JPH075904A - ニューラルネットワーク制御装置 - Google Patents
ニューラルネットワーク制御装置Info
- Publication number
- JPH075904A JPH075904A JP3175144A JP17514491A JPH075904A JP H075904 A JPH075904 A JP H075904A JP 3175144 A JP3175144 A JP 3175144A JP 17514491 A JP17514491 A JP 17514491A JP H075904 A JPH075904 A JP H075904A
- Authority
- JP
- Japan
- Prior art keywords
- feedforward
- learning
- compensator
- signal
- neural network
- 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- Withdrawn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
Landscapes
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】 制御対象の特性が変化しても制御系に外乱を
与えることなく制御対象の特性に合ったフィードフォワ
ード補償を行うニューラルネットワーク制御装置を提供
することを目的とする。 【構成】 フィードバック制御器と、目標値を入力し、
制御偏差あるいはフィードバック制御器の出力値を抑制
するように自己学習する複数のニューラルネットワーク
型フィードフォワード補償器とを備えた制御装置におい
て、運転状態により学習し、制御するフィードフォワー
ド補償器を選択する状態判別器と、この選択されたフィ
ードフォワード補償器の出力をフィードフォワード信号
として選択する出力選択器を有することを特徴とする。
与えることなく制御対象の特性に合ったフィードフォワ
ード補償を行うニューラルネットワーク制御装置を提供
することを目的とする。 【構成】 フィードバック制御器と、目標値を入力し、
制御偏差あるいはフィードバック制御器の出力値を抑制
するように自己学習する複数のニューラルネットワーク
型フィードフォワード補償器とを備えた制御装置におい
て、運転状態により学習し、制御するフィードフォワー
ド補償器を選択する状態判別器と、この選択されたフィ
ードフォワード補償器の出力をフィードフォワード信号
として選択する出力選択器を有することを特徴とする。
Description
【０００１】
【産業上の利用分野】本発明は、発電プラントや化学プ
ラントなどにおいて使用されるプロセス制御装置に係わ
り、特に制御性を高めるために用いられるニューラルネ
ットワーク型フィードフォワード補償器を有するプロセ
ス制御装置に関する。
ラントなどにおいて使用されるプロセス制御装置に係わ
り、特に制御性を高めるために用いられるニューラルネ
ットワーク型フィードフォワード補償器を有するプロセ
ス制御装置に関する。
【０００２】
【従来の技術】プロセス制御装置においては、プロセス
制御性能を高めるための手段として、目標値や外乱信号
を基に先行的に操作指令を変化させるフィードフォワー
ド補償器（以下、ＦＦ補償器という。）が、従来より使
用されている。また最近では、プロセス同定をはじめ内
部構造の設計に多くの労力を要するＦＦ補償器の部分
に、ニューラルネットワーク（以下、ＮＮＷという。）
を用い、その学習機能により自動的に内部構造を実現す
る構成の提案が成されている。
制御性能を高めるための手段として、目標値や外乱信号
を基に先行的に操作指令を変化させるフィードフォワー
ド補償器（以下、ＦＦ補償器という。）が、従来より使
用されている。また最近では、プロセス同定をはじめ内
部構造の設計に多くの労力を要するＦＦ補償器の部分
に、ニューラルネットワーク（以下、ＮＮＷという。）
を用い、その学習機能により自動的に内部構造を実現す
る構成の提案が成されている。
【０００３】図１３は、この様な従来技術の一例とし
て、フィードバック誤差学習法と呼ばれるプロセス制御
装置の構成を示したものである。同図において、１はフ
ィードバック制御器、２は対象プロセス、３はＮＮＷを
用いたＦＦ補償器を示している。この例では、ＮＮＷを
用いたＦＦ補償器３が目標値ａを入力信号として取込
み、またフィードバック制御器１の出力値ｃを教示信号
として取込み、この教示信号ｃがゼロになる様なＦＦ出
力値ｄを発生させる学習を行うことによって、ＦＦ補償
器３としての良好な機能を自動的に実現しようとするも
のである。なお、図１３において、ｂはフィードバック
制御器１に入力される制御偏差を示し、ｅは対象プロセ
ス２への最終操作指令値を示す。また、ｆは対象プロセ
ス２の制御結果を示している。
て、フィードバック誤差学習法と呼ばれるプロセス制御
装置の構成を示したものである。同図において、１はフ
ィードバック制御器、２は対象プロセス、３はＮＮＷを
用いたＦＦ補償器を示している。この例では、ＮＮＷを
用いたＦＦ補償器３が目標値ａを入力信号として取込
み、またフィードバック制御器１の出力値ｃを教示信号
として取込み、この教示信号ｃがゼロになる様なＦＦ出
力値ｄを発生させる学習を行うことによって、ＦＦ補償
器３としての良好な機能を自動的に実現しようとするも
のである。なお、図１３において、ｂはフィードバック
制御器１に入力される制御偏差を示し、ｅは対象プロセ
ス２への最終操作指令値を示す。また、ｆは対象プロセ
ス２の制御結果を示している。
【０００４】ＮＮＷを用いたＦＦ補償器３は、図１４に
例示するように入力信号処理部３ａが目標値ａを入力
し、目標値ａそのものの他に、その一次微分値ａｌ〜ｎ
次微分値ａｎを発生し、教示信号ｃに基づき、次の
（１）式に示す学習則によりシナプス荷重Ｗ０〜Ｗｎを
更新し、更に（２）式に従って加算器３ｂが出力ｄを発
生する内部構成を有する。
例示するように入力信号処理部３ａが目標値ａを入力
し、目標値ａそのものの他に、その一次微分値ａｌ〜ｎ
次微分値ａｎを発生し、教示信号ｃに基づき、次の
（１）式に示す学習則によりシナプス荷重Ｗ０〜Ｗｎを
更新し、更に（２）式に従って加算器３ｂが出力ｄを発
生する内部構成を有する。
【０００５】 τｄＷｌ／ｄｔ＝Ｕ１ｌ・Ｅ ………… （１） ここで、τ：学習の時定数 Ｗｌ：シナプス荷重（ｉ＝０〜ｎ） Ｕ１ｌ：ＮＮＷの内部状態（図１４のａ，ａｌ〜ａｎに
相当） Ｅ：教示信号（図１４のｃに相当） Ｏ＝ΣＵ２ｌ＝Σ（Ｕ１ｌ・Ｗｌ） … （２） ここで、Ｕ２ｌ：ＮＮＷの内部状態（図１４のｇ、ｇｌ
〜ｇｎに相当） Ｏ：ＮＮＷの出力（図１４のｄに相当） この例は、目標値に高速に追従させるためのＮＮＷを用
いた制御構成を示したものであり、プロセスの内部構造
が変化しない系においては良好な学習性と制御性を呈す
るものである。
相当） Ｅ：教示信号（図１４のｃに相当） Ｏ＝ΣＵ２ｌ＝Σ（Ｕ１ｌ・Ｗｌ） … （２） ここで、Ｕ２ｌ：ＮＮＷの内部状態（図１４のｇ、ｇｌ
〜ｇｎに相当） Ｏ：ＮＮＷの出力（図１４のｄに相当） この例は、目標値に高速に追従させるためのＮＮＷを用
いた制御構成を示したものであり、プロセスの内部構造
が変化しない系においては良好な学習性と制御性を呈す
るものである。
【０００６】しかしながら、このような構成のＦＦ補償
器３を化学プラントや発電プラント等のプロセス系へ適
用した場合には、これらのプロセス系の内部構造が一定
でないために、プロセス系の構造が変わる毎に学習をし
直さないと良好な結果が得られない。これを防止するた
めに、制御中にも学習を継続させ、常にプロセスの状態
に応じた学習結果を得る方法が考えられるが、その場合
は、学習過程で制御に外乱を与えるという問題がある。
即ち、ＮＮＷの学習法としてフィードバック制御器の出
力を教示信号として取込み、この教示信号が零になるよ
うな方法をとる場合には、学習課程でフィードバック制
御器１の出力を変化させてプロセス系への制御内容を変
化させ、その結果で学習の良否を判断することになるの
で、学習が完了するまでは、プロセスがどういう制御状
態に置かれるか分らないという問題がある。
器３を化学プラントや発電プラント等のプロセス系へ適
用した場合には、これらのプロセス系の内部構造が一定
でないために、プロセス系の構造が変わる毎に学習をし
直さないと良好な結果が得られない。これを防止するた
めに、制御中にも学習を継続させ、常にプロセスの状態
に応じた学習結果を得る方法が考えられるが、その場合
は、学習過程で制御に外乱を与えるという問題がある。
即ち、ＮＮＷの学習法としてフィードバック制御器の出
力を教示信号として取込み、この教示信号が零になるよ
うな方法をとる場合には、学習課程でフィードバック制
御器１の出力を変化させてプロセス系への制御内容を変
化させ、その結果で学習の良否を判断することになるの
で、学習が完了するまでは、プロセスがどういう制御状
態に置かれるか分らないという問題がある。
【０００７】
【発明が解決しようとする課題】本発明は、従来の制御
装置における上述のごとき課題を解決するために成され
たもので、制御対象プロセスの特性が変化しても制御系
に外乱を与えることなく制御対象の特性に合ったフィー
ドフォワード補償を行うニューラルネットワーク制御装
置を提供することを目的とするものである。
装置における上述のごとき課題を解決するために成され
たもので、制御対象プロセスの特性が変化しても制御系
に外乱を与えることなく制御対象の特性に合ったフィー
ドフォワード補償を行うニューラルネットワーク制御装
置を提供することを目的とするものである。
【０００８】
【課題を解決するための手段】上記目的を達成するため
に、本発明のニューラルネットワーク制御装置は、フィ
ードバック制御器と、目標値を入力し、制御偏差あるい
はフィードバック制御器の出力値を抑制するように自己
学習する複数のニューラルネットワーク型フィードフォ
ワード補償器とを備えた制御装置において、運転状態に
より学習し、制御するフィードフォワード補償器を選択
する状態判別器と、この選択されたフィードフォワード
補償器の出力をフィードフォワード信号として選択する
出力選択器を有することを特徴とする。
に、本発明のニューラルネットワーク制御装置は、フィ
ードバック制御器と、目標値を入力し、制御偏差あるい
はフィードバック制御器の出力値を抑制するように自己
学習する複数のニューラルネットワーク型フィードフォ
ワード補償器とを備えた制御装置において、運転状態に
より学習し、制御するフィードフォワード補償器を選択
する状態判別器と、この選択されたフィードフォワード
補償器の出力をフィードフォワード信号として選択する
出力選択器を有することを特徴とする。
【０００９】
【作用】上記のように構成した本発明装置においては、
プロセスの内部構造が変化するプロセス系においても、
制御系に外乱を与える事なくＮＮＷの学習結果をプロセ
スに対応した内容にすることができる。
プロセスの内部構造が変化するプロセス系においても、
制御系に外乱を与える事なくＮＮＷの学習結果をプロセ
スに対応した内容にすることができる。
【００１０】即ち、例えば目標値の大きさによってプロ
セスの内部構造が変化するプロセスにおいて、フィード
フォワード補償器が目標値を入力として学習を行ってい
る状況で、目標値がＡからＢに大きく変化した場合、こ
の目標値Ａに対応して学習し、制御に寄与するＮＮＷ
（Ａ）から、目標値Ｂに対応して学習し、制御に寄与す
るＮＮＷ（Ｂ）にフィードフォワード補償器を切換え
る。従って、目標値がＡからＢに大きく変化した場合で
も、ＮＮＷ（Ｂ）は以前の学習結果から学習して制御を
再開するので、制御系に外乱を与える事なくＮＮＷの学
習結果がプロセスに対応した内容になる。
セスの内部構造が変化するプロセスにおいて、フィード
フォワード補償器が目標値を入力として学習を行ってい
る状況で、目標値がＡからＢに大きく変化した場合、こ
の目標値Ａに対応して学習し、制御に寄与するＮＮＷ
（Ａ）から、目標値Ｂに対応して学習し、制御に寄与す
るＮＮＷ（Ｂ）にフィードフォワード補償器を切換え
る。従って、目標値がＡからＢに大きく変化した場合で
も、ＮＮＷ（Ｂ）は以前の学習結果から学習して制御を
再開するので、制御系に外乱を与える事なくＮＮＷの学
習結果がプロセスに対応した内容になる。
【００１１】
【実施例】次に、図面を参照しながら本発明の実施例を
説明する。
説明する。
【００１２】図１は、本発明によるニューラルネットワ
ーク制御装置の一実施例を示すもので、図１３と同一部
分には同じ符号を付してある。
ーク制御装置の一実施例を示すもので、図１３と同一部
分には同じ符号を付してある。
【００１３】図１の実施例では、従来のニューラルネッ
トワーク制御装置に対して、ＮＮＷを用いたフィードフ
ォワード補償器を１個追加して３Ａ，３Ｂとし、また状
態判別器４と出力選択器５を付加したもので、状態判別
器４が目標値ａに基づきＮＮＷ型フィードフォワード補
償器３Ａ，３Ｂに対して一方の学習を停止させ、他方の
学習を開始させるための選択信号ｍを出力し、同時に選
択信号ｍにより学習中のフィードフォワード補償器３
Ａ，３Ｂの出力のいずれかを選択してフィードフォワー
ド信号ｄとしている。
トワーク制御装置に対して、ＮＮＷを用いたフィードフ
ォワード補償器を１個追加して３Ａ，３Ｂとし、また状
態判別器４と出力選択器５を付加したもので、状態判別
器４が目標値ａに基づきＮＮＷ型フィードフォワード補
償器３Ａ，３Ｂに対して一方の学習を停止させ、他方の
学習を開始させるための選択信号ｍを出力し、同時に選
択信号ｍにより学習中のフィードフォワード補償器３
Ａ，３Ｂの出力のいずれかを選択してフィードフォワー
ド信号ｄとしている。
【００１４】ここで、状態判別器４は、目標値ａが予め
定めた規定値以上では選択信号ｍを“１”とし、フィー
ドフォワード補償器３Ａは選択信号ｍが“１”の時には
学習制御フラグｉ−Ａを“１”にし、選択信号ｍが
“０”の時には学習フラグｉ−Ａをを“０”とする。ま
た、フィードフォワード補償器３Ｂは選択信号ｍが
“１”の時に学習フラグｉ−Ｂを“０”とし、選択信号
ｍが“０”の時には、学習フラグｉ−Ｂを“１”とす
る。即ち、選択信号ｍによって、フィードフォワード補
償器３Ａ又は３Ｂのいずれか一方しか学習ブラグｉが
“１”にならないようにしている。
定めた規定値以上では選択信号ｍを“１”とし、フィー
ドフォワード補償器３Ａは選択信号ｍが“１”の時には
学習制御フラグｉ−Ａを“１”にし、選択信号ｍが
“０”の時には学習フラグｉ−Ａをを“０”とする。ま
た、フィードフォワード補償器３Ｂは選択信号ｍが
“１”の時に学習フラグｉ−Ｂを“０”とし、選択信号
ｍが“０”の時には、学習フラグｉ−Ｂを“１”とす
る。即ち、選択信号ｍによって、フィードフォワード補
償器３Ａ又は３Ｂのいずれか一方しか学習ブラグｉが
“１”にならないようにしている。
【００１５】本実施例において、ＮＮＷを用いたフィー
ドフォワード補償器３Ａ、３Ｂは、学習制御フラグｉ−
Ａ、ｉ−Ｂに応じて学習を制御するために前記学習式
（１）式に替わって、例えば（３）式のような学習則に
従う構成である。
ドフォワード補償器３Ａ、３Ｂは、学習制御フラグｉ−
Ａ、ｉ−Ｂに応じて学習を制御するために前記学習式
（１）式に替わって、例えば（３）式のような学習則に
従う構成である。
【００１６】 τｄＷｌ／ｄｔ＝Ｕ１ｌ・Ｅ・ｉ …… （３） なお、（３）式における学習フラグｉはフィードフォワ
ード補償器３Ａの場合はｉ−Ａを、フィードフォワード
補償器３Ｂの場合はｉ−Ｂを意味する。
ード補償器３Ａの場合はｉ−Ａを、フィードフォワード
補償器３Ｂの場合はｉ−Ｂを意味する。
【００１７】次に、上記実施例の作用を、水力発電所の
負荷制御に適用した場合を例にとって説明する。
負荷制御に適用した場合を例にとって説明する。
【００１８】水力発電所の負荷制御では、図２に例示す
るように、対象プロセス２はガイドベーン駆動用サーボ
モータ２１と、ガイドベーン２２と、水車２３とから構
成されており、目標負荷に応じた負荷となるようにガイ
ドベーン２２の開度を制御し、水車２３の流量を制御し
ている。ｈはサーボモータストロークを、ｌはガイドベ
ーン開度を示している。
るように、対象プロセス２はガイドベーン駆動用サーボ
モータ２１と、ガイドベーン２２と、水車２３とから構
成されており、目標負荷に応じた負荷となるようにガイ
ドベーン２２の開度を制御し、水車２３の流量を制御し
ている。ｈはサーボモータストロークを、ｌはガイドベ
ーン開度を示している。
【００１９】ところで、水車の負荷は、その流量と有効
落差の積に比例するが、ガイドベーン２２の開度を変化
させた場合には、水車流量と有効落差が変化し、しかも
水の流れ状態によって水車流量と有効落差の変化の挙動
が過渡的に異なるため、ガイドベーン開度と負荷の関係
は過渡的にも、定常的にも複雑に変化する。そのため従
来は、水の流れの影響が出ないように、ゆっくりとした
制御しか実施できなかったが、本発明によれば、ＮＮＷ
によりガイドベーン開度と負荷の関係を同定し、フィー
ドフォワード信号として追加することにより、目標負荷
に迅速に追従した負荷制御を実現することができる。
落差の積に比例するが、ガイドベーン２２の開度を変化
させた場合には、水車流量と有効落差が変化し、しかも
水の流れ状態によって水車流量と有効落差の変化の挙動
が過渡的に異なるため、ガイドベーン開度と負荷の関係
は過渡的にも、定常的にも複雑に変化する。そのため従
来は、水の流れの影響が出ないように、ゆっくりとした
制御しか実施できなかったが、本発明によれば、ＮＮＷ
によりガイドベーン開度と負荷の関係を同定し、フィー
ドフォワード信号として追加することにより、目標負荷
に迅速に追従した負荷制御を実現することができる。
【００２０】一般に、ガイドベーン２２の開度を制御す
る場合には、ガイドベーン駆動用サーボモータ２１のス
トロークを制御しているが、サーボモータストロークｈ
とガイドベーン開度１の関係は線形でなく、図３に示す
ように、サーボモータストロークｈが大きくなると、サ
ーボモータストローク変化に対するガイドベーン開度１
の変化は小さくなる特性を示す。従って、ＮＮＷが学習
すべき制御結果ｆはサーボモータストロークによって変
化することになる。
る場合には、ガイドベーン駆動用サーボモータ２１のス
トロークを制御しているが、サーボモータストロークｈ
とガイドベーン開度１の関係は線形でなく、図３に示す
ように、サーボモータストロークｈが大きくなると、サ
ーボモータストローク変化に対するガイドベーン開度１
の変化は小さくなる特性を示す。従って、ＮＮＷが学習
すべき制御結果ｆはサーボモータストロークによって変
化することになる。
【００２１】そこで本実施例においては、図３のストロ
ークＳＴｌに対応する負荷Ｐｌに対し、目標負荷ＰＲが
ＰＲ＞Ｐｌの場合はフィードフォワード補償器３Ａが、
またＰＲ＜Ｐｌの場合はフィードフォワード補償器３Ｂ
が学習し、フィードフォワード信号を出力する。
ークＳＴｌに対応する負荷Ｐｌに対し、目標負荷ＰＲが
ＰＲ＞Ｐｌの場合はフィードフォワード補償器３Ａが、
またＰＲ＜Ｐｌの場合はフィードフォワード補償器３Ｂ
が学習し、フィードフォワード信号を出力する。
【００２２】その結果、フィードフォワード補償器３
Ａ，３Ｂはサーボモータストロークとガイドベーン開度
特性の影響を受け難くなり、各々のフィードフォワード
補償器は比較的ゆるやかな変化である静落差の変化に従
って、水車特性を学習することになるので、学習過程で
大きく変化することはなく、制御に与える外乱は少ない
ものとなる。
Ａ，３Ｂはサーボモータストロークとガイドベーン開度
特性の影響を受け難くなり、各々のフィードフォワード
補償器は比較的ゆるやかな変化である静落差の変化に従
って、水車特性を学習することになるので、学習過程で
大きく変化することはなく、制御に与える外乱は少ない
ものとなる。
【００２３】次に、本発明の他の実施例をいくつか説明
する。
する。
【００２４】図４に示す実施例では、目標値ａの代わり
に制御結果ｆをフィードフォワード補償器３Ａ，３Ｂお
よび状態判別器４の入力としている点が図１と異なって
いる。この実施例を水力発雷所の負荷制御に適用した場
合には、図３のサーボストロークＳＴｌに対応する負荷
Ｐｌに対し、実負荷ＰＡがＰＡ≧Ｐｌの場合はフィード
フォワード補償器３Ａが、またＰＡ≦Ｐｌの場合にはフ
ィードフォワード補償器３Ｂがそれぞれ学習し、フィー
ドフォワード信号を出力する。従って、フィードフォワ
ード補償器３Ａ，３Ｂはサーボモータストロークとガイ
ドベーン開度特性の影響を受け難くなり、図１の実施例
とほぼ同様の効果が得られる。
に制御結果ｆをフィードフォワード補償器３Ａ，３Ｂお
よび状態判別器４の入力としている点が図１と異なって
いる。この実施例を水力発雷所の負荷制御に適用した場
合には、図３のサーボストロークＳＴｌに対応する負荷
Ｐｌに対し、実負荷ＰＡがＰＡ≧Ｐｌの場合はフィード
フォワード補償器３Ａが、またＰＡ≦Ｐｌの場合にはフ
ィードフォワード補償器３Ｂがそれぞれ学習し、フィー
ドフォワード信号を出力する。従って、フィードフォワ
ード補償器３Ａ，３Ｂはサーボモータストロークとガイ
ドベーン開度特性の影響を受け難くなり、図１の実施例
とほぼ同様の効果が得られる。
【００２５】図５に示す本発明の他の実施例において
は、目標値ａの代わりに内部変数であるサーボストロー
クｈをフィードフォワード補償器３Ａ，３Ｂおよび状態
判別器４の入力としている点が図１と異なっている。こ
の実施例の場合には、サーボストロークｈが図３に示す
サーボモータストロークＳＴｌに対し、ｈ＞ＳＴｌの時
はフィードフォワード補償器３Ａが、またｈ＜ＳＴｌの
時はフィードフォワード補償器３Ｂが学習し、フィード
フォワード信号を出力する。従って、フィードフォワー
ド補償器３Ａ，３Ｂはサーボモータストロークとガイド
ベーン開度特性の影響を受け難くなり、図１の実施例と
ほぼ同様の効果が得られる。
は、目標値ａの代わりに内部変数であるサーボストロー
クｈをフィードフォワード補償器３Ａ，３Ｂおよび状態
判別器４の入力としている点が図１と異なっている。こ
の実施例の場合には、サーボストロークｈが図３に示す
サーボモータストロークＳＴｌに対し、ｈ＞ＳＴｌの時
はフィードフォワード補償器３Ａが、またｈ＜ＳＴｌの
時はフィードフォワード補償器３Ｂが学習し、フィード
フォワード信号を出力する。従って、フィードフォワー
ド補償器３Ａ，３Ｂはサーボモータストロークとガイド
ベーン開度特性の影響を受け難くなり、図１の実施例と
ほぼ同様の効果が得られる。
【００２６】図６に示す本発明の他の実施例において
は、目標値ａの代わりに、変化率検出器６から出力され
る目標値の変化率ａ′を状態判別器４の入力にしている
点が図１と異なっている。この実施例の作用と効果を火
力発電所の負荷制御を例にとって説明すると、ガイドベ
ーン開度の変化が速い場合には、ガイドベーンがより開
方向に変化しても水の流れが追従できないので、流量は
急には増加せず、有効落差の低下の方が大きく影響し、
負荷は一旦減少し、水の流れが追従してくると負荷が増
加するという複雑な挙動を示す。従って、ガイドベーン
開度の変化率によって水車特性は変化することになり、
フィードフォワード補償器が学習すべきプロセスの内部
構造が異なってくる。図６の場合は、ガイドベーン開度
の変化率とほぼ同等の意味を持つ目標値の変化率ａ′に
よって、学習すべきフィードフォワード補償器３Ａ，３
Ｂを選択するようにしているので、各ＮＮＷが学習すべ
きプロセス内部構造の変化は小さく、従って学習中にプ
ロセスに外乱を与えることは抑制されることになる。
は、目標値ａの代わりに、変化率検出器６から出力され
る目標値の変化率ａ′を状態判別器４の入力にしている
点が図１と異なっている。この実施例の作用と効果を火
力発電所の負荷制御を例にとって説明すると、ガイドベ
ーン開度の変化が速い場合には、ガイドベーンがより開
方向に変化しても水の流れが追従できないので、流量は
急には増加せず、有効落差の低下の方が大きく影響し、
負荷は一旦減少し、水の流れが追従してくると負荷が増
加するという複雑な挙動を示す。従って、ガイドベーン
開度の変化率によって水車特性は変化することになり、
フィードフォワード補償器が学習すべきプロセスの内部
構造が異なってくる。図６の場合は、ガイドベーン開度
の変化率とほぼ同等の意味を持つ目標値の変化率ａ′に
よって、学習すべきフィードフォワード補償器３Ａ，３
Ｂを選択するようにしているので、各ＮＮＷが学習すべ
きプロセス内部構造の変化は小さく、従って学習中にプ
ロセスに外乱を与えることは抑制されることになる。
【００２７】図７および図８はそれぞれ本発明の他の実
施例を示している。図７は目標値の変化率ａの代わりに
制御結果の変化率ｆ′を用いている点が図６と異なり、
また図８は目標値の変化率ａの代わりに内部変数の変化
率としてのサーボストローク変化率ｈ′を用いている点
が図６と異なっている。これらの変化率ｆ′，ｈ′は変
化率検出器６から出力される。目標値ａ、制御結果ｆ、
およびサーボストロークｈの関係はほぼ対応しているの
で、それらのどの変化率を用いてもほぼ同様の作用効果
を持つことは明らかである。従って、図７および図８の
場合も、図６の実施例の場合とほぼ同様の効果が得られ
る。
施例を示している。図７は目標値の変化率ａの代わりに
制御結果の変化率ｆ′を用いている点が図６と異なり、
また図８は目標値の変化率ａの代わりに内部変数の変化
率としてのサーボストローク変化率ｈ′を用いている点
が図６と異なっている。これらの変化率ｆ′，ｈ′は変
化率検出器６から出力される。目標値ａ、制御結果ｆ、
およびサーボストロークｈの関係はほぼ対応しているの
で、それらのどの変化率を用いてもほぼ同様の作用効果
を持つことは明らかである。従って、図７および図８の
場合も、図６の実施例の場合とほぼ同様の効果が得られ
る。
【００２８】図９に示す実施例では状態判別器４の入力
に目標値ａを追加している点が図６と異なる。この実施
例の場合は目標値ａによって、目標値の変化率ａ′によ
る状態判別器４の判定規定値を変化させることができる
ので、プロセスの内部構造の状態の分類、分割の精度が
上がり、本発明の効果がより顕著になる。
に目標値ａを追加している点が図６と異なる。この実施
例の場合は目標値ａによって、目標値の変化率ａ′によ
る状態判別器４の判定規定値を変化させることができる
ので、プロセスの内部構造の状態の分類、分割の精度が
上がり、本発明の効果がより顕著になる。
【００２９】図１０および図１１は本発明の他の実施例
を示す。図１０は状態判別器４の入力に制御結果ｆを追
加した点が図７と異なる。また図１１は状態判別器４の
入力に内部変数としてのサーボストロークｈを追加した
点が図８と異なる。これらの実施例の場合も、図９の実
施例の場合とほぼ同様の効果が得られる。
を示す。図１０は状態判別器４の入力に制御結果ｆを追
加した点が図７と異なる。また図１１は状態判別器４の
入力に内部変数としてのサーボストロークｈを追加した
点が図８と異なる。これらの実施例の場合も、図９の実
施例の場合とほぼ同様の効果が得られる。
【００３０】図１２に示す実施例は運転モード信号ｊ
と、プラントの故障条件ｋを状態判別器４に追加した点
が図１の実施例と異なっている。
と、プラントの故障条件ｋを状態判別器４に追加した点
が図１の実施例と異なっている。
【００３１】ところで、水車は一時的に通常の運転条件
と異なる条件で運転される場合がある。例えば、水車が
安定に負荷制御できる下限負荷以下にある場合、普通停
止操作に入った場合、プラントの故障で緊急停止操作に
入った場合、あるいは同一発電所内の他の水車が運転に
入る場合や緊急停止操作に入る場合等である。このよう
に一時的に運転条件が変わる場合にもフィードフォワー
ド補償器が学習を継続すると、一時的に異なった学習状
態となり、再び通常運転に戻った場合、再学習すること
になり、学習が完了するまで制御系に外乱を与える恐れ
がある。
と異なる条件で運転される場合がある。例えば、水車が
安定に負荷制御できる下限負荷以下にある場合、普通停
止操作に入った場合、プラントの故障で緊急停止操作に
入った場合、あるいは同一発電所内の他の水車が運転に
入る場合や緊急停止操作に入る場合等である。このよう
に一時的に運転条件が変わる場合にもフィードフォワー
ド補償器が学習を継続すると、一時的に異なった学習状
態となり、再び通常運転に戻った場合、再学習すること
になり、学習が完了するまで制御系に外乱を与える恐れ
がある。
【００３２】図１２の実施例では、運転モード信号ｊお
よび故障条件ｋにより、状態判別器４が一時的な運転状
態にあることを判定し、フィードフォワード補償器３
Ａ，３Ｂに各々“０”，“１”の選択信号ｍを出力し、
両方のＮＮＷの学習を停止させる。従って、一時的な運
転状態では学習を継続しないので、通常運転に戻った場
合にフィードフォワード補償器３Ａまたは３Ｂから外乱
となるようなフィードフォワード信号は出力されないこ
とになる。
よび故障条件ｋにより、状態判別器４が一時的な運転状
態にあることを判定し、フィードフォワード補償器３
Ａ，３Ｂに各々“０”，“１”の選択信号ｍを出力し、
両方のＮＮＷの学習を停止させる。従って、一時的な運
転状態では学習を継続しないので、通常運転に戻った場
合にフィードフォワード補償器３Ａまたは３Ｂから外乱
となるようなフィードフォワード信号は出力されないこ
とになる。
【００３３】なお、上述した図１〜図１２の各実施例に
おいては、いづれも２個のフィードフォワード補償器３
Ａ，３Ｂを用いた例につき説明したが、本発明はこれに
限定されるものではなく、プラントの内部構造に応じて
決まるプラント状態がＮ個に分類される場合はＮ個のフ
ィードフォワード補償器を用いることが最も効果的であ
る。Ｎ個のフィードフォワード補償器を用いた場合に
は、状態判別器４の出力信号ｍはＮ個のフィードフォワ
ード補償器に対し、いずれか１個を選択する手段とすれ
ばよいことはいうまでもない。
おいては、いづれも２個のフィードフォワード補償器３
Ａ，３Ｂを用いた例につき説明したが、本発明はこれに
限定されるものではなく、プラントの内部構造に応じて
決まるプラント状態がＮ個に分類される場合はＮ個のフ
ィードフォワード補償器を用いることが最も効果的であ
る。Ｎ個のフィードフォワード補償器を用いた場合に
は、状態判別器４の出力信号ｍはＮ個のフィードフォワ
ード補償器に対し、いずれか１個を選択する手段とすれ
ばよいことはいうまでもない。
【発明の効果】以上説明した様に、本発明によれぱ、内
部構造が変化するようなプロセスに対しても常に最適な
フィードフォワード信号をフィードフォワード補償器群
が発生するので、運転状態が変化しても外乱を与えるこ
とがなく、常に最適なフィードフォワード信号が得ら
れ、制御特性は著しく向上する。
部構造が変化するようなプロセスに対しても常に最適な
フィードフォワード信号をフィードフォワード補償器群
が発生するので、運転状態が変化しても外乱を与えるこ
とがなく、常に最適なフィードフォワード信号が得ら
れ、制御特性は著しく向上する。
【図１】本発明の第１の実施例を示す構成図である。
【図２】本発明の作用効果を説明するための制御系の構
成例を示す説明図である。
成例を示す説明図である。
【図３】本発明の作用効果を説明するための制御機構の
特性例を示す説明図である。
特性例を示す説明図である。
【図４】本発明の他の実施例を示す構成図である。
【図５】本発明の他の実施例を示す構成図である。
【図６】本発明の他の実施例を示す構成図である。
【図７】本発明の他の実施例を示す構成図である。
【図８】本発明の他の実施例を示す構成図である。
【図９】本発明の他の実施例を示す構成図である。
【図１０】本発明の他の実施例を示す構成図である。
【図１１】本発明の他の実施例を示す構成図である。
【図１２】本発明の他の実施例を示す構成図である。
【図１３】従来のニューラルネットワーク制御装置の構
成例を示す説明図である。
成例を示す説明図である。
【図１４】従来例におけるフィードフォワード補償器の
構成を示す説明図である。
構成を示す説明図である。
１……フィードバック制御器 ２………対象プロセス ３，３Ａ，３Ｂ…ＮＮＭ型フィードフォワード補償器 ３ａ……入力処理部 ３ｂ……加算器 ４………状態判別器 ５………出力選択器 ６………変化率検出器 ａ………目標設定値 ａ〜ａｎ，ｇ〜ｇｎ…フィードフォワード補償器の内部
状態 ｂ………制御偏差 ｃ………フィードバック制御器出力 ｄ………フィードフォワード指令信号 ｅ………最終操作指令値 ｆ………制御結果 ｈ………サーボモータストローク ｌ………ガイドベーン開度 ｍ………選択信号
状態 ｂ………制御偏差 ｃ………フィードバック制御器出力 ｄ………フィードフォワード指令信号 ｅ………最終操作指令値 ｆ………制御結果 ｈ………サーボモータストローク ｌ………ガイドベーン開度 ｍ………選択信号
Claims (3)
- 【請求項１】 フィードバック制御器と、目標値に基づ
く値を入力し、制御偏差あるいはフィードバック制御器
の出力値を抑制するように自己学習する複数のニューラ
ルネットワーク型フィードフォワード補償器と、この複
数のなかから運転状態により学習し、制御するフィード
フォワード補償器を選択する状態判別器と、この選択さ
れたフィードフォワード補償器の出力をフィードフォワ
ード信号として選択する出力選択器を有することを特徴
とするニューラルネットワーク制御装置。 - 【請求項２】 フィードバック制御器と、プロセスへの
操作値に基づく値を入力し、制御偏差あるいはフィード
バック制御器の出力値を制御するように自己学習する複
数のニューラルネットワーク型フィードフォワード補償
器と、この複数のなかから運転状態により学習し、制御
するあぃーど補償器を選択する状態判別器と、この選択
されたフィードフォワード補償器の出力をフィードフォ
ワード信号として選択する出力選択器を有することを特
徴とするニューラルネットワーク制御装置。 - 【請求項３】 フィードバック制御器と、目標値に基づ
く値およびプロセスへの操作値に基づく値を入力し、制
御偏差あるいはフィードバック制御器の出力値を抑制す
るように自己学習する複数のニューラルネットワーク型
フィードフォワード補償器と、この複数のなかから運転
状態により学習し、制御するフィードフォワード補償器
を選択する状態判別器と、この選択されたフィードフォ
ワード補償器の出力をフィードフォワード信号として選
択する出力選択器を有することを特徴とするニューラル
ネットワーク制御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3175144A JPH075904A (ja) | 1991-07-16 | 1991-07-16 | ニューラルネットワーク制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3175144A JPH075904A (ja) | 1991-07-16 | 1991-07-16 | ニューラルネットワーク制御装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH075904A true JPH075904A (ja) | 1995-01-10 |
Family
ID=15991054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3175144A Withdrawn JPH075904A (ja) | 1991-07-16 | 1991-07-16 | ニューラルネットワーク制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH075904A (ja) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002354862A (ja) * | 2001-05-21 | 2002-12-06 | Yaskawa Electric Corp | 電動機制御装置 |
| JP2011234603A (ja) * | 2010-04-09 | 2011-11-17 | Canon Inc | 振動型アクチュエータの制御回路 |
| CN108693829A (zh) * | 2017-04-07 | 2018-10-23 | 发那科株式会社 | 控制装置 |
| JP6469320B1 (ja) * | 2017-11-10 | 2019-02-13 | 三菱電機株式会社 | サーボ制御装置 |
| US10387298B2 (en) | 2017-04-04 | 2019-08-20 | Hailo Technologies Ltd | Artificial neural network incorporating emphasis and focus techniques |
| US11221929B1 (en) | 2020-09-29 | 2022-01-11 | Hailo Technologies Ltd. | Data stream fault detection mechanism in an artificial neural network processor |
| US11237894B1 (en) | 2020-09-29 | 2022-02-01 | Hailo Technologies Ltd. | Layer control unit instruction addressing safety mechanism in an artificial neural network processor |
| US11263077B1 (en) | 2020-09-29 | 2022-03-01 | Hailo Technologies Ltd. | Neural network intermediate results safety mechanism in an artificial neural network processor |
| US11811421B2 (en) | 2020-09-29 | 2023-11-07 | Hailo Technologies Ltd. | Weights safety mechanism in an artificial neural network processor |
-
1991
- 1991-07-16 JP JP3175144A patent/JPH075904A/ja not_active Withdrawn
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002354862A (ja) * | 2001-05-21 | 2002-12-06 | Yaskawa Electric Corp | 電動機制御装置 |
| JP2011234603A (ja) * | 2010-04-09 | 2011-11-17 | Canon Inc | 振動型アクチュエータの制御回路 |
| US10387298B2 (en) | 2017-04-04 | 2019-08-20 | Hailo Technologies Ltd | Artificial neural network incorporating emphasis and focus techniques |
| US11461614B2 (en) | 2017-04-04 | 2022-10-04 | Hailo Technologies Ltd. | Data driven quantization optimization of weights and input data in an artificial neural network |
| US11216717B2 (en) | 2017-04-04 | 2022-01-04 | Hailo Technologies Ltd. | Neural network processor incorporating multi-level hierarchical aggregated computing and memory elements |
| US10503130B2 (en) | 2017-04-07 | 2019-12-10 | Fanuc Corporation | Controller |
| JP2018180778A (ja) * | 2017-04-07 | 2018-11-15 | ファナック株式会社 | 制御装置 |
| CN108693829A (zh) * | 2017-04-07 | 2018-10-23 | 发那科株式会社 | 控制装置 |
| JP6469320B1 (ja) * | 2017-11-10 | 2019-02-13 | 三菱電機株式会社 | サーボ制御装置 |
| US11221929B1 (en) | 2020-09-29 | 2022-01-11 | Hailo Technologies Ltd. | Data stream fault detection mechanism in an artificial neural network processor |
| US11237894B1 (en) | 2020-09-29 | 2022-02-01 | Hailo Technologies Ltd. | Layer control unit instruction addressing safety mechanism in an artificial neural network processor |
| US11263077B1 (en) | 2020-09-29 | 2022-03-01 | Hailo Technologies Ltd. | Neural network intermediate results safety mechanism in an artificial neural network processor |
| US11811421B2 (en) | 2020-09-29 | 2023-11-07 | Hailo Technologies Ltd. | Weights safety mechanism in an artificial neural network processor |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11635734B2 (en) | Interval error observer-based aircraft engine active fault tolerant control method | |
| EP0624264B1 (en) | Neuro-pid controller | |
| US5159660A (en) | Universal process control using artificial neural networks | |
| CN111650832B (zh) | 一种水下多足步行机器人机械足姿态跟踪控制方法 | |
| JPH11513148A (ja) | 多変数予測コントローラに独立フィードフォワード制御を組込む方法 | |
| CN113612414B (zh) | 一种水下航行器多电机协调控制方法及控制系统 | |
| CN111176115A (zh) | 基于模糊神经网络和仿人智能控制的阀位控制方法 | |
| JPH075904A (ja) | ニューラルネットワーク制御装置 | |
| CN111007716A (zh) | 基于预测函数的交流伺服电机变论域模糊pi控制方法 | |
| CN110531614A (zh) | 新颖的无刷直流电机模糊神经网络pi控制器 | |
| JPS62143103A (ja) | プラント制御装置 | |
| CN108762064B (zh) | 一种伺服驱动器的速度平滑方法 | |
| US5245529A (en) | Two degrees of freedom type control system | |
| Mrad et al. | Experimental comparative analysis of adaptive fuzzy logic controllers | |
| JPS63262703A (ja) | 制御系の汎用性時間差比較補償方法及び装置 | |
| CN114374346A (zh) | 一种永磁同步电动机高性能控制方法 | |
| CN111538230A (zh) | 一种pid控制器的设计与在一级控制系统中的应用方法 | |
| CN107968444B (zh) | 一种新能源集群协调优化控制方法 | |
| Joelianto | Advanced Control and Intelligent Systems: Reference Signal Manipulation | |
| JPH0378003A (ja) | ファジイコントローラ | |
| JPH04326101A (ja) | ニューラルネットワーク制御装置 | |
| CN111830824B (zh) | 一种兼顾电流环动态的直流电机伺服系统渐近跟踪控制方法 | |
| JPH08297512A (ja) | スライディングモード制御による位置決め制御方法 | |
| JP2002369566A (ja) | 速度制御装置 | |
| JP3290241B2 (ja) | キャビテーション防止用調圧弁制御装置 |
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: 19981008 |