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 - Google Patents
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 JP2000187504A JP11338346A JP33834699A JP2000187504A JP 2000187504 A JP2000187504 A JP 2000187504A JP 11338346 A JP11338346 A JP 11338346A JP 33834699 A JP33834699 A JP 33834699A JP 2000187504 A JP2000187504 A JP 2000187504A
- Authority
- JP
- Japan
- Prior art keywords
- control
- control system
- information
- sensors
- signal
- 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.)
- Pending
Links
Landscapes
- Vehicle Body Suspensions (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Feedback Control In General (AREA)
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。
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
【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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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(fuzzy logic classifie
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。
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(fuzzy logic classifie
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。
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)=[k1+k2/s+k3s]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、k1は比例フィードバック
の係数であり、k2は積分フィードバックの係数であ
り、そしてk3は微分フィードバックの係数である。係
数kiは係数ベクトルKで表すことができ、ここでK=
[k1,k2,k3]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。
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)=[k1+k2/s+k3s]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、k1は比例フィードバック
の係数であり、k2は積分フィードバックの係数であ
り、そしてk3は微分フィードバックの係数である。係
数kiは係数ベクトルKで表すことができ、ここでK=
[k1,k2,k3]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。
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。
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。
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。
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。
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。
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。
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。
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KTをファジーニューラル回路網218へ供給
する。教師信号KT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。
師)信号KTをファジーニューラル回路網218へ供給
する。教師信号KT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。
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。
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。
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。
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。
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。
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⊂Rn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/∂xi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。
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⊂Rn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/∂xi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diS/
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。
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diS/
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、qi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: θn+1=−(1/2)θn+(3/2)(1/ln+1)(xn+1− xn) (19)
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、qi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: θn+1=−(1/2)θn+(3/2)(1/ln+1)(xn+1− xn) (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。
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。
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。
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。
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。
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(approximate reas
oning)が、非線形動的動作方程式の使用により得
られる。
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(approximate reas
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。
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。
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。
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。
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
xbと最適制御信号xaとを供給する。削減制御システ
ム480は、出力センサ信号ybと削減制御信号yaと
を供給する。信号xbとybはk個のセンサからのデー
タを含み、ここでk 22と482間に共通でないセンサである。信号xbと
yb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εbであり、ここでε
b=xb−ybである。信号εbは、センサ補償器46
0のセンサ入力へ供給される。信号xaとya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εaであり、ここでεa=xa−ya
である。信号εa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。
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
xbと最適制御信号xaとを供給する。削減制御システ
ム480は、出力センサ信号ybと削減制御信号yaと
を供給する。信号xbとybはk個のセンサからのデー
タを含み、ここでk 22と482間に共通でないセンサである。信号xbと
yb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εbであり、ここでε
b=xb−ybである。信号εbは、センサ補償器46
0のセンサ入力へ供給される。信号xaとya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εaであり、ここでεa=xa−ya
である。信号εa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 FNN2 486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。
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 FNN2 486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xkは、m=k
+k1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I1を有す
る信号(または信号のグループ)である。つまり、情報
I1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xaは、制御
ユニット425の出力により供給される。制御信号xa
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Ik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k1からの情報Ik1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GA1 427
からのオフライン同調信号出力は、FNN1 426の
オフライン同調信号入力へ供給される。FNN 426
からの制御出力は制御信号xa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FNN 426は、共に最適ファジー制御ユニッ
ト425を備える。
すブロック図である。図4Bでは、信号xkは、m=k
+k1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I1を有す
る信号(または信号のグループ)である。つまり、情報
I1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xaは、制御
ユニット425の出力により供給される。制御信号xa
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Ik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k1からの情報Ik1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GA1 427
からのオフライン同調信号出力は、FNN1 426の
オフライン同調信号入力へ供給される。FNN 426
からの制御出力は制御信号xa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FNN 426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εa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
εa 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Ha(y)≦I(xa,ya)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(xa,ya)→maxである。加算器
491の出力からの信号εb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εb 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Hb(y)≦I
(xb,yb)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(xb,yb)→
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
(xa,ya)→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GA2 444の第二入力へ供給さ
れる。情報計算器468からの信号I(xb,yb)→
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,ya)→maxとI(xb,yb)→maxは、情
報基準であり、アルゴリズムGA2 444の第二入力
へ供給されるエントロピ信号S(k2)→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FNN2 486の
ための教師信号447である。
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εa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
εa 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Ha(y)≦I(xa,ya)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(xa,ya)→maxである。加算器
491の出力からの信号εb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εb 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Hb(y)≦I
(xb,yb)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(xb,yb)→
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
(xa,ya)→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GA2 444の第二入力へ供給さ
れる。情報計算器468からの信号I(xb,yb)→
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,ya)→maxとI(xb,yb)→maxは、情
報基準であり、アルゴリズムGA2 444の第二入力
へ供給されるエントロピ信号S(k2)→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FNN2 486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、FNN2 4
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FNN2 486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I2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=(k1+k2)<m、その
結果I2<I1である。情報I2は、FNN2 486
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、FNN2 48
6の教師信号入力へ供給される。FNN2 486から
の制御出力は信号yaであり、それは、制御対象488
の制御入力へ供給される。
システム482、制御対象モデル484、FNN2 4
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FNN2 486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I2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=(k1+k2)<m、その
結果I2<I1である。情報I2は、FNN2 486
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、FNN2 48
6の教師信号入力へ供給される。FNN2 486から
の制御出力は信号ya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。
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、GA1 427からFNN1
426へ、及びGA2444からFNN2 486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
FNN1 426へのオンライン学習矢印429を示
す。GA2 444の同調は、FNN2 486での結
合係数(bonding coefficient)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、FNN2 486へGA2 444から送ら
れる。普通には、FNN2 486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。
426へ、及びGA2444からFNN2 486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
FNN1 426へのオンライン学習矢印429を示
す。GA2 444の同調は、FNN2 486での結
合係数(bonding coefficient)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、FNN2 486へGA2 444から送ら
れる。普通には、FNN2 486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FNN1 426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。GA1 427は、オフライン中に
FNN1 426を同調する。xb及びybに関連する
信号線は、破線にして、xb及びyb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。
最適制御システム420の操作中にFNN1 426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。GA1 427は、オフライン中に
FNN1 426を同調する。xb及びybに関連する
信号線は、破線にして、xb及びyb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(xa,ya)→maxとI(xb,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(k2)→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。
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(xa,ya)→maxとI(xb,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(k2)→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xaと
削減制御信号ya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GA2 444
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FNN2 486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。
削減制御信号ya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GA2 444
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FNN2 486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GA2 444が(制御対象488の
数学的モデルに従い計算され)、FNN2 486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。
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GA2 444が(制御対象488の
数学的モデルに従い計算され)、FNN2 486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】FNN2 486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GA2 444の並
行した最適化は、FNN2 486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I2からデータを抽出する。
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GA2 444の並
行した最適化は、FNN2 486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I2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xaとya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(GA2 444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。GA2 444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yaを発生し、その
結果、削減制御信号ybの品質は、最適制御信号xa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FNN2 486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ya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、FNN2 486
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。
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xaとya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(GA2 444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。GA2 444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yaを発生し、その
結果、削減制御信号ybの品質は、最適制御信号xa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FNN2 486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ya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、FNN2 486
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。
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UFCとして供給される。
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UFC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)。
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。
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σx 2を有し、変化する
出力信号yは、変化する分散σy 2を有する。所望の制
御精度εに対して、ε−エントロピHε(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。
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σx 2を有し、変化する
出力信号yは、変化する分散σy 2を有する。所望の制
御精度εに対して、ε−エントロピHε(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Hε(y)は、次のように
計算でき Hε(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、pk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。
計算でき Hε(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、pk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=σy 2 /σx 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εy(I(x,y))はHε(y)の逆関数
であり Hεy(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、σy 2→σy 2のとき、最
大値 Imaxを持つであろう。更に、Imaxで、 であり、従って、ε2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。
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=σy 2 /σx 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εy(I(x,y))はHε(y)の逆関数
であり Hεy(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、σy 2→σy 2のとき、最
大値 Imaxを持つであろう。更に、Imaxで、 であり、従って、ε2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。
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。
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xaとセン
サ出力信号xbを供給する。削減制御システム780
は、削減制御出力信号yaと出力センサ信号ybを供給
する。信号xbとybは、A/Fセンサ608からのデ
ータを含む。信号xbとyb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、εb= xb−yb。信号εb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ya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εaであり、ここで、
εa=xa−ya。信号εa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。
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xaとセン
サ出力信号xbを供給する。削減制御システム780
は、削減制御出力信号yaと出力センサ信号ybを供給
する。信号xbとybは、A/Fセンサ608からのデ
ータを含む。信号xbとyb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、εb= xb−yb。信号εb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ya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εaであり、ここで、
εa=xa−ya。信号εa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xb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I1を有する信号のグループである。
言い換えると、情報I1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。
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I1を有する信号のグループである。
言い換えると、情報I1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xaは、制御ユニット725の出
力により供給される。制御信号xa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Ik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Ik1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
U1であり、それはエンジン728の制御入力へ供給さ
れる。信号U1はまた、信号xa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。
力により供給される。制御信号xa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Ik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Ik1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
U1であり、それはエンジン728の制御入力へ供給さ
れる。信号U1はまた、信号xa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εa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εa 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、Ha(y).I(xa,ya)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
(xa,ya)→maxである。加算器791の出力か
らの信号εb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εb 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、Hb(y).I
(xb,yb)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(xb,yb)→
maxである。
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εa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εa 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、Ha(y).I(xa,ya)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
(xa,ya)→maxである。加算器791の出力か
らの信号εb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εb 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、Hb(y).I
(xb,yb)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(xb,yb)→
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
(xa,ya)→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GA2 744の第二入力へ供給され
る。情報計算器768からの信号I(xb,yb)→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
(xa,ya)→maxとI(xb,yb)→maxは
情報基準であり、アルゴリズムGA2 744の第二入
力へ供給されるエントロピ信号S(k2)→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GA2 744の出力は、FNN786のための教師
信号である。
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
(xa,ya)→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GA2 744の第二入力へ供給され
る。情報計算器768からの信号I(xb,yb)→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
(xa,ya)→maxとI(xb,yb)→maxは
情報基準であり、アルゴリズムGA2 744の第二入
力へ供給されるエントロピ信号S(k2)→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GA2 744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I2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I2<I1である。情報I2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U2であ
り、それはまた、信号yaである。
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I2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I2<I1である。情報I2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U2であ
り、それはまた、信号ya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(TW)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(TW,TA)は、次の
関係を使用して計算され: S=c[ln(TW/TA)]2/[Δτ−ln(TW/TA)] (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。
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(TW)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(TW,TA)は、次の
関係を使用して計算され: S=c[ln(TW/TA)]2/[Δτ−ln(TW/TA)] (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−(Te/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、Te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−(Te/T)]dT (37) の積の区間TとTe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。
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−(Te/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、Te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−(Te/T)]dT (37) の積の区間TとTe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/dQ1 (39) ここで、Q1は、上側リザーバから流れる熱流束の累積
である。流束Q2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−(T2’/T1’) (40) の温度T1’とT2’に適用するので、境界温度T1と
T2=Te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 dγ1(T1−T1’)/T1’=dγ2(T2−T2’)/T2’ (41) 変数T1,T2=Te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 γ1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 γ1とγ2の微分は、i=1,2に対してdγ
1=αidAiと表され、ここで、値αiは熱伝導係数
であり、値dAiは上側と下側の交換面の面積である。
効率は、 η=dW/dQ1 (39) ここで、Q1は、上側リザーバから流れる熱流束の累積
である。流束Q2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−(T2’/T1’) (40) の温度T1’とT2’に適用するので、境界温度T1と
T2=Te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 dγ1(T1−T1’)/T1’=dγ2(T2−T2’)/T2’ (41) 変数T1,T2=Te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 γ1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 γ1とγ2の微分は、i=1,2に対してdγ
1=αidAiと表され、ここで、値αiは熱伝導係数
であり、値dAi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dQ1=dγ1
(T1−T1’)は、次式の形となる dQ1=dγ{T1−[1/(1−η)]T2} (42) これから、効率−パワー特性は、次式の形に従い η=1−T2/[T1−(dQ1/dγ)] (43) 駆動流体のエネルギーバランスから、熱パワー変数Q1
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dQ1/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。
(T1−T1’)は、次式の形となる dQ1=dγ{T1−[1/(1−η)]T2} (42) これから、効率−パワー特性は、次式の形に従い η=1−T2/[T1−(dQ1/dγ)] (43) 駆動流体のエネルギーバランスから、熱パワー変数Q1
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dQ1/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Tiと最終温度Tf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[Ti,Tf]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Ti=Teと
Tf=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、
体の任意の初期温度Tiと最終温度Tf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[Ti,Tf]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Ti=Teと
Tf=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。
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(Tf/Ti)/(τf−τi) (53)
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(Tf/Ti)/(τf−τi) (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(Ti,Tf)
の最大値を記述する。これは、プロセス継続時間全体が
τf−τiであるとき、指定された温度TiとTf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。
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(Ti,Tf)
の最大値を記述する。これは、プロセス継続時間全体が
τf−τiであるとき、指定された温度TiとTf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x0 f
=Wf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−Te/(u+T)]u≡f0(T,u) dT/dτ=u≡f1(T,u) (55) dx2/dτ=l≡f2(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=(x0,x1,x2)により記述され、そ
れは、3つの状態座標x0=W,x1=T,x2=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ΘiとΘfのセットを
導入することが好都合である。関数Θiは、Iより1次
元大きいスペースで働き、仕事座標x0=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=Wf−Θi(Wi,τi,Ti,τf,Tf)= Wf−Wi−I(τi ,Ti,τf,Tf) (57) 一定のWiで及び一定のWf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。 Vi(Wi,τi,Ti,τf,Tf)=Vf(τi,Ti,Wf,τf,Tf )≡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{Wf−Wi−I(τf,Tf,τi,Ti)}=0 (59)
により記述されるシステムに対し、最終仕事座標x0 f
=Wf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−Te/(u+T)]u≡f0(T,u) dT/dτ=u≡f1(T,u) (55) dx2/dτ=l≡f2(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=(x0,x1,x2)により記述され、そ
れは、3つの状態座標x0=W,x1=T,x2=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ΘiとΘfのセットを
導入することが好都合である。関数Θiは、Iより1次
元大きいスペースで働き、仕事座標x0=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=Wf−Θi(Wi,τi,Ti,τf,Tf)= Wf−Wi−I(τi ,Ti,τf,Tf) (57) 一定のWiで及び一定のWf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。 Vi(Wi,τi,Ti,τf,Tf)=Vf(τi,Ti,Wf,τf,Tf )≡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{Wf−Wi−I(τf,Tf,τi,Ti)}=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。(Θi(Xi)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x0=W,x
1=T,及びx2=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。 dxβ/dτ=fβ(x,u) β=0,1,2 (60) 微小Δτに対して、式(60)から次式を得る Δxβ=fβ(x,u)Δτ+O(ε2) (61) 式(61)において、記号O(ε2)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[τi,τf]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。 Wf≡Θi(xi+Δx)=Θi(Wi+ΔW,Ti+ΔT,τi+Δτ) (63) テイラー(Taylor)級数で方程式(63)拡張す
ると、次式を与え Wf=Θi(Xi)+(∂Θi/∂Xi β)ΔXβ+O(ε2) =Θi(Wi,Ti,τi)+(∂Θi/∂Wi)ΔW+(∂Θi/∂T )ΔT+(∂Θi/∂τi)Δτ+O(ε2) (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。 Θi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=Wi−Θi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/∂Wi=−(∂Θi/∂Wi)=−1 (68) 上式及びW=f0=−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=Wf−Wi−Vの点から見て、
式(69)は次式となる。
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。(Θi(Xi)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x0=W,x
1=T,及びx2=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。 dxβ/dτ=fβ(x,u) β=0,1,2 (60) 微小Δτに対して、式(60)から次式を得る Δxβ=fβ(x,u)Δτ+O(ε2) (61) 式(61)において、記号O(ε2)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[τi,τf]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。 Wf≡Θi(xi+Δx)=Θi(Wi+ΔW,Ti+ΔT,τi+Δτ) (63) テイラー(Taylor)級数で方程式(63)拡張す
ると、次式を与え Wf=Θi(Xi)+(∂Θi/∂Xi β)ΔXβ+O(ε2) =Θi(Wi,Ti,τi)+(∂Θi/∂Wi)ΔW+(∂Θi/∂T )ΔT+(∂Θi/∂τi)Δτ+O(ε2) (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。 Θi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=Wi−Θi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/∂Wi=−(∂Θi/∂Wi)=−1 (68) 上式及びW=f0=−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=Wf−Wi−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=∂f0(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+f0(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=−∂f0(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)+f0(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=−
f0へ適用される、ここでf0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[Ti,
Tf]は で表され、この最大値は、関数I(Ti,τi,Tf,
τf)である。運動量的な変数(温度同伴式に等しい)
は、それで z≡−∂f0/∂u=c[1−TeT/(T+u)2] (77) 及び u=[TeT/(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{(Te)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。
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=∂f0(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+f0(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=−∂f0(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)+f0(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=−
f0へ適用される、ここでf0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[Ti,
Tf]は で表され、この最大値は、関数I(Ti,τi,Tf,
τf)である。運動量的な変数(温度同伴式に等しい)
は、それで z≡−∂f0/∂u=c[1−TeT/(T+u)2] (77) 及び u=[TeT/(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{(Te)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Iσ(Ti,τi,Tf,
τf)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 (∂Iσ/∂τ)+Hσ=0 (81) Hσ=c{1−[1−(1/c)T(∂Iσ/∂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(Ti,Tf,τi,τf)=c(Tf−Ti)−[Te/(1+ξ)][l n(Ti/Tf)] (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(Ti,Tf,τi,τf)=c(Tf−Ti)−cTeln(Ti/Tf) −cTe[ln(Ti/Tf)]2/[τf−τi−ln(Ti/Tf)] (83) 式(83)から、Ti=TWとTf=TAで、エントロ
ピー生成の極小積分は次式で表される。 Sσ=c[ln(TW/TA)2/[Δτ−ln(TW/TA)] ここでΔτ=τf−τi (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。
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Iσ(Ti,τi,Tf,
τf)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 (∂Iσ/∂τ)+Hσ=0 (81) Hσ=c{1−[1−(1/c)T(∂Iσ/∂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(Ti,Tf,τi,τf)=c(Tf−Ti)−[Te/(1+ξ)][l n(Ti/Tf)] (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(Ti,Tf,τi,τf)=c(Tf−Ti)−cTeln(Ti/Tf) −cTe[ln(Ti/Tf)]2/[τf−τi−ln(Ti/Tf)] (83) 式(83)から、Ti=TWとTf=TAで、エントロ
ピー生成の極小積分は次式で表される。 Sσ=c[ln(TW/TA)2/[Δτ−ln(TW/TA)] ここでΔτ=τf−τi (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。
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
1 927へ供給され、GA1 927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FNN1 9
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。FNN2 986は、(図4でのGA2 444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。
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
1 927へ供給され、GA1 927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FNN1 9
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。FNN2 986は、(図4でのGA2 444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xr,yr,zr{r}は、後
アクスル(車軸)の枢動中心Pr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
アクスル(車軸)の枢動中心Pr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yr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x0r,y0r,z
0r{0r}を作る。 {0r}をベクトル(a1,0,0)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x0f,y0f,z0f{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。
変換行列r 0rTをもつ局所座標系x0r,y0r,z
0r{0r}を作る。 {0r}をベクトル(a1,0,0)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x0f,y0f,z0f{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,b2n,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x3n,y3n,z3n{3n}を作る。
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,b2n,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x3n,y3n,z3n{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。
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)
{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=−γn−θnにより置換え
られる。
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=−γn−θn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。
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。
>、<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、manをmWnで、 e1n
をe3nで置換して、車輪のための方程式を次のように
与える:
をe3n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
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Rn(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a1nj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。
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Rn(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a1nj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、lsn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。
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、lsn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:
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。
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。
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1】従来技術のAI制御方法の例を示すブロック図
である。
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。
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。
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。
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。
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。
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。
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。
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。
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。
設定の仕方を示すグラフである。
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:FNN1 427: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:FNN2 488: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 45/00 370 F02D 45/00 370B 372 372Z (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 (60)
- 【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。
Applications Claiming Priority (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US09/177.169 | 1998-10-22 | ||
US09/176.987 | 1998-10-22 | ||
US09/177.466 | 1998-10-22 | ||
US09/177,466 US6415272B1 (en) | 1998-10-22 | 1998-10-22 | System for intelligent control based on soft computing |
US09/176,987 US6216083B1 (en) | 1998-10-22 | 1998-10-22 | System for intelligent control of an engine based on soft computing |
US09/177,169 US6463371B1 (en) | 1998-10-22 | 1998-10-22 | System for intelligent control of a vehicle suspension based on soft computing |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2000187504A true JP2000187504A (ja) | 2000-07-04 |
Family
ID=27390762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP11338346A Pending JP2000187504A (ja) | 1998-10-22 | 1999-10-22 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2000187504A (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011189143A (ja) * | 2001-12-28 | 2011-09-29 | Lahteenmaki Pertti | データベース機構を利用して最適な投与量の栄養を生成するための栄養ディスペンサ及び方法 |
JP2020198080A (ja) * | 2019-05-31 | 2020-12-10 | 株式会社日立製作所 | 1以上のプロセスを監視しセンサデータを提供する複数のセンサを含むシステムのための方法 |
CN112286060A (zh) * | 2020-11-23 | 2021-01-29 | 青岛未来能源环境技术有限公司 | 一种基于遗传算法和模糊控制技术的热网温度控制方法 |
-
1999
- 1999-10-22 JP JP11338346A patent/JP2000187504A/ja active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011189143A (ja) * | 2001-12-28 | 2011-09-29 | Lahteenmaki Pertti | データベース機構を利用して最適な投与量の栄養を生成するための栄養ディスペンサ及び方法 |
JP2020198080A (ja) * | 2019-05-31 | 2020-12-10 | 株式会社日立製作所 | 1以上のプロセスを監視しセンサデータを提供する複数のセンサを含むシステムのための方法 |
JP6995909B2 (ja) | 2019-05-31 | 2022-01-17 | 株式会社日立製作所 | 1以上のプロセスを監視しセンサデータを提供する複数のセンサを含むシステムのための方法 |
CN112286060A (zh) * | 2020-11-23 | 2021-01-29 | 青岛未来能源环境技术有限公司 | 一种基于遗传算法和模糊控制技术的热网温度控制方法 |
CN112286060B (zh) * | 2020-11-23 | 2022-06-14 | 青岛未来能源环境技术有限公司 | 一种基于遗传算法和模糊控制技术的热网温度控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6721718B2 (en) | System for intelligent control based on soft computing | |
US6609060B2 (en) | System for intelligent control of an engine based on soft computing | |
US6463371B1 (en) | System for intelligent control of a vehicle suspension based on soft computing | |
US6212466B1 (en) | Optimization control method for shock absorber | |
JP2005538886A (ja) | 少なくされた数のセンサーを用いるファジー制御装置 | |
US6411944B1 (en) | Self-organizing control system | |
JP2005535025A (ja) | 量子ソフト演算に基づくインテリジェントメカトロニクス制御サスペンションシステム | |
JP2005310114A (ja) | ソフト演算最適化装置を用いた自動二輪車のためのインテリジェントロバスト制御システム | |
CN111880412B (zh) | 基于单评判网络的可重构机器人零和神经最优控制方法 | |
CN116460860B (zh) | 一种基于模型的机器人离线强化学习控制方法 | |
Li et al. | An online trajectory planning method of a flexible-link manipulator aiming at vibration suppression | |
Dong et al. | Friction modeling and compensation for haptic master manipulator based on deep Gaussian process | |
Wang et al. | Sim2sim evaluation of a novel data-efficient differentiable physics engine for tensegrity robots | |
US20040039555A1 (en) | System and method for stochastic simulation of nonlinear dynamic systems with a high degree of freedom for soft computing applications | |
Precup et al. | A survey on fuzzy control for mechatronics applications | |
CN117268391B (zh) | 一种基于目标分层架构的变形飞行器智能规划方法及*** | |
JP2000187504A (ja) | 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 | |
CN108319146B (zh) | 一种径向基神经网络基于离散粒子群训练的方法 | |
Tan et al. | Controlling robot manipulators using gradient-based recursive neural networks | |
CN116501061A (zh) | 一种基于分层优化的模型预测控制路径跟踪方法 | |
Kim et al. | Reinforcement adaptive learning neural network based friction compensation for high speed and precision | |
Patel et al. | Servo actuating system control using optimal fuzzy approach based on particle swarm optimization | |
Lee et al. | Adaptive perturbation control with feedforward compensation for robot manipulators | |
Zhang et al. | Comparison of some modeling and control issues for a flexible two link manipulator | |
Hu et al. | Development of ANN-based models to predict the static response and dynamic response of a heat exchanger in a real MVAC system |