JP3242950B2 - 予測制御方法 - Google Patents
予測制御方法Info
- Publication number
- JP3242950B2 JP3242950B2 JP20449491A JP20449491A JP3242950B2 JP 3242950 B2 JP3242950 B2 JP 3242950B2 JP 20449491 A JP20449491 A JP 20449491A JP 20449491 A JP20449491 A JP 20449491A JP 3242950 B2 JP3242950 B2 JP 3242950B2
- Authority
- JP
- Japan
- Prior art keywords
- control
- amount
- target
- time
- sampling
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
Description
【０００１】
【産業上の利用分野】この発明は、例えばマニピュレー
タのごとき例えば非線形制御対象のサンプル時の制御量
を予測する予測制御方法に関する。
タのごとき例えば非線形制御対象のサンプル時の制御量
を予測する予測制御方法に関する。
【０００２】
【従来の技術】従来、マニピュレータのごとき非線形制
御対象の制御方法として、非線形補償とフィードバック
制御を組み合わせた方法や、非線形制御対象の数式モデ
ルから操作量を求める逆プラント手法が考えられてい
る。これらの各方法は、いずれも数式モデル（動特性の
数式モデル）が未知ならば、正確な制御はできない。
御対象の制御方法として、非線形補償とフィードバック
制御を組み合わせた方法や、非線形制御対象の数式モデ
ルから操作量を求める逆プラント手法が考えられてい
る。これらの各方法は、いずれも数式モデル（動特性の
数式モデル）が未知ならば、正確な制御はできない。
【０００３】また、以上述べた方法以外に、神経回路を
用いて学習により神経回路が制御対象の動特性を獲得
し、これにより、数式モデルが未知であっても、制御が
可能な神経回路を用いた非線形制御対象の制御方法が幾
つか提案されている。
用いて学習により神経回路が制御対象の動特性を獲得
し、これにより、数式モデルが未知であっても、制御が
可能な神経回路を用いた非線形制御対象の制御方法が幾
つか提案されている。
【０００４】
【発明が解決しようとする課題】ところが、前者の各方
法は、いずれも制御対象の数式モデル（動特性の数式モ
デル）が未知ならば、正確な制御はできない。また、後
者の各方法は、目標制御量から操作量を計算するフィー
ドフォワード制御であるため、外乱に対する補償ができ
ない。
法は、いずれも制御対象の数式モデル（動特性の数式モ
デル）が未知ならば、正確な制御はできない。また、後
者の各方法は、目標制御量から操作量を計算するフィー
ドフォワード制御であるため、外乱に対する補償ができ
ない。
【０００５】この発明は、前記の事情に鑑みてなされた
もので、動特性の数式モデルが未知である制御対象につ
いても予測制御が行え、且つ、外乱に対しても補償がで
きる制御対象の予測制御方法を提供することを目的とす
る。
もので、動特性の数式モデルが未知である制御対象につ
いても予測制御が行え、且つ、外乱に対しても補償がで
きる制御対象の予測制御方法を提供することを目的とす
る。
【０００６】
【課題を解決するための手段】この発明は、前記目的を
達成するために、以下のような工程を含んでいる。すな
わち、請求項１に対応する発明は、制御すべき制御対象
に対して操作量を与えて予測制御を行う予測制御方法に
おいて、多層神経回路を前記制御対象の同定器として用
い、この同定器に前記制御対象に対するサンプル時の制
御量および操作量を入力し、前記サンプリング時から所
定時間後の制御量を予測する第１の工程と、この第１の
工程で得られた予測値と、前記制御対象の目標制御量の
誤差を求める第２の工程と、この第２の工程で得られた
制御量誤差を前記同定器に入力し、誤差逆伝播法により
現時刻の操作量の誤差を求めて、前記制御対象に与えら
れる操作量を修正する第３の工程とを合んでいる。請求
項２に対応する発明は、請求項１における第２および第
３の工程を繰り返し行う第４の工程を含んでいる。
達成するために、以下のような工程を含んでいる。すな
わち、請求項１に対応する発明は、制御すべき制御対象
に対して操作量を与えて予測制御を行う予測制御方法に
おいて、多層神経回路を前記制御対象の同定器として用
い、この同定器に前記制御対象に対するサンプル時の制
御量および操作量を入力し、前記サンプリング時から所
定時間後の制御量を予測する第１の工程と、この第１の
工程で得られた予測値と、前記制御対象の目標制御量の
誤差を求める第２の工程と、この第２の工程で得られた
制御量誤差を前記同定器に入力し、誤差逆伝播法により
現時刻の操作量の誤差を求めて、前記制御対象に与えら
れる操作量を修正する第３の工程とを合んでいる。請求
項２に対応する発明は、請求項１における第２および第
３の工程を繰り返し行う第４の工程を含んでいる。
【０００７】
【作用】この発明によれば、制御対象の操作量および制
御量を多層神経回路に入力して前向き計算により、サン
プル時の制御量の予測ができ、神経回路の誤差逆伝播計
算により、予測された制御量および目標制御量との誤差
から操作量の修正量を計算することができ、これにより
特性が未知の制御対象、あるいは、動特性の非線形性が
強い制御対象等の動特性の数式モデルが未知である制御
対象（特性が未知の制御対象、あるいは、動特性の非線
形性が強い制御対象）であっても制御できる。また、多
層神経回路の前向き計算では、その時刻に実現されてい
る制御量を操作量とともに、入力してサンプリング周期
後の制御量が目標制御量に近付くように操作量が修正さ
れるので、外乱に対しても補償できる。
御量を多層神経回路に入力して前向き計算により、サン
プル時の制御量の予測ができ、神経回路の誤差逆伝播計
算により、予測された制御量および目標制御量との誤差
から操作量の修正量を計算することができ、これにより
特性が未知の制御対象、あるいは、動特性の非線形性が
強い制御対象等の動特性の数式モデルが未知である制御
対象（特性が未知の制御対象、あるいは、動特性の非線
形性が強い制御対象）であっても制御できる。また、多
層神経回路の前向き計算では、その時刻に実現されてい
る制御量を操作量とともに、入力してサンプリング周期
後の制御量が目標制御量に近付くように操作量が修正さ
れるので、外乱に対しても補償できる。
【０００８】
【実施例】以下、本発明の実施例について図面を参照し
て説明する。図１は本発明を実施するための装置の概略
構成を示すブロック図である。制御対象例えばマニピュ
レータ１、多層型神経回路モデルからなる同定器２、操
作量発生器３、積分器４、スイッチ５、フィードバック
ループ６に設けられた時間遅れ要素７からなっている。
て説明する。図１は本発明を実施するための装置の概略
構成を示すブロック図である。制御対象例えばマニピュ
レータ１、多層型神経回路モデルからなる同定器２、操
作量発生器３、積分器４、スイッチ５、フィードバック
ループ６に設けられた時間遅れ要素７からなっている。
【０００９】ここでは、制御対象の一例としては、図２
に示す第１関節１１，第２関節１２を有する２関節マニ
ピュレータを例に挙げて説明するが、これに限らず、他
の非線形制御対象であってもよい。マニピュレータ１
は、第１リンク１３がｘ軸となす角を第１関節角θ1 、
リンク１３の延長線と第２リンク１４のなす角を第２関
節角θ2 とし、第１関節トルクτ1 は、第１関節１１
に、また第２関節トルクτ2 は、第２関節１２に各々の
関節角の正方向に加えられる場合を示している。
に示す第１関節１１，第２関節１２を有する２関節マニ
ピュレータを例に挙げて説明するが、これに限らず、他
の非線形制御対象であってもよい。マニピュレータ１
は、第１リンク１３がｘ軸となす角を第１関節角θ1 、
リンク１３の延長線と第２リンク１４のなす角を第２関
節角θ2 とし、第１関節トルクτ1 は、第１関節１１
に、また第２関節トルクτ2 は、第２関節１２に各々の
関節角の正方向に加えられる場合を示している。
【００１０】マニピュレータ１には、時刻ｎΔｔに操作
量である関節角トルクＵｎ＝（τ1，n,τ2,n ）T が
入力され、ここで、Ｘn+1 ＝Ｆ（Ｘn ，Ｕn ）、すなわ
ち、サンプリング周期Δｔ後の制御量である状態Ｘn+1
＝（θ1 ，n+1 ，θ2 ，n+1，θ´1 ，n+1 ，θ´2 ，
n+1 ）T が計測されるようになつている。
量である関節角トルクＵｎ＝（τ1，n,τ2,n ）T が
入力され、ここで、Ｘn+1 ＝Ｆ（Ｘn ，Ｕn ）、すなわ
ち、サンプリング周期Δｔ後の制御量である状態Ｘn+1
＝（θ1 ，n+1 ，θ2 ，n+1，θ´1 ，n+1 ，θ´2 ，
n+1 ）T が計測されるようになつている。
【００１１】ここで、τ1, nおよびτ2,n は、それぞれ
時刻nΔｔの第１関節トルクおよび第２関節トルクを示
している。Ｕn はトルクベクトルを示している。θ'
1,n およびθ' 2,n は時刻 nΔｔの第１関節角速度およ
び第２関節角速度を示し、Ｘnはこれらを成分とする状
態ベクトルである。
時刻nΔｔの第１関節トルクおよび第２関節トルクを示
している。Ｕn はトルクベクトルを示している。θ'
1,n およびθ' 2,n は時刻 nΔｔの第１関節角速度およ
び第２関節角速度を示し、Ｘnはこれらを成分とする状
態ベクトルである。
【００１２】同定器２は、図３（ａ），（ｂ）に示すよ
うに多層型神経回路モデルを有しており、この第１の機
能は、後述する誤差逆伝搬学習法により、図３（ａ）に
示すように操作量Ｕn とマニピュレータ１の制御量Ｘn
を入力すると、サンプル時（サンプリング周期後）の制
御量の予測値Ｚn+1 が出力されることであり、また、第
２の機能は、図３（ｂ）に示すように予測値Ｚn+1 と目
標値ｄn+1 の差（誤差量）を用いて、誤差逆伝播計算に
よりトルクＵn の誤差ΔＵn を計算することである。図
３の神経回路モデルは、右側が第１層で、左側は最終層
になっている。
うに多層型神経回路モデルを有しており、この第１の機
能は、後述する誤差逆伝搬学習法により、図３（ａ）に
示すように操作量Ｕn とマニピュレータ１の制御量Ｘn
を入力すると、サンプル時（サンプリング周期後）の制
御量の予測値Ｚn+1 が出力されることであり、また、第
２の機能は、図３（ｂ）に示すように予測値Ｚn+1 と目
標値ｄn+1 の差（誤差量）を用いて、誤差逆伝播計算に
よりトルクＵn の誤差ΔＵn を計算することである。図
３の神経回路モデルは、右側が第１層で、左側は最終層
になっている。
【００１３】ここで、図４のフローチャートを参照し
て、誤差逆伝播学習方法について説明する。この誤差逆
伝播学習方法は、現在、最も一般的に利用されている方
法である。この方法は、結合荷重空間に定義された誤差
関数曲面の最急降下方向を計算し、その方向に結合荷重
を変化させる方法である。初めに、結合荷重ｗの初期値
を乱数により設定する（Ｓ１）。次に、神経回路モデル
に学習させたいデータ、すなわち、入力信号Ｕi,Ｘi 、
および、その入力に対する望ましい出力信号ｔiを設定
する（Ｓ２）。ただし、i ＝１，２，…，data maxであ
る。
て、誤差逆伝播学習方法について説明する。この誤差逆
伝播学習方法は、現在、最も一般的に利用されている方
法である。この方法は、結合荷重空間に定義された誤差
関数曲面の最急降下方向を計算し、その方向に結合荷重
を変化させる方法である。初めに、結合荷重ｗの初期値
を乱数により設定する（Ｓ１）。次に、神経回路モデル
に学習させたいデータ、すなわち、入力信号Ｕi,Ｘi 、
および、その入力に対する望ましい出力信号ｔiを設定
する（Ｓ２）。ただし、i ＝１，２，…，data maxであ
る。
【００１４】次に、全てのデータについて、結合荷重の
変化量を計算する（Ｓ５ーＳ１０）。データの入力信号
Ｕi ，Ｘi を神経回路モデルに入力し、出力信号（神経
回路モデルにＸi ，Ｕi を入力したときの出力信号）Ｚ
i を、前向き計算で求める（Ｓ６）。該出力値Ｚi と望
ましい出力値ｔi から、誤差関数Ｅi を次のように定義
する（Ｓ７）。 １／２（ｔi −Ｚi ）T （ｔi −Ｚi ）
変化量を計算する（Ｓ５ーＳ１０）。データの入力信号
Ｕi ，Ｘi を神経回路モデルに入力し、出力信号（神経
回路モデルにＸi ，Ｕi を入力したときの出力信号）Ｚ
i を、前向き計算で求める（Ｓ６）。該出力値Ｚi と望
ましい出力値ｔi から、誤差関数Ｅi を次のように定義
する（Ｓ７）。 １／２（ｔi −Ｚi ）T （ｔi −Ｚi ）
【００１５】さらに、誤差逆伝播計算により、結合荷重
空間における誤差関数Ｅi の最急降下方向Δｗi （i 番
目の学習データにより計算された神経回路の結合荷重の
変化量）を計算する（Ｓ８）。Ｓ８の式において、ｄＥ
i ／ｄｗ、ｄｇ／ｄｗはいずれも偏微分を示している。
Ｓ６からＳ８の計算をすべてのデータについて行う（Ｓ
５，Ｓ９，Ｓ１０）。そして、求められた各々のデータ
最急降下方向を使い、結合荷重ｗを次のように変化させ
る（Ｓ１１）。 すなわち、ｗ＋ε（Δｗ1 ＋Δｗ2 ＋…＋Δｗ datamax）→ｗ である。ただし、εは学習定数と呼ばれる結合荷重の変
化量のパラメータである。以上述べたステップをitemax
回繰り返すことにより、誤差関数を減少させていく（Ｓ
３，Ｓ４，Ｓ１２，Ｓ１３）。以上のようにして学習を
し終えた同定器２のマニピュレータ１のダイナミクスの
予測値Ｚn+1 を、次のような関数として表わすことがで
きる。すなわち、 Ｚn+1 ＝ｇ（Ｘn ，Ｕn ，Ｗ*） である。この場合、Ｗ*は学習後の神経回路モデルの結
合荷重を示し、Ｚn+1 は時刻（n+1 ）Δｔの制御量の予
測値である。図１において、操作量発生器３は、運動開
始時だけ初期操作量Ｕo を発生する働きを有している。
空間における誤差関数Ｅi の最急降下方向Δｗi （i 番
目の学習データにより計算された神経回路の結合荷重の
変化量）を計算する（Ｓ８）。Ｓ８の式において、ｄＥ
i ／ｄｗ、ｄｇ／ｄｗはいずれも偏微分を示している。
Ｓ６からＳ８の計算をすべてのデータについて行う（Ｓ
５，Ｓ９，Ｓ１０）。そして、求められた各々のデータ
最急降下方向を使い、結合荷重ｗを次のように変化させ
る（Ｓ１１）。 すなわち、ｗ＋ε（Δｗ1 ＋Δｗ2 ＋…＋Δｗ datamax）→ｗ である。ただし、εは学習定数と呼ばれる結合荷重の変
化量のパラメータである。以上述べたステップをitemax
回繰り返すことにより、誤差関数を減少させていく（Ｓ
３，Ｓ４，Ｓ１２，Ｓ１３）。以上のようにして学習を
し終えた同定器２のマニピュレータ１のダイナミクスの
予測値Ｚn+1 を、次のような関数として表わすことがで
きる。すなわち、 Ｚn+1 ＝ｇ（Ｘn ，Ｕn ，Ｗ*） である。この場合、Ｗ*は学習後の神経回路モデルの結
合荷重を示し、Ｚn+1 は時刻（n+1 ）Δｔの制御量の予
測値である。図１において、操作量発生器３は、運動開
始時だけ初期操作量Ｕo を発生する働きを有している。
【００１６】同定器２からの修正量ΔＵn は積分器４に
より操作量Ｕnに加算される。このサンプリング周期後
の制御量予測と操作量の修正の計算は、サンプリング時
間内に１回、または、複数回行われる。スイッチ５はサ
ンプリング時間（単位時間）毎に動作し、このときマニ
ピュレータ１に操作量Ｕn を出力する働きを有してい
る。
より操作量Ｕnに加算される。このサンプリング周期後
の制御量予測と操作量の修正の計算は、サンプリング時
間内に１回、または、複数回行われる。スイッチ５はサ
ンプリング時間（単位時間）毎に動作し、このときマニ
ピュレータ１に操作量Ｕn を出力する働きを有してい
る。
【００１７】次に、図５を参照してマニピレータ１の制
御動作について説明する。初めに目標軌道（ｄn ）が設
定される（Ｓ２０）。続いて、マニピュレータ１が初期
姿勢（Ｘ0 ＝ｄ0 ）をとるための操作量Ｕ0 ＝Ｕ（ｄ0
）が、操作量発生器３で設定される（Ｓ２１）、これ
が積分器４およびスイッチ５を介してマニピュレータ１
へ出力され、マニピュレータ１の目標軌道の初期姿勢に
一致する。そして、マニピュレータ１の運動が開始され
ると、サンプリング時間Δｔ後の制御量の予測と誤差逆
伝播法による操作量の修正が繰り返される（Ｓ２５ーＳ
３１）。
御動作について説明する。初めに目標軌道（ｄn ）が設
定される（Ｓ２０）。続いて、マニピュレータ１が初期
姿勢（Ｘ0 ＝ｄ0 ）をとるための操作量Ｕ0 ＝Ｕ（ｄ0
）が、操作量発生器３で設定される（Ｓ２１）、これ
が積分器４およびスイッチ５を介してマニピュレータ１
へ出力され、マニピュレータ１の目標軌道の初期姿勢に
一致する。そして、マニピュレータ１の運動が開始され
ると、サンプリング時間Δｔ後の制御量の予測と誤差逆
伝播法による操作量の修正が繰り返される（Ｓ２５ーＳ
３１）。
【００１８】操作量Ｕｎと時間遅れ７を介してフィード
バックされた制御量Ｘｎが神経回路モデルに入力され、
サンプリング時間Δｔ秒後の制御量の予測値Ｚn+1 が求
められる（Ｓ２６）。この予測値Ｚn+1 と目標値ｄn+1
の差ΔＸn+1 ＝目標値ｄn+1−予測値Ｚn+1 から誤差関
数Ｅn+1 が次のように定義される（Ｓ２７）。 Ｅn+1 ＝１／２（ΔＸn+1 ）T Ｋｓ（ΔＸn+1 ） ただし、Ｋｓはゲイン行列である。前述した誤差逆伝播
法により、この誤差関数を減少させるように入力信号の
補正量が求められる（Ｓ２８）。 ΔＵn ＝−（ｄＥn+1)／（ｄＵn ） ＝ｄｇ（Ｘn ，Ｕn ，Ｗ*）／ｄＵn ×（ＫｓΔＸn+1 ） ΔＸn ＝−（ｄＥn+1)／（ｄＸn ） ＝ｄｇ（Ｘn ，Ｕn ，Ｗ*）／ｄＸn ×（ＫｓΔＸn+1 ） そして、入力信号のうち、操作量の値が、（Ｕn+ΔＵn
→Ｕn ）のように修正される（Ｓ２９）。
バックされた制御量Ｘｎが神経回路モデルに入力され、
サンプリング時間Δｔ秒後の制御量の予測値Ｚn+1 が求
められる（Ｓ２６）。この予測値Ｚn+1 と目標値ｄn+1
の差ΔＸn+1 ＝目標値ｄn+1−予測値Ｚn+1 から誤差関
数Ｅn+1 が次のように定義される（Ｓ２７）。 Ｅn+1 ＝１／２（ΔＸn+1 ）T Ｋｓ（ΔＸn+1 ） ただし、Ｋｓはゲイン行列である。前述した誤差逆伝播
法により、この誤差関数を減少させるように入力信号の
補正量が求められる（Ｓ２８）。 ΔＵn ＝−（ｄＥn+1)／（ｄＵn ） ＝ｄｇ（Ｘn ，Ｕn ，Ｗ*）／ｄＵn ×（ＫｓΔＸn+1 ） ΔＸn ＝−（ｄＥn+1)／（ｄＸn ） ＝ｄｇ（Ｘn ，Ｕn ，Ｗ*）／ｄＸn ×（ＫｓΔＸn+1 ） そして、入力信号のうち、操作量の値が、（Ｕn+ΔＵn
→Ｕn ）のように修正される（Ｓ２９）。
【００１９】再び、修正後の入力信号であるサンプリン
グ時間後の制御量の予測値Ｚn+1 が求められ、操作量の
修正が繰り返される。修正を一定回数（ｋ) 繰り返した
後、サンプリング時刻に操作量がマニピュレータ１へ入
力される（Ｓ３２）。以上のステップを最終時刻（time
f ）まで繰り返す（Ｓ２２，Ｓ２３，Ｓ３３，Ｓ３
５）。
グ時間後の制御量の予測値Ｚn+1 が求められ、操作量の
修正が繰り返される。修正を一定回数（ｋ) 繰り返した
後、サンプリング時刻に操作量がマニピュレータ１へ入
力される（Ｓ３２）。以上のステップを最終時刻（time
f ）まで繰り返す（Ｓ２２，Ｓ２３，Ｓ３３，Ｓ３
５）。
【００２０】そして、初期時刻には操作量発生器３から
の操作量Ｕn が与えられるが、その後は、前時刻の操作
量Ｕn-1 の値を現時刻の操作量Ｕn の初期値にする（Ｓ
３４）。神経回路モデルがマニピュレータのダイナミク
スを十分に学習していれば、神経回路モデルの結合荷重
は、正しい値なので、予測値Ｚn+1 と目標値ｄn+1 に誤
差が生じたとすれば、それは入力信号である制御量Ｘn
と操作量Ｕn に原因がある。このうち、制御量Ｘn は計
測値であるから、操作量Ｕn だけ修正して、現在の制御
量Ｘn からサンプリング時刻後に目標値ｄn+1 に近づく
ようにする。サンプリング時間が短く、ある時刻の操作
量と次の時刻の操作量が近い値であれば、前時刻の操作
量の値を初期値として使うことにより、少ない回数で目
標状態に達する操作量の値が求められることが期待でき
る。
の操作量Ｕn が与えられるが、その後は、前時刻の操作
量Ｕn-1 の値を現時刻の操作量Ｕn の初期値にする（Ｓ
３４）。神経回路モデルがマニピュレータのダイナミク
スを十分に学習していれば、神経回路モデルの結合荷重
は、正しい値なので、予測値Ｚn+1 と目標値ｄn+1 に誤
差が生じたとすれば、それは入力信号である制御量Ｘn
と操作量Ｕn に原因がある。このうち、制御量Ｘn は計
測値であるから、操作量Ｕn だけ修正して、現在の制御
量Ｘn からサンプリング時刻後に目標値ｄn+1 に近づく
ようにする。サンプリング時間が短く、ある時刻の操作
量と次の時刻の操作量が近い値であれば、前時刻の操作
量の値を初期値として使うことにより、少ない回数で目
標状態に達する操作量の値が求められることが期待でき
る。
【００２１】図６および図７は、図２のマニピュレータ
を制御対象とし、図５のフローチャートにおいて、サン
プリング時刻に行う繰り返しを３回にした場合のシミュ
レーション結果を示すもので、図６（ａ）は第１関節角
度、図６（ｂ）は第２関節角度であり、図７（ａ）は第
１関節トルクの波形図、図７（ｂ）は第２関節トルクの
波形図を示している。図６、図７の横軸は運動時間（２
秒間）を示し、図６の縦軸は関節角軌道で、その単位は
ラジアン（ｒａｄ）であり、図７の縦軸はトルク波形
で、その単位はニュートンメートル（Ｎｍ）である。さ
らに、図６の破線は目標軌道を示し、実線は実現軌道を
示している。図６から明らかなように、実現軌道（実
線）が目標軌道（破線）にほぼ重なっていることから、
目標軌道に良く追従していることがわかる。この場合の
トルク波形は、図７に示す通りであり、図５のフローチ
ャートにおいて、サンプリング時刻に行う繰り返し回数
を４回以上行った実験では、実現軌道はより目標軌道に
近づき、トルク波形もさらに滑らかになった。
を制御対象とし、図５のフローチャートにおいて、サン
プリング時刻に行う繰り返しを３回にした場合のシミュ
レーション結果を示すもので、図６（ａ）は第１関節角
度、図６（ｂ）は第２関節角度であり、図７（ａ）は第
１関節トルクの波形図、図７（ｂ）は第２関節トルクの
波形図を示している。図６、図７の横軸は運動時間（２
秒間）を示し、図６の縦軸は関節角軌道で、その単位は
ラジアン（ｒａｄ）であり、図７の縦軸はトルク波形
で、その単位はニュートンメートル（Ｎｍ）である。さ
らに、図６の破線は目標軌道を示し、実線は実現軌道を
示している。図６から明らかなように、実現軌道（実
線）が目標軌道（破線）にほぼ重なっていることから、
目標軌道に良く追従していることがわかる。この場合の
トルク波形は、図７に示す通りであり、図５のフローチ
ャートにおいて、サンプリング時刻に行う繰り返し回数
を４回以上行った実験では、実現軌道はより目標軌道に
近づき、トルク波形もさらに滑らかになった。
【００２２】なお、本発明は前記実施例に限定されるこ
となく、本発明の要旨を逸脱しない範囲において種々変
形可能であることは勿論である。例えば、前記実施例で
は、非線形制御対象としてマニピュレータを例にあげた
が、これ以外の線形制御対象であっても同様に適用可能
である。
となく、本発明の要旨を逸脱しない範囲において種々変
形可能であることは勿論である。例えば、前記実施例で
は、非線形制御対象としてマニピュレータを例にあげた
が、これ以外の線形制御対象であっても同様に適用可能
である。
【００２３】前述の実施例では、最も簡単な例として１
サンプリング時間後の制御量だけを予測する例を示した
が、制御対象の動特性を示す微分方程式の次数が１次よ
り高い場合には、１サンプリング時間よりも更に先の時
間の制御量の予測をし、その予測値の誤差から逆伝播法
により、操作量の修正をすることが必要がある。このよ
うな場合でも、１サンプリング時間後の制御量予測だけ
でなく、２サンプリング時間後、３サンプリング時間後
というように、神経回路モデルに先の制御量を予測する
ように学習させておくことにより、動特性を示す微分方
程式の次数が高い制御対象でも制御することができる。
図８、図９に２サンプリング時間後までの制御量を予測
する神経回路モデルを示す。
サンプリング時間後の制御量だけを予測する例を示した
が、制御対象の動特性を示す微分方程式の次数が１次よ
り高い場合には、１サンプリング時間よりも更に先の時
間の制御量の予測をし、その予測値の誤差から逆伝播法
により、操作量の修正をすることが必要がある。このよ
うな場合でも、１サンプリング時間後の制御量予測だけ
でなく、２サンプリング時間後、３サンプリング時間後
というように、神経回路モデルに先の制御量を予測する
ように学習させておくことにより、動特性を示す微分方
程式の次数が高い制御対象でも制御することができる。
図８、図９に２サンプリング時間後までの制御量を予測
する神経回路モデルを示す。
【００２４】図８は３層からなる神経回路モデルで、図
８（ａ）の第１層（最右層）から操作量Ｕn 、制御量Ｘ
n が入力されると、第３層から１サンプリング時間後の
制御量の予測値Ｚn+1 と２サンプリング時間後の制御量
予測値Ｚn+2 が出力される。図８（ｂの誤差逆伝播計算
では、サンプリング時間後の予測値の誤差ΔＸn+1 ＝ｄ
n+1 −Ｚn+1 と２サンプリング時間後の予測値の誤差Δ
Ｘn+2 ＝ｄn+2 −Ｚn+2 が第３層から逆伝播され、操作
量の修正量ΔＵn が求められる。
８（ａ）の第１層（最右層）から操作量Ｕn 、制御量Ｘ
n が入力されると、第３層から１サンプリング時間後の
制御量の予測値Ｚn+1 と２サンプリング時間後の制御量
予測値Ｚn+2 が出力される。図８（ｂの誤差逆伝播計算
では、サンプリング時間後の予測値の誤差ΔＸn+1 ＝ｄ
n+1 −Ｚn+1 と２サンプリング時間後の予測値の誤差Δ
Ｘn+2 ＝ｄn+2 −Ｚn+2 が第３層から逆伝播され、操作
量の修正量ΔＵn が求められる。
【００２５】図９は５層からなる神経回路モデルで、図
９（ａ）の第１層（最右層）から操作量Ｕn 、制御量Ｘ
n が入力されると、第３層から１サンプリング時間後の
制御量の予測値Ｚn+1 、第５層から２サンプリング時間
後の制御量の予測値Ｚn+2 が出力される。そして、図９
（ｂ）の誤差逆伝播計算では、１サンプリング時間後の
予測値の誤差ΔＸn+1 ＝ｄn +1−Ｚn+1 は第３層から、
２サンプリング時間後の予測値の誤差ΔＸn+2 ＝ｄn +2
−Ｚn+2 は第５層から逆伝播され、操作量の修正量ΔＵ
n が求められる。
９（ａ）の第１層（最右層）から操作量Ｕn 、制御量Ｘ
n が入力されると、第３層から１サンプリング時間後の
制御量の予測値Ｚn+1 、第５層から２サンプリング時間
後の制御量の予測値Ｚn+2 が出力される。そして、図９
（ｂ）の誤差逆伝播計算では、１サンプリング時間後の
予測値の誤差ΔＸn+1 ＝ｄn +1−Ｚn+1 は第３層から、
２サンプリング時間後の予測値の誤差ΔＸn+2 ＝ｄn +2
−Ｚn+2 は第５層から逆伝播され、操作量の修正量ΔＵ
n が求められる。
【００２６】
【発明の効果】以上述べたこの発明によれば、動特性の
数式モデルが未知である制御対象についても制御が行
え、且つ、外乱に対しても補償ができる制御対象の予測
制御方法を提供することができる。
数式モデルが未知である制御対象についても制御が行
え、且つ、外乱に対しても補償ができる制御対象の予測
制御方法を提供することができる。
【図１】この発明方法を実施する装置の概略構成を示す
ブロック図。
ブロック図。
【図２】図１のマニピュレータを説明するための図。
【図３】図１における同定器の第１の例を説明するため
のフローチャート。
のフローチャート。
【図４】図１の初期状態のとき学習方法を説明するため
の図。
の図。
【図５】図１の制御動作を説明するためのフローチャー
ト。
ト。
【図６】図１の実施例の作用効果を説明するための図。
【図７】図１の実施例の作用効果を説明するための図。
【図８】図１における同定器の第２の例を説明するため
の図。
の図。
【図９】図１における同定器の第３の例を説明するため
の図。
の図。
１…マニピュレータ、２…同定器、３…操作量発生器、
４…積分器、５…スイッチ、６…フィードバックルー
プ、７…遅れ要素。
４…積分器、５…スイッチ、６…フィードバックルー
プ、７…遅れ要素。
Claims (3)
- 【請求項１】制御すべき制御対象に対して操作量を与え
て予測制御を行う予測制御方法において、 多層神経回路を前記制御対象の同定器として用い、この
同定器に前記制御対象に対するサンプリング時の制御量
および操作量を入力し、前記サンプリング時から所定時
間後の制御量を予測する第１の工程と、 この第１の工程で得られた予測値と、前記制御対象の目
標制御量の誤差を求める第２の工程と、 この第２の工程で得られた制御量誤差を前記同定器に入
力し、誤差逆伝播法により前記目標制御量に対する操作
量の感度を求めるとともに、前記目標制御量の誤差に前
記感度を乗算して当該操作量の修正量を求める第３の工
程と、 を含むことを特徴とする予測制御方法。 - 【請求項２】一時刻についての前記操作量の修正量を、
前記第１乃至第３の工程の繰り返しを経て決定すること
を特徴とする請求項１記載の予測制御方法。 - 【請求項３】前記第１の工程は前記サンプリング時から
サンプリング周期の整数倍の時間後またはサンプリング
周期単位以外に制御量を予測することを特徴とする請求
項１または２記載の予測制御方法。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP20449491A JP3242950B2 (ja) | 1991-08-14 | 1991-08-14 | 予測制御方法 |
| GB9216952A GB2258742B (en) | 1991-08-14 | 1992-08-11 | Predictive control method and apparatus |
| US07/929,111 US5428559A (en) | 1991-08-14 | 1992-08-13 | Predictive control method and apparatus |
| US08/199,014 US5566275A (en) | 1991-08-14 | 1994-02-18 | Control method and apparatus using two neural networks |
| US08/732,966 US5852817A (en) | 1991-08-14 | 1996-10-10 | Intelligent control apparatus |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP20449491A JP3242950B2 (ja) | 1991-08-14 | 1991-08-14 | 予測制御方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0546205A JPH0546205A (ja) | 1993-02-26 |
| JP3242950B2 true JP3242950B2 (ja) | 2001-12-25 |
Family
ID=16491461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP20449491A Expired - Fee Related JP3242950B2 (ja) | 1991-08-14 | 1991-08-14 | 予測制御方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US5428559A (ja) |
| JP (1) | JP3242950B2 (ja) |
| GB (1) | GB2258742B (ja) |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10361802B1 (en) | 1999-02-01 | 2019-07-23 | Blanding Hovenweep, Llc | Adaptive pattern recognition based control system and method |
| US8352400B2 (en) | 1991-12-23 | 2013-01-08 | Hoffberg Steven M | Adaptive pattern recognition based controller apparatus and method and human-factored interface therefore |
| JP3084928B2 (ja) * | 1992-05-29 | 2000-09-04 | 三菱電機株式会社 | 電動機の位置制御装置 |
| DE4416364B4 (de) * | 1993-05-17 | 2004-10-28 | Siemens Ag | Verfahren und Regeleinrichtung zur Regelung eines Prozesses |
| DE4416317B4 (de) * | 1993-05-17 | 2004-10-21 | Siemens Ag | Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses |
| JP3887414B2 (ja) * | 1993-07-05 | 2007-02-28 | シーメンス アクチエンゲゼルシヤフト | 技術システムの操作量の最適値を決定する方法 |
| US6000827A (en) * | 1993-09-10 | 1999-12-14 | Fujitsu Limited | System identifying device and adaptive learning control device |
| JPH07175876A (ja) * | 1993-10-12 | 1995-07-14 | At & T Corp | ニューラルネットワークを用いたプロセスのフィードバックの制御方法とその装置 |
| US5586221A (en) * | 1994-07-01 | 1996-12-17 | Syracuse University | Predictive control of rolling mills using neural network gauge estimation |
| US5633987A (en) * | 1994-07-28 | 1997-05-27 | Motorola, Inc. | Auto-scaling controller and method of use therefor |
| DE19519627C2 (de) * | 1995-05-29 | 1999-04-29 | Siemens Ag | Verfahren zur Optimierung der Prozeßführung von Produktionsvorgängen |
| US5923335A (en) * | 1996-02-07 | 1999-07-13 | Multigen, Inc. | Computer generated objects having magnets and targets |
| US5992383A (en) * | 1996-05-28 | 1999-11-30 | U.S. Philips Corporation | Control unit having a disturbance predictor, a system controlled by such a control unit, an electrical actuator controlled by such a control unit, and throttle device provided with such an actuator |
| EP0907117A1 (en) * | 1997-09-05 | 1999-04-07 | Communauté Européenne (CE) | Nonlinear neural predictive control system |
| US7904187B2 (en) | 1999-02-01 | 2011-03-08 | Hoffberg Steven M | Internet appliance system and method |
| US6298454B1 (en) | 1999-02-22 | 2001-10-02 | Fisher-Rosemount Systems, Inc. | Diagnostics in a process control system |
| EP1374139B1 (en) * | 2001-03-29 | 2011-05-04 | LASX Industries, Inc. | Controller for a laser using predictive models ofa laser beam motion system |
| SG100786A1 (en) * | 2002-03-28 | 2003-12-26 | Sony Electronics Singapore Pte | Methods and devices for compensating for periodic disturbances in servo-systems |
| CN103345161B (zh) * | 2013-07-05 | 2015-09-02 | 杭州电子科技大学 | 废塑料裂解炉余热烘干装置压力控制方法 |
| US9859829B2 (en) * | 2016-01-08 | 2018-01-02 | Jtekt Corporation | Motor control device |
| CN106406085B (zh) * | 2016-03-15 | 2019-02-01 | 吉林大学 | 基于跨尺度模型的空间机械臂轨迹跟踪控制方法 |
| CN114460845A (zh) * | 2022-01-25 | 2022-05-10 | 中国船舶重工集团公司第七二四研究所 | 加入CMAC不确定性补偿的Delta机械手控制方法 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2423806A1 (fr) * | 1977-05-26 | 1979-11-16 | Anvar | Procede de regulation a modele de reference et regulateur mettant en oeuvre ce procede |
| DE3390539C2 (de) * | 1983-10-14 | 1990-03-08 | Ford Werke Ag | Verfahren zum Betreiben eines adaptiv gesteuerten technischen Prozesses |
| US5092343A (en) * | 1988-02-17 | 1992-03-03 | Wayne State University | Waveform analysis apparatus and method using neural network techniques |
| US5095443A (en) * | 1988-10-07 | 1992-03-10 | Ricoh Company, Ltd. | Plural neural network system having a successive approximation learning method |
| JP2676397B2 (ja) * | 1989-01-05 | 1997-11-12 | 株式会社エイ・ティ・アール視聴覚機構研究所 | 動的システムの運動軌道生成方法 |
| US5119468A (en) * | 1989-02-28 | 1992-06-02 | E. I. Du Pont De Nemours And Company | Apparatus and method for controlling a process using a trained parallel distributed processing network |
| IL93522A0 (en) * | 1989-02-28 | 1990-11-29 | Du Pont | Apparatus and method for controlling a process |
| JPH0738186B2 (ja) * | 1989-03-13 | 1995-04-26 | シャープ株式会社 | 自己拡張形ニユーラル・ネットワーク |
| JP2885823B2 (ja) * | 1989-04-11 | 1999-04-26 | 株式会社豊田中央研究所 | 視覚認識装置 |
| FR2646575A1 (fr) * | 1989-04-26 | 1990-11-02 | Labo Electronique Physique | Procede et structure pour la compression de donnees |
| JP2575215B2 (ja) * | 1989-10-30 | 1997-01-22 | 富士写真フイルム株式会社 | カラー画像形成装置 |
| JP2568710B2 (ja) * | 1989-12-29 | 1997-01-08 | 松下電器産業株式会社 | 描画制御方法 |
| US5220373A (en) * | 1991-03-22 | 1993-06-15 | Ricoh Company, Ltd. | Electrophotographic process control device using a neural network for estimating states of the device |
| US5204872A (en) * | 1991-04-15 | 1993-04-20 | Milltech-Hoh, Inc. | Control system for electric arc furnace |
-
1991
- 1991-08-14 JP JP20449491A patent/JP3242950B2/ja not_active Expired - Fee Related
-
1992
- 1992-08-11 GB GB9216952A patent/GB2258742B/en not_active Expired - Fee Related
- 1992-08-13 US US07/929,111 patent/US5428559A/en not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| GB2258742B (en) | 1995-01-25 |
| US5428559A (en) | 1995-06-27 |
| GB2258742A (en) | 1993-02-17 |
| JPH0546205A (ja) | 1993-02-26 |
| GB9216952D0 (en) | 1992-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3242950B2 (ja) | 予測制御方法 | |
| US8296107B2 (en) | Computer method and apparatus for constraining a non-linear approximator of an empirical process | |
| EP0788626B1 (en) | A variable horizon predictor for controlling dead time dominant processes, multivariable interactive processes, and processes with time variant dynamics | |
| Fekih et al. | Neural networks based system identification techniques for model based fault detection of nonlinear systems | |
| JPH10133703A (ja) | 適応的ロバスト制御装置 | |
| CA2079147C (en) | Simulator using a neural network | |
| US20010025232A1 (en) | Hybrid linear-neural network process control | |
| US6000827A (en) | System identifying device and adaptive learning control device | |
| JP2007265345A (ja) | 情報処理装置および方法、学習装置および方法、並びにプログラム | |
| Zhan et al. | Extended-state-observer-based adaptive control of flexible-joint space manipulators with system uncertainties | |
| Huang et al. | Adaptive neural control for uncertain constrained pure feedback systems with severe sensor faults: A complexity reduced approach | |
| US6768927B2 (en) | Control system | |
| WO2006046500A1 (ja) | 通信遅延を有する通信路を介して信号を送受信する遠隔制御システム | |
| JPH03189856A (ja) | 外部評価基準の学習方式 | |
| Moustakidis et al. | An adaptive neuro-fuzzy tracking control for multi-input nonlinear dynamic systems | |
| Al-Dabooni et al. | Convergence of recurrent neuro-fuzzy value-gradient learning with and without an actor | |
| JPH06242802A (ja) | 神経回路モデルを用いた制御方法 | |
| JP3260538B2 (ja) | 制御装置 | |
| JP2980421B2 (ja) | ニューラルネット・モデルを用いた制御器 | |
| WO2000010098A1 (fr) | Machine de traitement des donnees, technique de traitement des donnees et support correspondant | |
| Song et al. | Neural network model based control of a flexible link manipulator | |
| JP2881873B2 (ja) | デジタル適応制御装置 | |
| Fekih et al. | Two neural net-learning methods for model based fault detection | |
| Nakonechnyi et al. | Inverse-Dynamic Neural Controller Simulation | |
| JPH03225553A (ja) | 自己学習システムの安定化方式 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |