JP3029451B2

JP3029451B2 - ファジィ制御装置

Info

Publication number: JP3029451B2
Application number: JP02299125A
Authority: JP
Inventors: 信雄渡部; 旭川村; 竜介益岡; 有理大和田; 和雄浅川; 成典松岡; 浩之岡田
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 1990-11-05
Filing date: 1990-11-05
Publication date: 2000-04-04
Anticipated expiration: 2015-04-04
Also published as: JPH04170641A

Description

【発明の詳細な説明】［概要］ファジィ制御を行なう制御装置に関するものであり、制御特性を自動調整できる装置の提供を目的とし、メンバシップ関数のグレードを出力する第１のニュー
ラルネットワーク層と、第１ニューラルネットワーク層
とのニューロン間結合重みがメンバシップ関数に対する
出力変数代表値のグレードに設定され、第１のニューラ
ルネットワーク層により得られたグレードから出力変数
代表値のグレードを求めて出力する第２のニューラルネ
ットワーク層と、第２ニューラルネットワーク層から与
えられたグレードの面積重心を求める第３のニューラル
ネットワーク層と、を有することにより構成され、また
この構成において、第２のニューラルネットワーク層の
出力特性が最大値関数とされ、あるいは線形和関数とさ
れる。

［産業上の利用分野］本発明は、ファジィ制御を行なう制御装置に関する。

数式モデルを立てられないプラントなどの分野では、
ファジィ制御が行なわれている。

［従来の技術］新しい制御処理方式として、ファジィ制御が普及しつ
つある。

このファジィ制御は、人間の判断等のあいまいさを含
む制御アルゴリズムをif−then形式で表現し、ファジィ
理論に従ってこの制御アルゴリズムを実現していくこと
で、検出される制御状態量から制御操作量に算出して制
御対象を制御していくものである。

このファジィ制御を実現していくためには、ファジィ
制御ルール中に記述される「あいまいな言語表現」を数
値化して表現するメンバーシップ関数を制御対象に適合
するものにチューニングしていく必要がある。

例えば、ifx₁is big and x₂ is small then y is big
の形式（if部は前件部、then部は後件部と称せられてい
る）で記述されるファジィ制御ルールの生成は、従来、
制御対象の制御に熟知しているオペレータの対象プロセ
スに関する知識に従って、まず最初に、制御状態量及び
制御操作量の値に関しての言語的な意味をメンバーシッ
プ関数として定量化し、次に、これらのメンバーシップ
関数の間の関係付けを記述することでファジィ制御ルー
ルの粗いモデルを生成する。

そして、この生成した粗いファジィ制御ルールのモデ
ルをシュミレーションや現地テストにより評価しながら
メンバーシップ関数も含めてチューニングしていくこと
で、制御対象に適合したファジィ制御ルールに完成させ
ていくという方法により実現されていた。

以下、第４図ではヒータに関するファジィ制御の従来
技術につき説明する。

この例においては２つの入力変数X1（内気温度）,X2
（外気温度）と１つの出力変数Ｙ（燃料量）が使用さ
れ、外気温度（X1）が低い（small）ときに燃料量
（Ｙ）が増加（large）する第１のファジィルール（rul
e1:if X1 is small then Y is large），外気温度（X
1）が高い（large）ときに燃料量（Ｙ）が減少（smal
l）する第２のファジィルール（rule2:if X1 is large
then Y is small）が適用される。

そこで、入力変数X1の値がsmallに属している割合
（グレード，以下、帰属度とも言う），入力変数X2の値
がlargeに属している割合が、同図（Ａ），（Ｂ）のよ
うに、第１ファジィがルールrule1,第２ファジィルール
rule2の各グレードとして最初に求められる。

次に、同図（Ｃ），（Ｄ）のメンバシップ関数small,
largeに第１ファジィルールrule1,第２ファジィルールr
ule2のグレードが各々乗算され、それらグレードによる
メンバシップ関数small,largeの重み付けが行なわれ
る。

さらにこれらの重み付け結果となる帰属度がOR演算さ
れ、同図（Ｅ）の出力変数Ｙ−帰属度特性が求められ
る。

最後に、その特性と両軸で囲まれる領域の面積重心が
算出され、この重心を示す出力変数Ｙの値が制御操作量
として出力される。

以上のように、ファジィ制御は理解が容易な少数のル
ールに従って行なえる。

［発明が解決しようとする課題］しかしながら従来においては、装置調整の作業を繰り
返すことにより目標の制御特性が得られていたので、製
品の開発に長時間を要していた。

また、制御特性が時間の経過とともに変化するので、
制御精度が低下し、その際の再調整が困難となる。

本発明は上記の事情に鑑みてなされたものであり、そ
の目的は、制御特性を自動調整できる装置を提供するこ
とにある。

［課題を解決するための手段］上記目的を達成するために、本発明にかかる装置は第
１図のように構成されている。

同図において、第１ニューラルネットワーク層10の各
ニューロン100でメンバシップ関数B1（ｙ）,B2（ｙ）,B
3（ｙ）のグレードGi（ｉ＝1,2,3）が求められており、
これらのグレードGiは第２ニューラルネットワーク層12
の各ニューロン120へ出力される。

また、第１ニューラルネットワーク層10の各ニューロ
ン100と第２ニューラルネットワーク層12の各ニューロ
ン120との結合重みはメンバシップ関数B1（ｙ）,B2
（ｙ）,B3（ｙ）に対する出力変数代表値yj（ｊ＝1,2・
・・８）のグレード（帰属度）Bi（yj）とされており、
第２ニューラルネットワーク層12の各ニューロン120に
おいては、第１ニューラルネットワーク層10で得られた
グレードGiから出力変数代表値yj（ｊ＝1,2・・・８）
のグレードＢ（yj）が求められる。

そして、第２ニューラルネットワーク層12により得ら
れたグレードＢ（yj）は第３のニューラルネットワーク
層14に与えられ、それらグレードＢ（yj）の面積重心が
この第３ニューラルネットワーク層14で求められる。

なお以上の構成において、第２ニューラルネットワー
ク層12の出力特性としては最大値関数や線形和関数の特
性を選択できる。

［作用］ニューロン100,ニューロン120間の結合重みがメンバ
シップ関数B1（ｙ）,B2（ｙ）,B3（ｙ）に対する出力変
数代表値yj（ｊ＝1,2・・・８）の帰属度Bi（yj）とさ
れているので、ニューロン120の入力は｛G1B1（yj）,G2
B2（yj）・・・G8B8（yj）｝となる。

そして、第２ニューラルネットワーク層12の出力特性
が最大値関数とされていた場合には、Ｂ（ｙ）＝max（GiBi（ｙ））の出力が得られ、の式で示されるように、グレードＢ（yj）の面積重心が
第３ニューラルネットワーク層14において求められる。

このように本発明では、ファジィ集合がニューラルネ
ットワークで構成されるので、メンバシップ関数を学習
により自動調整できる。

なお、第２ニューラルネットワーク層12の出力特性が
線形和の関数とされていた場合にも、同様な自動調整が
可能である。

［実施例］以下、図面に基づいて本発明にかかる装置の好適な実
施例を説明する。

第２図では実施例が説明されており、同図（Ａ）のよ
うにこの装置は第１のニューラルネットワーク層10,第
２のニューラルネットワーク層12,第３のニューラルネ
ットワーク層14で構成されている。

そして、第１のニューラルネットワーク層10には２つ
のニューロンユニット101が設けられており、第２のニ
ューラルネットワーク層12には６つのニューロンユニッ
ト121が設けられている。

さらに、各ニューロンユニット121の出力は２つのニ
ューロンユニット122に与えられており、それらの出力
がニューロンユニット122で線形和関数の特性に従って
代数和演算される。

また、第３のニューラルネットワーク層14には重心計
算部140が設けられており、重心計算部140ではニューロ
ンユニット122から与えられた出力の積分演算で制御の
操作出力（Ｙ）が得られている。

ここで本実施例においては、同図（Ｂ）に示されたsm
allとlargeのメンバシップ関数が用意されており、両メ
ンバシップ関数に基づいて、同図（Ａ）の代表値0.0,0.
2,0.4,0.6,0.8,1.0（不等の間隔も可）と対応した帰属
度が同図（Ｃ）のように求められる。

そして、これらの帰属度でニューロンユニット101,12
1間の結合重みが決定されており、その結果、メンバシ
ップ関数small,largeのグレード（Gi）がニューロンユ
ニット122へ出力される。

以下、重心決定の構成を説明する。

第７図にニューロンユニット121以降の構成を示す。

ここで数直線上の複数の点に重さが散らばっている場
合を考える。数直線上の座標x₁に重さｙが存在している
ときに、それを（x₁,y₁）と書くことにする。

数直線上に｛（x_i,y_i）｝_ｉ＝1,2,・・・ｎと重さが
散らばっているときにそれらの重さの重心ｘ（ｃ）は次
式によって与えられる。

本発明が対象とするニューロンユニット121とニュー
ロンユニット122は、座標の最小値をｘ（１）、最大値
をｘ（ｎ）、任意の座標値をｘ（ｉ）として次式で与え
られる。

ｗ（1,i）＝ｘ（ｎ）−ｘ（ｉ）ｗ（2,i）＝ｘ（１）−ｘ（ｉ）（ｂ式）あるいはｃを定数として、重みを次式のように定める
こともできる。

ｗ（1,1）＝ｃ｛ｘ（ｎ）−ｘ（ｉ）｝ｗ（2,1）＝ｃ｛ｘ（２）−ｘ（ｉ）｝（ｃ式）第７図において２つのユニット121,122が、出力する
重心決定要素ｙ（１）,y（２）を用いると、重心の値は
次式に変形される。

ｘ（ｃ）＝ｘ（１）−｛ｘ（ｎ）−ｘ（１）｝＝ｙ（２）／｛ｙ（１）−ｘ（２）｝（ｄ）式第５図は重心決定出力の一例で理解を助けるために説
明する。

第５図（ａ）は各座標とこれから計算される各結合の
重みを示し、（ｂ）は入力値とそれに対する重心決定要
素出力値の例である。

（ｄ）式を用いて計算すると、その値は１となる。

第６図は第２例である。

同図は（ｃ）式において定数ｃを０、２とした場合の
例である、（ａ）は各座標と結合の重みを、また（ｂ）
は入力値と重心決定要素出力値を示し、（ｃ）式を用い
ることによって重心の値は第５図と同じく１となる。

ニューロンユニット121,122間の結合重みは第２図
（Ｄ）で示されるように決定されており、ニューロンユ
ニット122では線形和関数（学習性を重視）の特性に従
い、入力グレードの代数和演算が行なわれる。

この演算で代表値（y1,y2）のグレードが求められる
と、それらは重心計算部142に出力される。

第３図ではニューラルネットワークによるファジィル
ールの表現方法が説明されており、同図（Ａ）のメンバ
シップ関数smallは同図（Ｂ）で示された１入力１出力
の３層ネットワーク30−１（ニューロンユニット101）
で置き換えられる。

この３層ネットワーク30−１には入力変数X1の値が与
えられており、その値がメンバシップ関数smallに帰属
する度合（Gi）が出力される。

そして、同図（Ｃ）のように３層ネットワーク30−１
の帰属度が他の３層ネットワーク30−２（ニューロンユ
ニット101）で得られた帰属度とともに次段のニューロ
ン32（ニューロンユニット121,122）へ出力される。

それらは合計演算（ここでは論理積演算であるが、第
２図では代数和演算）され、これによりファジィルール
のグレード（Gi）がニューロン32で得られる。

第２図（Ａ）に示された本実施例の各ニューロンユニ
ット121では、ニューロンユニット102との間の重み付け
が第２図（Ｃ）のように設定されており、代数和演算が
ニューロンユニット121において行なわれるので、各代
表値（y1,y2）のグレードを積算した出力が得られる。

それらニューロンユニット122の出力は重心計算部140
へ与えられ、重心計算部140においてはニューロンユニ
ット122から与えられた各グレード積算値の面積重心
（制御の操作出力）Ｙ＝y2/（y1−y2）の（ｄ）式に従
い算出される。

ニューロンユニット121以降の処理は、本明細書内で
説明されているが、本出願人が出願した特願平２−6685
1号の明細書の中にも説明されている。

以上のように、ファジィ制御がニューラルネットワー
クで行なわれる。

したがって、ニューラルネットワークの学習機能によ
ってメンバシップ関数の調整を自動的に行なえる。

以上のように本発明では、グレードを基に出力変数の
グレードを求める計算をニューラルネットワークで置き
換えることが出来るため、ニューロコンピュータ特有の
学習を容易に行うことが出来る。

バックプロパバケーション法やそのためのハードウェ
アまたニューラルネットワークのハードウェア構成は特
許協力条約に基づいて公開された国際出願の国際公開番
号WO 90/02381（1990年３月８日公開）「ニューロコン
ピュータ」または、国際公開番号WO 90/03006（1990年
３月22日公開）「ネットワーク構成データ処理装置の学
習処理方式」で開示されたものを使用することが出来
る。

このため、目的の制御特性を得るために要する開発工
数を大幅に削減することが可能となる。

また、ニューラルネットワークの学習機能によりメン
バシップ関数が自動調整されて制御特性の経時的な変化
が吸収されるので、製品の制御精度を維持することが可
能となり、その再調整を行なう保守作業を不要化するこ
とも可能となる。

尚、本明細書内では、ニューロンユニットやニューラ
ルネットワークの動作原理等は省略したが、これらにつ
いては上記出願の国際公開公報に記載されているもので
ある。

［発明の効果］以上説明したように本発明によれば、ニューラルネッ
トワークによりファジィ制御が行なわれるので、その学
習機能でメンバシップ関数の調整を自動的に行なえ、こ
のため、目的の制御特性を得るために要する開発工数を
大幅に削減することが可能となり、しかも、制御特性の
経時変化を吸収して製品の制御精度を維持し、その再調
整を不要化することも可能となる。

【図面の簡単な説明】

第１図は発明の原理説明図、第２図は実施例の構成説明図、第３図はニューラルネットワークによるファジィルール
の表現説明図、第４図は従来技術の説明図、第５図は重心決定要素出力の第１実施例を示す説明図、第６図は重心決定要素出力の第２実施例を示す説明図、第７図はニューロユニット121以降の構成を説明する説
明図、である。 10……第１のニューラルネットワーク層 12……第２のニューラルネットワーク層 14……第４のニューラルネットワーク層 100,120……ニューロン 101,121,122……ニューロンユニット 140……重心計算部

───────────────────────────────────────────────────── フロントページの続き (72)発明者益岡竜介神奈川県川崎市中原区上小田中1015番地富士通株式会社内 (72)発明者大和田有理神奈川県川崎市中原区上小田中1015番地富士通株式会社内 (72)発明者浅川和雄神奈川県川崎市中原区上小田中1015番地富士通株式会社内 (72)発明者松岡成典東京都日野市富士町１番地富士ファコム制御株式会社内 (72)発明者岡田浩之東京都日野市富士町１番地富士ファコム制御株式会社内 (56)参考文献特開平２−292602（ＪＰ，Ａ) 特開平４−127239（ＪＰ，Ａ) 今崎、山口、「ファジイニューラルネットに向けて−連想記憶とファジイ推論」，ＣｏｍｐｕｔｅｒＴｏｄａｙ, ｖｏｌ．７，Ｎｏ．１（1990），ｐ．52 〜58 (58)調査した分野(Int.Cl.⁷，ＤＢ名) G06F 9/44,15/18 G05B 13/02 ＪＩＣＳＴファイル（ＪＯＩＳ) ＣＳＤＢ（日本国特許庁)

Claims

(57)【特許請求の範囲】

【請求項１】メンバシップ関数のグレードを出力する第
１のニューラルネットワーク層（10）と、第１ニューラルネットワーク層（10）とのニューロン間
結合重みがメンバシップ関数に対する出力変数代表値の
グレードに設定され、第１のニューラルネットワーク層
（10）で得られたグレードから出力変数代表値のグレー
ドを求めて出力する第２のニューラルネットワーク層
（12）と、第２ニューラルネットワーク層（12）から与えられたグ
レードの面積重心を求める第３のニューラルネットワー
ク層（14）と、を有する、ことを特徴とするファジィ制御装置。
【請求項２】入力変数の値が与えられることによりメン
バシップ関数のグレードを出力する第１のニューラルネ
ットワーク層（10）と、第１ニューラルネットワーク層（10）とのニューロン間
結合重みがメンバシップ関数に対する出力変数代表値の
グレードに設定され、第１のニューラルネットワーク層
（10）により得られたグレードから出力変数代表値のグ
レードを求めて最大値関数の特性で出力する第２のニュ
ーラルネットワーク層（12）と、第２ニューラルネットワーク層（12）から与えられたグ
レードの面積重心を求める第３のニューラルネットワー
ク層（14）と、を有する、ことを特徴とするファジィ制御装置。
【請求項３】メンバシップ関数のグレードを出力する第
１のニューラルネットワーク層（10）と、第１ニューラルネットワーク層（10）とのニューロン間
結合重みがメンバシップ関数に対する出力変数代表値の
グレードに設定され、第１のニューラルネットワーク層
（10）により得られたグレードから出力変数代表値のグ
レードを求めて線形和関数の特性で出力する第２のニュ
ーラルネットワーク層（12）と、第２ニューラルネットワーク層（12）から与えられたグ
レードの面積重心を求める第３のニューラルネットワー
ク層（14）と、を有する、ことを特徴とするファジィ制御装置。