JPH05150803A - Process identifying device - Google Patents
Process identifying deviceInfo
- Publication number
- JPH05150803A JPH05150803A JP31087591A JP31087591A JPH05150803A JP H05150803 A JPH05150803 A JP H05150803A JP 31087591 A JP31087591 A JP 31087591A JP 31087591 A JP31087591 A JP 31087591A JP H05150803 A JPH05150803 A JP H05150803A
- Authority
- JP
- Japan
- Prior art keywords
- identification
- parameter
- degree
- output
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明は、プロセス制御装置など
における同定器に関し、詳しくは同定パラメータに確信
度を持たせるようにした同定法の改善に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to an identifier in a process controller or the like, and more particularly to improvement of an identification method in which an identification parameter has certainty.
【０００２】[0002]
【従来の技術】従来セルフチューニングコントローラ
（以下ＳＴＣという）等をはじめプロセスの同定モデル
として、一次遅れ・むだ時間モデルや自己回帰移動平均
（ＡＲＭＡ：Auto-Regressive Moving-Average）モデル
を用い、パルス応答や最小２乗法を用いる同定器があ
る。そしてこのような同定器における同定誤差は、通常
それぞれの評価関数で表わされる。このような同定器
は、システムを簡単な線形時不変系（むだ時間要素を含
んでもよい）と仮定して制御しようとするものである。2. Description of the Related Art A pulse response using a first-order lag / dead-time model or an auto-regressive moving-average (ARMA) model as a process identification model including a conventional self-tuning controller (hereinafter referred to as STC) There is also an identifier that uses the least squares method. The identification error in such an identifier is usually represented by each evaluation function. Such an identifier attempts to control by assuming a simple linear time-invariant system (which may include a time delay element).
【０００３】[0003]
【発明が解決しようとする課題】ところでこの種の同定
器においては、白色性の外乱に関しては同定誤差が少な
いけれども、有色性外乱に対しては同定誤差が大きくな
る。そこである種の手法で有色性外乱を白色化し、これ
により同定誤差を少なくする場合もある。しかし、この
手法は実用的でなく、有色性が既知でないものに対して
は従来の同定法をそのまま流用するため誤差が生じる。
この誤差を小さくするには、同定用印加信号を大きくす
るかまたは目標値変動を大きくする方が望ましい。しか
し、プロセスの非線形性が微少でない場合、同定のため
の入出力応答に非線形の影響が強まることになり、同定
誤差は相対的に小さくなるが、得られた同定値はある特
定の動作点での線形化パラメータではなくなる。すなわ
ち、同定データとしての信頼性が低下する。By the way, in this type of identifier, the identification error is small for the white disturbance, but the identification error is large for the chromatic disturbance. Therefore, there is a case where the colored disturbance is whitened by a certain method to reduce the identification error. However, this method is not practical, and an error occurs because the conventional identification method is used as it is for those whose color properties are not known.
In order to reduce this error, it is desirable to increase the identification application signal or increase the target value fluctuation. However, if the non-linearity of the process is not very small, the non-linear effect will be stronger on the input / output response for identification, and the identification error will be relatively small, but the obtained identification value will be at a certain operating point. Is no longer a linearization parameter of. That is, the reliability as identification data decreases.
【０００４】一方、従来のＳＴＣでは同定誤差が予め定
められたしきい値以上でなければ、すでに同定した際の
動作点が曖昧であることを考慮せず、この同定値をもと
に制御するため、応答は必ずしも良くなるとは限らな
い。すなわち、同定値の信頼性に関して同定誤差以外の
特性変動による考慮が欠けているという問題があった。
本発明の目的は、このような点に鑑み、非線形な制御対
象の同定に際し、対象プロセスの非線形性に係わる状態
値の変化量を考慮し、線形時不変系として（むだ時間は
含んでもよい）同定したパラメータの確信度（信用度）
を設定し、制御ゲイン設定器に有効な評価基準を与える
ことができるようにしたプロセス同定器を提供すること
にある。On the other hand, in the conventional STC, if the identification error is not greater than or equal to a predetermined threshold value, control is performed based on this identification value without considering that the operating point at the time of identification is ambiguous. Therefore, the response is not always improved. In other words, there is a problem that the reliability of the identification value is lacking in consideration of characteristic variations other than the identification error.
In view of such a point, an object of the present invention is to consider a change amount of a state value related to the non-linearity of a target process when identifying a non-linear control target, and as a linear time invariant system (may include dead time). Confidence of the identified parameter (credibility)
Is to provide a process identifier capable of setting an effective evaluation criterion to the control gain setting device.
【０００５】[0005]
【発明が解決しようとする課題】このような目的を達成
する本発明は、プロセスからの入力、出力を含む状態量
および目標値を取り込み、一定時間分データを蓄えるバ
ッファと、状態の変化を検知しプロセスの同定パラメー
タを推定し、かつ入出力からの同定誤差を計算する同定
計算部と、前記同定誤差、動作点の変化量および同定パ
ラメータの変化量をパラメータとした確信度関数に基づ
き確信度を計算し、その確信度と同定パラメータを前記
ニューラルネットワークに与える確信度演算部を備え
る。SUMMARY OF THE INVENTION The present invention which achieves such an object is to detect a change in state and a buffer which takes in a state quantity including an input and an output from a process and a target value, and stores data for a certain period of time. An identification calculation unit that estimates the identification parameter of the process and calculates the identification error from the input and output, and the certainty factor based on the certainty factor function with the identification error, the change amount of the operating point, and the change amount of the identification parameter as parameters. And a certainty factor calculation unit for giving the certainty factor and the identification parameter to the neural network.
【０００６】[0006]
【作用】プロセスからの入力、出力を含む状態量および
目標値をバッファに取り込み、同定演算部においてそれ
らのデータから状態の変化を検知してプロセスの同定パ
ラメータを推定する。この時、同定誤差を計算すると共
に、動作点の変化量、同定パラメータの変化量をそれぞ
れ計算して求める。確信度演算部では、先に求めた同定
誤差、動作点の変化量、および同定パラメータの変化量
をもとに確信度を求める。このようにして得られた確信
度および同定パラメータはニューラルネットワークに学
習データとして渡される。The state quantity including the input and output from the process and the target value are fetched into the buffer, and the identification calculation section detects the change in the state from the data and estimates the identification parameter of the process. At this time, the identification error is calculated, and the change amount of the operating point and the change amount of the identification parameter are calculated and obtained. The certainty factor calculation unit obtains the certainty factor based on the previously obtained identification error, the change amount of the operating point, and the change amount of the identification parameter. The certainty factor and the identification parameter thus obtained are passed to the neural network as learning data.
【０００７】[0007]
【実施例】以下本発明を詳細に説明する。本発明に係る
プロセス同定器は例えば図４に示すようなプロセス制御
装置に適用され得る。図示のプロセス制御装置は本願出
願人が出願した特願平２−６４９４３号「プロセス制御
装置」に記載の装置である。この装置について簡単に説
明すれば次の通りである。１０はプロセス、２０は学習
管理部、３０は同定器、４０はニューラルネットワー
ク、５０はゲイン設定器、６０はＰＩＤコントローラで
ある。学習管理部２０はプロセス１０の入力と出力を受
けて、同定が正しく行なわれるためのデータ処理を行
い、その出力を同定器３０に同定計算のためのデータと
して渡す。そしてデータを同定器３０からプロセス同定
結果の一次遅れ・むだ時間モデルのパラメータを受け取
る。The present invention will be described in detail below. The process identifier according to the present invention can be applied to a process control device as shown in FIG. 4, for example. The illustrated process control device is the device described in Japanese Patent Application No. 2-64943 “Process Control Device” filed by the present applicant. This device will be briefly described as follows. Reference numeral 10 is a process, 20 is a learning management unit, 30 is an identifier, 40 is a neural network, 50 is a gain setting unit, and 60 is a PID controller. The learning management unit 20 receives the input and output of the process 10, performs data processing for correct identification, and passes the output to the identifier 30 as data for identification calculation. Then, the data is received from the identifier 30 as the parameters of the first-order lag / dead-time model of the process identification result.
【０００８】ニューラルネットワーク４０には、学習動
作と計算動作がある。学習動作では、学習管理部２０で
プロセス動特性データのセットが得られるたびにこれま
でに蓄えた教師データのセットを学習する。そして計算
動作では、毎サンプルごとまたは数サンプルごとに、現
時点のデータ・セットからプロセスの一次遅れ・むだ時
間モデルのパラメータを計算し、ゲイン設定部５０に出
力する。ゲイン設定部５０では、プロセスの一次遅れ・
むだ時間モデルに対して、ある規範下で最適な操作を行
なうＰＩＤコントローラ６０へのパラメータを算出す
る。ＰＩＤコントローラ６０は、比例、積分、微分動作
によりプロセス操作量を計算する。The neural network 40 has a learning operation and a calculation operation. In the learning operation, every time the learning management unit 20 obtains a set of process dynamic characteristic data, the set of teacher data accumulated so far is learned. Then, in the calculation operation, the parameters of the first-order delay / dead-time model of the process are calculated from the current data set for each sample or every several samples, and output to the gain setting unit 50. In the gain setting unit 50, the primary delay of the process
The parameters for the PID controller 60 that performs the optimum operation under a certain standard are calculated for the dead time model. The PID controller 60 calculates a process operation amount by proportional, integral, and derivative operations.
【０００９】このような構成における動作を次に説明す
る。動作は２つに大別できる。 通常制御ループ（毎サンプルごと）の動作 学習管理部２０に現時点の入力（操作量）、出力、状態
量（動作点や環境条件など）をそれぞれ取り込む。次に
それらの値をニューラルネットワーク４０に入力し、プ
ロセスの一次遅れ・むだ時間モデルのパラメータを得
る。続いて、ゲイン設定部５０で一次遅れ・むだ時間パ
ラメータからある規範下での最適なＰＩＤコントローラ
・ゲインを計算する。ＰＩＤコントローラはその計算結
果のゲインを用いて目標値とプロセス出力の偏差より操
作量を計算し、これよりプロセス１０を操作する。 学習動作（毎サンプルまたは数サンプルごとに起動） 学習管理部２０は常に入出力および状態量のデータ列を
蓄えておき、可同定条件を判定する。可同定条件が満た
されればプロセス同定器３０によりプロセスの一次遅れ
・むだ時間モデルを同定する。更に入出力および状態量
の測定データの平均値を計算し、これと前記一次遅れ・
むだ時間モデルのパラメータをセットにして蓄える。こ
のようにして蓄えられたデータとパラメータのセットを
ニューラルネットワーク４０に教師データとして渡し、
学習する。The operation of such a configuration will be described below. The operation can be roughly divided into two. Operation of Normal Control Loop (Each Sample) The input (operation amount), output, and state amount (operating point, environmental condition, etc.) at the present time are loaded into the learning management unit 20. Next, those values are input to the neural network 40 to obtain the parameters of the first-order delay / dead-time model of the process. Then, the gain setting unit 50 calculates an optimum PID controller gain under a certain standard from the first-order lag / dead time parameter. The PID controller calculates the manipulated variable from the deviation between the target value and the process output using the gain of the calculation result, and operates the process 10 from this. Learning operation (starting every sample or every few samples) The learning management unit 20 always stores the input / output and state quantity data strings and determines the identifiable condition. If the identifiable condition is satisfied, the process identifier 30 identifies the first-order delay / dead-time model of the process. Furthermore, the average value of the measured data of input / output and state quantity is calculated, and this and the first-order delay
Store the dead time model parameters as a set. The set of data and parameters thus stored is passed to the neural network 40 as teacher data,
learn.
【００１０】図１は本発明に係るプロセス同定器の一実
施例を示す機能ブロック図である。図において、３１は
バッファであり、プロセスに与えられている入力信号お
よびその入力信号が与えられている時のプロセスの状態
量（出力を含む）と、目標値とをそれぞれ一定時間分蓄
える。３２は同定演算部であり、バッファ３１からのデ
ータを基に状態の変化を検知してプロセスの同定パラメ
ータｐ（このパラメータとしては、一次遅れ・むだ時間
モデルである）を推定し、かつ入出力からの同定誤差
（ＣＲN ）を計算する。３３は確信度演算部であり、同
定演算部３２からのデータを基に確信度（ＣＦ）を計算
する。この同定器３０からは確信度ＣＦと同定パラメー
タｐが出力され、図４に示すニューラルニットワーク４
０に学習データとして渡される。FIG. 1 is a functional block diagram showing an embodiment of a process identifier according to the present invention. In the figure, reference numeral 31 is a buffer, which stores an input signal given to the process, a state quantity (including output) of the process when the input signal is given, and a target value for a fixed time. An identification calculation unit 32 detects a state change based on the data from the buffer 31 to estimate a process identification parameter p (this parameter is a first-order lag / dead time model), and inputs and outputs. The identification error (CRN) from A certainty factor calculation unit 33 calculates the certainty factor (CF) based on the data from the identification calculation unit 32. The certainty factor CF and the identification parameter p are output from the identifier 30, and the neural knit work 4 shown in FIG.
0 is passed as learning data.
【００１１】次にこの同定器３０における動作を説明す
る。目標値がｙi （この時の同定パラメータをｐi とす
る）からｙi+1 に変化したとする。このとき実際の出力
がそれぞれこの目標値に整定したときの状態値をｘi ，
ｘi+1 とし、この時同定されたパラメータをｐi+1 とす
る。図２に示す動作の流れ図を参照して以下動作を順を
追って説明する。Next, the operation of the identifier 30 will be described. It is assumed that the target value has changed from y i (the identification parameter at this time is p i ) to y i + 1 . At this time, the state value when the actual output is settled to this target value is x i ,
Let x i + 1 and the parameter identified at this time be p i + 1 . The operation will be sequentially described below with reference to the flow chart of the operation shown in FIG.
【００１２】同定条件を満たしているかどうかを検知
する。 例えば、次のような手法により行なう。離散時間をｋ、
サンプル周期をＴとし、プロセスについては入力変数を
ｕ（ｋ）、出力変数をｙ（ｋ）、状態量の測定変数をｘ
i （ｋ）（ただし、i=1,...,n ）とする。そして、プロ
セスの過去から現在までの入出力および測定データをｍ
サンプル分蓄える。データ列は次のようなものである。 ｕ（ｋ），ｕ（ｋ−１），ｕ（ｋ−２），．．．，ｕ（ｋ−ｍ＋１） (1) ｙ（ｋ），ｙ（ｋ−１），ｙ（ｋ−２），．．．，ｙ（ｋ−ｍ＋１） (2) ｘi （ｋ），ｘi （ｋ−１），．．．，ｘi （ｋ−ｍ＋１） （i=1,...,n ） (3) そしてこれらのデータが次の条件を満たすかどうかを判
定する。 (A) ｕmax −ｕmin ≦ｕa ただし、ｕmax ，ｕmin は上記データ列(1) の最大値と
最小値、ｕa はあらかじめ定めた値である。 (B) ｙmax −ｙmin ≦ｙa ただし、ｙmax 、ｙmin は上記データ列(2) の最大値と
最小値、ｙa はあらかじめ定めた値である。 (C) ｘimax−ｘimin≦ｘia ただし、ｘimax、ｘiminは上記データ列(3) の最大値と
最小値、ｘiaはあらかじめ定めた値である。It is detected whether or not the identification condition is satisfied. For example, the following method is used. K is the discrete time,
The sampling period is T, the input variable is u (k), the output variable is y (k), and the state variable measurement variable is x for the process.
Let i (k) (where i = 1, ..., n). Then, input / output and measurement data from the past to the present of the process are
Store samples. The data string is as follows. u (k), u (k-1), u (k-2) ,. ． ． , U (k−m + 1) (1) y (k), y (k−1), y (k−2) ,. ． ． , Y (k−m + 1) (2) x i (k), x i (k−1) ,. ． ． , X i (k−m + 1) (i = 1, ..., n) (3) Then, it is determined whether these data satisfy the following condition. (A) u max −u min ≦ u a where u max and u min are the maximum and minimum values of the data string (1), and u a is a predetermined value. (B) y max -y min ≦ y a However, y max, y min is the maximum value and the minimum value of the data string (2), the y a a predetermined value. (C) x imax −x imin ≦ x ia where x imax and x imin are the maximum and minimum values of the data string (3), and x ia is a predetermined value.
【００１３】実際に同定する。 例えば、あらかじめ設定された時間間隔の入出力データ
から極値探索法を用いパラメータ同定する。 同定誤差（ＣＲN ）を計算する。 同定誤差は同定時の評価関数を規格化したものであり、
その計算をする。 動作点の変化量Ｌx 、同定パラメータの変化量Ｌp を
計算する。 これらは、例えば以下のように計算する。Actually identify. For example, parameters are identified from the input / output data at preset time intervals using the extreme value search method. Calculate the identification error (CRN). The identification error is a standardized evaluation function at the time of identification,
Make that calculation. The change amount Lx of the operating point and the change amount Lp of the identification parameter are calculated. These are calculated as follows, for example.
【数１】 ここで、[Equation 1] here,
【数２】 はユークリッドノルム、Ｗx とＷp はｐ，ｘそれぞれの
要素の重みづけ要素を対角に持つ対角行列である。 確信度（ＣＦ）を計算する。 例えば以下のようにして計算する。[Equation 2] Is the Euclidean norm, and Wx and Wp are diagonal matrices having the weighting elements of p and x respectively on the diagonal. Calculate the confidence factor (CF). For example, the calculation is performed as follows.
【数３】 ここで、ｘs とｐs はｘ，ｐそれぞれの標準値とする。[Equation 3] Here, x s and p s are standard values of x and p, respectively.
【００１４】このようにして求めた確信度関数αは、絶
対的なものではなく、の重み関数Ｗによっても影響さ
れるものであり、Ｌx とＬp が共に規格化されている場
合の一つの設定法である。この意味は、まず同定パラメ
ータにあまり変化が現れなければ確信度は同定誤差と同
じでよい。すなわち、非線形性を考慮する必要はない。
次にパラメータ変動が大きく動作点の変化が小さい場合
は、非線形性が強いかあるいはノイズに乱されたかが要
因であるが、データの信頼度は低くなる。最後はパラメ
ータ変動が大きく、動作点の変化も大きい場合、外乱は
相対的に影響が小さいはずであるが、パラメータ変動が
大きいのは系の非線形性が原因であると考えられる。し
たがって、誤差が小さくてもデータの信頼性は低いもの
であるとしなければならない。The certainty factor function α thus obtained is not an absolute one, but is also influenced by the weighting function W of, and is one setting when both Lx and Lp are standardized. Is the law. This means that the confidence factor may be the same as the identification error if there is not much change in the identification parameter. That is, it is not necessary to consider the non-linearity.
Next, when the fluctuation of the parameter is large and the change of the operating point is small, the non-linearity is strong or the noise is disturbed, but the reliability of the data becomes low. Finally, when the parameter fluctuation is large and the operating point also changes greatly, the influence of the disturbance should be relatively small, but the large parameter fluctuation is considered to be due to the nonlinearity of the system. Therefore, it must be assumed that the reliability of the data is low even if the error is small.
【００１５】なお、同定手法として実施例ではセルフチ
ューニングコントローラを想定しているが、本発明はこ
れに限らずＡＲＭＡモデルの同定などでも同様に機能さ
せることができる。また、実施例では目標値変化に際し
ての同定について説明したが、目標値が一定で、同定用
に矩形波やＭ系列信号を用いた同定も考えられる。その
場合は、図３に示すように（同定用に矩形波を用いた場
合）、同定の変化量Ｌx を同定期間に状態値ｘが変化し
た量を表わすようにすれば上記実施例で説明したのと同
様な手法が適用できる。Although the self-tuning controller is assumed in the embodiment as the identification method, the present invention is not limited to this, and the same function can be applied to the identification of the ARMA model. Further, in the embodiment, the identification when the target value is changed has been described, but identification using a rectangular wave or an M-series signal for identification with a fixed target value is also conceivable. In that case, as shown in FIG. 3 (when a rectangular wave is used for identification), the identification change amount Lx represents the change amount of the state value x during the identification period, which is described in the above embodiment. A method similar to that of can be applied.
【００１６】[0016]
【発明の効果】以上説明したように本発明によれば次の
ような効果がある。図４に示したようなニューラルネッ
トワークが過去の同定データを学習し、より正確な関数
を生成するようになるには、同定されたデータの中から
より正確なものを重み付けして学習しなければならず、
本発明のような対象の線形、非線形に関係しないデータ
の確信度計算法の確立は非常に有効である。またこれ
は、従来の線形のモデルを用いた制御手法を非線形系に
ついても適用し易くすることにもなる。特に有色の外乱
が混入する場合、同定用に大きな目標値変化や振幅の大
きな信号を加えることになり、非線形制御対象に対して
はデータの信頼性が低下することになるが、これを考慮
することが可能となった。As described above, the present invention has the following effects. In order for the neural network as shown in FIG. 4 to learn past identification data and generate a more accurate function, more accurate ones must be weighted and learned from the identified data. ,
It is very effective to establish a confidence factor calculation method for data that is not related to a linear or non-linear object as in the present invention. This also makes it easy to apply the conventional control method using a linear model to a nonlinear system. In particular, when a colored disturbance is mixed in, a large target value change or a large amplitude signal is added for identification, which reduces the reliability of the data for the non-linear control target. It has become possible.
【図１】本発明に係るプロセス同定器の一実施例を示す
機能ブロック図である。FIG. 1 is a functional block diagram showing an embodiment of a process identifier according to the present invention.
【図２】動作の流れを示す説明図である。FIG. 2 is an explanatory diagram showing a flow of operations.
【図３】目標値が一定で同定用に矩形波を用いた場合の
各部の波形図を示 す図である。FIG. 3 is a diagram showing a waveform diagram of each part when a target value is constant and a rectangular wave is used for identification.
【図４】プロセス制御装置の一例を示す構成図である。FIG. 4 is a configuration diagram showing an example of a process control device.
１０ プロセス ２０ 学習管理部 ３０ 同定器 ３１ バッファ ３２ 同定演算部 ３３ 確信度演算部 ４０ ニューラルネットワーク ５０ ゲイン設定器 ６０ ＰＩＤコントローラ 10 process 20 learning management unit 30 identifier 31 buffer 32 identification calculation unit 33 certainty factor calculation unit 40 neural network 50 gain setting unit 60 PID controller
Claims (1)
データ処理を行い同定計算のために必要なデータを得る
と共に与えられた同定計算結果を整理して学習すべきデ
ータとして送出する機能を有する学習管理部と、プロセ
スの状態量を入力としその状態におけるプロセスモデル
のパラメータを出力すると共に前記学習管理部より与え
られるデータにより学習を行なうニューラルネットワー
クと、プロセスモデルに対する適切なＰＩＤコントロー
ラ・パラメータをある規範下で計算するゲイン設定器
と、目標値とプロセスの出力との偏差および前記ゲイン
設定器の出力に基づいてプロセス操作量を計算するＰＩ
Ｄコントローラから成るプロセス制御装置において前記
同定計算を行なうための同定器であって、 プロセスからの入力、出力を含む状態量および目標値を
取り込み、一定時間分データを蓄えるバッファと、 状態の変化を検知しプロセスの同定パラメータを推定
し、かつ入出力からの同定誤差を計算する同定計算部
と、 前記同定誤差、動作点の変化量および同定パラメータの
変化量をパラメータとした確信度関数に基づき確信度を
計算し、その確信度と同定パラメータを前記ニューラル
ネットワークに与える確信度演算部を具備し、非線形な
制御対象の同定に際し対象プロセスの非線形性に関わる
状態値の変化量を考慮し、線形時不変系として同定した
パラメータの確信度を設定するようにしたことを特徴と
するプロセス同定器。1. Learning having a function of performing data processing for correctly identifying a process, obtaining data necessary for identification calculation, and organizing a given identification calculation result and sending it as data to be learned. A management unit, a neural network that inputs the state quantity of the process and outputs the parameters of the process model in that state, and learns from the data given by the learning management unit, and an appropriate PID controller parameter for the process model as a reference. A gain setter calculated below, and a PI for calculating a process operation amount based on a deviation between a target value and a process output and an output of the gain setter.
An identifier for performing the identification calculation in a process controller including a D controller, which stores a state quantity including an input and an output from a process and a target value, stores a data for a certain time, and a state change An identification calculation unit that detects and estimates the identification parameter of the process, and calculates the identification error from the input and output, and the confidence based on the certainty function with the identification error, the change amount of the operating point, and the change amount of the identification parameter as parameters. The degree of confidence is calculated, and the degree of confidence and an identification parameter are provided to the neural network, and the degree of change in the state value related to the nonlinearity of the target process is taken into consideration when identifying the nonlinear control target. A process identifier characterized in that a certainty factor of a parameter identified as an invariant system is set.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP31087591A JPH05150803A (en) | 1991-11-26 | 1991-11-26 | Process identifying device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP31087591A JPH05150803A (en) | 1991-11-26 | 1991-11-26 | Process identifying device |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05150803A true JPH05150803A (en) | 1993-06-18 |
Family
ID=18010440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP31087591A Pending JPH05150803A (en) | 1991-11-26 | 1991-11-26 | Process identifying device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH05150803A (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008521138A (en) * | 2004-11-17 | 2008-06-19 | ザ マスワークス， インク | Method for analysis of control systems |
| JP2022028363A (en) * | 2020-08-03 | 2022-02-16 | 株式会社神戸製鋼所 | System identification device and system identification method |
-
1991
- 1991-11-26 JP JP31087591A patent/JPH05150803A/en active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008521138A (en) * | 2004-11-17 | 2008-06-19 | ザ マスワークス， インク | Method for analysis of control systems |
| JP2022028363A (en) * | 2020-08-03 | 2022-02-16 | 株式会社神戸製鋼所 | System identification device and system identification method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7664556B2 (en) | Control object model generation device and generation method | |
| US4881160A (en) | Self-tuning controller | |
| KR102225370B1 (en) | Prediction system based on parameter improvement through learning and method thereof | |
| SE457389B (en) | SIGNIFICANT KNOWLEDGE, SELF-ADJUSTING CONTROL | |
| US6125339A (en) | Automatic learning of belief functions | |
| CN112613617A (en) | Uncertainty estimation method and device based on regression model | |
| EP0856787A1 (en) | Adjustment rule generating method, adjustment rule generating apparatus, adjustment control method, and adjustment control apparatus | |
| JPH0695707A (en) | Model forecast controller | |
| JPH05150803A (en) | Process identifying device | |
| US11341395B2 (en) | Device and method for determining the status of a spindle of a machine tool | |
| US20210164808A1 (en) | Sensors for determining an output value, method for evaluating a sensor signal, and method for training an output unit to evaluate a sensor signal | |
| CN112136087A (en) | Work analysis device | |
| JPH07261805A (en) | Automatic adjusting device for proportional plus integral plus derivative control parameter | |
| EP0567983B1 (en) | Learning type waveform recognizer | |
| JPH05204407A (en) | Process characteristic predicting method, process monitoring method and process control method using same | |
| CN110244563A (en) | A kind of identification of neural Networks Internal Model Control device model mismatch and online updating method | |
| KR920003751B1 (en) | Self tuning method | |
| JP2775968B2 (en) | Process control equipment | |
| Tornil et al. | Robust fault detection using interval models | |
| JP2865713B2 (en) | Signal structure identification device | |
| JPH05119805A (en) | Adaptive control method | |
| JPH09319404A (en) | Self-adapting type controller and method for the same | |
| Dong et al. | Robust identification of input nonlinear block structure systems | |
| Nelles et al. | Darmstadt University of Technology, Institute of Automatic Control Laboratory of Control Engineering and Process Automation Landgraf-Georg-Str 4, 64283 Darmstadt, Germany | |
| JPS59188706A (en) | Device for diagnosing abnormality of plant controlling system |