JPH08211903A - Autotuning device for model predictive control - Google Patents
Autotuning device for model predictive controlInfo
- Publication number
- JPH08211903A JPH08211903A JP7017390A JP1739095A JPH08211903A JP H08211903 A JPH08211903 A JP H08211903A JP 7017390 A JP7017390 A JP 7017390A JP 1739095 A JP1739095 A JP 1739095A JP H08211903 A JPH08211903 A JP H08211903A
- Authority
- JP
- Japan
- Prior art keywords
- plant
- controller
- value
- time constant
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000001537 neural effect Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 238000012546 transfer Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明は、モデル予測制御におい
て、制御対象の同定を図る時に、内部の伝達関数を同定
しながら制御を行うオートチューニング装置に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to an auto-tuning device for performing control while identifying an internal transfer function when identifying a controlled object in model predictive control.
【０００２】[0002]
【従来の技術】モデル予測制御は、ＰＩＤ制御とは異な
り、図６のようなブロック図で表される。図６におい
て、１は第１のコントローラ、２は第２のコントロー
ラ、３は制御対象であるプラント、４ａ，４ｂは加減算
器である。また、図６において、Ｔmは同定した時定
数、Ｔpはプラントの時定数、Ｔは目標の応答時定数、
ｘは入力指令値、ｙは出力値である。2. Description of the Related Art Unlike PID control, model predictive control is represented by a block diagram as shown in FIG. In FIG. 6, 1 is a first controller, 2 is a second controller, 3 is a plant to be controlled, and 4a and 4b are adder / subtractors. In FIG. 6, T m is the identified time constant, T p is the plant time constant, T is the target response time constant,
x is an input command value and y is an output value.
【０００３】実際のプラント３を制御するにあたって、
まず、内部の伝達関数Ｔpを同定する必要がある。同定
された値をＴmとし、目標の応答をＴとおくと、図６の
ような制御構成となる。同定した時定数Ｔmがプラント
３の時定数と一致したならば、入力値ｘから出力ｙまで
の応答はＴ（ｓ）となり、設計値と等しくなる。In controlling the actual plant 3,
First, it is necessary to identify the internal transfer function T p . Letting the identified value be T m and the target response be T, the control configuration is as shown in FIG. If the identified time constant T m matches the time constant of the plant 3, the response from the input value x to the output y is T (s), which is equal to the design value.
【０００４】すなわち、図６の入力ｘから出力ｙまでの
伝達関数は、（１）式のようになる。That is, the transfer function from the input x to the output y in FIG. 6 is expressed by the equation (1).
【０００５】[0005]
【数１】 [Equation 1]
【０００６】（１）式においてＴm＝Ｔpの場合（２）式
に変換される。When T m = T p in the equation (1), it is converted into the equation (2).
【０００７】[0007]
【数２】 [Equation 2]
【０００８】従って、出力ｙは目標の応答Ｔで制御され
ている。Therefore, the output y is controlled by the target response T.
【０００９】[0009]
【発明が解決しようとする課題】モデル予測制御は、以
上のように、プラントをどの様な方法で同定するかが大
きな課題である。現状は、入力、出力の時系列データか
ら最小２乗法で同定しているのが一般的である。しか
し、最小２乗法の計算は難しく、演算時間が長いため、
コントローラでの処理時間が無視できない。As described above, in model predictive control, how to identify a plant is a major problem. At present, it is general to identify from the input and output time series data by the least squares method. However, the calculation of the least squares method is difficult and the calculation time is long.
The processing time in the controller cannot be ignored.
【００１０】本発明は上述の問題点に鑑みてなされたも
ので、その目的はプラントの同定部をニューラルネット
に置き換え、簡単な計算で処理時間の短い、モデル予測
制御におけるオートチューニング装置を提供することで
ある。The present invention has been made in view of the above problems, and an object thereof is to provide an auto-tuning device in model predictive control in which the plant identification unit is replaced with a neural network and the processing time is short by simple calculation. That is.
【００１１】[0011]
【課題を解決するための手段】上記目的を達成するため
に、本発明のモデル予測制御におけるオートチューニン
グ装置は、入力値をもとに演算処理するコントローラ
と、このコントローラの演算結果をもとに演算処理して
出力値を算出する制御対象と、この出力値と該出力値の
前回値をもとに演算して得られた誤差がゼロになるよう
に演算処理するニューラルネットと、該ニューラルネッ
トによって算出された重みを用いて前記制御対象の時定
数を制定する制御対象時定数同定部によって構成したこ
とを特徴とする。In order to achieve the above object, an auto-tuning device in model predictive control according to the present invention uses a controller that performs arithmetic processing based on an input value, and an arithmetic result of this controller. A controlled object for performing an arithmetic processing to calculate an output value, a neural network for performing an arithmetic processing so that an error obtained by performing an arithmetic operation based on this output value and the previous value of the output value becomes zero, and the neural network The control object time constant identifying unit that establishes the time constant of the control object using the weight calculated by
【００１２】[0012]
【作用】プラントの同定部をニューラルネットワークに
置き換え、簡単な計算でプラントの伝達関数を同定して
コントローラをチューニングする。The plant identification unit is replaced with a neural network, the transfer function of the plant is identified by simple calculation, and the controller is tuned.
【００１３】[0013]
【実施例】以下に本発明の実施例を図１〜図５を参照し
ながら説明する。Embodiments of the present invention will be described below with reference to FIGS.
【００１４】図１は本発明の実施例によるモデル予測制
御におけるオートチューニング装置のブロック図であっ
て、１は伝達関数（ＴmＳ＋１）／（Ｔs＋１）の第１の
コントローラ、２は伝達関数１／（ＴmＳ＋１）の第２
のコントローラ、３は伝達関数１／（ＰpＳ＋１）のプ
ラントである。４ａ〜４ｄは加減算器、５はニューラル
ネット部、６はプラントの時定数算出部、７は前回値算
出部である。FIG. 1 is a block diagram of an automatic tuning apparatus in model predictive control according to an embodiment of the present invention, in which 1 is a first controller of a transfer function (T m S + 1) / (T s +1) and 2 is a transfer. Second of the function 1 / (T m S + 1)
Controller 3 is a plant with transfer function 1 / (P p S + 1). Reference numerals 4a to 4d are adders / subtractors, 5 is a neural network unit, 6 is a plant time constant calculation unit, and 7 is a previous value calculation unit.
【００１５】図１のオートチューニング装置において、
第１のコントローラ１は入力値ｘに関連した演算を行っ
てその演算値を第２のコントローラ２とプラント３に出
力する。第２のコントローラ２とプラント３は、それぞ
れ、第１のコントローラ１の演算値にもとずいて演算
し、プラント３は出力値ｙを出力する。In the auto tuning device of FIG. 1,
The first controller 1 performs a calculation related to the input value x and outputs the calculated value to the second controller 2 and the plant 3. The second controller 2 and the plant 3 each perform an operation based on the operation value of the first controller 1, and the plant 3 outputs the output value y.
【００１６】第２のコントローラ２とプラント３の演算
結果を加減算器４ｂで加減算し、その演算結果を加減算
器４ａに導く。加減算器４ｃは、第１のコントローラ１
の演算結果と出力値ｙの前回値をもとに加減算して、そ
の演算結果をニューラルネット５に導く。ニューラルネ
ット５は、後述するように、重みωを算出して、加減算
器４ｄに入力する。プラントの時定数算出部６は、ニュ
ーラルネット５によって算出された重みωを用いて、プ
ラントの時定数Ｔpを算出する。The operation results of the second controller 2 and the plant 3 are added and subtracted by the adder / subtractor 4b, and the operation result is led to the adder / subtractor 4a. The adder / subtractor 4c is the first controller 1
Is added and subtracted based on the previous calculation result and the output value y, and the calculation result is led to the neural network 5. The neural network 5 calculates the weight ω and inputs it to the adder / subtractor 4d as described later. The plant time constant calculation unit 6 uses the weight ω calculated by the neural network 5 to calculate the plant time constant T p .
【００１７】ニューラルネット５による同定に関して、
例えば、プラントが一次遅れ１／（ＴpＳ＋１）で表さ
れる場合、プラントの入力値をａ、その出力値をｂとす
ると、この出力を離散系で表すと（３）式のようにな
る。Regarding the identification by the neural network 5,
For example, when the plant is represented by a first-order delay of 1 / (T p S + 1), if the input value of the plant is a and its output value is b, this output is represented by a discrete system as shown in equation (3). .
【００１８】[0018]
【数３】 (Equation 3)
【００１９】ここで、△Ｔはサンプル時間、ｂ（ｎ−
１）はｂ（ｎ）の前回値である。Where ΔT is the sample time and b (n-
1) is the previous value of b (n).
【００２０】（３）式を、中間層なしで、２入力１出力
のニューラルネットで表すと図２のようになる。The equation (3) can be represented by a 2-input 1-output neural network without an intermediate layer as shown in FIG.
【００２１】図２に示すように、教師信号ｂと出力信号
ｂ（ｎ）との誤差がゼロになる様にバックプロパゲーシ
ョンで、重みωを調整してゆく。最終的に、誤差がゼロ
となり重みωが落ち着く値は、（３）式から（４）で表
される。すなわち、ω＝△Ｔ／（△Ｔ＋Ｔp）であり、
よって、As shown in FIG. 2, the weight ω is adjusted by back propagation so that the error between the teacher signal b and the output signal b (n) becomes zero. Finally, the value at which the error becomes zero and the weight ω settles is expressed by the equation (3) by the equation (4). That is, ω = ΔT / (ΔT + T p ),
Therefore,
【００２２】[0022]
【数４】 [Equation 4]
【００２３】（４）式より、バックプロパゲーションに
よって算出された重みωの値からプラントの伝達関数Ｔ
pが同定される事がわかる。From the equation (4), the transfer function T of the plant is calculated from the value of the weight ω calculated by the back propagation.
It can be seen that p is identified.
【００２４】図１のモデル制御におけるニューラルネッ
トを用いたオートチューニング装置において、ニューラ
ルネット５によって誤差がゼロになる様に重みωを調整
してゆく。算出された重みωの値から、プラント時定数
算出部６の伝達関数Ｔm＝（１−ω）×△Ｔ／ωによっ
て、モデルの時定数Ｔmを計算する。計算されたモデル
の時定数Ｔmを第１のコントローラ１と２のＴmに代入し
てチューニングを図る。In the auto-tuning device using the neural network in the model control of FIG. 1, the neural network 5 adjusts the weight ω so that the error becomes zero. From the calculated value of the weight ω, the model time constant T m is calculated by the transfer function T m = (1−ω) × ΔT / ω of the plant time constant calculation unit 6. The constant T m when calculated model by substituting the first controller 1 and 2 in T m achieving tuning.
【００２５】図３はモデル制御におけるオートチューニ
ング装置のシュミレーションの例を示すもので、このシ
ュミレーションは、プラントのようになる時定数Ｔp＝
１０、目標の時定数Ｔ＝５として行っている。Ｔmの初
期値は２０とする。図３によるオートチューニング装置
のシュミレーション例の結果を、図４と図５に示す。図
４に示すように、モデルの時定数Ｔmは２０から１０に
整定し、プラントの時定数に近づいている事がわかる。
また、図５に示すように、出力ｙは目標の応答に１５０
秒程度でほぼ一致し、目的とする制御を行うことができ
る。FIG. 3 shows an example of a simulation of an auto-tuning device in model control. This simulation has a plant-like time constant T p =
10, the target time constant T = 5. The initial value of T m is 20. The results of the simulation example of the auto-tuning device according to FIG. 3 are shown in FIGS. 4 and 5. As shown in FIG. 4, it can be seen that the model time constant T m is set to 20 to 10 and approaches the plant time constant.
Also, as shown in FIG. 5, the output y is 150
It is possible to perform the desired control by almost matching in about a second.
【００２６】[0026]
【発明の効果】本発明は、上述の如くであって、モデル
予測制御を適用したプラントにおいて、プラント同定部
のアルゴリズムとして、ニューラルネットの理論を適用
したものであるから、プラントの同定を図る計算時間
が、従来の最小２乗法に比べて大幅に短縮でき、更にプ
ログラミングが簡素化されるとともに、オンラインのオ
ートチューニングでもあるので、現場での制御調整員は
目標の応答のみを入れるだけで良く、作業能率の向上が
図れる。As described above, the present invention applies the neural network theory as the algorithm of the plant identification unit in the plant to which the model predictive control is applied. The time can be greatly shortened compared to the conventional least squares method, the programming is further simplified, and it is also an on-line auto-tuning, so the control coordinator on site only needs to include the target response. Work efficiency can be improved.
【図１】本発明の実施例によるモデル予測制御における
オートチューニング装置のブロック図。FIG. 1 is a block diagram of an auto tuning device in model predictive control according to an embodiment of the present invention.
【図２】ニューラルネットの演算例を示す説明図。FIG. 2 is an explanatory diagram showing a calculation example of a neural network.
【図３】図１のモデル予測制御におけるオートチューニ
ング装置のシュミレーションの例を示すブロック図。3 is a block diagram showing an example of a simulation of an auto tuning device in the model predictive control of FIG.
【図４】図３のシュミレーションによる特性図。FIG. 4 is a characteristic diagram based on the simulation of FIG.
【図５】図３のシュミレーションによる特性図。5 is a characteristic diagram based on the simulation of FIG.
【図６】モデル予測制御のブロック図。FIG. 6 is a block diagram of model predictive control.
１…第１のコントローラ ２…第２のコントローラ ３…プラント ４ａ〜４ｄ…加減算器 ５…ニューラルネット ６…プラント時定数同定部 ７…前回値算出部 1 ... 1st controller 2 ... 2nd controller 3 ... Plant 4a-4d ... Adder / subtractor 5 ... Neural net 6 ... Plant time constant identification part 7 ... Previous value calculation part
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ０６Ｆ 17/60 Ｇ０６Ｇ 7/60 ─────────────────────────────────────────────────── ─── Continuation of the front page (51) Int.Cl. 6 Identification code Internal reference number FI Technical display location G06F 17/60 G06G 7/60
Claims (1)
ラと、このコントローラの演算結果をもとに演算処理し
て出力値を算出する制御対象と、この出力値と該出力値
の前回値をもとに演算して得られた誤差がゼロになるよ
うに演算処理するニューラルネットと、該ニューラルネ
ットによって算出された重みを用いて前記制御対象の時
定数を制定する制御対象時定数同定部によって構成した
ことを特徴とする、モデル予測制御におけるオートチュ
ーニング装置。1. A controller that performs arithmetic processing based on an input value, a control target that performs arithmetic processing based on the arithmetic result of this controller to calculate an output value, and this output value and a previous value of the output value. By a neural network that performs arithmetic processing so that the error obtained by the original calculation becomes zero, and a controlled object time constant identification unit that establishes the time constant of the controlled object using the weight calculated by the neural network An auto-tuning device in model predictive control characterized by being configured.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7017390A JPH08211903A (en) | 1995-02-06 | 1995-02-06 | Autotuning device for model predictive control |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7017390A JPH08211903A (en) | 1995-02-06 | 1995-02-06 | Autotuning device for model predictive control |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH08211903A true JPH08211903A (en) | 1996-08-20 |
Family
ID=11942678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP7017390A Pending JPH08211903A (en) | 1995-02-06 | 1995-02-06 | Autotuning device for model predictive control |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH08211903A (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001216003A (en) * | 1999-10-04 | 2001-08-10 | Fisher Rosemount Syst Inc | Integrated advanced control block in process control system |
| JP2004503001A (en) * | 2000-06-29 | 2004-01-29 | アスペン テクノロジー インコーポレイテッド | Computer apparatus and method for constraining a nonlinear approximator of an empirical process |
| JP2010113638A (en) * | 2008-11-10 | 2010-05-20 | Fuji Electric Systems Co Ltd | Plant control system and control method |
| WO2020202316A1 (en) * | 2019-03-29 | 2020-10-08 | 三菱電機株式会社 | Model prediction control device, model prediction control program, model prediction control system, and model prediction control method |
-
1995
- 1995-02-06 JP JP7017390A patent/JPH08211903A/en active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001216003A (en) * | 1999-10-04 | 2001-08-10 | Fisher Rosemount Syst Inc | Integrated advanced control block in process control system |
| JP2004503001A (en) * | 2000-06-29 | 2004-01-29 | アスペン テクノロジー インコーポレイテッド | Computer apparatus and method for constraining a nonlinear approximator of an empirical process |
| JP4918207B2 (en) * | 2000-06-29 | 2012-04-18 | アスペン テクノロジー インコーポレイテッド | Computer system and method for constraining nonlinear approximation of empirical processes. |
| US8296107B2 (en) | 2000-06-29 | 2012-10-23 | Aspen Technology, Inc. | Computer method and apparatus for constraining a non-linear approximator of an empirical process |
| JP2010113638A (en) * | 2008-11-10 | 2010-05-20 | Fuji Electric Systems Co Ltd | Plant control system and control method |
| WO2020202316A1 (en) * | 2019-03-29 | 2020-10-08 | 三菱電機株式会社 | Model prediction control device, model prediction control program, model prediction control system, and model prediction control method |
| JPWO2020202316A1 (en) * | 2019-03-29 | 2021-09-13 | 三菱電機株式会社 | Model predictive control device, model predictive control program, model predictive control system and model predictive control method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3412384B2 (en) | Control model construction support device | |
| TW584591B (en) | Method of setting parameters for injection molding machine | |
| JP2007500379A (en) | Software optimization device for intelligent control system | |
| CN108287471A (en) | Inclined methods of self-tuning of the format Non-Model Controller based on systematic error of MIMO | |
| JPH07191712A (en) | Method and apparatus for giving of instruction to process at inside of system to be adjusted | |
| JPH06266449A (en) | Furnace temperature cascade controller utilizing adjustment input | |
| JPH08211903A (en) | Autotuning device for model predictive control | |
| CN108153151A (en) | Methods of self-tuning of the MIMO full format Non-Model Controller based on systematic error | |
| JPH0822306A (en) | Automatic adjusting device for arithmetic control parameter | |
| JPH06332506A (en) | Nonlinear controller | |
| JP2004509420A (en) | Multi-region convolver with taper function | |
| JPH05128082A (en) | Data processor constituting hierarchical network and its learning processing method | |
| JP2862308B2 (en) | Controller adjustment method and adjustment system | |
| JPH08129420A (en) | Direction and position controller for tunnel robot and constitution method for n-dimensional linear discrete time system probability model | |
| JPH0619506A (en) | Identifying device | |
| JPH0854906A (en) | Designing method/device for non-interference pid control system | |
| JPH05324007A (en) | Process controller | |
| JPH05333902A (en) | Method and device for control by grading learning system | |
| JPS5926042B2 (en) | Predictive control device | |
| JPH0272405A (en) | Deciding method for membership function | |
| JPH07121505A (en) | Method for optimizing simulation model | |
| JP2536066B2 (en) | Fuzzy modeling control method | |
| JPH10283002A (en) | Optimum load distributor | |
| JPH06301405A (en) | Fuzzy controller | |
| JPH04213101A (en) | Process identifying device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Year of fee payment: 8 Free format text: PAYMENT UNTIL: 20070827 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080827 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Year of fee payment: 9 Free format text: PAYMENT UNTIL: 20080827 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090827 Year of fee payment: 10 |
|
| LAPS | Cancellation because of no payment of annual fees |