JP3266912B2 - 学習機能を備えた制御装置 - Google Patents
学習機能を備えた制御装置Info
- Publication number
- JP3266912B2 JP3266912B2 JP06739691A JP6739691A JP3266912B2 JP 3266912 B2 JP3266912 B2 JP 3266912B2 JP 06739691 A JP06739691 A JP 06739691A JP 6739691 A JP6739691 A JP 6739691A JP 3266912 B2 JP3266912 B2 JP 3266912B2
- Authority
- JP
- Japan
- Prior art keywords
- control
- learning
- adjustment
- parameters
- inference
- 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
- Feedback Control In General (AREA)
Description
【０００１】
【産業上の利用分野】この発明は、プラント制御のため
のパラメータを学習する機能を備えた制御装置に関す
る。
のパラメータを学習する機能を備えた制御装置に関す
る。
【０００２】
【従来の技術】給湯器の温度調整などのプラント制御に
おいては、ＰＩＤ制御器やファジィ制御器等が用いられ
ている。このような制御器のゲイン等のパラメータは、
プラントが設置されたのち、このプラントに適合した値
に調整される。制御対象の特性が一定の場合には、限界
感度法等の自動調整手法を用いて行っていた。
おいては、ＰＩＤ制御器やファジィ制御器等が用いられ
ている。このような制御器のゲイン等のパラメータは、
プラントが設置されたのち、このプラントに適合した値
に調整される。制御対象の特性が一定の場合には、限界
感度法等の自動調整手法を用いて行っていた。
【０００３】
【発明が解決しようとする課題】しかしながら、この自
動調性法は制御対象の特性が変化しない場合にのみ有効
で、制御対象の特性変動が激しい場合には、この手法を
用いることができないため、専門の係員が経験を頼りに
手作業で行っていた。このため、専門の係員が必要とな
り調整に時間がかかるといった問題点があった。
動調性法は制御対象の特性が変化しない場合にのみ有効
で、制御対象の特性変動が激しい場合には、この手法を
用いることができないため、専門の係員が経験を頼りに
手作業で行っていた。このため、専門の係員が必要とな
り調整に時間がかかるといった問題点があった。
【０００４】この発明は、このような従来の問題点に着
目してなされたもので、専門調整技術者の調整手順およ
び調整量をルール化した調整装置を制御系に加えること
により、上記問題点を解決することを目的としている。
目してなされたもので、専門調整技術者の調整手順およ
び調整量をルール化した調整装置を制御系に加えること
により、上記問題点を解決することを目的としている。
【０００５】
【課題を解決するための手段】この発明は、設定された
パラメータを用いて制御対象を制御する制御手段と、プ
ラント稼働前に、前記制御対象の制御量データを入力し
てファジィ推論を実行し前記パラメータの調整量を割り
出す推論手段と、前記推論手段が割り出した調整量に基
づいて前記パラメータを調整する調整手段と、前記制御
対象の複数の特性について前記推論手段，調整手段を繰
り返し動作させる手段と、前記調整された複数の制御パ
ラメータについて、制御効率改善への寄与するか否かの
評価をする学習評価手段と、前記学習評価手段の評価結
果に応じて、寄与しない制御パラメータを推論対象より
削除する削除手段と、を設けたことを特徴とする。
パラメータを用いて制御対象を制御する制御手段と、プ
ラント稼働前に、前記制御対象の制御量データを入力し
てファジィ推論を実行し前記パラメータの調整量を割り
出す推論手段と、前記推論手段が割り出した調整量に基
づいて前記パラメータを調整する調整手段と、前記制御
対象の複数の特性について前記推論手段，調整手段を繰
り返し動作させる手段と、前記調整された複数の制御パ
ラメータについて、制御効率改善への寄与するか否かの
評価をする学習評価手段と、前記学習評価手段の評価結
果に応じて、寄与しない制御パラメータを推論対象より
削除する削除手段と、を設けたことを特徴とする。
【０００６】
【０００７】
【０００８】
【作用】この発明は、プラント稼働前に、制御対象の複
数の特性について制御対象の動作を実行し、この制御対
象の制御量データをファジィ推論することによって最適
なパラメータを割り出すようにした。ファジィ推論のル
ールには専門家の調整手順や調整ルールを入れておくよ
うにすればよい。これによって、専門家の調整を自動的
に行うことができ、特性変動の激しい制御対象を制御す
る制御装置の調整を容易にすることができる。
数の特性について制御対象の動作を実行し、この制御対
象の制御量データをファジィ推論することによって最適
なパラメータを割り出すようにした。ファジィ推論のル
ールには専門家の調整手順や調整ルールを入れておくよ
うにすればよい。これによって、専門家の調整を自動的
に行うことができ、特性変動の激しい制御対象を制御す
る制御装置の調整を容易にすることができる。
【０００９】
【実施例】図面を参照してこの発明の実施例について説
明する。
明する。
【００１０】図１はこの発明の学習機能を備えた制御シ
ステムの構成図である。この制御システムはファジィ制
御部１０、ＰＩＤ制御部１１〜１３およびフィードフォ
ワード制御部１４を備えており、それぞれの制御部が出
力した操作量を加算器１９で合成する。この値が実際に
制御に用いられる操作量ｕとして制御対象１５に入力さ
れる。制御対象１５はこの実施例においては大型給湯器
である。制御対象１５の制御量データである水温ｙは加
算器１８にフィードバックされるほか、制御性能評価装
置１６に入力される。加算器１８には目標値ｒも入力さ
れている。この加算器１８は偏差ｅ（＝ｒ−ｙ）を出力
する。この偏差ｅはファジィ制御部１０およびＰＩＤ制
御系の比例制御器１１に入力される。また、目標値ｒは
フィードフォワード制御器１４に入力され、入水量ｌは
ファジィ制御部１０およびフィードフォワード制御器１
４に入力される。
ステムの構成図である。この制御システムはファジィ制
御部１０、ＰＩＤ制御部１１〜１３およびフィードフォ
ワード制御部１４を備えており、それぞれの制御部が出
力した操作量を加算器１９で合成する。この値が実際に
制御に用いられる操作量ｕとして制御対象１５に入力さ
れる。制御対象１５はこの実施例においては大型給湯器
である。制御対象１５の制御量データである水温ｙは加
算器１８にフィードバックされるほか、制御性能評価装
置１６に入力される。加算器１８には目標値ｒも入力さ
れている。この加算器１８は偏差ｅ（＝ｒ−ｙ）を出力
する。この偏差ｅはファジィ制御部１０およびＰＩＤ制
御系の比例制御器１１に入力される。また、目標値ｒは
フィードフォワード制御器１４に入力され、入水量ｌは
ファジィ制御部１０およびフィードフォワード制御器１
４に入力される。
【００１１】制御性能評価装置１６は評価結果を調整装
置１７に入力する。調整装置１７はこの評価結果に基づ
いてファジィ制御部１０および比例制御器１１のゲイン
を調整する。制御性能評価装置１６および調整装置１７
はこの制御システムが設置されたのち実際に稼働を開始
するまえに機能する装置である。図２に学習段階の手順
を示し、図３に上記学習手順を実行するためのフローチ
ャートを示している。
置１７に入力する。調整装置１７はこの評価結果に基づ
いてファジィ制御部１０および比例制御器１１のゲイン
を調整する。制御性能評価装置１６および調整装置１７
はこの制御システムが設置されたのち実際に稼働を開始
するまえに機能する装置である。図２に学習段階の手順
を示し、図３に上記学習手順を実行するためのフローチ
ャートを示している。
【００１２】図２の学習手順では、まず比例ゲインＫｐ
を調整し、次にファジィ制御部１０の条件部メンバシッ
プ関数を調整し、最後に結論部メンバシップ関数を調整
する。水量を２リットル〜９リットルに増減して各調整
段階の調整を行っているため、調整が完了したとき、ど
のような制御条件にも適合したパラメータが設定されて
いることになる。
を調整し、次にファジィ制御部１０の条件部メンバシッ
プ関数を調整し、最後に結論部メンバシップ関数を調整
する。水量を２リットル〜９リットルに増減して各調整
段階の調整を行っているため、調整が完了したとき、ど
のような制御条件にも適合したパラメータが設定されて
いることになる。
【００１３】図３のフローチャートにおいて、まず学習
を開始するために初期ゲインの設定を行う（ｎ１）。初
期ゲインは制御対象に対して一般的に妥当と考えられて
いるゲインに設定する。次に、入水流量を調整する（ｎ
２）。この流量は学習の条件手順において設定された水
量にする。次に実際の温度調整を実行し（ｎ３）、操作
量と制御量の時間的変化等の評価データを解析する（ｎ
４）。解析の結果が要求仕様を満たしていればこの学習
ステップを終了して次のステップに進むためｎ２にもど
る（ｎ５，ｎ６）。制御結果が要求仕様を満足していな
ければパラメータを再調整して（ｎ７）、温度調整を再
度実行する（ｎ３）。このパラメータ再調整動作（ｎ
７）においてファジィ推論が用いられる。
を開始するために初期ゲインの設定を行う（ｎ１）。初
期ゲインは制御対象に対して一般的に妥当と考えられて
いるゲインに設定する。次に、入水流量を調整する（ｎ
２）。この流量は学習の条件手順において設定された水
量にする。次に実際の温度調整を実行し（ｎ３）、操作
量と制御量の時間的変化等の評価データを解析する（ｎ
４）。解析の結果が要求仕様を満たしていればこの学習
ステップを終了して次のステップに進むためｎ２にもど
る（ｎ５，ｎ６）。制御結果が要求仕様を満足していな
ければパラメータを再調整して（ｎ７）、温度調整を再
度実行する（ｎ３）。このパラメータ再調整動作（ｎ
７）においてファジィ推論が用いられる。
【００１４】ここで要求仕様とは、ステップ応答特性に
おいて満足すべき条件をさだめた仕様である。要求仕様
の例を図１０に示す。この仕様は、オーバーシュートの
温度、目標到達時間、整定時間およびハンチング回数が
定められている。
おいて満足すべき条件をさだめた仕様である。要求仕様
の例を図１０に示す。この仕様は、オーバーシュートの
温度、目標到達時間、整定時間およびハンチング回数が
定められている。
【００１５】図４〜図７は上記ファジィ推論を説明する
ための図である。図４は各学習段階において調整される
パラメータおよびファジィ推論の入力変数，出力変数を
示す図である。図５はファジィ推論のためのメンバシッ
プ関数を示す図である。図６はファジィ推論のためのル
ールを示す図である。また、図７は各入力変数，出力変
数に上記メンバシップ関数（図５（Ａ），（Ｂ））を適
用するためのスケールを示す図である。たとえば、学習
手順の(1) で比例ゲインを調整する場合には、ステップ
応答時のオーバーシュートp os，到達時間p rt，目標値
w r ，水量（入水流量）w wfを入力変数として比例ゲイ
ンへの乗数f kpを推論する。この推論にはルール０〜ル
ール４およびルール７，ルール８が用いられる。
ための図である。図４は各学習段階において調整される
パラメータおよびファジィ推論の入力変数，出力変数を
示す図である。図５はファジィ推論のためのメンバシッ
プ関数を示す図である。図６はファジィ推論のためのル
ールを示す図である。また、図７は各入力変数，出力変
数に上記メンバシップ関数（図５（Ａ），（Ｂ））を適
用するためのスケールを示す図である。たとえば、学習
手順の(1) で比例ゲインを調整する場合には、ステップ
応答時のオーバーシュートp os，到達時間p rt，目標値
w r ，水量（入水流量）w wfを入力変数として比例ゲイ
ンへの乗数f kpを推論する。この推論にはルール０〜ル
ール４およびルール７，ルール８が用いられる。
【００１６】上記制御システムにおいて、パラメータ設
定のシミュレーションを行った例を図８〜図１５に示
す。制御対象１５としては給湯器が想定されている。制
御周期は０．５秒、目標温度は７５℃、入水する水の温
度は１５℃である。また外乱はなく、要求仕様は図１０
に示したものである。このような制御内容に対して、比
例ゲインＫｐ＝０．０８１，積分時定数ＴＩ＝１９．６
８とし、ファジィ制御部には図８，図９に示すメンバシ
ップ関数，ファジィルールが設定される。また、フィー
ドフォワードが出力する操作量は必要熱量の８０％とす
る。すなわち、流入する水量×単位体積当たりの上昇温
度の８０％ということである。
定のシミュレーションを行った例を図８〜図１５に示
す。制御対象１５としては給湯器が想定されている。制
御周期は０．５秒、目標温度は７５℃、入水する水の温
度は１５℃である。また外乱はなく、要求仕様は図１０
に示したものである。このような制御内容に対して、比
例ゲインＫｐ＝０．０８１，積分時定数ＴＩ＝１９．６
８とし、ファジィ制御部には図８，図９に示すメンバシ
ップ関数，ファジィルールが設定される。また、フィー
ドフォワードが出力する操作量は必要熱量の８０％とす
る。すなわち、流入する水量×単位体積当たりの上昇温
度の８０％ということである。
【００１７】このような条件でパラメータ学習のシミュ
レーションを行った結果、図１１に示すような制御特性
を得た。同図（Ａ）は入水流量毎分２リットルの場合の
応答波形、同図（Ｂ）は入水流量毎分６リットルの場合
の応答波形、同図（Ｃ）は入水流量毎分９リットルの場
合の応答波形である。
レーションを行った結果、図１１に示すような制御特性
を得た。同図（Ａ）は入水流量毎分２リットルの場合の
応答波形、同図（Ｂ）は入水流量毎分６リットルの場合
の応答波形、同図（Ｃ）は入水流量毎分９リットルの場
合の応答波形である。
【００１８】同図（Ａ）の応答特性を得るために図１
２，図１３に示すような計６回の制御を実行した。比例
ゲインＫｐを変化させることにより水温の目標値への到
達時間やオーバーシュートが種々異なるがその内最も適
当なものとしてＫｐ＝０．０１６１を設定した。
２，図１３に示すような計６回の制御を実行した。比例
ゲインＫｐを変化させることにより水温の目標値への到
達時間やオーバーシュートが種々異なるがその内最も適
当なものとしてＫｐ＝０．０１６１を設定した。
【００１９】図１１（Ｂ）の応答特性を得るために図１
４に示す３回の制御を行った。この制御により、ＰＳの
メンバシップ関数の頂点を１２．６℃としてこの調整を
終了している。
４に示す３回の制御を行った。この制御により、ＰＳの
メンバシップ関数の頂点を１２．６℃としてこの調整を
終了している。
【００２０】さらに、図１５のように入水流量を９リッ
トルにしてメンバシップ関数のトライを行ってみたが入
水流量２リットル，６リットルの調整により応答特性が
極めて良好であるため、他の部分の調整は不要であると
してこの学習段階における調整は行わなかった。その場
合の応答波形が図１１（Ｃ）に示すものである。
トルにしてメンバシップ関数のトライを行ってみたが入
水流量２リットル，６リットルの調整により応答特性が
極めて良好であるため、他の部分の調整は不要であると
してこの学習段階における調整は行わなかった。その場
合の応答波形が図１１（Ｃ）に示すものである。
【００２１】そののち、図１６に示すように出力側のメ
ンバシップ関数の調整を行ったが、応答特性の改善が見
られないため一般的な値（ＮＳ，ＰＳ＝０．２２ｋｃａ
ｌ／ｓｅｃ）として調整を終了した。
ンバシップ関数の調整を行ったが、応答特性の改善が見
られないため一般的な値（ＮＳ，ＰＳ＝０．２２ｋｃａ
ｌ／ｓｅｃ）として調整を終了した。
【００２２】このようにこの発明によれば、オペレータ
は、調整の最初に一般的なパラメータをセットするのみ
で学習装置が自動的に全ての場合についての学習を実行
するため、極めて効率的に精度の高い制御パラメータを
セットすることができる。
は、調整の最初に一般的なパラメータをセットするのみ
で学習装置が自動的に全ての場合についての学習を実行
するため、極めて効率的に精度の高い制御パラメータを
セットすることができる。
【００２３】なお、図１の制御システムは制御性能評価
装置１６が推論したパラメータ変更の定数をそのまま調
整装置１７に入力してパラメータを調整し、要求仕様を
満たすまでこの動作を繰り返して行っていたが、パラメ
ータによってはいくらそれを調整しても殆ど制御性能の
改善に寄与しないものもある。このパラメータの調整に
多くの手順を費やしていては調整作業が極めて非効率的
となる。そこで、現在の学習が有効であるか否かを判断
する学習評価装置を設けた実施例を図１７，図１８に示
す。図１７は同制御システムの構成を示す図であるが、
このシステムは図１に示した制御システムにおいて、制
御性能評価装置１６と調整装置１７との間に学習評価装
置２０を挿入している。学習評価装置２０はパラメータ
の再調整を行ったことにより、どの程度制御性能の改善
がみられたかを判断する装置である。パラメータ再調整
にも関わらず制御性能の改善がみられなかった場合に
は、そのパラメータは制御性能の改善に寄与していない
としてそのパラメータの調整を打ち切るいう機能を有し
ている。
装置１６が推論したパラメータ変更の定数をそのまま調
整装置１７に入力してパラメータを調整し、要求仕様を
満たすまでこの動作を繰り返して行っていたが、パラメ
ータによってはいくらそれを調整しても殆ど制御性能の
改善に寄与しないものもある。このパラメータの調整に
多くの手順を費やしていては調整作業が極めて非効率的
となる。そこで、現在の学習が有効であるか否かを判断
する学習評価装置を設けた実施例を図１７，図１８に示
す。図１７は同制御システムの構成を示す図であるが、
このシステムは図１に示した制御システムにおいて、制
御性能評価装置１６と調整装置１７との間に学習評価装
置２０を挿入している。学習評価装置２０はパラメータ
の再調整を行ったことにより、どの程度制御性能の改善
がみられたかを判断する装置である。パラメータ再調整
にも関わらず制御性能の改善がみられなかった場合に
は、そのパラメータは制御性能の改善に寄与していない
としてそのパラメータの調整を打ち切るいう機能を有し
ている。
【００２４】図１８は同システムの制御パラメータ調整
動作を示すフローチャートである。
動作を示すフローチャートである。
【００２５】この動作においてｎ１０〜ｎ１３は前記図
３で示したフローチャートのｎ１〜ｎ４と同様である。
すなわち、まず学習を開始するために初期ゲインの設定
を行う（ｎ１０）。初期ゲインは制御対象に対して一般
的に妥当と考えられているゲインに設定する。次に、入
水流量を調整する（ｎ１１）。この流量は学習の条件手
順において設定された水量にする。次に実際の温度調整
を実行し（ｎ１２）、操作量と制御量の時間的変化等の
評価データを解析する（ｎ１３）。評価データを解析し
たのち、学習効果があったかどうかを評価関数の演算に
よって求める（ｎ１４）。学習効果があれば、評価関数
が最小であるか否かを判断し（ｎ１６）、最小であれば
その制御パラメータをメモリに保存する（ｎ１７）。こ
の制御結果が要求仕様を満たしていれば次のステップ
（学習段階）に進み（ｎ２０）、満たしていなければパ
ラメータを再調整して（ｎ１９）、ｎ１２にもどる。
３で示したフローチャートのｎ１〜ｎ４と同様である。
すなわち、まず学習を開始するために初期ゲインの設定
を行う（ｎ１０）。初期ゲインは制御対象に対して一般
的に妥当と考えられているゲインに設定する。次に、入
水流量を調整する（ｎ１１）。この流量は学習の条件手
順において設定された水量にする。次に実際の温度調整
を実行し（ｎ１２）、操作量と制御量の時間的変化等の
評価データを解析する（ｎ１３）。評価データを解析し
たのち、学習効果があったかどうかを評価関数の演算に
よって求める（ｎ１４）。学習効果があれば、評価関数
が最小であるか否かを判断し（ｎ１６）、最小であれば
その制御パラメータをメモリに保存する（ｎ１７）。こ
の制御結果が要求仕様を満たしていれば次のステップ
（学習段階）に進み（ｎ２０）、満たしていなければパ
ラメータを再調整して（ｎ１９）、ｎ１２にもどる。
【００２６】全ての学習段階について上記処理を実行し
たのち（ｎ２１）、全学習段階における最小の評価関数
を求め（ｎ２２）、全ての水量について評価関数が最小
となる制御パラメータを選択する（ｎ２３）。以上の動
作によって各学習手順において調整された内容を最後に
総合的に検討して全ての場合において最適となるような
パラメータを設定することができる。
たのち（ｎ２１）、全学習段階における最小の評価関数
を求め（ｎ２２）、全ての水量について評価関数が最小
となる制御パラメータを選択する（ｎ２３）。以上の動
作によって各学習手順において調整された内容を最後に
総合的に検討して全ての場合において最適となるような
パラメータを設定することができる。
【００２７】
【発明の効果】以上のようにこの発明の制御装置によれ
ば、制御対象の種々の特性において、自動的に各制御系
を動作させ、その動作が最適になるように制御パラメー
タをファジィ推論して自動的に調整することができるた
め、専門家の知識を調整手順と、各調整段階での操作知
識をファジィ推論用の知識として与えることにより、パ
ラメータの調整量を自動的に決定することができる。
ば、制御対象の種々の特性において、自動的に各制御系
を動作させ、その動作が最適になるように制御パラメー
タをファジィ推論して自動的に調整することができるた
め、専門家の知識を調整手順と、各調整段階での操作知
識をファジィ推論用の知識として与えることにより、パ
ラメータの調整量を自動的に決定することができる。
【図１】はこの発明の実施例である制御パラメータ学習
方法が適用される制御システムの構成を示す図、
方法が適用される制御システムの構成を示す図、
【図２】は同制御システムにおける学習パラメータの学
習手順を示す図、
習手順を示す図、
【図３】は同制御におけるパラメータ学習動作を示すフ
ローチャート、
ローチャート、
【図４】は制御パラメータの調整に用いられるファジィ
推論を説明する図、
推論を説明する図、
【図５】は制御パラメータの調整に用いられるファジィ
推論を説明する図、
推論を説明する図、
【図６】は制御パラメータの調整に用いられるファジィ
推論を説明する図、
推論を説明する図、
【図７】は制御パラメータの調整に用いられるファジィ
推論を説明する図、
推論を説明する図、
【図８】は同制御システムにおいて行ったシミュレーシ
ョンを説明する図、
ョンを説明する図、
【図９】は同制御システムにおいて行ったシミュレーシ
ョンを説明する図、
ョンを説明する図、
【図１０】は同制御システムにおいて行ったシミュレー
ションを説明する図、
ションを説明する図、
【図１１】は同制御システムにおいて行ったシミュレー
ションを説明する図、
ションを説明する図、
【図１２】は同制御システムにおいて行ったシミュレー
ションを説明する図、
ションを説明する図、
【図１３】は同制御システムにおいて行ったシミュレー
ションを説明する図、
ションを説明する図、
【図１４】は同制御システムにおいて行ったシミュレー
ションを説明する図、
ションを説明する図、
【図１５】は同制御システムにおいて行ったシミュレー
ションを説明する図、
ションを説明する図、
【図１６】は同制御システムにおいて行ったシミュレー
ションを説明する図、
ションを説明する図、
【図１７】はこの発明の他の実施例である制御システム
を示す図、
を示す図、
【図１８】は同制御システムを示す図である。
１０−ファジィ制御器、１１〜１３−ＰＩＤ制御系、１
５−制御対象、１６−制御性能評価装置、１７−調整装
置。
５−制御対象、１６−制御性能評価装置、１７−調整装
置。
───────────────────────────────────────────────────── フロントページの続き (58)調査した分野(Int.Cl.7，ＤＢ名) G05B 11/36 G05B 13/02
Claims (1)
- 【請求項１】制御対象を接続し、設定された制御パラメ
ータを用いて前記制御対象を制御する制御手段と、 プラント稼働前に、前記制御対象の制御量データを入力
してファジィ推論を実行し、前記制御パラメータの調整
量を割り出す推論手段と、 前記推論手段が割り出した調整量に基づいて前記制御パ
ラメータを調整する手段と、 前記制御対象の調整された複数の制御パラメータについ
て前記推論手段、調整手段を繰り返し動作させる手段
と、前記調整された複数の制御パラメータについて、制御効
率改善への寄与するか否かの評価をする学習評価手段
と、 前記学習評価手段の評価結果に応じて、寄与しない制御
パラメータを推論対象より削除する削除手段と、 を設けたことを特徴とする学習機能を備えた制御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP06739691A JP3266912B2 (ja) | 1991-03-30 | 1991-03-30 | 学習機能を備えた制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP06739691A JP3266912B2 (ja) | 1991-03-30 | 1991-03-30 | 学習機能を備えた制御装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH04303202A JPH04303202A (ja) | 1992-10-27 |
| JP3266912B2 true JP3266912B2 (ja) | 2002-03-18 |
Family
ID=13343769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP06739691A Expired - Fee Related JP3266912B2 (ja) | 1991-03-30 | 1991-03-30 | 学習機能を備えた制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3266912B2 (ja) |
-
1991
- 1991-03-30 JP JP06739691A patent/JP3266912B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH04303202A (ja) | 1992-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2563894B2 (ja) | 多入出力サンプル値ｐｉｄ制御装置 | |
| JP3328742B2 (ja) | ニューロｐｉｄ制御装置 | |
| EP0617806B1 (en) | A closed loop neural network automatic tuner | |
| EP0842459B1 (en) | A method of process controller optimization in a multivariable predictive controller | |
| JPH0628332A (ja) | 制御される装置の構造を識別し、パラメータを評価する装置および２変数関数の非線形最適化問題を効率的に解く方法 | |
| JPH02222003A (ja) | 適応制御装置 | |
| JPH0512721B2 (ja) | ||
| JPH07104715B2 (ja) | パラメ−タの同定方法 | |
| JP3266912B2 (ja) | 学習機能を備えた制御装置 | |
| JPH0822306A (ja) | 演算制御パラメータ自動調整装置 | |
| CN109964180B (zh) | 用于确定调节装置的参数的装置和方法 | |
| JPH06102905A (ja) | フィードフォワード／フィードバック制御装置 | |
| JPH0434766B2 (ja) | ||
| JPH09146610A (ja) | 多変数非線形プロセス・コントローラー | |
| JP3870767B2 (ja) | 予測制御方法 | |
| JPH04326402A (ja) | ファジィ制御装置 | |
| JP2517616B2 (ja) | ファジイフィ―ドバック制御におけるパラメ―タ適応方法 | |
| JPH0666041B2 (ja) | ２自由度サンプル値ｐｉｄ制御装置 | |
| JP3124872B2 (ja) | 火力プラントの制御装置 | |
| JPH10171504A (ja) | バックラッシュ系制御器用調整装置 | |
| JPH0551923B2 (ja) | ||
| JPH0981206A (ja) | ファジィ制御装置 | |
| JPH04352003A (ja) | ファジィ制御装置 | |
| JPS6356562B2 (ja) | ||
| JPH08241102A (ja) | Ｐｉｄ制御装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090111 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090111 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100111 Year of fee payment: 8 |
|
| LAPS | Cancellation because of no payment of annual fees |