【０００１】
【発明の属する技術分野】
本発明は、光学系の平行光調整技術や光学部品の調整技術に係わり、特に、予測モデルを用いて予測調整制御をおこなう予測制御技術に関する。
【０００２】
【従来の技術】
光学系の平行光調整や光学部品の調整をおこなうには、例えば、複数の制御要素を制御して複数の制御対象を制御し、協調条件を成立させるように調整するが、その場合、複数ある制御要素を順番に制御して制御対象が目標の協調条件に収束するように制御を繰り返す方法が一般的である。しかし、このような繰り返し制御の場合、協調条件が成立するまで複数の制御要素を順番に動かし、そのときの制御対象の状態により再び調整する制御要素を判断し制御するという作業を繰り返して協調条件を探していくので、時間がかかり、調整時間が長くなるという問題がある。
そこで、当出願人は、このような問題を解決するために、相互作用を考慮に入れ、複数ある制御要素の制御量を予測し制御することにより調整を短時間でおこなう調整技術を提供した（特願２００２−２２５１８６）。この従来技術では、制御要素制御量に対する制御対象誤差量の特性データをもとに作った予測モデルを使って制御量を算出するものであるが、制御軸数が多くなったり、相互作用が複雑になったりした場合、正確な予測モデルを作成しようとすると、制御要素をいろいろな組み合わせで必要な制御範囲において動かさねばならないので、膨大なマトリクスデータを取る必要がある。したがって、事前に正確な予測モデルを作るには大変な労力がかかってしまう。このような問題を解決する方法としては、制御中に得られる制御結果データをもとにオンラインで予測モデルを同定していくことが考えられるが、データ数が不足したり、データが偏ったりした場合、予測モデルを変形すると部分的に精度が悪化してしまう場合がある。
一方、特開２００２−９１５０５公報に示された鉄鋼プラントの圧延プロセス制御システムに予測制御を適用した従来技術では、前記したような課題に対して、学習データを作成する正規化手段と、追加学習データを作成するデータ追加手段と、学習データおよび追加学習データを記憶するデータ記憶手段と、そのデータ記憶手段に記憶されたデータに基づく適応学習によって前記予測モデルのパラメータを決定する予測モデル学習手段と、その予測モデル学習手段で決定した予測モデルによって推定プロセス量を計算する予測手段とを備えて解決を図っている。正規化手段で実績データを正規化し、予測モデルを同定するための学習データを作成し、さらに実績データが不足している部分は線形補間で予測モデルの同定に用いる追加学習データを作成することにより、精度の高い予測モデルを同定可能であると記述されている。
【特許文献１】特願２００２−２２５１８６
【特許文献２】特開２００２−９１５０５公報
【０００３】
【発明が解決しようとする課題】
光学部品を装置に組付ける際の基準光学系の平行光調整などの場合、調整装置にセットしたワークの中にはすでに実装された発光素子や受光素子があるので、そのような光学的な基準に対して基準光学系、光学部品を調整する必要がある。しかも、すでに実装された素子の実装誤差などの影響により、調整条件に対するワークごとの初期制御状態のばらつきが大きく、それらをカバーできる予測範囲の広い予測モデルを必要とする。しかしながら、前記した特開２００２−９１５０５に示された従来技術では、広い予測範囲の全体について予測モデルを高精度なものにするには予測範囲の隅々まで十分なデータを収集せねばならず、そのために時間がかかるという問題が出てくる。また、収束点から遠い部分の制御結果データが不足した状態で予測モデルの変形をおこなうと収束点近くの予測モデルの精度悪化を招いてしまう。
本発明の目的は、このような従来技術の問題を解決することにあり、具体的には、制御結果データをもとに予測モデルを変形して高精度化した変形予測モデルを生成するとともに、その変形予測モデルの予測範囲外の予測をおこなう簡易予測モデルを持ち、また、予測制御をおこなった際の制御結果データの蓄積状況により、予測モデルの近似変形範囲を変化させて変形予測モデルの予測範囲を収束点中心に徐々に広げて行くこともできるようにして、予測モデルをより短時間で高精度化できる予測制御技術を提供することにある。
【０００４】
【課題を解決するための手段】
前記の課題を解決するために、請求項１記載の発明では、制御対象に対する作用に相互作用のある複数の制御要素を制御して前記制御対象を制御する際に予測モデルを用いて前記相互作用を考慮した予測制御をおこなう予測制御手段と、前記制御要素を制御した際の制御結果をもとに予測モデルを変形高精度化するモデル変形手段とを備えた予測制御装置において、制御結果データをもとに変形する変形予測モデルとその変形予測モデルの予測範囲外の予測をおこなう簡易予測モデルを備え、用いる予測モデルとして前記変形予測モデルと簡易予測モデルとを切り替えて予測制御をおこない、変形予測モデルを変形する構成にした。
また、請求項２記載の発明では、請求項１記載の発明において、前記制御結果データを蓄積する結果データ記憶手段と、その結果データ記憶手段に蓄積された制御結果データを収束点基準のデータに変換する変換手段とを備えた。
また、請求項３記載の発明では、制御対象に対する作用に相互作用のある複数の制御要素を制御して前記制御対象を制御する際に予測モデルを用いて前記相互作用を考慮した予測制御をおこなうとともに、前記制御要素を制御した際の制御結果をもとに予測モデルを変形高精度化する予測制御方法において、制御結果データをもとに変形する変形予測モデルとその変形予測モデルの予測範囲外の予測をおこなう簡易予測モデルを備え、用いる予測モデルとして前記変形予測モデルと簡易予測モデルとを切り替えて予測制御をおこない、変形予測モデルを変形する構成にした。
【０００５】
また、請求項４記載の発明では、請求項３記載の発明において、繰り返しおこなった予測制御で得た制御結果データを蓄積し、蓄積したその制御結果データをもとに予測モデルを変形する構成にした。
また、請求項５記載の発明では、請求項３記載の発明において、調整条件範囲に入り調整が完了した状態で、真の収束点までの制御量を予測し、その予測制御量をもとに制御結果データを収束点基準のデータに変換し、そのデータをもとに予測モデルを変形する構成にした。
また、請求項６記載の発明では、請求項３記載の発明において、複数の制御要素のそれぞれの制御範囲を分割し、予測制御時に取得した制御対象誤差量を、分割した前記制御範囲の代表制御量に対する制御対象誤差量に補正し、補正した制御対象誤差量を記憶しておき、その制御対象誤差量をもとに予測モデルを変形する構成にした。
また、請求項７記載の発明では、請求項６記載の発明において、さらに、分割した前記制御範囲の制御対象誤差量分散値を記憶しておく構成にした。
【０００６】
また、請求項８記載の発明では、請求項６記載の発明において、前記補正した制御対象誤差量を用いて変形予測モデルを変形する際に、どの分割した制御範囲を採用するかを、各制御範囲ごとの蓄積したデータ数をもとに決定する構成にした。
また、請求項９記載の発明では、請求項３記載の発明において、簡易予測モデルに、変形予測モデルの予測範囲の上限部または下限部の傾きを用いる構成にした。
また、請求項１０記載の発明では、請求項３または請求項９記載の発明において、変形予測モデルの予測範囲の上限部または下限部の傾きが０または０に近くなった場合、変形予測モデルの予測範囲を広げるのを停止する構成にした。
また、請求項１１記載の発明では、請求項３記載の発明において、簡易予測モデルの初期モデルに、収束点近傍の制御要素制御量に対する制御対象誤差量の特性を線形近似して用いる構成にした。
また、請求項１２記載の発明では、情報処理装置上で実行されるプログラムにおいて、請求項３乃至請求項１１のいずれか１項に記載の予測制御方法によった予測制御を実行させるようにプログラミングされている構成にした。
また、請求項１３記載の発明では、プログラムを記憶した記憶媒体において、請求項１２記載のプログラムを記憶した。
【０００７】
【発明の実施の形態】
以下、図面により本発明の実施の形態を詳細に説明する。
図１は本発明の基本的な機能を説明するための実施形態で予測制御装置の構成ブロック図である。図示したように、この予測制御装置は、複数の制御要素（ａ、ｂ、ｃ、…）のそれぞれを制御する複数の制御手段（Ａ、Ｂ、Ｃ、…）から構成される制御部１、制御対象５を最適な状態に制御する際に各制御要素（ａ、ｂ、ｃ、…）の制御量をその相互作用を考慮に入れて予測演算する予測演算部２、求まった制御量を制御部１へ出力する出力部３、予測演算に必要な制御対象５の状態を検出する検出部４を備え、複数の制御要素（ａ、ｂ、ｃ、…）を制御することにより制御対象５を制御する。
このような構成で、この実施例では、予め測定された各制御要素（ａ、ｂ、ｃ、…）の制御量に対する制御対象５の特性データから相互作用のある制御要素（ａ、ｂ、ｃ、…）の制御量をＸ、Ｙ軸に取り、それに対する制御対象５の目標値からの誤差量をＺ軸にプロットし、多項式で近似した図２に示したような３次元モデル（誤差曲面モデル；図２では制御対象α及び制御対象βの誤差曲面モデル）を用いることにより、制御要素（ａ、ｂ、ｃ、…）の制御対象５への相互作用をモデルに表して予測演算をおこなう。
前記において、予測制御装置が平行光調整装置である場合、制御要素（ａ、ｂ、ｃ、…）は駆動手段により位置調整されるコリメートレンズや検出レンズであり、制御対象５は平行光調整装置内の光束の非点収差となる。以下、平行光調整装置に適用した場合の装置構成を図３に従って説明する。
【０００８】
図３に示したように、この平行光調整装置は、光源１１から出射した光束を平行光にするコリメートレンズ（ＣＬ）１２、ビームの縦横比を整形するビーム整形部１３などから成る光学系を備え、その後段にビーム整形後の光束の非点収差が最小となっているか否かを検出するための非点収差の検出系として検出レンズ（ＤＬ）１４などを備えている。検出レンズ１４で光束を集光束にし、後述する非点収差検出部１５へと導くことにより検出するのである。コリメートレンズ１２および検出レンズ１４はそれぞれ駆動部１６に取り付けられており、コリメートレンズ位置および検出レンズ位置をそれぞれ調整できるようになっている。そして、非点収差検出部１５からの非点収差検出信号をもとに制御対象であるビーム整形後の光束の非点収差が最小となるコリメートレンズ位置および検出レンズ位置を予測演算部１７が予測演算して求め、両レンズの駆動量を出力部１８を介して駆動部１６へ出力する。なお、図３には示されていないが、この非点収差が最小となるように調整されたビーム整形後の光束は分岐されて光学部品の調整などに用いられる。
図４に、非点収差を検出する非点収差検出部１５の一例を示す。図示したように、集光点前後の光束をビーム整形方向、非ビーム整形方向に切断した際の光量変化の微分値差信号から集光点前の非点収差ＣＬ％、集光点後の非点収差ＤＬ％を検出する。
ＣＬ％＝（Ｖ１−Ｖ３）×１００／（Ｖ１＋Ｖ３）
ＤＬ％＝（Ｖ２−Ｖ４）×１００／（Ｖ２＋Ｖ４）
Ｖ１＝集光点前の光束をビーム整形方向にカットした際の光量変化微分値
Ｖ２＝集光点前の光束を非ビーム整形方向にカットした際の光量変化微分値
Ｖ３＝集光点後の光束をビーム整形方向にカットした際の光量変化微分値
Ｖ４＝集光点後の光束を非ビーム整形方向にカットした際の光量変化微分値
実際には、この計算式で求めたＣＬ％、ＤＬ％という非点収差検出信号を用いて平行光調整をおこなうが、ＣＬ％およびＤＬ％という２つの非点収差検出信号を得ることにより、非点収差が最小となる両レンズ位置に対して現在のレンズ位置がどのような状態になっているか正確に把握できるようになる。
【０００９】
次に、図５に示した説明図および図６に示した動作フロー図より、３次元モデルを用いた予測制御の基本的な動作を平行光調整の場合で説明する。
平行光調整の場合、最終の制御対象は調整装置内の光束の非点収差であり、その非点収差として２つの信号ＣＬ％とＤＬ％を測定する（ステップＳ１）。これら２つの制御対象（非点収差ＣＬ％、ＤＬ％）がともに０％になるように制御要素であるコリメータレンズ位置（以下、ＣＬ位置と称す）と検出レンズ位置（以下、ＤＬ位置と称す）を調整したときに光束の非点収差が最小になる。したがって、制御要素のＣＬ位置およびＤＬ位置をそれぞれＸ、Ｙ軸に、ＣＬ位置およびＤＬ位置を変化させたときのＣＬ％およびＤＬ％の誤差量をＺ軸にプロットし多項式で近似したＣＬ％誤差曲面およびＤＬ％誤差曲面という２つの３次元モデルを予測演算に用いることができる。
制御要素（ＣＬ位置およびＤＬ位置）の初期状態がモデルのどの位置にあるかを判断するため、まずＣＬ％、ＤＬ％の測定をおこなう（ステップＳ１）。そして、この初期測定結果がそれぞれＣＬ％＝ＣＬＣ、ＤＬ％＝ＤＬＣであった場合、ＣＬ％誤差曲面とＣＬ％＝ＣＬＣ平面、ＤＬ％誤差曲面とＤＬ％＝ＤＬＣ平面が交差する交差曲線を求める（ステップＳ２）。さらに、この２本の交差曲線を３次元モデルのＸＹ平面上で重ね合せることにより２曲線の交点が求まる。この交点がモデル上の初期ＣＬ位置（ＣＬＰＣ）および初期ＤＬ位置（ＤＬＰＣ）となる（ステップＳ３）。
【００１０】
次に、非点収差が最小になるＣＬ位置およびＤＬ位置（制御目標点）を算出する。つまり、ＣＬ％誤差曲面とＣＬ％＝０平面、ＤＬ％誤差曲面とＤＬ％＝０平面が交差する交差曲線を求め、この２本の交差曲線が交差する交点（ＣＬＰＴおよびＤＬＰＴ）を求める。そして、ＣＬ位置の制御量（ＣＬ駆動量）（ＣＬＰＴ−ＣＬＰＣ）およびＤＬ位置の制御量（ＤＬ駆動量）（ＤＬＰＴ−ＤＬＰＣ）を算出し（ステップＳ４）、ＣＬ位置およびＤＬ位置をその制御量分だけ初期位置から移動させる（ステップＳ５）。
このような予測制御が正確にできるのは、あらかじめ測定した各制御要素の制御量に対する制御対象の特性データから制御範囲内の全域で正確な予測モデルを同定できているからである。しかし、制御軸数が多くなったり、相互作用が複雑になったりした場合、正確な予測モデルを作成しようとすると、制御要素をいろいろな組み合わせで必要な制御範囲において動かしたときの膨大なマトリクスデータを取る必要がある。そのため、事前に正確な予測モデルを作るには大変な労力がかかってしまう。
そこで、本発明では、更に、制御中に得られる制御結果データをもとにオンラインで予測モデルを同定していく。
【００１１】
図７は、他の実施形態を示し、このように予測モデルを変形し高精度化していくモデル変形部６を含んだ予測制御装置の構成ブロック図である。図７に示したように、検出部４により検出した制御対象５の検出結果を図１と同様予測演算部２ａに出力する。更に検出部４による制御対象５の検出結果とともに予測演算部２ａの出力した予測制御量とを変換部７に与え、それをもとに修正した予測制御量を制御要素に加えて制御対象５を制御する。ここでは、制御要素の絶対制御量とそれに対応した予測制御中での制御対象５からの検出結果とを変換部７に与えるのである。これにより、変換部７および補正部８では渡されたデータを加工し、蓄積部９に蓄積する。さらに、その蓄積データのなかから、予測範囲を限定しておこなうモデル変形に必要なデータを抽出し、モデル変形部６において予測モデルのパラメータを演算し更新する。なお、このパラメータは３次元モデルの場合、高次近似した誤差曲面の近似係数になる。
続いて、予測演算部２ａが、この変形した予測モデルを用いて次の予測制御の制御量を算出する。
予測演算部２ａは、制御結果データをもとに変形する変形予測モデルとその変形予測モデルの予測範囲外の予測をおこなう簡易予測モデルの２種類の予測モデルとそれらのモデルを切り替える切り替え部１０を持ち、切り替え部１０によりそれらのモデルを切り替えながら予測制御をおこない、そのとき得られた制御結果データを高次近似し、変形予測モデルを変形し、徐々に予測範囲を広げていく。前記したように予測モデルの予測範囲を限定することで、制御結果データがすぐに集まる収束点付近の予測モデルを正確に早く変形することができるようになるのである。なお、モデルの切り替えの判断は例えば制御対象の誤差量の測定結果により自動的におこなう。
また、この実施形態では、１回の予測制御で得られるデータに限りがあることに鑑み、蓄積部９に制御結果データを蓄積し、その制御結果データを用いて予測モデルを変形する。これにより、繰り返しおこなった予測制御で得られたより多くの制御結果データをもとに予測モデルを変形でき、したがって、ノイズの影響などを受けない高精度な予測モデルに変形することが可能となる。
【００１２】
ところで、一般的に、調整条件範囲に入り、調整が完了した状態では、許容される制御誤差が存在するが、この実施形態では、真の収束点までの制御量を予測し、変換部７がその予測制御量をもとに制御結果データを収束点基準の相対データに変換することも可能である。真の収束点を基準としたデータに変換することで高精度に予測モデルを変形することができる。以下、図８により説明する。
まず、制御対象誤差量が誤差量１のときに簡易予測モデルを用いて収束点（誤差量が０となる点）を求め、求めた絶対制御量１だけ制御すると制御対象誤差量は誤差量２となる。次に、誤差量２の箇所で簡易予測モデルを用いて再び収束点を予測し、求めた絶対制御量２だけ制御すると制御対象誤差量は誤差量３となり、調整条件の範囲に入るので制御要素の制御はこれで終了となる。しかし、ここで得られるのは、誤差量１〜誤差量３と絶対制御量１、２というデータであり、真の収束点（誤差量が完全に０となる点）の制御量とそのときの誤差量との関係は分からない。そこで、調整条件の範囲に入った誤差量３の状態の予測制御量を簡易予測モデルを用いて求め、求めた収束点を真の収束点とし、誤差量１〜誤差量３の真の収束点基準の制御量（収束点を基準とした相対制御量）を求める。そして、この真の収束点基準のデータを蓄積し、後で予測モデルを変形する際に用いる。
また、制御結果データを蓄積する際に、複数の制御要素の制御範囲を分割し、予測制御時に取得した制御対象誤差量を、分割した制御範囲の代表制御量（制御範囲の中心値を示す制御量）に対する制御対象誤差量に補正する構成も可能である。図７に示した蓄積部９には、制御要素ａ、ｂの制御量について分割した制御範囲の組み合わせごとにそのような誤差量平均値などを記憶した例を示している。
【００１３】
また、図９には、予測制御時に取得した制御対象誤差量を●で示し、それを○で示した誤差量平均値に補正する様子を示している。このような構成では、その補正したデータを蓄積することにより、制御対象誤差量を分割した制御範囲の制御対象誤差量平均値として各制御範囲に１つだけ蓄積すればよいので、より少ないデータでモデル変形に必要なデータを蓄積することが可能となる。なお、補正量は、例えば、制御対象誤差量の測定結果と代表制御量からの制御量の隔たりをもとに予測モデルから求める。
また、前記において、蓄積するデータに、分割した制御範囲の制御対象誤差量分散値を含む。これにより、突発的なノイズや測定ミスで発生した大きく外れた制御対象誤差量の測定値を棄却することができるので、予測モデル変形への影響を少なくすることができる。
また、この実施形態では、蓄積データ中に分割した各制御範囲の蓄積データ数を含むことにより、モデル変形に十分な制御結果データが制御範囲のどこにあるのかを判断することができる。補正した制御対象誤差量を用いて変形予測モデルを変形する際に、どの分割した制御範囲を採用するかを、各制御範囲ごとの蓄積したデータ数をもとに決定するのである。これにより、変形予測モデルの予測範囲を的確に設定できるので、データ不足による予測モデルの予測誤差増大を防ぐことができる。
【００１４】
また、この実施形態では、この蓄積データ数が設定数以上になったかどうかを判断し、それにより変形予測モデルを変形するための近似範囲を変えることができる。したがって、より精度の高い予測モデルを得ることができる。
変形予測モデルの予測範囲外の予測をおこなう簡易予測モデルについては、変形予測モデルの予測範囲上限部および下限部の傾きをモデルにする（図１０参照）。これにより、変形予測モデルで予測できない誤差量上下限値を越える制御対象誤差量が検出された場合でも制御要素を容易に変形予測モデルの予測範囲に引き込むことが可能となる。また、簡易予測モデルの初期モデルとして収束点近傍の制御要素制御量に対する制御対象誤差量の特性を線形近似してモデルにする。これにより、正確な広範の予測モデルができていない状態で制御結果データを正確に収束点基準のデータに変換することができるので、変形予測モデルをより早く高精度化することが可能となる。
また、本発明の他の実施形態では、変形予測モデルを変形高精度化し、予測範囲を広げて行く際に、変形予測モデルの予測範囲上限部または下限部の傾きが０または０に近くなったとき、変形予測モデルの予測範囲を広げるのを停止する。このような構成では、変形予測モデルが極値を持つことによる極値付近の予測ミスによる予測誤差を防止できる。
【００１５】
図１１に、前記した各種機能を盛り込んだ予測制御の動作フローを示す。以下、図１１に従ってこの動作フローを説明する。
まず、各制御要素の制御量を所定の値に設定して制御部１が制御対象５を制御し、変換部７がそのときの各制御要素の制御量と検出部４の検出したそのときの制御結果データとを取得する（ステップＳ１１）。そして、切り替え部１０は、取得されたその制御結果データから変形予測モデルの予測範囲か否かを判定し（ステップＳ１２）、予測範囲であるならば（ステップＳ１２でＹ）、予測演算部２ａが変形予測モデルを用いて予測演算をおこなうように切り替える（ステップＳ１３）。それに対して、予測範囲でないならば（ステップＳ１２でＮ）、簡易予測モデルを用いて予測演算をおこなうように切り替える（ステップＳ１４）。こうして、制御部１はその予測演算結果を用いて各制御要素を制御し（ステップＳ１５）、変換部７はそのときの各制御要素の制御量と検出部４の検出したそのときの制御結果データとを取得する（ステップＳ１６）。そして、変換部７はその制御結果データが収束条件を満たしているか否かを判定し（ステップＳ１７）、満たしていなければ（ステップＳ１７でＮ）、そのとき得た制御結果データをモデル変形部６経由で予測演算部２ａに渡し、ステップＳ１１以下を繰り返す。
それに対して、収束条件を満たしていたならば（ステップＳ１７でＹ）、変換部７は制御結果データを収束点基準制御データに変換し（ステップＳ１８）、補正部８が、分割制御範囲を算出し（ステップＳ１９）、その分割制御範囲の制御誤差量に補正し（ステップＳ２０）、その分割制御範囲の蓄積データ数をカウントアップする（１増やす）（ステップＳ２１）。さらに、その分割制御範囲の制御誤差量とその蓄積データ数を蓄積部９に記憶する（ステップＳ２２）。
【００１６】
続いて、補正部８は蓄積データ数が所定の取得データ数に達したか否かを判定し（ステップＳ２３）、達していないならば（ステップＳ２３でＮ）、ステップＳ１８から繰り返す。それに対して、所定の取得データ数に達していたならば（ステップＳ２３でＹ）、モデル変形部６が初期分割制御範囲を設定する（ステップＳ２４）。複数の分割制御範囲のうち、最初に変形用データ採用処理をおこなう分割制御範囲、例えば分割番号０、０（図７参照）を設定するのである。
こうして、その分割制御範囲のデータ数を読み出し（ステップＳ２５）、そのデータ数が設定値以上か否かを判定し（ステップＳ２６）、設定値以上であれば（ステップＳ２６でＹ）当該分割制御範囲の制御誤差量などを予測モデルの変形用データとして採用する（ステップＳ２７）。
続いて、すべての分割制御範囲について変形用データ採用処理が終了したか否かを判定し（ステップＳ２８）、終了していなければ（ステップＳ２８でＮ）分割制御範囲を残っている次の分割制御範囲に変更し（ステップＳ２９）、その分割制御範囲についてステップＳ２５から繰り返す。そして、すべての分割制御範囲について終了したならば（ステップＳ２８でＹ）、モデル変形部６が採用された変更用データを用いて変形予測モデルを変更する（ステップＳ３０）。
以上、本発明の実施形態を説明したが、説明したような予測制御方法に従ってプログラミングしたプログラムを着脱可能な記憶媒体に記憶し、その記憶媒体をこれまで本発明によった予測制御をおこなえなかったパーソナルコンピュータなど情報処理装置に装着することにより、または、そのようなプログラムをネットワークを介してそのような情報処理装置へ転送することにより、そのような情報処理装置においても本発明によった予測制御をおこなうことができる。
【００１７】
【発明の効果】
以上説明したように、本発明によれば、請求項１および請求項３記載の発明では、制御対象に対する作用に相互作用のある複数の制御要素を制御してその制御対象を制御する際に、予測モデルを用いて相互作用を考慮した予測制御をおこなうとともに、制御要素を制御した際の制御結果をもとに予測モデルを変形高精度化する場合、制御結果データをもとに変形する変形予測モデルとその変形予測モデルの予測範囲外の予測をおこなう簡易予測モデルを備えて、用いる予測モデルとして変形予測モデルと簡易予測モデルとを切り替えて予測制御をおこなうことにより変形予測モデルを変形することができるので、簡易予測モデルを用いて収束点に近い制御結果データの揃った部分から順次変形予測モデルを変形でき、したがって、より早く予測モデルを高精度化できる。
また、請求項２記載の発明では、請求項１記載の発明において、制御結果データを蓄積し、その制御結果データを収束点基準のデータに変換して予測モデル変形に用いることができるので、より多くの制御結果データをもとにモデルを変形することが可能となり、予測モデルの高精度化、予測範囲の広範囲化が可能となる。
また、請求項４記載の発明では、請求項３記載の発明において、繰り返しおこなった予測制御で得た制御結果データを蓄積し、蓄積したその制御結果データをもとに予測モデルを変形することができるので、請求項３記載の発明と同様に、より多くの制御結果データをもとにモデルを変形することが可能となり、予測モデルの高精度化、予測範囲の広範囲化が可能となる。
【００１８】
また、請求項５記載の発明では、請求項３記載の発明において、調整条件範囲に入り調整が完了した状態で、真の収束点までの制御量を予測し、その予測制御量をもとに制御結果データを収束点基準のデータに変換し、そのデータをもとに予測モデルを変形することができるので、高精度に予測モデルを変形することができる。
また、請求項６記載の発明では、請求項３記載の発明において、複数の制御要素のそれぞれの制御範囲を分割し、予測制御時に取得した制御対象誤差量を、分割した制御範囲の代表制御量に対する制御対象誤差量に補正し、補正した制御対象誤差量を記憶しておき、その制御対象誤差量をもとに予測モデルを変形することができるので、予測モデル変形に必要な制御結果データ数を少なくすることができ、予測モデル変形時の演算を簡略化できる。
また、請求項７記載の発明では、請求項６記載の発明において、さらに、分割した制御範囲の制御対象誤差量分散値を記憶しておくことができるので、大きく外れた制御対象誤差量の測定値を棄却でき、したがって、測定ミスなどにより変形予測モデルの誤差が増大するのを防ぐことが可能となる。
また、請求項８記載の発明では、請求項６記載の発明において、補正した制御対象誤差量を用いて変形予測モデルを変形する際に、どの分割した制御範囲を採用するかを、各制御範囲ごとの蓄積したデータ数をもとに決定することができるので、制御結果データの不足による予測モデルの誤差増大を防ぐことができるし、制御結果データの揃った収束点近傍からスムーズに予測モデルを変形することが可能となる。
また、請求項９記載の発明では、請求項３記載の発明において、簡易予測モデルに、変形予測モデルの予測範囲の上限部または下限部の傾きを用いるので、変形予測モデルの予測範囲の上限部または下限部において誤差量を越える制御対象誤差量が検出された場合でも制御要素をスムーズに変形予測モデルの予測範囲に引き込むことが可能となる。
【００１９】
また、請求項１０記載の発明では、請求項３または請求項９記載の発明において、変形予測モデルの予測範囲の上限部または下限部の傾きが０または０に近くなった場合、変形予測モデルの予測範囲を広げるのを停止することができるので、変形予測モデルが極値を持つことによる極値付近の予測誤差を防止できる。
また、請求項１１記載の発明では、請求項３記載の発明において、簡易予測モデルの初期モデルに、収束点近傍の制御要素制御量に対する制御対象誤差量の特性を線形近似して用いるので、制御結果データを正確に収束点基準のデータに変換することができ、変形予測モデルをより早く高精度化することが可能となる。また、請求項１２記載の発明では、請求項３乃至請求項１１のいずれか１項に記載の予測制御方法によった予測制御を実行させるようにプログラミングされているプログラムを情報処理装置上で実行させることができるので、情報処理装置を用いて請求項３乃至請求項１１のいずれか１項に記載の発明の効果を得ることができる。
また、請求項１３記載の発明では、請求項１２記載のプログラムを着脱可能な記憶媒体に記憶できるので、その記憶媒体をこれまで請求項３乃至請求項１１のいずれか１項に記載の発明によった予測制御をおこなえなかったパーソナルコンピュータなど情報処理装置に装着することにより、そのような情報処理装置においても請求項３乃至請求項１１のいずれか１項に記載の発明の効果を得ることができる。
【図面の簡単な説明】
【図１】本発明に係る基本的な予測制御を説明するための予測制御装置の構成ブロック図。
【図２】本発明に係る基本的な予測制御方法の説明図。
【図３】本発明に係る基本的な予測制御方法の他の説明図。
【図４】本発明に係る基本的な予測制御方法の他の説明図。
【図５】本発明に係る基本的な予測制御方法の他の説明図。
【図６】本発明に係る基本的な予測制御方法の動作フロー図。
【図７】本発明の一実施例を示す、予測制御装置の構成ブロック図。
【図８】本発明の一実施例を示す、予測制御方法の説明図。
【図９】本発明の一実施例を示す、予測制御方法の他の説明図。
【図１０】本発明の一実施例を示す、予測制御方法の他の説明図。
【図１１】本発明の一実施例を示す、予測制御方法の動作フロー図。
【符号の説明】
１ 制御部
２ 予測演算部
３ 出力部
４ 検出部
５ 制御対象
６ モデル変形部
７ 変換部
８ 補正部
９ 蓄積部
１０ 切り替え部
１２ コリメートレンズ
１４ 検出レンズ[0001]
BACKGROUND OF THE INVENTION
The present invention relates to an optical system parallel light adjustment technology and an optical component adjustment technology, and more particularly to a prediction control technology for performing prediction adjustment control using a prediction model.
[0002]
[Prior art]
In order to adjust the parallel light of the optical system and the optical components, for example, a plurality of control elements are controlled to control a plurality of control objects, and adjustment is performed so as to establish a cooperative condition. In general, the control elements are controlled in order and the control is repeated so that the controlled object converges to the target cooperative condition. However, in the case of such repetitive control, a plurality of control elements are moved in order until the cooperation condition is satisfied, and the operation of determining and controlling the control element to be adjusted again according to the state of the control target at that time is repeated to obtain the cooperation condition. There is a problem that it takes time and adjustment time becomes long.
Therefore, in order to solve such a problem, the present applicant has provided an adjustment technique in which the adjustment is performed in a short time by taking into account the interaction and predicting and controlling the control amount of a plurality of control elements ( Japanese Patent Application No. 2002-225186). In this conventional technology, the control amount is calculated using a prediction model created based on the characteristic data of the control target error amount with respect to the control element control amount. However, the number of control axes increases and the interaction is complicated. If an attempt is made to create an accurate prediction model, the control elements must be moved in various combinations within the required control range, and a large amount of matrix data must be taken. Therefore, it takes a lot of labor to make an accurate prediction model in advance. As a method to solve such problems, it is conceivable to identify prediction models online based on the control result data obtained during control, but the number of data is insufficient or the data is biased. In this case, the accuracy may be partially deteriorated when the prediction model is deformed.
On the other hand, in the prior art in which predictive control is applied to a rolling process control system for a steel plant disclosed in Japanese Patent Application Laid-Open No. 2002-91505, normalization means for creating learning data and additional learning for the above-described problem Data adding means for creating data, data storage means for storing learning data and additional learning data, and prediction model learning means for determining parameters of the prediction model by adaptive learning based on the data stored in the data storage means; And a prediction means for calculating an estimated process amount using the prediction model determined by the prediction model learning means. By normalizing actual data with normalization means, creating learning data to identify the prediction model, and by creating additional learning data used for identifying the prediction model by linear interpolation for the part where the actual data is insufficient It is described that a predictive model with high accuracy can be identified.
[Patent Document 1] Japanese Patent Application No. 2002-225186
[Patent Document 2] Japanese Patent Laid-Open No. 2002-91505
[0003]
[Problems to be solved by the invention]
In the case of parallel light adjustment of the reference optical system when assembling the optical parts to the device, there are already mounted light emitting elements and light receiving elements in the work set in the adjusting device. However, it is necessary to adjust the reference optical system and optical parts. In addition, due to the effect of mounting errors of elements already mounted, the initial control state varies greatly from workpiece to workpiece with respect to the adjustment conditions, and a prediction model with a wide prediction range that can cover them is required. However, in the prior art disclosed in Japanese Patent Application Laid-Open No. 2002-91505, sufficient data must be collected from every corner of the prediction range in order to make the prediction model highly accurate for the entire wide prediction range. This raises the problem of taking time. In addition, if the prediction model is deformed in a state where the control result data in a portion far from the convergence point is insufficient, the accuracy of the prediction model near the convergence point is deteriorated.
An object of the present invention is to solve such a problem of the prior art. Specifically, while generating a modified prediction model with high accuracy by modifying the prediction model based on the control result data, Predicts the deformation prediction model by changing the approximate deformation range of the prediction model according to the accumulation status of the control result data when predictive control is performed. An object of the present invention is to provide a predictive control technique capable of increasing the accuracy of a prediction model in a shorter time by allowing the range to be gradually expanded around the convergence point.
[0004]
[Means for Solving the Problems]
In order to solve the above-mentioned problem, in the invention according to claim 1, when controlling a plurality of control elements having an interaction with an action on a controlled object and controlling the controlled object, the interaction is performed using a prediction model. Control result data in a predictive control device comprising predictive control means for performing predictive control in consideration of control and model deforming means for deforming and improving the accuracy of the predictive model based on a control result when the control element is controlled. A deformation prediction model that originally deforms and a simple prediction model that performs predictions outside the prediction range of the deformation prediction model are provided, and the prediction control is performed by switching between the deformation prediction model and the simple prediction model as a prediction model to be used. The model was configured to be deformed.
According to a second aspect of the invention, in the first aspect of the invention, the result data storage means for storing the control result data, and the control result data stored in the result data storage means are used as convergence point reference data. Conversion means for converting.
According to a third aspect of the present invention, when controlling a plurality of control elements that interact with the control target and controlling the control target, predictive control is performed in consideration of the interaction using a prediction model. In addition, in the predictive control method for improving the accuracy of the prediction model based on the control result when the control element is controlled, the deformation prediction model that is deformed based on the control result data and out of the prediction range of the deformation prediction model A simple prediction model that performs prediction is provided, and the deformation prediction model and the simple prediction model are switched as the prediction model to be used, and prediction control is performed to deform the deformation prediction model.
[0005]
Further, in the invention described in claim 4, in the invention described in claim 3, the control result data obtained by repeated prediction control is accumulated, and the prediction model is deformed based on the accumulated control result data. did.
Further, in the invention described in claim 5, in the invention described in claim 3, the control amount to the true convergence point is predicted in the state where the adjustment condition is entered and the adjustment is completed, and based on the predicted control amount. The control result data is converted to convergence point reference data, and the prediction model is transformed based on the data.
Further, in the invention described in claim 6, in the invention described in claim 3, each control range of the plurality of control elements is divided, and the control target error amount acquired at the time of the predictive control is divided into the representative control of the divided control range. The control target error amount is corrected with respect to the amount, the corrected control target error amount is stored, and the prediction model is deformed based on the control target error amount.
Further, in the invention described in claim 7, in the invention described in claim 6, the control object error amount variance value of the divided control range is further stored.
[0006]
According to an eighth aspect of the present invention, in the sixth aspect of the present invention, when the deformation prediction model is deformed using the corrected amount of error to be controlled, which divided control range is used is determined according to each control. The configuration is determined based on the number of accumulated data for each range.
The invention according to claim 9 is configured such that, in the invention according to claim 3, the inclination of the upper limit portion or the lower limit portion of the prediction range of the deformation prediction model is used for the simple prediction model.
In the invention according to claim 10, in the invention according to claim 3 or claim 9, when the slope of the upper limit part or the lower limit part of the prediction range of the deformation prediction model becomes 0 or close to 0, the deformation prediction model It was configured to stop expanding the prediction range.
Further, in the invention described in claim 11, in the invention described in claim 3, the initial model of the simple prediction model is configured such that the characteristic of the control target error amount with respect to the control element control amount in the vicinity of the convergence point is linearly approximated. .
According to a twelfth aspect of the present invention, in a program executed on the information processing apparatus, programming is performed so as to execute the prediction control by the prediction control method according to any one of the third to eleventh aspects. It has been configured.
In the invention according to claim 13, the program according to claim 12 is stored in the storage medium storing the program.
[0007]
DETAILED DESCRIPTION OF THE INVENTION
Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.
FIG. 1 is a block diagram showing the configuration of a prediction control apparatus according to an embodiment for explaining basic functions of the present invention. As shown in the figure, the predictive control device includes a control unit 1 including a plurality of control means (A, B, C,...) That control each of a plurality of control elements (a, b, c,...). When the controlled object 5 is controlled to an optimum state, a prediction calculation unit 2 that predicts and calculates the control amount of each control element (a, b, c,...) In consideration of the interaction, and controls the obtained control amount. The output unit 3 that outputs to the unit 1 and the detection unit 4 that detects the state of the control target 5 necessary for the prediction calculation are provided, and the control target 5 is controlled by controlling a plurality of control elements (a, b, c,...). Control.
With this configuration, in this embodiment, the control elements (a, b, c) that interact with each other from the characteristic data of the controlled object 5 with respect to the control amounts of the control elements (a, b, c,...) Measured in advance. ,...) Is taken on the X and Y axes, and the error amount from the target value of the controlled object 5 is plotted on the Z axis, and approximated by a polynomial, as shown in FIG. Model; in FIG. 2, an error curved surface model of the control target α and the control target β) is used to represent the interaction of the control elements (a, b, c,...) To the control target 5 and perform a prediction calculation. .
In the above description, when the prediction control device is a parallel light adjustment device, the control elements (a, b, c,...) Are collimating lenses and detection lenses whose positions are adjusted by the driving means, and the control object 5 is the parallel light adjustment device. Astigmatism of the inner light flux. Hereinafter, the apparatus configuration when applied to the parallel light adjusting apparatus will be described with reference to FIG.
[0008]
As shown in FIG. 3, the parallel light adjusting device includes an optical system including a collimating lens (CL) 12 that converts the light beam emitted from the light source 11 into parallel light, a beam shaping unit 13 that shapes the aspect ratio of the beam, and the like. And a detection lens (DL) 14 as a detection system for astigmatism for detecting whether or not the astigmatism of the light beam after beam shaping is minimized. The detection lens 14 detects the light beam by collecting the light beam and guiding it to an astigmatism detector 15 described later. The collimating lens 12 and the detection lens 14 are respectively attached to the drive unit 16 so that the collimating lens position and the detection lens position can be adjusted. Then, based on the astigmatism detection signal from the astigmatism detection unit 15, the prediction calculation unit 17 predicts the collimator lens position and the detection lens position at which the astigmatism of the light beam after the beam shaping that is the control target is minimized. The amount of drive of both lenses is calculated and output to the drive unit 16 via the output unit 18. Although not shown in FIG. 3, the light beam after beam shaping adjusted to minimize this astigmatism is branched and used for adjustment of optical components.
FIG. 4 shows an example of the astigmatism detector 15 that detects astigmatism. As shown in the figure, astigmatism CL% before the condensing point, non-concentration after the condensing point from the differential value difference signal of the light amount change when the light flux before and after the condensing point is cut in the beam shaping direction and the non-beam shaping direction. Point aberration DL% is detected.
CL% = (V1-V3) × 100 / (V1 + V3)
DL% = (V2−V4) × 100 / (V2 + V4)
V1 = light intensity change differential value when the light beam before the focal point is cut in the beam shaping direction
V2 = light intensity change differential value when the light beam before the focal point is cut in the non-beam shaping direction
V3 = light intensity change differential value when the light flux after the condensing point is cut in the beam shaping direction
V4 = light intensity change differential value when the light beam after the condensing point is cut in the non-beam shaping direction
Actually, parallel light adjustment is performed using CL% and DL% astigmatism detection signals obtained by this calculation formula. By obtaining two astigmatism detection signals CL% and DL%, It becomes possible to accurately grasp the current lens position with respect to both lens positions where the point aberration is minimized.
[0009]
Next, the basic operation of predictive control using a three-dimensional model will be described in the case of parallel light adjustment with reference to the explanatory diagram shown in FIG. 5 and the operation flow diagram shown in FIG.
In the case of parallel light adjustment, the final control target is astigmatism of the light beam in the adjustment device, and two signals CL% and DL% are measured as the astigmatism (step S1). A collimator lens position (hereinafter referred to as CL position) and a detection lens position (hereinafter referred to as DL position) which are control elements so that both of these two controlled objects (astigmatism CL%, DL%) are 0%. Astigmatism of the luminous flux is minimized when adjusting. Therefore, the CL position and DL position of the control element are plotted on the X and Y axes, respectively, and the CL% and DL% error amounts when the CL position and DL position are changed are plotted on the Z axis, and the CL% error approximated by a polynomial expression is plotted. Two three-dimensional models, a curved surface and a DL% error curved surface, can be used for the prediction calculation.
In order to determine which position in the model the initial state of the control element (CL position and DL position) is, first, CL% and DL% are measured (step S1). And this initial measurement result is CL% = CL, respectively. C , DL% = DL C If it is, CL% error surface and CL% = CL C Plane, DL% error surface and DL% = DL C An intersection curve where the planes intersect is obtained (step S2). Further, the intersection of the two curves is obtained by superimposing the two intersecting curves on the XY plane of the three-dimensional model. This intersection is the initial CL position on the model (CLP C ) And initial DL position (DLP) C (Step S3).
[0010]
Next, the CL position and DL position (control target point) at which astigmatism is minimized are calculated. That is, an intersection curve where the CL% error curved surface and the CL% = 0 plane, and the DL% error curved surface and the DL% = 0 plane intersect is obtained, and the intersection (CLP) where the two intersection curves intersect. T And DLP T ) Then, the CL position control amount (CL drive amount) (CLP T -CLP C ) And DL position control amount (DL drive amount) (DLP) T -DLP C ) Is calculated (step S4), and the CL position and the DL position are moved from the initial position by the control amount (step S5).
The reason why such predictive control can be performed accurately is that an accurate predictive model can be identified in the entire control range from the characteristic data of the control target with respect to the control amount of each control element measured in advance. However, if the number of control axes increases or the interaction becomes complex, an attempt to create an accurate prediction model will result in a huge amount of matrix data when the control elements are moved in various combinations within the required control range. Need to take. Therefore, it takes a lot of labor to make an accurate prediction model in advance.
Therefore, in the present invention, the prediction model is further identified online based on the control result data obtained during the control.
[0011]
FIG. 7 is a configuration block diagram of a prediction control apparatus including a model deforming unit 6 that shows another embodiment and thus deforms the prediction model to improve the accuracy. As shown in FIG. 7, the detection result of the control object 5 detected by the detection unit 4 is output to the prediction calculation unit 2a as in FIG. Further, the control unit 5 is supplied with the prediction control amount output from the prediction calculation unit 2a together with the detection result of the control target 5 by the detection unit 4, and the control control element 5 is added to the control element by adding the corrected control control amount based on the control control element. Control. Here, the absolute control amount of the control element and the detection result from the control object 5 during the predictive control corresponding thereto are given to the conversion unit 7. As a result, the conversion unit 7 and the correction unit 8 process the passed data and store it in the storage unit 9. Further, from the stored data, data necessary for model deformation performed by limiting the prediction range is extracted, and the model deformation unit 6 calculates and updates the parameters of the prediction model. In the case of a three-dimensional model, this parameter is an approximation coefficient of an error surface obtained by high-order approximation.
Subsequently, the prediction calculation unit 2a calculates the control amount of the next prediction control using the deformed prediction model.
The prediction calculation unit 2a includes two types of prediction models, a deformation prediction model that deforms based on control result data, and a simple prediction model that performs prediction outside the prediction range of the deformation prediction model, and a switching unit 10 that switches between these models. The control unit 10 performs prediction control while switching the models by the switching unit 10, high-order approximation is performed on the control result data obtained at that time, deforms the deformation prediction model, and gradually expands the prediction range. As described above, by limiting the prediction range of the prediction model, the prediction model near the convergence point where the control result data immediately gathers can be deformed accurately and quickly. Note that the model switching is automatically determined based on the measurement result of the error amount of the control target, for example.
In this embodiment, considering that there is a limit to the data obtained by one prediction control, the control result data is stored in the storage unit 9, and the prediction model is transformed using the control result data. As a result, the prediction model can be deformed based on more control result data obtained by repeated predictive control, and thus can be transformed into a highly accurate prediction model that is not affected by noise.
[0012]
By the way, generally, there is an allowable control error when the adjustment condition range is entered and the adjustment is completed. In this embodiment, the control unit 7 predicts the control amount up to the true convergence point, and the conversion unit 7 It is also possible to convert control result data into relative data based on the convergence point based on the predicted control amount. The prediction model can be transformed with high accuracy by converting the data to the true convergence point as a reference. Hereinafter, a description will be given with reference to FIG.
First, when the control target error amount is the error amount 1, a convergence point (a point where the error amount becomes 0) is obtained using a simple prediction model, and when the calculated absolute control amount 1 is controlled, the control target error amount is the error amount 2 It becomes. Next, when the convergence point is predicted again using the simple prediction model at the location of the error amount 2 and only the obtained absolute control amount 2 is controlled, the control target error amount becomes the error amount 3 and falls within the adjustment condition range. This is the end of the control. However, what is obtained here is data of the error amount 1 to the error amount 3 and the absolute control amounts 1 and 2, and the control amount at the true convergence point (the point where the error amount becomes completely zero) and the data at that time. The relationship with the amount of error is unknown. Therefore, the prediction control amount in the state of the error amount 3 within the range of the adjustment condition is obtained using the simple prediction model, the obtained convergence point is set as the true convergence point, and the true convergence point of the error amount 1 to the error amount 3 is obtained. A reference control amount (relative control amount based on the convergence point) is obtained. Then, the true convergence point reference data is accumulated and used later when the prediction model is deformed.
Further, when accumulating control result data, the control range of a plurality of control elements is divided, and the control target error amount obtained at the time of predictive control is converted into a representative control amount (control indicating the center value of the control range) of the divided control range. A configuration in which the control target error amount with respect to (amount) is corrected is also possible. The storage unit 9 shown in FIG. 7 shows an example in which such an error amount average value is stored for each combination of control ranges divided for the control amounts of the control elements a and b.
[0013]
FIG. 9 shows a state where the control target error amount acquired at the time of predictive control is indicated by ● and is corrected to an error amount average value indicated by ○. In such a configuration, by storing the corrected data, only one control target error amount average value of the control range obtained by dividing the control target error amount needs to be stored in each control range. Data necessary for model deformation can be accumulated. The correction amount is obtained from the prediction model based on, for example, the difference between the measurement result of the control target error amount and the control amount from the representative control amount.
In the above description, the accumulated data includes the control target error amount variance value of the divided control range. As a result, it is possible to reject the measurement value of the control target error amount greatly deviated due to sudden noise or measurement error, so that the influence on the prediction model deformation can be reduced.
Further, in this embodiment, it is possible to determine where the control result data sufficient for model deformation is in the control range by including the number of stored data of each control range divided in the stored data. When the deformation prediction model is deformed using the corrected control target error amount, which divided control range is to be adopted is determined based on the number of accumulated data for each control range. Thereby, since the prediction range of a deformation | transformation prediction model can be set exactly, the prediction error increase of the prediction model by data shortage can be prevented.
[0014]
Further, in this embodiment, it is possible to determine whether or not the number of accumulated data is greater than or equal to the set number, thereby changing the approximate range for deforming the deformation prediction model. Therefore, a more accurate prediction model can be obtained.
About the simple prediction model which performs prediction outside the prediction range of a deformation | transformation prediction model, the inclination of the prediction range upper limit part and lower limit part of a deformation | transformation prediction model is made into a model (refer FIG. 10). This makes it possible to easily draw the control element into the prediction range of the deformation prediction model even when a control target error amount exceeding the upper and lower limit values of the error amount that cannot be predicted by the deformation prediction model is detected. In addition, as an initial model of the simple prediction model, the characteristics of the control target error amount with respect to the control element control amount near the convergence point are linearly approximated to form a model. As a result, the control result data can be accurately converted to the convergence point reference data in a state where an accurate wide-range prediction model has not been made, so that the deformation prediction model can be improved more quickly and accurately.
In another embodiment of the present invention, when the deformation prediction model is deformed with high accuracy and the prediction range is expanded, the inclination of the prediction range upper limit portion or lower limit portion of the deformation prediction model is close to 0 or 0. At this time, the expansion of the prediction range of the deformation prediction model is stopped. In such a configuration, it is possible to prevent a prediction error due to a prediction error near the extreme value due to the extreme value of the deformation prediction model.
[0015]
FIG. 11 shows an operational flow of predictive control incorporating the various functions described above. The operation flow will be described below with reference to FIG.
First, the control amount of each control element is set to a predetermined value, the control unit 1 controls the control object 5, and the conversion unit 7 detects the control amount of each control element at that time and the detection unit 4 at that time Control result data is acquired (step S11). And the switching part 10 determines whether it is the prediction range of a deformation | transformation prediction model from the acquired control result data (step S12), and if it is a prediction range (Y in step S12), the prediction calculating part 2a will be. It switches so that prediction calculation may be performed using a deformation | transformation prediction model (step S13). On the other hand, if it is not in the prediction range (N in step S12), switching is performed so that the prediction calculation is performed using the simple prediction model (step S14). Thus, the control unit 1 controls each control element using the prediction calculation result (step S15), and the conversion unit 7 controls the control amount of each control element at that time and the control result data detected by the detection unit 4 at that time. Are acquired (step S16). Then, the conversion unit 7 determines whether or not the control result data satisfies the convergence condition (step S17). If the conversion result data does not satisfy the convergence condition (N in step S17), the control result data obtained at that time is used as the model deformation unit 6. Is passed to the prediction calculation unit 2a, and step S11 and subsequent steps are repeated.
On the other hand, if the convergence condition is satisfied (Y in step S17), the conversion unit 7 converts the control result data into the convergence point reference control data (step S18), and the correction unit 8 calculates the division control range. (Step S19), the control error amount of the divided control range is corrected (Step S20), and the number of accumulated data in the divided control range is counted up (increased by 1) (Step S21). Further, the control error amount of the divided control range and the number of stored data are stored in the storage unit 9 (step S22).
[0016]
Subsequently, the correction unit 8 determines whether or not the number of accumulated data has reached a predetermined number of acquired data (step S23), and if not (N in step S23), repeats from step S18. On the other hand, if the predetermined number of acquired data has been reached (Y in step S23), the model deforming unit 6 sets an initial division control range (step S24). Among the plurality of division control ranges, a division control range in which the deformation data adoption process is first performed, for example, division numbers 0 and 0 (see FIG. 7) are set.
Thus, the number of data in the division control range is read (step S25), and it is determined whether or not the number of data is greater than or equal to the set value (step S26). The control error amount is used as deformation data for the prediction model (step S27).
Subsequently, it is determined whether or not the modification data adoption processing has been completed for all of the division control ranges (step S28). If not completed (N in step S28), the next division control remaining in the division control range. The range is changed (step S29), and the division control range is repeated from step S25. Then, when all the division control ranges are completed (Y in step S28), the deformation prediction model is changed using the change data in which the model deformation unit 6 is adopted (step S30).
Although the embodiment of the present invention has been described above, the program programmed according to the predictive control method as described above is stored in a removable storage medium, and the storage medium has not been able to perform the predictive control according to the present invention so far. Predictive control according to the present invention is also applied to such an information processing apparatus by mounting it on an information processing apparatus such as a personal computer or by transferring such a program to such an information processing apparatus via a network. Can be done.
[0017]
【The invention's effect】
As described above, according to the present invention, in the invention according to claim 1 and claim 3, when controlling a plurality of control elements interacting with an action on a control object and controlling the control object, Predictive control that takes into account interactions using predictive models, and deformation prediction based on control result data when the predictive model is modified and refined based on the control results when the control elements are controlled A simple prediction model that performs predictions outside the prediction range of the model and its deformation prediction model is provided, and the deformation prediction model can be deformed by switching between the deformation prediction model and the simple prediction model as the prediction model to be used and performing predictive control. Therefore, the deformation prediction model can be deformed sequentially from the portion of the control result data close to the convergence point using the simple prediction model, and therefore the prediction can be performed more quickly. The model can be highly accurate.
Further, in the invention described in claim 2, in the invention described in claim 1, since the control result data is accumulated, the control result data can be converted into convergence point reference data and used for prediction model deformation. The model can be deformed based on a lot of control result data, and the prediction model can be highly accurate and the prediction range can be widened.
Further, in the invention described in claim 4, in the invention described in claim 3, the control result data obtained by repeated prediction control is accumulated, and the prediction model is deformed based on the accumulated control result data. Therefore, similarly to the third aspect of the invention, the model can be deformed based on more control result data, so that the prediction model can be highly accurate and the prediction range can be widened.
[0018]
Further, in the invention described in claim 5, in the invention described in claim 3, the control amount to the true convergence point is predicted in the state where the adjustment condition is entered and the adjustment is completed, and based on the predicted control amount. Since the control result data can be converted into convergence point reference data and the prediction model can be deformed based on the data, the prediction model can be deformed with high accuracy.
Further, in the invention described in claim 6, in the invention described in claim 3, each control range of the plurality of control elements is divided, and the control target error amount acquired at the time of the predictive control is divided into the representative control amount of the divided control range. The amount of control result data required for deformation of the prediction model can be modified by storing the corrected amount of control object error and storing the corrected amount of control object error. Can be reduced, and the calculation when the prediction model is deformed can be simplified.
Further, in the invention described in claim 7, in the invention described in claim 6, since the control target error amount variance value of the divided control range can be stored, the control target error amount greatly deviated is measured. The value can be rejected, and therefore, it is possible to prevent the error of the deformation prediction model from increasing due to a measurement error or the like.
Further, in the invention described in claim 8, in the invention described in claim 6, when the deformation prediction model is deformed using the corrected control target error amount, it is determined which divided control range is to be used. Because it can be determined based on the number of accumulated data for each, it is possible to prevent an increase in the error of the prediction model due to lack of control result data, and a prediction model can be smoothly created from the vicinity of the convergence point where the control result data is aligned. It becomes possible to deform.
In the invention according to claim 9, in the invention according to claim 3, since the slope of the upper limit or lower limit of the prediction range of the deformation prediction model is used for the simple prediction model, the upper limit of the prediction range of the deformation prediction model. Alternatively, even when a control target error amount exceeding the error amount is detected in the lower limit part, the control element can be smoothly drawn into the prediction range of the deformation prediction model.
[0019]
In the invention according to claim 10, in the invention according to claim 3 or claim 9, when the slope of the upper limit part or the lower limit part of the prediction range of the deformation prediction model becomes 0 or close to 0, the deformation prediction model Since the expansion of the prediction range can be stopped, a prediction error in the vicinity of the extreme value due to the deformation prediction model having the extreme value can be prevented.
Further, in the invention described in claim 11, in the invention described in claim 3, since the characteristic of the control target error amount with respect to the control element control amount in the vicinity of the convergence point is linearly approximated and used for the initial model of the simple prediction model, the control is performed. The result data can be accurately converted into convergence point reference data, and the deformation prediction model can be improved more quickly and accurately. According to a twelfth aspect of the present invention, a program programmed to execute the predictive control according to the predictive control method according to any one of the third to eleventh aspects is executed on the information processing apparatus. Therefore, the effect of the invention according to any one of claims 3 to 11 can be obtained by using the information processing apparatus.
Further, in the invention described in claim 13, since the program described in claim 12 can be stored in a removable storage medium, the storage medium is added to the invention described in any one of claims 3-11. Thus, by mounting the information processing apparatus such as a personal computer that cannot perform the predictive control, the effect of the invention according to any one of claims 3 to 11 can be obtained even in such an information processing apparatus. it can.
[Brief description of the drawings]
FIG. 1 is a configuration block diagram of a prediction control apparatus for explaining basic prediction control according to the present invention.
FIG. 2 is an explanatory diagram of a basic predictive control method according to the present invention.
FIG. 3 is another explanatory diagram of a basic predictive control method according to the present invention.
FIG. 4 is another explanatory diagram of the basic predictive control method according to the present invention.
FIG. 5 is another explanatory diagram of the basic predictive control method according to the present invention.
FIG. 6 is an operation flowchart of a basic predictive control method according to the present invention.
FIG. 7 is a block diagram showing the configuration of a prediction control apparatus according to an embodiment of the present invention.
FIG. 8 is an explanatory diagram of a prediction control method according to an embodiment of the present invention.
FIG. 9 is another explanatory diagram of a predictive control method according to an embodiment of the present invention.
FIG. 10 is another explanatory diagram of a predictive control method according to an embodiment of the present invention.
FIG. 11 is an operational flowchart of a predictive control method according to an embodiment of the present invention.
[Explanation of symbols]
1 Control unit
2 Prediction calculation part
3 Output section
4 detector
5 Control target
6 Model deformation part
7 Conversion unit
8 Correction part
9 Accumulator
10 Switching section
12 Collimating lens
14 Detection lens
