここで、Ｔは、（水温のような）有限資源の瞬時温度で
あり、Ｔ^ｅは、環境または（空気の温度のような）無限
溶液（ｂａｔｈ）の温度である。資源の単位質量が熱ｄ
ｑ＝−ｃｄＴを放出し、ここで、ｃは比熱である。利用
可能なエネルギー（持続エネルギー）Ｅｘの古典的レー
ト及び持続時間−依存の関数は、 −ｃηｄＴ＝−ｃ［１−（Ｔ^ｅ／Ｔ）］ｄＴ（３７）の積の区間ＴとＴ^ｅ間の積分に続く。積分は良く知られ
た次式で表される。問題は、有限レートプロセスが考慮される場合には、有
限レートプロセスでは効率はカルノー効率とは異なるの
で、ささいではなくなる。有限レート効率は、積−ｃｄ
Ｔの積分が評価され得る前に決定されるべきである。そ
れから、積分は、有限時間での機械的仕事の外部放出に
関連付けられた一般化利用可能エネルギーに至る。

【００８４】有限レートプロセスの微小単位のローカル
効率は、 η＝ｄＷ／ｄＱ_１（３９）ここで、Ｑ_１は、上側リザーバから流れる熱流束の累積
である。流束Ｑ_２は、下側リザーバへ流れる熱流束の累
積である。このローカル第一法則効率は、依然カルノー
式により記述されるが η＝１−（Ｔ_２’／Ｔ_１’）（４０）の温度Ｔ_１’とＴ_２’に適用するので、境界温度Ｔ_１と
Ｔ_２＝Ｔ^ｅ間の単位仕事の効率より、それでもなお低
い。カルノー差動サブシステムの可逆エントロピー均衡
に沿い、式（４０）を解くことによりｄγ_１（Ｔ_１−Ｔ_１’）／Ｔ_１’＝ｄγ_２（Ｔ_２−Ｔ_２’）／Ｔ_２’ （４１）変数Ｔ_１，Ｔ_２＝Ｔ^ｅ及びηの関数として、充填温度が
得られる。式（４１）において、パラメータ γ_１とγ
_２は、部分コンダクタンスであり、かくして、高温度と
低温度で熱源をエンジンの作動流体にリンクする。パラ
メータ γ_１とγ_２の微分は、ｉ＝１，２に対してｄγ
_１＝α_ｉｄＡ_ｉと表され、ここで、値α_ｉは熱伝導係数
であり、値ｄＡ_ｉは上側と下側の交換面の面積である。

【００８５】関連付けられる駆動熱流束ｄＱ_１＝ｄγ_１
（Ｔ_１−Ｔ_１’）は、次式の形となるｄＱ_１＝ｄγ｛Ｔ_１−［１／（１−η）］Ｔ_２｝（４２）これから、効率−パワー特性は、次式の形に従い η＝１−Ｔ_２／［Ｔ_１−（ｄＱ_１／ｄγ）］（４３）駆動流体のエネルギーバランスから、熱パワー変数Ｑ_１
は、ｄＱ＝−ＧｃｄＴを満足し、ここでｄＴは駆動流体
の微分温度降下であり、Ｇは駆動流体の有限質量流束で
あり、その一定比熱容量はｃに等しい。上の定義及び駆
動流体の微分熱バランスを使用して、式（４３）の制御
項ｄＱ_１／ｄγは（添字の１を省略して）次のように書
くことができるｄＱ／ｄγ＝ｄＴ／ｄτ （４４）微分ｄＱ／ｄγの負は、プロセスの制御変数ｕである。
要するに、温度変化の速さに等しい、と云っているのである。かく
して、式（４３）は、カルノー式の簡単な有限レートの
一般化となりこれは、駆動流体が仕事生成の一部として、エンジンへ
エネルギーを放出するからである。

【００８６】微小プロセスの無限連続に対する仕事関数単位流体の流れＷ／Ｇ当り送出される累積パワーは、流
体の任意の初期温度Ｔ^ｉと最終温度Ｔ^ｆ間でｎとｄＱ／
Ｇ＝−ｃｄＴの積の積分により得られる。この積分は、
次式の形で流れている流体の特定仕事を与える。表記［Ｔ^ｉ，Ｔ^ｆ］は、その初期状態からその最終状態
へのベクトルＴ≡（Ｔ，τ）の経路を意味する。上式に
対して、仕事最大化問題は、次式によりプロセスのエン
ジンモードに対して述べることができ、のラグランジュ関数は、流体の単位質量流束当りの全パ
ワーを表し、これは特定仕事の大きさの量、従って、流
体の流れの特定エネルギーへの直接の関係である。消滅
レートの準静的限界、ここでｄＴ／ｄτ＝０である、に
おいて、上の仕事関数は、式（３８）に従う古典的エネ
ルギーの変化を表す。プロセスのエンジンモードに対し
て、消費エネルギーそのものは、積分区間Ｔ^ｉ＝Ｔ^ｅと
Ｔ^ｆ＝Ｔで、式（４７）の関数の最大として得られる。
特定仕事の代替の形は、次式として書くことができるこの式で、第一項は古典的「可逆」項であり、第二項は
平衡温度とエントロピ生成Ｓの積である、ここで、

【００８７】エントロピ生成レートは、駆動流体の単位
質量流束に、従って、特定エントロピの大きさの量Ｓに
関連する。量Ｓは、駆動流体の特定エントロピ、式（３
８）でのｓとは区別される。エントロピ生成が生成されない場合にのみ、プロセスレートｕ＝ｄＴ／
ｄτの２次関数である。活動的熱伝導（消滅でないη）
の場合に対し、エントロピ生成は、式（４８）の被積分
関数により表される、レートの２次でない関数であるよ
うに思われる。固定された温度と時間で式（４８）にお
ける関数に対し最大操作を適用して、第一項（すなわ
ち、潜在項）の役割は重要ではなく、放出仕事最大の問
題はエントロピ生成最小の関連する問題と同等であるよ
うに見える。これは、極地仕事問題の考えに沿うエント
ロピ生成最小化の役割を確認する。結論の結果は、極地
仕事の問題、及び最小エントロピ成の、関連する固定端
問題は同じ解を有するということである。

【００８８】最小エントロピー生成へのハミルトン・ジ
ェイコビ（Ｈａｍｉｌｔｏｎ−Ｊａｃｏｂｉ）のアプロ
ーチ仕事極地化問題は、ラグランジュ方程式（Ｌａｇｒａｎ
ｇｉａｎ）に対する変分法に細分化できる。極地仕事及び最小エントロピ生成の問題に対するオイラ
ー・ラグランジュ方程式（Ｅｕｌｅｒ−Ｌａｇｒａｎｇ
ｉａｎ）は、２階微分方程式へ至る。これは、全ての考慮したプロセスの最適軌道を特徴付け
る。上式の１階積分は、次式として機械的エネルギーの
形式的類似を提供する。式（３８）においてＥ＝ｈの条件から最適な温度流れに
対する方程式は次式で与えられる。ここでξ＝ｌｎ（Ｔ^ｆ／Ｔ^ｉ）／（τ^ｆ−τ^ｉ）（５３）

【００８９】この種の問題へ適用されたとき、動的プロ
グラミング（ＤＰ）法のパワーは、局所的制約に関ら
ず、関数が、制約のない問題に対するのと同じ状態変数
をもつハミルトン・ジェイコビ・ベルマン（Ｈａｍｉｌ
ｔｏｎ−Ｊａｃｏｂｉ−Ｂｅｌｌｍａｎ）の方程式（Ｈ
ＪＢ−方程式）を満足するという事実にある。ただ、最
適制御セットと最適評価関数の数値だけが、制約された
場合と制約されない場合で異なる。エンジン問題は、逆
（ｂａｃｋｗａｒｄ）ＨＪＢ−方程式により正確に記述
できる。逆（ｂａｃｋｗａｒｄ）ＨＪＢ−方程式は、初
期状態（すなわち、温度）上で定義される最適積分関数
Ｉとして最適仕事またはエネルギーに関連しており、そ
れゆえに、平衡に近づくエンジンモードまたはプロセス
に関連する。関数Ｉは、しばしば、仕事積分に対する最
適評価関数と呼ばれる。（制約されてか、または制約さ
れないでの）最大仕事送出は、次の特性関数により支配
される。式（５４）における量Ｉは、仕事積分Ｗ（Ｔ^ｉ，Ｔ^ｆ）
の最大値を記述する。これは、プロセス継続時間全体が
τ^ｆ−τ^ｉであるとき、指定された温度Ｔ^ｉとＴ^ｆに対
して放出される仕事の最大値を特徴付ける。特性関数Ｉ
の知識だけで、問題の最大特性の記述に対して充分であ
るが、この種の他の関数は、問題の特徴付けに対して、
それにも関らず、有用である。

【００９０】ここで問題は、以下の微分方程式のセット
により記述されるシステムに対し、最終仕事座標ｘ_０ ^ｆ
＝Ｗ^ｆの最大が探求されるという等価の問題へ変形され
るｄＷ／ｄτ＝−ｃ［１−Ｔ^ｅ／（ｕ＋Ｔ）］ｕ≡ｆ_０（Ｔ，ｕ）ｄＴ／ｄτ＝ｕ≡ｆ_１（Ｔ，ｕ）（５５）ｄｘ_２／ｄτ＝ｌ≡ｆ_２（Ｔ，ｕ）式（５５）で記述されるシステムの状態は、拡大化状態
ベクトルＸ＝（ｘ_０，ｘ_１，ｘ_２）により記述され、そ
れは、３つの状態座標ｘ_０＝Ｗ，ｘ_１＝Ｔ，ｘ_２＝τか
ら構成されている。この時点で、初期及び最終仕事座標
にそれぞれ対応する最適評価関数Θ^ｉとΘ^ｆのセットを
導入することが好都合である。関数Θ^ｉは、Ｉより１次
元大きいスペースで働き、仕事座標ｘ_０＝Ｗを包含し、
そして、次式で定義される。関数Ｖはまた、次式のように変数の拡大化スペースで好
都合に定義されＶ＝Ｗ^ｆ−Θ^ｉ（Ｗ^ｉ，τ^ｉ，Ｔ^ｉ，τ^ｆ，Ｔ^ｆ）＝Ｗ^ｆ−Ｗ^ｉ−Ｉ（τ^ｉ，Ｔ^ｉ，τ^ｆ，Ｔ^ｆ）（５７）一定のＷ^ｉで及び一定のＷ^ｆで２つの相互に等しい最大
は、次の最大関数により表される。Ｖ^ｉ（Ｗ^ｉ，τ^ｉ，Ｔ^ｉ，τ^ｆ，Ｔ^ｆ）＝Ｖ^ｆ（τ^ｉ，Ｔ^ｉ，Ｗ^ｆ，τ^ｆ，Ｔ^ｆ）≡０（５８）これは、全ての最適経路に沿い全く同じにゼロになる。
これらの関数は、波動関数Ｖの点から見て次のように書
くことができ：ｍａｘＶ＝ｍａｘ｛Ｗ^ｆ−Ｗ^ｉ−Ｉ（τ^ｆ，Ｔ^ｆ，τ^ｉ，Ｔ^ｉ）｝＝０（５９）

【００９１】座標Ｗを包含しない、座標（Ｔ，τ）の狭
いスペースでの積分仕事関数Ｉに対する方程式は、条件
Ｖ＝０から直接得られる。（Θ^ｉ（Ｘ^ｉ）に対する逆Ｄ
Ｐアルゴリズム及び方程式の発生は、後出の検討で後に
提供される）。ＨＪＢ方程式の解は、式（５５）におい
て３つの状態方程式のシステムが状態変数ｘ_０＝Ｗ，ｘ
_１＝Ｔ，及びｘ_２＝τを有することに注目することによ
り始まる。式（５５）からの状態方程式は、一般形で次
式で表され得る。ｄｘ_β／ｄτ＝ｆ_β（ｘ，ｕ） β＝０，１，２（６０）微小Δτに対して、式（６０）から次式を得る Δｘ_β＝ｆ_β（ｘ，ｕ）Δτ＋Ｏ（ε^２）（６１）式（６１）において、記号Ｏ（ε^２）は、２次、及び、
より高次の項を意味する。２次、及び、より高次の項は
次の性質を持つ。期間［τ^ｉ，τ^ｆ］での全体の経路に対して最適最終仕
事は、次の基準の最大である。Ｗ^ｆ≡Θ^ｉ（ｘ^ｉ＋Δｘ）＝Θ^ｉ（Ｗ^ｉ＋ΔＷ，Ｔ^ｉ＋ΔＴ，τ^ｉ＋Δτ）（６３）テイラー（Ｔａｙｌｏｒ）級数で方程式（６３）拡張す
ると、次式を与えＷ^ｆ＝Θ^ｉ（Ｘ^ｉ）＋（∂Θ^ｉ／∂Ｘ^ｉ _β）ΔＸ_β＋Ｏ（ε^２）＝Θ^ｉ（Ｗ^ｉ，Ｔ^ｉ，τ^ｉ）＋（∂Θ^ｉ／∂Ｗ^ｉ）ΔＷ＋（∂Θ^ｉ／∂Ｔ）ΔＴ＋（∂Θ^ｉ／∂τ^ｉ）Δτ＋Ｏ（ε^２）（６４）式（６２）を式（６４）へ代入して、ベルマン（Ｂｅｌ
ｌｍａｎ）の最適の原理に従い適切な最大化を実行する
と、初期点の変動に対して、次式が得られる。 Θ^ｉの約分、及び式（６５）の両辺をΔτにより除算し
た後に、次の条件に従う極限Δτ→０への移行は、最適制御問題の逆ＨＪ
Ｂ方程式を与える。最大経路の初期点に対して、逆（ｂ
ａｃｋｗａｒｄ）ＤＰ方程式はＶ＝Ｗ^ｉ−Θ^ｉの性質が、上式の第２行に使用された。
独立変数τに対するＶの偏微分は、この方程式の大括弧
の外に留まることもできる。 ∂Ｖ／∂Ｗ^ｉ＝−（∂Θ^ｉ／∂Ｗ^ｉ）＝−１（６８）上式及びＷ＝ｆ_０＝−Ｌ（例えば、式（４７）及び（５
０）参照）の関係を使用すると、次式の極地仕事関数が
得られる。最適仕事の積分関数Ｉ＝Ｗ^ｆ−Ｗ^ｉ−Ｖの点から見て、
式（６９）は次式となる。

【００９２】最大評価関数Ｉの状態、時間、及び勾配項
の点から見て、最適制御ｕが見出される限り、疑似線形
ＨＪＢ方程式から対応する非線形ハミルトン・ジェイコ
ビ（Ｈａｍｉｌｔｏｎ−Ｊａｃｏｂｉ）方程式への移行
は可能である。レートｕに対する式（７０）の最大化
は、２つの方程式へ至る、その第一は、変数Ｔ及びＺ＝
∂Ｉ／∂Ｔにより表出される最適制御ｕを次式のように
記述する： ∂Ｉ／∂Ｔ＝∂ｆ_０（Ｔ，ｕ）／∂ｕ（７１）第二は、最大化の記号のない元の式（７０）である。（∂Ｉ／∂τ）＋（∂Ｉ／∂Ｔ）ｕ＋ｆ_０（Ｔ，ｕ）＝０（７２）先の２つの方程式では、指標ｉは省略してある。運動量
タイプの変数ｚ＝∂Ｉ／∂τを使用して、及び、次式の
形に書かれた式（７１）を使用してｚ＝−∂ｆ_０（Ｔ，ｕ）／∂ｕ＝∂Ｌ（Ｔ，ｕ）／∂ｕ（７３）次式の最大プロセスのエネルギータイプのハミルトン方
程式（Ｈａｍｉｌｔｏｎｉａｎ）が得られる。Ｈ＝ｚｕ（ｚ，Ｔ）＋ｆ_０（ｚ，Ｔ）（７４）エネルギータイプのハミルトン因子（Ｈａｍｉｌｔｏｎ
ｉａｎ）と方程式、及び式（７２）を使用して、次のよ
うな積分Ｉに対するハミルトン・ジェイコビ（Ｈａｍｉ
ｌｔｏｎ−Ｊａｃｏｂｉ）方程式が得られる。（∂Ｉ／∂τ）＋Ｈ（Ｔ，∂Ｉ／∂τ）＝０（７５）式（７５）は、式（７５）が最大経路のみに関係するこ
とで、ＨＪＢ方程式とは異なり、Ｈは最大ハミルトン方
程式（Ｈａｍｉｌｔｏｎｉａｎ）である。上公式が具体
的ラグランジュ方程式（Ｌａｇｒａｎｇｉａｎ）Ｌ＝−
ｆ_０へ適用される、ここでｆ_０は機械的仕事生成の強度
である。式（４７）の形で書かれる基本積分Ｗ［Ｔ^ｉ，
Ｔ^ｆ］はで表され、この最大値は、関数Ｉ（Ｔ^ｉ，τ^ｉ，Ｔ^ｆ，
τ^ｆ）である。運動量的な変数（温度同伴式に等しい）
は、それでｚ≡−∂ｆ_０／∂ｕ＝ｃ［１−Ｔ^ｅＴ／（Ｔ＋ｕ）^２］（７７）及びｕ＝［Ｔ^ｅＴ／（１−ｚ／ｃ）］^１／２−Ｔ（７８）で表される。最大仕事問題（システムのエンジンモデ
ル）に対するハミルトン・ジェィコビ（Ｈａｍｉｌｔｏ
ｎ−Ｊａｃｏｂｉ）偏微分方程式は（システムのエンジ
ンモデル）、初期の座標と関係して、次の形を有する（∂Ｉ／∂τ）＋Ｈ（Ｔ，∂Ｉ／∂τ）＝０（７９）Ｈ（Ｔ，∂Ｉ／∂Ｔ）＝ｃ｛（Ｔ^ｅ）^１／２−｛Ｔ［１−（１／ｃ）（ ∂Ｉ／∂Ｔ）］｝^１／２｝^２最大仕事Ｗに対する変分の（ｖａｒｉａｔｉｏｎａｌ）
前端（ｆｒｏｎｔ−ｅｎｄ）問題は、最小エントロピー
生成の変分の（ｖａｒｉａｔｉｏｎａｌ）固定端問題と
等価である。

【００９３】最小エントロピー生成へのハミルトン・ジ
ェイコビ（Ｈａｍｉｌｔｏｎ−Ｊａｃｏｂｉ）のアプロ
ーチ特定エントロピー生成は、式（４９）からの汎関数（ｆ
ｕｎｃｔｉｏｎａｌ）により次のように表される。汎関数の最小は最適関数Ｉ_σ（Ｔ^ｉ，τ^ｉ，Ｔ^ｆ，
τ^ｆ）により記述でき、それで、ハミルトン・ジェイコ
ビ（Ｈａｍｉｌｔｏｎ−Ｊａｃｏｂｉ）方程式は（∂Ｉ_σ／∂τ）＋Ｈ_σ＝０（８１）Ｈ_σ＝ｃ｛１−［１−（１／ｃ）Ｔ（∂Ｉ_σ／∂Ｔ）］^１／２｝^２（仕事のとエントロピ生成の）２つの汎関数は、同じ極
地を与える。エンジンのためのハミルトン・ジェイコビ
（Ｈａｍｉｌｔｏｎ−Ｊａｃｏｂｉ）方程式を考慮し
て、式（５４）から、最大経路に沿った積分は、最適特
定仕事を表す関数が得られる。Ｉ（Ｔ^ｉ，Ｔ^ｆ，τ^ｉ，τ^ｆ）＝ｃ（Ｔ^ｆ−Ｔ^ｉ）−［Ｔ^ｅ／（１＋ξ）］［ｌｎ（Ｔ^ｉ／Ｔ^ｆ）］（８２）ここで、パラメータξは式（５３）で定義される。任意
の２つの状態間での極地特定仕事は、次の形に従う。Ｉ（Ｔ^ｉ，Ｔ^ｆ，τ^ｉ，τ^ｆ）＝ｃ（Ｔ^ｆ−Ｔ^ｉ）−ｃＴ^ｅｌｎ（Ｔ^ｉ／Ｔ^ｆ） −ｃＴ^ｅ［ｌｎ（Ｔ^ｉ／Ｔ^ｆ）］^２／［τ^ｆ−τ^ｉ−ｌｎ（Ｔ^ｉ／Ｔ^ｆ）］（８３）式（８３）から、Ｔ^ｉ＝Ｔ^ＷとＴ^ｆ＝Ｔ^Ａで、エントロ
ピー生成の極小積分は次式で表される。Ｓ_σ＝ｃ［ｌｎ（Ｔ^Ｗ／Ｔ^Ａ）^２／［Δτ−ｌｎ（Ｔ^Ｗ／Ｔ^Ａ）］ここでΔτ＝τ^ｆ−τ^ｉ（８４）式（８３）からの関数は、式（７９）である、逆（ｂａ
ｃｋｗａｒｄ）ハミルトン・ジェイコビ（Ｈａｍｉｌｔ
ｏｎ−Ｊａｃｏｂｉ）方程式を満足し、関数（８４）
は、ハミルトン・ジェイコビ（Ｈａｍｉｌｔｏｎ−Ｊａ
ｃｏｂｉ）方程式（８１）を満足する。義できる。及び関係式（８６）は、制御対象及び制御システムにおいて
最小エントロピでの制御の安定性とロバスト性のための
必要と充分な条件である。

【００９４】懸架装置制御一つの実施の形態では、図４Ａ及び４Ｂの削減制御シス
テムは、例えば、自動車、トラック、戦車、オートバイ
等、での懸架装置制御システムに適用されている。図８
は、自動車懸架装置系の半分の概略図である。図８で
は、右車輪８０２が右アクスル８０３に結合されてい
る。ばね８０４がアクスル８０３の車体８０１に対する
角度を制御する。左車輪８１２は左アクスル８１３に結
合され、ばね８１４がアクスル８１３の角度を制御す
る。トーションバー８２０が左アクスル８０３の、右ア
クスル８１３に対する角度を制御する。

【００９５】図９は、図８に示す自動車の懸架装置系を
制御するための制御システムのブロック図である。図９
のブロック図は、図４Ｂの図に類似しており、最適制御
システムと削減制御システム９８０を示す。最適制御シ
ステム９２０は、制御対象モデル９２４の入力へ情報Ｉ
_１を供給する最適センサーシステム９２２を含む。制御
対象モデル９２４の出力は、第一遺伝的アナライザＧＡ
１９２７へ供給され、ＧＡ１９２７は、オフライン
同調信号を第一ファジーニューラル回路網ＦＮＮ１９
２６へ供給する。ＦＮＮ１９２６からの出力、及び最適
センサーシステム９２２からの出力は、制御ユニット９
２５へ供給される。制御ユニット９２５からの出力は制
御対象９２８へ供給される。制御対象９２８は、図８に
示す自動車懸架装置と車体である。削減制御システム９
８０は、制御ユニット９８５の入力へ削減センサ情報Ｉ
_２を供給する削減センサーシステム９８２を備えてい
る。制御ユニット９８５は、第二ファジーニューラル回
路網ＦＮＮ２９８６により構成される。制御ユニット９
８５からの出力は制御対象９８８へ供給される。制御対
象９８８も、図８に示す自動車の懸架装置と車体であ
る。ＦＮＮ２９８６は、（図４でのＧＡ２４４４と
同様に）情報信号Ｉ（ｘ，ｙ）を最大化し、エントロピ
信号Ｓを最小化する、第二遺伝的アナライザＧＡ２によ
り同調される。情報信号Ｉ（ｘ，ｙ）は、最適制御シス
テム９２０及び削減制御システム９８０により生成され
た制御信号とセンサ信号間の差から算出される。エント
ロピ信号Ｓは、制御対象９８８の数学的モデルから算出
される。最適センサーシステム９２２は、以下に説明す
るように、ピッチ角度センサ、ロール角度センサ、４個
の位置サンサ、及び４個の角度センサを備えている。削
減センサーシステム９８２は、車両８０１の中心付近に
配置された単一のセンサである、垂直加速度計を備えて
いる。

【００９６】半分の自動車（ハーフカー）の座標変換１．変換行列の説明１．１大域的基準座標ｘ_ｒ，ｙ_ｒ，ｚ_ｒ｛ｒ｝は、後
アクスル（車軸）の枢動中心Ｐ_ｒにあると仮定する。以
下は、そのための局所座標を記述する変換行列である：｛２｝車体の重心｛７｝懸架装置の重心｛１０｝アームの重心｛１２｝車輪の重心｛１３｝車輪の道路への接触点｛１４｝スタビライザの結合点

【００９７】１．２変換行列｛ｒ｝をｙ_ｒに沿って、角度βで回転することにより、
変換行列^ｒ _０ｒＴをもつ局所座標系ｘ_０ｒ，ｙ_０ｒ，ｚ
_０ｒ｛０ｒ｝を作る。｛０ｒ｝をベクトル（ａ_１，０，０）を通して移転させ
ることが、変換行列（マトリックス）^０ｒ _０ｆＴをも
つ、局所座標系ｘ_０ｆ，ｙ_０ｆ，ｚ_０ｆ｛０ｆ｝を作
る。上記の手順が繰返されて、以下の変換行列をもつ他の局
所座標系を生成する。

【００９８】１．３前車輪８０２、８１２に対する座
標（指標ｎ：ｉが左、ｉｉが右）は、以下のように生成
される。｛１ｆ｝をベクトル（０，ｂ_２ｎ，０）を通し
て移転させることが、変換行列^１ｆ _３ｎＴをもつ局所座
標系ｘ_３ｎ，ｙ_３ｎ，ｚ_３ｎ｛３ｎ｝を作る。

【００９９】１．４行列のあるものは、計算を簡単に
するようにサブ組立てされる。

【０１００】２．局所座標系、及び座標｛ｒ｝または
｛１ｆ｝への関係、の両方でのモデルの全ての構成要素
の説明。２．１局所座標系における説明。（１０８）

【０１０１】２．２大域的参照座標系｛ｒ｝における
説明。この幾何学的関係で車輪を支持するリンク機構の故に、
ここで ζｎは、 ζｎ＝−γ_ｎ−θ_ｎにより置換え
られる。

【０１０２】２．３局所座標系｛１ｆ｝におけるスタ
ビライザ結合点の説明。スタビライザは、車体に固定された局所座標系｛１ｆ｝
での両アーム間の変位の差に、力が比例するばねとして
働く。

【０１０３】３．＜車体＞、＜懸架装置＞、＜アーム
＞、＜車輪＞、及び＜スタビライザ＞に対する、運動エ
ネルギー、位置エネルギー、及び、消散関数。運動エネルギーとばねによるものを除く位置エネルギー
は、不動の大域的座標｛ｒ｝を参照する変位に基づいて
計算される。ばねによる位置エネルギー及び消散関数
は、各局所座標での動きに基づいて計算される。

【０１０４】＜車体＞ここで及びそして、従って

【０１０５】＜懸架装置＞ここで

【０１０６】＜アーム＞ここでそして従って

【０１０７】＜車輪＞ここでアームに対する方程式で、ｍ_ａｎをｍ_Ｗｎで、ｅ_１ｎ
をｅ_３ｎで置換して、車輪のための方程式を次のように
与える：

【０１０８】＜スタビライザ＞ここで従って全運動エネルギーは：ここでこれ以降、指標‘ｎ’を持つ変数と定数は、ｎ＝ｉ，ｉ
ｉでの合計を必要とすることを明示／黙示にかかわら
ず意味する。全位置エネルギーは：ここで

【０１０９】４．ラグランジュ（Ｌａｇｒａｎｇｅ）の
方程式ラグランジュ（Ｌａｇｒａｎｇｅ）の方程式は次のよう
に書かれる。消散関数は次式で表される。制約は、幾何学的制約、及び道路と車輪の接触点にベー
スを置く。幾何学的制約は、次のように表現される。道路と車輪の接触点は次のように定義される。ここでＲ_ｎ（ｔ）は、各車輪での道路入力である。微分
は：これらの制約の微分は、次のように書けるのでそれで、値ａ_１ｎｊは、以下のように得られる。上記から、ラグランジュ（Ｌａｇｒａｎｇｅ）方程式は
次となるここで（ラグランジュ（Ｌａｇｒａｎｇｅ）方程式は）以下の
ように得られる：微分された制約から、次式が得られる。そして式（２００）の２階微分により次式が得られる：及び後のエントロピ生成計算のための式（１９９）の補助微
分により、次式が得られる。従ってまたは、制約の第三方程式からづ式が得られる。

【０１１０】５．シミュレーションの要約上式で、スタビライザの位置エネルギーは、スタビライ
ザの左と右の部分があるので、半分にされる。ここで初期条件は次式で表される。ここで、ｌ_ｓｎは懸架装置ばねの自由長であり、ｌ
_ｓ０ｎは１ｇでの懸架装置ばねの初期たわみであり、ｌ
_Ｗｎは車輪のばね部品の自由長であり、そして、ｌ
_Ｗ０ｎは１ｇでの車輪ばねの初期たわみである。

【０１１１】ＩＶエントロピ生成のための方程式（遺伝的アルゴリズムの適合関数での使用のための）最
小エントロピ生成は、次のように表現される：

【０１１２】以上、本発明の特定の実施の形態について
説明し例示してきたが、特許請求の範囲により定義され
る本発明の範囲と精神から逸脱することなく、当業者に
よって種々変更及び変化され得る。

【０１１３】

【発明の効果】以上説明してきたように、本発明による
プラントの制御方法においては、第１の複数のセンサ
を用いてプラントから得た第１情報を、プラントに対し
目標の精度を提供するように構成した第１の制御システ
ムへ供給して、第１制御信号を発生させ、一方、第１の
複数のセンサより少ない数の第２の複数のセンサを使用
してプラントから測定した第２情報を第２制御システム
へ供給して第２制御信号を発生させ、こうして得た第１
制御信号及び前記第２制御信号を使用して前記第２制御
システムを構築するように構成しているので、使用セン
サの数を減らすことができしかも最適センサセットをも
つ最適制御システムと比較して制御精度の有意な損失も
伴わずにプラントを制御することができるようになる。
また、本発明によるプラントの制御装置においては、プ
ラントを測定する削減された複数のセンサからの削減情
報に基づいて削減制御信号を発生する削減制御手段を、
削減制御信号及び非削減制御信号に基いて最適化手段に
より最適化しており、それにより、プラントに対する設
置センサの数を減らしても制御精度を実質的に低下させ
ることなくプラントを制御することができる制御装置を
低コストで提供できるようになる。また、本発明による
プラントの制御システムにおいては、削減された複数の
センサで測定されたプラントに関する情報の少なくとも
一部分の比較的多くをコントローラにおいて使用するこ
とにより、プラントのエントロピ生成を最少化するとと
共に情報量を最大化することができる。また、本発明を
内燃機関の制御に適用した場合には、酸素センサなどの
余分でしかも高価なセンサを使用しなくても制御精度を
実質的に低下させることなく、内燃機関を制御すること
ができるようになると共に使用センサ数が減るためセン
サに起因する故障の発生の確率が低下し、制御の安定性
及び信頼性の点で有利となる。また内燃機関の制御装置
として実施した場合には、本来の最適な制御レベルを維
持しながら使用センサの数を実質的に削減でき、装置の
コストを低減することができる。さらに、本発明を車両
の懸架装置の制御に適用した場合には、懸架装置系に設
けられるセンサの数を削減できると同時に、センサの数
を最適化した制御プログラムに基いて制御が行われるた
めセンサの数が減っても車両の懸架装置を種々の状況に
応じて最適に制御できるようになる。

【図面の簡単な説明】

【図１】従来技術のＡＩ制御方法の例を示すブロック図
である。

【図２】本発明の一局面によるＡＩ制御方法の実施形態
を示すブロック図である。

【図３Ａ】最適制御システムのブロック図である。

【図３Ｂ】削減制御システムのブロック図である。

【図４Ａ】エントロピーベースのソフト計算を使用する
削減制御システムの概略ブロック図である。

【図４Ｂ】エントロピベースのソフト計算使用する、削
減制御システムの詳細ブロック図である。

【図５Ａ】ファジーコントローラのシステムブロック図
である。

【図５Ｂ】図５Ａに示すファジーコントローラの計算ブ
ロック図である。

【図６】センサのある内燃ピストン機関の図である。

【図７】図６に示す内燃ピストン機関を制御するための
制御システムのブロック図である。

【図８】自動車懸架装置系の半分の概略図である。

【図９】図８に示す自動車懸架装置系を制御するための
制御システムのブロック図である。

【図１０】本発明の制御システムにおける制御の精度及
び信頼度と制御の安定性及び外乱に対する頑強さとの関
係を示すグラフである。

【図１１】制御システムの動作状態における重み係数の
設定の仕方を示すグラフである。

【符号の説明】

２００：制御システム２０４：加算器２０６：ＰＩＤコントローラ２０８：加算器２１０：プラント２１３：外乱をもつプラントモデル２１４：エントロピ計算器２１６：遺伝的アルゴリズム２１８：ファジーニューラル回路網２１９：ファジーロジック分類システム２２０：ファジーコントローラ２２２：ルール選択入力３０２：最適制御システム３０４：プラント３１２：削減制御システム４２０：最適制御システム４２２：センサーシステム４２５：最適ファジー制御ユニット４２６：ＦＮＮ１４２７：第一遺伝的アルゴリズム（ＧＡ１）４２８：制御対象４４０：最適化装置４４２：エントロピ・モデル４４４：第二遺伝的アルゴリズム（ＧＡ２）４４７：教師信号４６０：センサ補償器４６２：乗算器４６４：情報計算器４６６：乗算器４６８：情報計算器４８０：削減制御システム４８２：センサーシステム４８３：センサ信号４８４：制御対象モデル４８５：減少ファジー制御ユニット４８６：ＦＮＮ２４８８：制御対象４９０：減算器４９１：減算器

フロントページの続き (51)Int.Cl.⁷ 識別記号ＦＩテーマコート゛(参考）Ｆ０２Ｄ 45/00 ３７０Ｆ０２Ｄ 45/00 ３７０Ｂ３７２３７２Ｚ (72)発明者橋本茂喜静岡県磐田市新貝2500番地ヤマハ発動機株式会社内 (72)発明者萩原孝英静岡県磐田市新貝2500番地ヤマハ発動機株式会社内

Claims

【特許請求の範囲】

【請求項１】第１の複数のセンサを使用してプラントか
ら第１情報を測定するステップと；前記プラントに対し
目標の精度を提供するように構成され、第１制御信号を
発生する第１の制御システムへ前記第１情報を供給する
ステップと；前記第１の複数のセンサより少ない第２の
複数のセンサを使用して前記プラントから第２情報を測
定するステップと；第２制御信号を発生する第２制御シ
ステムへ前記第２情報を供給するステップと；前記第１
制御信号及び前記第２制御信号を使用して前記第２制御
システムを構成するステップと；を含むことを特徴とす
るプラントの制御方法。
【請求項２】第２制御システムを構成するステップが、
物理的基準を生成するステップと情報基準を生成するス
テップを備えている請求項１に記載の制御方法。
【請求項３】前記物理的基準がエントロピーモデルによ
り計算される、請求項２の方法。
【請求項４】前記第２制御システムにおいて、前記物理
的基準がエントロピーモデルにより計算される請求項３
に記載の制御方法。
【請求項５】前記第２制御システムが、前記プラントに
おいてエントロピー生成を減らすようにされる請求項４
に記載の制御方法。
【請求項６】前記最適化装置は、エントロピーに基づく
適合関数を有する遺伝的アルゴリズムを使用して最適化
が行われる請求項２に記載の制御方法。
【請求項７】第２制御システムを構成するステップが、
さらに、エントロピーに基づく適合関数を有する遺伝的
アルゴリズムへ前記物理的基準及び前記情報基準を供給
するステップを備えている請求項２に記載の制御方法。
【請求項８】第２制御システムを構成するステップが、
さらに、構成する前記ステップが、前記第２制御システ
ムにおいてファジーニューラル回路網へトレーニング信
号を供給するステップを備えている請求項２に記載の制
御方法。
【請求項９】さらに、リヤプノフ関数を用いて、前記プ
ラントの一つ以上の非線操作特性を分析するステップを
含む請求項１に記載の制御方法。
【請求項１０】さらに、前記プラントのエントロピー生
成を低減しかつ精度及び信頼性についての情報基準を高
める適合関数を用いた遺伝的アルゴリズムを用いて、フ
ァジーニューラル回路網に関する制御ルールを進化させ
るステップを含む請求項１に記載の制御方法。
【請求項１１】プラントを測定する削減された複数のセ
ンサからの削減情報に基づいて削減制御信号を発生する
削減制御手段を備え、前記削減制御手段が、前記削減制
御信号及び非削減制御信号からトレーニング信号を発生
する最適化手段によりトレーニングされることを特徴と
するプラントの制御装置。
【請求項１２】プラントに関する第１情報を測定するよ
う構成された、削減された複数のセンサと、前記第１情報の少なくとも一部分を受取るように構成さ
れ、第１制御信号を発生するようにトレーニングされた
第１コントローラと、を備え、前記コントローラが、前記プラントのエントロピー生成
を減らすために前記第１情報信号の前記少なくとも一部
分の比較的多くを使用するようにトレーニングされるこ
とを特徴とするプラントの制御システム。
【請求項１３】前記第１コントローラが、第１適合関数
を有する遺伝的アナライザによりトレーニングされるよ
う構成されたファジーニューラル回路網を備え、前記適
合関数が、前記第１制御信号と、前記第１の複数のセン
サより多い第２の複数のセンサから情報を受取るように
構成された第２コントローラによって発生された第２制
御信号との間の相互情報を増加させるように構成されて
いる請求項１２に記載の制御システム。
【請求項１４】前記遺伝的アナライザが、前記プラント
のエントロピー生成レートを減らるように構成された第
２適合関数を含む請求項１３に記載の制御システム。
【請求項１５】前記遺伝的アナライザが、前記ファジー
ニューラル回路網においてノード修正を実現するように
前記第２適合関数を使用するよう構成される請求項１４
に記載の制御システム。
【請求項１６】第１の複数のセンサを使用して内燃機関
から第１情報を測定するステップと；前記内燃機関に対
し目標の精度を提供するように構成された第１の機関制
御システムへ前記第１情報を供給して第１制御信号を発
生させるステップと；第１の複数のセンサより少ない第
２の複数のセンサを使用して前記内燃機関から第２情報
を測定するステップと；第２制御信号を発生する第２の
機関制御システムへ前記第２情報を供給するステップ
と；前記第１の機関制御信号及び前記第２の機関制御信
号を使用して前記第２の機関制御システムを構成するス
テップと；を含むことを特徴とする内燃機関の制御方
法。
【請求項１７】前記第２の機関制御システムを構成する
ステップが、物理的基準を生成するステップと情報基準
を生成するステップとを含む請求項１６に記載の制御方
法。
【請求項１８】前記第２制御システムにおいて、前記物
理的基準が、前記内燃機関の熱力学的特性に基づいてエ
ントロピーモデルにより計算される請求項１７に記載の
制御方法。
【請求項１９】前記第２の制御システムにおいて、前記
物理的基準がエントロピーモデルにより計算される請求
項１８に記載の制御方法。
【請求項２０】前記第２制御システムが、前記第２制御
システム及び前記内燃機関においてエントロピー生成を
減らすように適用される請求項１９に記載の制御方法。
【請求項２１】前記熱力学モデルが内燃機関の空気温度
及び水温に基づいている請求項２０に記載の制御方法。
【請求項２２】一部がエントロピーに基づく適合関数を
有する遺伝的アルゴリズムを使用して最適化が行われる
請求項１７に記載の制御方法。
【請求項２３】前記第２の機関制御システムを構成する
ステップが、さらに、エントロピーに基づく適合関数を
有する遺伝的アルゴリズムへ、前記物理的基準及び前記
情報基準を供給することを含む請求項１７に記載の制御
方法。
【請求項２４】前記第２の機関制御システムを構成する
ステップが、さらに、前記第２制御システムにおいてフ
ァジーニューラル回路網へトレーニング信号を供給する
ことを含む請求項１７に記載の制御方法。
【請求項２５】前記第１の複数のセンサ及び前記第２の
複数のセンサが温度センサを備えている請求項１６に記
載の制御方法。
【請求項２６】前記第１の複数のセンサが酸素センサを
備えている請求項１７に記載の制御方法。
【請求項２７】前記ファジーニューラル回路網がオフラ
インモードでトレーニングされる請求項１７に記載の制
御方法。
【請求項２８】機関を測定する複数のセンサからの情報
に基づいて機関制御信号を発生する機関制御手段を備
え、前記機関制御手段が、トレーニング信号を発生する
最適化手段によってトレーニングされ、前記最適化手段
が、前記制御信号と、最適制御手段により供給される最
適制御信号とを使用して前記トレーニング信号を発生す
るように構成されることを特徴とする機関の制御装置。
【請求項２９】機関についての第１情報を測定するよう
に構成された削減された複数のセンサと、前記第１情報の少なくとも一部分を受取るように構成さ
れ、そして第１制御信号を発生するようにトレーニング
された第１の機関コントローラとを備え、前記第１の機関コントローラが、前記機関のエントロピ
ー生成を減らすために前記第１情報信号の前記少なくと
も一部分の比較的多くを使用するようにトレーニングさ
れることを特徴とする機関の制御システム。
【請求項３０】前記第１の機関コントローラが、第１適
合関数を有する遺伝的アナライザによりトレーニングさ
れるよう構成されたファジーニューラル回路網を備え、
前記第１適合関数が、前記第１制御信号と、前記第１の
複数のセンサより多い第２の複数のセンサから情報を受
取るように構成された第２コントローラにより供給され
る第２制御信号との間の相互情報を増加させるように構
成されている請求項２９に記載の制御システム。
【請求項３１】前記遺伝的アナライザが、さらに、前記
機関のエントロピー生成レートを減らすように構成され
た第２適合関数を備えている請求項３０に記載の制御シ
ステム。
【請求項３２】前記遺伝的アナライザが、前記ファジー
ニューラル回路網においてノード修正を実現するよう前
記第２適合関数を使用するように構成される請求項３１
に記載の制御システム。記載の装置。
【請求項３３】前記第１の複数のセンサが温度センサを
備えている請求項３０に記載の制御システム。
【請求項３４】前記第２の複数のセンサが酸素センサを
備えている請求項３０に記載の制御システム。
【請求項３５】前記第１の複数のセンサが、水温セン
サ、空気温度センサ及び空気流センサを備えている請求
項３０に記載の制御システム。
【請求項３６】前記第２の複数のセンサが、水温セン
サ、空気温度センサ、空気流センサ及び酸素センサを備
えている請求項３０に記載の制御システム。
【請求項３７】前記第１制御信号が、燃料噴射装置を制
御するように構成された噴射装置制御信号を含む請求項
３０に記載の制御システム。
【請求項３８】第１の複数のセンサを使用して車両の懸
架装置から第１情報を測定するステップと；前記懸架装
置に対し目標の精度を提供するように構成された第１の
懸架装置制御システムへ前記第１情報を供給して第１制
御信号を発生させるステップと；前記第１の複数のセン
サより少ない第２の複数のセンサを使用して前記懸架装
置から第２情報を測定するステップと；第２制御信号を
発生する第２の懸架装置制御システムへ前記第２情報を
供給するステップと；前記第１の懸架装置制御信号及び
前記第２の懸架装置制御信号を使用して前記第２の懸架
装置制御システムを構成するステップと；を含むことを
特徴とする車両の懸架装置の制御方法。
【請求項３９】前記第２の懸架装置制御システムを構成
するステップが、物理的基準を生成するステップと情報
基準を生成するステップとを備えている請求項３８に記
載の制御方法。
【請求項４０】前記物理的基準が、前記懸架装置の熱力
学的特性に基づいてエントロピーモデルにより計算され
る請求項３９に記載の制御方法。
【請求項４１】前記物理的基準が、エントロピーモデル
により計算される請求項４０に記載の制御方法。
【請求項４２】前記第２の懸架装置制御システムが、前
記懸架装置におけるエントロピー生成を減少するように
される請求項４１に記載の制御方法。
【請求項４３】前記熱力学モデルが、懸架装置のピッチ
角とロール角に基づいている請求項４２に記載の制御方
法。
【請求項４４】一部がエントロピに基づく適合関数を有
する遺伝的アルゴリズムを使用して、最適化が行われる
請求項３９に記載の制御方法。
【請求項４５】前記第２の懸架装置制御システムを構成
するステップが、さらに、エントロピに基づく適合関数
を有する遺伝的アルゴリズムへ前記物理的基準及び前記
情報基準を供給するステップを含む請求項３９に記載の
制御方法。
【請求項４６】前記第２の懸架装置制御システムを構成
するステップが、さらに、前記第２制御システムにおい
てファジーニューラル回路網へトレーニング信号を供給
するステップを含む請求項３９に記載の制御方法。
【請求項４７】前記第２の複数のセンサが垂直方向加速
時計を備えている請求項３８に記載の制御方法。
【請求項４８】前記第１の複数のセンサが、ピッチ角セ
ンサ、ロール角センサ、位置センサ及び角度センサを備
えている請求項３８に記載の制御方法。
【請求項４９】前記ファジーニューラル回路網がオフラ
インモードでトレーニングされる請求項３８に記載の制
御方法。
【請求項５０】懸架装置を測定する複数のセンサからの
情報に基づいて懸架装置制御信号を発生する懸架装置制
御手段を備え、前記懸架装置制御手段が、トレーニング
信号を発生する最適化手段によりトレーニングされ、前
記最適化手段が、前記制御信号と、最適制御手段により
供給される最適制御信号とを使用して前記トレーニング
信号を発生することを特徴とする懸架装置の制御装置。
【請求項５１】懸架装置についての第１情報を測定する
ように構成された削減された複数のセンサと、前記第１情報の少なくとも一部分を受取るように構成さ
れ、そして第１制御信号を発生するようにトレーニン
グされた第１の懸架装置コントローラとを備え、前記第１の懸架装置コントローラが、前記懸架装置のエ
ントロピー生成を減らすために前記第１情報信号の前記
少なくとも一部分の比較的多くを使用するようにトレー
ニングされることを特徴とする懸架装置の制御システ
ム。
【請求項５２】前記第１の懸架装置コントローラが、第
１適合関数を有する遺伝的アナライザによりトレーニン
グされるよう構成されているファジーニューラル回路網
を備え、前記第１適合関数が、前記第１制御信号と、前
記第１の複数のセンサより多い第２の複数のセンサから
情報を受取るように構成された第２コントローラにより
供給される第２制御信号との間の相互情報を増加させる
ように構成されている請求項５１に記載の制御システ
ム。
【請求項５３】前記遺伝的アナライザが、更に、前記懸
架装置のエントロピー生成レートを減らすように構成さ
れた第２適合関数を備えている請求項５２に記載の制御
システム。
【請求項５４】前記遺伝的アナライザが、前記ファジー
ニューラル回路網においてノード修正を実現するために
前記第２適合関数を使用するように構成される請求項５
３に記載の制御システム。
【請求項５５】前記第１の複数のセンサが垂直方向加速
度計を備えている請求項５２に記載の制御システム。
【請求項５６】前記第２の複数のセンサが、ピッチ角セ
ンサとロール角センサを備えている請求項５２に記載の
制御システム。
【請求項５７】前記第１制御信号が、ショックアブソー
バ内の油圧流体を制御するように構成された油圧バルブ
制御信号を含む請求項５２に記載の制御システム。
【請求項５８】制御対象がメカトロニクスである制御シ
ステムにおいて、制御対象から必要かつ十分な情報を得
ることのできる数のセンサを備えた第１の制御システム
と、センサの数を削減し、第１の制御システムと同様な
機能をする第２の制御システムとの出力を比較し、その
差から算出した情報の指標とセンサ入力の物理的モデル
に入力して算出したエントロピの指標とをそれぞれ最適
化できるように教師データを作成し、この教師データに
基き第２の制御システムのファジニューラル回路網を学
習させて最適化ルールを作成することを特徴とする制御
システム。
【請求項５９】第１の制御システム及び第２の制御シス
テムの出力の差から算出した情報の指標を最大化するこ
とにより得られる制御の精度及び信頼度（Ｉ）と、物理
的モデルにより算出したエントロピを最少化することに
より得られる制御の安定性及び外乱に対する頑強さ
（Ｓ）との優先順位を、Ｋを重み係数とするとき、式Ｅ＝Ｋ・Ｉ（ｘ，ｙ）＋（１−Ｋ）（１−Ｓ）で表す評価量（Ｅ）に基いて評価し、遺伝的アルゴリズ
ムを用いて教師データを作成する請求項５８に記載の制
御システム。
【請求項６０】前記評価式中の重み係数Ｋが制御システ
ムの動作状態に応じて個々に設定される請求項５９に記
載の制御システム。