JPH08211903A - モデル予測制御におけるオートチューニング装置 - Google Patents
モデル予測制御におけるオートチューニング装置Info
- 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
(57)【要約】
【目的】 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。 【構成】 第１のコントローラ（１）と第２のコントロ
ーラ（２）により、制御対象であるプラント（３）を制
御するモデル予測制御において、プラント同定器のアル
ゴリズムとしてニューラルネットの理論を適用してオー
トチューニングを図る。
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。 【構成】 第１のコントローラ（１）と第２のコントロ
ーラ（２）により、制御対象であるプラント（３）を制
御するモデル予測制御において、プラント同定器のアル
ゴリズムとしてニューラルネットの理論を適用してオー
トチューニングを図る。
Description
【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。
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。
【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。
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。
【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。
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。
【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。
伝達関数は、（１）式のようになる。
【０００５】
【数１】
【０００６】（１）式においてＴm＝Ｔpの場合（２）式
に変換される。
に変換される。
【０００７】
【数２】
【０００８】従って、出力ｙは目標の応答Ｔで制御され
ている。
ている。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
ながら説明する。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【００１８】
【数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。
１）はｂ（ｎ）の前回値である。
【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。
のニューラルネットで表すと図２のようになる。
【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、
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、
【００２２】
【数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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
オートチューニング装置のブロック図。
【図２】ニューラルネットの演算例を示す説明図。
【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。
ング装置のシュミレーションの例を示すブロック図。
【図４】図３のシュミレーションによる特性図。
【図５】図３のシュミレーションによる特性図。
【図６】モデル予測制御のブロック図。
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
───────────────────────────────────────────────────── 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
Claims (1)
- 【請求項１】 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、モデル予測制御におけるオートチュ
ーニング装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7017390A JPH08211903A (ja) | 1995-02-06 | 1995-02-06 | モデル予測制御におけるオートチューニング装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7017390A JPH08211903A (ja) | 1995-02-06 | 1995-02-06 | モデル予測制御におけるオートチューニング装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH08211903A true JPH08211903A (ja) | 1996-08-20 |
Family
ID=11942678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP7017390A Pending JPH08211903A (ja) | 1995-02-06 | 1995-02-06 | モデル予測制御におけるオートチューニング装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH08211903A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001216003A (ja) * | 1999-10-04 | 2001-08-10 | Fisher Rosemount Syst Inc | プロセス制御システムにおける統合されたアドバンスド制御ブロック |
| JP2004503001A (ja) * | 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 | 経験的プロセスの非線形近似器を制約するコンピュータ装置とその方法 |
| JP2010113638A (ja) * | 2008-11-10 | 2010-05-20 | Fuji Electric Systems Co Ltd | プラント制御システムおよび制御方法 |
| WO2020202316A1 (ja) * | 2019-03-29 | 2020-10-08 | 三菱電機株式会社 | モデル予測制御装置、モデル予測制御プログラム、モデル予測制御システムおよびモデル予測制御方法 |
-
1995
- 1995-02-06 JP JP7017390A patent/JPH08211903A/ja active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001216003A (ja) * | 1999-10-04 | 2001-08-10 | Fisher Rosemount Syst Inc | プロセス制御システムにおける統合されたアドバンスド制御ブロック |
| JP2004503001A (ja) * | 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 | 経験的プロセスの非線形近似器を制約するコンピュータ装置とその方法 |
| JP4918207B2 (ja) * | 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 | 経験的プロセスの非線形近似器を制約するコンピュータ装置とその方法 |
| 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 (ja) * | 2008-11-10 | 2010-05-20 | Fuji Electric Systems Co Ltd | プラント制御システムおよび制御方法 |
| WO2020202316A1 (ja) * | 2019-03-29 | 2020-10-08 | 三菱電機株式会社 | モデル予測制御装置、モデル予測制御プログラム、モデル予測制御システムおよびモデル予測制御方法 |
| JPWO2020202316A1 (ja) * | 2019-03-29 | 2021-09-13 | 三菱電機株式会社 | モデル予測制御装置、モデル予測制御プログラム、モデル予測制御システムおよびモデル予測制御方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3412384B2 (ja) | 制御モデル構築支援装置 | |
| TW584591B (en) | Method of setting parameters for injection molding machine | |
| JP2007500379A (ja) | インテリジェント制御システムのソフト演算最適化装置 | |
| CN108287471A (zh) | Mimo偏格式无模型控制器基于***误差的参数自整定方法 | |
| JPH06266449A (ja) | 調整入力利用のカスケード炉温制御装置 | |
| JPH08211903A (ja) | モデル予測制御におけるオートチューニング装置 | |
| CN108153151A (zh) | Mimo全格式无模型控制器基于***误差的参数自整定方法 | |
| JPH0822306A (ja) | 演算制御パラメータ自動調整装置 | |
| JPH06332506A (ja) | 非線形制御装置 | |
| JP2004509420A (ja) | テーパ状化機能付きの多重領域コンボルバ | |
| JPH05128082A (ja) | 階層ネツトワーク構成データ処理装置とその学習処理方法 | |
| JP2862308B2 (ja) | コントローラの調整方法および調整システム | |
| JPH08129420A (ja) | トンネルロボットの方向・位置制御装置及びｎ次元線形離散時間系確率モデルの構成方法 | |
| JPH0619506A (ja) | 同定装置 | |
| JPH0854906A (ja) | 非干渉ｐｉｄ制御系の設計方法および設計装置 | |
| JPH05324007A (ja) | プロセス制御装置 | |
| JPH05333902A (ja) | 格付け学習方式による制御装置及び制御方法 | |
| JPS5926042B2 (ja) | 予測制御装置 | |
| JPH08315017A (ja) | 生産スケジュール作成方法 | |
| JPH0272405A (ja) | メンバーシップ関数決定方法 | |
| JPH07121505A (ja) | シミュレーションモデルの最適化方法 | |
| JP2536066B2 (ja) | ファジィモデリング制御方法 | |
| JPH10283002A (ja) | 最適負荷配分装置 | |
| JPH06301405A (ja) | ファジィ制御装置 | |
| JPH04213101A (ja) | プロセス同定装置 |
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 |