JPH04284566A - 制御対象同定システム - Google Patents
制御対象同定システムInfo
- Publication number
- JPH04284566A JPH04284566A JP3049880A JP4988091A JPH04284566A JP H04284566 A JPH04284566 A JP H04284566A JP 3049880 A JP3049880 A JP 3049880A JP 4988091 A JP4988091 A JP 4988091A JP H04284566 A JPH04284566 A JP H04284566A
- Authority
- JP
- Japan
- Prior art keywords
- dynamic characteristic
- identifier
- control object
- controlled object
- neural
- 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.)
- Withdrawn
Links
- 230000001537 neural effect Effects 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 238000000034 method Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 101000582320 Homo sapiens Neurogenic differentiation factor 6 Proteins 0.000 description 1
- 102100030589 Neurogenic differentiation factor 6 Human genes 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
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。
め要約のデータは記録されません。
Description
【０００１】［発明の目的］
【０００２】
【産業上の利用分野】本発明は、例えばプラントやロボ
ット等の制御対象の動特性に関する計測データから、制
御対象の動特性モデルを得る制御対象同定システムに関
する。
ット等の制御対象の動特性に関する計測データから、制
御対象の動特性モデルを得る制御対象同定システムに関
する。
【０００３】
【従来の技術】従来から、制御対象の動特性モデルを神
経回路網を用いて同定する方法が知られている。この方
法は、制御対象の動特性に関する計測データを基に神経
回路網の学習を行うことにより、この神経回路網上に制
御対象の動特性モデルを構築するといったものである。
経回路網を用いて同定する方法が知られている。この方
法は、制御対象の動特性に関する計測データを基に神経
回路網の学習を行うことにより、この神経回路網上に制
御対象の動特性モデルを構築するといったものである。
【０００４】しかしながら、この方法では、神経回路網
による同定モデルが制御対象との大局的な一致を得るま
でに膨大な学習例を必要とし、実際に同定器として活用
されるまでにかなりの時間を要していていた。またこの
方法は、神経回路網の学習能力に大きく制約され、学習
の安定性に欠いていた。また制御対象と併せて制御器も
神経回路網で構築する場合、学習が二段階となるために
さらに時間を要していた。
による同定モデルが制御対象との大局的な一致を得るま
でに膨大な学習例を必要とし、実際に同定器として活用
されるまでにかなりの時間を要していていた。またこの
方法は、神経回路網の学習能力に大きく制約され、学習
の安定性に欠いていた。また制御対象と併せて制御器も
神経回路網で構築する場合、学習が二段階となるために
さらに時間を要していた。
【０００５】
【発明が解決しようとする課題】本発明はこのような課
題を解決するためのもので、より短時間の学習で、大局
的な動特性が知られている制御対象の動特性モデルを安
定して得ることのできる制御対象同定システムの提供を
目的とする。
題を解決するためのもので、より短時間の学習で、大局
的な動特性が知られている制御対象の動特性モデルを安
定して得ることのできる制御対象同定システムの提供を
目的とする。
【０００６】［発明の構成］
【０００７】
【課題を解決するための手段】本発明の制御対象同定シ
ステムは上記した目的を達成するために、制御対象の動
特性に関する先験的知識を用いて前記制御対象の大局的
な動特性を同定する既知動特性同定器と、多層神経回路
網を用いて前記既知動特性同定器に採り入れられない未
知部分の動特性を同定する神経回路網同定器と、前記制
御対象の出力値と前記既知動特性同定器の出力値との差
を教師信号として、前記神経回路網同定器の神経素子間
の荷重を修正する神経素子間荷重修正回路とを具備して
いる。
ステムは上記した目的を達成するために、制御対象の動
特性に関する先験的知識を用いて前記制御対象の大局的
な動特性を同定する既知動特性同定器と、多層神経回路
網を用いて前記既知動特性同定器に採り入れられない未
知部分の動特性を同定する神経回路網同定器と、前記制
御対象の出力値と前記既知動特性同定器の出力値との差
を教師信号として、前記神経回路網同定器の神経素子間
の荷重を修正する神経素子間荷重修正回路とを具備して
いる。
【０００８】
【作用】理論的に制御対象の動特性が運動方程式等で記
述される場合、その記述に採り入れられなかった効果以
外、制御対象の振舞いはその理論式に大局的に従うはず
である。そこで本発明は、神経回路網同定器に加え、制
御対象の動特性に関する先験的知識を用いて制御対象の
大局的な動特性を同定する既知動特性同定器を備え、制
御対象の出力値と既知動特性同定器の出力値との差を教
師信号として、神経回路網同定器を学習する。このよう
に、制御対象の大局的な動特性は初期の状態から既知動
特性同定器にて同定されているので、神経回路網同定器
の学習は、既知動特性同定器と制御対象の各出力値の差
のみを対象に行われることになる。したがって、極めて
短時間に学習を完了させることができる。
述される場合、その記述に採り入れられなかった効果以
外、制御対象の振舞いはその理論式に大局的に従うはず
である。そこで本発明は、神経回路網同定器に加え、制
御対象の動特性に関する先験的知識を用いて制御対象の
大局的な動特性を同定する既知動特性同定器を備え、制
御対象の出力値と既知動特性同定器の出力値との差を教
師信号として、神経回路網同定器を学習する。このよう
に、制御対象の大局的な動特性は初期の状態から既知動
特性同定器にて同定されているので、神経回路網同定器
の学習は、既知動特性同定器と制御対象の各出力値の差
のみを対象に行われることになる。したがって、極めて
短時間に学習を完了させることができる。
【０００９】
【実施例】以下、本発明の実施例を図面を用いて説明す
る。図１は本発明に係る一実施例の制御対象同化システ
ムの構成を説明するためのブロック図である。
る。図１は本発明に係る一実施例の制御対象同化システ
ムの構成を説明するためのブロック図である。
【００１０】同図において、１は制御対象、２は運動方
程式等によって記述された先験的知識を用いて制御対象
１の大局的な動特性を同定する既知動特性同定器、３は
多層神経回路網を用いて、既知動特性同定器２に採り入
れられない未知部分の動特性を同定する神経回路網同定
器、４は神経回路網同定器３内の各層の神経素子間の荷
重を修正する神経素子間荷重修正回路である。
程式等によって記述された先験的知識を用いて制御対象
１の大局的な動特性を同定する既知動特性同定器、３は
多層神経回路網を用いて、既知動特性同定器２に採り入
れられない未知部分の動特性を同定する神経回路網同定
器、４は神経回路網同定器３内の各層の神経素子間の荷
重を修正する神経素子間荷重修正回路である。
【００１１】ここで制御対象１は、操作量ｖを入力して
制御量ｘを出力する。また操作量ｖは同時に既知動特性
同定器２と神経回路網同定器３に入力され、その結果、
既知動特性同定器２から出力ｘｍ が、神経回路網同定
器３から出力ｅｎ がそれぞれ出力される。そして既知
動特性同定器２の出力ｘｍ と神経回路網同定器３の出
力ｅｎ との加算値ｘｍ ＋ｅｎ と、制御対象１の出
力ｘとの差が神経素子間荷重修正回路４に入力される。 神経素子間荷重修正回路４はその差を零にするように神
経回路網同定器３の各層間の神経素子間の荷重を修正す
る。
制御量ｘを出力する。また操作量ｖは同時に既知動特性
同定器２と神経回路網同定器３に入力され、その結果、
既知動特性同定器２から出力ｘｍ が、神経回路網同定
器３から出力ｅｎ がそれぞれ出力される。そして既知
動特性同定器２の出力ｘｍ と神経回路網同定器３の出
力ｅｎ との加算値ｘｍ ＋ｅｎ と、制御対象１の出
力ｘとの差が神経素子間荷重修正回路４に入力される。 神経素子間荷重修正回路４はその差を零にするように神
経回路網同定器３の各層間の神経素子間の荷重を修正す
る。
【００１２】次に本実施例システムによる制御対象同定
方法の詳細を説明する。離散時間系の場合を例にとり、
ここで制御対象１の出力ｘは、厳密には、ｘ（ｔ＋１）
＝ｆ（ｘ（ｔ） ，ｘ（ｔ−１） ，…，ｘ（ｔ−ｎ）
，ｖ（ｔ） ，ｖ（ｔ−１） ，…，ｖ（ｔ−ｍ） ，
ｔ）のように時間発展するものとする。この式の厳密な
形は実際には分からないものの、制御対象１は少なくと
も次式のようにモデル化された運動方程式に従うことが
分かっていると仮定する。
方法の詳細を説明する。離散時間系の場合を例にとり、
ここで制御対象１の出力ｘは、厳密には、ｘ（ｔ＋１）
＝ｆ（ｘ（ｔ） ，ｘ（ｔ−１） ，…，ｘ（ｔ−ｎ）
，ｖ（ｔ） ，ｖ（ｔ−１） ，…，ｖ（ｔ−ｍ） ，
ｔ）のように時間発展するものとする。この式の厳密な
形は実際には分からないものの、制御対象１は少なくと
も次式のようにモデル化された運動方程式に従うことが
分かっていると仮定する。
【００１３】
ｘｍ （ｔ＋１）＝ｆｍｏｄｅｌ （ｘ（ｔ） ，ｘ（
ｔ−１） ，…，ｘ（ｔ−ｎ） ，ｖ（ｔ） ，ｖ（ｔ
−１） ，…，ｖ（ｔ−ｍ） ，ｔ）既知動特性同定器
２は、このモデル化された方程式を先験的知識として用
いて制御対象１の大局的な動特性を同定する。
ｔ−１） ，…，ｘ（ｔ−ｎ） ，ｖ（ｔ） ，ｖ（ｔ
−１） ，…，ｖ（ｔ−ｍ） ，ｔ）既知動特性同定器
２は、このモデル化された方程式を先験的知識として用
いて制御対象１の大局的な動特性を同定する。
【００１４】一方、制御対象１は、このモデル化された
運動方程式に含まれない未知の補正項を持っていたり、
パラメータの僅かな時間変化のため、この方程式から若
干外れている場合が多い。したがって、既知動特性同定
器２の出力ｘｍ （ｔ＋１）と制御対象１の出力ｘ（ｔ
＋１）との間には僅かな差ｅｄ 、 ｅｄ （ｔ＋１）＝ｘ（ｔ＋１）−ｘｍ （ｔ＋１）が
存在する。
運動方程式に含まれない未知の補正項を持っていたり、
パラメータの僅かな時間変化のため、この方程式から若
干外れている場合が多い。したがって、既知動特性同定
器２の出力ｘｍ （ｔ＋１）と制御対象１の出力ｘ（ｔ
＋１）との間には僅かな差ｅｄ 、 ｅｄ （ｔ＋１）＝ｘ（ｔ＋１）−ｘｍ （ｔ＋１）が
存在する。
【００１５】神経素子間荷重修正回路４は、この差ｅｄ
を教師信号として神経回路網同定器３の学習を行う。 つまり、神経回路網同定器３の出力ｅｎ とすれば、誤
差評価関数Ｅは１／２・（ｅｄ （ｔ＋１）−ｅｎ （
ｔ＋１））２ となり、神経素子間荷重修正回路４はこ
の誤差評価関数Ｅを最小化すべく、誤差逆伝搬法等によ
って神経回路網同定器３の学習を行う。
を教師信号として神経回路網同定器３の学習を行う。 つまり、神経回路網同定器３の出力ｅｎ とすれば、誤
差評価関数Ｅは１／２・（ｅｄ （ｔ＋１）−ｅｎ （
ｔ＋１））２ となり、神経素子間荷重修正回路４はこ
の誤差評価関数Ｅを最小化すべく、誤差逆伝搬法等によ
って神経回路網同定器３の学習を行う。
【００１６】学習終了後は、既知動特性同定器２および
神経回路網同定器３の出力の和ｘｍ ＋ｅｎ で、制御
対象１の出力ｘ（ｔ＋１）を近似することができる。
神経回路網同定器３の出力の和ｘｍ ＋ｅｎ で、制御
対象１の出力ｘ（ｔ＋１）を近似することができる。
【００１７】さらに、制御器の構築に用いられる、ｘ（
ｔ−ｉ） もしくはｖ（ｔ−ｊ） に対するｘ（ｔ＋１
））の感度
ｔ−ｉ） もしくはｖ（ｔ−ｊ） に対するｘ（ｔ＋１
））の感度
【００１８】
【数１】
【００１９】もしくは感度
【００２０】
【数２】
【００２１】が計算できる（ｉ＝１，…，ｎ；ｊ＝１，
…，ｍ）。
…，ｍ）。
【００２２】
【数３】
【００２３】図２は上述のモデル同定処理の全体的な流
れを示すフローチャートである。
れを示すフローチャートである。
【００２４】まず外部より操作量ｖが制御対象１に入力
され（ステップ２０１）、同様に既知動特性同定器２と
神経回路網同定器３にもその操作量ｖが入力される（ス
テップ２０２）。既知動特性同定器２および神経回路網
同定器３は、入力した操作量ｖと前の状態ｘおよび単位
時間ｔから、出力ｘｍ 、ｅｎ をそれぞれ出力する。 その後、各出力の加算値ｘｍ ＋ｅｎ と制御対象１の
出力ｘとの誤差ｅｄ が求められ（ステップ２０３）、
その誤差Ｅを零にするように神経回路網同定器３を学習
させる（ステップ２０４）。学習後、誤差Ｅが許容誤差
を越えているかどうかを判定し（ステップ２０５）、許
容誤差を越えていれば、最初のステップ３０１に戻って
学習を繰り返す。また許容誤差内であれば、学習の完了
とみなして、システムを同定器として活用する（ステッ
プ２０６）。
され（ステップ２０１）、同様に既知動特性同定器２と
神経回路網同定器３にもその操作量ｖが入力される（ス
テップ２０２）。既知動特性同定器２および神経回路網
同定器３は、入力した操作量ｖと前の状態ｘおよび単位
時間ｔから、出力ｘｍ 、ｅｎ をそれぞれ出力する。 その後、各出力の加算値ｘｍ ＋ｅｎ と制御対象１の
出力ｘとの誤差ｅｄ が求められ（ステップ２０３）、
その誤差Ｅを零にするように神経回路網同定器３を学習
させる（ステップ２０４）。学習後、誤差Ｅが許容誤差
を越えているかどうかを判定し（ステップ２０５）、許
容誤差を越えていれば、最初のステップ３０１に戻って
学習を繰り返す。また許容誤差内であれば、学習の完了
とみなして、システムを同定器として活用する（ステッ
プ２０６）。
【００２５】かくしてこの実施例の制御対象同化システ
ムによれば、制御対象１の大局的な動特性は初期の状態
から既知動特性同定器２にて同定されているので、神経
回路網同定器３の学習は、既知動特性同定器２と制御対
象１の各出力の差だけを着目して行われ、この結果、極
めて短時間に学習を終了させることができる。また、同
定器を用いて制御器を構築する場合も、既知動特性同定
器２にて制御対象１の大局的な動特性が同定されている
ことから、学習を多段階に別けて行う必要がなくなる。
ムによれば、制御対象１の大局的な動特性は初期の状態
から既知動特性同定器２にて同定されているので、神経
回路網同定器３の学習は、既知動特性同定器２と制御対
象１の各出力の差だけを着目して行われ、この結果、極
めて短時間に学習を終了させることができる。また、同
定器を用いて制御器を構築する場合も、既知動特性同定
器２にて制御対象１の大局的な動特性が同定されている
ことから、学習を多段階に別けて行う必要がなくなる。
【００２６】なお、この実施例では、既知動特性同定器
２と神経回路網同定器３とを並列に接続したが、これら
を直列に接続してもかまわない。またこの実施例では、
離散時間系を例に出したが、連続時間系の場合でも、適
当なサンプリング周期で制御対象の時間を離散化すれば
同様に本発明を適用することができる。さらに、神経回
路網同定器３の学習については、高次の補正を取り入れ
るために、単位時間前の状態、操作量だけではなく、そ
れ以前の状態と操作量を入力するようにしてもよい。
２と神経回路網同定器３とを並列に接続したが、これら
を直列に接続してもかまわない。またこの実施例では、
離散時間系を例に出したが、連続時間系の場合でも、適
当なサンプリング周期で制御対象の時間を離散化すれば
同様に本発明を適用することができる。さらに、神経回
路網同定器３の学習については、高次の補正を取り入れ
るために、単位時間前の状態、操作量だけではなく、そ
れ以前の状態と操作量を入力するようにしてもよい。
【００２７】
【発明の効果】上述したように本発明の制御対象同化シ
ステムによれば、より短時間の学習で、大局的な動特性
が知られている制御対象の動特性モデルを安定して得る
ことができる。
ステムによれば、より短時間の学習で、大局的な動特性
が知られている制御対象の動特性モデルを安定して得る
ことができる。
【図１】本発明に係る一実施例の制御対象同定システム
の構成を説明するためのブロック図である。
の構成を説明するためのブロック図である。
【図２】図１の制御対象同定システムにおけるモデル同
定の処理手順を示すフローチャートである。
定の処理手順を示すフローチャートである。
１……制御対象
２……既知動特性同定器
３……神経回路網同定器
４……神経素子間荷重修正回路
Claims (1)
- 【請求項１】 制御対象の動特性に関する先験的知識
を用いて前記制御対象の大局的な動特性を同定する既知
動特性同定器と、多層神経回路網を用いて前記既知動特
性同定器に採り入れられない未知部分の動特性を同定す
る神経回路網同定器と、前記制御対象の出力値と前記既
知動特性同定器の出力値との差を教師信号として、前記
神経回路網同定器の神経素子間の荷重を修正する神経素
子間荷重修正回路と、を具備することを特徴とする制御
対象同定システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3049880A JPH04284566A (ja) | 1991-03-14 | 1991-03-14 | 制御対象同定システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3049880A JPH04284566A (ja) | 1991-03-14 | 1991-03-14 | 制御対象同定システム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH04284566A true JPH04284566A (ja) | 1992-10-09 |
Family
ID=12843360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3049880A Withdrawn JPH04284566A (ja) | 1991-03-14 | 1991-03-14 | 制御対象同定システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH04284566A (ja) |
-
1991
- 1991-03-14 JP JP3049880A patent/JPH04284566A/ja not_active Withdrawn
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cruz-Zavala et al. | Homogeneous high order sliding mode design: a Lyapunov approach | |
| Rivals et al. | Nonlinear internal model control using neural networks: Application to processes with delay and design issues | |
| Haykin et al. | Optimum nonlinear filtering | |
| CA2079147C (en) | Simulator using a neural network | |
| Zhao | Parametric identification of Hammerstein systems with consistency results using stochastic inputs | |
| Zhu | Identification of Hammerstein models for control using ASYM | |
| JPH04284566A (ja) | 制御対象同定システム | |
| Douratsos et al. | Neural network based model reference adaptive control for processes with time delay | |
| TWI719337B (zh) | 基於深度學習之數位控制器的控制方法 | |
| JP2862308B2 (ja) | コントローラの調整方法および調整システム | |
| US3743823A (en) | Feedback control system with digital control elements | |
| JP2756170B2 (ja) | ニューラルネットワーク学習回路 | |
| RU2031434C1 (ru) | Система адаптивного управления нестационарными нелинейными объектами | |
| US4949237A (en) | Digital integrating module for sampling control devices | |
| JP3039154B2 (ja) | コントローラの調整方法 | |
| JPH05128082A (ja) | 階層ネツトワーク構成データ処理装置とその学習処理方法 | |
| JPH0527808A (ja) | ニユーラルネツト・モデルを用いた制御器 | |
| JPH0675604A (ja) | ニューラルネットワークを用いた軌道型順方向同定器及びシミュレータ | |
| JP2545941B2 (ja) | パターンマッチング装置とその学習方法 | |
| JPH06243273A (ja) | ニューラルネットワークの学習方式 | |
| JPH05333902A (ja) | 格付け学習方式による制御装置及び制御方法 | |
| JP3101742B2 (ja) | 最小値検出器 | |
| SU1488852A1 (ru) | Система для моделирования динамических процессов в дискретных устройствах автоматического управления | |
| JPH04213752A (ja) | 対象システムのモデル化及び逆モデル化方法 | |
| JP2822427B2 (ja) | プロセス制御方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 19980514 |