JPH0721722B2

JPH0721722B2 - 適応制御装置

Info

Publication number: JPH0721722B2
Application number: JP1256254A
Authority: JP
Inventors: 重彦山本
Original assignee: Yokogawa Electric Corp
Current assignee: Yokogawa Electric Corp
Priority date: 1989-09-29
Filing date: 1989-09-29
Publication date: 1995-03-08
Anticipated expiration: 2010-03-08
Also published as: JPH03118606A

Description

【発明の詳細な説明】＜産業上の利用分野＞本発明は、ニューラル・ネットワークを使用した適応制
御装置に関し、更に詳しくは、PI（Ｄ）調節計による制
御系の閉ループ応答波形を観測してPI調節計に設定され
る演算パラメータを適切な値に自動的に設定できるよう
にした適応制御装置に関する。

＜従来の技術＞閉ループ応答波形のオーバーシュートや立ち上がり時
間、減衰率等から、調節計に設定されるPI（Ｄ）パラメ
ータの良否を判定すると共に、PI演算パラメータを修正
するようにした適応制御装置は、これまで種々提案され
ているが、いずれのものも確定的な理論はなく、正確な
演算パラメータを設定できるものではなかった。

＜発明が解決しようとする課題＞本発明は、この様な状況に鑑みてなされたもので、既知
のPI演算パラメータの様々な値を与えたときの応答波形
を何回もニューラル・ネットワークに入力させて学習さ
せておき、次に未知の演算パラメータの応答波形を入力
させたとき、その演算パラメータが適切であったかどう
か判定できるようにし、正確な演算パラメータの設定が
行える適応制御装置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＞前記した課題を解決する本発明は、既知の演算パラメータが設定される比例（Ｐ）、積分
（Ｉ）調節手段と、ニューラルネットワークと、前記調節手段によって制御されている制御系からの閉ル
ープ応答波形を前記ニューラルネットワークに何度も入
力させ当該ニューラルネットワークに学習をさせ、前記
PI調節手段に設定されたPI演算パラメータが適切である
か否か判断できるようにした応答波形入力手段と、前記ニューラルネットワークの判断結果に基づいて前記
PI調節手段に設定されたPI演算パラメータを修正するPI
パラメータ修正手段とを備え、前記ニューラルネットワークに学習させた後当該ニュー
ラルネットワークに、ある演算パラメータで制御した応
答波形を入力し、前記PI演算パラメータ修正手段はこの
時のニューラルネットワークの判断結果に基づいて、前
記PI調節手段に設定されたPI演算パラメータを修正する
ように構成したものである。

＜作用＞上記の各構成要素は次の作用をする。

PI調節手段は、そこに設定されたPI演算パラメータに従
った操作信号を制御系に出力する。

ニューラルネットワークは、入力層，中間層，出力層と
いう階層構造になっており、入力層に入ったパターン
は、一定の規則で変換されながら出力層に向かって伝わ
り、学習は出力層から入力層に向かって進む。

応答波形入力手段は、ニューラルネットワークに入力
と、望ましい出力波形を与えていくことで、ニューラル
ネットワークを学習させる。

パラメータ修正手段は、学習が完了したニューラルネッ
トワークの判断結果に基づいて、PI演算調節計に設定さ
れている演算パラメータを修正する。

＜実施例＞以下図面を用いて、本発明の実施例を詳細に説明する。

第１図は、本発明の一実施例を示す構成ブロック図であ
る。図において、１は比例（Ｐ）、積分（Ｉ）演算を行
うPI調節手段、２はPI演算パラメータ設定手段で、PI調
節手段１に既知の比例（Ｐ）、積分（Ｉ）演算パラメー
タPB,TIを設定する。３はプロセスで、PI制御手段１か
らの操作信号MVが印加される。このプロセス３からの出
力信号（プロセス値）PVは、PI調節手段１の入力側に帰
還されている。

４はニューラルネットワークで、人間の脳のニューロン
に対応した多数のユニットU₁₁〜U_mnが複雑に接続し合っ
て構成されており、各ユニットの動作、及びユニット間
の接続をうまく決めることで、入力された信号を一定の
規則で変換し、出力させ、パターン認識機能を持つよう
にしたものである。

このニューラルネットワークの構成は、例えば合原一幸
著「ニューラル，コンピューター脳と神経に学ぶ」東京
電機大学出版局（1988）や、日経エレクトロニクス1987
年8.10（no.427）P115〜124に詳しく開示されている。

５はPI調節手段１によって制御されている制御系（ここ
ではプロセス３）からの閉ループ応答波形を、ニューラ
ルネットワーク４に何度も入力させ、このニューラルネ
ットワークに学習をさせる応答波形入力手段である。

６はPI調節手段１に設定した既知のPI演算パラメータ信
号PB,TIを入力し、これらの設定した定数が適切か否か
を示す教師信号T_p1〜T_p6を出力する教師信号発生手段、
７はニューラルネットワーク４からの出力信号O₁〜O
₆と、教師信号発生手段６からの教師信号T_p1〜T_p6との
比較結果を入力し、ニューラルネットワークを修正する
信号を出力するバックプロパゲーション手段である。こ
の構成は、前記した技術文献に開示されている。

８はニューラルネットワーク４からの信号と、教師信号
発生手段６からの信号とを比較する比較手段で、ここで
の比較結果が、バックプロパゲーション手段７に印加さ
れる。

９はニューラルネットワーク４からの信号に基づき、PI
調節手段１に設定されているPI演算パラメータを自動的
に修正するパラメータ修正手段である。10はPI調節手段
１の出力側にステップ入力を与えるためのステップ入力
手段で、ニューラルネットワーク４を学習させるときに
用いられる。

ニューラルネットワーク４、比較手段８、バックプロパ
ゲーション手段７からなるループは、既知のパラメータ
の様々な値をPI調節手段１に設定し、その時の応答波形
を何回も繰り返してニューラルネットワーク４に与えて
学習させることにより、演算パラメータと応答波形との
関係を学習させる手段を構成している。

第２図は、ニューラルネットワーク４を構成しているニ
ューロン（ユニット）の構成を示す図である。他のユニ
ットから入力を受ける部分、この入力を一定の規則で変
換する部分、結果を出力する部分で構成されている。

他のユニットとの結合部には、それぞれ可変の重みW_jm
が付けられる。この重みは、結合の強さを表している。
この値を変えることによりネットワークの構造を変える
ことができる。そしてネットワークの学習とは、この値
を変えることを意味している。ここで、重みＷは、正、
ゼロ、負の値をとり、ゼロは結合の無いことを意味して
いる。

ニューラルネットワーク４において、あるユニットが複
数ユニットから入力を受けた場合、その総和net_jがユニ
ットへの入力値となる。

この総和net_jは、（１）式で表される。

net_j＝ΣW_jm・O_m …（１）ユニットは、この入力の総和netを関数ｆに変換し、
（２）式に示される出力Ojを送出する。

O_j＝ｆ（net_j） …（２）ここで、関数ｆ（ｘ）は、各ユニット毎に違っていても
よく、例えば、第３図に示されるsigmoid関数が使用さ
れる。

この関数は、微分可能な疑似線形関数で、（３）式で表
される。

ｆ（ｘ）＝1/｛１＋expk（−ｘ＋θ）｝ …（３）ただし、ｋはゲイン、θはしきい値第１図装置において、はじめにニューラルネットワーク
４に演算パラメータと応答波形の関係を学習させるため
の動作を説明する。

ここに示す制御系は、例えばプロセス特性を無駄時間２
秒、時定数10秒、ゲイン１の特性を持つものとし、PI調
節手段１のPI演算パラメータは、PB（比例帯）＝50％、
TI（積分時間）＝10秒が適切であることが経験的に知ら
れているものとする。

いま、PIパラメータ設定手段２は、PI調節手段１に対し
て、例えば、PB＝30％、50％、200％、TI＝６秒、10
秒、40秒の中からランダムに、PBとTIの組み合わせを選
び、それらを設定する。その後、PI調節手段１の入力側
に設けられているステップ入力手段10からステップ状に
変化するステップ信号を印加させる。

このステップ信号を受けたPI調節手段１は、そこに設定
されているPI演算パラメータに応じた操作信号MVをプロ
セス３に印加する。

この操作信号を受けたプロセス３からは、例えば、第４
図のPVに示すような応答波形が得られる。

応答波形入力手段５は、時間的に変化するプロセス３か
らの応答波形を第４図のX₁，X₂，X₃のようにサンプリン
グし、破線で示すような希望の応答波形と比較し、その
差S₁，S₂，S₃を順次ニューラルネットワーク４に入力す
る。

ニューラルネットワーク４は、これらの入力信号を前記
した（１）式〜（３）式に従って演算し、例えば６個の
出力O₁〜O₆を送出する。

この６個の出力は、O₁がPB良好、O₂がPB過小、O₃がPB過
大、O₄がTI良好、O₅がTI過小、O₆がTI過大に対応してい
るものとする。

一方、教師信号発生手段６は、PIパラメータ設定手段２
からパラメータが与えられたとき、それらの値が、当該
システムの場合、前記O₁〜O₆のいずれに該当するか分か
っているので、正解を教師信号T_p1〜T_p6として出力す
る。すなわち、T_p1〜T_p3のいずれかを「１」、他は
「０」とし、T_p4〜T_p6のいずれかを「１」、他は「０」
とする。

比較手段８は、ニューラルネットワーク４からの出力O₁
〜O₆と、教師信号T_p1〜T_p6とを比較し、その比較結果を
バックプロパゲーション手段７に印加する。バックプロ
パゲーション手段７は、比較結果、即ち、教師信号T_pj
とニューラルネットワークの出力O_jとの２乗偏差Ep（４
式）が最小になるように、ユニットに入る信号の結合の
重みW_jiを修正する為の信号を、ニューラルネットワー
ク４に与える。

Ep＝（1/2）・(T_pj-O_j)² …（４）結合の重みW_jiは、（５）式に従って次第に修正され
る。

ΔW_ji（ｎ＋１）＝ηδ_ｊO_j＋αΔW_ji（ｎ） …（５）ただし、 η：学習定数（例えばη＝0.25） α：安定化定数（例えばα＝0.9） n :学習回数 O_i ：ユニットｉから出る出力 δ_ｊ：ユニットｊへの入力の総和net_jがEpに及ぼす影響
に負の符号を付けたもので、 δ_ｊ＝−（∂Ep/∂net_j）なお、δ_ｊは中間層と最終層で異なっており、最終層の場合（６）式で、また、中間層の場合は、
（７）式でそれぞれ表される。

δ_ｊ＝（T_pj−O_j）ｆ′_ｊ（net_j） …（６） δ_ｊ＝ｆ′（net_j）ΣW_kjδ_ｋ …（７）ただし、 W_kj ：次の層のユニットｋへの結合 δ_ｋ：次の層のユニットｋのδ ｆ′（ｘ）＝KO_j（１−O_j） …（８）なお、（８）式は、（３）式を用いて得られる。

次に、δ_ｊの誘導について説明する。

（９）式は、最終層の場合のδ_ｊの誘導を示す式であ
る。

δ_ｊ＝−（∂Ep/∂net_j）＝−（∂Ep/∂O_j）（∂O_j／∂net_j）＝−（∂／∂O_j）｛1/2（T_pjO_j)²｝（∂O_j／∂net_j）＝
（T_pj−O_j）ｆ′（net_j） …（９）よって、（∂O_j／∂net_j）＝ｆ′（net_j）また、（10）式は、中間層の場合のδ_ｊの誘導を示す式
である。

δ_ｊ＝−（∂Ep/∂net_j）＝−（∂Ep/∂O_j）（∂O_j／∂net_j）＝−｛Σ（∂Ep/∂net_j）（∂net_k／∂O_j）｝ …（10）この式のカッコの中は、（∂Ep/∂O_j）をO_jに接続され
ている次の層のユニットのnet_kへ与える影響と、Epに与
える影響に分割したことを表している。

ここで、（∂net_k／∂O_j）＝∂／∂O_jΣW_kiO_j ＝W_kj である。そして、 δ_ｋ＝−（∂Ep/∂net_k）（∂O_j／∂net_j）＝ｆ′（net_j）であるから、 δ_ｊ＝ｆ′（net_j）Σδ_ｋW_kj 次の層のδ_ｋ及び次の層への結合W_kjが求まれば、δ_ｊ
が演算できる。

すなわち、最終層から前の層に順次さかのぼって行け
ば、順次δ_ｋ，ΔW_kjが計算できる。

この様にして、バックプロパゲーション手段７を含むル
ープは、ニューラルネットワーク４を構成している各ユ
ニットの結合の強さを順次修正する動作を例えば、10,0
00回繰り返すことにより、ニューラルネットワーク４か
らの出力が正解を示すように学習させる。

このようにして学習させた後では、ニューラルネットワ
ーク４に様々な応答波形が与えられた場合、その応答波
形を認識し、演算パラメータPB,TIをどの様に修正すべ
きかの出力が、ニューラルネットワークから得られるよ
うになる。

パラメータ修正手段９は、学習が完了した後のニューラ
ルネットワーク４からの信号を入力する。

いま、一例として出力O₁（PB良好）＝0.221、出力O₂（P
B過小）＝0.983、出力O₃（PB過大）＝0.025のような値
がそれぞれ出力されたものとする。この場合は、出力O₂
の値が最も大きいから、PBが過小であり、PBの値をもっ
と大きくする必要があることを示している。

従って、パラメータ修正手段９は、この信号を受け、PB
を例えば、 PB＝PB＋k_p（O₂−O₁）のように修正する。ただし、k_pは定数とする。

同様な修正は、TIについても行う。

ニューラルネットワーク４からの各信号O₁〜O₆に基づい
てパラメータ修正手段９が行う修正の一例を示せば、以
下の通りである。

PBについて、 O₁がmaxの時、修正せず O₂がmaxの時、 PB＝PB＋k_p（O₂−O₁） O₃がmaxの時、 PB＝PB−k_p（O₃−O₁） TIについて、 O₄がmaxの時、修正せず O₅がmaxの時、 TI＝TI＋k_i（O₅−O₄） O₆がmaxの時、 TI＝TI−k_i（O₆−O₄）なお、上記の説明ではニューラルネットワーク４の学習
の時において、このニューラルネットワークにプロセス
値PVと希望の応答波形との差信号を入力させるようにし
たが、プロセス値PVの値をそのまま入力させるようにし
てもよい。また、上述の説明ではPI調節手段を調節節計
として用いた場合を例にとったが、PID調節手段を用い
ても全く同様である。

＜発明の効果＞以上詳細に説明したように、本発明によれば、ニューラ
ルネットワークに予め様々な波形を与えて学習させてお
くことにより、ニューラルネットワークが様々な応答波
形を正確に認識できるようにし、これを用いてPI演算パ
ラメータを修正するようにしたものであるから、パラメ
ータ調整則を与える必要がなく、正確な演算パラメータ
の設定が行える適応制御装置を実現できる。

【図面の簡単な説明】

第１図は本発明の一実施例を示す構成ブロック図、第２
図はニューラルネットワークを構成しているニューロン
（ユニット）の構成を示す図、第３図はニューロン（ユ
ニット）の入出力関係の一例を示す図、第４図は応答波
形入力手段がサンプリングする信号の説明図である。１……PI調節手段２……PI演算パラメータ設定手段３……プロセス４……ニューラルネットワーク５……応答波形入力手段６……教師信号発生手段７……バックプロパゲーション手段８……比較手段９……パラメータ修正手段

Claims

【特許請求の範囲】

【請求項１】既知の演算パラメータが設定される比例
（Ｐ）、積分（Ｉ）調節手段と、ニューラルネットワークと、前記調節手段によって制御されている制御系からの閉ル
ープ応答波形を前記ニューラルネットワークに何度も入
力させ当該ニューラルネットワークに学習をさせ、前記
Ｐ・Ｉ調節手段に設定されたPI演算パラメータが適切で
あるか否か判断できるようにした応答波形入力手段と、前記ニューラルネットワークの判断結果に基づいて前記
PI調節手段に設定されたPI演算パラメータを修正するPI
パラメータ修正手段とを備え、前記ニューラルネットワークに学習させた後当該ニュー
ラルネットワークに、ある演算パラメータで制御した応
答波形を入力し、前記PI演算パラメータ修正手段はこの
時のニューラルネットワークの判断結果に基づいて、前
記PI調節手段に設定されたPI演算パラメータを修正する
ことを特徴とする適応制御装置。
【請求項２】ニューラルネットワークに学習させるため
の手段として、PI調節計に設定した既知のPI演算パラメ
ータ信号を入力し、設定した演算パラメータが適切か否
かを示す教師信号を出力する教師信号発生手段と、ニューラルネットワークからの信号と前記教師信号発生
手段からの信号との比較結果を入力し、ニューラルネッ
トワークを修正する信号を出力するバックプロパゲーシ
ョン手段とを設けた請求項１記載の適応制御装置。