JPH03201008A - ゲインスケジューリング制御装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 ［発明の目的］ （産業上の利用分野） この発明は、動作条件、環境条件に応じて、制御系の制
御パラメータを調整するゲインスケジューリング制御装
置に関する。

（従来の技術） 化学プロセス、鉄鉱プロセス、電力プラントなど、大規
模で複雑な構造を持つ制御対象では、非線形特性をもつ
ため動作条件や環境条件によって動特性が大きく変化す
る。従ってこれらのプラントに対する制御系を適切な状
態に保つために、動作条件や環境条件を表わすパラメー
タ（以下これをスケジューリングパラメータと呼ぶこと
にする。）に応じて制御装置（コントローラ）の制御パ
ラメータを調整するゲインスケジューリング制御方式が
広く使われている。

一般にゲインスケジューリング制御方式では、スケジュ
ーリングパラメータと制御パラメータの関係を表わすテ
ーブル又はグラフをコントローラ内部に持ち、測定した
スケジューリングパラメータに従って制御パラメータを
自動調節する。第４図にその構成を示す。しかし、数多
くある動作条件パラメータ、又は環境パラメータの中で
、どれをスケジューリングパラメータに選ぶか、またゲ
インスケジューリングテーブルをいかに決定するかは制
御性能を事前に十分な検討を必要としていた。

これに対し、各動作点でオートチューニング機能により
最適なパラメータを決定して、そのたびにゲインスケジ
ューリングテーブルを修正する学習機能付ゲインスケジ
ューリング制御も提案されている（例えば、特開昭５６
−１５９７０４．特開昭５９−１３３６０６．計測自動
制御学会　第２８回自動制御連合講演会（昭和６０年１
１月５日〜７日）　予稿集１０２５．Ｐ４９〜５０など
）しかし、きめ細かいゲインスケジューリングテーブル
を学習するには、全ての動作点に対し制御パラメータを
チューニングしなければならない。

特に、スケジューリングパラメータが２つ以上の多変数
になると動作点の数は膨大になり、これを保存するテー
ブルに要するメモリの量も多くなってしまう。また、チ
ューニングする動作点の数を減らした場合、その間をい
かに補間すればよいかも明らかでない。

この様な問題点から、現実に使用されるゲインスケジュ
ーリング制御は、スケジューリングパラメータがせいぜ
い１〜２つで、スケジューリングテーブルも大雑把なも
のが用いられるため、きめ細かな制御は不可能であった
。

（発明が解決しようとする課題） このように、従来のゲインスケジューリング制御装置で
は、以下の様な問題がある。

（Ｉ）　　１〜２７の少ないスケジューリングパラメー
タではきめの細かいゲインスケジューリング制御ができ
ない。また、数多くある動作条件変数、環境変数の中で
どの変数をスケジューリングパラメータにすれば有効か
がわからない。

（目）　プラントの数多くの動作条件変数や環境変数全
てに対するスケジューリングテーブルを用意すれば膨大
なメモリが必要である。

（ＩＩＩ　）　　スケジューリングテーブルを作成する
ためには、数多くの動作点に対し個別にチューニングを
行なう必要がある。

（Ｉｖ）　　チューニングを行った動作点の数が少ない
とき、その間の動作点における制御パラメータを求める
ために、ゲインスケジューリングテーブルをどの様に補
間すれば良いかが明らかでない。

（Ｖ）　　スケジューリングパラメータとして観測した
制御対象の動作条件、環境条件の変数が測定誤差を含む
場合誤ったゲインスケジューリング動作を生じることに
なる。

そこでこの発明は、スケジューリングパラメータが膨大
でもメモリ容量の少ない正確で迅速な処理のできる装置
の提供を目的とする。

［発明の構成］ （課題を解決するための手段） 上記問題点を解決するために、この発明は、制御装置の
制御パラメータを制御対象のスケジューリングパラメー
タの観測値に応じて調整するゲインスケジューリング制
御装置において、前記観測値を人力し、制御パラメータ
を出力とするニューラルネットワークを備え、このニュ
ーラルネットワークの出力に応じて制御装置の制御パラ
メータを調整することを特徴とするものである。

（作用） ニューラルネットワークは、多数の情報源すなわち人力
変数から望ましい出力変数までの複雑な関係を表現する
有効な手段である。これを従来のゲインスケジューリン
グ制御装置で用いていたゲインスケジューリングテーブ
ルの代わりに用いることにより、制御対象のパラメータ
から最適な制御パラメータまでの複雑な関係が容易に表
現でき、きめの細かいゲインスケジューリング制御がで
きる。また、ニューラルネットワークでは、従来の装置
に比べ必要とするメモリー容量が少なくても済む。

また、誤差逆伝播学習法を用いて、ニューラルネットワ
ークを学習させることにより、数多くのスケジューリン
グパラメータの中で制御機能に大きく係わるものとそう
でないものが自動的に重みづけられるので、事前に検討
を必要としない。

さらに、オートチューニング機能により最適な制御パラ
メータを求めた動作点の数が十分に多くなくても、ニュ
ーラルネットワークによりその間が自動的に補間され、
妥当なゲインスケジューリング動作が達成される。

またニューラルネットワークは、外乱、ノイズに強いこ
とが指摘されており、観測されたスケジューリングパラ
メータが外乱、ノイズ等による測定誤差を含む場合も妥
当な制御パラメータを出力し、制御動作が適切な状態に
保たれる。

最後に、オートチューニング機能やニューラルネットワ
ークの学習機能を制御する学習動作監視部を設け、初め
て経験する動作条件のときなど、必要な時のみ自動的に
学習動作が行なわれるため、効率よく学習がすすめられ
る。

（実施例） 以下この発明の詳細な説明する。

ニューラルネットワーク形のゲインスケジューリング制
御装置の構成を第１図に示す。制御対象１に対し、ＰＩ
Ｄコントローラ２により制御系が構成されている。ここ
で、本実施例ではＰＩＤ制御系を対象としているが、よ
り一般的な２自由度ＰＩＤ制御系や最適レギュレータ、
多変数コントローラや離散時間コントローラでもそのま
ま適用できる。

第４図の従来のゲインスケジューリング制御装置に対し
てこの実施例は、ゲインスケジューリングテーブル１１
の代わりに、ニューラルネットワーク３が用いられてい
る。ＰＩＤコントローラ２の制御パラメータ（比例ゲイ
ン、積分時間、微分時間等）は、制御対象の動作条件や
環境条件に関する観測可能な全ての変数θ（スケジュー
リングパラメータ）を人力とするニューラルネットワー
ク３の出力に応じて調整される。

ニューラルネットワークとは、人間の頭脳の数理モデル
として以前より研究されている。その−種である階層的
ネットワークは、第２図の形をしている。同図において Ｘ−［Ｘ、Ｘ２・・・・・・ｘ−＋］”はニューラルネ
ットワークの入力で、 Ｙ−［０”、Ｏ″２・・・・・・ｏＭ、Ｍ層　”は出力
である。全体はＭ層のニューロンの列で構成される。こ
こで、第に＋１層のニューロン ロン全てＮ＋　　（ｔ−１，２，・・・・・・、ｎ、）
の出力信号Ｏｒ　　（ｔ−１，２，・・・・・・、ｎ、
）に重み１（ｋ啼Ｃ Ｗｌ　、で結合されている。すなわち、第に＋１層の５
番目のニューロ７Ｎ、の人力ｌ、はｉパ−Σ　Ｗ　　　
・０−θ　　　（１）＋　　　　　　　　　　　１−１
　　　　１　１　　　　　　　　　　　　　　４で表わ
される。又、各ニューロンＮτ１は入力、に：１を受け
て を出力する。ここで関数ｆ（・）は、非減少、微分可能
な関数で、例えば、 ｆ（ｘ）−（３） ｌ十ｅｘｐ　（−ｘ） で与えられる。

ニューラルネットワークの特性は重み係数ｋ　Ｋ刊 Ｗ、、およびθ、　で決定される。ニューラルネットワ
ークが入力Ｘを受けたときの出力Ｙが教示信号Ｙ”に一
致するように、重み係数を調整する誤差逆伝播学習法（
ｅｒｒｏｒ　ｂａｃｋ　ｐｒｏｐａｇａｔｉｏｎ　ｌｅ
ａｒｎｉｎｇ　ｍｅｔｈｏｃｌ　）が近年提案されてい
る。（Ｄ、Ｅ。

ｉｆｕｍｅｌｈａｒｔ、Ｇ、Ｅ、１Ｉｉｎｔｏｎａｎｄ
　　Ｒ，Ｊ、Ｗｌｌｌｌａｍｓ：Ｌｅａｒｎｌｎｇ　　
ｒｅｐｒｅｓｅｎｔａｔｌｏｎｓ　　ｂｙ　　ｂａｃｋ
−ｐｒｏｐａｇａｔｌｎｇ　　ｅｒｒｏｒｓ、Ｎａｔｕ
ｒｅ、　　３２３−９　、　５３３−５３６　　（１９
８６）） この方法では、重み係数Ｗを例えば以下の式に従い修正
する。

３） （ｋ−Ｍ、　　Ｍ−１，・・・・・・ （ｉ　−１，２，−−ｎ　−−＋　　）（ｊ−１，２，
・・・・・・、ｎｋ） δ　　　　　−ｆ（ｉ　　　　　　）　　Σ　Ｗ　　　
　　　δ　　　　（６ン」　　　　　る　　　　　」　
　　　　１ここで、ｙ、は教示信号、ｆ　（・）は関数
ｆ（・）の微分を意味する。この修正をくりかえしてい
くに従い、ニューラルネットワークの出力Ｙが教示信号
Ｙ１に一致するように重み係数Ｗが学習される。なお、
これ以外の誤差逆伝播の学習方法でも可能である。

これらの概要については、たとえば、コロナ社コンピユ
ートロールＮｏ、２４．Ｐ５３〜６０（１９８８年１０
月１０日発行）に解説されている。

制御性能判定部４では、目標値ｒ、制御量ｙ。

制御偏差ｅなど制御系の語信号からその時点での制御性
能を判定する。その原理を第５図において説明する。

まず、目標値ｒをリアルタイムで観測し、しきい値ε１
以上の変化が認められたとき、すなわちｒ　（ｋ）　−
ｒ　（ｋ−１）　　ｌ＞ε。

のとき、制御量ｙと制御偏差ｅをステップ応答として以
下の特徴量の測定を始める。

まず、制御偏差ｅのピーク値ｐ、、ｐ２．ｐ３・・・・
・・　ｐｏを第５図（ａ）の様に測定し、減衰率ηを により求める。このときη〉ε　（たとえばε７η −０，５）であれば、減衰率が十分でないので制御性能
は不良と判定する。

次に、制御量ｙの整定値を１００％とするとき、第５図
（ｂ）の様に６３％を通過する時間すなわち時定数Ｔｃ
、オーバーシュート量Ｏｓ　［％］、制御量ｙが許容誤
差ε　（たとえばε　−１０％）ｅ　　　　　　　　　
　　　　　　　　０以内に入る時間、すなわち整定時間
Ｔｓを測定する。ここで、 ＴいＩｓ　＜Ｔ’ｃ＜”ｒカ。

０、＜ε。　　（たとえばε。　−１０％）−Ｓ　　　
　　　　　　　　　　　　　　　　　　　　ＳＴ、＜Ｔ
、、、、。

を一つでも見たさなければ、制御性能は不良であると判
定する。

ただし、ここで判定のためのしきい値ε７．εｅ　、　
　Ｔａ１ｅ　ＨＴａ５ｉ　＋　　ε。　＋Ｔｓｍａ＊は
あらかじめ、操作員が、制御系の仕様に応じて設定して
おく。以上の様にして、制御性能が不良と判定した時の
み、信号を次の学習動作監視部５へ送る。

学習動作監視部５では、以下のいずれかが成立したとき
、オートチューニング部６および誤差逆伝播学習部１０
を起動する。

（１）外部から指令があったとき （１１）制御性能判定部４で制御性能が悪いと判定され
たとき。

（１１１）スケジューリングパラメータθを監視し、今
まで経験したことのない初めての動作条件、環境条件に
対象が置かれていると判定したとき。

ただしθの各要素をθ１．θ２．・・・・・・θ０とし
、今までにオートチューニングおよびニューラルネット
ワークの学習がＮ個のスケジューリングパラメータθ、
ｌ、θ、２．　　　、θ＋Ｎ　（ｉ−１２、・・・・・
・、ｎ）に対して行われたとする。このとき、パラメー
タ距離 を求め、 Ｊ　（θ）〉ε（εはしきい値） ならば、初めての動作条件、環境条件であると判定する
。

オートチューニング部６は、起動されると、まず同定信
号発生部７から、第３図に示す様なＭ系列信号（ａ）、
ステップ信号（ｂ）、矩形波信号（ｃ）等の同定信号を
発生し、ＰＩＤ制御系の操作量Ｕへ加えられる。それと
同時に、操作量Ｕ１制御量ｙが動特性同定部８にとりこ
まれ、ここで制御対象の動特性モデルが同定される。さ
らに、それにもとづき最適なＰＩＤ定数が制御定数算出
部９で求められる。これらのオートチューニング機能の
詳細は、たとえば、特願昭６１−−２６２９５２号（昭
和６１年１１月５日出願）に述べられている。なお、こ
れ以外の他のオートチューニングでも可能である。

次に、誤差逆伝播学習部１０が起動されると、オートチ
ューニング部６で求められたＰＩＤパラメータとその時
点でのニューラルネットワーク３の出力であるＰＩＤパ
ラメータとの差に基づいて（４）〜〈６〉式の誤差逆伝
播アルゴリズムに従って、（１）式におけるニューラル
ネットワーク３の重み係数Ｗを修正する。

この様にして、ニューラルネットワーク３はオートチュ
ーニングの結果に基づいて学習をしながら、スケジュー
リングパラメータθを入力として（１）〜（３）式に従
って動作し、ＰＩＤパラメータを出力する。そのＰＩＤ
パラメータに従って、ＰＩＤコントローラが調整される
。

［発明の効果］ 以上より明らかなように、この発明のスケジューリング
制御装置では、以下の効果がある。

（１）　　制御対象の動作条件、環境条件に関わる観測
可能な全ての変数（スケジューリングパラメータ）にも
とづき、きめの細かいゲインスケジューリング動作を行
うことにより、高度な制御性能を達成できる。

（Ｉｌ）ゲインスケジューリングテーブルを用いた従来
例に比べ、少ないメモリ容量でよい。

（ｉｉｉ　）　　観測したスケジューリングパラメータ
が測定誤差、外乱等のノイズを含む場合でも、ニューラ
ルネットワークの耐ノイズ性により妥当な制御パラメー
タが出力され、制御動作が適切な状態に保たれる。

（ｆｖ）　　ニューラルネットワークの学習により、数
多いスケジューリングパラメータの中で重要なものとそ
うでないものとが自動的に重みづけされるので、事前に
スケジューリングパラメータを選択するための検討を必
要としない。

（Ｖ）　　オートチューニング部と組み合わせ、各動作
点でチューニングした最適な制御定数を教示信号として
ニューラルネットワークを学習させることにより、最適
なゲインスケジューリング機能が自動的に得られる。こ
のとき、チューニングした動作点の数が少なくてもその
間は適切な形で補間され、妥当なゲインスケジューリン
グ動作が達成される。

（ｖＩ）　　学習動作監視部の付加により、制御性能の
悪いときや、初めて経験する動作条件のときなど必要な
ときのみニューラルネットワークの学習動作が自動的に
起動され、効率よく学習がすすめられる。

【図面の簡単な説明】

第１図は、この発明の実施例に係るゲインスケジューリ
ング制御装置の構成図、第２図はニューラルネットワー
クの構成図、第３図は代表的な同定信号であるＭ系列信
号、ステップ信号、矩形信号の波形を示した図、第４図
は従来のゲインスケジューリング制御装置の構成図、第
５図は制御性能判定部で制御性能を制御量の応答波形か
ら判定する際の特徴量を示した図である。 １・・・制御対象 ２・・・ＰＩＤコントローラ ３・・・ニューラルネットワーク ４・・・制御性能判定部 ５・・・学習動作監視部 ６・・・オートチューニング部 １０・・・誤差逆伝播学習部

Claims (3)

【特許請求の範囲】
1. （１）制御装置の制御パラメータを制御対象のスケジュ
   ーリングパラメータの観測値に応じて調整するゲインス
   ケジューリング制御装置において、前記観測値を入力し
   、制御パラメータを出力とするニューラルネットワーク
   を備え、このニューラルネットワークの出力に応じて制
   御装置の制御パラメータを調整することを特徴とするゲ
   インスケジューリング制御装置。
2. （２）制御対象の入出力信号から動特性を推定し、その
   動特性に基づき最適な制御パラメータを算出するオート
   チューニング部を備え、オートチューニング部で算出さ
   れた制御パラメータを教示信号とし、この教示信号とニ
   ューラルネットワークの出力信号との差信号にもとづき
   、誤差逆伝播学習方式によりニューラルネットワーク内
   の重み係数を調整する学習部を備えたことを特徴とする
   請求項１記載のゲインスケジューリング制御装置。
3. （３）制御制能を制御系の諸信号から判定する制御性能
   判定部と、外部指令を受けたとき、又は制御性能が悪い
   と判定されたとき、又は、制御対象が過去にない初めて
   の動作条件、環境条件に置かれていると判定されたとき
   、（又は）これらの組合せが判定されたときにオートチ
   ューニング部と学習部とを起動する学習動作監視部とを
   備えたことを特徴とする請求項１又は２記載のゲインス
   ケジューリング制御装置。