JP3039154B2 - コントローラの調整方法 - Google Patents
コントローラの調整方法Info
- Publication number
- JP3039154B2 JP3039154B2 JP4221211A JP22121192A JP3039154B2 JP 3039154 B2 JP3039154 B2 JP 3039154B2 JP 4221211 A JP4221211 A JP 4221211A JP 22121192 A JP22121192 A JP 22121192A JP 3039154 B2 JP3039154 B2 JP 3039154B2
- Authority
- JP
- Japan
- Prior art keywords
- time
- control
- input
- equation
- controller
- 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
【０００１】
【産業上の利用分野】本発明は、コントローラの調整方
法に係り、特に、制御系の入出力変数の時間応答に基づ
いて制御パラメータを調整するのに好適なコントローラ
の調整方法に関する。
法に係り、特に、制御系の入出力変数の時間応答に基づ
いて制御パラメータを調整するのに好適なコントローラ
の調整方法に関する。
【０００２】
【従来の技術】コントローラにより制御対象を制御する
場合、制御対象の特性に合わせてコントローラの制御パ
ラメータを調整する必要がある。その１つの方法とし
て、「コントローラの調整方法および調整システム」
（特開平3−233702 号公報）に記載されている調整方法
がある。以下に、この従来の調整方法の概要を説明す
る。
場合、制御対象の特性に合わせてコントローラの制御パ
ラメータを調整する必要がある。その１つの方法とし
て、「コントローラの調整方法および調整システム」
（特開平3−233702 号公報）に記載されている調整方法
がある。以下に、この従来の調整方法の概要を説明す
る。
【０００３】従来の調整方法は、コントローラと制御対
象を組合わせた制御系の入出力変数の時系列信号に基づ
いてニューラル・ネットワークによりコントローラの制
御パラメータを決定するものである。
象を組合わせた制御系の入出力変数の時系列信号に基づ
いてニューラル・ネットワークによりコントローラの制
御パラメータを決定するものである。
【０００４】
【発明が解決しようとする課題】上記従来技術では、種
々の制御対象に対応する場合、あるいは制御対象の特性
が大きく変化する場合、１つのニューラル・ネットワー
クで調整するのが難しく、制御対象の特性に対応して複
数のニューラル・ネットワークを用意しなければなら
ず、制御対象の種類が多い場合、あるいは制御対象の特
性変化が特に大きい場合、用意する調整用ニューラル・
ネットワークの個数が大幅に増加する、という問題があ
った。
々の制御対象に対応する場合、あるいは制御対象の特性
が大きく変化する場合、１つのニューラル・ネットワー
クで調整するのが難しく、制御対象の特性に対応して複
数のニューラル・ネットワークを用意しなければなら
ず、制御対象の種類が多い場合、あるいは制御対象の特
性変化が特に大きい場合、用意する調整用ニューラル・
ネットワークの個数が大幅に増加する、という問題があ
った。
【０００５】本発明は、種々の制御対象に対応する場
合、あるいは制御対象の特性変化が特に大きい場合に
も、用意する調整用ニューラル・ネットワークの個数を
最小に抑え、制御パラメータを良好に調整できる方法の
提供を目的としている。
合、あるいは制御対象の特性変化が特に大きい場合に
も、用意する調整用ニューラル・ネットワークの個数を
最小に抑え、制御パラメータを良好に調整できる方法の
提供を目的としている。
【０００６】
【課題を解決するための手段】上記目的を達成するため
に、制御対象あるいは制御系の入出力変数の時系列信号
を取込み、これらの信号を制御対象あるいは制御系の無
駄時間を基準にして時間軸の方向に正規化すると共に、
制御対象あるいは制御系の時間応答の変動幅を基準にし
て振幅方向に正規化し、この正規化した時系列信号に基
づいてニューラル・ネットワークによりコントローラの
制御パラメータを調整するようにした。
に、制御対象あるいは制御系の入出力変数の時系列信号
を取込み、これらの信号を制御対象あるいは制御系の無
駄時間を基準にして時間軸の方向に正規化すると共に、
制御対象あるいは制御系の時間応答の変動幅を基準にし
て振幅方向に正規化し、この正規化した時系列信号に基
づいてニューラル・ネットワークによりコントローラの
制御パラメータを調整するようにした。
【０００７】
【作用】制御対象あるいは制御系の入出力変数の時系列
信号を取込み、これらの信号を制御対象あるいは制御系
の無駄時間を基準にして時間軸の方向に正規化すると共
に、制御対象あるいは制御系の時間応答の変動幅を基準
にして振幅方向に正規化し、この正規化した時系列信号
に基づいてニューラル・ネットワークによりコントロー
ラの制御パラメータを調整するので、種々の制御対象に
も、あるいは制御対象の特性変化が大きい場合にも対応
でき、用意する調整用ニューラル・ネットワークの個数
を最小に抑え、制御パラメータを良好に調整できる。
信号を取込み、これらの信号を制御対象あるいは制御系
の無駄時間を基準にして時間軸の方向に正規化すると共
に、制御対象あるいは制御系の時間応答の変動幅を基準
にして振幅方向に正規化し、この正規化した時系列信号
に基づいてニューラル・ネットワークによりコントロー
ラの制御パラメータを調整するので、種々の制御対象に
も、あるいは制御対象の特性変化が大きい場合にも対応
でき、用意する調整用ニューラル・ネットワークの個数
を最小に抑え、制御パラメータを良好に調整できる。
【０００８】
【実施例】図１に本発明の一実施例を示す。
【０００９】本実施例は、制御対象１を制御するコント
ローラ２，制御対象１とコントローラ２を組合わせた制
御系の入出力変数の時系列信号を取込んで正規化する時
系列信号正規化処理システム３，正規化した入出力変数
の時系列信号と調整ルールによりコントローラ２の制御
パラメータを調整するパラメータ調整システム４，パラ
メータ調整システム４の調整ルールを学習により構築す
る調整ルール学習システム５から構成される。
ローラ２，制御対象１とコントローラ２を組合わせた制
御系の入出力変数の時系列信号を取込んで正規化する時
系列信号正規化処理システム３，正規化した入出力変数
の時系列信号と調整ルールによりコントローラ２の制御
パラメータを調整するパラメータ調整システム４，パラ
メータ調整システム４の調整ルールを学習により構築す
る調整ルール学習システム５から構成される。
【００１０】コントローラ２としてＰＩＤ（比例・積分
・微分）コントローラを使用する場合について説明す
る。このＰＩＤコントローラの伝達関数Ｇc(ｓ）は、数
１で与えられる。
・微分）コントローラを使用する場合について説明す
る。このＰＩＤコントローラの伝達関数Ｇc(ｓ）は、数
１で与えられる。
【００１１】
【数１】
【００１２】ここで、Ｋp：比例ゲイン Ｔi：積分時間 Ｔd：微分時間 また、制御対象１として伝達関数Ｇp(ｓ）が、数２で示
す１次遅れ＋無駄時間系で近似できる場合について説明
する。
す１次遅れ＋無駄時間系で近似できる場合について説明
する。
【００１３】
【数２】
【００１４】ここで、Ｋ：ゲイン Ｔ：時定数 Ｌ：無駄時間 時系列信号正規化処理システム３は、制御対象１とコン
トローラ２を組合わせた制御系の入出力変数の時系列信
号を取込み、これらの信号を数３に示すように制御対象
の無駄時間Ｌ及び制御系の時間応答の変動幅を基準にし
て正規化する。
トローラ２を組合わせた制御系の入出力変数の時系列信
号を取込み、これらの信号を数３に示すように制御対象
の無駄時間Ｌ及び制御系の時間応答の変動幅を基準にし
て正規化する。
【００１５】
【数３】
【００１６】ここで、 Ｚ：入出力変数の時系列信号 ＺN ：正規化された入出力変数の時系列信号 ｆN ：正規化関数 入出力変数の時系列信号Ｚ及び正規化された入出力変数
の時系列信号ＺN は、それぞれ数４，数５で表わされ
る。
の時系列信号ＺN は、それぞれ数４，数５で表わされ
る。
【００１７】
【数４】
【００１８】ここで、ｒ（ｔ−ｌ）：（ｔ−ｌ）サンプ
リング時点の目標値 ｙ（ｔ−ｌ）：（ｔ−ｌ）サンプリング時点の制御量 Ｍ：次数
リング時点の目標値 ｙ（ｔ−ｌ）：（ｔ−ｌ）サンプリング時点の制御量 Ｍ：次数
【００１９】
【数５】
【００２０】ここで、ｒN（ｔN−ｌ）：（ｔN−１）サ
ンプリング時点の正規化目標値 ｙN（ｔN−ｌ）：（ｔN−ｌ）サンプリング時点の正規
化制御量 ｔN−ｌ：正規化したサンプリング時点 ＭN：正規化した次数 なお、時系列信号の正規化処理については、後で詳細に
説明する。
ンプリング時点の正規化目標値 ｙN（ｔN−ｌ）：（ｔN−ｌ）サンプリング時点の正規
化制御量 ｔN−ｌ：正規化したサンプリング時点 ＭN：正規化した次数 なお、時系列信号の正規化処理については、後で詳細に
説明する。
【００２１】パラメータ調整システム４は、時系列信号
正規化処理システム３で正規化された入出力変数の時系
列信号ＺN に基づいてコントローラ２の制御パラメータ
を調整する。この調整プロセスは、数６で表わされる。
正規化処理システム３で正規化された入出力変数の時系
列信号ＺN に基づいてコントローラ２の制御パラメータ
を調整する。この調整プロセスは、数６で表わされる。
【００２２】
【数６】
【００２３】ここで、Ｃ：制御パラメータ Ｆ：調整関数 制御パラメータＣは、ＰＩＤコントローラの場合、数７
となる。
となる。
【００２４】
【数７】
【００２５】調整関数Ｆ（ＺN ）は、図２に示す多層
（ｍ層）のニューラル・ネットワークで構成する。
（ｍ層）のニューラル・ネットワークで構成する。
【００２６】このニユーラル・ネットワークの構成要素
であるユニットの構成を図３に示す。
であるユニットの構成を図３に示す。
【００２７】このユニットの入出力関係は、数８，数９
で表わされる。
で表わされる。
【００２８】
【数８】
【００２９】
【数９】
【００３０】ここで、 ｕj(ｋ）：第ｋ層の第
ｊユニットへの入力の総和 ｖj(ｋ）：第ｋ層の第ｊユニットの出力 ｗij（ｋ−１，ｋ）：第（ｋ−１）層の第ｉユニットか
ら第ｋ層の第ｊユニットへの結合の重み係数 ｆ：各ユニットの入出力関係を与える関数 ニューラル・ネットワークの第１層は、入力層であり、
第１層のユニットの出力は、ニューラル・ネットワーク
への入力信号となる。本発明の実施例においては、ニュ
ーラル・ネットワークへの入力信号は、制御対象１の正
規化された入出力変数の時系列信号ＺN であり、その対
応は数１０に示す。
ｊユニットへの入力の総和 ｖj(ｋ）：第ｋ層の第ｊユニットの出力 ｗij（ｋ−１，ｋ）：第（ｋ−１）層の第ｉユニットか
ら第ｋ層の第ｊユニットへの結合の重み係数 ｆ：各ユニットの入出力関係を与える関数 ニューラル・ネットワークの第１層は、入力層であり、
第１層のユニットの出力は、ニューラル・ネットワーク
への入力信号となる。本発明の実施例においては、ニュ
ーラル・ネットワークへの入力信号は、制御対象１の正
規化された入出力変数の時系列信号ＺN であり、その対
応は数１０に示す。
【００３１】
【数１０】
【００３２】また、ニューラル・ネットワークの最終層
（本発明の実施では第ｍ層）は、出力層であり、この層
のユニットの出力は、ニューラル・ネットワークの出力
信号となる。本発明の実施例においては、ニューラル・
ネットワークの出力信号は、コントローラ２の制御パラ
メータＣであり、その対応を数１１に示す。
（本発明の実施では第ｍ層）は、出力層であり、この層
のユニットの出力は、ニューラル・ネットワークの出力
信号となる。本発明の実施例においては、ニューラル・
ネットワークの出力信号は、コントローラ２の制御パラ
メータＣであり、その対応を数１１に示す。
【００３３】
【数１１】
【００３４】数６に示す調整関数Ｆ(ＺN )は、数８，数
９に示すユニットの入出力関係が変化するとそれに伴っ
て変化する。すなわち、ニューラル・ネットワークの層
の個数，各層のユニットの個数，各ユニットの重み係数
ｗij(ｋ−１，ｋ)、各ユニットの入出力関係を与える関
数ｆが変化すると、調整関数Ｆ（ＺN ）が変化する。し
たがって、層の個数，各層のユニットの個数，各ユニッ
トの重み係数ｗij（ｋ−１，ｋ）、各ユニットの入出力
関係を与える関数ｆを調整することにより目的に適合す
る調整関数Ｆ（ＺN ）を構築できる。
９に示すユニットの入出力関係が変化するとそれに伴っ
て変化する。すなわち、ニューラル・ネットワークの層
の個数，各層のユニットの個数，各ユニットの重み係数
ｗij(ｋ−１，ｋ)、各ユニットの入出力関係を与える関
数ｆが変化すると、調整関数Ｆ（ＺN ）が変化する。し
たがって、層の個数，各層のユニットの個数，各ユニッ
トの重み係数ｗij（ｋ−１，ｋ）、各ユニットの入出力
関係を与える関数ｆを調整することにより目的に適合す
る調整関数Ｆ（ＺN ）を構築できる。
【００３５】調整ルール学習システム５は、パラメータ
調整システム４の調整ルールを学習により構築する。次
に、この学習のアルゴリズムについて説明する。
調整システム４の調整ルールを学習により構築する。次
に、この学習のアルゴリズムについて説明する。
【００３６】先ず、学習用データとして入出力の組（Ｚ
N ，Ｃ）が与えられたとき、数１２に示す誤差の２乗を
損失関数Ｒとして定義する。
N ，Ｃ）が与えられたとき、数１２に示す誤差の２乗を
損失関数Ｒとして定義する。
【００３７】
【数１２】
【００３８】ここで、 ｗ：ニューラル
・ネットワークの結合の重み係数をすべてまとめたもの ｖj（ｍ)(ｗ，ＺN）：入力ＺN と重み係数ｗから総合的
に得られる第ｍ層（出力層）の第ｊユニットの出力 ｗの修正量Δｗは、損失関数Ｒのｗについての勾配（gr
adient）から求められ、数１３で表わされる。
・ネットワークの結合の重み係数をすべてまとめたもの ｖj（ｍ)(ｗ，ＺN）：入力ＺN と重み係数ｗから総合的
に得られる第ｍ層（出力層）の第ｊユニットの出力 ｗの修正量Δｗは、損失関数Ｒのｗについての勾配（gr
adient）から求められ、数１３で表わされる。
【００３９】
【数１３】
【００４０】ここで、Δｗij（ｋ−１，ｋ）：第（ｋ−
１）層の第ｉユニットから第ｋ層の第ｊユニットへの結
合の重み係数ｗij（ｋ−１，ｋ）の修正量 ε：正の定数 ∂Ｒ／∂ｕj(ｋ）＝ｄj(ｋ）とおくと、数１３は、数１
４，数１５，数１６に変形できる。
１）層の第ｉユニットから第ｋ層の第ｊユニットへの結
合の重み係数ｗij（ｋ−１，ｋ）の修正量 ε：正の定数 ∂Ｒ／∂ｕj(ｋ）＝ｄj(ｋ）とおくと、数１３は、数１
４，数１５，数１６に変形できる。
【００４１】
【数１４】
【００４２】
【数１５】
【００４３】
【数１６】
【００４４】ここで、ｆ′：各ユニットの入出力関係を
与える関数ｆの導関数 数１４，数１５，数１６を用いると、結合の重み係数ｗ
ij（ｋ−１，ｋ）の修正が、ｋ＝ｍからｋ＝２に向かっ
て再帰的に計算される。すなわち、出力層での理想出力
Ｃ（ｊ）と実際の出力ｖj(ｍ）(ｗ，ＺN）との誤差を入
力として、出力層から入力層の方向へ、信号の伝播と逆
の方向にｗil（ｋ，ｋ＋１）で重みをつけた和をとりな
がら伝播していく。これが、誤差逆伝播学習アルゴリズ
ムである。
与える関数ｆの導関数 数１４，数１５，数１６を用いると、結合の重み係数ｗ
ij（ｋ−１，ｋ）の修正が、ｋ＝ｍからｋ＝２に向かっ
て再帰的に計算される。すなわち、出力層での理想出力
Ｃ（ｊ）と実際の出力ｖj(ｍ）(ｗ，ＺN）との誤差を入
力として、出力層から入力層の方向へ、信号の伝播と逆
の方向にｗil（ｋ，ｋ＋１）で重みをつけた和をとりな
がら伝播していく。これが、誤差逆伝播学習アルゴリズ
ムである。
【００４５】各ユニットの入出力関係を与える関数ｆが
すべてのユニットについて共通で、数１７で表わされる
ものとする。
すべてのユニットについて共通で、数１７で表わされる
ものとする。
【００４６】
【数１７】
【００４７】数１７より、数１８が得られる。
【００４８】
【数１８】
【００４９】数８と数１８より、数１９が導かれる。
【００５０】
【数１９】
【００５１】なお、学習を滑らかに速く収束させるため
に、数１４は、数２０のように修正することができる。
に、数１４は、数２０のように修正することができる。
【００５２】
【数２０】
【００５３】ここで、α：正の定数（α＝１−εとして
もよい） τ：修正の回数 学習用データの入出力の組（ＺN ，Ｃ）で、入力ＺN を
学習用入力データと呼び、出力Ｃを学習用教師データと
呼ぶ。次に、本発明の実施例における学習用データの獲
得方法について説明する。
もよい） τ：修正の回数 学習用データの入出力の組（ＺN ，Ｃ）で、入力ＺN を
学習用入力データと呼び、出力Ｃを学習用教師データと
呼ぶ。次に、本発明の実施例における学習用データの獲
得方法について説明する。
【００５４】コントローラの制御パラメータを調整する
場合、ある評価規準に従って調整する。この評価規準と
して、参照モデルがあり、この参照モデルの伝達関数に
制御系の伝達関数を部分的に一致させる調整方法すなわ
ち部分的モデル・マッチング法がある。１次遅れ＋無駄
時間系で近似できる制御対象１をＰＩＤコントローラで
制御する場合について図４により説明する。
場合、ある評価規準に従って調整する。この評価規準と
して、参照モデルがあり、この参照モデルの伝達関数に
制御系の伝達関数を部分的に一致させる調整方法すなわ
ち部分的モデル・マッチング法がある。１次遅れ＋無駄
時間系で近似できる制御対象１をＰＩＤコントローラで
制御する場合について図４により説明する。
【００５５】図４において、目標値ｒ（ｓ）に対する制
御量ｙ（ｓ）の閉ループ伝達関数Ｗ（ｓ）は、数２１で
表わされる。
御量ｙ（ｓ）の閉ループ伝達関数Ｗ（ｓ）は、数２１で
表わされる。
【００５６】
【数２１】
【００５７】数１，数２を数２１に代入すると数２２が
得られる。
得られる。
【００５８】
【数２２】
【００５９】無駄時間伝達関数
【００６０】
【外１】
【００６１】は、マクローリン展開すると数２３で表わ
される。
される。
【００６２】
【数２３】
【００６３】一方、参照モデルの伝達関数Ｗr(ｓ）は、
数２４で与えられる。
数２４で与えられる。
【００６４】
【数２４】
【００６５】ここで、αi ：係数 σ：時間スケール・ファクタ 数２３を数２２に代入して得られる目標値ｒ（ｓ）に対
する制御量ｙ（ｓ）の閉ループ伝達関数Ｗ（ｓ）と数２
４に示す参照モデルの伝達関数Ｗr(ｓ）が部分的に一致
するためには、数２５が成立つ必要がある。
する制御量ｙ（ｓ）の閉ループ伝達関数Ｗ（ｓ）と数２
４に示す参照モデルの伝達関数Ｗr(ｓ）が部分的に一致
するためには、数２５が成立つ必要がある。
【００６６】
【数２５】
【００６７】数２５から、数２６，数２７，数２８，数
２９が得られ、これらの式によりＰＩＤコントローラの
制御パラメータＫp ，Ｔi ，Ｔd 及び時間スケール・フ
ァクタσを決定できる。
２９が得られ、これらの式によりＰＩＤコントローラの
制御パラメータＫp ，Ｔi ，Ｔd 及び時間スケール・フ
ァクタσを決定できる。
【００６８】
【数２６】
【００６９】
【数２７】
【００７０】
【数２８】
【００７１】
【数２９】
【００７２】数２９を解いて最小正実根を時間スケール
・ファクタσとして決定し、数２６，数２７，数２８に
より、Ｋp ，Ｔi ，Ｔd を求めることができる。あるい
は、参照モデルが北森モデル（α2 ＝０.５，α3 ＝０.
１５，α4 ＝０.０３，… ）の場合、数２９の最小正実
根は、数３０で近似でき、このσの近似値を用いて数２
６，数２７，数２８によりＫp ，Ｔi ，Ｔd を求めるこ
とができる。
・ファクタσとして決定し、数２６，数２７，数２８に
より、Ｋp ，Ｔi ，Ｔd を求めることができる。あるい
は、参照モデルが北森モデル（α2 ＝０.５，α3 ＝０.
１５，α4 ＝０.０３，… ）の場合、数２９の最小正実
根は、数３０で近似でき、このσの近似値を用いて数２
６，数２７，数２８によりＫp ，Ｔi ，Ｔd を求めるこ
とができる。
【００７３】
【数３０】
【００７４】学習用データの入出力の組（ＺN ，Ｃ）
は、シミュレーションにより求める。これについても、
図４に示す制御系すなわち１次遅れ＋無駄時間で近似で
きる制御対象１をＰＩＤコントローラで制御する場合を
例に説明する。シミュレーションは、制御系のモデルを
用いて実施し、制御対象１の特性（Ｋ，Ｔ，Ｌ）を種々
変更すると共に、コントローラの特性（Ｋp ，Ｔi ，Ｔ
d ）を種々変更して、種々の時間応答を求め、これらの
時間応答から目標値ｒと制御量ｙの正規化時系列信号を
学習用入力データＺN として収集する。また、学習用入
力データＺN を得たときの制御対象１のパラメータＫ，
Ｔ，Ｌを用いて、数２９あるいは数３０により時間スケ
ール・ファクタσを求め、さらにこのσを数２６，数２
７，数２８に代入して制御パラメータＫp ，Ｔi ，Ｔd
を求め、この制御パラメータＫp ，Ｔi ，Ｔd を学習用
教師データＣとする。
は、シミュレーションにより求める。これについても、
図４に示す制御系すなわち１次遅れ＋無駄時間で近似で
きる制御対象１をＰＩＤコントローラで制御する場合を
例に説明する。シミュレーションは、制御系のモデルを
用いて実施し、制御対象１の特性（Ｋ，Ｔ，Ｌ）を種々
変更すると共に、コントローラの特性（Ｋp ，Ｔi ，Ｔ
d ）を種々変更して、種々の時間応答を求め、これらの
時間応答から目標値ｒと制御量ｙの正規化時系列信号を
学習用入力データＺN として収集する。また、学習用入
力データＺN を得たときの制御対象１のパラメータＫ，
Ｔ，Ｌを用いて、数２９あるいは数３０により時間スケ
ール・ファクタσを求め、さらにこのσを数２６，数２
７，数２８に代入して制御パラメータＫp ，Ｔi ，Ｔd
を求め、この制御パラメータＫp ，Ｔi ，Ｔd を学習用
教師データＣとする。
【００７５】上記の方法で得た学習用データの入出力の
組（ＺN ，Ｃ）を用いて、先に説明した誤差逆伝播学習
アルゴリズムによりニューラル・ネットワークを学習さ
せ、調整関数Ｆ（ｚ）を構築する。
組（ＺN ，Ｃ）を用いて、先に説明した誤差逆伝播学習
アルゴリズムによりニューラル・ネットワークを学習さ
せ、調整関数Ｆ（ｚ）を構築する。
【００７６】なお、制御対象１の特性（Ｋ，Ｔ，Ｌ）を
種々変更すると共に、コントローラ２の特性（Ｋp ，Ｔ
i ，Ｔd ）を種々変更して、種々の時間応答を求める場
合、図５に示すように、目標値にテスト信号ｔS を重畳
してもよいし、目標値を直接変更するようにしてもよ
い。
種々変更すると共に、コントローラ２の特性（Ｋp ，Ｔ
i ，Ｔd ）を種々変更して、種々の時間応答を求める場
合、図５に示すように、目標値にテスト信号ｔS を重畳
してもよいし、目標値を直接変更するようにしてもよ
い。
【００７７】テスト信号としては、擬似ランダム信号，
正弦波信号，ステップ信号，ランプ信号等種々の信号が
利用できる。また、制御対象１の特性（Ｋ，Ｔ，Ｌ）及
びコントローラ２の特性（Ｋp ，Ｔi ，Ｔd ）を種々変
更する場合、等間隔でこれらの特性値を変更してもよい
し、一様乱数を用いてこれらの特性値を変更してもよ
い。
正弦波信号，ステップ信号，ランプ信号等種々の信号が
利用できる。また、制御対象１の特性（Ｋ，Ｔ，Ｌ）及
びコントローラ２の特性（Ｋp ，Ｔi ，Ｔd ）を種々変
更する場合、等間隔でこれらの特性値を変更してもよい
し、一様乱数を用いてこれらの特性値を変更してもよ
い。
【００７８】次に、時系列信号の正規化について説明す
る。先ず、参照モデルであるが、数２４において時間ス
ケール・ファクタσが変化すると、入力に対する出力の
時間応答の形状が時間軸の方向に伸縮する。すなわち、
時間スケール・ファクタσが２倍になると、入力に対す
る出力の時間応答の形状は、時間軸の方向に２倍伸び、
立上がり時間も２倍になる。逆に、時間スケール・ファ
クタσが半分になると、入力に対する出力の時間応答の
形状は、時間軸の方向に半分に縮み、立上がり時間も半
分になる。
る。先ず、参照モデルであるが、数２４において時間ス
ケール・ファクタσが変化すると、入力に対する出力の
時間応答の形状が時間軸の方向に伸縮する。すなわち、
時間スケール・ファクタσが２倍になると、入力に対す
る出力の時間応答の形状は、時間軸の方向に２倍伸び、
立上がり時間も２倍になる。逆に、時間スケール・ファ
クタσが半分になると、入力に対する出力の時間応答の
形状は、時間軸の方向に半分に縮み、立上がり時間も半
分になる。
【００７９】ところで、参照モデルが北森モデルの場
合、先に説明したように時間スケール・ファクタσは、
数３０で近似できる。この数３０を数２４に代入する
と、数３１が得られる。
合、先に説明したように時間スケール・ファクタσは、
数３０で近似できる。この数３０を数２４に代入する
と、数３１が得られる。
【００８０】
【数３１】
【００８１】この数３１は、制御系の伝達関数が北森モ
デルに部分的に一致するように制御パラメータＫp ，Ｔ
i ，Ｔd を調整したときの制御系の伝達関数を近似的に
表わしており、無駄時間Ｌのみの関数になっている。し
たがって、制御系の入力に対する出力の時間応答の形状
は、制御対象１の特性パラメータである無駄時間Ｌのみ
に対応して時間軸の方向に伸縮する。すなわち、無駄時
間Ｌが２倍になると、入力に対する出力の時間応答の形
状は、時間軸の方向に２倍伸び、立上がり時間も２倍に
なる。逆に、無駄時間Ｌが半分になると、入力に対する
出力の時間応答の形状は、時間軸の方向に半分に縮み、
立上がり時間も半分になる。
デルに部分的に一致するように制御パラメータＫp ，Ｔ
i ，Ｔd を調整したときの制御系の伝達関数を近似的に
表わしており、無駄時間Ｌのみの関数になっている。し
たがって、制御系の入力に対する出力の時間応答の形状
は、制御対象１の特性パラメータである無駄時間Ｌのみ
に対応して時間軸の方向に伸縮する。すなわち、無駄時
間Ｌが２倍になると、入力に対する出力の時間応答の形
状は、時間軸の方向に２倍伸び、立上がり時間も２倍に
なる。逆に、無駄時間Ｌが半分になると、入力に対する
出力の時間応答の形状は、時間軸の方向に半分に縮み、
立上がり時間も半分になる。
【００８２】上記のことから、制御系の伝達関数が北森
モデルに部分的に一致するように制御パラメータＫp ，
Ｔi ，Ｔd を調整したとき、制御系の入出力変数の時系
列信号を数３２に示すように、無駄時間Ｌの整数分の１
でサンプリングすると、入力に対する出力の時間応答
は、ほぼ同一の形状になることが分かる。
モデルに部分的に一致するように制御パラメータＫp ，
Ｔi ，Ｔd を調整したとき、制御系の入出力変数の時系
列信号を数３２に示すように、無駄時間Ｌの整数分の１
でサンプリングすると、入力に対する出力の時間応答
は、ほぼ同一の形状になることが分かる。
【００８３】
【数３２】
【００８４】ここで、Δｔ：サンプリング周期 Ｎ：整数 すなわち、先に説明したように、数３１で近似表現され
る制御系においては、入力に対する出力の時間応答の形
状は、制御対象１の特性パラメータで無駄時間Ｌのみに
対応して時間軸の方向に伸縮するが、数３２に示すよう
に、制御系の入出力変数の時系列信号を無駄時間Ｌの整
数分の１でサンプリングすると、入力に対する出力の時
間応答は、ほぼ同一の形状になる。例えば、無駄時間Ｌ
が２倍になると、入力に対する出力の時間応答の形状
は、時間軸の方向に２倍伸びるが、サンプリング周期も
２倍になるので、入力に対する出力の形状は、ほぼ同一
になる。また、無駄時間Ｌが半分になると、入力に対す
る出力の時間応答の形状は、時間軸の方向に半分に縮む
が、サンプリング周期も半分になるので、この場合も入
力に対する出力の形状は、ほぼ同一になる。
る制御系においては、入力に対する出力の時間応答の形
状は、制御対象１の特性パラメータで無駄時間Ｌのみに
対応して時間軸の方向に伸縮するが、数３２に示すよう
に、制御系の入出力変数の時系列信号を無駄時間Ｌの整
数分の１でサンプリングすると、入力に対する出力の時
間応答は、ほぼ同一の形状になる。例えば、無駄時間Ｌ
が２倍になると、入力に対する出力の時間応答の形状
は、時間軸の方向に２倍伸びるが、サンプリング周期も
２倍になるので、入力に対する出力の形状は、ほぼ同一
になる。また、無駄時間Ｌが半分になると、入力に対す
る出力の時間応答の形状は、時間軸の方向に半分に縮む
が、サンプリング周期も半分になるので、この場合も入
力に対する出力の形状は、ほぼ同一になる。
【００８５】一方、制御パラメータＫp ，Ｔi ，Ｔd に
ついては、最適に調整されている状態から比例ゲインＫ
p を大きくすると、オーバシスートが大きくなり、積分
時間Ｔi を大きくすると、立上がり時間が長くなり、微
分時間Ｔd を大きくすると、振動が生じ易くなる等、ほ
ぼ同様な特性変化が生じる。また、制御系の無駄時間遅
れは、制御対象の無駄時間Ｌとほぼ等しい。
ついては、最適に調整されている状態から比例ゲインＫ
p を大きくすると、オーバシスートが大きくなり、積分
時間Ｔi を大きくすると、立上がり時間が長くなり、微
分時間Ｔd を大きくすると、振動が生じ易くなる等、ほ
ぼ同様な特性変化が生じる。また、制御系の無駄時間遅
れは、制御対象の無駄時間Ｌとほぼ等しい。
【００８６】これらのことから、制御系が最適に調整さ
れていないときでも、制御系の入出力変数の時系列信号
を数３２に示すように、無駄時間Ｌの整数分の１でサン
プリングすると、入力に対する出力の時間応答は、ほぼ
制御系の調整状態に応じた形状になることが分かる。な
お、このことは、部分的モデル・マッチング法を利用す
る場合に限らず、他の調整方法を利用する場合にも同じ
ことが言える。
れていないときでも、制御系の入出力変数の時系列信号
を数３２に示すように、無駄時間Ｌの整数分の１でサン
プリングすると、入力に対する出力の時間応答は、ほぼ
制御系の調整状態に応じた形状になることが分かる。な
お、このことは、部分的モデル・マッチング法を利用す
る場合に限らず、他の調整方法を利用する場合にも同じ
ことが言える。
【００８７】したがって、制御系の入出力変数の時系列
信号を取込み、これらの信号を制御対象の無駄時間Ｌを
基準にして時間軸の方向に正規化し、例えば、無駄時間
Ｌの整数分の１でサンプリングし、この正規化した時系
列信号に基づいてニューラル・ネットワークによりコン
トローラの制御パラメータを調整すれば、制御対象の特
性変化が大きい場合にも、用意する調整用ニューラル・
ネットワークの個数を増加させることなく最小の個数で
制御パラメータの調整ができる。
信号を取込み、これらの信号を制御対象の無駄時間Ｌを
基準にして時間軸の方向に正規化し、例えば、無駄時間
Ｌの整数分の１でサンプリングし、この正規化した時系
列信号に基づいてニューラル・ネットワークによりコン
トローラの制御パラメータを調整すれば、制御対象の特
性変化が大きい場合にも、用意する調整用ニューラル・
ネットワークの個数を増加させることなく最小の個数で
制御パラメータの調整ができる。
【００８８】さらに、制御系の伝達関数である数２２を
変形すると、数３３が得られる。
変形すると、数３３が得られる。
【００８９】
【数３３】
【００９０】この数３３から、制御系の伝達関数の定常
ゲインは、１であることが分かる。このことから、制御
系の入出力変数の時系列信号を入力変数で正規化する
と、入力及び入力に対する出力の時間応答は、入力の変
動幅に関係なく、ほぼ制御系の調整状態に応じた形状に
なることが分かる。
ゲインは、１であることが分かる。このことから、制御
系の入出力変数の時系列信号を入力変数で正規化する
と、入力及び入力に対する出力の時間応答は、入力の変
動幅に関係なく、ほぼ制御系の調整状態に応じた形状に
なることが分かる。
【００９１】したがって、制御系の入出力変数の時系列
信号を取込み、これらの信号を制御対象の無駄時間Ｌを
基準にして時間軸の方向に正規化し、例えば、無駄時間
Ｌの整数分の１でサンプリングすると共に、無駄時Ｌで
正規化した入出力変数の時系列信号をさらに入力変数で
正規化する。例えば数３４に示すように入力変数の変動
幅で振幅方向に正規化し、この正規化した時系列信号Ｚ
N に基づいてニューラル・ネットワークによりコントロ
ーラの制御パラメータＣを調整すれば、制御対象の特性
変化が大きい場合にも、用意する調整用ニューラル・ネ
ットワークの個数を増加させることなく最小の個数で制
御パラメータの調整ができる。
信号を取込み、これらの信号を制御対象の無駄時間Ｌを
基準にして時間軸の方向に正規化し、例えば、無駄時間
Ｌの整数分の１でサンプリングすると共に、無駄時Ｌで
正規化した入出力変数の時系列信号をさらに入力変数で
正規化する。例えば数３４に示すように入力変数の変動
幅で振幅方向に正規化し、この正規化した時系列信号Ｚ
N に基づいてニューラル・ネットワークによりコントロ
ーラの制御パラメータＣを調整すれば、制御対象の特性
変化が大きい場合にも、用意する調整用ニューラル・ネ
ットワークの個数を増加させることなく最小の個数で制
御パラメータの調整ができる。
【００９２】
【数３４】
【００９３】ここで、Δｒ(ｔN−ｌ）：時間軸の方向に
正規化した目標値ｒの変動値 Δｙ(ｔN−ｌ）：時間軸の方向に正規化した制御量ｙの
変動値 Δｒmax ：目標値ｒの変動幅 なお、入力変数の変動幅としては、時間的に動的な変動
幅あるいは時間的に静的な変動幅のどちらを利用しても
よい。
正規化した目標値ｒの変動値 Δｙ(ｔN−ｌ）：時間軸の方向に正規化した制御量ｙの
変動値 Δｒmax ：目標値ｒの変動幅 なお、入力変数の変動幅としては、時間的に動的な変動
幅あるいは時間的に静的な変動幅のどちらを利用しても
よい。
【００９４】本発明の一実施例では、コントローラ２と
して数１に示すＰＩＤコントローラを使用する場合につ
いて説明したが、本発明は、数３５に伝達関数ＧC(ｓ）
を示すＰＩ（比例・積分）コントローラを使用する場合
にも適用できる。
して数１に示すＰＩＤコントローラを使用する場合につ
いて説明したが、本発明は、数３５に伝達関数ＧC(ｓ）
を示すＰＩ（比例・積分）コントローラを使用する場合
にも適用できる。
【００９５】
【数３５】
【００９６】また、本発明は、数３６，数３７にその特
性を示すＩ−ＰＤコントローラ、あるいはＩ−Ｐコント
ローラを使用する場合にも適用できる。
性を示すＩ−ＰＤコントローラ、あるいはＩ−Ｐコント
ローラを使用する場合にも適用できる。
【００９７】
【数３６】
【００９８】ここで、ｘ（ｓ）：操作量 ｒ（ｓ）：目標値 ｙ（ｓ）：制御量 Ｋp ：比例ゲイン Ｔi ：積分時間 Ｔd ：微分時間
【００９９】
【数３７】
【０１００】なお、参照モデルを一般化して、各種制御
系の時間スケール・ファクタσを整理して示すと表１の
ようになる。
系の時間スケール・ファクタσを整理して示すと表１の
ようになる。
【０１０１】
【表１】
【０１０２】この表から、ＰＩＤ，ＰＩ，Ｉ−ＰＤ，Ｉ
−Ｐコントローラを使用した各種制御系のσ／Ｌが、ｎ
（＝Ｌ／Ｔ）の関数で与えられることが分かる。また、
この表１は、参照モデルが、北森モデルの場合につい
て、種々のｎとσ／Ｌの関係も示している。すなわち、
ＰＩＤコントローラは、先に説明したように、広範なｎ
に対してσ／Ｌが１.３７ で近似でき、ＰＩ，Ｉ−Ｐ
Ｄ，Ｉ−Ｐの各種制御系は、ｎの変化に従ってσ／Ｌが
少し変化するが、その変化はそれ程大きくないのでσ／
Ｌを一定値で近似しても問題なく、本発明は、先に述べ
たようにＰＩ，Ｉ−ＰＤ，Ｉ−Ｐコントローラを使用し
た各種制御系にも適用できる。あるいは、制御対象の特
性変化の範囲が分かっている場合は、その範囲内でσ／
Ｌを一定値と近似してもよく、本発明が適用できる。な
お、この場合は、全範囲を一定値で近似する場合と比べ
て近似精度が向上する。
−Ｐコントローラを使用した各種制御系のσ／Ｌが、ｎ
（＝Ｌ／Ｔ）の関数で与えられることが分かる。また、
この表１は、参照モデルが、北森モデルの場合につい
て、種々のｎとσ／Ｌの関係も示している。すなわち、
ＰＩＤコントローラは、先に説明したように、広範なｎ
に対してσ／Ｌが１.３７ で近似でき、ＰＩ，Ｉ−Ｐ
Ｄ，Ｉ−Ｐの各種制御系は、ｎの変化に従ってσ／Ｌが
少し変化するが、その変化はそれ程大きくないのでσ／
Ｌを一定値で近似しても問題なく、本発明は、先に述べ
たようにＰＩ，Ｉ−ＰＤ，Ｉ−Ｐコントローラを使用し
た各種制御系にも適用できる。あるいは、制御対象の特
性変化の範囲が分かっている場合は、その範囲内でσ／
Ｌを一定値と近似してもよく、本発明が適用できる。な
お、この場合は、全範囲を一定値で近似する場合と比べ
て近似精度が向上する。
【０１０３】また、本発明の一実施例では、コントロー
ラ２として数１に示す位置型ＰＩＤコントローラを使用
する場合について説明したが、本発明は、図６，図７に
示すように、速度型ＰＩＤコントローラ，速度型ＰＩコ
ントローラ等の速度型コントローラを使用する場合にも
適用できる。
ラ２として数１に示す位置型ＰＩＤコントローラを使用
する場合について説明したが、本発明は、図６，図７に
示すように、速度型ＰＩＤコントローラ，速度型ＰＩコ
ントローラ等の速度型コントローラを使用する場合にも
適用できる。
【０１０４】また、本発明の一実施例では、コントロー
ラ２として数１に示すように連続時間型ＰＩＤコントロ
ーラを使用する場合について説明したが、本発明は、数
３８〜数４１に示す離散時間型ＰＩＤコントローラ，離
散時間型ＰＩコントローラ等の離散時間型コントローラ
を使用する場合にも適用できる。
ラ２として数１に示すように連続時間型ＰＩＤコントロ
ーラを使用する場合について説明したが、本発明は、数
３８〜数４１に示す離散時間型ＰＩＤコントローラ，離
散時間型ＰＩコントローラ等の離散時間型コントローラ
を使用する場合にも適用できる。
【０１０５】
【数３８】
【０１０６】ここで、Ｋp ：比例ゲイン Ｋi ：積分ゲイン Ｋd ：微分ゲイン
【０１０７】
【数３９】
【０１０８】
【数４０】
【０１０９】
【数４１】
【０１１０】すなわち、本発明は、コントローラ２とし
て連続時間位置型ＰＩＤコントローラに限定されること
なく、種々のタイプのコントローラを使用する場合にも
適用できる。
て連続時間位置型ＰＩＤコントローラに限定されること
なく、種々のタイプのコントローラを使用する場合にも
適用できる。
【０１１１】本発明の一実施例では、制御対象１の伝達
関数が１次遅れ＋無駄時間系で近似できる場合について
説明したが、本発明は、制御対象１の伝達関数が数４２
に示す２次遅れ＋無駄時間系で近似できる場合にも適用
できる。
関数が１次遅れ＋無駄時間系で近似できる場合について
説明したが、本発明は、制御対象１の伝達関数が数４２
に示す２次遅れ＋無駄時間系で近似できる場合にも適用
できる。
【０１１２】
【数４２】
【０１１３】ここで、Ｔ1，Ｔ2：時定数 また、本発明は、制御対象１の伝達関数が数４３に示す
積分＋無駄時間系で近似できる場合、あるいは数４４に
示す積分＋１次遅れ＋無駄時間系で近似できる場合にも
適用できる。
積分＋無駄時間系で近似できる場合、あるいは数４４に
示す積分＋１次遅れ＋無駄時間系で近似できる場合にも
適用できる。
【０１１４】
【数４３】
【０１１５】
【数４４】
【０１１６】すなわち、本発明は、制御対象１の伝達関
数が１次遅れ＋無駄時間系で近似できる場合に限定され
ることなく、無駄時間を含まない項＋無駄時間系で近似
できる種々のタイプのプロセスに適用できる。
数が１次遅れ＋無駄時間系で近似できる場合に限定され
ることなく、無駄時間を含まない項＋無駄時間系で近似
できる種々のタイプのプロセスに適用できる。
【０１１７】本発明の一実施例では、ニューラル・ネッ
トワークへの入力信号として、数１０に示すように制御
系の入出力変数の正規化時系列信号ＺN を用いる場合に
ついて説明したが、本発明は、数４５に示すように制御
系の入出力変数の正規化時系列信号の時間変化分を用い
る場合にも適用できる。
トワークへの入力信号として、数１０に示すように制御
系の入出力変数の正規化時系列信号ＺN を用いる場合に
ついて説明したが、本発明は、数４５に示すように制御
系の入出力変数の正規化時系列信号の時間変化分を用い
る場合にも適用できる。
【０１１８】
【数４５】
【０１１９】本発明の一実施例では、ニューラル・ネッ
トワークへの入力信号として、数１０に示すように制御
系の入出力変数の正規化時系列信号ＺN を用いる場合に
ついて説明したが、本発明は、数４６，数４７に示すよ
うに制御対象１の入出力変数及び目標値の正規化時系列
信号を用いる場合にも適用できる。
トワークへの入力信号として、数１０に示すように制御
系の入出力変数の正規化時系列信号ＺN を用いる場合に
ついて説明したが、本発明は、数４６，数４７に示すよ
うに制御対象１の入出力変数及び目標値の正規化時系列
信号を用いる場合にも適用できる。
【０１２０】
【数４６】
【０１２１】
【数４７】
【０１２２】また、本発明は、ニューラル・ネットワー
クへの入力信号として、数４８，数４９に示すように制
御偏差及び制御対象１の入出力変数の正規化時系列信号
を用いる場合にも適用できる。
クへの入力信号として、数４８，数４９に示すように制
御偏差及び制御対象１の入出力変数の正規化時系列信号
を用いる場合にも適用できる。
【０１２３】
【数４８】
【０１２４】
【数４９】
【０１２５】すなわち、本発明は、ニューラル・ネット
ワークへの入力信号として、制御系の入出力変数のうち
から適当に変数を選択し、それらの正規化時系列信号の
加減乗除，時間変化分等の処理値を用いる場合にも適用
できる。
ワークへの入力信号として、制御系の入出力変数のうち
から適当に変数を選択し、それらの正規化時系列信号の
加減乗除，時間変化分等の処理値を用いる場合にも適用
できる。
【０１２６】本発明の一実施例では、ニューラル・ネッ
トワークの入力信号として、数１０に示すように制御系
の入出力変数の正規化時系列信号を用いる場合について
説明したが、本発明は、数５０に示すようにコントロー
ラ２の制御パラメータＫp ，Ｔi ，Ｔd 及び制御系の入
出力変数の正規化時系列信号を用いる場合にも適用でき
る。
トワークの入力信号として、数１０に示すように制御系
の入出力変数の正規化時系列信号を用いる場合について
説明したが、本発明は、数５０に示すようにコントロー
ラ２の制御パラメータＫp ，Ｔi ，Ｔd 及び制御系の入
出力変数の正規化時系列信号を用いる場合にも適用でき
る。
【０１２７】
【数５０】
【０１２８】ここで、Ｋp*，Ｔi*，Ｔd*：Ｋp ，Ｔi ，
Ｔd の現在値 また、本発明は、ニューラル・ネットワークへの入力信
号として、数５１，数５２に示すように、コントローラ
２の制御パラメータＫp ，Ｔi ，Ｔd 、制御対象１の入
出力変数及び目標値の正規化時系列信号を用いる場合に
も適用できる。
Ｔd の現在値 また、本発明は、ニューラル・ネットワークへの入力信
号として、数５１，数５２に示すように、コントローラ
２の制御パラメータＫp ，Ｔi ，Ｔd 、制御対象１の入
出力変数及び目標値の正規化時系列信号を用いる場合に
も適用できる。
【０１２９】
【数５１】
【０１３０】
【数５２】
【０１３１】また、本発明は、ニューラル・ネットワー
クへの入力信号として、数５３，数５４に示すように、
コントローラ２の制御パラメータＫp ，Ｔi ，Ｔd 、制
御偏差及び制御対象１の入出力変数の正規化時系列信号
を用いる場合にも適用できる。
クへの入力信号として、数５３，数５４に示すように、
コントローラ２の制御パラメータＫp ，Ｔi ，Ｔd 、制
御偏差及び制御対象１の入出力変数の正規化時系列信号
を用いる場合にも適用できる。
【０１３２】
【数５３】
【０１３３】
【数５４】
【０１３４】すなわち、本発明は、ニューラル・ネット
ワークへの入力信号として、制御系の入出力変数のうち
から適当な変数を選択し、それらの正規化時系列信号の
加減乗除，時間変化分等の処理値及びコントローラ２の
制御パラメータ値を用いる場合にも適用できる。
ワークへの入力信号として、制御系の入出力変数のうち
から適当な変数を選択し、それらの正規化時系列信号の
加減乗除，時間変化分等の処理値及びコントローラ２の
制御パラメータ値を用いる場合にも適用できる。
【０１３５】本発明の一実施例では、ニューラル・ネッ
トワークの出力信号として、数１１に示すようにコント
ローラ２の制御パラメータＫp ，Ｔi ，Ｔd の絶対値を
用いる場合について説明したが、本発明は、数５５に示
すようにコントローラ２の制御パラメータＫp ，Ｔi ，
Ｔd の修正分を用いる場合にも適用できる。
トワークの出力信号として、数１１に示すようにコント
ローラ２の制御パラメータＫp ，Ｔi ，Ｔd の絶対値を
用いる場合について説明したが、本発明は、数５５に示
すようにコントローラ２の制御パラメータＫp ，Ｔi ，
Ｔd の修正分を用いる場合にも適用できる。
【０１３６】
【数５５】
【０１３７】ここで、ΔＫp ，ΔＴi ，ΔＴd ：Ｋp ，
Ｔi ，Ｔd の修正分 この場合、制御パラメータＫp ，Ｔi ，Ｔd は、数５６
により求められる。
Ｔi ，Ｔd の修正分 この場合、制御パラメータＫp ，Ｔi ，Ｔd は、数５６
により求められる。
【０１３８】
【数５６】
【０１３９】また、本発明は、ニューラル・ネットワー
クの出力信号として、数５７に示すようにコントローラ
２の制御パラメータＫp ，Ｔi ，Ｔd の修正比率Ｃp ，
Ｃi，Ｃd を用いる場合にも適用できる。
クの出力信号として、数５７に示すようにコントローラ
２の制御パラメータＫp ，Ｔi ，Ｔd の修正比率Ｃp ，
Ｃi，Ｃd を用いる場合にも適用できる。
【０１４０】
【数５７】
【０１４１】この場合、制御パラメータＫp ，Ｔi ，Ｔ
d は、数５８により求められる。
d は、数５８により求められる。
【０１４２】
【数５８】
【０１４３】本発明の一実施例では、学習用入力データ
をシミュレーションにより求めるとき、図５に示すよう
に、目標値にテスト信号ｔS を重畳させる場合について
説明したが、本発明は、図８，図９に示すように、テス
ト信号ｔS を操作量あるいは制御量に重畳させる場合に
も適用できる。なお、テスト信号ｔS としては、擬似ラ
ンダム信号，正弦波信号，ステップ信号，ランプ信号等
種々の信号が利用できる。
をシミュレーションにより求めるとき、図５に示すよう
に、目標値にテスト信号ｔS を重畳させる場合について
説明したが、本発明は、図８，図９に示すように、テス
ト信号ｔS を操作量あるいは制御量に重畳させる場合に
も適用できる。なお、テスト信号ｔS としては、擬似ラ
ンダム信号，正弦波信号，ステップ信号，ランプ信号等
種々の信号が利用できる。
【０１４４】本発明の一実施例では、コントローラ２の
制御パラメータを調整するとき、図１に示すように操業
データを利用する場合について説明したが、本発明は、
図１０，図１１，図１２に示すように、テスト信号を目
標値，操作量あるいは制御量に重畳させる場合にも適用
できる。なお、テスト信号としては、擬似ランダム信
号，正弦波信号，ステップ信号等種々の信号が利用でき
る。
制御パラメータを調整するとき、図１に示すように操業
データを利用する場合について説明したが、本発明は、
図１０，図１１，図１２に示すように、テスト信号を目
標値，操作量あるいは制御量に重畳させる場合にも適用
できる。なお、テスト信号としては、擬似ランダム信
号，正弦波信号，ステップ信号等種々の信号が利用でき
る。
【０１４５】本発明の一実施例では、制御パラメータの
調整ルールを学習するとき、教師用データの作成のため
に部分的モデル・マッチング法を使用し、その参照モデ
ルとして北森モデルを使用する場合について主に説明し
たが、本発明は、参照モデルが北森モデルに限定される
ことはなく、他の種々の参照モデルを使用する場合にも
適用できる。なお、他の参照モデルの例を表２に示す。
調整ルールを学習するとき、教師用データの作成のため
に部分的モデル・マッチング法を使用し、その参照モデ
ルとして北森モデルを使用する場合について主に説明し
たが、本発明は、参照モデルが北森モデルに限定される
ことはなく、他の種々の参照モデルを使用する場合にも
適用できる。なお、他の参照モデルの例を表２に示す。
【０１４６】
【表２】
【０１４７】本発明の一実施例では、制御パラメータの
調整ルールを学習するとき、教師用データの作成のため
に部分的モデル・マッチング法を使用する場合について
説明したが、本発明は、部分的モデル・マッチング法に
限定されることはなく、(1）ziegler−Nichols法、
（2）chien−Hrones−Roswick法等種々の調整方法(増淵
正美著「改訂自動制御基礎理論」、コロナ社、昭和５２
年６月参照）を使用する場合にも適用できる。
調整ルールを学習するとき、教師用データの作成のため
に部分的モデル・マッチング法を使用する場合について
説明したが、本発明は、部分的モデル・マッチング法に
限定されることはなく、(1）ziegler−Nichols法、
（2）chien−Hrones−Roswick法等種々の調整方法(増淵
正美著「改訂自動制御基礎理論」、コロナ社、昭和５２
年６月参照）を使用する場合にも適用できる。
【０１４８】本発明の一実施例では、コントローラ２と
して数１に示すＰＩＤコントローラを１種類使用する場
合について説明したが、本発明は、ＰＩコントローラ，
Ｉ−ＰＤコントローラ，Ｉ−Ｐコントローラ等種々のコ
ントローラ及びこれらのコントローラの調整ルールを用
意しておき、これらのコントローラ及び調整ルールから
１つのコントローラ及び対応する調整ルールを選択して
使用する場合にも適用できる。このとき、(1）種々のコ
ントローラの調整ルールをコントローラに対応して別々
の重み係数として用意する方法、(2）種々のコントロー
ラの調整ルールを１種類の重み係数で対応する方法、が
ある。後者の方法では、ニューラル・ネットワークへの
入力信号として、数５９，数６０に示すように、コント
ローラの種類を示す変数ＣT ，目標値及び制御対象１の
入出力変数の正規化時系列信号を用いる。
して数１に示すＰＩＤコントローラを１種類使用する場
合について説明したが、本発明は、ＰＩコントローラ，
Ｉ−ＰＤコントローラ，Ｉ−Ｐコントローラ等種々のコ
ントローラ及びこれらのコントローラの調整ルールを用
意しておき、これらのコントローラ及び調整ルールから
１つのコントローラ及び対応する調整ルールを選択して
使用する場合にも適用できる。このとき、(1）種々のコ
ントローラの調整ルールをコントローラに対応して別々
の重み係数として用意する方法、(2）種々のコントロー
ラの調整ルールを１種類の重み係数で対応する方法、が
ある。後者の方法では、ニューラル・ネットワークへの
入力信号として、数５９，数６０に示すように、コント
ローラの種類を示す変数ＣT ，目標値及び制御対象１の
入出力変数の正規化時系列信号を用いる。
【０１４９】
【数５９】
【０１５０】
【数６０】
【０１５１】本発明の一実施例では、制御パラメータの
調整ルールを学習するとき、教師用データの作成のため
に部分的モデル・マッチング法を使用し、その参照モデ
ルとして応答波形の特徴量であるオーバシュート量と減
衰比が固定の北森モデルを使用する場合について主に説
明したが、本発明は、オーバシュート量，減衰比等の応
答波形の特徴量が可変の参照モデルを使用し、制御パラ
メータの調整においてオーバシュート量，減衰比等の応
答波形の特徴量を指定できるようにする場合にも適用で
きる。このとき、(1）コントローラの調整ルールを種々
のオーバシュート量、減衰比等に対応して別々の重み係
数として用意する方法、(2）コントローラの調整ルール
を種々のオーバシュート量，減衰比等１２１種類の重み
係数で対応する方法、がある。後者の方法では、ニュー
ラル・ネットワークへの入力信号として、数６１，数６
２に示すように、オーバシュート量，減衰比等を指定す
る変数０，Ａ，目標値及び制御対象１の入出力変数の正
規化時系列信号を用いる。
調整ルールを学習するとき、教師用データの作成のため
に部分的モデル・マッチング法を使用し、その参照モデ
ルとして応答波形の特徴量であるオーバシュート量と減
衰比が固定の北森モデルを使用する場合について主に説
明したが、本発明は、オーバシュート量，減衰比等の応
答波形の特徴量が可変の参照モデルを使用し、制御パラ
メータの調整においてオーバシュート量，減衰比等の応
答波形の特徴量を指定できるようにする場合にも適用で
きる。このとき、(1）コントローラの調整ルールを種々
のオーバシュート量、減衰比等に対応して別々の重み係
数として用意する方法、(2）コントローラの調整ルール
を種々のオーバシュート量，減衰比等１２１種類の重み
係数で対応する方法、がある。後者の方法では、ニュー
ラル・ネットワークへの入力信号として、数６１，数６
２に示すように、オーバシュート量，減衰比等を指定す
る変数０，Ａ，目標値及び制御対象１の入出力変数の正
規化時系列信号を用いる。
【０１５２】
【数６１】
【０１５３】
【数６２】
【０１５４】本発明の一実施例では、制御対象１が１次
遅れ＋無駄時間系で近似できる１入力１出力系について
説明したが、本発明は、制御対象が多入力多出力系の場
合にも適用できる。この場合、種々の化学プラント，火
力プラント等の多入力多出力系のコントローラに対応し
て調整ルールを用意しておき、これらの調整ルールから
適当な調整ルールを選択する。
遅れ＋無駄時間系で近似できる１入力１出力系について
説明したが、本発明は、制御対象が多入力多出力系の場
合にも適用できる。この場合、種々の化学プラント，火
力プラント等の多入力多出力系のコントローラに対応し
て調整ルールを用意しておき、これらの調整ルールから
適当な調整ルールを選択する。
【０１５５】本発明の一実施例では、学習用入力データ
をシミュレーションにより求める場合について説明した
が、本発明は、種々の特性のプラントの制御系の時間応
答（操業データ）のうち良好な特性の時間応答を記録し
ておき、この時間応答から得られる制御系の入出力変数
の正規化時系列信号を学習用入力データとし、また、良
好な特性の時間応答に対応する制御パラメータを記録し
ておき、このパラメータを学習用教師データとして使用
し、ニューラル・ネットワークを学習させる場合にも適
用できる。
をシミュレーションにより求める場合について説明した
が、本発明は、種々の特性のプラントの制御系の時間応
答（操業データ）のうち良好な特性の時間応答を記録し
ておき、この時間応答から得られる制御系の入出力変数
の正規化時系列信号を学習用入力データとし、また、良
好な特性の時間応答に対応する制御パラメータを記録し
ておき、このパラメータを学習用教師データとして使用
し、ニューラル・ネットワークを学習させる場合にも適
用できる。
【０１５６】本発明の一実施例では、制御系の入出力信
号を逐次的に取込んで、制御パラメータの調整を逐次的
に実施する場合について主に説明したが、本発明は、制
御系の入出力信号を逐次的に取込んで、制御パラメータ
の調整をバッチ的に実施する場合にも適用できる。すな
わち、逐次的に取込んだ制御系の入出力信号がある程度
まとまって集まった時点でバッチ的に制御パラメータを
調整する場合にも適用できる。
号を逐次的に取込んで、制御パラメータの調整を逐次的
に実施する場合について主に説明したが、本発明は、制
御系の入出力信号を逐次的に取込んで、制御パラメータ
の調整をバッチ的に実施する場合にも適用できる。すな
わち、逐次的に取込んだ制御系の入出力信号がある程度
まとまって集まった時点でバッチ的に制御パラメータを
調整する場合にも適用できる。
【０１５７】本発明の一実施例では、取込んだ制御系の
入出力変数の時系列信号を制御対象の無駄時間を基準に
して時間軸の方向に正規化するようにしたが、取込んだ
制御系の入出力変数の時系列信号を制御系の無駄時間を
基準にして時間軸の方向に正規化してもよい。
入出力変数の時系列信号を制御対象の無駄時間を基準に
して時間軸の方向に正規化するようにしたが、取込んだ
制御系の入出力変数の時系列信号を制御系の無駄時間を
基準にして時間軸の方向に正規化してもよい。
【０１５８】本発明の一実施例では、制御系の入出力変
数の時系列信号を制御対象の無駄時間Ｌの整数分の１で
サンプリングすることにより、時間軸の方向に正規化す
るようにしたが、数６３に示すように制御系の入出力変
数の時系列信号を無駄時間Ｌに比例した周期Δｔでサン
プリングすることにより、時間軸の方向に正規化するよ
うにしてもよい。
数の時系列信号を制御対象の無駄時間Ｌの整数分の１で
サンプリングすることにより、時間軸の方向に正規化す
るようにしたが、数６３に示すように制御系の入出力変
数の時系列信号を無駄時間Ｌに比例した周期Δｔでサン
プリングすることにより、時間軸の方向に正規化するよ
うにしてもよい。
【０１５９】
【数６３】
【０１６０】ここで、ａ：定数 本発明の一実施例では、制御系の入出力変数の時系列信
号を入力変数の変動幅で振幅方向に正規化するようにし
たが、数６４に示すように制御系の入出力変数の時系列
信号を各変数の変動幅で振幅方向に正規化するようにし
てもよい。
号を入力変数の変動幅で振幅方向に正規化するようにし
たが、数６４に示すように制御系の入出力変数の時系列
信号を各変数の変動幅で振幅方向に正規化するようにし
てもよい。
【０１６１】
【数６４】
【０１６２】ここで、Δｙmax ：制御量ｙの変動量 なお、入出力変数の変動幅としては、時間的に動的な変
動幅あるいは時間的に静的な変動幅のどちらを利用して
もよい。
動幅あるいは時間的に静的な変動幅のどちらを利用して
もよい。
【０１６３】本発明の一実施例では、制御対象あるいは
制御系の無駄時間の計測方法について具体的に説明しな
かったが、無駄時間の計測については、ステップ応答
法、最小２乗推定法等があり（渡辺嘉二郎他２名著「パ
ソコンによる制御工学」，海文堂，１９９０年１１月参
照）、これらの方法が利用できる。
制御系の無駄時間の計測方法について具体的に説明しな
かったが、無駄時間の計測については、ステップ応答
法、最小２乗推定法等があり（渡辺嘉二郎他２名著「パ
ソコンによる制御工学」，海文堂，１９９０年１１月参
照）、これらの方法が利用できる。
【０１６４】
【発明の効果】本発明によれば、制御対象あるいは制御
系の入出力変数の時系列信号を取込み、これらの信号を
制御対象あるいは制御系の無駄時間を基準にして時間軸
の方向に正規化すると共に、制御対象あるいは制御系の
時間応答の変動幅を基準にして振幅方向に正規化し、こ
の正規化した時系列信号に基づいてニューラル・ネット
ワークによりコントローラの制御パラメータを調整する
ので、種々の制御対象にも、あるいは制御対象の特性変
化が大きい場合にも対応でき、用意する調整用ニューラ
ル・ネットワークの個数を最小に抑え、制御パラメータ
を良好に調整できる。
系の入出力変数の時系列信号を取込み、これらの信号を
制御対象あるいは制御系の無駄時間を基準にして時間軸
の方向に正規化すると共に、制御対象あるいは制御系の
時間応答の変動幅を基準にして振幅方向に正規化し、こ
の正規化した時系列信号に基づいてニューラル・ネット
ワークによりコントローラの制御パラメータを調整する
ので、種々の制御対象にも、あるいは制御対象の特性変
化が大きい場合にも対応でき、用意する調整用ニューラ
ル・ネットワークの個数を最小に抑え、制御パラメータ
を良好に調整できる。
【図１】本発明の一実施例を示す制御構成図である。
【図２】ニューラル・ネットワークの構成図である。
【図３】ニューラル・ネットワークのユニットの構成図
である。
である。
【図４】制御対象をＰＩＤコントローラで制御する一例
を示す構成図である。
を示す構成図である。
【図５】本発明の一実施例を示す制御構成図である。
【図６】本発明の一実施例を示す制御構成図である。
【図７】本発明の一実施例を示す制御構成図である。
【図８】本発明の一実施例を示す制御構成図である。
【図９】本発明の一実施例を示す制御構成図である。
【図１０】本発明の一実施例を示す制御構成図である。
【図１１】本発明の一実施例を示す制御構成図である。
【図１２】本発明の一実施例を示す制御構成図である。
１…制御対象、２…コントローラ、３…時系列信号正規
化処理システム、４…パラメータ調整システム、５…調
整ルール学習システム。
化処理システム、４…パラメータ調整システム、５…調
整ルール学習システム。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 遠山 栄二 茨城県日立市大みか町五丁目２番１号 株式会社 日立製作所 大みか工場内 (72)発明者 横川 篤 茨城県日立市大みか町五丁目２番１号 株式会社 日立製作所 大みか工場内 (56)参考文献 特開 平２−8903（ＪＰ，Ａ) 特開 平３−233702（ＪＰ，Ａ) 特開 平２−108179（ＪＰ，Ａ) 特開 平３−129401（ＪＰ，Ａ) (58)調査した分野(Int.Cl.7，ＤＢ名) G05B 11/00 - 13/04
Claims (2)
- 【請求項１】制御量を目標値に一致させるように制御対
象を制御するコントローラの調整方法において、制御対
象或いはコントローラと制御対象を組合わせた制御系の
入出力変数の時系列信号を取込み、これらの信号を制御
対象或いは制御系の無駄時間を基準にして時間軸の方向
に正規化し、この正規化した時系列信号に基づいてニュ
ーラル・ネットワークによりコントローラの制御パラメ
ータを決定することを特徴とするコントローラの調整方
法。 - 【請求項２】制御量を目標値に一致させるように制御対
象を制御するコントローラの調整方法において、制御対
象或いはコントローラと制御対象を組合わせた制御系の
入出力変数の時系列信号を取込み、これらの信号を制御
対象或いは制御系の無駄時間を基準にして時間軸の方向
に正規化するとともに、制御対象或いは制御系の時間応
答の変動幅を基準にして振幅方向に正規化し、この正規
化した時系列信号に基づいてニューラル・ネットワーク
によりコントローラの制御パラメータを決定することを
特徴とするコントローラの調整方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4221211A JP3039154B2 (ja) | 1992-08-20 | 1992-08-20 | コントローラの調整方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4221211A JP3039154B2 (ja) | 1992-08-20 | 1992-08-20 | コントローラの調整方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0667705A JPH0667705A (ja) | 1994-03-11 |
| JP3039154B2 true JP3039154B2 (ja) | 2000-05-08 |
Family
ID=16763210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4221211A Expired - Fee Related JP3039154B2 (ja) | 1992-08-20 | 1992-08-20 | コントローラの調整方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3039154B2 (ja) |
-
1992
- 1992-08-20 JP JP4221211A patent/JP3039154B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0667705A (ja) | 1994-03-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR100335712B1 (ko) | 전방향신경망을구비한정보처리시스템및신경망학습방법 | |
| JP3328742B2 (ja) | ニューロｐｉｄ制御装置 | |
| CN109033585B (zh) | 不确定网络控制***的pid控制器设计方法 | |
| JP2000514217A (ja) | 非線形近似機構式の自動チューナ | |
| Potočnik et al. | Nonlinear model predictive control of a cutting process | |
| CN112445131A (zh) | 一种线性***自适应最优跟踪控制方法 | |
| JPH05127706A (ja) | ニユーラルネツト型シミユレータ | |
| US7031949B2 (en) | Method and apparatus for generating input signals in a physical system | |
| JP3039154B2 (ja) | コントローラの調整方法 | |
| Chovan et al. | Neural network architecture for process control based on the RTRL algorithm | |
| Wang et al. | Neural network modelling of unknown nonlinear systems subject to immeasurable disturbances | |
| Douratsos et al. | Neural network based model reference adaptive control for processes with time delay | |
| Lightbody et al. | A novel neural internal model control structure | |
| JP2862308B2 (ja) | コントローラの調整方法および調整システム | |
| JP2674167B2 (ja) | 神経回路網モデルを用いたプロセス制御方法 | |
| JPH0635510A (ja) | ニューラルネットワークを用いたモデル規範型適応制御装置 | |
| Yoo et al. | Adaptive neural dynamic surface control of nonlinear time-delay systems with model uncertainties | |
| JP3314239B2 (ja) | Ｐｉｄパラメータ・オートチューニング方法 | |
| JPH03201008A (ja) | ゲインスケジューリング制御装置 | |
| Huang et al. | Neural-network-based multiple feedback long-range predictive control | |
| Righeto et al. | Nonlinear plant identification by wavelets | |
| Dhaouadi et al. | A self tuning PID controller using wavelet networks | |
| Hong et al. | Neural based predictive control of a multivariable microalgae fermentation | |
| Mancini et al. | Neural variable structure controller for telescope pointing and tracking improvement | |
| EP0646880A2 (en) | Dynamic neural net |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090303 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100303 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110303 Year of fee payment: 11 |
|
| LAPS | Cancellation because of no payment of annual fees |