JP3256950B2 - 最適予見学習制御装置 - Google Patents
最適予見学習制御装置Info
- Publication number
- JP3256950B2 JP3256950B2 JP30754293A JP30754293A JP3256950B2 JP 3256950 B2 JP3256950 B2 JP 3256950B2 JP 30754293 A JP30754293 A JP 30754293A JP 30754293 A JP30754293 A JP 30754293A JP 3256950 B2 JP3256950 B2 JP 3256950B2
- Authority
- JP
- Japan
- Prior art keywords
- vector
- output
- control
- dimensional
- learning control
- 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
Description
【発明の詳細な説明】
【０００１】
【産業上の利用分野】本発明は、工作機械、ロボット等
の制御装置に関する。
の制御装置に関する。
【０００２】
【従来の技術】繰り返し目標指令に対する学習制御装置
としては、本出願人が特願平3-177230、特願平5-13546
9、および、特願平5-125311において提案した装置があ
る。これらの装置では、同じ目標指令に対する動作を繰
り返し、偏差、補正量、制御入力、および、制御対象の
動特性モデルをもとに未来偏差予測値が最小となるよう
に制御入力が決定されるため、最終的には目標値と出力
が一致し、高精度な追従動作が実現される。
としては、本出願人が特願平3-177230、特願平5-13546
9、および、特願平5-125311において提案した装置があ
る。これらの装置では、同じ目標指令に対する動作を繰
り返し、偏差、補正量、制御入力、および、制御対象の
動特性モデルをもとに未来偏差予測値が最小となるよう
に制御入力が決定されるため、最終的には目標値と出力
が一致し、高精度な追従動作が実現される。
【０００３】
【発明が解決しようとする課題】しかし、特願平3-1772
30および特願平05-135469 では、動特性モデルとして、
ステップ応答および伝達関数を用いており、制御対象の
状態空間モデルが得られている場合、それぞれのモデル
に変換することも考えられるが、直接的でなく、その分
の手間がかかってしまう。さらに、特願平3-177230では
十分整定するまでのステップ応答が必要であるため、整
定時間の増加やサンプリング周期の短縮に伴って演算量
が増加するという問題があった。特願平05-125311 で
は、動特性モデルとして状態空間モデルを用いることに
より、この問題を解決しているが、状態空間モデルに対
する有効な設計法として知られている最適レギュレータ
の構成とはなっていない。また、これら３つの従来技術
は、１入力１出力系を対象としており、多入力多出力系
には適用できない。そこで本発明は、状態空間モデルを
直接利用し、演算量が少なく、多入力多出力の制御対象
に適用でき、さらに、その内部に最適レギュレータ系を
持つ学習制御装置を提供することを目的とする。
30および特願平05-135469 では、動特性モデルとして、
ステップ応答および伝達関数を用いており、制御対象の
状態空間モデルが得られている場合、それぞれのモデル
に変換することも考えられるが、直接的でなく、その分
の手間がかかってしまう。さらに、特願平3-177230では
十分整定するまでのステップ応答が必要であるため、整
定時間の増加やサンプリング周期の短縮に伴って演算量
が増加するという問題があった。特願平05-125311 で
は、動特性モデルとして状態空間モデルを用いることに
より、この問題を解決しているが、状態空間モデルに対
する有効な設計法として知られている最適レギュレータ
の構成とはなっていない。また、これら３つの従来技術
は、１入力１出力系を対象としており、多入力多出力系
には適用できない。そこで本発明は、状態空間モデルを
直接利用し、演算量が少なく、多入力多出力の制御対象
に適用でき、さらに、その内部に最適レギュレータ系を
持つ学習制御装置を提供することを目的とする。
【０００４】
【課題を解決するための手段】上記問題点を解決するた
め、本発明では、ｍ個の入力とｐ個の出力を持ち、状態
空間表現 ｘ(i+1) = Ａｘ(i) + Ｂｕ(i) ｙ(i) = Ｃｘ(i) で表される制御対象の出力ベクトルｙを、周期Ｌで同じ
パターンを繰り返す目標指令ベクトルｒに追従させるよ
う、現在時刻ｉにおいて、目標指令ベクトルｒ(i) と、
制御対象の出力ベクトルｙ(i) および状態ベクトルｘ
(i) を入力し、制御入力ベクトルｕ(i) を制御対象へ出
力する学習制御装置において、目標指令ベクトルと出力
ベクトルより、偏差ベクトルｅ(i) を求める手段と、学
習制御用定数行列を記憶する手段と、評価関数
め、本発明では、ｍ個の入力とｐ個の出力を持ち、状態
空間表現 ｘ(i+1) = Ａｘ(i) + Ｂｕ(i) ｙ(i) = Ｃｘ(i) で表される制御対象の出力ベクトルｙを、周期Ｌで同じ
パターンを繰り返す目標指令ベクトルｒに追従させるよ
う、現在時刻ｉにおいて、目標指令ベクトルｒ(i) と、
制御対象の出力ベクトルｙ(i) および状態ベクトルｘ
(i) を入力し、制御入力ベクトルｕ(i) を制御対象へ出
力する学習制御装置において、目標指令ベクトルと出力
ベクトルより、偏差ベクトルｅ(i) を求める手段と、学
習制御用定数行列を記憶する手段と、評価関数
【０００５】
【数６】
【０００６】(ここで、x。(i)=CT(CCT) -1r(i)-x(i)、η
(i)=x(i)-x(i-L)、σ(i)=u(i)-u(i-L)であり、Q,R,Hは重
み行列である)が最小となるように、現在時刻の制御入
力ベクトルu(i)を決定する手段と、偏差ベクトルおよび
制御入力ベクトルの時系列データを記憶する手段と、 状
態ベクトルxを記憶して、その１周期前からの変化分η
を求める手段と、 現在時刻の制御入力ベクトルu(i)を
(i)=x(i)-x(i-L)、σ(i)=u(i)-u(i-L)であり、Q,R,Hは重
み行列である)が最小となるように、現在時刻の制御入
力ベクトルu(i)を決定する手段と、偏差ベクトルおよび
制御入力ベクトルの時系列データを記憶する手段と、 状
態ベクトルxを記憶して、その１周期前からの変化分η
を求める手段と、 現在時刻の制御入力ベクトルu(i)を
【数２２】 （ここで、Ｋ、Ψ k は学習制御用定数行列であり、特に
Ｋは制御対象に対して最適レギュレータを構成した場合
のフィードバックゲイン行列である）として決定する手
段と、を備えることにより、最適レギュレータ系を備え
たことを特徴とするものである。
Ｋは制御対象に対して最適レギュレータを構成した場合
のフィードバックゲイン行列である）として決定する手
段と、を備えることにより、最適レギュレータ系を備え
たことを特徴とするものである。
【０００７】
【作用】上記手段により、多入力多出力の制御対象に対
して、状態空間モデルを直接利用し、演算量が少なく、
さらに、最適レギュレータが持つ最適性を有した学習制
御装置が実現され、高精度な追従動作が可能となる。
して、状態空間モデルを直接利用し、演算量が少なく、
さらに、最適レギュレータが持つ最適性を有した学習制
御装置が実現され、高精度な追従動作が可能となる。
【０００８】
【実施例】本発明の具体的実施例を図１、図２、図３に
示して説明する。まず図１において、１は本発明の学習
制御装置であり、現在時刻ｉにおいて、周期Ｌで同じパ
ターンを繰り返す目標指令ベクトルの現在値ｒ(i) と、
制御対象の出力ベクトルｙ(i) および状態ベクトルｘ
(i) を入力し、制御入力ベクトルｕ(i) を制御対象へ出
力する。７は、目標指令ベクトルｒ(i) と出力ベクトル
ｙ(i) との偏差ベクトルｅ(i)を求める減算器、２は、
学習制御用定数行列Ｋ、Ψ1,…, ΨM を記憶するメモ
リ、３は、１周期分の偏差ベクトルを記憶するメモリで
あり、減算器７の出力ｅ(i) が新たに記憶される。４
は、１周期分の状態ベクトルを記憶するメモリであり、
８は、メモリ４に記憶された状態ベクトルｘ(i-L) と、
ｘ(i) との差η(i) を求める減算器である。５は、１周
期分の制御入力ベクトルを記憶するメモリである。６は
演算器であり、
示して説明する。まず図１において、１は本発明の学習
制御装置であり、現在時刻ｉにおいて、周期Ｌで同じパ
ターンを繰り返す目標指令ベクトルの現在値ｒ(i) と、
制御対象の出力ベクトルｙ(i) および状態ベクトルｘ
(i) を入力し、制御入力ベクトルｕ(i) を制御対象へ出
力する。７は、目標指令ベクトルｒ(i) と出力ベクトル
ｙ(i) との偏差ベクトルｅ(i)を求める減算器、２は、
学習制御用定数行列Ｋ、Ψ1,…, ΨM を記憶するメモ
リ、３は、１周期分の偏差ベクトルを記憶するメモリで
あり、減算器７の出力ｅ(i) が新たに記憶される。４
は、１周期分の状態ベクトルを記憶するメモリであり、
８は、メモリ４に記憶された状態ベクトルｘ(i-L) と、
ｘ(i) との差η(i) を求める減算器である。５は、１周
期分の制御入力ベクトルを記憶するメモリである。６は
演算器であり、
【０００９】
【数７】
【００１０】なる演算によって制御入力ベクトルｕ(i)
を算出する。算出されたｕ(i) は、学習制御装置１の出
力として制御対象に出力されるとともに、メモリ５に記
憶される。つぎに図２について説明する。１１は本発明
の学習制御装置であり、２、３、７は、図１と同じであ
る。１２は、１周期分のｍ次元ベクトルｖを記憶するメ
モリである。１３は演算器であり、
を算出する。算出されたｕ(i) は、学習制御装置１の出
力として制御対象に出力されるとともに、メモリ５に記
憶される。つぎに図２について説明する。１１は本発明
の学習制御装置であり、２、３、７は、図１と同じであ
る。１２は、１周期分のｍ次元ベクトルｖを記憶するメ
モリである。１３は演算器であり、
【００１１】
【数８】
【００１２】なる演算によって、ベクトルｖ(i) および
制御入力ベクトルｕ(i) を算出する。算出されたｖ(i)
はメモリ１２に記憶され、ｕ(i) は、学習制御装置１１
の出力として制御対象に出力される。さらに図３につい
て説明する。２１は本発明の学習制御装置であり、２、
７は、図１と同じである。２２は、１周期分のｐ次元ベ
クトルｗを記憶するメモリであり、２４は、メモリ２２
に記憶されたベクトルｗ(i-L) と、偏差ベクトルｅ(i)
との和を求める加算器である。加算器２４の出力は、メ
モリ２２にｗ(i) として新たに記憶される。２３は演算
器であり、
制御入力ベクトルｕ(i) を算出する。算出されたｖ(i)
はメモリ１２に記憶され、ｕ(i) は、学習制御装置１１
の出力として制御対象に出力される。さらに図３につい
て説明する。２１は本発明の学習制御装置であり、２、
７は、図１と同じである。２２は、１周期分のｐ次元ベ
クトルｗを記憶するメモリであり、２４は、メモリ２２
に記憶されたベクトルｗ(i-L) と、偏差ベクトルｅ(i)
との和を求める加算器である。加算器２４の出力は、メ
モリ２２にｗ(i) として新たに記憶される。２３は演算
器であり、
【００１３】
【数９】
【００１４】なる演算によって制御入力ベクトルｕ(i)
を算出する。算出されたｕ(i) は、学習制御装置２１の
出力として制御対象に出力される。ここで(1),(2),(3)
式の導出を行う。次式の状態空間表現
を算出する。算出されたｕ(i) は、学習制御装置２１の
出力として制御対象に出力される。ここで(1),(2),(3)
式の導出を行う。次式の状態空間表現
【００１５】
【数１０】
【００１６】（ｘ(i) ∈Ｒnx1,ｕ(i) ∈Ｒmx1,ｙ(i) ∈
Ｒpx1 はそれぞれ状態, 入力, 出力ベクトル）で表され
る制御対象の出力ベクトルｙと、周期Ｌで同じパターン
を繰り返す目標指令ベクトルｒ(i) （= ｒ(i-L) ）との
偏差ベクトル
Ｒpx1 はそれぞれ状態, 入力, 出力ベクトル）で表され
る制御対象の出力ベクトルｙと、周期Ｌで同じパターン
を繰り返す目標指令ベクトルｒ(i) （= ｒ(i-L) ）との
偏差ベクトル
【００１７】
【数１１】
【００１８】が、 ｅ(i) →0 (i →∞) (6) となるように、現在時刻ｉにおいて、制御入力ベクトル
ｕ(i) を、１周期前の値からσ(i) だけ補正することを
考える。 ｕ(i) = ｕ(i-L) + σ(i) σ(i) ∈Ｒmx1 (7) (6) 式を実現する補正量ベクトルσ(i) は、以下の手順
で求められる。なお以下‘ベクトル’表現は省略する。
(4) 式より、
ｕ(i) を、１周期前の値からσ(i) だけ補正することを
考える。 ｕ(i) = ｕ(i-L) + σ(i) σ(i) ∈Ｒmx1 (7) (6) 式を実現する補正量ベクトルσ(i) は、以下の手順
で求められる。なお以下‘ベクトル’表現は省略する。
(4) 式より、
【００１９】
【数１２】
【００２０】で定義される状態変化分η(i) と出力変化
分δ(i) の関係は次式となる。
分δ(i) の関係は次式となる。
【００２１】
【数１３】
【００２２】また(8) 式より、ｅ(i)=ｅ(i-L)-δ(i) が
成り立つため、δ(i) →ｅ(i-L) (i→∞) とすることが
できれば、(6) 式が実現される。そこで、評価関数
成り立つため、δ(i) →ｅ(i-L) (i→∞) とすることが
できれば、(6) 式が実現される。そこで、評価関数
【００２３】
【数１４】
【００２４】を最小とするように補正量σ(i) を決定す
る。上式を最小とするσ(i) は、重みＨを、Ｈ= Ｓ- Ｃ
T ＱＣ（ただし、Ｓは離散形代数リカッチ方程式Ｓ= Ａ
T ＳＡ- ＡT ＳＢ( Ｒ+ ＢT ＳＢ) - 1 ＢT ＳＡ+ ＣT
ＱＣの半正定一意解）とおくと、最適性の原理より、次
式で与えられる。
る。上式を最小とするσ(i) は、重みＨを、Ｈ= Ｓ- Ｃ
T ＱＣ（ただし、Ｓは離散形代数リカッチ方程式Ｓ= Ａ
T ＳＡ- ＡT ＳＢ( Ｒ+ ＢT ＳＢ) - 1 ＢT ＳＡ+ ＣT
ＱＣの半正定一意解）とおくと、最適性の原理より、次
式で与えられる。
【００２５】
【数１５】
【００２６】ここで、Ｋ、Ψk は次式
【００２７】
【数１６】
【００２８】で与えられ、特にＫは、
【００２９】
【数１７】
【００３０】を最小にする最適フィードバックゲイン行
列となる。したがって、(7),(11)式より、(1) 式を得
る。また(7),(8),(11)式より、制御入力ｕ(i) を(2) 式
で与えることもできる。さらに、(2) 式をｚ変換し、Ｖ
(z)を消去すると、
列となる。したがって、(7),(11)式より、(1) 式を得
る。また(7),(8),(11)式より、制御入力ｕ(i) を(2) 式
で与えることもできる。さらに、(2) 式をｚ変換し、Ｖ
(z)を消去すると、
【００３１】
【数１８】
【００３２】となるため、図３の加算器２４により、ｗ
(i)=ｗ(i-L)+ｅ(i) を求め、(3) 式によって制御入力ｕ
(i) を与えることもできる。以上、(1),(2),(3) 式の導
出を行ったが、これらの式を用いた図１、２、３の実施
例以外の構成でも、適当な記憶手段と演算手段を用い
て、状態ｘ(i) 、偏差ｅ(i) 、制御入力ｕ(i) のｚ変
換、Ｘ(z) 、Ｅ(z) 、Ｕ(z) が、(13)式となるように制
御入力ｕ(i) を決定する手段を備えていれば、同様の効
果を持つ学習制御器が実現される。さらに、制御系の安
定性を高めるために、(13)式のz -L部分をＦ(z)z-Lとし
ても良い。ここでＦ(z) は、ローパスフィルタの伝達関
数である。また、状態ｘ(i) の実測値が得られない場合
には、オブザーバによる推定値を用いれば良い。
(i)=ｗ(i-L)+ｅ(i) を求め、(3) 式によって制御入力ｕ
(i) を与えることもできる。以上、(1),(2),(3) 式の導
出を行ったが、これらの式を用いた図１、２、３の実施
例以外の構成でも、適当な記憶手段と演算手段を用い
て、状態ｘ(i) 、偏差ｅ(i) 、制御入力ｕ(i) のｚ変
換、Ｘ(z) 、Ｅ(z) 、Ｕ(z) が、(13)式となるように制
御入力ｕ(i) を決定する手段を備えていれば、同様の効
果を持つ学習制御器が実現される。さらに、制御系の安
定性を高めるために、(13)式のz -L部分をＦ(z)z-Lとし
ても良い。ここでＦ(z) は、ローパスフィルタの伝達関
数である。また、状態ｘ(i) の実測値が得られない場合
には、オブザーバによる推定値を用いれば良い。
【００３３】
【発明の効果】以上述べたように本発明によれば、多入
力多出力の制御対象に対して、状態空間モデルを直接利
用し、演算量が少なく、さらに、最適レギュレータが持
つ最適性を有した学習制御装置が実現され、高精度な追
従動作が可能となるという効果がある。
力多出力の制御対象に対して、状態空間モデルを直接利
用し、演算量が少なく、さらに、最適レギュレータが持
つ最適性を有した学習制御装置が実現され、高精度な追
従動作が可能となるという効果がある。
【図１】本発明の第１の具体的実施例を示す図
【図２】本発明の第２の具体的実施例を示す図
【図３】本発明の第３の具体的実施例を示す図
【符号の説明】 １ 最適予見学習制御装置 ２ 学習制御用定数行列を記憶するメモリ ３ 偏差ベクトルを記憶するメモリ ４ 状態ベクトルを記憶するメモリ ５ 制御入力ベクトルを記憶するメモリ ６ 演算器 ７、８ 減算器 １１ 最適予見学習制御装置 １２ ベクトルｖを記憶するメモリ １３ 演算器 ２１ 最適予見学習制御装置 ２２ ベクトルｗを記憶するメモリ ２３ 演算器 ２４ 加算器
───────────────────────────────────────────────────── フロントページの続き (58)調査した分野(Int.Cl.7，ＤＢ名) G05B 11/00 - 13/04
Claims (5)
- 【請求項１】m個の入力とp個の出力を持ち、状態空間表
現 x(i+1)=Ax(i)+Bu(i) y(i)=Cx(i) （ここで、xはn次元の状態ベクトル、uはm次元の入力ベ
クトル、yはp次元の出力ベクトルで、A、B、Cは行列で
ある） で表される制御対象の出力ベクトルyを、周期Lで同じパ
ターンを繰り返す目標指令ベクトルrに追従させるよう、
現在時刻iにおいて、目標指令ベクトルr(i)(=r(i-L))
と、制御対象の出力ベクトルy(i)および状態ベクトルx
(i)を入力し、制御入力ベクトルu(i)を制御対象へ出力
する学習制御装置において、 目標指令ベクトルと出力ベクトルより、偏差ベクトルe
(i)を求める手段と、 学習制御用定数行列を記憶する手段と、 評価関数 【数１】 (ここで、x。(i)=CT(CCT) -1r(i)-x(i)、η(i)=x(i)-x(i-
L)、σ(i)=u(i)-u(i-L)であり、Q,R,Hは重み行列である)
が最小となるように、現在時刻の制御入力ベクトルu(i)
を決定する手段と、偏差ベクトルおよび制御入力ベクトルの時系列データを
記憶する手段と、 状態ベクトルxを記憶して、その１周期前からの変化分
ηを求める手段と、 現在時刻の制御入力ベクトルu(i)を 【数２】 （ここで、Ｋ、Ψ k は学習制御用定数行列であり、特に
Ｋは制御対象に対して最適レギュレータを構成した場合
のフィードバックゲイン行列である）として決定 する手
段と、 を備えたことを特徴とする最適予見学習制御装置。 - 【請求項２】m個の入力とp個の出力を持ち、状態空間表
現 x(i+1)=Ax(i)+Bu(i) y(i)=Cx(i) （ここで、xはn次元の状態ベクトル、uはm次元の入力ベ
クトル、yはp次元の出力ベクトルで、A、B、Cは行列で
ある）で表される制御対象の出力ベクトルyを、周期Lで
同じパタ ー ンを繰り返す目標指令ベクトルrに追従させる
よう、現在時刻iにおいて、目標指令ベクトルr(i)(=r(i
-L))と、制御対象の出力ベクトルy(i)および状態ベクト
ルx(i)を入力し、制御入力ベクトルu(i)を制御対象へ出
力する学習制御装置において、 目標指令ベクトルと出力ベクトルより、偏差ベクトルe
(i)を求める手段と、 学習制御用定数行列を記憶する手
段と、 評価関数 【数３】 (ここで 、 x 。 (i)=C T (CC T ) -1 r(i)-x(i) 、 η(i)=x(i)-x(i-
L) 、 σ(i)=u(i)-u(i-L)であり 、 Q,R,Hは重み行列である)
が最小となるように、現在時刻の制御入力ベクトルu(i)
を決定する手段と、 偏差ベクトルおよびm次元ベクトルv(i)の時系列デ ー タを
記憶する手段と、 現在時刻の制御入力ベクトルu(i)を u(i)=Kx(i)+v(i) 【数４】 （ここで、Ｋ、Ψ k は学習制御用定数行列であり、特に
Ｋは制御対象に対して最適レギュレータを構成した場合
のフィードバックゲイン行列である）として決定する手
段と、 を備えたことを特徴とする最適予見学習制御装置 。 - 【請求項３】m個の入力とp個の出力を持ち、状態空間表
現 x(i+1)=Ax(i)+Bu(i) y(i)=Cx(i) （ここで、xはn次元の状態ベクトル、uはm次元の入力ベ
クトル、yはp次元の出力ベクトルで、A、B、Cは行列で
ある）で表される制御対象の出力ベクトルyを、周期Lで
同じパタ ー ンを繰り返す目標指令ベクトルrに追従させる
よう、現在時刻iにおいて、目標指令ベクトルr(i)(=r(i
-L))と、制御対象の出力ベクトルy(i)および状態ベクト
ルx(i)を入力し、制御入力ベクトルu(i)を制御対象へ出
力する学習制御装置において、 目標指令ベクトルと出力ベクトルより、偏差ベクトルe
(i)を求める手段と、 学習制御用定数行列を記憶する手
段と、 評価関数 【数５】 (ここで 、 x 。 (i)=C T (CC T ) -1 r(i)-x(i) 、 η(i)=x(i)-x(i-
L) 、 σ(i)=u(i)-u(i-L)であり 、 Q,R,Hは重み行列である)
が最小となるように、現在時刻の制御入力ベクトルu(i)
を決定する手段と、 p次元ベクトルW(i)の時系列データを記臆する手段と、 現在時刻の制御入力ベクトルu(i)を 【数１９】 w(i)=w(i-L)+e(i) （ここで、Ｋ、Ψ k は学習制御用定数行列であり、特にK
は制御対象に対して最適レギュレータを構成した場合の
フィードバックゲイン行列である）として決定する手段
と、 を備えたことを特徴とする最適予見学習制御装置 。 - 【請求項４】m個の入力とp個の出力を持ち、状態空間表
現 x(i+1)=Ax(i)+Bu(i) y(i)=Cx(i) （ここで、xはn次元の状態ベクトル、uはm次元の入力ベ
クトル、yはp次元の出力ベクトルで、A、B、Cは行列で
ある）で表される制御対象の出力ベクトルyを、周期Lで
同じパタ ー ンを繰り返す目標指令ベクトルrに追従させる
よう、現在時刻iにおいて、目標指令ベクトルr(i)(=r(i
-L))と、制御対象の出力ベクトルy(i)および状態ベクト
ルx(i)を入力し、制御入力ベクトルu(i)を制御対象へ出
力する学習制御装置において、 目標指令ベクトルと出力ベクトルより、偏差ベクトルe
(i)を求める手段と、 学習制御用定数行列を記憶する手
段と、 評価関数 【数２０】 (ここで 、 x 。 (i)=C T (CC T ) -1 r(i)-x(i) 、 η(i)=x(i)-x(i-
L) 、 σ(i)=u(i)-u(i-L)であり 、 Q,R,Hは重み行列である)
が最小となるように、現在時刻の制御入力ベクトルu(i)
を決定する手段と、 適当な記憶手段と演算手段を用いて、状態ベクトルx
(i)、偏差ベクトルe(i)、制御入力ベクトルu(i)のｚ変
換、X(z)、E(z)、U(z)が、 【数２１】 （ここで、F(z)はローパスフィルタの伝達関数または１
であり、Ｋ、Ψ k は学習制御用定数行列で、特にＫは制
御対象に対して最適レギュレータを構成した場合のフィ
ードバックゲイン行列である）となるよう制御入力ベク
トルu(i)を決定する手段と、 を備えたことを特徴とする最適予見学習制御装置。 - 【請求項５】状態ベクトルx(i)をオブザーバにより推定
する手段を備えたことを特徴とする請求項１乃至４に記
載のいずれかの最適予見学習制御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP30754293A JP3256950B2 (ja) | 1993-11-12 | 1993-11-12 | 最適予見学習制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP30754293A JP3256950B2 (ja) | 1993-11-12 | 1993-11-12 | 最適予見学習制御装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH07141004A JPH07141004A (ja) | 1995-06-02 |
| JP3256950B2 true JP3256950B2 (ja) | 2002-02-18 |
Family
ID=17970354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP30754293A Expired - Fee Related JP3256950B2 (ja) | 1993-11-12 | 1993-11-12 | 最適予見学習制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3256950B2 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4171363B2 (ja) * | 2003-07-11 | 2008-10-22 | 西部電機株式会社 | 工作物を任意の曲面に切削加工する高速曲面加工方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS62219004A (ja) * | 1986-03-19 | 1987-09-26 | Fujitsu Ltd | サ−ボ制御装置 |
| JPS6395502A (ja) * | 1986-10-11 | 1988-04-26 | Omron Tateisi Electronics Co | 離散型最適サ−ボシステム |
| JP3109605B2 (ja) * | 1991-06-04 | 2000-11-20 | 株式会社安川電機 | 学習制御方法 |
-
1993
- 1993-11-12 JP JP30754293A patent/JP3256950B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH07141004A (ja) | 1995-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR970003823B1 (ko) | 주기적 목표치에 최적하게 추종하는 제어방식 | |
| US4663703A (en) | Predictive model reference adaptive controller | |
| JP3328742B2 (ja) | ニューロｐｉｄ制御装置 | |
| JPWO2006011519A1 (ja) | サーボ制御装置 | |
| US4639652A (en) | Control system for robot manipulator | |
| JP3175877B2 (ja) | 予見制御装置 | |
| JP3256950B2 (ja) | 最適予見学習制御装置 | |
| CN111805537A (zh) | 多机械手协同控制方法、系统、设备及存储介质 | |
| JP3062606B2 (ja) | ニューラルネットワークを用いた適応制御装置 | |
| JPH07319558A (ja) | 力制御装置における力の検出方法 | |
| JP3340923B2 (ja) | Ｓａｃコントローラ | |
| US4794313A (en) | Three element digital control system | |
| JP3191836B2 (ja) | 学習制御装置 | |
| JP3196907B2 (ja) | 出力検出にむだ時間を持つ系の学習制御装置 | |
| JP3152251B2 (ja) | 増分値演算による学習制御方法 | |
| JP3109605B2 (ja) | 学習制御方法 | |
| JP2921056B2 (ja) | 速度指令の補正による学習制御装置 | |
| JP2541163B2 (ja) | 周期的目標値に最適に追従する制御方式 | |
| JPH06314106A (ja) | 学習制御装置 | |
| JP3039814B2 (ja) | 学習制御方式 | |
| JP3039573B2 (ja) | 学習制御方式 | |
| JP2003274684A (ja) | サーボ制御装置 | |
| JPH01237701A (ja) | 周期的目標値に最適に追従する制御方法 | |
| JPH06348305A (ja) | Ｐｉｄ調節器のパラメータ調整装置 | |
| Isermann et al. | Adaptive control systems (A short review) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071207 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081207 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091207 Year of fee payment: 8 |
|
| LAPS | Cancellation because of no payment of annual fees |