JPH08505972A - パラメータ化ニューロコントローラ - Google Patents
パラメータ化ニューロコントローラInfo
- Publication number
- JPH08505972A JPH08505972A JP6517201A JP51720194A JPH08505972A JP H08505972 A JPH08505972 A JP H08505972A JP 6517201 A JP6517201 A JP 6517201A JP 51720194 A JP51720194 A JP 51720194A JP H08505972 A JPH08505972 A JP H08505972A
- Authority
- JP
- Japan
- Prior art keywords
- controller
- neural network
- training
- inputs
- input
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Control Of Electric Motors In General (AREA)
- Electrotherapy Devices (AREA)
- Electrophonic Musical Instruments (AREA)
- Numerical Control (AREA)
Abstract
(57)【要約】
いずれかのパラメータをニューロコントローラへ入力されるべく選択して、出力を発生し、そこで、ニューロコントローラはそれらのパラメータについて訓練される。これを実行するための訓練システム、並びに様々な閉ループアプリケーションを教示する。
Description
【発明の詳細な説明】
パラメータ化ニューロコントローラ
本出願は、制御システムと共に封入された被制御プロセスに信号を供給するコ
ントローラに関し、さらに特定すれば、プロセスの変動と、被制御システム又は
プロセスのユーザの側での変化しつつある目的と、プロセスの(雑音などの)外
乱特徴とに応答するコントローラ、並びにプロセスがいかにして制御されるかに
関する。
発明の背景
この特許の中で説明するような神経回路網コントローラにより与えられる特徴
を提供するためには、アルゴリズムコントローラは並はずれて複雑にならざるを
えない。従って、本発明の教示を使用することにより、きわめて長い開発時間を
要するという事態を回避できる。
人工神経回路網は、入出力データに基づいて非線形性の強い多次元機能及び動
的システムを正確にモデル化する能力を含めて、制御システムに革新的能力を与
える力を潜在的に有している。それらは高度の一般化及び堅牢性を伴ってコンパ
クトで、効率の良いインプリメンテーションを可能にし、現時点においてはハー
ドウェアのインプリメンテーションにきわめて適している。
ところが、出願人のニューロPIDコントローラ(1993年1月27日に出
願された国際特許出願PCT/US93/01829の主題)を除いて、それら
の潜在的利点の実現に近づいている神経回路網コントローラのインプリメンテー
ションはなく、以下に論じるようにその適用用途は限られている。ニューロPI
Dでは、コントローラは応用依存性をもたず、これは重要な特徴である。特定の
一組のコントローラパラメータ、すなわち、比例利得、積分利得及び微分利得を
経て、様々に異なるアプリケーションに対してコントローラの行動を調整できる
。それらは、従来の線形PIDコントローラにより採用されているのと同じパラ
メータである。ニューロPIDはPIDインタフェースを伴う最適化された非線
形コントローラを実現する。
ニューロPIDを神経回路網コントローラを開発するための従来の教示と比較
することができる。従来の神経回路網コントローラでは、特定のプロセスモデル
に対して神経回路網が開発されており、様々に異なるプロセス、プロセス変動、
外乱又は(ユーザの要求による)制御システムに対する変化しつつある必要条件
に関して明示の許容はなされていない。
制御に適用する場合に神経回路網を使用する別の例はシステム識別、構造とパ
ラメータ双方の識別及び自動同調を含む。それらの場合(ニューロPIDコント
ローラ及びパラメータ化ニューロコントローラとは異なり)、神経回路網はそれ
自体コントローラではないが、別個の、非神経コントローラの性能を向上させる
ために有用である情報を提供する。
ニューロPIDコントローラは従来の技術と比べて大きく進歩したものではあ
るが、PIDパラメータが3つに限定されているため、多くの用途、特に多変数
プロセス、非線形性の強いプロセス及び大きな時間遅延を伴うプロセスに対する
有用性は制限される。
ニューロPIDコントローラの中に記述されている概念を一般化して、著しく
広い範囲の用途に対応できることが発見されている。この一般化は、より多様な
パラメータを入力としてコントローラに与えることによって実現される。一般化
パラメータは、何らかの適切な方法でコントローラにリンクされているユーザ、
ソフトウェア又はハードウェアシステムによる神経回路網コントローラの行動の
変更を可能にする。本発明ではどのようなパラメータ又はパラメータ集合でも使
用しうるであろう。これまでの神経回路網コントローラはいずれもそれを実行で
きなかった。
神経回路網コントローラへの入力として許容しうるパラメータには3種類ある
。それらは:制御パラメータpcと、プロセスパラメータppと、外乱パラメータ
pdである。制御パラメータは、一般に、与えられるどのようなプロセスに対し
てもコントローラ行動の変更を可能にする種類のパラメータである。制御パラメ
ータの例は:サーボ応答の正確さ対制御エネルギーに関わる重み付け;設定値に
到達するための時間;外乱の後に設定値に戻るための時間;立ち上がり時間;整
定時間;ホライゾン(一連の制御運動が申し分ないか否かに関する判定を実行す
るときに将来を判定する標準);アクチュエータ運動の最大許容速度;比例、積
分及び微分(PID)利得パラメータ;及び基準モデルパラメータ、将来基準応
答等々である。
プロセスパラメータは、コントローラを開発する目標となる特定のプロセスの
弁別アスペクトに関する。それらは:非作動時間又は遅延;プロセス時定数;プ
ロセス利得;プロセス減衰係数;プロセス動的順序;様々な非線形特性(たとえ
ば、指数、二次、対数、ヒステリシス)の相対量;及びプロセス中の広範囲にわ
たる非線形性を符号化するために使用しうる他のパラメータ等々を含む。
外乱パラメータはプロセスの外にあるが、プロセスの行動に影響を及ぼす要因
に関する。多くの制御状況において、それらは一般に雑音と考えられる。その例
は(建物の温度制御に適用する場合に)人の出入り;曇天対晴天の日を含む環境
条件の変化;周囲外気温等々を含む。これらの種類のパラメータのpdを、神経
回路網コントローラに対して(且つおそらくはどのようなコントローラに対して
も)入力として使用するためには、外乱パラメータは測定可能、モデル化可能又
は予測可能のいずれかでなければならない。
特定のどのパラメータ化ニューロコントローラにおいても、これらのパラメー
タ型のうちいずれか1つ又は2つ、さらには3つ全てを使用して良い。これらの
パラメータ型の各々は、所望の結果に応じて任意の数の個別のパラメータから構
成されていれば良い。
発明の概要
本発明は、プロセスパラメータ(pp)、制御パラメータ(pc)及び外乱パラ
メータ(pd)というパラメータ型の全て又はいくつかからのパラメータを含ん
でいて良いユーザ定義パラメータ又は設計者定義パラメータを表現する入力信号
に応答する出力をもつ神経回路網に基づくコントローラを教示する。一括して参
照するときには、それらを制御システムパラメータPと呼ぶ。P個のパラメータ
群のうちいずれか1つ、2つ又は3つ全てから選択した任意の数(零からコント
ローラの容量又は設計者の忍耐ぎりぎりの何らかの数まで)のパラメータがあれ
ば良い。
好ましい実施の形態では、神経回路網は動的又は代数(たとえば、フィードフ
ォワード)回路網である。その例は、David E.Rumelhart,G
eoffrey E.Hinton及びRonald J.Williamsに
より説明されている多層パーセプトロン回路網(Learning inter
nal vepresentations by error propaga
tion。D.E.Rumelhart 及びJ.L.McClellandの
「Parallel Distributed Processing:Exp
lorations in the Microstructure of C
ognition,Vol.1」(Eds.),マサチューセッツ州ケンブリッ
ジ:MIT Press,1986年)、及びJohn MoodyとChri
stian J.Darkenの半径方向ベース関数回路網(Fast lea
rning in networks of locally−tuned p
rocessing units。「Neural Computation」
,1,281〜294ページ、1989年)を含み、それらは良く知られた代数
形態である。
Barak A.Perlmutter(Learning state s
pace trajectories in recurrent neura
l networks。「Neural Computation」、1、26
3〜269ページ、1989年)は、使用できると考えられる動的連続時間型回
路網を説明している。Jeffrey L.Elman(「Finding S
tructure in Time」,Technical Report 8
801,Center for Research in Language,
University of California,San Diego,L
a Jolla,CA92093,1988年)は、同様に使用できると考えら
れる動的分散時間型回路網を説明している。実際には、ほぼどのような型の神経
回路網でも使用できる。
ところが、回路網の外から各ノードに対する唯一つの入力しか受け入れられず
且つ各ノードは1つおきのノードと通信し、どの2つのノード(i,j)も(wij
=wjiとなるように)重み値を共用するという点で制約される典型的なHop
field型には幾分かの懸念がある。そのような回路網は不十分なものにな
りがちである。
通常は、回路網は使用されるPパラメータと、回路網中の重みと、誤りフィー
ドバック入力との何らかの関数である出力を発生する。誤りフィードバック入力
はプロセス出力と、設定値又は基準モデル出力と、設定値と実際の出力の誤差と
、この誤差の積分及び/又は微分と、プロセス状態変数推定値等々を含んでいて
良いであろう。
一実施の形態では、パラメータ化ニューロコントローラ(以下、「PNC」)
及び既存のコントローラから出力を受信する学習アルゴリズムをランするための
プロセッサを追加することにより、そのような神経回路網を既存のコントローラ
を模倣するように訓練することができる。学習アルゴリズムプロセッサの前又は
その中のいずれかで、適切なレベルの熟達が神経回路網コントローラにより実証
されるまで、それら2つの比較を実行する。既存のコントローラの出力は閉ルー
プでオンラインで取り出される。訓練はオンラインで実行可能であるが、あるい
は後に収集データによって訓練を実行できる。
多様なプロセスモデルについて、訓練をオフラインで実行することも可能であ
る。PNCを構成するための開発システムも説明する。
神経回路網の訓練は、一般に、何らかの関心基準を最適化する回路網重みの値
を確定することに基づいている。遺伝的アルゴリズム、「走化性(chemot
axis)」、逆戻り伝搬、相互逆方向伝搬、共役勾配、並びに当業者に知られ
ている他の一次方法又は二次方法を含めて、いくつかの特定の確率アルゴリズム
及び確定アルゴリズムを使用できる。回路網の「訓練」は、実際には、遺伝的ア
ルゴリズム又は当業者に知られている他の方法を使用してノードの構造及びそれ
らの関係を構成又は確定することを含んでいても良い。その基準はコントローラ
のユーザ又は顧客によって選択される。
図面の簡単な説明
図1は、プロセスに対する制御運動を表現する信号を供給するような閉ループ
システムにおけるパラメータ化ニューロコントローラ(PNC)のブロック線図
である。
図2は、様々に異なる制御戦略を使用して実現可能な様々な制御曲線を指示す
る、時間とプロセス出力yとの関係を表わすグラフである。
図3は、既存のコントローラに基づいてPNCを訓練するための好ましい一実
施の形態の構成を示すブロック線図である。
図4は、PNCの閉ループシミュレーション訓練を示す発見的ブロック線図で
ある。
図5aは、本発明を採用できる潜在的制御システムのブロック線図である。
図5c及び図5bも、本発明を適用できる制御システムの他の構成のブロック
線図である。
図面の詳細な説明
図1は、プロセス(P)12(周囲環境、様々な種類の処理プラント、既存の
制御システム又は他の何らかの種類のシステムを含んでいても良いであろう)を
有する一般化制御システム10を説明しており、プロセス12はコントローラ1
1(ここでは、コントローラはパラメータ化ニューロコントローラである)の出
力である制御調整信号を入力(u)13として受信する。プロセスの出力の測度
yは、信号線18を介してPNCの入力端子15へとフィードバックされる信号
として信号線14へ発生される。PNCは、信号線17を介して入力端子16に
至る基準入力yrに対して何が適切であるかに基づいて、その制御動作を継続す
る。この例のパラメータ化ニューロコントローラでは、ユーザ又は何らかの自動
システムが所望のpc、pp及び/又はpdパラメータ値(19)を表わす入力を
供給できるであろう。P個のパラメータ群の中のいずれか1つ、2つ又は3つ全
てから選択した任意の数(零からコントローラの容量又は設計者の忍耐力を使い
尽くす何らかの数)のパラメータがあれば良い。あらゆる実世界プロセスにおけ
るのと同様に、プロセス12は外乱Dによって妨害される可能性がある。
プロセス自体をいくつかのパラメータ、この場合には、たとえば、点線の中の
K,τ及びΘ(これらはppの種類に属する)により特徴づけても良い。
希望に応じて、プロセスへの入力(信号線23のu)及びプロセスからの出力
(信号線22のy)を受信するプロセス識別子20によってそれらのプロセスパ
ラメータを識別しても良い。識別子はプロセス識別に際して使用されるパラメー
タK,τ及びΘの表現を生成することができる。希望に応じて、識別子20をコ
ントローラ11の一部として構成できるであろう。識別されたプロセスパラメー
タをPNCに入力することにより、ppの一部又は全てを供給することは可能で
あろう。
一般に、次の代数−微分系によってプロセスを定義できる:
u(t-τ1),...,u(t-τm),p,t),x(O)=xo
O=g(xp(t),xp(t-T1),...,xp(t-Tn),u(t),
u(t-τ1),...,u(t-τm),p,t)
y(t)=h(xp(t),xp(t-T1),...,xp(t-Tn),u(t),
u(t-τ1),...,u(t-τm),p,t).
数多くの目的に対して、1組の代数方程式、0=g(.)が不要であるこの系
の簡略化形態で十分である。
これらの方程式の中で、xpはプロセスの動的状態変数を表わし、uはプロセ
ス入力を表わし、yはプロセス出力を表わし、pはシステムを特徴づけるパラメ
ータを表わす。Ti及びτiは状態時間遅延と入力時間遅延であり、pと共にプロ
セスパラメータppを構成する。一般的なケースでは、u,xp,p及びyは全て
適切な大きさのベクトルである。プロセスパラメータはプロセスの動的行動を確
定する。室温での制御に適用する場合には、たとえば、部屋の容積(大きさ)、
壁及び床の熱伝導率などがプロセスパラメータになるであろう。プロセスパラメ
ータは時間の経過に伴って変化することもある。すなわち、隣接する部屋に通じ
るドアを開いた場合には、暖房又は冷房を目的とする有効容積は増加するであろ
う。
パラメータ化ニューロコントローラと共に使用するためには、どのような種類
のプロセスパラメータでも許容される。プロセス状態変数又はその推定値を神経
回路網に入力できる(たとえば、神経回路網は状態フィードバックコントローラ
であっても良いであろう)が、少なくとも1つのプロセスパラメータ、制御パラ
メータ又は外乱パラメータをも入力としなければならないということに注意すべ
きである。
T.Troudet,S.Garg及びW.Merrillの「Design
and Evaluation of a Robust Dynamic
Neurocontroller for a Multivariable
Aircraft Control Problem」(Proc.Inter
national Joint Conference on Neural
Network,第1巻、ボルチモア、308〜314ページ、1992年)の
中に示されているように、状態変数はニューロコントローラに入力されていた。
ところが、それらはプロセスパラメータ、制御パラメータ又は外乱パラメータの
入力を教示していない。
別の構成は、ルールベースプロセッサを正面に置いた複数の神経回路網PNC
を有し、P入力の値に基づいて訓練された最良のものを選択するものとなるであ
ろう。
PNCに供給しうるパラメータの説明は本出願の背景の節の中で既に行われて
いる。
また、PNCに関わるここの神経回路網がとれるであろう様々な形態について
も、先の要約の中で論じた。さらに一般化するために、1組の方程式を使用して
、神経回路網からコントローラ出力uを定義することが可能であろう。その関数
によって神経回路網を定義しても良い。代数型は一般に以下に記す関数により定
義できる:
u(t)=g(P,w,e(t),t),又は
u(t)=g(P,w,y(t),yr(t),t),又は
u(t)=g(P,w,e(t),e(t-Te,1),...,e(t-Te,R),又は
式中、wは回路網の重みを表わし、xpはプロセス状態変数(又はその推定値)
を表わし、
おける誤差の変化率であり、Te,i,Ty,i,Tyr,i及びTxp,iは、それぞれ、e,
y,yr及びxpの値における時間遅延(必ずしも非零ではない)である。
本発明と共に使用することを意図した動的、連続時間型神経回路網は、次の動
的体系により定義される出力を有する:
u(t)=g(x(t),pc,pp,pd,w,e(t))
x(o)=xo、式中、xは神経回路網に関わる状態ベクトルである。
動的、離散時間型神経回路網は次の動的体系により定義されれば良い:
x(t)=f(x(t-δt),pc,pp,pd,w,e(t))
u(t)=g(x(t-δt),pc,pp,pd,w,e(t))
x(o)=xo
上記の定義方程式はいずれも限定しようとするものではなく、使用可能な神経
回路網を定義することを依然として可能にしつつ、重み及び誤差,y,xp及び
yrの各パラメータ並びに時間及び時間遅延値を追加又は除去しても良いことは
当業者にはわかるであろう。それらも本発明と共に使用されて良い。
また、本発明が単一入力単一出力コントローラへの適用に限定されないことも
認めるべきである。複数組のy入力,yr入力及びxp入力と、複数のu出力とを
容易に受け入れ、本発明に関して使用される様々な種類の神経回路網の中の1つ
の多重入力単一出力バージョン又は多重入力多重出力バージョンのいずれかへと
訓練しうるであろう。y,yr,xp及びuがスカラ量であるという限定は全く示
唆されていない。それらは任意の次元のベクトルであっても良い。
次に図2(例示のみを目的とする1例−他の種類の基準や曲線は当業者により
容易に想像可能である)を参照すると、yrにより表現されるレベルにおける所
望のプロセス出力を実現するための3つの個別の曲線C1,C2及びC3が示され
ている。例示のみを目的としているが、曲線C1は、所望の設定値又は基準値を
できる限り迅速に達成するために非常に激しく且つ非常に急速に押した場合にプ
ロセスが与えると思われる種類の応答を指示する。設定値を達成するまで、相当
に大きなオーバシュートがあり、おそらくは振動も起こる見込みである。曲線C2
はほとんどオーバシュートをもたないが、設定値を達成する時間は幾分遅くな
り、曲線C3はさらに後の時点で設定値を達成する。上昇時間はtoから多少の時
間を経るまで始まらず、それは制御信号を送信できる時間と、プロセスが応答す
る時間との間にこの例では何らかの遅延が存在するという点に注意する。pcの
一要素、たとえば、比例コントローラ利得の変化も図2に示すような応答特性の
中で類似の変化を実現できるであろう。たとえば、比例利得が大きくなれば、曲
線はC1より近く見えるであろうし、比例利得が小さくなれば、曲線はC3により
近く見えるであろう。プロセス外乱又は測定雑音に変化があった場合にも、応答
曲線の特性は変化するであろう。たとえば、コントローラが反応チャンバに添加
されつつある化学薬品の量を制御しており且つチャンバ内の化学薬品の残量に対
して化学薬品の1つがある濃度に達したときに反応の速度が著しく変化する場合
には、予期されるこの結果を考慮するために、PNCにより受信される入力の中
に1つのプロセスパラメータを組み込むことができるであろう。従って、たとえ
ば、センサの出力が酸性の程度(又は他の何らかの測定可能な量)は反応速度が
著しく増加してある値を過ぎた又はその値に近づいていることを指示した場合、
コントローラがより多くの酸性化学薬品を放出する弁を閉鎖しそこなうことによ
って、応答曲線をさらにC1に近づける、実際には暴走反応を引き起こすことに
なるであろう。
別の例として、たとえば、建物空間の暖房を制御しているコントローラへ雑音
又は外乱のパラメータ変化を適切に送り込んでも良いであろう。日中は通常明る
く且つ日が良く当たり、外気温は非常に暖かいような場合には、建物に加わる熱
負荷と、熱を大気中へ消散させる能力は減少するであろう。従って、コントロー
ラのオペレータがC2に類似する応答曲線を希望するならば、そのような曲線を
得るために通常要求されるであろうと考えられるのとは異なる制御運動をPNC
により出力(u)して、その外乱に対応する必要がある。
次に、既存のコントローラ31(C)と、被制御プロセス(P)32とを有し
、制御信号出力(u)が信号線34を介してプロセス(P)へ送り出され且つプ
ロ
セスからの出力yは信号線35を介して出力されるような被制御システム30が
示されている図3を参照する。出力yは信号線36を介して現存のコントローラ
31及びPNC33へもフィードバックされる。共に出力yと、入力信号線37
から受信される所望の出力yrとに応答して、その制御信号を発生する。この場
合、既存のコントローラ31はプロセス32を制御するのに申し分のない出力u
を発生する。この場合のPNCは既存のコントローラ31と実質的に置き換える
ため、あるいは冗長システム、バックアップ又は多くの場合に複製されるプロセ
ス32の環境において訓練されるシステムとして動作するために使用される。最
後に挙げたケースでは、一旦訓練されれば、PNCをプロセス32のこの1つの
事例から除去して、他の類似のプロセスで使用することができる。
この状況では、パラメータpc,pp,pd43は、通常、信号線42を介して
PNCと既存のコントローラ31の双方へ入力される。ところが、多くの場合、
コントローラC31は異なる1組のパラメータを入力されていると思われる。
プロセッサ39は信号線34aからの出力(uPNC)と、信号線38からの出
力(u)との差を求める。この差の数はプロセッサ39の中に含まれている学習
アルゴリズム40へ送られる。学習アルゴリズムは文献の中で何度となく論じら
れている様々の異なる型の中のものであれば良い。それらは、たとえば、周知の
逆戻り伝搬、共役勾配アルゴリズム及び遺伝子アルゴリズムの方法、並びに他の
数多くの可能な訓練方法を含む。
学習アルゴリズム処理の結果は、希望に応じて内部重み、すなわち、実際には
PNC33の構成を調整するためのPNC33への信号(信号線41)である。
申し分のない堅牢な性能を示す既存のコントローラを利用可能であれば、ここ
で示すように、既存のコントローラを模倣するように神経回路網を訓練すること
ができる。すなわち、同じ出力が与えられるのであれば、神経回路網と既存のコ
ントローラが同一の入力を供給することが望まれる場合、これは可能である。既
存のコントローラ31に入力される又は入力されないと思われる入力パラメータ
43に基づいて依然として既存のコントローラを模倣するように出力を調整する
ことも可能である。その時点で既存のコントローラが供給するのが困難であるい
くつかのパラメータを要求する(たとえば、それらのパラメータの計算が含まれ
るような)場合、その代わりにより容易に利用可能ないくつかのパラメータをP
NCに与えることができる。そこで、PNCは、新たなパラメータを与えられる
と、既存のコントローラの行動をできる限り正確に複製しようとする。セットア
ップにおいて既存のコントローラよりまさるように神経回路網を訓練することは
できない。しかしながら、この状況について依然として残っている他の利点があ
る。おそらくは、実行はより速くなり、コードサイズとインプリメンテーション
は縮小し、既存のコントローラ31を閉ループから排除せずに訓練をオンライン
で実行でき、且つ様々に異なる入力パラメータを使用しうるであろう。
次に、既存のコントローラが利用可能であることを要求しないPNC開発のた
めの代替方式を説明する。この方式では、既存のコントローラより相当に強力で
ある非線形コントローラを得ることができる。従来の技法では制御しにくいプロ
セスに対してもこの方式を使用できる。
たとえば、若干の項目を挙げるとしても、制御エネルギー、サーボ応答(応答
時間、最大パーセントオーバシュート、帯域幅を含む)、外乱拒絶(設定値に戻
るための時間及び設定値からの最大偏差を含む)及び安定性などの基準を縮小す
るか、最小にするか又は最適化するように、回路網を訓練することができる。制
御パラメータpcを使用する訓練後の神経回路網PNCは、競合する目的の間の
オンライントレードオフを可能にする。基準の1例は制御エネルギーと、何らか
の時間間隔Tにわたる応答誤差との重み付き和である。この場合、pcは2つの
マトリックスR及びQから構成されている。
パラメータ化ニューロコントローラはRパラメータ及びQパラメータの範囲(
並びに何らかのシミュレートプロセス世界)にわたり訓練されるであろう。訓練
後は、ユーザはその時点の制御目的であるものに従ってコントローラパラメータ
(pc)を調整できるであろう。
最適PNC開発は次に示す情報の指定を要求する(ただし、準最適開発ではそ
のいくつかを無視しても良い):
−PNCが企図している1つ又は複数のアプリケーションを表現する1つ又は
複数のプロセスモデル。(たとえば、それらのモデルは、ユーザの選択に応じて
、代数的及び/又は動的、線形及び/又は非線形、集中形又は分散形であっても
良いであろう。)
−外乱モデル(オプション)。
−それ自体がパラメータ化されても良い制御基準(たとえば、制御動作に対す
る相対重み付け対サーボ応答)。
−PNCに対する入力。それらは誤差、積分誤差、誤差の微分、設定値、プロ
セス出力などのフィードバック入力、並びに制御パラメータ、プロセスパラメー
タ及び外乱パラメータを含むコントローラパラメータを含む。少なくとも1つの
制御システムパラメータPが含まれていなければならない。外乱モデルを指定し
た場合に限り、外乱パラメータを含めることができる。
−PNC入力として使用されないものを含めて、全てのプロセスモデルパラメ
ータについて範囲を指定すべきである。
−外乱モデルをパラメータ化する場合、PNC入力として使用されないものを
含めて、全ての外乱パラメータについて範囲を指定すべきである。
−全ての制御パラメータについての範囲を指定しなければならない。
−PNC開発のために使用すべき入力信号のクラスを指定しなければならない
。多くの場合、これは指定の間隔の中の大きさのステップ入力(たとえば、設定
値変化)であろうと期待される。
全てのパラメータについての範囲は個別でなくても良いことを理解すべきであ
る。事実、多くの場合に、かなりの従属性があるものと期待される。すなわち、
制御パラメータの適切な値又は妥当な値はプロセスパラメータ値によって変化し
うるであろう。範囲はポイントであることも可能である一対応するパラメータは
一定に保持されるであろう(これを訓練中に実行するために、図4のモジュール
71のようなモジュールを使用しても良い。)
この情報を指定したならば、PNC開発を開始できる。その開発プロセスは図
4に概略的に示されている。パラメータ化ニューロコントローラ53はシミュレ
ートされた制御ループの中に配置されており、一般化プロセスモデル54はPN
C訓練アルゴリズム60と対話する閉ループシミュレーションシステム52の中
にある。閉ループに対する入力信号と、プロセスモデルに対するパラメータ値5
6及びPNCに対するパラメータ値(55)とは、一貫パラメータ及び入力生成
モジュール(以下に示す)によって生成される。閉ループシミュレーションシス
テムは、閉ループシミュレーションの結果に基づいて制御基準を評価する能力を
有する。また、この情報が必要とされるときに神経回路網の重みに対する制御基
準の勾配を計算する能力をも有する。基準値は信号線62を介してPNC訓練ア
ルゴリズムに渡され、勾配は信号線63を介してPNC訓練アルゴリズムに(必
要に応じて)渡される。
PNC訓練アルゴリズムの機能は本質的には、制御基準を最小限にするために
PNCを構成することである。これはPNC重みの値を確定することによって実
行されるが、使用される訓練に応じて、回路網自体を構成することをも含んでい
て良いであろう。PNC訓練アルゴリズム60は対話方式でこの問題を解決し、
最小値に到達するまで回路網及び/又はその重み値を連続して更新して行く。こ
の目的のために数多くの特定アルゴリズムを使用できる。それらのうちいくつか
は勾配の計算を必要とするが、他のアルゴリズムは必要としない。好ましい一実
施の形態では、遺伝的アルゴリズムを使用する。遺伝的アルゴリズムは強力な最
適化アルゴリズムである。それらは任意に複雑さをもつ基準を可能にし、勾配の
計算を要求しない。
再び図4を参照すると、パラメータ化ニューロコントローラ53はシミュレー
トされた制御ループの中に配置されており、プロセス54はPNC訓練アルゴリ
ズム60と対話し且つシミュレートパラメータ入力55sを受信する閉ループシ
ミュレーションシステム52の中にあり、プロセスは信号線56sを介してシミ
ュレートパラメータ入力を受信する。プロセスモデルパラメータの集合全体を
71から信号線56aを介してプロセスに入力される。それらは、シミュレーシ
ョン中にPNCに対しpp及びpdで利用可能なパラメータのスーパーセットで
ある。それらは一貫パラメータ及び入力発生器プロセッサ71から発生する。
ユーザが設定する基準による評価に関連する出力yと他の全ての信号は基準評
価装置58と、勾配計算装置59とに入力される。制御基準をJとし且つ▽wJ
がwの重みに関するJの勾配(偏導関数)を表わすとき、それらの装置はJ及び
▽wJを表わす信号出力をそれぞれ発生する。
PNC訓練アルゴリズム60がいかに動作しうるかの例を次に示す。双方の場
合において、初期の1組の重みwoを生成し、次に対話方式で調整する。それら
の例は共に回路網の構成が固定されていると仮定している。様々な基準や状況に
対して様々に異なる方法が好ましいと思われるので、それらの例は限定する意味
をもつと考えてはならないものであるにすぎない。(所定の状況に対して使用す
べき最良のアルゴリズムは、以下に示す2つのうち一方でなくとも良い。)
単純な勾配利用訓練アルゴリズム:
woを無作為に生成する
▽wJ(w)<Eとなるまで、
w=w+η▽wJ(w)
を繰り返す
(尚、ηは定数(学習速度パラメータであり、Eは小さな数(たとえば、0.
001)である。▽wJ(w)<Eのとき、Jは有効に最小にされる。)
単純な非勾配利用訓練アルゴリズム:
woを無作為に生成する
1 J(w)<E2である間
2 wの付近のw′を生成する
3 J(w′)<J(w)であれば
w=w′
4 そうでなげれば
1に向かう
5 終了
(E2は小さな数である)
希望に応じて、この訓練シミュレータシステム50をハードウェアとソフトウ
ェアとの何らかの組み合わせ、あるいは全てソフトウェアとして構築されていて
も良い。信号線55及び56はシミュレートされたパラメータ入力又はユーザが
調整したパラメータ入力のいずれかを供給することができる。設定値、すなわち
、所望の応答入力信号61(yr)をユーザが定義しても良く、シミュレーショ
ン中に提供しても良い。
プロセッサ又はモジュール71の一貫パラメータ及び入力発生器はユーザが指
定するクラスの入力信号と、ユーザが指定したパラメータの範囲と、それらの範
囲の間の従属性とを含むことができる。このプロセッサ71は別個の1つのハー
ドウェア、又はソフトウェアであっても良く、あるいはシミュレーションプロセ
ッサの中に統合されていても良い。この情報をボックス71の中に記憶するのが
好ましいであろう。この情報は適切なパラメータ及び入力信号を閉ループシミュ
レーションに供給するために使用される。
パラメータ化ニューロコントローラを被制御システムに接続するための、本発
明の範囲内にある数多くの方法を企図して良い。たとえば、図5a,図5b及び
図5cを参照。図5aでは、チューザのアルゴリズムはPNC出力と、この例で
はPIDコントローラの出力との間で好ましい出力を選択して良い。図5bでは
、uを発生するために、PNC出力は別のコントローラ、「コントローラX」の
出力と共にモールドされる。アプリケーションと、使用されるコントローラの種
類とに応じて、閉ループシミュレータ訓練又は既存のコントローラに基づく訓練
は、「コントローラX」として識別されるコントローラを含んでいても良い。
また、図5cを参照すると、入力コントローラIC1は、一連の異なる方式で
訓練される(又は異なるP入力を有する)PNCのうちどれが誤差又はプロセス
の現在動作ポイントに対して適切であるかを決定する。それ(IC1)は、PN
C(PNC1...PN(n)のうち1つを信号線81の中の1本にある入力によ
ってターンオンするか又は適切なPNCの信号出力のみを出力側のマルチプレク
サ型構成を使用してプロセスに到達させるかのいずれかにより、その決定をプロ
セスに報知する。後者の構成により同時処理が可能になり、IC1にどのPNC
出力を使用すべきかを決定するためにより多くの時間が与えられることになるで
あろう。この図には別の形態IC2(線(出力コントローラ))も示されてい
る。この代替構成では、示唆されている制御動作をIC2により検討し、適切な
ものだけを選択する。(この図においては、PNCのうち1つ又は2つ以上をよ
り従来のものに近いコントローラと置き換え可能であろうということに注意すべ
きであろう。)これらの図により示唆される全ての形態がこのPNCコントロー
ラを導入しうる全てのアプリケーションを記述しているわけではないが、特許請
求されるものを非常に広い範囲で適用できるであろうということを教示するため
の例として挙げられている。
一般に、xp,y.yr及びuを引用して使用するときには、それらを任意の次
元のベクトル(次元=1のスカラの場合をも含む)として述べていることを認識
すべきである。多次元ベクトルとしては、それらは一連の値又は複数群の値を包
含していても良く、従って、SISOとMISO/MIMO双方の構成を含んで
いる。
─────────────────────────────────────────────────────
フロントページの続き
(72)発明者 フォスリーン グラバー,ウェンディ・ケ
イ
アメリカ合衆国 55406 ミネソタ州・ミ
ネアポリス・34ティエイチ アヴェニュ
サウス・4621
(72)発明者 コナー,アーメット・エフ
アメリカ合衆国 55014 ミネソタ州・サ
ークル パインズ・ウエスト ゴールデン
レイク ロード・81
Claims (1)
- 【特許請求の範囲】 1.制御パラメータpcと、プロセスパラメータppと、外乱パラメータpdと (一括してPと呼んでも良い)を含むパラメータの集合に属しているパラメータ を表わす入力信号を介してコントローラ行動の変更を受け入れるコントローラに おいて、前記コントローラは神経回路網を具備するコントローラ。 2.前記コントローラにより受信される前記入力は、全てのP入力又はその部 分集合(P,I,D入力のみを除く)と、xp,y,yr,u及びそれらxp,y ,yr及びu入力の全ての代数演算子、微分演算子及び積分演算子とを含む入力 の集合からのものである請求項1記載のコントローラ。 3.神経回路網は、全てのP入力又はその部分集合(P,I,D入力のみを含 む部分集合のみを除く)と、xp,y,yr,u及びそれらxp,y,yr及びu入 力の全ての代数演算子、微分演算子及び積分演算子とから成る入力の集合から入 力を受信し且つ閉ループで使用するのに許容しうる出力を有する既存のコントロ ーラを模倣するように訓練され、前記訓練は: 前記Pパラメータと、前記xp,yr,y,uと、前記入力のうち他の何らかの ものとをデータとして収集し、 少なくとも、前記神経回路網からのu出力が前記既存のコントローラにより生 成される許容しうる出力に類似するか又は同一になるまで、回路網を訓練段階で 変更する学習プログラムの中で前記収集されたデータを訓練データとして使用す ることによって生じる請求項1記載のコントローラ。 4.神経回路網は、確率的、非勾配利用、非線形方法;最急降下法;及び二次 方法という一連の訓練方法の中からの何らかの訓練方法を使用して基準を極値化 するように訓練される請求項1記載のコントローラ。 5.訓練はプロセスモデルの指定空間にわたりオフラインで実行される請求項 1記載のコントローラ。 6.埋め込まれるよう開発されるべきPNCを伴う閉ループシミュレータと、 一貫パラメータと、関連PNC訓練手段とを有するパラメータ化ニューロコント ローラを開発する開発システム。 7.前記コントローラは入力コントローラプロセッサと、複数の他のコントロ ーラとを具備し、それら他のコントローラのうち少なくとも1つは神経回路網で ある請求項1記載のコントローラ。 8.wが回路網の重みを表わし; は、それぞれ、e,y,yr及びxpの値における時間遅延(必ずしも非零ではな い)であるとき、前記神経回路網は前記関数の1つ: u(t)=g(P,w,e(t),t),又は u(t)=g(P,w,yr(t),yr(t),t),又は u(t)=g(P,w,e(t),e(t-Te,1),...,e(t-Te,R),又は によって定義でき; 動的、連続時間型神経回路網であるならば、それらの出力は次の動的系統: u(t)=g(x(t),pc,pp,pd,w,e(t)) x(o)=xo,(但し、xは状態ベクトルである) により定義され; 動的、連続時間型神経回路網であるならば、それらの出力は次の動的系統: x(t)=f(x(t-δt),pc,pp,pd,w,e(t)) u(t)=g(x(t-δt),pc,pp,pd,w,e(t)) x(o)=xo により定義され、 上記の定義方程式はいずれも限定しようとするものではなく、使用可能な神経 回路網を定義することを依然として可能にしつつ、重み及び誤差と、y,y.及 びxpパラメータと、時間及び時間遅延値とを追加又は除去しても良いことは当 業者にはわかるであろう。それらも本発明と共に使用して良い請求項1記載のコ ントローラ。 9.神経回路網は、全てのP入力から成る集合又はその部分集合(P,I及び D入力を含む部分集合のみを除く)と、xp,y,yr,u及びそれらxp,y, yr、及びu入力の全ての代数演算子、微分演算子及び積分演算子とから入力を 受信し且つ閉ループでの使用に許容しうる出力を伴う既存のコントローラを模倣 するように訓練され、前記訓練は: 前記Pパラメータと、前記xp,yr,y,u及び前記入力のうち他の何らかの ものと、さらには、少なくとも、前記神経回路網からのu出力が前記既存のコン トローラにより生成される許容しうる出力と類似する又は同一になるまで、訓練 段階で回路網を変更する学習プログラムからの入力とを受信するように、前記神 経回路網を閉制御ループの中に配置し; 前記訓練段階が完了するまで前記既存のコントローラを前記閉ループ使用でラ ンさせることによって生じる請求項1記載のコントローラ。 10.神経回路網は閉ループ使用で許容しうる出力を有する既存のコントロー ラを模倣するように訓練され、前記訓練は: 前記P入力と、前記yr,y,u,xp及び前記入力のうち他の何らかのものと を受信し、さらには、少なくとも、前記神経回路網からのu出力が前記既存のコ ントローラにより生成される許容しうる出力と類似する又は同一になるまで、訓 練段階で回路網を変更する学習プログラムからの入力を繰り返し受信するように 、前記神経回路網を閉制御ループの中に配置し: 前記訓練段階が完了するまで前記既存のコントローラを前記閉ループ使用でラ ンさせることによって生じる請求項2記載のコントローラを生成するプロセス。 11.訓練はプロセスモデルの指定空間にわたりオフラインで実行される請求 項2記載のコントローラ。 12.神経回路網PNCは閉ループ使用で許容しうる出力を伴って既存のコン トローラを模倣するように訓練され、前記訓練は: Pパラメータと、yr,y,u,xp及び他の何らかの入力と、回路網を変更す る学習プログラムからの入力とを受信するように、前記神経回路網を閉制御ルー プの中に配置することと、 少なくとも、前記神経回路網からのu出力が前記既存のコントローラにより生 成される前記許容しうる出力と類似する又は同一になるまで、前記訓練段階を継 続することによって起こるようなコントローラを生成するプロセス。 13.請求項12記載のプロセスにより生成されるコントローラ。 14.神経回路網PNCが、そのPNCが閉ループにあるように一貫パラメー タと、一貫パラメータ及び入力発生器からの入力とを受信すべく構成された開発 システムにおいてシミュレーション訓練され、前記訓練は: Pパラメータと、yr,y,u,xp及び他の何らかの入力と、さらには、回路 網を変更する学習プログラムからの入力とを受信するように前記神経回路網を閉 制御ループの中に配置し、 少なくとも、前記神経回路網からのu出力が前記既存のコントローラにより生 成される前記許容しうる出力と類似する又は同一になるまで、前記神経回路網を 訓練段階で訓練することによって生じるコントローラを生成するプロセス。 15.請求項14記載のプロセスの製品。 16.前記入力コントローラプロセッサは他の全てのコントローラへデータを 渡し且つ前記コントローラは、その他のコントローラの出力を検討し且つそれら の出力のうちどれをプロセスに対する入力として使用するかを確定する出力コン トローラプロセッサをさらに具備する請求項7記載のコントローラ。 17.前記入力コントローラプロセッサは他の全てのコントローラへデータを 渡し且つ前記コントローラは、その他のコントローラの出力を検討し且つそれら の出力のうちどれをプロセスに対する入力として使用するかを確定する出力コン トローラプロセッサをさらに具備する請求項11記載のコントローラ。 18.前記コントローラは入力コントローラプロセッサと、複数の他のコント ローラとを具備し、それら他のコントローラのうち少なくとも1つは神経回路網 である請求項2記載のコントローラ。 19.前記神経回路網は、前記訓練段階の後に、前記閉ループ使用をランする ために採用される請求項9記載のコントローラ。 20.前記訓練段階において前記神経回路網により受信されるパラメータは前 記既存のコントローラにより受信されるのと同じパラメータである請求項9記載 のコントローラ。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US08/008,963 | 1993-01-22 | ||
US08/008,963 US5486996A (en) | 1993-01-22 | 1993-01-22 | Parameterized neurocontrollers |
PCT/US1994/000753 WO1994017457A1 (en) | 1993-01-22 | 1994-01-21 | Parameterized neurocontrollers |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH08505972A true JPH08505972A (ja) | 1996-06-25 |
Family
ID=21734728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP6517201A Pending JPH08505972A (ja) | 1993-01-22 | 1994-01-21 | パラメータ化ニューロコントローラ |
Country Status (7)
Country | Link |
---|---|
US (1) | US5486996A (ja) |
EP (1) | EP0680630B1 (ja) |
JP (1) | JPH08505972A (ja) |
AU (1) | AU6032194A (ja) |
CA (1) | CA2153054C (ja) |
DE (1) | DE69420545T2 (ja) |
WO (1) | WO1994017457A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150133843A (ko) * | 2013-03-26 | 2015-11-30 | 지멘스 악티엔게젤샤프트 | 기술 시스템의 컴퓨터화된 제어 및/또는 조절을 위한 방법 |
Families Citing this family (142)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5745385A (en) * | 1994-04-25 | 1998-04-28 | International Business Machines Corproation | Method for stochastic and deterministic timebase control in stochastic simulations |
DE19510009C2 (de) * | 1995-03-23 | 2000-05-11 | Siemens Ag | Verfahren und Vorrichtung zur Prozeßführung einer Papiermaschine |
US6745169B1 (en) * | 1995-07-27 | 2004-06-01 | Siemens Aktiengesellschaft | Learning process for a neural network |
US6092919A (en) * | 1995-08-01 | 2000-07-25 | Guided Systems Technologies, Inc. | System and method for adaptive control of uncertain nonlinear processes |
DE19530049B4 (de) * | 1995-08-16 | 2004-12-23 | Thomas Froese | Verfahren zur Erkennung von fehlerhaften Vorhersagen in einer neuromodellgestützten oder neuronalen Regelung |
US6017143A (en) | 1996-03-28 | 2000-01-25 | Rosemount Inc. | Device in a process system for detecting events |
US7254518B2 (en) * | 1996-03-28 | 2007-08-07 | Rosemount Inc. | Pressure transmitter with diagnostics |
US7949495B2 (en) * | 1996-03-28 | 2011-05-24 | Rosemount, Inc. | Process variable transmitter with diagnostics |
US6654697B1 (en) | 1996-03-28 | 2003-11-25 | Rosemount Inc. | Flow measurement with diagnostics |
US6539267B1 (en) | 1996-03-28 | 2003-03-25 | Rosemount Inc. | Device in a process system for determining statistical parameter |
US7630861B2 (en) * | 1996-03-28 | 2009-12-08 | Rosemount Inc. | Dedicated process diagnostic device |
US8290721B2 (en) * | 1996-03-28 | 2012-10-16 | Rosemount Inc. | Flow measurement diagnostics |
US8311673B2 (en) * | 1996-05-06 | 2012-11-13 | Rockwell Automation Technologies, Inc. | Method and apparatus for minimizing error in dynamic and steady-state processes for prediction, control, and optimization |
US6438430B1 (en) * | 1996-05-06 | 2002-08-20 | Pavilion Technologies, Inc. | Kiln thermal and combustion control |
US7149590B2 (en) | 1996-05-06 | 2006-12-12 | Pavilion Technologies, Inc. | Kiln control and upset recovery using a model predictive control in series with forward chaining |
US7610108B2 (en) * | 1996-05-06 | 2009-10-27 | Rockwell Automation Technologies, Inc. | Method and apparatus for attenuating error in dynamic and steady-state processes for prediction, control, and optimization |
US6493596B1 (en) * | 1996-05-06 | 2002-12-10 | Pavilion Technologies, Inc. | Method and apparatus for controlling a non-linear mill |
US7418301B2 (en) * | 1996-05-06 | 2008-08-26 | Pavilion Technologies, Inc. | Method and apparatus for approximating gains in dynamic and steady-state processes for prediction, control, and optimization |
DE19642443C2 (de) * | 1996-10-15 | 2001-12-13 | Telefunken Microelectron | Verfahren zur Regelung einer Regelgröße |
US6434504B1 (en) | 1996-11-07 | 2002-08-13 | Rosemount Inc. | Resistance based process control device diagnostics |
US6754601B1 (en) | 1996-11-07 | 2004-06-22 | Rosemount Inc. | Diagnostics for resistive elements of process devices |
US6519546B1 (en) | 1996-11-07 | 2003-02-11 | Rosemount Inc. | Auto correcting temperature transmitter with resistance based sensor |
US5956663A (en) * | 1996-11-07 | 1999-09-21 | Rosemount, Inc. | Signal processing technique which separates signal components in a sensor for sensor diagnostics |
US6449574B1 (en) | 1996-11-07 | 2002-09-10 | Micro Motion, Inc. | Resistance based process control device diagnostics |
US6601005B1 (en) | 1996-11-07 | 2003-07-29 | Rosemount Inc. | Process device diagnostics using process variable sensor signal |
US5828567A (en) * | 1996-11-07 | 1998-10-27 | Rosemount Inc. | Diagnostics for resistance based transmitter |
DE69714606T9 (de) * | 1996-12-31 | 2004-09-09 | Rosemount Inc., Eden Prairie | Vorrichtung zur überprüfung eines von einer anlage kommenden steuersignals in einer prozesssteuerung |
US5826065A (en) * | 1997-01-13 | 1998-10-20 | International Business Machines Corporation | Software architecture for stochastic simulation of non-homogeneous systems |
US6078843A (en) * | 1997-01-24 | 2000-06-20 | Honeywell Inc. | Neural network including input normalization for use in a closed loop control system |
DE19727795C1 (de) * | 1997-06-30 | 1998-12-17 | Siemens Ag | Verfahren und Anordnung zur neuronalen Modellierung einer Prozeßgröße und Steuerung des Prozesses mit dieser Größe |
CA2306767C (en) | 1997-10-13 | 2007-05-01 | Rosemount Inc. | Communication technique for field devices in industrial processes |
US6556980B1 (en) * | 1998-08-28 | 2003-04-29 | General Cyberation Group, Inc. | Model-free adaptive control for industrial processes |
US6611775B1 (en) | 1998-12-10 | 2003-08-26 | Rosemount Inc. | Electrode leakage diagnostics in a magnetic flow meter |
US6615149B1 (en) | 1998-12-10 | 2003-09-02 | Rosemount Inc. | Spectral diagnostics in a magnetic flow meter |
US6230062B1 (en) | 1999-01-08 | 2001-05-08 | Voyan Technology | Adaptation to unmeasured variables |
US6633782B1 (en) | 1999-02-22 | 2003-10-14 | Fisher-Rosemount Systems, Inc. | Diagnostic expert in a process control system |
US6298454B1 (en) | 1999-02-22 | 2001-10-02 | Fisher-Rosemount Systems, Inc. | Diagnostics in a process control system |
US6975219B2 (en) * | 2001-03-01 | 2005-12-13 | Fisher-Rosemount Systems, Inc. | Enhanced hart device alerts in a process control system |
US8044793B2 (en) * | 2001-03-01 | 2011-10-25 | Fisher-Rosemount Systems, Inc. | Integrated device alerts in a process control system |
US6278898B1 (en) * | 1999-04-07 | 2001-08-21 | Voyan Technology | Model error bounds for identification of stochastic models for control design |
US6356191B1 (en) | 1999-06-17 | 2002-03-12 | Rosemount Inc. | Error compensation for a process fluid temperature transmitter |
US7010459B2 (en) * | 1999-06-25 | 2006-03-07 | Rosemount Inc. | Process device diagnostics using process variable sensor signal |
JP4824234B2 (ja) | 1999-07-01 | 2011-11-30 | ローズマウント インコーポレイテッド | 2線式温度送信機およびプロセス温度測定方法 |
US6505517B1 (en) | 1999-07-23 | 2003-01-14 | Rosemount Inc. | High accuracy signal processing for magnetic flowmeter |
US6701274B1 (en) | 1999-08-27 | 2004-03-02 | Rosemount Inc. | Prediction of error magnitude in a pressure transmitter |
US6556145B1 (en) | 1999-09-24 | 2003-04-29 | Rosemount Inc. | Two-wire fluid temperature transmitter with thermocouple diagnostics |
US6684112B1 (en) * | 2000-04-11 | 2004-01-27 | George Shu-Xing Cheng | Robust model-free adaptive control |
US6684115B1 (en) * | 2000-04-11 | 2004-01-27 | George Shu-Xing Cheng | Model-free adaptive control of quality variables |
US6735484B1 (en) | 2000-09-20 | 2004-05-11 | Fargo Electronics, Inc. | Printer with a process diagnostics system for detecting events |
US7321882B2 (en) * | 2000-10-13 | 2008-01-22 | Fraunhofer-Gesellschaft Zur Foederung Der Angewandten Forschung E.V. | Method for supervised teaching of a recurrent artificial neural network |
US6795798B2 (en) | 2001-03-01 | 2004-09-21 | Fisher-Rosemount Systems, Inc. | Remote analysis of process control plant data |
US6954713B2 (en) * | 2001-03-01 | 2005-10-11 | Fisher-Rosemount Systems, Inc. | Cavitation detection in a process plant |
US7720727B2 (en) * | 2001-03-01 | 2010-05-18 | Fisher-Rosemount Systems, Inc. | Economic calculations in process control system |
EP1364262B1 (en) * | 2001-03-01 | 2005-11-02 | Fisher-Rosemount Systems, Inc. | Creation and display of indices within a process plant |
US7389204B2 (en) * | 2001-03-01 | 2008-06-17 | Fisher-Rosemount Systems, Inc. | Data presentation system for abnormal situation prevention in a process plant |
US8073967B2 (en) | 2002-04-15 | 2011-12-06 | Fisher-Rosemount Systems, Inc. | Web services-based communications for use with process control systems |
US6629059B2 (en) | 2001-05-14 | 2003-09-30 | Fisher-Rosemount Systems, Inc. | Hand held diagnostic and communication device with automatic bus detection |
US20020191102A1 (en) * | 2001-05-31 | 2002-12-19 | Casio Computer Co., Ltd. | Light emitting device, camera with light emitting device, and image pickup method |
US7162534B2 (en) * | 2001-07-10 | 2007-01-09 | Fisher-Rosemount Systems, Inc. | Transactional data communications for process control systems |
US6772036B2 (en) | 2001-08-30 | 2004-08-03 | Fisher-Rosemount Systems, Inc. | Control system using process model |
US20050137995A1 (en) * | 2002-08-16 | 2005-06-23 | Powitec Intelligent Technologies Gmbh | Method for regulating a thermodynamic process by means of neural networks |
US7600234B2 (en) * | 2002-12-10 | 2009-10-06 | Fisher-Rosemount Systems, Inc. | Method for launching applications |
US8935298B2 (en) | 2002-12-30 | 2015-01-13 | Fisher-Rosemount Systems, Inc. | Integrated navigational tree importation and generation in a process plant |
US7493310B2 (en) | 2002-12-30 | 2009-02-17 | Fisher-Rosemount Systems, Inc. | Data visualization within an integrated asset data system for a process plant |
US7152072B2 (en) | 2003-01-08 | 2006-12-19 | Fisher-Rosemount Systems Inc. | Methods and apparatus for importing device data into a database system used in a process plant |
US20040158474A1 (en) * | 2003-02-06 | 2004-08-12 | Karschnia Robert J. | Service facility for providing remote diagnostic and maintenance services to a process plant |
US7953842B2 (en) | 2003-02-19 | 2011-05-31 | Fisher-Rosemount Systems, Inc. | Open network-based data acquisition, aggregation and optimization for use with process control systems |
US7103427B2 (en) | 2003-02-28 | 2006-09-05 | Fisher-Rosemont Systems, Inc. | Delivery of process plant notifications |
US6915235B2 (en) * | 2003-03-13 | 2005-07-05 | Csi Technology, Inc. | Generation of data indicative of machine operational condition |
US7634384B2 (en) | 2003-03-18 | 2009-12-15 | Fisher-Rosemount Systems, Inc. | Asset optimization reporting in a process plant |
US20040230328A1 (en) * | 2003-03-21 | 2004-11-18 | Steve Armstrong | Remote data visualization within an asset data system for a process plant |
US7299415B2 (en) * | 2003-06-16 | 2007-11-20 | Fisher-Rosemount Systems, Inc. | Method and apparatus for providing help information in multiple formats |
DE10327663A1 (de) * | 2003-06-20 | 2005-01-05 | Abb Patent Gmbh | System und Verfahren zur optimierenden Regelung der Dickenqualität in einem Walzprozess |
WO2005010522A2 (en) * | 2003-07-18 | 2005-02-03 | Rosemount Inc. | Process diagnostics |
US7018800B2 (en) * | 2003-08-07 | 2006-03-28 | Rosemount Inc. | Process device with quiescent current diagnostics |
US7627441B2 (en) * | 2003-09-30 | 2009-12-01 | Rosemount Inc. | Process device with vibration based diagnostics |
US7415446B2 (en) * | 2003-10-20 | 2008-08-19 | General Cybernation Group, Inc. | Model-free adaptive (MFA) optimization |
DE102004058238B4 (de) * | 2003-12-03 | 2016-02-04 | Fisher-Rosemount Systems, Inc. | Adaptive, multivariable Prozesssteuerung, die Modellschaltung und Attribut-Interpolation nutzt |
US7523667B2 (en) * | 2003-12-23 | 2009-04-28 | Rosemount Inc. | Diagnostics of impulse piping in an industrial process |
US7030747B2 (en) * | 2004-02-26 | 2006-04-18 | Fisher-Rosemount Systems, Inc. | Method and system for integrated alarms in a process control system |
US7079984B2 (en) * | 2004-03-03 | 2006-07-18 | Fisher-Rosemount Systems, Inc. | Abnormal situation prevention in a process plant |
US7676287B2 (en) * | 2004-03-03 | 2010-03-09 | Fisher-Rosemount Systems, Inc. | Configuration system and method for abnormal situation prevention in a process plant |
TWI231481B (en) * | 2004-03-11 | 2005-04-21 | Quanta Comp Inc | Electronic apparatus |
US7515977B2 (en) * | 2004-03-30 | 2009-04-07 | Fisher-Rosemount Systems, Inc. | Integrated configuration system for use in a process plant |
US7536274B2 (en) * | 2004-05-28 | 2009-05-19 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a heater |
US20050267709A1 (en) * | 2004-05-28 | 2005-12-01 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a heater |
US7660701B2 (en) | 2004-06-12 | 2010-02-09 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a process gain of a control loop |
US7181654B2 (en) * | 2004-09-17 | 2007-02-20 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a reactor |
US7668795B2 (en) * | 2004-11-02 | 2010-02-23 | Fuji Xerox Co., Ltd. | Data analyzer utilizing the spreading activation theory for stemming processing |
US9201420B2 (en) | 2005-04-08 | 2015-12-01 | Rosemount, Inc. | Method and apparatus for performing a function in a process plant using monitoring data with criticality evaluation data |
US8005647B2 (en) | 2005-04-08 | 2011-08-23 | Rosemount, Inc. | Method and apparatus for monitoring and performing corrective measures in a process plant using monitoring data with corrective measures data |
US8112565B2 (en) * | 2005-06-08 | 2012-02-07 | Fisher-Rosemount Systems, Inc. | Multi-protocol field device interface with automatic bus detection |
WO2007127376A2 (en) * | 2006-04-27 | 2007-11-08 | Massachusetts Institute Of Technology | Computer-implemented model of the central nervous system |
US20080201284A1 (en) * | 2005-08-15 | 2008-08-21 | Massaquoi Steven G | Computer-Implemented Model of the Central Nervous System |
US7272531B2 (en) * | 2005-09-20 | 2007-09-18 | Fisher-Rosemount Systems, Inc. | Aggregation of asset use indices within a process plant |
US20070068225A1 (en) * | 2005-09-29 | 2007-03-29 | Brown Gregory C | Leak detector for process valve |
US7363094B2 (en) * | 2006-01-09 | 2008-04-22 | General Electric Company | Multivariable controller design method for multiple input/outputs systems with multiple input/output constraints |
EP1850069B1 (de) * | 2006-04-25 | 2008-08-13 | Powitec Intelligent Technologies GmbH | Verfahren und Regelkreis zur Regelung eines Verbrennungsprozesses |
US7657399B2 (en) * | 2006-07-25 | 2010-02-02 | Fisher-Rosemount Systems, Inc. | Methods and systems for detecting deviation of a process variable from expected values |
US8606544B2 (en) | 2006-07-25 | 2013-12-10 | Fisher-Rosemount Systems, Inc. | Methods and systems for detecting deviation of a process variable from expected values |
US7912676B2 (en) * | 2006-07-25 | 2011-03-22 | Fisher-Rosemount Systems, Inc. | Method and system for detecting abnormal operation in a process plant |
US8145358B2 (en) * | 2006-07-25 | 2012-03-27 | Fisher-Rosemount Systems, Inc. | Method and system for detecting abnormal operation of a level regulatory control loop |
US7496414B2 (en) | 2006-09-13 | 2009-02-24 | Rockwell Automation Technologies, Inc. | Dynamic controller utilizing a hybrid model |
US7953501B2 (en) | 2006-09-25 | 2011-05-31 | Fisher-Rosemount Systems, Inc. | Industrial process control loop monitor |
US8788070B2 (en) * | 2006-09-26 | 2014-07-22 | Rosemount Inc. | Automatic field device service adviser |
EP2057517B1 (en) * | 2006-09-28 | 2013-06-12 | Fisher-Rosemount Systems, Inc. | Abnormal situation prevention in a heat exchanger |
EP2074385B2 (en) | 2006-09-29 | 2022-07-06 | Rosemount Inc. | Magnetic flowmeter with verification |
US7917240B2 (en) * | 2006-09-29 | 2011-03-29 | Fisher-Rosemount Systems, Inc. | Univariate method for monitoring and analysis of multivariate data |
US20080188972A1 (en) * | 2006-10-11 | 2008-08-07 | Fisher-Rosemount Systems, Inc. | Method and System for Detecting Faults in a Process Plant |
US8032340B2 (en) | 2007-01-04 | 2011-10-04 | Fisher-Rosemount Systems, Inc. | Method and system for modeling a process variable in a process plant |
US8032341B2 (en) * | 2007-01-04 | 2011-10-04 | Fisher-Rosemount Systems, Inc. | Modeling a process using a composite model comprising a plurality of regression models |
US7827006B2 (en) * | 2007-01-31 | 2010-11-02 | Fisher-Rosemount Systems, Inc. | Heat exchanger fouling detection |
US10410145B2 (en) * | 2007-05-15 | 2019-09-10 | Fisher-Rosemount Systems, Inc. | Automatic maintenance estimation in a plant environment |
US8898036B2 (en) * | 2007-08-06 | 2014-11-25 | Rosemount Inc. | Process variable transmitter with acceleration sensor |
US8301676B2 (en) * | 2007-08-23 | 2012-10-30 | Fisher-Rosemount Systems, Inc. | Field device with capability of calculating digital filter coefficients |
US7702401B2 (en) | 2007-09-05 | 2010-04-20 | Fisher-Rosemount Systems, Inc. | System for preserving and displaying process control data associated with an abnormal situation |
US9323247B2 (en) | 2007-09-14 | 2016-04-26 | Fisher-Rosemount Systems, Inc. | Personalized plant asset data representation and search system |
US7590511B2 (en) * | 2007-09-25 | 2009-09-15 | Rosemount Inc. | Field device for digital process control loop diagnostics |
US8055479B2 (en) | 2007-10-10 | 2011-11-08 | Fisher-Rosemount Systems, Inc. | Simplified algorithm for abnormal situation prevention in load following applications including plugged line diagnostics in a dynamic process |
US7921734B2 (en) * | 2009-05-12 | 2011-04-12 | Rosemount Inc. | System to detect poor process ground connections |
US9207670B2 (en) | 2011-03-21 | 2015-12-08 | Rosemount Inc. | Degrading sensor detection implemented within a transmitter |
US9110453B2 (en) * | 2011-04-08 | 2015-08-18 | General Cybernation Group Inc. | Model-free adaptive control of advanced power plants |
US9927788B2 (en) | 2011-05-19 | 2018-03-27 | Fisher-Rosemount Systems, Inc. | Software lockout coordination between a process control system and an asset management system |
US9529348B2 (en) | 2012-01-24 | 2016-12-27 | Emerson Process Management Power & Water Solutions, Inc. | Method and apparatus for deploying industrial plant simulators using cloud computing technologies |
US9052240B2 (en) | 2012-06-29 | 2015-06-09 | Rosemount Inc. | Industrial process temperature transmitter with sensor stress diagnostics |
US9207129B2 (en) | 2012-09-27 | 2015-12-08 | Rosemount Inc. | Process variable transmitter with EMF detection and correction |
US9602122B2 (en) | 2012-09-28 | 2017-03-21 | Rosemount Inc. | Process variable measurement noise diagnostic |
CN105334732B (zh) * | 2015-05-26 | 2019-04-05 | 河海大学常州校区 | 一种微陀螺双反馈回归神经网络滑模控制方法 |
US11238334B2 (en) | 2017-04-04 | 2022-02-01 | Hailo Technologies Ltd. | System and method of input alignment for efficient vector operations in an artificial neural network |
US11615297B2 (en) | 2017-04-04 | 2023-03-28 | Hailo Technologies Ltd. | Structured weight based sparsity in an artificial neural network compiler |
US10387298B2 (en) | 2017-04-04 | 2019-08-20 | Hailo Technologies Ltd | Artificial neural network incorporating emphasis and focus techniques |
US11544545B2 (en) | 2017-04-04 | 2023-01-03 | Hailo Technologies Ltd. | Structured activation based sparsity in an artificial neural network |
US11551028B2 (en) | 2017-04-04 | 2023-01-10 | Hailo Technologies Ltd. | Structured weight based sparsity in an artificial neural network |
US20190005377A1 (en) * | 2017-06-30 | 2019-01-03 | Advanced Micro Devices, Inc. | Artificial neural network reduction to reduce inference computation time |
EP3428746B1 (en) * | 2017-07-14 | 2021-06-02 | Siemens Aktiengesellschaft | A method and apparatus for providing an adaptive self-learning control program for deployment on a target field device |
DE202018003585U1 (de) * | 2018-08-01 | 2019-11-06 | Leybold Gmbh | Vakuumpumpe |
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 |
US11874900B2 (en) | 2020-09-29 | 2024-01-16 | Hailo Technologies Ltd. | Cluster interlayer safety mechanism in an artificial neural network processor |
US11221929B1 (en) | 2020-09-29 | 2022-01-11 | Hailo Technologies Ltd. | Data stream fault detection 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 |
CN113505525A (zh) * | 2021-06-22 | 2021-10-15 | 清华大学 | 基于微分神经网络的电力系统动态元件建模方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02308303A (ja) * | 1989-05-23 | 1990-12-21 | Toshiba Corp | 自動調整制御装置 |
JPH03265902A (ja) * | 1990-03-15 | 1991-11-27 | Yokogawa Electric Corp | プロセス制御装置 |
JPH0434602A (ja) * | 1990-05-31 | 1992-02-05 | Fujitsu Ltd | 適応制御システム |
JPH04302304A (ja) * | 1991-03-29 | 1992-10-26 | Toshiba Corp | 非線形プロセス制御装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5111531A (en) * | 1990-01-08 | 1992-05-05 | Automation Technology, Inc. | Process control using neural network |
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 |
US5159660A (en) * | 1990-08-09 | 1992-10-27 | Western Thunder | Universal process control using artificial neural networks |
JP3221497B2 (ja) * | 1991-06-20 | 2001-10-22 | 三菱電機株式会社 | 制御方法およびその制御方法を用いた電力系統電圧−無効電力制御装置 |
JPH0641423A (ja) * | 1991-06-21 | 1994-02-15 | Nisshinbo Ind Inc | パルプ状複合体及びその製造方法 |
US5268834A (en) * | 1991-06-24 | 1993-12-07 | Massachusetts Institute Of Technology | Stable adaptive neural network controller |
-
1993
- 1993-01-22 US US08/008,963 patent/US5486996A/en not_active Expired - Lifetime
-
1994
- 1994-01-21 WO PCT/US1994/000753 patent/WO1994017457A1/en active IP Right Grant
- 1994-01-21 CA CA002153054A patent/CA2153054C/en not_active Expired - Fee Related
- 1994-01-21 EP EP94906703A patent/EP0680630B1/en not_active Expired - Lifetime
- 1994-01-21 DE DE69420545T patent/DE69420545T2/de not_active Expired - Fee Related
- 1994-01-21 AU AU60321/94A patent/AU6032194A/en not_active Abandoned
- 1994-01-21 JP JP6517201A patent/JPH08505972A/ja active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02308303A (ja) * | 1989-05-23 | 1990-12-21 | Toshiba Corp | 自動調整制御装置 |
JPH03265902A (ja) * | 1990-03-15 | 1991-11-27 | Yokogawa Electric Corp | プロセス制御装置 |
JPH0434602A (ja) * | 1990-05-31 | 1992-02-05 | Fujitsu Ltd | 適応制御システム |
JPH04302304A (ja) * | 1991-03-29 | 1992-10-26 | Toshiba Corp | 非線形プロセス制御装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150133843A (ko) * | 2013-03-26 | 2015-11-30 | 지멘스 악티엔게젤샤프트 | 기술 시스템의 컴퓨터화된 제어 및/또는 조절을 위한 방법 |
JP2016517104A (ja) * | 2013-03-26 | 2016-06-09 | シーメンス アクチエンゲゼルシヤフトSiemens Aktiengesellschaft | 技術システムを計算機支援によって開ループ制御および/または閉ループ制御するための方法 |
US10036328B2 (en) | 2013-03-26 | 2018-07-31 | Siemens Aktiengesellschaft | Method for the computerized control and/or regulation of a technical system |
Also Published As
Publication number | Publication date |
---|---|
EP0680630A1 (en) | 1995-11-08 |
AU6032194A (en) | 1994-08-15 |
WO1994017457A1 (en) | 1994-08-04 |
US5486996A (en) | 1996-01-23 |
EP0680630B1 (en) | 1999-09-08 |
CA2153054A1 (en) | 1994-08-04 |
DE69420545D1 (de) | 1999-10-14 |
CA2153054C (en) | 2004-11-02 |
DE69420545T2 (de) | 1999-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JPH08505972A (ja) | パラメータ化ニューロコントローラ | |
Pham et al. | Training Elman and Jordan networks for system identification using genetic algorithms | |
Pugh et al. | Multi-robot learning with particle swarm optimization | |
Coban | A context layered locally recurrent neural network for dynamic system identification | |
Ou et al. | Comparison between PSO and GA for parameters optimization of PID controller | |
US5796920A (en) | Multiprocessor system and method for identification and adaptive control of dynamic systems | |
Du et al. | Modelling of a magneto-rheological damper by evolving radial basis function networks | |
Pornsing et al. | Novel self-adaptive particle swarm optimization methods | |
Ishida et al. | Active noise control by an immune algorithm: adaptation in immune system as an evolution | |
Mohammadzadeh et al. | Modern Adaptive Fuzzy Control Systems | |
Takahashi | Adaptive predictive control of nonlinear time-varying systems using neural networks | |
Fourati | Multiple neural control and stabilization | |
AU717178B2 (en) | Parameterized neurocontrollers | |
Gorges-Schleuter et al. | An evolutionary algorithm for design optimization of microsystems | |
Eppler et al. | Piecewise linear networks (PLN) for function approximation | |
Gupta et al. | Learning and adaptive neural controller | |
Warwich | The control of dynamical systems by neural networks | |
Kofjac et al. | Neural network modeling by system dynamics methodology | |
Addawe et al. | Stability Analysis of DESA Optimization Algorithm | |
Liu et al. | Adaptive containment control of heterogeneous high‐order fully actuated multi‐agent systems | |
Outanoute et al. | Modeling Key Parameters for Greenhouse using Neural Network Algorithms | |
Varsamis et al. | A Hybrid Learning Algorithm for Locally Recurrent Neural Networks | |
Czarnowski et al. | Firefly Algorithm for the RBF Network Design | |
Uchegbu Chinenye et al. | Revamping of PID Controller via Artificial Intelligent | |
Becerikli | Nonlinear filtering design using dynamic neural networks with fast training |