JP2001100803A - Automatic control loop tuner having nonlinear tuning rule estimator - Google Patents

Automatic control loop tuner having nonlinear tuning rule estimator

Info

Publication number
JP2001100803A
JP2001100803A JP2000252805A JP2000252805A JP2001100803A JP 2001100803 A JP2001100803 A JP 2001100803A JP 2000252805 A JP2000252805 A JP 2000252805A JP 2000252805 A JP2000252805 A JP 2000252805A JP 2001100803 A JP2001100803 A JP 2001100803A
Authority
JP
Japan
Prior art keywords
system
non
linear
controller
module
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.)
Granted
Application number
JP2000252805A
Other languages
Japanese (ja)
Other versions
JP3512376B2 (en
Inventor
Terrence L Blevins
Dirk Thiele
Wilhelm K Wojsznis
ウィルヘルム ケー. ウォズニス,
ダーク ティエル,
テレンス エル. ブレビンス,
Original Assignee
Fisher Rosemount Syst Inc
フィッシャー−ローズマウント システムズ, インコーポレイテッド
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
Priority to US15032399P priority Critical
Priority to US60/150323 priority
Application filed by Fisher Rosemount Syst Inc, フィッシャー−ローズマウント システムズ, インコーポレイテッド filed Critical Fisher Rosemount Syst Inc
Publication of JP2001100803A publication Critical patent/JP2001100803A/en
Application granted granted Critical
Publication of JP3512376B2 publication Critical patent/JP3512376B2/en
Application status is Active legal-status Critical
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265Adaptive 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
    • G05B13/0285Adaptive 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 and fuzzy logic

Abstract

PROBLEM TO BE SOLVED: To provide a required PID tuning parameter which extend is over the entire range of a model parameter. SOLUTION: A control system is switched to a side of on/off control due to a relay operation tuner, waste time, critical sensitivity and a critical cycle are found and a waste time + primary delay process model is calculated. Concerning a nonlinear model 660 containing a process model and controller design, the parameter of a PI controller is roughly estimated by nonlinear approach. This nonlinear approach contains a neutral circuit network, a fuzzy logic and an S-shaped function. The control system is switched to the PI controller side, simulation tuning is performed by the PI controller and while confirming the performance of a loop, the parameter is determined by learning.

Description

【発明の詳細な説明】 DETAILED DESCRIPTION OF THE INVENTION

【0001】 [0001]

【発明の属する技術分野】本発明は、神経回路網及びファジー論理を包含する非線型チューニング規則推定量を使用するプロセスコントローラのためのシステム及び方法に関する。 The present invention relates to relates to a system and method for a process controller that uses the non-linear tuning rules estimators include neural networks and fuzzy logic.

【0002】 [0002]

【従来の技術】比例、積分、微分(PID)コントローラは、コンピュータ制御された産業プロセスを含む産業プロセスで一般的に使用されている。 BACKGROUND ART proportional, integral, derivative (PID) controllers are commonly used in industrial processes, including industrial processes are computer controlled. 例えばP、PI、 For example, P, PI,
PDのようなPIDコントローラ並びにそれらの変形及び組合せは、産業プロセスの制御に於いて広範囲の用途を有している。 PID controllers and their variations and combinations such as PD has a wide range of applications at the control of industrial processes. 典型的な産業プロセスは、PIDコントローラに組み込まれた一又はそれ以上のフィードバックループによって制御されている。 Typical industrial processes are controlled by one or more feedback loops built into the PID controller.

【0003】ファジー論理コントローラ(FLC)もまた、所望の設定ポイント値に関連するパラメータ内のプロセス変数を維持することによりプロセスパラメータを制御するのに使用される公知のプロセスコントローラである。 [0003] Fuzzy logic controller (FLC) is also a known process controller used to control the process parameters by maintaining a process variable in the parameter associated with the desired set point value. FLCは非線型コントローラであり、産業の環境で広く使用されるようになりつつある。 FLC is a non-linear controller, is becoming to be widely used in industrial environments.

【0004】PIDコントローラのパラメータチューニングのための公知の方法の一つのタイプは、Ziegler-Ni [0004] One type of known methods for parameter tuning of the PID controller, Ziegler-Ni
chols法である。 It is a chols method. リレー−オシレーション(Relay-oscill Relay - oscillation (Relay-oscill
ation)オートチューニングは、プロセスの極限利得(Ult ation) auto-tuning, the process of the ultimate gain (Ult
imate Gain)及び極限周期(Ultimate Period)を識別する。 iMate Gain) and identifying the ultimate period (Ultimate Period). PIDコントローラの設定は、Ziegler-Nicholsの規則及び変形を使用するこれらのパラメータから決定され得る。 Setting of the PID controller can be determined from these parameters using the rules and variations of Ziegler-Nichols. 極限利得及び極限周期を超えるリレー−オシレーションチューニング技術は、Wilhelm K. Wojsznis及びTerrance L. Blevins、(以後「Wojsznis」と称する)による米国特許第5,453,925号、9月、1995年の「S Relay exceeding ultimate gain and ultimate period - oscillation tuning technique, Wilhelm K. Wojsznis and Terrance L. Blevins, U.S. Patent No. 5,453,925 by (hereinafter referred to as "Wojsznis"), September 1995 "S
ystem and Method for Automatically Tuninga Process ystem and Method for Automatically Tuninga Process
Controller」に提供されており、これはここに完全に組み入れられる。 Controller "has been provided to, this is completely incorporated herein.

【0005】近年、モデルに基づくチューニングが著しく進歩しており、特に内部モデル制御(IMC)及びラムダチューニングが著しく進歩している。 Recently, tuning based on model has made remarkable progress, especially internal model control (IMC) and Lambda tuning is made remarkable progress. 何れのアプローチも、セットポイントの変化に対する一次の閉ループ応答を生ずる。 Both approaches also produce primary closed loop response to changes in set point. 応答速度に関連するチューニングパラメータが、性能と強健さとのトレードオフを変化させるのに使用される。 Tuning parameters associated with the response speed is used to change the trade-off between performance and robustness. 何れの方法も、プロセスの極性をキャンセルするためにPIDコントローラのリセット(又はリセット及び速度)を行ない、そして、好ましい閉ループ応答を達成するためにコントローラの利得の調整を行なう。 Either method performs PID controller reset in order to cancel the polarity of the process (or reset and rate), and adjusts the controller gain to achieve the desired closed loop response. IMC及びラムダチューニングは、オシレーション及びオーバーシュートを避け、制御性能が閉ループの時定数を介して直感的な方法で特定されるのを可能にするので、評判が良くなってきている。 IMC and lambda tuning, avoiding oscillation and overshoot control performance because it allows being identified in an intuitive manner via the time constant of the closed loop, is becoming better reputation.

【0006】モデルに基づくチューニングの制限の一つは、プロセスモデルの識別が必要なことである。 [0006] One of tuning based on the model limitation is that the identification of the process model is needed. 静的利得のパラメータ、見かけの不感時間、及び見かけの時定数を有する等価な一次元プラス不感時間プロセスモデルが、通常、自動調節プロセスのために識別される。 Parameters of the static gain, dead time apparent, and equivalent one-dimensional plus dead time process model having a time constant of apparent generally identified for automatic adjustment process. 積分プロセスについては、プロセス積分利得及び不感時間のモデルパラメータが決定される。 The integration process, the model parameters of the process integration gain and dead time are determined. モデルの識別は、開ループステップテストによって典型的に行なわれる。 Identification of the model is typically performed by the open-loop step test. リレー−オシレーションの方法に比較して、開ループ法は自動化するのは容易ではない。 Relay - compared to the method of oscillation, the open-loop method is not easy to automate. 開ループ法では、プロセスの非線型性、バルブヒステリシス及び負荷の外乱による正確なモデルを保証するために、人間とのインターフェイスがしばしば必要とされる。 In the open-loop method, non-linearity of the process, in order to ensure an accurate model due to the disturbance of the valve hysteresis and load, interface with human beings is often required. 自動調節及び積分プロセスに、異なる技術が必要とされている。 The automatic adjustment and integration process, there is a need for different techniques.

【0007】 [0007]

【発明が解決しようとする課題】必要とされているのは、モデルパラメータのすべての範囲に亘る必要なPI What is THE INVENTION Problems to be Solved] required, required over the full range of the model parameters PI
Dチューニングパラメータを提供し、プロセスパラメータモデルを識別するリレーオシレーション環境に於けるチューニングのためのシステム及び方法である。 Provides D tuning parameters, is a system and method for in tuning the relay oscillation environment that identifies the process parameter model.

【0008】 [0008]

【課題を解決するための手段】従って、プロセス制御ループをチューニングするためのシステム及び方法が提供される。 SUMMARY OF THE INVENTION Accordingly, a system and method for tuning a process control loop is provided. このシステムは、設定ポイントとプロセス変数との差を表す誤差信号を受領するためのチューナモジュールと、プロセスを制御するための第1のプロセス制御信号を発生するモジュールとを有している。 The system includes a module for generating a tuner module for receiving an error signal representing the difference between the set point and process variable, the first process control signals for controlling the process. 更に、このシステムは、誤差信号及びパラメータ信号を非線型モジュールから受け取ってそのプロセスを制御するための第2のプロセス制御信号を生成するコントローラモジュールを有し、前記非線型モジュールは、非線型手法を適用してパラメータ信号を生成する。 In addition, this system has a controller module for generating a second process control signals for controlling the process receives the error signal and the parameter signal from the non-linear module, said non-linear module, a nonlinear approach It applied to generate a parameter signal. このシステムは、更に、プロセスを制御するための適当なプロセス制御信号を選択するために、チューナモジュール及びコントローラモジュールに接続されたスイッチング手段を含んでいる。 The system is further to select the appropriate process control signal for controlling the process, including a switching means connected to the tuner module and a controller module.

【0009】提供されるシステムは、所望のコントローラチューニングパラメータを概算するために非線型モジュール内で非線型アプローチを使用する。 [0009] system provided uses nonlinear approach in a non-linear module to approximate the desired controller tuning parameters. 非線型アプローチは、神経回路網チューニング、ファジー論理チューニング及び非線型関数を含み、S字状チューニングを含んでいる。 Nonlinear approach, neural network tuning fuzzy include logic tuning and nonlinear function includes a S-shaped tuning.

【0010】システムはまた、非線型モジュールが所望のプロセスモデルパラメータを概算するために非線型アプローチを使用することを提供する。 [0010] The system also provides that the non-linear module uses a non-linear approach to approximate the desired process model parameters. 本発明の一実施形態によれば、プロセスモデル識別は、従来のリレーオシレーション識別のための公知の分析式より良好なモデルパラメータを有利に与える、S字状チューニングを含む、神経回路網、ファジー論理及び非線型関数を使用して得られる。 According to an embodiment of the present invention, the process model identification, advantageously provide a good model parameters from known analytical expression for the conventional relay oscillation identification, including S-shaped tuning, neural networks, fuzzy obtained using logic and non-linear functions.

【0011】 [0011]

【発明の実施の形態】添付の図面を参照することにより、本発明はよりよく理解され、その多くの目的、特徴及び利点は当業者に明らかとなるであろう。 By reference to the DETAILED DESCRIPTION OF THE INVENTION The accompanying drawings, the present invention will be better understood, and its numerous objects, features and advantages will become apparent to those skilled in the art.

【0012】異なる図に於ける同じ参照符号の使用は、 [0012] The different use of the same reference numerals in the figures,
同様又は同じ項目を示している。 It indicates similar or identical items.

【0013】 [0013]

【実施例】図1を参照すれば、リレー−オシレーションチューナシステム100の図式的ブロックダイヤグラムが示されており、これは、新規な非線型アプローチに従って制御され得る。 Referring to FIG. 1, relay - schematic block diagram of oscillation tuner system 100 has been shown, which can be controlled in accordance with a novel non-linear approach. プロセス190は、どのような制御可能なプロセスをも含み得る。 Process 190 may also include any controllable process. プロセス変数(PV)1 The process variable (PV) 1
30として示されている出力信号がプロセス190によって供給されて加算器120に加えられ、ここでPVは設定ポイント(SP)110と比較される。 Output signal shown as 30 is applied to the adder 120 is supplied by the process 190, where PV is compared to a set point (SP) 110. PVとSP PV and SP
との差は、リレー−オシレーションチューナシステム1 The difference between the relay - oscillation tuner system 1
00がプロセスの極限利得Ku及び極限周期Tuを供給することを決定するのに使用される。 00 is used to decide to provide the ultimate gain Ku and ultimate period Tu of the process. 図示したとおり、リレー−オシレーションチューナシステム100は、加算器120、リレー150、チューニング規則160を包含している。 As shown, the relay - oscillation tuner system 100 includes an adder 120, a relay 150, the tuning rules 160. この設定ポイント(SP)110はプロセス変数(PV)130と共に加算器120に供給される。 The set point (SP) 110 is supplied to the adder 120 along with the process variable (PV) 130. 加算器120は、SPからPVを引き算し、その結果をリレー150、チューニング規則160及びコントローラ170に供給する。 The adder 120 subtracts the PV from SP, and supplies the result to the relay 150, the tuning rules 160 and controller 170. プロセスのチューニングは、 The process of tuning,
自動的に又はユーザの制御の下に行なわれる。 It is performed under automatic or user control. プロセス190のチューニングは、Wojsznisに記載されている手法のような自動制御された自己オシレーションチューニング手法(an automatic controlled self-oscillation Tuning process 190 automatically controlled self oscillation tuning techniques such as procedures described in Wojsznis (an automatic controlled self-oscillation
tuning procedure)を任意的に含み得る。 tuning procedure) and it may include optionally. 自己オシレーションチューニング手法は、コントローラ170をプロセス190に接続するか、又はリレー150の出力をプロセス190に接続する制御スイッチ180を含んでいる。 Self oscillation tuning method, connect the controller 170 to process 190, or includes a control switch 180 connects the output of the relay 150 to process 190. 一実施形態では、リレー150は自己オシレーション手法を実行し、チューニング規則160はスイッチ1 In one embodiment, the relay 150 performs the self-oscillation technique, tuning rules 160 switch 1
80を制御する。 To control the 80. スイッチ180は、コントローラ14 Switch 180, the controller 14
0をプロセス190に接続するか、又はチューニング規則160及びリレー150をプロセス190に接続する。 0 or to connect to the process 190, or connects the tuning rules 160 and relay 150 to process 190. この手法は、時間遅延、極限利得及び極限周期を決定するオシレーティング手法である。 This approach is oscillating method of determining the time delay, the ultimate gain and ultimate period.

【0014】見かけの不感時間Tdがチューニングの初期化で決定される。 [0014] The dead time Td apparent is determined by the initialization of tuning. 見かけの不感時間Tdは、チューニングの初期化の間のプロセス出力130の傾きからタンジェントを適用することにより決定される。 Dead time Td apparent is determined by applying the tangent from the slope of the process output 130 during the initialization of the tuning. タンジェントは外挿されて設定ポイントSPを横切るか又はチューニングの前のプロセス出力の平均値ラインである。 Tangent is an average line of the previous process output or tuning across extrapolated to set point SP. 最初のリレーステップと、この切片との間の時間が見かけの不感時間である。 And the first relay step, a dead time period is apparent between the sections. Tdを決定する他の方法も、本発明の範囲である。 Other methods of determining Td is also within the scope of the present invention. このような他の方法は、Wojsznisに於いて提供されるものを含んでいる。 Such other methods include those provided at the Wojsznis.

【0015】図2は、オシレーション手法の間のプロセス入力及びプロセス出力信号のグラフを表している。 [0015] Figure 2 represents a graph of the process input and process output signal during the oscillation method. リレー150のスイッチングの時間t1(10)とプロセス出力が最大に達する時間t2(20)との間の時間期間が、おおよその見かけの無駄時間である。 Time period between switching times t1 and (10) and the time t2 the process output reaches the maximum (20) of the relay 150, a dead time of approximate apparent. 不感時間は、別の方法では(SP−PV)の絶対値の増加の時間と(SP−PV)の絶対値の減少の時間との差として計算される。 Dead time, in another way is calculated as the difference between the time of decrease of the absolute value of (SP-PV) of the absolute value increase time of (SP-PV). このアプローチの評価時間は、一又はそれ以上の極限周期(Tu)を必要とする。 Evaluation time of this approach requires one or more intrinsic period (Tu). 見かけの不感時間は、2つ又は3つの結果の平均として計算され得る。 Dead time apparent, may be calculated as the average of two or three results.

【0016】不感時間、極限利得及び極限周期は、一次元プラス不感時間プロセスモデルを計算するのに十分である。 [0016] dead time, ultimate gain and ultimate period is sufficient to calculate a one-dimensional plus dead time process model. 一次元プラス不感時間を計算するための式(1) The formula for calculating the one-dimensional plus dead time (1)
及び(2)は以下のようである。 And (2) is as follows.

【0017】 [0017]

【数1】 [Number 1]

【0018】 [0018]

【数2】 [Number 2]

【0019】ここで、Tc=プロセス時定数 Tu=極限時間 Td=プロセスの見かけの不感時間 Ks=プロセスの静的利得 Ku=極限利得 数1の式(1)に於けるプロセス時定数は、不感時間が時定数に対して比較的大きいとき、π/3より小さい変数に対して良好な近似を与えるタンジェント関数によって表される。 [0019] Here, Tc = process time constant Tu = in process time constant extreme static gain Ku = Ultimate Gain Equation 1 dead time Ks = processes apparent time Td = Process (1) is insensitive time when relatively large with respect to the time constant represented by the tangent function to provide a good approximation to [pi / 3 less variable. 小さな不感時間のプロセスについては、たとえ不感時間の識別に於ける小さい誤差でも、大きな誤差が時定数の計算に生ずる(タンジェントの引数がπ/ Small For the dead time of the process, even in in small error in the identification of the dead time, a large error occurs in the calculation of the time constant (tangent argument [pi /
2に近く、引数に於ける小さい誤差がタンジェントの値に於ける大きな誤差を与える)。 Close to 2, give a large error in the value of at small error is tangent to the argument). π/3より大きい引数に対して、幾つかの改良が式(3)に示す線形関数を用いることによって為された。 Respect [pi / 3 larger argument, several improvements have been made by using a linear function as shown in equation (3).

【0020】 [0020]

【数3】 [Number 3]

【0021】 PIDコントローラチューニングのための [0021] for the PID controller tuning
Zieier-Nichols (ZN)規則リレーオシレーションチューニングはZN規則に適合し、極限利得Ku及び極限周期T uを提供する。 Zieier-Nichols (ZN) Rule relay oscillation tuning conform to ZN rules, provides ultimate gain Ku and ultimate period T u. PIコントローラのオリジナルのZN式は以下の式によって表される。 Original ZN type PI controller is represented by the following equation.

【0022】K=0.4Ku 及び Ti=0.8Tu これらの式は、プロセス時定数Tに対するプロセス不感時間Lの比率τに依存して、約20゜から90゜まで大きく変化する位相マージンを与える。 [0022] K = 0.4Ku and Ti = 0.8Tu these equations, depending on the ratio of the process dead time L tau for a process time constant T, gives the phase margin varies greatly from about 20 ° 90 DEG . その結果、性能は、0.1に近い比率のプロセスの極端に揺動する応答から、1.0に近い比率のプロセスの緩慢な応答まで、 As a result, performance is a response to extreme swinging of the ratio of the process close to 0.1, until a slow response ratio close process to 1.0,
大きく変化する。 Big changes.

【0023】オリジナルのZN規則を用いてチューニングされたPIDコントローラは、 K=0.6Ku、Ti=0.5Tu 及び Td=0.12 The original tuned PID controller using a ZN rules, K = 0.6Ku, Ti = 0.5Tu and Td = 0.12
5Tu 同様の挙動を経験する。 5Tu to experience the same behavior. オリジナルの式の種々の変形が、この問題に取り組むために提案されている。 Various modifications of the original formulas have been proposed to address this problem. 一つの傾向は、以下の式のように、利得を小さくして積分時間をより短くすることである。 One trend, as shown in the following expression, is that by reducing the gain to shorten the integration time.

【0024】K=0.4Ku、Ti=(1/3)Tu 及び Td=(1/12)Tu 上記の変形は、0.5に近いτを有するループについての性能を改善するが、τの小さな値を有するループはより揺動するようになる。 [0024] K = 0.4Ku, Ti = (1/3) Tu and Td = (1/12) Tu above modification is to improve the performance of the loops with τ close to 0.5, the τ loop becomes more swinging with a small value.

【0025】他のより柔軟な式(4)、(5)及び(6)が位相/利得マージン設計のために提供されている。 [0025] Other more flexible formula (4) are provided (5) and (6) for phase / gain margin design.

【0026】 [0026]

【数4】 [Number 4]

【0027】 [0027]

【数5】 [Number 5]

【0028】 [0028]

【数6】 [6]

【0029】ここで、αは、比率Td:Tiの設計上の選択であり、デフォルト値0.15である。 [0029] Here, alpha is the ratio Td: a design choice Ti, which is the default value 0.15. Gmは、所望の利得マージンであり、デフォルト値2.0である。 Gm is the desired gain margin, which is the default value 2.0. φ φ
は位相マージンである。 Is the phase margin. K、Td及びTiは、コントローラパラメータである。 K, Td and Ti is a controller parameter.

【0030】特定の位相及び利得マージンについては、 [0030] for a particular phase and gain margin,
式(7)はTi、Td及びKをTu及びKuから計算するのに定数の係数を提供する。 Equation (7) provides a constant factor to calculate Ti, the Td and K from Tu and Ku. φ=45゜の典型的な設計は、以下の係数を与える。 phi = 45 ° typical design gives the following coefficients.

【0031】 [0031]

【数7】 [Equation 7]

【0032】この設計は、小さいτに対しては適切であるが、しかし、0.2より大きいτに対しては極端に緩慢な応答を与える。 [0032] This design is suitable for small tau, however, provide an extremely slow response for greater than 0.2 tau.

【0033】位相マージンφ=33゜及び利得マージン=3.0とすれば、以下の(8)の係数が結果として得られる。 [0033] If the phase margin phi = 33 ° and a gain margin = 3.0, coefficient of the following (8) is obtained as a result.

【0034】 [0034]

【数8】 [Equation 8]

【0035】これらの係数は、0.25近傍のτの狭い範囲の値についての設計に適している。 [0035] These coefficients are suitable for the design of a narrow range of values ​​of 0.25 vicinity tau.

【0036】他の公知の変形は、規格化された不感時間L/(L+T)又は規格化された利得κ=1/(Kp・ [0036] Other known variations, the gain κ = 1 / (Kp · that are dead time L / (L + T) or normalization normalized
Ku)の関数としてのコントローラパラメータを定義することを含んでおり、ここで、Kpは、プロセスの静的利得である。 It includes defining a controller parameters as a function of Ku), where, Kp is a static gain of the process. しかしながら、上記のアプローチは不感時間と時定数の両方、又はプロセスの静的利得を使用する。 However, the above approach is to use a static gain of the dead both time and the time constant, or process. 従って、リレー−オシレーションチューニングと共に直接には使用することはできない。 Accordingly, the relay - can not be used directly in conjunction with oscillation tuning.

【0037】 非線型チューニング規則推定量チューニング規則推定量の発生に於いて、或る仮定と配慮が考慮される。 [0037] In the generation of the non-linear tuning rules estimators tuning rules estimators, one assuming that consideration is taken into account. 第1に、全ての入力パラメータがリレー−オシレーションテストの間に得られる(即ち、極限利得、極限周期及び不感時間である)。 First, all input parameters are relay - obtained during oscillation test (i.e., the limiting gain, ultimate period and dead time). 第2に、Ziegle In the first 2, Ziegle
r-Nichols規則の主要な欠陥は、小さな不感時間を有するプロセスに対する不十分なコントローラ積分時間と、 Major defects r-Nichols rules, and poor controller integral time for the process with a small dead time,
著しい不感時間を有するプロセスに対する過剰な積分時間である。 Is excessive integration time for the process have significant dead time. 第3に、チューニング規則は、コントローラチューニングパラメータ及びモデルに基づくチューニング(IMC及びラムダ)に近い応答を与えるべきである。 Third, tuning rules should provide close in response to the tuning (IMC and lambda) based on controller tuning parameters and the model.

【0038】図1及び図2に例示され並びに対応する議論に記載されているリレー−オシレーションチューニングテストは、極限利得Ku及び極限周期Tuを与える。 [0038] illustrated in FIGS. 1 and 2 and the corresponding relay is described in discussions - oscillation tuning test gives ultimate gain Ku and ultimate period Tu. Z
N規則の欠陥を解消するために、非線型推定量がチューニングパラメータの定義に於ける改良となることが見出された。 To overcome the deficiencies of N rules, non-linear estimators has been found that the in improving the definition of tuning parameters.

【0039】S字状の表現は、2つの異なる値の間の滑らかな遷移を提供し、非線型推定量の発生に使用される。 The S-shaped representation provides a smooth transition between two different values, are used to generate non-linear estimators. 次の式が上記の要求を満足させる。 Following formula to satisfy the above requirements.

【0040】 [0040]

【数9】 [Equation 9]

【0041】 [0041]

【数10】 [Number 10]

【0042】 [0042]

【数11】 [Number 11]

【0043】ここで、a1,a2,b1,b2,c1,c2 [0043] In this case, a1, a2, b1, b2, c1, c2
は、発見的係数であり、a1は、0.3から0.4の範囲にあり、a2は、0.25から0.4の範囲にあり、 Is a heuristic factor, a1 is in the range of 0.3 to 0.4, a2 is in the range of 0.25 to 0.4,
b1≒0.6,b2≒1.0,c1≒7.0,c2≒4. b1 ≒ 0.6, b2 ≒ 1.0, c1 ≒ 7.0, c2 ≒ 4.
0,d1≒0.125,d2≒1.0である。 0, d1 ≒ 0.125, a d2 ≒ 1.0.

【0044】式(10)は、Tiの計算に使用される係数の値を与え、これは、図3に示されているように、a [0044] Equation (10) gives the value of the coefficients used in the calculation of Ti, which, as shown in FIG. 3, a
1の最小値からa1+b1の最大値まで変化する。 It varies from a minimum of 1 to a maximum value of a1 + b1. 式(1 Equation (1
1)は、[a2+(b2−a1−b1),a2+(b2−a1)] 1), [a2 + (b2-a1-b1), a2 + (b2-a1)]
の範囲でKの計算のための係数の調整を提供する。 It provides adjustment factors for the calculation of K in the range of.

【0045】このアプローチは、著しく改良されたチューニング応答を結果としてもたらし、これは、(ZN4 [0045] This approach results in as a result of tuning response was markedly improved, which is (ZN4
分の1振幅減衰(ZN quarter amplitude decay)よりも) Minute of 1 amplitude attenuation (ZN quarter amplitude decay) than)
IMC又はラムダチューニングに近い。 IMC or close to the lambda tuning. 種々のL/Tに対する幾つかの典型的なステップ応答を図4から図8に示した。 Several typical step response for various L / T shown in FIGS. 4-8. ループチューニングの例と、利得=1、T1= And examples of the loop tuning, gain = 1, T1 =
10秒、T2=3秒、L=2秒の二次プロセスに対するループステップ応答とが、図4に示されている。 10 seconds, T2 = 3 seconds, and the loop step response for L = 2 seconds in the secondary process, shown in Figure 4.

【0046】リレー−オシレーションチューナシステム100は、以下のコントローラの設定を生成した。 The relay - oscillation tuner system 100, to produce a set of the following controller. 即ち、K=1.65、Ti=12.36、及びTd=1.9 That, K = 1.65, Ti = 12.36, and Td = 1.9
7であり、比較としてIMC計算では、K=1.0、T Is 7, the IMC calculated as comparison, K = 1.0, T
i=12.5、及びTd=1.97である。 i = 12.5, and a Td = 1.97. 図5は、Lが5秒まで増加したグラフを表しており、図6はLが8秒まで増加したグラフを表している。 Figure 5 represents the graph L increases to 5 seconds, FIG. 6 shows a graph L increases to 8 seconds. 図5及び図6の何れに於いても、積分動作はIMC応答に必要とされる(チューナは、IMC計算に従うと、Ti=14.0及び1 Also in the one of FIG. 5 and FIG. 6, the integration operation is required for IMC response (tuner, according to IMC calculation, Ti = 14.0 and 1
5.5に比較してTi=15.7及び18.37を与えた)より幾分弱いけれども、ステップ応答はモデルに基づくチューニングと同様である。 Although compared to 5.5 Ti = 15.7 and somewhat weaker than the given) 18.37, step response is similar to the tuning model-based.

【0047】本発明による新たな非線型アプローチに従うチューナの設計は、低速、通常及び高速の応答の選択によるチューニング性能への調整をユーザが行なうことを可能とする。 The tuner designed according to the new non-linear approach according to the invention makes it possible to perform a low speed, the user adjustments to tune the performance by the selection of the normal and high-speed response. 例えば、図7は、高速応答のL/T≒ For example, FIG. 7, the fast response L / T ≒
0.7のプロセスに対するループステップ応答を表している。 It represents loop step response for 0.7 process. 速度の選択の使用は、特定の条件と要求へのチューニング応答をより適合させることにより、設計の一般的な柔軟性を増加させる。 Using the speed of selection, by more compatible tuning response to specific conditions and requirements, it increases the general design flexibility. 当業者の或るものは、Win Those skilled in the art of a certain thing, Win
dows NT(登録商標)のアプリケーションプログラム又は他の適当なプログラムに実装されるフィッシャーローズマウントシステムズ社のDeltaV TMシステムが、新たな調整可能な応答の選択を実装し得ることを評価するであろう。 Dows NT DeltaV TM system Fisher Rosemount Systems, Inc., which is implemented in the application programs or other suitable programs (registered trademark), will appreciate that it is possible to implement a selection of possible new adjustment response.

【0048】図8を参照すれば、本発明の一実施形態に従う新たな非線型アプローチを任意に使用するオシレーションチューナブロックが図式的に示されている。 [0048] Referring to FIG. 8, oscillation tuner block to optionally use a new non-linear approach in accordance with an embodiment of the present invention is schematically shown. 示されている制御ループシステムは、非線型チューニングと非線型プロセスモデリング技術の何れをも含み得る。 Control loop system shown may also include any non-linear tuning and nonlinear process modeling techniques. 任意には、このシステムは、線型チューニング及び非線型プロセスモデリング技術、又は非線型チューニング及び線型プロセスモデリング技術を含み得る。 Optionally, the system is linear tuning and nonlinear process modeling techniques, or may include a non-linear tuning and linear process modeling techniques.

【0049】図8の実施形態に示されているように、プロセス630はスイッチ670を介してリレー−オシレーションチューナ600又はコントローラ610の何れかに接続されている。 [0049] As shown in the embodiment of FIG. 8, the process 630 via a switch 670 relays - is connected to one of oscillation tuner 600 or the controller 610. コントローラ610は、コントローラ設計650からの第1のパラメータ信号651又は分析的コントローラ設計620及びプロセスモデル64 Controller 610, a first parameter signal 651 or analytical controller design 620 and process model 64 from the controller design 650
0から出力される第2のパラメータ信号641を受領するために、第2のスイッチ690を介して接続されている。 To receive a second parameter signal 641 outputted from 0 are connected via a second switch 690. コントローラ610は、プロセス630にスイッチ可能に接続されたとき、出力を提供する。 Controller 610, when it is switchably connected to the process 630, provides an output. オシレーションチューナ600、プロセスモデル640、コントローラ設計650、コントローラ610、プロセス630及び分析的コントローラ設計620のそれぞれは、ソフトウエアモジュール、ハードウエア又はこれらの組合せとして提供され得る。 Oscillation tuner 600, process model 640, controller design 650, the controller 610, each of the processes 630 and analytical controller design 620, a software module may be provided as hardware or a combination thereof.

【0050】後述するように、スイッチ670は、プロセス630を制御するために適当なプロセス制御信号を設定する。 [0050] As described later, the switch 670 sets the appropriate process control signal to control the process 630. リレー−オシレーションチューナ600もまた、信号を供給するために、プロセスモデル640及びコントローラ設計650を有する非線型モジュール66 Relay - oscillation tuner 600 also for supplying a signal, non-linear module 66 having a process model 640 and controller design 650
0に接続されている。 It is connected to 0. コントローラ設計650及びプロセスモデル640の両方とも、以下に更に記述する神経回路網、ファジー論理、非線型関数又は他の非線型若しくは線型の技術を使用する。 Both controller design 650 and process model 640, further described neural network, using fuzzy logic, a non-linear function or other non-linear or linear techniques below. リレー−オシレーションチューナ600及びコントローラ610は、設定ポイントとプロセス変数との差を表わす誤差信号680を受け取り、プロセス630を制御するための第1のプロセス制御信号を生成する。 Relay - oscillation tuner 600 and the controller 610 receives the error signal 680 representative of the difference between the set point and process variable, to generate a first process control signals for controlling the process 630. リレー−オシレーションチューナ6 Relay - oscillation tuner 6
00はまた、非線型モジュール660への信号を供給する。 00 also supplies a signal to the non-linear module 660.

【0051】第1のパラメータ信号及び第2のパラメータ信号は、コントローラ610にスイッチ690を介して接続されている。 The first parameter signal and the second parameter signal is connected through a switch 690 to the controller 610. プロセスモデル640からの出力は、分析的コントローラ設計620に接続されて示されている。 The output from the process model 640 is shown connected to the analysis controller design 620. パラメータ信号641は、プロセスモデルモジュール640内で非線型技術を使用して計算されたパラメータ信号642に含まれているプロセスモデルパラメータを含んでいる。 Parameter signal 641 includes a process model parameters included in the parameter signal 642 that is calculated using the non-linear techniques in the process model module 640. 好ましい実施形態では、パラメータ信号641は、プロセスモデルモジュール640内で決定されたプロセスモデルパラメータと信号642に於ける出力とを使用して分析的コントローラ設計620で計算されたコントローラパラメータを更に含んでいる。 In a preferred embodiment, the parameter signal 641 further includes the controller parameters calculated in analytical controller design 620 using the in the process model parameters and signals 642 determined in the process model module 640 outputs . 当業者の或るものは、コントローラパラメータがプロセスモデルパラメータから生成されることを評価するであろう。 Those skilled in some things, will appreciate that the controller parameters are generated from the process model parameters. 従って、分析的コントローラ設計620は、コントローラパラメータを決定するために、線型技術を任意的に適用する。 Therefore, analytical controller design 620, in order to determine the controller parameters, optionally be applied to linear techniques.

【0052】コントローラ設計650から出力されるパラメータ信号651は、非線型技術を使用して計算されるコントローラパラメータを含んでいる。 [0052] parameter signal 651 outputted from the controller design 650 includes a controller parameter calculated using non-linear techniques. コントローラ610に接続されているスイッチ690は、選ぶべき選択肢(1)分析的コントローラ設計620に於いて、プロセスモデル640で非線型技術を使用して生成されるプロセスモデルパラメータに従って計算されたコントローラパラメータ、又は(2)コントローラ設計650で非線型技術を使用して計算されたコントローラパラメータ、を提供する。 Switch 690 connected to the controller 610, in the alternative (1) analytical controller design 620 to choose, the controller parameters calculated in accordance with the process model parameters generated using non-linear techniques in the process model 640, or (2) to provide, calculated controller parameters using non-linear techniques in controller design 650.

【0053】上記に代えて、一実施形態では、分析的コントローラ設計620は、システムの実装から除かれる。 [0053] Instead of the above, in one embodiment, analytical controller design 620 is removed from the system implementation. 分析的コントローラ設計620を除いた状態では、 In a state excluding the analytical controller design 620,
スイッチ690はパラメータ信号651及びパラメータ信号642の両方に接続され得る。 Switch 690 may be connected to both of the parameter signal 651 and the parameter signal 642. 従って、この実施形態では、スイッチ690は必要ではない。 Thus, in this embodiment, the switch 690 is not necessary. 従って、コントローラ610はパラメータ信号651に於けるコントローラパラメータと、パラメータ信号642に於けるプロセスモデルパラメータとの両方を受け取る。 Accordingly, the controller 610 receives the in controller parameters in the parameter signal 651, both the in process model parameters in the parameter signal 642. パラメータ信号651及びパラメータ信号642の両方が、非線型モジュール660に於いて、以下に述べるような神経回路網、ファジー論理、非線型関数、又は他の非線型若しくは線型技術を用いて生成される。 Both parameter signal 651 and the parameter signal 642, in the non-linear module 660, below described such neural networks, fuzzy logic, is generated using a non-linear function or other non-linear or linear techniques.

【0054】 神経回路網により補助されたチューニング図8を参照すれば、コントローラ設計650に於いて、 [0054] Referring to Tuning Figure 8, which is assisted by the neural network, in the controller design 650,
コントローラパラメータが、神経回路網モデリングアプローチを使用して、任意的に決定される。 Controller parameters, using a neural network modeling approach, is determined optionally. このような神経回路網モデリングアプローチは、3つのPIDコントローラパラメータをモデルパラメータ変化の広い範囲に亘る適合を改良する。 Such neural network modeling approach improves the fit over the three PID controller parameters in a wide range of model parameters change. 神経回路網制御スキームは、一般的には2つの大きいカテゴリーに分けられる。 Neural network control scheme is generally divided into two broad categories. 一つのアプローチは、コントローラを神経回路網を使用して置き換えることである。 One approach is to replace the controller using the neural network. 神経回路網は、コントローラ又は人間の専門家を模倣することにより訓練される。 Neural network is trained by mimicking a controller or a human expert. このアプローチは、全てのループについて別々の訓練を使用し、 This approach, using a separate training for all of the loop,
従ってチューナの設計に於いて良好な候補ではなく、単純で標準的なチューニング手法でのチューニングの結果が必要とされる。 Thus rather than a good candidate In tuner design, the result of tuning in a simple and standard tuning procedures it is needed. もう一つのアプローチは、神経回路網を、モデリング、制御規則の実装、スーパーバイザーの動作の補助として使用する。 Another approach, the neural network, modeling, implementation of the control rules are used as an aid to the operation of the supervisor. 特定のチューナの設計は、 The design of the particular tuner,
図8に示されている。 It is shown in Figure 8. このチューナは、プロセスモデル及びPIDコントローラパラメータを計算するために、 The tuner, to compute the process model and PID controller parameters,
以下に記載する神経回路網又は他の非線型技術を任意的に使用する。 Optionally using a neural network or other nonlinear techniques described below.

【0055】図1に関連して記述された自己−オシレーション手法と同様に、図8のチューナ設計も、自己−オシレーション手法を採用する。 Similar to the oscillation method, even tuner design of FIG. 8, the self - - [0055] Self-described in connection with FIG. 1 adopts the oscillation method. 自己−オシレーション手法は、コントローラ610の出力をプロセス630に接続するか、又はオシレーションチューナ600の出力をプロセス630に接続するために、スイッチ670を制御することを含んでいる。 Self - oscillation technique is to connect or connects the output of the controller 610 in process 630, or the output of the oscillation tuner 600 to process 630, which includes controlling the switch 670. 一実施形態に従えば、コントローラ610は、コントローラ設計650又は分析的コントローラ設計620の何れかからコントローラパラメータをスイッチ690を介して受領する。 According to one embodiment, the controller 610, the controller parameters to receive via the switch 690 from either the controller design 650 or analytical controller design 620. この実施形態では、分析的コントローラ設計620はプロセスモデル640からプロセスモデル識別パラメータを受領する。 In this embodiment, analytical controller design 620 receives the process model identification parameters from the process model 640.
他の実施形態では、分析的コントローラ設計620は、 In another embodiment, analytical controller design 620,
プロセス制御ループから除かれる。 It is removed from the process control loop. 従って、コントローラ610は、プロセスモデル640からプロセスモデル識別パラメータと、分析的コントローラ設計620からのコントローラパラメータと受領する。 Accordingly, the controller 610 receives the process model identification parameters from the process model 640, the controller parameters from the analysis controller design 620. スイッチ670 Switch 670
は、コントローラ610をプロセス630に接続するか、又はリレー−オシレーションチューナ600をプロセス630に接続する。 Connects the controller 610 to process 630 or relay - connecting the oscillation tuner 600 to process 630. コントローラ設計650は、コントローラパラメータを決定するために、非線型技術を採用する。 Controller design 650, in order to determine the controller parameters, employing a non-linear techniques. 以下に記述される一つの技術は、神経回路網の使用を含んでいる。 One of the techniques described below include the use of neural networks.

【0056】神経回路網の技術を展開する手法は、図9 [0056] technique to expand the neural network technology, as shown in FIG. 9
に示す幾つかの基本的なステップを含んでいる。 It includes several basic steps shown in. 図9は神経回路網ステップを実証するフローダイヤグラムである。 Figure 9 is a flow diagram demonstrating a neural network step. ステップ700は、将来のチューナの使用を予測するシュミレートされた制御ループ構成を発生させる第1 Step 700 is the first to generate a simulated control loop configured to predict the future use of the tuner
のステップを示す。 It shows the steps. 通常は、二次又は三次元プラス不感時間プロセスモデルが使用される。 Typically, the secondary or three-dimensional plus dead time process model is used. ステップ710は、 Step 710,
モデルパラメータの変化の想定される範囲を特定する。 Identifying a range of assumed changes in the model parameters.
ステップ720は、デベロッパーが、モデルパラメータの全てのセットに対して、IMC規則、ラムダチューニング又は他の好ましいコントローラ設計の何れかを使用して、PIDコントローラ設定を計算することを特定する。 Step 720, developers, for every set of model parameters, IMC rules, using either lambda tuning or other preferred controller design, identifying the calculating the PID controller configuration. ステップ730は、デベロッパーが、モデルパラメータの同じセットに対してオートチューナを実行し、チューニングの結果−Tu、Ku及びLを記録することを提供する。 Step 730, developers, executes the auto tuner for the same set of model parameters, the tuning result -Tu, provides for recording the Ku and L. ステップ740は、デベロッパーが、制御ループの性能を計算されたパラメータを用いて確認し、必要に応じてパラメータを調整することを提供する。 Step 740, developers, confirmed using computed performance of the control loop parameters, provides for adjusting the parameters as needed. ステップ750は、デベロッパーが、神経回路網の入力及びモデルパラメータとしてシュミレーションチューニングの結果と神経回路網の出力としてのコントローラパラメータを使用して、神経回路網を訓練することを提供する。 Step 750, developers, as the input and the model parameters of the neural network using the controller parameters as the output of a result of simulation tuning and neural network provides for training a neural network.
ステップ760は、デベロッパーが、訓練された神経回路網をチューナに実装することを提供する。 Step 760, developers, provides for implementing a neural network that is trained to the tuner.

【0057】図8に関連して上述し、図9で記述した神経回路網は、どのようなタイプ(S字状又は放射状を基本とする関数)であってもよい。 [0057] In connection with FIG. 8 described above, the neural network described in Figure 9, what type (the S-shaped or radial basis function) may be used. 本発明の一つの好ましい実施形態では、神経回路網は、神経回路の入力として、以下に与えられる神経回路の伝達関数と共に使用される。 In one preferred embodiment of the present invention, the neural network as input of the neural be used with the transfer function of the neural given below.

【0058】Out=(1−e -In )/(1+e -In ) Inは、外部入力の重み付けられた合計である。 [0058] Out = (1-e -In) / (1 + e -In) In is the sum of the weighted external input.

【0059】In=Σw i In i神経回路網には、多重の出力(出力Kとコントローラ神経回路網に対する出力K [0059] In = Σw i In i the neural network, the output K for multiple output (output K and the controller neural network
及びTi、並びにモデル神経回路網に対するKp及びT)、又は幾つかの単独の出力神経回路網が選択的に適用される。 And Ti, and Kp and T) to the model neural network, or several single output neural network is selectively applied. 単独の出力神経回路網を使用する利点は、より速い訓練である。 The advantage of using a single output neural network is a faster training. 従って、一実施形態では単独の出力神経回路網を実装する。 Therefore, implementing a single output neural network in one embodiment. 例示的なチューナの設計では、 In an exemplary tuner design,
以下の神経回路網入力と出力とが定義される。 Following the neural network inputs and outputs are defined.

【0060】入力:Tu、Ku、L、ノイズレベル、リレーヒステリシス、及びスキャン速度 Tu、Ku、L及びノイズレベルは、チューニングテスト中に定義される。 [0060] Input: Tu, Ku, L, the noise level, the relay hysteresis, and scan speed Tu, Ku, L and noise level are defined in the tuning test.

【0061】リレーヒステリシス及びスキャン速度は、 [0061] relay hysteresis and scan speed,
チューナパラメータである。 A tuner parameters.

【0062】出力:K、Ti、Td、Kp、及びT K、Ti及びTdは、PIDコントローラパラメータを構成する。 [0062] Output: K, Ti, Td, Kp, and T K, Ti and Td constitute a PID controller parameters.

【0063】Lと連携するKp及びTは、一次元プラス不感時間プロセスモデルパラメータである。 [0063] Kp and T to work with L is a one-dimensional plus dead time process model parameters.

【0064】 実装発行及びテスト結果新たな非線型法の一実施形態では、神経回路網モデルは、拡張可能な産業用制御システムに於けるリレー−オシレーションオートチューナの性能を高めるために実行される。 [0064] In one embodiment of the implementation issues and test results new non-linear method, neural network model, in relay expandable industrial control systems - it is performed in order to enhance the performance of the oscillation Autotuner . オートチューナは、2つの部分を含んでいる。 Auto tuner includes two parts.
即ち、コントローラに実装されるチューナ関数ブロックと、チューナアプリケーションである。 That is, a tuner function blocks implemented in the controller, a tuner application. チューナアプリケーションは、WINDOWS NTのコンソール又は他の適当なコンソールに実装される。 Tuner application is implemented on the console or other suitable console WINDOWS NT. 神経回路網モデルは、一実施形態では、チューナアプリケーションに加えられ、神経回路網モデルは、選択やその神経回路網モデルに関連する設定を有していないチューナによりそのチューナのユーザにその存在が意識されない。 Neural network model, in one embodiment, added to the tuner application, the neural network model is selected and its presence awareness to the user of the tuner by the tuner which does not have a setting associated with the neural network model not.

【0065】ここに記載した方法によれば、神経回路網は、二次元プラス不感時間プロセスモデルのために訓練される。 [0065] According to the methods described herein, the neural network is trained for the two-dimensional positive dead time process model. 以下の詳述は、神経回路網の訓練のための利用可能な入力及び出力データを定義する。 The following detailed description defines the input and output data available for neural network training.

【0066】 プロセス神経回路網モデル:入力:極限利得Ku、極限周期Tu、及び不感時間Lは、 [0066] The process neural network model: Input: Ultimate Gain Ku, Ultimate Period Tu, and the dead time L is,
リレーチューニング実験の間に定義される。 It is defined between the relay tuning experiment.

【0067】出力:プロセス利得0.5、1.0,1. [0067] Output: The process gain 0.5,1.0,1.
5、秒によるプロセス時定数1は、1.0,2.0, 5, process time constant 1 by second, 1.0, 2.0,
5.0,10.0,20.0,50.0,100.0, 5.0,10.0,20.0,50.0,100.0,
200.0;秒によるプロセス時定数2は、1.0, 200.0; process time constant 2 in seconds is 1.0,
2.0,5.0,10.0;秒による不感時間は、1. 2.0,5.0,10.0; dead time by seconds, 1.
0,2.0,5.0,10.0,20.0,50.0, 0,2.0,5.0,10.0,20.0,50.0,
100.0,200.0である。 It is 100.0,200.0.

【0068】 コントローラ神経回路網モデル:入力:プロセス神経回路網モデルと同様である。 [0068] controller neural network model: Input: is the same as the process neural network model.

【0069】出力:出力に対するプロセスモデルパラメータから計算されるPIDコントローラ利得K、積分時間Ti、及び不感時間Td;秒によるプロセス時定数1 [0069] Output: PID controller gains K calculated from the process model parameters for the output, integration time Ti, and dead time Td; process time constant 1 in seconds
は、1.0,2.0,5.0,10.0,20.0,5 Is, 1.0,2.0,5.0,10.0,20.0,5
0.0,100.0,200.0;秒によるプロセス時定数2は、1.0,2.0,5.0,10.0;秒による不感時間は、1.0,2.0,5.0,10.0,2 0.0,100.0,200.0; process time constant 2 in seconds, 1.0,2.0,5.0,10.0; dead time in seconds is 1.0, 2.0, 5.0,10.0,2
0.0,50.0,100.0,200.0である。 It is 0.0,50.0,100.0,200.0.

【0070】 実験的テスト:実験的シュミレーションチューニングテストを142回行なった。 [0070] Experimental test: was performed 142 times the experimental simulation tuning test. この回数は、当業者による単純な神経回路網の訓練に適したサンプルの大体の最小数である。 This number is the approximate minimum number of samples suitable for training of a simple neural network by those skilled in the art. このサンプルは、良好な相関係数を与え、そして、一般的には、必要とされる出力に近い予測出力の値に近い。 This sample gave good correlation coefficients, and, in general, close to the value of the predicted output close to the output required. Iの結果のグラフは、図10及び図11に与えられている。 Results of the graph of T I are given in FIGS. 10 and 11.

【0071】予測されたパラメータの範囲の幾つかのインターバルでは、予測誤差は許容できない。 [0071] In some interval in the range of predicted parameters, the prediction error is not acceptable. この影響の2つの特定のケースがある。 There are two particular cases of this effect. 一つのケースは、(予測誤差に比較し)予測されたコントローラパラメータの小さい値に関係している。 One case is related to the small values ​​of (compared to the prediction error) predicted controller parameters. このケースでは、最大値の1%の小ささの予測されたパラメータ誤差でさえ、許容し得ないパラメータを与える。 In this case, even the predicted parameters error of 1% small maximum value, giving the unacceptable parameter. 特に、図10を参照されるように、実際の値が予測誤差に近いときは、Tiはゼロ又は負であることもあり得る。 In particular, as referred to FIG. 10, when the actual value is close to the prediction error, Ti may also be zero or negative.

【0072】もう一つの誤差の状況は、幾つかのサンプルがサブレンジに含まれるときである。 [0072] Another error situation is when some of the sample is included in the sub-range. 例えば、ユーザが神経回路網モデリングの範囲を超えて、たった幾つかのシミュレーションを拡張されたサブレンジ、例えば図10の>50.0の範囲に対して行なうことを希望した時、誤差が起こり得る。 For example, the user is beyond the scope of neural network modeling, when wishing to perform only some simulate extended subrange, e.g. for a range of> 50.0 10, errors may occur.

【0073】 神経回路網チューニング規則:異常を避けるために、例証となる非線型技術に従って、神経回路網チューニングは以下のステップ/規則を使用する。 [0073] neural network tuning rules: To avoid abnormal, according to a non-linear technique with an illustrative, neural network tuning using the following steps / rules. 第1 First
に、できる限り多くのサンプルを集める。 In, collect many samples as possible. 少なくとも、 at least,
サンプルモデルに必要な最小限の数のサンプルを集める。 Collect the minimum number of samples required for the sample model. 第2に、パラメータの値が数倍(約5倍)以上とならない範囲内となるように、予測パラメータの範囲を設定する。 Second, as a range of values ​​of the parameters is not several times (about 5 times) or more, set the range of the prediction parameters. もし、予測値の範囲が数倍(約15倍)以上なら、パラメータ変化の範囲を幾つかのサブレンジに分割し、幾つかの神経回路網モデルを発生させる。 If, if the range of the predicted value is several times (about 15 times) than, dividing the range of the parameter change to some subrange, it generates several neural network models. 第3に、 Third,
小さな予測値に特に注意を払う。 In particular, pay attention to the little predictive value. もし、予測される値が予測誤差とサイズに於いて比較可能なら、その小さな値に対する別の神経回路網を作成する。 If the expected value is possibly compared at the prediction error and sizes, create another neural network for the small values.

【0074】例えば、15から33(全範囲1〜320 [0074] For example, from 15 33 (full range 1 to 320
に代えて)というTi値の狭められたサブレンジを有するモデルが発生する。 Model is generated having a subrange which narrowed the Ti value of in) instead. サンプルの最小数より少ないにも拘わらず、全範囲に対する最初のモデルによって達成されるより予測はより良好である。 Despite less than the minimum number of samples, the prediction than that achieved by the first model for the entire range is better. Tiのサブレンジに対する神経回路網モデル予測のグラフは、図12に与えられている。 Graph of the neural network model prediction for the subrange of Ti is given in FIG. 12. IMCパラメータに関連する予測誤差は5% Prediction error associated with IMC parameter 5%
より小さく、一方、このテストケースL/T>0.5に対する非線型関数推定量の誤差は、12.0%を超える。 Smaller, whereas, the error of the non-linear function estimator for this test case L / T> 0.5, greater than 12.0 percent.

【0075】 プロセスモデル識別のための線型及び非線 [0075] linear and non-line for the process model identification
型補正関数(corrective function)図8に戻ると、式(1)と(3)の組合せに於いて、プロセスモデル識別のための線型及び非線型補正関数の使用が記載されている。 Returning to mold the correction function (corrective function) 8, in the combination of the formula (1) and (3), the use of linear and non-linear correction function for the process model identification is described. 上述のように、プロセスモデル6 As described above, the process model 6
40は、線型及び非線型補正関数を使用して、プロセスモデルパラメータが任意的に提供される。 40 uses the linear and non-linear correction function, the process model parameters are provided optionally. 以下の記述の技術は、線型、非線型関数、神経回路網、及びファジー論理に、プロセスモデル640に於いて実行されるプロセスモデル識別のための補正関数として適用される。 The following description of technology is linear, non-linear functions, neural networks, and fuzzy logic is applied as a correction function for the process model identification is performed at the process model 640.

【0076】式(1)と(3)とによって生成されるプロセス時定数(Tc)は、極限利得に対するプロセスの見かけの不感時間の比率(Td/Tu)の小さいものに対しては非常に短く、極限周期に対するプロセスの見かけの不感時間の比率(Td/Tu)に対する過大な時定数(Tc)は、表1及び表2に示すように0.25より大きい。 [0076] The process time constant generated by the formula (1) and (3) (Tc) is very short with respect to having a small ratio of dead time apparent Process (Td / Tu) for ultimate gain , the ratio of dead time apparent process for ultimate period (Td / Tu) excessive time constant for (Tc) is greater than 0.25 as shown in Table 1 and Table 2.

【0077】 Tc(補正済み)=Tc(識別)f(Tu/Td) は、小さな(Td/Tu)に対しては1より大きいf(T [0077] Tc (corrected) = Tc (identification) f (Tu / Td) is greater than 1 f (T for small (Td / Tu)
u/Td)の値を有し、0.25より大きい(Td/Tu) Has a value of u / Td), is greater than 0.25 (Td / Tu)
に対しては1より小さい値を有している。 It has a value less than 1 with respect.

【0078】シミュレートされたテストから得られる係数を有する単純な線型関数は、式(12)に従ってプロセス時定数を補正する。 [0078] A simple linear function with coefficients derived from the simulated tests corrects the process time constant according to equation (12).

【0079】 [0079]

【数12】 [Number 12]

【0080】線形関数に関しては、S字状の表現は、2 [0080] With respect to linear function, S-shaped representation, 2
つの異なる値の間の滑らかな遷移を提供する。 It provides a smooth transition between the One different values. S字状の補正関数は、最小値と最大値とを知ることにより、合理的に良好に定義される。 S-shaped correction function, by knowing the minimum and maximum values, are reasonably well defined. プロセス時定数の見積もりに対する次の式(13)は、シミュレートされたデータの小さいセットに基づいて得られる。 This expression for estimation of process time constant (13) is obtained on the basis of a small set of simulated data.

【0081】 [0081]

【数13】 [Number 13]

【0082】式(12)はTcの計算に使用される係数の値を与え、この値は0.8の最小値から2.2の最大値まで変化する。 [0082] Equation (12) gives the value of the coefficients used in the calculation of Tc, this value is changed to a maximum value of 2.2 from a minimum of 0.8. 時定数を補正した後、プロセスの静的利得が式(2)を使用して再計算される。 After correcting the time constant, static gain of the process is re-computed using Equation (2). 静的利得1. Static gain 1.
0を有するプロセスに対するチューニング及び計算の結果は、表1にまとめられおり、静的利得0.5に対しては表2にまとめてある。 Tuning and results of calculations for a process having a 0 is summarized in Table 1, are summarized in Table 2 for the static gain 0.5. 両方の場合に於いて、T1=1 In both cases, T1 = 1
0秒、T2=2秒プラスTdの欄に示されている不感時間を有する二次としてモデル化されている。 0 seconds, is modeled as a secondary having a dead time shown in the column of T2 = 2 seconds plus Td. 識別子は、一次元プラス不感時間モデルによってモデルを概算する(識別されたTd)。 Identifier, to estimate the model by one-dimensional plus dead time model (identified Td). 示されているモデルパラメータは最初に識別され(Td,Kp及びTc)、そして、線型及び非線型推定式を使用して補正される(Kp及びTc)。 Model parameters shown are first identified (Td, Kp and Tc), and is corrected by using the linear and non-linear estimation expression (Kp and Tc).

【0083】 [0083]

【表1】 [Table 1]

【0084】 [0084]

【表2】 [Table 2]

【0085】補正関数の両方の適用は、プロセスモデル識別を著しく改良する。 [0085] Both of the correction function application is significantly improved process model identification.

【0086】 ファジー論理補助された識別典型的なファジー論理コントローラは、非線型コントローラのタイプである。 [0086] Fuzzy logic auxiliary identification typical fuzzy logic controller is a type of non-linear controller. ファジー論理コントローラの唯一の特徴は、コントローラの動作とコントローラの発生である。 The only feature of the fuzzy logic controller is an operation and controller generation controller. ファジー制御アルゴリズムは言語規則によって定義される。 Fuzzy control algorithm is defined by the language rules. コントローラ入力パラメータはファジー集合(セット)によって表現される。 Controller input parameters are represented by a fuzzy set (sets). コントローラの動作は、特に入力パラメータを使用するコントローラに対しては、操縦面を使用することによって良好に説明される。 Controller operation is for the controller to particular input parameters, are well described by the use of control surfaces.

【0087】FL補正関数を発生させる手法は、ファジー論理コントローラを発生させる手法と同様である。 [0087] Method for generating FL correction function is similar to the method for generating a fuzzy logic controller. 以下の方法がFL補正関数を決定するのに使用される。 The following method is used to determine the FL correction function.

【0088】第1に、プロセスモデル時定数に対する補正関数は以下の形式を有すると仮定する。 [0088] First, assume that the correction function for the process model time constant has the following form.

【0089】 [0089]

【数14】 [Number 14]

【0090】ここで、ΔFはファジー論理補正関数である。 [0090] In this case, ΔF is a fuzzy logic correction function. 関数の値は、増加するファジー論理コントローラの出力に相当する。 The value of the function corresponds to the output of the fuzzy logic controller to increase. 通常の非線型関数にファジー論理を使用することの潜在的な利点は、ファジー論理関数がより柔軟な関数設計であり、そして、2つ又はそれ以上の引数を含むのに容易な方法であることである。 It Potential advantages of using fuzzy logic to conventional non-linear function is a more flexible function design fuzzy logic function, and is an easy way to include two or more arguments it is.

【0091】第2に、2つの引数を有する関数を適用し、第1の引数としてTu/Td比を、第2の引数として極限利得を使用する。 [0091] Second, applying a function with two arguments, the Tu / Td ratio as the first argument, using the intrinsic gain as a second argument.

【0092】 [0092]

【数15】 [Number 15]

【0093】種々の数とタイプのメンバーシップ関数を使用することができる。 [0093] it is possible to use the membership function of a variety of number and type. 実行の容易のために、入力パラメータに単純な三角メンバーシップ関数を使用し、出力信号には別々の関数を使用する。 For ease of execution, using simple trigonometric membership function to the input parameter, using a separate function in the output signal. 図13及び表3は、ファジー論理補正関数設計の詳細を示している。 13 and Table 3 shows the details of the fuzzy logic correction function design. 表3を参照すれば、Pは正、Nは負を表している。 Referring to Table 3, P is positive, N is the represent negative.

【0094】 [0094]

【表3】 [Table 3]

【0095】出力信号上の脱ファジー化は別々のメンバシップ関数に適用される。 [0095] defuzzification on the output signals are applied to different membership functions.

【0096】 [0096]

【表4】 [Table 4]

【0097】 ファジー論理シミュレーションの実験的結 [0097] experimental binding of fuzzy logic simulation
ファジー論理補正関数は、線型及び非線型補正関数により得られる推定値に比較し得る時定数及び利得の推定値を与える。 Fruit fuzzy logic correction function provides an estimate of the constant and the gain when comparable to the estimated value obtained by the linear and non-linear correction function.

【0098】表4に従えば、加えられた補正関数を有するリレーオシレーション識別子は、一次元プラス不感時間モデルを提供し、これは、チューニングの計算に基づくPIDコントローラモデルに使用され得る。 [0098] According to Table 4, the relay oscillation identifier having a correction function applied to provide a one-dimensional plus dead time model, which may be used in the PID controller model based on the computation of the tuning.

【0099】非線型関数及び神経回路網モデルの両方とも、チューニング規則に基づくリレーオシレーションを著しく改善する。 [0099] Both non-linear function and the neural network model, significantly improves the relay oscillation based on tuning rules. 神経回路網チューニングモデルの発生の特定の原理に固執すれば、神経回路網モデル化は、多くの利点を提供する。 If held to a particular theory of the generation of neural network tuning models, neural network modeling offers many advantages. ユーザは、好ましいチューニング規則(必ずしもラムダ又はIMCである必要はない)を実行し、そして、神経回路網チューニングモデルを発生するために同様の方法論を使用することができる。 The user executes the preferred tuning rules (not necessarily a lambda or IMC), and can be used similar methodology to generate a neural network tuning model. シミュレーションで発生すると、神経回路網モデルはチューニング設計の特定の特性に適応する。 When occurring in the simulation, neural network model adapted to the particular characteristics of the tuning design. コントローラの設計に影響を与えるスキャン速度とノイズレベルは、予測のために入力パラメータとして容易に加えられる。 Controller scan speed and the noise level affecting the design of the is readily added as an input parameter for prediction.

【0100】 他の実施形態ここに記載のシステム及び方法は、情報を発生するためにプロセスの極限周期及び極限利得を計算するチューナを使用しているけれども、開ループチューン及び閉ループチューナを含む、どのようなプロセス特性をも測定する他のどのようなタイプのチューナも使用可能である。 [0100] The systems and methods described herein other embodiments, but uses a tuner to calculate the ultimate period and ultimate gain of the process to generate the information, including the open-loop tuning and closed tuner, which any other type of tuner that also measures the process characteristics like can be used.
更に、決定されるファクター及び記載されているシステム及び方法を使用する制御パラメータは、ユーザにより又は自動的に入力パラメータとして入力され得る。 Further, control parameters using the system and methods factor and described are determined may be entered as a user or automatically input parameters.

【0101】更に、ここに言及している図式的なブロックダイヤグラムに示されている要素は、ハードウエアに於いて具体化され、又は適切にプログラムされたディジタルコンピュータ若しくは別個のプログラム又は共通プログラムのモジュールの何れかとしてソフトウエアによりプログラムされたプロセッサに於いて実行される。 [0102] Further, elements shown in the schematic block diagram mentions here is embodied In hardware, or modules of a suitably programmed digital computer or separate program or common program was as either it is executed at the processor programmed with software to.

【0102】本発明は特定の実施形態に関して記述されているけれども、これらは例示であり本発明を限定するものではなく、本発明の精神及び範囲から逸脱することなく、開示された実施形態に変更、付加及び/又は削除が成されることが、当業者に明らかとなるであろう。 [0102] While the present invention has been described with reference to specific embodiments, these are not intended to limit the present invention be illustrated without departing from the spirit and scope of the present invention, changes to the disclosed embodiments , that additional and / or deletion is made, it will be apparent to those skilled in the art.

【図面の簡単な説明】 BRIEF DESCRIPTION OF THE DRAWINGS

【図1】本発明によるリレーオシレーションチューニングシステムの概略を表わすブロックダイヤグラムである。 1 is a block diagram schematically illustrating the relay oscillation tuning system according to the present invention.

【図2】本発明の実施形態に従うチューニングチューニングプロットである。 A tuning tuning plot in accordance with an embodiment of the present invention; FIG.

【図3】コンピューティングコントローラ積分時間及び利得のための非線型係数関数を示すグラフである。 3 is a graph showing the non-linear coefficient function for computing controller integral time, and gain.

【図4】L/T≒0.2及びループスキャン=0.1秒のプロセスに対するチューニングとステップ応答を示すグラフである。 4 is a graph showing the tuning and step response for L / T ≒ 0.2 and loop scan = 0.1 seconds in the process.

【図5】L/T≒0.5及びループスキャン=0.1秒のプロセスに対するチューニングとステップ応答を示すグラフである。 5 is a graph showing the tuning and step response for L / T ≒ 0.5 and loop scan = 0.1 seconds in the process.

【図6】L/T≒0.7及びループスキャン=0.1秒のプロセスに対するチューニングとステップ応答を示すグラフである。 6 is a graph showing the tuning and step response for L / T ≒ 0.7 and loop scan = 0.1 seconds in the process.

【図7】高速応答を有する場合の、L/T≒0.2及びループスキャン=0.1秒のプロセスに対するチューニングとステップ応答を示すグラフである。 [7] the case with high-speed response is a graph showing the tuning and step response for L / T ≒ 0.2 and loop scan = 0.1 seconds in the process.

【図8】チューナによって補助された神経回路網を示すダイヤグラムである。 8 is a diagram showing a neural network which is assisted by the tuner.

【図9】本発明の一実施形態による神経回路網を発展させるために必要なステップを示すグラフである。 It is a graph showing the steps required to develop a neural network according to an embodiment of the present invention; FIG.

【図10】神経回路網によって予想した結果に対する、 For [10] As a result of predicted by the neural network,
本発明の一実施形態を使用した実際の/必要な積分時間を示すグラフである。 Is a graph showing an actual / required integration time using an embodiment of the present invention.

【図11】神経回路網モデル積分時間によって予想した結果に対する、本発明の一実施形態を使用した実際の/ [11] for the results predicted by the neural network model integration time, using an embodiment of the present invention the actual /
必要な積分時間を示すグラフである。 It is a graph showing the integration time required.

【図12】本発明の一実施形態による、T i値15から33のサブレンジに対する神経回路網モデルによって予想した結果のグラフである。 According to an embodiment of the present invention; FIG is a graph of the results predicted by the neural network model for the sub-range of T i values from 15 to 33.

【図13】本発明の一実施形態に於ける入力メンバシップ関数のグラフである。 13 is a graph of in input membership functions to an embodiment of the present invention.

【符号の説明】 100 リレー−オシレーションチューナシステム 120 加算器 130 プロセス出力 140 コントローラ 150 リレー 160 チューニング規則 170 コントローラ 180 制御スイッチ 190 プロセス 600 リレー−オシレーションチューナ 610 コントローラ 620 分析的コントローラ設計 630 プロセス 640 プロセスモデル 641 第2のパラメータ信号 642 パラメータ信号 650 コントローラ設計 651 第1のパラメータ信号 660 非線型モジュール 670 スイッチ 680 誤差信号 690 第2のスイッチ [EXPLANATION OF SYMBOLS] 100 Relay - oscillation tuner system 120 adder 130 processes the output 140 controller 150 relays 160 tuning rules 170 controller 180 controls the switch 190 processes 600 the relay - oscillation tuner 610 controller 620 analytical controller design 630 Process 640 process models 641 second parameter signal 642 parameter signal 650 controller design 651 first parameter signal 660 non-linear module 670 switches 680 error signal 690 second switch

【手続補正書】 [Procedure amendment]

【提出日】平成12年9月20日(2000.9.2 [Filing date] 2000 September 20 (2000.9.2
0) 0)

【手続補正1】 [Amendment 1]

【補正対象書類名】明細書 [Correction target document name] specification

【補正対象項目名】特許請求の範囲 [Correction target item name] the scope of the appended claims

【補正方法】変更 [Correction method] change

【補正内容】 [Correction contents]

【特許請求の範囲】 [The claims]

フロントページの続き (72)発明者 ブレビンス, テレンス エル. アメリカ合衆国 78681 テキサス ラウ ンド ロック カーメル ドライブ 3801 (72)発明者 ティエル, ダーク アメリカ合衆国 78758 テキサス オー スティン マウンテン クウェイル ロー ド 10109 Of the front page Continued (72) inventor Burebinsu, Terence El. United States 78681 Texas Round Rock Carmel Drive 3801 (72) inventor Thiele, dark United States 78758 Texas Eau Sutin Mountain Quail load 10109

Claims (19)

    【特許請求の範囲】 [The claims]
  1. 【請求項1】 プロセス制御ループのチューニングのためのシステムであって、該システムは、 設定ポイントとプロセス変数との差を表わす誤差信号を受領して、前記プロセスの制御を行なうための第1のプロセス制御信号を生成するチューナモジュールと、 非線型手法を適用して、少なくとも一つのパラメータ信号を生成する非線型モジュールと、 前記誤差信号と前記非線型モジュールからの前記少なくとも一つのパラメータ信号とを受領して、前記プロセスを制御するための第2のプロセス制御信号を発生するコントローラモジュールと、 前記チューナモジュール及びコントローラモジュールの一つを前記プロセスに接続して、前記プロセスを制御するための適当なプロセス制御信号を選択するスイッチング手段とを備えたシステム。 1. A system for the process control loop tuning, the system, after receipt of a error signal representing the difference between the set point and process variable, a first for controlling the process a tuner module for generating a process control signal, by applying a non-linear technique, receives the non-linear module for generating at least one parameter signals, and said at least one parameter signal from the error signal and the non-linear module to a controller module for generating a second process control signals for controlling the process, by connecting one of the tuner module and the controller module to the process, suitable process for controlling the process system comprising a switching means for selecting a control signal.
  2. 【請求項2】 請求項1記載のシステムであって、前記非線型モジュールは、非線型手法を適用して、プロセスモデル識別パラメータを生成する非線型プロセス識別モジュールを有しているシステム。 2. A system according to claim 1, wherein the non-linear module applies the non-linear techniques, has a non-linear process identification module for generating a process model identification parameters system.
  3. 【請求項3】 請求項1記載のシステムであって、前記非線型モジュールは、複数のコントローラチューニングパラメータの非線型推定値を提供するための非線型プロセス設計モジュールを有しているシステム。 3. A system according to claim 1, wherein the non-linear module has a non-linear process design module for providing a non-linear estimate of the plurality of controllers tuning parameters system.
  4. 【請求項4】 請求項3記載のシステムであって、前記コントローラは、前記非線型コントローラ設計モジュールからコントローラチューニングパラメータの推定値を受領するために更に結合されているシステム。 4. A system according to claim 3, wherein the controller is further coupled from said nonlinear controller design module to receive an estimate of the controller tuning parameters system.
  5. 【請求項5】 請求項3記載のシステムであって、前記コントローラは、前記非線型コントローラ設計モジュールからコントローラチューニングパラメータの推定値を受領するために更に結合されているシステム。 5. A system according to claim 3, wherein the controller is further coupled from said nonlinear controller design module to receive an estimate of the controller tuning parameters system.
  6. 【請求項6】 請求項3記載のシステムであって、前記非線型コントローラ設計モジュールは、前記コントローラモジュールに対する調整が可能であり、該調整により、前記コントローラの応答速度が変更されるシステム。 6. The system of claim 3, wherein said non-linear controller design module is capable of adjustment to the controller module, system by the adjustment, the response speed of the controller is changed.
  7. 【請求項7】 請求項1記載のシステムであって、 前記非線型モジュールに接続された分析的コントローラ設計モジュールを更に有し、該分析的コントローラ設計モジュールは、前記非線型モジュールから受領した複数のモデル識別パラメータに基づいて、複数のコントローラパラメータを前記コントローラに提供することができるシステム。 7. The system of claim 1, wherein a non-linear module to further analytical controller design module connected, the analytical controller design module, a plurality received from the non-linear module based on the model identification parameter, it is possible to provide a plurality of controller parameters to the controller system.
  8. 【請求項8】 請求項1記載のシステムであって、 前記コントローラは、比例、積分及び微分フィードバックコントローラであるシステム。 8. The system of claim 1, wherein the controller is a proportional, an integral and derivative feedback controller system.
  9. 【請求項9】 請求項1記載のシステムであって、 前記非線型モジュールは、少なくとも一つの神経回路網モジュールを包含しているシステム。 9. The system of claim 1, wherein the non-linear module encompasses at least one neural network module system.
  10. 【請求項10】 請求項1記載のシステムであって、 前記非線型モジュールは、非線型プロセス識別モジュールと、非線型コントローラ設計モジュールとを包含し、 10. A system according to claim 1, wherein the non-linear module encompasses a non-linear process identification module, and a nonlinear controller design module,
    前記非線型プロセス識別モジュールからの出力と、前記非線型コントローラ設計モジュールからの出力とが、前記コントローラモジュールに接続されているシステム。 System wherein the output from the non-linear process identification module, an output from the nonlinear controller design module is connected to the controller module.
  11. 【請求項11】 請求項9記載のシステムであって、 前記神経回路網モジュールは、S字状関数及び放射状を基本とする関数の一つを使用するシステム。 11. The system of claim 9, wherein the neural network module uses a single function which is based on S-shaped function and radial system.
  12. 【請求項12】 請求項9記載のシステムであって、 前記神経回路網モジュールは、伝達関数が、 Out=(1−e -In )/(1+e -In ) によって与えられるS字状関数であり、Inは、In= 12. The system of claim 9, wherein said neural network modules, the transfer function, Out = (1-e -In ) / (1 + e -In) is S-shaped function given by , in is, in =
    Σw i In iの形式の複数の外部入力の重み付けられた合計であるシステム。 .Sigma.w i an In i form a plurality of systems is the sum of the weighted external input of.
  13. 【請求項13】 請求項1記載のシステムであって、 前記非線型モジュールは、ファジー論理モジュールを包含しているシステム。 13. The system of claim 1, wherein the non-linear module encompasses the fuzzy logic module system.
  14. 【請求項14】 請求項1記載のシステムであって、 前記パラメータ信号は、前記プロセス制御ループをチューニングするための複数のチューニングパラメータの非線型推定量を使用する複数の制御パラメータを包含しているシステム。 14. The system of claim 1, wherein said parameter signal encompasses a plurality of control parameters that use non-linear estimator of the plurality of tuning parameters for tuning the process control loop system.
  15. 【請求項15】 請求項14記載のシステムであって、 前記非線型モジュールは、非線型関数を使用する非線型推定量を使用して複数の制御パラメータを計算し、前記複数のチューニングパラメータの非線型推定量を生成するシステム。 15. The system of claim 14, wherein the non-linear module, using a non-linear estimator using a nonlinear function to calculate a plurality of control parameters, non of the plurality of tuning parameters system for generating a linear estimator.
  16. 【請求項16】 請求項14記載のシステムであって、 前記非線型モジュールは、神経回路網を使用する非線型推定量を使用して複数の制御パラメータを計算し、リレーオシレーションチューニングパラメータを推定するシステム。 16. The system of claim 14, wherein the non-linear module, using a non-linear estimator using a neural network to calculate a plurality of control parameters, estimates the relay oscillation tuning parameters system.
  17. 【請求項17】 請求項14記載のシステムであって、 前記非線型モジュールは、ファジー論理を使用する非線型推定量を使用して複数の制御パラメータを計算し、リレーオシレーションチューニングパラメータを推定するシステム。 17. The system of claim 14, wherein the non-linear module, using a non-linear estimator of using fuzzy logic to calculate a plurality of control parameters, to estimate the relay oscillation tuning parameters system.
  18. 【請求項18】 請求項15記載のシステムであって、 前記非線型関数はS字状関数であるシステム。 18. The system of claim 15, wherein the non-linear function is S-shaped function system.
  19. 【請求項19】 請求項18記載のシステムであって、 積分時間、利得及び微分時間を含むパラメータを提供するために、前記S字状関数と共に発見的係数が使用されるシステム。 19. The system of claim 18, integration time, in order to provide parameters including a gain and derivative time, system heuristic coefficient together with the S-shaped function is used.
JP2000252805A 1999-08-23 2000-08-23 Control Loop Automatic Tuner with Nonlinear Tuning Rule Estimator Active JP3512376B2 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US15032399P true 1999-08-23 1999-08-23
US60/150323 1999-08-23

Publications (2)

Publication Number Publication Date
JP2001100803A true JP2001100803A (en) 2001-04-13
JP3512376B2 JP3512376B2 (en) 2004-03-29

Family

ID=22534037

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2000252805A Active JP3512376B2 (en) 1999-08-23 2000-08-23 Control Loop Automatic Tuner with Nonlinear Tuning Rule Estimator

Country Status (3)

Country Link
JP (1) JP3512376B2 (en)
DE (1) DE10041439B4 (en)
GB (1) GB2353608B (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101925866A (en) * 2008-01-31 2010-12-22 费希尔-罗斯蒙特系统公司 Robust adaptive model predictive controller with tuning to compensate for model mismatch
CN102331717A (en) * 2011-10-10 2012-01-25 哈尔滨工程大学 Intelligent control method of navigational speed of ship
WO2015008896A1 (en) * 2013-07-19 2015-01-22 재단법인대구경북과학기술원 Variable pid gain design device and method for controlling multi-variable nonlinear system

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE447608B (en) * 1985-04-03 1986-11-24 Hightech Network Ab Method and apparatus for Adjustment of a digital controller
JPS6266301A (en) * 1985-09-18 1987-03-25 Yamatake Honeywell Co Ltd Auto tuning controller
US5453925A (en) * 1993-05-28 1995-09-26 Fisher Controls International, Inc. System and method for automatically tuning a process controller
US5742503A (en) * 1996-03-25 1998-04-21 National Science Council Use of saturation relay feedback in PID controller tuning
DE19748718A1 (en) * 1997-11-05 1999-05-06 Hans Werner Dr Ing Philippsen Self-adjusting device for process control system

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101925866A (en) * 2008-01-31 2010-12-22 费希尔-罗斯蒙特系统公司 Robust adaptive model predictive controller with tuning to compensate for model mismatch
CN102331717A (en) * 2011-10-10 2012-01-25 哈尔滨工程大学 Intelligent control method of navigational speed of ship
WO2015008896A1 (en) * 2013-07-19 2015-01-22 재단법인대구경북과학기술원 Variable pid gain design device and method for controlling multi-variable nonlinear system
US10088811B2 (en) 2013-07-19 2018-10-02 Daegu Gyeongbuk Institute Of Science And Technology Variable PID gain design device and method for controlling multi-variable nonlinear system

Also Published As

Publication number Publication date
DE10041439B4 (en) 2011-08-11
JP3512376B2 (en) 2004-03-29
GB2353608B (en) 2003-10-08
DE10041439A1 (en) 2001-03-01
GB0020529D0 (en) 2000-10-11
GB2353608A (en) 2001-02-28

Similar Documents

Publication Publication Date Title
Liu et al. Adaptive control-based barrier Lyapunov functions for a class of stochastic nonlinear systems with full state constraints
CN1975611B (en) Constraint and limit feasibility handling in a process control system optimizer
US7630868B2 (en) Computer method and apparatus for constraining a non-linear approximator of an empirical process
Liu et al. Multi-innovation stochastic gradient algorithm for multiple-input single-output systems using the auxiliary model
EP0832449B1 (en) A method of incorporating independent feedforward control in a multivariable predictive controller
US8055358B2 (en) Multi-objective predictive process optimization with concurrent process simulation
Hespanha et al. Overcoming the limitations of adaptive control by means of logic-based switching
Likar et al. Predictive control of a gas–liquid separation plant based on a Gaussian process model
Suárez et al. Linear systems with bounded inputs: global stabilization with eigenvalue placement
JP2011003186A (en) Continuously scheduled model parameter based adaptive controller
JP2005070940A (en) Pid parameter adjusting device
Ho et al. Adaptive neural control for a class of nonlinearly parametric time-delay systems
EP0823078B1 (en) Feedback method for controlling non-linear processes
US6745088B2 (en) Multi-variable matrix process control
CN1131466C (en) Method for predicting overshoot in control system response
JP5924940B2 (en) Model predictive controller with tunable integration component to compensate for model mismatch
Bechlioulis et al. A low-complexity global approximation-free control scheme with prescribed performance for unknown pure feedback systems
EP0710901A1 (en) Multivariable nonlinear process controller
CN1242307C (en) Model-free adaptive controller and control system for industrial processes
Liu et al. Reinforcement learning design-based adaptive tracking control with less learning parameters for nonlinear discrete-time MIMO systems
Huang et al. Fuzzy model predictive control
US5404289A (en) Controller apparatus having improved transient response speed by means of self-tuning variable set point weighting
EP2455835A1 (en) Apparatus and method for automated closed-loop identification of an industrial process in a process control system
US7050866B2 (en) Dynamic controller for controlling a system
AU704692B2 (en) A variable horizon predictor for controlling dead time dominant processes, multivariable interactive processes, and processes with time variant dynamics

Legal Events

Date Code Title Description
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20031216

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20040106

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20080116

Year of fee payment: 4

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20090116

Year of fee payment: 5

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20090116

Year of fee payment: 5

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20100116

Year of fee payment: 6

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20110116

Year of fee payment: 7

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20110116

Year of fee payment: 7

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20120116

Year of fee payment: 8

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20130116

Year of fee payment: 9

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250