JP2647216B2 - Dead time compensation controller - Google Patents
Dead time compensation controllerInfo
- Publication number
- JP2647216B2 JP2647216B2 JP32129589A JP32129589A JP2647216B2 JP 2647216 B2 JP2647216 B2 JP 2647216B2 JP 32129589 A JP32129589 A JP 32129589A JP 32129589 A JP32129589 A JP 32129589A JP 2647216 B2 JP2647216 B2 JP 2647216B2
- Authority
- JP
- Japan
- Prior art keywords
- dead time
- control
- learning
- characteristic
- neural network
- 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.)
- Expired - Fee Related
Links
Landscapes
- Feedback Control In General (AREA)
Description
【発明の詳細な説明】 [発明の目的] (産業上の利用分野) 本発明は、むだ時間の長いプロセス等の制御に適用い
て好適なむだ時間補償制御装置に係わり、特にスミス法
プロセスモデル部でスミスの条件を成立させにくい制御
系であってもニューラルネットワークを用いて安定に制
御可能とするむだ時間補償制御装置に関する。DETAILED DESCRIPTION OF THE INVENTION [Object of the Invention] (Industrial application field) The present invention relates to a dead time compensation control device suitable for control of a process with a long dead time, and particularly to a Smith method process model unit. The present invention relates to a dead time compensation control device that can stably control using a neural network even in a control system that does not easily satisfy the Smith condition.
(従来の技術) 一般に、むだ時間の長いプロセスの制御系において
は、制御量(制御対象プロセスの物理量)が目標値に整
定するまでに相当な時間がかかり、また通常のPID制御
装置を用いた場合にはPID演算によって操作量を変えて
も、それによってプロセスから得られる制御量はプロセ
スの有するむだ時間が経過するまで全く変化しないの
で、操作量と制御量との間に位相ずれが生じてハンチグ
現象を起こし、そのためPIDパラメータの調整が非常に
難しく、ローバスト(Robust)性も低い。(Prior art) Generally, in a control system of a process with a long dead time, it takes a considerable time for the control amount (physical amount of the process to be controlled) to settle to a target value, and a normal PID control device is used. In this case, even if the manipulated variable is changed by the PID operation, the controlled variable obtained from the process does not change at all until the dead time of the process elapses, so that a phase shift occurs between the manipulated variable and the controlled variable. It causes a hunting phenomenon, which makes it very difficult to adjust the PID parameters and has low robustness.
そこで、現在では以上のような不具合を改善する観点
から種々のむだ時間補償方法,つまりスミス法やサンプ
ルP1制御等々が考えられており、実プラントの制御にも
応用されている。Therefore, at present, various dead time compensation methods, such as the Smith method and the sample P1 control, have been considered from the viewpoint of improving the above-mentioned problems, and are also applied to control of an actual plant.
以下、本発明の装置と関連のあるスミス法を用いた制
御装置について第10図を参照して説明する。この制御装
置は、通常のPID制御或いはファジィ制御等の主制御部
1とスミス法プロセスモデル部2とによってスミス制御
装置3が構成され、このスミス制御装置3で得られた操
作量CMVを制御対象としての実プロセス4に印加する構
成となっている。なお、この実プロセス4の中のGpは1
次遅れだけでなく、2次遅れなどの高次遅れ系も含むも
のである。Hereinafter, a control device using the Smith method related to the device of the present invention will be described with reference to FIG. In this control device, a Smith control device 3 is constituted by a main control unit 1 for ordinary PID control or fuzzy control and a Smith process model unit 2, and an operation amount CMV obtained by the Smith control device 3 is controlled. Is applied to the actual process 4. Gp in the real process 4 is 1
It includes not only the second-order lag but also higher-order lag systems such as the second-order lag.
ここで、第10図に示す目標値RSVと実プロセス4で得
られた制御量CPVとの比は下式で表わすことができる。Here, the ratio between the target value RSV shown in FIG. 10 and the control amount CPV obtained in the actual process 4 can be expressed by the following equation.
上式においてスミスの条件、つまりGpm=Gp、Lpm=Lp
vが成立すれば、上記(1)式は次のような式に置換す
ることができる。 In the above equation, the Smith condition, that is, Gpm = Gp, Lpm = Lp
If v is satisfied, the above equation (1) can be replaced with the following equation.
従って、スミスの条件が成立することにより、第10図
は等価的に第11図で表わすことができる。つまり、第11
図から明らかなようにむだ時間要素 はフィードバックループの外に出すことができる。この
ことはプロセス制御系において近似的にGpm=Gp、Lpm=
Lpvの関係が成立すれば、主制御部1のPID制御或いはフ
ァジィ制御はむだ時間のない時のプロセス制御と同じよ
うなパラメータを用いて、むだ時間を持つプロセス制御
系を安定に制御できる。勿論、真の制御量CPVは第11図
のPVMよりもむだ時間Lpv分だ遅れることになるが、これ
はやむを得ないことである。 Therefore, when the Smith condition is satisfied, FIG. 10 can be equivalently represented in FIG. That is, the eleventh
As can be seen from the figure, the dead time element Can go out of the feedback loop. This means that Gpm = Gp and Lpm = approximately in the process control system.
If the relationship of Lpv is established, the PID control or fuzzy control of the main control unit 1 can stably control the process control system having the dead time by using the same parameters as the process control without the dead time. Of course, the true control amount CPV is later than the PVM in FIG. 11 by the dead time Lpv, but this is unavoidable.
(発明が解決しようとする課題) 従って、以上のようなスミス法を用いた従来の制御装
置は、近似的にせよ,スミスの条件が成立すればむだ時
間のない時のプロセス制御と同じような安定な制御が行
なえるが、一般的に実プロセス4の伝達関数 を同定しながらスミス法プロセスモデル部2をスミスの
条件を設定することは困難な場合が多い。従来の同定の
基になっている推定には当然予測が伴い、しかも統計的
な予測の場合にはウィナーの理論を初め、制御理論の基
礎をなす数多くの理論が発表されている。これらの予測
理論は伝達関数を素直な式で表現できる制御系であれば
ある程度適切に同定できるが、制御系によって素直な式
で表わせない場合には十分に満足な同定ができなくな
る。(Problems to be Solved by the Invention) Therefore, the conventional control device using the above-mentioned Smith method is, as an approximation, similar to the process control when there is no dead time if the Smith condition is satisfied. Although stable control can be performed, the transfer function of the real process 4 is generally It is often difficult to set the Smith condition in the Smith method process model unit 2 while identifying. Naturally, the estimation based on the conventional identification involves prediction, and in the case of statistical prediction, many theories forming the basis of control theory have been published, including Wiener's theory. These prediction theories can be appropriately identified to some extent in a control system that can express a transfer function by a straightforward expression. However, if the control system cannot express the transfer function by a straightforward expression, the identification cannot be performed sufficiently satisfactorily.
一般的な観点から考えれば、人間の創造による人工的
なシステム(例えば通信システム等)の場合にはモデル
が作り易く、素直な式で表現できるので概ね可能である
のに対し、自然の物理・化学条件を利用した例えば工業
用の実プロセスの場合にはそれとは逆に非常に困難な場
合が多い。From a general point of view, in the case of an artificial system created by humans (such as a communication system), a model is easy to create and can be expressed by an obedient expression, so it is generally possible. On the other hand, in the case of, for example, an actual industrial process utilizing chemical conditions, on the contrary, it is often very difficult.
以下、具体的に例を上げて、スミスの条件が成立して
いる場合と、その条件からずれている場合とについて、
制御特性の違いを説明する。In the following, specific examples are given to illustrate a case where the Smith condition is satisfied and a case where the Smith condition is deviated.
The difference in control characteristics will be described.
今、実プロセス4として「1次遅れ+むだ時間」をも
つ制御系であってその伝達関数式を、 で表わすものとする。従って、非むだ時間プロセス特性
Gpおよびむだ時間Lpvは、それぞれ Gp=1/(1+40・s) Lpv=100秒 で表される。このとき、スミスの条件が成立していれ
ば、スミス法プロセスモデル部2は、 で表される。すなわち、(3)式と(4)式との間に
は、Gpm=Gp、Lpm=Lpvなる関係になっている。また、P
IDパラメータの比例ゲインKP,積分時間TI,微分時間TDは
それぞれ次のように設定する。つまり、 KP=0.65、TI=10秒、TD=0秒 …(5) とする。また、主制御部1の制御周期は10秒とする。そ
の結果、この制御系では、100秒の時点で目標値RSVを20
%から50%にステップ変更したとき、第12図のような制
御特性が得られる。この図から明らかなように、目標値
RSVの変更に対し、制御量CPVが比較的速やかに立上り、
しかもオーバーシュートが少なく短い時間に整定させる
ことができる。従って、第12図はむだ時間のプロセスの
1次遅れ時定数よりも十分に大きいにも拘らず、むだ時
間がない時のプロセス制御の時とほぼ同じよう良好な制
御特性が得られる。Now, a control system having “first order delay + dead time” as the real process 4 and its transfer function formula is It shall be represented by Therefore, non-dead time process characteristics
Gp and dead time Lpv are represented by Gp = 1 / (1 + 40 · s) Lpv = 100 seconds, respectively. At this time, if the Smith condition is satisfied, the Smith method process model unit 2 It is represented by That is, Gpm = Gp and Lpm = Lpv are established between Expressions (3) and (4). Also, P
The proportional gain K P , integration time T I , and differentiation time T D of the ID parameter are set as follows. That is, K P = 0.65, T I = 10 seconds, T D = 0 seconds (5). The control cycle of the main control unit 1 is 10 seconds. As a result, in this control system, the target value RSV is reduced to 20 at 100 seconds.
When the step is changed from 50% to 50%, a control characteristic as shown in FIG. 12 is obtained. As is clear from this figure, the target value
In response to the change in RSV, the control amount CPV rises relatively quickly,
Moreover, overshoot is small and settling can be performed in a short time. Therefore, in FIG. 12, although it is sufficiently larger than the first-order lag time constant of the process of the dead time, almost the same good control characteristics as those of the process control without the dead time can be obtained.
一方、実プロセス4の同定精度が悪く、スミス法プロ
セスモデル部2がスミスの条件からずれている場合、例
えば となっている場合、第13図のような制御特性が得られ
る。その他の条件は第12図と同様である。しかし、第13
図はオーバーシュートが大きく、操作量CMVおよび制御
量CPVともハンチング現象を起こしている。これは、近
似的にもスミスの条件が満足されておらず、むだ時間の
補償が良好に行われていないためである。この場合には
PIDパラメータを幾ら調整しても第12図のような良好な
制御特性が得られない。これに対し、PIDの比例ゲイン
を極端に小さくすればオーバーシュートやハンチングの
傾向を抑えることが可能であるが、制御量が目標値に整
定するまでに長時間を要するために実用に適さない。On the other hand, when the identification accuracy of the actual process 4 is poor and the Smith method process model unit 2 is out of the Smith condition, for example, , The control characteristics as shown in FIG. 13 are obtained. Other conditions are the same as those in FIG. But thirteenth
In the figure, the overshoot is large, and both the manipulated variable CMV and the control variable CPV have a hunting phenomenon. This is because the Smith condition is not approximately satisfied, and the dead time is not compensated satisfactorily. In this case
No matter how much the PID parameters are adjusted, good control characteristics as shown in FIG. 12 cannot be obtained. On the other hand, if the proportional gain of the PID is extremely reduced, the tendency of overshoot and hunting can be suppressed, but it is not suitable for practical use because it takes a long time for the control amount to settle to the target value.
本発明は上記実情に鑑みてなされたもので、スミス法
を用いたむだ時間補償制御を適用するにあたり、実プロ
セスの精度のよい同定が困難な場合やある時間の間に実
プロセスの特性が変化する場合であっても、実プロセス
の状態を自動学習しながら精度のよい同定を行い得、か
つ、その同定結果を制御に反映することによりむだ時間
を有しないプロセス制御と同様な安定な制御特性を得る
むだ時間補償制御装置を提供することを目的とする。The present invention has been made in view of the above circumstances, and when applying dead time compensation control using the Smith method, it is difficult to accurately identify an actual process or the characteristics of the actual process change during a certain time. Even if it does, it can perform accurate identification while automatically learning the state of the actual process, and by reflecting the identification result in the control, it has the same stable control characteristics as process control without dead time It is an object of the present invention to provide a dead time compensation control device for obtaining the following.
[発明の構成] (課題を解決するための手段) 先ず、請求項1に対応する発明は上記課題を解決する
ために、むだ時間の要素を持だ制御対象実プロセスから
の制御量が目標値に一致するようにPID制御またはファ
ジィ制御を行う主制御部と前記むだ時間の補償機能を持
ったスミス法プロセスモデル部とを用いて得られる操作
量に基づいて前記制御対象実プロセスを制御するむだ時
間補償制御装置において、前記操作量を入力信号とし、
かつ、前記制御量を教師信号としてそれぞれ受け、第1
のニューラルネットワークによって前記制御対象実プロ
セスの特性を学習する第1の実プロセス特性学習手段を
備え、この第1の実プロセス特性学習手段によって得ら
れた学習結果のシナプス結合係数をそのまま前記スミス
法プロセスモデル部のうち実プロセス特性演算用ニュー
ラルネットワークに用いて前記実プロセス特性モデル の演算を行う構成である。[Structure of the Invention] (Means for Solving the Problem) First, in order to solve the above-mentioned problem, the invention according to claim 1 requires that a control amount from a controlled actual process having a dead time element be a target value. The control target real process is controlled based on an operation amount obtained by using a main control unit that performs PID control or fuzzy control so as to match with the above and a Smith method process model unit having a dead time compensation function. In the time compensation control device, the operation amount is used as an input signal,
And receiving the control amounts as teacher signals, respectively,
A first real process characteristic learning means for learning the characteristics of the control target real process by the neural network of the present invention, wherein the synapse coupling coefficient of the learning result obtained by the first real process characteristic learning means is directly used for the Smith method process. The real process characteristic model used in the neural network for calculating the real process characteristics in the model part This is a configuration for performing the calculation.
次に、請求項2に対応する発明は、請求項1に新た
に、前記1の実プロセス特性学習手段によって得られた
学習された特性結果にステップ入力を加えて、その特性
結果の出力波形から前記制御対象実プロセスのむだ時間
を求めるむだ時間同定手段と、このむだ時間同定手段で
求めたむだ時間だけ前記操作量を遅延する遅延手段と、
この遅延手段で遅延された操作量を入力信号とし、か
つ、前記制御量を教師信号としてそれぞれ受け、第2の
ニューラルネットワークによって前記制御対象実プロセ
ス特性からむだ時間を除いたプロセス特性を学習する第
2の実プロセス特性学習とを備え、前記第1の実プロセ
ス特性学習手段によって得られた学習結果のシナプス結
合係数をそのまま前記スミス法プロセスモデル部の実プ
ロセス特性演算用ニューラルに用いて前記実プロセス特
性モデル を演算し、また前記第2の実プロセス特性学習手段によ
って得られた学習結果のシナプス結合係数をそのまま前
記スミス法プロセスモデル部の実プロセス特性からむだ
時間を除いた非むだ時間実プロセス特性演算用ニューラ
ルネットワークに用いて非むだ時間実プロセス特性モデ
ルGpm(S)を演算する構成である。Next, a second aspect of the present invention provides a method according to the first aspect, further comprising adding a step input to the characteristic result learned by the first real process characteristic learning means, and adding a step input to the characteristic result. Dead time identification means for determining the dead time of the actual process to be controlled, delay means for delaying the operation amount by the dead time determined by the dead time identification means,
An operation amount delayed by the delay means is used as an input signal, and the control amount is received as a teacher signal, and the second neural network learns process characteristics excluding the dead time from the control target real process characteristics. 2 real process characteristic learning, wherein the synapse coupling coefficient of the learning result obtained by the first real process characteristic learning means is used as it is for the real process characteristic calculation neural of the Smith method process model unit. Characteristic model And calculating the synapse coupling coefficient of the learning result obtained by the second real process characteristic learning means as it is for the non-dead time real process characteristic calculation by removing the dead time from the real process characteristic of the Smith method process model unit. This is a configuration for calculating a non-dead time real process characteristic model Gpm (S) using a neural network.
(作用) 従って、請求項1に対応する発明は以上のような手段
を講じたことにより、第1の実プロセス特性学習手段で
は、前記操作量を入力信号とし、かつ、前記制御量を教
師信号としてそれぞれ受け、例えば逆伝搬学習則によっ
て求めたシナプス結合係数を用いて第1のニューラルネ
ットワークで前記制御対象実プロセスの特性を学習す
る。そして、第1のニューラルネットワークの教師信号
と出力信号との差の二乗誤差が極小となったとき、その
第1の実プロセス特性学習手段によって得られた学習結
果のシナプス係合係数をそのまま前記スミス法プロセス
モデル部のうち実プロセス特性演算用ニューラルネット
ワークに適用し前記実プロセス特性の演算を行い、得ら
れた演算出力を用いて主制御部に与えることにより、む
だ時間補償制御の制御特性を大幅に改善するものであ
る。(Operation) Therefore, the invention corresponding to claim 1 employs the means described above, so that the first actual process characteristic learning means uses the operation amount as an input signal and the control amount as a teacher signal. , And learns the characteristics of the real process to be controlled by the first neural network using, for example, a synaptic coupling coefficient obtained by a back propagation learning rule. When the square error of the difference between the teacher signal and the output signal of the first neural network is minimized, the synapse engagement coefficient of the learning result obtained by the first actual process characteristic learning means is used as it is in the Smith. By applying the actual process characteristics to the neural network for calculating the actual process characteristics in the method process model unit and applying the calculated output to the main control unit, the control characteristics of the dead time compensation control can be greatly increased. It is to improve.
さらに、請求項2に対応する発明においては、請求項
1の発明による作用のほか、第1の実プロセス特性学習
手段で学習された特性結果からむだ時間同定手段にて実
プロセスのむだ時間(Lpv)を求めた後、このむだ時間
の遅延手段に導入する。この遅延手段では実プロセスの
むだ時間(Lpv)に基づいて操作量を遅延した後、第2
の実プロセス特性学習手段に導入する。この第2の実プ
ロセス特性学習手段では第1の実プロセス特性学習手段
と同様な手段により実プロセスの特性からむだ時間を除
いたプロセス特性を学習し、その学習結果のシナプス結
合係数をそのまま前記スミス法プロセスモデル部のうち
実プロセス特性からむだ時間を除いた非むだ時間実プロ
セス特性演算用ニューラルネットワークに用いて非むだ
時間実プロセス特性モデルGpm(s)の演算を行い、得
られた演算出力を用いて主制御部に与えることにより、
完全にスミスの条件を満足させることができ、常に良好
なむだ時間補償制御を実施することができる。Further, in the invention corresponding to claim 2, in addition to the operation according to the invention of claim 1, the dead time (Lpv) of the real process is determined by the dead time identification means from the characteristic result learned by the first real process characteristic learning means. ), And introduces this means for delaying the dead time. This delay means delays the operation amount based on the dead time (Lpv) of the real process,
To the actual process characteristic learning means. The second real process characteristic learning means learns the process characteristics excluding the dead time from the characteristics of the real process by means similar to the first real process characteristic learning means, and uses the synapse coupling coefficient of the learning result as it is in the Smith. The non-dead time real process characteristic model Gpm (s) is calculated using the neural network for calculating the non-dead time real process characteristics, which is obtained by removing the dead time from the real process characteristics in the method process model part. And giving it to the main controller,
The condition of Smith can be completely satisfied, and good dead time compensation control can always be performed.
(実施例) 以下、本発明の実施例を説明するに先立ち、本発明装
置に適用するニューラルネットワークについて説明す
る。このニューラルネットワークは、神経細胞(ニュー
ロン)を工学的にモデル化した多数のノードと、そのノ
ードの結合係数とから構成され、これら結合係数を可変
しながら学習を行うことが可能であり、しかも学習機能
によりプロセスの変化もネットワークに取り込んで柔軟
に最適なプロセス状態に設定でき、種々の技術分野への
適用が考えられている。例えば音声・画像などのパター
ン認識やロボット制御、診断・予測・評価などの知識処
理等の適用が考えられている。(Embodiment) Before describing the embodiment of the present invention, a neural network applied to the device of the present invention will be described. This neural network is composed of a large number of nodes that model a nerve cell (neuron) in engineering, and coupling coefficients of the nodes. Learning can be performed while varying these coupling coefficients. The function allows process changes to be incorporated into a network to flexibly set an optimal process state, and application to various technical fields is considered. For example, applications such as pattern recognition of voices and images, robot control, and knowledge processing such as diagnosis, prediction, and evaluation have been considered.
さて、生体の脳を構成するニューロンは第6図のよう
になっている。つまり、ニューロンは、細胞体11、樹状
突起12、軸策13およびシナプス14等で構成され、他のニ
ューロンシナプス141が樹状突起12,…に結合されてい
る。人間の脳には1010〜1011個のニューロンがあり、こ
れら各ニューロンにはそれぞれ103〜105程度のシナプス
14,…が結合されている。そして、他のニューロンから
の電位はシナプス141,…を通って樹状突起12によって受
容され、その受容される電位はシナプス結合の強さ(シ
ナプス結合係数)によって変化する。こうして、多数の
樹状突起12で受容される電位の合計がある一定のしきい
値を越えたときにはニューロンが活性状態にあるとい
い、反対に電位の合計がしきい値を越えていないときに
はニューロンが不活性状態にあるという。このニューロ
ンの電位はシナプス14,…を通ってさらに他のニューロ
ンに伝達されていく。Now, the neurons constituting the brain of the living body are as shown in FIG. In other words, neurons, the cell bodies 11, dendrite 12 is constituted by axonal 13 and synaptic 14 etc., other neurons synapses 14 1 dendrite 12 is coupled to .... The human brain has 10 10 to 10 11 neurons, each of which has about 10 3 to 10 5 synapses.
14,… are combined. Then, the potential of the other neurons synapses 14 1 are received by the dendrites 12 through ..., its acceptable carrier potential varies with the strength of synaptic connections (synapses coupling coefficient). Thus, when the sum of the potentials received by a number of dendrites 12 exceeds a certain threshold value, the neuron is said to be in an active state. Conversely, when the sum of the potentials does not exceed the threshold value, the neuron is activated. Is said to be inactive. The potential of this neuron is transmitted to other neurons through synapses 14,.
そこで、以上のようなニューロンの働きを工学的にモ
デル化すると、第7図のような形式のニューロン・モデ
ルで表すことができる。すなわち、今、N本の入力を持
つニューロンにおいて、これら入力信号の強さがx1,x2,
…xNで表され、かつ、各入力信号x1,x2,…xNにシナプス
結合係数w1,w2,…wNを与えたとき、ニューロンのしきい
値をhとすると、ニューロン自体の出力の強さy
(t+1)(但し、t=0,1,2,…)は、 で表され、いゆわる離散時間の差分方程式で記述でき
る。Therefore, when the function of the above-described neuron is engineered, it can be represented by a neuron model of the form shown in FIG. That is, in a neuron having N inputs, the strengths of these input signals are x 1 , x 2 ,
... is represented by x N, and each of the input signals x 1, x 2, ... synapse coupling coefficient w 1, w 2 to x N, when given ... w N, when the threshold value of the neuron is h, neuronal Output strength y
(t + 1) (However, t = 0,1,2, ...) It can be described by any discrete time difference equation.
なお、以上のようなニューロンの出力関数の表し方に
は種々考えられるが、一番単純でよく用いられているモ
デルには第8図のような段階関数がある。式で表せば、 となる。その他にも、次式のシグモイド型の連続関数が
よく使われる。Although there are various ways of expressing the output function of the neuron as described above, the simplest and most frequently used model includes a step function as shown in FIG. In terms of the formula, Becomes In addition, the following sigmoidal continuous function is often used.
これは、実際の神経細胞の飽和的な反応の性質を反映
させたものである。 This reflects the nature of the saturated response of actual neurons.
一般に、多数のニューロンが相互に結合して脳内のニ
ューラルネットを構成しているのであるが、その結合の
仕方そのものはあまり明らかにされていないが、パター
ン認識その他に多く用いられているモデルとしては第9
図に示すような階層型ニューラルネットと呼ばれるもの
がある。この階層型ニューラルネットは、入力層、少な
くとも1層以上からあなる中間層および主力層の3つの
部分からなっている。各層はそれぞれ複数個のニューロ
ンからなり、それぞれのニューロンの入力は前の層のニ
ューロンの出力と繋がっており、その出力は次の層のニ
ューロンの入力に繋がっている。In general, a large number of neurons are connected to each other to form a neural network in the brain.How the connection itself is not clear, but as a model often used for pattern recognition and others. Is the ninth
There is a so-called hierarchical neural network as shown in the figure. This hierarchical neural network is composed of three parts: an input layer, an intermediate layer composed of at least one layer, and a main layer. Each layer is composed of a plurality of neurons, and the input of each neuron is connected to the output of the neuron of the previous layer, and the output is connected to the input of the neuron of the next layer.
通常、このような階層的なネットワークの学習アルゴ
リズムは、ネットワークに望ましい変換の例を繰り返し
学習させながら、ニューロン間のシナプス結合係数を適
切な値に設定するように一連の処理を行うものであっ
て、そのためのシナプス結合係数の取得方法によく利用
されるものとして逆伝搬学習則と呼ばれるものがある。Usually, such a hierarchical network learning algorithm performs a series of processes to set the synaptic coupling coefficient between neurons to an appropriate value while repeatedly learning an example of a desired transformation in the network. As a method often used for obtaining a synaptic coupling coefficient therefor, there is a method called a back propagation learning rule.
この逆伝搬学習則は、各入力信号に適宜なシナプス結
合係数を与えてみてネットワークを通し、その時のネッ
トワークの出力と望ましい出力との差の誤差情報に基づ
き、その差が小さくなるようにシナプス結合係数を順次
修正することにより望ましい出力を得る。すなわち、出
力層のi番目のニューロンの出力をOiとし、その時の入
力信号に対する当該ニューロンの望ましい出力(教師信
号)をdiとすると、その二乗誤差Eは となるので、この二乗誤差Eを極小化するようにシナプ
ス結合係数を変化させて望ましい主力を得る。なお、各
シナプス結合係数の学習は、信号の伝搬とは逆,つまり
出力層から入力層へ向かって進行するものであって、こ
こに逆伝搬(バックプロパゲーション)学習則の名称の
由来がある。This backpropagation learning rule is based on the error information of the difference between the output of the network and the desired output at the time of giving an appropriate synapse coupling coefficient to each input signal and passing through the network. The desired output is obtained by successively modifying the coefficients. That is, if the output of the i-th neuron in the output layer is O i and the desired output (teacher signal) of the neuron with respect to the input signal at that time is d i , the square error E is Therefore, a desired main force is obtained by changing the synaptic coupling coefficient so as to minimize the square error E. The learning of each synaptic coupling coefficient is the reverse of signal propagation, that is, progresses from the output layer to the input layer. Here, the name of the backpropagation learning rule is derived. .
次にアルゴリズムの結果だけについて説明する。な
お、この方法は一種の最急降下法である。今、第N層に
i番目のニューロンの出力値をxi N、第(N−1)層の
j番目のニューロンから第N層のi番目のニューロンへ
のシナプス結合係数をwihj N,N−1と書くことにする
(第9図参照)。第N段のi番目のニューロンの学習信
号δi Nは第(N+1)段の各ニューロンの学習信号δk
N+1を用いて次式から再帰的に求めることができる。Next, only the result of the algorithm will be described. This method is a kind of steepest descent method. Now, the output value of the i-th neuron is x i N in the N-th layer, and the synaptic coupling coefficient from the j-th neuron in the (N−1) -th layer to the i-th neuron in the N-th layer is w ihj N, N Let us write -1 (see FIG. 9). The learning signal δ i N of the i-th neuron of the N-th stage is the learning signal δ k of each neuron of the (N + 1) -th stage.
It can be obtained recursively from the following equation using N + 1 .
ここで、学習信号というのは各ニューロン(出力層の
限定されない)がどの程度望ましい値と違っているかを
表した数値である。 Here, the learning signal is a numerical value indicating how much each neuron (the output layer is not limited) is different from a desired value.
一方、出力層の学習信号δi 0は次式で与えられる。On the other hand, the learning signal δ i 0 of the output layer is given by the following equation.
δi 0=(di−0i)・fi′(ui 0) …(12) 従って、出力層の学習信号δi 0が決まれば、後は入力
層側に向かって順次計算を行っていけば、中間層及び入
力層の学習信号を得ることができる。δ i 0 = (d i −0 i ) · f i ′ (u i 0 ) (12) Accordingly, once the learning signal δ i 0 of the output layer is determined, the calculation is sequentially performed toward the input layer. As a result, learning signals for the intermediate layer and the input layer can be obtained.
なお、(11)式においてui Nは、 で表され、またfiはニューロンの出力関係であってxi N
=fi(ui N−hi N)の関係になっている。fi′はfiの微分
値である。In equation (11), u i N is Where f i is the output relation of the neuron and x i N
= F i (u i N −h i N ). f i ′ is a differential value of f i .
また、各学習プロセスごとのシナプス結合係数の変化
則は、学習信号δを用いて次式で求めることができる。Further, the change rule of the synaptic coupling coefficient for each learning process can be obtained by the following equation using the learning signal δ.
Δwi,j N,N−1 (t+1)=η・δi N・xj N-1 +α・Δwi,j N,N−1 (t) …(14) ここで、tは学習のタイムステップ(教師信号の例示
回数)であり、各ステップごとに次々と入力される信号
と、それに対応する教師信号とをニューラルネットワー
クに呈示する。ηは学習定数であって例えばη=0.25、
αは安定化定数であって例えばα=0.9である。これら
η,αの定数は例えばシュミレーション結果から得られ
るものとする。Δw i, j N, N−1 (t + 1) = η · δ i N · x j N−1 + α · Δwi , j N, N−1 (t) (14) where t is learning (The number of times the teacher signal is illustrated), and a signal that is successively input at each step and a corresponding teacher signal are presented to the neural network. η is a learning constant, for example, η = 0.25,
α is a stabilization constant, for example, α = 0.9. These constants of η and α are obtained, for example, from simulation results.
ゆえに、新しいシナプス結合係数は、 wi,j N,N−1 (t+1)=wi,j N,N−1 (t) +Δwi,j N,N−1 (t+1) …(15) から求めることができる。Therefore, the new synaptic coupling coefficients are: w i, j N, N−1 (t + 1) = wi , j N, N−1 (t) + Δwi , j N, N−1 (t + 1) . (15) can be obtained from
従って、本発明は以上のようなニューラルネットワー
クを用いて安定な制御を実現することにあり、以下、本
発明装置の一実施例について第1図ないし第3図を参照
して説明する。第1図は制御装置の全体構成を示すブロ
ック図、第2図は第1図に示すスミス法プロセスモデル
部の構成図、第3図は本発明装置に適用するニューラル
ネットワークの一例を示す図である。Accordingly, the present invention resides in realizing stable control using the above-described neural network. Hereinafter, an embodiment of the present invention will be described with reference to FIGS. 1 to 3. FIG. 1 is a block diagram showing the overall configuration of the control device, FIG. 2 is a configuration diagram of the Smith method process model unit shown in FIG. 1, and FIG. 3 is a diagram showing an example of a neural network applied to the device of the present invention. is there.
第1図において20はむだ時間補償制御装置であって、
この制御装置20で得られた操作量CMVを制御対象である
実プロセス30に印加して制御する構成である。In FIG. 1, reference numeral 20 denotes a dead time compensation control device,
In this configuration, the manipulated variable CMV obtained by the control device 20 is applied to an actual process 30 to be controlled and controlled.
この実プロセス30はむだ時間を有するんプロセスであ
って、その伝達関数としては、 で表される。但し、Lpvはむだ時間、Gp(s)はむだ時
間要素を除いた実プロセス特性、sはラプラス演算子で
ある。This real process 30 is a process having a dead time, and its transfer function is: It is represented by Here, Lpv is a dead time, Gp (s) is an actual process characteristic excluding a dead time element, and s is a Laplace operator.
前記むだ時間補償制御装置20は、通常のPID制御或い
はファジィ制御等を用いて操作量CMVを得る主制御部21
と、むだ時間の補償機能をもったスミス法プロセスモデ
ル部22とが設けられている。The dead time compensation control device 20 includes a main control unit 21 that obtains an operation amount CMV using normal PID control or fuzzy control or the like.
And a Smith method process model unit 22 having a dead time compensation function.
このスミス法プロセスモデル部22は、従来のように伝
達関数式の形で演算するものでなくニューラルネットを
用いて行うものであって、具体的には第2図に示すニュ
ーラルネットで構成された実プロセス特性モデル演算手
段221と、同じくニューラルネットで構成されたプロセ
ス特性からむだ時間を除いた実プロセス特性を演算する
非むだ時間実プロセス特性モデル演算手段222と、この
演算手段222の出力から演算手段221の出力を減算する減
算手段223とからなっている。The Smith method process model unit 22 does not operate in the form of a transfer function formula as in the prior art, but uses a neural network, and is specifically configured by a neural network shown in FIG. the actual process characteristics model calculator 22 1, likewise non-dead time between the actual process characteristics model calculator 22 2 for calculating the actual process characteristics, except for the dead time from the configured process characteristics in the neural network, the computing means 22 2 It consists subtracter 22 3 which subtracts the output of the calculation means 22 1 from the output.
23は実プロセスの特性 を学習する機能をもった第1の実プロセス特性学習手段
であって、これは第3図に示すようなニューラルネット
ワークのほか、極小化判定手段およびスイッチ制御手段
等で構成されている。このニューラルネットワークは、
入力信号が操作量CMVの1つだけであるので、これを複
数個の入力層ニューロン(第3図の例では8個)に振り
分けるために、プロセスの時定数やむだ時間に較べて細
かい一定時間で順次遅延させていく遅延手段d1〜d7、こ
れら遅延手段d1〜d7の入出力部分に現れる信号をサンプ
リングするサンプラSP1〜SP8のほか、8つのニューロン
a1〜a8を有する入力層と、4つのニューロンb1〜b4を有
する中間層と、1つのニューロンc1を有する出力層とで
構成されている。23 is the characteristics of the actual process This is a first real process characteristic learning means having a function of learning the actual process characteristic, and includes a neural network as shown in FIG. 3, a minimization determining means, a switch control means, and the like. This neural network
Since the input signal is only one of the manipulated variables CMV, in order to distribute it to a plurality of input layer neurons (eight in the example of FIG. 3), a certain fixed time compared to the process time constant and dead time is used. In addition to delay means d1 to d7 for sequentially delaying the signals, samplers SP1 to SP8 for sampling signals appearing at the input and output portions of these delay means d1 to d7, and eight neurons
It comprises an input layer having a1 to a8, an intermediate layer having four neurons b1 to b4, and an output layer having one neuron c1.
このニューラルネットワークの学習アルゴリズムは前
述した逆伝搬学習則を用いてシナプス結合係数を可変し
ながら繰り返し行って実プロセス特性を学習し、さらに
極小化判定手段によりニューロンC1の出力信号と制御量
CPVである教師信号との二乗誤差の、予め定めておいた
一定時間の総和が予め定めた収束判定値以下となったと
き極小と判定する。そして、極小と判定されたとき、ス
イッチ制御手段でスイッチ241,242をオンし、その極小
化したときのシナプス結合係数をスミス法プロセスモデ
ル部22の実プロセス特性モデル演算手段221に供給す
る。The learning algorithm of this neural network repeatedly learns the actual process characteristics while varying the synaptic coupling coefficient using the above-described back propagation learning rule, and furthermore, the output signal of the neuron C1 and the control amount
When the sum of the square error with the teacher signal as the CPV for a predetermined period of time becomes equal to or less than a predetermined convergence determination value, it is determined to be a minimum. Then, when it is determined that the minimum, and turn on the switch 24 1, 24 2 by the switch control means, supply the synaptic coupling coefficient when the minimized the actual process characteristic model calculating unit 22 1 of the Smith method processing model 22 I do.
この実プロセス特性モデル演算手段221では例えば第
3図と同様なニューラルネットで構成されているが、特
に学習機能は必要ないので教師信号がなく、第1の実プ
ロセス特性学習手段23のニューラルネットワークのシナ
プス結合係数をそのまま自身のニューラルネットワーク
のシナプス結合係数として用いて、実プロセスの特性 の演算を行うことにより制御に反映されるようになって
いる。Are constituted by the actual process characteristics model calculator 22 1, for example Figure 3 similar neural network, no teacher signal especially since learning is not required, the neural network of the first actual process characteristics learning means 23 Using the synaptic coupling coefficient of the actual neural network as the synaptic coupling coefficient of its own neural network The calculation is reflected in the control.
さらに、制御装置20には実プロセスむだ時間(Lpv)
同定手段25、遅延手段26および第2の実プロセス特性
(Gp(s))学習手段27が設けられている。この実プロ
セスむだ時間同定手段25は第4図に示すように第1の実
プロセス特性学習手段23で学習された特性結果にステッ
プ入力を加えて、その特性結果の出力がゼロから立上り
始めるまでの時間をカウントし、実プロセス30のむだ時
間Lpvを求める。Further, the control device 20 has an actual process dead time (Lpv).
An identification unit 25, a delay unit 26, and a second actual process characteristic (Gp (s)) learning unit 27 are provided. The actual process dead time identification means 25 adds a step input to the characteristic result learned by the first actual process characteristic learning means 23 as shown in FIG. 4, and waits until the output of the characteristic result starts rising from zero. The time is counted, and the dead time Lpv of the real process 30 is obtained.
前記遅延手段26は主制御部21の出力である操作量CMV
を実プロセスむだ時間同定手段25で求めたむだ時間Lpv
だけ遅延し、第2の実プロセス特性Gp(s)学習手段27
に供給する。この第2の実プロセス特性学習手段27は、
第1の実プロセス特性学習手段23と同様に、第3図に示
すニューラルネットワーク、極小化手段およびスイッチ
制御手段等からなり、ニューラルネットワークでは遅延
手段26から得られた操作量CMVを入力信号とし、かつ、
制御量CPVを教師信号として受け、逆伝搬学習則で求め
たシナプス結合係数を可変しながらその出力信号と教師
信号との二乗誤差について極小化手段にて極小化を判定
し、実プロセス特性からむだ時間を除いた実プロセス特
性Gp(s)を求める。そして、極小化手段にて極小と判
定されたとき、スイッチ制御手段でスイッチ243をオン
とし、前記極小化したときのシナプス結合係数をスミス
法プロセスモデル部22の非むだ時間実プロセス特性モデ
ル演算手段222に供給する。この非むだ時間実プロセス
特性モデル演算手段222は例えば第3図と同様なニュー
ラルネットで構成されているが、特に学習機能は必要な
いので教師信号がなく、第2の実プロセス特性学習手段
27の学習結果によって得られたニューラルワークのシナ
プス結合係数をそのまま自身のニューラルネットワーク
のシナプス結合係数として用いて、実プロセス特性Gp
(s)の演算を行うことにより制御に反映させるように
している。The delay means 26 is provided with an operation amount CMV output from the main control unit 21.
The dead time Lpv obtained by the actual process dead time identification means 25
And the second actual process characteristic Gp (s) learning means 27
To supply. This second actual process characteristic learning means 27
Similarly to the first real process characteristic learning means 23, it is composed of a neural network, a minimizing means, a switch control means and the like shown in FIG. 3. In the neural network, the manipulated variable CMV obtained from the delay means 26 is used as an input signal. And,
The control amount CPV is received as a teacher signal, and while minimizing the square error between the output signal and the teacher signal while minimizing the synaptic coupling coefficient obtained by the back propagation learning rule, minimization is determined by the minimizing means, and the actual process characteristics are wasted. An actual process characteristic Gp (s) excluding time is obtained. Then, when it is determined that the minimum at minimizing means, the switch 24 3 is turned on by the switch control means, the non-dead time the actual process characteristics model calculation of the Smith method processing model 22 synaptic coupling coefficient when the minimized It is supplied to the means 22 2. This non-dead time the actual process characteristics model calculator 22 2 is composed of the same neural network and Figure 3 for example, no teacher signal especially since learning is not required, the second actual process characteristics learning means
By using the synaptic coupling coefficient of the neural work obtained by the learning result of 27 as the synaptic coupling coefficient of the own neural network as it is, the actual process characteristic Gp
The calculation of (s) is reflected in the control.
次に、以上のように構成された装置の動作について説
明する。今、実プロセス30の伝達関数式は、 で表されるものとする。一方、主制御部21は例えば従来
と同様にPID演算を行うが、そのときのPIDパラメータは
前記(5)式と同じ値であり、制御周期も同じく10秒と
する。しかして、以上の条件の下に制御を実行すると、
主制御部21およびスミス法プロセスモデル部22によって
操作量CMVが求められ、これが実プロセス30に供給さ
れ、これによって実プロセス30から制御量CPVが得られ
る。Next, the operation of the device configured as described above will be described. Now, the transfer function formula of the real process 30 is It is assumed that On the other hand, the main control unit 21 performs a PID calculation, for example, in the same manner as in the related art, but the PID parameter at that time has the same value as in the equation (5), and the control cycle is also 10 seconds. Then, when the control is executed under the above conditions,
The manipulated variable CMV is determined by the main control unit 21 and the Smith method process model unit 22, and is supplied to the real process 30, whereby the control variable CPV is obtained from the real process 30.
このとき、スミス法プロセスモデル部22においては、
先ず、制御装置20の立上げ時、実プロセス30の初期推定
特性が例えば前記(6)式と同様に、 と仮定しても、実プロセス特性演算手段221および非む
だ時間実プロセス特性モデル演算手段222のニューラル
ネットワークのそれぞれのシナプス結合係数の初期値は
計算できない。しかし、実プロセス特性モデル演算手段
221に対し、 を、また非むだ時間プロセス特性モデル演算手段222に
対し、 {1/(1+35・s)} をそれぞれ教師信号として与えれば、事前に逆伝搬学習
則を用いてオフラインによりシナプス結合係数の初期値
を求めることができる。従って、制御装置20の初期時に
はかかるシナプス結合係数の初期値を用いて実行する。At this time, in the Smith method process model unit 22,
First, when the control device 20 is started up, the initial estimated characteristics of the actual process 30 are, for example, similar to the above equation (6). Even assuming that the initial value of each of the synapse coupling coefficient of the real process characteristics calculating device 22 1 and the non-dead time the actual process characteristics model calculator 22 2 of the neural network can not be calculated. However, actual process characteristic model calculation means
22 1 And also for non deadtime process characteristic model calculating unit 22 2, be given {1 / (1 + 35 · s)} as a teacher signal, respectively, the initial value of the synaptic coefficients by off-line using the advance back propagation learning rule Can be requested. Therefore, at the initial stage of the control device 20, the process is executed using the initial value of the synaptic coupling coefficient.
このとき、主制御部21およびスミス法プロセスモデル
部22を用いて求めた操作量CMVは第1の実プロセス特性
学習手段23に導かれ、第3図に示すニューラルネットワ
ークの入力信号として与えられる。このニューラルネッ
トワークでは逆伝搬学習則を用いて学習アルゴリズムを
実行する。今、出力層のニューロンc1の出力を「01」と
すると、教師信号は制御量CPVであるので、その二乗誤
差Eは、 E=(1/2)・(CPV−01)2 …(19) となり、この誤差Eが極小化する方向にネットワークの
シナプス結合係数を可変しながらニューロンc1から出力
信号を得る。このとき、極小化判定手段は前記二乗誤差
Eとを、予め定めておいた一定時間の総和をとり、これ
をETとする。このETが予め収束判定値以下となったとき
極小化と判定するが、このときのニューロンc1の出力が
実プロセス特性 を学習したことになる。一方、スイッチ制御手段は極小
化と判定されたときスイッチ241,242をオンとし、第1
の実プロセス特性学習手段23の学習結果であるシナプス
結合係数をそのままスミス法プロセスモデル部22のニュ
ーラルネットを構成する実プロセス特性演算手段221の
シナプス結合係数として修正変更する。第5図はその修
正変更後の制御応答を示す図である。At this time, the manipulated variable CMV obtained using the main control unit 21 and the Smith method process model unit 22 is guided to the first real process characteristic learning means 23, and is given as an input signal of the neural network shown in FIG. In this neural network, a learning algorithm is executed using a back propagation learning rule. Now, assuming that the output of the neuron c1 in the output layer is "01", the teacher signal is the control amount CPV, and the square error E is E = (1/2). (CPV-01) 2 (19) The output signal is obtained from the neuron c1 while varying the synaptic coupling coefficient of the network in a direction in which the error E is minimized. At this time, the is minimized judging means and the square error E, take the sum of the constant previously determined time, which is referred to as E T. When this E T is less than or equal to the convergence judgment value in advance, it is determined that the localization is minimized. You have learned. On the other hand, the switch control means turns on the switch 24 1, 24 2 when minimized and determination, first
Changing modifications as synaptic coefficients of the actual process characteristics calculating means 22 1 to directly configure a neural network of the Smith method processing model 22 synaptic coupling coefficient is a learning result of the actual process characteristics learning means 23. FIG. 5 is a diagram showing a control response after the modification and change.
従って、このスミス法プロセスモデル部22について、
伝達関数を用いて等価的に表すと、 となり、スミスの条件が上式の第2項だけが満足されて
いるのと同じとなる。第1項はずれているにも拘らず、
むだ時間を含んだ項は正しく設定されているので、第5
図は従来装置の第13図と比較して著しく制御特性が改善
されている。また、スミスの条件が成立している第12図
と較べても、同程度の制御応答が得られ、十分に満足で
きる制御結果を得ることができる。Therefore, regarding the Smith method process model unit 22,
Expressed equivalently using a transfer function, And the Smith condition is the same as when only the second term in the above equation is satisfied. Although the first term is off,
Since the term including the dead time is set correctly,
The figure shows that the control characteristics are significantly improved as compared with FIG. 13 of the conventional device. Also, as compared with FIG. 12 in which the Smith condition is satisfied, the same level of control response can be obtained, and a sufficiently satisfactory control result can be obtained.
次に、第1の実プロセス特性学習手段23によるスイッ
チ242のオンにより、実プロセスむだ時間同定手段25は
学習手段23により学習された特性結果に対しステップ入
力を受けて、その出力ゼロから立上り始めるまでの時間
をカウントし、実プロセスのむだ時間Lpv(第4図参
照)を求め、遅延手段26に送出する。この方式の利点は
実プラントに直接ステップ信号を加える方式と異なり、
まったく制御を乱すことなく精度良くむだ時間を同定で
きることである。この遅延手段26では主制御部21からの
操作量CMVを同定手段25で求めたむだ時間Lpvだけ遅延し
た後、第3図に示すニューラルネットワークの入力信号
として与え、一方、制御量CPVを教師信号として与える
ことにより、むだ時間を除いた実プロセス特性Gp(s)
を求める。このときの学習アルゴリズム、極小化判定お
よびスイッチ制御等については第1の実プロセス特性学
習手段23と全く同様である。そして、この学習手段27で
得られた特性Gp(s)の学習結果に用いたシナプス結合
係数をスミス法プロセスモデル部22のニューラルネット
ワークを構成する非むだ時間プロセス特性モデル演算手
段222のシナプス結合係数として用いることにより制御
に反映させることができる。Then, by turning on the switch 24 2 according to the first actual process characteristics learning means 23, actual process dead time identifying unit 25 receives the step input to properties result learned by the learning means 23, rising from the output zero The time until the start is counted, the dead time Lpv (see FIG. 4) of the actual process is obtained, and sent to the delay means 26. The advantage of this method is that it differs from the method of adding a step signal directly to the actual plant.
That is, the dead time can be identified accurately without any disturbance in control. The delay means 26 delays the manipulated variable CMV from the main control unit 21 by the dead time Lpv obtained by the identification means 25, and then gives the input as the input signal of the neural network shown in FIG. , The actual process characteristics Gp (s) excluding the dead time
Ask for. The learning algorithm, minimization determination, switch control, and the like at this time are exactly the same as those of the first actual process characteristic learning means 23. Then, the non-dead-time process characteristic model synaptic calculating means 22 2 synaptic coupling coefficient used in the learning results constitute the neural network of the Smith method process model unit 22 of the learning unit 27 in the properties obtained Gp (s) By using it as a coefficient, it can be reflected in control.
その結果、その時点でのスミス法プロセスモデル部22
について、伝達関数を用いて等価的に表すと、 となり、スミスの条件を満足していることになる。As a result, the Smith method process model 22
Is equivalently expressed using a transfer function, Thus, the condition of Smith is satisfied.
従って従来例で述べた第11図の如くむだ時間要素 をフィードバックループ外に出すことができ、主制御部
21のPIDはむだ時間のない制御の時と同じパラメータを
用いて安定で良好な制御特性を得ることができる。Therefore, the dead time element as shown in Fig. 11 described in the conventional example Out of the feedback loop, the main control
The 21 PIDs can obtain stable and good control characteristics using the same parameters as in the control without dead time.
なお、本発明は上記実施例に限定されるものではな
い。例えば上記実施例では主制御部21にPID演算を適用
したが、ファジィ制御その他の演算手法を用いてもよ
い。また、上記実施例では具体的な実プロセス30とし
て、「一次遅れ+むだ時間」の関係を有するものにした
が、操作量と制御量の関係がむだ時間を有するプロセス
であれば、どのようなプロセスにも適用することは明ら
かである。特に、ニューラルネットワークを学習する手
段やスミス法プロセスモデル部22に用いているので、プ
ロセス特性Gp(s)が率直な式で表現できない制御系に
対しても適用できる。また、第1図の実プロセス特性30
の前に操作量CMV以外に外乱Dが印加させる場合には、
この外乱Dを、むだ時間補償制御装置20にも取り込み、
第1の実プロセス特性学習手段23への入力信号をCMV+
Dとし、同じく遅延手段26への入力信号もCMV+Dとす
ればよい。さらに、第1の実プロセス特性 学習手段23および第2の実プロセス特性{Gp(s)}学
習手段27は入力だけが違うだけでありアルゴリズムが全
く同じであるので、これら2つの手段23,27を1つに
し、それぞれ学習する時にスイッチを切換えて必要な入
力を取り込む構成としてもよい。その他、本発明はその
要旨を逸脱しない範囲で種々変形して実施できる。The present invention is not limited to the above embodiment. For example, although the PID calculation is applied to the main control unit 21 in the above embodiment, fuzzy control or another calculation method may be used. Further, in the above embodiment, the specific actual process 30 has a relationship of “first-order delay + dead time”. However, if the process between the operation amount and the control amount has a dead time, any process can be used. Obviously it applies to the process as well. In particular, since it is used in the means for learning a neural network and the Smith method process model unit 22, it can be applied to a control system in which the process characteristics Gp (s) cannot be expressed by a straightforward expression. The actual process characteristics 30 shown in FIG.
When the disturbance D is applied to the operation amount other than the operation amount CMV before
This disturbance D is also taken into the dead time compensation control device 20,
The input signal to the first actual process characteristic learning means 23 is CMV +
D, and the input signal to the delay means 26 may be CMV + D. Further, the first actual process characteristics The learning means 23 and the second actual process characteristic {Gp (s)} learning means 27 differ only in the input and have exactly the same algorithm. Therefore, these two means 23 and 27 are combined into one and learning is performed. A configuration may be adopted in which a switch is switched at a time to take in a necessary input. In addition, the present invention can be implemented with various modifications without departing from the scope of the invention.
[発明の効果] 以上説明したように本発明によれば、むだ時間の長い
プロセス制御系に対し、実プロセスの精度のよい同定が
困難な場合や長時間のうちに実プロセスの特性が変化す
る場合であっても、実プロセスの特性を自動的に学習
し、その結果を制御に反映することにより、むだ時間を
有しない実プロセスと同様に良好で安定な制御特性を得
ることができるむだ時間補償制御装置を提供できる。[Effects of the Invention] As described above, according to the present invention, the characteristics of an actual process change in a process control system having a long dead time when it is difficult to accurately identify the actual process or in a long time. Even in this case, by automatically learning the characteristics of the real process and reflecting the results in the control, it is possible to obtain a good and stable control characteristic as in the real process having no dead time. A compensation control device can be provided.
第1図ないし第5図は本発明装置の実施例を説明するた
めに示したもので、第1図は本発明装置の一実施例を示
す構成図、第2図は第1図に示すスミス法プロセスモデ
ル部の概略的な構成図、第3図は第1図の学習手段およ
びスミス法プロセスモデル部に適用するニューラルネッ
トワークの構成図、第4図は第1図の実プロセスむだ時
間同定手段の動作を説明する波形図、第5図は本発明装
置によて得られた制御特性図、第6図ないし第9図は本
発明装置に適用するニューラルネットワークのニューロ
ンおよびシナプス結合係数に係わる基礎的な説明図、第
10図ないし第13図は従来例を説明するために示したもの
で、第10図はスミス法による制御装置の構成図、第11図
はスミスの条件が成立したときの第10図と等価な図、第
12図および第13図はスミスの条件が成立した時と成立し
ていない時の制御特性図である。 20……むだ時間補償制御装置、21……主制御部、22……
スミス法プロセスモデル部、221……実プロセス特性モ
デル演算手段、222……非むだ時間実プロセス特性モデ
ル演算手段、23……第1の実プロセス特性学習手段、24
1,242,243……スイッチ、25……実プロセスむだ時間同
定手段、26……遅延手段、27……第2の実プロセス特性
学習手段、30……制御対象実プロセス。1 to 5 are views for explaining an embodiment of the apparatus of the present invention. FIG. 1 is a block diagram showing an embodiment of the apparatus of the present invention, and FIG. 2 is a Smith chart shown in FIG. FIG. 3 is a schematic diagram of the learning process and the neural network applied to the Smith process model unit in FIG. 1, and FIG. 4 is a real process dead time identification unit in FIG. FIG. 5 is a control characteristic diagram obtained by the device of the present invention, and FIGS. 6 to 9 are basic diagrams relating to neurons and synaptic coupling coefficients of a neural network applied to the device of the present invention. Explanatory diagram, the second
10 to 13 are shown to explain a conventional example, FIG. 10 is a block diagram of a control device by the Smith method, and FIG. 11 is equivalent to FIG. 10 when the Smith condition is satisfied. Figure, No.
12 and 13 are control characteristic diagrams when the Smith condition is satisfied and when it is not satisfied. 20 dead time compensation control device, 21 main control unit, 22
Smith method process model unit, 22 1 ... Real process characteristic model calculating means, 22 2 ... Non-dead time real process characteristic model calculating means, 23... First real process characteristic learning means, 24
1 , 24 2 , 24 3 ... switch, 25 ... actual process dead time identification means, 26 ... delay means, 27 ... second real process characteristic learning means, 30 ... controlled object real process.
Claims (2)
スからの制御量が目標値に一致するようにPID制御また
はファジィ制御を行う主制御部と前記むだ時間の補償機
能を持ったスミス法プロセスモデル部とを用いて得られ
る操作量に基づいて前記制御対象プロセスを制御するむ
だ時間補償制御装置において、 前記操作量を入力信号とし、かつ、前記制御量を教師信
号としてそれぞれ受け、第1のニューラルネットワーク
によって前記制御対象実プロセスの特性を学習する第1
の実プロセス特性学習手段を備え、この第1の実プロセ
ス特性学習手段によって得られた学習結果のシナプス結
合係数をそのまま前記スミス法プロセスモデル部のうち
実プロセス特性演算用ニューラルネットワークに用いて
前記実プロセス特性の演算を行うことを特徴とするむだ
時間補償制御装置。1. A main control unit for performing PID control or fuzzy control so that a control amount from a real process to be controlled having a dead time element coincides with a target value, and a Smith method having a dead time compensation function. A dead time compensation control device that controls the control target process based on an operation amount obtained by using a process model unit, wherein the control unit receives the operation amount as an input signal, and receives the control amount as a teacher signal; Learning the characteristics of the controlled real process by using the neural network
Real process characteristic learning means, and using the synapse coupling coefficient of the learning result obtained by the first real process characteristic learning means as it is for the real process characteristic calculation neural network in the Smith method process model unit. A dead time compensation control device for calculating a process characteristic.
スからの制御量が目標値に一致するようにPID制御また
はファジィ制御を行う主制御部と前記むだ時間の補償機
能を持ったスミス法プロセスモデル部とを用いて得られ
る操作量に基づいて前記制御対象実プロセスを制御する
むだ時間補償制御装置において、 前記操作量を入力信号とし、かつ、前記制御量を教師信
号としてそれぞれ受け、第1のニューラルネットワーク
によって前記制御対象実プロセスの特性を学習する第1
の実プロセス特性学習手段と、この第1の実プロセス特
性学習手段によって得られた学習された特性結果にステ
ップ入力を加えて、その特性結果の出力波形から前記制
御対象実プロセスのむだ時間を求めるむだ時間同定手段
と、このむだ時間同定手段で求めたむだ時間だけ前記操
作量を遅延する遅延手段と、この遅延手段で遅延された
操作量を入力信号とし、かつ、前記制御量を教師信号と
してそれぞれ受け、第2のニューラルネットワークによ
って前記制御対象実プロセスの特性からむだ時間を除い
たプロセス特性を学習する第2の実プロセス特性学習手
段とを備え、前記第1の実プロセス特性学習手段によっ
て得られた学習結果のシナプス結合係数をそのまま前記
スミス法プロセスモデル部の実プロセス特性演算用ニュ
ーラルネットワークに用いて前記実プロセス特性を演算
し、また前記第2の実プロセス特性学習手段によって得
られた学習結果のシナプス結合係数をそのまま前記スミ
ス法プロセスモデル部の実プロセス特性からむだ時間を
除いた非むだ時間実プロセス特性演算用ニューラルネッ
トワークに用いて非むだ時間実プロセス特性を演算する
ことを特徴とするむだ時間補償制御装置。2. A main control unit for performing PID control or fuzzy control so that a control amount from a real process to be controlled having a dead time element matches a target value, and a Smith method having a dead time compensation function. In the dead time compensation control device that controls the actual process to be controlled based on an operation amount obtained using a process model unit, the operation amount is used as an input signal, and the control amount is received as a teacher signal. A first neural network for learning characteristics of the controlled real process.
And a step input is added to the learned characteristic result obtained by the first actual process characteristic learning means, and the dead time of the actual process to be controlled is determined from the output waveform of the characteristic result. Dead time identification means, delay means for delaying the operation amount by the dead time determined by the dead time identification means, an operation amount delayed by the delay means as an input signal, and the control amount as a teacher signal Second real process characteristic learning means for learning process characteristics excluding the dead time from the characteristics of the control target real process by a second neural network. The neural network for calculating actual process characteristics of the Smith method process model unit is used as it is for the synapse coupling coefficient of the obtained learning result. To calculate the actual process characteristics, and use the synapse coupling coefficient of the learning result obtained by the second real process characteristic learning means as it is, excluding the dead time from the actual process characteristics of the Smith method process model unit. A dead time compensation control device for calculating a non-dead time actual process characteristic using a neural network for calculating a dead time actual process characteristic.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP32129589A JP2647216B2 (en) | 1989-12-13 | 1989-12-13 | Dead time compensation controller |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP32129589A JP2647216B2 (en) | 1989-12-13 | 1989-12-13 | Dead time compensation controller |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH03182902A JPH03182902A (en) | 1991-08-08 |
JP2647216B2 true JP2647216B2 (en) | 1997-08-27 |
Family
ID=18130979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP32129589A Expired - Fee Related JP2647216B2 (en) | 1989-12-13 | 1989-12-13 | Dead time compensation controller |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2647216B2 (en) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9405286B2 (en) * | 2013-03-01 | 2016-08-02 | Fisher-Rosemount Systems, Inc. | Use of predictors in process control systems with wireless or intermittent process measurements |
WO2020217445A1 (en) * | 2019-04-26 | 2020-10-29 | 理化工業株式会社 | Control device |
-
1989
- 1989-12-13 JP JP32129589A patent/JP2647216B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JPH03182902A (en) | 1991-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5056037A (en) | Analog hardware for learning neural networks | |
Bowen et al. | Dynamic ultrafiltration of proteins–A neural network approach | |
US6768927B2 (en) | Control system | |
Spall et al. | Model-free control of general discrete-time systems | |
JP2647216B2 (en) | Dead time compensation controller | |
Sum et al. | A note on the equivalence of NARX and RNN | |
Chovan et al. | Neural network architecture for process control based on the RTRL algorithm | |
JPH06348679A (en) | Usage method of neural network | |
JPH09237260A (en) | Device for learning multi-layer neural network | |
Johnson et al. | Adaptive control using combined online and background learning neural network | |
Narayanan et al. | A learning framework for controlling spiking neural networks | |
Wu et al. | Water level control by fuzzy logic and neural networks | |
Parsapoor | Brain emotional learning-based prediction model (for long-term chaotic prediction applications) | |
Suykens et al. | Neural control theory: an overview | |
JP2674167B2 (en) | Process control method using neural network model | |
JPH0895938A (en) | Method and device for learning time sequential data | |
Riedmiller | Application of sequential reinforcement learning to control dynamic systems | |
Mehrabian et al. | A real-time neuro-adaptive controller with guaranteed stability | |
Ng et al. | On‐line adaptive control of non‐linear plants using neural networks with application to liquid level control | |
De Jongh, PJ & De Wet | An introduction to neural networks | |
Koivisto | Minimum prediction error neural controller | |
Huang et al. | Adaptive asymptotic control for a class of uncertain nonlinear systems | |
Gupta et al. | Learning and adaptive neural controller | |
Wang et al. | Intelligent controller using neural network | |
Rao et al. | Dynamic neural controller with somatic adaptation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
LAPS | Cancellation because of no payment of annual fees |