JP2001296907A - Device and method for controlling dead time compensation and storage medium - Google Patents
Device and method for controlling dead time compensation and storage mediumInfo
- Publication number
- JP2001296907A JP2001296907A JP2000110798A JP2000110798A JP2001296907A JP 2001296907 A JP2001296907 A JP 2001296907A JP 2000110798 A JP2000110798 A JP 2000110798A JP 2000110798 A JP2000110798 A JP 2000110798A JP 2001296907 A JP2001296907 A JP 2001296907A
- Authority
- JP
- Japan
- Prior art keywords
- control
- dead time
- amount
- calculating
- time compensation
- 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.)
- Withdrawn
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
Description
【０００１】[0001]
【発明の属する技術分野】本発明は制御しようとする制
御対象が無視できないむだ時間を有するときに、制御対
象を好適に制御するもので、一例をあげると鉄鋼業にお
けるＣＣ湯面レベル制御系の制御装置や板幅制御系の制
御装置に適用できるむだ時間補償制御装置に関するもの
である。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention suitably controls an object to be controlled when the object to be controlled has a non-negligible dead time. For example, the present invention relates to a CC level control system in the steel industry. The present invention relates to a dead time compensation control device that can be applied to a control device and a control device of a plate width control system.
【０００２】[0002]
【従来の技術】従来むだ時間を有する制御対象を制御す
る手法として公知のスミス法がある(図８参照)。これは
むだ時間を有する制御対象の特性においてむだ時間項を
除いた制御特性をプロセス同定モデルとして求め、これ
を主コントローラのマイナーループとして設置し、むだ
時間を補償するものである。このマイナーループにより
制御系はむだ時間項を制御ループの外に出し、あたかも
むだ時間を有しない制御系と同等にコントローラを設計
できると言うものである。2. Description of the Related Art There is a known Smith method as a method for controlling a control object having a dead time (see FIG. 8). In this method, a control characteristic excluding a dead time term in a characteristic of a control object having a dead time is obtained as a process identification model, and this is set as a minor loop of a main controller to compensate for the dead time. This minor loop allows the control system to put the dead time term out of the control loop, and to design the controller as if it were a control system having no dead time.
【０００３】[0003]
【発明が解決しようとする課題】しかしながらこの手法
で制御対象を制御するコントローラを求める場合には、
いわゆるスミスの条件が成立する必要がある。スミスの
条件を言葉で表せば、制御対象の特性を精度良く求める
ということととむだ時間を誤差なく求めることである。
しかしながら実プロセスの制御特性は通常線形化して求
めることが多く、非線型項は無視して近似することが一
般的であるが、実際には制御対象(実プロセス)には非線
型項が存在するので、求めたプロセス同定モデルには同
定誤差が生じることが多い。この同定誤差が存在する状
態でスミス法に沿って主コントローラを構築しても、ス
テップ状の目標値に対する目標値応答は応答性を上げよ
うとするとオーバーシュートが生じたり、振動的になっ
たり、又オーバーシュートや振動なく目標値に近づけよ
うとすると目標値に整定する時間が遅くなると言う欠点
があった。However, when a controller for controlling an object to be controlled is required by this method,
The so-called Smith condition must be satisfied. To express the Smith condition in words, it means that the characteristics of the control target are accurately obtained and that the dead time is obtained without error.
However, the control characteristics of an actual process are usually obtained by linearization, and the approximation is generally ignored ignoring the nonlinear term, but in practice, there is a nonlinear term in the control target (real process). Therefore, the obtained process identification model often has an identification error. Even if the main controller is constructed according to the Smith method in the presence of this identification error, the target value response to the step-like target value may cause overshoot or vibration when trying to increase the response, Further, there is a drawback that the time required to settle to the target value is delayed when trying to approach the target value without overshoot or vibration.
【０００４】更に、主コントローラの操作端にステップ
状の外乱を加えた場合、制御対象の制御量が一度定常値
から乱れてその後定常値に復帰するが、前述の様にプロ
セスモデルに同定誤差がある場合アンダーシュートを生
じて復帰したり、整定時間がのびると言う欠点があっ
た。Further, when a step-like disturbance is applied to the operation end of the main controller, the control amount of the controlled object is once disturbed from a steady value and then returns to a steady value. However, as described above, an identification error occurs in the process model. In some cases, there is a drawback that an undershoot occurs and the vehicle returns, or the settling time increases.
【０００５】また、特開平３−１８２９０２号公報で
は、スミス法におけるプロセス同定モデルにニューラル
ネットワークを採用しそれを学習手段と合わせて構築し
ているが、学習が終わった状態で考えて良いので学習手
段を除いて考えると(図９参照)、この手法では制御対象
の非線型性に着目してニューラルネットワークを採用し
同定精度を高めたと思われるが、NNへの入力情報が操作
量だけであり、NNへの入力情報が状態量のみ、あるいは
状態量と操作量の場合に比べ、プロセス同定モデルの同
定精度を高めきれないと言う欠点があり、更にこの手法
を用いてむだ時間補償制御系を構成しても、目標値応答
性では応答性を高め様とすると、オーバーシュートある
いはアンダーシュートが生じ、滑らかに目標値に近づけ
ようとすると目標値に対する整定時間が長くなり又操作
端にステップ外乱を加えたときの外乱抑制応答でもアン
ダーシュートが生じたり、整定時間が長いと言う欠点が
ある。In Japanese Unexamined Patent Publication No. Hei 3-182902, a neural network is employed as a process identification model in the Smith method and is constructed together with learning means. Excluding the means (see Fig. 9), it seems that this method focused on the non-linearity of the control target and adopted a neural network to increase the identification accuracy, but the input information to the NN was only the operation amount. The disadvantage is that the identification accuracy of the process identification model cannot be improved compared to the case where the input information to the NN is only the state quantity or the state quantity and the manipulated variable. Even if it is configured, overshooting or undershooting will occur if the responsiveness of the target value is to be improved, and if the swiftness approaches the target value, the target value will be reduced. Or undershoot occurs in the disturbance suppression response when adding step disturbance to the setting time is lengthened also operated end which, settling time is disadvantage that long.
【０００６】本発明は、このような問題を解決するため
に成されたものであり、本発明の目的は、スミス法ある
いは特開平３−１８２９０２号公報のスミス法でプロセ
ス同定モデルにNNを用いた手法でむだ時間補償制御系を
構築した場合、目標値応答性において応答性を高めると
きに生じるオーバーシュートや振動を抑制すること、滑
らかに目標値に近づけようとしたときに目標値への整定
時間を短縮すること、また、外乱抑制応答において生じ
るアンダーシュートあるいは整定時間の長さを改善する
ことにある。The present invention has been made to solve such a problem, and an object of the present invention is to use NN as a process identification model in the Smith method or the Smith method disclosed in Japanese Patent Laid-Open No. 3-182902. When a dead time compensation control system is constructed using the same method, the overshoot and vibration that occur when increasing the response in the target value response are suppressed, and the target value is set when trying to smoothly approach the target value. It is to reduce the time and to improve the length of the undershoot or settling time that occurs in the disturbance suppression response.
【０００７】[0007]
【課題を解決するための手段】本発明のむだ時間補償制
御装置は、制御対象への入力信号である操作量をプロセ
ス同定モデルに通して、むだ時間を補償して前記制御対
象の制御量を出力させるむだ時間補償制御装置であっ
て、前記プロセス同定モデルとしてニューラルネットワ
ークを採用し、前記操作量と前記制御量から前記制御対
象の状態量を推定する推定手段と、前記状態量のみを入
力とする前記プロセス同定モデルにてむだ時間の補償量
を演算するむだ時間補償信号演算手段と、前記制御対象
の目標値と前記制御対象への制御量との偏差を演算する
差分演算手段と、前記差分演算手段の出力をＰＩ演算す
るＰＩ演算手段と、前記ＰＩ演算手段からの出力を前記
むだ時間補償信号に加算する加算手段と、前記加算手段
から出力された加算信号をＰＩＤ演算あるいはファジー
演算して最終的な前記制御対象への前記操作量を算出す
る主コントロール手段とを有する。A dead time compensation control device according to the present invention passes an operation amount, which is an input signal to a control target, through a process identification model to compensate for the dead time, thereby reducing the control amount of the control target. A dead time compensation control device that outputs, using a neural network as the process identification model, estimating means for estimating the state amount of the control target from the operation amount and the control amount, and inputting only the state amount. A dead time compensation signal calculating means for calculating a dead time compensation amount in the process identification model; a difference calculating means for calculating a deviation between a target value of the controlled object and a controlled amount to the controlled object; PI calculation means for performing a PI calculation on the output of the calculation means, addition means for adding the output from the PI calculation means to the dead time compensation signal, and addition output from the addition means And a main control means for calculating the operation amount to the final said control target No. PID calculation or fuzzy arithmetic to.
【０００８】本発明のむだ時間補償制御装置は、制御対
象への入力信号である操作量をプロセス同定モデルに通
して、むだ時間を補償して前記制御対象の制御量を出力
させるむだ時間補償制御装置であって、 前記プロセス
同定モデルとしてニューラルネットワークを採用し、前
記操作量と前記制御量から前記制御対象の状態量を推定
する推定手段と、前記状態量及び前記操作量を入力とす
る前記プロセス同定モデルにてむだ時間の補償量を演算
するむだ時間補償信号演算手段と、前記制御対象の目標
値と前記制御対象への制御量との偏差を演算する差分演
算手段と、前記差分演算手段の出力をＰＩ演算するＰＩ
演算手段と、前記ＰＩ演算手段からの出力を前記むだ時
間補償信号に加算する加算手段と、前記加算手段から出
力された加算信号をＰＩＤ演算あるいはファジー演算し
て最終的な前記制御対象への前記操作量を算出する主コ
ントロール手段とを有する。A dead time compensation control device according to the present invention is a dead time compensation control for compensating for a dead time and outputting a control amount of the controlled object by passing a manipulated variable, which is an input signal to the controlled object, through a process identification model. An apparatus, wherein a neural network is adopted as the process identification model, estimating means for estimating a state amount of the control target from the operation amount and the control amount, and the process using the state amount and the operation amount as inputs. A dead time compensation signal calculating unit that calculates a dead time compensation amount by an identification model; a difference calculating unit that calculates a deviation between a target value of the control target and a control amount to the control target; and a difference calculation unit. PI to calculate the output PI
Calculating means, adding means for adding the output from the PI calculating means to the dead time compensation signal, and performing PID calculation or fuzzy calculation on the added signal output from the adding means to finally control the control target. Main control means for calculating an operation amount.
【０００９】本発明のむだ時間補償制御方法は、制御対
象への入力信号である操作量をプロセス同定モデルに通
して、むだ時間を補償して前記制御対象の制御量を出力
するむだ時間補償制御方法であって、前記プロセス同定
モデルとしてニューラルネットワークを採用し、前記操
作量と前記制御量から前記制御対象の状態量を推定し、
前記状態量のみを入力として前記プロセス同定モデルに
てむだ時間補償量を計算し、前記制御対象の目標値と前
記制御対象への制御量との偏差を演算し、前記偏差をＰ
Ｉ演算した結果と前記むだ時間補償量とを加算し、加算
した値をＰＩＤ演算あるいはファジー演算して最終的な
前記制御対象への前記操作量を計算する。A dead time compensation control method according to the present invention is a dead time compensation control for passing a manipulated variable, which is an input signal to a controlled object, through a process identification model to compensate for a dead time and outputting a controlled variable of the controlled object. A method, employing a neural network as the process identification model, estimating the state quantity of the control target from the operation amount and the control amount,
A dead time compensation amount is calculated by the process identification model using only the state quantity as an input, a deviation between a target value of the control target and a control amount to the control target is calculated, and the deviation is calculated as P
The result of the I operation is added to the dead time compensation amount, and the added value is subjected to a PID operation or a fuzzy operation to calculate the final operation amount for the controlled object.
【００１０】本発明のむだ時間補償制御方法は、制御対
象への入力信号である操作量をプロセス同定モデルに通
して、むだ時間を補償して前記制御対象の制御量を出力
するむだ時間補償制御方法であって、前記プロセス同定
モデルとしてニューラルネットワークを採用し、前記操
作量と前記制御量から前記制御対象の状態量を推定し、
前記状態量及び前記操作量を入力として前記プロセス同
定モデルにてむだ時間補償量を計算し、前記制御対象の
目標値と前記制御対象への制御量との偏差を演算し、前
記偏差をＰＩ演算した結果と前記むだ時間補償量とを加
算し、加算した値をＰＩＤ演算あるいはファジー演算し
て最終的な前記制御対象への前記操作量を計算する。A dead time compensation control method according to the present invention is a dead time compensation control for compensating for a dead time and outputting a control amount of the controlled object by passing an operation amount, which is an input signal to the controlled object, through a process identification model. A method, employing a neural network as the process identification model, estimating the state quantity of the control target from the operation amount and the control amount,
Using the state quantity and the manipulated variable as inputs, calculating a dead time compensation amount by the process identification model, calculating a deviation between a target value of the control target and a control amount to the control target, and PI calculating the deviation The calculated result and the dead time compensation amount are added, and the added value is subjected to PID operation or fuzzy operation to calculate the final operation amount for the control target.
【００１１】本発明の記憶媒体は、上記のむだ時間補償
制御方法の各手順をコンピュータに実行させるためのプ
ログラムを記憶したコンピュータ読み取り可能な記憶媒
体である。A storage medium according to the present invention is a computer-readable storage medium storing a program for causing a computer to execute each procedure of the above-described method of controlling a dead time compensation.
【００１２】[0012]
【発明の実施の形態】以下、本発明の実施形態について
図１を参照しながら説明する。DESCRIPTION OF THE PREFERRED EMBODIMENTS An embodiment of the present invention will be described below with reference to FIG.
【００１３】（第１の実施形態）第１の実施形態では、
実プロセスへの入力信号である操作量を入力して、プロ
セス同定モデルを通してむだ時間を補償し、この信号を
実プロセスの目標値と実プロセスの制御量との偏差に加
え、PID演算あるいはファジー演算して操作量を計算す
る制御装置において、プロセス同定モデルにニューラル
ネットワークを採用し、実プロセス１４の操作量と制御
量よりオブザーバー又はカルマンフィルター１２で実プ
ロセスの状態量を推定し、その推定した状態量のみで
(即ち制御対象への操作量を用いずに)、プロセス同定モ
デル１３でむだ時間の補償を行い、プロセスの目標値と
実プロセスの制御量の偏差を差分器１６で計算し、それ
をPI演算器１５で計算したものに、上記むだ時間補償信
号を加算器１７で加え、主コントローラ１１でPID演算
あるいはファジー演算し、操作量を計算する構成であ
る。(First Embodiment) In the first embodiment,
Input the manipulated variable that is the input signal to the real process, compensate for dead time through the process identification model, add this signal to the deviation between the target value of the real process and the control amount of the real process, and perform PID calculation or fuzzy calculation In the control device that calculates the manipulated variable by using the neural network as the process identification model, the observer or the Kalman filter 12 estimates the state quantity of the real process from the manipulated variable and the control quantity of the real process 14, and estimates the estimated state. Only in quantity
The dead time is compensated by the process identification model 13 (ie, without using the manipulated variable for the control target), the difference between the target value of the process and the control amount of the actual process is calculated by the differentiator 16, and the PI calculation is performed. The dead time compensation signal is added by the adder 17 to the result calculated by the device 15 and the main controller 11 performs PID calculation or fuzzy calculation to calculate the operation amount.
【００１４】すなわち、本実施形態では、オブザーバあ
るいはカルマンフィルター１２を設置した理由は、極力
多くの信号を用いて、プロセス同定モデル１３の動特性
を現実になるべく近づける点にある。That is, in the present embodiment, the reason why the observer or the Kalman filter 12 is provided is that the dynamic characteristics of the process identification model 13 are made as close as possible using as many signals as possible.
【００１５】又プロセスの目標値とプロセスの制御量の
偏差のPI演算器１５はこれがない場合主コントローラの
積分ゲインが等価的に零になる場合があり定常偏差（オ
フセット）が生じるのを抑える為に導入したものであ
る。If there is no PI calculator 15 for the deviation between the target value of the process and the control amount of the process, the integral gain of the main controller may become equivalently zero and the steady-state deviation (offset) is suppressed. Is introduced.
【００１６】（第２の実施形態）次に、第２の実施形態
では、実プロセスへの入力信号である操作量を入力し
て、プロセス同定モデルを通してむだ時間を補償し、こ
の信号を実プロセスの目標値とプロセスの制御量との偏
差に加えPI演算あるいはファジー演算して操作量を計算
する制御装置において、プロセス同定モデルにニューラ
ルネットワークを採用し、実プロセス１４の操作量と制
御量より、オブザーバーあるいはカルマンフィルター１
２で実プロセスの状態量を推定し、 その推定した状態
量と前記操作量を入力とし、プロセス同定モデル１３で
むだ時間の補償を行いプロセスの目標値と実プロセスの
制御量の偏差を差分器１６で計算し、それをPI演算器１
５で計算したものに、上記むだ時間補償信号を加算器17
で加えて、主コントローラ11でPID演算あるいはファジ
ー演算し操作量を計算する構成である。Second Embodiment Next, in a second embodiment, a manipulated variable, which is an input signal to an actual process, is input, dead time is compensated through a process identification model, and this signal is converted into an actual process. In a control device that calculates a manipulated variable by PI or fuzzy computation in addition to the deviation between the target value of the process and the controlled variable of the process, a neural network is adopted as the process identification model, Observer or Kalman filter 1
2, the state quantity of the real process is estimated, the estimated state quantity and the manipulated variable are input, the dead time is compensated by the process identification model 13, and the difference between the target value of the process and the control quantity of the real process is calculated by a subtractor. Calculate at 16 and calculate it with PI calculator 1
The dead time compensation signal is added to the one calculated in step 5 by the adder 17.
In addition, the main controller 11 calculates the operation amount by performing PID calculation or fuzzy calculation.
【００１７】第２の実施形態のオブザーバーあるいはカ
ルマンフィルター12を設置した理由、プロセスの目標値
とプロセスの制御量の偏差のPI演算器15を設置した理由
は第１の実施形態と全く同様である。The reason for installing the observer or the Kalman filter 12 of the second embodiment and the reason for installing the PI calculator 15 for the deviation between the target value of the process and the control amount of the process are exactly the same as those of the first embodiment. .
【００１８】また、第２の実施形態でプロセス同定モデ
ルであるNNへの入力信号に制御対象への操作量を加えた
のは、なるべく情報を多くし、NNによるプロセス同定モ
デルの精度を上げるためである。Further, the reason why the manipulated variable for the controlled object is added to the input signal to the NN which is the process identification model in the second embodiment is to increase the information as much as possible and to improve the accuracy of the process identification model by the NN. It is.
【００１９】更に、第１及び第２の実施形態でプロセス
同定モデルにNNを採用した理由は制御対象の非線型項を
考慮しなるべく現実に近いプロセス同定モデルを得るた
めである。Further, the reason why the NN is adopted as the process identification model in the first and second embodiments is to obtain a process identification model that is as realistic as possible in consideration of the nonlinear term of the control object.
【００２０】従って、第１の実施形態は、以上のような
手段を講じたことにより、実プロセスの状態量を推定す
るオブザーバーあるいはカルマンフィルターは実プロセ
スへの操作量と実プロセスの制御量を入力として、実プ
ロセスの状態量を推定し、その状態量を出力値として、
この状態量の推定値のみを入力として、NNによるプロセ
ス同定器に受け継ぐ。このプロセス同定器でむだ時間を
補償する補償信号を計算する。また、実プロセスの目標
値と実プロセスの制御量の偏差を計算する差分器の出力
信号をPI演算し、その結果と前述のむだ時間補償信号を
加算したものを主コントローラに送るものである。この
主コントローラでPID演算あるいはファジー演算を行
い、実プラントへの入力信号即ち操作量とし、制御対象
を制御するもので、実プラントに無視できないむだ時間
を有する制御対象の制御性能を向上させるものである。Therefore, according to the first embodiment, the observer or the Kalman filter for estimating the state quantity of the real process inputs the operation quantity to the real process and the control quantity of the real process by taking the above means. , The state quantity of the actual process is estimated, and the state quantity is used as the output value,
Only the estimated value of this state quantity is input and passed to the process identifier by NN. The process identifier calculates a compensation signal for compensating for the dead time. In addition, a PI operation is performed on an output signal of a differentiator for calculating a deviation between a target value of an actual process and a control amount of the actual process, and a result obtained by adding the result and the dead time compensation signal described above is sent to the main controller. This main controller performs PID calculation or fuzzy calculation to control the control target as an input signal to the real plant, that is, the manipulated variable, and improves the control performance of the control target having a dead time that cannot be ignored in the real plant. is there.
【００２１】また、第２の実施形態は、第１の実施形態
においてNNによるプロセス同定器への入力信号がオブザ
ーバーまたはカルマンフィルターで推定した実プロセス
の状態量と制御対象への操作量で、他は第１の実施形態
と全く同様の作用をなすもので、これにより目標値を変
更した場合や操作端に外乱がある場合の応答特性でオー
バーシュートあるいはアンダーシュートをなくし、ある
いは整定時間を短くでき、制御性能の改善を図るもので
ある。In the second embodiment, the input signal to the process identifier by the NN in the first embodiment is a state quantity of an actual process estimated by an observer or a Kalman filter and an operation quantity to a control object. Works exactly the same as in the first embodiment. This makes it possible to eliminate overshoot or undershoot in the response characteristics when the target value is changed or when there is disturbance at the operating end, or to shorten the settling time. And control performance.
【００２２】上記第１及び第２の実施形態においてプロ
セス同定モデルにNNを採用したのは、制御対象の非線型
性をも考慮することによりプロセス同定モデルの同定精
度を高め、無視できないむだ時間を有する制御対象を好
適に制御するもので、これにより目標値を変更した場合
や操作端に外乱がある場合の応答特性でオーバーシュー
トあるいはアンダーシュートをなくし、あるいは整定時
間を短くでき、制御性能の改善を図るものである。In the first and second embodiments, the NN is employed as the process identification model because the identification accuracy of the process identification model is increased by considering the non-linearity of the control target, and the dead time that cannot be ignored is reduced. It controls the control target properly, and thereby eliminates overshoot or undershoot in the response characteristics when the target value is changed or when there is disturbance at the operation end, or shortens the settling time, thereby improving control performance. It is intended.
【００２３】[0023]
【実施例】以下、本発明の実施例を具体的に説明する。
本発明の実施例であるが、前述の様に例えば鉄鋼業にお
けるCC湯面レベル制御系や板幅制御系は一次遅れ＋むだ
時間系で表すことは無理があり、通常3次〜5次の高次の
制御対象で表されることが多い。そこでこのような現実
的な例を念頭において次の3次+むだ時間系を選ぶものと
する。DESCRIPTION OF THE PREFERRED EMBODIMENTS Embodiments of the present invention will be specifically described below.
Although it is an embodiment of the present invention, as described above, for example, the CC level control system and the plate width control system in the steel industry cannot be represented by a first-order lag + a dead time system, and it is usually impossible to represent a third to fifth order. Often represented by higher-order control objects. Therefore, the following tertiary + dead time system is selected with such a realistic example in mind.
【００２４】[0024]
【数１】 (Equation 1)
【００２５】但し、 A ：制御系のゲイン L ：制御対象のむだ時間 Tu ：時定数１ TL ：時定数２ である。[0025] However, A: control system of the gain L: dead time T u of the control target: time constant 1 T L: a time constant 2.
【００２６】この制御対象に対してA=0.85169, L=1.
0、Tu=0.2、TL=0.15と具体的な数値例を設定する。A = 0.85169, L = 1.
Set specific numerical examples such as 0, Tu = 0.2, and TL = 0.15.
【００２７】さて制御対象が決まったので今回の発明の
第１の実施形態に関するむだ時間補償方法の構築法につ
いて説明する。Now that the control target has been determined, a method of constructing the dead time compensation method according to the first embodiment of the present invention will be described.
【００２８】最初に行わねばならないことは、オブザー
バーあるいはカルマンフィルターを制御対象に応じて設
置することである。ここではオブザーバーの設置方法に
ついて説明するが、カルマンフィルターについても同様
である。The first thing to do is to install an observer or Kalman filter according to the control object. Here, the method of installing the observer will be described, but the same applies to the Kalman filter.
【００２９】さて、オブザーバーは状態観測器とも呼ば
れ、制御対象の状態量を推定するものである。制御対象
の状態量を推定するオブザーバーには制御対象の制御量
を1つの状態量とみなしてオブザーバーの状態変数の数
を低減する最小次元オブザーバーと制御対象の状態変数
をそのまま推定する同一次元オブザーバーがある。ここ
ではオブザーバーの次元を下げる最小次元オブザーバー
を例に説明する。The observer is also called a state observer, and estimates a state quantity of a control target. The observer for estimating the state quantity of the controlled object includes a minimum-dimensional observer that regards the controlled variable of the controlled object as one state quantity and reduces the number of state variables of the observer, and a same-dimensional observer that estimates the state variable of the controlled object as it is. is there. Here, a minimum dimension observer for lowering the dimension of the observer will be described as an example.
【００３０】(最小次元オブザーバー)制御対象の特性が
次の状態空間表現で表されるとき(Minimum dimension observer) When the characteristic of the controlled object is represented by the following state space expression
【００３１】[0031]
【数２】 (Equation 2)
【００３２】但し、x(t)はn 次元ベクトルu(t)はｍ次元
ベクトル、y(t)はｌ次元ベクトルであり、また、Φは
（ｎ × ｎ）行列、Γは( n × m)行列、Cは（ｌ×
n）行列で理論的に伝達関数から状態空間表現に変換し
たものあるいは適切な同定法に従って求めた行列であ
る。Here, x (t) is an n-dimensional vector u (t) is an m-dimensional vector, y (t) is an l-dimensional vector, Φ is an (n × n) matrix, Γ is (n × m ) Matrix, C is (l ×
n) A matrix that is theoretically converted from a transfer function to a state space representation or a matrix obtained according to an appropriate identification method.
【００３３】最小次元オブザーバーは次式で表される。The minimum dimension observer is represented by the following equation.
【００３４】[0034]
【数３】 (Equation 3)
【００３５】状態変数の推定値はxh(t) であり、最小次
元オブザーバーは上記Φ0,K,Γ0、D,Hを求める問題とな
る。The estimated value of the state variable is x h (t), and the minimum-dimensional observer has a problem of obtaining the above Φ 0 , K, Γ 0 , D, H.
【００３６】それでは各行列の求め方についてステッフ゜を
踏んで説明する。先ず、Step1について説明する。ここ
では、Now, a method of obtaining each matrix will be described step by step. First, Step 1 will be described. here,
【００３７】[0037]
【数４】 (Equation 4)
【００３８】が、det S ≠ 0 となるように行列W( n-
l × n )を適切に選ぶ。However, the matrix W (n−n) is set so that det S ≠ 0.
l × n) is selected appropriately.
【００３９】Step2では、In Step 2,
【００４０】[0040]
【数５】 (Equation 5)
【００４１】を計算し、Φ11,Φ12,Φ21,Φ22,Γ1,Γ2
を求める。Φ 11 , Φ 12 , Φ 21 , Φ 22 , Γ 1 , Γ 2
Ask for.
【００４２】Step3では、 Φ0 = Φ22 − LΦ12 ( n-l × n-l ) の固有値をγ1,…,γn-l になるように行列Lを決定す
る。これでΦ0が求まる。In Step 3, the matrix L is determined so that the eigenvalue of Φ 0 = Φ 22 −LΦ 12 (nl × nl) becomes γ 1 ,..., Γ nl . This gives Φ 0 .
【００４３】Step4では、次のK,Γ0、D、Hを求める。In Step 4, the following K, Γ 0 , D, and H are obtained.
【００４４】[0044]
【数６】 (Equation 6)
【００４５】但し、Iは適当な次元の単位行列である。Here, I is a unit matrix of an appropriate dimension.
【００４６】今述べた手順でオブザーバーが求まった。
これを図３のように構成すると制御対象の状態量が推定
できる。このオブザーバーを前述の様に制御対象に設置
し、目標値応答あるいは外乱抑制応答を求め、ニューラ
ルネットワークの同定に必要な制御対象の状態量と教師
データである制御対象の制御量をもとめる。これがNNの
同定用データである。An observer was obtained by the procedure just described.
When this is configured as shown in FIG. 3, the state quantity of the control target can be estimated. This observer is installed in the control object as described above, and a target value response or a disturbance suppression response is obtained, and a state amount of the control object necessary for identification of the neural network and a control amount of the control object as teacher data are obtained. This is the NN identification data.
【００４７】さて次に同定するニューラルネットワーク
について簡単に説明する。(図２参照)ニューラルネット
ワークは人間の脳の働きを模擬した工学モデルであり、
最近ではパターン認識や非線型回帰問題等に積極的に適
用されている。本発明で採用するニューラルネットワー
クは階層型のニューラルネットワークであり、階層内の
入出力関係は持たず、階層間でのみ入出力関係を持つも
ので通常1つの入力層、1つ以上の中間層、1つの出力層
で構成される。1つの層内はニューロンで構成され、こ
のニューロンと他層のニューロンが重み係数で結合さ
れ、それにより全体のネットワークを構成する。図２は
2つの層間の入出力関係を模式的に表した図である。ま
た、以下の（１）式は1つのニューロンに関する入力値
の計算式を示している。Next, the neural network to be identified will be briefly described. (See Fig. 2) A neural network is an engineering model that simulates the function of the human brain.
Recently, it has been actively applied to pattern recognition and nonlinear regression problems. The neural network employed in the present invention is a hierarchical neural network, which does not have an input / output relationship within a hierarchy, has an input / output relationship only between layers, and usually has one input layer, one or more intermediate layers, It consists of one output layer. One layer is composed of neurons, and these neurons and neurons of the other layer are connected by weighting factors, thereby forming an entire network. Figure 2
FIG. 3 is a diagram schematically illustrating an input / output relationship between two layers. The following equation (1) shows an equation for calculating an input value for one neuron.
【００４８】[0048]
【数７】 (Equation 7)
【００４９】ここで、ｐiはニューロンｊへの入力値
を、ｘiはニューロンｊへの入力信号を示している。Here, p i indicates an input value to neuron j, and x i indicates an input signal to neuron j.
【００５０】また、以下の（２）式は1つのニューロン
の出力値の計算式を示している。The following equation (2) shows an equation for calculating the output value of one neuron.
【００５１】[0051]
【数８】 (Equation 8)
【００５２】ここで、ｑiはニューロンｊの出力値を示
している。Here, q i indicates the output value of neuron j.
【００５３】従って、先に求めた同定用のデータを用い
てニューラルネットワークによるプロセス同定モデルを
求めるわけであるが、ニューラルネットワークの出力層
に教師信号である制御対象の制御量を与えて、入力層に
は入力信号である制御対象の状態量を加え、そのときの
計算した出力層の出力値と教師信号との誤差の２乗和が
極小になるようにニューロン間の重み係数を計算して同
定するのである。この計算方法は各階層の上流側即ち出
力層側から順次下流側即ち入力層側に重みを計算するの
でバックプロパゲーション(逆伝播学習法)と呼ばれてい
る。Therefore, a process identification model by a neural network is obtained by using the previously obtained identification data. A control amount of a control target, which is a teacher signal, is given to the output layer of the neural network, and the input layer is obtained. Is added with the state quantity of the control target, which is the input signal, and the weighting coefficient between neurons is calculated and identified so that the sum of squares of the error between the output value of the output layer calculated at that time and the teacher signal is minimized. You do it. This calculation method is called back propagation (back propagation learning method) because weights are sequentially calculated from the upstream side, that is, the output layer side, of each layer to the downstream side, that is, the input layer side.
【００５４】このバックプロパゲーション法によりニュ
ーラルネットワークの同定モデルを求めたが、今回の例
ではニューラルネットワークの中間層は2層とし、全体
で4層のニューラルネットワークで入力層は3ニューロ
ン、中間層１は3ニューロン、中間層２は3ニューロン、
出力層は1ニューロンとした。The identification model of the neural network was obtained by this back propagation method. In this example, the intermediate layer of the neural network is two layers, the neural network is a total of four layers, the input layer is three neurons, and the intermediate layer is one. Is 3 neurons, middle layer 2 is 3 neurons,
The output layer was one neuron.
【００５５】このようにしてすでに構築している制御対
象のオブザーバーと今求めたニューラルネットワークに
よるプロセス同定モデルを図1のように設置し、主コン
トローラ及びPI補償器をあわせて設けると、第１の実施
形態の手法が構築できる。When the observer to be controlled already constructed in this way and the process identification model based on the neural network just obtained are installed as shown in FIG. 1, and the main controller and the PI compensator are provided together, the first problem is as follows. The method of the embodiment can be constructed.
【００５６】第１の実施形態による作用は次のようにな
る。制御対象の入力信号である操作量と制御対象の出力
である制御量とを入力として2次元の最小次元オブザー
バーで制御対象の3状態量を推定する。この制御対象の3
状態量を今同定したニューラルネットワークによるプロ
セス同定モデルに入力し、制御対象の無視できないむだ
時間を補償する信号を生成する。この生成した信号と、
制御対象の目標値と制御対象の制御量との偏差のPI演算
値とを加え、加算した信号を主コントローラでPID演算
あるいはファジー演算し、制御対象への操作量を計算す
るものである。The operation according to the first embodiment is as follows. The operation state as an input signal of the control object and the control amount as an output of the control object are input, and three state quantities of the control object are estimated by a two-dimensional minimum dimension observer. 3 of this controlled object
The state quantities are input to the process identification model based on the neural network just identified, and a signal for compensating for a non-negligible dead time of the controlled object is generated. This generated signal,
A PID calculation or a fuzzy calculation is performed by a main controller on a signal obtained by adding a PI calculation value of a deviation between a target value of a control target and a control amount of the control target, thereby calculating an operation amount for the control target.
【００５７】尚本実施例では制御対象の状態量を推定す
る手段として、最小次元オブザーバーを採用したが、も
ちろん同一次元オブザーバーでも全く同様の効果を発揮
する.更にカルマンフィルターで状態推定しても良いこ
とは勿論である。In this embodiment, a minimum-dimensional observer is used as a means for estimating the state quantity of the control object, but the same effect can be obtained with the same-dimensional observer. Of course.
【００５８】又本実施例は第１の実施形態で説明した
が、第２の実施形態に従って制御系を構築しても全く同
様の効果を発揮することは勿論である。Although the present embodiment has been described with reference to the first embodiment, it goes without saying that the same effect can be obtained even if a control system is constructed in accordance with the second embodiment.
【００５９】以上述べたような制御対象に無視できない
むだ時間を有する時の制御装置を構築することにより、
制御対象の制御特性が大幅に改善できる。By constructing a control device having a dead time that cannot be ignored in the control object as described above,
The control characteristics of the control target can be greatly improved.
【００６０】その例について以下に示す。図４は、従来
用いられてきた公知のスミス法で目標値がステップ状に
変化した時のステップ応答と制御対象の操作端にステッ
プ状の外乱を加えた時の外乱抑制応答について示してい
る。スミスのプロセス同定モデルは制御対象と厳密に一
致させた場合であり、最良状態でのシミュレーション結
果である。また、図５は特開平３−１８２９０２号公報
による手法での目標値追従特性及び外乱抑制応答でスミ
ス法でシミュレーションしたのと同じゲインを用いてい
る。更に、図６は第１の実施形態の制御装置による目標
値追従特性及び外乱抑制応答である。ここでは、主コン
トローラ及びPI補償器のゲインも調整しなおしている。
図７は第２の実施形態の制御装置による目標値追従特性
及び外乱抑制応答である。ここでも主コントローラ及び
PI補償器のゲインも調整しなおしている。この例では４
手法とも比較的良好な制御を行っているが、図５を詳細
に参照すると、目標値追従性で若干オーバーシュートが
生じていることがわかる。他の３手法に関しては目標値
追従性・外乱抑制性ともオーバーシュートあるいはアン
ダーシュートも生じていない。An example is shown below. FIG. 4 shows a step response when a target value changes in a step-like manner by a conventionally used well-known Smith method and a disturbance suppression response when a step-like disturbance is applied to an operation end of a control target. Smith's process identification model is a case in which the process is exactly matched with the control target, and is a simulation result in the best state. FIG. 5 uses the same gain as that simulated by the Smith method with the target value following characteristic and the disturbance suppression response in the method disclosed in Japanese Patent Application Laid-Open No. 3-182902. FIG. 6 shows a target value following characteristic and a disturbance suppression response by the control device of the first embodiment. Here, the gains of the main controller and the PI compensator are also adjusted.
FIG. 7 shows a target value following characteristic and a disturbance suppression response by the control device according to the second embodiment. Again, the main controller and
The gain of the PI compensator has also been adjusted. In this example, 4
Although the method performs relatively good control, it can be seen from FIG. 5 in detail that a slight overshoot occurs in the target value followability. With respect to the other three methods, neither overshoot nor undershoot occurs in both the target value tracking property and the disturbance suppression property.
【００６１】さて4つの手法の制御結果を定量的に評価
して比較してみる。比較項目は目標値追従性に関しては
目標値に対する整定時間、外乱抑制性能についても整定
時間を見た。表１に比較結果を示す。Now, the control results of the four methods will be quantitatively evaluated and compared. For the comparison items, the settling time with respect to the target value for the target value followability and the settling time with respect to the disturbance suppression performance were also observed. Table 1 shows the comparison results.
【００６２】[0062]
【表１】 [Table 1]
【００６３】この比較表からわかる様に、本手法では目
標値追従性・外乱抑制性能における整定時間が他の２手
法に比べて改善されかつ安定で、好適な制御を行ってい
ることがわかる。As can be seen from this comparison table, in this method, the settling time in the target value tracking performance and the disturbance suppression performance is improved, stable, and suitable control is performed as compared with the other two methods.
【００６４】（その他の実施形態）上記様々な実施形態
に示した各機能ブロックおよび処理手順は、ハードウェ
アにより構成しても良いし、ＣＰＵあるいはＭＰＵ、Ｒ
ＯＭおよびＲＡＭ等からなるマイクロコンピュータシス
テムによって構成し、その動作をＲＯＭやＲＡＭに格納
された作業プログラムに従って実現するようにしても良
い。また、上記各機能ブロックの機能を実現するように
当該機能を実現するためのソフトウェアのプログラムを
ＲＡＭに供給し、そのプログラムに従って上記各機能ブ
ロックを動作させることによって実施したものも、本発
明の範疇に含まれる。(Other Embodiments) Each functional block and processing procedure shown in the above various embodiments may be constituted by hardware, or may be constituted by CPU, MPU, R
It may be configured by a microcomputer system including an OM and a RAM, and its operation may be realized according to a work program stored in a ROM or a RAM. The present invention also includes a software program for realizing the functions described above, which is provided to a RAM so as to realize the functions of the respective functional blocks, and which is executed by operating the functional blocks according to the programs. include.
【００６５】この場合、上記ソフトウェアのプログラム
自体が上述した各実施形態の機能を実現することにな
り、そのプログラム自体、及びそのプログラムをコンピ
ュータに供給するための手段、例えばかかるプログラム
を格納した記録媒体は本発明を構成する。かかるプログ
ラムを記憶する記憶媒体としては、上記ＲＯＭやＲＡＭ
の他に、例えばフロッピー（登録商標）ディスク、ハー
ドディスク、光ディスク、光磁気ディスク、ＣＤ−ＲＯ
Ｍ、ＣＤ−Ｉ、ＣＤ−Ｒ、ＣＤ−ＲＷ、ＤＶＤ、ｚｉ
ｐ、磁気テープ、あるいは不揮発性のメモリカード等を
用いることができる。In this case, the program itself of the software realizes the functions of the above-described embodiments, and the program itself and means for supplying the program to a computer, for example, a recording medium storing the program Constitute the present invention. As a storage medium for storing such a program, the above-described ROM or RAM
Besides, for example, floppy (registered trademark) disk, hard disk, optical disk, magneto-optical disk, CD-RO
M, CD-I, CD-R, CD-RW, DVD, zi
p, a magnetic tape, a nonvolatile memory card, or the like can be used.
【００６６】また、コンピュータが供給されたプログラ
ムを実行することにより、上述の実施形態の機能が実現
されるだけでなく、そのプログラムがコンピュータにお
いて稼働しているＯＳ（オペレーティングシステム）あ
るいは他のアプリケーションソフト等の共同して上述の
実施形態の機能が実現される場合にもかかるプログラム
は本発明の実施形態に含まれることは言うまでもない。When the computer executes the supplied program, not only the functions of the above-described embodiments are realized, but also the OS (operating system) or other application software running on the computer. Needless to say, such a program is also included in the embodiment of the present invention when the functions of the above-described embodiment are realized in cooperation with the above.
【００６７】さらに、供給されたプログラムがコンピュ
ータの機能拡張ボードやコンピュータに接続された機能
拡張ユニットに備わるメモリに格納された後、そのプロ
グラムの指示に基づいてその機能拡張ボードや機能拡張
ユニットに備わるＣＰＵ等が実際の処理の一部または全
部を行い、その処理によって上述した実施形態の機能が
実現される場合にも本発明に含まれることは言うまでも
ない。Further, after the supplied program is stored in the memory provided in the function expansion board of the computer or the function expansion unit connected to the computer, the program is provided in the function expansion board or the function expansion unit based on the instruction of the program. It is needless to say that the present invention also includes a case where the CPU or the like performs part or all of the actual processing, and the processing realizes the functions of the above-described embodiments.
【００６８】[0068]
【発明の効果】本発明によれば、目標値をステップ状に
変化させた場合の目標値追従性、特に目標値への整定時
間の改善することができ、また、制御対象への入力であ
る操作端にステップ状の外乱を加えた時の外乱抑制性
能、特に整定時間を大幅に改善することができ、かつ安
定な制御装置を提供することができる。According to the present invention, it is possible to improve the followability of the target value when the target value is changed stepwise, particularly to improve the settling time to the target value, and to provide an input to the control object. It is possible to greatly improve disturbance suppression performance when a step-like disturbance is applied to the operation end, particularly to settling time, and to provide a stable control device.
【図１】むだ時間を有する制御系の制御装置を示す模式
図である。FIG. 1 is a schematic diagram showing a control device of a control system having a dead time.
【図２】本発明に係るニューラルネットワークの入出力
関係を示す模式図である。FIG. 2 is a schematic diagram showing an input / output relationship of the neural network according to the present invention.
【図３】本発明に係る制御対象の状態量を推定する最小
次元オブザーバーの基本構成を示す模式図である。FIG. 3 is a schematic diagram showing a basic configuration of a minimum-dimensional observer for estimating a state quantity of a control target according to the present invention.
【図４】スミス法を用いた場合に目標値がステップ状に
変化した時のステップ応答と、制御対象の操作端にステ
ップ状の外乱を加えた時の外乱抑制応答を示す特性図で
ある。FIG. 4 is a characteristic diagram showing a step response when a target value changes in a step-like manner when the Smith method is used and a disturbance suppression response when a step-like disturbance is applied to an operation end of a controlled object.
【図５】従来の手法での目標値追従特性及び外乱抑制応
答を示す特性図である。FIG. 5 is a characteristic diagram showing a target value tracking characteristic and a disturbance suppression response according to a conventional method.
【図６】第１の実施形態の制御装置による目標値追従特
性及び外乱抑制応答を示す特性図である。FIG. 6 is a characteristic diagram showing a target value tracking characteristic and a disturbance suppression response by the control device according to the first embodiment.
【図７】第２の実施形態の制御装置による目標値追従特
性及び外乱抑制応答を示す特性図である。FIG. 7 is a characteristic diagram showing a target value following characteristic and a disturbance suppression response by the control device according to the second embodiment.
【図８】従来のスミス法に係る制御ブロックを示す模式
図である。FIG. 8 is a schematic diagram showing a control block according to a conventional Smith method.
【図９】従来のむだ時間補償法による制御ブロックを示
す模式図である。FIG. 9 is a schematic diagram showing a control block according to a conventional dead time compensation method.
１０ 制御装置 １１ 主コントローラ １２ オブザーバーあるいはカルマンフィルター １３ ＮＮプロセス同定器 １４ 制御対象 １５ PI補償器 １６ 差分器 １７ 加算器 Reference Signs List 10 Control device 11 Main controller 12 Observer or Kalman filter 13 NN process identifier 14 Control target 15 PI compensator 16 Difference device 17 Adder
───────────────────────────────────────────────────── フロントページの続き Ｆターム(参考） 5H004 GA08 GA10 GA14 GB01 JB22 JB24 KB02 KB04 KB06 KB38 KC18 KC33 KC42 KD05 KD31 LA02 LA03 LA11 9A001 HH06 HH34 JJ49 KK32 ──────────────────────────────────────────────────続 き Continued on the front page F term (reference) 5H004 GA08 GA10 GA14 GB01 JB22 JB24 KB02 KB04 KB06 KB38 KC18 KC33 KC42 KD05 KD31 LA02 LA03 LA11 9A001 HH06 HH34 JJ49 KK32
Claims (5)
ロセス同定モデルに通して、むだ時間を補償して前記制
御対象の制御量を出力させるむだ時間補償制御装置であ
って、 前記プロセス同定モデルとしてニューラルネットワーク
を採用し、前記操作量と前記制御量から前記制御対象の
状態量を推定する推定手段と、 前記状態量のみを入力とする前記プロセス同定モデルに
てむだ時間の補償量を演算するむだ時間補償信号演算手
段と、 前記制御対象の目標値と前記制御対象への制御量との偏
差を演算する差分演算手段と、 前記差分演算手段の出力をＰＩ演算するＰＩ演算手段
と、 前記ＰＩ演算手段からの出力を前記むだ時間補償信号に
加算する加算手段と、 前記加算手段から出力された加算信号をＰＩＤ演算ある
いはファジー演算して最終的な前記制御対象への前記操
作量を算出する主コントロール手段とを有することを特
徴とするむだ時間補償制御装置。1. A dead time compensation control device for outputting a control amount of a control target by compensating for a dead time by passing a manipulated variable, which is an input signal to a control target, through a process identification model, wherein the process identification Estimating means for adopting a neural network as a model, estimating the state quantity of the controlled object from the operation amount and the control amount, and calculating the amount of dead time compensation by the process identification model that inputs only the state quantity Dead time compensation signal calculation means, difference calculation means for calculating a deviation between a target value of the control target and a control amount to the control target, PI calculation means for performing a PI calculation on an output of the difference calculation means, Adding means for adding the output from the PI calculating means to the dead time compensation signal; and performing PID calculation or fuzzy calculation on the added signal output from the adding means, And a main control unit for calculating the operation amount of the controlled object.
ロセス同定モデルに通して、むだ時間を補償して前記制
御対象の制御量を出力させるむだ時間補償制御装置であ
って、 前記プロセス同定モデルとしてニューラルネットワーク
を採用し、前記操作量と前記制御量から前記制御対象の
状態量を推定する推定手段と、 前記状態量及び前記操作量を入力とする前記プロセス同
定モデルにてむだ時間の補償量を演算するむだ時間補償
信号演算手段と、 前記制御対象の目標値と前記制御対象への制御量との偏
差を演算する差分演算手段と、 前記差分演算手段の出力をＰＩ演算するＰＩ演算手段
と、 前記ＰＩ演算手段からの出力を前記むだ時間補償信号に
加算する加算手段と、 前記加算手段から出力された加算信号をＰＩＤ演算ある
いはファジー演算して最終的な前記制御対象への前記操
作量を算出する主コントロール手段とを有することを特
徴とするむだ時間補償制御装置。2. A dead time compensation control device for passing a manipulated variable, which is an input signal to a controlled object, through a process identification model to compensate for a dead time and to output a controlled variable of the controlled object, Estimating means for adopting a neural network as a model, estimating the state quantity of the controlled object from the operation amount and the control amount, and compensating for the dead time by the process identification model using the state amount and the operation amount as inputs. Dead time compensation signal calculating means for calculating an amount; difference calculating means for calculating a deviation between a target value of the control object and a control amount to the control object; PI calculating means for performing a PI calculation on an output of the difference calculating means Addition means for adding an output from the PI calculation means to the dead time compensation signal; and PID calculation or fuzzy performance of the addition signal output from the addition means. And a main control means for calculating the final operation amount of the controlled object.
ロセス同定モデルに通して、むだ時間を補償して前記制
御対象の制御量を出力するむだ時間補償制御方法であっ
て、 前記プロセス同定モデルとしてニューラルネットワーク
を採用し、前記操作量と前記制御量から前記制御対象の
状態量を推定し、前記状態量のみを入力として前記プロ
セス同定モデルにてむだ時間補償量を計算し、前記制御
対象の目標値と前記制御対象への制御量との偏差を演算
し、前記偏差をＰＩ演算した結果と前記むだ時間補償量
とを加算し、加算した値をＰＩＤ演算あるいはファジー
演算して最終的な前記制御対象への前記操作量を計算す
ることを特徴とするむだ時間補償制御方法。3. A dead time compensation control method for passing a manipulated variable, which is an input signal to a control target, through a process identification model to compensate for a dead time and outputting a control variable of the control target. Adopting a neural network as a model, estimating the state quantity of the control object from the operation amount and the control amount, calculating the dead time compensation amount by the process identification model using only the state amount as input, Of the target value and the control amount to the control object, add the result of the PI calculation of the difference and the dead time compensation amount, and perform the PID operation or the fuzzy operation on the added value to obtain the final value. A dead time compensation control method comprising calculating the operation amount of the control target.
ロセス同定モデルに通して、むだ時間を補償して前記制
御対象の制御量を出力するむだ時間補償制御方法であっ
て、 前記プロセス同定モデルとしてニューラルネットワーク
を採用し、前記操作量と前記制御量から前記制御対象の
状態量を推定し、前記状態量及び前記操作量を入力とし
て前記プロセス同定モデルにてむだ時間補償量を計算
し、前記制御対象の目標値と前記制御対象への制御量と
の偏差を演算し、前記偏差をＰＩ演算した結果と前記む
だ時間補償量とを加算し、加算した値をＰＩＤ演算ある
いはファジー演算して最終的な前記制御対象への前記操
作量を計算することを特徴とするむだ時間補償制御方
法。4. A dead time compensation control method for passing a manipulated variable, which is an input signal to a control target, through a process identification model to compensate for a dead time and outputting a control variable of the control target, wherein the process identification Employing a neural network as a model, estimating the state amount of the control target from the operation amount and the control amount, calculating the dead time compensation amount in the process identification model using the state amount and the operation amount as inputs, A deviation between a target value of the control target and a control amount to the control target is calculated, a result of PI calculation of the deviation is added to the dead time compensation amount, and the added value is subjected to PID calculation or fuzzy calculation. A dead time compensation control method comprising calculating the final manipulated variable for the control target.
御方法の各手順をコンピュータに実行させるためのプロ
グラムを記憶したコンピュータ読み取り可能な記憶媒
体。5. A computer-readable storage medium storing a program for causing a computer to execute each step of the dead time compensation control method according to claim 3 or 4.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000110798A JP2001296907A (en) | 2000-04-12 | 2000-04-12 | Device and method for controlling dead time compensation and storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000110798A JP2001296907A (en) | 2000-04-12 | 2000-04-12 | Device and method for controlling dead time compensation and storage medium |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2001296907A true JP2001296907A (en) | 2001-10-26 |
Family
ID=18623248
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000110798A Withdrawn JP2001296907A (en) | 2000-04-12 | 2000-04-12 | Device and method for controlling dead time compensation and storage medium |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2001296907A (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006046500A1 (en) * | 2004-10-29 | 2006-05-04 | Keio University | Remote control system for transmitting and receiving signals via communication path having communication delay |
| CN104238367A (en) * | 2014-10-11 | 2014-12-24 | 西安交通大学 | Method for controlling consistency of vibration of surfaces of shell structures on basis of neural networks |
| CN112180725A (en) * | 2020-09-30 | 2021-01-05 | 山东科技大学 | Fuzzy proportional-integral state estimation method for nonlinear system with redundant time-delay channel |
| CN114257150A (en) * | 2022-01-26 | 2022-03-29 | 合肥倍豪海洋装备技术有限公司 | Permanent magnet synchronous motor dead zone compensation method based on improved Kalman filter |
-
2000
- 2000-04-12 JP JP2000110798A patent/JP2001296907A/en not_active Withdrawn
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006046500A1 (en) * | 2004-10-29 | 2006-05-04 | Keio University | Remote control system for transmitting and receiving signals via communication path having communication delay |
| CN104238367A (en) * | 2014-10-11 | 2014-12-24 | 西安交通大学 | Method for controlling consistency of vibration of surfaces of shell structures on basis of neural networks |
| CN104238367B (en) * | 2014-10-11 | 2017-04-19 | 西安交通大学 | Method for controlling consistency of vibration of surfaces of shell structures on basis of neural networks |
| CN112180725A (en) * | 2020-09-30 | 2021-01-05 | 山东科技大学 | Fuzzy proportional-integral state estimation method for nonlinear system with redundant time-delay channel |
| CN112180725B (en) * | 2020-09-30 | 2022-02-22 | 山东科技大学 | Fuzzy proportional-integral state estimation method for nonlinear system with redundant time-delay channel |
| CN114257150A (en) * | 2022-01-26 | 2022-03-29 | 合肥倍豪海洋装备技术有限公司 | Permanent magnet synchronous motor dead zone compensation method based on improved Kalman filter |
| CN114257150B (en) * | 2022-01-26 | 2022-11-01 | 合肥倍豪海洋装备技术有限公司 | Permanent magnet synchronous motor dead zone compensation method based on improved Kalman filter |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kong et al. | Finite-time and fixed-time synchronization control of fuzzy Cohen-Grossberg neural networks | |
| JP6514257B2 (en) | Machine learning apparatus, servo control apparatus, servo control system, and machine learning method | |
| US5175678A (en) | Method and procedure for neural control of dynamic processes | |
| Precup et al. | Stable and convergent iterative feedback tuning of fuzzy controllers for discrete-time SISO systems | |
| JP2010515181A (en) | Method for open loop control and / or closed loop control of a technical system with computer assistance | |
| Chi et al. | Active disturbance rejection control for nonaffined globally Lipschitz nonlinear discrete-time systems | |
| Homayoun et al. | Neuro-adaptive command filter control of stochastic time-delayed nonstrict-feedback systems with unknown input saturation | |
| Zamani et al. | A novel model predictive control for a piecewise affine class of hybrid system with repetitive disturbance | |
| Si et al. | Nussbaum gain adaptive neural control for stochastic pure-feedback nonlinear time-delay systems with full-state constraints | |
| Lavretsky et al. | Optimal Control and Linear Quadratic Regulators | |
| US6768927B2 (en) | Control system | |
| Li et al. | Adaptive optimal trajectory tracking control of AUVs based on reinforcement learning | |
| Razavi et al. | Adaptive optimal control of unknown discrete-time linear systems with guaranteed prescribed degree of stability using reinforcement learning | |
| JP2001296907A (en) | Device and method for controlling dead time compensation and storage medium | |
| Oliveira-Silva et al. | Economic MPC with modifier adaptation using transient measurements | |
| Nguyen et al. | On-policy and off-policy Q-learning strategies for spacecraft systems: An approach for time-varying discrete-time without controllability assumption of augmented system | |
| CN111240201A (en) | Disturbance suppression control method | |
| Harnischmacher et al. | A multi-variate Hammerstein model for processes with input directionality | |
| Douratsos et al. | Neural network based model reference adaptive control for processes with time delay | |
| Zayed et al. | A novel multiple-controller incorporating a radial basis function neural network based generalized learning model | |
| Chen et al. | A nonlinear control scheme for imprecisely known processes using the sliding mode and neural fuzzy techniques | |
| Abdollahzadeh et al. | Adaptive dynamic programming discrete-time LQR optimal control on electromagnetic levitation system with a H∞ Kalman filter | |
| Hu et al. | Performance-oriented asymptotic tracking control of hydraulic systems with radial basis function network disturbance observer | |
| JP2674167B2 (en) | Process control method using neural network model | |
| JPH0272404A (en) | Deciding method for membership function |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20070703 |