JPH0551923B2 - - Google Patents
Info
- Publication number
- JPH0551923B2 JPH0551923B2 JP62262034A JP26203487A JPH0551923B2 JP H0551923 B2 JPH0551923 B2 JP H0551923B2 JP 62262034 A JP62262034 A JP 62262034A JP 26203487 A JP26203487 A JP 26203487A JP H0551923 B2 JPH0551923 B2 JP H0551923B2
- Authority
- JP
- Japan
- Prior art keywords
- membership function
- value
- inference
- control
- rule
- 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 - Lifetime
Links
- 230000006870 function Effects 0.000 claims description 98
- 239000002131 composite material Substances 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 15
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 238000003786 synthesis reaction Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 17
- 239000000203 mixture Substances 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 230000005484 gravity Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- CNQCVBJFEGMYDW-UHFFFAOYSA-N lawrencium atom Chemical compound [Lr] CNQCVBJFEGMYDW-UHFFFAOYSA-N 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013642 negative control Substances 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
- Devices For Executing Special Programs (AREA)
Description
【発明の詳細な説明】
〔産業上の利用分野〕
この発明は、各種工業プロセスを監視して、当
該工業プロセスに対してふさわしいパラメータの
値を推論する、再帰型のフアジイ推論装置に関す
るものである。[Detailed Description of the Invention] [Field of Industrial Application] The present invention relates to a recursive fuzzy inference device that monitors various industrial processes and infers parameter values appropriate for the industrial process. .
第５図は例えば「省力と自動化」の1986年11月
号第61頁〜66頁の〓フアジイ・システム理論とフ
アジイ制御〓（浅居 喜代治）に示された従来の
フアジイ推論装置の動作原理を示す説明図であ
り、図において、１及び２は推論のルール、３及
び４は当該フアジイ推論装置に入力される特徴量
であり、ここではそれぞれ制御系の制御偏差ｅと
制御偏差の変化率〓ｅである。また、５及び６は
前記ルール１の前件部のメンバーシツプ関数、７
は当該ルール１の後件部のメンバーシツプ関数、
８及び９は前記ルール２の前件部のメンバーシツ
プ関数、１０は当該ルール２の後件部のメンバー
シツプ関数である。さらに、１１は前記メンバー
シツプ関数７及び１０を合成したメンバーシツプ
関数、１２はこのメンバーシツプ関数１１から重
心をとつて得られる推論値であり、この例では操
作量の変化率〓ｕとして当該フアジイ推論装置よ
り出力される。
Figure 5 shows the operating principle of the conventional fuzzy inference device shown in Fuzzy System Theory and Fuzzy Control (Kiyoharu Asai), published in November 1986 issue of ``Labor Saving and Automation'', pages 61 to 66. In the figure, 1 and 2 are inference rules, 3 and 4 are feature quantities input to the fuzzy inference device, and here they are the control deviation e of the control system and the rate of change of the control deviation, respectively. It is e. In addition, 5 and 6 are membership functions of the antecedent part of rule 1, and 7
is the membership function of the consequent of rule 1,
8 and 9 are membership functions of the antecedent part of Rule 2, and 10 is a membership function of the consequent part of Rule 2. Further, 11 is a membership function obtained by combining the membership functions 7 and 10, and 12 is an inference value obtained by taking the center of gravity from this membership function 11. Output.
また、第６図はこのような動作原理に基づく従
来のフアジイ推論装置の一例を示すブロツク図で
あり、図において、１３は前記各ルール１及び２
に対し、入力された特徴量３，４から前件部の成
立度を評価し、その成立度に基づいて後件部のメ
ンバーシツプ関数の重み付けを行う加重手段、１
４はこの加重手段１３によつて重み付けされたメ
ンバーシツプ関数を合成する合成手段、１５はこ
の合成手段１４によつて合成されたメンバーシツ
プ関数から推論値１２を決定して、操作量の変化
率〓ｕを出力する推論決定手段である。 Further, FIG. 6 is a block diagram showing an example of a conventional fuzzy inference device based on such an operating principle.
weighting means for evaluating the degree of validity of the antecedent part from the input feature values 3 and 4 and weighting the membership function of the consequent part based on the degree of validity;
Reference numeral 4 denotes a synthesis means for synthesizing the membership functions weighted by this weighting means 13, and 15 determines an inference value 12 from the membership functions synthesized by this synthesis means 14, and calculates the change rate of the manipulated variable 〓u It is an inference determining means that outputs.
次に動作について説明する。ここで、ルール１
は、「特徴量３（制御偏差ｅ）が負に少しずれ、
かつ特徴量４（制御偏差の変化率〓ｅ）が正に少
しずれているならば、推論値１２（操作量〓ｕ）
を正に少しずらす」という意味であり、このう
ち、「……ならば」の部分を前述の前件部と呼び、
それより後の部分を前述の後件部と呼んでいる。
従つて、このルール１の前件部のメンバーシツプ
関数５は「負に少しずれた制御偏差の集合」を規
定し、メンバーシツプ関数６は「正に少しずれた
制御偏差の変化率の集合」を規定している。 Next, the operation will be explained. Here, rule 1
``Feature amount 3 (control deviation e) is slightly negative,
And if feature quantity 4 (rate of change of control deviation〓e) is slightly deviated from the positive, inference value 12 (operated quantity〓u)
It means "to shift exactly a little bit," and of this, the "if..." part is called the antecedent part,
The part after that is called the consequent part mentioned above.
Therefore, the membership function 5 in the antecedent part of Rule 1 defines "a set of control deviations with a slight negative deviation", and the membership function 6 defines "a set of change rates of control deviations with a slight positive deviation". are doing.
今、加重手段１３に入力された特徴量３として
の制御偏差の実際の値がe0であり、特徴量４とし
ての制御偏差の変化率の実際の値が〓e0である場
合、第５図に示すように、前記値e0が「負に少し
ずれた制御偏差」である度合いは、メンバーシツ
プ関数５によつて、“0.8”と評価され、前記値〓
e0が「正に少しずれた制御偏差の変化率」である
度合いは、メンバーシツプ関数６によつて“0.7”
と評価されるる。これら両評価値の内、低い方の
値“0.7”が採用されて当該ルール１の前件部の
成立度となる。さらに、このルール１の後件部の
メンバーシツプ関数７は「操作量を正に少しずら
す」ということを意味しており、当該メンバーシ
ツプ関数７は、前記前件部の成立度の値に従つて
0.7倍に重み付けされる。 Now, if the actual value of the control deviation as the feature quantity 3 input to the weighting means 13 is e 0 , and the actual value of the change rate of the control deviation as the feature quantity 4 is 〓e 0 , then the fifth As shown in the figure, the degree to which the value e 0 is a "slightly negative control deviation" is evaluated as "0.8" by the membership function 5, and the value 〓
The degree to which e 0 is “the rate of change of control deviation with a slight deviation” is “0.7” according to membership function 6.
It is evaluated as. Of these two evaluation values, the lower value "0.7" is adopted and becomes the degree of fulfillment of the antecedent part of the rule 1. Furthermore, the membership function 7 of the consequent part of this rule 1 means "to shift the amount of operation by a small amount", and the membership function 7 is based on the value of the degree of validity of the antecedent part.
Weighted 0.7 times.
このことはルール２についても全く同様であ
り、入力された特徴量３の制御偏差の実際の値e0
と、特徴量４の制御偏差の変化率の実際の値〓e0
に基づいて前件部の成立度を評価し、その成立度
の値“0.5”に基づいて、後件部のメンバーシツ
プ関数１０に0.5倍の重み付けを行う。このよう
にして重み付けされたメンバーシツプ関数７及び
１０は合成手段１４へ入力されて合成され、合成
メンバーシツプ関数１１が得られる。さらに、こ
の合成メンバーシツプ関数１１は推論値決定手段
１５に入力されて重心が計算され、その結果、操
作量の変化率〓u0が推論値１２として当該フアジ
イ推論装置より出力される。 This is exactly the same for rule 2, and the actual value e 0 of the control deviation of the input feature quantity 3
and the actual value of the rate of change of control deviation of feature quantity 4〓e 0
The degree of validity of the antecedent part is evaluated based on , and the membership function 10 of the consequent part is weighted 0.5 times based on the value of the degree of validity "0.5". The membership functions 7 and 10 weighted in this manner are input to the synthesizing means 14 and synthesized to obtain a composite membership function 11. Further, this composite membership function 11 is input to the inference value determining means 15 to calculate the center of gravity, and as a result, the rate of change of the manipulated variable 〓u0 is outputted as the inference value 12 from the fuzzy inference device.
以上のように、フアジイ推論装置では複数のル
ールが同時に働き、各々の前件部の成立度に応じ
た後件部の重み付けがなされ、全体として釣り合
のいのとれた値を推論値として出力している。 As described above, multiple rules work simultaneously in the fuzzy inference device, the consequent is weighted according to the probability of each antecedent being true, and a balanced overall value is output as the inference value. are doing.
第７図は上述した従来のフアジイ推論装置を制
御装置として適用した制御系の構成を示すブロツ
ク線図である。図において、４０は制御系の外部
より与えられる目標値(r)、４１はプロセス３６よ
り出力される制御量(y)、３は目標値４０と制御量
４１との制御偏差(e)、１００は制御偏差(e)Ａ３を
入力して制御偏差の変化率（〓ｅ）４を出力する
微分要素、１０１はフアジイ推論装置であり、前
記第６図の全体がこれに相当する。 FIG. 7 is a block diagram showing the configuration of a control system to which the above-described conventional fuzzy inference device is applied as a control device. In the figure, 40 is the target value (r) given from outside the control system, 41 is the controlled variable (y) output from the process 36, 3 is the control deviation (e) between the target value 40 and the controlled variable 41, and 100 1 is a differential element which inputs the control deviation (e) A3 and outputs the rate of change of the control deviation (e) 4; 101 is a fuzzy inference device, and the whole of FIG. 6 corresponds to this.
１２はフアジイ推論装置１０１より出力される
推論値であり、この適用例では操作量の変化率
（〓ｕ）となる。１０２は操作量の変化率〓ｕを
入力して操作量(x)４３を上記プロセス３６に出力
する積分要素である。 12 is an inference value output from the fuzzy inference device 101, which in this application example is the rate of change of the manipulated variable (〓u). Reference numeral 102 is an integral element that inputs the rate of change of the manipulated variable 〓u and outputs the manipulated variable (x) 43 to the process 36 described above.
第８図は例えば長田 正著「フイードバツク制
御」（オーム社、1971発行）の第16頁に示された
PID制御装置のブロツク線図であり、図におい
て、１０９は制御偏差(e)３を入力してそのまま出
力する形式要素、１０４は制御偏差(e)３を入力し
て積分の値の１／TI倍を出力する積分要素、１
０５は制御偏差(e)を入力して該制御偏差の変化率
のTD倍を出力する微分要素、１０６は形式要素
１０３、積分要素１０４、微分要素１０５の各出
力の和を入力し、この和をKc倍した信号を操作
量(y)４１として出力するゲイン要素である。 Figure 8 is shown, for example, on page 16 of "Feedback Control" by Masaru Nagata (published by Ohmsha, 1971).
This is a block diagram of a PID control device. In the figure, 109 is a format element that inputs control deviation (e) 3 and outputs it as is, and 104 represents 1/T of the integral value when control deviation (e) 3 is input. Integral element that outputs I times, 1
05 is a differential element that inputs the control deviation (e) and outputs T D times the rate of change of the control deviation; 106 inputs the sum of the outputs of the formal element 103, the integral element 104, and the differential element 105; This is a gain element that outputs a signal obtained by multiplying the sum by Kc as the manipulated variable (y) 41.
第９図は上記第８図に示すPID制御装置１０７
を制御装置として適用した場合の制御系の構成を
示すブロツク線図である。この場合、PID制御装
置１０７は制御偏差(e)３を入力して操作量(y)４１
をプロセス３６へ出力する。 FIG. 9 shows the PID control device 107 shown in FIG. 8 above.
FIG. 2 is a block diagram showing the configuration of a control system when the system is applied as a control device. In this case, the PID control device 107 inputs the control deviation (e) 3 and controls the manipulated variable (y) 41.
is output to process 36.
以上のように、従来の制御系は制御装置として
フアジイ推論装置あるいはPID制御装置を用いて
構成されている。
As described above, conventional control systems are configured using a fuzzy inference device or a PID control device as a control device.
しかし、いずれの場合にも、制御対象であるプ
ロセス３６の性質により、制御装置のチユーニン
グが必要である。従つて、制御装置としてフアジ
イ推論装置を用いた場合は、第５図の各メンバー
シツプ関数５〜１０のチユーニングが必要であ
り、制御装置としてPID制御装置を用いた場合
は、第８図の各係数Kc，TI，TDのチユーニング
が必要である。 However, in either case, tuning of the control device is required due to the nature of the process 36 to be controlled. Therefore, when a fuzzy inference device is used as a control device, it is necessary to tune each membership function 5 to 10 in FIG. 5, and when a PID control device is used as a control device, each coefficient in FIG. Tuning of Kc, T I and T D is required.
そこで、上記チユーニングを自動的に行うしく
みを付加したオートチユーニング制御糸を構成し
ようとするならば、制御装置としては実績の高い
PID制御装置を適用し、その各係数Kc，TI，TD
のチユーニングには、オペレータのノウハウを自
動化するのに適したフアジイ推論装置を利用する
ことが考えられる
しかし、チユーニング時にフアジイ推論装置の
入力となる量は、信号の瞬時値であつて常に入力
できる制御偏差(e)とその変化率（〓ｅ）ではな
く、制御偏差の発散傾向、制御偏差の大きさ、目
標値の変化に対する制御量の追従度など、信号の
傾向をる時間観測して間欠的に抽出される制御系
の状態を示す特徴量（Si）である。 Therefore, if you are trying to configure an auto-tuning control yarn with a mechanism to automatically perform the above-mentioned tuning, it is recommended to use
Applying a PID control device, its respective coefficients K c , T I , T D
For tuning, it is possible to use a fuzzy inference device suitable for automating the operator's know-how. However, the input quantity of the fuzzy inference device during tuning is the instantaneous value of the signal, and it is a control that can be input at any time. Rather than the deviation (e) and its rate of change (〓e), the trend of the signal, such as the divergence tendency of the control deviation, the magnitude of the control deviation, and the degree of follow-up of the controlled variable to changes in the target value, is measured intermittently by observing the trend of the signal over time. This is a feature amount (Si) that indicates the state of the control system extracted in
第１０図ａは制御偏差ｅまたはその変化率〓ｅ
の値の時間的経緯を示し、第１０図ｂは制御系の
状態を示す特徴量（Si）の値の時間的経緯を示し
ている。 Figure 10a shows the control deviation e or its rate of change〓e
Fig. 10b shows the time course of the value of the feature quantity (Si) indicating the state of the control system.
上記特徴量（Si）は普段はSi＝０であつて、信
号の傾向から制御系の状態が抽出された時のみ０
＜Si≦１となる。この０という値は、真に０とし
ての意味がある０ではなく、特徴量（Si）が次に
抽出されるまでの間の便宜の値である。 The above feature quantity (Si) is usually Si = 0, and is 0 only when the state of the control system is extracted from the signal trend.
<Si≦1. This value of 0 is not a value that truly means 0, but is a value for convenience until the feature quantity (Si) is extracted next time.
したがつて、従来のフアジイ推論装置では、特
徴量（Si）を間欠的に入力したのでは、前件部
５，６，８，９での評価が行えないために推論は
不可能である。また、特徴量（Si）の全てが同時
に入力された場合に推論ができても、その推論は
その瞬間のみであり、特徴量（Si）の一部のみが
入力されても、それらを無駄にしてしまう。 Therefore, in the conventional fuzzy inference device, if the feature quantity (Si) is inputted intermittently, the antecedent parts 5, 6, 8, and 9 cannot be evaluated, and therefore inference is impossible. Furthermore, even if inference can be made when all of the features (Si) are input at the same time, the inference is only possible at that moment, and even if only a part of the features (Si) is input, they are wasted. I end up.
さらに、PID制御装置の係数Kc，TI，TDの値
は一定、変化したとしても緩慢な変化のみである
から、当然、推論される値は収束すべきである。
しかしながら、従来のフアジイ推論装置では、瞬
時値のみに反応し、過去の推論の蓄積は行われな
いので、この収束性は得られなかつた。 Furthermore, since the values of the coefficients K c , T I , and T D of the PID control device are constant and change only slowly, the inferred values should naturally converge.
However, conventional fuzzy inference devices react only to instantaneous values and do not accumulate past inferences, so this convergence cannot be achieved.
すなわち、第１の従来技術である従来のフアジ
イ推論装置と、第２の従来技術であるPID制御装
置とを単純に組み合わせても、オートチユーニン
グ制御系を構成することは不可能であつた。 That is, it has been impossible to construct an autotuning control system by simply combining the conventional fuzzy inference device, which is the first prior art, and the PID control device, which is the second prior art.
この発明は上記のような問題点を解消するため
になされたもので、通常は“０”であることが多
い特徴量であつても推論が可能で、その推論値は
連続的な値をとることができ、さらに、推論すべ
きパラメータが一定または緩慢な変化しかしない
場合にも収束性のある推論値が得られるフアジイ
推論装置を得ることを目的とする。 This invention was made to solve the above-mentioned problems, and allows inference to be made even with feature quantities that are usually "0", and the inference values take continuous values. It is an object of the present invention to provide a fuzzy inference device which can obtain convergent inference values even when parameters to be inferred are constant or only change slowly.
この発明に係るフアジイ推論装置は、合成メン
バーシツプ関数の合成に際して、各ルールの後件
部のメンバーシツプ関数だけでなく、前記ルール
起動の度に重み付かされた前回の合成メンバーシ
ツプ関数も合わせて合成するとともに、前記各ル
ールに前記各推論値の満足さを記述するようにし
たものである。
When composing a composite membership function, the fuzzy inference device according to the present invention not only combines the membership function of the consequent of each rule but also the previous composite membership function that is weighted each time the rule is activated. , the satisfaction of each of the inference values is described in each of the rules.
この発明におけるフアジイ推論装置は、現在だ
けでなく、過去の各ルールの働きも加えたメンバ
ーシツプ関数の合成を行うため、一時に多数のル
ールが働いた場合と同様な推論を可能とし、しか
も、その推論値は連続的な値をとり得るととも
に、合成メンバーシツプ関数にに各推論値の満足
さに関する学習効果が生じ、収束性のある推論を
も可能とする。
The fuzzy inference device of this invention synthesizes a membership function that includes not only the current but also the past functions of each rule, making it possible to perform inferences similar to those in the case of many rules working at the same time. Inference values can take continuous values, and the composite membership function has a learning effect regarding the satisfaction of each inference value, making convergent inference possible.
以下、この発明の一実施例を図について説明す
る。第１図はこの発明による再帰型のフアジイ推
論装置の一実施例を示すブロツク図、第２図はそ
のプロセス制御用制御装置の制御ゲインのチユー
ニングへの適用例を示すブロツク図、第３図はそ
の動作原理を示す説明図である。これら各図にお
いて、２０及び２１は各推論値の満足さの度合い
について記述された推論のルール、２２〜２５は
当該再帰型のフアジイ推論装置に入力される特徴
量、２６及び２７は前記ルール２０の前件部のメ
ンバーシツプ関数、２８はその後件部のメンバー
シツプ関数、２９及び３０は前記ルール２１の前
件部のメンバーシツプ関数、３１はその後件部の
メンバーシツプ関数である。さらに、３２は前回
に合成された満足さを表す合成メンバーシツプ関
数、３３はメンバーシツプ関数２８，３１のいず
れかが“０”より大きな値を取つた場合に、この
満足さを表す前回の合成メンバーシツプ関数３２
に所定の重み付けをして生成した合成メンバーシ
ツプ関数、３４は前記ルール２０の後件部のメン
バーシツプ関数２８及びルール２１の後件部のメ
ンバーシツプ関数３１と、前記条件に応じて重み
付けされた前回の合成メンバーシツプ関数３３を
合成して得られる合成メンバーシツプ関数で、
「満足な制御ゲインKc」のフアジイ集合を表して
おり、また、３５はこの合成メンバーシツプ関数
３４から得られる推論値で、この例では制御ゲイ
ンKcとして当該再帰型のフアジイ推論装置から
出力される。
An embodiment of the present invention will be described below with reference to the drawings. FIG. 1 is a block diagram showing an embodiment of a recursive fuzzy inference device according to the present invention, FIG. 2 is a block diagram showing an example of its application to control gain tuning of a process control controller, and FIG. It is an explanatory diagram showing the principle of operation. In each of these figures, 20 and 21 are inference rules that describe the degree of satisfaction of each inference value, 22 to 25 are feature quantities input to the recursive fuzzy inference device, and 26 and 27 are the rules 20 and 27. 28 is a membership function of its consequent, 29 and 30 are membership functions of the antecedent of rule 21, and 31 is a membership function of its consequent. Furthermore, 32 is a composite membership function that represents the previous composite membership function, and 33 is a previous composite membership function that represents satisfaction when either membership function 28 or 31 takes a value greater than "0". 32
A composite membership function 34 is a composite membership function generated by applying a predetermined weight to A composite membership function obtained by combining membership functions 33,
It represents a fuzzy set of "satisfactory control gains Kc", and 35 is an inference value obtained from this composite membership function 34, which in this example is output from the recursive fuzzy inference device as a control gain Kc.
また、３６は制御の対象となるプロセス、３７
はこのプロセス３６を制御する、例えばPID制御
装置のような制御装置、３８はこの制御装置３７
に推論値（制御ゲインKc）３５を供給する、こ
の発明に係る再帰型のフアジイ推論装置、３９は
このフアジイ推論装置３８に特徴量２２〜２５を
供給する特徴量抽出器であり、４０は制御系の外
部より与えられる目標値(r)、４１はプロセス３６
から出力される制御量(y)、４２は制御装置３７へ
入力される、前記目標値４０と制御量４１との変
化(e)、４３は制御装置３７よりプロセス３６へ与
えられる操作量(x)である。 Further, 36 is a process to be controlled, 37
is a control device, such as a PID control device, which controls this process 36, and 38 is a control device 37, such as a PID control device.
39 is a feature extractor that supplies features 22 to 25 to the fuzzy inference device 38, and 40 is a control The target value (r) given from outside the system, 41 is the process 36
The controlled variable (y) output from the control device 37, 42 is the change (e) between the target value 40 and the controlled variable 41, which is input to the control device 37, and 43 is the manipulated variable (x) given from the control device 37 to the process 36. ).
さらに、４４は前記各ルール２０及び２１に対
して入力された特徴量２２〜２５から前件部の成
立度を評価し、その成立度に基づいて後件部のメ
ンバーシツプ関数の坂重み付けを行う加重手段、
４５はこの加重手段４４によつて重み付けされた
各メンバーシツプ関数２８，３１と、前回の合成
メンバーシツプ関数３３とを合成して、各推論値
３５（例えばゲインＫ）の満足さの度合いを表す
新たな合成メンバーシツプ関数３４を得る合成手
段、４６は前記合成手段４５にて合成された新た
な合成メンバーシツプ関数３２を遅延させる遅延
手段、４７は前記各ルール２０，２１の後件部の
メンバーシツプ関数２８あるいは３１はいずれか
が第１の値として“０”よりも大きな値をとつた
か否かを検知する検知手段、４８はこの検知手段
４７とともに検知加重手段を形成する乗算手段で
あつて、検知手段４７が前記メンバーシツプ関数
２８，３１のいずれかが“０”より大きな値をと
つたことを検出した場合に、前記遅延手段４６で
遅延された前回の合成メンバーシツプ関数３２を
所定の重みに重み付けして合成メンバーシツプ関
数３３とし、前記合成手段４５へフイードバツク
する。 Further, 44 is a weighting function that evaluates the degree of establishment of the antecedent part from the feature values 22 to 25 inputted to each of the rules 20 and 21, and performs slope weighting of the membership function of the consequent part based on the degree of establishment of the antecedent part. means,
45 synthesizes each membership function 28, 31 weighted by this weighting means 44 and the previous composite membership function 33 to generate a new value representing the degree of satisfaction of each inference value 35 (for example, gain K). Synthesis means for obtaining the composite membership function 34; 46 is a delay means for delaying the new composite membership function 32 synthesized by the composition means 45; 47 is the membership function 28 or 31 of the consequent of each rule 20, 21. 48 is a detection means for detecting whether any of the first values has taken a value larger than "0", and 48 is a multiplication means which forms a detection weighting means together with the detection means 47; When it is detected that either of the membership functions 28, 31 takes a value larger than "0", the previous composite membership function 32 delayed by the delay means 46 is weighted to a predetermined weight and composited. It is set as a membership function 33 and fed back to the synthesis means 45.
また、１５は前記合成手段４５によつて合成さ
れた合成メンバーシツプ関数３４から推論値３５
を決定して出力する推論値決定手段で、第６図に
同一符号を付した従来のものと同様に、例えば前
記合成メンバーシツプ関数３４の重心を計算して
推論値３５を求めている。なお、第１図におい
て、二重線はフアジイ量、単一線は非フアジイ量
を表わしている。 15 is an inference value 35 from the composite membership function 34 synthesized by the synthesis means 45.
The inference value determination means determines and outputs the inference value 35, for example, by calculating the center of gravity of the composite membership function 34, similar to the conventional one denoted by the same reference numeral in FIG. In FIG. 1, the double line represents the fuzzy amount, and the single line represents the non-fuzzy amount.
次に動作について説明する。この再帰型のフア
ジイ推論装置における推論の目的は、プロセス３
６の特徴量２２〜２５を監視することで制御ゲイ
ンKcのチユーニングを行うことである。そこで、
まず上記特徴量２２〜２５を具体的に示す。即
ち、特徴量２２は偏差(u)４２の発散傾向Sa、特
徴量２３は偏差４２の大きさSb、特徴量２４は
目標値(r)４０の変化に対する制御量(y)の追従度
Sc、特徴量２５は偏差４２の大きさSd（＝Sb）で
ある。このとき、ルール２０は「もし偏差(e)４２
の発散傾向が大きく、またその絶対値も大きけれ
ば、制御ゲインKcは現在の値よりももつと小さ
いほうがよい」という意味を持つている。ここ
で、加重手段４４に入力された特徴量量２２〜２
５の実際の値がSa(十)，Sb(十)，Sc0，Sd0である場
合、前記ルール２０において、この値Sa0が「大
きい」かどうか、値Sb0が「大きい」かどうか
は、それぞれ当該ルール２０の前件部のメンバー
シツプ関数２６及び２７によつて評価される。第
３図に図示の例では、それぞれの評価値は“0.4”
と“1.0”であり、この両評価の内、低い方の値
“0.4”が当該ルール２０の前件部の成立度として
採用される。 Next, the operation will be explained. The purpose of inference in this recursive fuzzy inference device is to process 3
The control gain Kc is tuned by monitoring the feature quantities 22 to 25 of No. 6. Therefore,
First, the feature amounts 22 to 25 will be specifically shown. That is, the feature quantity 22 is the divergence tendency Sa of the deviation (u) 42, the feature quantity 23 is the magnitude Sb of the deviation 42, and the feature quantity 24 is the degree of follow-up of the control quantity (y) with respect to the change in the target value (r) 40.
Sc, the feature quantity 25 is the magnitude Sd (=Sb) of the deviation 42. At this time, rule 20 is ``If deviation (e) 42
This means that if the tendency to diverge is large and its absolute value is also large, it is better for the control gain Kc to be smaller than the current value. Here, the feature quantities 22 to 2 input to the weighting means 44
If the actual values of 5 are Sa (10), Sb (10), Sc 0 , Sd 0 , then in the above rule 20, whether this value Sa 0 is “large” or not, and whether the value Sb 0 is “large” are evaluated by the membership functions 26 and 27 of the antecedent part of the rule 20, respectively. In the example shown in Figure 3, each evaluation value is “0.4”
and "1.0", and the lower value "0.4" of these two evaluations is adopted as the degree of fulfillment of the antecedent part of the rule 20.
このルール２０の後件部は「もつと小さい制御
ゲインKc（＝満足できる制御ゲインKc）」のフア
ジイ集合を定義しており、現在の制御ゲインKc0
よりも小さい値のところに前記前件部の成立度
“0.4”に応じた重み付けがなされた山の立つてい
るメンバーシツプ関数２８を作成する。このこと
はルール２１についても全く同様であり、入力さ
れた特徴量２４，２５の実際の値Sc0とSd0を前
件部のメンバーシツプ関数２９，３０で評価した
成立度に基づいて後件部のメンバーシツプ関数３
１を作成する。この例ではメンバーシツプ関数３
１は全ての値が“０”である関数となつている。 The consequent of this rule 20 defines a fuzzy set of "very small control gain Kc (=satisfactory control gain Kc)", and the current control gain Kc 0
A membership function 28 is created in which a peak is placed at a value smaller than , which is weighted according to the degree of validity of the antecedent part "0.4". This is exactly the same for rule 21, and the consequent is determined based on the degree of validity evaluated by evaluating the actual values Sc 0 and Sd 0 of the input features 24 and 25 using the membership functions 29 and 30 of the antecedent. membership function 3
Create 1. In this example, membership function 3
1 is a function whose all values are "0".
このように重み付けされたメンバーシツプ関数
２８及び３１を合成手段４５に供給するとともに
該メンバーシツプ関数２８及び３１のいずれかが
“０”よりも大きな値をとつているかを検知手段
４７で検知し、大きな値をとつている場合は遅延
手段４６で１イテレーシヨン分の遅延が与えらた
前回の合成メンバーシツプ関数３２に乗算手段４
８で重み付けして合成メンバーシツプ関数３３を
生成し、この合成メンバーシツプ関数３３を合成
手段４５に供給して上記メンバーシツプ関数２８
及び３１と合成され、新たな合成メンバーシツプ
関数３４が生成される。そして、推論値決定手段
１５は入力された上記新たな合成メンバーシツプ
関数３４に基づいて、推論値３５としての制御ゲ
インKc0を決定するものである。 The membership functions 28 and 31 weighted in this way are supplied to the synthesis means 45, and the detection means 47 detects whether any of the membership functions 28 and 31 has a value larger than "0", , the multiplication means 4 multiplies the previous composite membership function 32 to which the delay means 46 has given a delay of one iteration.
8 to generate a composite membership function 33, and this composite membership function 33 is supplied to a composition means 45 to generate the membership function 28.
and 31 to generate a new composite membership function 34. Then, the inference value determining means 15 determines the control gain Kc 0 as the inference value 35 based on the input new composite membership function 34.
ここで、第４図はその動作の流れを示すフロー
チヤートである。前回のイテレーシヨンで合成手
段４５にて合成され、次回のイテレーシヨンの入
力として（ステツプST10）送出された合成メン
バーシツプ関数３４は、遅延手段４６に送られて
１イテレーシヨン分の遅延が与えられ、メンバー
シツプ関数３２となる（ステツプST1）。 Here, FIG. 4 is a flowchart showing the flow of the operation. The composite membership function 34 that was synthesized by the synthesis means 45 in the previous iteration and sent out as an input for the next iteration (step ST10) is sent to the delay means 46 and given a delay of one iteration, and the membership function 32 (Step ST1).
また、これとは別に特徴量２２〜２５が加重手
段４４に入力され（ステツプST2）、加重手段４
４は入力された特徴量２２〜２５をルール２０及
び２１の前件部のメンバーシツプ関数２６，２７
及び２９，３０で評価し、求めた成立度に基づい
て後件部のメンバーシツプ関数２８及び３１を作
成する（ステツプST3）。 Separately, the feature quantities 22 to 25 are input to the weighting means 44 (step ST2).
4 applies the input features 22 to 25 to the membership functions 26 and 27 of the antecedent part of rules 20 and 21.
, and 29 and 30, and membership functions 28 and 31 of the consequent part are created based on the obtained degree of establishment (step ST3).
検知手段４７は、このメンバーシツプ関数２８
あるいは３１のいずれかが“０”よりも大きな値
をとつたか否かを検知し（ステツプST4）、重み
付けの要否が判断される（ステツプST5）。図示
の例では、ルール２０が起動してその後件部のメ
ンバーシツプ関数２８が“０”より大きな値をと
つているので、前回の合成メンバーシツプ関数３
２は乗算手段４８において、例えば0.9倍に重み
付けがなされ、合成メンバーシツプ関数３３が成
される（ステツプST6）。 The detection means 47 detects this membership function 28
Alternatively, it is detected whether any of 31 has a value larger than "0" (step ST4), and it is determined whether weighting is necessary or not (step ST5). In the illustrated example, since the rule 20 is activated and the membership function 28 in its consequent has a value greater than "0", the previous composite membership function 3
2 is weighted, for example, by 0.9 in the multiplication means 48, and a composite membership function 33 is formed (step ST6).
前記各ルール２０及び２１の後件部のメンバー
シツプ関数２８及び３１と、この必要によつて重
み付けされた合成メンバーシツプ関数３３とは合
成手段４５に入力されて合成され、新たな合成メ
ンバーシツプ関数３４が生成される（ステツプ
ST7）。 The membership functions 28 and 31 of the consequent part of each of the rules 20 and 21 and the composite membership function 33 weighted according to the necessity are inputted to a composition means 45 and synthesized, and a new composite membership function 34 is generated. (step)
ST7).
この合成演算には、和集合演算が用いられる。
ここで、もし、前記メンバーシツプ関数２８及び
３１が全て“０”の値のみを有するものであれ
ば、前記前回の合成メンバーシツプ関数３２は乗
算手段４８にて1.0が乗算され、重み付けされず
にそのまま合成メンバーシツプ関数３３として合
成手段４５へ入力される。 A union operation is used for this composition operation.
Here, if the membership functions 28 and 31 all have only a value of "0", the previous composite membership function 32 is multiplied by 1.0 in the multiplication means 48 and composited as is without weighting. It is input to the composition means 45 as a membership function 33.
従つて、この合成手段４５の合成演算によつて
得られる新たな合成メンバーシツプ関数３４は、
前回の合成メンバーシツプ関数３２と同一のもの
となる。このように、この合成メンバーシツプ関
数３４は現在までに学習された「満足な制御ゲイ
ンKc」のフアジイ集合を表している。このよう
に生成された合成メンバーシツプ関数３４は推論
値決定手段１５に入力され、推論決定手段１５は
それに基づいて推論値３５としての制御ゲイン
Kc0を決定し、当該再帰型のフアジイ推論装置３
８より制御装置３７へ出力する（ステツプST8）。
具体的には、当該合成メンバーシツプ関数３４の
重心を計算し、満足な制御ゲインの代表値Kc0を
決定する。 Therefore, the new composite membership function 34 obtained by the composition operation of the composition means 45 is as follows:
This is the same as the previous composite membership function 32. In this way, this composite membership function 34 represents a fuzzy set of "satisfactory control gains Kc" learned up to now. The composite membership function 34 generated in this way is input to the inference value determining means 15, and the inference determining means 15 determines the control gain as the inference value 35 based on it.
Determine Kc 0 and recursive fuzzy inference device 3
8 to the control device 37 (step ST8).
Specifically, the center of gravity of the composite membership function 34 is calculated, and a satisfactory representative value Kc 0 of the control gain is determined.
次に、動作の打ち切りの判断を行い（ステツプ
ST9）、動作を継続する場合には処理をステツプ
ST10へ戻し、ステツプST7で得られた合成メン
バーシツプ関数を次回のイテレーシヨンの入力と
する。 Next, a decision is made to terminate the operation (step
ST9), step the process if you want to continue the operation.
Return to ST10 and use the composite membership function obtained in step ST7 as input for the next iteration.
特に、オートチユーニングの場合には、現在の
値をどう変えればよいのかがわからないし、現在
の値よりもよい値があるか否かもわからない。こ
のような場合、満足さを後件部で表現することが
適切であり、この発明によるフアジイ推論装置は
この後牛件部を用いたフアジイ推論を実行でき
る。 Particularly in the case of auto-tuning, it is not known how to change the current value, nor is it known whether there is a better value than the current value. In such a case, it is appropriate to express satisfaction using a consequent, and the fuzzy inference device according to the present invention can perform fuzzy inference using the consequent.
なお、上記実施例では推論のルールの数が２つ
のものを示したが、その数は３つ以上であつても
よく、入力と出力の数、各ルールの前件部の条件
の段数も任意に設定することができ、さらに、合
成メンバーシツプ関数から推論値を得る方法とし
ても、重心計算に代えて、面積二等分法等を用い
てもよい。また、上記実施例ではプロセス制御用
制御装置における制御ゲインのチユーニングに適
用した場合について説明したが、そのパラメータ
の推定などに応用してもよく、上記実施例と同様
の効果を奏する。 In addition, although the number of inference rules is two in the above example, the number may be three or more, and the number of inputs and outputs, and the number of stages of conditions in the antecedent part of each rule may also be arbitrary. Furthermore, as a method for obtaining an inference value from a composite membership function, an area bisection method or the like may be used in place of the centroid calculation. Further, in the above embodiment, a case has been described in which the present invention is applied to control gain tuning in a process control control device, but the present invention may also be applied to parameter estimation, etc., and the same effects as in the above embodiment can be obtained.
以上のように、この発明よれば前回の合成演算
で得られた合成メンバーシツプ関数を条件に応じ
て重み付けしてフイードバツクし、今回のメンバ
ーシツプ関数の合成に再度使用するとともに、各
ルールに各推論値の満足さを記述するように構成
したので、特徴量｛Si｝として、通常はSi＝０
で、特定の現象が起きた時のみ０＜Si≦１となる
ようなものを利用した場合でも推論が可能とな
り、しかも、推論値が連続的な値をとり得るばか
りか、推定すべきパラメータが、一定もしくは緩
慢な変化しかしない場合には、収束性のある推論
値が得られる効果がある。
As described above, according to the present invention, the composite membership function obtained in the previous composition operation is weighted according to the conditions and fed back, and is used again in the composition of the membership function this time, and each inference value is added to each rule. Since it is configured to describe satisfaction, the feature {Si} is usually Si = 0.
Therefore, inference is possible even when using something that satisfies 0<Si≦1 only when a specific phenomenon occurs, and not only can the inferred value take a continuous value, but the parameters to be estimated can also be , when there is only a constant or slow change, there is an effect that convergent inference values can be obtained.
第１図はこの発明の一実施例による再帰型のフ
アジイ推論装置の一実施例を示すブロツク図、第
２図はそのプロセス制御用制御装置の制御ゲイン
のチユーニングへの適用例を示すブロツク図、第
３図はその動作原理を示す説明図、第４図はその
動作の流れを示すフローチヤート、第５図は従来
のフアジイ推論装置の動作原理を示す明図、第６
図はそのブロツク図、第７図は従来のフアジイ推
論装置を制御装置として適用した場合の制御系の
構成を示すブロツク図、第８図はPID制御装置の
構成を示すブロツク図、第９図はこのPID制御装
置を制御装置として適用した場合の制御系の構成
を示すブロツク図、第１０図は制御偏差またはそ
の変化率の時間的経緯および特徴量の時間的経緯
を示す図である。
２０，２１はルール、２２〜２５は特徴量、３
５は推論値、３６はプロセス、３８はフアジイ推
論装置、４５は加重手段、４６は合成手段、４７
は推論値決定手段。なお、図中、同一符号は同
一、又は相当部分を示す。
FIG. 1 is a block diagram showing an embodiment of a recursive fuzzy inference device according to an embodiment of the present invention, and FIG. 2 is a block diagram showing an example of its application to control gain tuning of a process control control device. Fig. 3 is an explanatory diagram showing the operating principle, Fig. 4 is a flowchart showing the flow of its operation, Fig. 5 is a clear diagram showing the operating principle of the conventional fuzzy inference device, and Fig. 6 is a diagram showing the operating principle of the conventional fuzzy inference device.
Figure 7 is a block diagram showing the configuration of a control system when a conventional fuzzy inference device is applied as a control device, Figure 8 is a block diagram showing the configuration of a PID control device, and Figure 9 is a block diagram showing the configuration of a PID control device. FIG. 10 is a block diagram showing the configuration of a control system when this PID control device is applied as a control device, and is a diagram showing the time course of the control deviation or its rate of change and the time course of the feature quantity. 20 and 21 are rules, 22 to 25 are features, 3
5 is an inference value, 36 is a process, 38 is a fuzzy inference device, 45 is a weighting means, 46 is a synthesis means, 47
is an inferred value determining means. In addition, in the figures, the same reference numerals indicate the same or equivalent parts.
Claims (1)
ーシツプ関数を用いて前件部を形成し、それぞれ
プロセスの特徴量の状態による制御パラメータ値
の満足さについて記述した複数のルールを有し、
各ルールに対し、プロセスにおいて特折現れる特
徴量から前記前件部の成立度を評価し該成立度に
応じた重み付けをして前記後件部のメンバーシツ
プ関数を作成する加重手段と、前回の合成メンバ
ーシツプ関数を出力する遅延手段と、前記各ルー
ルの前記後件部のメンバーシツプ関数のいずれか
が前記第１の値よりも大きな値をとつたとき、前
記前回の合成メンバーシツプ関数に所定の重み付
けを行う検知加重手段と、この検知加重手段から
出力された合成メンバーシツプ関数と前記各ルー
ルの前記後件部のメンバーシツプ関数とを合成し
て新たなメンバーシツプ関数を得て前記遅延手段
に供給する合成手段と、前記新たな合成メンバー
シツプ関数から推論値としての制御パラメータを
決定し出力する推論値決定手段とを備えたフアジ
イ推論装置。1 Forms the antecedent part using a membership function that takes a value between the first value and the second value, and has multiple rules each describing the satisfaction of the control parameter value depending on the state of the feature quantity of the process. death,
For each rule, a weighting means that evaluates the degree to which the antecedent part holds true based on the feature quantity that appears particularly in the process, and weights it according to the degree of validity to create a membership function of the consequent part; delay means for outputting a membership function; and when either of the membership functions of the consequent part of each rule takes a value larger than the first value, assigning a predetermined weight to the previous composite membership function; a detection weighting means; a synthesis means for synthesizing the composite membership function output from the detection weighting means and the membership function of the consequent part of each rule to obtain a new membership function and supplying the new membership function to the delay means; A fuzzy inference device comprising inference value determining means for determining and outputting a control parameter as an inference value from the new composite membership function.
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP62262034A JPH01103707A (en) | 1987-10-16 | 1987-10-16 | Fuzzy inference device |
| GB8819360A GB2211324B (en) | 1987-10-16 | 1988-08-15 | Fuzzy inference apparatus |
| CA000575019A CA1288168C (en) | 1987-10-16 | 1988-08-17 | Fuzzy inference apparatus |
| DE3832789A DE3832789A1 (en) | 1987-10-16 | 1988-09-27 | TROUBLESHOOTING DEVICE |
| US07/950,166 US5432885A (en) | 1987-10-16 | 1992-09-24 | Recurrent fuzzy inference apparatus |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP62262034A JPH01103707A (en) | 1987-10-16 | 1987-10-16 | Fuzzy inference device |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH01103707A JPH01103707A (en) | 1989-04-20 |
| JPH0551923B2 true JPH0551923B2 (en) | 1993-08-04 |
Family
ID=17370108
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP62262034A Granted JPH01103707A (en) | 1987-10-16 | 1987-10-16 | Fuzzy inference device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH01103707A (en) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5193144A (en) * | 1988-12-14 | 1993-03-09 | Shimano, Inc. | Fuzzy system |
| US5179634A (en) * | 1989-04-14 | 1993-01-12 | Omron Corporation | System for synthesizing new fuzzy rule sets from existing fuzzy rule sets |
| ES2100172T3 (en) * | 1989-08-31 | 1997-06-16 | Omron Tateisi Electronics Co | DIFFUSE CONTROL DEVICE CAPABLE OF CHANGING A RULE AND ITS METHOD OF OPERATION, AND CONTROL SYSTEM CONTROLLED BY DIFFUSE INFERENCE SWITCHING AND ITS METHOD OF CONTROL. |
-
1987
- 1987-10-16 JP JP62262034A patent/JPH01103707A/en active Granted
Also Published As
| Publication number | Publication date |
|---|---|
| JPH01103707A (en) | 1989-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5268835A (en) | Process controller for controlling a process to a target state | |
| US4768143A (en) | Apparatus and method using adaptive gain scheduling algorithm | |
| US4922412A (en) | Apparatus and method using adaptive gain scheduling | |
| JPH04259004A (en) | Method for feedback control and tuning apparatus | |
| JPH0774961B2 (en) | Auto tuning PID controller | |
| JP2002023807A (en) | Method for realizing feedback control for optimally and automatically removing disturbance and device for the same | |
| Joseph | A tutorial on inferential control and its applications | |
| JPH06119001A (en) | Controller | |
| GB2211324A (en) | Fuzzy inference apparatus | |
| JPH0551923B2 (en) | ||
| JPH0551922B2 (en) | ||
| JPH0550761B2 (en) | ||
| JPH0550002B2 (en) | ||
| US5432885A (en) | Recurrent fuzzy inference apparatus | |
| US5995532A (en) | Method using fuzzy logic for controlling a furnace | |
| JPS61109104A (en) | Pid controller | |
| JPH04256102A (en) | Model estimation controller | |
| JPH0454243B2 (en) | ||
| JPH0778001A (en) | Digital controller | |
| JP3641181B2 (en) | PID controller | |
| JP2781886B2 (en) | Control device and control method | |
| JPH06348305A (en) | Parameter adjusting device of pid controller | |
| JPH03268103A (en) | Automatic tuning controller | |
| JPH0934503A (en) | Adjustment method for pid controller | |
| JP2828768B2 (en) | Fuzzy knowledge construction device |