JP3062606B2 - ニューラルネットワークを用いた適応制御装置 - Google Patents
ニューラルネットワークを用いた適応制御装置Info
- Publication number
- JP3062606B2 JP3062606B2 JP5176652A JP17665293A JP3062606B2 JP 3062606 B2 JP3062606 B2 JP 3062606B2 JP 5176652 A JP5176652 A JP 5176652A JP 17665293 A JP17665293 A JP 17665293A JP 3062606 B2 JP3062606 B2 JP 3062606B2
- Authority
- JP
- Japan
- Prior art keywords
- control
- neural network
- deviation
- output
- target value
- 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.)
- Expired - Fee Related
Links
Landscapes
- Moving Of The Head To Find And Align With The Track (AREA)
- Feedback Control In General (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、ロボット、工作機械、
ＸＹステージ、ディスク装置などの位置決め制御装置に
おいて、制御対象の非線形性や外乱、環境経時変化に対
応できる高精度な位置決め制御系を実現するニューラル
ネットワークを用いた適応制御装置に関する。
ＸＹステージ、ディスク装置などの位置決め制御装置に
おいて、制御対象の非線形性や外乱、環境経時変化に対
応できる高精度な位置決め制御系を実現するニューラル
ネットワークを用いた適応制御装置に関する。
【０００２】
【従来の技術】適応制御方式には、モデル規範型適応制
御やセルフチューニングレギュレータなどがある。これ
らの方式では、制御対象の動特性モデルが線形ダイナミ
クスで記述できる場合にのみ効果があるが、制御対象の
非線形性や外乱、環境経時変化に対応することはできな
い。
御やセルフチューニングレギュレータなどがある。これ
らの方式では、制御対象の動特性モデルが線形ダイナミ
クスで記述できる場合にのみ効果があるが、制御対象の
非線形性や外乱、環境経時変化に対応することはできな
い。
【０００３】一方、ニューラルネットワークは、比較的
単純な構造で、非線形系を含めたダイナミクスモデルを
学習する能力を持つことが知られている。制御対象の非
線形性や外乱、環境経時変化に対応するための一手段と
して、特開平２−５４３０４号公報に、ニューラルネッ
トワークを用いた適応制御方式について記載されてい
る。
単純な構造で、非線形系を含めたダイナミクスモデルを
学習する能力を持つことが知られている。制御対象の非
線形性や外乱、環境経時変化に対応するための一手段と
して、特開平２−５４３０４号公報に、ニューラルネッ
トワークを用いた適応制御方式について記載されてい
る。
【０００４】図９に、そこで開示されている適応制御装
置を示す。これは、制御対象５５とコントローラ５２か
らなるフィードバックループ５１内に加算点５３を設
け、その加算点５３への目標値５８からのフィードフォ
ワードループをニューラルネットワーク５９で構成する
装置となっている。
置を示す。これは、制御対象５５とコントローラ５２か
らなるフィードバックループ５１内に加算点５３を設
け、その加算点５３への目標値５８からのフィードフォ
ワードループをニューラルネットワーク５９で構成する
装置となっている。
【０００５】この装置の動作は以下の通りである。ニュ
ーラルネットワーク５９が学習を開始する前は、目標値
５８（Ｒ）は制御サンプリング毎に制御対象５５の出力
５６（Ｙ）と比較され、その制御偏差Ｅに基づいてコン
トローラ５２の演算が行われ、演算結果Ｕc が操作量５
４（Ｕ）として制御対象に印加される。ニューラルネッ
トワークの学習が開始すると、目標値とその一次微分で
ある速度目標値と二次微分である加速度目標値とをニュ
ーラルネットワーク５９へ入力し、ニューラルネットワ
ーク５９の出力Ｕn をコントローラ５２の出力Ｕc に加
算して、操作量Ｕを制御対象５５に印加する。
ーラルネットワーク５９が学習を開始する前は、目標値
５８（Ｒ）は制御サンプリング毎に制御対象５５の出力
５６（Ｙ）と比較され、その制御偏差Ｅに基づいてコン
トローラ５２の演算が行われ、演算結果Ｕc が操作量５
４（Ｕ）として制御対象に印加される。ニューラルネッ
トワークの学習が開始すると、目標値とその一次微分で
ある速度目標値と二次微分である加速度目標値とをニュ
ーラルネットワーク５９へ入力し、ニューラルネットワ
ーク５９の出力Ｕn をコントローラ５２の出力Ｕc に加
算して、操作量Ｕを制御対象５５に印加する。
【０００６】図中、目標値発生手段５７におけるＳは微
分演算子である。ニューラルネットワーク５９の学習手
段６０は、教師信号として操作量Ｕを用い、Ｊ＝(Ｕ−
Ｕn)2＝Ｕc 2 、を最小にするように学習が進む。すな
わち、学習が進むにつれて、フィードバックコントロー
ラ５２の出力Ｕc が小さくなり、徐々に制御対象５５の
逆システムがニューラルネットワーク５９に構築され、
獲得された逆モデルによるフィードフォワード制御に移
行していく。ニューラルネットワーク５９の学習は、バ
ックプロパゲーション法を用いている。制御を行いなが
ら学習でき、制御対象の特性変動、非線形性に対して適
応的に操作量を演算できるため、特にロボット等に応用
が検討されている。
分演算子である。ニューラルネットワーク５９の学習手
段６０は、教師信号として操作量Ｕを用い、Ｊ＝(Ｕ−
Ｕn)2＝Ｕc 2 、を最小にするように学習が進む。すな
わち、学習が進むにつれて、フィードバックコントロー
ラ５２の出力Ｕc が小さくなり、徐々に制御対象５５の
逆システムがニューラルネットワーク５９に構築され、
獲得された逆モデルによるフィードフォワード制御に移
行していく。ニューラルネットワーク５９の学習は、バ
ックプロパゲーション法を用いている。制御を行いなが
ら学習でき、制御対象の特性変動、非線形性に対して適
応的に操作量を演算できるため、特にロボット等に応用
が検討されている。
【０００７】
【発明が解決しようとする課題】しかし、上記従来技術
では、フィードバックコントローラの出力Ｕc を最小に
するようにニューラルネットワークの学習が進む。この
ため、完全に学習が完了したとしても、制御目的である
目標値と制御対象の出力との制御偏差を完全に零にする
ことは保証していない。
では、フィードバックコントローラの出力Ｕc を最小に
するようにニューラルネットワークの学習が進む。この
ため、完全に学習が完了したとしても、制御目的である
目標値と制御対象の出力との制御偏差を完全に零にする
ことは保証していない。
【０００８】一般にフィードバックコントローラは、遅
れ要素を持つ、特にディジタル制御系においてはコント
ローラの演算に必要とする演算時間分だけコントローラ
の出力が遅れる。このことは、これら遅れ時間分だけ進
めた目標値と制御対象の出力との制御偏差を最小にする
ことに等しく、目標値が一定値ならば問題は生じない
が、目標値が一定値以外の場合は制御サンプリング時に
おいて、目標値と制御対象の出力との制御偏差を零にす
ることができない。
れ要素を持つ、特にディジタル制御系においてはコント
ローラの演算に必要とする演算時間分だけコントローラ
の出力が遅れる。このことは、これら遅れ時間分だけ進
めた目標値と制御対象の出力との制御偏差を最小にする
ことに等しく、目標値が一定値ならば問題は生じない
が、目標値が一定値以外の場合は制御サンプリング時に
おいて、目標値と制御対象の出力との制御偏差を零にす
ることができない。
【０００９】この欠点を除去するためには、目標値と制
御対象の出力との制御偏差を最小にするようにニューラ
ルネットワークを学習することが考えられるが、従来技
術の方法では、ニューラルネットワークの出力Ｕn と制
御対象の出力Ｙとの間に非線形なダイナミクスを有する
制御対象が存在するため、一般的な学習アルゴリズムで
あるバックプロパゲーション法が適用できないといった
問題点があった。
御対象の出力との制御偏差を最小にするようにニューラ
ルネットワークを学習することが考えられるが、従来技
術の方法では、ニューラルネットワークの出力Ｕn と制
御対象の出力Ｙとの間に非線形なダイナミクスを有する
制御対象が存在するため、一般的な学習アルゴリズムで
あるバックプロパゲーション法が適用できないといった
問題点があった。
【００１０】本発明は、上記問題点を解消するためにな
されたもので、目標値と制御対象の出力との制御偏差を
最小にするようにニューラルネットワークを学習するこ
とで、制御対象の非線形性や外乱、環境経時変化に対応
でき、かつ制御サンプリング時において、制御目的であ
る制御偏差を零にすることができる高精度位置決めが可
能なニューラルネットワークを用いた適応制御装置を得
ることを目的とする。
されたもので、目標値と制御対象の出力との制御偏差を
最小にするようにニューラルネットワークを学習するこ
とで、制御対象の非線形性や外乱、環境経時変化に対応
でき、かつ制御サンプリング時において、制御目的であ
る制御偏差を零にすることができる高精度位置決めが可
能なニューラルネットワークを用いた適応制御装置を得
ることを目的とする。
【００１１】
【課題を解決するための手段】上記目的を達成するため
に第１の発明は、制御対象の制御出力を目標値に一致さ
せるように該目標値と該制御出力との制御偏差をフィー
ドバック制御する制御装置に対し、前記目標値と前記制
御出力と前記フィードバック制御の操作量とを入力信号
とするニューラルネットワークモデルと、該ニューラル
ネットワークの出力が前記目標値を補正する手段と、前
記制御偏差と該ニューラルネットワークの出力が等しく
なるように、該ニューラルネットワークの各層間の重み
を適応的に変化させる学習手段とを設けたものである。
に第１の発明は、制御対象の制御出力を目標値に一致さ
せるように該目標値と該制御出力との制御偏差をフィー
ドバック制御する制御装置に対し、前記目標値と前記制
御出力と前記フィードバック制御の操作量とを入力信号
とするニューラルネットワークモデルと、該ニューラル
ネットワークの出力が前記目標値を補正する手段と、前
記制御偏差と該ニューラルネットワークの出力が等しく
なるように、該ニューラルネットワークの各層間の重み
を適応的に変化させる学習手段とを設けたものである。
【００１２】また、前記目標値の未来値を発生可能な目
標値発生手段を有し、前記ニューラルネットワークの入
力信号として、現時点の目標値のほかに目標値の未来値
を入力する手段を設けたものである。
標値発生手段を有し、前記ニューラルネットワークの入
力信号として、現時点の目標値のほかに目標値の未来値
を入力する手段を設けたものである。
【００１３】また、上記目的を達成するための第２の発
明は、目標値と制御対象の制御出力との制御偏差を検出
する偏差検出手段と、該制御偏差を零にするように該制
御偏差をフィードバック制御する制御装置に対し、前記
制御偏差と前記フィードバック制御の操作量とを入力信
号とするニューラルネットワークモデルと、該ニューラ
ルネットワークの出力が前記制御偏差を補正する手段
と、前記制御偏差と該ニューラルネットワークの出力が
等しくなるように、該ニューラルネットワークの各層間
の重みを変化させる学習手段とを設けたものである。
明は、目標値と制御対象の制御出力との制御偏差を検出
する偏差検出手段と、該制御偏差を零にするように該制
御偏差をフィードバック制御する制御装置に対し、前記
制御偏差と前記フィードバック制御の操作量とを入力信
号とするニューラルネットワークモデルと、該ニューラ
ルネットワークの出力が前記制御偏差を補正する手段
と、前記制御偏差と該ニューラルネットワークの出力が
等しくなるように、該ニューラルネットワークの各層間
の重みを変化させる学習手段とを設けたものである。
【００１４】また、前記偏差検出手段で検出した前記制
御偏差の過去の値を記憶する手段と、現時点の制御偏差
と該記憶した過去の制御偏差を、前記ニューラルネット
ワークの入力信号として入力する手段を設けたものであ
る。
御偏差の過去の値を記憶する手段と、現時点の制御偏差
と該記憶した過去の制御偏差を、前記ニューラルネット
ワークの入力信号として入力する手段を設けたものであ
る。
【００１５】また、上記第２の発明をディスク装置へ適
用した場合は、情報が記録される円板と、該円板との間
で情報の読みだしまたは書き込みを行うヘッドと、該円
板に記録された位置情報と該ヘッドの位置との偏差を検
出して偏差位置信号を出力するヘッド位置検出手段と、
該偏差位置信号を零にするように該偏差位置信号をフィ
ードバック制御する制御手段とを備えたディスク装置に
おいて、前記偏差位置信号と前記フィードバック制御の
操作量とを入力信号とするニューラルネットワークモデ
ルと、該ニューラルネットワークの出力が前記偏差位置
信号を補正する手段と、前記偏差位置信号と該ニューラ
ルネットワークの出力とが等しくなるように、該ニュー
ラルネットワークの各層間の重みを適応的に変化させる
学習手段とを設けたものである。
用した場合は、情報が記録される円板と、該円板との間
で情報の読みだしまたは書き込みを行うヘッドと、該円
板に記録された位置情報と該ヘッドの位置との偏差を検
出して偏差位置信号を出力するヘッド位置検出手段と、
該偏差位置信号を零にするように該偏差位置信号をフィ
ードバック制御する制御手段とを備えたディスク装置に
おいて、前記偏差位置信号と前記フィードバック制御の
操作量とを入力信号とするニューラルネットワークモデ
ルと、該ニューラルネットワークの出力が前記偏差位置
信号を補正する手段と、前記偏差位置信号と該ニューラ
ルネットワークの出力とが等しくなるように、該ニュー
ラルネットワークの各層間の重みを適応的に変化させる
学習手段とを設けたものである。
【００１６】また、前記偏差位置信号の過去の値を記憶
する手段と、現時点の偏差位置信号と該記憶した過去の
偏差位置信号とを前記ニューラルネットワークの入力信
号として入力する手段とを設けたものである。
する手段と、現時点の偏差位置信号と該記憶した過去の
偏差位置信号とを前記ニューラルネットワークの入力信
号として入力する手段とを設けたものである。
【００１７】
【作用】第１の発明においては、特に、目標値へのトラ
ッキング問題に効果を発揮し、ニューラルネットワーク
が目標値や制御対象の特性に基づき、制御偏差を最小に
するように学習を進めるため、制御対象の非線形性やダ
イナミクス変動に応じた予測的な目標値の補正が可能と
なる。また、本発明は、従来のフィードバックコントロ
ーラによる閉ループの構造を変更することなく、目標値
を補正することのみによって特性の改善をおこなうもの
であるため、工業的に容易に実施が可能である。
ッキング問題に効果を発揮し、ニューラルネットワーク
が目標値や制御対象の特性に基づき、制御偏差を最小に
するように学習を進めるため、制御対象の非線形性やダ
イナミクス変動に応じた予測的な目標値の補正が可能と
なる。また、本発明は、従来のフィードバックコントロ
ーラによる閉ループの構造を変更することなく、目標値
を補正することのみによって特性の改善をおこなうもの
であるため、工業的に容易に実施が可能である。
【００１８】第２の発明においては、特に、制御偏差を
零にするレギュレーション問題に効果を発揮し、ニュー
ラルネットワークが制御対象の特性に基づき、制御偏差
を最小にするように学習をすすめるため、制御対象の非
線形性やダイナミクス変動に応じた予測的な制御偏差の
補正が可能となる。
零にするレギュレーション問題に効果を発揮し、ニュー
ラルネットワークが制御対象の特性に基づき、制御偏差
を最小にするように学習をすすめるため、制御対象の非
線形性やダイナミクス変動に応じた予測的な制御偏差の
補正が可能となる。
【００１９】特に、ディスク装置においては、円板上に
記録された位置信号と、ヘッドの偏差である偏差位置信
号とを零にするトラック追従制御問題に効果を発揮し、
ニューラルネットワークが、ヘッド支持機構系の特性に
基づいて、制御偏差を最小にするように学習をすすめる
ため、ヘッド支持機構系の非線形性や、ダイナミクス変
動に応じた予測的な偏差位置信号の補正が可能となる。
また、本発明は、偏差位置信号に加算点を設けるだけで
特性の改善をおこなうものであるため、工業的に容易に
実施が可能である。
記録された位置信号と、ヘッドの偏差である偏差位置信
号とを零にするトラック追従制御問題に効果を発揮し、
ニューラルネットワークが、ヘッド支持機構系の特性に
基づいて、制御偏差を最小にするように学習をすすめる
ため、ヘッド支持機構系の非線形性や、ダイナミクス変
動に応じた予測的な偏差位置信号の補正が可能となる。
また、本発明は、偏差位置信号に加算点を設けるだけで
特性の改善をおこなうものであるため、工業的に容易に
実施が可能である。
【００２０】
【実施例】以下、本発明のいくつかの実施例を、図面を
用いて詳細に説明する。図１は、第１の発明の一実施例
を表す図である。第１の発明は、例えばロボットや工作
機械、ＸＹステージ、ディスク装置などにおいて、目標
値への高精度追従を目的としている。
用いて詳細に説明する。図１は、第１の発明の一実施例
を表す図である。第１の発明は、例えばロボットや工作
機械、ＸＹステージ、ディスク装置などにおいて、目標
値への高精度追従を目的としている。
【００２１】図１において、１は制御対象、３は制御対
象の出力Ｙ、６は目標値Ｒ、１０はニューラルネットワ
ーク７の出力Ｒn 、１１は目標値６にニューラルネット
ワークの出力１０を加算した目標値補正値Ｒc 、１４は
この加算点、５は目標値補正値１１と制御対象の出力３
の出力偏差Ｅp 、２は出力偏差５に基づき制御対象を安
定に制御するのに必要なコントローラ、４はコントロー
ラ２の出力で制御対象１へ印加される操作量Ｕ、８は目
標値６の数ステップ先の未来値までを算出する目標値発
生手段、９は制御対象の出力３と操作量４の数ステップ
過去の値までを記憶する入出力記憶手段、７は目標値発
生手段８と入出力記憶手段９の出力を入力し演算を行う
ニューラルネットワーク、１２は出力偏差５を教師信号
としてニューラルネットワーク７の各層間の結合荷重
を、バックプロパゲーション法などを用いて演算する学
習手段である。ここで、コントローラ２は、目標値６と
制御対象の出力３の制御偏差に基づいて、非線形性や外
乱が加わっても、制御対象１をある動作範囲内で安定に
制御することのできる、例えばＰＩＤ補償や位相進み補
償などで構成される。
象の出力Ｙ、６は目標値Ｒ、１０はニューラルネットワ
ーク７の出力Ｒn 、１１は目標値６にニューラルネット
ワークの出力１０を加算した目標値補正値Ｒc 、１４は
この加算点、５は目標値補正値１１と制御対象の出力３
の出力偏差Ｅp 、２は出力偏差５に基づき制御対象を安
定に制御するのに必要なコントローラ、４はコントロー
ラ２の出力で制御対象１へ印加される操作量Ｕ、８は目
標値６の数ステップ先の未来値までを算出する目標値発
生手段、９は制御対象の出力３と操作量４の数ステップ
過去の値までを記憶する入出力記憶手段、７は目標値発
生手段８と入出力記憶手段９の出力を入力し演算を行う
ニューラルネットワーク、１２は出力偏差５を教師信号
としてニューラルネットワーク７の各層間の結合荷重
を、バックプロパゲーション法などを用いて演算する学
習手段である。ここで、コントローラ２は、目標値６と
制御対象の出力３の制御偏差に基づいて、非線形性や外
乱が加わっても、制御対象１をある動作範囲内で安定に
制御することのできる、例えばＰＩＤ補償や位相進み補
償などで構成される。
【００２２】次に、本実施例の動作について説明する。
ステップＫ時刻における制御の流れについて説明する。
まず、制御対象の出力Ｙ(Ｋ)を読み取る。目標値発生手
段８は、ステップＫにおける目標値Ｒ(Ｋ)、１ステップ
未来の目標値Ｒ(Ｋ＋１)、………、ｄステップ未来の目
標値Ｒ(Ｋ＋ｄ)、までを作成し、ニューラルネットワー
クの入力層に設定する。
ステップＫ時刻における制御の流れについて説明する。
まず、制御対象の出力Ｙ(Ｋ)を読み取る。目標値発生手
段８は、ステップＫにおける目標値Ｒ(Ｋ)、１ステップ
未来の目標値Ｒ(Ｋ＋１)、………、ｄステップ未来の目
標値Ｒ(Ｋ＋ｄ)、までを作成し、ニューラルネットワー
クの入力層に設定する。
【００２３】図中、Ｚはステップ進み要素である。ｄの
選定は、目標値や閉ループ系の特性に依存するため、目
標への追従精度と演算量の兼ね合いから決定する必要が
ある。ステップｄを増やせばそれだけ予測量が増えるた
め追従精度が向上するが、逆に演算量が増加する。実際
的には１０以上からはじめ、満足する性能が得られるま
でｄを増やすか、１０で性能が満足するならば性能が低
下しない範囲までｄを減らすことが望ましい。
選定は、目標値や閉ループ系の特性に依存するため、目
標への追従精度と演算量の兼ね合いから決定する必要が
ある。ステップｄを増やせばそれだけ予測量が増えるた
め追従精度が向上するが、逆に演算量が増加する。実際
的には１０以上からはじめ、満足する性能が得られるま
でｄを増やすか、１０で性能が満足するならば性能が低
下しない範囲までｄを減らすことが望ましい。
【００２４】入出力記憶手段９は、制御対象の出力Ｙ
(Ｋ)、１ステップ過去の出力Ｙ(Ｋ−１)、………、ｎス
テップ過去の出力Ｙ(Ｋ−ｎ)、および１ステップ過去の
操作量Ｕ(Ｋ−１)、２ステップ過去の操作量Ｕ(Ｋ−
２)、………、ｍステップ過去の操作量Ｕ(Ｋ−ｍ)、を
作成し、ニューラルネットワークの入力層に設定する。
ステップｎ及びｍの選定は、それぞれ制御対象を線形化
したときの分母と分子の次数と同じかそれ以上に設定す
ることが望ましい。
(Ｋ)、１ステップ過去の出力Ｙ(Ｋ−１)、………、ｎス
テップ過去の出力Ｙ(Ｋ−ｎ)、および１ステップ過去の
操作量Ｕ(Ｋ−１)、２ステップ過去の操作量Ｕ(Ｋ−
２)、………、ｍステップ過去の操作量Ｕ(Ｋ−ｍ)、を
作成し、ニューラルネットワークの入力層に設定する。
ステップｎ及びｍの選定は、それぞれ制御対象を線形化
したときの分母と分子の次数と同じかそれ以上に設定す
ることが望ましい。
【００２５】ニューラルネットワーク７は、目標値関数
と制御対象を獲得する都合上、３層以上が望ましいが、
２層にして線形なニューロンを用いることで演算処理を
低減しても良い。また、中間層の出力を入力層の入力に
フィードバックするリカレント型のニューラルネットワ
ークを用いても良い。この場合は、入出力記憶手段９は
必要なく、目標値発生手段８で得られた出力と制御対象
の出力３と操作量４のみをニューラルネットワークに入
力すればよい。ニューラルネットワークの出力Ｒn (Ｋ)
は、目標値Ｒ(Ｋ)と加算されて、目標値補正値Ｒc (Ｋ)
として閉ループ系１３の目標値となる。出力偏差Ｅp
(Ｋ)が演算され、コントローラ２はＫステップ時の操作
量Ｕ(Ｋ)を決定する。
と制御対象を獲得する都合上、３層以上が望ましいが、
２層にして線形なニューロンを用いることで演算処理を
低減しても良い。また、中間層の出力を入力層の入力に
フィードバックするリカレント型のニューラルネットワ
ークを用いても良い。この場合は、入出力記憶手段９は
必要なく、目標値発生手段８で得られた出力と制御対象
の出力３と操作量４のみをニューラルネットワークに入
力すればよい。ニューラルネットワークの出力Ｒn (Ｋ)
は、目標値Ｒ(Ｋ)と加算されて、目標値補正値Ｒc (Ｋ)
として閉ループ系１３の目標値となる。出力偏差Ｅp
(Ｋ)が演算され、コントローラ２はＫステップ時の操作
量Ｕ(Ｋ)を決定する。
【００２６】以上の演算が終了した後に、ニューラルネ
ットワーク７の学習が行われる。制御目的は、目標値Ｒ
(Ｋ)と制御対象の出力Ｙ(Ｋ)の制御偏差Ｅ(Ｋ)を零とす
ることである。いま、出力偏差５：Ｅp (Ｋ)が、 Ｅp (Ｋ)＝Ｒn (Ｋ)＋Ｒ(Ｋ)−Ｙ(Ｋ) …………………………（式１） であることに注意すると、零にしたい制御偏差Ｅ(Ｋ)
は、 Ｅ(Ｋ)＝Ｒ(Ｋ)−Ｙ(Ｋ) ＝Ｅp (Ｋ)−Ｒn (Ｋ) ……………………………………（式２） となる。すなわち、制御目的を達成するために、ニュー
ラルネットワークの教師信号として出力偏差５：Ｅp
(Ｋ)を用いる。これより、ニューラルネットワークは学
習が進むにつれて制御偏差Ｅ(Ｋ)を零にすることができ
る。
ットワーク７の学習が行われる。制御目的は、目標値Ｒ
(Ｋ)と制御対象の出力Ｙ(Ｋ)の制御偏差Ｅ(Ｋ)を零とす
ることである。いま、出力偏差５：Ｅp (Ｋ)が、 Ｅp (Ｋ)＝Ｒn (Ｋ)＋Ｒ(Ｋ)−Ｙ(Ｋ) …………………………（式１） であることに注意すると、零にしたい制御偏差Ｅ(Ｋ)
は、 Ｅ(Ｋ)＝Ｒ(Ｋ)−Ｙ(Ｋ) ＝Ｅp (Ｋ)−Ｒn (Ｋ) ……………………………………（式２） となる。すなわち、制御目的を達成するために、ニュー
ラルネットワークの教師信号として出力偏差５：Ｅp
(Ｋ)を用いる。これより、ニューラルネットワークは学
習が進むにつれて制御偏差Ｅ(Ｋ)を零にすることができ
る。
【００２７】次に、ニューラルネットワーク７の各ニュ
ーロンの特性と学習のアルゴリズムについて説明する。
ニューラルネットワークの構造は、基本的には多層構造
をとり、例えば、３層構造においては、入力層の各ニュ
ーロンは中間層のニューロンの入力となり、中間層のニ
ューロンの出力は出力層の入力となる。以下層数を３層
に限定して説明する。
ーロンの特性と学習のアルゴリズムについて説明する。
ニューラルネットワークの構造は、基本的には多層構造
をとり、例えば、３層構造においては、入力層の各ニュ
ーロンは中間層のニューロンの入力となり、中間層のニ
ューロンの出力は出力層の入力となる。以下層数を３層
に限定して説明する。
【００２８】ここで、入力層と中間層間の結合荷重を
Ｗij とし、中間層と出力層間の結合荷重をＶj とす
る。各ニューロンの入出力特性は、シグモイド関数によ
ってモデル化される。シグモイド関数Ｆ(Ｘ)は、Ｘを入
力とすると、 Ｆ(Ｘ)＝２／（１＋exp (−Ｘ)）−１ …………………………（式３） で表される。
Ｗij とし、中間層と出力層間の結合荷重をＶj とす
る。各ニューロンの入出力特性は、シグモイド関数によ
ってモデル化される。シグモイド関数Ｆ(Ｘ)は、Ｘを入
力とすると、 Ｆ(Ｘ)＝２／（１＋exp (−Ｘ)）−１ …………………………（式３） で表される。
【００２９】ここでは、入力層のニューロンはシグモイ
ド変換を施さず、中間層および出力層のニューロンはシ
グモイド変換を施す。入力層への入力信号をＸi （i ＝
１〜ｄ＋ｍ＋ｎ＋３）、中間層の出力信号をＨj （ j =
1 〜Ｑ）、出力層の出力信号をＲn とする。ただし、中
間層のニューロン数Ｑは試行錯誤的に決定する必要があ
る。すると、Ｈj 、Ｒn は、それぞれ、式（４）、式
（５）のようになる。ただし、ここではオフセット量に
ついては記述しない。
ド変換を施さず、中間層および出力層のニューロンはシ
グモイド変換を施す。入力層への入力信号をＸi （i ＝
１〜ｄ＋ｍ＋ｎ＋３）、中間層の出力信号をＨj （ j =
1 〜Ｑ）、出力層の出力信号をＲn とする。ただし、中
間層のニューロン数Ｑは試行錯誤的に決定する必要があ
る。すると、Ｈj 、Ｒn は、それぞれ、式（４）、式
（５）のようになる。ただし、ここではオフセット量に
ついては記述しない。
【００３０】
【数１】
【００３１】
【数２】
【００３２】ニューラルネットワーク７の学習手段１２
は、ニューロン間の結合荷重を変化させることによって
行われる。ここでは、誤差逆伝播法（バックプロパゲー
ションアルゴリズム）について説明する。学習手段１２
は、出力層の出力Ｒn (Ｋ)と教師信号である出力偏差Ｅ
p (Ｋ)との誤差（制御偏差）Ｅ(Ｋ)の二乗誤差、すなわ
ち、 Ｊp ＝（Ｅp (Ｋ)−Ｒn (Ｋ)）2／２ ＝Ｅ2 (Ｋ)／２ ………………………………………………（式６） を最小にするように、結合荷重を変えることを行う。こ
の学習処理は、出力層から入力層へ向かって順次行う。
は、ニューロン間の結合荷重を変化させることによって
行われる。ここでは、誤差逆伝播法（バックプロパゲー
ションアルゴリズム）について説明する。学習手段１２
は、出力層の出力Ｒn (Ｋ)と教師信号である出力偏差Ｅ
p (Ｋ)との誤差（制御偏差）Ｅ(Ｋ)の二乗誤差、すなわ
ち、 Ｊp ＝（Ｅp (Ｋ)−Ｒn (Ｋ)）2／２ ＝Ｅ2 (Ｋ)／２ ………………………………………………（式６） を最小にするように、結合荷重を変えることを行う。こ
の学習処理は、出力層から入力層へ向かって順次行う。
【００３３】結合荷重は、以下の式に従って変化させ
る。 △Ｖj ＝−η・∂Ｊp ／∂Ｖj ＝η・Ｅ・(１−Ｒn 2)／２・Ｈj ………………………（式７） △Ｗji＝−η・∂Ｊp ／∂Ｗji ＝η・Ｅ・(１−Ｒn 2)・Ｖj ・(１−Ｈj 2)／２・Ｘi ……（式８） Ｖj (Ｋ＋１)＝Ｖj (Ｋ)＋△Ｖj ………………………………（式９） Ｗji(Ｋ＋１)＝Ｗji(Ｋ)＋△Ｗji ……………………………（式１０） ここで、ηは学習定数でニューロンの数や層の数さらに
は入出力値等から経験的に決定される。また、前回の学
習結果を用いて、より安定した結果が得られるようにす
ることもできる（モーメント法）。
る。 △Ｖj ＝−η・∂Ｊp ／∂Ｖj ＝η・Ｅ・(１−Ｒn 2)／２・Ｈj ………………………（式７） △Ｗji＝−η・∂Ｊp ／∂Ｗji ＝η・Ｅ・(１−Ｒn 2)・Ｖj ・(１−Ｈj 2)／２・Ｘi ……（式８） Ｖj (Ｋ＋１)＝Ｖj (Ｋ)＋△Ｖj ………………………………（式９） Ｗji(Ｋ＋１)＝Ｗji(Ｋ)＋△Ｗji ……………………………（式１０） ここで、ηは学習定数でニューロンの数や層の数さらに
は入出力値等から経験的に決定される。また、前回の学
習結果を用いて、より安定した結果が得られるようにす
ることもできる（モーメント法）。
【００３４】図２は、図１において、ニューラルネット
ワーク７の入力層への入力を、目標値発生手段８の出力
のみで構成したニューラルネットワークを用いた適応制
御装置である。制御対象の特性をニューラルネットワー
クは評価しないため、制御対象の逆システムが不安定の
場合に特に有効である。
ワーク７の入力層への入力を、目標値発生手段８の出力
のみで構成したニューラルネットワークを用いた適応制
御装置である。制御対象の特性をニューラルネットワー
クは評価しないため、制御対象の逆システムが不安定の
場合に特に有効である。
【００３５】図３は、第１の実施例を用いない場合の目
標値Ｒと制御対象の出力Ｙと目標値補正値Ｒc の応答結
果の一例である。台形状の目標値に対し、制御対象の出
力はオーバーシュートし、位相が遅れているのが確認で
きる。
標値Ｒと制御対象の出力Ｙと目標値補正値Ｒc の応答結
果の一例である。台形状の目標値に対し、制御対象の出
力はオーバーシュートし、位相が遅れているのが確認で
きる。
【００３６】一方、図４は、第１の実施例を用いた場合
の目標値Ｒと制御対象の出力Ｙと目標値補正値Ｒc の学
習終了後の応答結果の一例である。台形状の目標値に制
御対象の出力は高精度に追従し、目標値補正値は、予測
的に応答し、目標値に追従するように加工されているの
がわかる。
の目標値Ｒと制御対象の出力Ｙと目標値補正値Ｒc の学
習終了後の応答結果の一例である。台形状の目標値に制
御対象の出力は高精度に追従し、目標値補正値は、予測
的に応答し、目標値に追従するように加工されているの
がわかる。
【００３７】図５は、第２の発明の一実施例を表す図で
ある。第２の発明は、例えば走行用ロボットが床面に記
録された目標軌道との偏差を零にする制御問題や、ディ
スク装置などのディスク円板に記録された目標軌道と、
実際のヘッドとの偏差を零にする制御問題など、高精度
なレギュレーションを目的としている。
ある。第２の発明は、例えば走行用ロボットが床面に記
録された目標軌道との偏差を零にする制御問題や、ディ
スク装置などのディスク円板に記録された目標軌道と、
実際のヘッドとの偏差を零にする制御問題など、高精度
なレギュレーションを目的としている。
【００３８】図５において、１は制御対象、２０はダイ
ナミックに変動する目標値、２１は目標値と制御対象の
出力の制御偏差Ｙe 、１０はニューラルネットワーク７
の出力Ｒn 、２２は制御偏差Ｙe とニューラルネットワ
ークの出力Ｒn を加算した後の制御偏差補正値Ｅc 、２
は制御偏差補正値Ｅc に基づき制御対象を安定に制御す
るのに必要なコントローラ、４はコントローラ２の出力
で制御対象１へ印加される操作量Ｕ、９は制御偏差２１
と操作量４の数ステップ過去の値までを記憶する入出力
記憶手段、７は入出力記憶手段９の出力を入力し演算を
行うニューラルネットワーク、１２は制御偏差補正値２
２を教師信号としてニューラルネットワーク７の各層間
の結合荷重をバックプロパゲーション法などを用いて演
算する学習手段、２３は制御偏差２１を監視しその値が
設定した値より小さくなる場合は、学習を停止し、その
後制御偏差が大きくなった場合には学習を開始するスイ
ッチである。ここで、コントローラ２は、目標値２０と
制御対象の出力３の制御偏差２１に基づいて、非線形性
や外乱が加わっても制御対象１をある動作範囲内で安定
に制御することのできる、例えばＰＩＤ補償や位相進み
補償などで構成される。
ナミックに変動する目標値、２１は目標値と制御対象の
出力の制御偏差Ｙe 、１０はニューラルネットワーク７
の出力Ｒn 、２２は制御偏差Ｙe とニューラルネットワ
ークの出力Ｒn を加算した後の制御偏差補正値Ｅc 、２
は制御偏差補正値Ｅc に基づき制御対象を安定に制御す
るのに必要なコントローラ、４はコントローラ２の出力
で制御対象１へ印加される操作量Ｕ、９は制御偏差２１
と操作量４の数ステップ過去の値までを記憶する入出力
記憶手段、７は入出力記憶手段９の出力を入力し演算を
行うニューラルネットワーク、１２は制御偏差補正値２
２を教師信号としてニューラルネットワーク７の各層間
の結合荷重をバックプロパゲーション法などを用いて演
算する学習手段、２３は制御偏差２１を監視しその値が
設定した値より小さくなる場合は、学習を停止し、その
後制御偏差が大きくなった場合には学習を開始するスイ
ッチである。ここで、コントローラ２は、目標値２０と
制御対象の出力３の制御偏差２１に基づいて、非線形性
や外乱が加わっても制御対象１をある動作範囲内で安定
に制御することのできる、例えばＰＩＤ補償や位相進み
補償などで構成される。
【００３９】次に、本実施例の動作について説明する。
ステップＫに時刻おける制御の流れについて説明する。
まず、制御偏差Ｙe (Ｋ)を読み取る。入出力記憶手段９
は、制御偏差Ｙe (Ｋ)、１ステップ過去の制御偏差Ｙe
(Ｋ−１)、………、ｎステップ過去の制御偏差Ｙe (Ｋ
−ｎ)、および１ステップ過去の操作量Ｕ(Ｋ−１)、２
ステップ過去の操作量Ｕ(Ｋ−２)、………、ｍステップ
過去の操作量Ｕ(Ｋ−ｍ)、を作成し、ニューラルネット
ワークの入力層に設定する。ステップｎ及びｍの選定
は、それぞれ制御対象を線形化したときの分母と分子の
次数と同じかそれ以上に設定することが望ましい。
ステップＫに時刻おける制御の流れについて説明する。
まず、制御偏差Ｙe (Ｋ)を読み取る。入出力記憶手段９
は、制御偏差Ｙe (Ｋ)、１ステップ過去の制御偏差Ｙe
(Ｋ−１)、………、ｎステップ過去の制御偏差Ｙe (Ｋ
−ｎ)、および１ステップ過去の操作量Ｕ(Ｋ−１)、２
ステップ過去の操作量Ｕ(Ｋ−２)、………、ｍステップ
過去の操作量Ｕ(Ｋ−ｍ)、を作成し、ニューラルネット
ワークの入力層に設定する。ステップｎ及びｍの選定
は、それぞれ制御対象を線形化したときの分母と分子の
次数と同じかそれ以上に設定することが望ましい。
【００４０】ニューラルネットワーク７は、制御対象と
ダイナミックな目標軌道を獲得する都合上、３層以上が
好ましいが、２層にして演算処理を低減しても良い。ま
た、中間層の出力を入力層の入力にフィードバックする
リカレント型のニューラルネットワークを用いても良
い。この場合は、入出力記憶手段９は必要なく、制御偏
差２１と操作量４のみをニューラルネットワーク７に入
力すればよい。ニューラルネットワークの出力Ｒn (Ｋ)
は、制御偏差Ｙe (Ｋ)と加算されて、制御偏差補正値Ｅ
c (Ｋ)としてコントローラ２に印加され、コントローラ
２はＫステップの操作量Ｕ(Ｋ)を決定する。
ダイナミックな目標軌道を獲得する都合上、３層以上が
好ましいが、２層にして演算処理を低減しても良い。ま
た、中間層の出力を入力層の入力にフィードバックする
リカレント型のニューラルネットワークを用いても良
い。この場合は、入出力記憶手段９は必要なく、制御偏
差２１と操作量４のみをニューラルネットワーク７に入
力すればよい。ニューラルネットワークの出力Ｒn (Ｋ)
は、制御偏差Ｙe (Ｋ)と加算されて、制御偏差補正値Ｅ
c (Ｋ)としてコントローラ２に印加され、コントローラ
２はＫステップの操作量Ｕ(Ｋ)を決定する。
【００４１】以上の演算が終了した後に、ニューラルネ
ットワークの学習が行われる。制御目的は制御偏差Ｙe
(Ｋ)を零とすることである。いま、制御偏差補正値Ｅc
(Ｋ)が、 Ｅc (Ｋ)＝Ｙe (Ｋ)＋Ｒn (Ｋ) ………………………………（式１１） であることに注意すると、零にしたい制御偏差Ｙe (Ｋ)
は、 Ｙe (Ｋ)＝Ｅc (Ｋ)−Ｒn (Ｋ) ………………………………（式１２） となる。すなわち、ニューラルネットワークの教師信号
として制御偏差補正値Ｅc (Ｋ)を用いる。これより、ニ
ューラルネットワークは学習が進むにつれて制御偏差Ｙ
e (Ｋ)を零にすることができる。
ットワークの学習が行われる。制御目的は制御偏差Ｙe
(Ｋ)を零とすることである。いま、制御偏差補正値Ｅc
(Ｋ)が、 Ｅc (Ｋ)＝Ｙe (Ｋ)＋Ｒn (Ｋ) ………………………………（式１１） であることに注意すると、零にしたい制御偏差Ｙe (Ｋ)
は、 Ｙe (Ｋ)＝Ｅc (Ｋ)−Ｒn (Ｋ) ………………………………（式１２） となる。すなわち、ニューラルネットワークの教師信号
として制御偏差補正値Ｅc (Ｋ)を用いる。これより、ニ
ューラルネットワークは学習が進むにつれて制御偏差Ｙ
e (Ｋ)を零にすることができる。
【００４２】ニューラルネットワーク７の学習手段１２
は、第一の実施例と同様に実行される。ただし、学習が
進むにつれてニューラルネットワークに入力される制御
偏差や操作量の値が小さくなるため、ある設定値を設
け、制御偏差がその値よりも小さくなったときには学習
をとめ、制御偏差が大きくなった場合には学習を開始す
るスイッチ２３が必要となる。
は、第一の実施例と同様に実行される。ただし、学習が
進むにつれてニューラルネットワークに入力される制御
偏差や操作量の値が小さくなるため、ある設定値を設
け、制御偏差がその値よりも小さくなったときには学習
をとめ、制御偏差が大きくなった場合には学習を開始す
るスイッチ２３が必要となる。
【００４３】図６は、本実施例を用いない場合の目標値
２０と制御偏差Ｙe とニューラルネットワークの出力Ｒ
n の応答結果の一例である。正弦波状の目標値に対し、
制御対象の出力はゲインをある程度圧縮しているが、位
相が遅れているのが確認できる。
２０と制御偏差Ｙe とニューラルネットワークの出力Ｒ
n の応答結果の一例である。正弦波状の目標値に対し、
制御対象の出力はゲインをある程度圧縮しているが、位
相が遅れているのが確認できる。
【００４４】一方、図７は、本実施例を用いた場合の目
標値２０と制御偏差Ｙe とニューラルネットワークの出
力Ｒn の学習終了後の応答結果の一例である。正弦波状
の目標値に対し制御対象の出力は完全に追従し、制御偏
差は零になっているのがわかる。このとき、ニューラル
ネットワークの出力Ｒn は、予測的に応答し、制御偏差
を零にするように加工されているのがわかる。
標値２０と制御偏差Ｙe とニューラルネットワークの出
力Ｒn の学習終了後の応答結果の一例である。正弦波状
の目標値に対し制御対象の出力は完全に追従し、制御偏
差は零になっているのがわかる。このとき、ニューラル
ネットワークの出力Ｒn は、予測的に応答し、制御偏差
を零にするように加工されているのがわかる。
【００４５】図８は、第２の発明の上記実施例をディス
ク装置で実現するハードウエアの構成方法の一例であ
る。図８に示すように、図５における制御対象１はヘッ
ド支持機構系からなる。ヘッド支持機構系は、具体的に
は、ヘッド３１を支持する支持機構３２、その支持機構
を駆動するボイスコイルモータ３３、ボイスコイルモー
タに電流を印加するパワーアンプ３４、ディジタル信号
をアナログ信号に変換するＤＡ変換器３５、ディスク円
板３０に記録されたトラック上の目標軌道３６とヘッド
３１との偏差位置信号３７：Ｙe を検出するヘッド位置
検出手段３８、及びアナログ信号をディジタル信号に変
換するＡＤ変換器３９において、ＤＡ変換器からＡＤ変
換器までのダイナミクスを表す。
ク装置で実現するハードウエアの構成方法の一例であ
る。図８に示すように、図５における制御対象１はヘッ
ド支持機構系からなる。ヘッド支持機構系は、具体的に
は、ヘッド３１を支持する支持機構３２、その支持機構
を駆動するボイスコイルモータ３３、ボイスコイルモー
タに電流を印加するパワーアンプ３４、ディジタル信号
をアナログ信号に変換するＤＡ変換器３５、ディスク円
板３０に記録されたトラック上の目標軌道３６とヘッド
３１との偏差位置信号３７：Ｙe を検出するヘッド位置
検出手段３８、及びアナログ信号をディジタル信号に変
換するＡＤ変換器３９において、ＤＡ変換器からＡＤ変
換器までのダイナミクスを表す。
【００４６】これらのダイナミクスは、ボイスコイルモ
ータ３３の位置によるゲイン変動や、ヘッド位置検出手
段の非線形性、ヘッド支持機構３２の温度によるダイナ
ミクス変動などが存在する。また、トラック上に記録さ
れている目標軌道３６は、図５における目標軌道２０で
あり、目標軌道を記録する際のディスク装置の振動やデ
ィスク円板３０の回転振動により、わずかながら真円よ
りうねって記録される。すなわち、ディスク装置の制御
目的は、このダイナミックで周期的な目標軌道３６とヘ
ッド３１との偏差を零にすることであり、この目的は、
上記第２の発明によって解決される。
ータ３３の位置によるゲイン変動や、ヘッド位置検出手
段の非線形性、ヘッド支持機構３２の温度によるダイナ
ミクス変動などが存在する。また、トラック上に記録さ
れている目標軌道３６は、図５における目標軌道２０で
あり、目標軌道を記録する際のディスク装置の振動やデ
ィスク円板３０の回転振動により、わずかながら真円よ
りうねって記録される。すなわち、ディスク装置の制御
目的は、このダイナミックで周期的な目標軌道３６とヘ
ッド３１との偏差を零にすることであり、この目的は、
上記第２の発明によって解決される。
【００４７】図８における演算処理は、マイクロプロセ
ッサシステム４６内で実行される。マイクロプロセッサ
システム４６では、マイクロプロセッサ４１とニューロ
プロセッサ４０がバスライン４５を介して、ＲＡＭ（ラ
ンダムアクセスメモリ）４２、ＲＯＭ（読みだし専用メ
モリ）４３に接続されている。ＲＯＭ４３は、ニューラ
ルネットワーク７の構造、学習手段１２およびコントロ
ーラ２のプログラムを格納する。ＲＡＭ４２は、入出力
記憶手段９の役割をはたす。ニューロプロセッサ４０
は、マイクロプロセッサ４１で代用してもよいが、ＡＤ
変換器３９の出力結果を基にニューラルネットワークの
演算（式４、式５）と学習の演算（式９、式１０）を高
速に実行する。
ッサシステム４６内で実行される。マイクロプロセッサ
システム４６では、マイクロプロセッサ４１とニューロ
プロセッサ４０がバスライン４５を介して、ＲＡＭ（ラ
ンダムアクセスメモリ）４２、ＲＯＭ（読みだし専用メ
モリ）４３に接続されている。ＲＯＭ４３は、ニューラ
ルネットワーク７の構造、学習手段１２およびコントロ
ーラ２のプログラムを格納する。ＲＡＭ４２は、入出力
記憶手段９の役割をはたす。ニューロプロセッサ４０
は、マイクロプロセッサ４１で代用してもよいが、ＡＤ
変換器３９の出力結果を基にニューラルネットワークの
演算（式４、式５）と学習の演算（式９、式１０）を高
速に実行する。
【００４８】ニューラルネットワークの出力１０の結果
は、マイクロプロセッサ４１内で処理され、操作量４を
演算し、バスライン４５を介してＤＡ変換器３５へ印加
される。コマンド発生器４４は、ＡＤ変換器の出力信号
を監視し、学習手段１２のスイッチ２３の役割をはた
す。なお、本発明は、目標値の特性を位置に限定するも
のではなく、速度やその他の性質の信号へも適用可能で
ある。
は、マイクロプロセッサ４１内で処理され、操作量４を
演算し、バスライン４５を介してＤＡ変換器３５へ印加
される。コマンド発生器４４は、ＡＤ変換器の出力信号
を監視し、学習手段１２のスイッチ２３の役割をはた
す。なお、本発明は、目標値の特性を位置に限定するも
のではなく、速度やその他の性質の信号へも適用可能で
ある。
【００４９】以上のとおり、第１の発明の実施例によれ
ば、特に、目標値へのトラッキング問題に効果を発揮
し、ニューラルネットワークが目標値や制御対象の特性
に基づき制御偏差を最小にするように学習を進めるた
め、制御対象の非線形性やダイナミクス変動に応じた予
測的な目標値の補正が可能となり、高精度な目標値への
追従に効果がある。
ば、特に、目標値へのトラッキング問題に効果を発揮
し、ニューラルネットワークが目標値や制御対象の特性
に基づき制御偏差を最小にするように学習を進めるた
め、制御対象の非線形性やダイナミクス変動に応じた予
測的な目標値の補正が可能となり、高精度な目標値への
追従に効果がある。
【００５０】また、第２の発明の実施例によれば、特
に、制御偏差を零にするレギュレーション問題に効果を
発揮し、ニューラルネットワークが制御対象の特性に基
づいて制御偏差を最小にするように学習をすすめるた
め、制御対象の非線形性やダイナミクス変動に応じた予
測的な制御偏差の補正が可能となり、高精度なレギュレ
ーションが可能となる。
に、制御偏差を零にするレギュレーション問題に効果を
発揮し、ニューラルネットワークが制御対象の特性に基
づいて制御偏差を最小にするように学習をすすめるた
め、制御対象の非線形性やダイナミクス変動に応じた予
測的な制御偏差の補正が可能となり、高精度なレギュレ
ーションが可能となる。
【００５１】
【発明の効果】上述のとおり、本発明によれば、目標値
と制御対象の出力との制御偏差を最小にするようにニュ
ーラルネットワークを学習することで、制御対象の非線
形性や外乱、環境経時変化に対応でき、かつ制御サンプ
リング時おいて制御目的である制御偏差を零にすること
ができる高精度位置決めが可能なニューラルネットワー
クを用いた適応制御装置を得ることができる。
と制御対象の出力との制御偏差を最小にするようにニュ
ーラルネットワークを学習することで、制御対象の非線
形性や外乱、環境経時変化に対応でき、かつ制御サンプ
リング時おいて制御目的である制御偏差を零にすること
ができる高精度位置決めが可能なニューラルネットワー
クを用いた適応制御装置を得ることができる。
【図１】第１の発明の一実施例を示すブロック線図。
【図２】第１の発明の別の実施例を示すブロック線図。
【図３】第１の発明を用いない場合の応答波形を示す
図。
図。
【図４】第１の発明を用いた場合の応答波形を示す図。
【図５】第２の発明の一実施例を示すブロック線図。
【図６】第２の発明を用いない場合の応答波形を示す
図。
図。
【図７】第２の発明を用いた場合の応答波形を示す図。
【図８】第２の発明のディスク装置への一例を示すハー
ドウエア構成図。
ドウエア構成図。
【図９】従来の発明の構成を示すブロック線図。
１ 制御対象 ２ コントローラ ３ 制御対象の出力 ４ 操作量 ５ 出力偏差 ６ 目標値 ７ ニューラルネットワーク ８ 目標値発生手段 ９ 入出力記憶手段 １０ ニューラルネットワークの出力 １１ 目標値補正値 １２ ニューラルネットワークの学習手段 １３ 閉ループ系 １４ 加算点 ２０ 目標値 ２１ 制御偏差 ２２ 制御偏差補正値 ２３ スイッチ ３０ ディスク円板 ３１ ヘッド ３２ ヘッド支持機構 ３３ ボイスコイルモータ ３４ パワーアンプ ３５ ＤＡ変換器 ３６ 目標軌道 ３７ 偏差位置信号 ３８ ヘッド位置検出手段 ３９ ＡＤ変換器 ４０ ニューロプロセッサ ４１ マイクロプロセッサ ４２ ＲＡＭ ４３ ＲＯＭ ４４ コマンド発生器 ４５ バスライン ４６ マイクロプロセッサシステム ５１ 閉ループ系 ５２ コントローラ ５３ 加算点 ５４ 操作量 ５５ 制御対象 ５６ 制御対象出力 ５７ 目標値発生手段 ５８ 目標値 ５９ ニューラルネットワーク ６０ 学習手段
───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平２−54304（ＪＰ，Ａ) 特開 平５−53605（ＪＰ，Ａ) 実開 平４−336303（ＪＰ，Ｕ) 西脇宏 他，”ニューラルネットワー クによる磁気ディスク装置追従制御”, 第71期全国大会講演論文集（Ｖｏｌ. Ｅ），社団法人日本機械学会，平成５年 ９月24日，ｐ．395−397 (58)調査した分野(Int.Cl.7，ＤＢ名) G05B 11/00 - 13/04 G11B 21/10 ＪＩＣＳＴファイル（ＪＯＩＳ)
Claims (7)
- 【請求項１】 制御対象の制御出力を目標値に一致させ
るように該目標値と該制御出力との制御偏差をフィード
バック制御する制御装置に対して、前記目標値と前記制
御出力と前記フィードバック制御の操作量とを入力信号
とするニューラルネットワークモデルと、該ニューラル
ネットワークの出力が前記目標値を補正する手段と、前
記制御偏差と該ニューラルネットワークの出力が等しく
なるように、該ニューラルネットワークの各層間の重み
を変化させる学習手段とを備えたことを特徴とするニュ
ーラルネットワークを用いた適応制御装置。 - 【請求項２】 前記目標値の未来値を発生可能な目標値
発生手段を有し、前記ニューラルネットワークの入力信
号として、現時点の目標値のほかに目標値の未来値を入
力することを特徴とする請求項１記載のニューラルネッ
トワークを用いた適応制御装置。 - 【請求項３】 目標値と制御対象の制御出力との制御偏
差を検出する偏差検出手段と、該制御偏差を零にするよ
うに該制御偏差をフィードバック制御する制御装置に対
して、前記制御偏差と前記フィードバック制御の操作量
とを入力信号とするニューラルネットワークモデルと、
該ニューラルネットワークの出力が前記制御偏差を補正
する手段と、前記制御偏差と該ニューラルネットワーク
の出力が等しくなるように、該ニューラルネットワーク
の各層間の重みを変化させる学習手段とを備えたことを
特徴とするニューラルネットワークを用いた適応制御装
置。 - 【請求項４】 前記偏差検出手段で検出した前記制御偏
差の過去の値を記憶する手段と、該記憶した過去の制御
偏差と現時点の制御偏差とを、前記ニューラルネットワ
ークの入力信号として入力することを特徴とする請求項
３記載のニューラルネットワークを用いた適応制御装
置。 - 【請求項５】 情報が記録される円板と、該円板との間
で情報の読みだしまたは書き込みを行うヘッドと、該ヘ
ッドの位置と前記円板に記録された位置情報との偏差を
検出し、偏差位置信号を出力するヘッド位置検出手段
と、該偏差位置信号を零にするように該偏差位置信号を
フィードバック制御する制御手段とを備えたディスク装
置において、 前 記偏差位置信号と前記フィードバック制御の操作量と
を入力信号とするニューラルネットワークモデルと、該
ニューラルネットワークの出力が前記偏差位置信号を補
正する手段と、前記偏差位置信号と該ニューラルネット
ワークの出力とが等しくなるように、該ニューラルネッ
トワークの各層間の重みを適応的に変化させる学習手段
とを備えたことを特徴とするディスク装置。 - 【請求項６】 前記偏差位置信号の過去の値を記憶する
手段と、該記憶した過去の偏差位置信号と現時点の偏差
位置信号とを、前記ニューラルネットワークの入力信号
として入力することを特徴とする請求項５記載のディス
ク装置。 - 【請求項７】 制御対象の制御出力を目標値に一致させ
るように該目標値と該制御出力との制御偏差をフィード
バック制御する制御装置に対して、現時点の前記目標値
と該目標値の未来値とを入力信号とするニューラルネッ
トワークモデルと、該ニューラルネットワークの出力が
前記目標値を補正する手段と、前記制御偏差と該ニュー
ラルネットワークの出力が等しくなるように、該ニュー
ラルネットワークの各層間の重みを変化させる学習手段
とを備えたことを特徴とするニューラルネットワークを
用いた適応制御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5176652A JP3062606B2 (ja) | 1993-07-16 | 1993-07-16 | ニューラルネットワークを用いた適応制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5176652A JP3062606B2 (ja) | 1993-07-16 | 1993-07-16 | ニューラルネットワークを用いた適応制御装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0736506A JPH0736506A (ja) | 1995-02-07 |
| JP3062606B2 true JP3062606B2 (ja) | 2000-07-12 |
Family
ID=16017331
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5176652A Expired - Fee Related JP3062606B2 (ja) | 1993-07-16 | 1993-07-16 | ニューラルネットワークを用いた適応制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3062606B2 (ja) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3377163B2 (ja) * | 1997-03-06 | 2003-02-17 | 株式会社日立製作所 | 自律的制御システム |
| JP2005059656A (ja) | 2003-08-08 | 2005-03-10 | Fuji Heavy Ind Ltd | 飛行体の着陸制御装置および飛行体の着陸制御方法 |
| JP2007212700A (ja) * | 2006-02-09 | 2007-08-23 | Nagoya Institute Of Technology | アクティブノイズキャンセリングシステム用アナログ電子回路 |
| JP6113429B2 (ja) * | 2012-07-24 | 2017-04-12 | 株式会社日立ハイテクノロジーズ | ステージ装置及び試料搬送装置並びに位置決め制御方法 |
| JP5997595B2 (ja) * | 2012-12-05 | 2016-09-28 | 富士重工業株式会社 | 飛行制御システム |
| JP6665610B2 (ja) * | 2016-01-08 | 2020-03-13 | 株式会社ジェイテクト | モータ制御装置 |
| JP6457563B2 (ja) | 2017-01-24 | 2019-01-23 | ファナック株式会社 | 数値制御装置及び機械学習装置 |
| JP6680756B2 (ja) | 2017-12-26 | 2020-04-15 | ファナック株式会社 | 制御装置及び機械学習装置 |
-
1993
- 1993-07-16 JP JP5176652A patent/JP3062606B2/ja not_active Expired - Fee Related
Non-Patent Citations (1)
| Title |
|---|
| 西脇宏 他，"ニューラルネットワークによる磁気ディスク装置追従制御"，第７１期全国大会講演論文集（Ｖｏｌ．Ｅ），社団法人日本機械学会，平成５年９月２４日，ｐ．３９５−３９７ |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0736506A (ja) | 1995-02-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5404253A (en) | Estimator-based runout compensation in a disk drive | |
| US5268834A (en) | Stable adaptive neural network controller | |
| US6686716B1 (en) | Tuned open-loop switched to closed-loop method for rapid point-to-point movement of a periodic motion control system | |
| EP0375749B1 (en) | Robot axis controller employing feedback and open loop control | |
| US4893068A (en) | Digital servo employing switch mode lead/lag integrator | |
| JPWO2006011519A1 (ja) | サーボ制御装置 | |
| Zain et al. | Hybrid learning control schemes with input shaping of a flexible manipulator system | |
| JP2002062906A (ja) | 予測制御装置 | |
| Tomizuka | Model based prediction, preview and robust controls in motion control systems | |
| JP3062606B2 (ja) | ニューラルネットワークを用いた適応制御装置 | |
| US5598304A (en) | Fuzzy controller for an actuator and the controlling method thereof | |
| US6052252A (en) | Adaptive feed forward device for reducing current control errors | |
| JPH07210207A (ja) | 適応制御装置 | |
| US5710497A (en) | Positioning control device and head positioning control device | |
| JP3773686B2 (ja) | サーボ制御装置及びサーボ制御方法 | |
| WO2002025390A1 (fr) | Procede de servocommande | |
| JP2923000B2 (ja) | サーボ制御装置 | |
| CN113805596A (zh) | 一种控制器的位置调控方法、装置、设备及介质 | |
| JP3582541B2 (ja) | スライディングモード制御による位置決め制御方法 | |
| JPH0782382B2 (ja) | 学習制御方式 | |
| JP2881873B2 (ja) | デジタル適応制御装置 | |
| JP3340923B2 (ja) | Ｓａｃコントローラ | |
| JPS62217304A (ja) | 自動制御装置 | |
| JP2921056B2 (ja) | 速度指令の補正による学習制御装置 | |
| JP3256950B2 (ja) | 最適予見学習制御装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080512 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090512 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100512 Year of fee payment: 10 |
|
| LAPS | Cancellation because of no payment of annual fees |