JPH04149663A - 逆モデル生成方法および該方法による制御システム - 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】 〔概　要］ 制御システムにおける制御対象の逆モデルを容易に構築
することを可能にする逆モデル生成方法、および該方法
により生成された逆モデルを使用した制御システムに関
し、 従来、制御対象の逆モデルを生成する場合には、該制御
対象のモデルが把握されていることは勿論であるが、該
モデルが確定していたとしてもその逆モデルを求めるの
は困難な場合が多く、特に、制御対象が非線形、あるい
はグイナミクスを有する場合には著しく困難であった問
題の解決を目的とし、 制御対象となるシステムの逆モデルを生成する場合にお
いて、該逆モデルをニューラルネットワークで構成する
と共に、該ニューラルネ・。

トワークに対して、上記制御対象からの出力４人力信号
とし、制御対象に対する入力信号をｔ示信号として、逆
モデル生成のための学習塾８を行なわせる手段を用いて
構成する。

〔産業上の利用分野ｊ 本発明は、制御システムにおける制御対象Ｃ逆モデルを
容易に構築することを可能にする達モデル・生成方法、
および該方法により生成さねた逆モデルを使用した制御
システムに関し、粕に上記逆モデルをニューラルネ・ノ
ドワークを用いて構築し、制御対象が非線形な要素やダ
イナミクスを有する場合にも容易にその逆モデルを構成
し得る逆モデル生成力法、および該方法乙こより・生成
された逆モデルを使用した制御システムに関する。

［従来の技術］ 制御システムの設計に際しては、制御対象の逆モデルを
用いてシステムを構成すると効果的な場合が多々ある。

以下、この逆モデルを用いたシステムについて説明する
。

すなわち、第７図は逆モデルについて説明する図を示し
ており、第７図（ａ）に示されるごとく、制御対象５１
に入力信号Ｘ（例えば操作量等）を入力し、出力ｙ（例
えば制御量等）を得るようなシステムの場合に、入力信
号Ｘと出力ｙとの関数関係ｆが分っていれば、制御対象
５１のモデルは関数ｆで表わされ、該制御対象５１の入
出力関係式は、 ｙ＝ｒ　（ｘ）　　　　　　　　　・・・（１）となる
。

−・方、」二記（１）式の関数ｆの逆関数、すなわち、
ｘ＝ｇ　（ｙ）　　　　　　　　　　・・・（２）の関
数を満たす関数ｇが求まる場合Ｃコは２．該関数ｇで表
わされる制御要素を制御対象５１の逆モデルと称してい
る。

また、第７図（ｂｌは逆モデルを用いたシステム構成を
示しており、逆モデル５２は制御対象５１の前段乙こ配
置して使用される。

このような構成を取ることにより、例えば制御対象５１
を操作して所望の出力ｙを得たい場合には、出力ｙの目
標出力ｙを直接人力することが可能となり、制御システ
ム全体の取扱いが容易となる。

このように、制御対象の逆モデルを求めてシステノ、を
構築することは、制御システムの設計上有効な手段であ
り、従来は、制御対象のモデルの関数ｆから逆関数ｇを
数学的手法により求めて逆モデルを構成していた。

〔発明が解決しようとする課題〕

所で、制御対象に対する逆モデルを求める場合には、ま
ず、制御対象自体の関数モデルが確定していなければな
らないのは勿論であるが、該関数モデルが確定していた
としても、その逆関数を数学的手法により求め逆モデル
を構築することが困難な場合が多い。特に、制御対象の
中に非線形な要素やグイナミクスを有している場合には
著しく困難となる。

本発明は、上記問題点に鑑みなされたものであり、制御
対象が非線形な要素やダイナミクスを有する場合にも、
数学的手法によることなく、その逆モデルを容易に求め
得る逆モデルの生成方法および該方法による逆モデルを
用いた制御システムを提供することを目的とする。

［課題を解決するための手段］ 本発明によれば、上述の目的は前期特許請求の範囲に記
載された手段により構成される。

すなわち、本発明は、請求項１記載の発明においでは、
制御対象となるシステムの逆モデルを生成する場合にお
いて、上記逆モデルをニューラルネットワークで構成す
ると共に、該ニューラルフットワークに対して、上記制
御対象からの出力を人力信号とし、制御対象に対する入
力信号を教示信号として、逆モデル生成のための学習処
理を行なわせる手段を用いた逆モデル生成方法である。

また、請求項２記載の発明においては、請求項１記載の
逆モデル生成方法において、逆モデルを構成するニュー
ラルネットワークを、リカレントニューラルネントワー
クとした逆モデル生成方法である。

また、請求項３記載の発明においては、請求項１又は２
記載の方法で生成された逆モデルを用いた制御システム
である。

［作　用〕 本発明では、制御対象の逆モデルをニューラルネットワ
ークの学習処理ムこより生成する所にその特徴がある。

以下、本発明の作用について図を用いて説明する。

第１圀は本発明による逆モデルの学習方法を示す図であ
り、ニューラルネットワークを用いた逆モデルの生成方
法を示しており、１は制御対象、２はニューラルネット
ワークを用いて逆モデルを構成する逆モデル制御機械、
２ａはニューラルネットワークを表わしている。

本例では、制御対象１は、入力ｘ（ｔ）に対して、ｙ（
ｔ）を出力する。ここで、Ｌは時間を示している。従っ
て、制御対象１は、ｙ（ｔ）＝ｆ（ｘ（ｔ））なる関数
モデルである。

ニューラルネットワーク２ａは、制御対象１の出力ｙｃ
も）を入力とし、制御対象１の入力χ（１）を教示信号
としている。従ってニューラルネットワーク２ａは、ハ
ックプロパゲーション法等による学習処理により、ｘ（
ｔ）　−ｇ（ｙ（ｔ））なる変換を行ない得るようにな
り、制御対象１の逆モ１ルが構築できる。なお、ここで
関数ｇは関数ｆの逆関数である。

第２図は第１図で学習されたニューラルネットワークの
使用形態を示す図である。

すなわち、ニューラルネットワーク２ａには目標出力ｙ
　（ｔ）が入力され、制御対象１への入力ｘ（ｔ）を出
力し、制御対象１は目標出力ｙｃｔ）に相当する出力）
Ｉ　（ｔ）を出力することになる。

また、請求項２記載の発明のように、第１図中のニュー
ラルネットワーク２ａにリカレントニューラル不ノトワ
ークを用いる方法も有効である。

リカレントニューラルネ／トワークは通常のニューラル
ネットワークと比較して、ノイズ（外乱）に強い、時系
列データの取り扱いに優れる点があり、本発明の効果を
より一層高めることになる。

なお、リカレントニューラルネソトワークに付いては、
実施例の項でその概要が説明される。

［実施例〕 本発明の実施例として、逆モデルをニューラルネットワ
ークの一種であるリカレントニューラル不ノトワークを
用いて構築した場合の例について説明する。

ここで、リカレントニューラルネソトワークについてそ
の概要を説明しておく。

フカレントニューラルネントワークは階層型ニューラル
ネットワークの一種であり、特に時系列のデータや、複
数データの相関関係の認識に適していると言われている
ものである。

すなわち、第３図のリカレントニューラルネットワーク
について説明する図に示される如く、基本的な構造は階
層型ニューラルネットワークであるが、ネットワークの
中にコンチクスト層（ＣＯＮＴＥχＴ　ＬＡＹＥｌｉ’
）と呼ばれる、前パターンの中間層出力値を記憶してお
く機構を持つのが特徴である。

また、リカレントニューラルネソトワークの動作を説明
したのが、第４図である。第・４図（ａ）は初期状態（
時刻１０）を示しており、コンチクスト層のユニット出
力（Ｃ１ｔｅ、Ｃ２ｔＯ）はゼロである。第４図（ｂ）
は次の時刻（ｔｌ）を示しており、時刻ｔｏの隠れ層の
ユニット出力値（ＨｌｔＯ，Ｈ２ｔＯ）が、コンチクス
ト層の出力値（Ｃ１，ｔｌ、Ｃ２ｔｌ）となる（ｔＯ時
の隠れ層の出力値が、コンチクスト層にコピーされる）
。同様に第４図（Ｃ）では、時刻Ｌ１の躍れ層出力値（
８１ｔ　１．　Ｈ２ｔ　１）が、コンチクスト層にコピ
ーされる。

この様に、コンチクスト層の働きによって、ニューラル
ネットワークの出力値は、過去に入力されたデータ（パ
ターン）に依存（影響）する。

従って、リカレントニューラルネットワークは、時間的
に相関のあるデータ（時系列データに対して、有効に働
くと考えられている。

なお、リカレントネットワークの学習は、階層型ニュー
ラルネットワークと同様に、バックプロパゲーション法
が用いられる。

以上説明したリカレントニューラルネットワークを用い
た本発明の実施例について以下説明する。

すなわち、第５図は本発明の実施例の学習形態を示す図
、第６図は本発明の実施例の使用形態を示す図を示して
おり、３は制御対象１，４はリカレントニューラルネッ
トワーク、５．６は係数器を表わしている。

本実施例では制御対象が入力ｘ（ｔ）に対して、ｙ　＝
ｓｉｒ＋（ｘ　（ｔ）） を出力する場合の例であり、リカレントニューラルネッ
トワーク４で逆ｓｉｎ関数を学習する場合の例であり、
係数器（ｃ）５はすカレントニューラルネットワークの
入力値の正規化を行なうためのものである。

また、リカレフトニューラルネットワーク中の各ユニッ
トには、−１−１の値域のシグモイド関数を使用してい
る。

第６図は、第５図に示した形態で学習が終了したリカレ
ントニューラルネットワークを、実システムで使用する
場合のシステム構成を示しまたものであり、リカレント
ニューラルネットワーク４の出力に係数器６により”１
／Ｃ”の係数を乗して、制御対象３０関数ｆの入力とす
る。

〔発明の効果〕

以上説明したごとく、本発明によれば、制御対象の逆モ
デルをニューラルネットワーク又はリカレントニューラ
ルネットワークの学習により生成ができ、制御システム
の構成が容易となる。

また、特に、逆モデルにリカレントニューラルネントワ
ークを用いた場合には、ノイズに強く、時系列データの
取扱いに通したシステムを構成することができる。

【図面の簡単な説明】

第１図は本発明による逆モデルの学習方法を示す図、第
２図は本発明による逆モデルの使用形態を示す図、第３
図はりカレントニューラルネットワークについて説明す
る図、第４図はりカレントニューラルネットワークの動
作を説明する図、第５図は本発明の実施例の学習形態を
示す図、第６図は本発明の実施例の使用形態を示す図、
第７図は逆モデルについて説明する図である。 １・・・・・・制御対象、２・・・・・・逆モデル制ａ
ｌ１機械、２ａ・・・・・・リカレントニューラルネッ
トワーク、３・・・・・・制御対象、 ４・・・・・・リカレントニューラル ７７トワーク、 ５． ６・・・・・・係数器

Claims (3)

【特許請求の範囲】
1. （１）制御対象となるシステムの逆モデルを生成する場
   合において、 上記逆モデルをニューラルネットワークで構成すると共
   に、 該ニューラルネットワークに対して、上記制御対象から
   の出力を入力信号とし、制御対象に対する入力信号を教
   示信号として、逆モデル生成のための学習処理を行なわ
   せる手段を、 用いたことを特徴とする逆モデル生成方法。
2. （２）請求項１記載の逆モデル生成方法において、逆モ
   デルを構成するニューラルネットワークを、リカレント
   ニューラルネットワークとしたことを特徴とする逆モデ
   ル生成方法。
3. （３）請求項１又は２記載の方法で生成された逆モデル
   を用いたことを特徴とする制御システム。