JPH06332506A - 非線形制御装置 - Google Patents
非線形制御装置Info
- Publication number
- JPH06332506A JPH06332506A JP5141287A JP14128793A JPH06332506A JP H06332506 A JPH06332506 A JP H06332506A JP 5141287 A JP5141287 A JP 5141287A JP 14128793 A JP14128793 A JP 14128793A JP H06332506 A JPH06332506 A JP H06332506A
- Authority
- JP
- Japan
- Prior art keywords
- data
- unit
- input
- control
- model
- 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
Landscapes
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】 ファジィ数量化II類による非線形制御装置で
あって、同定対象のプロセス等の特性が時間の経過と共
に変化していく場合でも、精度を低下させず、信頼性の
高い入出力の同定ができる制御装置を提供する。 【構成】 制御対象についての入出力関係を示すデータ
をファジィ数量化II類の手法で分析し、結果として得ら
れる特性分布を近似するモデル関数を算出するモデリン
グアルゴリズムを実行する構成に、生成されたモデル関
数を用いて制御対象からの入力信号に対する出力を算出
する制御アルゴリズムを実行する際、所定時間毎にデー
タをとり、それを用いてモデリングアルゴリズムを実行
することでモデル関数の修正、更新を行う構成を加え
た。
あって、同定対象のプロセス等の特性が時間の経過と共
に変化していく場合でも、精度を低下させず、信頼性の
高い入出力の同定ができる制御装置を提供する。 【構成】 制御対象についての入出力関係を示すデータ
をファジィ数量化II類の手法で分析し、結果として得ら
れる特性分布を近似するモデル関数を算出するモデリン
グアルゴリズムを実行する構成に、生成されたモデル関
数を用いて制御対象からの入力信号に対する出力を算出
する制御アルゴリズムを実行する際、所定時間毎にデー
タをとり、それを用いてモデリングアルゴリズムを実行
することでモデル関数の修正、更新を行う構成を加え
た。
Description
【０００１】
【産業上の利用分野】本発明は、制御モデルが未知の状
況で非線形制御を行う制御装置に関し、詳しくは、入出
力データを解析して入出力モデルを作成し、その入出力
モデルに基づいて入力信号に対応する制御信号を出力す
る非線形制御装置に関する。特に、数式モデルが得られ
ないプロセス等を対象とし、その入出力データに基づい
て入出力関係を同定する技術に関する。
況で非線形制御を行う制御装置に関し、詳しくは、入出
力データを解析して入出力モデルを作成し、その入出力
モデルに基づいて入力信号に対応する制御信号を出力す
る非線形制御装置に関する。特に、数式モデルが得られ
ないプロセス等を対象とし、その入出力データに基づい
て入出力関係を同定する技術に関する。
【０００２】
【従来の技術】従来、制御モデルが未知の状況で非線形
制御を行う技術として、ファジィ理論に基づいて制御モ
デルを作成するファジィモデリングや、ニューラルネッ
トワークを用いる非線形情報処理技術が提案されてい
る。
制御を行う技術として、ファジィ理論に基づいて制御モ
デルを作成するファジィモデリングや、ニューラルネッ
トワークを用いる非線形情報処理技術が提案されてい
る。
【０００３】しかしながら、従来のファジィモデリング
やニューラルネットワークを用いて非線形制御装置を構
成しようとすると、次の問題が生ずる。
やニューラルネットワークを用いて非線形制御装置を構
成しようとすると、次の問題が生ずる。
【０００４】まず、ファジィモデリングを用いる場合
は、一般にモデリングアルゴリズムが複雑であり、しか
もファジィルールとメンバシップ関数によるモデルを作
成するので、大きなメモリが必要となる。また、ファジ
ィモデリングに基づく制御では演算時間が長くなる。
は、一般にモデリングアルゴリズムが複雑であり、しか
もファジィルールとメンバシップ関数によるモデルを作
成するので、大きなメモリが必要となる。また、ファジ
ィモデリングに基づく制御では演算時間が長くなる。
【０００５】他方、ニューラルネットワークを用いる場
合は、与えられる入出力データに依存して適切なニュー
ラルネットワークの構造が変わってくるので、モデル作
成を全て自動的に行うのは困難である。また、繰り返し
学習を行うので、入出力データに基づくモデル作成に時
間がかかる。更に、作成されたモデルがブラックボック
スになってしまうので、オペレータの知識による微調整
が困難である。
合は、与えられる入出力データに依存して適切なニュー
ラルネットワークの構造が変わってくるので、モデル作
成を全て自動的に行うのは困難である。また、繰り返し
学習を行うので、入出力データに基づくモデル作成に時
間がかかる。更に、作成されたモデルがブラックボック
スになってしまうので、オペレータの知識による微調整
が困難である。
【０００６】そこで、本発明者は、モデリングアルゴリ
ズムに「ファジィ数量化II類」の手法を採用した非線形
制御装置を提案した（特願平３−３４０７００号）。こ
れに用いられるファジィ数量化II類は、ファジィ多変量
解析手法の一種である。
ズムに「ファジィ数量化II類」の手法を採用した非線形
制御装置を提案した（特願平３−３４０７００号）。こ
れに用いられるファジィ数量化II類は、ファジィ多変量
解析手法の一種である。
【０００７】ファジィ多変量解析は、通常の多変量解析
をファジィ数あるいはファジィ群まで扱うことができる
ように拡張されたものであり、これまで提案されている
主なファジィ多変量解析技術は、次のとおりである。
をファジィ数あるいはファジィ群まで扱うことができる
ように拡張されたものであり、これまで提案されている
主なファジィ多変量解析技術は、次のとおりである。
【０００８】ファジィ回帰分析 回帰分析の係数をファジィ数として扱うことにより可能
性線形回帰モデルを得る手法。
性線形回帰モデルを得る手法。
【０００９】ファジィ時系列分析 時系列に与えられたファジィ数データを解析して時系列
モデルに可能性分布を反映する手法。
モデルに可能性分布を反映する手法。
【００１０】ファジィ数量化Ｉ類 与えられた標本のファジィ群の中で、実数値をとる目的
関数と［０，１］の範囲内の値で示される質的な説明変
数との関係を求める手法。
関数と［０，１］の範囲内の値で示される質的な説明変
数との関係を求める手法。
【００１１】ファジィ数量化II類 ［０，１］の範囲内の値で示される質的な目的変数と
［０，１］の範囲内の値で示される質的な説明変数のデ
ータから、ファジィ群を表現する線形（一次）式を求め
る手法。
［０，１］の範囲内の値で示される質的な説明変数のデ
ータから、ファジィ群を表現する線形（一次）式を求め
る手法。
【００１２】ファジィ数量化III 類 ［０，１］の範囲内の値で示される質的なデータを基
に、ファジィ群のメンバシップ関数値を考慮して各標本
およびカテゴリーを数量的に分類する手法。
に、ファジィ群のメンバシップ関数値を考慮して各標本
およびカテゴリーを数量的に分類する手法。
【００１３】ファジィ数量化IV類 ファジィ群に属する個体のメンバシップ関数値を考慮し
て、個体間の距離と親近性が単調な関係になるような数
値を与える手法。
て、個体間の距離と親近性が単調な関係になるような数
値を与える手法。
【００１４】これらのうち、ファジィ数量化Ｉ類は、質
的な要因（説明変数）に基づいて、量的に与えられた外
的基準（目的変数）を説明するための手法である。
的な要因（説明変数）に基づいて、量的に与えられた外
的基準（目的変数）を説明するための手法である。
【００１５】一方、ファジィ数量化II類は、質的な要因
（説明変数）に基づいて、質的に与えられた外的基準
（ファジィ群）を説明するための手法である。ファジィ
数量化Ｉ類と異なる点は、外的基準がファジィ群Ｂ1 ，
Ｂ2 ，‥‥，ＢM で与えられることである。このファジ
ィ数量化II類の目的は、カテゴリー数をＫとしたとき、
各カテゴリーＡi(ｉ＝１，２，‥‥，Ｋ) のデータμi
(ｊ) について、カテゴリーウェイトａi の線形式
（説明変数）に基づいて、質的に与えられた外的基準
（ファジィ群）を説明するための手法である。ファジィ
数量化Ｉ類と異なる点は、外的基準がファジィ群Ｂ1 ，
Ｂ2 ，‥‥，ＢM で与えられることである。このファジ
ィ数量化II類の目的は、カテゴリー数をＫとしたとき、
各カテゴリーＡi(ｉ＝１，２，‥‥，Ｋ) のデータμi
(ｊ) について、カテゴリーウェイトａi の線形式
【００１６】
【数１】 （但し、ｊはデータの番号で、ｊ＝１，２，‥‥，ｎ）
によって外的基準の構造を実軸上に最もよく表わすよう
に、換言すれば、実軸上で外的基準のファジィ群Ｂ1 ，
‥‥，ＢM が最もよく分離されるように、カテゴリーウ
ェイトａi を決めることである。
によって外的基準の構造を実軸上に最もよく表わすよう
に、換言すれば、実軸上で外的基準のファジィ群Ｂ1 ，
‥‥，ＢM が最もよく分離されるように、カテゴリーウ
ェイトａi を決めることである。
【００１７】こうしてカテゴリーウェイトａi が決定さ
れると、(1) 式により各データの標本値（サンプルスコ
ア）が求められる。そして、各標本値に対する外的基準
のメンバシップ値をプロットすることにより、ファジィ
数量化II類によるデータ分析結果を示すグラフが得られ
る。
れると、(1) 式により各データの標本値（サンプルスコ
ア）が求められる。そして、各標本値に対する外的基準
のメンバシップ値をプロットすることにより、ファジィ
数量化II類によるデータ分析結果を示すグラフが得られ
る。
【００１８】先に提案した非線形制御装置は、制御対象
についての入出力関係を示すデータの収集を行うデータ
収集手段と、前記データを正規化し、正規化されたデー
タを上記のようなファジィ数量化II類の手法で分析し、
分析の結果として得られる特性分布を関数で近似するア
ルゴリズムを記憶するモデリングアルゴリズム記憶部
と、前記モデリングアルゴリズムを実行し、前記特性分
布を近似する関数を生成する近似関数算出処理部と、前
記制御対象からの入力を取り込む信号入力部と、前記計
算手順に従って前記入力に対する出力を演算する演算手
段と、前記演算の結果を制御信号として出力する信号出
力部とを備えたものである。
についての入出力関係を示すデータの収集を行うデータ
収集手段と、前記データを正規化し、正規化されたデー
タを上記のようなファジィ数量化II類の手法で分析し、
分析の結果として得られる特性分布を関数で近似するア
ルゴリズムを記憶するモデリングアルゴリズム記憶部
と、前記モデリングアルゴリズムを実行し、前記特性分
布を近似する関数を生成する近似関数算出処理部と、前
記制御対象からの入力を取り込む信号入力部と、前記計
算手順に従って前記入力に対する出力を演算する演算手
段と、前記演算の結果を制御信号として出力する信号出
力部とを備えたものである。
【００１９】これによると、制御則として利用性の高い
シンプルなモデルを短い時間で作成できるアルゴリズム
を使用し、それを記憶するために大容量のメモリを必要
とせず、制御モデルが未知の非線形系の制御が可能にな
る。
シンプルなモデルを短い時間で作成できるアルゴリズム
を使用し、それを記憶するために大容量のメモリを必要
とせず、制御モデルが未知の非線形系の制御が可能にな
る。
【００２０】この装置は、同定の対象となるプロセス等
の入出力データを分析用データとしてファジィ数量化II
類による分析を行うものであり、ファジィ数量化II類に
よる分析は、正規化された出力データとそれに基づくダ
ミーデータとを用いる（つまり２群のデータを判別す
る）分析アルゴリズムに従って行われる。
の入出力データを分析用データとしてファジィ数量化II
類による分析を行うものであり、ファジィ数量化II類に
よる分析は、正規化された出力データとそれに基づくダ
ミーデータとを用いる（つまり２群のデータを判別す
る）分析アルゴリズムに従って行われる。
【００２１】
【発明が解決しようとする課題】しかしながら、上記の
非線形制御装置によると、同定対象のプロセス等の特性
が時間の経過と共に徐々に変化していく場合には、その
入出力関係を記述しているモデル数式による出力結果
（制御信号）が実際の対象と合わなくなってくる。すな
わち、出力の精度及び信頼性が低下する。そのため、シ
ステムの誤動作の原因となる等の問題が生じる。
非線形制御装置によると、同定対象のプロセス等の特性
が時間の経過と共に徐々に変化していく場合には、その
入出力関係を記述しているモデル数式による出力結果
（制御信号）が実際の対象と合わなくなってくる。すな
わち、出力の精度及び信頼性が低下する。そのため、シ
ステムの誤動作の原因となる等の問題が生じる。
【００２２】従って、本発明の目的は、ファジィ数量化
II類による非線形制御装置であって、同定対象のプロセ
ス等の特性が時間の経過と共に変化していく場合でも、
精度を低下させず、信頼性の高い入出力の同定ができる
制御装置を提供することである。
II類による非線形制御装置であって、同定対象のプロセ
ス等の特性が時間の経過と共に変化していく場合でも、
精度を低下させず、信頼性の高い入出力の同定ができる
制御装置を提供することである。
【００２３】
【課題を解決するための手段】本発明の非線形制御装置
は、制御対象についての入出力関係を示すデータの収集
を行うデータ収集手段と、該データ収集手段で収集され
たデータを正規化してファジィ数量化II類の手法で分析
し、その結果得られる特性分布を関数で近似するモデリ
ングアルゴリズムに従って、特性分布を近似するモデル
関数を生成するモデリングアルゴリズム実行手段と、前
記制御対象から入力信号を取り込む信号入力部と、前記
モデリングアルゴリズム実行手段で生成されたモデル関
数を用いて前記入力信号に対する出力を算出する制御ア
ルゴリズムに従って、前記入力信号に対する出力値を演
算する制御演算部と、該制御演算部による演算の結果を
制御信号として出力する信号出力部と、前記信号入力部
から入力された信号の値をデータとして格納し、所定時
間毎にその間のデータを前記モデリングアルゴリズム実
行手段に送るデータ記憶部と、所定時間毎に前記モデリ
ングアルゴリズム実行手段にモデル関数の修正更新を行
わせるモデル修正制御部とを備えて構成される。
は、制御対象についての入出力関係を示すデータの収集
を行うデータ収集手段と、該データ収集手段で収集され
たデータを正規化してファジィ数量化II類の手法で分析
し、その結果得られる特性分布を関数で近似するモデリ
ングアルゴリズムに従って、特性分布を近似するモデル
関数を生成するモデリングアルゴリズム実行手段と、前
記制御対象から入力信号を取り込む信号入力部と、前記
モデリングアルゴリズム実行手段で生成されたモデル関
数を用いて前記入力信号に対する出力を算出する制御ア
ルゴリズムに従って、前記入力信号に対する出力値を演
算する制御演算部と、該制御演算部による演算の結果を
制御信号として出力する信号出力部と、前記信号入力部
から入力された信号の値をデータとして格納し、所定時
間毎にその間のデータを前記モデリングアルゴリズム実
行手段に送るデータ記憶部と、所定時間毎に前記モデリ
ングアルゴリズム実行手段にモデル関数の修正更新を行
わせるモデル修正制御部とを備えて構成される。
【００２４】本発明の好ましい態様では、モデル修正制
御部は、新しいデータほど重みが大きく、古いデータほ
ど重みが小さくなるように設定する係数を、モデリング
アルゴリズムによる特性分布の関数近似の際のデータ重
みとするように、モデリングアルゴリズム実行手段に指
示する。
御部は、新しいデータほど重みが大きく、古いデータほ
ど重みが小さくなるように設定する係数を、モデリング
アルゴリズムによる特性分布の関数近似の際のデータ重
みとするように、モデリングアルゴリズム実行手段に指
示する。
【００２５】
【作用】本発明によると、まず、データ収集手段で制御
対象についての入出力関係を示すデータが収集される。
それらのデータは、モデリングアルゴリズムに従い、正
規化された後、ファジィ数量化II類の手法で分析され
る。この分析の結果として得られる特性分布を関数で近
似するモデリングアルゴリズムが実行される。これによ
りモデル関数が得られると、制御演算部で、このモデル
関数を用いて実際の入力に対する出力値が算出される。
対象についての入出力関係を示すデータが収集される。
それらのデータは、モデリングアルゴリズムに従い、正
規化された後、ファジィ数量化II類の手法で分析され
る。この分析の結果として得られる特性分布を関数で近
似するモデリングアルゴリズムが実行される。これによ
りモデル関数が得られると、制御演算部で、このモデル
関数を用いて実際の入力に対する出力値が算出される。
【００２６】制御の際には、所定時間分のデータをデー
タ記憶部に記憶しておき、所定時間毎にそのデータを用
いてファジィ数量化II類による分析を行えば、制御対象
の特性の時間的変化に追従して状態予測のモデル関数が
得られる。つまり、モデル関数の修正、更新が行われ
る。
タ記憶部に記憶しておき、所定時間毎にそのデータを用
いてファジィ数量化II類による分析を行えば、制御対象
の特性の時間的変化に追従して状態予測のモデル関数が
得られる。つまり、モデル関数の修正、更新が行われ
る。
【００２７】また、新しいデータほど重みが大きく、古
いデータほど重みが小さくなるように設定する係数をデ
ータ重みとすることにより、一層実状に適応したモデル
関数の生成や修正が行われる。
いデータほど重みが小さくなるように設定する係数をデ
ータ重みとすることにより、一層実状に適応したモデル
関数の生成や修正が行われる。
【００２８】
【実施例】図１は、実施例の非線形制御装置の構成を示
す。この制御装置は、モデリングアルゴリズム、適応モ
デル修正アルゴリズム及び制御アルゴリズムを実行する
処理手段としてＣＰＵ１０ａ〜１０ｃ、１０ｄ及び１０
ｅ、そして、これらのアルゴリズムを記憶する手段とし
て記憶部１１〜１５を有する。
す。この制御装置は、モデリングアルゴリズム、適応モ
デル修正アルゴリズム及び制御アルゴリズムを実行する
処理手段としてＣＰＵ１０ａ〜１０ｃ、１０ｄ及び１０
ｅ、そして、これらのアルゴリズムを記憶する手段とし
て記憶部１１〜１５を有する。
【００２９】モデリングアルゴリズムは、制御対象につ
いてファジィ数量化II類により得られる非線形入出力関
係を記述するものである。これは、入出力を表わすデー
タを正規化するための正規化アルゴリズムと、正規化さ
れたデータをファジィ数量化II類により分析するための
分析アルゴリズムと、分析の結果として得られる特性分
布を近似する関数（モデル数式）を決めるための近似関
数算出アルゴリズムとを含む。
いてファジィ数量化II類により得られる非線形入出力関
係を記述するものである。これは、入出力を表わすデー
タを正規化するための正規化アルゴリズムと、正規化さ
れたデータをファジィ数量化II類により分析するための
分析アルゴリズムと、分析の結果として得られる特性分
布を近似する関数（モデル数式）を決めるための近似関
数算出アルゴリズムとを含む。
【００３０】モデリングアルゴリズムを構成する各アル
ゴリズムは、それぞれ対応する正規化アルゴリズム記憶
部１１、分析アルゴリズム記憶部１２、近似関数算出ア
ルゴリズム記憶部１３に格納される。
ゴリズムは、それぞれ対応する正規化アルゴリズム記憶
部１１、分析アルゴリズム記憶部１２、近似関数算出ア
ルゴリズム記憶部１３に格納される。
【００３１】ＣＰＵ１０ａ〜１０ｃは、それぞれ対応す
る記憶部１１〜１３に格納されたアルゴリズムに従って
動作する。ここで、ＣＰＵ１０ａと記憶部１１はデータ
正規化演算部、ＣＰＵ１０ｂと記憶部１２はファジィ数
量化II類による分析演算部、ＣＰＵ１０ｃと記憶部１３
は特性分布近似関数算出処理部をそれぞれ構成してお
り、これらによってモデリングアルゴリズム実行手段を
構成している。特性分布近似関数算出処理部のＣＰＵ１
０ｃで算出された近似関数（モデル数式）は、モデル数
式記憶部１６に格納される。
る記憶部１１〜１３に格納されたアルゴリズムに従って
動作する。ここで、ＣＰＵ１０ａと記憶部１１はデータ
正規化演算部、ＣＰＵ１０ｂと記憶部１２はファジィ数
量化II類による分析演算部、ＣＰＵ１０ｃと記憶部１３
は特性分布近似関数算出処理部をそれぞれ構成してお
り、これらによってモデリングアルゴリズム実行手段を
構成している。特性分布近似関数算出処理部のＣＰＵ１
０ｃで算出された近似関数（モデル数式）は、モデル数
式記憶部１６に格納される。
【００３２】適応モデル修正アルゴリズムは、後述のよ
うにモデル数式を時間の経過と共に修正するためのもの
であり、記憶部１４に格納される。ＣＰＵ１０ｄは、時
間経過管理部１７から送られる時間経過信号に基づき、
対応する記憶部１４に格納されたアルゴリズムに従って
動作し、生成したモデル修正信号を特性分布近似関数算
出処理部のＣＰＵ１０ｃに送ってモデル数式を修正させ
る。このＣＰＵ１０ｄと記憶部１４は、適応モデル修正
制御部を構成している。時間経過管理部１７は、予め設
定した時間が経過したか否かを表わす信号を出力する手
段（例えばタイマー）で構成される。
うにモデル数式を時間の経過と共に修正するためのもの
であり、記憶部１４に格納される。ＣＰＵ１０ｄは、時
間経過管理部１７から送られる時間経過信号に基づき、
対応する記憶部１４に格納されたアルゴリズムに従って
動作し、生成したモデル修正信号を特性分布近似関数算
出処理部のＣＰＵ１０ｃに送ってモデル数式を修正させ
る。このＣＰＵ１０ｄと記憶部１４は、適応モデル修正
制御部を構成している。時間経過管理部１７は、予め設
定した時間が経過したか否かを表わす信号を出力する手
段（例えばタイマー）で構成される。
【００３３】一方、制御アルゴリズムは、モデル数式記
憶部１６に格納されたモデル数式に基づいて制御対象か
らの入力（状態検出信号）に対する出力（制御信号）を
算出するアルゴリズムから成り、この出力値算出アルゴ
リズムは、対応する記憶部１５に格納される。
憶部１６に格納されたモデル数式に基づいて制御対象か
らの入力（状態検出信号）に対する出力（制御信号）を
算出するアルゴリズムから成り、この出力値算出アルゴ
リズムは、対応する記憶部１５に格納される。
【００３４】ＣＰＵ１０ｅは、記憶部１５に格納された
出力値算出アルゴリズムに従って、入力信号に対する出
力信号を生成する動作を行う。このＣＰＵ１０ｅと記憶
部１５は、制御演算部を構成している。
出力値算出アルゴリズムに従って、入力信号に対する出
力信号を生成する動作を行う。このＣＰＵ１０ｅと記憶
部１５は、制御演算部を構成している。
【００３５】なお、上記の構成では、各部の演算処理を
個々のＣＰＵ１０ａ〜１０ｅで行うようになっている
が、これらをまとめて一つのＣＰＵで上記のモデリング
アルゴリズムと制御アルゴリズムを実行するように構成
してもよい。
個々のＣＰＵ１０ａ〜１０ｅで行うようになっている
が、これらをまとめて一つのＣＰＵで上記のモデリング
アルゴリズムと制御アルゴリズムを実行するように構成
してもよい。
【００３６】更に、図１の制御装置は、入出力関係を示
すデータの収集を行うデータ収集手段として、端末装置
から成るマンマシンインタフェース１８、或いはマンマ
シンインタフェースからでなく通信回線を介して外部か
ら送信されるデータを受信するための通信装置１９と、
これらのデータ収集手段で集められたデータを記憶する
データ記憶部２０と、制御対象の状態量を表わす入力信
号を取り込んで非線形制御演算部のＣＰＵ１０ｅに供給
する信号入力部２１と、ＣＰＵ１０ｅで算出された制御
量を表わす制御信号を出力する信号出力部２２と、信号
入力部２１から入力された信号の値をデータとして格納
し、所定時間毎にその間のデータをデータ記憶部２０に
送る（或いは直接ＣＰＵ１０ａに送ってもよい）オンラ
インデータ記憶部２３とを備える。なお、信号入力部２
１からのデータをデータ記憶部２０に格納し、取り出せ
るようにすることで、オンラインデータ記憶部２３を省
略することも可能である。
すデータの収集を行うデータ収集手段として、端末装置
から成るマンマシンインタフェース１８、或いはマンマ
シンインタフェースからでなく通信回線を介して外部か
ら送信されるデータを受信するための通信装置１９と、
これらのデータ収集手段で集められたデータを記憶する
データ記憶部２０と、制御対象の状態量を表わす入力信
号を取り込んで非線形制御演算部のＣＰＵ１０ｅに供給
する信号入力部２１と、ＣＰＵ１０ｅで算出された制御
量を表わす制御信号を出力する信号出力部２２と、信号
入力部２１から入力された信号の値をデータとして格納
し、所定時間毎にその間のデータをデータ記憶部２０に
送る（或いは直接ＣＰＵ１０ａに送ってもよい）オンラ
インデータ記憶部２３とを備える。なお、信号入力部２
１からのデータをデータ記憶部２０に格納し、取り出せ
るようにすることで、オンラインデータ記憶部２３を省
略することも可能である。
【００３７】上記の構成において、マンマシンインタフ
ェース１８は、データ入力のほか、本装置への動作指示
（実施例の場合、正規化のための変数調整入力）、作成
したモデルの微調整等のために設けられる。なお、モデ
ル数式記憶部１６に格納される近似関数は、ＣＰＵ１０
ｄで自動的に決定されるほか、マンマシンインタフェー
ス１８での手動操作によっても決定される。
ェース１８は、データ入力のほか、本装置への動作指示
（実施例の場合、正規化のための変数調整入力）、作成
したモデルの微調整等のために設けられる。なお、モデ
ル数式記憶部１６に格納される近似関数は、ＣＰＵ１０
ｄで自動的に決定されるほか、マンマシンインタフェー
ス１８での手動操作によっても決定される。
【００３８】上記実施例において、データ収集手段であ
るマンマシンインタフェース１８及び通信装置１９、デ
ータ記憶部２０、モデリングアルゴリズム記憶及び実行
手段であるＣＰＵ１０ａ〜１０ｃ及び記憶部１１〜１
３、適応モデル修正制御部のＣＰＵ１０ｄ及び記憶部１
４、モデル数式記憶部１６、時間管理部１７、そしてオ
ンラインデータ記憶部２３は、他の構成すなわちオンラ
イン処理の制御部から独立させることにより、オフライ
ン処理部として操作することができる。
るマンマシンインタフェース１８及び通信装置１９、デ
ータ記憶部２０、モデリングアルゴリズム記憶及び実行
手段であるＣＰＵ１０ａ〜１０ｃ及び記憶部１１〜１
３、適応モデル修正制御部のＣＰＵ１０ｄ及び記憶部１
４、モデル数式記憶部１６、時間管理部１７、そしてオ
ンラインデータ記憶部２３は、他の構成すなわちオンラ
イン処理の制御部から独立させることにより、オフライ
ン処理部として操作することができる。
【００３９】図２は、実施例のモデリングアルゴリズム
の実行手順を示す。
の実行手順を示す。
【００４０】まず、マンマシンインタフェース１８又は
通信装置１９から入力データＸ1 ，Ｘ2 ，…，Ｘn 及び
出力データＹ1 ，Ｙ2 ，…，Ｙm が読み込まれ（ステッ
プＳＴ１及びＳＴ２）、データ記憶部２０に格納され
る。これらのデータは、例えば制御対象に対し熟練した
オペレータの操作を示すものとして収集される。
通信装置１９から入力データＸ1 ，Ｘ2 ，…，Ｘn 及び
出力データＹ1 ，Ｙ2 ，…，Ｙm が読み込まれ（ステッ
プＳＴ１及びＳＴ２）、データ記憶部２０に格納され
る。これらのデータは、例えば制御対象に対し熟練した
オペレータの操作を示すものとして収集される。
【００４１】次に、ＣＰＵ１０ａでは、上記正規化アル
ゴリズムに従って、各データの標準偏差σを算出し（Ｓ
Ｔ３）、その３倍すなわち３σの範囲［ａ，ｂ］を
［０，１］に正規化する（ＳＴ４）。ここで正規化され
た出力データをＹ1'，Ｙ2'，…，Ｙm'と表わす。
ゴリズムに従って、各データの標準偏差σを算出し（Ｓ
Ｔ３）、その３倍すなわち３σの範囲［ａ，ｂ］を
［０，１］に正規化する（ＳＴ４）。ここで正規化され
た出力データをＹ1'，Ｙ2'，…，Ｙm'と表わす。
【００４２】ＣＰＵ１０ｂでは、分析アルゴリズムに従
って、出力データＹ1'，Ｙ2'，…，Ｙm'の分析用ダミー
データ（Ｙ1"＝１−Ｙ1'，…，Ｙm"＝１−Ｙm'）を作成
し（ＳＴ５）、これらのデータについてファジィ数量化
II類による特性分布の算出を行う（ＳＴ６）。
って、出力データＹ1'，Ｙ2'，…，Ｙm'の分析用ダミー
データ（Ｙ1"＝１−Ｙ1'，…，Ｙm"＝１−Ｙm'）を作成
し（ＳＴ５）、これらのデータについてファジィ数量化
II類による特性分布の算出を行う（ＳＴ６）。
【００４３】次に、ＣＰＵ１０ｃにおいて関数近似アル
ゴリズムを実行し、上記の特性分布を、最小二乗法によ
り得られる高次の非線形関数により求められる直線で近
似する（ＳＴ７）。ここで、最小二乗法による高次関数
近似は自動的に行われる。
ゴリズムを実行し、上記の特性分布を、最小二乗法によ
り得られる高次の非線形関数により求められる直線で近
似する（ＳＴ７）。ここで、最小二乗法による高次関数
近似は自動的に行われる。
【００４４】こうして得られた近似関数（モデル数式）
は、ＣＰＵ１０ｃからモデル数式記憶部１６に書き込ま
れる（ＳＴ８）。
は、ＣＰＵ１０ｃからモデル数式記憶部１６に書き込ま
れる（ＳＴ８）。
【００４５】図３は、上記モデリングアルゴリズムで得
られたモデル数式に基づいて行われる制御及びその時の
制御対象からの入力に基づいてモデルを修正するオンラ
インアルゴリズムの実行手順を示す。
られたモデル数式に基づいて行われる制御及びその時の
制御対象からの入力に基づいてモデルを修正するオンラ
インアルゴリズムの実行手順を示す。
【００４６】これは、信号入力部２１から制御対象の状
態量を示す信号が入力されると（ステップＳＴ１１）、
モデル数式によって出力値（制御量）を算出する（ＳＴ
１２）制御アルゴリズムを実行し、その出力値を制御信
号として出力する（ＳＴ１３）。そして、信号入力部２
１から入力信号をオンラインデータ記憶部１７に送って
記憶させ（ＳＴ１４）、ＣＰＵ１０ｄにおいて、時間経
過管理部１７からの時間経過信号に基づきモデル修正時
間が経過したか否かを判定し（ＳＴ１５）、“Ｎｏ”で
あれば初めに戻り、“Ｙｅｓ”のとき下記の例のように
モデル数式の修正を行う（ＳＴ１６）。
態量を示す信号が入力されると（ステップＳＴ１１）、
モデル数式によって出力値（制御量）を算出する（ＳＴ
１２）制御アルゴリズムを実行し、その出力値を制御信
号として出力する（ＳＴ１３）。そして、信号入力部２
１から入力信号をオンラインデータ記憶部１７に送って
記憶させ（ＳＴ１４）、ＣＰＵ１０ｄにおいて、時間経
過管理部１７からの時間経過信号に基づきモデル修正時
間が経過したか否かを判定し（ＳＴ１５）、“Ｎｏ”で
あれば初めに戻り、“Ｙｅｓ”のとき下記の例のように
モデル数式の修正を行う（ＳＴ１６）。
【００４７】以下、例を挙げて説明する。
【００４８】まず、同定対象のプロセス等の入力をＡ，
Ｂ，Ｃとし、出力をＤとする。この場合、多入力非線形
モデリングは、複数の入力Ａ，Ｂ，Ｃと出力Ｄとの数学
的関係Ｄ＝ｆ（Ａ，Ｂ，Ｃ）を同定する（モデル数式を
求める）ことである。
Ｂ，Ｃとし、出力をＤとする。この場合、多入力非線形
モデリングは、複数の入力Ａ，Ｂ，Ｃと出力Ｄとの数学
的関係Ｄ＝ｆ（Ａ，Ｂ，Ｃ）を同定する（モデル数式を
求める）ことである。
【００４９】分析用データとして、入力データＡ，Ｂ，
Ｃ及び時間の経過と共に変化する出力データＤn （状態
予測値）が得られたとき、これらのデータの正規化は、
正規化アルゴリズムで自動的に行われるか、或いはマン
マシンインタフェース１８によるマニュアルで正規化換
算式を入力することにより行われる。
Ｃ及び時間の経過と共に変化する出力データＤn （状態
予測値）が得られたとき、これらのデータの正規化は、
正規化アルゴリズムで自動的に行われるか、或いはマン
マシンインタフェース１８によるマニュアルで正規化換
算式を入力することにより行われる。
【００５０】次に、正規化されたデータＡ’，Ｂ’，
Ｃ’，Ｄn'をファジィ数量化II類で分析するため、正規
化された出力データＤn'のダミーデータＤn"を次式によ
り作成する。
Ｃ’，Ｄn'をファジィ数量化II類で分析するため、正規
化された出力データＤn'のダミーデータＤn"を次式によ
り作成する。
【００５１】Ｄn"＝１−Ｄn' そして、出力データとそのダミーデータの２群について
の分析によって算出されるサンプルスコアSCR を２次元
座標の横軸にとり、Ｄn ’の値を縦軸にとって分析用デ
ータをプロットすると、特性分布が得られる。ここで、
サンプルスコアSCR は次式で表わされる。
の分析によって算出されるサンプルスコアSCR を２次元
座標の横軸にとり、Ｄn ’の値を縦軸にとって分析用デ
ータをプロットすると、特性分布が得られる。ここで、
サンプルスコアSCR は次式で表わされる。
【００５２】SCR ＝ｆ（Ａ’，Ｂ’，Ｃ’） この特性分布から、近似関数（モデル数式） Ｄn'＝ｆ(SCR) が得られる。
【００５３】オンラインでの制御動作の際には、上記の
ように算出された近似関数により、実際に予測を行う。
例えば、状態量Ｄの 100秒後の値をＤ100 と予測する。
このとき予測結果に基づく操作が、実際に予測した状態
量に影響を与えないならば、実際の時刻が予測時刻にな
ったとき（予測後 100秒が経過したとき）の状態量Ｄと
その 100秒前の入力量Ａ，Ｂ，Ｃの値は、本来行われる
べき状態予測の入出力関係になる。
ように算出された近似関数により、実際に予測を行う。
例えば、状態量Ｄの 100秒後の値をＤ100 と予測する。
このとき予測結果に基づく操作が、実際に予測した状態
量に影響を与えないならば、実際の時刻が予測時刻にな
ったとき（予測後 100秒が経過したとき）の状態量Ｄと
その 100秒前の入力量Ａ，Ｂ，Ｃの値は、本来行われる
べき状態予測の入出力関係になる。
【００５４】従って、所定時間分のデータをオンライン
データ記憶部２３に記憶しておき、所定時間毎にそのデ
ータを用いてファジィ数量化II類による分析を行えば、
制御対象の特性の時間的変化に追従して状態予測のモデ
ル数式が得られる。例えば、信号（入力量Ａ，Ｂ，Ｃ）
のサンプリングサイクルが１秒のとき、モデル更新サイ
クルを 500秒とすれば、 500秒おきに 500個の入出力デ
ータを用いた分析が行われ、モデル数式が更新される。
データ記憶部２３に記憶しておき、所定時間毎にそのデ
ータを用いてファジィ数量化II類による分析を行えば、
制御対象の特性の時間的変化に追従して状態予測のモデ
ル数式が得られる。例えば、信号（入力量Ａ，Ｂ，Ｃ）
のサンプリングサイクルが１秒のとき、モデル更新サイ
クルを 500秒とすれば、 500秒おきに 500個の入出力デ
ータを用いた分析が行われ、モデル数式が更新される。
【００５５】このような時間管理（所定時間が経過した
かどうか）は時間経過管理部１７で行われ、モデル数式
の更新は、時間経過管理部１７からの時間経過信号に応
じて適応モデル修正制御部のＣＰＵ１０ｄが動作し、モ
デル修正信号を特性分布近似関数算出処理部のＣＰＵ１
０ｃに送ることで実行される。
かどうか）は時間経過管理部１７で行われ、モデル数式
の更新は、時間経過管理部１７からの時間経過信号に応
じて適応モデル修正制御部のＣＰＵ１０ｄが動作し、モ
デル修正信号を特性分布近似関数算出処理部のＣＰＵ１
０ｃに送ることで実行される。
【００５６】また、新しいデータほど重みが大きく、古
いデータほど重みが小さくなるように設定する係数（こ
れを忘却係数という）を採用し、これを上記のような特
性分布の関数近似の際に入出力データの重みとすること
により、一層実状に適応した制御が実現できる。この場
合、忘却係数の設定、修正などの動作も、適応モデル修
正制御部のＣＰＵ１０ｄから特性分布近似関数算出処理
部のＣＰＵ１０ｃへの指示によって行われる。
いデータほど重みが小さくなるように設定する係数（こ
れを忘却係数という）を採用し、これを上記のような特
性分布の関数近似の際に入出力データの重みとすること
により、一層実状に適応した制御が実現できる。この場
合、忘却係数の設定、修正などの動作も、適応モデル修
正制御部のＣＰＵ１０ｄから特性分布近似関数算出処理
部のＣＰＵ１０ｃへの指示によって行われる。
【００５７】
【発明の効果】以上のように、本発明によれば、ファジ
ィ数量化II類によるデータ分析を行って得られるモデル
を用いる非線形制御装置において、対象となるプロセス
等の特性が時間の経過と共に変化しても、それに対応し
たモデル関数の修正、更新が行われるので、関数近似の
精度を低下させることなく、信頼性の高い入出力の同定
ができる。
ィ数量化II類によるデータ分析を行って得られるモデル
を用いる非線形制御装置において、対象となるプロセス
等の特性が時間の経過と共に変化しても、それに対応し
たモデル関数の修正、更新が行われるので、関数近似の
精度を低下させることなく、信頼性の高い入出力の同定
ができる。
【００５８】従って、高精度の入出力同定が可能であ
り、ファジィ数量化II類を利用したモデル同定に基づく
非線形制御の信頼性が更に向上し、用途も拡大するとい
う効果が得られる。
り、ファジィ数量化II類を利用したモデル同定に基づく
非線形制御の信頼性が更に向上し、用途も拡大するとい
う効果が得られる。
【図１】本発明の実施例の構成を示す図。
【図２】実施例で用いるモデリングアルゴリズムの実行
手順を示すフローチャート。
手順を示すフローチャート。
【図３】上記モデリングアルゴリズムで得られたモデル
数式に基づいて行われる制御アルゴリズムとモデル修正
アルゴリズムの実行手順を示すフローチャート。
数式に基づいて行われる制御アルゴリズムとモデル修正
アルゴリズムの実行手順を示すフローチャート。
１０ａ〜１０ｅ…ＣＰＵ、１１，１２，１３，１４，１
５…アルゴリズム記憶部、１６…モデル数式記憶部、１
７…時間経過管理部、１８…マンマシンインタフェー
ス、１９…通信装置、２０…データ記憶部、２１…信号
入力部、２２…信号出力部、２３…オンラインデータ記
憶部。
５…アルゴリズム記憶部、１６…モデル数式記憶部、１
７…時間経過管理部、１８…マンマシンインタフェー
ス、１９…通信装置、２０…データ記憶部、２１…信号
入力部、２２…信号出力部、２３…オンラインデータ記
憶部。
【手続補正書】
【提出日】平成５年１１月１９日
【手続補正１】
【補正対象書類名】明細書
【補正対象項目名】００１５
【補正方法】変更
【補正内容】
【００１５】一方、ファジィ数量化II類は、質的な要因
（説明変数）に基づいて、質的に与えられた外的基準
（ファジィ群）を説明するための手法である。ファジィ
数量化Ｉ類と異なる点は、外的基準がファジィ群Ｂ1 ，
Ｂ2 ，‥‥，ＢM で与えられることである。このファジ
ィ数量化II類の目的は、カテゴリー数をＫとしたとき、
各カテゴリーＡi (ｉ＝１，２，‥‥，Ｋ) のデータμ
i(ｊ) について、カテゴリーウェイトａi の線形式
（説明変数）に基づいて、質的に与えられた外的基準
（ファジィ群）を説明するための手法である。ファジィ
数量化Ｉ類と異なる点は、外的基準がファジィ群Ｂ1 ，
Ｂ2 ，‥‥，ＢM で与えられることである。このファジ
ィ数量化II類の目的は、カテゴリー数をＫとしたとき、
各カテゴリーＡi (ｉ＝１，２，‥‥，Ｋ) のデータμ
i(ｊ) について、カテゴリーウェイトａi の線形式
【手続補正２】
【補正対象書類名】明細書
【補正対象項目名】００１６
【補正方法】変更
【補正内容】
【００１６】
【数１】 （但し、ｊはデータの番号で、ｊ＝１，２，‥‥，ｎ）
によって外的基準の構造を実軸上に最もよく表わすよう
に、換言すれば、実軸上で外的基準のファジィ群Ｂ1 ，
‥‥，ＢM が最もよく分離されるように、カテゴリーウ
ェイトａi を決めることである。
によって外的基準の構造を実軸上に最もよく表わすよう
に、換言すれば、実軸上で外的基準のファジィ群Ｂ1 ，
‥‥，ＢM が最もよく分離されるように、カテゴリーウ
ェイトａi を決めることである。
【手続補正３】
【補正対象書類名】明細書
【補正対象項目名】００１７
【補正方法】変更
【補正内容】
【００１７】こうしてカテゴリーウェイトａi が決定さ
れると、(1) 式により各データの標本値（サンプルスコ
ア）が求められる。そして、各標本値に対する外的基準
のメンバシップ値をプロットすることにより、ファジィ
数量化II類によるデータ分析結果を示すグラフが得られ
る。
れると、(1) 式により各データの標本値（サンプルスコ
ア）が求められる。そして、各標本値に対する外的基準
のメンバシップ値をプロットすることにより、ファジィ
数量化II類によるデータ分析結果を示すグラフが得られ
る。
【手続補正４】
【補正対象書類名】明細書
【補正対象項目名】００４０
【補正方法】変更
【補正内容】
【００４０】まず、マンマシンインタフェース１８又は
通信装置１９から入力データＸ1 ，Ｘ2 ，…，Ｘn 及び
出力データＹ1 ，Ｙ2 ，…，Ｙm が読み込まれ（ステッ
プＳＴ１及びＳＴ２）、データ記憶部２０に格納され
る。これらのデータは、例えば制御対象に対し熟練した
オペレータの操作を示すものとして収集される。
通信装置１９から入力データＸ1 ，Ｘ2 ，…，Ｘn 及び
出力データＹ1 ，Ｙ2 ，…，Ｙm が読み込まれ（ステッ
プＳＴ１及びＳＴ２）、データ記憶部２０に格納され
る。これらのデータは、例えば制御対象に対し熟練した
オペレータの操作を示すものとして収集される。
【手続補正５】
【補正対象書類名】明細書
【補正対象項目名】００４１
【補正方法】変更
【補正内容】
【００４１】次に、ＣＰＵ１０ａでは、上記正規化アル
ゴリズムに従って、各データの標準偏差σを算出し（Ｓ
Ｔ３）、その３倍すなわち３σの範囲［ａ，ｂ］を
［０，１］に正規化する（ＳＴ４）。ここで正規化され
た出力データをＹ1'，Ｙ2'，…，Ｙm'と表わす。
ゴリズムに従って、各データの標準偏差σを算出し（Ｓ
Ｔ３）、その３倍すなわち３σの範囲［ａ，ｂ］を
［０，１］に正規化する（ＳＴ４）。ここで正規化され
た出力データをＹ1'，Ｙ2'，…，Ｙm'と表わす。
【手続補正６】
【補正対象書類名】明細書
【補正対象項目名】００４２
【補正方法】変更
【補正内容】
【００４２】ＣＰＵ１０ｂでは、分析アルゴリズムに従
って、出力データＹ1'，Ｙ2'，…，Ｙm'の分析用ダミー
データ（Ｙ1"＝１−Ｙ1'，…，Ｙm"＝１−Ｙm'）を作成
し（ＳＴ５）、これらのデータについてファジィ数量化
II類による特性分布の算出を行う（ＳＴ６）。
って、出力データＹ1'，Ｙ2'，…，Ｙm'の分析用ダミー
データ（Ｙ1"＝１−Ｙ1'，…，Ｙm"＝１−Ｙm'）を作成
し（ＳＴ５）、これらのデータについてファジィ数量化
II類による特性分布の算出を行う（ＳＴ６）。
【手続補正７】
【補正対象書類名】明細書
【補正対象項目名】００５３
【補正方法】変更
【補正内容】
【００５３】オンラインでの制御動作の際には、上記の
ように算出された近似関数により、実際に予測を行う。
例えば、状態量Ｄの 100秒後の値をＤ100 と予測する。
このとき予測結果に基づく操作が、実際に予測した状態
量に影響を与えないならば、実際の時刻が予測時刻にな
ったとき（予測後 100秒が経過したとき）の状態量Ｄと
その 100秒前の入力量Ａ，Ｂ，Ｃの値は、本来行われる
べき状態予測の入出力関係になる。
ように算出された近似関数により、実際に予測を行う。
例えば、状態量Ｄの 100秒後の値をＤ100 と予測する。
このとき予測結果に基づく操作が、実際に予測した状態
量に影響を与えないならば、実際の時刻が予測時刻にな
ったとき（予測後 100秒が経過したとき）の状態量Ｄと
その 100秒前の入力量Ａ，Ｂ，Ｃの値は、本来行われる
べき状態予測の入出力関係になる。
Claims (2)
- 【請求項１】制御対象についての入出力関係を示すデー
タの収集を行うデータ収集手段と、 前記データ収集手段で収集されたデータを正規化してフ
ァジィ数量化II類の手法で分析し、その結果得られる特
性分布を関数で近似するモデリングアルゴリズムに従っ
て、前記特性分布を近似するモデル関数を生成するモデ
リングアルゴリズム実行手段と、 前記制御対象から入力信号を取り込む信号入力部と、 前記モデリングアルゴリズム実行手段で生成されたモデ
ル関数を用いて前記入力信号に対する出力を算出する制
御アルゴリズムに従って、前記入力信号に対する出力値
を演算する制御演算部と、 前記制御演算部による演算の結果を制御信号として出力
する信号出力部と、 前記信号入力部から入力された信号の値をデータとして
格納し、所定時間毎にその間のデータを前記モデリング
アルゴリズム実行手段に送るデータ記憶部と、 前記所定時間毎に前記モデリングアルゴリズム実行手段
に前記モデル関数の修正更新を行わせるモデル修正制御
部とを備えて構成されることを特徴とする非線形制御装
置。 - 【請求項２】前記モデル修正制御部は、新しいデータほ
ど重みが大きく、古いデータほど重みが小さくなるよう
に設定する係数を、前記モデリングアルゴリズムによる
特性分布の関数近似の際のデータ重みとするように、前
記モデリングアルゴリズム実行手段に指示することを特
徴とする請求項１記載の非線形制御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5141287A JPH06332506A (ja) | 1993-05-21 | 1993-05-21 | 非線形制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5141287A JPH06332506A (ja) | 1993-05-21 | 1993-05-21 | 非線形制御装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06332506A true JPH06332506A (ja) | 1994-12-02 |
Family
ID=15288382
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5141287A Pending JPH06332506A (ja) | 1993-05-21 | 1993-05-21 | 非線形制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH06332506A (ja) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10328422A (ja) * | 1997-05-29 | 1998-12-15 | Omron Corp | 自動応答玩具 |
| JP2007122726A (ja) * | 2005-10-25 | 2007-05-17 | Fisher Rosemount Syst Inc | ワイアレスでの非周期的制御通信および他のプロセス制御システム |
| JP2010181082A (ja) * | 2009-02-05 | 2010-08-19 | Yamatake Corp | モデル関数処理装置および方法 |
| JP2010191566A (ja) * | 2009-02-17 | 2010-09-02 | Yamatake Corp | モデル関数更新処理装置および方法 |
| CN102192572A (zh) * | 2010-03-11 | 2011-09-21 | 株式会社山武 | 控制模型更新装置及更新方法、空调控制系统 |
| US8719327B2 (en) | 2005-10-25 | 2014-05-06 | Fisher-Rosemount Systems, Inc. | Wireless communication of process measurements |
| US8805589B2 (en) | 2009-10-06 | 2014-08-12 | Azbil Corporation | Air conditioning operating device and air conditioning operating method |
| US9298176B2 (en) | 2012-01-17 | 2016-03-29 | Fisher-Rosemount Systems, Inc. | Compensating for setpoint changes in a non-periodically updated controller |
| US10423127B2 (en) | 2012-01-17 | 2019-09-24 | Fisher-Rosemount Systems, Inc. | Velocity based control in a non-periodically updated controller |
| US11199824B2 (en) | 2012-01-17 | 2021-12-14 | Fisher-Rosemount Systems, Inc. | Reducing controller updates in a control loop |
-
1993
- 1993-05-21 JP JP5141287A patent/JPH06332506A/ja active Pending
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10328422A (ja) * | 1997-05-29 | 1998-12-15 | Omron Corp | 自動応答玩具 |
| JP2007122726A (ja) * | 2005-10-25 | 2007-05-17 | Fisher Rosemount Syst Inc | ワイアレスでの非周期的制御通信および他のプロセス制御システム |
| US8719327B2 (en) | 2005-10-25 | 2014-05-06 | Fisher-Rosemount Systems, Inc. | Wireless communication of process measurements |
| JP2010181082A (ja) * | 2009-02-05 | 2010-08-19 | Yamatake Corp | モデル関数処理装置および方法 |
| JP2010191566A (ja) * | 2009-02-17 | 2010-09-02 | Yamatake Corp | モデル関数更新処理装置および方法 |
| US8805589B2 (en) | 2009-10-06 | 2014-08-12 | Azbil Corporation | Air conditioning operating device and air conditioning operating method |
| CN102192572A (zh) * | 2010-03-11 | 2011-09-21 | 株式会社山武 | 控制模型更新装置及更新方法、空调控制系统 |
| US8515586B2 (en) | 2010-03-11 | 2013-08-20 | Azbil Corporation | Control model updating device and method, air-conditioner controlling system, and data suitability evaluating device |
| US9298176B2 (en) | 2012-01-17 | 2016-03-29 | Fisher-Rosemount Systems, Inc. | Compensating for setpoint changes in a non-periodically updated controller |
| US10423127B2 (en) | 2012-01-17 | 2019-09-24 | Fisher-Rosemount Systems, Inc. | Velocity based control in a non-periodically updated controller |
| US11199824B2 (en) | 2012-01-17 | 2021-12-14 | Fisher-Rosemount Systems, Inc. | Reducing controller updates in a control loop |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2821189B2 (ja) | 学習型意思決定支援システム | |
| CN106933105B (zh) | 受限条件下的轨迹更新综合预测迭代学习控制算法 | |
| US20180260712A1 (en) | Laser processing apparatus and machine learning device | |
| WO1997042581A1 (en) | System and method for automatically determining a set of variables for use in creating a process model | |
| US11669056B2 (en) | Generation of a control system for a target system | |
| JP4908433B2 (ja) | 制御パラメータ調整方法および制御パラメータ調整プログラム | |
| Petelin et al. | Control system with evolving Gaussian process models | |
| JP7081728B1 (ja) | 運転支援装置、運転支援方法及びプログラム | |
| JPH06332506A (ja) | 非線形制御装置 | |
| CN113614743A (zh) | 用于操控机器人的方法和设备 | |
| CN113031983A (zh) | 一种基于深度强化学习的软件智能升级方法及装置 | |
| CN113641525A (zh) | 变量异常修复方法、设备、介质及计算机程序产品 | |
| CN111267097B (zh) | 基于自然语言的工业机器人辅助编程方法 | |
| JPH09256338A (ja) | 河川水位予測装置 | |
| CN112101516A (zh) | 一种目标变量预测模型的生成方法、系统及装置 | |
| CN113420733B (zh) | 一种高效分布式大数据数据采集实现方法及系统 | |
| JP2023106043A (ja) | 運転支援装置、運転支援方法及びプログラム | |
| JP2021135861A (ja) | 制御系設計方法及び制御装置 | |
| JPH06274207A (ja) | 非線形制御装置 | |
| JP2021120833A (ja) | モデル更新装置及び方法並びにプロセス制御システム | |
| CN110633728A (zh) | 一种基于蒙特卡洛搜索算法的金融信号挖掘方法与系统 | |
| JP7384311B1 (ja) | 運転支援装置、運転支援方法及びプログラム | |
| CN113570066B (zh) | 数据处理方法、系统、电子设备及存储介质 | |
| JPH06332505A (ja) | 非線形制御装置 | |
| WO2023233858A1 (ja) | ニューラルネットワークの計算装置及び計算方法 |