JPH03235101A - Model norm type adaptive control method - Google Patents
Model norm type adaptive control methodInfo
- Publication number
- JPH03235101A JPH03235101A JP2960690A JP2960690A JPH03235101A JP H03235101 A JPH03235101 A JP H03235101A JP 2960690 A JP2960690 A JP 2960690A JP 2960690 A JP2960690 A JP 2960690A JP H03235101 A JPH03235101 A JP H03235101A
- Authority
- JP
- Japan
- Prior art keywords
- model
- controller
- controlled object
- series signal
- input
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 17
- 230000003044 adaptive effect Effects 0.000 title claims description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 230000004044 response Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
Description
【発明の詳細な説明】
〔産業上の利用分野〕
本発明は、モデル規範型適応制御方法に係り、特に、制
御対象が非線形特性を持つ場合でも、制御系の特性を規
範モデルの特性に合わせてコントローラを調整するのに
好適なモデル規範型適応制御方法に関する。[Detailed Description of the Invention] [Field of Industrial Application] The present invention relates to a model-based adaptive control method, and in particular, to adapting the characteristics of a control system to the characteristics of a reference model even when a controlled object has nonlinear characteristics. The present invention relates to a model-based adaptive control method suitable for adjusting a controller.
コントローラにより制御対象を制御する場合、制御対象
の特性に応じてコントローラの制御パラメータを調整す
る必要がある。その一つの方法として、「適応制御シス
テムの理論と実際J (1,D。When controlling a controlled object with a controller, it is necessary to adjust the control parameters of the controller according to the characteristics of the controlled object. One of the methods is "Theory and Practice of Adaptive Control Systems" (1, D.
ランダウ、富塚誠義共著、オーム社、昭和57年12月
10日発行)に記載されている調整方法がある。以下、
この従来の調整方法の概要を説明する。There is an adjustment method described in the book (co-authored by David Landau and Masayoshi Tomizuka, published by Ohmsha, December 10, 1981). below,
An overview of this conventional adjustment method will be explained.
第4図は、従来の調整方法の構成を示す。この方法は、
望ましい応答特性を持つ規範モデル1の特性に、制御系
、すなわち、コントローラ2と制御対象を組合わせた系
の特性を合わせるようにコントローラ2を調整する方法
であり、モデル規範型適応制御方法と呼ばれている。こ
の方法では、制御対象が線形系、すなわち、線形特性を
持つ場合に、コントローラの調整アルゴリズムが定式化
されている。しかし、制御対象が非線形特性を持つ場合
は、定式化が難しかった。FIG. 4 shows the configuration of a conventional adjustment method. This method is
This is a method of adjusting the controller 2 so that the characteristics of the control system, that is, the system that combines the controller 2 and the controlled object, match the characteristics of the reference model 1 that has desirable response characteristics, and is called a model-based adaptive control method. It is. In this method, a controller adjustment algorithm is formulated when the controlled object is a linear system, that is, has linear characteristics. However, formulation was difficult when the controlled object had nonlinear characteristics.
上記従来技術では、制御対象が非線形特性を持つ場合に
は、制御系の特性が規範モデルの特性に合うようにコン
トローラを調整するのが難しいという問題があった。The above conventional technology has a problem in that when the controlled object has nonlinear characteristics, it is difficult to adjust the controller so that the characteristics of the control system match the characteristics of the reference model.
本発明の目的は、制御対象が非線形特性を持つ場合でも
、制御系の特性が規範モデルの特性に合うようにコント
ローラを調整できるモデル規範型適応制御方法を提供す
ることにある。An object of the present invention is to provide a model-based adaptive control method that can adjust a controller so that the characteristics of a control system match the characteristics of a reference model even when a controlled object has nonlinear characteristics.
上記目的を達成するために、制御対象の逆システムをニ
ューラル・ネットワークにより同定し、規範モデルの出
力変数の時系列信号から制御対象の逆システムにより制
御対象の入力変数の時系列信号を求め、この入力変数の
時系列信号とコントローラの出力変数の時系列信号が一
致するようにコントローラを調整するようにした。In order to achieve the above objective, the inverse system of the controlled object is identified using a neural network, and the time-series signal of the input variable of the controlled object is obtained from the time-series signal of the output variable of the reference model by the inverse system of the controlled object. The controller is adjusted so that the time-series signal of the input variable and the time-series signal of the controller's output variable match.
また、コントローラをニューラル・ネットワークにより
構成し、規範モデルの出力変数の時系列信号から制御対
象の逆システムにより制御対象の入力変数の時系列信号
を求め、この入力変数の時系列信号とコントローラの出
力変数の時系列信号が一致するように学習によりコント
ローラを調整するようにした。In addition, the controller is configured with a neural network, and the time-series signal of the input variable of the controlled object is obtained from the time-series signal of the output variable of the reference model by the inverse system of the controlled object, and the time-series signal of this input variable and the output of the controller are calculated. The controller is adjusted through learning so that the time series signals of variables match.
制御対象の出力変数の時系列信号を学習用入力データと
すると共に、制御対象の入力変数の時系列データを学習
用教師データとして使用し、逆システム・モデル同定用
ニューラル・ネットワークを学習させるので、非線形特
性を持つ制御対象の逆システム・モデルを容易に同定で
きる。The time-series signal of the output variable of the controlled object is used as the input data for learning, and the time-series data of the input variable of the controlled object is used as the training data, and the neural network for identifying the inverse system model is trained. Inverse system models of controlled objects with nonlinear characteristics can be easily identified.
また、規範モデルの出力変数の時系列信号を制御対象の
逆システム・モデルの入力とし、このときの制御対象の
入力変数の時系列信号を逆システム・モデルの出力とし
て求めるので、規範モデルの出力変数の時系列信号に対
応する制御対象の入力変数の時系列信号を容易に求める
ことができる。In addition, the time-series signal of the output variable of the reference model is input to the inverse system model of the controlled object, and the time-series signal of the input variable of the controlled object at this time is obtained as the output of the inverse system model, so the output of the reference model is The time-series signal of the input variable of the controlled object corresponding to the time-series signal of the variable can be easily obtained.
さらに、規範モデルの入力変数の時系列信号を学習用入
力データとし、規範モデルの出力変数の時系列信号に対
応する制御対象の入力変数の時系列信号を学習用教師デ
ータとして使用し、コントローラ・モデル用ニューラル
・ネットワークを学習させるので、制御対象が非線形特
性を持っていても、制御系の特性が規範モデルの特性に
合うように、容易にコントローラを調整することができ
る。Furthermore, the time-series signal of the input variable of the reference model is used as the input data for learning, and the time-series signal of the input variable of the controlled object corresponding to the time-series signal of the output variable of the reference model is used as the training data for the controller. Since the neural network for the model is trained, even if the controlled object has nonlinear characteristics, the controller can be easily adjusted so that the characteristics of the control system match the characteristics of the reference model.
第1図に本発明の一実施例のブロック図を示す。 FIG. 1 shows a block diagram of an embodiment of the present invention.
本実施例は、制御対象1を制御するコントローラ4、制
御対象1の逆システム・モデルを同定する逆システム・
モデル同定システム5、同定した逆システムを用いてコ
ントローラ4を調整するコントローラ調整システム6、
望ましい応答特性を持つ規範モデル3から構成される。This embodiment includes a controller 4 that controls a controlled object 1, an inverse system model that identifies an inverse system model of the controlled object 1, and an inverse system model that identifies an inverse system model of the controlled object 1.
a model identification system 5; a controller adjustment system 6 for adjusting the controller 4 using the identified inverse system;
It consists of a reference model 3 with desirable response characteristics.
C’ =F’ (8’ ) ・・・
(11)ここで、C′ :制御対象1の入力変数の時系
列信号
Z′ :制御対象1の出力変数の時系列信号
F′ :逆システム・モデル関数
制御対象1の入力変数の時系列信号C′は、次式で表わ
される。C' = F'(8')...
(11) Here, C': Time-series signal of input variables of controlled object 1 Z': Time-series signal of output variables of controlled object 1 F': Inverse system model function Time-series signal of input variables of controlled object 1 C' is expressed by the following formula.
C’ =[x(t)x(t−1)−x(t−L’ )]
”・・・(12)
ここで、x(t−氾):(t−Q)サンプリング時点の
制御対象1の操作量
L′ 二次数
T:転置を表わす記号
また、制御対象1の出力変数の時系列信号2′は、次式
で与えられる。C' = [x(t)x(t-1)-x(t-L')]
”...(12) Here, x (t-flood): (t-Q) manipulated variable L' of controlled object 1 at the time of sampling Quadratic number T: symbol representing transposition Also, the output variable of controlled object 1 The time series signal 2' is given by the following equation.
Z’ =[y(t)y(t−1)・・・y(t−L’)
]”・・・(13)
ここで、y(t−Q):(t−Q)サンプリング時点の
制御量
逆システム関数F’ (Z’ )は、第2図に示す多層
(m’層)のニューラル・ネットワークで構成する。ま
た、このニューラル・ネットワークの構成要素であるユ
ニットの構成を第3図に示す。このユニットの入出力関
係は、
vJ(k)= f (uJ(k))
−(14)ua(k)=Σw l J (k 1
、 k ) ・V J (k 1 )・・・(15
)
ここで、u、+(k):第に層の第、jユニット−への
入力の総和
vJ(k):第に層の第、〕ユニットの出力
wIJ(k−1、k):第(k−1)層の第jユニット
から第に層の第Jユニ
ットへの結合の重み係数
f:各ユニットの入出力関係を
与える関数
ニューラル・ネットワークの第1層は、入力層であり、
第1層のユニットの出力は、ニューラル・ネットワーク
への入力信号となる。本発明の実施例では、逆システム
・モデル同定用ニューラル・ネットワークへの入力信号
は、制御対象2の出力変数の時系列信号Z′であり、そ
の対応を次式また、ニューラル・ネットワークの最終層
(本発明の実施例では第m′層)は、出方層であり、こ
の層のユニットの出力は、ニューラル・ネットワークの
出力信号となる。本発明の実施例では、ニューラル・ネ
ットワークの出力信号は、制御対象]の入力変数の時系
列信号の推定値C′であり、その対応を次式に示す。Z' = [y(t)y(t-1)...y(t-L')
]”...(13) Here, y(t-Q): (t-Q) The controlled variable inverse system function F'(Z') at the sampling time is a multilayer (m' layer) shown in FIG. The neural network consists of a neural network of
−(14) ua(k)=Σw l J (k 1
, k )・V J (k 1 )...(15
) Here, u, +(k): sum of inputs to unit j of the th layer vJ(k): output of the th unit of the th layer wIJ(k-1, k): (k-1) Weighting coefficient f for the connection from the j-th unit of the layer to the J-th unit of the layer: a function giving the input-output relationship of each unit The first layer of the neural network is the input layer,
The output of the first layer units becomes the input signal to the neural network. In the embodiment of the present invention, the input signal to the neural network for inverse system model identification is the time-series signal Z' of the output variable of the controlled object 2, and its correspondence can be expressed as the following equation and the final layer of the neural network. The (m'th layer in the embodiment of the present invention) is the output layer, and the output of the units in this layer becomes the output signal of the neural network. In the embodiment of the present invention, the output signal of the neural network is the estimated value C' of the time-series signal of the input variable of the controlled object, and the correspondence thereof is shown in the following equation.
ここで、?(t−4):x(t−Q)の推定値(11)
式に示す逆システム・モデル関数F’ (Z’ )は、
(14)、 (15)式に示すユニットの入出力関係が
変化するどそれに伴って変化する。すなわち、ニューラ
ル・ネットワークの層の個数、各層のユニットの個数、
各ユニットの重み係数wi、i(k 1゜k)、各ユ
ニットの入出力関係を与える関数fが変化すると、逆シ
ステム・モデル関数Fl(Zl)が変化する。従って、
層の個数、各層のユニットの個数、各ユニットの重み係
数w+J(k 1.k)、各ユニツ1〜の入出力関係
を与える関数fを調整することにより目的に適合する逆
システlトモデル関数F’ (Z’ )を構築できる。here,? (t-4): Estimated value of x(t-Q) (11)
The inverse system model function F'(Z') shown in Eq.
As the input/output relationship of the unit shown in equations (14) and (15) changes, it changes accordingly. That is, the number of layers of the neural network, the number of units in each layer,
When the weighting coefficient wi, i (k 1°k) of each unit and the function f giving the input-output relationship of each unit change, the inverse system model function Fl (Zl) changes. Therefore,
An inverse system model function F that fits the purpose is created by adjusting the number of layers, the number of units in each layer, the weighting coefficient w+J(k1.k) of each unit, and the function f that gives the input-output relationship of each unit 1 to 1. '(Z') can be constructed.
逆システム・モデル同定システム4は、逆システム・モ
デル関数F’ (Z’ )&学習により構築し、制御対
象の逆システム・モデルを同定する。次に、この学習の
アルゴリズムについて説明する。The inverse system model identification system 4 is constructed by inverse system model function F'(Z')& learning, and identifies an inverse system model to be controlled. Next, this learning algorithm will be explained.
まず、学習用データとして入出力の組(Z′C′)が与
えられたとき、次式に示す誤差の二乗を損失間数Rとし
て定義する。First, when an input/output pair (Z'C') is given as learning data, the square of the error shown in the following equation is defined as the loss ratio R.
R=−Σ(va(m’ )(w、z/ ) CJ
’ )2j
・・・(17)
ここで、 W:ニューラル・ネットワークの結合
の重み係数をす
べてまどめたもの
vt(m’ )(W、Z’ )8入方Z′と重み係数W
がら総合的に得られる第
m′層(出力層)の第j
ユニットの出力
Wの修正量ΔWは、損失関数RのWについての勾配から
求められ、次式で表わされる。R=-Σ(va(m')(w,z/) CJ
' ) 2j ... (17) Here, W: The sum of all the weighting coefficients of the connections in the neural network vt (m' ) (W, Z' ) 8 Input Z' and the weighting coefficient W
The correction amount ΔW of the output W of the j-th unit of the m'-th layer (output layer), which is obtained comprehensively, is determined from the slope of the loss function R with respect to W, and is expressed by the following equation.
a wlj(k −1,、k)
・・・(18)
ここで、Δw+J(k 1.k):第(k−1)層の
第iユニットか
ら第に層の第j
ユニットの結合
の重み係数
w = a (k 1 、 k )
の修正量
8=正の定数
(18)式の右辺(7) a R/ a w+a(k
1 、 k) ハ11次式のように変形できる。a wlj (k −1,, k) ... (18) Here, Δw+J (k 1.k): Weight of connection from the i-th unit of the (k-1)th layer to the j-th unit of the (k-1)th layer Modification amount of coefficient w = a (k 1 , k ) 8 = positive constant Right side (7) of equation (18) a R/ a w+a(k
1, k) It can be transformed as shown in the 11th degree equation.
aRaRauJ(k)
aw+J(k−1,k) auJ(k) aw*J(
k 1.k)・・・(19)
(15)式を(19)式に代入して整理すると、次式が
導かれる。aRaRauJ(k) aw+J(k-1,k) auJ(k) aw*J(
k1. k)...(19) When formula (15) is substituted into formula (19) and rearranged, the following formula is derived.
・・・(20)
Lc#m’のとき、(20)式の右辺のa R/ a
v J(k )は、次式により求められる。...(20) When Lc#m', a R/a on the right side of equation (20)
v J (k) is determined by the following equation.
・・・(21)
(14)、 (t5)式を(21)式に代入して整理す
ると、次式が得られる。(21) By substituting equation (14) and (t5) into equation (21) and rearranging, the following equation is obtained.
・・・(22)
ここで、f′ :各ユニットの入出力関係を与える関数
fの導関数
aur(k)
次式で表わされる。(22) Here, f': derivative aur(k) of the function f giving the input/output relationship of each unit. It is expressed by the following equation.
ΔwtJ(k Lk)= E di(k)’ vt
(k−1)=−εvt(k−1)・dJ(k)
・・・(23)
dJ(k)=(Σda(k+1)−WJt(k、に+1
))・f’ (u、(k))
=(ΣwJt(k、に+1)・dt(k+1)・f’
(uJ(k)))・・・(24)
また、k=m’のとき、a R/ a u a(m’
)は、(17)式より次式で求められる。ΔwtJ(kLk)=E di(k)'vt
(k-1)=-εvt(k-1)・dJ(k) ...(23) dJ(k)=(Σda(k+1)-WJt(k, +1
))・f' (u, (k)) = (ΣwJt(k,+1)・dt(k+1)・f'
(uJ(k)))...(24) Also, when k=m', a R/ a ua(m'
) is obtained from equation (17) using the following equation.
=(vJ(m’ )−c−’ )f’ (ua(m’
))・・・(25)
(23)、 (24)、 (25)式を用いると、結合
の重み係数w l J (k 1 s k )の修正
が、k=m’からに=2に向って再帰的に計算される。=(vJ(m')-c-')f'(ua(m')
))...(25) Using equations (23), (24), and (25), the weighting coefficient w l J (k 1 s k ) of the connection can be modified from k=m' to =2. It is calculated recursively.
すなわち、出力層での理想出力c 、 / と実際の出
力v、(m’ )(w+Z′)との誤差を入力として、
出力層から入力層の方向へ、信号の伝播と逆の方向にw
Jm(k、に+1)で重みをつけた和をとりながら伝播
していく。That is, using as input the error between the ideal output c, / and the actual output v, (m') (w+Z') in the output layer,
from the output layer to the input layer, in the opposite direction of signal propagation w
It propagates while taking the sum weighted by Jm (+1 to k).
これが、誤差逆伝播学習アルゴリズムである。This is the error backpropagation learning algorithm.
各ユニットの入出力関係を与える関数fがすべてのユニ
ットについて共通で、次式で表わされるものとする。It is assumed that the function f giving the input/output relationship of each unit is common to all units and is expressed by the following equation.
(26)式より、次式が得られる。From equation (26), the following equation is obtained.
f ’ (u)= f (u)(1−f (u))
=427)(14)式と(27)式より、次式が
導かれる。f'(u)=f(u)(1-f(u))
=427) From equations (14) and (27), the following equation is derived.
f’ (+、z(k))=vJ(k)(1vJ(k))
−(28)なお、学習を滑らかに速く収束させるために
、(23)式は次式のように修正することができる。f' (+, z(k)) = vJ(k) (1vJ(k))
-(28) Note that in order to converge learning smoothly and quickly, equation (23) can be modified as shown in the following equation.
学習用データの入出力の組(z’ 、c’ )において
、入力Z′を学習用入力データと呼び、出力C′を学習
用教師データと呼ぶ。次に、本1発明の実施例における
学習用データについて説明する。In the input/output set of learning data (z', c'), the input Z' is called the learning input data, and the output C' is called the learning teacher data. Next, the learning data in the embodiment of the first invention will be explained.
逆システム・モデルの同定には、制御対象1の運転デー
タを学習用データとして使用する。この場合、制御対象
1の出力変数(制御量)の時系列信号を学習用入力デー
タとして使用し、制御対象1の入力変数(操作量)の時
系列信号を学習用教師データとして使用する。これらの
学習用データの入出力の組(z’ 、c’ )は、時々
刻々変化する運転データを使用することもできる。また
、ある期間収録しておいた運転データを使用することも
できる。制御対象の特性変化が速いときは、時々刻々変
化する運転データを使用する方がよい。To identify the inverse system model, the operation data of the controlled object 1 is used as learning data. In this case, a time-series signal of the output variable (controlled amount) of the controlled object 1 is used as learning input data, and a time-series signal of the input variable (manipulated amount) of the controlled object 1 is used as the learning teacher data. As the input/output set (z', c') of these learning data, operating data that changes from moment to moment may be used. It is also possible to use operational data that has been recorded for a certain period of time. When the characteristics of the controlled object change rapidly, it is better to use operating data that changes from moment to moment.
上記の学習用データの入出力の組(z’ 、c’ )を
用いて、先に説明した誤差逆伝播学習アルゴリズムによ
り逆システム・モデル同定用ニューラル・ネットワーク
を学習させ、逆システム・モデル関数F’ (Z’ )
を構築する。Using the above training data input/output set (z', c'), the neural network for inverse system model identification is trained by the error backpropagation learning algorithm explained earlier, and the inverse system model function F '(Z')
Build.
コントローラ調整システム6は、逆システム・モデル同
定システム5で同定した逆システム・モデルを用いてコ
ントローラ4を調整する。コントローラ4は、ニューラ
ル・ネットワークで構築し、コントローラ4と制御対象
1を組合せた制御系の応答特性が望ましい応答特性を持
つ規範モデルの特性に一致するように調整する。次に、
これについて説明する。The controller adjustment system 6 adjusts the controller 4 using the inverse system model identified by the inverse system model identification system 5. The controller 4 is constructed using a neural network, and is adjusted so that the response characteristics of a control system that combines the controller 4 and the controlled object 1 match the characteristics of a reference model having desirable response characteristics. next,
This will be explained.
コントローラ4は次式で表わされる。The controller 4 is expressed by the following equation.
C’=F“(Z′) ・・(29)
ここで、C#:制御対象1の入力変数の現時点tの値
z′:制御対象1の出力変数の目標値
rの時系列信号
F“:コントローラ・モデル関数
制御対象1の入力変数の現在値C″′は、次式で表わさ
れる。C'=F"(Z')...(29)
Here, C#: Current value t of input variable of controlled object 1 z': Time series signal of target value r of output variable of controlled object 1 F'': Controller model function Current value of input variable of controlled object 1 C″′ is expressed by the following formula.
C″= [x(t)] ・・(3
0)ここで、x(t):現時点tでの制御対象1の操作
量
また、制御対象1の出力変数の目標値Pの時系列信号2
′は、次式で与えられる。C″= [x(t)]...(3
0) Here, x(t): Operation amount of the controlled object 1 at the current time t Also, the time series signal 2 of the target value P of the output variable of the controlled object 1
′ is given by the following equation.
Z’=[r(t)r(t、 LL=r(t L
’)]”・・・(31)
ここで、r(t −12): (’t −12)サンプ
リング時点の目標値
■、′:次数
コントローラ・モデル関数F’(Z’)は、逆システム
・モデルで用いた第2図に示す多層(この場合m1層)
のニューラル・ネットワークで構成する。このニューラ
ル・ネットワークの構成要素であるユニットも逆システ
ム・モデルで用いた第4図に示すユニットを使用する。Z'=[r(t)r(t, LL=r(t L
')]'...(31) Here, r(t -12): ('t -12) Target value at the sampling point ■, ': The order controller model function F'(Z') is the inverse system・Multilayer shown in Figure 2 used in the model (in this case m1 layer)
It consists of a neural network. The units that are the constituent elements of this neural network also use the units shown in FIG. 4 that were used in the inverse system model.
コントローラ用ニューラル・ネットワークの入力信号は
、制御対象1の出力変数の目標値rの時系列信号Z′で
あり、その対応を次式に示す。The input signal of the controller neural network is a time-series signal Z' of the target value r of the output variable of the controlled object 1, and its correspondence is shown in the following equation.
また、ニューラル・ネットワークの最終層(本発明の実
施例では第m′層)は、出力層であり、この層のユニッ
トの出力は、ニューラル・ネットワークの出力信号とな
る。本発明の実施例では、コントローラ用ニューラル・
ネットワークの出力信号は、制御対象1の入力変数の現
時点tの値C′であり、その対応を次式に示す。Further, the final layer of the neural network (the m'th layer in the embodiment of the present invention) is an output layer, and the output of the units in this layer becomes the output signal of the neural network. In an embodiment of the invention, a neural
The output signal of the network is the value C' of the input variable of the controlled object 1 at the current time t, and the correspondence thereof is shown in the following equation.
[vx(m)] = [x(t)]
コントローラ調整システム6は、コントローラ°モデル
関数F’ (Z’)を学習により構築し、コントロー
ラ4にコントローラ・モデルを与える。[vx(m)] = [x(t)] The controller adjustment system 6 constructs the controller ° model function F'(Z') by learning and provides the controller model to the controller 4.
コントローラ・モデルの構築には、規範モデルの入力変
数(制御量の目標値)の時系列信号を学習用入力データ
Z′とし、この入力変数の時系列信号に対応する規範モ
デルの出力変数(制御量の望ましい応答)の時系列信号
を逆システム・モデルに入力し、これにより推定した制
御対象1の入力変数(操作量)の時系列信号を学習用教
師データC′として使用する。これらの学習用データの
入出力の組(Z’ 、C’ )を用いて、逆システム・
モデルの同定で用いた誤差逆伝播学習アルゴリズムによ
りコントローラ用ニューラル・ネットワークを学習させ
、コントローラ・モデル関数F’、(Z’)を構築する
。To construct the controller model, the time-series signal of the input variable (target value of the controlled variable) of the reference model is used as the learning input data Z', and the output variable (control value) of the reference model corresponding to the time-series signal of this input variable is A time-series signal of the input variable (manipulated amount) of the controlled object 1 estimated thereby is inputted into the inverse system model and used as learning teacher data C'. Using these training data input/output pairs (Z', C'), the inverse system
The controller neural network is trained using the error backpropagation learning algorithm used in model identification, and controller model functions F' and (Z') are constructed.
本発明によれば、制御対象の出力変数の時系列信号を学
習用入力データとすると共に、制御対象の入力変数の時
系列データを学習用教師データとして使用し、逆システ
ム・モデル同定用ニューラル・ネットワークを学習させ
るので、非線形特性を持つ制御対象の逆システム・モデ
ルを容易に同定できる効果がある。According to the present invention, the time-series signal of the output variable of the controlled object is used as input data for learning, and the time-series data of the input variable of the controlled object is used as the teaching data for learning, and the neural Since the network is trained, it has the effect of easily identifying an inverse system model of a controlled object with nonlinear characteristics.
また、規範モデルの出力変数の時系列信号を制御対象の
逆システム・モデルの入力とし、このときの制御対象の
入力変数の時系列信号を逆システム・モデルの出力とし
て求めるので、規範モデルの出力変数の時系列信号に対
応する制御対象の入力変数の時系列信号を容易に求める
ことができる効果がある。さらに、規範モデルの入力変
数の時系列信号を学習用入力データとし、規範モデルの
出力変数の時系列信号に対応する制御対象の入力変数の
時系列信号を学習用教師データとして使用し、コントロ
ーラ・モデル用ニューラル・ネットワークを学習させる
ので、制御対象が非線形特性を持っていても、制御系の
特性が規範モデルの特性に合うように、容易にコントロ
ーラを調整できる効果がある。In addition, the time-series signal of the output variable of the reference model is input to the inverse system model of the controlled object, and the time-series signal of the input variable of the controlled object at this time is obtained as the output of the inverse system model, so the output of the reference model is This has the advantage that the time-series signal of the input variable to be controlled that corresponds to the time-series signal of the variable can be easily obtained. Furthermore, the time-series signal of the input variable of the reference model is used as the input data for learning, and the time-series signal of the input variable of the controlled object corresponding to the time-series signal of the output variable of the reference model is used as the training data for the controller. Since the neural network for the model is trained, even if the controlled object has nonlinear characteristics, the controller can be easily adjusted so that the characteristics of the control system match the characteristics of the reference model.
第1図は本発明の一実施例のブロック図、第2図、第3
図は第1図の説明図、第4図は、従来のモデル規範型適
応制御のブロック図である。
1・・・制御対象、3・・・規範モデル、4・・・コン
トローフ・FIG. 1 is a block diagram of one embodiment of the present invention, FIG.
The figure is an explanatory diagram of FIG. 1, and FIG. 4 is a block diagram of conventional model-based adaptive control. 1... Controlled object, 3... Normative model, 4... Control
Claims (1)
ローラを調整するモデル規範型適応制御方法において、
制御対象の逆システム・モデル及びコントローラをニュ
ーラル・ネットワークで構成することを特徴とするモデ
ル規範型適応制御方法。 2、請求項1において、前記コントローラでフィードフ
ォワード制御するモデル規範型適応制御方法。 3、請求項1において、前記コントローラでフィードバ
ック制御するモデル規範型適応制御方法。 4、請求項1において、前記コントローラでフィードフ
ォワード制御とフィードバック制御するモデル規範型適
応制御方法。[Claims] 1. In a model-based adaptive control method that adjusts a controller to match the characteristics of a control system to the characteristics of a reference model,
A model-based adaptive control method characterized by configuring an inverse system model of a controlled object and a controller using a neural network. 2. The model-based adaptive control method according to claim 1, wherein the controller performs feedforward control. 3. The model-based adaptive control method according to claim 1, wherein the controller performs feedback control. 4. The model-based adaptive control method according to claim 1, wherein the controller performs feedforward control and feedback control.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2960690A JPH03235101A (en) | 1990-02-13 | 1990-02-13 | Model norm type adaptive control method |
CA002031765A CA2031765C (en) | 1989-12-08 | 1990-12-07 | Method and system for performing control conforming with characteristics of controlled system |
US07/625,096 US5311421A (en) | 1989-12-08 | 1990-12-10 | Process control method and system for performing control of a controlled system by use of a neural network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2960690A JPH03235101A (en) | 1990-02-13 | 1990-02-13 | Model norm type adaptive control method |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH03235101A true JPH03235101A (en) | 1991-10-21 |
Family
ID=12280725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2960690A Pending JPH03235101A (en) | 1989-12-08 | 1990-02-13 | Model norm type adaptive control method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH03235101A (en) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5691896A (en) * | 1995-08-15 | 1997-11-25 | Rosemount, Inc. | Field based process control system with auto-tuning |
US5812428A (en) * | 1995-09-22 | 1998-09-22 | Rosemount Inc. | Process controller having non-integrating control function and adaptive bias |
US5818714A (en) * | 1996-08-01 | 1998-10-06 | Rosemount, Inc. | Process control system with asymptotic auto-tuning |
-
1990
- 1990-02-13 JP JP2960690A patent/JPH03235101A/en active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5691896A (en) * | 1995-08-15 | 1997-11-25 | Rosemount, Inc. | Field based process control system with auto-tuning |
US5812428A (en) * | 1995-09-22 | 1998-09-22 | Rosemount Inc. | Process controller having non-integrating control function and adaptive bias |
US5818714A (en) * | 1996-08-01 | 1998-10-06 | Rosemount, Inc. | Process control system with asymptotic auto-tuning |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1021752B1 (en) | Model-free adaptive process control | |
US5471381A (en) | Intelligent servomechanism controller | |
JPH07502354A (en) | Closed-loop neural network automatic tuner | |
Chan et al. | A neural network controller for switching power converters | |
Herreros et al. | A forward model at Purkinje cell synapses facilitates cerebellar anticipatory control | |
Moradvandi et al. | Adaptive finite-time fault-tolerant controller for a class of uncertain MIMO nonlinear switched systems subject to output constraints and unknown input nonlinearities | |
CN111930010A (en) | LSTM network-based general MFA controller design method | |
JPH04372044A (en) | Control method and electric power system voltage reactive power controller using the same | |
JPH03235101A (en) | Model norm type adaptive control method | |
Hoque et al. | Artificial neural network based controller for permanent magnet dc motor drives | |
Kuntze et al. | A fuzzy-logic concept for highly fast and accurate position control of industrial robots | |
JP2923000B2 (en) | Servo control device | |
JPH0635510A (en) | Model norm adaptive controller using neural network | |
JP2862308B2 (en) | Controller adjustment method and adjustment system | |
Gupta et al. | Learning and adaptive neural controller | |
Zhihong et al. | An adaptive tracking controller using neural networks for nonlinear systems | |
Al-Akhras et al. | Neural network learning approach of intelligent multimodel controller | |
JPH0492901A (en) | Fuzzy controller by neural network | |
Fujiwara et al. | Neural network based adaptive I-PD controller for pneumatic cylinder | |
JPH0731522B2 (en) | Adaptive controller | |
JPH0527808A (en) | Controller using neural network model | |
Wang et al. | Intelligent controller using neural network | |
Cajueiro et al. | A chemical reactor benchmark for parallel adaptive control using feedforward neural networks | |
Uchegbu et al. | Remoldelling of PID controller based on an artificial intelligency (neural network) | |
EP0970420A1 (en) | Associative neuron in an artificial neural network |