JP3802965B2 - 非線形の物理的な制御対象の最適制御のための自己組織化方法及び装置 - Google Patents
非線形の物理的な制御対象の最適制御のための自己組織化方法及び装置 Download PDFInfo
- Publication number
- JP3802965B2 JP3802965B2 JP08742697A JP8742697A JP3802965B2 JP 3802965 B2 JP3802965 B2 JP 3802965B2 JP 08742697 A JP08742697 A JP 08742697A JP 8742697 A JP8742697 A JP 8742697A JP 3802965 B2 JP3802965 B2 JP 3802965B2
- Authority
- JP
- Japan
- Prior art keywords
- control
- entropy
- fuzzy
- controller
- dsc
- 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
- 238000000034 method Methods 0.000 title claims description 23
- 238000004088 simulation Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 230000002068 genetic effect Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 210000000349 chromosome Anatomy 0.000 description 13
- 230000008859 change Effects 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000021715 photosynthesis, light harvesting Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、例えば機械的システム、バイオメカニカル・システム、ロボット工学、マイクロ・エレクトロメカニカル・システムなどの非線形の物理的な制御対象を最適に制御するための自己組織化方法及び装置に関するものである。
【０００２】
【従来の技術】
物体の姿勢制御は古くから取り扱われてきたが、非線形系の姿勢制御について未開拓の分野であり、期待される応用分野も広い。従来、非線形系の制御器設計においては、一般的な解析手法がないため、線形近似して制御器を設計する場合が多い。すなわち、非線形の動作特性を評価することが困難であったため、非線形の動作特性をもつ制御対象（プラント）を制御する際には、制御対象の動作特性の適当な平衡点を見つけ、その平衡点の近傍で制御対象の動作特性を線形化して疑似的な運動特性に対して評価を行いながら制御を行う手法が採られている。
【０００３】
また遺伝的アルゴリズムを用いて制御器を設計する試みもなされている。
添付図面の図13には遺伝的アルゴリズムを用いた従来のAI制御システムの設計例をブロック線図で示し、Ａは非線形の制御対象をなすプラント、Ｂはこの制御対象Ａの動作を制御するPID制御器、Ｃは遺伝的アルゴリズム、Ｄはファジーニ ューラル回路網、Ｅはファジー制御器である。
PID制御器Ｂは、プラントＡに対する逆モデルを構成し、プラントＡの出力と 同じ情報を入力すると、プラントＡを、入力情報と同じ出力をするように作動させる制御信号ｕ*を出力するようにされている。遺伝的アルゴリズムＣには、プ ラントＡからの出力情報とPID制御器Ｂへの入力情報との誤差信号εが入力され 、誤差信号εが小さくなるようにファジーニューラル回路網Ｄに対する入力情報αを進化させる。すなわち、遺伝的アルゴリズムＣにおける評価は、誤差信号εが如何に小さくなるかである。最終的に得たい情報である入力情報αの候補を複数個決め、これらを結合して複数の染色体（親）を生成する。各染色体について評価を行い、全ての親染色体に対する評価を終了した後、複数の親染色体の中から優秀な子染色体を選択し、或いはランダムに子染色体を選択し、選択した子染色体を交叉させ、次世代の親染色体を生成する。この場合突然変異等も使用される。こうして生成された第２世代の親染色体全てについて評価を行い、上記と同じ進化処理を繰り返して次世代を生成する。このような進化処理は予め決められた世代に達するまで、または評価値が所定値になるまで行われ、最終世代の染色体を構成する素子を最終的な出力すなわち入力情報αとする。
ファジーニューラル回路網Ｄにおいては、遺伝的アルゴリズムＣからの入力情報αに基いてファジー制御器Ｅに用いるファジールールを決める。ファジーニューラル回路網Ｄで決められたファジールールを用いてファジー制御器ＥはPID制 御器Ｂへ制御信号を出力する。この制御信号により、PID制御器Ｂは、プラント Ａからの出力情報とPID制御器Ｂへの入力情報との誤差信号εが小さくなるよう に変数ゲインが補正される。
【０００４】
【発明が解決しようとする課題】
非線形系の制御器設計において線形近似して制御器を設計する従来提案されてきた手法は、線形化される平衡点に近い領域では正確な制御を行うことができるが、この領域から離れるに従って制御の正確性が低下し、また系を取り巻く環境の大きな変化に対応できない等の問題点がある。
また、図13に示すような遺伝的アルゴリズムを用いた手法では、PID制御器自 体が線形化した運動方程式で構成されており、また遺伝的アルゴリズムでの評価もPID制御器に関連した情報に基いて行われるため、線形化による制御性の低下 の問題は解決できず、また評価関数の取り方により結果が大きく変化するため、いかなる評価関数を採用するかが重要な問題となっている。
【０００５】
そこで、本発明は、インテリジェント制御システムと複雑な制御対象の動的挙動とにおける、生成エントロピーの最小化及びＡＩロバスト制御システムの自已組織化により、非線型のエネルギー散逸モデルとして描かれる複雑で非線型な制御対象の最適制御のための自己組織化方法及び装置を提供することを目的としている。
【０００６】
【課題を解決するための手段】
上記の目的を達成するために、本発明の第１の発明によれば、非線形の物理的な制御対象の最適制御のための自己組織化方法は、
非線形の物理的な制御対象の運動方程式をリアプノフ関数（Ｖ）により熱力学的にモデル化して、非線形の物理的な制御対象のエントロピーの時間微分（ｄＳｕ／ｄｔ）と制御対象の制御系のエントロピーの時間微分（ｄＳｃ／ｄｔ）との差（（ｄＳｕ／ｄｔ）−（ｄＳｃ／ｄｔ））から制御対象及び制御系全体のエントロピーの時間微分（ｄＳ／ｄｔ）を求め、
遺伝的アルゴリズムにより制御対象及び制御系全体のエントロピーの時間微分（ｄＳ／ｄｔ）が最も小さくなるように制御対象の制御系の変数に関するファジールールを決定し、
こうして決定したファジールールの参照テーブルに従って制御対象の制御系の変数を補正する
ことを特徴としている。
【０００７】
また、本発明の第２の発明によれば、非線形の物理的な制御対象の最適制御のための自己組織化装置は、非線形の物理的な制御対象の運動方程式をリアプノフ関数（Ｖ）により熱力学的にモデル化し、制御対象のプラントの状態の安定性の制御について分析し非線形動作特性を表すリアプノフ関数（Ｖ）がＶ＞０、制御対象内部のエントロピーの時間微分（dSu/dt）と制御対象を制御する制御器から制御対象へ与えられるエントロピーの時間微分（dSc/dt）との差から制御対象及び制御系全体の全エントロピー生成量を計算し、その差が最小となる適合化関数を遺伝的アルゴリズムにより求める制御の質のシュミレーション部と、上記シュミレーション部から出力を教示信号として学習プロセスを用いてファジールールを決定し、得られたファジールールに従って、制御対象を制御する制御器の変数ゲインを変化させる制御則を形成するファジーロジック階層化部とを有することを特徴としている。
制御の質のシュミレーション部は、制御対象から得られる情報に基いて制御対象内部のエントロピーSuの時間微分dSu/dtと制御対象を制御する制御器から制御対象へ与えられるエントロピーScの時間微分dSc/dtとの差を演算するエントロピー演算部と、演算により得られたエントロピーの差（dSu/dt）−（dSc/dt）を評価関数としてその差が最小となるようにファジーロジック階層化部への教示信号を遺伝的アルゴリズムにより進化させる制御部とから成り得る。
またファジーロジック階層化部は、制御の質のシュミレーション部からの出力に応じて学習プロセスを用いてファジールールの参照テーブル信号を形成するファジーニューラル回路網と、ファジーニューラル回路網で得られたファジールールの参照テーブル信号に基いて制御対象を制御する制御器の変数ゲインを補正する変数ゲインスケジュール信号を発生するファジー制御器とから成り得る。
【０００８】
【発明の実施の形態】
以下添付図面の図１〜図６に示す実施例に基き本発明の実施の形態について説明する。
【実施例】
図１には本発明の一実施例による自己組織化AI制御システムの構成を示し、 １は非線形の物理的な制御対象であるプラント、２は制御の質のシュミレーション部であり、エントロピー演算装置2aと、遺伝的アルゴリズムによる制御装置 2bとを備えている。３はファジーロジック階層化部で、ファジーニューラル回路網3aと、ファジー制御器3bとを備えている。４はプラント１の制御系を成すPID 制御器である。
【０００９】
【００１０】
【００１１】
本発明では、プラントの制御系全体の外乱等のむだを、制御対象であるプラントのエントロピーの時間微分ｄＳｕ／ｄｔと、プラントの制御系のエントロピーの時間微分ｄＳｃ／ｄｔとの差によって求め、これをリアプノフ関数で表された制御対象の安定性に関連させて評価が行われる。すなわちリアプノフ関数の時間微分言い換えればエントロピーの差が小さいほどプラントの動作特性が安定することになる。
【００１２】
次に制御の質のシュミレーションについて説明する。
図１の線図において、PID制御器４からの制御信号ｕと外乱などのとノイズ ｍ（ｔ）との和であるランダム入力信号ｕ* はプラント１に加えられ、プラント１の出力ｘとなる。
プラント出力ｘによるランダム信号は、制御の質のシュミレーション部２の一部を成するエントロピー生成の演算装置2aに導入される。エントロピー生成の演算装置2aにおいては上述のようにして制御対象であるプラント１のエントロピー生成の時間微分ｄＳｕ／ｄｔ及びプラント１のPID制御器４のエントロピー生成 の時間微分ｄＳｃ／ｄｔを演算し、式（２）で表されるエントロピー生成の差である系全体のエントロピーの生成量ｄＳ／ｄｔを出力する。
【００１３】
遺伝的アルゴリズムによる制御装置2bは、エントロピー生成の演算装置2aからの出力である系全体のエントロピーの生成量ｄＳ／ｄｔを評価関数として、制御対象であるプラント１のエントロピー生成の時間微分ｄＳｕ／ｄｔとPID制御器 ４のエントロピー生成の時間微分ｄＳｃ／ｄｔとの差が小さくなるように、すなわち制御系全体のむだが少なくなるように、ファジーロジック階層化部３のファジーニューラル回路網3aに対する入力情報Ｋを遺伝的アルゴリズムにより進化させる。この場合評価は世代交代毎に行われ、最終的出力情報Ｋはファジーニューラル回路網3aにおいてエントロピーの差を最も小さくできるファジールールを選択するのに最適な情報に進化される。
【００１４】
更にファジーロジック階層化システムについて説明する。
ファジーロジック階層化部３は、PID制御器４からの制御信号ｕにおけるラン ダムな外乱ｍ（ｔ）対するインテリジェントなファジー制御器3bの構造の適合化プロセスを実現するものである。
ファジーロジック階層化部３におけるファジーニューラル回路網3aは遺伝的アルゴリズムによる評価装置2bからの出力情報Ｋを教示信号として受け、ファジー制御器3bで用いられるファジールールを決定する。すなわち、ファジーニューラル回路網3aでは、その学習プロセスを用いてファジー制御器3bのための知識ベースの生成ルールが形成される。ファジーニューラル回路網3aの出力は、ファジー制御器3bへの入力であるフアジールールの参照テーブル信号LPTRを形成し、ファジー制御器3bの知織ベースを形成する自己組織化が行われる。ファジー制御器 3bの出力である係数ゲイン・スケジュールCGSは、PID制御器４への入力となり、ファジーニューラル回路網3aからのフアジールールの参照テーブル信号LPTRに従ってPID制御器４の係数ゲインを変化させる制御ルールを形成する。
このようにして制御プロセスにおけるエントロピー生成の最小化による最適学習の能力を有するPID制御器４のロバストな構造と、ソフトコンピューティング の概念に基づいたファジー制御器3bのための知識ベースの構造の自已組織化が実現され得る。
【００１５】
上記で説明した各処理により、PID制御器４はエントロピーの差を最も小さく できる情報をプラント１に出力できるようになる。プラント１のエントロピー生成の時間微分ｄＳｕ／ｄｔとPID制御器４のエントロピー生成の時間微分 ｄＳｃ／ｄｔとの差が小さくなると、リアプノフ関数の時間微分ｄＶ／ｄｔが小さくなり、これによりプラント１の動作特性は安定する。またリアプノフ関数はプラント１の運動特性を非線形のまま評価する関数であり、またエントロピーの差喪非線形の運動方程式から求めるので、従来のように線形化を用いた制御とは異なり、制御の安定性が改善されることになる。
【００１６】
次に図２〜図12を参照して本発明を用いて実施した一輪車の姿勢制御のシュミレーション例について説明する。
図２及び図３には一輪車ロボットを示し、５はロボット本体で、ロボット本体５の下端には車輪６が装着され、ロボット本体５の両側面部には二組の４節閉リンク機構7a、7bが取付けられ、各リンク機構7a、7bにはそれぞれモータ8a、8bが装着されている。リンク機構7a、7bは一輪車ロボットのピッチ方向のバランスをとるように作用する。またロボット本体５の上端には制御用ロータ９が装着され、制御用ロータ９はロボット本体５内に設けたモータ10により駆動され、主としてロール方向のバランスをとるように作用する。なお11はジャイロセンサである。
一輪車ロボットのパラメータは次のように設定した。
ロボット本体５の質量 ４．４０ｋｇ
車輪６の質量 １．４０ｋｇ
制御用ロータ９の質量 ０．７０ｋｇ
車輪６の半径 ０．１２３ｍ
車輪６から本体重心までの距離 ０．３３１ｍ
車輪６のｘ，ｚ軸のまわりの慣性モーメント ０．０２０Ｎｍｓ2
車輪６のｙ軸のまわりの慣性モーメント ０．０４０Ｎｍｓ2
本体５のｘ軸のまわりの慣性モーメント １．５８８Ｎｍｓ2
本体５のｙ軸のまわりの慣性モーメント １．５８８Ｎｍｓ2
本体５のｚ軸のまわりの慣性モーメント ０．０１３Ｎｍｓ2
ロータ９のｘ軸のまわりの慣性モーメント ０．０３９Ｎｍｓ2
ロータ９のｙ軸のまわりの慣性モーメント ０．０３９Ｎｍｓ2
ロータ９のｚ軸のまわりの慣性モーメント ０．０７７Ｎｍｓ2
また、シュミレーションの初期条件として、
初期位置に関して車輪６は０ｒａｄ、ヨー角は０ｒａｄ、ロール角及びピッチ角はそれぞれ０．００１ｒａｄ、ロータ９は０ｒａｄとし、初速は全て ０ｒａｄとした。
外乱は［−１．０ｅ−６，１．０ｅ］Ｎｍの一様乱数とした。
遺伝的アルゴリズムのパラメータとして染色体数は１００、世代数１００，突然変異率０．０００８、交叉確率０．６４（２点交叉）とした。
その他、ピッチ角またはロール角が１．０４ｒａｄ（約６０°）を越えたら転倒として扱うことにした。
シュミレーションの結果を図４〜図７のグラフに示す。図４のグラフは各部の角度の時間変化を示し、図５のグラフは各部の角速度の時間変化を示し、図６のグラフはロール角と同角速度の位相面グラフであり、また図７のグラフはピッチ角と同角速度の位相面グラフである。
比較例として一定時間中に姿勢の変動が小さいほどよいとする一般的な評価関数を用いたシュミレーションの結果を図８〜図11のグラフに示す。
これらの両結果を比較すると、一般的な評価関数を用いたシュミレーションでは染色体数１００、世代数１００の遺伝的アルゴリズムでは姿勢制御を行うことができず、予め制御方式を与える必要があるのに対して、エントロピーによる評価関数の遺伝的アルゴリズムにおいては染色体数１００、世代数１００の遺伝的アルゴリズムでも姿勢制御を行うことができた。また制御入力を直接評価できるので、制御方式を与えなくもよい。
【００１７】
また制御系の評価法としてエントロピーを考慮することの有用性を確認するため、図12には、一輪車ロボットからロータを省略して本体と車輪だけからなるモデルをたて同様なシュミレーションを行った結果を示す。このモデルでは車輪の回転角、車体のヨー角、ロール角、及びピッチ角の４自由度をもつが、姿勢安定に直接関わるのはロール角とピッチ角だけである。
ロール角の制御はロール角に応じたトルクをヨー角に与え、本体が傾いた方向に向きを変えることで行い、ピッチ角に関しては直接制御を行った。また車輪に関してはτω ＝０．１（４．０−θω ）というトルクを与えた。ここでθω は車輪の回転速度である。遺伝的アルゴリズムを用いて学習させるものはヨー角とピッチ角の二つのPID 制御器のパラメータとした。
図12から分かるように遺伝的アルゴリズムによって求めたパラメータにより制御した時にはロール角及びピッチ角はほぼ一定に保たれ、姿勢制御が達成されているが、制御しなかった時には姿勢制御は達成されてない。
【００１８】
このロバストなAI制御システムの構造の適用範囲としては、確率論的環境における機械的システム（アクティブ制振）や、知能ロボント工学やメカトロニクス（移動ロボットのナビゲーション、マニピュレータ、群移動ロボットの制御等）、バイオメカニカル・システム（パワーアシストシステム、人工呼吸器のような医療システムにおける人工臓器の制御等）、マイクロ・エレクトロメカニカル・システム(流体中を移動するマイクロロボット棒)といつたシステムにおける最適制御の間題を解決するのに応用できる。
【００１９】
また本発明によれば、遺伝的アルゴリズムによって達成されるファジー制御器の参照テーブルとファジーニューラル回路網との協調行動を実現することができる。ある特定の場合には、線形／非線形ニューラル回路網を有する、マルチモードのファジー制御器構造として実施することが可能である。その場合適合化ファジー制御器は、直感と本能とをもつ自己組織化AI制御システムを提供する。またこの適合化手法においては、PID制御器のフィードバック・ゲインは、量子力学 的ファジーロジックと、求められた非線型運動方程式を用いた概略的解釈とに従って変更される。
【００２０】
さらに、本発明においては、遺伝的アルゴリズムをベースとしたファジールール用アクセラレータを有するファジーニューラル回路網における学習システムによって導かれるPID制御器に対する最適化構造に関するファジー・チューニング ルールを形成するのにも応用できる。この場合のファジー制御器は、階層的な ２レベルの、部分的にインテリジェントな制御システムであり、下層（実行）レベルで通常のPID制御器に連なり、上層（協調）レベルで（異なったフアジー推 論による生成ルールを形成するファジー・インターフェース・モジュールを有する）知識ベースやフアジー化／非ファジー化コンポーネントに連なるものである。
さらにまた、本発明は量子力学的コンピューティングに基づく、ファジー制御のための並列ソフト・コンピューティング技術として実施することもできる。
【００２１】
【発明の効果】
以上説明してきたように、本発明によれば、インテリジェント制御システムと複雑な制御対象の動的挙動との双方における生成エントロピーの最小化による制御の質的向上のための新しい物理的な方法と、AIロバスト制御システムの自已組織化構造の構築とで構成されるので、運動方程式中に速度の項をもつ全ての非線形系に適用することができ、また位置だけでなく制御入力の大きさも考慮した評価が可能となり、従って制御器設計の難しい非線形系の制御を達成するできるようになると共に、制御入力を直接評価するので制御方法が不明でも適用することができるようになる。
【図面の簡単な説明】
【図１】 本発明の実施例を示す概略ブロック線図。
【図２】 本発明のシュミレーションに用いた一輪車ロボットを示す概略正面図。
【図３】 図２に示す一輪車ロボットの概略側面図。
【図４】 図２に示す一輪車ロボットを用いて実施した姿勢制御のシュミレーションの結果における各部の角度の時間変化を示すグラフ。
【図５】 図２に示す一輪車ロボットを用いて実施した姿勢制御のシュミレーションの結果における各部の角速度の時間変化を示すグラフ。
【図６】 図２に示す一輪車ロボットを用いて実施した姿勢制御のシュミレーションの結果におけるロール角と同角速度の位相面を示すグラフ。
【図７】 図２に示す一輪車ロボットを用いて実施した姿勢制御のシュミレーションの結果におけるピッチ角と同角速度の位相面を示すグラフ。
【図８】 図２に示す一輪車ロボットを用いて従来の方法で実施した姿勢制御のシュミレーションの結果における各部の角度の時間変化を示すグラフ。
【図９】 図２に示す一輪車ロボットを用いて従来の方法で実施した姿勢制御のシュミレーションの結果における各部の角速度の時間変化を示すグラフ。
【図１０】図２に示す一輪車ロボットを用いて従来の方法で実施した姿勢制御のシュミレーションの結果におけるロール角と同角速度の位相面を示すグラフ。
【図１１】図２に示す一輪車ロボットを用いて従来の方法で実施した姿勢制御のシュミレーションの結果におけるピッチ角と同角速度の位相面を示すグラフ。
【図１２】本発明による制御方法の有用性を例示する姿勢制御のシュミレーションの別の例を示すグラフ。
【図１３】従来技術による制御方法の一例を示す概略ブロック線図。
【符号の説明】
１：プラント
２：制御の質のシュミレーション部
３：ファジーロジック階層化部
４：PID 制御器
【発明の属する技術分野】
本発明は、例えば機械的システム、バイオメカニカル・システム、ロボット工学、マイクロ・エレクトロメカニカル・システムなどの非線形の物理的な制御対象を最適に制御するための自己組織化方法及び装置に関するものである。
【０００２】
【従来の技術】
物体の姿勢制御は古くから取り扱われてきたが、非線形系の姿勢制御について未開拓の分野であり、期待される応用分野も広い。従来、非線形系の制御器設計においては、一般的な解析手法がないため、線形近似して制御器を設計する場合が多い。すなわち、非線形の動作特性を評価することが困難であったため、非線形の動作特性をもつ制御対象（プラント）を制御する際には、制御対象の動作特性の適当な平衡点を見つけ、その平衡点の近傍で制御対象の動作特性を線形化して疑似的な運動特性に対して評価を行いながら制御を行う手法が採られている。
【０００３】
また遺伝的アルゴリズムを用いて制御器を設計する試みもなされている。
添付図面の図13には遺伝的アルゴリズムを用いた従来のAI制御システムの設計例をブロック線図で示し、Ａは非線形の制御対象をなすプラント、Ｂはこの制御対象Ａの動作を制御するPID制御器、Ｃは遺伝的アルゴリズム、Ｄはファジーニ ューラル回路網、Ｅはファジー制御器である。
PID制御器Ｂは、プラントＡに対する逆モデルを構成し、プラントＡの出力と 同じ情報を入力すると、プラントＡを、入力情報と同じ出力をするように作動させる制御信号ｕ*を出力するようにされている。遺伝的アルゴリズムＣには、プ ラントＡからの出力情報とPID制御器Ｂへの入力情報との誤差信号εが入力され 、誤差信号εが小さくなるようにファジーニューラル回路網Ｄに対する入力情報αを進化させる。すなわち、遺伝的アルゴリズムＣにおける評価は、誤差信号εが如何に小さくなるかである。最終的に得たい情報である入力情報αの候補を複数個決め、これらを結合して複数の染色体（親）を生成する。各染色体について評価を行い、全ての親染色体に対する評価を終了した後、複数の親染色体の中から優秀な子染色体を選択し、或いはランダムに子染色体を選択し、選択した子染色体を交叉させ、次世代の親染色体を生成する。この場合突然変異等も使用される。こうして生成された第２世代の親染色体全てについて評価を行い、上記と同じ進化処理を繰り返して次世代を生成する。このような進化処理は予め決められた世代に達するまで、または評価値が所定値になるまで行われ、最終世代の染色体を構成する素子を最終的な出力すなわち入力情報αとする。
ファジーニューラル回路網Ｄにおいては、遺伝的アルゴリズムＣからの入力情報αに基いてファジー制御器Ｅに用いるファジールールを決める。ファジーニューラル回路網Ｄで決められたファジールールを用いてファジー制御器ＥはPID制 御器Ｂへ制御信号を出力する。この制御信号により、PID制御器Ｂは、プラント Ａからの出力情報とPID制御器Ｂへの入力情報との誤差信号εが小さくなるよう に変数ゲインが補正される。
【０００４】
【発明が解決しようとする課題】
非線形系の制御器設計において線形近似して制御器を設計する従来提案されてきた手法は、線形化される平衡点に近い領域では正確な制御を行うことができるが、この領域から離れるに従って制御の正確性が低下し、また系を取り巻く環境の大きな変化に対応できない等の問題点がある。
また、図13に示すような遺伝的アルゴリズムを用いた手法では、PID制御器自 体が線形化した運動方程式で構成されており、また遺伝的アルゴリズムでの評価もPID制御器に関連した情報に基いて行われるため、線形化による制御性の低下 の問題は解決できず、また評価関数の取り方により結果が大きく変化するため、いかなる評価関数を採用するかが重要な問題となっている。
【０００５】
そこで、本発明は、インテリジェント制御システムと複雑な制御対象の動的挙動とにおける、生成エントロピーの最小化及びＡＩロバスト制御システムの自已組織化により、非線型のエネルギー散逸モデルとして描かれる複雑で非線型な制御対象の最適制御のための自己組織化方法及び装置を提供することを目的としている。
【０００６】
【課題を解決するための手段】
上記の目的を達成するために、本発明の第１の発明によれば、非線形の物理的な制御対象の最適制御のための自己組織化方法は、
非線形の物理的な制御対象の運動方程式をリアプノフ関数（Ｖ）により熱力学的にモデル化して、非線形の物理的な制御対象のエントロピーの時間微分（ｄＳｕ／ｄｔ）と制御対象の制御系のエントロピーの時間微分（ｄＳｃ／ｄｔ）との差（（ｄＳｕ／ｄｔ）−（ｄＳｃ／ｄｔ））から制御対象及び制御系全体のエントロピーの時間微分（ｄＳ／ｄｔ）を求め、
遺伝的アルゴリズムにより制御対象及び制御系全体のエントロピーの時間微分（ｄＳ／ｄｔ）が最も小さくなるように制御対象の制御系の変数に関するファジールールを決定し、
こうして決定したファジールールの参照テーブルに従って制御対象の制御系の変数を補正する
ことを特徴としている。
【０００７】
また、本発明の第２の発明によれば、非線形の物理的な制御対象の最適制御のための自己組織化装置は、非線形の物理的な制御対象の運動方程式をリアプノフ関数（Ｖ）により熱力学的にモデル化し、制御対象のプラントの状態の安定性の制御について分析し非線形動作特性を表すリアプノフ関数（Ｖ）がＶ＞０、制御対象内部のエントロピーの時間微分（dSu/dt）と制御対象を制御する制御器から制御対象へ与えられるエントロピーの時間微分（dSc/dt）との差から制御対象及び制御系全体の全エントロピー生成量を計算し、その差が最小となる適合化関数を遺伝的アルゴリズムにより求める制御の質のシュミレーション部と、上記シュミレーション部から出力を教示信号として学習プロセスを用いてファジールールを決定し、得られたファジールールに従って、制御対象を制御する制御器の変数ゲインを変化させる制御則を形成するファジーロジック階層化部とを有することを特徴としている。
制御の質のシュミレーション部は、制御対象から得られる情報に基いて制御対象内部のエントロピーSuの時間微分dSu/dtと制御対象を制御する制御器から制御対象へ与えられるエントロピーScの時間微分dSc/dtとの差を演算するエントロピー演算部と、演算により得られたエントロピーの差（dSu/dt）−（dSc/dt）を評価関数としてその差が最小となるようにファジーロジック階層化部への教示信号を遺伝的アルゴリズムにより進化させる制御部とから成り得る。
またファジーロジック階層化部は、制御の質のシュミレーション部からの出力に応じて学習プロセスを用いてファジールールの参照テーブル信号を形成するファジーニューラル回路網と、ファジーニューラル回路網で得られたファジールールの参照テーブル信号に基いて制御対象を制御する制御器の変数ゲインを補正する変数ゲインスケジュール信号を発生するファジー制御器とから成り得る。
【０００８】
【発明の実施の形態】
以下添付図面の図１〜図６に示す実施例に基き本発明の実施の形態について説明する。
【実施例】
図１には本発明の一実施例による自己組織化AI制御システムの構成を示し、 １は非線形の物理的な制御対象であるプラント、２は制御の質のシュミレーション部であり、エントロピー演算装置2aと、遺伝的アルゴリズムによる制御装置 2bとを備えている。３はファジーロジック階層化部で、ファジーニューラル回路網3aと、ファジー制御器3bとを備えている。４はプラント１の制御系を成すPID 制御器である。
【０００９】
本発明では、プラントの制御系全体の外乱等のむだを、制御対象であるプラントのエントロピーの時間微分ｄＳｕ／ｄｔと、プラントの制御系のエントロピーの時間微分ｄＳｃ／ｄｔとの差によって求め、これをリアプノフ関数で表された制御対象の安定性に関連させて評価が行われる。すなわちリアプノフ関数の時間微分言い換えればエントロピーの差が小さいほどプラントの動作特性が安定することになる。
【００１２】
次に制御の質のシュミレーションについて説明する。
図１の線図において、PID制御器４からの制御信号ｕと外乱などのとノイズ ｍ（ｔ）との和であるランダム入力信号ｕ* はプラント１に加えられ、プラント１の出力ｘとなる。
プラント出力ｘによるランダム信号は、制御の質のシュミレーション部２の一部を成するエントロピー生成の演算装置2aに導入される。エントロピー生成の演算装置2aにおいては上述のようにして制御対象であるプラント１のエントロピー生成の時間微分ｄＳｕ／ｄｔ及びプラント１のPID制御器４のエントロピー生成 の時間微分ｄＳｃ／ｄｔを演算し、式（２）で表されるエントロピー生成の差である系全体のエントロピーの生成量ｄＳ／ｄｔを出力する。
【００１３】
遺伝的アルゴリズムによる制御装置2bは、エントロピー生成の演算装置2aからの出力である系全体のエントロピーの生成量ｄＳ／ｄｔを評価関数として、制御対象であるプラント１のエントロピー生成の時間微分ｄＳｕ／ｄｔとPID制御器 ４のエントロピー生成の時間微分ｄＳｃ／ｄｔとの差が小さくなるように、すなわち制御系全体のむだが少なくなるように、ファジーロジック階層化部３のファジーニューラル回路網3aに対する入力情報Ｋを遺伝的アルゴリズムにより進化させる。この場合評価は世代交代毎に行われ、最終的出力情報Ｋはファジーニューラル回路網3aにおいてエントロピーの差を最も小さくできるファジールールを選択するのに最適な情報に進化される。
【００１４】
更にファジーロジック階層化システムについて説明する。
ファジーロジック階層化部３は、PID制御器４からの制御信号ｕにおけるラン ダムな外乱ｍ（ｔ）対するインテリジェントなファジー制御器3bの構造の適合化プロセスを実現するものである。
ファジーロジック階層化部３におけるファジーニューラル回路網3aは遺伝的アルゴリズムによる評価装置2bからの出力情報Ｋを教示信号として受け、ファジー制御器3bで用いられるファジールールを決定する。すなわち、ファジーニューラル回路網3aでは、その学習プロセスを用いてファジー制御器3bのための知識ベースの生成ルールが形成される。ファジーニューラル回路網3aの出力は、ファジー制御器3bへの入力であるフアジールールの参照テーブル信号LPTRを形成し、ファジー制御器3bの知織ベースを形成する自己組織化が行われる。ファジー制御器 3bの出力である係数ゲイン・スケジュールCGSは、PID制御器４への入力となり、ファジーニューラル回路網3aからのフアジールールの参照テーブル信号LPTRに従ってPID制御器４の係数ゲインを変化させる制御ルールを形成する。
このようにして制御プロセスにおけるエントロピー生成の最小化による最適学習の能力を有するPID制御器４のロバストな構造と、ソフトコンピューティング の概念に基づいたファジー制御器3bのための知識ベースの構造の自已組織化が実現され得る。
【００１５】
上記で説明した各処理により、PID制御器４はエントロピーの差を最も小さく できる情報をプラント１に出力できるようになる。プラント１のエントロピー生成の時間微分ｄＳｕ／ｄｔとPID制御器４のエントロピー生成の時間微分 ｄＳｃ／ｄｔとの差が小さくなると、リアプノフ関数の時間微分ｄＶ／ｄｔが小さくなり、これによりプラント１の動作特性は安定する。またリアプノフ関数はプラント１の運動特性を非線形のまま評価する関数であり、またエントロピーの差喪非線形の運動方程式から求めるので、従来のように線形化を用いた制御とは異なり、制御の安定性が改善されることになる。
【００１６】
次に図２〜図12を参照して本発明を用いて実施した一輪車の姿勢制御のシュミレーション例について説明する。
図２及び図３には一輪車ロボットを示し、５はロボット本体で、ロボット本体５の下端には車輪６が装着され、ロボット本体５の両側面部には二組の４節閉リンク機構7a、7bが取付けられ、各リンク機構7a、7bにはそれぞれモータ8a、8bが装着されている。リンク機構7a、7bは一輪車ロボットのピッチ方向のバランスをとるように作用する。またロボット本体５の上端には制御用ロータ９が装着され、制御用ロータ９はロボット本体５内に設けたモータ10により駆動され、主としてロール方向のバランスをとるように作用する。なお11はジャイロセンサである。
一輪車ロボットのパラメータは次のように設定した。
ロボット本体５の質量 ４．４０ｋｇ
車輪６の質量 １．４０ｋｇ
制御用ロータ９の質量 ０．７０ｋｇ
車輪６の半径 ０．１２３ｍ
車輪６から本体重心までの距離 ０．３３１ｍ
車輪６のｘ，ｚ軸のまわりの慣性モーメント ０．０２０Ｎｍｓ2
車輪６のｙ軸のまわりの慣性モーメント ０．０４０Ｎｍｓ2
本体５のｘ軸のまわりの慣性モーメント １．５８８Ｎｍｓ2
本体５のｙ軸のまわりの慣性モーメント １．５８８Ｎｍｓ2
本体５のｚ軸のまわりの慣性モーメント ０．０１３Ｎｍｓ2
ロータ９のｘ軸のまわりの慣性モーメント ０．０３９Ｎｍｓ2
ロータ９のｙ軸のまわりの慣性モーメント ０．０３９Ｎｍｓ2
ロータ９のｚ軸のまわりの慣性モーメント ０．０７７Ｎｍｓ2
また、シュミレーションの初期条件として、
初期位置に関して車輪６は０ｒａｄ、ヨー角は０ｒａｄ、ロール角及びピッチ角はそれぞれ０．００１ｒａｄ、ロータ９は０ｒａｄとし、初速は全て ０ｒａｄとした。
外乱は［−１．０ｅ−６，１．０ｅ］Ｎｍの一様乱数とした。
遺伝的アルゴリズムのパラメータとして染色体数は１００、世代数１００，突然変異率０．０００８、交叉確率０．６４（２点交叉）とした。
その他、ピッチ角またはロール角が１．０４ｒａｄ（約６０°）を越えたら転倒として扱うことにした。
シュミレーションの結果を図４〜図７のグラフに示す。図４のグラフは各部の角度の時間変化を示し、図５のグラフは各部の角速度の時間変化を示し、図６のグラフはロール角と同角速度の位相面グラフであり、また図７のグラフはピッチ角と同角速度の位相面グラフである。
比較例として一定時間中に姿勢の変動が小さいほどよいとする一般的な評価関数を用いたシュミレーションの結果を図８〜図11のグラフに示す。
これらの両結果を比較すると、一般的な評価関数を用いたシュミレーションでは染色体数１００、世代数１００の遺伝的アルゴリズムでは姿勢制御を行うことができず、予め制御方式を与える必要があるのに対して、エントロピーによる評価関数の遺伝的アルゴリズムにおいては染色体数１００、世代数１００の遺伝的アルゴリズムでも姿勢制御を行うことができた。また制御入力を直接評価できるので、制御方式を与えなくもよい。
【００１７】
また制御系の評価法としてエントロピーを考慮することの有用性を確認するため、図12には、一輪車ロボットからロータを省略して本体と車輪だけからなるモデルをたて同様なシュミレーションを行った結果を示す。このモデルでは車輪の回転角、車体のヨー角、ロール角、及びピッチ角の４自由度をもつが、姿勢安定に直接関わるのはロール角とピッチ角だけである。
ロール角の制御はロール角に応じたトルクをヨー角に与え、本体が傾いた方向に向きを変えることで行い、ピッチ角に関しては直接制御を行った。また車輪に関してはτω ＝０．１（４．０−θω ）というトルクを与えた。ここでθω は車輪の回転速度である。遺伝的アルゴリズムを用いて学習させるものはヨー角とピッチ角の二つのPID 制御器のパラメータとした。
図12から分かるように遺伝的アルゴリズムによって求めたパラメータにより制御した時にはロール角及びピッチ角はほぼ一定に保たれ、姿勢制御が達成されているが、制御しなかった時には姿勢制御は達成されてない。
【００１８】
このロバストなAI制御システムの構造の適用範囲としては、確率論的環境における機械的システム（アクティブ制振）や、知能ロボント工学やメカトロニクス（移動ロボットのナビゲーション、マニピュレータ、群移動ロボットの制御等）、バイオメカニカル・システム（パワーアシストシステム、人工呼吸器のような医療システムにおける人工臓器の制御等）、マイクロ・エレクトロメカニカル・システム(流体中を移動するマイクロロボット棒)といつたシステムにおける最適制御の間題を解決するのに応用できる。
【００１９】
また本発明によれば、遺伝的アルゴリズムによって達成されるファジー制御器の参照テーブルとファジーニューラル回路網との協調行動を実現することができる。ある特定の場合には、線形／非線形ニューラル回路網を有する、マルチモードのファジー制御器構造として実施することが可能である。その場合適合化ファジー制御器は、直感と本能とをもつ自己組織化AI制御システムを提供する。またこの適合化手法においては、PID制御器のフィードバック・ゲインは、量子力学 的ファジーロジックと、求められた非線型運動方程式を用いた概略的解釈とに従って変更される。
【００２０】
さらに、本発明においては、遺伝的アルゴリズムをベースとしたファジールール用アクセラレータを有するファジーニューラル回路網における学習システムによって導かれるPID制御器に対する最適化構造に関するファジー・チューニング ルールを形成するのにも応用できる。この場合のファジー制御器は、階層的な ２レベルの、部分的にインテリジェントな制御システムであり、下層（実行）レベルで通常のPID制御器に連なり、上層（協調）レベルで（異なったフアジー推 論による生成ルールを形成するファジー・インターフェース・モジュールを有する）知識ベースやフアジー化／非ファジー化コンポーネントに連なるものである。
さらにまた、本発明は量子力学的コンピューティングに基づく、ファジー制御のための並列ソフト・コンピューティング技術として実施することもできる。
【００２１】
【発明の効果】
以上説明してきたように、本発明によれば、インテリジェント制御システムと複雑な制御対象の動的挙動との双方における生成エントロピーの最小化による制御の質的向上のための新しい物理的な方法と、AIロバスト制御システムの自已組織化構造の構築とで構成されるので、運動方程式中に速度の項をもつ全ての非線形系に適用することができ、また位置だけでなく制御入力の大きさも考慮した評価が可能となり、従って制御器設計の難しい非線形系の制御を達成するできるようになると共に、制御入力を直接評価するので制御方法が不明でも適用することができるようになる。
【図面の簡単な説明】
【図１】 本発明の実施例を示す概略ブロック線図。
【図２】 本発明のシュミレーションに用いた一輪車ロボットを示す概略正面図。
【図３】 図２に示す一輪車ロボットの概略側面図。
【図４】 図２に示す一輪車ロボットを用いて実施した姿勢制御のシュミレーションの結果における各部の角度の時間変化を示すグラフ。
【図５】 図２に示す一輪車ロボットを用いて実施した姿勢制御のシュミレーションの結果における各部の角速度の時間変化を示すグラフ。
【図６】 図２に示す一輪車ロボットを用いて実施した姿勢制御のシュミレーションの結果におけるロール角と同角速度の位相面を示すグラフ。
【図７】 図２に示す一輪車ロボットを用いて実施した姿勢制御のシュミレーションの結果におけるピッチ角と同角速度の位相面を示すグラフ。
【図８】 図２に示す一輪車ロボットを用いて従来の方法で実施した姿勢制御のシュミレーションの結果における各部の角度の時間変化を示すグラフ。
【図９】 図２に示す一輪車ロボットを用いて従来の方法で実施した姿勢制御のシュミレーションの結果における各部の角速度の時間変化を示すグラフ。
【図１０】図２に示す一輪車ロボットを用いて従来の方法で実施した姿勢制御のシュミレーションの結果におけるロール角と同角速度の位相面を示すグラフ。
【図１１】図２に示す一輪車ロボットを用いて従来の方法で実施した姿勢制御のシュミレーションの結果におけるピッチ角と同角速度の位相面を示すグラフ。
【図１２】本発明による制御方法の有用性を例示する姿勢制御のシュミレーションの別の例を示すグラフ。
【図１３】従来技術による制御方法の一例を示す概略ブロック線図。
【符号の説明】
１：プラント
２：制御の質のシュミレーション部
３：ファジーロジック階層化部
４：PID 制御器
Claims (4)
- 非線形の物理的な制御対象の運動方程式をリアプノフ関数（Ｖ）により熱力学的にモデル化して、非線形の物理的な制御対象のエントロピーの時間微分（ｄＳｕ／ｄｔ）と制御対象の制御系のエントロピーの時間微分（ｄＳｃ／ｄｔ）との差（（ｄＳｕ／ｄｔ）−（ｄＳｃ／ｄｔ））から制御対象及び制御系全体のエントロピーの時間微分（ｄＳ／ｄｔ）を求め、
遺伝的アルゴリズムにより制御対象及び制御系全体のエントロピーの時間微分（ｄＳ／ｄｔ）が最も小さくなるように制御対象の制御系の変数に関するファジールールを決定し、
こうして決定したファジールールの参照テーブルに従って制御対象の制御系の変数を補正する
ことを特徴とする非線形の物理的な制御対象の最適制御のための自己組織化方法。 - 非線形の物理的な制御対象の運動方程式をリアプノフ関数（Ｖ）により熱力学的にモデル化して、制御対象の状態の安定性の制御について分析し、制御対象内部のエントロピーの時間微分（ｄＳｕ／ｄｔ）と制御対象を制御する制御器から制御対象へ与えられるエントロピーの時間微分（ｄＳｃ／ｄｔ）との差から制御対象及び制御系全体の全エントロピー生成量を計算し、その差が最小となる適合化関数を遺伝的アルゴリズムにより求める制御の質のシミュレーション部と、
上記シミュレーション部から出力を教示信号として学習プロセスを用いてファジールールを決定し、得られたファジールールに従って、制御対象を制御する制御器の変数ゲインを変化させる制御ルールを形成するファジーロジック階層化部と
を有することを特徴とする非線形の物理的な制御対象の最適制御のための自己組織化装置。 - 制御の質のシミュレーション部が、制御対象から得られる情報に基いて制御対象内部のエントロピー（Ｓｕ）の時間微分（ｄＳｕ／ｄｔ）と制御対象を制御する制御器から制御対象へ与えられるエントロピー（Ｓｃ）の時間微分（ｄＳｃ／ｄｔ）との差を演算するエントロピー演算部と、演算により得られたエントロピーの差（ｄＳｕ／ｄｔ）−（ｄＳｃ／ｄｔ）を評価関数としてその差が最小となるようにファジーロジック階層化部への教示信号を遺伝的アルゴリズムにより進化させる遺伝的アルゴリズム処理部とから成っている請求項２に記載の非線形の物理的な制御対象の最適制御のための自己組織化装置。
- ファジーロジック階層化部が、制御の質のシミュレーション部からの出力に応じて学習プロセスを用いてファジールールの参照テーブル信号を形成するファジーニューラル回路網と、ファジーニューラル回路網で得られたファジールールの参照テーブル信号に基いて制御対象を制御する制御器の変数ゲインを補正する変数ゲインスケジュール信号を発生するファジー制御器とから成っている請求項２に記載の非線形の物理的な制御対象の最適制御のための自己組織化装置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP08742697A JP3802965B2 (ja) | 1997-03-21 | 1997-03-21 | 非線形の物理的な制御対象の最適制御のための自己組織化方法及び装置 |
| US09/040,096 US6411944B1 (en) | 1997-03-21 | 1998-03-17 | Self-organizing control system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP08742697A JP3802965B2 (ja) | 1997-03-21 | 1997-03-21 | 非線形の物理的な制御対象の最適制御のための自己組織化方法及び装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH10268904A JPH10268904A (ja) | 1998-10-09 |
| JP3802965B2 true JP3802965B2 (ja) | 2006-08-02 |
Family
ID=13914556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP08742697A Expired - Fee Related JP3802965B2 (ja) | 1997-03-21 | 1997-03-21 | 非線形の物理的な制御対象の最適制御のための自己組織化方法及び装置 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US6411944B1 (ja) |
| JP (1) | JP3802965B2 (ja) |
Families Citing this family (38)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6415272B1 (en) * | 1998-10-22 | 2002-07-02 | Yamaha Hatsudoki Kabushiki Kaisha | System for intelligent control based on soft computing |
| US6505475B1 (en) | 1999-08-20 | 2003-01-14 | Hudson Technologies Inc. | Method and apparatus for measuring and improving efficiency in refrigeration systems |
| FR2818742B1 (fr) * | 2000-12-22 | 2003-02-14 | Inst Francais Du Petrole | Methode pour former un module a reseaux neuronaux optimise, destine a simuler le mode d'ecoulement d'une veine de fluides polyphasiques |
| WO2002061938A1 (fr) | 2001-01-31 | 2002-08-08 | Fujitsu Limited | Appareil de compensation de distorsion |
| US6701236B2 (en) | 2001-10-19 | 2004-03-02 | Yamaha Hatsudoki Kabushiki Kaisha | Intelligent mechatronic control suspension system based on soft computing |
| US7065510B2 (en) * | 2001-11-09 | 2006-06-20 | Hewlett-Packard Development Company, L.P. | Combinatorial fitness function circuit |
| US6668202B2 (en) * | 2001-11-21 | 2003-12-23 | Sumitomo Heavy Industries, Ltd. | Position control system and velocity control system for stage driving mechanism |
| US20030139907A1 (en) * | 2002-01-24 | 2003-07-24 | Mccarthy Robert J | System, Method, and Product for Nanoscale Modeling, Analysis, Simulation, and Synthesis (NMASS) |
| US6950712B2 (en) * | 2002-07-30 | 2005-09-27 | Yamaha Hatsudoki Kabushiki Kaisha | System and method for nonlinear dynamic control based on soft computing with discrete constraints |
| US20040039555A1 (en) * | 2002-07-30 | 2004-02-26 | Ulyanov Sergei V. | System and method for stochastic simulation of nonlinear dynamic systems with a high degree of freedom for soft computing applications |
| US7006900B2 (en) * | 2002-11-14 | 2006-02-28 | Asm International N.V. | Hybrid cascade model-based predictive control system |
| KR101338012B1 (ko) | 2002-12-09 | 2013-12-09 | 허드슨 테크놀로지스, 인코포레이티드 | 냉각 시스템 최적화 방법 및 장치 |
| US8463441B2 (en) * | 2002-12-09 | 2013-06-11 | Hudson Technologies, Inc. | Method and apparatus for optimizing refrigeration systems |
| FR2850356B1 (fr) * | 2003-01-28 | 2005-03-18 | Airbus France | Systeme de controle du regime d'au moins un moteur d'un aeronef |
| JP3809614B2 (ja) * | 2003-02-14 | 2006-08-16 | 関西ティー・エル・オー株式会社 | 仮想パワーモニタを備えることにより制御対象の安定性を評価解析する機能を備えた制御システム |
| JP2004315949A (ja) * | 2003-04-21 | 2004-11-11 | Internatl Business Mach Corp <Ibm> | 物理状態制御用情報計算装置、物理状態制御用情報計算方法、物理状態制御用情報計算用プログラム及び物理状態制御装置 |
| JP2007500379A (ja) | 2003-07-25 | 2007-01-11 | ヤマハ発動機株式会社 | インテリジェント制御システムのソフト演算最適化装置 |
| US6940047B2 (en) * | 2003-11-14 | 2005-09-06 | Asm International N.V. | Heat treatment apparatus with temperature control system |
| US7251638B2 (en) | 2004-03-03 | 2007-07-31 | Yamaha Hatsudoki Kabushiki Kaisha | Intelligent robust control system for motorcycle using soft computing optimizer |
| US7217670B2 (en) * | 2004-11-22 | 2007-05-15 | Asm International N.V. | Dummy substrate for thermal reactor |
| US20060218108A1 (en) * | 2005-03-24 | 2006-09-28 | Sergey Panfilov | System for soft computing simulation |
| US20060224547A1 (en) * | 2005-03-24 | 2006-10-05 | Ulyanov Sergey V | Efficient simulation system of quantum algorithm gates on classical computer based on fast algorithm |
| US20060293817A1 (en) * | 2005-06-23 | 2006-12-28 | Takahide Hagiwara | Intelligent electronically-controlled suspension system based on soft computing optimizer |
| US7832511B2 (en) * | 2006-10-20 | 2010-11-16 | Ford Global Technologies | Hybrid electric vehicle control system and method of use |
| TWI391800B (zh) * | 2009-04-21 | 2013-04-01 | Univ Shu Te | Applied to the Proportional Integral Differential Controller |
| WO2011027615A1 (ja) * | 2009-09-04 | 2011-03-10 | 株式会社村田製作所 | 移動方向制御装置及びコンピュータプログラム |
| US8626350B2 (en) * | 2010-04-14 | 2014-01-07 | King Fahd University Of Petroleum And Minerals | Sliding mode AGC controller and method |
| CN101866144A (zh) * | 2010-06-29 | 2010-10-20 | 北京航空航天大学 | 一种基于ITAE的Furuta摆智能控制方法 |
| CN102455135B (zh) * | 2010-10-27 | 2013-11-20 | 宝山钢铁股份有限公司 | 明火加热炉炉温控制设备 |
| US8788450B2 (en) | 2011-10-14 | 2014-07-22 | PronetLabs Ltd. | Self-organizing quantum robust control methods and systems for situations with uncertainty and risk |
| CN103092069A (zh) * | 2013-01-28 | 2013-05-08 | 上海交通大学 | 基于参数稳定域的PIλDμ控制器参数整定方法 |
| CN103454914B (zh) * | 2013-08-23 | 2016-04-13 | 上海交通大学 | 一种多指标约束的分数阶PIλDμ控制器整定方法 |
| CN104122795A (zh) * | 2014-07-15 | 2014-10-29 | 河海大学常州校区 | 基于新型极值函数指标的智能自整定pid室温控制算法 |
| US10489713B1 (en) * | 2015-08-26 | 2019-11-26 | Psibernetix, Inc. | Self-optimized system and method using a fuzzy genetic algorithm |
| CN110175427B (zh) * | 2019-06-03 | 2023-06-09 | 江西理工大学 | 一种在耦合振子***中实现非对称振荡死亡的方法 |
| CN110824919A (zh) * | 2019-10-31 | 2020-02-21 | 北京交通大学 | 一种直流电脑鼠自动控制方法和*** |
| US11580358B1 (en) | 2020-05-12 | 2023-02-14 | Thales, S.A. | Optimization with behavioral evaluation and rule base coverage |
| CN113910247B (zh) * | 2021-11-19 | 2023-01-06 | 佛山科学技术学院 | 考虑关节间隙演化的工业机器人末端轨迹控制方法及*** |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5295061A (en) * | 1990-04-20 | 1994-03-15 | Sanyo Electric Co., Ltd. | Control parameter tuning unit and a method of tuning parameters for a control unit |
| JP3404150B2 (ja) * | 1994-09-28 | 2003-05-06 | 東芝キヤリア株式会社 | 空気調和機及びその制御方法 |
| DE19508476A1 (de) * | 1995-03-09 | 1996-09-12 | Siemens Ag | Leitsystem für eine Anlage der Grundstoff- oder der verarbeitenden Industrie o. ä. |
| KR100194377B1 (ko) * | 1996-04-08 | 1999-06-15 | 윤종용 | 유전 이론을 이용한 피드 제어기의 이득 결정 장치및방법 |
-
1997
- 1997-03-21 JP JP08742697A patent/JP3802965B2/ja not_active Expired - Fee Related
-
1998
- 1998-03-17 US US09/040,096 patent/US6411944B1/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH10268904A (ja) | 1998-10-09 |
| US6411944B1 (en) | 2002-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3802965B2 (ja) | 非線形の物理的な制御対象の最適制御のための自己組織化方法及び装置 | |
| Chao et al. | Type-2 fuzzy hybrid controller network for robotic systems | |
| 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 | |
| Qazani et al. | High-fidelity hexarot simulation-based motion platform using fuzzy incremental controller and model predictive control-based motion cueing algorithm | |
| Rigatos | Model-based and model-free control of flexible-link robots: A comparison between representative methods | |
| 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 | |
| Xu et al. | Synthesized design of a fuzzy logic controller for an underactuated unicycle | |
| Nikpour et al. | Stability and direction control of a two-wheeled robotic wheelchair through a movable mechanism | |
| Piltan et al. | Design Artificial Intelligent Parallel Feedback Linearization of PID Control with Application to Continuum Robot | |
| Prada-Jimenez et al. | Tuning a PD+ controller by means of dynamic optimization in a mobile manipulator with coupled dynamics | |
| Chiu et al. | Implementation of a ball inverted pendulum with omnidirectional moving ability using a robust fuzzy control strategy | |
| Tang et al. | Two recurrent neural networks for local joint torque optimization of kinematically redundant manipulators | |
| Goher et al. | Bacterial foraging-optimized PID control of a two-wheeled machine with a two-directional handling mechanism | |
| Hasegawa et al. | Self-scaling reinforcement learning for fuzzy logic controller-applications to motion control of two-link brachiation robot | |
| Ginting et al. | Attitude control of a quadrotor with fuzzy logic controller on SO (3) | |
| Ulyanov et al. | Soft computing for the intelligent robust control of a robotic unicycle with a new physical measure for mechanical controllability | |
| Rutherford et al. | Modelling nonlinear vehicle dynamics with neural networks | |
| Alavandar et al. | New hybrid adaptive neuro-fuzzy algorithms for manipulator control with uncertainties–Comparative study | |
| Pham Van Bach et al. | Optimization of trajectory tracking control of 3-DOF translational robot use PSO method based on inverse dynamics control for surgery application | |
| Tutunji et al. | A three-stage PSO-based methodology for tuning an optimal PD-controller for robotic arm manipulators | |
| Tashakori et al. | Control of the CEDRA brachiation robot using combination of controlled Lagrangians method and particle swarm optimization algorithm | |
| Lin et al. | Learning hybrid position/force control of a quadruped walking machine using a CMAC neural network | |
| Udawatta et al. | Obstacle avoidance of three-dof underactuated manipulator by using switching computed torque method | |
| Du et al. | Integration of prioritized impedance controller in improved hierarchical operational-space torque control frameworks for legged locomotion robots | |
| Llama et al. | Force and Position Fuzzy Control: A Case Study in a Mitsubishi PA10-7CE Robot Arm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20040303 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20050322 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20050329 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20050530 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060110 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060310 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20060404 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20060501 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| LAPS | Cancellation because of no payment of annual fees |