JPH0675604A - Track type forward identification unit and simulator using neural network - Google Patents
Track type forward identification unit and simulator using neural networkInfo
- Publication number
- JPH0675604A JPH0675604A JP24602592A JP24602592A JPH0675604A JP H0675604 A JPH0675604 A JP H0675604A JP 24602592 A JP24602592 A JP 24602592A JP 24602592 A JP24602592 A JP 24602592A JP H0675604 A JPH0675604 A JP H0675604A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- plant
- output
- simulator
- input
- 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、ロボット,産業用機
械,各種プラント等に用いられている制御系一般に関連
するもので、ニューラルネットワークを用いた軌道型順
方向同定器およびシミュレーターに関するものである。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates generally to control systems used in robots, industrial machines, various plants, etc., and relates to a trajectory type forward identifier and a simulator using a neural network. .
【0002】[0002]
【従来の技術】従来のニューラルネットワークを応用し
た順方向同定器及びシミュレータとして、山田、薮田に
より図8,図9に示す制御系が提案されている(山田,
薮田、”ニューラルネットを用いた学習型同定器”、日
本機械学会第68期全国大会講演会講演論文集(vo
l.D)、pp485〜487(1990))。2. Description of the Related Art As a forward-direction identifier and simulator to which a conventional neural network is applied, a control system shown in FIGS. 8 and 9 has been proposed by Yamada and Yabuta (Yamada,
Yabuta, "Learning classifier using neural network", Proceedings of the 68th National Congress of the Japan Society of Mechanical Engineers (vo
l. D), pp 485-487 (1990)).
【0003】図8において、10は制御対象であるプラ
ントで、伝達関数または線形部を表す伝達関数の分母の
字数の上限n、分子の字数の上限mおよびむだ時間dが
既知のものである。20はニューラルネットワークで、
入力層,中間層および出力層とを有する。21は重み調
整手段、22,23は加算器、24〜27は時間遅れ要
素、28はメモリ、Yd(k)は制御の目標値、Kp は
ゲイン、U(k)は前記プラント10への入力、Y
(k)はおなじく出力、YN (k)はニューラルネット
ワーク20の出力、ε(k)はY(k)とYN (k)と
の出力誤差を示す。In FIG. 8, reference numeral 10 denotes a plant to be controlled, in which the upper limit n of the denominator character number, the upper limit m of the numerator character number and the dead time d of the transfer function or the transfer function representing the linear part are known. 20 is a neural network,
It has an input layer, an intermediate layer, and an output layer. Reference numeral 21 is a weight adjusting means, 22 and 23 are adders, 24-27 are time delay elements, 28 is a memory, Yd (k) is a control target value, K p is a gain, and U (k) is a value for the plant 10. Input, Y
(K) is the same output, Y N (k) is the output of the neural network 20, and ε (k) is the output error between Y (k) and Y N (k).
【0004】図8に示すように、ニューラルネットワー
ク20への入力は、過去のプラント10への入力U(k
−1),U(k−2)、プラント10の出力Y(k−
1),Y(k−2)により合成する。また、ニューラル
ネットワーク20の学習は、所定の学習則によりプラン
ト10の出力Y(k)とニューラルネットワーク20の
出力YN (k)との出力誤差ε(k)を用いて行う。学
習則の安定性は、PDP(D.E.ラメルハート、J.
L.マクレランド、PDPリサーチグループ、“PDP
モデル”、産業図書、1989)の意味で保証されてい
る。また、図中の破線は、プラント10の安定化のため
のフィードバックループであり、制御の目標値Yd
(k)に含まれる周波数成分のリッチネスが満たされた
時のプラント10の出力Y(k)の有界性を保証するた
めに導入している。しかし、プラント10の出力Y
(k)の有界性が保証される場合には必ずしも必要でな
い。As shown in FIG. 8, the input to the neural network 20 is the input U (k) to the plant 10 in the past.
−1), U (k−2), and the output of the plant 10 Y (k−)
1) and Y (k-2). The learning of the neural network 20 is performed by using the output error ε (k) between the output Y (k) of the plant 10 and the output Y N (k) of the neural network 20 according to a predetermined learning rule. The stability of the learning rule is shown in PDP (DE Lamelhardt, J. et al.
L. McClellan, PDP Research Group, "PDP
Model ”, industrial book, 1989). Also, the broken line in the figure is a feedback loop for stabilizing the plant 10, and the target value Yd for control.
It is introduced in order to guarantee the boundedness of the output Y (k) of the plant 10 when the richness of the frequency component included in (k) is satisfied. However, the output Y of the plant 10
It is not always necessary when the boundedness of (k) is guaranteed.
【0005】プラント10のシミュレータのブロック線
図を図9に示す。図8と同じ符号は同じ部位を示す。図
に示すように、ニューラルネットワーク20の出力Y
(k)は、過去の制御の目標値、過去のニューラルネッ
トワーク20の出力を用いている。また、プラント10
のシミュレータは、図8の同定器の学習が十分進んだ後
のネットの重みを用いており、学習は行わない。図中の
破線で示しているフィードバックループは、学習を行っ
た制御系の構成で用いた場合は導入する。図9に示すよ
うな構成を行えば、従来構成が困難であった非線形、寄
生要素等を含むプラント10のシミュレータを構成する
ことができる。A block diagram of the simulator of the plant 10 is shown in FIG. The same reference numerals as in FIG. 8 indicate the same parts. As shown in the figure, the output Y of the neural network 20
(K) uses the past control target value and the past output of the neural network 20. In addition, the plant 10
The simulator uses the weight of the net after the identifier of FIG. 8 has sufficiently learned, and does not perform learning. The feedback loop shown by the broken line in the figure is introduced when used in the configuration of the learned control system. By performing the configuration as shown in FIG. 9, it is possible to configure the simulator of the plant 10 including the non-linearity, the parasitic element, etc., which has been difficult to construct by the conventional technique.
【0006】図8,図9に示す制御系は、線形または線
形部が支配的で、かつ伝達関数または線形部を表す伝達
関数の分母の次数n、分子の次数m、及びむだ時間dが
既知のプラント10を対象として、ニューラルネットワ
ーク20の入力をdサンプリング前のプラント10への
入力、一サンプリング前からnサンプリング前までのプ
ラント10の出力および一サンプリング前からm+dサ
ンプリング前のプラント10の入力を用い、プラント1
0の出力とニューラルネットワーク20の出力との現在
の誤差を用い、ニューラルネットワークの各ニューロン
間の重みを一サンプリング毎にその誤差を減少する方向
に調整する。In the control systems shown in FIGS. 8 and 9, the linear or linear part is dominant, and the denominator order n, the numerator order m, and the dead time d of the transfer function or the transfer function representing the linear part are known. The input of the neural network 20 to the plant 10 before d sampling, the output of the plant 10 from before one sampling to n sampling before, and the input of the plant 10 from one sampling before m + d sampling before. Used, plant 1
Using the current error between the output of 0 and the output of the neural network 20, the weights between the neurons of the neural network are adjusted for each sampling so as to reduce the error.
【0007】[0007]
【発明が解決しようとする課題】しかしながら、このよ
うな制御系ではプラントの伝達関数または線形部を表す
伝達関数の分母の次数の上限n、分子の次数の上限m、
およびむだ時間dが既知でなければならないという欠点
があった。However, in such a control system, the upper limit n of the denominator of the transfer function of the plant or the transfer function representing the linear part, the upper limit m of the numerator,
And the dead time d had to be known.
【0008】本発明の目的は、上記の欠点を解決するた
めに、対象とするプラントの伝達関数または線形部を表
す伝達関数の分母の次数の上限n、分子の次数の上限m
およびむだ時間dが未知のプラントに対しても適用可能
で、かつ誤差が最小になる各ニューロン間の重みが存在
するプラントの入出力関係を同定するプラントの軌道型
順方向同定器およびシミュレータを提供することにあ
る。The object of the present invention is, in order to solve the above-mentioned drawbacks, an upper limit n of the denominator of the transfer function or a transfer function representing the linear part of the target plant, and an upper limit m of the numerator.
And a trajectory-type forward identifier and simulator for a plant that can be applied to a plant whose dead time d is unknown and that identifies the input-output relationship of the plant in which there is a weight between each neuron that minimizes the error To do.
【0009】[0009]
【課題を解決するための手段】本発明に係る軌道型順方
向同定器は、一入力一出力離散時間プラントを対象とす
る制御系において、ニューラルネットワークと、このニ
ューラルネットワークへの入力としてあらかじめ定めた
サンプリング区間ρをとり、このサンプリング区間ρで
のプラントへの入力を用い、プラントのサンプリング区
間ρでの出力とニューラルネットワークのサンプリング
区間ρでの出力との差である出力誤差を用いて、ニュー
ラルネットワークの各ニューロン間の重みをサンプリン
グ毎に先の出力誤差を減少させる方向に調整する重み調
整手段を具備したものである。A trajectory type forward identifier according to the present invention is a neural network and a predetermined one as an input to this neural network in a control system for a one-input one-output discrete time plant. The sampling interval ρ is taken, the input to the plant in this sampling interval ρ is used, and the output error that is the difference between the output in the sampling interval ρ of the plant and the output in the sampling interval ρ of the neural network is used to generate the neural network. The weight adjustment means is provided for adjusting the weight between each neuron in each sampling direction so as to reduce the previous output error.
【0010】また、本発明に係るシミュレータは、請求
項1の同定器が学習した結果である各ニューロンの重み
をニューラルネットワークの重みとし、サンプリング区
間ρでのプラントへの入力をニューラルネットワークの
入力として用い、サンプリング区間ρでのプラントの出
力のシミュレートを行うものである。Further, in the simulator according to the present invention, the weight of each neuron as a result of learning by the identifier of claim 1 is used as the weight of the neural network, and the input to the plant in the sampling interval ρ is used as the input of the neural network. It is used to simulate the output of the plant in the sampling interval ρ.
【0011】[0011]
【作用】本発明に係る軌道型順方向同定器は、ニューラ
ルネットワークの出力の誤差が減少するように重み調整
手段が作用し、プラントと同じ特性を示すようになる。In the trajectory type forward identifier according to the present invention, the weight adjusting means acts so as to reduce the error in the output of the neural network, and the same characteristics as the plant are exhibited.
【0012】また、本発明に係るシミュレータは、学習
が終了した同定器をシミュレータとして動作させるもの
であり、特性が定められたプラントに代えてシミュレー
タに入力信号を種々設定し、その出力のシミュレートを
行なうことにより、各種制御系の設計をコンピュータ上
で行なうことができる。Further, the simulator according to the present invention operates an identifier that has been learned as a simulator, and various input signals are set in the simulator instead of the plant having the specified characteristics, and its output is simulated. By doing so, various control systems can be designed on a computer.
【0013】[0013]
【実施例】以下に、本発明の実施例を図面について説明
する。Embodiments of the present invention will be described below with reference to the drawings.
【0014】図1,図2は本発明の軌道型順方向同定器
およびシミュレータに対応しており、図3,図4,図5
は、図1の実施例のシミュレーション結果を示し、図
6,図7は、図2の実施例のシミュレーション結果を示
している。実施例の説明には入るまえに、請求項1,2
の軌道型順方向同定器およびシミュレータについてそれ
ぞれ原理について説明し、その後、実施例について説明
する。FIGS. 1 and 2 correspond to the trajectory type forward identifier and simulator of the present invention, and FIGS.
Shows the simulation result of the embodiment of FIG. 1, and FIGS. 6 and 7 show the simulation result of the embodiment of FIG. Before entering the description of the embodiments,
The principle of each of the orbital forward identifiers and the simulator will be described, and then examples will be described.
【0015】本発明が対象とするプラントの線形部の伝
達関数は第(1)式により表現できる。The transfer function of the linear part of the plant which is the subject of the present invention can be expressed by the equation (1).
【0016】[0016]
【数1】 第(1)式より出力Y(k)は次のように表される。[Equation 1] From the equation (1), the output Y (k) is expressed as follows.
【0017】[0017]
【数2】 以下、第(1)〜(2)式で表現させるプラントに対
し、解析的に説明を行う。 [1]本発明の軌道型順方向同定器について 本発明の軌道型順方向同定器のニューラルネットワーク
への入力U(p)、出力YN (p)は以下のようにな
る。但し、pは試行(サンプリング)回数である。[Equation 2] Hereinafter, the plant expressed by the equations (1) and (2) will be analytically described. [1] Regarding the trajectory type forward identifier of the present invention The input U (p) and the output Y N (p) to the neural network of the trajectory type forward identifier of the present invention are as follows. However, p is the number of trials (sampling).
【0018】[0018]
【数3】 ここで、第(2)式をマトリクス表現すると以下のよう
に表される。[Equation 3] Here, the expression (2) can be expressed as a matrix as follows.
【0019】[0019]
【数4】 これをG0 =1、d=1として要素表現すると次のよう
に表される。[Equation 4] When this is expressed as an element with G 0 = 1 and d = 1, it is expressed as follows.
【0020】[0020]
【数5】 第(6)式より、常にdetA=1であるから、A
-1(p)はa1 ,……,an の値によらず存在する。よ
って、第(5)式は次のように表される。[Equation 5] From the equation (6), since detA = 1 is always satisfied, A
-1 (p) is a 1, ......, present regardless of the value of a n. Therefore, the equation (5) is expressed as follows.
【0021】なお、第(6)式を基本として設計する順
方向同定器を、軌道型順方向同定器と呼ぶ。The forward direction identifier designed based on the equation (6) is called a trajectory type forward direction identifier.
【0022】[0022]
【数6】 ここで、線形ニューラルネットワークを用いているとす
ると、ニューラルネットワークの出力YN (p)は、[Equation 6] Here, assuming that a linear neural network is used, the output Y N (p) of the neural network is
【0023】[0023]
【数7】 のように表される。但し、ω(p),W(p)はニュー
ロン間の重みである。この時、YN (p)=Y(p)と
するには、[Equation 7] It is expressed as. However, ω (p) and W (p) are weights between neurons. At this time, to set Y N (p) = Y (p),
【0024】[0024]
【数8】 [Equation 8]
【0025】[0025]
【数9】 となるような重みマトリクスをニューラルネットワーク
上に設定すればよい。[Equation 9] It suffices to set a weight matrix such that
【0026】P→∞の時、ω(p)・W(p)=A
-1(p)・B(p)とするためには、以下に示すδルー
ルを用いて第(13)式の評価関数E(p)を最小とす
るように、各ニューロン間の重みを各サンプリング毎に
調整すればよい。When P → ∞, ω (p) · W (p) = A
In order to obtain −1 (p) · B (p), the weights between the neurons are set so as to minimize the evaluation function E (p) of the expression (13) by using the δ rule shown below. It may be adjusted for each sampling.
【0027】[0027]
【数10】 以上説明したニューラルネットワークを用いた軌道型順
方向同定器による制御系のブロック線図を図1に示す。[Equation 10] FIG. 1 shows a block diagram of a control system by the trajectory type forward identifier using the neural network described above.
【0028】図1において、10は制御対象であるプラ
ントで、伝達関数または線形部を表す伝達関数または線
形部を表す伝達関数の分母の次数の上限n、分子の次数
の上限mおよびむだ時間dが未知のものである。20は
ニューラルネットワークで、入力層、中間層および出力
層とを有する。これ自体は公知のものであるので、その
構成の図示と説明は省略してある。21は重み調整手
段、22,23は加算器、KP はゲイン、U(p)は前
記プラント10への入力、Y(p)は同じく出力、YN
(p)はニューラルネットワーク20の出力、ε(p)
はY(p)とYN(p)との出力誤差を示す。100は
プラントの軌道型順方向同定器全体を示す。In FIG. 1, 10 is a plant to be controlled, which is an upper limit n of the denominator of the transfer function or a transfer function representing the linear part or an upper limit m of the numerator and a dead time d. Is unknown. A neural network 20 has an input layer, an intermediate layer, and an output layer. Since this is a publicly known one, its illustration and description are omitted. 21 is a weight adjusting means, 22 and 23 are adders, K P is a gain, U (p) is an input to the plant 10, Y (p) is an output, Y N
(P) is the output of the neural network 20, ε (p)
Indicates the output error between Y (p) and Y N (p). Reference numeral 100 denotes the entire orbital forward identifier of the plant.
【0029】図1に示すように、ニューラルネットワー
ク20の学習は、第(11)〜(13)式に示す学習則
によりプラント10の出力Y(p)と、ニューラルネッ
トワーク20の出力YN (p)との出力誤差ε(p)を
用いて行う。第(11)〜(13)式による学習則の安
定性は、PDP(D.E.ラメルハート、J.Lマクレ
ランド、PDPリサーチグループ、“PDPモデル”、
産業図書1989)の意味で保証されている。また、図
中の破線は、プラント10の安定化のためのフィードバ
ックループであり、制御の入力信号U(k)に含まれる
周波数成分のリッチネスが満たされたときのプラント1
0の出力Y(k)有界性を保証するために導入してい
る。しかし、プラント10の出力Y(k)の有界性が保
証される場合には必ずしも必要でない。 [2]本発明のシミュレータについて 本発明にかかるプラント10のシミュレータ200のブ
ロック線図を図2に示す。図1と同じ符号は同じ部位を
示す。プラント10のシミュレータ200は、図1の軌
道型順方向同定器100の学習が十分進んだ後のネット
の重みを用いており、学習は行わない。図2に示すよう
な構成を行えば、従来構成が困難であった伝達関数の分
母、分子の次数の上限n,mおよびむだ時間dが未知の
プラント10のシミュレータ200を構成することがで
きる。このシミュレータ200の実現性はシミュレーシ
ョンを用いて検証する。As shown in FIG. 1, the learning of the neural network 20 is performed by the output Y (p) of the plant 10 and the output Y N (p of the neural network 20 according to the learning rules shown in the equations (11) to (13). ) And the output error ε (p). The stability of the learning rule according to the equations (11) to (13) is shown by PDP (DE Ramellhart, JL McClellan, PDP Research Group, “PDP Model”,
Guaranteed in the sense of Industrial Books 1989). The broken line in the drawing is a feedback loop for stabilizing the plant 10, and the plant 1 when the richness of the frequency component included in the control input signal U (k) is satisfied.
Output Y (k) of 0 is introduced to guarantee boundedness. However, it is not always necessary when the boundedness of the output Y (k) of the plant 10 is guaranteed. [2] Simulator of the Present Invention FIG. 2 shows a block diagram of the simulator 200 of the plant 10 according to the present invention. The same reference numerals as in FIG. 1 indicate the same parts. The simulator 200 of the plant 10 uses the weight of the net after the learning of the trajectory-type forward identifier 100 of FIG. 1 is sufficiently advanced, and does not perform the learning. By performing the configuration shown in FIG. 2, it is possible to configure the simulator 200 of the plant 10 in which the denominator of the transfer function, the upper limits n and m of the numerator order, and the dead time d, which are conventionally difficult to configure, are unknown. The feasibility of this simulator 200 will be verified using simulation.
【0030】以下に、以上説明した本発明の軌道型順方
向同定器およびシミュレータの各実施例の制御系につい
てシミュレーション結果および実験結果を用いて説明す
る。第(12)式に本シミュレーションで用いたプラン
ト10の差分方程式表現を示す。The control system of each embodiment of the trajectory type forward identifier and simulator of the present invention described above will be described below by using simulation results and experimental results. Expression (12) shows the difference equation expression of the plant 10 used in this simulation.
【0031】[0031]
【数11】 但し、本シミュレーションではa1 =−1.3,a2 =
0.3,b=0.7を用いた。また、入力および出力と
して50サンプリングとり、重みマトリクスはそれぞれ
50×50の正方マトリクスとした。[Equation 11] However, in this simulation, a 1 = -1.3, a 2 =
0.3 and b = 0.7 were used. Further, 50 samples were taken as input and output, and the weight matrix was a 50 × 50 square matrix.
【0032】図3〜図5に、図1で示した軌道型順方向
同定器100を用いたシミュレーション結果を示す。図
3は学習回数5回、図4は学習回数10回、図5は学習
回数50回である。図に示すように、ニューラルネット
ワーク20の出力する軌道(実線)とプラント10の出
力する軌道(点線;但し、図5では実線と重なり見えな
い)との差は学習が進むにつれて小さくなり、本同定型
の制御系が良好に動作していることが分る。FIGS. 3 to 5 show simulation results using the trajectory type forward identifier 100 shown in FIG. 3 shows the number of times of learning 5 times, FIG. 4 shows the number of times of learning 10 times, and FIG. 5 shows the number of times of learning 50 times. As shown in the figure, the difference between the trajectory output by the neural network 20 (solid line) and the trajectory output by the plant 10 (dotted line; however, it cannot be seen as overlapping with the solid line in FIG. 5) becomes smaller as the learning progresses. It can be seen that the standard control system works well.
【0033】図6は、図2に示したシミュレータ200
において、十分学習が進んだと思われるニューロン間の
重みを用いてシミュレータ200の出力する軌道と、プ
ラント10の出力する軌道を比較して示している。図に
示すように、プラント10の軌道(実線)とニューラル
ネットの軌道(点線;但し、図では実線と重なり見えな
い)とが非常によく一致していることが分る。また、図
7は入力信号のパラメータを変化させ、入力される信号
が変ったときの結果である。図6と同じようによく追従
し、入力信号の変化にも影響を受けないことが分る。こ
のことから、請求項2のシミュレータ200が有効であ
ることが分る。FIG. 6 shows the simulator 200 shown in FIG.
In FIG. 3, the trajectory output by the simulator 200 and the trajectory output by the plant 10 are shown in comparison by using the weight between neurons which seems to have been sufficiently learned. As shown in the figure, it can be seen that the trajectory of the plant 10 (solid line) and the trajectory of the neural network (dotted line; however, they do not overlap with the solid line and cannot be seen in the figure) match very well. Further, FIG. 7 shows the result when the input signal is changed by changing the parameter of the input signal. As in FIG. 6, it follows that it follows well and is not affected by changes in the input signal. From this, it can be seen that the simulator 200 of claim 2 is effective.
【0034】[0034]
【発明の効果】以上説明したように、本発明に係る軌道
型順方向同定器は、ニューラルネットワークと、このニ
ューラルネットワークへの入力としてあらかじめ定めた
サンプリング区間ρをとり、このサンプリング区間ρで
のプラントへの入力を用い、プラントのサンプリング区
間ρでの出力と前記ニューラルネットワークのサンプリ
ング区間ρでの出力との差である出力誤差を用いて、前
記ニューラルネットワークの各ニューロン間の重みをサ
ンプリング毎に先の出力誤差を減少させる方向に調整す
る重み調整手段を具備したので、誤差が最小となるよう
な各ニューロン間の重みが存在し、伝達関数の分母、分
子の次数の上限n,mおよびむだ時間dが未知のプラン
トの入出力関係を同定するプラントの軌道型順方向同定
器が得られる。As described above, the trajectory type forward identifier according to the present invention takes a neural network and a sampling interval ρ which is predetermined as an input to the neural network, and a plant in this sampling interval ρ. To the output of the plant in the sampling interval ρ and the output of the neural network in the sampling interval ρ using the input to Since there is a weight adjusting means for adjusting the output error to reduce the output error of each neuron, there is a weight between the neurons that minimizes the error, the denominator of the transfer function, the upper limits n and m of the numerator, and the dead time. A orbital forward-direction identifier of the plant is obtained which identifies the input / output relationship of the plant whose d is unknown.
【0035】また、本発明に係るシミュレータは、請求
項1の軌道型順方向同定器が学習した結果である各ニュ
ーロンの重みをニューラルネットワークの重みとし、サ
ンプリング区間ρでのプラントへの入力をニューラルネ
ットワークの入力として用い、サンプリング区間ρでの
プラントの出力のシミュレートを行なうものであるの
で、特性が定められていないプラントの各種制御系の設
計をコンピュータ上で行うことができ、実プラントによ
るフィールドシステムに比べ、格段に低コストで、しか
も安全に実施することができる利点がある。Further, in the simulator according to the present invention, the weight of each neuron, which is the result of learning by the trajectory type forward identifier of claim 1, is used as the weight of the neural network, and the input to the plant in the sampling interval ρ is set to the neural network. Since it is used as an input of the network to simulate the output of the plant in the sampling interval ρ, it is possible to design various control systems of the plant whose characteristics are not defined on the computer, and Compared with the system, there is an advantage that it can be implemented at a much lower cost and safely.
【図1】本発明にかかる一実施例を示すブロック線図で
ある。FIG. 1 is a block diagram showing an embodiment according to the present invention.
【図2】本発明にかかるシミュレータのブロック線図で
ある。FIG. 2 is a block diagram of a simulator according to the present invention.
【図3】図1の軌道型順方向同定器のシミュレーション
結果を示す図である。FIG. 3 is a diagram showing a simulation result of the trajectory-type forward identifier of FIG.
【図4】図1の軌道型順方向同定器のシミュレーション
結果を示す図である。FIG. 4 is a diagram showing a simulation result of the trajectory-type forward identifier of FIG.
【図5】図1の軌道型順方向同定器のシミュレーション
結果を示す図である。FIG. 5 is a diagram showing a simulation result of the orbit type forward identifier of FIG. 1.
【図6】図2のシミュレータのシミュレーション結果を
示す図である。FIG. 6 is a diagram showing a simulation result of the simulator shown in FIG.
【図7】図2のシミュレータのシミュレーション結果を
示す図である。FIG. 7 is a diagram showing simulation results of the simulator shown in FIG.
【図8】従来のニューラルネットワークを応用した順方
向同定器またはシミュレータを示すブロック線図であ
る。FIG. 8 is a block diagram showing a forward identifier or a simulator to which a conventional neural network is applied.
【図9】従来のニューラルネットワークを応用した順方
向同定器またはシミュレータを示すブロック線図であ
る。FIG. 9 is a block diagram showing a forward identifier or a simulator to which a conventional neural network is applied.
10 プラント 20 ニューラルネットワーク 21 重み調整手段 22 加算器 23 加算器 100 軌道型順方向同定器 200 シミュレータ 10 plant 20 neural network 21 weight adjusting means 22 adder 23 adder 100 orbital forward identifier 200 simulator
Claims (2)
する制御系において、ニューラルネットワークと、この
ニューラルネットワークへの入力としてあらかじめ定め
たサンプリング区間ρをとり、このサンプリング区間ρ
での前記プラントへの入力を用い、前記プラントのサン
プリング区間ρでの出力と前記ニューラルネットワーク
のサンプリング区間ρでの出力との差である出力誤差を
用いて、前記ニューラルネットワークの各ニューロン間
の重みをサンプリング毎に前記出力誤差を減少させる方
向に調整する重み調整手段を具備したことを特徴とする
ニューラルネットワークを用いた軌道型順方向同定器。1. In a control system for a one-input one-output discrete-time plant, a neural network and a predetermined sampling interval ρ as an input to this neural network are taken, and this sampling interval ρ
The input error to the plant is used, and the output error that is the difference between the output in the sampling interval ρ of the plant and the output in the sampling interval ρ of the neural network is used to calculate the weight between the neurons of the neural network. Is provided for each sampling so as to reduce the output error. A trajectory type forward identifier using a neural network is provided.
た結果である各ニューロンの重みをニューラルネットワ
ークの重みとし、サンプリング区間ρでのプラントへの
入力を前記ニューラルネットワークの入力として用い、
サンプリング区間ρでのプラントの出力のシミュレート
を行うことを特徴とするニューラルネットワークを用い
たシミュレータ。2. The weight of each neuron, which is the result of learning by the trajectory type forward identifier of claim 1, is used as the weight of the neural network, and the input to the plant in the sampling interval ρ is used as the input of the neural network.
A simulator using a neural network characterized by simulating the output of a plant in a sampling interval ρ.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP24602592A JPH0675604A (en) | 1992-08-24 | 1992-08-24 | Track type forward identification unit and simulator using neural network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP24602592A JPH0675604A (en) | 1992-08-24 | 1992-08-24 | Track type forward identification unit and simulator using neural network |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH0675604A true JPH0675604A (en) | 1994-03-18 |
Family
ID=17142333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP24602592A Pending JPH0675604A (en) | 1992-08-24 | 1992-08-24 | Track type forward identification unit and simulator using neural network |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH0675604A (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014204503A (en) * | 2013-04-02 | 2014-10-27 | 株式会社ダイヘン | Simulator, simulation system, simulation method, and program |
JPWO2020217445A1 (en) * | 2019-04-26 | 2020-10-29 |
-
1992
- 1992-08-24 JP JP24602592A patent/JPH0675604A/en active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014204503A (en) * | 2013-04-02 | 2014-10-27 | 株式会社ダイヘン | Simulator, simulation system, simulation method, and program |
JPWO2020217445A1 (en) * | 2019-04-26 | 2020-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zak | Stabilizing fuzzy system models using linear controllers | |
Huaguang et al. | Modeling, identification, and control of a class of nonlinear systems | |
Guo et al. | Effective chaotic orbit tracker: a prediction-based digital redesign approach | |
Canudas et al. | Adaptive friction compensation in DC-motor drives | |
Jafarov et al. | Robust sliding-mode control for the uncertain MIMO aircraft model F-18 | |
Chen et al. | An optimal washout filter design for a motion platform with senseless and angular scaling maneuvers | |
Daafouz et al. | Robust control of a flexible robot arm using the quadratic d-stability approach | |
Tran et al. | GENETIC ALGORITHM IMPLEMENTATION FOR OPTIMIZING LINEAR QUADRATIC REGULATOR TO CONTROL ACROBOT ROBOTIC SYSTEM. | |
JPH0675604A (en) | Track type forward identification unit and simulator using neural network | |
Ahangarani et al. | Continuous-time delay-petri nets as a new tool to design state space controller | |
Connolly et al. | A hamiltonian framework for kinodynamic planning and control | |
JPH0635510A (en) | Model norm adaptive controller using neural network | |
Huang et al. | Neural-network-based multiple feedback long-range predictive control | |
Hanafy et al. | Dynamic EvolvingNeuro Fuzzy Systems of Qualitative Process | |
Sparks, Jr et al. | Neural networks for rapid design and analysis | |
Meda-Campaña et al. | The output regulation and the Kalman filter as the signal generator | |
US4949237A (en) | Digital integrating module for sampling control devices | |
CN116382154B (en) | Event trigger-based specified time high-precision control method | |
Rasmussen et al. | Development, implementation and flight test of a MIMO digital flight control system for an unmanned research vehicle designed using quantitative feedback theory | |
Damle et al. | Neural network based optimizing controllers for smart structural systems | |
JPH0744511A (en) | Reverse direction identification device and controller using neural network | |
Ishihara | Direct digital design of computed torque controllers | |
Chand et al. | Neural network augmented control for nonlinear systems | |
Shibata et al. | Actor-q based active perception learning system | |
Kambhampati et al. | Internal model control of nonlinear systems through the inversion of recurrent neural networks |