JPH0293708A - 制御装置 - Google Patents
制御装置Info
- Publication number
- JPH0293708A JPH0293708A JP24384388A JP24384388A JPH0293708A JP H0293708 A JPH0293708 A JP H0293708A JP 24384388 A JP24384388 A JP 24384388A JP 24384388 A JP24384388 A JP 24384388A JP H0293708 A JPH0293708 A JP H0293708A
- Authority
- JP
- Japan
- Prior art keywords
- control device
- time
- input
- value
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 3
- 238000004519 manufacturing process Methods 0.000 claims 2
- 238000013528 artificial neural network Methods 0.000 claims 1
- 238000004088 simulation Methods 0.000 claims 1
- 230000001537 neural effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
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、電動機、電磁力、空気圧、油圧、水圧などを
用いて動作するアクチュエータによって制御される個々
の機器や、そのような機器によって構成されるプラント
システムに対して適用する制御装置に利用されるもので
ある。
用いて動作するアクチュエータによって制御される個々
の機器や、そのような機器によって構成されるプラント
システムに対して適用する制御装置に利用されるもので
ある。
(従来の技術)
この種の制御装置は、従来、比例、積分、微分などの機
能を有するアナログ型計算装置、ディジタル型計算装置
(たとえば計算機)を用いて、実現されてきた。
能を有するアナログ型計算装置、ディジタル型計算装置
(たとえば計算機)を用いて、実現されてきた。
(発明が解決しようとする課題)
本発明の目的は、入力と出力に関して従来の制御装置と
ほぼ同じ仕様を満足する制御装置を、より高速化、経済
化、単純化、信頼化しようとするものである。
ほぼ同じ仕様を満足する制御装置を、より高速化、経済
化、単純化、信頼化しようとするものである。
(課題を解決するための手段)
第2図は、制御装置202と、被制御対象204との一
般的な接続関係を示す。被制御対象204の状態値Cを
、線203によって比較器205に導き、線201によ
って人力される設定値rとの差の値eを制御装置202
へ入力する。
般的な接続関係を示す。被制御対象204の状態値Cを
、線203によって比較器205に導き、線201によ
って人力される設定値rとの差の値eを制御装置202
へ入力する。
(作用)
制御装置202は、制御値りを計算し、これを線108
によってアクチュエータ206へ入力する。アクチュエ
ータ206が、被制御対象への物理的入力(第2図には
示されていない)を制御する。
によってアクチュエータ206へ入力する。アクチュエ
ータ206が、被制御対象への物理的入力(第2図には
示されていない)を制御する。
第2図において、制御表vg、202を神経回路を模擬
したアナログ電気回路によって実現すること(このよう
な制御装置のことを、以下、ニューロコントローラと称
する)によって、本発明の課題を解決しようとする。
したアナログ電気回路によって実現すること(このよう
な制御装置のことを、以下、ニューロコントローラと称
する)によって、本発明の課題を解決しようとする。
(実施例)
ニューロコントローラの原理を、第1図を用いて説明す
る。第1図において、符号102,103,104゜1
05.106として107までの要素から成り立つ部分
がニューロコントローラである。線101から、第2図
で記載された誤差値信号eを入力する。この信号は複数
の遅延器102を経て、各遅延器の出口からサンプラ1
03を通って入力分配器Cas〜a11.)104に導
かれる。この信号は同時に、学習装[110および模範
制御装置111へ導かれる。遅延器102の数、その遅
れ時間および入力分配器104の数は、被制御対象20
4の性質によって適宜決定される。
る。第1図において、符号102,103,104゜1
05.106として107までの要素から成り立つ部分
がニューロコントローラである。線101から、第2図
で記載された誤差値信号eを入力する。この信号は複数
の遅延器102を経て、各遅延器の出口からサンプラ1
03を通って入力分配器Cas〜a11.)104に導
かれる。この信号は同時に、学習装[110および模範
制御装置111へ導かれる。遅延器102の数、その遅
れ時間および入力分配器104の数は、被制御対象20
4の性質によって適宜決定される。
今、遅延器102の遅延時間がすべてΔtであるとする
。第1図、第3図において、現在時刻をtoとし、現在
時刻より、n・Δtだけ前の時刻1−oとすると、入力
分配器a□には現在の誤差値信号が入り、a2には時刻
し−□の誤差値信号が入る。以下同様に、入力分配器a
lには時刻を−N、−)の誤差値信号が入る。
。第1図、第3図において、現在時刻をtoとし、現在
時刻より、n・Δtだけ前の時刻1−oとすると、入力
分配器a□には現在の誤差値信号が入り、a2には時刻
し−□の誤差値信号が入る。以下同様に、入力分配器a
lには時刻を−N、−)の誤差値信号が入る。
第3図は、各時刻における設定値信号、誤差値信号、制
御値信号の微分値の対応関係例を表わしている。
御値信号の微分値の対応関係例を表わしている。
入力分配器への読み込みは、一定の周期へT毎に行う。
6丁の値は、被制御対象204の性質によって適宜決定
される。分配器が読み込んだ値は、第1図が示すように
、加重器105によって重み付される。例文−ば、al
が読み込んだ値はalの出口にある加重器のもつ重みV
4倍されて入力加算および出力器104に導かれる。入
力加算および出力器に入ってきた入力のイ直はすべて累
積加算されて出力される。
される。分配器が読み込んだ値は、第1図が示すように
、加重器105によって重み付される。例文−ば、al
が読み込んだ値はalの出口にある加重器のもつ重みV
4倍されて入力加算および出力器104に導かれる。入
力加算および出力器に入ってきた入力のイ直はすべて累
積加算されて出力される。
第1図では、入力加算および出力器bt+bz+ba+
b4の出口には更に加重器が設けられ、入力加算おヨヒ
出力器C1へ導いている。入力加算および出力器C工の
出口の値を積分器107で積分し、その結果が制御値り
として用いられる。
b4の出口には更に加重器が設けられ、入力加算おヨヒ
出力器C1へ導いている。入力加算および出力器C工の
出口の値を積分器107で積分し、その結果が制御値り
として用いられる。
第1図で、入力分配器aila21・・・a、の集合、
入力加算および出力器す、 、b2.bl、b、の集合
、入力加算および出力器C,の集合をそれぞれ層と称す
る。第1図は、たまたま3層のニューロコントローラを
示している。この層数は、任意に選定することができる
。4層の構成が最も良い特性を示す場合が多い。
入力加算および出力器す、 、b2.bl、b、の集合
、入力加算および出力器C,の集合をそれぞれ層と称す
る。第1図は、たまたま3層のニューロコントローラを
示している。この層数は、任意に選定することができる
。4層の構成が最も良い特性を示す場合が多い。
層間の結線経路は、応用制御対象の特性に合わせて決め
られるもので、必ずしも第1図のとおりである必要はな
い。一般的には、第1図のように層間が完全結合(ひと
つの層内の各器104または106が、隣接する層内の
すべての器104または106と1対1に結合されるこ
と)されているニューロコントローラを考え、学習の結
果、必要のない部分結線に関しては、それに対応する重
みが自から0になる方式がとられる。また1層間に加え
て、層内の各器104または106の間を互いに完全結
合したニューロコントローラも採用できる。
られるもので、必ずしも第1図のとおりである必要はな
い。一般的には、第1図のように層間が完全結合(ひと
つの層内の各器104または106が、隣接する層内の
すべての器104または106と1対1に結合されるこ
と)されているニューロコントローラを考え、学習の結
果、必要のない部分結線に関しては、それに対応する重
みが自から0になる方式がとられる。また1層間に加え
て、層内の各器104または106の間を互いに完全結
合したニューロコントローラも採用できる。
第1図において、入力加算および出力器C□からの出力
は、モード切換器109を通って、平常モードでは線1
08へ導かれ、第2図のアクチュエータ206へ入力さ
れる。モード切換器109を学習モードにした場合には
、この道は絶たれ、模範制御装置111の出力が第2図
の7クチユエータ206へ入力される。学習モードでは
、学習装置によって加重器の重み値が変更される。
は、モード切換器109を通って、平常モードでは線1
08へ導かれ、第2図のアクチュエータ206へ入力さ
れる。モード切換器109を学習モードにした場合には
、この道は絶たれ、模範制御装置111の出力が第2図
の7クチユエータ206へ入力される。学習モードでは
、学習装置によって加重器の重み値が変更される。
第1図の線101には、常時誤差値信号eが与えられて
いる。サンプラ103は、前述の周期ΔT毎に。
いる。サンプラ103は、前述の周期ΔT毎に。
第4図の時間401に示すように開閉する6閉路してい
る間に、入力分配器が第3図で例を示す誤差値信号の時
刻t0から1−、までの値を読み込み、入力加算および
出力器c1からの出力を、第4図の時間402において
計算する。この出力は、制御値信号りの時刻t。におけ
る値に相当するものである。
る間に、入力分配器が第3図で例を示す誤差値信号の時
刻t0から1−、までの値を読み込み、入力加算および
出力器c1からの出力を、第4図の時間402において
計算する。この出力は、制御値信号りの時刻t。におけ
る値に相当するものである。
モード切換器109が平常モードにあるときには、この
出力がそのままアクチュエータ206を経て、被制御対
象に加えられる。モード切換器109が学習モードにあ
るときには、この出力は学習装置110に与えられる。
出力がそのままアクチュエータ206を経て、被制御対
象に加えられる。モード切換器109が学習モードにあ
るときには、この出力は学習装置110に与えられる。
学習モードの場合には、以下のように作用する。
模範制御装置111は、線101から同じ誤差値信号e
を読み込んで、模範的な制御出力値を計算する。
を読み込んで、模範的な制御出力値を計算する。
この装置は、使用者が設定した評価関数を最適化するよ
うな最適制御値を計算するようにあらかじめ仕組んであ
る。学習装置は、第4図の403で示した時間に、文献
(Rumelhart、 D、E、、 J、L、McC
l−elland共著、rParallel Dist
ributed ProcessingJVol、1.
pp、318−362. The MIT Pres
s、 1986)によって公知となっているパックプロ
パゲーション(back propagation)と
称する算法によってすべての加重器105の重みを計算
し、各々の重みを再設定する6重み計算のための算法は
、パックプロパゲーション以外にもいくつか公知となっ
ているが、学習装置110は、どの算法を用いることも
できる。
うな最適制御値を計算するようにあらかじめ仕組んであ
る。学習装置は、第4図の403で示した時間に、文献
(Rumelhart、 D、E、、 J、L、McC
l−elland共著、rParallel Dist
ributed ProcessingJVol、1.
pp、318−362. The MIT Pres
s、 1986)によって公知となっているパックプロ
パゲーション(back propagation)と
称する算法によってすべての加重器105の重みを計算
し、各々の重みを再設定する6重み計算のための算法は
、パックプロパゲーション以外にもいくつか公知となっ
ているが、学習装置110は、どの算法を用いることも
できる。
以上に述べた動作は、第4図に示すように、時間ΔT毎
に繰り返される。
に繰り返される。
学習終了後は、モード切換器27は平常モードとする、
再学習が全く必要ないときには、学習装置110および
模範制御装置111は、学習終了後は取り去ってもよい
。この場合、入力加算および出力器C2の出力を積分器
107を通して、直接アクチュエータ206に接続する
。
再学習が全く必要ないときには、学習装置110および
模範制御装置111は、学習終了後は取り去ってもよい
。この場合、入力加算および出力器C2の出力を積分器
107を通して、直接アクチュエータ206に接続する
。
(他の実施例)
(a)他の実施例1:第5図に他の実施例を示す。
前記の実施例では、モード切換器は手で切り換えするも
のと考えたが、第5図の実施では、第4図の402に示
した時間によって1周期的に自動切り換えする。すなわ
ち、ニューロコントローラ動作ONのときに、平常モー
ド側に切り換え、同OFFのときには学習モード側に切
り換えられる。学習モードに切り替わったときには、出
力は、サンプル値ホールド器501によってホールドさ
れ、ホールドされた値がアクチュエータ206に加えら
れる。
のと考えたが、第5図の実施では、第4図の402に示
した時間によって1周期的に自動切り換えする。すなわ
ち、ニューロコントローラ動作ONのときに、平常モー
ド側に切り換え、同OFFのときには学習モード側に切
り換えられる。学習モードに切り替わったときには、出
力は、サンプル値ホールド器501によってホールドさ
れ、ホールドされた値がアクチュエータ206に加えら
れる。
この実施例の特徴は、オンライン学習、すなわちニュー
ロコントローラを動作状態にしたまま、学習できる点に
ある。
ロコントローラを動作状態にしたまま、学習できる点に
ある。
(b)他の実施例2:第1図または第5図において示さ
れた102から107までの要素で構成される部分、す
なわちニューロコントローラの部分を、マイクロプロセ
ッサによって実現し、前記記載のニューロコントローラ
の機能をソフトウェアによって実施する。この場合には
、マイクロプロセッサは誤差値信号を時間Δt(前記遅
延時間に相当)毎に読み込み、これを記憶し、時間ΔT
毎に前述と同様な処理を行う。この実施例においては、
時間ΔtおよびΔTを、被制御対象の特性や動作条件に
応じて、ソフトウェアによって、動作中、または停止時
に、これを自由に変更できる。
れた102から107までの要素で構成される部分、す
なわちニューロコントローラの部分を、マイクロプロセ
ッサによって実現し、前記記載のニューロコントローラ
の機能をソフトウェアによって実施する。この場合には
、マイクロプロセッサは誤差値信号を時間Δt(前記遅
延時間に相当)毎に読み込み、これを記憶し、時間ΔT
毎に前述と同様な処理を行う。この実施例においては、
時間ΔtおよびΔTを、被制御対象の特性や動作条件に
応じて、ソフトウェアによって、動作中、または停止時
に、これを自由に変更できる。
さらにこれに加えてっぎのような効果が得られる。
■ 従来の制御装置、たとえばPID (比例、積分、
微分)コントローラや、マイクロプロセッサを用いたデ
ィジタルコントローラに比して、簡単な構造で実現でき
る。このことから、適用分野によっては、高速、廉価、
高信頼が期待できる。
微分)コントローラや、マイクロプロセッサを用いたデ
ィジタルコントローラに比して、簡単な構造で実現でき
る。このことから、適用分野によっては、高速、廉価、
高信頼が期待できる。
■ 重み値を変更することによって、全く性質の異なる
制御特性をもたせることができるので、適用に当たって
フレキシビリティが高く、仕様変更容易性、標準化可能
性が高い。
制御特性をもたせることができるので、適用に当たって
フレキシビリティが高く、仕様変更容易性、標準化可能
性が高い。
誤差値信号波形と、これに対応した理想的な制御値信号
波形との間に、なんらかの関連性をもたせることができ
るような適用例では、この発明を実施することによって
、模範的な制御装置と同等な特性をもった制御を実施す
ることができる。
波形との間に、なんらかの関連性をもたせることができ
るような適用例では、この発明を実施することによって
、模範的な制御装置と同等な特性をもった制御を実施す
ることができる。
ここでいう模範的制御装置は必ずしも現存の制御装置を
意味していない。人の手によって感覚的に実施する制御
(たとえば操縦)のように、現存の物理的制御装置(制
御理論に基づいて設計された制御装置)を越えた制御を
も含んでいる。本発明を利用すれば、物理的制御装置で
は実現できないような人間的、ないし感覚的制御をニュ
ーロコントローラに学習させ、人間的な制御を実現する
こともできる。
意味していない。人の手によって感覚的に実施する制御
(たとえば操縦)のように、現存の物理的制御装置(制
御理論に基づいて設計された制御装置)を越えた制御を
も含んでいる。本発明を利用すれば、物理的制御装置で
は実現できないような人間的、ないし感覚的制御をニュ
ーロコントローラに学習させ、人間的な制御を実現する
こともできる。
第1図は本発明の主体であるニューロコントローラの詳
細と、その学習に用いる学習装置、模範制御装置、モー
ド切換器との関係を示した図、第2図は第1図のニュー
ロコントローラと、その入力、出力と被制御対象との関
係を示した図、第3図はニューロコントローラへ入力す
る波形と、これから出力される波形との互いの関係を示
した図、第4図はニューロコントローラの入出力、内部
の計算、学習を実施する時間の相互関係を示した図、第
5図は他の実施例を示した図である。 代理人 弁理士 則 近 憲 佑 同 第子丸 健 第2図 第1図 時間
細と、その学習に用いる学習装置、模範制御装置、モー
ド切換器との関係を示した図、第2図は第1図のニュー
ロコントローラと、その入力、出力と被制御対象との関
係を示した図、第3図はニューロコントローラへ入力す
る波形と、これから出力される波形との互いの関係を示
した図、第4図はニューロコントローラの入出力、内部
の計算、学習を実施する時間の相互関係を示した図、第
5図は他の実施例を示した図である。 代理人 弁理士 則 近 憲 佑 同 第子丸 健 第2図 第1図 時間
Claims (2)
- (1)任意の物理的量を入力することによって動作する
装置、機器または工業プロセス等の被制御対象を、入力
を制御することにより、希望の動作状態に保つために設
けられた制御装置であって、被制御対象の動作状態を表
わす計測値とあらかじめ与えられた希望の動作値との偏
差の時系列値を動作中の装置に関してサンプリング間隔
毎に連続的にもとめ、もとめた偏差の時系列値をサンプ
リングする度に時の流れに沿って複数の群に分け、各群
毎に時系列値に重み係数を乗じた値を加算し、群毎にも
とまった加算値を再び時の流れに沿って新たな複数の群
に分け、それぞれの群毎に重み付加算を行い、この群分
けと重み付加算を最後に群がひとつになるまで繰り返し
、このひとつとなった最後の群についてもとめた重み付
加算値を用いて被制御対象への入力をサンプリング時毎
に制御するようにした制御装置。 - (2)任意の物理的量を入力することによって動作する
装置、機器または工業プロセス等の被制御対象が動作中
に、前記制御装置の出力、すなわち最終の重み付加算値
を被制御対象への入力部から切り離すかそのまま保持し
、切り離した場合にはその代わりに、前記制御装置と同
じ入力を新たに設けた模範制御装置に接続し、その出力
を被制御対象の入力部に接続して被制御対象の動作を継
続せしめ、一方前記制御装置の入力および出力は新たに
学習装置に接続し、サンプリング時毎に、学習装置は前
記制御装置の入力および、前記制御装置の出力と模範制
御装置の出力との偏差の時系列値から、神経回路網模擬
計算においてバックプロパゲーシヨンなどの算法を用い
て前記制御装置内の重み値のそれぞれを計算し、新たに
計算された重み値によって前記制御装置の過去の重み値
を更新するように構成されたシステム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP24384388A JPH0293708A (ja) | 1988-09-30 | 1988-09-30 | 制御装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP24384388A JPH0293708A (ja) | 1988-09-30 | 1988-09-30 | 制御装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH0293708A true JPH0293708A (ja) | 1990-04-04 |
Family
ID=17109776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP24384388A Pending JPH0293708A (ja) | 1988-09-30 | 1988-09-30 | 制御装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH0293708A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07319509A (ja) * | 1989-03-13 | 1995-12-08 | Hitachi Ltd | プロセス運転支援方法およびシステム |
-
1988
- 1988-09-30 JP JP24384388A patent/JPH0293708A/ja active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07319509A (ja) * | 1989-03-13 | 1995-12-08 | Hitachi Ltd | プロセス運転支援方法およびシステム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tanomaru et al. | Process control by on-line trained neural controllers | |
US5107454A (en) | Pattern associative memory system | |
Kumar et al. | Topology processing and static state estimation using artificial neural networks | |
JPH05127706A (ja) | ニユーラルネツト型シミユレータ | |
Bilski et al. | The parallel approach to the conjugate gradient learning algorithm for the feedforward neural networks | |
Sentoni et al. | Approximate models for nonlinear process control | |
CN113792858A (zh) | 耦合神经网络有界同步及其分布式控制方法 | |
JPH0293708A (ja) | 制御装置 | |
US6625586B1 (en) | Model optimization adaptive control method | |
Uchimura et al. | Robust ℋ∞ control for time-varying delay system with frequency dependent performance weights | |
JPH0484308A (ja) | パラメーター決定方法及びプラント監視制御方法 | |
Marumo et al. | Intelligent modeling and control of a pneumatic motor | |
Mangkalajan et al. | Virtual process using LabVIEW in combination with modbus TCP for fieldbus control system | |
JPH0434602A (ja) | 適応制御システム | |
JPH04233657A (ja) | 回帰ニューラルネットワークの教示方法 | |
Schubert et al. | Recurrent neural networks for nonlinear system modelling in fault detection | |
Bayoumy et al. | On-line Identification of longitudinal Aircraft Dynamics Using Extended Neural Networks | |
Kopka | Implementation of a fractional model-based fault detection algorithm into a PLC controller | |
JPH04211859A (ja) | 異常認知方法 | |
Kim et al. | Unknown parameter identification of parameterized system using multi-layered neural network | |
Lamy et al. | Neural identification of linear systems | |
Holderbaum | Neural network application to linear systems with binary inputs | |
Gupta et al. | Dynamic Neuro-Control of Complex Non-linear Plants | |
Tsuji et al. | Neuro-based adaptive torque control of a flexible arm | |
Colodro et al. | A circuit for learning in fuzzy logic-based controllers |