JP2005535025A - 量子ソフト演算に基づくインテリジェントメカトロニクス制御サスペンションシステム - Google Patents

Abstract

【課題】非線形運動特性を有する衝撃吸収装置を最適化するための制御システムを提供する。
【解決手段】制御システムは、最小エントロピーの物理法則と、機械的制約やライダー快適性、運転性などに関連する生物的感受制約に基づく適合（性能）関数を利用する。ある実施形態においては、遺伝的解析装置をオフラインモードで使用して、教示信号を生成する。教示信号は、知識ベースからの知識を利用して動作するファジー制御装置によって、オンラインで近似化することができる。学習システムを使用して、オンラインファジー制御装置によって使用される知識ベースを生成する。ある実施形態において、学習システムは、量子探索アルゴリズムを使用して、多数の解空間を検索し、知識ベースのための情報を得る。オンラインファジー制御装置を使用して、線形制御装置をプログラムする。

Description

開示発明は、一般的に制御システムに関し、特に、電子制御サスペンションシステムに関する。

動的システムの出力を所望の値から逸脱させるような外乱があっても動的システムの出力を所望の値に維持するために、フィードバック制御システムが広く使用されている。例えば、サーモスタットにより制御される家庭用の空間暖房燃焼炉は、フィードバック制御システムの一例である。サーモスタットは、屋内空気温度を継続的に測定し、所望の最低温度を下回ると、サーモスタットが燃焼炉をオンにする。屋内温度が所望の最低温度に達すると、サーモスタットが燃焼炉をオフにする。サーモスタット／燃焼炉システムは、屋外温度の低下などの外乱にもかかわらず、家屋温度をほぼ一定の値に維持する。同様のタイプのフィードバック制御装置が、数多くの用途で使用されている。

フィードバック制御システムの主要な構成要素としては、制御対象の出力変数または性能特性を有する「プラント」として定義可能な制御対象の物体、機械またはプロセスがある。上記の例では、「プラント」は家屋であり、出力変数は家屋の屋内空気温度であり、外乱は家屋壁を介する熱の流れ（消散）である。プラントは、制御システムにより制御される。上記の例では、制御システムは、燃焼炉と組み合わせたサーモスタットである。サーモスタット／燃焼炉システムは、家屋の温度を維持するための単純なオン／オフフィードバック制御システムを使用している。モータシャフト位置またはモータ速度制御システムなどの数々の制御環境においては、単純なオン／オフフィードバック制御では不十分である。より高度な制御システムは、比例フィードバック制御、積分フィードバック制御、微分フィードバック制御の組み合わせに依存している。比例フィードバック＋積分フィードバック＋微分フィードバックに基づくフィードバック制御は、しばしばＰＩＤ制御と呼ばれている。

ＰＩＤ制御システムは、プラントの動的モデルに基づく線形制御システムである。古典的な制御システムにおいて、線形動的モデルは、運動方程式、通常、常微分方程式の形態で得られる。プラントは、比較的線形であり、時間的に不変であり、安定していると想定されている。しかし、現実のプラントの多くは、時間的な変動があり、非線形であり、不安定である。例えば、動的モデルは、パラメータ（例えば、質量、インダクタンス、空力学的係数など）を含んでおり、これらのパラメータは、単に概数的に知られているものや可変環境に依存するものである。パラメータの変化が小さく、動的モデルが安定な場合には、ＰＩＤ制御装置は充分であろう。しかし、パラメータの変化が大きな場合や、動的モデルが不安定な場合には、適応型またはインテリジェント（ＡＩ）制御機能をＰＩＤ制御システムに追加するのが一般的である。

ＡＩ制御システムは、ＰＩＤ制御装置の動作をプログラムするために、最適化装置、典型的には非線形最適化装置を使用し、これにより制御システムの全体的な動作を改善する。

古典的な高度制御理論は、平衡ポイントの近傍において、すべての制御対象の「プラント」が線形システムとして近似化されるという仮定に基づいている。しかし、この仮定は、現実に真実であることは稀である。大抵のプラントは、極めて非線形であり、単純な制御アルゴリズムを有さないことが多い。非線形制御に対するこの様な必要性を満たすために、遺伝的アルゴリズム、ファジーニューラルネットワーク、ファジー制御装置などのソフト演算コンセプトを利用するシステムが開発されている。この様な技術によって、制御システムは、制御対象の「プラント」および／または動作環境において起こり得る変化に対してそれ自体を適応させるために、時間と共に進化（変化）する。

遺伝的解析装置を使用してファジーニューラルネットワークのための教示信号を生成する場合、通常、教示信号には不必要な確率論的ノイズが含まれており、後に教示信号の近似値を生成することが難しくなる。さらに、ある動作条件（例えば、あるタイプの道路）のために生成された教示信号は、異なる環境（例えば、別のタイプの道路）に使用された場合、制御性能が劣化する。

本発明は、知識ベース（ＫＢ）の大域最適化のための量子アルゴリズム法および量子ソフト演算に基づくインテリジェントメカトロニクス制御サスペンションシステムのためのロバストなファジー制御アルゴリズム設計を提供することによって、これらの問題点およびその他の問題点を解決する。ある実施形態においては、量子遺伝的探索アルゴリズムを使用して、様々なタイプの道路に対して良好な制御性能を提供する普遍的教示信号を生成する。ある実施形態においては、遺伝的解析装置は、各タイプの道路のためのトレーニング信号（解決策）を生成し、量子探索アルゴリズムは、普遍的トレーニング信号を生成するために必要な情報のためのトレーニング信号を検索する。ある実施形態においては、ロバストなルックアップテーブルのシミュレーションのための量子論理フィードバックを有するインテリジェントサスペンション制御システムが提供される。最小エントロピー生成速度の原則を使用して、ファジー制御のロバスト性のための条件を保証する。遺伝的量子アルゴリズムの動的シミュレーションのためのゲート設計が提供される。量子ゲートの動的解析および情報解析は、所望の精度と信頼性とを有する「良好な」解決策に導く。

ある実施形態においては、制御システムは、最小エントロピーの物理法則や、ライダー快適性や運転性などに関連する生物的感受制約に基づく適合（性能）関数を利用する。ある実施形態においては、オフラインモードで遺伝的解析装置を使用して、様々な統計的な特性を有する１以上の道路のための教示信号を生成する。各教示信号は、ある特定のタイプの道路のための遺伝的アルゴリズムによって最適化される。量子アルゴリズムを使用して、遺伝的アルゴリズムによって生成された教示信号から単一の普遍的教示信号を生成する。情報フィルタを使用して、教示信号をフィルタリングして、圧縮教示信号を生成する。知識ベースからの知識を利用して動作するファジー制御装置によって、圧縮教示信号をオンラインで近似化することができる。この制御システムを利用して、非線形で不安定で消散的なモデルにより記述される複雑なプラントを制御することができる。制御システムは、衝撃吸収装置（プラント）を制御するための洗練されたシミュレーション技術を用いるように構成されている。

ある実施形態において、制御システムは、遺伝的解析装置によってトレーニングされるニューラルネットワークなどの学習システムを備えている。遺伝的解析装置は、生物的感受制約に基づいてエントロピー生成を最小化する一方で、センサ情報を最大化する適合関数を用いる。

ある実施形態において、サスペンション制御システムは、学習制御ユニットからのエントロピーの時間微分（導関数）（すなわち、制御信号のエントロピー生成速度）と制御対象のプロセス内部のエントロピーの時間微分（制御対象のプロセスのモデル、すなわち、制御プロセスのエントロピー生成速度）との差を制御性能の尺度として用いる。ある実施形態において、エントロピー計算は、開放型動的システムとして扱われる制御対象のプロセスプラントのための運動方程式の熱力学的モデルに基づいている。

制御システムは、各解空間のための教示信号を生成する遺伝的解析装置によってトレーニングされる。最適化された制御システムは、１以上のセンサから得られるデータに基づいて最適制御信号を提供する。例えば、サスペンションシステムにおいて、複数の角度センサおよび位置センサを使用することができる。オフライン学習モードにおいて（例えば、研究室、工場、サービスセンタなどにおいて）、車両やそのサスペンションシステムの運動モデル（またはシミュレーション）を用いて、ファジールールを進化させる。運動モデルからのデータは、モデルの入出力エントロピー生成を計算するエントロピー計算装置に与えられる。入出力エントロピー生成は、ライダーの嗜好から得られる１以上の制約に制約される遺伝的解析装置のためのエントロピー生成速度の差として適合関数を計算する適合関数計算装置に与えられる。遺伝的解析装置は、適合関数を用いて、オフライン制御システムのためのトレーニング信号群を生成し、各トレーニング信号は、動作環境に対応する。量子探索アルゴリズムを使用し、普遍的教示信号を生成することによって、複数の解空間にわたる教示信号データの複雑性を低減する。オフライン制御システムからの制御パラメータ（知識ベースの形態）は、知識ベースからの情報を用いて制御戦略を展開する車両のオンライン制御システムに与えられる。

ある実施形態において、本発明は、プラントのエントロピーの時間微分（ｄＳ_u/ｄｔ）と制御装置からプラントに与えられるエントロピーの時間微分（ｄＳ_c/ｄｔ）とのエントロピー生成差を得ることによって、非線形対象物（プラント）を制御する方法を含む。エントロピー生成差を適合（性能）関数として使用する遺伝的アルゴリズムは、オフライン制御装置における制御ルールを進化させる。プラントの非線形安定特性は、リヤプノフ（Lyapunov）関数を用いて評価される。遺伝的解析装置は、エントロピーを最小化し、センサ情報内容を最大化する。オフライン制御装置からのフィルタリングされた制御ルールは、サスペンションシステムを制御するために、オンライン制御装置に与えられる。ある実施形態においては、オンライン制御装置は、車両サスペンションシステムにおいて１以上の衝撃吸収装置（緩衝装置）の緩衝係数を制御する。

ある実施形態において、制御方法は、また、遺伝的アルゴリズムによって制御装置の変数に関する制御ルールを進化させることを含む。遺伝的アルゴリズムは、プラントのエントロピーの時間微分（ｄＳ_u/ｄｔ）とプラントに与えられるエントロピーの時間微分（ｄＳ_c/ｄｔ）との差に基づく適合関数を利用する。変数は、進化させた制御ルールを用いて補正される。

ある実施形態において、本発明は、非線形プラントを制御する自己組織化（self-organizing）制御システムを含む。ＡＩ制御システムは、プラントの非線形運動方程式の熱力学的モデルを使用するように構成されたシミュレータを備えている。熱力学的モデルは、リヤプノフ関数（Ｖ）との相互作用に基づいており、シミュレータは、この関数Ｖを用いてプラントの状態安定性の制御を解析する。制御システムは、プラントのエントロピーの時間微分（ｄＳ_u/ｄｔ）と、プラントを制御する下位レベル制御装置によってプラントに与えられるエントロピーの時間微分（ｄＳ_c/ｄｔ）とのエントロピー生成差を計算する。遺伝的アルゴリズムが、このエントロピー生成差を用いて、エントロピー生成差が制約下で最小化される適合関数を得る。遺伝的アルゴリズムは、複数の解空間に対応する複数の教示信号を提供する。複数の教示信号は、大域教示信号を見付けるために量子探索アルゴリズムによって処理される。ある実施形態においては、大域教示信号をフィルタリングして確率論的ノイズを取り除く。大域教示信号は、学習プロセスを利用して１以上のファジールールを決定するファジー論理分類装置に与えられる。ファジー論理制御装置は、また、車両において制御装置の制御変数を設定する１以上の制御ルールを生成するように構成されている。

ある実施形態において、本発明は、最小生成エントロピーに基づく制御性能の新たな物理的尺度を含み、最適制御システム設計における遺伝的アルゴリズムの適合関数のためにこの尺度を用いることを含む。この方法は、制御システムにおける局所エントロピーフィードバックループを提供する。エントロピーフィードバックループは、（リヤプノフ関数を使用する）プラントの安定性と（制御システムの生成エントロピーに基づく）プラントの制御性とを関連付けることによって、最適制御構造設計を可能とする。制御システムは、例えば、機械系システム、生体機械系システム、ロボット、電気機械系システムなどを含む広範な制御システムに適用可能である。

ある実施形態において、指数的記憶容量を有する量子結合記憶装置（ＱｕＡＭ）が提供される。これは、単純スピン１/２（２状態）量子系を用い、量子演算子としてのパターンを表現する。ある実施形態においては、量子ニューラルネットワークにおいてＱｕＡＭを使用する。ある実施形態においては、量子演算学習アルゴリズムは、量子演算の独自機能を活用してニューラルネットワークを生成する。

本発明の上記およびその他の態様、特徴および利点は、以下の図面に関連して示された以下の説明から更に明らかになるであろう。

図面において、３桁の部材参照番号の最初の桁は、一般的に、参照される部材が最初に現れる図面番号を示す。４桁の部材参照番号の最初の２桁は、一般的に、参照される部材が最初に現れる図面番号を示す。
説明
図１は、ソフト演算に基づいてプラントを制御するための制御システム１００のブロック図である。制御装置１００において、基準信号yが加算器１０５の第１入力に与えられる。加算器１０５の出力は、誤差信号εであり、これはファジー制御装置（ＦＣ）１４３の入力および比例積分微分（ＰＩＤ）制御装置１５０の入力に与えられる。ＰＩＤ制御装置１５０の出力は、制御信号ｕ^*であり、これはプラント１２０の制御入力およびエントロピー計算モジュール１３２の第１入力に与えられる。外乱ｍ(ｔ)１１０も、プラント１２０の入力に与えられる。プラント１２０の出力は、応答xであり、これはエントロピー計算モジュール１３２の第２入力および加算器１０５の第２入力に与えられる。加算器１０５の第２入力は、加算器１０５の出力（誤差信号ε）が第１入力の値マイナス第２入力の値となるように無効化される。

エントロピー計算モジュール１３２の出力は、適合関数として遺伝的解析装置（ＧＡ）１３１に与えられる。ＧＡ１３１からの出力解は、ＦＮＮ１４２の入力に与えられる。ＦＮＮ１４２の出力は、知識ベースとしてＦＣ１４３に与えられる。ＦＣ１４３の出力は、ゲインスケジュールとしてＰＩＤ制御装置１５０に与えられる。

ＧＡ１３１およびエントロピー計算モジュール１３２は、制御性能シミュレーションシステム（ＳＳＣＱ）１３０の一部である。ＦＮＮ１４２およびＦＣ１４３は、ファジー論理分類システム（ＦＬＣＳ）１４０の一部である。

入力群および適合関数１３２を使用して、遺伝的アルゴリズム１３１は、生物進化プロセスと同様の方法で動作し、望ましくは最適な解に到達する。遺伝的アルゴリズム１３１は、「染色体」群（すなわち、考え得る解）を生成し、適合関数１３２を用いて各解を評価することによって染色体を分類する。適合関数１３２は、各解が適合度スケール上のどの位置にランク付けされるかを決定する。比較的適合度の高い染色体（解）は、適合度スケール上で高く評価される解に対応する染色体である。比較的適合度の低い染色体は、適合度スケール上で低く評価される解に対応する染色体である。

適合度の高い染色体は維持され（生き残り）、適合度の低い染色体は廃棄される（死に絶える）。新たな染色体が生成されて、廃棄された染色体に置き換わる。新たな染色体は、既存の染色体片を交叉させたり、突然変異を導入することによって生成される。

ＰＩＤ制御装置１５０は、線形伝達関数を有するので、制御対象の「プラント」１２０のための線形化運動方程式に基づいている。ＰＩＤ制御装置をプログラムするために使用される従来の遺伝的アルゴリズムは、通常、単純適合度を利用するので、線形化モデルに一般的に見られる低制御性の問題の解決とはならない。大抵の最適化装置の場合と同様に、最適化の成否は、最終的には性能（適合）関数の選択に依存することが多い。

（２．１０）を（２．８）に代入すると、

式（２．８）より、

この場合ＦＰＫ方程式から次式が得られる。

これは、下記の場合に成立する。

下記の状態を構築する。

式中、次式の量が導入され、

下記の状態を検討する。

下記のようになる。

または、下記の行列表記

そして、同様の方法で、

一般的には、

したがって、

Claims (50)

1. 量子ソフト演算に基づくインテリジェントメカトロニクス制御サスペンションシステムのためのロバストなファジー制御アルゴリズム設計と知識ベースの大域最適化とのための量子探索システムであって、
   ファジー論理サスペンション制御装置のための教示信号を生成するように構成された量子遺伝的探索モジュールであって、前記教示信号が様々なタイプの道路に対して所望の制御性能群を提供するように構成されている量子遺伝的探索モジュールと、
   前記様々なタイプの道路の各々に対して、少なくとも１つの解が存在するように、複数の解を生成するように構成された遺伝的解析装置モジュールと、
   前記教示信号を生成するための情報のために、前記複数の解を検索するように構成された量子探索モジュールとを備えた量子探索システム。
2. 前記ファジー論理サスペンション制御装置のためのルックアップテーブルのシミュレーションのための量子論理フィードバックモジュールを更に備えた請求項１の量子探索システム。
3. 前記遺伝的解析装置モジュールが、前記ファジー論理制御装置によって制御されるサスペンションシステムにおいてエントロピー生成を低減する適合関数を使用する請求項１の量子探索システム。
4. 前記遺伝的解析装置モジュールが、最小エントロピーの物理法則と、ライダー快適性または運転性に関連する生物的感受制約とに基づく適合関数を備えている請求項１の量子探索システム。
5. 前記遺伝的解析装置をオフラインモードで使用して、様々な統計的な特性を有する１以上の道路のために前記複数の解を生成する請求項１の量子探索システム。
6. 前記解が、それぞれ、ある特定のタイプの道路のために、前記遺伝的解析装置によって最適化される請求項１の量子探索システム。
7. 情報フィルタを使用して、前記複数の解をフィルタリングし、複数の圧縮解を生成する請求項１の量子探索システム。
8. 知識ベースからの知識を利用して、前記教示信号を近似化するファジー制御装置を更に備えた請求項７の量子探索システム。
9. プラントのための制御システムであって、
   前記プラントを制御する線形制御装置を制御するように構成されたファジー制御装置を制御するように構成されたニューラルネットワークと、
   前記ニューラルネットワークをトレーニングするように構成された遺伝的解析装置であって、生物的感受制約に基づいてエントロピー生成を低減する一方で、センサ情報を低減する適合関数を備えている遺伝的解析装置とを備えた制御システム。
10. 前記遺伝的解析装置が、学習制御ユニットからの制御信号のエントロピーの時間微分と、前記プラント内部のエントロピーの時間微分との差を、制御性能の尺度として用いる請求項９の制御システム。
11. 前記プラント内部のエントロピーのエントロピー計算が、開放型動的システムとして扱われる前記プラントのための運動方程式の熱力学的モデルに基づいている請求項１０の制御システム。
12. 前記遺伝的解析装置が、複数の解空間の各々のための教示信号を生成する請求項９の制御システム。
13. 前記線形制御システムが、前記プラントを測定する１以上のセンサから得られるデータに基づいて制御信号を生成する請求項９の制御システム。
14. 前記プラントが、サスペンションシステムを備え、前記１以上のセンサが、前記サスペンションシステムの構成要素の角度および位置を測定する角度センサおよび位置センサを含む請求項１３の制御システム。
15. 前記ファジー制御装置により使用されるファジールールを、オフライン学習モードにおいて、前記プラントの運動モデルを用いて進化させる請求項９の制御システム。
16. 前記運動モデルからのデータが、前記プラントの入力エントロピー生成と出力エントロピー生成とを計算するエントロピー計算装置に与えられる請求項１５の制御システム。
17. 前記入力エントロピー生成と前記出力エントロピー生成とが、ライダーの嗜好から得られる１以上の制約に制約されるエントロピー生成速度の差として適合関数を計算する適合関数計算装置に与えられる請求項１６の制御システム。
18. 前記遺伝的解析装置が、前記適合関数を用いて、オフライン制御システムのためのトレーニング信号群を生成し、各トレーニング信号が、異なる動作環境に対応する請求項１７の制御システム。
19. 量子探索アルゴリズムを使用し、普遍的トレーニング信号を生成することによって、前記トレーニング信号群の複雑性を低減する請求項１８の制御システム。
20. オフライン制御システムからの知識ベースの形態の制御パラメータが、前記知識ベースからの情報を用いて、制御戦略を展開するオンライン制御システムに与えられ、前記知識ベースの一部が、量子探索アルゴリズムによって生成される請求項９の制御システム。
21. 非線形プラントを制御する方法であって、
    前記プラントのエントロピーの時間微分ｄＳ_u／ｄｔと、制御装置から前記プラントに与えられるエントロピーの時間微分ｄＳ_c／ｄｔとのエントロピー生成差を得ることと、
    前記エントロピー生成差を性能関数として使用する遺伝的アルゴリズムを使用して、オフライン制御装置における制御ルールを進化させることと、
    オフライン制御装置からの制御ルールをフィルタリングして、情報内容を簡約することと、
    フィルタリングされた制御ルールをオンライン制御装置に与えて、前記プラントを制御することとによる方法。
22. 前記オンライン制御装置を使用して、車両サスペンションシステムにおいて１以上の衝撃吸収装置の緩衝係数を制御することを更に含む請求項２１の方法。
23. 遺伝的アルゴリズムの使用によって、前記制御装置の変数に関する制御ルールを進化させることを更に含み、前記遺伝的アルゴリズムが、前記エントロピー生成差に基づく適合関数を使用する請求項２１の方法。
24. プラントの非線形運動方程式の熱力学的モデルを使用するように構成されたシミュレータと、
    前記プラントのエントロピーの時間微分ｄＳ_u／ｄｔと、前記プラントを制御する線形制御装置によって前記プラントに与えられるエントロピーの時間微分ｄＳ_c／ｄｔとのエントロピー生成差に基づいて適合関数を計算する適合関数モジュールと、
    前記適合関数を使用して、複数の教示信号を提供する遺伝的解析装置であって、各教示信号が解空間に対応している遺伝的解析装置と、
    前記複数の教示信号から大域教示信号を見付け出すように構成された量子探索アルゴリズムモジュールと、
    学習プロセスおよび前記大域教示信号を利用して、１以上のファジールールを決定するファジー論理分類装置と、
    前記ファジールールを用いて、前記線形制御装置の制御変数を設定するファジー論理制御装置とを備えた自己組織化制御システム。
25. 前記大域教示信号をフィルタリングして、確率論的ノイズを取り除く請求項２４の自己組織化制御システム。
26. 各空間におけるエントロピー生成の低減に基づく制御性能の尺度を与える適合関数を用いて、複数の空間に対応する複数の教示信号を提供する遺伝的アルゴリズムと、
    プラントの安定性と、前記プラントの制御性とを関連付けることによって、制御を提供する局所エントロピーフィードバックループと、
    前記複数の教示信号から大域制御教示信号を生成する量子探索モジュールとを備えた制御システム。
27. 前記量子探索モジュールが、量子結合メモリを備えている請求項２６の制御システム。
28. 前記量子結合メモリが、量子ニューラルネットワークで使用される請求項２７の制御システム。
29. 前記プラントが、車両サスペンションシステムである請求項２８の制御システム。
30. 前記空間が、それぞれ、選択された一筋の道路の確率論的特性に対応している請求項２９の制御システム。
31. 衝撃吸収装置のための最適化制御方法であって、
    衝撃吸収装置内部のエントロピーの時間微分と、前記衝撃吸収装置を制御する制御ユニットから前記衝撃吸収装置に与えられるエントロピーの時間微分との差を得るステップと、
    遺伝的アルゴリズムおよび量子探索アルゴリズムを使用することによって前記制御ユニットの少なくとも１つの制御パラメータを最適化するステップであって、前記遺伝的アルゴリズムが、前記差を適合関数として利用し、前記適合関数が、少なくとも１つの生物的感受制約によって制約されるステップとを含む方法。
32. 前記最適化ステップの前記時間微分が、前記制御ユニットから前記衝撃吸収装置に与えられたエントロピーを低減する請求項３１の最適化制御方法。
33. 前記制御ユニットが、ファジーニューラルネットワークを備え、ファジールールのための結合係数の値が、前記遺伝的アルゴリズムを使用することによって最適化される請求項３１の最適化制御方法。
34. 記制御ユニットが、オフラインモジュールとオンライン制御モジュールとを備え、
    前記性能関数を利用することによって、前記遺伝的アルゴリズムに基づいて制御パラメータを最適化するステップと、
    前記制御パラメータに基づいて、前記オンライン制御モジュールの前記制御パラメータを決定するステップと、
    前記オンライン制御モジュールを用いて、前記衝撃吸収装置を制御するステップとを更に含む請求項３１の最適化制御方法。
35. 前記オフラインモジュールが、シミュレーションモデルを利用して最適化を提供し、前記シミュレーションモデルが、車両サスペンションシステムの運動モデルに基づいている請求項３４の最適化制御方法。
36. 前記衝撃吸収装置が、オイル通路の横断面積を変化させることによって緩衝力を変化させるように構成され、前記制御ユニットが、スロットルバルブを制御し、これにより、前記オイル通路の前記横断面積を調節する請求項３４の最適化制御方法。
37. プラントの制御のための方法であって、
    前記プラントのモデルに与えられた制御信号のエントロピー生成速度に対応する第１のエントロピー生成速度を計算するステップと、
    前記プラントの前記モデルのエントロピー生成速度に対応する第２のエントロピー生成速度を計算するステップと、
    前記第１のエントロピー生成速度および前記第２のエントロピー生成速度を用いて、遺伝的最適化装置のための適合関数を決定するステップと、
    前記適合関数を前記遺伝的最適化装置に与えるステップと、
    教示出力を、前記遺伝的最適化装置から量子探索アルゴリズムに与え、その後、情報フィルタに与えるステップと、
    前記情報フィルタからファジーニューラルネットワークに圧縮教示信号を与えるステップであって、前記ファジーニューラルネットワークが知識ベースを生成するように構成されているステップと、
    前記知識ベースをファジー制御装置に与えるステップであって、前記ファジー制御装置が、誤算信号および前記知識ベースを利用して、係数ゲインスケジュールを生成するステップと、
    前記係数ゲインスケジュールを線形制御装置に与えるステップとを含む方法。
38. 前記遺伝的最適化装置が、１以上の制約の下、エントロピー生成を最小化する請求項３７の方法。
39. 前記制約の少なくとも１つが、制御性能に対するユーザの感覚的な評価に関連している請求項３８の方法。
40. 前記プラントの前記モデルが、サスペンションシステムのモデルを含む請求項３７の方法。
41. 前記第２の制御システムが、物理的プラントを制御するように構成されている請求項３７の方法。
42. 前記第２の制御システムが、衝撃吸収装置を制御するように構成されている請求項３７の方法。
43. 前記第２の制御システムが、衝撃吸収装置の緩衝率を制御するように構成されている請求項３７の方法。
44. 前記線形制御装置が、車両サスペンションシステムをモニタする１以上のセンサからのセンサ入力データを受信する請求項３７の方法。
45. 前記センサの少なくとも１つが、車両ヒーブを測定するヒーブセンサである請求項４４の方法。
46. 前記センサの少なくとも１つが、前記サスペンションシステムの少なくとも一部の長さの変化を測定する長さセンサである請求項４４の方法。
47. 前記センサの少なくとも１つが、前記車両に対する前記サスペンションシステムの少なくとも一部の角度を測定する角度センサである請求項４４の方法。
48. 前記センサの少なくとも１つが、前記サスペンションシステムの第２の部分に対する、前記サスペンションシステムの第１の部分の角度を測定する角度センサである請求項４４の方法。
49. 前記第２の制御システムが、衝撃吸収装置のスロットルバルブを制御するように構成されている請求項３７の方法。
50. エントロピー生成速度から制御パラメータを決定して、量子探索アルゴリズムによって見付け出された圧縮教示信号から知識ベースを生成するオフライン最適化手段と、
    前記知識ベースを利用して、プラントを制御するための制御パラメータを生成するオンライン制御手段とを備えた制御装置。

Images