JP2003256005A - 制御方法および制御装置 - Google Patents
制御方法および制御装置Info
- Publication number
- JP2003256005A JP2003256005A JP2002056271A JP2002056271A JP2003256005A JP 2003256005 A JP2003256005 A JP 2003256005A JP 2002056271 A JP2002056271 A JP 2002056271A JP 2002056271 A JP2002056271 A JP 2002056271A JP 2003256005 A JP2003256005 A JP 2003256005A
- Authority
- JP
- Japan
- Prior art keywords
- control
- neural network
- controlled object
- coupling coefficient
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【課題】 ニューラルネットワークを用いた制御におい
て、設計パラメータの調整を容易にするとともに、局所
解に陥るのを抑制する。 【解決手段】 制御対象５の出力および目標値に基づい
て、制御対象５を制御するＰＩＤコントローラ６と、Ｐ
ＩＤコントローラ６のＰＩＤゲインを調整するニューラ
ルネットワーク７とを備えており、ニューラルネットワ
ーク７は、遺伝的アルゴリズムによって予め決定された
結合係数およびシグモイド関数のパラメータで構成され
ている。
て、設計パラメータの調整を容易にするとともに、局所
解に陥るのを抑制する。 【解決手段】 制御対象５の出力および目標値に基づい
て、制御対象５を制御するＰＩＤコントローラ６と、Ｐ
ＩＤコントローラ６のＰＩＤゲインを調整するニューラ
ルネットワーク７とを備えており、ニューラルネットワ
ーク７は、遺伝的アルゴリズムによって予め決定された
結合係数およびシグモイド関数のパラメータで構成され
ている。
Description
【０００１】
【発明の属する技術分野】本発明は、制御対象の温度や
圧力などの様々な物理状態を制御する方法および制御装
置に関する。
圧力などの様々な物理状態を制御する方法および制御装
置に関する。
【０００２】
【従来の技術】従来の制御装置、例えば、ＰＩＤ制御装
置では、ニューラルネットワーク(Neural Network:Ｎ
Ｎ)制御の学習機能に注目し、人間が経験的に行ってき
たＰＩＤゲインの調整を、ニューラルネットワークで行
うようにしたものが提案されている。
置では、ニューラルネットワーク(Neural Network:Ｎ
Ｎ)制御の学習機能に注目し、人間が経験的に行ってき
たＰＩＤゲインの調整を、ニューラルネットワークで行
うようにしたものが提案されている。
【０００３】
【発明が解決しようとする課題】このようなニューラル
ネットワークによってＰＩＤゲインを調整する従来例で
は、ニューラルネットワークにおける結合係数（結合荷
重）を、一般に、バックプロパゲーション(Ｂａｃｋ
Ｐｒｏｐａｇａｔｉｏｎ)(逆誤差伝搬)法によって学習
させている。
ネットワークによってＰＩＤゲインを調整する従来例で
は、ニューラルネットワークにおける結合係数（結合荷
重）を、一般に、バックプロパゲーション(Ｂａｃｋ
Ｐｒｏｐａｇａｔｉｏｎ)(逆誤差伝搬)法によって学習
させている。
【０００４】かかるバックプロパゲーション法では、局
所解に陥りやすく、所望の制御特性が得られない場合が
あるといった難点がある。
所解に陥りやすく、所望の制御特性が得られない場合が
あるといった難点がある。
【０００５】また、ニューラルネットワークでは、応答
関数であるシグモイド関数の傾きあるいはユニット数な
どの多くの設計パラメータがあり、これら設計パラメー
タを試行錯誤的にマニュアル調整しなければならず、調
整工数が膨大になるという難点がある。
関数であるシグモイド関数の傾きあるいはユニット数な
どの多くの設計パラメータがあり、これら設計パラメー
タを試行錯誤的にマニュアル調整しなければならず、調
整工数が膨大になるという難点がある。
【０００６】本発明は、上述のような点に鑑みてなされ
たものであって、ニューラルネットワークを用いた制御
において、設計パラメータの調整を容易にするととも
に、局所解に陥るのを抑制することを目的とする。
たものであって、ニューラルネットワークを用いた制御
において、設計パラメータの調整を容易にするととも
に、局所解に陥るのを抑制することを目的とする。
【０００７】
【課題を解決するための手段】本発明では、上記目的を
達成するために、次のように構成している。
達成するために、次のように構成している。
【０００８】すなわち、本発明の制御方法は、遺伝的ア
ルゴリズムによってニューラルネットワークの結合係数
および設計パラメータを決定する決定ステップと、決定
された結合係数および設計パラメータで構成されるニュ
ーラルネットワークによって制御パラメータを調整する
調整ステップと、調整される制御パラメータに基づい
て、制御対象を制御する制御ステップとを備えている。
ルゴリズムによってニューラルネットワークの結合係数
および設計パラメータを決定する決定ステップと、決定
された結合係数および設計パラメータで構成されるニュ
ーラルネットワークによって制御パラメータを調整する
調整ステップと、調整される制御パラメータに基づい
て、制御対象を制御する制御ステップとを備えている。
【０００９】本発明によると、遺伝的アルゴリズムによ
ってニューラルネットワークの結合係数および設計パラ
メータを決定するので、ランダムサーチによって広い範
囲における探索を行うことができ、従来例のような局所
解に陥りにくく、所望の制御特性が得られることにな
り、また、設計パラメータを試行錯誤的にマニュアル調
整する必要がない。
ってニューラルネットワークの結合係数および設計パラ
メータを決定するので、ランダムサーチによって広い範
囲における探索を行うことができ、従来例のような局所
解に陥りにくく、所望の制御特性が得られることにな
り、また、設計パラメータを試行錯誤的にマニュアル調
整する必要がない。
【００１０】本発明の一実施態様においては、前記決定
ステップは、制御対象モデルを用いて、ニューラルネッ
トワークの結合係数および設計パラメータを決定するも
のであり、前記制御ステップで得られる情報に基づい
て、前記制御対象モデルを修正する修正ステップを備
え、修正された制御対象モデルを用いて前記決定ステッ
プを行って、前記調整ステップにおけるニューラルネッ
トワークの結合係数および設計パラメータを更新するも
のである。
ステップは、制御対象モデルを用いて、ニューラルネッ
トワークの結合係数および設計パラメータを決定するも
のであり、前記制御ステップで得られる情報に基づい
て、前記制御対象モデルを修正する修正ステップを備
え、修正された制御対象モデルを用いて前記決定ステッ
プを行って、前記調整ステップにおけるニューラルネッ
トワークの結合係数および設計パラメータを更新するも
のである。
【００１１】本発明によると、システム変動が生じたよ
うな場合には、それに応じて制御対象モデルを修正し、
この修正した制御対象モデルを用いて、遺伝的アルゴリ
ズムによってニューラルネットワークの結合係数および
設計パラメータを再び決定し、この決定された結合係数
および設計パラメータでニューラルネットワークを更新
するので、システム変動に応じて、制御パラメータが調
整されることになる。
うな場合には、それに応じて制御対象モデルを修正し、
この修正した制御対象モデルを用いて、遺伝的アルゴリ
ズムによってニューラルネットワークの結合係数および
設計パラメータを再び決定し、この決定された結合係数
および設計パラメータでニューラルネットワークを更新
するので、システム変動に応じて、制御パラメータが調
整されることになる。
【００１２】本発明の他の実施態様においては、前記決
定ステップでは、ニューラルネットワークの結合係数お
よび設計パラメータを遺伝子とする個体群を生成し、制
御対象モデルの出力と目標値との誤差に基づく適応度関
数を評価規範とし、前記個体群に遺伝子操作を繰り返し
て結合係数および設計パラメータを決定するものであ
る。
定ステップでは、ニューラルネットワークの結合係数お
よび設計パラメータを遺伝子とする個体群を生成し、制
御対象モデルの出力と目標値との誤差に基づく適応度関
数を評価規範とし、前記個体群に遺伝子操作を繰り返し
て結合係数および設計パラメータを決定するものであ
る。
【００１３】本発明によると、ニューラルネットワーク
の結合係数および設計パラメータを遺伝子とする個体
群、すなわち、初期集団を生成し、制御対象モデルの出
力と目標値との誤差に基づく適応度関数を評価規範と
し、選択、交叉、突然変異といった遺伝子操作を繰り返
して結合係数および設計パラメータを決定するので、局
所解に捕らわれることなく、最適解に近い結合係数およ
び設計パラメータが得られることになる。
の結合係数および設計パラメータを遺伝子とする個体
群、すなわち、初期集団を生成し、制御対象モデルの出
力と目標値との誤差に基づく適応度関数を評価規範と
し、選択、交叉、突然変異といった遺伝子操作を繰り返
して結合係数および設計パラメータを決定するので、局
所解に捕らわれることなく、最適解に近い結合係数およ
び設計パラメータが得られることになる。
【００１４】本発明の更に他の実施態様においては、前
記調整ステップにおけるニューラルネットワークは、前
記制御対象の入力および出力を入力とし、前記制御パラ
メータを出力するものである。
記調整ステップにおけるニューラルネットワークは、前
記制御対象の入力および出力を入力とし、前記制御パラ
メータを出力するものである。
【００１５】本発明によると、遺伝的アルゴリズムによ
って決定された結合係数および設計パラメータで構成さ
れるニューラルネットワークに、制御対象の入力および
出力を与えることにより、前記ニューラルネットワーク
から制御パラメータが出力されるので、制御対象の入力
および出力に応じて、制御パラメータが調整されること
になる。
って決定された結合係数および設計パラメータで構成さ
れるニューラルネットワークに、制御対象の入力および
出力を与えることにより、前記ニューラルネットワーク
から制御パラメータが出力されるので、制御対象の入力
および出力に応じて、制御パラメータが調整されること
になる。
【００１６】本発明の好ましい実施態様においては、前
記設計パラメータは、シグモイド関数のパラメータを含
むものである。
記設計パラメータは、シグモイド関数のパラメータを含
むものである。
【００１７】本発明によると、シグモイド関数のパラメ
ータが遺伝的アルゴリズムによって決定されるので、従
来のように試行錯誤的に調整する必要がない。
ータが遺伝的アルゴリズムによって決定されるので、従
来のように試行錯誤的に調整する必要がない。
【００１８】本発明の他の実施態様においては、前記制
御パラメータが、ＰＩＤゲインである。
御パラメータが、ＰＩＤゲインである。
【００１９】本発明によると、遺伝的アルゴリズムによ
って決定された結合係数および設計パラメータで構成さ
れるニューラルネットワークを用いてＰＩＤゲインが調
整されることになる。
って決定された結合係数および設計パラメータで構成さ
れるニューラルネットワークを用いてＰＩＤゲインが調
整されることになる。
【００２０】また、本発明の制御装置は、制御対象の出
力および目標値に基づいて、前記制御対象を制御する制
御手段と、ニューラルネットワークによって前記制御手
段の制御パラメータを調整する調整手段とを備え、前記
ニューラルネットワークは、遺伝的アルゴリズムによっ
て予め決定された結合係数および設計パラメータで構成
されている。
力および目標値に基づいて、前記制御対象を制御する制
御手段と、ニューラルネットワークによって前記制御手
段の制御パラメータを調整する調整手段とを備え、前記
ニューラルネットワークは、遺伝的アルゴリズムによっ
て予め決定された結合係数および設計パラメータで構成
されている。
【００２１】本発明によると、遺伝的アルゴリズムによ
ってニューラルネットワークの結合係数および設計パラ
メータを予め決定するので、ランダムサーチによって広
い範囲における探索を行うことができ、従来例のような
局所解に陥りにくく、所望の制御特性が得られることに
なり、また、設計パラメータを試行錯誤的にマニュアル
調整する必要がない。
ってニューラルネットワークの結合係数および設計パラ
メータを予め決定するので、ランダムサーチによって広
い範囲における探索を行うことができ、従来例のような
局所解に陥りにくく、所望の制御特性が得られることに
なり、また、設計パラメータを試行錯誤的にマニュアル
調整する必要がない。
【００２２】本発明の制御装置は、制御対象の出力およ
び目標値に基づいて、前記制御対象を制御する制御手段
と、遺伝的アルゴリズムによってニューラルネットワー
クの結合係数および設計パラメータを決定する決定手段
と、前記決定手段で決定された結合係数および設計パラ
メータで構成されるニューラルネットワークによって前
記制御手段の制御パラメータを調整する調整手段とを備
えている。
び目標値に基づいて、前記制御対象を制御する制御手段
と、遺伝的アルゴリズムによってニューラルネットワー
クの結合係数および設計パラメータを決定する決定手段
と、前記決定手段で決定された結合係数および設計パラ
メータで構成されるニューラルネットワークによって前
記制御手段の制御パラメータを調整する調整手段とを備
えている。
【００２３】本発明によると、遺伝的アルゴリズムによ
ってニューラルネットワークの結合係数および設計パラ
メータを決定するので、ランダムサーチによって広い範
囲における探索を行うことができ、従来例のような局所
解に陥りにくく、所望の制御特性が得られることにな
り、また、設計パラメータを試行錯誤的にマニュアル調
整する必要がない。
ってニューラルネットワークの結合係数および設計パラ
メータを決定するので、ランダムサーチによって広い範
囲における探索を行うことができ、従来例のような局所
解に陥りにくく、所望の制御特性が得られることにな
り、また、設計パラメータを試行錯誤的にマニュアル調
整する必要がない。
【００２４】本発明の他の実施態様においては、前記決
定手段は、制御対象モデルを用いて、ニューラルネット
ワークの結合係数および設計パラメータを決定するもの
であり、前記制御手段による制御状態に応じて、前記制
御対象モデルを修正する修正手段を備え、前記決定手段
は、修正された制御対象モデルを用いて結合係数および
設計パラメータを決定する一方、前記調整手段は、前記
ニューラルネットワークの結合係数および設計パラメー
タを、修正された制御対象モデルを用いて決定された結
合係数および設計パラメータに更新するものである。
定手段は、制御対象モデルを用いて、ニューラルネット
ワークの結合係数および設計パラメータを決定するもの
であり、前記制御手段による制御状態に応じて、前記制
御対象モデルを修正する修正手段を備え、前記決定手段
は、修正された制御対象モデルを用いて結合係数および
設計パラメータを決定する一方、前記調整手段は、前記
ニューラルネットワークの結合係数および設計パラメー
タを、修正された制御対象モデルを用いて決定された結
合係数および設計パラメータに更新するものである。
【００２５】本発明によると、システム変動が生じたよ
うな場合には、そのシステム変動に応じて、制御対象モ
デルを修正し、この修正した制御対象モデルを用いて、
遺伝的アルゴリズムによって結合係数および設計パラメ
ータを再び決定し、この決定された結合係数および設計
パラメータでニューラルネットワークを更新するので、
システム変動に応じて制御パラメータが調整されること
になる。
うな場合には、そのシステム変動に応じて、制御対象モ
デルを修正し、この修正した制御対象モデルを用いて、
遺伝的アルゴリズムによって結合係数および設計パラメ
ータを再び決定し、この決定された結合係数および設計
パラメータでニューラルネットワークを更新するので、
システム変動に応じて制御パラメータが調整されること
になる。
【００２６】本発明の更に他の実施態様においては、前
記制御手段による制御および前記調整手段による調整
を、フォアグラウンドで処理し、前記修正手段による修
正および前記決定手段による決定を、バックグラウンド
で処理するものである。
記制御手段による制御および前記調整手段による調整
を、フォアグラウンドで処理し、前記修正手段による修
正および前記決定手段による決定を、バックグラウンド
で処理するものである。
【００２７】本発明によると、フォアグラウンド処理に
よって、制御を行いながら、システム変動に対応する制
御対象モデルの修正および修正された制御対象モデルを
用いた遺伝的アルゴリズムによる結合係数および設計パ
ラメータの決定は、バックグラウンド処理にて行うこと
ができ、制御対象を制御しながらシステム変動にも対応
できる。
よって、制御を行いながら、システム変動に対応する制
御対象モデルの修正および修正された制御対象モデルを
用いた遺伝的アルゴリズムによる結合係数および設計パ
ラメータの決定は、バックグラウンド処理にて行うこと
ができ、制御対象を制御しながらシステム変動にも対応
できる。
【００２８】本発明の他の実施態様においては、前記決
定手段は、ニューラルネットワークの結合係数および設
計パラメータを遺伝子とする個体群を生成し、制御対象
モデルの出力と目標値との誤差に基づく適応度関数を評
価規範とし、前記個体群に遺伝子操作を繰り返して結合
係数および設計パラメータを決定するものである。
定手段は、ニューラルネットワークの結合係数および設
計パラメータを遺伝子とする個体群を生成し、制御対象
モデルの出力と目標値との誤差に基づく適応度関数を評
価規範とし、前記個体群に遺伝子操作を繰り返して結合
係数および設計パラメータを決定するものである。
【００２９】本発明によると、ニューラルネットワーク
の結合係数および設計パラメータを遺伝子とする個体
群、すなわち、初期集団を生成し、制御対象モデルの出
力と目標値との誤差に基づく適応度関数を評価規範と
し、選択、交叉、突然変異といった遺伝子操作を繰り返
して結合係数および設計パラメータを決定するので、局
所解に捕らわれることなく、最適解に近い結合係数およ
び設計パラメータが得られることになる。
の結合係数および設計パラメータを遺伝子とする個体
群、すなわち、初期集団を生成し、制御対象モデルの出
力と目標値との誤差に基づく適応度関数を評価規範と
し、選択、交叉、突然変異といった遺伝子操作を繰り返
して結合係数および設計パラメータを決定するので、局
所解に捕らわれることなく、最適解に近い結合係数およ
び設計パラメータが得られることになる。
【００３０】本発明の好ましい実施態様においては、前
記調整手段の前記ニューラルネットワークは、前記制御
対象の入力および出力がそれぞれ入力されるとともに、
前記制御パラメータを出力する階層型のネットワークで
ある。
記調整手段の前記ニューラルネットワークは、前記制御
対象の入力および出力がそれぞれ入力されるとともに、
前記制御パラメータを出力する階層型のネットワークで
ある。
【００３１】本発明によると、遺伝的アルゴリズムによ
って決定された結合係数および設計パラメータで構成さ
れるニューラルネットワークに、制御対象の入力および
出力を与えることにより、階層型のニューラルネットワ
ークから制御パラメータが出力されるので、制御対象の
入力および出力に応じて、制御パラメータが調整される
ことになる。
って決定された結合係数および設計パラメータで構成さ
れるニューラルネットワークに、制御対象の入力および
出力を与えることにより、階層型のニューラルネットワ
ークから制御パラメータが出力されるので、制御対象の
入力および出力に応じて、制御パラメータが調整される
ことになる。
【００３２】本発明の他の実施態様においては、前記設
計パラメータは、シグモイド関数のパラメータを含むも
のである。
計パラメータは、シグモイド関数のパラメータを含むも
のである。
【００３３】本発明によると、シグモイド関数のパラメ
ータが遺伝的アルゴリズムによって決定されるので、従
来のように試行錯誤的に調整する必要がない。
ータが遺伝的アルゴリズムによって決定されるので、従
来のように試行錯誤的に調整する必要がない。
【００３４】本発明の更に他の実施態様においては、前
記制御パラメータが、ＰＩＤゲインである。
記制御パラメータが、ＰＩＤゲインである。
【００３５】本発明によると、遺伝的アルゴリズムによ
って決定された結合係数および設計パラメータで構成さ
れるニューラルネットワークを用いてＰＩＤゲインが調
整されることになる。
って決定された結合係数および設計パラメータで構成さ
れるニューラルネットワークを用いてＰＩＤゲインが調
整されることになる。
【００３６】本発明の好ましい実施態様においては、前
記制御対象の温度を制御するものである。
記制御対象の温度を制御するものである。
【００３７】本発明によれば、温度調節器として好適に
実施できる。
実施できる。
【００３８】
【発明の実施の形態】以下、本発明の実施の形態につい
て、図面に基づいて説明する。
て、図面に基づいて説明する。
【００３９】（実施の形態１）本発明の制御装置は、後
述のように遺伝的アルゴリズムによってニューラルネッ
トワークの結合係数および設計パラメータを決定すると
ともに、決定された結合係数および設計パラメータで構
成されるニューラルネットワークによってＰＩＤゲイン
等の制御パラメータを調整するものである。
述のように遺伝的アルゴリズムによってニューラルネッ
トワークの結合係数および設計パラメータを決定すると
ともに、決定された結合係数および設計パラメータで構
成されるニューラルネットワークによってＰＩＤゲイン
等の制御パラメータを調整するものである。
【００４０】ここで、ニューラルネットワークによるＰ
ＩＤ制御系(ニューロＰＩＤ制御系)の概略、ニューラル
ネットワークの結合係数および設計パラメータの遺伝的
調整、さらに、数値例による本発明の有効性について説
明する。
ＩＤ制御系(ニューロＰＩＤ制御系)の概略、ニューラル
ネットワークの結合係数および設計パラメータの遺伝的
調整、さらに、数値例による本発明の有効性について説
明する。
【００４１】図１は、ニューラルネットワークによるＰ
ＩＤ制御系の概略構成図であり、制御対象１からの出力
ｙおよびその出力ｙおよびその出力ｙと目標値ｗとの偏
差に基づいて、制御対象１への入力である操作量ｕを出
力するＰＩＤコントローラ２と、操作量ｕと制御量ｙと
に基づいて、ＰＩＤコントローラ２に対するＰＩＤゲイ
ンを調整するニューラルネットワーク３とを備えてい
る。
ＩＤ制御系の概略構成図であり、制御対象１からの出力
ｙおよびその出力ｙおよびその出力ｙと目標値ｗとの偏
差に基づいて、制御対象１への入力である操作量ｕを出
力するＰＩＤコントローラ２と、操作量ｕと制御量ｙと
に基づいて、ＰＩＤコントローラ２に対するＰＩＤゲイ
ンを調整するニューラルネットワーク３とを備えてい
る。
【００４２】このニューラルネットワーク３によるＰＩ
Ｄ制御系のシステムは、次式のように記述される。
Ｄ制御系のシステムは、次式のように記述される。
【００４３】
【数１】
【００４４】ここで、ｕおよびｙは、過去の入出力の値
として
として
【００４５】
【数２】
【００４６】と定義し、ｎおよびｍは既知とする。さら
に、ｇは非線形関数とする。上述の記述モデル（１）を
詳細モデルと呼び、これは、後述する遺伝的アルゴリズ
ムにおいて、適応度関数を計算する際に用いられる。
に、ｇは非線形関数とする。上述の記述モデル（１）を
詳細モデルと呼び、これは、後述する遺伝的アルゴリズ
ムにおいて、適応度関数を計算する際に用いられる。
【００４７】次に、次式で与えられるＰＩＤ制御則を考
える。
える。
【００４８】
【数３】
【００４９】ここで、制御誤差ｅ（ｔ）は、
【００５０】
【数４】
【００５１】であり、Ｋｐ，ＫI，ＫDは、それぞれ比例
ゲイン、積分ゲインおよび微分ゲインである。上述の
（３）式は、いわゆる速度型ＰＩＤ制御則（Ｉ-ＰＤ制
御則とも言う）である。なお、本発明は、速度型ＰＩＤ
制御則に限らないのは勿論である。（３）式に含まれる
ＰＩＤゲインは、閉ループ系の性能を大きく左右するた
め、ＰＩＤ制御系を設計する際には、最適なＰＩＤゲイ
ンの調整が重要である。特に化学プロセス系などのよう
な非線形系に対しては、その調整が難しい問題とされて
いる。そこで、本発明では、非線形系に対して有効な手
法とされるニューラルネットワークを用いて、ＰＩＤゲ
インを調整するのである。
ゲイン、積分ゲインおよび微分ゲインである。上述の
（３）式は、いわゆる速度型ＰＩＤ制御則（Ｉ-ＰＤ制
御則とも言う）である。なお、本発明は、速度型ＰＩＤ
制御則に限らないのは勿論である。（３）式に含まれる
ＰＩＤゲインは、閉ループ系の性能を大きく左右するた
め、ＰＩＤ制御系を設計する際には、最適なＰＩＤゲイ
ンの調整が重要である。特に化学プロセス系などのよう
な非線形系に対しては、その調整が難しい問題とされて
いる。そこで、本発明では、非線形系に対して有効な手
法とされるニューラルネットワークを用いて、ＰＩＤゲ
インを調整するのである。
【００５２】次に、ニューラルネットワーク３の構造に
ついて説明する。ニューラルネットワーク３は、図２に
示すように３層から構成される。ここで、Ｉi，Ｈjおよ
びＯkはそれぞれ、入力層の第ｉユニット、中間層の第
ｊユニットおよび出力層の第ｋユニットの出力信号であ
り、□は閾値ユニットである。ｐは入力層のユニット数
であり、ｎ＋ｍ＋１で定まる。ｑは中間層のユニット数
である。さらにＷi,jは入力層の第ｉユニットと中間層
の第ｊユニットとの結合係数(結合荷重)であり、Ｖj,k
は中間層の第ｊユニットと出力層の第ｋユニットとの結
合係数である。ここで、ＨiおよびＯkはそれぞれ次式に
より計算される。
ついて説明する。ニューラルネットワーク３は、図２に
示すように３層から構成される。ここで、Ｉi，Ｈjおよ
びＯkはそれぞれ、入力層の第ｉユニット、中間層の第
ｊユニットおよび出力層の第ｋユニットの出力信号であ
り、□は閾値ユニットである。ｐは入力層のユニット数
であり、ｎ＋ｍ＋１で定まる。ｑは中間層のユニット数
である。さらにＷi,jは入力層の第ｉユニットと中間層
の第ｊユニットとの結合係数(結合荷重)であり、Ｖj,k
は中間層の第ｊユニットと出力層の第ｋユニットとの結
合係数である。ここで、ＨiおよびＯkはそれぞれ次式に
より計算される。
【００５３】
【数５】
【００５４】
【数６】
【００５５】Ｉ0およびＨ0は閾値ユニットである。さら
に、ｈ1（・）およびｈ2（・）は次式のようなシグモイ
ド関数で与えられる。
に、ｈ1（・）およびｈ2（・）は次式のようなシグモイ
ド関数で与えられる。
【００５６】
【数７】
【００５７】
【数８】
【００５８】ここで、（７）式および（８）式に含まれ
るａ、ｂ、ｃk（ｋ＝１，２，３）は設計パラメータ
で、各ＰＩＤゲインの範囲を考慮して適切に調整される
必要がある。なお、ＯkとＰＩＤゲインの間には、次の
ような関係が成り立っている。
るａ、ｂ、ｃk（ｋ＝１，２，３）は設計パラメータ
で、各ＰＩＤゲインの範囲を考慮して適切に調整される
必要がある。なお、ＯkとＰＩＤゲインの間には、次の
ような関係が成り立っている。
【００５９】
【数９】
【００６０】ニューラルネットワークの設計において
は、結合係数Ｗi,jとＶj,kを適切に調整することが重要
である。従来からのニューロＰＩＤ制御法の大半におい
て、これらの結合係数の調整は、上述のようにバックプ
ロパゲーション法によってなされている。しかしなが
ら、バックプロパゲーション法に基づくニューラルネッ
トワークを用いたＰＩＤ制御については、上述した以外
にも、以下のような問題点が指摘されている。
は、結合係数Ｗi,jとＶj,kを適切に調整することが重要
である。従来からのニューロＰＩＤ制御法の大半におい
て、これらの結合係数の調整は、上述のようにバックプ
ロパゲーション法によってなされている。しかしなが
ら、バックプロパゲーション法に基づくニューラルネッ
トワークを用いたＰＩＤ制御については、上述した以外
にも、以下のような問題点が指摘されている。
【００６１】すなわち、システムヤコビアンの符号が既
知でなければならない、バックプロパゲーション法を適
用するにあたっての誤差評価規範が、微分可能でなけれ
ばならない、さらに、バックプロパゲーション法には多
くの設計パラメータがあり、これらのパラメータの調整
は、試行錯誤に頼らざるを得ない。
知でなければならない、バックプロパゲーション法を適
用するにあたっての誤差評価規範が、微分可能でなけれ
ばならない、さらに、バックプロパゲーション法には多
くの設計パラメータがあり、これらのパラメータの調整
は、試行錯誤に頼らざるを得ない。
【００６２】そこで、これらの問題に対処するために、
本発明では、結合係数の調整にランダム探索法の一つで
ある遺伝的アルゴリズムを用いるのである。特にここで
は、実数値ＧＡ(Genetic Algorithm)を適用する。
本発明では、結合係数の調整にランダム探索法の一つで
ある遺伝的アルゴリズムを用いるのである。特にここで
は、実数値ＧＡ(Genetic Algorithm)を適用する。
【００６３】次に、遺伝的アルゴリズムを用いた結合係
数および設計パラメータの調整について説明する。
数および設計パラメータの調整について説明する。
【００６４】先ず、結合係数Ｗi,j，Ｖj,kおよび設計パ
ラメータであるシグモイド関数に含まれるパラメータ
ａ，ｂおよびｃkの望ましい値を、遺伝的アルゴリズム
によって探索するため、これらのパラメータを遺伝的ア
ルゴリズムにおける各個体の表現型（Pheno type）Ｓ
の各セルｓl（ｎ1）（ｌ＝１，２，…，ｎ2；ｎ1＝１，
２，…，（ｑ（ｐ+３）-ｐ+５））として順に配列す
る。ただし、ｎ2は個体数であり、概略図を図３に示
す。
ラメータであるシグモイド関数に含まれるパラメータ
ａ，ｂおよびｃkの望ましい値を、遺伝的アルゴリズム
によって探索するため、これらのパラメータを遺伝的ア
ルゴリズムにおける各個体の表現型（Pheno type）Ｓ
の各セルｓl（ｎ1）（ｌ＝１，２，…，ｎ2；ｎ1＝１，
２，…，（ｑ（ｐ+３）-ｐ+５））として順に配列す
る。ただし、ｎ2は個体数であり、概略図を図３に示
す。
【００６５】ここで、世代数をＧとし、第ｄ（ｄ＝１，
２，…，Ｇ）世代の固体の表現型をＳdで表すと、実数
値ＧＡの手順は次のようになる。
２，…，Ｇ）世代の固体の表現型をＳdで表すと、実数
値ＧＡの手順は次のようになる。
【００６６】(１)初期設定 初期集団{Ｓ0}の発生およ
び各種パラメータの設定を行う。ここで、ｄ＝１であ
る。
び各種パラメータの設定を行う。ここで、ｄ＝１であ
る。
【００６７】(２)適応度関数Ｆ（ｌ）の計算適応度関数
は、設計した制御器の性能を考慮して、自由に決めるこ
とができるが、ここでは２乗誤差積分
は、設計した制御器の性能を考慮して、自由に決めるこ
とができるが、ここでは２乗誤差積分
【００６８】
【数１０】
【００６９】を含む次式によって定義し、この値が大き
い、すなわち適応度が高い順に個体を並べ替える。
い、すなわち適応度が高い順に個体を並べ替える。
【００７０】
【数１１】
【００７１】ここでｙm（ｔ）は目標値ｗ（ｔ）を入力
とする参照モデルの出力、ｙl（ｔ）は第ｌ個体におけ
る各パラメータを用いた制御による詳細モデルの出力で
ある。
とする参照モデルの出力、ｙl（ｔ）は第ｌ個体におけ
る各パラメータを用いた制御による詳細モデルの出力で
ある。
【００７２】(３)選択 上位γ％の個体を、次世代に残
す。
す。
【００７３】(４)交叉 次世代の個体の（１００-γ）
％を交叉によって生成する。上位γ％の個体の中から、
ｓa（ｎ1），ｓb（ｎ1）の２個体をランダムに選び、次
式によってｓc（ｎ1）を生成する。ただし、式中の
ｓa，ｓbおよびｓcはそれぞれｓa（ｎ1），ｓ
b（ｎ1），およびｓc（ｎ1）のことである。
％を交叉によって生成する。上位γ％の個体の中から、
ｓa（ｎ1），ｓb（ｎ1）の２個体をランダムに選び、次
式によってｓc（ｎ1）を生成する。ただし、式中の
ｓa，ｓbおよびｓcはそれぞれｓa（ｎ1），ｓ
b（ｎ1），およびｓc（ｎ1）のことである。
【００７４】
【数１２】
【００７５】ここでＩ（ｘ）は適応度ｘをもった個体で
あり、Ｉ（ｍａｘ{Ｆ（ｓa），Ｆ（ｓ b）}）は、ｓaと
ｓbのうち、適応度が高い個体を示している。この交叉
をｓaとｓbのそれぞれ全てのセルの間で実行する。
あり、Ｉ（ｍａｘ{Ｆ（ｓa），Ｆ（ｓ b）}）は、ｓaと
ｓbのうち、適応度が高い個体を示している。この交叉
をｓaとｓbのそれぞれ全てのセルの間で実行する。
【００７６】(５)突然変異 交叉により生成した（１０
０-γ）％の個体のうち、ω％の個体のそれぞれ一つの
セルをランダムに選び、これを乱数に置き換える。
０-γ）％の個体のうち、ω％の個体のそれぞれ一つの
セルをランダムに選び、これを乱数に置き換える。
【００７７】次に、数値例によって本発明の有効性につ
いて説明する。本発明の有効性を検証するために、次の
Hammersteinモデルで与えられる非線形システムに対し
て、数値シミュレーションを行った。
いて説明する。本発明の有効性を検証するために、次の
Hammersteinモデルで与えられる非線形システムに対し
て、数値シミュレーションを行った。
【００７８】
【数１３】
【００７９】ここでは、詳細モデルも(１３)式として与
えられるものとする。制御対象の静特性を図４に示す。
えられるものとする。制御対象の静特性を図４に示す。
【００８０】本発明による手法を適用する前に、まず、
従来からあるＰＩＤ制御法を用いた場合の制御結果を図
５に示す。
従来からあるＰＩＤ制御法を用いた場合の制御結果を図
５に示す。
【００８１】ここで、ＰＩＤゲインの値はそれぞれ、Ｋ
ｐ＝0.15，ＫI＝0.08およびＫD＝0.07である。なお、こ
れらのＰＩＤゲインは、Chien, Hrones & Reswick らの
調整則（ＣＨＲ法）に基づいて計算している。図５か
ら、第３ステップ目における目標追従特性が好ましくな
いことが分かる。
ｐ＝0.15，ＫI＝0.08およびＫD＝0.07である。なお、こ
れらのＰＩＤゲインは、Chien, Hrones & Reswick らの
調整則（ＣＨＲ法）に基づいて計算している。図５か
ら、第３ステップ目における目標追従特性が好ましくな
いことが分かる。
【００８２】次に、本発明の手法を適用する。まず、Ｎ
ＮおよびＧＡの各パラメータの値を以下のように定め
る。
ＮおよびＧＡの各パラメータの値を以下のように定め
る。
【００８３】
【数１４】
【００８４】これらの条件のもとで、ＧＡにより調整し
た設計パラメータの値を次に示す。
た設計パラメータの値を次に示す。
【００８５】
【数１５】
【００８６】適応度関数の計算においては次式のような
参照モデルを用いる。
参照モデルを用いる。
【００８７】
【数１６】
【００８８】また、目標値ω（ｔ）は以下のように定め
る。
る。
【００８９】
【数１７】
【００９０】ここで用いたＧＡにおける各個体の表現型
は、図６に示すように、３２個のセルからなっている。
は、図６に示すように、３２個のセルからなっている。
【００９１】以上のような設定のもとで本発明の手法を
適用した。図７にはその制御結果を示す。
適用した。図７にはその制御結果を示す。
【００９２】図７から、本発明の手法を用いると、極め
て良好な制御性能が得られることが分かる。
て良好な制御性能が得られることが分かる。
【００９３】次に、本発明の実施の形態について、更に
詳細に説明する。
詳細に説明する。
【００９４】図８は、本発明の一つの実施の形態に係る
制御装置４を備えるシステムの概略構成図である。
制御装置４を備えるシステムの概略構成図である。
【００９５】この実施の形態の制御装置４は、制御対象
５からの制御量が目標値に一致するように制御を行うも
のであり、制御対象５からの制御量およびその制御量と
目標値との偏差に基づいて、制御対象５に対する操作量
を演算出力する制御手段としてのＰＩＤコントローラ６
と、このＰＩＤコントローラ６からの操作量と制御対象
５からの制御量とに基づいて、ＰＩＤコントローラ６に
対する制御パラメータであるＰＩＤゲインを調整する調
整手段としてのニューラルネットワーク７とを備えてお
り、ＰＩＤコントローラ６およびニューラルネットワー
ク７は、例えば、マイクロコンピュータによって構成さ
れる。
５からの制御量が目標値に一致するように制御を行うも
のであり、制御対象５からの制御量およびその制御量と
目標値との偏差に基づいて、制御対象５に対する操作量
を演算出力する制御手段としてのＰＩＤコントローラ６
と、このＰＩＤコントローラ６からの操作量と制御対象
５からの制御量とに基づいて、ＰＩＤコントローラ６に
対する制御パラメータであるＰＩＤゲインを調整する調
整手段としてのニューラルネットワーク７とを備えてお
り、ＰＩＤコントローラ６およびニューラルネットワー
ク７は、例えば、マイクロコンピュータによって構成さ
れる。
【００９６】ＰＩＤコントローラ６が、上述の図１にお
けるＰＩＤコントローラ２に相当し、調整手段としての
ニューラルネットワーク７が、図１および図２のニュー
ラルネットワーク３に相当する。
けるＰＩＤコントローラ２に相当し、調整手段としての
ニューラルネットワーク７が、図１および図２のニュー
ラルネットワーク３に相当する。
【００９７】調整手段としてのニューラルネットワーク
７の結合係数および設計パラメータは、予めオフライン
でのコンピュータの時間応答シミュレーションによっ
て、遺伝的アルゴリズムによって決定されるものであ
る。
７の結合係数および設計パラメータは、予めオフライン
でのコンピュータの時間応答シミュレーションによっ
て、遺伝的アルゴリズムによって決定されるものであ
る。
【００９８】この遺伝的アルゴリズムによって決定され
る結合係数および設計パラメータが、上述の結合係数Ｗ
i,j，Ｖj,kおよびシグモイド関数に含まれるパラメータ
ａ，ｂおよびｃkである。
る結合係数および設計パラメータが、上述の結合係数Ｗ
i,j，Ｖj,kおよびシグモイド関数に含まれるパラメータ
ａ，ｂおよびｃkである。
【００９９】調整手段としてのニューラルネットワーク
７は、制御対象５の入力である操作量および制御対象の
出力である制御量に基づいて、ＰＩＤコントローラ６に
対するＰＩＤゲインである比例、積分および微分の各ゲ
インＫｐ，ＫI，ＫDを調整するものである。
７は、制御対象５の入力である操作量および制御対象の
出力である制御量に基づいて、ＰＩＤコントローラ６に
対するＰＩＤゲインである比例、積分および微分の各ゲ
インＫｐ，ＫI，ＫDを調整するものである。
【０１００】次に、この調整手段としてのニューラルネ
ットワーク７の結合係数Ｗi,j，Ｖj ,kおよびシグモイド
関数に含まれるパラメータａ，ｂ，ｃkの遺伝的アルゴ
リズムによる決定について説明する。
ットワーク７の結合係数Ｗi,j，Ｖj ,kおよびシグモイド
関数に含まれるパラメータａ，ｂ，ｃkの遺伝的アルゴ
リズムによる決定について説明する。
【０１０１】図９は、コンピュータの時間応答シミュレ
ーションで遺伝的アルゴリズムによる結合係数Ｗi,j，
Ｖj,kおよびシグモイド関数に含まれるパラメータａ，
ｂ，ｃ kの決定のためのブロック図である。
ーションで遺伝的アルゴリズムによる結合係数Ｗi,j，
Ｖj,kおよびシグモイド関数に含まれるパラメータａ，
ｂ，ｃ kの決定のためのブロック図である。
【０１０２】同図において、６−１は仮想ＰＩＤコント
ローラ、５−１は制御対象５を近似した制御対象モデ
ル、７−１はニューラルネットワークであり、８はニュ
ーラルネットワーク７−１の結合係数Ｗi,j，Ｖj,kおよ
びシグモイド関数に含まれるパラメータａ，ｂ，ｃkを
遺伝的アルゴリズムによって決定する決定手段である。
ローラ、５−１は制御対象５を近似した制御対象モデ
ル、７−１はニューラルネットワークであり、８はニュ
ーラルネットワーク７−１の結合係数Ｗi,j，Ｖj,kおよ
びシグモイド関数に含まれるパラメータａ，ｂ，ｃkを
遺伝的アルゴリズムによって決定する決定手段である。
【０１０３】仮想ＰＩＤコントローラ６−１は、図８の
ＰＩＤコントローラ６と同じＰＩＤ制御を行うものであ
り、ニューラルネットワーク７−１は、決定手段８によ
って結合係数Ｗi,j，Ｖj,kおよびシグモイド関数に含ま
れるパラメータａ，ｂ，ｃkが調整される以外は、図８
のニューラルネットワーク７と同じ、従って、上述の図
２に示されるニューラルネットワーク３と同じ構成であ
る。
ＰＩＤコントローラ６と同じＰＩＤ制御を行うものであ
り、ニューラルネットワーク７−１は、決定手段８によ
って結合係数Ｗi,j，Ｖj,kおよびシグモイド関数に含ま
れるパラメータａ，ｂ，ｃkが調整される以外は、図８
のニューラルネットワーク７と同じ、従って、上述の図
２に示されるニューラルネットワーク３と同じ構成であ
る。
【０１０４】決定手段８は、決定すべき結合係数
Ｗi,j，Ｖj,kおよびシグモイド関数に含まれるパラメー
タａ，ｂおよびｃkを、上述の図３に示される表現型に
した個体群である初期集団を生成する。
Ｗi,j，Ｖj,kおよびシグモイド関数に含まれるパラメー
タａ，ｂおよびｃkを、上述の図３に示される表現型に
した個体群である初期集団を生成する。
【０１０５】次に、各個体毎に、結合係数Ｗi,j，Ｖj,k
およびシグモイド関数のパラメータａ，ｂ，ｃkを、ニ
ューラルネットワーク７−１に設定し、ニューラルネッ
トワーク７−１は、設定された結合係数Ｗi,j，Ｖj,kお
よびシグモイド関数のパラメータａ，ｂ，ｃkに基づ
き、操作量および制御量に応じたＰＩＤゲインを出力
し、ＰＩＤコントローラ６−１は、このＰＩＤゲインに
基づいて制御を行い、決定手段８は、制御量と目標値と
の誤差に基づく上述の適応度関数を用いて各個体を評価
し、それを、全ての個体について行う。
およびシグモイド関数のパラメータａ，ｂ，ｃkを、ニ
ューラルネットワーク７−１に設定し、ニューラルネッ
トワーク７−１は、設定された結合係数Ｗi,j，Ｖj,kお
よびシグモイド関数のパラメータａ，ｂ，ｃkに基づ
き、操作量および制御量に応じたＰＩＤゲインを出力
し、ＰＩＤコントローラ６−１は、このＰＩＤゲインに
基づいて制御を行い、決定手段８は、制御量と目標値と
の誤差に基づく上述の適応度関数を用いて各個体を評価
し、それを、全ての個体について行う。
【０１０６】この評価に基づいて、上述の選択、交叉お
よび突然変異の遺伝子操作を、収束条件を満足するまで
繰り返して、最良の個体の結合係数Ｗi,j，Ｖj,kおよび
シグモイド関数のパラメータａ，ｂ，ｃkに決定するも
のである。
よび突然変異の遺伝子操作を、収束条件を満足するまで
繰り返して、最良の個体の結合係数Ｗi,j，Ｖj,kおよび
シグモイド関数のパラメータａ，ｂ，ｃkに決定するも
のである。
【０１０７】以上のようにオフラインによるコンピュー
タの時間応答シミュレーションによって、遺伝的アルゴ
リズムによってニューラルネットワーク７−１の結合係
数Ｗ i,j，Ｖj,kおよびシグモイド関数のパラメータａ，
ｂ，ｃkが決定され、この決定された結合係数Ｗi,j，Ｖ
j,kおよびシグモイド関数のパラメータａ，ｂ，ｃkが、
図８の調整手段としてのニューラルネットワーク７に設
定され、実際の制御対象５の制御を行うものである。
タの時間応答シミュレーションによって、遺伝的アルゴ
リズムによってニューラルネットワーク７−１の結合係
数Ｗ i,j，Ｖj,kおよびシグモイド関数のパラメータａ，
ｂ，ｃkが決定され、この決定された結合係数Ｗi,j，Ｖ
j,kおよびシグモイド関数のパラメータａ，ｂ，ｃkが、
図８の調整手段としてのニューラルネットワーク７に設
定され、実際の制御対象５の制御を行うものである。
【０１０８】このようにランダム探索法の一つである遺
伝的アルゴリズムによって、ニューラルネットワーク７
の結合係数Ｗi,j，Ｖj,kを決定するので、バックプロパ
ゲーション法によって結合係数を学習させる従来例のよ
うに局所解に陥ることもなく、所望の制御特性を得るこ
とができる。
伝的アルゴリズムによって、ニューラルネットワーク７
の結合係数Ｗi,j，Ｖj,kを決定するので、バックプロパ
ゲーション法によって結合係数を学習させる従来例のよ
うに局所解に陥ることもなく、所望の制御特性を得るこ
とができる。
【０１０９】しかも、シグモイド関数のパラメータａ，
ｂ，ｃkを、遺伝的アルゴリズムによって決定するの
で、従来例のように試行錯誤的に調整する必要がなく、
調整工数が大幅に削減されることになる。
ｂ，ｃkを、遺伝的アルゴリズムによって決定するの
で、従来例のように試行錯誤的に調整する必要がなく、
調整工数が大幅に削減されることになる。
【０１１０】なお、制御対象モデル５−１は、「１次遅
れ＋むだ時間」などの線形モデルであってもよいし、
「１次遅れ＋制御量によって変動するむだ時間」などの
非線形モデルであってもよく、あるいは、「状態空間モ
デル」、「操作量と制御量の時系列データを入力とし、
むだ時間、時定数などのモデルパラメータを出力するニ
ューラルネットワーク」などであってもよい。
れ＋むだ時間」などの線形モデルであってもよいし、
「１次遅れ＋制御量によって変動するむだ時間」などの
非線形モデルであってもよく、あるいは、「状態空間モ
デル」、「操作量と制御量の時系列データを入力とし、
むだ時間、時定数などのモデルパラメータを出力するニ
ューラルネットワーク」などであってもよい。
【０１１１】（実施の形態２）図１０〜図１２は、本発
明の他の実施の形態に係る制御装置９の各動作モード示
す概略構成図であり、上述の図８に対応する部分には、
同一の参照符号を付す。
明の他の実施の形態に係る制御装置９の各動作モード示
す概略構成図であり、上述の図８に対応する部分には、
同一の参照符号を付す。
【０１１２】上述の実施の形態では、オフライン処理に
よって、ニューラルネットワーク７の結合係数Ｗi,j，
Ｖj,kおよびシグモイド関数のパラメータａ，ｂ，ｃ
kを、遺伝的アルゴリズムで決定したけれども、この実
施の形態では、オンライン処理で、制御対象５の制御を
行いながら、ニューラルネットワーク７の結合係数Ｗ
i,j，Ｖj,kおよびシグモイド関数のパラメータａ，ｂ，
ｃkを、遺伝的アルゴリズムで決定できるようにしたも
のである。
よって、ニューラルネットワーク７の結合係数Ｗi,j，
Ｖj,kおよびシグモイド関数のパラメータａ，ｂ，ｃ
kを、遺伝的アルゴリズムで決定したけれども、この実
施の形態では、オンライン処理で、制御対象５の制御を
行いながら、ニューラルネットワーク７の結合係数Ｗ
i,j，Ｖj,kおよびシグモイド関数のパラメータａ，ｂ，
ｃkを、遺伝的アルゴリズムで決定できるようにしたも
のである。
【０１１３】図１０の調整手段としてのニューラルネッ
トワーク７には、例えば、上述の実施の形態と同様に、
制御対象モデル５−１を用いて遺伝的アルゴリズムによ
って予め決定された結合係数Ｗi,j，Ｖj,kおよびシグモ
イド関数のパラメータａ，ｂ，ｃkが設定されており、
これに基づいて、制御対象５の制御が行われる。
トワーク７には、例えば、上述の実施の形態と同様に、
制御対象モデル５−１を用いて遺伝的アルゴリズムによ
って予め決定された結合係数Ｗi,j，Ｖj,kおよびシグモ
イド関数のパラメータａ，ｂ，ｃkが設定されており、
これに基づいて、制御対象５の制御が行われる。
【０１１４】この実施の形態では、破線Ａのブロックで
示されるフォアグラウンド処理では、調整手段としての
ニューラルネットワーク７によるＰＩＤゲインの調整お
よびＰＩＤコントローラ６による制御対象５のＰＩＤ制
御を行う。
示されるフォアグラウンド処理では、調整手段としての
ニューラルネットワーク７によるＰＩＤゲインの調整お
よびＰＩＤコントローラ６による制御対象５のＰＩＤ制
御を行う。
【０１１５】また、破線Ｂのブロックで示されるバック
グラウンド処理では、図１１に示されるように、制御対
象モデル５−１の修正を行うとともに、図１２に示され
るように、修正された制御対象モデル５−１’を用いて
遺伝的アルゴリズムによるニューラルネットワーク７−
１の結合係数Ｗi,j，Ｖj,kおよびシグモイド関数のパラ
メータａ，ｂ，ｃkの再度の決定を行い、フォアグラウ
ンド処理におけるニューラルネットワーク７に再設定し
てニューラルネットワーク７を更新するものである。
グラウンド処理では、図１１に示されるように、制御対
象モデル５−１の修正を行うとともに、図１２に示され
るように、修正された制御対象モデル５−１’を用いて
遺伝的アルゴリズムによるニューラルネットワーク７−
１の結合係数Ｗi,j，Ｖj,kおよびシグモイド関数のパラ
メータａ，ｂ，ｃkの再度の決定を行い、フォアグラウ
ンド処理におけるニューラルネットワーク７に再設定し
てニューラルネットワーク７を更新するものである。
【０１１６】図１３は、この実施の形態にバックグラウ
ンド処理の動作説明に供するフローチャートである。
ンド処理の動作説明に供するフローチャートである。
【０１１７】フォアグラウンドでは、上述のように、ニ
ューラルネットワーク７およびＰＩＤコントローラ６に
よるＰＩＤ制御を実行しながら、バックグラウンドにお
いて、目標値の変更があったか否かを判断し（ステップ
ｎ１）、目標値の変更があったときには、図１０に示さ
れる応答記憶モードに移行する。この応答記憶モードで
は、目標値の変更時点から整定するまでの操作量と制御
量とを時系列データとして、応答波形記憶部１０に記憶
する（ステップｎ２）。
ューラルネットワーク７およびＰＩＤコントローラ６に
よるＰＩＤ制御を実行しながら、バックグラウンドにお
いて、目標値の変更があったか否かを判断し（ステップ
ｎ１）、目標値の変更があったときには、図１０に示さ
れる応答記憶モードに移行する。この応答記憶モードで
は、目標値の変更時点から整定するまでの操作量と制御
量とを時系列データとして、応答波形記憶部１０に記憶
する（ステップｎ２）。
【０１１８】このように目標値の変更があったときに、
応答記憶モードおよび後述のモデリングモードに移行す
るのは、制御対象５が整定している状態では、操作量の
変化が小さいために、Ｓ／Ｎ比が悪くなり、制御対象モ
デル５−１の有効な修正が行えないからである。そこ
で、本発明の他の実施の形態として、目標値の変更幅の
閾値を設け、目標値の変更があったときには、その変更
幅が、閾値以上になったときに、応答記憶モードおよび
モデリングモードに移行するようにしてもよい。
応答記憶モードおよび後述のモデリングモードに移行す
るのは、制御対象５が整定している状態では、操作量の
変化が小さいために、Ｓ／Ｎ比が悪くなり、制御対象モ
デル５−１の有効な修正が行えないからである。そこ
で、本発明の他の実施の形態として、目標値の変更幅の
閾値を設け、目標値の変更があったときには、その変更
幅が、閾値以上になったときに、応答記憶モードおよび
モデリングモードに移行するようにしてもよい。
【０１１９】次に、図１１に示されるモデリングモード
に移行する（ステップｎ３）。このモデリングモードで
は、応答波形記憶部１０に記憶した操作量および制御量
の波形を読み出して、制御対象モデル修正部１１によっ
て、最小２乗法などの公知の手法を用いてモデル出力誤
差が最小になるように制御対象モデル５−１のモデルパ
ラメータを修正する。
に移行する（ステップｎ３）。このモデリングモードで
は、応答波形記憶部１０に記憶した操作量および制御量
の波形を読み出して、制御対象モデル修正部１１によっ
て、最小２乗法などの公知の手法を用いてモデル出力誤
差が最小になるように制御対象モデル５−１のモデルパ
ラメータを修正する。
【０１２０】次に、図１３に示されるように、修正され
た制御対象モデル５−１の変化が大きいか否かを判断す
る（ステップｎ４）。この判断としては、例えば、少な
くとも一つのモデルパラメータが、元の１０％以上変化
したら「変化大」と判断し、あるいは、元の制御対象モ
デルとのステップ応答波形の誤差面積が、閾値以上であ
れば、「変化大」と判断するといったものである。
た制御対象モデル５−１の変化が大きいか否かを判断す
る（ステップｎ４）。この判断としては、例えば、少な
くとも一つのモデルパラメータが、元の１０％以上変化
したら「変化大」と判断し、あるいは、元の制御対象モ
デルとのステップ応答波形の誤差面積が、閾値以上であ
れば、「変化大」と判断するといったものである。
【０１２１】このステップｎ４において、制御対象モデ
ル５−１の変化が大きいと判断されたときには、図１２
に示されるチューニングモードに移行し（ステップｎ
５）、大きくない、すなわち、小さいと判断されたとき
には、ステップｎ１に戻る。
ル５−１の変化が大きいと判断されたときには、図１２
に示されるチューニングモードに移行し（ステップｎ
５）、大きくない、すなわち、小さいと判断されたとき
には、ステップｎ１に戻る。
【０１２２】図１２に示されるチューニングモードで
は、修正した制御対象モデル５−１’を用いて、上述の
図９と同様に、遺伝的アルゴリズムによる決定手段８で
ニューラルネットワーク７−１の結合係数Ｗi,j，Ｖj,k
およびシグモイド関数のパラメータａ，ｂ，ｃkを決定
し、この決定された結合係数Ｗi,j，Ｖj,kおよびシグモ
イド関数のパラメータａ，ｂ，ｃkを、フォアグラウン
ドの調整手段としてのニューラルネットワーク７に設定
してニューラルネットワーク７を更新し、フォアグラウ
ンドでは、この更新されたニューラルネットワーク７を
用いてＰＩＤゲインを調整してＰＩＤ制御を行うのであ
る。
は、修正した制御対象モデル５−１’を用いて、上述の
図９と同様に、遺伝的アルゴリズムによる決定手段８で
ニューラルネットワーク７−１の結合係数Ｗi,j，Ｖj,k
およびシグモイド関数のパラメータａ，ｂ，ｃkを決定
し、この決定された結合係数Ｗi,j，Ｖj,kおよびシグモ
イド関数のパラメータａ，ｂ，ｃkを、フォアグラウン
ドの調整手段としてのニューラルネットワーク７に設定
してニューラルネットワーク７を更新し、フォアグラウ
ンドでは、この更新されたニューラルネットワーク７を
用いてＰＩＤゲインを調整してＰＩＤ制御を行うのであ
る。
【０１２３】これによって、システム変動が生じても、
それに対応してニューラルネットワーク７が更新されて
ＰＩＤゲインが調整されるので、最適な制御が可能とな
る。
それに対応してニューラルネットワーク７が更新されて
ＰＩＤゲインが調整されるので、最適な制御が可能とな
る。
【０１２４】この実施の形態では、操作量および制御量
の波形に基づいて、制御対象モデル５−１を修正したけ
れども、制御対象モデルの形式によっては、操作量の波
形のみに基づいて、修正するようにしてもよい。
の波形に基づいて、制御対象モデル５−１を修正したけ
れども、制御対象モデルの形式によっては、操作量の波
形のみに基づいて、修正するようにしてもよい。
【０１２５】（その他の実施の形態）上述の実施の形態
では、設計パラメータとして、シグモイド関数のパラメ
ータａ，ｂ，ｃkを、遺伝的アルゴリズムによって決定
したけれども、本発明の他の実施の形態として、ニュー
ラルネットワークを構成するユニットの層数や閾値など
の他の設計パラメータを、遺伝的アルゴリズムを用いて
決定するようにしてもよい。
では、設計パラメータとして、シグモイド関数のパラメ
ータａ，ｂ，ｃkを、遺伝的アルゴリズムによって決定
したけれども、本発明の他の実施の形態として、ニュー
ラルネットワークを構成するユニットの層数や閾値など
の他の設計パラメータを、遺伝的アルゴリズムを用いて
決定するようにしてもよい。
【０１２６】上述の実施の形態では、目標値の変更があ
ったときに、モデリングモードに移行したけれども、本
発明の他の実施の形態として、定期的に、あるいは、信
号の入力などに応答してモデリングモードに移行するよ
うにしてもよい。
ったときに、モデリングモードに移行したけれども、本
発明の他の実施の形態として、定期的に、あるいは、信
号の入力などに応答してモデリングモードに移行するよ
うにしてもよい。
【０１２７】上述の各実施の形態では、ニューラルネッ
トワークは、操作量および制御量を入力としてＰＩＤゲ
インを出力したけれども、ニューラルネットワークの入
力は、これに限るものではなく、制御量のみを入力する
ようにしてもよく、あるいは、目標値を入力するように
してもよい。
トワークは、操作量および制御量を入力としてＰＩＤゲ
インを出力したけれども、ニューラルネットワークの入
力は、これに限るものではなく、制御量のみを入力する
ようにしてもよく、あるいは、目標値を入力するように
してもよい。
【０１２８】上述の実施の形態では、ＰＩＤゲイン、す
なわち、比例ゲイン、積分ゲインおよび微分ゲインの全
てを調整したけれども、本発明の他の実施の形態とし
て、少なくとも一つのＰＩＤゲインを調整するものであ
ってもよく、ＰＩＤ制御に限らず、比例制御、積分制
御、比例積分制御などの他の制御にも適用できるもので
ある。
なわち、比例ゲイン、積分ゲインおよび微分ゲインの全
てを調整したけれども、本発明の他の実施の形態とし
て、少なくとも一つのＰＩＤゲインを調整するものであ
ってもよく、ＰＩＤ制御に限らず、比例制御、積分制
御、比例積分制御などの他の制御にも適用できるもので
ある。
【０１２９】本発明の制御装置は、制御対象の温度、圧
力、流量、速度あるいは液位などの様々な物理状態を制
御する制御装置に適用できるものである。
力、流量、速度あるいは液位などの様々な物理状態を制
御する制御装置に適用できるものである。
【０１３０】
【発明の効果】以上のように本発明によれば、遺伝的ア
ルゴリズムによってニューラルネットワークの結合係数
および設計パラメータを決定するので、ランダムサーチ
によって広い範囲における探索を行うことができ、結合
係数（結合荷重）をバックプロパゲーション法によって
学習させる従来例のような局所解に陥りにくく、所望の
制御特性が得られることになり、また、設計パラメータ
を試行錯誤的にマニュアル調整する必要がなく、調整工
数が大幅に削減される。
ルゴリズムによってニューラルネットワークの結合係数
および設計パラメータを決定するので、ランダムサーチ
によって広い範囲における探索を行うことができ、結合
係数（結合荷重）をバックプロパゲーション法によって
学習させる従来例のような局所解に陥りにくく、所望の
制御特性が得られることになり、また、設計パラメータ
を試行錯誤的にマニュアル調整する必要がなく、調整工
数が大幅に削減される。
【０１３１】また、本発明によれは、制御対象モデルを
修正し、この修正した制御対象モデルを用いて、遺伝的
アルゴリズムによっての結合係数および設計パラメータ
を再び決定し、この決定された結合係数および設計パラ
メータでニューラルネットワークを更新するので、シス
テム変動に応じて制御パラメータを調整することができ
る。特に、フォアグラウンド処理によって、制御対象の
制御を行いながら、制御対象モデルの修正および修正さ
れた制御対象モデルを用いた遺伝的アルゴリズムによる
結合係数および設計パラメータの決定を、バックグラウ
ンド処理にて行うことができ、制御対象を制御しながら
システム変動にも対応できる。
修正し、この修正した制御対象モデルを用いて、遺伝的
アルゴリズムによっての結合係数および設計パラメータ
を再び決定し、この決定された結合係数および設計パラ
メータでニューラルネットワークを更新するので、シス
テム変動に応じて制御パラメータを調整することができ
る。特に、フォアグラウンド処理によって、制御対象の
制御を行いながら、制御対象モデルの修正および修正さ
れた制御対象モデルを用いた遺伝的アルゴリズムによる
結合係数および設計パラメータの決定を、バックグラウ
ンド処理にて行うことができ、制御対象を制御しながら
システム変動にも対応できる。
【図１】ニューロＰＩＤ制御系の概略図である。
【図２】ニューラルネットワークの構成図である。
【図３】個体の表現型の概略図である。
【図４】制御対象の静特性を示す図である。
【図５】従来法による制御結果を示す図である。
【図６】数値例における表現型の概略図である。
【図７】本発明による制御結果を示す図である。
【図８】本発明の一つの実施の形態に係る制御装置を備
えるシステムの概略構成図である。
えるシステムの概略構成図である。
【図９】遺伝的アルゴリズムによる結合係数およびシグ
モイド関数のパラメータの決定のためのブロック図であ
る。
モイド関数のパラメータの決定のためのブロック図であ
る。
【図１０】本発明の他の実施の形態の応答記憶モードの
概略構成図である。
概略構成図である。
【図１１】図１０の実施の形態のモデリングモードの概
略構成図である。
略構成図である。
【図１２】図１０の実施の形態のチューニングモードの
概略構成図である。
概略構成図である。
【図１３】本発明の他の実施の形態の動作説明に供する
フローチャートである。
フローチャートである。
１，５，５−１ 制御対象
２，６，６−１ ＰＩＤコントローラ
３，７，７−１ ニューラルネットワーク
８ 遺伝的アルゴリズムによる決
定手段 １１ 制御対象モデル修正部
定手段 １１ 制御対象モデル修正部
─────────────────────────────────────────────────────
フロントページの続き
(72)発明者 山田 隆章
京都府京都市下京区塩小路通堀川東入南不
動堂町801番地 オムロン株式会社内
(72)発明者 南野 郁夫
京都府京都市下京区塩小路通堀川東入南不
動堂町801番地 オムロン株式会社内
(72)発明者 田中 政仁
京都府京都市下京区塩小路通堀川東入南不
動堂町801番地 オムロン株式会社内
Ｆターム(参考） 5H004 GA40 HA01 HA02 HA03 HA05
HA08 KB01 KD47 KD67 LA01
LA03 LA12
Claims (15)
- 【請求項１】 遺伝的アルゴリズムによってニューラル
ネットワークの結合係数および設計パラメータを決定す
る決定ステップと、 決定された結合係数および設計パラメータで構成される
ニューラルネットワークによって制御パラメータを調整
する調整ステップと、 調整される制御パラメータに基づいて、制御対象を制御
する制御ステップと、 を備えることを特徴とする制御方法。 - 【請求項２】 前記決定ステップは、制御対象モデルを
用いて、ニューラルネットワークの結合係数および設計
パラメータを決定するものであり、 前記制御ステップで得られる情報に基づいて、前記制御
対象モデルを修正する修正ステップを備え、 修正された制御対象モデルを用いて前記決定ステップを
行って、前記調整ステップにおけるニューラルネットワ
ークの結合係数および設計パラメータを更新する請求項
１記載の制御方法。 - 【請求項３】 前記決定ステップでは、ニューラルネッ
トワークの結合係数および設計パラメータを遺伝子とす
る個体群を生成し、制御対象モデルの出力と目標値との
誤差に基づく適応度関数を評価規範とし、前記個体群に
遺伝子操作を繰り返して結合係数および設計パラメータ
を決定する請求項１または２記載の制御方法。 - 【請求項４】 前記調整ステップにおけるニューラルネ
ットワークは、前記制御対象の入力および出力を入力と
し、前記制御パラメータを出力する請求項１〜３のいず
れかに記載の制御方法。 - 【請求項５】 前記設計パラメータは、シグモイド関数
のパラメータを含む請求項１〜４のいずれかに記載の制
御方法。 - 【請求項６】 前記制御パラメータが、ＰＩＤゲインで
ある請求項１〜５のいずれかに記載の制御方法。 - 【請求項７】 制御対象の出力および目標値に基づい
て、前記制御対象を制御する制御手段と、 ニューラルネットワークによって前記制御手段の制御パ
ラメータを調整する調整手段とを備え、 前記ニューラルネットワークは、遺伝的アルゴリズムに
よって予め決定された結合係数および設計パラメータで
構成されることを特徴とする制御装置。 - 【請求項８】 制御対象の出力および目標値に基づい
て、前記制御対象を制御する制御手段と、 遺伝的アルゴリズムによってニューラルネットワークの
結合係数および設計パラメータを決定する決定手段と、 前記決定手段で決定された結合係数および設計パラメー
タで構成されるニューラルネットワークによって前記制
御手段の制御パラメータを調整する調整手段と、 を備えることを特徴とする制御装置。 - 【請求項９】 前記決定手段は、制御対象モデルを用い
て、ニューラルネットワークの結合係数および設計パラ
メータを決定するものであり、 前記制御手段による制御状態に応じて、前記制御対象モ
デルを修正する修正手段を備え、 前記決定手段は、修正された制御対象モデルを用いて結
合係数および設計パラメータを決定する一方、前記調整
手段は、前記ニューラルネットワークの結合係数および
設計パラメータを、修正された制御対象モデルを用いて
決定された結合係数および設計パラメータに更新する請
求項８記載の制御装置。 - 【請求項１０】 前記制御手段による制御および前記調
整手段による調整を、フォアグラウンドで処理し、前記
修正手段による修正および前記決定手段による決定を、
バックグラウンドで処理する請求項９記載の制御装
置。、 - 【請求項１１】 前記決定手段は、ニューラルネットワ
ークの結合係数および設計パラメータを遺伝子とする個
体群を生成し、制御対象モデルの出力と目標値との誤差
に基づく適応度関数を評価規範とし、前記個体群に遺伝
子操作を繰り返して結合係数および設計パラメータを決
定する請求項８〜１０のいずれかに記載の制御装置。 - 【請求項１２】 前記調整手段の前記ニューラルネット
ワークは、前記制御対象の入力および出力がそれぞれ入
力されるとともに、前記制御パラメータを出力する階層
型のネットワークである請求項７〜１１のいずれかに記
載の制御装置。 - 【請求項１３】 前記設計パラメータは、シグモイド関
数のパラメータを含む請求項７〜１２いずれかに記載の
制御装置。 - 【請求項１４】 前記制御パラメータが、ＰＩＤゲイン
である請求項７〜１３のいずれかに記載の制御装置。 - 【請求項１５】 前記制御対象の温度を制御する請求項
７〜１４のいずれかに記載の制御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002056271A JP2003256005A (ja) | 2002-03-01 | 2002-03-01 | 制御方法および制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002056271A JP2003256005A (ja) | 2002-03-01 | 2002-03-01 | 制御方法および制御装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2003256005A true JP2003256005A (ja) | 2003-09-10 |
Family
ID=28666888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2002056271A Pending JP2003256005A (ja) | 2002-03-01 | 2002-03-01 | 制御方法および制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2003256005A (ja) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007136036A (ja) * | 2005-11-22 | 2007-06-07 | Hiroshima Univ | 体関節サポ一夕 |
| JP2014153949A (ja) * | 2013-02-08 | 2014-08-25 | Hiroshima Univ | Ｇｍｄｈを用いた非線形ｐｉｄコントローラおよびｇｍｄｈ重み係数決定方法 |
| JP2017049637A (ja) * | 2015-08-31 | 2017-03-09 | シャープ株式会社 | 制御装置 |
| CN106877746A (zh) * | 2017-03-21 | 2017-06-20 | 北京京东尚科信息技术有限公司 | 速度控制方法和速度控制装置 |
| CN107515531A (zh) * | 2017-08-30 | 2017-12-26 | 京东方科技集团股份有限公司 | 一种植物工厂的智能控制方法及系统、智能监控系统 |
| JP2018029860A (ja) * | 2016-08-26 | 2018-03-01 | 株式会社 ディー・エヌ・エー | ニューロエボリューションを用いたニューラルネットワークの構造及びパラメータ調整のためのプログラム、システム、及び方法 |
| JP2019057088A (ja) * | 2017-09-20 | 2019-04-11 | 株式会社東芝 | ソフトウェア開発装置、ソフトウェア開発方法、およびプログラム |
| CN110554715A (zh) * | 2019-10-25 | 2019-12-10 | 攀钢集团攀枝花钢铁研究院有限公司 | 基于rbf神经网络的硫酸氧钛外加晶种水解工艺温度pid控制方法 |
| JP2021135861A (ja) * | 2020-02-28 | 2021-09-13 | 国立大学法人広島大学 | 制御系設計方法及び制御装置 |
| CN114670856A (zh) * | 2022-03-30 | 2022-06-28 | 湖南大学无锡智能控制研究院 | 一种基于bp神经网络的参数自整定纵向控制方法及系统 |
| CN117492359A (zh) * | 2024-01-02 | 2024-02-02 | 济南大学 | 一种自适应pid控制器的参数优化方法 |
-
2002
- 2002-03-01 JP JP2002056271A patent/JP2003256005A/ja active Pending
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007136036A (ja) * | 2005-11-22 | 2007-06-07 | Hiroshima Univ | 体関節サポ一夕 |
| JP4625958B2 (ja) * | 2005-11-22 | 2011-02-02 | 国立大学法人広島大学 | 体関節サポ一夕 |
| JP2014153949A (ja) * | 2013-02-08 | 2014-08-25 | Hiroshima Univ | Ｇｍｄｈを用いた非線形ｐｉｄコントローラおよびｇｍｄｈ重み係数決定方法 |
| JP2017049637A (ja) * | 2015-08-31 | 2017-03-09 | シャープ株式会社 | 制御装置 |
| JP2018029860A (ja) * | 2016-08-26 | 2018-03-01 | 株式会社 ディー・エヌ・エー | ニューロエボリューションを用いたニューラルネットワークの構造及びパラメータ調整のためのプログラム、システム、及び方法 |
| CN106877746A (zh) * | 2017-03-21 | 2017-06-20 | 北京京东尚科信息技术有限公司 | 速度控制方法和速度控制装置 |
| CN106877746B (zh) * | 2017-03-21 | 2019-01-01 | 北京京东尚科信息技术有限公司 | 速度控制方法和速度控制装置 |
| CN107515531A (zh) * | 2017-08-30 | 2017-12-26 | 京东方科技集团股份有限公司 | 一种植物工厂的智能控制方法及系统、智能监控系统 |
| JP2019057088A (ja) * | 2017-09-20 | 2019-04-11 | 株式会社東芝 | ソフトウェア開発装置、ソフトウェア開発方法、およびプログラム |
| CN110554715A (zh) * | 2019-10-25 | 2019-12-10 | 攀钢集团攀枝花钢铁研究院有限公司 | 基于rbf神经网络的硫酸氧钛外加晶种水解工艺温度pid控制方法 |
| JP2021135861A (ja) * | 2020-02-28 | 2021-09-13 | 国立大学法人広島大学 | 制御系設計方法及び制御装置 |
| JP7360162B2 (ja) | 2020-02-28 | 2023-10-12 | 国立大学法人広島大学 | 制御系設計方法及び制御装置 |
| CN114670856A (zh) * | 2022-03-30 | 2022-06-28 | 湖南大学无锡智能控制研究院 | 一种基于bp神经网络的参数自整定纵向控制方法及系统 |
| CN114670856B (zh) * | 2022-03-30 | 2022-11-25 | 湖南大学无锡智能控制研究院 | 一种基于bp神经网络的参数自整定纵向控制方法及系统 |
| CN117492359A (zh) * | 2024-01-02 | 2024-02-02 | 济南大学 | 一种自适应pid控制器的参数优化方法 |
| CN117492359B (zh) * | 2024-01-02 | 2024-03-22 | 济南大学 | 一种自适应pid控制器的参数优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3842291B2 (ja) | 多変数予測コントローラに独立フィードフォワード制御を組込む方法 | |
| US7647284B2 (en) | Fixed-weight recurrent neural network controller with fixed long-term and adaptive short-term memory | |
| JP4585983B2 (ja) | プラント制御方法及びプラント制御装置 | |
| JP2003256005A (ja) | 制御方法および制御装置 | |
| JP2008204437A5 (ja) | ||
| US20030028267A1 (en) | Method and system for controlling setpoints of manipulated variables for process optimization under constraint of process-limiting variables | |
| US6745169B1 (en) | Learning process for a neural network | |
| JP2007272498A (ja) | 運転制御方法，運転制御装置及び運転制御システム | |
| CN110222830B (zh) | 一种基于自适应遗传算法优化的深度前馈网络故障诊断方法 | |
| CN107643684B (zh) | 一种阀门流量函数优化方法及装置 | |
| US20010034560A1 (en) | Control system | |
| CN112865132B (zh) | 双区域互联电力系统的负荷频率控制参数的处理方法 | |
| Hsu et al. | MRFACS with nonlinear consequents by fuzzy identification of system for time delay system | |
| JPH0635510A (ja) | ニューラルネットワークを用いたモデル規範型適応制御装置 | |
| JP3260538B2 (ja) | 制御装置 | |
| JP7462905B2 (ja) | 制御装置、方法、プログラム及びシステム | |
| JPH08286550A (ja) | 温度制御装置 | |
| Patan | Training of the dynamic neural networks via constrained optimisation | |
| Cajueiro et al. | Direct adaptive control using feedforward neural networks | |
| WO2022009433A1 (ja) | 情報処理装置，情報処理方法および情報処理プログラム | |
| Tao et al. | Application of fuzzy logic and neural network to the control of a flame process | |
| JPH07105177A (ja) | 信号処理方法 | |
| Bernard et al. | A new fuzzy-based multi-objective optimization concept for process control systems | |
| CN116753536A (zh) | 一种基于压力预测模型的锅炉压力控制方法 | |
| CN116699988A (zh) | 一种工艺控制系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20041125 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20060818 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060912 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20070123 |