JPH05127706A - ニユーラルネツト型シミユレータ - Google Patents
ニユーラルネツト型シミユレータInfo
- Publication number
- JPH05127706A JPH05127706A JP3286804A JP28680491A JPH05127706A JP H05127706 A JPH05127706 A JP H05127706A JP 3286804 A JP3286804 A JP 3286804A JP 28680491 A JP28680491 A JP 28680491A JP H05127706 A JPH05127706 A JP H05127706A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- simulator
- input
- modeling
- simulated
- 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
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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- 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
- G05B13/027—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 only
Abstract
(57)【要約】
【目的】 モデル化シミュレータの出力をニューラルネ
ットワークで修正することにより、実機に近い正確なシ
ミュレーションができるニューラルネット型シミュレー
タを提供することを目的とする。 【構成】 模擬制御量と目標値を比較演算することによ
って操作量を出力する制御装置の出力を、制御対象を模
擬したモデル化シミュレータに入力して模擬制御量を
得、これを制御装置に入力として返すシミュレータにお
いて、前記モデル化シミュレータとして、またはそれと
並列に、時系列信号を扱えるニューラルネットワークを
設けて信号をニューラルネットワークに与え、学習則に
より実機特性をより正確に模擬するようにニューラルネ
ットワークのシナプス荷重を修正・固定することを特徴
とする。
ットワークで修正することにより、実機に近い正確なシ
ミュレーションができるニューラルネット型シミュレー
タを提供することを目的とする。 【構成】 模擬制御量と目標値を比較演算することによ
って操作量を出力する制御装置の出力を、制御対象を模
擬したモデル化シミュレータに入力して模擬制御量を
得、これを制御装置に入力として返すシミュレータにお
いて、前記モデル化シミュレータとして、またはそれと
並列に、時系列信号を扱えるニューラルネットワークを
設けて信号をニューラルネットワークに与え、学習則に
より実機特性をより正確に模擬するようにニューラルネ
ットワークのシナプス荷重を修正・固定することを特徴
とする。
Description
【０００１】
【産業上の利用分野】本発明は制御対象または制御装置
を模擬したシミュレータに関し、特に実機の動作をより
正確に再現させるニューラルネット型シミュレータに関
する。
を模擬したシミュレータに関し、特に実機の動作をより
正確に再現させるニューラルネット型シミュレータに関
する。
【０００２】
【従来の技術】各種の大型機器やプロセスの試験研究、
あるいは実機運転に危険や困難を伴う機器の操縦者訓練
などに際しては、それらの機能を模擬したシミュレータ
が使用される。
あるいは実機運転に危険や困難を伴う機器の操縦者訓練
などに際しては、それらの機能を模擬したシミュレータ
が使用される。
【０００３】シミュレータには多種多様のものがある
が、その一例として、発電プラントにおける給水制御プ
ロセスを例にとり、従来技術を説明する。
が、その一例として、発電プラントにおける給水制御プ
ロセスを例にとり、従来技術を説明する。
【０００４】図１５において、制御装置１は比較演算回
路１−１と操作演算回路１−２とからなり、目標値ａと
模擬制御量（給水流量）ｄを比較演算回路１−１に入力
することにより制御偏差ｆを演算し、この偏差信号ｆを
操作演算回路１−２に入力する。操作演算回路１−２の
出力は操作量ｇとしてシミュレータ２に入力される。シ
ミュレータ２は、図１６に示すように、模擬性能とし
て、操作器遅れ２−１、ポンプ遅れ２−２、ポンプ回転
数吐出流量特性２−３を有しており、操作量ｇに基づい
て模擬制御量ｄを演算し、出力する。
路１−１と操作演算回路１−２とからなり、目標値ａと
模擬制御量（給水流量）ｄを比較演算回路１−１に入力
することにより制御偏差ｆを演算し、この偏差信号ｆを
操作演算回路１−２に入力する。操作演算回路１−２の
出力は操作量ｇとしてシミュレータ２に入力される。シ
ミュレータ２は、図１６に示すように、模擬性能とし
て、操作器遅れ２−１、ポンプ遅れ２−２、ポンプ回転
数吐出流量特性２−３を有しており、操作量ｇに基づい
て模擬制御量ｄを演算し、出力する。
【０００５】このような構成のシミュレータにおいて、
制御装置１は、その出力を操作量ｇとしてシミュレータ
２に与え、模擬制御量ｄを入力して目標値ａに一致する
ように制御している。また、シミュレータ２は模擬を行
う制御対象をモデル化し、それぞれのモデルに対して設
計値を与えている。即ち、図１６の例においては、操作
器の遅れ２−１と、ポンプ遅れ２−２と、ポンプ回転数
吐出流量特性２−３にモデル化し、設計値を与えてい
る。
制御装置１は、その出力を操作量ｇとしてシミュレータ
２に与え、模擬制御量ｄを入力して目標値ａに一致する
ように制御している。また、シミュレータ２は模擬を行
う制御対象をモデル化し、それぞれのモデルに対して設
計値を与えている。即ち、図１６の例においては、操作
器の遅れ２−１と、ポンプ遅れ２−２と、ポンプ回転数
吐出流量特性２−３にモデル化し、設計値を与えてい
る。
【０００６】
【発明が解決しようとする課題】しかしながら、上述の
ような制御装置１とシミュレータ２によって給水制御の
シミュレーションを行う場合には、往々にして実機の特
性と合わず、工場で製作した制御装置で実機を制御する
のに先立って、制御装置とシミュレータを組合わせてシ
ミュレーションし、制御装置の健全性を確認する際に判
断に窮することが頻々あった。これは、操作器には遅れ
だけでなくバックラッシュがあったり、開方向と閉方向
の特性が異なったりする場合があること、あるいはポン
プ特性のモデルが実機と合わないため、給水流量の出方
が実機と異なったりするためである。図１７はポンプの
ＮＱ特性の設計値と実測値の違いを例示するもので、曲
線２−３ａは設計値を、曲線２−３ｂは実測値を示して
いる。
ような制御装置１とシミュレータ２によって給水制御の
シミュレーションを行う場合には、往々にして実機の特
性と合わず、工場で製作した制御装置で実機を制御する
のに先立って、制御装置とシミュレータを組合わせてシ
ミュレーションし、制御装置の健全性を確認する際に判
断に窮することが頻々あった。これは、操作器には遅れ
だけでなくバックラッシュがあったり、開方向と閉方向
の特性が異なったりする場合があること、あるいはポン
プ特性のモデルが実機と合わないため、給水流量の出方
が実機と異なったりするためである。図１７はポンプの
ＮＱ特性の設計値と実測値の違いを例示するもので、曲
線２−３ａは設計値を、曲線２−３ｂは実測値を示して
いる。
【０００７】また、制御装置も模擬回路またソフトウェ
アで構成し、操作パネルのみを実機と同様に構成した運
転訓練シミュレータの場合においても、実機と同じ特性
が出ないことから、運転訓練が正しく行なえないという
問題があった。
アで構成し、操作パネルのみを実機と同様に構成した運
転訓練シミュレータの場合においても、実機と同じ特性
が出ないことから、運転訓練が正しく行なえないという
問題があった。
【０００８】本発明は、制御装置とシミュレータを組合
わせてシミュレーションし、制御装置の健全性を確認す
る場合に正確にシミュレーションすることにより、正し
い判断ができるようにし、また制御装置もシミュレーシ
ョンした運転訓練シミュレータにおいても、実機特性を
正確に再現することにより、正しい運転訓練が行なえる
ようにしたニューラルネット型シミュレータを提供する
ことを目的とするものである。
わせてシミュレーションし、制御装置の健全性を確認す
る場合に正確にシミュレーションすることにより、正し
い判断ができるようにし、また制御装置もシミュレーシ
ョンした運転訓練シミュレータにおいても、実機特性を
正確に再現することにより、正しい運転訓練が行なえる
ようにしたニューラルネット型シミュレータを提供する
ことを目的とするものである。
【０００９】
【課題を解決するための手段】本出願の第１の発明のニ
ューラルネット型シミュレータは、模擬制御量と目標値
を比較演算することによって操作量を出力する制御装置
の出力を、制御対象を模擬したモデル化シミュレータに
入力して模擬制御量を得、これを制御装置に入力として
返すシミュレータにおいて、前記モデル化シミュレータ
と並列に、時系列信号を扱えるニューラルネットワーク
を設け、実機制御量と模擬制御量の誤差信号をニューラ
ルネットワークに与え、学習則により実機特性をより正
確に模擬するようにニューラルネットワークのシナプス
荷重を修正・固定することを特徴とする。
ューラルネット型シミュレータは、模擬制御量と目標値
を比較演算することによって操作量を出力する制御装置
の出力を、制御対象を模擬したモデル化シミュレータに
入力して模擬制御量を得、これを制御装置に入力として
返すシミュレータにおいて、前記モデル化シミュレータ
と並列に、時系列信号を扱えるニューラルネットワーク
を設け、実機制御量と模擬制御量の誤差信号をニューラ
ルネットワークに与え、学習則により実機特性をより正
確に模擬するようにニューラルネットワークのシナプス
荷重を修正・固定することを特徴とする。
【００１０】本出願の第２の発明のニューラルネット型
シミュレータは、模擬制御量と目標値を比較演算するこ
とによって操作量を出力する制御装置の出力を、制御対
象を模擬したモデル化シミュレータに入力して模擬制御
量を得、これを制御装置に入力として返すシミュレータ
において、前記モデル化シミュレータと並列に、時系列
信号を扱えるニューラルネットワークを設け、その入力
に前記モデル化シミュレータの出力信号を与え、前記ニ
ューラルネットワークの出力信号を前記モデル化シミュ
レータに入力し、学習則により実機特性をより正確に模
擬するように前記ニューラルネットワークのシナプス荷
重を修正・固定することを特徴とする。また、本出願の
第３の発明のニューラルネット型シミュレータは、模擬
制御量と目標値を比較演算することによって操作量を出
力する制御装置の出力を、制御対象を模擬したモデル化
シミュレータに入力して模擬制御量を得、これを制御装
置に入力として返すシミュレータにおいて、前記モデル
化シミュレータとして、時系列信号を扱えるニューラル
ネットワークを用い、実機制御量と模擬制御量の誤差信
号を前記ニューラルネットワークに与え、学習則により
実機特性をより正確に模擬するように前記ニューラルネ
ットワークのシナプス荷重を修正・固定することを特徴
とするものである。
シミュレータは、模擬制御量と目標値を比較演算するこ
とによって操作量を出力する制御装置の出力を、制御対
象を模擬したモデル化シミュレータに入力して模擬制御
量を得、これを制御装置に入力として返すシミュレータ
において、前記モデル化シミュレータと並列に、時系列
信号を扱えるニューラルネットワークを設け、その入力
に前記モデル化シミュレータの出力信号を与え、前記ニ
ューラルネットワークの出力信号を前記モデル化シミュ
レータに入力し、学習則により実機特性をより正確に模
擬するように前記ニューラルネットワークのシナプス荷
重を修正・固定することを特徴とする。また、本出願の
第３の発明のニューラルネット型シミュレータは、模擬
制御量と目標値を比較演算することによって操作量を出
力する制御装置の出力を、制御対象を模擬したモデル化
シミュレータに入力して模擬制御量を得、これを制御装
置に入力として返すシミュレータにおいて、前記モデル
化シミュレータとして、時系列信号を扱えるニューラル
ネットワークを用い、実機制御量と模擬制御量の誤差信
号を前記ニューラルネットワークに与え、学習則により
実機特性をより正確に模擬するように前記ニューラルネ
ットワークのシナプス荷重を修正・固定することを特徴
とするものである。
【００１１】
【作用】本発明によれば、制御対象のモデル化が実機と
完全には一致していなくても、実機特性を模範として、
バックプロパゲーションなどの学習則により実機特性を
より正確に模擬するようにニューラルネットのシナプス
荷重を修正したり、シナプス荷重を固定したりするよう
にしているので、実機特性を正確に再現することができ
る。
完全には一致していなくても、実機特性を模範として、
バックプロパゲーションなどの学習則により実機特性を
より正確に模擬するようにニューラルネットのシナプス
荷重を修正したり、シナプス荷重を固定したりするよう
にしているので、実機特性を正確に再現することができ
る。
【００１２】
【実施例】以下、本発明の実施例を図面を参照して説明
する。なお、図１ないし図１３において、図１５および
図１６と同一部分には同一の符号を付し、詳細な説明は
省略する。
する。なお、図１ないし図１３において、図１５および
図１６と同一部分には同一の符号を付し、詳細な説明は
省略する。
【００１３】図１において、２は制御対象をモデル化し
て模擬した回路（本明細書では、これをモデル化シミュ
レータという）、３はニューラルネットワーク、４は比
較演算回路、５は誤差演算回路である。また、ｅは実機
制御量ｂと模擬制御量ｄの誤差でニューラルネットワー
クの学習信号、ｈはモデル化シミュレータ出力、ｉはニ
ューラルネットワーク出力である。
て模擬した回路（本明細書では、これをモデル化シミュ
レータという）、３はニューラルネットワーク、４は比
較演算回路、５は誤差演算回路である。また、ｅは実機
制御量ｂと模擬制御量ｄの誤差でニューラルネットワー
クの学習信号、ｈはモデル化シミュレータ出力、ｉはニ
ューラルネットワーク出力である。
【００１４】図２は時系列信号を扱えるニューラルネッ
トワークの構成例を示すものであり、ニューラルネット
ワーク３は、入力する操作量ｇを順次微分する複数個の
微分回路３−１と、複数個のニューロン３−２と、これ
らの微分回路およびニューロンを接続するシナプス結合
３−３とからなる。同図中、ｇ0 は操作量ｇの０次微分
値（操作量ｇと同じ）、ｇ1 は操作量ｇの１次微分値、
ｇn は操作量ｇのｎ次微分値である。また、図３はニュ
ーロン３−２の詳細を示すもので、Ｔ10，Ｔ11，…Ｔ1n
はシナプス荷重を示している。
トワークの構成例を示すものであり、ニューラルネット
ワーク３は、入力する操作量ｇを順次微分する複数個の
微分回路３−１と、複数個のニューロン３−２と、これ
らの微分回路およびニューロンを接続するシナプス結合
３−３とからなる。同図中、ｇ0 は操作量ｇの０次微分
値（操作量ｇと同じ）、ｇ1 は操作量ｇの１次微分値、
ｇn は操作量ｇのｎ次微分値である。また、図３はニュ
ーロン３−２の詳細を示すもので、Ｔ10，Ｔ11，…Ｔ1n
はシナプス荷重を示している。
【００１５】上述のように構成した本発明のニューラル
ネット型シミュレータにおいては、予め測定しておいた
目標値ａと実機制御量ｂを制御装置１の比較演算回路１
−１と誤差演算回路５に与え、シミュレーションを行い
ながら、バックプロパゲーション（逆伝搬）学習則など
により、ニューラルネットワーク３の学習を行う。学習
を始めたばかりの時点では、ニューラルネットワーク３
の出力が零になるように予め設定されているので、モデ
ル化シミュレータ２によりシミュレーションされた出力
が模擬制御量ｄとして出力され、誤差演算回路５により
実機制御量ｂと模擬制御量ｄの誤差が演算され、この誤
差ｅがニューラルネットワーク３に入力される。学習が
繰り返されると、ニューロン３−２のシナプス荷重Ｔ1
0，Ｔ11，…Ｔ1nの値が調整され、ニューラルネットワ
ーク３は、誤差ｅが次第に小さくなるように出力をする
ようになる。
ネット型シミュレータにおいては、予め測定しておいた
目標値ａと実機制御量ｂを制御装置１の比較演算回路１
−１と誤差演算回路５に与え、シミュレーションを行い
ながら、バックプロパゲーション（逆伝搬）学習則など
により、ニューラルネットワーク３の学習を行う。学習
を始めたばかりの時点では、ニューラルネットワーク３
の出力が零になるように予め設定されているので、モデ
ル化シミュレータ２によりシミュレーションされた出力
が模擬制御量ｄとして出力され、誤差演算回路５により
実機制御量ｂと模擬制御量ｄの誤差が演算され、この誤
差ｅがニューラルネットワーク３に入力される。学習が
繰り返されると、ニューロン３−２のシナプス荷重Ｔ1
0，Ｔ11，…Ｔ1nの値が調整され、ニューラルネットワ
ーク３は、誤差ｅが次第に小さくなるように出力をする
ようになる。
【００１６】このようにして十分に学習をさせた後、シ
ナプス荷重Ｔ10〜Ｔ1nの値を固定すると、モデル化シミ
ュレータ２のみでは精度が不充分であったものが、ニュ
ーラルネットワーク３の出力による補正が掛けられるこ
とにより、正確なシミュレーションが行なえるようにな
る。また、モデル化シミュレータ２により、設計データ
で制御対象をモデル化していることにより、実機制御量
ｂのデータが全制御範囲に亙っては存在しない場合にお
いても、シミュレータのシミュレーションモデルに不連
続性が発生することはなく、制御装置１の全制御範囲に
亙ったシミュレーションを行うことが可能である。
ナプス荷重Ｔ10〜Ｔ1nの値を固定すると、モデル化シミ
ュレータ２のみでは精度が不充分であったものが、ニュ
ーラルネットワーク３の出力による補正が掛けられるこ
とにより、正確なシミュレーションが行なえるようにな
る。また、モデル化シミュレータ２により、設計データ
で制御対象をモデル化していることにより、実機制御量
ｂのデータが全制御範囲に亙っては存在しない場合にお
いても、シミュレータのシミュレーションモデルに不連
続性が発生することはなく、制御装置１の全制御範囲に
亙ったシミュレーションを行うことが可能である。
【００１７】以上述べた通り、本発明によると、モデル
化シミュレータの出力をニューラルネットワークで修正
することにより、より実機に近い正確なシミュレーショ
ンができる。また、ニューラルネットワークによりモデ
ル化シミュレータ出力を修正するようにしていることか
ら、実機データが全運転範囲に亙っては存在しない場合
においてもシミュレーションが可能であり、その効果は
非常に大である。
化シミュレータの出力をニューラルネットワークで修正
することにより、より実機に近い正確なシミュレーショ
ンができる。また、ニューラルネットワークによりモデ
ル化シミュレータ出力を修正するようにしていることか
ら、実機データが全運転範囲に亙っては存在しない場合
においてもシミュレーションが可能であり、その効果は
非常に大である。
【００１８】次に、本発明の他の実施例をいくつか説明
する。
する。
【００１９】図４は、ニューラルネットワーク３の入力
として実機操作量ｃを追加した例である。また、図５は
図４に用いるニューラルネットワーク３の構成例を示す
もので、制御装置１からの操作量ｇと実機操作量ｃは切
替回路３−４によって選択される。この例では、ニュー
ラルネットワーク３の学習時の入力として実機操作量ｃ
が入っているので、学習速度を速くすることが期待でき
る。
として実機操作量ｃを追加した例である。また、図５は
図４に用いるニューラルネットワーク３の構成例を示す
もので、制御装置１からの操作量ｇと実機操作量ｃは切
替回路３−４によって選択される。この例では、ニュー
ラルネットワーク３の学習時の入力として実機操作量ｃ
が入っているので、学習速度を速くすることが期待でき
る。
【００２０】図６はニューラルネットワーク３の入力と
して、モデル化シミュレータ２の出力ｈを追加した例で
ある。この構成では、入力は２点と増加するするもの
の、モデル化シミュレータ２の出力をニューラルネット
ワーク３の入力に加えているので、学習精度および学習
速度の向上が期待できる。なお、図６中には記載してい
ないが、この実施例においても、図４の場合と同様に、
実機操作量ｃをニューラルネットワーク３に入力するよ
うにしてもほぼ同様の効果が得られる。
して、モデル化シミュレータ２の出力ｈを追加した例で
ある。この構成では、入力は２点と増加するするもの
の、モデル化シミュレータ２の出力をニューラルネット
ワーク３の入力に加えているので、学習精度および学習
速度の向上が期待できる。なお、図６中には記載してい
ないが、この実施例においても、図４の場合と同様に、
実機操作量ｃをニューラルネットワーク３に入力するよ
うにしてもほぼ同様の効果が得られる。
【００２１】図７は、シミュレータ２からの入力がある
場合に用いられるニューラルネットワークの例である。
この場合、ｇ，ｈはそれぞれニューラルネットワーク３
の入力であり、入力ｇを順次微分する複数個の微分回路
３−１と、入力ｈを順次微分する複数個の微分回路３−
１と、複数個のニューロン３−２と、これらの微分回路
およびニューロンを接続するシナプス結合３−３とから
なる。同図中、ｈ0 はモデル化シミュレータ２の出力ｈ
の０次微分値（出力ｈと同じ）、ｈ1 は出力ｈの１次微
分値、ｈn は出力ｈのｎ次微分値である。
場合に用いられるニューラルネットワークの例である。
この場合、ｇ，ｈはそれぞれニューラルネットワーク３
の入力であり、入力ｇを順次微分する複数個の微分回路
３−１と、入力ｈを順次微分する複数個の微分回路３−
１と、複数個のニューロン３−２と、これらの微分回路
およびニューロンを接続するシナプス結合３−３とから
なる。同図中、ｈ0 はモデル化シミュレータ２の出力ｈ
の０次微分値（出力ｈと同じ）、ｈ1 は出力ｈの１次微
分値、ｈn は出力ｈのｎ次微分値である。
【００２２】なお、図２、図５および図７のニューラル
ネットワーク３では、入力ｇ、ｃ，ｈを順次複数の微分
回路３−１で微分するようにしているが、これらの微分
回路の代わりに、遅延回路を用いたり、サンプリング回
路により順次サンプリングする方法を採用してもよいこ
とは言うまでもない。
ネットワーク３では、入力ｇ、ｃ，ｈを順次複数の微分
回路３−１で微分するようにしているが、これらの微分
回路の代わりに、遅延回路を用いたり、サンプリング回
路により順次サンプリングする方法を採用してもよいこ
とは言うまでもない。
【００２３】図８は、ニューラルネットワーク３の入力
としてモデル化シミュレータ２の出力ｈを使用した例で
あり、その作用、効果は図１の実施例とほぼ同様であ
る。
としてモデル化シミュレータ２の出力ｈを使用した例で
あり、その作用、効果は図１の実施例とほぼ同様であ
る。
【００２４】図９は、ニューラルネットワーク３の入力
として、モデル化シミュレータ２の出力（模擬制御量）
ｄを使用し、制御装置１の出力ｇとモデル化シミュレー
タ２の入力端子の間に比較演算回路６を設け、ニューラ
ルネットワーク３の出力ｊを比較演算回路６の一方の端
子に入力するようにしたものである。この例では、ニュ
ーラルネットワーク３がモデル化シミュレータ２のフィ
ードバック回路を構成していることになり、図１の実施
例とほぼ同様の作用、効果が得られる。
として、モデル化シミュレータ２の出力（模擬制御量）
ｄを使用し、制御装置１の出力ｇとモデル化シミュレー
タ２の入力端子の間に比較演算回路６を設け、ニューラ
ルネットワーク３の出力ｊを比較演算回路６の一方の端
子に入力するようにしたものである。この例では、ニュ
ーラルネットワーク３がモデル化シミュレータ２のフィ
ードバック回路を構成していることになり、図１の実施
例とほぼ同様の作用、効果が得られる。
【００２５】図１０は、図９の例において、更に実機制
御量ｂをニューラルネットワーク３の入力とした例であ
り、やはりほぼ同様の作用、効果が得られる。
御量ｂをニューラルネットワーク３の入力とした例であ
り、やはりほぼ同様の作用、効果が得られる。
【００２６】図１１は、図９の例において、更に制御装
置１の出力ｇをニューラルネットワーク３の入力とした
例であり、やはりほぼ同様の作用、効果が得られる。
置１の出力ｇをニューラルネットワーク３の入力とした
例であり、やはりほぼ同様の作用、効果が得られる。
【００２７】図１２は、シミュレータの代わりにニュー
ラルネットワーク３を用いた例であり、学習時には実機
操作量ｃを入力し、ニューラルネットワークの出力ｉを
模擬制御量ｄとして、実機制御量ｂとの誤差ｅを得、こ
の誤差ｅが小さくなる様に、バックプロパゲーションな
どの学習則により学習を行い、学習後はニューラルネッ
トワーク３そのものをシミュレータとして機能させ、シ
ミュレーションを行うものである。この例では、制御対
象のモデル化が不要であり、その効果は大である。
ラルネットワーク３を用いた例であり、学習時には実機
操作量ｃを入力し、ニューラルネットワークの出力ｉを
模擬制御量ｄとして、実機制御量ｂとの誤差ｅを得、こ
の誤差ｅが小さくなる様に、バックプロパゲーションな
どの学習則により学習を行い、学習後はニューラルネッ
トワーク３そのものをシミュレータとして機能させ、シ
ミュレーションを行うものである。この例では、制御対
象のモデル化が不要であり、その効果は大である。
【００２８】図１３は、複数の入出力を有する制御装置
１において、複数の制御対象がある場合のニューラルネ
ット型シミュレータの例である。同図において、２ａ，
２ｂ，２ｃのそれぞれがニューラルネット型シミュレー
タであり、これらを組み合わせたものがまたニューラル
ネット型シミュレータを構成している。このような構成
の制御装置としては、例えば給水制御装置が挙げられ
る。この場合、例えば２ａが電動給水ポンプのニューラ
ルネット型シミュレータ、２ｂがタービン駆動給水ポン
プのニューラルネット型シミュレータ、２ｃが給水管ボ
イラを含めた制御対象のニューラルネット型シミュレー
タとなる。このような構成であってもニューラルネット
型シミュレータの基本構成を複数としただけであり、そ
の作用、効果は図１の実施例と基本的には変わりはな
い。また、図１３の例においては３台のニューラルネッ
ト型シミュレータを組合わせて一台のニューラルネット
型シミュレータを構成する例を示したが、構成要素とな
るニューラルネット型シミュレータの数や組合わせに制
限がないことは言うまでもない。
１において、複数の制御対象がある場合のニューラルネ
ット型シミュレータの例である。同図において、２ａ，
２ｂ，２ｃのそれぞれがニューラルネット型シミュレー
タであり、これらを組み合わせたものがまたニューラル
ネット型シミュレータを構成している。このような構成
の制御装置としては、例えば給水制御装置が挙げられ
る。この場合、例えば２ａが電動給水ポンプのニューラ
ルネット型シミュレータ、２ｂがタービン駆動給水ポン
プのニューラルネット型シミュレータ、２ｃが給水管ボ
イラを含めた制御対象のニューラルネット型シミュレー
タとなる。このような構成であってもニューラルネット
型シミュレータの基本構成を複数としただけであり、そ
の作用、効果は図１の実施例と基本的には変わりはな
い。また、図１３の例においては３台のニューラルネッ
ト型シミュレータを組合わせて一台のニューラルネット
型シミュレータを構成する例を示したが、構成要素とな
るニューラルネット型シミュレータの数や組合わせに制
限がないことは言うまでもない。
【００２９】上記の各実施例においては、制御装置を実
機としていたが、操作パネル等の運転操作を行う部分以
外を、ニューラルネット型シミュレータを含め、全て模
擬回路または計算機等のソフトウェアで構成してもよ
い。このようにした装置の例としては運転訓練用のシミ
ュレータがある。この運転訓練用のシミュレータにおい
ても、実機データをもとにニューラルネットワークの学
習により、精度の高い運転訓練が可能となる。
機としていたが、操作パネル等の運転操作を行う部分以
外を、ニューラルネット型シミュレータを含め、全て模
擬回路または計算機等のソフトウェアで構成してもよ
い。このようにした装置の例としては運転訓練用のシミ
ュレータがある。この運転訓練用のシミュレータにおい
ても、実機データをもとにニューラルネットワークの学
習により、精度の高い運転訓練が可能となる。
【００３０】図１４は、図１の実施例において、制御装
置をソフトウェアで構成した場合のフローチャートを示
すものであり、次のようにして計算が実行される。
置をソフトウェアで構成した場合のフローチャートを示
すものであり、次のようにして計算が実行される。
【００３１】（１）目標値ａと模擬制御量ｄを入力する
（ステップＳ1 ）。
（ステップＳ1 ）。
【００３２】（２）目標値ａと模擬制御量ｄを比較演算
し、制御偏差ｆを演算する（ステップＳ2 ）。
し、制御偏差ｆを演算する（ステップＳ2 ）。
【００３３】（３）制御偏差ｆに基づき操作量ｇを演算
する（ステップＳ3 ）。
する（ステップＳ3 ）。
【００３４】（４）操作量ｇを入力し、制御対象モデル
に基づきシミュレータ出力ｈを計算する（ステップＳ4
）。
に基づきシミュレータ出力ｈを計算する（ステップＳ4
）。
【００３５】（５）ステップＳ5 において、「学習あ
り」の場合には、実機制御量ｂと模擬制御量ｄの誤差を
計算し（ステップＳ6 ）、ニューラルネットワークに与
えてバックプロパゲーション等の学習則に従い、学習の
演算を行う（ステップＳ7 ）。
り」の場合には、実機制御量ｂと模擬制御量ｄの誤差を
計算し（ステップＳ6 ）、ニューラルネットワークに与
えてバックプロパゲーション等の学習則に従い、学習の
演算を行う（ステップＳ7 ）。
【００３６】（６）ステップＳ5 において、「学習な
し」の場合には、既に固定されたシナプス荷重に従っ
て、操作量ｇからニューラルネットワーク出力ｉを計算
する（ステップＳ8 ）。
し」の場合には、既に固定されたシナプス荷重に従っ
て、操作量ｇからニューラルネットワーク出力ｉを計算
する（ステップＳ8 ）。
【００３７】（７）モデル化シミュレータの出力ｈとニ
ューラルネットワークの出力ｉを比較演算し、模擬制御
量ｄを得る（ステップＳ9 ）。
ューラルネットワークの出力ｉを比較演算し、模擬制御
量ｄを得る（ステップＳ9 ）。
【００３８】以下、同様にしてステップＳ1 〜Ｓ9 の演
算が繰り返され、正確なシミュレーションが実行され
る。
算が繰り返され、正確なシミュレーションが実行され
る。
【００３９】
【発明の効果】以上述べたように、本発明によると、モ
デル化シミュレータの出力をニューラルネットワークで
修正することにより、実機に近い正確なシミュレーショ
ンを行うことができる。また、ニューラルネットワーク
によりモデル化シミュレータの出力を修正するようにし
ていることから、実機データが全運転範囲に亙って存在
しない場合においても、シミュレーションが可能であ
り、その効果は非常に大きい。
デル化シミュレータの出力をニューラルネットワークで
修正することにより、実機に近い正確なシミュレーショ
ンを行うことができる。また、ニューラルネットワーク
によりモデル化シミュレータの出力を修正するようにし
ていることから、実機データが全運転範囲に亙って存在
しない場合においても、シミュレーションが可能であ
り、その効果は非常に大きい。
【００４０】また、モデル化シミュレータの代わりにニ
ューラルネットワークでシミュレーションする場合に
は、モデルを作成しなくてもシミュレーションが可能と
なり、その効果は非常に大である。
ューラルネットワークでシミュレーションする場合に
は、モデルを作成しなくてもシミュレーションが可能と
なり、その効果は非常に大である。
【図１】本発明のニューラルネット型シミュレータの実
施例を示すシミュレーションブロック図。
施例を示すシミュレーションブロック図。
【図２】図１において使用されるニューラルネットワー
クの一例を示すブロック図。
クの一例を示すブロック図。
【図３】図２において使用されるニューロンの例を示す
説明図。
説明図。
【図４】本発明のニューラルネット型シミュレータの他
の実施例を示すシミュレーションブロック図。
の実施例を示すシミュレーションブロック図。
【図５】図４において使用されるニューラルネットワー
クの一例を示すブロック図。
クの一例を示すブロック図。
【図６】本発明のニューラルネット型シミュレータの他
の実施例を示すシミュレーションブロック図。
の実施例を示すシミュレーションブロック図。
【図７】図６において使用されるニューラルネットワー
クの一例を示すブロック図。
クの一例を示すブロック図。
【図８】本発明のニューラルネット型シミュレータの他
の実施例を示すシミュレーションブロック図。
の実施例を示すシミュレーションブロック図。
【図９】本発明のニューラルネット型シミュレータの他
の実施例を示すシミュレーションブロック図。
の実施例を示すシミュレーションブロック図。
【図１０】本発明のニューラルネット型シミュレータの
他の実施例を示すシミュレーションブロック図。
他の実施例を示すシミュレーションブロック図。
【図１１】本発明のニューラルネット型シミュレータの
他の実施例を示すシミュレーションブロック図。
他の実施例を示すシミュレーションブロック図。
【図１２】本発明のニューラルネット型シミュレータの
他の実施例を示すシミュレーションブロック図。
他の実施例を示すシミュレーションブロック図。
【図１３】本発明のニューラルネット型シミュレータの
他の実施例を示すシミュレーションブロック図。
他の実施例を示すシミュレーションブロック図。
【図１４】本発明のニューラルネット型シミュレータを
ソフトウェアで構成した場合の作動を示すフローチャー
ト。
ソフトウェアで構成した場合の作動を示すフローチャー
ト。
【図１５】従来のシミュレータのシミュレーションブロ
ック図。
ック図。
【図１６】従来の制御対象をモデル化したシミュレータ
の模擬回路を例示する説明図。
の模擬回路を例示する説明図。
【図１７】従来の制御対象をモデル化したシミュレータ
のＮＱ特性を例示するグラフ。
のＮＱ特性を例示するグラフ。
１…制御装置、２…シミュレータ、３…ニューラルネッ
トワーク、３−１…微分回路、３−２…ニューロン、３
−３…シナプス結合、４…比較演算回路、５…誤差演算
回路、６…比較演算回路。
トワーク、３−１…微分回路、３−２…ニューロン、３
−３…シナプス結合、４…比較演算回路、５…誤差演算
回路、６…比較演算回路。
Claims (3)
- 【請求項１】 模擬制御量と目標値を比較演算すること
によって操作量を出力する制御装置の出力を、制御対象
を模擬したモデル化シミュレータに入力して模擬制御量
を得、これを制御装置に入力として返すシミュレータに
おいて、前記モデル化シミュレータと並列に、時系列信
号を扱えるニューラルネットワークを設け、実機制御量
と模擬制御量の誤差信号を前記ニューラルネットワーク
に与え、学習則により実機特性をより正確に模擬するよ
うに前記ニューラルネットワークのシナプス荷重を修正
・固定することを特徴とするニューラルネット型シミュ
レータ。 - 【請求項２】 模擬制御量と目標値を比較演算すること
によって操作量を出力する制御装置の出力を、制御対象
を模擬したモデル化シミュレータに入力して模擬制御量
を得、これを制御装置に入力として返すシミュレータに
おいて、前記モデル化シミュレータと並列に、時系列信
号を扱えるニューラルネットワークを設け、その入力に
前記モデル化シミュレータの出力信号を与え、前記ニュ
ーラルネットワークの出力信号を前記モデル化シミュレ
ータに入力し、学習則により実機特性をより正確に模擬
するように前記ニューラルネットワークのシナプス荷重
を修正・固定することを特徴とするニューラルネット型
シミュレータ。 - 【請求項３】 模擬制御量と目標値を比較演算すること
によって操作量を出力する制御装置の出力を、制御対象
を模擬したモデル化シミュレータに入力して模擬制御量
を得、これを制御装置に入力として返すシミュレータに
おいて、前記モデル化シミュレータとして、時系列信号
を扱えるニューラルネットワークを用い、実機制御量と
模擬制御量の誤差信号を前記ニューラルネットワークに
与え、学習則により実機特性をより正確に模擬するよう
に前記ニューラルネットワークのシナプス荷重を修正・
固定することを特徴とするニューラルネット型シミュレ
ータ。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3286804A JPH05127706A (ja) | 1991-10-31 | 1991-10-31 | ニユーラルネツト型シミユレータ |
| US07/948,434 US5418710A (en) | 1991-10-31 | 1992-09-22 | Simulator using a neural network |
| EP92308787A EP0540168B1 (en) | 1991-10-31 | 1992-09-25 | Simulator using a neural network |
| CA002079147A CA2079147C (en) | 1991-10-31 | 1992-09-25 | Simulator using a neural network |
| DE69228517T DE69228517T2 (de) | 1991-10-31 | 1992-09-25 | Simulator mit Anwendung eines Neuronalnetzwerkes |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3286804A JPH05127706A (ja) | 1991-10-31 | 1991-10-31 | ニユーラルネツト型シミユレータ |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05127706A true JPH05127706A (ja) | 1993-05-25 |
Family
ID=17709266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3286804A Pending JPH05127706A (ja) | 1991-10-31 | 1991-10-31 | ニユーラルネツト型シミユレータ |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US5418710A (ja) |
| EP (1) | EP0540168B1 (ja) |
| JP (1) | JPH05127706A (ja) |
| CA (1) | CA2079147C (ja) |
| DE (1) | DE69228517T2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010079465A (ja) * | 2008-09-25 | 2010-04-08 | Yokogawa Electric Corp | プロセス推定システムおよびプロセス推定方法 |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE69425100T2 (de) * | 1993-09-30 | 2001-03-15 | Koninkl Philips Electronics Nv | Dynamisches neuronales Netzwerk |
| EP0712262A1 (de) * | 1994-11-10 | 1996-05-15 | Siemens Audiologische Technik GmbH | Hörgerät |
| EP0712263B1 (de) * | 1994-11-10 | 2003-01-29 | Siemens Audiologische Technik GmbH | Programmierbares Hörgerät |
| DE19516426A1 (de) * | 1995-05-04 | 1996-11-07 | Siemens Ag | Anordnung zur Modellierung eines dynamischen Prozesses |
| US5917730A (en) * | 1995-08-17 | 1999-06-29 | Gse Process Solutions, Inc. | Computer implemented object oriented visualization system and method |
| US6178393B1 (en) * | 1995-08-23 | 2001-01-23 | William A. Irvin | Pump station control system and method |
| DE19715503A1 (de) * | 1997-04-14 | 1998-10-15 | Siemens Ag | Integriertes Rechner- und Kommunikationssystem für den Anlagenbereich |
| EP2261759B8 (en) * | 2001-04-20 | 2012-12-05 | Honda Giken Kogyo Kabushiki Kaisha | Plant control apparatus |
| JP4064159B2 (ja) * | 2002-06-06 | 2008-03-19 | 本田技研工業株式会社 | プラントの制御装置 |
| US6947870B2 (en) * | 2003-08-18 | 2005-09-20 | Baker Hughes Incorporated | Neural network model for electric submersible pump system |
| US8065022B2 (en) * | 2005-09-06 | 2011-11-22 | General Electric Company | Methods and systems for neural network modeling of turbine components |
| US8682630B2 (en) * | 2009-06-15 | 2014-03-25 | International Business Machines Corporation | Managing component coupling in an object-centric process implementation |
| JP6497367B2 (ja) * | 2016-08-31 | 2019-04-10 | 横河電機株式会社 | プラント制御装置、プラント制御方法、プラント制御プログラム及び記録媒体 |
| DE102016224207A1 (de) | 2016-12-06 | 2018-06-07 | Siemens Aktiengesellschaft | Verfahren und Steuereinrichtung zum Steuern eines technischen Systems |
| EP3506026A1 (de) * | 2017-12-29 | 2019-07-03 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten prädiktion von mindestens einer globalen betriebsgrösse eines technischen systems |
| TWI734059B (zh) | 2018-12-10 | 2021-07-21 | 財團法人工業技術研究院 | 動態預測模型建立方法、電子裝置及使用者介面 |
| US20190138848A1 (en) * | 2018-12-29 | 2019-05-09 | Intel Corporation | Realistic sensor simulation and probabilistic measurement correction |
| CN111542135B (zh) * | 2020-05-18 | 2022-06-10 | 湖南双达机电有限责任公司 | 加热器的控制方法、加热器以及除冰车 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4858147A (en) * | 1987-06-15 | 1989-08-15 | Unisys Corporation | Special purpose neurocomputer system for solving optimization problems |
| US4874963A (en) * | 1988-02-11 | 1989-10-17 | Bell Communications Research, Inc. | Neuromorphic learning networks |
| US4943931A (en) * | 1988-05-02 | 1990-07-24 | Trw Inc. | Digital artificial neural processor |
| JP2595051B2 (ja) * | 1988-07-01 | 1997-03-26 | 株式会社日立製作所 | 半導体集積回路 |
| JPH02136904A (ja) * | 1988-11-18 | 1990-05-25 | Hitachi Ltd | 動作系列自己生成機能を持つ運動制御装置 |
| US5016204A (en) * | 1989-02-28 | 1991-05-14 | Digital Equipment Corporation | Expert system for performing diagnostic and redesign operations incorporating multiple levels of simulation detail |
| JP2533942B2 (ja) * | 1989-03-13 | 1996-09-11 | 株式会社日立製作所 | 知識抽出方法およびプロセス運転支援システム |
| JPH0314002A (ja) * | 1989-06-12 | 1991-01-22 | Toshiba Corp | プロセス特性模擬装置 |
| US5056037A (en) * | 1989-12-28 | 1991-10-08 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Analog hardware for learning neural networks |
| US5161110A (en) * | 1990-02-27 | 1992-11-03 | Atlantic Richfield Company | Hierarchical process control system and method |
| US5142612A (en) * | 1990-08-03 | 1992-08-25 | E. I. Du Pont De Nemours & Co. (Inc.) | Computer neural network supervisory process control system and method |
| US5349541A (en) * | 1992-01-23 | 1994-09-20 | Electric Power Research Institute, Inc. | Method and apparatus utilizing neural networks to predict a specified signal value within a multi-element system |
-
1991
- 1991-10-31 JP JP3286804A patent/JPH05127706A/ja active Pending
-
1992
- 1992-09-22 US US07/948,434 patent/US5418710A/en not_active Expired - Fee Related
- 1992-09-25 EP EP92308787A patent/EP0540168B1/en not_active Expired - Lifetime
- 1992-09-25 CA CA002079147A patent/CA2079147C/en not_active Expired - Fee Related
- 1992-09-25 DE DE69228517T patent/DE69228517T2/de not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010079465A (ja) * | 2008-09-25 | 2010-04-08 | Yokogawa Electric Corp | プロセス推定システムおよびプロセス推定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP0540168B1 (en) | 1999-03-03 |
| CA2079147A1 (en) | 1993-05-01 |
| DE69228517T2 (de) | 1999-08-26 |
| US5418710A (en) | 1995-05-23 |
| CA2079147C (en) | 1996-04-16 |
| DE69228517D1 (de) | 1999-04-08 |
| EP0540168A3 (ja) | 1994-08-03 |
| EP0540168A2 (en) | 1993-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH05127706A (ja) | ニユーラルネツト型シミユレータ | |
| Chen et al. | Generalized Hamilton–Jacobi–Bellman formulation-based neural network control of affine nonlinear discrete-time systems | |
| CN108284442B (zh) | 一种基于模糊神经网络的机械臂柔性关节控制方法 | |
| Naung et al. | Implementation of data driven control system of DC motor by using system identification process | |
| CN110687800B (zh) | 一种数据驱动自适应抗干扰控制器及其估计方法 | |
| Chan et al. | A neural network controller for switching power converters | |
| US6768927B2 (en) | Control system | |
| CN107894709A (zh) | 基于自适应评价网络冗余机器人视觉伺服控制 | |
| Schaffner et al. | An application of general regression neural network to nonlinear adaptive control | |
| JPH0635510A (ja) | ニューラルネットワークを用いたモデル規範型適応制御装置 | |
| JP2862308B2 (ja) | コントローラの調整方法および調整システム | |
| 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 | |
| Thampi et al. | Multiple model based flight control design | |
| CN110187637A (zh) | 在控制方向和期望轨迹不确定下的机器人系统控制方法 | |
| CN110661511A (zh) | 一种矩阵型自适应滤波器迟滞控制系统及方法 | |
| JP3834815B2 (ja) | 最適指令作成装置 | |
| Tryputen et al. | Theory of the automated control. Methodical recommendations for laboratory works for students for specialty 151 «Automation and Computer-Integrated Technologies» | |
| CN111781821B (zh) | SISO紧格式无模型控制器基于Attention机制循环神经网络的参数自整定方法 | |
| JP2881873B2 (ja) | デジタル適応制御装置 | |
| JPH07334070A (ja) | プロセスシミュレータ | |
| JPH0756617A (ja) | マニピュレータの最適軌道計画法 | |
| JPH03201008A (ja) | ゲインスケジューリング制御装置 | |
| JPH0512239A (ja) | 相互結合ネツトワーク構成データ処理装置とその学習処理方法 | |
| Khamis et al. | Experimental validation for real time control of DC motor using novel finite-horizon optimal technique | |
| CN115922696A (zh) | 机器人力控方法、装置、电子设备及可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 19980303 |