JP3512376B2 - 非線型チューニング規則推定量を有する制御ループ自動チューナ - Google Patents
非線型チューニング規則推定量を有する制御ループ自動チューナInfo
- Publication number
- JP3512376B2 JP3512376B2 JP2000252805A JP2000252805A JP3512376B2 JP 3512376 B2 JP3512376 B2 JP 3512376B2 JP 2000252805 A JP2000252805 A JP 2000252805A JP 2000252805 A JP2000252805 A JP 2000252805A JP 3512376 B2 JP3512376 B2 JP 3512376B2
- Authority
- JP
- Japan
- Prior art keywords
- linear
- module
- controller
- parameters
- tuning
- 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 - Lifetime
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
- G05B13/0285—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 and fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Description
【０００１】
【発明の属する技術分野】本発明は、神経回路網及びフ
ァジー論理を包含する非線型チューニング規則推定量を
使用するプロセスコントローラのためのシステム及び方
法に関する。
ァジー論理を包含する非線型チューニング規則推定量を
使用するプロセスコントローラのためのシステム及び方
法に関する。
【０００２】
【従来の技術】比例、積分、微分（ＰＩＤ）コントロー
ラは、コンピュータ制御された産業プロセスを含む産業
プロセスで一般的に使用されている。例えばＰ、ＰＩ、
ＰＤのようなＰＩＤコントローラ並びにそれらの変形及
び組合せは、産業プロセスの制御に於いて広範囲の用途
を有している。典型的な産業プロセスは、ＰＩＤコント
ローラに組み込まれた一又はそれ以上のフィードバック
ループによって制御されている。
ラは、コンピュータ制御された産業プロセスを含む産業
プロセスで一般的に使用されている。例えばＰ、ＰＩ、
ＰＤのようなＰＩＤコントローラ並びにそれらの変形及
び組合せは、産業プロセスの制御に於いて広範囲の用途
を有している。典型的な産業プロセスは、ＰＩＤコント
ローラに組み込まれた一又はそれ以上のフィードバック
ループによって制御されている。
【０００３】ファジー論理コントローラ（ＦＬＣ）もま
た、所望の設定ポイント値に関連するパラメータ内のプ
ロセス変数を維持することによりプロセスパラメータを
制御するのに使用される公知のプロセスコントローラで
ある。ＦＬＣは非線型コントローラであり、産業の環境
で広く使用されるようになりつつある。
た、所望の設定ポイント値に関連するパラメータ内のプ
ロセス変数を維持することによりプロセスパラメータを
制御するのに使用される公知のプロセスコントローラで
ある。ＦＬＣは非線型コントローラであり、産業の環境
で広く使用されるようになりつつある。
【０００４】ＰＩＤコントローラのパラメータチューニ
ングのための公知の方法の一つのタイプは、Ziegler-Ni
chols法である。リレー−オシレーション(Relay-oscill
ation)オートチューニングは、プロセスの極限利得(Ult
imate Gain)及び極限周期(Ultimate Period)を識別す
る。ＰＩＤコントローラの設定は、Ziegler-Nicholsの
規則及び変形を使用するこれらのパラメータから決定さ
れ得る。極限利得及び極限周期を超えるリレー−オシレ
ーションチューニング技術は、Wilhelm K. Wojsznis及
びTerrance L. Blevins、（以後「Wojsznis」と称す
る）による米国特許第5,453,925号、９月、1995年の「S
ystem and Method for Automatically Tuninga Process
Controller」に提供されており、これはここに完全に
組み入れられる。
ングのための公知の方法の一つのタイプは、Ziegler-Ni
chols法である。リレー−オシレーション(Relay-oscill
ation)オートチューニングは、プロセスの極限利得(Ult
imate Gain)及び極限周期(Ultimate Period)を識別す
る。ＰＩＤコントローラの設定は、Ziegler-Nicholsの
規則及び変形を使用するこれらのパラメータから決定さ
れ得る。極限利得及び極限周期を超えるリレー−オシレ
ーションチューニング技術は、Wilhelm K. Wojsznis及
びTerrance L. Blevins、（以後「Wojsznis」と称す
る）による米国特許第5,453,925号、９月、1995年の「S
ystem and Method for Automatically Tuninga Process
Controller」に提供されており、これはここに完全に
組み入れられる。
【０００５】近年、モデルに基づくチューニングが著し
く進歩しており、特に内部モデル制御（ＩＭＣ）及びラ
ムダチューニングが著しく進歩している。何れのアプロ
ーチも、セットポイントの変化に対する一次の閉ループ
応答を生ずる。応答速度に関連するチューニングパラメ
ータが、性能と強健さとのトレードオフを変化させるの
に使用される。何れの方法も、プロセスの極性をキャン
セルするためにＰＩＤコントローラのリセット（又はリ
セット及び速度）を行ない、そして、好ましい閉ループ
応答を達成するためにコントローラの利得の調整を行な
う。ＩＭＣ及びラムダチューニングは、オシレーション
及びオーバーシュートを避け、制御性能が閉ループの時
定数を介して直感的な方法で特定されるのを可能にする
ので、評判が良くなってきている。
く進歩しており、特に内部モデル制御（ＩＭＣ）及びラ
ムダチューニングが著しく進歩している。何れのアプロ
ーチも、セットポイントの変化に対する一次の閉ループ
応答を生ずる。応答速度に関連するチューニングパラメ
ータが、性能と強健さとのトレードオフを変化させるの
に使用される。何れの方法も、プロセスの極性をキャン
セルするためにＰＩＤコントローラのリセット（又はリ
セット及び速度）を行ない、そして、好ましい閉ループ
応答を達成するためにコントローラの利得の調整を行な
う。ＩＭＣ及びラムダチューニングは、オシレーション
及びオーバーシュートを避け、制御性能が閉ループの時
定数を介して直感的な方法で特定されるのを可能にする
ので、評判が良くなってきている。
【０００６】モデルに基づくチューニングの制限の一つ
は、プロセスモデルの識別が必要なことである。静的利
得のパラメータ、見かけの不感時間、及び見かけの時定
数を有する等価な一次元プラス不感時間プロセスモデル
が、通常、自動調節プロセスのために識別される。積分
プロセスについては、プロセス積分利得及び不感時間の
モデルパラメータが決定される。モデルの識別は、開ル
ープステップテストによって典型的に行なわれる。リレ
ー−オシレーションの方法に比較して、開ループ法は自
動化するのは容易ではない。開ループ法では、プロセス
の非線型性、バルブヒステリシス及び負荷の外乱による
正確なモデルを保証するために、人間とのインターフェ
イスがしばしば必要とされる。自動調節及び積分プロセ
スに、異なる技術が必要とされている。
は、プロセスモデルの識別が必要なことである。静的利
得のパラメータ、見かけの不感時間、及び見かけの時定
数を有する等価な一次元プラス不感時間プロセスモデル
が、通常、自動調節プロセスのために識別される。積分
プロセスについては、プロセス積分利得及び不感時間の
モデルパラメータが決定される。モデルの識別は、開ル
ープステップテストによって典型的に行なわれる。リレ
ー−オシレーションの方法に比較して、開ループ法は自
動化するのは容易ではない。開ループ法では、プロセス
の非線型性、バルブヒステリシス及び負荷の外乱による
正確なモデルを保証するために、人間とのインターフェ
イスがしばしば必要とされる。自動調節及び積分プロセ
スに、異なる技術が必要とされている。
【０００７】
【発明が解決しようとする課題】必要とされているの
は、モデルパラメータのすべての範囲に亘る必要なＰＩ
Ｄチューニングパラメータを提供し、プロセスパラメー
タモデルを識別するリレーオシレーション環境に於ける
チューニングのためのシステム及び方法である。
は、モデルパラメータのすべての範囲に亘る必要なＰＩ
Ｄチューニングパラメータを提供し、プロセスパラメー
タモデルを識別するリレーオシレーション環境に於ける
チューニングのためのシステム及び方法である。
【０００８】
【課題を解決するための手段】従って、プロセス制御ル
ープをチューニングするためのシステム及び方法が提供
される。このシステムは、設定ポイントとプロセス変数
との差を表す誤差信号を受領するためのチューナモジュ
ールと、プロセスを制御するための第１のプロセス制御
信号を発生するモジュールとを有している。更に、この
システムは、誤差信号及びパラメータ信号を非線型モジ
ュールから受け取ってそのプロセスを制御するための第
２のプロセス制御信号を生成するコントローラモジュー
ルを有し、前記非線型モジュールは、非線型手法を適用
してパラメータ信号を生成する。このシステムは、更
に、プロセスを制御するための適当なプロセス制御信号
を選択するために、チューナモジュール及びコントロー
ラモジュールに接続されたスイッチング手段を含んでい
る。
ープをチューニングするためのシステム及び方法が提供
される。このシステムは、設定ポイントとプロセス変数
との差を表す誤差信号を受領するためのチューナモジュ
ールと、プロセスを制御するための第１のプロセス制御
信号を発生するモジュールとを有している。更に、この
システムは、誤差信号及びパラメータ信号を非線型モジ
ュールから受け取ってそのプロセスを制御するための第
２のプロセス制御信号を生成するコントローラモジュー
ルを有し、前記非線型モジュールは、非線型手法を適用
してパラメータ信号を生成する。このシステムは、更
に、プロセスを制御するための適当なプロセス制御信号
を選択するために、チューナモジュール及びコントロー
ラモジュールに接続されたスイッチング手段を含んでい
る。
【０００９】提供されるシステムは、所望のコントロー
ラチューニングパラメータを概算するために非線型モジ
ュール内で非線型アプローチを使用する。非線型アプロ
ーチは、神経回路網チューニング、ファジー論理チュー
ニング及び非線型関数を含み、Ｓ字状チューニングを含
んでいる。
ラチューニングパラメータを概算するために非線型モジ
ュール内で非線型アプローチを使用する。非線型アプロ
ーチは、神経回路網チューニング、ファジー論理チュー
ニング及び非線型関数を含み、Ｓ字状チューニングを含
んでいる。
【００１０】システムはまた、非線型モジュールが所望
のプロセスモデルパラメータを概算するために非線型ア
プローチを使用することを提供する。本発明の一実施形
態によれば、プロセスモデル識別は、従来のリレーオシ
レーション識別のための公知の分析式より良好なモデル
パラメータを有利に与える、Ｓ字状チューニングを含
む、神経回路網、ファジー論理及び非線型関数を使用し
て得られる。
のプロセスモデルパラメータを概算するために非線型ア
プローチを使用することを提供する。本発明の一実施形
態によれば、プロセスモデル識別は、従来のリレーオシ
レーション識別のための公知の分析式より良好なモデル
パラメータを有利に与える、Ｓ字状チューニングを含
む、神経回路網、ファジー論理及び非線型関数を使用し
て得られる。
【００１１】
【発明の実施の形態】添付の図面を参照することによ
り、本発明はよりよく理解され、その多くの目的、特徴
及び利点は当業者に明らかとなるであろう。
り、本発明はよりよく理解され、その多くの目的、特徴
及び利点は当業者に明らかとなるであろう。
【００１２】異なる図に於ける同じ参照符号の使用は、
同様又は同じ項目を示している。
同様又は同じ項目を示している。
【００１３】
【実施例】図１を参照すれば、リレー−オシレーション
チューナシステム１００の図式的ブロックダイヤグラム
が示されており、これは、新規な非線型アプローチに従
って制御され得る。プロセス１９０は、どのような制御
可能なプロセスをも含み得る。プロセス変数（ＰＶ）１
３０として示されている出力信号がプロセス１９０によ
って供給されて加算器１２０に加えられ、ここでＰＶは
設定ポイント（ＳＰ）１１０と比較される。ＰＶとＳＰ
との差は、リレー−オシレーションチューナシステム１
００がプロセスの極限利得Ｋu及び極限周期Ｔuを供給す
ることを決定するのに使用される。図示したとおり、リ
レー−オシレーションチューナシステム１００は、加算
器１２０、リレー１５０、チューニング規則１６０を包
含している。この設定ポイント（ＳＰ）１１０はプロセ
ス変数（ＰＶ）１３０と共に加算器１２０に供給され
る。加算器１２０は、ＳＰからＰＶを引き算し、その結
果をリレー１５０、チューニング規則１６０及びコント
ローラ１７０に供給する。プロセスのチューニングは、
自動的に又はユーザの制御の下に行なわれる。プロセス
１９０のチューニングは、Wojsznisに記載されている手
法のような自動制御された自己オシレーションチューニ
ング手法(an automatic controlled self-oscillation
tuning procedure)を任意的に含み得る。自己オシレー
ションチューニング手法は、コントローラ１７０をプロ
セス１９０に接続するか、又はリレー１５０の出力をプ
ロセス１９０に接続する制御スイッチ１８０を含んでい
る。一実施形態では、リレー１５０は自己オシレーショ
ン手法を実行し、チューニング規則１６０はスイッチ１
８０を制御する。スイッチ１８０は、コントローラ１４
０をプロセス１９０に接続するか、又はチューニング規
則１６０及びリレー１５０をプロセス１９０に接続す
る。この手法は、時間遅延、極限利得及び極限周期を決
定するオシレーティング手法である。
チューナシステム１００の図式的ブロックダイヤグラム
が示されており、これは、新規な非線型アプローチに従
って制御され得る。プロセス１９０は、どのような制御
可能なプロセスをも含み得る。プロセス変数（ＰＶ）１
３０として示されている出力信号がプロセス１９０によ
って供給されて加算器１２０に加えられ、ここでＰＶは
設定ポイント（ＳＰ）１１０と比較される。ＰＶとＳＰ
との差は、リレー−オシレーションチューナシステム１
００がプロセスの極限利得Ｋu及び極限周期Ｔuを供給す
ることを決定するのに使用される。図示したとおり、リ
レー−オシレーションチューナシステム１００は、加算
器１２０、リレー１５０、チューニング規則１６０を包
含している。この設定ポイント（ＳＰ）１１０はプロセ
ス変数（ＰＶ）１３０と共に加算器１２０に供給され
る。加算器１２０は、ＳＰからＰＶを引き算し、その結
果をリレー１５０、チューニング規則１６０及びコント
ローラ１７０に供給する。プロセスのチューニングは、
自動的に又はユーザの制御の下に行なわれる。プロセス
１９０のチューニングは、Wojsznisに記載されている手
法のような自動制御された自己オシレーションチューニ
ング手法(an automatic controlled self-oscillation
tuning procedure)を任意的に含み得る。自己オシレー
ションチューニング手法は、コントローラ１７０をプロ
セス１９０に接続するか、又はリレー１５０の出力をプ
ロセス１９０に接続する制御スイッチ１８０を含んでい
る。一実施形態では、リレー１５０は自己オシレーショ
ン手法を実行し、チューニング規則１６０はスイッチ１
８０を制御する。スイッチ１８０は、コントローラ１４
０をプロセス１９０に接続するか、又はチューニング規
則１６０及びリレー１５０をプロセス１９０に接続す
る。この手法は、時間遅延、極限利得及び極限周期を決
定するオシレーティング手法である。
【００１４】見かけの不感時間Ｔdがチューニングの初
期化で決定される。見かけの不感時間Ｔdは、チューニ
ングの初期化の間のプロセス出力１３０の傾きからタン
ジェントを適用することにより決定される。タンジェン
トは外挿されて設定ポイントＳＰを横切るか又はチュー
ニングの前のプロセス出力の平均値ラインである。最初
のリレーステップと、この切片との間の時間が見かけの
不感時間である。Ｔdを決定する他の方法も、本発明の
範囲である。このような他の方法は、Wojsznisに於いて
提供されるものを含んでいる。
期化で決定される。見かけの不感時間Ｔdは、チューニ
ングの初期化の間のプロセス出力１３０の傾きからタン
ジェントを適用することにより決定される。タンジェン
トは外挿されて設定ポイントＳＰを横切るか又はチュー
ニングの前のプロセス出力の平均値ラインである。最初
のリレーステップと、この切片との間の時間が見かけの
不感時間である。Ｔdを決定する他の方法も、本発明の
範囲である。このような他の方法は、Wojsznisに於いて
提供されるものを含んでいる。
【００１５】図２は、オシレーション手法の間のプロセ
ス入力及びプロセス出力信号のグラフを表している。リ
レー１５０のスイッチングの時間ｔ１（１０）とプロセ
ス出力が最大に達する時間ｔ２（２０）との間の時間期
間が、おおよその見かけの無駄時間である。不感時間
は、別の方法では（ＳＰ−ＰＶ）の絶対値の増加の時間
と（ＳＰ−ＰＶ）の絶対値の減少の時間との差として計
算される。このアプローチの評価時間は、一又はそれ以
上の極限周期（Ｔu）を必要とする。見かけの不感時間
は、２つ又は３つの結果の平均として計算され得る。
ス入力及びプロセス出力信号のグラフを表している。リ
レー１５０のスイッチングの時間ｔ１（１０）とプロセ
ス出力が最大に達する時間ｔ２（２０）との間の時間期
間が、おおよその見かけの無駄時間である。不感時間
は、別の方法では（ＳＰ−ＰＶ）の絶対値の増加の時間
と（ＳＰ−ＰＶ）の絶対値の減少の時間との差として計
算される。このアプローチの評価時間は、一又はそれ以
上の極限周期（Ｔu）を必要とする。見かけの不感時間
は、２つ又は３つの結果の平均として計算され得る。
【００１６】不感時間、極限利得及び極限周期は、一次
元プラス不感時間プロセスモデルを計算するのに十分で
ある。一次元プラス不感時間を計算するための式（１）
及び（２）は以下のようである。
元プラス不感時間プロセスモデルを計算するのに十分で
ある。一次元プラス不感時間を計算するための式（１）
及び（２）は以下のようである。
【００１７】
【数１】
【００１８】
【数２】
【００１９】ここで、Ｔc＝プロセス時定数
Ｔu＝極限時間
Ｔd＝プロセスの見かけの不感時間
Ｋs＝プロセスの静的利得
Ｋu＝極限利得
数１の式（１）に於けるプロセス時定数は、不感時間が
時定数に対して比較的大きいとき、π／３より小さい変
数に対して良好な近似を与えるタンジェント関数によっ
て表される。小さな不感時間のプロセスについては、た
とえ不感時間の識別に於ける小さい誤差でも、大きな誤
差が時定数の計算に生ずる（タンジェントの引数がπ／
２に近く、引数に於ける小さい誤差がタンジェントの値
に於ける大きな誤差を与える）。π／３より大きい引数
に対して、幾つかの改良が式（３）に示す線形関数を用
いることによって為された。
時定数に対して比較的大きいとき、π／３より小さい変
数に対して良好な近似を与えるタンジェント関数によっ
て表される。小さな不感時間のプロセスについては、た
とえ不感時間の識別に於ける小さい誤差でも、大きな誤
差が時定数の計算に生ずる（タンジェントの引数がπ／
２に近く、引数に於ける小さい誤差がタンジェントの値
に於ける大きな誤差を与える）。π／３より大きい引数
に対して、幾つかの改良が式（３）に示す線形関数を用
いることによって為された。
【００２０】
【数３】
【００２１】ＰＩＤコントローラチューニングのための
Zieier-Nichols (ZN)規則 リレーオシレーションチューニングはＺＮ規則に適合
し、極限利得Ｋu及び極限周期Ｔuを提供する。ＰＩコン
トローラのオリジナルのＺＮ式は以下の式によって表さ
れる。
Zieier-Nichols (ZN)規則 リレーオシレーションチューニングはＺＮ規則に適合
し、極限利得Ｋu及び極限周期Ｔuを提供する。ＰＩコン
トローラのオリジナルのＺＮ式は以下の式によって表さ
れる。
【００２２】Ｋ＝０．４Ｋu 及び Ｔi＝０．８Ｔu
これらの式は、プロセス時定数Ｔに対するプロセス不感
時間Ｌの比率τに依存して、約２０゜から９０゜まで大
きく変化する位相マージンを与える。その結果、性能
は、０．１に近い比率のプロセスの極端に揺動する応答
から、１．０に近い比率のプロセスの緩慢な応答まで、
大きく変化する。
時間Ｌの比率τに依存して、約２０゜から９０゜まで大
きく変化する位相マージンを与える。その結果、性能
は、０．１に近い比率のプロセスの極端に揺動する応答
から、１．０に近い比率のプロセスの緩慢な応答まで、
大きく変化する。
【００２３】オリジナルのＺＮ規則を用いてチューニン
グされたＰＩＤコントローラは、 Ｋ＝０．６Ｋu、Ｔi＝０．５Ｔu 及び Ｔd＝０．１２
５Ｔu 同様の挙動を経験する。オリジナルの式の種々の変形
が、この問題に取り組むために提案されている。一つの
傾向は、以下の式のように、利得を小さくして積分時間
をより短くすることである。
グされたＰＩＤコントローラは、 Ｋ＝０．６Ｋu、Ｔi＝０．５Ｔu 及び Ｔd＝０．１２
５Ｔu 同様の挙動を経験する。オリジナルの式の種々の変形
が、この問題に取り組むために提案されている。一つの
傾向は、以下の式のように、利得を小さくして積分時間
をより短くすることである。
【００２４】Ｋ＝０．４Ｋu、Ｔi＝（１／３）Ｔu 及
び Ｔd＝（１／１２）Ｔu 上記の変形は、０．５に近いτを有するループについて
の性能を改善するが、τの小さな値を有するループはよ
り揺動するようになる。
び Ｔd＝（１／１２）Ｔu 上記の変形は、０．５に近いτを有するループについて
の性能を改善するが、τの小さな値を有するループはよ
り揺動するようになる。
【００２５】他のより柔軟な式（４）、（５）及び
（６）が位相／利得マージン設計のために提供されてい
る。
（６）が位相／利得マージン設計のために提供されてい
る。
【００２６】
【数４】
【００２７】
【数５】
【００２８】
【数６】
【００２９】ここで、αは、比率Ｔd：Ｔiの設計上の選
択であり、デフォルト値０．１５である。Ｇmは、所望
の利得マージンであり、デフォルト値２．０である。φ
は位相マージンである。Ｋ、Ｔd及びＴiは、コントロー
ラパラメータである。
択であり、デフォルト値０．１５である。Ｇmは、所望
の利得マージンであり、デフォルト値２．０である。φ
は位相マージンである。Ｋ、Ｔd及びＴiは、コントロー
ラパラメータである。
【００３０】特定の位相及び利得マージンについては、
式（７）はＴi、Ｔd及びＫをＴu及びＫuから計算するの
に定数の係数を提供する。φ＝４５゜の典型的な設計
は、以下の係数を与える。
式（７）はＴi、Ｔd及びＫをＴu及びＫuから計算するの
に定数の係数を提供する。φ＝４５゜の典型的な設計
は、以下の係数を与える。
【００３１】
【数７】
【００３２】この設計は、小さいτに対しては適切であ
るが、しかし、０．２より大きいτに対しては極端に緩
慢な応答を与える。
るが、しかし、０．２より大きいτに対しては極端に緩
慢な応答を与える。
【００３３】位相マージンφ＝３３゜及び利得マージン
＝３．０とすれば、以下の（８）の係数が結果として得
られる。
＝３．０とすれば、以下の（８）の係数が結果として得
られる。
【００３４】
【数８】
【００３５】これらの係数は、０．２５近傍のτの狭い
範囲の値についての設計に適している。
範囲の値についての設計に適している。
【００３６】他の公知の変形は、規格化された不感時間
Ｌ／（Ｌ＋Ｔ）又は規格化された利得κ＝１／（Ｋp・
Ｋu）の関数としてのコントローラパラメータを定義す
ることを含んでおり、ここで、Ｋpは、プロセスの静的
利得である。しかしながら、上記のアプローチは不感時
間と時定数の両方、又はプロセスの静的利得を使用す
る。従って、リレー−オシレーションチューニングと共
に直接には使用することはできない。
Ｌ／（Ｌ＋Ｔ）又は規格化された利得κ＝１／（Ｋp・
Ｋu）の関数としてのコントローラパラメータを定義す
ることを含んでおり、ここで、Ｋpは、プロセスの静的
利得である。しかしながら、上記のアプローチは不感時
間と時定数の両方、又はプロセスの静的利得を使用す
る。従って、リレー−オシレーションチューニングと共
に直接には使用することはできない。
【００３７】非線型チューニング規則推定量
チューニング規則推定量の発生に於いて、或る仮定と配
慮が考慮される。第１に、全ての入力パラメータがリレ
ー−オシレーションテストの間に得られる（即ち、極限
利得、極限周期及び不感時間である）。第２に、Ziegle
r-Nichols規則の主要な欠陥は、小さな不感時間を有す
るプロセスに対する不十分なコントローラ積分時間と、
著しい不感時間を有するプロセスに対する過剰な積分時
間である。第３に、チューニング規則は、コントローラ
チューニングパラメータ及びモデルに基づくチューニン
グ（ＩＭＣ及びラムダ）に近い応答を与えるべきであ
る。
慮が考慮される。第１に、全ての入力パラメータがリレ
ー−オシレーションテストの間に得られる（即ち、極限
利得、極限周期及び不感時間である）。第２に、Ziegle
r-Nichols規則の主要な欠陥は、小さな不感時間を有す
るプロセスに対する不十分なコントローラ積分時間と、
著しい不感時間を有するプロセスに対する過剰な積分時
間である。第３に、チューニング規則は、コントローラ
チューニングパラメータ及びモデルに基づくチューニン
グ（ＩＭＣ及びラムダ）に近い応答を与えるべきであ
る。
【００３８】図１及び図２に例示され並びに対応する議
論に記載されているリレー−オシレーションチューニン
グテストは、極限利得Ｋu及び極限周期Ｔuを与える。Ｚ
Ｎ規則の欠陥を解消するために、非線型推定量がチュー
ニングパラメータの定義に於ける改良となることが見出
された。
論に記載されているリレー−オシレーションチューニン
グテストは、極限利得Ｋu及び極限周期Ｔuを与える。Ｚ
Ｎ規則の欠陥を解消するために、非線型推定量がチュー
ニングパラメータの定義に於ける改良となることが見出
された。
【００３９】Ｓ字状の表現は、２つの異なる値の間の滑
らかな遷移を提供し、非線型推定量の発生に使用され
る。次の式が上記の要求を満足させる。
らかな遷移を提供し、非線型推定量の発生に使用され
る。次の式が上記の要求を満足させる。
【００４０】
【数９】
【００４１】
【数１０】
【００４２】
【数１１】
【００４３】ここで、ａ1，ａ2，ｂ1，ｂ2，ｃ1，ｃ2
は、発見的係数であり、ａ1は、０．３から０．４の範
囲にあり、ａ2は、０．２５から０．４の範囲にあり、
ｂ1≒０．６，ｂ2≒１．０，ｃ1≒７．０，ｃ2≒４．
０，ｄ1≒０．１２５，ｄ2≒１．０である。
は、発見的係数であり、ａ1は、０．３から０．４の範
囲にあり、ａ2は、０．２５から０．４の範囲にあり、
ｂ1≒０．６，ｂ2≒１．０，ｃ1≒７．０，ｃ2≒４．
０，ｄ1≒０．１２５，ｄ2≒１．０である。
【００４４】式（１０）は、Ｔiの計算に使用される係
数の値を与え、これは、図３に示されているように、ａ
1の最小値からａ1＋ｂ1の最大値まで変化する。式（１
１）は、［ａ2＋（ｂ2−ａ1−ｂ1)，ａ2＋(ｂ2−ａ1)］
の範囲でＫの計算のための係数の調整を提供する。
数の値を与え、これは、図３に示されているように、ａ
1の最小値からａ1＋ｂ1の最大値まで変化する。式（１
１）は、［ａ2＋（ｂ2−ａ1−ｂ1)，ａ2＋(ｂ2−ａ1)］
の範囲でＫの計算のための係数の調整を提供する。
【００４５】このアプローチは、著しく改良されたチュ
ーニング応答を結果としてもたらし、これは、（ＺＮ４
分の１振幅減衰(ZN quarter amplitude decay)よりも）
ＩＭＣ又はラムダチューニングに近い。種々のＬ／Ｔに
対する幾つかの典型的なステップ応答を図４から図８に
示した。ループチューニングの例と、利得＝１、Ｔ1＝
１０秒、Ｔ2＝３秒、Ｌ＝２秒の二次プロセスに対する
ループステップ応答とが、図４に示されている。
ーニング応答を結果としてもたらし、これは、（ＺＮ４
分の１振幅減衰(ZN quarter amplitude decay)よりも）
ＩＭＣ又はラムダチューニングに近い。種々のＬ／Ｔに
対する幾つかの典型的なステップ応答を図４から図８に
示した。ループチューニングの例と、利得＝１、Ｔ1＝
１０秒、Ｔ2＝３秒、Ｌ＝２秒の二次プロセスに対する
ループステップ応答とが、図４に示されている。
【００４６】リレー−オシレーションチューナシステム
１００は、以下のコントローラの設定を生成した。即
ち、Ｋ＝１．６５、Ｔi＝１２．３６、及びＴd＝１．９
７であり、比較としてＩＭＣ計算では、Ｋ＝１．０、Ｔ
i＝１２．５、及びＴd＝１．９７である。図５は、Ｌが
５秒まで増加したグラフを表しており、図６はＬが８秒
まで増加したグラフを表している。図５及び図６の何れ
に於いても、積分動作はＩＭＣ応答に必要とされる（チ
ューナは、ＩＭＣ計算に従うと、Ｔi＝１４．０及び１
５．５に比較してＴi＝１５．７及び１８．３７を与え
た）より幾分弱いけれども、ステップ応答はモデルに基
づくチューニングと同様である。
１００は、以下のコントローラの設定を生成した。即
ち、Ｋ＝１．６５、Ｔi＝１２．３６、及びＴd＝１．９
７であり、比較としてＩＭＣ計算では、Ｋ＝１．０、Ｔ
i＝１２．５、及びＴd＝１．９７である。図５は、Ｌが
５秒まで増加したグラフを表しており、図６はＬが８秒
まで増加したグラフを表している。図５及び図６の何れ
に於いても、積分動作はＩＭＣ応答に必要とされる（チ
ューナは、ＩＭＣ計算に従うと、Ｔi＝１４．０及び１
５．５に比較してＴi＝１５．７及び１８．３７を与え
た）より幾分弱いけれども、ステップ応答はモデルに基
づくチューニングと同様である。
【００４７】本発明による新たな非線型アプローチに従
うチューナの設計は、低速、通常及び高速の応答の選択
によるチューニング性能への調整をユーザが行なうこと
を可能とする。例えば、図７は、高速応答のＬ／Ｔ≒
０．７のプロセスに対するループステップ応答を表して
いる。速度の選択の使用は、特定の条件と要求へのチュ
ーニング応答をより適合させることにより、設計の一般
的な柔軟性を増加させる。当業者の或るものは、Ｗｉｎ
ｄｏｗｓ ＮＴ（登録商標）のアプリケーションプログ
ラム又は他の適当なプログラムに実装されるフィッシャ
ーローズマウントシステムズ社のＤｅｌｔａＶTMシステ
ムが、新たな調整可能な応答の選択を実装し得ることを
評価するであろう。
うチューナの設計は、低速、通常及び高速の応答の選択
によるチューニング性能への調整をユーザが行なうこと
を可能とする。例えば、図７は、高速応答のＬ／Ｔ≒
０．７のプロセスに対するループステップ応答を表して
いる。速度の選択の使用は、特定の条件と要求へのチュ
ーニング応答をより適合させることにより、設計の一般
的な柔軟性を増加させる。当業者の或るものは、Ｗｉｎ
ｄｏｗｓ ＮＴ（登録商標）のアプリケーションプログ
ラム又は他の適当なプログラムに実装されるフィッシャ
ーローズマウントシステムズ社のＤｅｌｔａＶTMシステ
ムが、新たな調整可能な応答の選択を実装し得ることを
評価するであろう。
【００４８】図８を参照すれば、本発明の一実施形態に
従う新たな非線型アプローチを任意に使用するオシレー
ションチューナブロックが図式的に示されている。示さ
れている制御ループシステムは、非線型チューニングと
非線型プロセスモデリング技術の何れをも含み得る。任
意には、このシステムは、線型チューニング及び非線型
プロセスモデリング技術、又は非線型チューニング及び
線型プロセスモデリング技術を含み得る。
従う新たな非線型アプローチを任意に使用するオシレー
ションチューナブロックが図式的に示されている。示さ
れている制御ループシステムは、非線型チューニングと
非線型プロセスモデリング技術の何れをも含み得る。任
意には、このシステムは、線型チューニング及び非線型
プロセスモデリング技術、又は非線型チューニング及び
線型プロセスモデリング技術を含み得る。
【００４９】図８の実施形態に示されているように、プ
ロセス６３０はスイッチ６７０を介してリレー−オシレ
ーションチューナ６００又はコントローラ６１０の何れ
かに接続されている。コントローラ６１０は、コントロ
ーラ設計６５０からの第１のパラメータ信号６５１又は
分析的コントローラ設計６２０及びプロセスモデル６４
０から出力される第２のパラメータ信号６４１を受領す
るために、第２のスイッチ６９０を介して接続されてい
る。コントローラ６１０は、プロセス６３０にスイッチ
可能に接続されたとき、出力を提供する。オシレーショ
ンチューナ６００、プロセスモデル６４０、コントロー
ラ設計６５０、コントローラ６１０、プロセス６３０及
び分析的コントローラ設計６２０のそれぞれは、ソフト
ウエアモジュール、ハードウエア又はこれらの組合せと
して提供され得る。
ロセス６３０はスイッチ６７０を介してリレー−オシレ
ーションチューナ６００又はコントローラ６１０の何れ
かに接続されている。コントローラ６１０は、コントロ
ーラ設計６５０からの第１のパラメータ信号６５１又は
分析的コントローラ設計６２０及びプロセスモデル６４
０から出力される第２のパラメータ信号６４１を受領す
るために、第２のスイッチ６９０を介して接続されてい
る。コントローラ６１０は、プロセス６３０にスイッチ
可能に接続されたとき、出力を提供する。オシレーショ
ンチューナ６００、プロセスモデル６４０、コントロー
ラ設計６５０、コントローラ６１０、プロセス６３０及
び分析的コントローラ設計６２０のそれぞれは、ソフト
ウエアモジュール、ハードウエア又はこれらの組合せと
して提供され得る。
【００５０】後述するように、スイッチ６７０は、プロ
セス６３０を制御するために適当なプロセス制御信号を
設定する。リレー−オシレーションチューナ６００もま
た、信号を供給するために、プロセスモデル６４０及び
コントローラ設計６５０を有する非線型モジュール６６
０に接続されている。コントローラ設計６５０及びプロ
セスモデル６４０の両方とも、以下に更に記述する神経
回路網、ファジー論理、非線型関数又は他の非線型若し
くは線型の技術を使用する。リレー−オシレーションチ
ューナ６００及びコントローラ６１０は、設定ポイント
とプロセス変数との差を表わす誤差信号６８０を受け取
り、プロセス６３０を制御するための第１のプロセス制
御信号を生成する。リレー−オシレーションチューナ６
００はまた、非線型モジュール６６０への信号を供給す
る。
セス６３０を制御するために適当なプロセス制御信号を
設定する。リレー−オシレーションチューナ６００もま
た、信号を供給するために、プロセスモデル６４０及び
コントローラ設計６５０を有する非線型モジュール６６
０に接続されている。コントローラ設計６５０及びプロ
セスモデル６４０の両方とも、以下に更に記述する神経
回路網、ファジー論理、非線型関数又は他の非線型若し
くは線型の技術を使用する。リレー−オシレーションチ
ューナ６００及びコントローラ６１０は、設定ポイント
とプロセス変数との差を表わす誤差信号６８０を受け取
り、プロセス６３０を制御するための第１のプロセス制
御信号を生成する。リレー−オシレーションチューナ６
００はまた、非線型モジュール６６０への信号を供給す
る。
【００５１】第１のパラメータ信号及び第２のパラメー
タ信号は、コントローラ６１０にスイッチ６９０を介し
て接続されている。プロセスモデル６４０からの出力
は、分析的コントローラ設計６２０に接続されて示され
ている。パラメータ信号６４１は、プロセスモデルモジ
ュール６４０内で非線型技術を使用して計算されたパラ
メータ信号６４２に含まれているプロセスモデルパラメ
ータを含んでいる。好ましい実施形態では、パラメータ
信号６４１は、プロセスモデルモジュール６４０内で決
定されたプロセスモデルパラメータと信号６４２に於け
る出力とを使用して分析的コントローラ設計６２０で計
算されたコントローラパラメータを更に含んでいる。当
業者の或るものは、コントローラパラメータがプロセス
モデルパラメータから生成されることを評価するであろ
う。従って、分析的コントローラ設計６２０は、コント
ローラパラメータを決定するために、線型技術を任意的
に適用する。
タ信号は、コントローラ６１０にスイッチ６９０を介し
て接続されている。プロセスモデル６４０からの出力
は、分析的コントローラ設計６２０に接続されて示され
ている。パラメータ信号６４１は、プロセスモデルモジ
ュール６４０内で非線型技術を使用して計算されたパラ
メータ信号６４２に含まれているプロセスモデルパラメ
ータを含んでいる。好ましい実施形態では、パラメータ
信号６４１は、プロセスモデルモジュール６４０内で決
定されたプロセスモデルパラメータと信号６４２に於け
る出力とを使用して分析的コントローラ設計６２０で計
算されたコントローラパラメータを更に含んでいる。当
業者の或るものは、コントローラパラメータがプロセス
モデルパラメータから生成されることを評価するであろ
う。従って、分析的コントローラ設計６２０は、コント
ローラパラメータを決定するために、線型技術を任意的
に適用する。
【００５２】コントローラ設計６５０から出力されるパ
ラメータ信号６５１は、非線型技術を使用して計算され
るコントローラパラメータを含んでいる。コントローラ
６１０に接続されているスイッチ６９０は、選ぶべき選
択肢（１）分析的コントローラ設計６２０に於いて、プ
ロセスモデル６４０で非線型技術を使用して生成される
プロセスモデルパラメータに従って計算されたコントロ
ーラパラメータ、又は（２）コントローラ設計６５０で
非線型技術を使用して計算されたコントローラパラメー
タ、を提供する。
ラメータ信号６５１は、非線型技術を使用して計算され
るコントローラパラメータを含んでいる。コントローラ
６１０に接続されているスイッチ６９０は、選ぶべき選
択肢（１）分析的コントローラ設計６２０に於いて、プ
ロセスモデル６４０で非線型技術を使用して生成される
プロセスモデルパラメータに従って計算されたコントロ
ーラパラメータ、又は（２）コントローラ設計６５０で
非線型技術を使用して計算されたコントローラパラメー
タ、を提供する。
【００５３】上記に代えて、一実施形態では、分析的コ
ントローラ設計６２０は、システムの実装から除かれ
る。分析的コントローラ設計６２０を除いた状態では、
スイッチ６９０はパラメータ信号６５１及びパラメータ
信号６４２の両方に接続され得る。従って、この実施形
態では、スイッチ６９０は必要ではない。従って、コン
トローラ６１０はパラメータ信号６５１に於けるコント
ローラパラメータと、パラメータ信号６４２に於けるプ
ロセスモデルパラメータとの両方を受け取る。パラメー
タ信号６５１及びパラメータ信号６４２の両方が、非線
型モジュール６６０に於いて、以下に述べるような神経
回路網、ファジー論理、非線型関数、又は他の非線型若
しくは線型技術を用いて生成される。
ントローラ設計６２０は、システムの実装から除かれ
る。分析的コントローラ設計６２０を除いた状態では、
スイッチ６９０はパラメータ信号６５１及びパラメータ
信号６４２の両方に接続され得る。従って、この実施形
態では、スイッチ６９０は必要ではない。従って、コン
トローラ６１０はパラメータ信号６５１に於けるコント
ローラパラメータと、パラメータ信号６４２に於けるプ
ロセスモデルパラメータとの両方を受け取る。パラメー
タ信号６５１及びパラメータ信号６４２の両方が、非線
型モジュール６６０に於いて、以下に述べるような神経
回路網、ファジー論理、非線型関数、又は他の非線型若
しくは線型技術を用いて生成される。
【００５４】神経回路網により補助されたチューニング
図８を参照すれば、コントローラ設計６５０に於いて、
コントローラパラメータが、神経回路網モデリングアプ
ローチを使用して、任意的に決定される。このような神
経回路網モデリングアプローチは、３つのＰＩＤコント
ローラパラメータをモデルパラメータ変化の広い範囲に
亘る適合を改良する。神経回路網制御スキームは、一般
的には２つの大きいカテゴリーに分けられる。一つのア
プローチは、コントローラを神経回路網を使用して置き
換えることである。神経回路網は、コントローラ又は人
間の専門家を模倣することにより訓練される。このアプ
ローチは、全てのループについて別々の訓練を使用し、
従ってチューナの設計に於いて良好な候補ではなく、単
純で標準的なチューニング手法でのチューニングの結果
が必要とされる。もう一つのアプローチは、神経回路網
を、モデリング、制御規則の実装、スーパーバイザーの
動作の補助として使用する。特定のチューナの設計は、
図８に示されている。このチューナは、プロセスモデル
及びＰＩＤコントローラパラメータを計算するために、
以下に記載する神経回路網又は他の非線型技術を任意的
に使用する。
コントローラパラメータが、神経回路網モデリングアプ
ローチを使用して、任意的に決定される。このような神
経回路網モデリングアプローチは、３つのＰＩＤコント
ローラパラメータをモデルパラメータ変化の広い範囲に
亘る適合を改良する。神経回路網制御スキームは、一般
的には２つの大きいカテゴリーに分けられる。一つのア
プローチは、コントローラを神経回路網を使用して置き
換えることである。神経回路網は、コントローラ又は人
間の専門家を模倣することにより訓練される。このアプ
ローチは、全てのループについて別々の訓練を使用し、
従ってチューナの設計に於いて良好な候補ではなく、単
純で標準的なチューニング手法でのチューニングの結果
が必要とされる。もう一つのアプローチは、神経回路網
を、モデリング、制御規則の実装、スーパーバイザーの
動作の補助として使用する。特定のチューナの設計は、
図８に示されている。このチューナは、プロセスモデル
及びＰＩＤコントローラパラメータを計算するために、
以下に記載する神経回路網又は他の非線型技術を任意的
に使用する。
【００５５】図１に関連して記述された自己−オシレー
ション手法と同様に、図８のチューナ設計も、自己−オ
シレーション手法を採用する。自己−オシレーション手
法は、コントローラ６１０の出力をプロセス６３０に接
続するか、又はオシレーションチューナ６００の出力を
プロセス６３０に接続するために、スイッチ６７０を制
御することを含んでいる。一実施形態に従えば、コント
ローラ６１０は、コントローラ設計６５０又は分析的コ
ントローラ設計６２０の何れかからコントローラパラメ
ータをスイッチ６９０を介して受領する。この実施形態
では、分析的コントローラ設計６２０はプロセスモデル
６４０からプロセスモデル識別パラメータを受領する。
他の実施形態では、分析的コントローラ設計６２０は、
プロセス制御ループから除かれる。従って、コントロー
ラ６１０は、プロセスモデル６４０からプロセスモデル
識別パラメータと、分析的コントローラ設計６２０から
のコントローラパラメータと受領する。スイッチ６７０
は、コントローラ６１０をプロセス６３０に接続する
か、又はリレー−オシレーションチューナ６００をプロ
セス６３０に接続する。コントローラ設計６５０は、コ
ントローラパラメータを決定するために、非線型技術を
採用する。以下に記述される一つの技術は、神経回路網
の使用を含んでいる。
ション手法と同様に、図８のチューナ設計も、自己−オ
シレーション手法を採用する。自己−オシレーション手
法は、コントローラ６１０の出力をプロセス６３０に接
続するか、又はオシレーションチューナ６００の出力を
プロセス６３０に接続するために、スイッチ６７０を制
御することを含んでいる。一実施形態に従えば、コント
ローラ６１０は、コントローラ設計６５０又は分析的コ
ントローラ設計６２０の何れかからコントローラパラメ
ータをスイッチ６９０を介して受領する。この実施形態
では、分析的コントローラ設計６２０はプロセスモデル
６４０からプロセスモデル識別パラメータを受領する。
他の実施形態では、分析的コントローラ設計６２０は、
プロセス制御ループから除かれる。従って、コントロー
ラ６１０は、プロセスモデル６４０からプロセスモデル
識別パラメータと、分析的コントローラ設計６２０から
のコントローラパラメータと受領する。スイッチ６７０
は、コントローラ６１０をプロセス６３０に接続する
か、又はリレー−オシレーションチューナ６００をプロ
セス６３０に接続する。コントローラ設計６５０は、コ
ントローラパラメータを決定するために、非線型技術を
採用する。以下に記述される一つの技術は、神経回路網
の使用を含んでいる。
【００５６】神経回路網の技術を展開する手法は、図９
に示す幾つかの基本的なステップを含んでいる。図９は
神経回路網ステップを実証するフローダイヤグラムであ
る。ステップ７００は、将来のチューナの使用を予測す
るシュミレートされた制御ループ構成を発生させる第１
のステップを示す。通常は、二次又は三次元プラス不感
時間プロセスモデルが使用される。ステップ７１０は、
モデルパラメータの変化の想定される範囲を特定する。
ステップ７２０は、デベロッパーが、モデルパラメータ
の全てのセットに対して、ＩＭＣ規則、ラムダチューニ
ング又は他の好ましいコントローラ設計の何れかを使用
して、ＰＩＤコントローラ設定を計算することを特定す
る。ステップ７３０は、デベロッパーが、モデルパラメ
ータの同じセットに対してオートチューナを実行し、チ
ューニングの結果−Ｔu、Ｋu及びＬを記録することを提
供する。ステップ７４０は、デベロッパーが、制御ルー
プの性能を計算されたパラメータを用いて確認し、必要
に応じてパラメータを調整することを提供する。ステッ
プ７５０は、デベロッパーが、神経回路網の入力及びモ
デルパラメータとしてシュミレーションチューニングの
結果と神経回路網の出力としてのコントローラパラメー
タを使用して、神経回路網を訓練することを提供する。
ステップ７６０は、デベロッパーが、訓練された神経回
路網をチューナに実装することを提供する。
に示す幾つかの基本的なステップを含んでいる。図９は
神経回路網ステップを実証するフローダイヤグラムであ
る。ステップ７００は、将来のチューナの使用を予測す
るシュミレートされた制御ループ構成を発生させる第１
のステップを示す。通常は、二次又は三次元プラス不感
時間プロセスモデルが使用される。ステップ７１０は、
モデルパラメータの変化の想定される範囲を特定する。
ステップ７２０は、デベロッパーが、モデルパラメータ
の全てのセットに対して、ＩＭＣ規則、ラムダチューニ
ング又は他の好ましいコントローラ設計の何れかを使用
して、ＰＩＤコントローラ設定を計算することを特定す
る。ステップ７３０は、デベロッパーが、モデルパラメ
ータの同じセットに対してオートチューナを実行し、チ
ューニングの結果−Ｔu、Ｋu及びＬを記録することを提
供する。ステップ７４０は、デベロッパーが、制御ルー
プの性能を計算されたパラメータを用いて確認し、必要
に応じてパラメータを調整することを提供する。ステッ
プ７５０は、デベロッパーが、神経回路網の入力及びモ
デルパラメータとしてシュミレーションチューニングの
結果と神経回路網の出力としてのコントローラパラメー
タを使用して、神経回路網を訓練することを提供する。
ステップ７６０は、デベロッパーが、訓練された神経回
路網をチューナに実装することを提供する。
【００５７】図８に関連して上述し、図９で記述した神
経回路網は、どのようなタイプ（Ｓ字状又は放射状を基
本とする関数）であってもよい。本発明の一つの好まし
い実施形態では、神経回路網は、神経回路の入力とし
て、以下に与えられる神経回路の伝達関数と共に使用さ
れる。
経回路網は、どのようなタイプ（Ｓ字状又は放射状を基
本とする関数）であってもよい。本発明の一つの好まし
い実施形態では、神経回路網は、神経回路の入力とし
て、以下に与えられる神経回路の伝達関数と共に使用さ
れる。
【００５８】Ｏｕｔ＝（１−ｅ-In）／（１＋ｅ-In）
Ｉｎは、外部入力の重み付けられた合計である。
【００５９】Ｉｎ＝ΣｗiＩｎi神経回路網には、多重の
出力（出力Ｋとコントローラ神経回路網に対する出力Ｋ
及びＴi、並びにモデル神経回路網に対するＫp及び
Ｔ）、又は幾つかの単独の出力神経回路網が選択的に適
用される。単独の出力神経回路網を使用する利点は、よ
り速い訓練である。従って、一実施形態では単独の出力
神経回路網を実装する。例示的なチューナの設計では、
以下の神経回路網入力と出力とが定義される。
出力（出力Ｋとコントローラ神経回路網に対する出力Ｋ
及びＴi、並びにモデル神経回路網に対するＫp及び
Ｔ）、又は幾つかの単独の出力神経回路網が選択的に適
用される。単独の出力神経回路網を使用する利点は、よ
り速い訓練である。従って、一実施形態では単独の出力
神経回路網を実装する。例示的なチューナの設計では、
以下の神経回路網入力と出力とが定義される。
【００６０】入力：Ｔu、Ｋu、Ｌ、ノイズレベル、リレ
ーヒステリシス、及びスキャン速度 Ｔu、Ｋu、Ｌ及びノイズレベルは、チューニングテスト
中に定義される。
ーヒステリシス、及びスキャン速度 Ｔu、Ｋu、Ｌ及びノイズレベルは、チューニングテスト
中に定義される。
【００６１】リレーヒステリシス及びスキャン速度は、
チューナパラメータである。
チューナパラメータである。
【００６２】出力：Ｋ、Ｔi、Ｔd、Ｋp、及びＴ
Ｋ、Ｔi及びＴdは、ＰＩＤコントローラパラメータを構
成する。
成する。
【００６３】Ｌと連携するＫp及びＴは、一次元プラス
不感時間プロセスモデルパラメータである。
不感時間プロセスモデルパラメータである。
【００６４】実装発行及びテスト結果
新たな非線型法の一実施形態では、神経回路網モデル
は、拡張可能な産業用制御システムに於けるリレー−オ
シレーションオートチューナの性能を高めるために実行
される。オートチューナは、２つの部分を含んでいる。
即ち、コントローラに実装されるチューナ関数ブロック
と、チューナアプリケーションである。チューナアプリ
ケーションは、ＷＩＮＤＯＷＳ ＮＴ（登録商標）のコ
ンソール又は他の適当なコンソールに実装される。神経
回路網モデルは、一実施形態では、チューナアプリケー
ションに加えられ、神経回路網モデルは、選択やその神
経回路網モデルに関連する設定を有していないチューナ
によりそのチューナのユーザにその存在が意識されな
い。
は、拡張可能な産業用制御システムに於けるリレー−オ
シレーションオートチューナの性能を高めるために実行
される。オートチューナは、２つの部分を含んでいる。
即ち、コントローラに実装されるチューナ関数ブロック
と、チューナアプリケーションである。チューナアプリ
ケーションは、ＷＩＮＤＯＷＳ ＮＴ（登録商標）のコ
ンソール又は他の適当なコンソールに実装される。神経
回路網モデルは、一実施形態では、チューナアプリケー
ションに加えられ、神経回路網モデルは、選択やその神
経回路網モデルに関連する設定を有していないチューナ
によりそのチューナのユーザにその存在が意識されな
い。
【００６５】ここに記載した方法によれば、神経回路網
は、二次元プラス不感時間プロセスモデルのために訓練
される。以下の詳述は、神経回路網の訓練のための利用
可能な入力及び出力データを定義する。
は、二次元プラス不感時間プロセスモデルのために訓練
される。以下の詳述は、神経回路網の訓練のための利用
可能な入力及び出力データを定義する。
【００６６】プロセス神経回路網モデル：
入力：極限利得Ｋu、極限周期Ｔu、及び不感時間Ｌは、
リレーチューニング実験の間に定義される。
リレーチューニング実験の間に定義される。
【００６７】出力：プロセス利得０．５、１．０，１．
５、秒によるプロセス時定数１は、１．０，２．０，
５．０，１０．０，２０．０，５０．０，１００．０，
２００．０；秒によるプロセス時定数２は、１．０，
２．０，５．０，１０．０；秒による不感時間は、１．
０，２．０，５．０，１０．０，２０．０，５０．０，
１００．０，２００．０である。
５、秒によるプロセス時定数１は、１．０，２．０，
５．０，１０．０，２０．０，５０．０，１００．０，
２００．０；秒によるプロセス時定数２は、１．０，
２．０，５．０，１０．０；秒による不感時間は、１．
０，２．０，５．０，１０．０，２０．０，５０．０，
１００．０，２００．０である。
【００６８】コントローラ神経回路網モデル：
入力：プロセス神経回路網モデルと同様である。
【００６９】出力：出力に対するプロセスモデルパラメ
ータから計算されるＰＩＤコントローラ利得Ｋ、積分時
間Ｔi、及び不感時間Ｔd；秒によるプロセス時定数１
は、１．０，２．０，５．０，１０．０，２０．０，５
０．０，１００．０，２００．０；秒によるプロセス時
定数２は、１．０，２．０，５．０，１０．０；秒によ
る不感時間は、１．０，２．０，５．０，１０．０，２
０．０，５０．０，１００．０，２００．０である。
ータから計算されるＰＩＤコントローラ利得Ｋ、積分時
間Ｔi、及び不感時間Ｔd；秒によるプロセス時定数１
は、１．０，２．０，５．０，１０．０，２０．０，５
０．０，１００．０，２００．０；秒によるプロセス時
定数２は、１．０，２．０，５．０，１０．０；秒によ
る不感時間は、１．０，２．０，５．０，１０．０，２
０．０，５０．０，１００．０，２００．０である。
【００７０】実験的テスト：実験的シュミレーションチ
ューニングテストを１４２回行なった。この回数は、当
業者による単純な神経回路網の訓練に適したサンプルの
大体の最小数である。このサンプルは、良好な相関係数
を与え、そして、一般的には、必要とされる出力に近い
予測出力の値に近い。ＴIの結果のグラフは、図１０及
び図１１に与えられている。
ューニングテストを１４２回行なった。この回数は、当
業者による単純な神経回路網の訓練に適したサンプルの
大体の最小数である。このサンプルは、良好な相関係数
を与え、そして、一般的には、必要とされる出力に近い
予測出力の値に近い。ＴIの結果のグラフは、図１０及
び図１１に与えられている。
【００７１】予測されたパラメータの範囲の幾つかのイ
ンターバルでは、予測誤差は許容できない。この影響の
２つの特定のケースがある。一つのケースは、（予測誤
差に比較し）予測されたコントローラパラメータの小さ
い値に関係している。このケースでは、最大値の１％の
小ささの予測されたパラメータ誤差でさえ、許容し得な
いパラメータを与える。特に、図１０を参照されるよう
に、実際の値が予測誤差に近いときは、Ｔiはゼロ又は
負であることもあり得る。
ンターバルでは、予測誤差は許容できない。この影響の
２つの特定のケースがある。一つのケースは、（予測誤
差に比較し）予測されたコントローラパラメータの小さ
い値に関係している。このケースでは、最大値の１％の
小ささの予測されたパラメータ誤差でさえ、許容し得な
いパラメータを与える。特に、図１０を参照されるよう
に、実際の値が予測誤差に近いときは、Ｔiはゼロ又は
負であることもあり得る。
【００７２】もう一つの誤差の状況は、幾つかのサンプ
ルがサブレンジに含まれるときである。例えば、ユーザ
が神経回路網モデリングの範囲を超えて、たった幾つか
のシミュレーションを拡張されたサブレンジ、例えば図
１０の＞５０．０の範囲に対して行なうことを希望した
時、誤差が起こり得る。
ルがサブレンジに含まれるときである。例えば、ユーザ
が神経回路網モデリングの範囲を超えて、たった幾つか
のシミュレーションを拡張されたサブレンジ、例えば図
１０の＞５０．０の範囲に対して行なうことを希望した
時、誤差が起こり得る。
【００７３】神経回路網チューニング規則：異常を避け
るために、例証となる非線型技術に従って、神経回路網
チューニングは以下のステップ／規則を使用する。第１
に、できる限り多くのサンプルを集める。少なくとも、
サンプルモデルに必要な最小限の数のサンプルを集め
る。第２に、パラメータの値が数倍（約５倍）以上とな
らない範囲内となるように、予測パラメータの範囲を設
定する。もし、予測値の範囲が数倍（約１５倍）以上な
ら、パラメータ変化の範囲を幾つかのサブレンジに分割
し、幾つかの神経回路網モデルを発生させる。第３に、
小さな予測値に特に注意を払う。もし、予測される値が
予測誤差とサイズに於いて比較可能なら、その小さな値
に対する別の神経回路網を作成する。
るために、例証となる非線型技術に従って、神経回路網
チューニングは以下のステップ／規則を使用する。第１
に、できる限り多くのサンプルを集める。少なくとも、
サンプルモデルに必要な最小限の数のサンプルを集め
る。第２に、パラメータの値が数倍（約５倍）以上とな
らない範囲内となるように、予測パラメータの範囲を設
定する。もし、予測値の範囲が数倍（約１５倍）以上な
ら、パラメータ変化の範囲を幾つかのサブレンジに分割
し、幾つかの神経回路網モデルを発生させる。第３に、
小さな予測値に特に注意を払う。もし、予測される値が
予測誤差とサイズに於いて比較可能なら、その小さな値
に対する別の神経回路網を作成する。
【００７４】例えば、１５から３３（全範囲１〜３２０
に代えて）というＴi値の狭められたサブレンジを有す
るモデルが発生する。サンプルの最小数より少ないにも
拘わらず、全範囲に対する最初のモデルによって達成さ
れるより予測はより良好である。Ｔiのサブレンジに対
する神経回路網モデル予測のグラフは、図１２に与えら
れている。ＩＭＣパラメータに関連する予測誤差は５％
より小さく、一方、このテストケースＬ／Ｔ＞０．５に
対する非線型関数推定量の誤差は、１２．０％を超え
る。
に代えて）というＴi値の狭められたサブレンジを有す
るモデルが発生する。サンプルの最小数より少ないにも
拘わらず、全範囲に対する最初のモデルによって達成さ
れるより予測はより良好である。Ｔiのサブレンジに対
する神経回路網モデル予測のグラフは、図１２に与えら
れている。ＩＭＣパラメータに関連する予測誤差は５％
より小さく、一方、このテストケースＬ／Ｔ＞０．５に
対する非線型関数推定量の誤差は、１２．０％を超え
る。
【００７５】プロセスモデル識別のための線型及び非線
型補正関数(corrective function) 図８に戻ると、式（１）と（３）の組合せに於いて、プ
ロセスモデル識別のための線型及び非線型補正関数の使
用が記載されている。上述のように、プロセスモデル６
４０は、線型及び非線型補正関数を使用して、プロセス
モデルパラメータが任意的に提供される。以下の記述の
技術は、線型、非線型関数、神経回路網、及びファジー
論理に、プロセスモデル６４０に於いて実行されるプロ
セスモデル識別のための補正関数として適用される。
型補正関数(corrective function) 図８に戻ると、式（１）と（３）の組合せに於いて、プ
ロセスモデル識別のための線型及び非線型補正関数の使
用が記載されている。上述のように、プロセスモデル６
４０は、線型及び非線型補正関数を使用して、プロセス
モデルパラメータが任意的に提供される。以下の記述の
技術は、線型、非線型関数、神経回路網、及びファジー
論理に、プロセスモデル６４０に於いて実行されるプロ
セスモデル識別のための補正関数として適用される。
【００７６】式（１）と（３）とによって生成されるプ
ロセス時定数（Ｔc）は、極限利得に対するプロセスの
見かけの不感時間の比率（Ｔd／Ｔu）の小さいものに対
しては非常に短く、極限周期に対するプロセスの見かけ
の不感時間の比率（Ｔd／Ｔu）に対する過大な時定数
（Ｔc）は、表１及び表２に示すように０．２５より大
きい。
ロセス時定数（Ｔc）は、極限利得に対するプロセスの
見かけの不感時間の比率（Ｔd／Ｔu）の小さいものに対
しては非常に短く、極限周期に対するプロセスの見かけ
の不感時間の比率（Ｔd／Ｔu）に対する過大な時定数
（Ｔc）は、表１及び表２に示すように０．２５より大
きい。
【００７７】
Ｔc（補正済み）＝Ｔc（識別）ｆ（Ｔu／Ｔd）
は、小さな（Ｔd／Ｔu）に対しては１より大きいｆ（Ｔ
u／Ｔd）の値を有し、０．２５より大きい（Ｔd／Ｔu）
に対しては１より小さい値を有している。
u／Ｔd）の値を有し、０．２５より大きい（Ｔd／Ｔu）
に対しては１より小さい値を有している。
【００７８】シミュレートされたテストから得られる係
数を有する単純な線型関数は、式（１２）に従ってプロ
セス時定数を補正する。
数を有する単純な線型関数は、式（１２）に従ってプロ
セス時定数を補正する。
【００７９】
【数１２】
【００８０】線形関数に関しては、Ｓ字状の表現は、２
つの異なる値の間の滑らかな遷移を提供する。Ｓ字状の
補正関数は、最小値と最大値とを知ることにより、合理
的に良好に定義される。プロセス時定数の見積もりに対
する次の式（１３）は、シミュレートされたデータの小
さいセットに基づいて得られる。
つの異なる値の間の滑らかな遷移を提供する。Ｓ字状の
補正関数は、最小値と最大値とを知ることにより、合理
的に良好に定義される。プロセス時定数の見積もりに対
する次の式（１３）は、シミュレートされたデータの小
さいセットに基づいて得られる。
【００８１】
【数１３】
【００８２】式（１２）はＴcの計算に使用される係数
の値を与え、この値は０．８の最小値から２．２の最大
値まで変化する。時定数を補正した後、プロセスの静的
利得が式（２）を使用して再計算される。静的利得１．
０を有するプロセスに対するチューニング及び計算の結
果は、表１にまとめられおり、静的利得０．５に対して
は表２にまとめてある。両方の場合に於いて、Ｔ1＝１
０秒、Ｔ2＝２秒プラスＴdの欄に示されている不感時間
を有する二次としてモデル化されている。識別子は、一
次元プラス不感時間モデルによってモデルを概算する
（識別されたＴd）。示されているモデルパラメータは
最初に識別され（Ｔd，Ｋp及びＴc）、そして、線型及
び非線型推定式を使用して補正される（Ｋp及びＴc）。
の値を与え、この値は０．８の最小値から２．２の最大
値まで変化する。時定数を補正した後、プロセスの静的
利得が式（２）を使用して再計算される。静的利得１．
０を有するプロセスに対するチューニング及び計算の結
果は、表１にまとめられおり、静的利得０．５に対して
は表２にまとめてある。両方の場合に於いて、Ｔ1＝１
０秒、Ｔ2＝２秒プラスＴdの欄に示されている不感時間
を有する二次としてモデル化されている。識別子は、一
次元プラス不感時間モデルによってモデルを概算する
（識別されたＴd）。示されているモデルパラメータは
最初に識別され（Ｔd，Ｋp及びＴc）、そして、線型及
び非線型推定式を使用して補正される（Ｋp及びＴc）。
【００８３】
【表１】
【００８４】
【表２】
【００８５】補正関数の両方の適用は、プロセスモデル
識別を著しく改良する。
識別を著しく改良する。
【００８６】ファジー論理補助された識別
典型的なファジー論理コントローラは、非線型コントロ
ーラのタイプである。ファジー論理コントローラの唯一
の特徴は、コントローラの動作とコントローラの発生で
ある。ファジー制御アルゴリズムは言語規則によって定
義される。コントローラ入力パラメータはファジー集合
（セット）によって表現される。コントローラの動作
は、特に入力パラメータを使用するコントローラに対し
ては、操縦面を使用することによって良好に説明され
る。
ーラのタイプである。ファジー論理コントローラの唯一
の特徴は、コントローラの動作とコントローラの発生で
ある。ファジー制御アルゴリズムは言語規則によって定
義される。コントローラ入力パラメータはファジー集合
（セット）によって表現される。コントローラの動作
は、特に入力パラメータを使用するコントローラに対し
ては、操縦面を使用することによって良好に説明され
る。
【００８７】ＦＬ補正関数を発生させる手法は、ファジ
ー論理コントローラを発生させる手法と同様である。以
下の方法がＦＬ補正関数を決定するのに使用される。
ー論理コントローラを発生させる手法と同様である。以
下の方法がＦＬ補正関数を決定するのに使用される。
【００８８】第１に、プロセスモデル時定数に対する補
正関数は以下の形式を有すると仮定する。
正関数は以下の形式を有すると仮定する。
【００８９】
【数１４】
【００９０】ここで、ΔＦはファジー論理補正関数であ
る。関数の値は、増加するファジー論理コントローラの
出力に相当する。通常の非線型関数にファジー論理を使
用することの潜在的な利点は、ファジー論理関数がより
柔軟な関数設計であり、そして、２つ又はそれ以上の引
数を含むのに容易な方法であることである。
る。関数の値は、増加するファジー論理コントローラの
出力に相当する。通常の非線型関数にファジー論理を使
用することの潜在的な利点は、ファジー論理関数がより
柔軟な関数設計であり、そして、２つ又はそれ以上の引
数を含むのに容易な方法であることである。
【００９１】第２に、２つの引数を有する関数を適用
し、第１の引数としてＴu／Ｔd比を、第２の引数として
極限利得を使用する。
し、第１の引数としてＴu／Ｔd比を、第２の引数として
極限利得を使用する。
【００９２】
【数１５】
【００９３】種々の数とタイプのメンバーシップ関数を
使用することができる。実行の容易のために、入力パラ
メータに単純な三角メンバーシップ関数を使用し、出力
信号には別々の関数を使用する。図１３及び表３は、フ
ァジー論理補正関数設計の詳細を示している。表３を参
照すれば、Ｐは正、Ｎは負を表している。
使用することができる。実行の容易のために、入力パラ
メータに単純な三角メンバーシップ関数を使用し、出力
信号には別々の関数を使用する。図１３及び表３は、フ
ァジー論理補正関数設計の詳細を示している。表３を参
照すれば、Ｐは正、Ｎは負を表している。
【００９４】
【表３】
【００９５】出力信号上の脱ファジー化は別々のメンバ
シップ関数に適用される。
シップ関数に適用される。
【００９６】
【表４】
【００９７】ファジー論理シミュレーションの実験的結
果 ファジー論理補正関数は、線型及び非線型補正関数によ
り得られる推定値に比較し得る時定数及び利得の推定値
を与える。
果 ファジー論理補正関数は、線型及び非線型補正関数によ
り得られる推定値に比較し得る時定数及び利得の推定値
を与える。
【００９８】表４に従えば、加えられた補正関数を有す
るリレーオシレーション識別子は、一次元プラス不感時
間モデルを提供し、これは、チューニングの計算に基づ
くＰＩＤコントローラモデルに使用され得る。
るリレーオシレーション識別子は、一次元プラス不感時
間モデルを提供し、これは、チューニングの計算に基づ
くＰＩＤコントローラモデルに使用され得る。
【００９９】非線型関数及び神経回路網モデルの両方と
も、チューニング規則に基づくリレーオシレーションを
著しく改善する。神経回路網チューニングモデルの発生
の特定の原理に固執すれば、神経回路網モデル化は、多
くの利点を提供する。ユーザは、好ましいチューニング
規則（必ずしもラムダ又はＩＭＣである必要はない）を
実行し、そして、神経回路網チューニングモデルを発生
するために同様の方法論を使用することができる。シミ
ュレーションで発生すると、神経回路網モデルはチュー
ニング設計の特定の特性に適応する。コントローラの設
計に影響を与えるスキャン速度とノイズレベルは、予測
のために入力パラメータとして容易に加えられる。
も、チューニング規則に基づくリレーオシレーションを
著しく改善する。神経回路網チューニングモデルの発生
の特定の原理に固執すれば、神経回路網モデル化は、多
くの利点を提供する。ユーザは、好ましいチューニング
規則（必ずしもラムダ又はＩＭＣである必要はない）を
実行し、そして、神経回路網チューニングモデルを発生
するために同様の方法論を使用することができる。シミ
ュレーションで発生すると、神経回路網モデルはチュー
ニング設計の特定の特性に適応する。コントローラの設
計に影響を与えるスキャン速度とノイズレベルは、予測
のために入力パラメータとして容易に加えられる。
【０１００】他の実施形態
ここに記載のシステム及び方法は、情報を発生するため
にプロセスの極限周期及び極限利得を計算するチューナ
を使用しているけれども、開ループチューン及び閉ルー
プチューナを含む、どのようなプロセス特性をも測定す
る他のどのようなタイプのチューナも使用可能である。
更に、決定されるファクター及び記載されているシステ
ム及び方法を使用する制御パラメータは、ユーザにより
又は自動的に入力パラメータとして入力され得る。
にプロセスの極限周期及び極限利得を計算するチューナ
を使用しているけれども、開ループチューン及び閉ルー
プチューナを含む、どのようなプロセス特性をも測定す
る他のどのようなタイプのチューナも使用可能である。
更に、決定されるファクター及び記載されているシステ
ム及び方法を使用する制御パラメータは、ユーザにより
又は自動的に入力パラメータとして入力され得る。
【０１０１】更に、ここに言及している図式的なブロッ
クダイヤグラムに示されている要素は、ハードウエアに
於いて具体化され、又は適切にプログラムされたディジ
タルコンピュータ若しくは別個のプログラム又は共通プ
ログラムのモジュールの何れかとしてソフトウエアによ
りプログラムされたプロセッサに於いて実行される。
クダイヤグラムに示されている要素は、ハードウエアに
於いて具体化され、又は適切にプログラムされたディジ
タルコンピュータ若しくは別個のプログラム又は共通プ
ログラムのモジュールの何れかとしてソフトウエアによ
りプログラムされたプロセッサに於いて実行される。
【０１０２】本発明は特定の実施形態に関して記述され
ているけれども、これらは例示であり本発明を限定する
ものではなく、本発明の精神及び範囲から逸脱すること
なく、開示された実施形態に変更、付加及び／又は削除
が成されることが、当業者に明らかとなるであろう。
ているけれども、これらは例示であり本発明を限定する
ものではなく、本発明の精神及び範囲から逸脱すること
なく、開示された実施形態に変更、付加及び／又は削除
が成されることが、当業者に明らかとなるであろう。
【図１】本発明によるリレーオシレーションチューニン
グシステムの概略を表わすブロックダイヤグラムであ
る。
グシステムの概略を表わすブロックダイヤグラムであ
る。
【図２】本発明の実施形態に従うチューニングチューニ
ングプロットである。
ングプロットである。
【図３】コンピューティングコントローラ積分時間及び
利得のための非線型係数関数を示すグラフである。
利得のための非線型係数関数を示すグラフである。
【図４】Ｌ／Ｔ≒０．２及びループスキャン＝０．１秒
のプロセスに対するチューニングとステップ応答を示す
グラフである。
のプロセスに対するチューニングとステップ応答を示す
グラフである。
【図５】Ｌ／Ｔ≒０．５及びループスキャン＝０．１秒
のプロセスに対するチューニングとステップ応答を示す
グラフである。
のプロセスに対するチューニングとステップ応答を示す
グラフである。
【図６】Ｌ／Ｔ≒０．７及びループスキャン＝０．１秒
のプロセスに対するチューニングとステップ応答を示す
グラフである。
のプロセスに対するチューニングとステップ応答を示す
グラフである。
【図７】高速応答を有する場合の、Ｌ／Ｔ≒０．２及び
ループスキャン＝０．１秒のプロセスに対するチューニ
ングとステップ応答を示すグラフである。
ループスキャン＝０．１秒のプロセスに対するチューニ
ングとステップ応答を示すグラフである。
【図８】チューナによって補助された神経回路網を示す
ダイヤグラムである。
ダイヤグラムである。
【図９】本発明の一実施形態による神経回路網を発展さ
せるために必要なステップを示すグラフである。
せるために必要なステップを示すグラフである。
【図１０】神経回路網によって予想した結果に対する、
本発明の一実施形態を使用した実際の／必要な積分時間
を示すグラフである。
本発明の一実施形態を使用した実際の／必要な積分時間
を示すグラフである。
【図１１】神経回路網モデル積分時間によって予想した
結果に対する、本発明の一実施形態を使用した実際の／
必要な積分時間を示すグラフである。
結果に対する、本発明の一実施形態を使用した実際の／
必要な積分時間を示すグラフである。
【図１２】本発明の一実施形態による、Ｔi値１５から
３３のサブレンジに対する神経回路網モデルによって予
想した結果のグラフである。
３３のサブレンジに対する神経回路網モデルによって予
想した結果のグラフである。
【図１３】本発明の一実施形態に於ける入力メンバシッ
プ関数のグラフである。
プ関数のグラフである。
１００ リレー−オシレーションチューナシステム
１２０ 加算器
１３０ プロセス出力
１４０ コントローラ
１５０ リレー
１６０ チューニング規則
１７０ コントローラ
１８０ 制御スイッチ
１９０ プロセス
６００ リレー−オシレーションチューナ
６１０ コントローラ
６２０ 分析的コントローラ設計
６３０ プロセス
６４０ プロセスモデル
６４１ 第２のパラメータ信号
６４２ パラメータ信号
６５０ コントローラ設計
６５１ 第１のパラメータ信号
６６０ 非線型モジュール
６７０ スイッチ
６８０ 誤差信号
６９０ 第２のスイッチ
フロントページの続き
(72)発明者 ティエル， ダーク
アメリカ合衆国 78758 テキサス オ
ースティン マウンテン クウェイル
ロード 10109
(56)参考文献 特開 平６−28006（ＪＰ，Ａ)
特開 昭63−94304（ＪＰ，Ａ)
特開 平９−244703（ＪＰ，Ａ)
国際公開99／019778（ＷＯ，Ａ１)
(58)調査した分野(Int.Cl.7，ＤＢ名)
G05B 13/02
G05B 13/04
Claims (18)
- 【請求項１】 プロセス制御ループのチューニングのた
めのシステムであって、該システムは、 設定ポイントとプロセス変数との差を表わす誤差信号を
受領して、前記プロセスの制御を行なうための第１のプ
ロセス制御信号を生成するチューナモジュールと、 非線型手法を適用して、少なくとも一つのパラメータ信
号を生成する非線型モジュールと、 前記誤差信号と前記非線型モジュールからの前記少なく
とも一つのパラメータ信号とを受領して、前記プロセス
を制御するための第２のプロセス制御信号を発生するコ
ントローラモジュールと、 前記チューナモジュール及びコントローラモジュールの
一つを前記プロセスに接続して、前記プロセスを制御す
るための適当なプロセス制御信号を選択するスイッチン
グ手段とを備えたシステム。 - 【請求項２】 請求項１記載のシステムであって、前記
非線型モジュールは、非線型手法を適用して、プロセス
モデル識別パラメータを生成する非線型プロセス識別モ
ジュールを有しているシステム。 - 【請求項３】 請求項１記載のシステムであって、前記
非線型モジュールは、複数のコントローラチューニング
パラメータの非線型推定値を提供するための非線型プロ
セス設計モジュールを有しているシステム。 - 【請求項４】 請求項３記載のシステムであって、前記
コントローラは、前記非線型コントローラ設計モジュー
ルからコントローラチューニングパラメータの推定値を
受領するために更に結合されているシステム。 - 【請求項５】 請求項３記載のシステムであって、前記
非線型コントローラ設計モジュールは、前記コントロー
ラモジュールに対する調整が可能であり、該調整によ
り、前記コントローラの応答速度が変更されるシステ
ム。 - 【請求項６】 請求項１記載のシステムであって、 前記非線型モジュールに接続された分析的コントローラ
設計モジュールを更に有し、該分析的コントローラ設計
モジュールは、前記非線型モジュールから受領した複数
のモデル識別パラメータに基づいて、複数のコントロー
ラパラメータを前記コントローラに提供することができ
るシステム。 - 【請求項７】 請求項１記載のシステムであって、 前記コントローラは、比例、積分及び微分フィードバッ
クコントローラであるシステム。 - 【請求項８】 請求項１記載のシステムであって、 前記非線型モジュールは、少なくとも一つの神経回路網
モジュールを包含しているシステム。 - 【請求項９】 請求項１記載のシステムであって、 前記非線型モジュールは、非線型プロセス識別モジュー
ルと、非線型コントローラ設計モジュールとを包含し、
前記非線型プロセス識別モジュールからの出力と、前記
非線型コントローラ設計モジュールからの出力とが、前
記コントローラモジュールに接続されているシステム。 - 【請求項１０】 請求項８記載のシステムであって、 前記神経回路網モジュールは、Ｓ字状関数及び放射状を
基本とする関数の一つを使用するシステム。 - 【請求項１１】 請求項８記載のシステムであって、 前記神経回路網モジュールは、伝達関数が、 Ｏｕｔ＝（１−ｅ-In）／（１＋ｅ-In） によって与えられるＳ字状関数であり、Ｉｎは、Ｉｎ＝
ΣｗiＩｎiの形式の複数の外部入力の重み付けられた合
計であるシステム。 - 【請求項１２】 請求項１記載のシステムであって、 前記非線型モジュールは、ファジー論理モジュールを包
含しているシステム。 - 【請求項１３】 請求項１記載のシステムであって、 前記パラメータ信号は、前記プロセス制御ループをチュ
ーニングするための複数のチューニングパラメータの非
線型推定量を使用する複数の制御パラメータを包含して
いるシステム。 - 【請求項１４】 請求項１３記載のシステムであって、 前記非線型モジュールは、非線型関数を使用する非線型
推定量を使用して複数の制御パラメータを計算し、前記
複数のチューニングパラメータの非線型推定量を生成す
るシステム。 - 【請求項１５】 請求項１３記載のシステムであって、 前記非線型モジュールは、神経回路網を使用する非線型
推定量を使用して複数の制御パラメータを計算し、リレ
ーオシレーションチューニングパラメータを推定するシ
ステム。 - 【請求項１６】 請求項１３記載のシステムであって、 前記非線型モジュールは、ファジー論理を使用する非線
型推定量を使用して複数の制御パラメータを計算し、リ
レーオシレーションチューニングパラメータを推定する
システム。 - 【請求項１７】 請求項１４記載のシステムであって、 前記非線型関数はＳ字状関数であるシステム。
- 【請求項１８】 請求項１７記載のシステムであって、 積分時間、利得及び微分時間を含むパラメータを提供す
るために、前記Ｓ字状関数と共に発見的係数が使用され
るシステム。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US15032399P | 1999-08-23 | 1999-08-23 | |
| US60/150323 | 1999-08-23 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2001100803A JP2001100803A (ja) | 2001-04-13 |
| JP3512376B2 true JP3512376B2 (ja) | 2004-03-29 |
Family
ID=22534037
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000252805A Expired - Lifetime JP3512376B2 (ja) | 1999-08-23 | 2000-08-23 | 非線型チューニング規則推定量を有する制御ループ自動チューナ |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP3512376B2 (ja) |
| DE (1) | DE10041439B4 (ja) |
| GB (1) | GB2353608B (ja) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101925866B (zh) * | 2008-01-31 | 2016-06-01 | 费希尔-罗斯蒙特系统公司 | 具有用来补偿模型失配的调节的鲁棒的自适应模型预测控制器 |
| CN102331717A (zh) * | 2011-10-10 | 2012-01-25 | 哈尔滨工程大学 | 一种船舶航速智能控制方法 |
| KR101478450B1 (ko) | 2013-07-19 | 2014-12-31 | 재단법인대구경북과학기술원 | 다변수 비선형 시스템의 제어를 위한 pid 가변 이득설계 방법 |
| US11467543B2 (en) | 2019-09-20 | 2022-10-11 | Fisher-Rosemount Systems, Inc. | Process controller design with process approximation and lambda tuning |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SE447608B (sv) * | 1985-04-03 | 1986-11-24 | Hightech Network Ab | Forfarande och anordning for instellning av en digital regulator |
| JPS6266301A (ja) * | 1985-09-18 | 1987-03-25 | Yamatake Honeywell Co Ltd | オ−トチユ−ニングコントロ−ラ |
| US5453925A (en) * | 1993-05-28 | 1995-09-26 | Fisher Controls International, Inc. | System and method for automatically tuning a process controller |
| US5742503A (en) * | 1996-03-25 | 1998-04-21 | National Science Council | Use of saturation relay feedback in PID controller tuning |
| DE19748718A1 (de) * | 1997-11-05 | 1999-05-06 | Hans Werner Dr Ing Philippsen | Regler - Selbsteinstellungseinrichtung auf der Grundlage Neuronaler Netze |
-
2000
- 2000-08-22 GB GB0020529A patent/GB2353608B/en not_active Expired - Lifetime
- 2000-08-23 DE DE2000141439 patent/DE10041439B4/de not_active Expired - Lifetime
- 2000-08-23 JP JP2000252805A patent/JP3512376B2/ja not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| GB2353608A (en) | 2001-02-28 |
| JP2001100803A (ja) | 2001-04-13 |
| DE10041439A1 (de) | 2001-03-01 |
| GB0020529D0 (en) | 2000-10-11 |
| GB2353608B (en) | 2003-10-08 |
| DE10041439B4 (de) | 2011-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6357027B2 (ja) | プロセス制御システムにおけるオンライン適応モデル予測制御 | |
| US6847954B1 (en) | Control-loop auto-tuner with nonlinear tuning rules estimators | |
| Savran et al. | A fuzzy model based adaptive PID controller design for nonlinear and uncertain processes | |
| JP4918207B2 (ja) | 経験的プロセスの非線形近似器を制約するコンピュータ装置とその方法 | |
| EP2113096B1 (en) | Adaptive control system for a dc-dc power converter | |
| Luzi et al. | A tuning methodology of Model Predictive Control design for energy efficient building thermal control | |
| KR20000010791A (ko) | 예측, 제어 및 최적화를 위한 동적 및 정상-상태 프로세스를 모델링하는 방법 및 장치 | |
| JPH04259004A (ja) | フィードバック制御方法 | |
| WO2005019949A1 (ja) | Ｐｉｄパラメータ調整装置 | |
| WO1993012476A1 (en) | A closed loop neural network automatic tuner | |
| CN113874865A (zh) | 借助于贝叶斯优化方法确定技术系统的调节策略的模型参数的方法和装置 | |
| Beyhan et al. | Stable modeling based control methods using a new RBF network | |
| JP3512376B2 (ja) | 非線型チューニング規則推定量を有する制御ループ自動チューナ | |
| Zhao et al. | Adaptive neural network control for a class of discrete-time nonlinear interconnected systems with unknown dead-zone | |
| Ordóñez et al. | Adaptive control for a class of nonlinear systems with a time-varying structure | |
| Zhu et al. | A new decoupling design of self‐tuning multivariable generalized predictive control | |
| CN111240201B (zh) | 一种扰动抑制控制方法 | |
| Chow et al. | Successive one-step-ahead predictions in multiple model predictive control | |
| US5649062A (en) | Auto-tuning controller and method of use therefor | |
| Matko et al. | Generalized predictive control of a thermal plant using fuzzy model | |
| JP2002341904A (ja) | プラントの制御装置 | |
| Wojsznis et al. | Neural network assisted control loop tuner | |
| JPH03268103A (ja) | オートチューニングコントローラ | |
| Park et al. | Robust adaptive fuzzy controller for nonlinear system with unknown nonlinearities | |
| Foss et al. | Choosing the settings of an adaptive controller using an expert system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20031216 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20040106 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 3512376 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080116 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090116 Year of fee payment: 5 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090116 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100116 Year of fee payment: 6 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110116 Year of fee payment: 7 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110116 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120116 Year of fee payment: 8 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130116 Year of fee payment: 9 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| EXPY | Cancellation because of completion of term |