JPH08115103A - 制御系の制御方式 - Google Patents
制御系の制御方式Info
- Publication number
- JPH08115103A JPH08115103A JP6251119A JP25111994A JPH08115103A JP H08115103 A JPH08115103 A JP H08115103A JP 6251119 A JP6251119 A JP 6251119A JP 25111994 A JP25111994 A JP 25111994A JP H08115103 A JPH08115103 A JP H08115103A
- Authority
- JP
- Japan
- Prior art keywords
- control
- neural network
- controlled
- controlled object
- learning
- 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)
- Safety Devices In Control Systems (AREA)
Abstract
(57)【要約】
【目的】 制御系の異常発生時にコントロール性を回復
・改善してシステムの運転継続を可能にする。 【構成】 制御対象１又は制御装置の異常で制御系に異
常が発生したときにニューラルネット２により制御対象
の入出力特性を学習し、この学習完了で制御装置に代え
たニューラルネット３により目標値ｙに対する実現値ｘ
を得るための制御信号ｕを得、この制御信号ｕにより制
御対象１の制御を行い、制御系のコントロール性を回復
・改善し、システムの運転継続を可能にする。ニューラ
ルネットによる学習は、制御対象の逆モデルの伝達関数
を使って制御信号ｕを得るためのパラメータａ，ｂをバ
ックプロパゲーション則で求める。
・改善してシステムの運転継続を可能にする。 【構成】 制御対象１又は制御装置の異常で制御系に異
常が発生したときにニューラルネット２により制御対象
の入出力特性を学習し、この学習完了で制御装置に代え
たニューラルネット３により目標値ｙに対する実現値ｘ
を得るための制御信号ｕを得、この制御信号ｕにより制
御対象１の制御を行い、制御系のコントロール性を回復
・改善し、システムの運転継続を可能にする。ニューラ
ルネットによる学習は、制御対象の逆モデルの伝達関数
を使って制御信号ｕを得るためのパラメータａ，ｂをバ
ックプロパゲーション則で求める。
Description
【０００１】
【産業上の利用分野】本発明は、異常状態に陥った制御
装置・制御システムのコントロール性を回復・改善する
ための制御方式に関する。
装置・制御システムのコントロール性を回復・改善する
ための制御方式に関する。
【０００２】
【従来の技術】従来、故障や環境の急変などにより制御
対象や制御装置が異常状態（タイヤスリップ、制御系の
欠損やパワーアシストのダウンなど）の発生でその制御
が困難になった場合、制御装置に付属の保護装置は、制
御を打ち切り、事故発生時の被害を最小にするフェイル
セーフ手段によって安全側に制御するのが一般的であ
る。
対象や制御装置が異常状態（タイヤスリップ、制御系の
欠損やパワーアシストのダウンなど）の発生でその制御
が困難になった場合、制御装置に付属の保護装置は、制
御を打ち切り、事故発生時の被害を最小にするフェイル
セーフ手段によって安全側に制御するのが一般的であ
る。
【０００３】例えば、ロボットの制御システムにおい
て、ロボット自体又は制御装置の異常によって他の機器
の破損や事故を起こさないよう、制御装置にハードウェ
ア的又はソフトウェア的に多重のインタロック機能を付
加しておく。
て、ロボット自体又は制御装置の異常によって他の機器
の破損や事故を起こさないよう、制御装置にハードウェ
ア的又はソフトウェア的に多重のインタロック機能を付
加しておく。
【０００４】
【発明が解決しようとする課題】従来、制御対象又は制
御装置の異常発生に対して、適切な制御を行えば危険を
能動回避することが可能なケースも存在するが、想定困
難な幅広い可能性のある異常状況を短時間のうちに推定
し、コントロール性を回復・改善するという技術が難し
いため、フェイルセーフ措置で対応していた。
御装置の異常発生に対して、適切な制御を行えば危険を
能動回避することが可能なケースも存在するが、想定困
難な幅広い可能性のある異常状況を短時間のうちに推定
し、コントロール性を回復・改善するという技術が難し
いため、フェイルセーフ措置で対応していた。
【０００５】このフェイルセーフ措置では、制御対象や
システムの運転を継続することが難しく、システムダウ
ンになることが多い。
システムの運転を継続することが難しく、システムダウ
ンになることが多い。
【０００６】本発明の目的は、制御系の異常発生時にコ
ントロール性を回復・改善してシステムの運転継続を可
能にする制御方式を提供することにある。
ントロール性を回復・改善してシステムの運転継続を可
能にする制御方式を提供することにある。
【０００７】
【課題を解決するための手段】本発明は、前記課題の解
決を図るため、制御対象とその制御装置からなる制御系
において、制御対象の出力と制御入力から該制御系の入
出力特性を推定できるニューラルネットを設け、制御系
に異常が発生したときに前記ニューラルネットにより制
御対象の入出力特性を学習し、この学習完了で前記制御
装置に代えて該ニューラルネットにより制御対象の制御
を行うことを特徴とする。
決を図るため、制御対象とその制御装置からなる制御系
において、制御対象の出力と制御入力から該制御系の入
出力特性を推定できるニューラルネットを設け、制御系
に異常が発生したときに前記ニューラルネットにより制
御対象の入出力特性を学習し、この学習完了で前記制御
装置に代えて該ニューラルネットにより制御対象の制御
を行うことを特徴とする。
【０００８】
【作用】制御対象又は制御装置に異常が発生したとき、
ニューラルネットにより制御対象のシステムモデル（入
出力特性）を推定し、この推定結果の誤差が許容値以下
になった場合に学習完了として制御装置をニューラルネ
ットに切り替えることでコントロール性を回復・改善
し、システムの運転継続を可能にする。
ニューラルネットにより制御対象のシステムモデル（入
出力特性）を推定し、この推定結果の誤差が許容値以下
になった場合に学習完了として制御装置をニューラルネ
ットに切り替えることでコントロール性を回復・改善
し、システムの運転継続を可能にする。
【０００９】
【実施例】図１は、本発明の一実施例を示すフローチャ
ートである。現有モデルによる制御中（ステップＳ１）
において、制御対象又は制御装置に異常が発生したとき
（ステップＳ２）、制御対象の入出力信号をニューラル
ネットに接続し、制御対象の入出力特性についてニュー
ラルネットの学習を開始する（ステップＳ３）。
ートである。現有モデルによる制御中（ステップＳ１）
において、制御対象又は制御装置に異常が発生したとき
（ステップＳ２）、制御対象の入出力信号をニューラル
ネットに接続し、制御対象の入出力特性についてニュー
ラルネットの学習を開始する（ステップＳ３）。
【００１０】この学習は制御対象の出力に対するニュー
ラルネットの推定制御入力と制御対象の制御入力との誤
差を求め、該誤差が許容値以下で安定するまで続け（ス
テップＳ４）、安定したときに学習完了として現有制御
系をニューラルネットへ切り替え、ニューラルネットに
より制御を継続する（ステップＳ５）。
ラルネットの推定制御入力と制御対象の制御入力との誤
差を求め、該誤差が許容値以下で安定するまで続け（ス
テップＳ４）、安定したときに学習完了として現有制御
系をニューラルネットへ切り替え、ニューラルネットに
より制御を継続する（ステップＳ５）。
【００１１】図２は、図１の処理による時間経過を示
し、異常発生によりニューラルネットによる学習を開始
し、学習完了でニューラルネットによる制御を行う。
し、異常発生によりニューラルネットによる学習を開始
し、学習完了でニューラルネットによる制御を行う。
【００１２】なお、ニューラルネットは幅広い問題の推
定・学習に適したものであるが、計算機の能力から実時
間処理に制約があった。しかし、最近の計算機の能力
は、飛躍的に進歩しており、実時間でのシステムの推定
が可能となっており、異常検出から学習を行って制御系
をニューラルネットに切り替えるのに十分に間に合う。
定・学習に適したものであるが、計算機の能力から実時
間処理に制約があった。しかし、最近の計算機の能力
は、飛躍的に進歩しており、実時間でのシステムの推定
が可能となっており、異常検出から学習を行って制御系
をニューラルネットに切り替えるのに十分に間に合う。
【００１３】本実施例によれば、制御対象又は制御装置
の異常発生にはニューラルネットによる制御対象の入出
力特性の学習を行い、この学習によって制御装置をニュ
ーラルネットに切り替え、制御対象の出力が制御目標値
になるようニューラルネットによる制御を行う。これに
より、コントロール性を回復して制御の継続をし、シス
テムダウン等を回避することができる。
の異常発生にはニューラルネットによる制御対象の入出
力特性の学習を行い、この学習によって制御装置をニュ
ーラルネットに切り替え、制御対象の出力が制御目標値
になるようニューラルネットによる制御を行う。これに
より、コントロール性を回復して制御の継続をし、シス
テムダウン等を回避することができる。
【００１４】本実施例に基づいたニューラルネットによ
るシステム推定の効果を確認するため、簡単な制御モデ
ルに適用したシミュレーション結果を以下に説明する。
るシステム推定の効果を確認するため、簡単な制御モデ
ルに適用したシミュレーション結果を以下に説明する。
【００１５】その概要は、図３にシステム構成例を示す
ように、一次遅れ系になる制御対象１に異常が発生した
とき、ニューラルネット２は制御対象１の逆モデルの伝
達関数を使って出力ｘに対する入力ｕを得るためのパラ
メータａ，ｂを学習しておき、このニューラルネット３
を制御対象の異常発生時に現有制御系に代えた制御手段
として置き換え、目標値ｙが与えられるニューラルネッ
ト３により適正な制御信号ｕを得、この制御信号ｕによ
り制御対象１を制御することで適正な実現値ｘを得て制
御を継続する。
ように、一次遅れ系になる制御対象１に異常が発生した
とき、ニューラルネット２は制御対象１の逆モデルの伝
達関数を使って出力ｘに対する入力ｕを得るためのパラ
メータａ，ｂを学習しておき、このニューラルネット３
を制御対象の異常発生時に現有制御系に代えた制御手段
として置き換え、目標値ｙが与えられるニューラルネッ
ト３により適正な制御信号ｕを得、この制御信号ｕによ
り制御対象１を制御することで適正な実現値ｘを得て制
御を継続する。
【００１６】（１）制御モデルのシステム特性 対象とする制御モデルは、以下の特性を持つものとす
る。
る。
【００１７】入力ｕに対して一次遅れでシステムの状態
ｘが応答し、数式で表すと、以下の記述になる。
ｘが応答し、数式で表すと、以下の記述になる。
【００１８】
【数１】ｄｘ／ｄｔ＝ａｘ＋ｂｕ …（１） ここで、ａ及びｂは、システムの特性を決めるパラメー
タであって、（１）式は、
タであって、（１）式は、
【００１９】
【数２】 ｄｘ／ｄｔ＝ｂ（ｕ−ｘ）＋（ａ−ｂ）ｘ …（２） とも表現できるため、ｂ（通常、正の値）が大きく、
（ａ−ｂ）が０に近い時はシステムの状態ｘは、入力ｕ
の変化に対して時間的にほとんど遅れることなく応答す
る。
（ａ−ｂ）が０に近い時はシステムの状態ｘは、入力ｕ
の変化に対して時間的にほとんど遅れることなく応答す
る。
【００２０】また、ｂが小さく、（ａ−ｂ）の絶対値が
大きいときは、システムの状態ｘは入力ｕの積分に比例
した応答をする。
大きいときは、システムの状態ｘは入力ｕの積分に比例
した応答をする。
【００２１】制御対象が前者の特性を持つ場合と、後者
の特性を持つ場合とでは、操作上で大きな違いがある。
の特性を持つ場合とでは、操作上で大きな違いがある。
【００２２】このため、制御対象の異常でその特性が不
意に前者の特性から後者の特性に急変、又は後者の特性
から前者の特性に急変した場合では、現有制御系が持つ
制御特性では制御対象に異常なふるまいを起こす。この
場合、仮に操作者や監視員が手動で対応しようとしても
制御特性の急変を迅速に判定できず、的確にシステム特
性を推し量ることが困難となり、適正な操作ができな
い。
意に前者の特性から後者の特性に急変、又は後者の特性
から前者の特性に急変した場合では、現有制御系が持つ
制御特性では制御対象に異常なふるまいを起こす。この
場合、仮に操作者や監視員が手動で対応しようとしても
制御特性の急変を迅速に判定できず、的確にシステム特
性を推し量ることが困難となり、適正な操作ができな
い。
【００２３】（２）ニューラルネットの学習と推定 前記のシステム特性の急変を生じた制御モデルに対し、
ニューラルネットを用いてシステム特性を迅速に推定す
る。
ニューラルネットを用いてシステム特性を迅速に推定す
る。
【００２４】推定させるシステム特性は、前記（１）式
の逆モデルに相当し、以下の式で表現できる。
の逆モデルに相当し、以下の式で表現できる。
【００２５】
【数３】 ｕ＝（ｄｘ／ｄｔ）／ｂ−（ａ／ｂ）ｘ …（３） ニューラルネットに対する入力は、上記変数ｘ，ｄｘ／
ｄｔ（以下ｘ’と記述する）であり、また、出力はｕの
推定値ｕeとする。ニューラルネットの出力は、ｔａｎ
ｈ関数によって非線形変換され、Ａを適切な係数として
以下の式になる。
ｄｔ（以下ｘ’と記述する）であり、また、出力はｕの
推定値ｕeとする。ニューラルネットの出力は、ｔａｎ
ｈ関数によって非線形変換され、Ａを適切な係数として
以下の式になる。
【００２６】
【数４】 ｕe＝Ａ・ｔａｎｈ（ｆeｘ＋ｇeｘ’） …（４） 学習アルゴリズムは、バックプロパゲーション則を用い
る。誤差Ｅを、
る。誤差Ｅを、
【００２７】
【数５】Ｅ＝（ｘe’−ｘ’）2／２ …（５） とし、各シミュレーションステップごとに以下の分だけ
結合係数を更新する。
結合係数を更新する。
【００２８】
【数６】 Δｆe＝−λＥ／ｆe ＝λ（ｕ−ｕe）・ｘ・（Ａ−ｕe）（Ａ＋ｕe） …（６） ｆe←ｆe＋Δｆe Δｇe＝−λＥ／ｇe ＝λ（ｕ−ｕe）・ｘ’・（Ａ−ｕe）（Ａ＋ｕe） …（７） ｇe←ｇe＋Δｇe このような結合係数の更新（学習）を続け、誤差Ｅがあ
る許容値以下で安定したときに推定完了と見做し、得ら
れたニューラルネットをそのままシステムの逆モデルと
して現有制御系と切り替える。
る許容値以下で安定したときに推定完了と見做し、得ら
れたニューラルネットをそのままシステムの逆モデルと
して現有制御系と切り替える。
【００２９】（３）異常発生時のシミュレーション 図３において、入力ｕ（ｔ）に対し、遅れなしで出力ｘ
（ｕ）が実現できていた（つまり、ｘ（ｔ）＝ｕ
（ｔ））システムが、ｔ＝０で突然に（ａ，ｂ）＝（−
０.９，４.９）という強い一次遅れ系に急変したと仮定
し、上記ニューラルネットによるシステム推定のシミュ
レーションを行った。その結果を図４及び図５に示す。
（ｕ）が実現できていた（つまり、ｘ（ｔ）＝ｕ
（ｔ））システムが、ｔ＝０で突然に（ａ，ｂ）＝（−
０.９，４.９）という強い一次遅れ系に急変したと仮定
し、上記ニューラルネットによるシステム推定のシミュ
レーションを行った。その結果を図４及び図５に示す。
【００３０】ｔ＝０.０から５.０までの間は現有モデル
に基づき、ｕ（ｔ）＝ｙ（ｔ）としているが、図５で明
らかなように、実現されたｘ（ｔ）は目標値ｙ（ｔ）と
大きさも位相も異なったものである。この間、システム
の逆モデルはニューラルネットによって推定されてい
る。
に基づき、ｕ（ｔ）＝ｙ（ｔ）としているが、図５で明
らかなように、実現されたｘ（ｔ）は目標値ｙ（ｔ）と
大きさも位相も異なったものである。この間、システム
の逆モデルはニューラルネットによって推定されてい
る。
【００３１】図４に前記（５）式に相当する誤差Ｅを時
間５.０まで追跡しているが、時刻３.５より以降は誤差
Ｅが＜１０-3であって、十分に小さく安定しているた
め、時刻５.０で学習完了、ニューラルネットへ制御モ
デルを切り替えた。
間５.０まで追跡しているが、時刻３.５より以降は誤差
Ｅが＜１０-3であって、十分に小さく安定しているた
め、時刻５.０で学習完了、ニューラルネットへ制御モ
デルを切り替えた。
【００３２】図５において、時刻５.０でシステムモデ
ルを切り替えると、それまでの学習期間には実現値と目
標値に大きな差が存在するが、時刻５.０以降には漸近
的に実現値が目標値に一致して行くことがわかる。すな
わち、ニューラルネットによるシステム推定の結果を利
用することにより、異常時における制御性が改善される
ことを示している。
ルを切り替えると、それまでの学習期間には実現値と目
標値に大きな差が存在するが、時刻５.０以降には漸近
的に実現値が目標値に一致して行くことがわかる。すな
わち、ニューラルネットによるシステム推定の結果を利
用することにより、異常時における制御性が改善される
ことを示している。
【００３３】なお、制御装置の異常に対しても、ニュー
ラルネットによる制御対象の特性の学習と、その後にニ
ューラルネットを制御装置に代えた制御により制御性の
回復・改善を行うことができる。
ラルネットによる制御対象の特性の学習と、その後にニ
ューラルネットを制御装置に代えた制御により制御性の
回復・改善を行うことができる。
【００３４】
【発明の効果】以上のとおり、本発明によれば、制御対
象の出力と制御入力から該制御系の入出力特性を推定で
きるニューラルネットを設け、制御対象又は制御装置に
異常が発生したときにニューラルネットにより制御対象
の入出力特性を推定し、この推定結果の誤差が許容値以
下になった場合に学習完了として制御装置をニューラル
ネットに切り替えて制御を行うようにしたため、制御系
の異常発生にフェールセイフによる制御停止を起こすこ
となく、コントロール性を回復・改善してシステムの運
転継続が可能になる。
象の出力と制御入力から該制御系の入出力特性を推定で
きるニューラルネットを設け、制御対象又は制御装置に
異常が発生したときにニューラルネットにより制御対象
の入出力特性を推定し、この推定結果の誤差が許容値以
下になった場合に学習完了として制御装置をニューラル
ネットに切り替えて制御を行うようにしたため、制御系
の異常発生にフェールセイフによる制御停止を起こすこ
となく、コントロール性を回復・改善してシステムの運
転継続が可能になる。
【図１】本発明の一実施例を示すフローチャート。
【図２】実施例の制御手順の時間経過。
【図３】実施例のシステム例。
【図４】実施例に基づいたシミュレーションでの学習誤
差。
差。
【図５】シミュレーションでの入出力波形。
１…制御対象 ２…ニューラルネット ３…現有モデルに代えたニューラルネット
Claims (1)
- 【請求項１】 制御対象とその制御装置からなる制御系
において、 制御対象の出力と制御入力から該制御系の入出力特性を
推定できるニューラルネットを設け、 制御系に異常が発生したときに前記ニューラルネットに
より制御対象の入出力特性を学習し、この学習完了で前
記制御装置に代えて該ニューラルネットにより制御対象
の制御を行うことを特徴とする制御系の制御方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6251119A JPH08115103A (ja) | 1994-10-18 | 1994-10-18 | 制御系の制御方式 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6251119A JPH08115103A (ja) | 1994-10-18 | 1994-10-18 | 制御系の制御方式 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH08115103A true JPH08115103A (ja) | 1996-05-07 |
Family
ID=17217949
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6251119A Pending JPH08115103A (ja) | 1994-10-18 | 1994-10-18 | 制御系の制御方式 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH08115103A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10059567A1 (de) * | 2000-11-30 | 2002-06-13 | Siemens Ag | Verfahren und Vorrichtung zur Berechnung von Prozessgrößen eines industriellen Prozesses |
-
1994
- 1994-10-18 JP JP6251119A patent/JPH08115103A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10059567A1 (de) * | 2000-11-30 | 2002-06-13 | Siemens Ag | Verfahren und Vorrichtung zur Berechnung von Prozessgrößen eines industriellen Prozesses |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3086206B2 (ja) | エージェント学習装置 | |
| US8755956B2 (en) | Method and device for detecting the jamming of an aircraft control surface | |
| US6729432B1 (en) | Re-configurable control of steer-by-wire systems | |
| JP2016511699A (ja) | ロボットとその環境との衝突の検出を改善する方法、同方法を実施するシステムおよびコンピュータプログラム製品 | |
| JP3219245B2 (ja) | 温度制御シミュレーション方法及び温度制御シミュレーション装置 | |
| JP6449723B2 (ja) | 故障シミュレーション装置及び故障シミュレーション方法 | |
| JPH08115103A (ja) | 制御系の制御方式 | |
| Ma et al. | Distributed adaptive fuzzy control for multi-agent systems with full state constraints and unmeasured states | |
| Linkens et al. | Constructing rule-bases for multivariable fuzzy control by self-learning Part 1. System structure and learning algorithms | |
| Zhai et al. | Observer-based fault detection and accommodation for nonlinear time-delay systems with a prescribed performance mechanism | |
| JP2923000B2 (ja) | サーボ制御装置 | |
| JP3292537B2 (ja) | 広域電力系統緊急監視方法及び緊急制御方法及び装置 | |
| JPH0651805A (ja) | プラントの適応制御方法およびそれを実現する装置 | |
| JPH0887323A (ja) | 制御系診断装置 | |
| JP3772340B2 (ja) | バルブポジショナ | |
| Quiroga et al. | Neural network based system identification of a PMSM under load fluctuation | |
| Fink | Model reference adaptive control for telemanipulation | |
| JP4200357B2 (ja) | 電動機制御装置の運転立上げ方法および電動機制御装置 | |
| CN116277034B (zh) | 应对负载变化的机器人控制方法、装置及电子设备 | |
| JP2002124481A (ja) | 温度制御シミュレーション方法および温度制御シミュレーション装置 | |
| KR20040036064A (ko) | 비례적분제어기의 제어방법 | |
| Trunov et al. | Robust nonlinear fault diagnosis: Application to robotic systems | |
| Hazzab et al. | Real time implementation of adaptive PI controller by fuzzy inference for induction motor speed control | |
| Hejrati et al. | Physical Human–Robot Interaction Control of an Upper Limb Exoskeleton With a Decentralized Neuroadaptive Control Scheme | |
| JPH0293903A (ja) | ファジイコントローラの異常処理方式 |