CN113574795A - 马达控制方法、马达的控制模型的变换方法、马达控制系统、马达的控制模型的变换系统以及马达的控制模型的变换程序 - Google Patents

马达控制方法、马达的控制模型的变换方法、马达控制系统、马达的控制模型的变换系统以及马达的控制模型的变换程序 Download PDF

Info

Publication number
CN113574795A
CN113574795A CN202080020275.5A CN202080020275A CN113574795A CN 113574795 A CN113574795 A CN 113574795A CN 202080020275 A CN202080020275 A CN 202080020275A CN 113574795 A CN113574795 A CN 113574795A
Authority
CN
China
Prior art keywords
model
motor
input
node
nodes
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
Application number
CN202080020275.5A
Other languages
English (en)
Inventor
铃木健一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Panasonic Intellectual Property Management Co Ltd
Original Assignee
Panasonic Intellectual Property Management Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Panasonic Intellectual Property Management Co Ltd filed Critical Panasonic Intellectual Property Management Co Ltd
Publication of CN113574795A publication Critical patent/CN113574795A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P23/0018—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D13/00—Control of linear speed; Control of angular speed; Control of acceleration or deceleration, e.g. of a prime mover
    • G05D13/62—Control of linear speed; Control of angular speed; Control of acceleration or deceleration, e.g. of a prime mover characterised by the use of electric means, e.g. use of a tachometric dynamo, use of a transducer converting an electric value into a displacement
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P31/00—Arrangements for regulating or controlling electric motors not provided for in groups H02P1/00 - H02P5/00, H02P7/00 or H02P21/00 - H02P29/00
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0426—Programming the control sequence

Abstract

在马达控制方法中，将表示马达的状态的1个以上的控制量或目标值作为输入值输入到1个以上的节点层，通过在1个以上的节点层的各节点层中进行运算，来输出用于控制马达的1个以上的操作量，根据1个以上的操作量来对马达进行控制。1个以上的节点层分别具有并行地执行运算的多个节点。多个节点中的每个节点将输入值与针对每个节点规定的系数相乘，通过针对每个节点规定的将相乘后的值作为输入变量的函数来进行运算，由此决定输出值。

Description

马达控制方法、马达的控制模型的变换方法、马达控制系统、 马达的控制模型的变换系统以及马达的控制模型的变换程序
技术领域
本公开涉及一种马达控制方法、马达的控制模型的变换方法、马达控制系统、马达的控制模型的变换系统以及马达的控制模型的变换程序。更详细地说，本公开涉及一种基于马达的1个以上的控制量或目标值来对马达进行控制的马达控制方法、马达的控制模型的变换方法、马达控制系统、马达的控制模型的变换系统以及马达的控制模型的变换程序。
背景技术
在专利文献1中公开了伺服马达的控制系统。该伺服马达的控制系统具备位置闭环控制系统和速度闭环控制系统中的至少一个。位置闭环控制系统向伺服马达发送驱动指令，以使从伺服马达检测的旋转位置信息与从控制器发送的旋转位置指令之间的误差变小。速度闭环控制系统向伺服马达发送驱动指令，以使对所取得的旋转位置信息进行微分而求出的转速信息与从控制器发送的转速指令之间的误差变小。
现有技术文献
专利文献
专利文献1：日本特开平6-319284号公报
发明内容
本公开的目的在于提供一种能够缩短针对用于控制马达的指令的响应时间的马达控制方法、马达的控制模型的变换方法、马达控制系统、马达的控制模型的变换系统以及马达的控制模型的变换程序。
本公开的一个方式所涉及的马达控制方法将表示马达的状态的1个以上的控制量或目标值作为输入值输入到1个以上的节点层，通过在1个以上的节点层的各节点层中进行运算，来输出用于控制马达的1个以上的操作量，根据1个以上的操作量来对马达进行控制。1个以上的节点层分别具有并行地执行运算的多个节点。多个节点中的每个节点将输入值与针对每个节点规定的系数相乘，通过针对每个节点规定的将相乘后的值作为输入变量的函数来进行运算，由此决定输出值。
本公开的一个方式所涉及的马达的控制模型的变换方法是将第1运算模型变换为第2运算模型的变换方法。第1运算模型将表示马达的状态的1个以上的控制量或目标值作为输入，通过使用了1个以上的传递函数或状态方程式的运算，来输出用于控制马达的1个以上的操作量。第2运算模型将1个以上的控制量或目标值作为输入，在1个以上的节点层的各节点层中进行运算来输出1个以上的操作量，上述的1个以上的节点层分别具有并行地执行运算的多个节点。该变换方法在将第1运算模型变换为第2运算模型的过程中，针对多个节点中的各个节点，基于1个以上的传递函数或状态方程式来决定与输入到节点的输入值相乘的系数以及将相乘后的值作为输入变量的函数。
本公开的一个方式所涉及的马达控制系统具备输入部和运算部。表示马达的状态的1个以上的控制量或目标值作为输入值被输入到输入部。运算部包括1个以上的节点层，上述的1个以上的节点层分别具有并行地执行运算的多个节点，运算部通过基于输入值进行运算，来输出用于控制马达的1个以上的操作量。多个节点中的每个节点将输入值与针对每个节点规定的系数相乘，通过针对每个节点规定的将相乘后的值作为输入变量的函数来进行运算。
本公开的一个方式所涉及的马达的控制模型的变换系统具备模型输入部和变换部。模型输入部被输入第1运算模型。变换部将第1运算模型变换为第2运算模型并输出第2运算模型。第1运算模型将表示马达的状态的1个以上的控制量或目标值作为输入，通过使用了1个以上的传递函数或状态方程式的运算，来输出用于控制马达的1个以上的操作量。第2运算模型将1个以上的控制量或目标值作为输入，在1个以上的节点层的各节点层中进行运算来输出1个以上的操作量，上述的1个以上的节点层分别具有并行地执行运算的多个节点。变换部在将第1运算模型变换为第2运算模型的过程中，针对多个节点中的各个节点，基于1个以上的传递函数或状态方程式来决定与输入到节点的输入值相乘的系数以及将相乘后的值作为输入变量的函数。
本公开的一个方式所涉及的马达的控制模型的变换程序是用于使1个以上的处理器执行将第1运算模型变换为第2运算模型的变换处理的变换程序。第1运算模型将表示马达的状态的1个以上的控制量或目标值作为输入，通过使用了1个以上的传递函数或状态方程式的运算，来输出用于控制马达的1个以上的操作量。第2运算模型将1个以上的控制量或目标值作为输入，在1个以上的节点层的各节点层中进行运算来输出1个以上的操作量，上述的1个以上的节点层分别具有并行地执行运算的多个节点。变换处理包括以下处理：在将第1运算模型变换为第2运算模型的过程中，针对多个节点中的各个节点，基于1个以上的传递函数或状态方程式来决定与输入到节点的输入值相乘的系数以及将相乘后的值作为输入变量的函数。
本公开具有能够缩短针对用于控制马达的指令的响应时间这一优点。
附图说明
图1是示出本公开的实施方式所涉及的马达控制系统的概要的框图。
图2是示出本公开的实施方式所涉及的马达的控制模型的变换系统的概要的框图。
图3是示出本公开的实施方式所涉及的马达的控制模型的变换系统中成为变换对象的第1运算模型的一例的框线图。
图4是示出本公开的实施方式所涉及的马达的控制模型的变换系统中对第1运算模型进行变换得到的第2运算模型的一例的概要图。
图5是示出本公开的实施方式所涉及的马达控制系统的动作的流程图。
图6是示出本公开的实施方式所涉及的马达的控制模型的变换系统的动作的流程图。
图7是示出本公开的实施方式所涉及的马达的控制模型的变换系统的对第1运算模型进行变换得到的第1变换模型的一例的框线图。
图8是示出本公开的实施方式所涉及的马达的控制模型的变换系统的对第1变换模型进行变换得到的第2变换模型的一例的框线图。
图9是示出通过1个以上的传递函数表示的第1运算模型的一例的框线图。
图10是示出本公开的实施方式所涉及的马达的控制模型的变换系统的对第1运算模型进行变换得到的第2运算模型的一例的概要图。
图11是示出通过1个以上的状态方程式表示的第1运算模型的一例的框线图。
图12是示出本公开的实施方式所涉及的马达的控制模型的变换系统中对第1运算模型进行变换得到的第2运算模型的一例的概要图。
图13是示出本公开的实施方式所涉及的马达的控制模型的变换系统中将包含非线性函数的第1运算模型变换为第2运算模型的情况下的一例的概要图。
具体实施方式
(实施方式)
(1)概要
图1是示出本公开的实施方式所涉及的马达控制系统的概要的框图。如图1所示，本实施方式的马达控制方法是通过例如微控制器等所具有的1个以上的处理器对马达3进行伺服控制的方法。更具体地说，本实施方式的马达控制方法是不使用已完成学习的神经网络而使用模拟神经网络的伪神经网络来通过1个以上的处理器对马达3进行伺服控制的方法。在本实施方式的马达控制方法中，将表示马达3的状态的1个以上的控制量V1或目标值V2输入到1个以上的节点层L1。在马达控制方法中，通过在1个以上的节点层L1的各节点层中进行运算，来输出用于控制马达3的1个以上的操作量V3。上述的1个以上的节点层L1中的运算能够通过由1个以上的处理器执行程序来实现。
本公开所说的“控制量”是属于马达3的控制对象的量中的用于对马达3进行控制的量。控制量V1能够包含例如马达3的旋转位置(旋转角度)或马达3的转速等。本公开所说的“目标值”是为了使控制量取该目标值而作为目标提供的量。“目标值”换言之是马达3的控制量V1要跟随的值，例如是从外部提供的指令值。目标值V2能够包含例如马达3的旋转位置(转速)的指令值或马达3的转速的指令值等。本公开所说的“操作量”是在控制系统中为了对马达3的控制量V1进行控制而施加于控制对象的量。操作量V3能够包含例如马达3的转矩、流过马达3所具有的线圈的电流、或对电流进行控制的施加电压等。
1个以上的节点层L1分别具有并行地执行运算的多个节点N1。多个节点N1中的各个节点通过对输入值执行使用了系数w0和函数f1的运算，来决定输出值。系数w0是针对每个节点N1规定的，与输入值相乘。函数f1是针对每个节点N1规定的，将对输入值乘以系数w0所得到的相乘后的值作为输入变量。例如，关于任意的节点N1，若用“x”表示输入值、用“a”表示系数w0，则输入变量用“ax”来表示。而且，若用“y”表示输出值，则输出值用“y＝f(ax)”来表示。
在此，在任意的节点层L1中，该节点层L1包括的多个节点N1并行地执行运算。换言之，在存在多个节点层L1的情况下，并不是多个节点层L1整体包括的所有节点N1并行地执行运算，而是在多个节点层L1中的各个节点层中，节点层L1包括的多个节点N1并行地执行运算。作为一例，在存在第1节点层和第2节点层的情况下，第1节点层包括的多个节点N1并行地执行运算。而且，第2节点层包括的多个节点N1例如接受第1节点层中的运算结果后，并行地执行运算。
如上所述，在本实施方式中，针对1个以上的控制量V1或目标值V2，在1个以上的节点层L1的各节点层中，多个节点N1并行地执行运算，由此输出1个以上的操作量V3。因此，在本实施方式中，与针对1个以上的控制量V1或目标值V2逐次地进行运算的情况相比，能够缩短从输入1个以上的控制量V1或目标值V2起直到输出1个以上的操作量V3为止的时间。也就是说，具有能够缩短针对用于控制马达3的指令的响应时间这一优点。
(2)详细内容
下面，详细地说明本实施方式的马达控制系统1。另外，下面详细地说明本实施方式的马达3的控制模型的变换系统2。在下面的说明中，只要没有特别说明，则将马达3的控制模型的变换系统2简称为“变换系统2”。
(2.1)马达控制系统
如图1所示，马达控制系统1具备输入部11和运算部12。作为一例，运算部12能够通过多核CPU(Central Processing Unit：中央处理单元)、GPU(Graphics Processing Unit：图形处理单元)或FPGA(Field-Programmable Gate Array：现场可编程门阵列)等适合于并行处理的1个以上的处理器来实现。输入部11能够通过上述的1个以上的处理器的输入接口来实现。
将表示马达3的状态的1个以上的控制量V1或目标值V2作为输入值输入到输入部11。在本实施方式中，将马达3的旋转位置θ2(下面简称为“旋转位置θ2”)作为控制量V1输入到输入部11。也就是说，在本实施方式中，控制量V1至少包含马达3的位置信息(旋转位置θ2)。作为一例，通过设置于马达3的旋转变压器(resolver)或旋转编码器来检测旋转位置θ2。另外，在本实施方式中，将马达3的旋转位置θ2的目标值θ1(下面简称为“位置目标值θ1”)作为目标值V2输入。作为一例，从马达3的控制用控制器向输入部11提供位置目标值θ1。
运算部12包括1个以上(图1中为多个)的节点层L1。1个以上的节点层L1分别具有并行地执行运算的多个节点N1。运算部12通过基于输入到输入部11的输入值在1个以上的节点层L1的各节点层中进行运算，来输出用于控制马达3的1个以上的操作量V3。在本实施方式中，操作量V3是马达3的转矩的目标值(指令值)τ。马达3的转矩的目标值τ换言之是流过马达3所具有的励磁线圈的电流的目标值。在下面的说明中，只要没有特别说明，则将马达3的转矩的目标值τ称为“转矩目标值τ”。
在各节点层L1中，多个节点N1中的每个节点N1将输入值与针对每个节点N1规定的系数w0相乘，通过针对每个节点N1规定的将相乘后的值作为输入变量的函数f1来进行运算，由此决定输出值。
下面，将运算部12中使用的包括1个以上的节点层L1的运算模型称为“第2运算模型M2”。更详细地说，第2运算模型M2将1个以上的控制量V1或目标值V2作为输入，在1个以上的节点层L1的各节点层中进行运算来输出1个以上的操作量V3，其中，1个以上的节点层L1分别具有并行地执行运算的多个节点N1。也就是说，运算部12使用第2运算模型M2，根据输入到输入部11的控制量V1和目标值V2来求出操作量V3并输出到马达3(详细地说，是马达3的驱动器)。然后，马达3的驱动器根据操作量V3来控制马达3。通过这样，以使控制量V1跟随目标值V2的方式控制马达3。在本实施方式中，是以使旋转位置θ2跟随位置目标值θ1的方式控制马达3。
(2.2)变换系统
本实施方式的马达控制系统1的运算部12中使用的第2运算模型M2是通过在变换系统2中对第1运算模型M1进行变换而得到的。第1运算模型M1是已有的马达3的控制算法，例如通过使用了1个以上的传递函数TF1的控制块来表示。也就是说，第1运算模型M1将表示马达3的状态的1个以上的控制量V1或目标值V2作为输入，进行使用了1个以上的传递函数TF1或状态方程式的运算，来输出用于控制马达3的1个以上的操作量V3。在本实施方式中，变换系统2能够将是已有的马达3的连续系统的控制算法的第1运算模型M1变换为执行并行运算处理的第2运算模型M2。
如图2所示，变换系统2具备模型输入部21和变换部22。变换部22能够通过1个以上的处理器来实现。另外，模型输入部21能够通过上述的1个以上的处理器的输入接口来实现。
向模型输入部21输入第1运算模型M1。作为一例，将第1运算模型M1以能够通过由变换部22中的1个以上的处理器执行的数式处理软件进行处理的源代码的形式输入到模型输入部21。
变换部22将输入到模型输入部21的第1运算模型M1变换为第2运算模型M2并输出第2运算模型M2。在本实施方式中，变换部22如“(3.2)变换系统的动作”中详细记述的那样在将第1运算模型M1依次变换为第1变换模型M11(参照图7)、第2变换模型M12(参照图8)之后，将第2变换模型M12变换为第2运算模型M2。
变换部22在将第1运算模型M1变换为第2运算模型M2的过程中，针对多个节点N1中的各个节点，基于1个以上的传递函数TF1或状态方程式来决定与输入到节点N1的输入值相乘的系数w0以及将相乘后的值作为输入变量的函数f1。
换言之，马达3的控制模型的变换方法在将第1运算模型M1变换为第2运算模型M2的过程中，针对多个节点N1中的各个节点，基于1个以上的传递函数TF1或状态方程式来决定与输入到节点N1的输入值相乘的系数w0以及将相乘后的值作为输入变量的函数f1。在下面的说明中，只要没有特别说明，则将马达3的控制模型的变换方法简称为“变换方法”。
(2.3)第1运算模型
下面，使用图3来说明第1运算模型M1的具体例。图3是示出本公开的实施方式所涉及的马达的控制模型的变换系统2中成为变换对象的第1运算模型M1的一例的框线图。图3所示的第1运算模型M1是包含马达3的旋转位置θ2的P控制和马达3的转速的PI控制的级联结构的连续系统的控制块。向第1运算模型M1输入作为目标值V2的位置目标值θ1和作为控制量V1的旋转位置θ2。第1运算模型M1输出作为操作量V3的转矩目标值τ、以及作为位置目标值θ1与旋转位置θ2之差的偏差e。偏差e用于评价基于第1运算模型M1得到的马达3的旋转位置的跟随性。
具体地说，第1运算模型M1包括第1处理P1～第9处理P9。第1处理P1是通过从位置目标值θ1减去旋转位置θ2来求出第1运算值CV1(也就是说，偏差e)的处理。第2处理P2是通过将对位置目标值θ1进行微分得到的结果乘以速度前馈增益Kvff来求出第2运算值CV2的处理。在图3中，“s”表示拉普拉斯变换中的微分要素。第3处理P3是通过将第1运算值CV1(偏差e)乘以位置环增益Kp来求出第3运算值CV3的处理。第4处理P4是通过对旋转位置θ2进行微分来求出与马达3的转速相当的第4运算值CV4的处理。
第5处理P5是通过将与马达3的转速的目标值相当的第2运算值CV2同第3运算值CV3之和减去与马达3的转速相当的第4运算值CV4来求出第5运算值CV5的处理。第6处理P6是通过将第5运算值CV5乘以速度环增益Kv来求出第6运算值CV6的处理。第7处理P7是通过对将第6运算值CV6除以速度环积分时间常数Ti得到的值进行积分来求出第7运算值CV7的处理。在图3中，“1/s”表示拉普拉斯变换中的积分要素。第8处理P8是通过将第6运算值CV6与第7运算值CV7相加来求出第8运算值CV8的处理。第9处理P9是使第8运算值CV8通过具有转矩滤波器时间常数Tf的一阶滞后滤波器来使第8运算值CV8平滑化从而求出与转矩目标值τ相当的第9运算值CV9的处理。在图3中，“1/(1+Tf·s)”表示拉普拉斯变换中的一阶滞后要素。
在第1运算模型M1中，在执行第3处理P3时，通过执行第1处理P1来事先求出第1运算值CV1(偏差e)。在执行第5处理P5时，通过执行第2处理P2～第4处理P4来事先求出第2运算值CV2～第4运算值CV4。此外，执行第2处理P2、第3处理P3以及第4处理P4的顺序不限于此顺序。在执行第8处理P8时，通过执行第6处理P6和第7处理P7来事先求出第6运算值CV6和第7运算值CV7。此外，执行第6处理P6和第7处理P7的顺序也可以反过来。在执行第9处理P9时，通过执行第8处理P8来事先求出第8运算值CV8。像这样，在第1运算模型M1中，通过逐次处理来执行第1处理P1～第9处理P9。
(2.4)第2运算模型
下面，使用图4来说明第2运算模型M2的具体例。图4是示出本公开的实施方式所涉及的马达的控制模型的变换系统2中对第1运算模型M1进行变换得到的第2运算模型M2的一例的概要图。图4所示的第2运算模型M2具有多个(在此为4个)节点层L1。多个节点层L1包括具有2个输入节点Ni1、Ni2的输入层L11以及具有2个输出节点No1、No2的输出层L12。多个节点层L1包括具有6个隐藏节点Nh1～Nh6的隐藏层L13以及具有4个上下文节点Nc1～Nc4的上下文层L14。
向输入节点Ni1、Ni2分别输入作为控制量V1的旋转位置θ2和作为目标值的位置目标值θ1。输入节点Ni1、Ni2分别将输入值(位置目标值θ1和旋转位置θ2)保持原样地输出。输出节点No1、No2分别将节点的计算结果作为操作量(转矩目标值τ和偏差e)来输出。
隐藏节点Nh1～Nh4分别是与输入节点Ni1、Ni2以及上下文节点Nc1～Nc4对应的节点。隐藏节点Nh1～Nh4如后面在“(3.2)变换系统的动作”中记述的那样分别将输入值乘以“z-1”后输出。隐藏节点Nh5、Nh6分别是与输入节点Ni1、Ni2对应的节点。隐藏节点Nh5、Nh6均是将作为输入节点Ni1的输出值的位置目标值θ1乘以系数所得到的值与将作为输入节点Ni2的输出值的旋转位置θ2乘以系数所得到的值相加，将相加所得到的值保持原样地输出。
上下文节点Nc1～Nc4分别保持隐藏节点Nh1～Nh4的输出值并输出所保持的值，直到隐藏节点Nh1～Nh4下一次进行输出为止。也就是说，上下文节点Nc1～Nc4分别输出隐藏节点Nh1～Nh4的过去(在此为前一个采样时间)的输出值。也就是说，在本实施方式中，1个以上的节点层L1中的至少1个节点层L1(上下文层L14)所具有的节点N1(上下文节点Nc1～Nc4)将其它节点(隐藏节点Nh1～Nh4)的过去的输出值作为输入值。
关于输入节点Ni1、Ni2、隐藏节点Nh1～Nh6、输出节点No1、No2以及上下文节点Nc1～Nc4各自的节点之间的系数w1～w23，在后述的“(3.2)变换系统的动作”中详细地进行说明。此外，在下面的说明中，在不对系数w1～w23加以区分的情况下，简称为“系数w0”。
(3)动作
(3.1)马达控制系统的动作
下面，主要使用图5和图7来说明马达控制系统1的动作、换言之是马达控制方法。图5是示出本公开的实施方式所涉及的马达控制系统的动作的流程图。图7是示出本公开的实施方式所涉及的马达的控制模型的变换系统2的对第1运算模型M1进行变换得到的第1变换模型的一例的框线图。首先，通过向输入部11输入控制量V1(在此为旋转位置θ2)和目标值V2(在此为位置目标值θ1)，来向第2运算模型M2的输入节点Ni1、Ni2分别输入控制量V1和目标值V2(步骤S11)。向隐藏节点Nh1～Nh6分别输入将输入节点Ni1、Ni2的输出值与系数w0相乘得到的值(步骤S12)。另外，向隐藏节点Nh1～Nh4分别输入将上下文节点Nc1～Nc4的输出值与系数w0相乘得到的值(步骤S12)。
向上下文节点Nc1～Nc4分别输入隐藏节点Nh1～Nh4的输出值(步骤S13)。由此，上下文节点Nc1～Nc4分别保持隐藏节点Nh1～Nh4的过去的输出值。另外，向输出节点No1、No2分别输入将隐藏节点Nh1～Nh6的输出值与系数w0相乘得到的值(步骤S14)。
接着，输出节点No1、No2分别将输入值保持原样地输出，由此第2运算模型M2输出操作量V3(在此为转矩目标值τ)和偏差e(步骤S15)。马达3的驱动器通过根据操作量V3来对马达3进行控制，来以使控制量V1跟随目标值V2的方式控制马达3。
如上所述，在本实施方式的马达控制系统1和马达控制方法中，针对1个以上的控制量V1或目标值V2，在1个以上的节点层L1的各个节点层中，多个节点N1并行地执行运算，由此输出1个以上的操作量V3。因此，在本实施方式中，与针对1个以上的控制量V1或目标值V2逐次地进行运算的情况相比，能够缩短从输入1个以上的控制量V1或目标值V2起直到输出1个以上的操作量V3为止的时间。也就是说，具有能够缩短针对用于控制马达3的指令的响应时间这一优点。
(3.2)变换系统的动作
下面，主要使用图3、图4、图6～8来说明变换系统2的动作、换言之是变换方法。图6是示出本公开的实施方式所涉及的马达的控制模型的变换系统2的动作的流程图。图8是示出本公开的实施方式所涉及的马达的控制模型的变换系统2的对第1变换模型进行变换得到的第2变换模型的一例的框线图。首先，当向模型输入部21输入第1运算模型M1时(步骤S21)，变换部22执行将第1运算模型M1变换为第1变换模型M11的处理(步骤S22)。也就是说，变换部22将是连续系统的控制算法的第1运算模型M1变换为是离散系统的控制算法的第1变换模型M11。具体地说，变换部22将第1运算模型M1的第1处理P1～第9处理P9中的微分要素、积分要素以及一阶滞后要素等通过拉普拉斯变换表示的传递函数TF1变换为通过z变换表示的传递函数TF1。由此，变换部22将第1运算模型M1变换为第1变换模型M11。
在本实施方式中，第1运算模型M1的第2处理P2和第4处理P4中的微分要素通过使用了一阶近似的z变换来用下述的式(1)表示。第1运算模型M1的第7处理P7中的积分要素通过使用了一阶近似的z变换来用下述的式(2)表示。第1运算模型M1的第9处理P9中的一阶滞后要素通过双线性变换来用下述的式(3)表示。在式(1)～(3)中，“Ts”表示采样周期，“z-1”表示用于表示1个采样时间的延迟的延迟元素。
[数式1]
Figure BDA0003256460880000121
Figure BDA0003256460880000122
Figure BDA0003256460880000123
通过上述的变换，第1运算模型M1被变换为图7所示的第1变换模型M11。具体地说，第1变换模型M11中的第2处理P2、第4处理P4、第7处理P7以及第9处理P9分别通过下述的式(4)～(7)来表示。在下面示出的式子中，“θ1”和“θ2”分别表示位置目标值θ1和旋转位置θ2。另外，在下面示出的式子中，“v2”、“v4”、“v6”～“v9”分别表示第2运算值CV2、第4运算值CV4、第6运算值CV6～第9运算值CV9。另外，在下面示出的式子中，“a1”、“b0”以及“b1”分别是将用采样周期Ts和转矩滤波器时间常数Tf表示的常数简化后的常数。
[数式2]
Figure BDA0003256460880000131
Figure BDA0003256460880000132
Figure BDA0003256460880000133
Figure BDA0003256460880000134
接着，变换部22执行将第1变换模型M11变换为图8所示的第2变换模型M12的处理(步骤S23)。具体地说，变换部22在第2处理P2、第4处理P4、第7处理P7以及第9处理P9的各个处理中执行将延迟元素“z-1”置换为隐藏层L13的隐藏节点Nh1～Nh4的处理。
变换部22执行将第2变换模型M12变换为图4所示的第2运算模型M2的处理(步骤S24)。具体地说，变换系统2将输入到第1运算模型M1的2个输入值即位置目标值θ1和旋转位置θ2分别变换为输入层的2个输入节点Ni1、Ni2。另外，变换系统2将来自第1运算模型M1的2个输出值即转矩目标值τ和偏差e分别变换为输出层的2个输出节点No1、No2。
变换部22基于第2变换模型M12来求出输入节点Ni1、Ni2、隐藏节点Nh1～Nh6、输出节点No1、No2以及上下文节点Nc1～Nc4各自的节点N1之间的系数w0。能够通过在第2变换模型M12中在2个节点N1之间按照图中所示的箭头的方向乘以和加上有向边的权重来计算系数w0。
将第2运算模型M2中的各节点N1之间的系数w0列举为式(8)～(30)。在下面示出的式子中，“h1”～“h6”分别表示隐藏节点Nh1～Nh6的输出值。在下面示出的式子中，“c1”～“c4”分别表示上下文节点Nc1～Nc4的输出值。在下面示出的式子中，“τ”和“e”分别表示转矩目标值τ和偏差e。
系数w1～w5分别是输入节点Ni1与隐藏节点Nh1、Nh3、Nh4、Nh5、Nh6之间的系数。系数w1～w5通过式(8)～(12)来表示。
[数式3]
Figure BDA0003256460880000141
Figure BDA0003256460880000142
Figure BDA0003256460880000143
Figure BDA0003256460880000144
w5＝1…(12)
系数w6～w10分别是输入节点Ni2与隐藏节点Nh2、Nh3、Nh4、Nh5、Nh6之间的系数。系数w6～w10通过式(13)～(17)来表示。
[数式4]
Figure BDA0003256460880000145
Figure BDA0003256460880000146
Figure BDA0003256460880000147
Figure BDA0003256460880000148
w10＝-1…(17)
系数w11、w12分别是上下文节点Nc1与隐藏节点Nh3、Nh4之间的系数。系数w11、w12通过式(18)、(19)来表示。
[数式5]
Figure BDA0003256460880000149
Figure BDA00032564608800001410
系数w13、w14分别是上下文节点Nc2与隐藏节点Nh3、Nh4之间的系数。系数w13、w14通过式(20)、(21)来表示。
[数式6]
Figure BDA0003256460880000151
Figure BDA0003256460880000152
系数w15、w16分别是上下文节点Nc3与隐藏节点Nh3、Nh4之间的系数。系数w15、w16通过式(22)、(23)来表示。
[数式7]
w15＝1…(22)
w16＝1…(23)
系数w17是上下文节点Nc4与隐藏节点Nh4之间的系数。系数w17通过式(24)来表示。
[数式8]
w17＝-a1…(24)
系数w18～w22分别是隐藏节点Nh1～Nh4与输出节点No1之间的系数。系数w18～w22通过式(25)～(29)来表示。
[数式9]
Figure BDA0003256460880000153
Figure BDA0003256460880000154
w20＝b0…(27)
w21＝b1…(28)
w22＝1..(29)
而且，系数w23是隐藏节点Nh6与输出节点No2之间的系数。系数w23通过式(30)来表示。
[数式10]
w23＝1…(30)
像这样，变换部22在将第1运算模型M1变换为第2运算模型M2的过程中执行以下处理。即，变换部22基于第1运算模型M1中的1个以上的传递函数TF1或状态方程式的过去的状态的个数、以及输入与输出的连接关系，来决定多个节点N1的个数和多个节点N1各自的系数w0。本公开所说的传递函数TF1的过去的状态的个数相当于延迟元素“z-1”的个数。本公开所说的状态方程式的过去的状态的个数相当于状态变量的要素的数量。换言之，马达3的控制模型的变换方法在将第1运算模型M1变换为第2运算模型M2的过程中包括以下方法。即，该方法基于第1运算模型M1中的1个以上的传递函数TF1或状态方程式的过去的状态的个数、以及输入与输出的连接关系，来决定多个节点N1的个数和多个节点N1各自的系数w0。
变换部22输出通过如上述那样对第1运算模型M1进行变换而得到的第2运算模型M2(步骤S25)。
在目前为止的变换系统2的动作说明中，作为第1运算模型M1，使用了在马达控制系统中普遍使用的已知的位置控制系统，但是还能够将更普遍的传递函数或状态方程式的组合设为第1运算模型M1。
下面，作为变换部22的一般化的例子，使用图9和图10来说明将通过1个以上的传递函数TF1表示的第1运算模型M1变换为第2运算模型M2的方法的一例。图9是示出通过1个以上的传递函数表示的第1运算模型M1的一例的框线图。图10是示出本公开的实施方式所涉及的马达的控制模型的变换系统2的对第1运算模型M1进行变换得到的第2运算模型的一例的概要图。
当将第1运算模型M1设为离散型的传递函数时，将输入设为“u(z)”，将输出设为“y(z)”，将传递函数TF1设为“G(z)”，它们的关系通过式(31)来表示。
作为简单的例子，在将传递函数TF1设为分子和分母的阶数为1的一阶传递函数的情况下，传递函数TF1通过式(32)来表示。在下面示出的式子中，“a1”、“b0”以及“b1”分别表示常数，“z-1”表示用于表示1个采样时间的延迟的延迟元素。
[数式11]
y(z)＝G(z)·u(z)…(31)
Figure BDA0003256460880000171
基于式(31)和式(32)，输出“y(z)”与输入“u(z)”的关系通过式(33)来表示。
[数式12]
y(z)＝(b0+b1·z-1)·u(z)-al·z-1·y(z)…(33)
基于式(33)，第1运算模型M1能够通过图9所示的框线图来表示。如图10所示，第1运算模型M1中的输入“u(z)”、输出“y(z)”以及延迟元素“z-1”能够分别被置换为第2运算模型M2中的输入节点Ni11、输出节点No11以及隐藏节点Nh11。在图10中，上下文节点Nc11是保持隐藏节点Nh11的过去的输出值的节点。
基于图9所示的第1运算模型M1，来求出各节点N1之间的系数w24～w27。能够通过在第1运算模型M1中在2个节点N1之间按照图中所示的箭头的方向乘以和加上有向边的权重来分别计算系数w24～w27。在本例中，系数w24、w25、w26、w27分别是“1”、“b0”、“b1”、“-a1”。通过如以上那样，能够将通过1个以上的传递函数TF1表示的第1运算模型M1变换为第2运算模型M2。
在传递函数TF1是分子和分母的阶数为2的二阶传递函数的情况下，也能够与上述同样地定义将延迟元素“z-1”置换为隐藏节点的变换。在该情况下，在式(32)中，对分子追加作为系数“b2”的二次项“(z-1)2”以及对分母追加作为系数“a2”的二次项“(z-1)2”即可。在此，“(z-1)2”表示用于表示2个采样时间的延迟的延迟元素。在传递函数TF1为三阶以上的高阶传递函数的情况下，也能够与上述同样地通过对式(32)追加多次项，来定义将延迟元素“z-1”置换为隐藏节点的变换。
下面，作为变换部22的一般化的另一例，使用图11和图12来说明将通过1个以上的状态方程式表示的第1运算模型M1变换为第2运算模型M2的方法。图11是示出通过1个以上的状态方程式表示的第1运算模型的一例的框线图。图12是示出本公开的实施方式所涉及的马达的控制模型的变换系统2中对第1运算模型进行变换得到的第2运算模型的一例的概要图。当将第1运算模型M1设为离散型的状态方程式时，将输入设为“u(n)”，将输出设为“y(n)”，将状态变量设为“x(n)”，它们的关系通过式(34)和式(35)来表示。
作为简单的例子，在将状态方程式设为输入数和输出数为1个且状态变量为2个的状态方程式的情况下，在式(34)中，“A”成为2×2矩阵(参照式(36))，“B”成为2×1矩阵(参照式(37))。在式(35)中，“C”成为1×2矩阵(参照式(38))，“D”成为1×1矩阵(参照式(39))。状态变量“x(n)”通过2×1矩阵来表示(参照式(40))。也就是说，在本例中，状态变量“x(n)”包含2个要素。
[数式13]
x(n+1)＝A·x(n)+B·u(n)…(34)
y(n)＝C·x(n)+D·u(n)…(35)
Figure BDA0003256460880000181
Figure BDA0003256460880000182
C＝[c1 c2]…(38)
D＝[d]…(39)
Figure BDA0003256460880000183
基于式(34)和式(35)，第1运算模型M1能够通过图11所示的框线图来表示。如图12所示，第1运算模型M1中的输入“u(n)”、输出“y(n)”以及状态变量“x(n)”的要素能够分别被置换为第2运算模型M2中的输入节点Ni21、输出节点No21以及隐藏节点Nh21、Nh22。在图12中，上下文节点Nc21、Nc22分别是保持隐藏节点Nh21、Nh22的过去的输出值的节点。
基于图11所示的第1运算模型M1，来求出各节点N1之间的系数w28～w36。能够通过在第1运算模型M1中在2个节点N1之间按照图中所示的箭头的方向乘以和加上有向边的权重来分别计算系数w28～w36。在本例中，系数w28、w29、w30、w31、w32分别是“b1”、“b2”、“d”、“c1”、“c2”。另外，系数w33、w34、w35、w36分别是“a11”、“a21”、“a12”、“a22”。通过以上那样，能够将通过1个以上的状态方程式表示的第1运算模型M1变换为第2运算模型M2。
此外，在状态方程式的输入数或输出数为2个以上、或状态变量为2个以外的情况下，也能够与上述同样地定义将状态变量“x(n)”的要素置换为隐藏节点的变换。在该情况下，在式(34)～(40)中，使输入“u(n)”、输出“y(n)”以及状态变量“x(n)”的阶数一致，并与它们相应地变更矩阵“A”、“B”、“C”、“D”各自的阶数即可。
在本实施方式中，输入节点Ni1、Ni2的数量是基于向第1运算模型M1输入的参数(控制量V1和目标值V2)的数量决定的。另外，输出节点No1、No2的数量是基于从第1运算模型M1输出的参数(操作量V3和偏差e)的数量决定的。另外，隐藏节点Nh1～Nh6的数量是基于第1运算模型M1中的1个以上的传递函数TF1或状态方程式的过去的状态的个数决定的。另外，上下文节点Nc1～Nc4的数量是基于包括延迟元素“z-1”的传递函数TF1的数量决定的。能够通过在第2变换模型M12中在2个节点N1之间按照图中所示的箭头的方向乘以和加上有向边的权重来计算节点N1之间的系数w0。
如上所述，变换系统2及其变换方法基于第1运算模型M1，来决定第2运算模型M2的输入节点Ni1、Ni2、隐藏节点Nh1～Nh6、上下文节点Nc1～Nc4以及输出节点No1、No2各自的数量。变换系统2及其变换方法基于第1运算模型M1来计算第2运算模型M2的各节点N1之间的系数w0。由此，变换系统2及其变换方法能够将是已有的马达3的控制算法的第1运算模型M1变换为执行并行运算处理的第2运算模型M2。因此，本实施方式的变换系统2和变换方法例如具有如下优点。
一般地，在构建学习完成模型的情况下，通过反复试验来决定输入层、隐藏层及输出层各自的神经元的数量、神经元之间的连接关系等神经网络的构造与各神经元中使用的激活函数的组合。针对神经元之间的加权系数，一般是通过误差反向传播算法(Backpropagation)来进行机器学习。也就是说，为了构建学习完成模型，需要进行机器学习。机器学习需要庞大数量的数据(大数据)和学习时间。
对此，在本实施方式的变换系统2和变换方法中，将已有的马达3的控制算法(第1运算模型M1)变换为近似于学习完成模型的第2运算模型M2。因此，在本实施方式中，不需要进行机器学习，因此不需要大数据和学习时间，从而具有能够构建近似于学习完成模型的运算模型这一优点。
另外，在本实施方式中，还能够以第2运算模型M2为基础进行机器学习来谋求马达3的控制精度的进一步提高。在该情况下，由于不需要从空白的状态进行机器学习，因此具有易于快速地获得机器学习的结果这一优点。
另外，在本实施方式中，能够将作为机器学习的结果得到的加权系数置换为已有的马达3的控制算法的参数。因此，在本实施方式中，具有如下优点：在进行了机器学习的情况下，易于依照已有的马达3的控制算法来解释机器学习的结果。
另外，在本实施方式中，具有如下优点：即使在开发出了以已有的马达3的控制算法为基础的新的控制算法的情况下，也易于通过对第2运算模型M2附加节点N1来构建与新的算法对应的运算模型。
(4)变形例
上述的实施方式只不过是本公开的各种实施方式之一。上述的实施方式只要能够达成本公开的目的，则能够根据设计等进行各种变更。与马达控制系统1同样的功能可以通过计算机程序、或记录有计算机程序的非暂态的记录介质等来具体化。与马达3的控制模型的变换系统2同样的功能可以通过计算机程序、或记录有计算机程序的非暂态的记录介质等来具体化。
一个方式所涉及的马达3的控制模型的变换程序(下面也简称为“变换程序”)是用于使1个以上的处理器执行将第1运算模型M1变换为第2运算模型M2的变换处理的变换程序。第1运算模型M1将表示马达3的状态的1个以上的控制量V1或目标值V2作为输入，通过使用了1个以上的传递函数TF1或状态方程式的运算，来输出用于控制马达3的1个以上的操作量V3。第2运算模型M2将1个以上的控制量V1或目标值V2作为输入，在1个以上的节点层L1的各节点层中进行运算来输出1个以上的操作量V3，上述的1个以上的节点层L1分别具有并行地执行运算的多个节点N1。变换处理包括以下处理：在将第1运算模型M1变换为第2运算模型M2的过程中，针对多个节点N1中的各个节点，基于1个以上的传递函数TF1或状态方程式来决定与输入到节点N1的输入值相乘的系数w1以及将相乘后的值作为输入变量的函数f1。
在变换程序中，变换处理在将第1运算模型M1变换为第2运算模型M2的过程中包括以下处理。即，在该处理中，基于第1运算模型M1中的1个以上的传递函数TF1或状态方程式的过去的状态的个数、以及输入与输出的连接关系，来决定多个节点N1的个数和多个节点N1各自的系数w1。
下面，列举上述的实施方式的变形例。下面说明的变形例能够适当地组合来应用。
本公开中的马达控制系统1(或变换系统2)包括计算机系统。计算机系统以作为硬件的处理器和存储器为主要结构。通过由处理器执行计算机系统的存储器中记录的程序，来实现作为本公开中的马达控制系统1(或变换系统2)的功能。程序可以被预先记录于计算机系统的存储器中，也可以通过电气通信线路来提供，还可以记录于计算机系统可读的存储卡、光盘、硬盘驱动器等非暂态的记录介质中来提供。计算机系统的处理器由包括半导体集成电路(IC，Integrated Circuit)或大规模集成电路(LSI，Large Scale Integration)的1个或多个电子电路构成。此处所说的IC或LSI等集成电路根据集成的程度而称呼方式不同，包含被称为系统LSI、VLSI(Very Large Scale Integration：超大规模集成电路)、或ULSI(Ultra Large Scale Integration：甚大规模集成电路)的集成电路。并且，在LSI制造后被进行编程的FPGA(Field Programmable Gate Array)、或能够进行LSI内部的接合关系的重构或LSI内部的电路划分的重构的逻辑设备也能够采用为处理器。多个电子电路既可以被集成于一个芯片，也可以分散设置于多个芯片。多个芯片既可以集成于一个装置，也可以分散设置于多个装置。此处所说的计算机系统包括具有一个以上的处理器和一个以上的存储器的微控制器。因而，微控制器也由包括半导体集成电路或大规模集成电路的一个或多个电子电路构成。
另外，马达控制系统1(或变换系统2)中的多个功能被集成在1个壳体内并不是马达控制系统1(或变换系统2)所必须的结构。也就是说，马达控制系统1(或变换系统2)的构成要素可以分散设置于多个壳体。并且，马达控制系统1(或变换系统2)的至少一部分功能可以通过云端(云计算)等实现。
另外，在第2运算模型M2中包括的多个节点N1中的1个以上的节点N1中，函数f1也可以为非线性函数。图13是示出本公开的实施方式所涉及的马达的控制模型的变换系统中将包含非线性函数的第1运算模型变换为第2运算模型的情况下的一例的概要图。例如，如图13所示，假定第1运算模型M1具有通过将以输入数据A1为输入变量的sign函数(符号函数)的输出值乘以摩擦系数K来得到输出数据B1的处理。在此，输入数据A1相当于马达3的速度，输出数据B1相当于摩擦转矩。
在该情况下，在第2运算模型M2中，上述的处理通过3个节点N1(第1节点N11、第2节点N12以及第3节点N13)来表示。第1节点N11将输入数据A1作为输入值，并将输入值保持原样地输出。在第2节点N12中，作为函数f1，规定了步进函数f11。第3节点N13是将输入值保持原样地输出的节点，将输出数据B1设为输出值。第1节点N11与第2节点N12之间的系数w37为“1”，第2节点N12与第3节点N13之间的系数w38为“K”。像这样，包括第1运算模型M1中的非线性函数(在此为sign函数)的处理能够变换为使用了被规定作为函数f1的非线性函数(在此为步进函数)的节点N1的第2运算模型M2。
另外，第1运算模型M1也可以被划分为多个控制算法。在该情况下，变换系统2和变换方法对多个控制算法分别进行向第2运算模型M2的变换即可。
另外，在第2运算模型M2中，隐藏层L13不限于1层，也可以是多个层。在第2运算模型M2中，上下文层L14不限于1层，也可以为多个层。
(总结)
如以上记述的那样，第1方式所涉及的马达控制方法将表示马达3的状态的1个以上的控制量V1或目标值V2作为输入值输入到1个以上的节点层L1，通过在1个以上的节点层L1的各节点层中进行运算，来输出用于控制马达3的1个以上的操作量V3，根据1个以上的操作量来对马达进行控制输出。1个以上的节点层L1分别具有并行地执行运算的多个节点N1。多个节点N1中的每个节点将输入值与针对每个节点N1规定的系数w0相乘，通过针对每个节点N1规定的将相乘后的值作为输入变量的函数f1来进行运算，由此决定输出值。
根据本方式，具有能够缩短针对用于控制马达3的指令的响应时间这一优点。
关于第2方式所涉及的马达控制方法，在第1方式中，1个以上的节点层L1中的至少1个节点层L1所具有的节点N1将1个以上的节点层L1中的其它节点N1的过去的输出值作为输入值。
根据本方式，具有易于提高反馈控制的精度这一优点。
关于第3方式所涉及的马达控制方法，在第1或第2方式中，函数f1为非线性函数。
根据本方式，相比于函数f1为线性函数的情况而言，具有易于提高马达3的控制的自由度这一优点。
关于第4方式所涉及的马达控制方法，在第1～第3方式中的任一方式中，1个以上的控制量V1至少包含马达3的位置信息。
根据本方式，具有能够缩短将马达3的位置控制为期望的位置所需要的时间这一优点。
第5方式所涉及的马达3的控制模型的变换方法是将第1运算模型M1变换为第2运算模型M2的变换方法。第1运算模型M1将表示马达3的状态的1个以上的控制量V1或目标值V2作为输入，通过使用了1个以上的传递函数或状态方程式的运算，来输出用于控制马达3的1个以上的操作量V3。第2运算模型M2将1个以上的控制量V1或目标值V2作为输入，在1个以上的节点层L1的各节点层中进行运算来输出1个以上的操作量V3，上述1个以上的节点层L1分别具有并行地执行运算的多个节点N1。该变换方法在将第1运算模型M1变换为第2运算模型M2的过程中，针对多个节点N1中的各个节点，基于1个以上的传递函数或状态方程式来决定与输入到节点N1的输入值相乘的系数w0以及将相乘后的值作为输入变量的函数f1。
根据本方式，通过使用变换后的第2运算模型M2，具有能够缩短针对用于控制马达3的指令的响应时间这一优点。
关于第6方式所涉及的马达3的控制模型的变换方法，在第5方式中，在将第1运算模型M1变换为第2运算模型M2的过程中包括以下方法。即，该方法基于第1运算模型M1中的1个以上的传递函数TF1或状态方程式的过去的状态的个数、以及输入与输出的连接关系，来决定多个节点N1的个数和多个节点N1各自的系数w0。
根据本方式，具有易于实现将第1运算模型M1变换为第2运算模型M2的过程的简单化这一优点。
第7方式所涉及的马达控制系统1具备输入部11和运算部12。表示马达3的状态的1个以上的控制量V1或目标值V2作为输入值被输入到输入部11。运算部12包括1个以上的节点层L1，上述1个以上的节点层L1分别具有并行地执行运算的多个节点N1，运算部12通过基于输入值进行运算，来输出用于控制马达3的1个以上的操作量V3。多个节点N1中的每个节点将输入值与针对每个节点N1规定的系数w0相乘，通过针对每个节点N1规定的将相乘后的值作为输入变量的函数f1来进行运算。
根据本方式，具有能够缩短针对用于控制马达3的指令的响应时间这一优点。
第8方式所涉及的马达3的控制模型的变换系统2具备模型输入部21和变换部22。模型输入部21被输入第1运算模型M1。变换部22将第1运算模型M1变换为第2运算模型M2并输出第2运算模型M2。第1运算模型M1将表示马达3的状态的1个以上的控制量V1或目标值V2作为输入，通过使用了1个以上的传递函数TF1或状态方程式的运算，来输出用于控制马达3的1个以上的操作量V3。第2运算模型M2将1个以上的控制量V1或目标值V2作为输入，在1个以上的节点层L1的各节点层中进行运算来输出1个以上的操作量V3，上述1个以上的节点层L1分别具有并行地执行运算的多个节点N1。变换部22在将第1运算模型M1变换为第2运算模型M2的过程中，针对多个节点N1中的各个节点，基于1个以上的传递函数TF1或状态方程式来决定与输入到节点N1的输入值相乘的系数w0以及将相乘后的值作为输入变量的函数f1。
根据本方式，通过使用变换后的第2运算模型M2，具有能够缩短针对用于控制马达3的指令的响应时间这一优点。
关于第9方式所涉及的马达3的控制模型的变换系统2，在第8方式中，变换部22在将第1运算模型M1变换为第2运算模型M2的过程中，执行以下处理。即，变换部22基于第1运算模型M1中的1个以上的传递函数TF1或状态方程式的过去的状态的个数、以及输入与输出的连接关系，来决定多个节点N1的个数和多个节点N1各自的系数w0。
根据本方式，具有易于实现将第1运算模型M1变换为第2运算模型M2的过程的简单化这一优点。
第10方式所涉及的马达3的控制模型的变换程序是用于使1个以上的处理器执行将第1运算模型M1变换为第2运算模型M2的变换处理的变换程序。第1运算模型M1将表示马达3的状态的1个以上的控制量V1或目标值V2作为输入，通过使用了1个以上的传递函数TF1或状态方程式的运算，来输出用于控制马达3的1个以上的操作量V3。第2运算模型M2将1个以上的控制量V1或目标值V2作为输入，在1个以上的节点层L1的各节点层中进行运算来输出1个以上的操作量V3，上述1个以上的节点层L1分别具有并行地执行运算的多个节点N1。变换处理在将第1运算模型M1变换为第2运算模型M2的过程中包括以下处理。即，变换处理包括以下处理：针对多个节点N1中的各个节点，基于1个以上的传递函数TF1或状态方程式来决定与输入到节点N1的输入值相乘的系数w0以及将相乘后的值作为输入变量的函数f1。
根据本方式，通过使用变换后的第2运算模型M2，具有能够缩短针对用于控制马达3的指令的响应时间这一优点。
关于第11方式所涉及的马达3的控制模型的变换程序，在第10方式中，变换处理在将第1运算模型M1变换为第2运算模型M2的过程中包括以下处理。即，在该处理中，基于第1运算模型M1中的1个以上的传递函数TF1或状态方程式的过去的状态的个数、以及输入与输出的连接关系，来决定多个节点N1的个数和多个节点N1各自的系数w0。
根据本方式，具有易于实现将第1运算模型M1变换为第2运算模型M2的过程的简单化这一优点。
关于第2～第4方式所涉及的结构，不是马达控制方法所必须的结构，能够适当地省略。另外，关于第6方式所涉及的结构，不是马达3的控制模型的变换方法所必须的结构，能够适当地省略。另外，关于第9方式所涉及的结构，不是马达3的控制模型的变换系统2所必须的结构，能够适当地省略。另外，关于第11方式所涉及的结构，不是马达3的控制模型的变换程序所必须的结构，能够适当地省略。
附图标记说明
1：马达控制系统；11：输入部；12：运算部；2：变换系统；21：模型输入部；22：变换部；3：马达；f1：函数；L1：节点层；M1：第1运算模型；M2：第2运算模型；N1：节点；TF1：传递函数；V1：控制量；V2：目标值；V3：操作量；w0：系数。

Claims (11)

1.一种马达控制方法，将表示马达的状态的1个以上的控制量或目标值作为输入值输入到1个以上的节点层，通过在所述1个以上的节点层的各节点层中进行运算，来输出用于控制所述马达的1个以上的操作量，根据所述1个以上的操作量来对所述马达进行控制，其中，
所述1个以上的节点层分别具有并行地执行运算的多个节点，
所述多个节点中的每个节点将所述输入值与针对每个节点规定的系数相乘，通过针对每个节点规定的将相乘后的值作为输入变量的函数来进行运算，由此决定输出值。
2.根据权利要求1所述的马达控制方法，其中，
所述1个以上的节点层中的至少1个节点层所具有的节点将所述1个以上的节点层中的其它节点的过去的输出值作为输入值。
3.根据权利要求1或2所述的马达控制方法，其中，
所述函数为非线性函数。
4.根据权利要求1～3中的任一项所述的马达控制方法，其中，
所述1个以上的控制量至少包含所述马达的位置信息。
5.一种马达的控制模型的变换方法，用于将第1运算模型变换为第2运算模型，其中，
所述第1运算模型将表示所述马达的状态的1个以上的控制量或目标值作为输入，通过使用了1个以上的传递函数或状态方程式的运算，来输出用于控制所述马达的1个以上的操作量，
所述第2运算模型将所述1个以上的控制量或目标值作为输入，在1个以上的节点层的各节点层中进行运算来输出所述1个以上的操作量，所述1个以上的节点层分别具有并行地执行运算的多个节点，
在将所述第1运算模型变换为所述第2运算模型的过程中，针对所述多个节点中的各个节点，基于所述1个以上的传递函数或状态方程式来决定与输入到所述节点的输入值相乘的系数以及将相乘后的值作为输入变量的函数。
6.根据权利要求5所述的马达的控制模型的变换方法，其中，
在将所述第1运算模型变换为所述第2运算模型的过程中，基于所述第1运算模型中的所述1个以上的传递函数或状态方程式的过去的状态的个数、以及所述输入与所述输出的连接关系，来决定所述多个节点的个数和所述多个节点各自的所述系数。
7.一种马达控制系统，具备：
输入部，表示马达的状态的1个以上的控制量或目标值作为输入值被输入到该输入部；以及
运算部，其包括1个以上的节点层，所述1个以上的节点层分别具有并行地执行运算的多个节点，所述运算部通过基于所述输入值进行运算，来输出用于控制所述马达的1个以上的操作量，
其中，所述多个节点中的每个节点将所述输入值与针对每个节点规定的系数相乘，通过针对每个节点规定的将相乘后的值作为输入变量的函数来进行运算。
8.一种马达的控制模型的变换系统，具备：
模型输入部，其被输入第1运算模型；以及
变换部，其将所述第1运算模型变换为第2运算模型并输出该第2运算模型，
其中，所述第1运算模型将表示马达的状态的1个以上的控制量或目标值作为输入，通过使用了1个以上的传递函数或状态方程式的运算，来输出用于控制所述马达的1个以上的操作量，
所述第2运算模型将所述1个以上的控制量或目标值作为输入，在1个以上的节点层的各节点层中进行运算来输出所述1个以上的操作量，所述1个以上的节点层分别具有并行地执行运算的多个节点，
所述变换部在将所述第1运算模型变换为所述第2运算模型的过程中，针对所述多个节点中的各个节点，基于所述1个以上的传递函数或状态方程式来决定与输入到节点的输入值相乘的系数以及将相乘后的值作为输入变量的函数。
9.根据权利要求8所述的马达的控制模型的变换系统，其中，
所述变换部在将所述第1运算模型变换为所述第2运算模型的过程中，基于所述第1运算模型中的所述1个以上的传递函数或状态方程式的过去的状态的个数、以及输入与输出的连接关系，来决定所述多个节点的个数和所述多个节点各自的所述系数。
10.一种马达的控制模型的变换程序，是用于使1个以上的处理器执行将第1运算模型变换为第2运算模型的变换处理的变换程序，其中，
所述第1运算模型将表示马达的状态的1个以上的控制量或目标值作为输入，通过使用了1个以上的传递函数或状态方程式的运算，来输出用于控制所述马达的1个以上的操作量，
所述第2运算模型将所述1个以上的控制量或目标值作为输入，在1个以上的节点层的各节点层中进行运算来输出所述1个以上的操作量，所述1个以上的节点层分别具有并行地执行运算的多个节点，
所述变换处理包括以下处理：在将所述第1运算模型变换为所述第2运算模型的过程中，针对所述多个节点中的各个节点，基于所述1个以上的传递函数或状态方程式来决定与输入到节点的输入值相乘的系数以及将相乘后的值作为输入变量的函数。
11.根据权利要求10所述的马达的控制模型的变换程序，其中，
所述变换处理包括以下处理：在将所述第1运算模型变换为所述第2运算模型的过程中，基于所述第1运算模型中的所述1个以上的传递函数或状态方程式的过去的状态的个数、以及输入与输出的连接关系，来决定所述多个节点的个数和所述多个节点各自的所述系数。
CN202080020275.5A 2019-03-19 2020-01-06 马达控制方法、马达的控制模型的变换方法、马达控制系统、马达的控制模型的变换系统以及马达的控制模型的变换程序 Pending CN113574795A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019-051810 2019-03-19
JP2019051810 2019-03-19
PCT/JP2020/000077 WO2020188956A1 (ja) 2019-03-19 2020-01-06 モータ制御方法、モータの制御モデルの変換方法、モータ制御システム、モータの制御モデルの変換システム、及びモータの制御モデルの変換プログラム

Publications (1)

Publication Number Publication Date
CN113574795A true CN113574795A (zh) 2021-10-29

Family

ID=72519776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080020275.5A Pending CN113574795A (zh) 2019-03-19 2020-01-06 马达控制方法、马达的控制模型的变换方法、马达控制系统、马达的控制模型的变换系统以及马达的控制模型的变换程序

Country Status (6)

Country Link
US (1) US11682999B2 (zh)
EP (1) EP3944489A4 (zh)
JP (1) JP7407353B2 (zh)
KR (1) KR20210137536A (zh)
CN (1) CN113574795A (zh)
WO (1) WO2020188956A1 (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH103301A (ja) * 1996-06-18 1998-01-06 Power Reactor & Nuclear Fuel Dev Corp 複数の制御原理を用いる制御システム
CN101917150A (zh) * 2010-06-24 2010-12-15 江苏大学 永磁同步电机模糊神经网络广义逆鲁棒控制器及构造方法
CN201928221U (zh) * 2011-01-20 2011-08-10 江苏大学 一种无轴承同步磁阻电机神经网络广义逆解耦控制器
EP1726076B1 (de) * 2004-03-02 2011-10-05 Brose Fahrzeugteile GmbH & Co. KG, Coburg Verfahren zum überwachen der verstellbewegung eines von einer antriebseinrichtung angetriebenen bauteils
US20150039545A1 (en) * 2013-08-05 2015-02-05 City University of London Systems, methods and devices for vector control of permanent magnet synchronous machines using artificial neural networks
CN108777556A (zh) * 2018-06-29 2018-11-09 江苏大学 基于神经网络逆模型的两电机调速系统的无模型自适应鲁棒解耦控制方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5475291A (en) 1992-12-10 1995-12-12 Matsushita Electric Industrial Co., Ltd. Adjustment device for adjusting control parameters of a servo motor and an adjustment method therefor
JP3178202B2 (ja) 1992-12-10 2001-06-18 松下電器産業株式会社 サーボモータの制御パラメータ調整装置及び調整方法
JPH06266404A (ja) 1993-03-12 1994-09-22 Toshiba Corp 非線形対象制御システム及び同システム構築用ニューラルネットワークの学習システム
JP2005267039A (ja) * 2004-03-17 2005-09-29 Fuji Heavy Ind Ltd 制御システム、生成モジュール、および制御方法
JP2013069094A (ja) * 2011-09-22 2013-04-18 Azbil Corp 制御方法および制御装置
US20150278641A1 (en) * 2014-03-27 2015-10-01 Qualcomm Incorporated Invariant object representation of images using spiking neural networks
JP6672896B2 (ja) * 2016-03-04 2020-03-25 セイコーエプソン株式会社 モーター駆動回路、印刷装置及び半導体装置
JP6832498B2 (ja) * 2017-04-25 2021-02-24 株式会社安川電機 システムおよび評価装置ならびに評価方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH103301A (ja) * 1996-06-18 1998-01-06 Power Reactor & Nuclear Fuel Dev Corp 複数の制御原理を用いる制御システム
EP1726076B1 (de) * 2004-03-02 2011-10-05 Brose Fahrzeugteile GmbH & Co. KG, Coburg Verfahren zum überwachen der verstellbewegung eines von einer antriebseinrichtung angetriebenen bauteils
CN101917150A (zh) * 2010-06-24 2010-12-15 江苏大学 永磁同步电机模糊神经网络广义逆鲁棒控制器及构造方法
CN201928221U (zh) * 2011-01-20 2011-08-10 江苏大学 一种无轴承同步磁阻电机神经网络广义逆解耦控制器
US20150039545A1 (en) * 2013-08-05 2015-02-05 City University of London Systems, methods and devices for vector control of permanent magnet synchronous machines using artificial neural networks
CN108777556A (zh) * 2018-06-29 2018-11-09 江苏大学 基于神经网络逆模型的两电机调速系统的无模型自适应鲁棒解耦控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GRZEGORZ J. KULAWSKI等: "Stable adaptive control with recurrent networks", AUTOMATICA, pages 5 - 22 *
刘石红;党超亮;王能才: "基于PID神经网络的智能车舵机控制系统研究", 工业仪表与自动化装置, no. 06, pages 98 - 100 *
刘迪;赵建华: "一种基于神经网络模型的非线性自适应控制系统参数辨识算法", 黑龙江大学自然科学学报, no. 05, pages 657 - 658 *

Also Published As

Publication number Publication date
EP3944489A4 (en) 2022-05-04
WO2020188956A1 (ja) 2020-09-24
JPWO2020188956A1 (zh) 2020-09-24
EP3944489A1 (en) 2022-01-26
JP7407353B2 (ja) 2024-01-04
US20220166364A1 (en) 2022-05-26
KR20210137536A (ko) 2021-11-17
US11682999B2 (en) 2023-06-20

Similar Documents

Publication Publication Date Title
Guo et al. Composite learning robot control with friction compensation: A neural network-based approach
Zhang et al. Repetitive motion planning and control of redundant robot manipulators
Rutkowski et al. Novel online speed profile generation for industrial machine tool based on flexible neuro-fuzzy approximation
Yau et al. Real-time NURBS interpolation using FPGA for high speed motion control
Chou et al. Optimized FPGA design, verification and implementation of a neuro-fuzzy controller for PMSM drives
EP2981867B1 (en) System and method for implementing model predictive control in plc
de la Sen Quadratic stability and stabilization of switched dynamic systems with uncommensurate internal point delays
Lu et al. Convergence analysis and digital implementation of a discrete-time neural network for model predictive control
Ławryńczuk Nonlinear Predictive Control Using Wiener Models
Patel et al. Multilayer neuro PID controller based on back propagation algorithm
Urrea et al. Design and implementation of fault-tolerant control strategies for a real underactuated manipulator robot
Belda et al. State-space generalized predictive control for redundant parallel robots
Mou et al. Disturbance rejection sliding mode control for robots and learning design
CN113574795A (zh) 马达控制方法、马达的控制模型的变换方法、马达控制系统、马达的控制模型的变换系统以及马达的控制模型的变换程序
YENIKIEIEV et al. Analysis of characteristics of hardware means for software control of the longitudinal feed of the grinding wheel
da Silva et al. Mechatronic design concept and its application to pick-and-place robotic systems
Hoang et al. Adaptive cooperation of optimal linear quadratic regulator and lumped disturbance rejection estimator-based tracking control for robotic manipulators
Mattera et al. Optimal data-driven control of manufacturing processes using reinforcement learning: an application to wire arc additive manufacturing
Chaber Fast nonlinear model predictive control algorithm with neural approximation for embedded systems: Preliminary results
Rauch et al. Achieving a STEP-NC enabled advanced NC programming environment
Phan et al. Model predictive Q-learning (MPQ-L) for bilinear systems
Suman A new scheme for the approximation of linear dynamical systems and its application to controller design
Yan et al. Improving the Accuracy of a Robot by Using Neural Networks (Neural Compensators and Nonlinear Dynamics). Robotics 2022, 11, 83
Sineglazov et al. Intelligent integrated cads of navigation equipment testing system
Di Teodoro et al. Sliding Mode Control Based on a Generalized Reduced Fractional Order Model: Theoretical Approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination