JPH1091209A - システム制御方法および装置 - Google Patents
システム制御方法および装置Info
- Publication number
- JPH1091209A JPH1091209A JP9292038A JP29203897A JPH1091209A JP H1091209 A JPH1091209 A JP H1091209A JP 9292038 A JP9292038 A JP 9292038A JP 29203897 A JP29203897 A JP 29203897A JP H1091209 A JPH1091209 A JP H1091209A
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- controlled object
- detection
- numerical value
- control
- 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
- Control Of Metal Rolling (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
(57)【要約】
【課題】圧延機や移動体としての列車などの被制御対象
の制御精度を向上させることのできるシステム制御方法
および装置を提供する。 【解決手段】被制御対象の複数の検出信号を検出パター
ンとして予め記憶している設定パターンとの類似度をニ
ューラルネットで求め、この類似度に基づいてファジィ
推論を行い被制御対象の制御指令を求める。
の制御精度を向上させることのできるシステム制御方法
および装置を提供する。 【解決手段】被制御対象の複数の検出信号を検出パター
ンとして予め記憶している設定パターンとの類似度をニ
ューラルネットで求め、この類似度に基づいてファジィ
推論を行い被制御対象の制御指令を求める。
Description
【0001】
【発明の属する技術分野】本発明は、圧延機や列車など
の被制御対象に関する複数の検出信号の組合せをパター
ンとして認識して被制御対象の制御指令を求めるように
したシステム制御方法および装置に関する。
の被制御対象に関する複数の検出信号の組合せをパター
ンとして認識して被制御対象の制御指令を求めるように
したシステム制御方法および装置に関する。
【0002】
【従来の技術】例えば、圧延システムは対向するロール
間隔と、圧延材にかかる張力を制御することにより所望
の板厚の鋼材を得るシステムである。ところが、圧延時
に発生する損失熱による熱変形や機械的変形等に起因す
るロール変形により、平坦な鋼材が得られず、このた
め、平坦な特性を得るために形状制御が開発されてい
る。
間隔と、圧延材にかかる張力を制御することにより所望
の板厚の鋼材を得るシステムである。ところが、圧延時
に発生する損失熱による熱変形や機械的変形等に起因す
るロール変形により、平坦な鋼材が得られず、このた
め、平坦な特性を得るために形状制御が開発されてい
る。
【0003】
【発明が解決しようとする課題】従来、圧延の物理的特
性が種々の要因により大幅に変化するため、特定の動作
点近傍における制御モデルを作って制御しても、多くの
場合にそのモデルは実際の圧延機の動作と食い違ってし
まう。このため、モデルが正確であれば良好な結果をも
たらすフィードバック制御もその能力を十分に発揮でき
ず、勘と経験で操作する熟練オペレータを越えることが
できないという問題があった。
性が種々の要因により大幅に変化するため、特定の動作
点近傍における制御モデルを作って制御しても、多くの
場合にそのモデルは実際の圧延機の動作と食い違ってし
まう。このため、モデルが正確であれば良好な結果をも
たらすフィードバック制御もその能力を十分に発揮でき
ず、勘と経験で操作する熟練オペレータを越えることが
できないという問題があった。
【0004】ところが、圧延の物理的特性が種々の要因
により大幅に変化するため、特定の動作点近傍における
制御モデルを作って制御しても、多くの場合にそのモデ
ルは実際の圧延機の動作と食い違ってしまう。このた
め、モデルが正確であれば良好な結果をもたらすフィー
ドバック制御もその能力を十分に発揮できず、勘と経験
で操作する熟練オペレータを越えることができないとい
う問題があった。
により大幅に変化するため、特定の動作点近傍における
制御モデルを作って制御しても、多くの場合にそのモデ
ルは実際の圧延機の動作と食い違ってしまう。このた
め、モデルが正確であれば良好な結果をもたらすフィー
ドバック制御もその能力を十分に発揮できず、勘と経験
で操作する熟練オペレータを越えることができないとい
う問題があった。
【0005】一方、近年はオペレータの負担を軽減する
ために、圧延機を操作するアクチュエータの動作状況及
び圧延材の形状などを種々のセンサを用いて検出し、こ
れらの検出信号をプロダクションシステムなどの推論機
構に取り込んで推論処理してアクチュエータの操作量を
決定するシステムが考えられている。
ために、圧延機を操作するアクチュエータの動作状況及
び圧延材の形状などを種々のセンサを用いて検出し、こ
れらの検出信号をプロダクションシステムなどの推論機
構に取り込んで推論処理してアクチュエータの操作量を
決定するシステムが考えられている。
【0006】
【発明が解決しようとする課題】複数の検出情報の組合
せが多いと、推論処理は膨大なものとなり、推論のため
の制御ルール間の干渉のため現状の処理装置で処理でき
る範囲は非常に狭い範囲とならざるをえないとか、推論
に使用される知識にも限界がある。そのため、被制御対
象の状況に応じて適切な制御指令を求めることができな
いという問題がある。その結果として被制御対象を適切
に制御できなくなる。
せが多いと、推論処理は膨大なものとなり、推論のため
の制御ルール間の干渉のため現状の処理装置で処理でき
る範囲は非常に狭い範囲とならざるをえないとか、推論
に使用される知識にも限界がある。そのため、被制御対
象の状況に応じて適切な制御指令を求めることができな
いという問題がある。その結果として被制御対象を適切
に制御できなくなる。
【0007】本発明は上記点に対処してなされたもの
で、その目的とするところは被制御対象の状況に応じた
適切な制御を行うことができるシステム制御方法および
装置を提供することにある。
で、その目的とするところは被制御対象の状況に応じた
適切な制御を行うことができるシステム制御方法および
装置を提供することにある。
【0008】
【課題を解決するための手段】本発明の特徴とするとこ
ろは、被制御対象に関する複数の検出信号の組合せを検
出パターンとして認識し、この検出パターンの設定パタ
ーンに対する類似度を求め、この類似度を示す数値およ
び設定パターンに対応する重心位置を数値とを用いて重
心合成を行い被制御対象への制御指令を求めるようにし
たことにある。被制御対象の複数の検出信号を組合せて
パターンとして認識して、このパターンに対して推論機
構の制御ルールを作成している。このため、検出信号毎
に制御ルールを作成するのに対して制御ルールを少なく
できる。推論機構は制御ルール数が少なくなると制御ル
ール間の干渉が著しく低減するので、被制御対象の精度
を向上できる。
ろは、被制御対象に関する複数の検出信号の組合せを検
出パターンとして認識し、この検出パターンの設定パタ
ーンに対する類似度を求め、この類似度を示す数値およ
び設定パターンに対応する重心位置を数値とを用いて重
心合成を行い被制御対象への制御指令を求めるようにし
たことにある。被制御対象の複数の検出信号を組合せて
パターンとして認識して、このパターンに対して推論機
構の制御ルールを作成している。このため、検出信号毎
に制御ルールを作成するのに対して制御ルールを少なく
できる。推論機構は制御ルール数が少なくなると制御ル
ール間の干渉が著しく低減するので、被制御対象の精度
を向上できる。
【0009】
【発明の実施の形態】本発明の一実施例を図1に示す。
【0010】被制御対象1は複数のアクチュエータを含
み、これらアクチュエータはアクチュエータごとに制御
実行指令を生成するアクチュエータ制御装置G6により
制御される。被制御対象1及び複数のアクチュエータの
動作はそれぞれに配置された種々の検出器から構成され
る検出装置G14で検出される。この検出装置G14の
複数の検出器出力信号はパターン制御装置G13へ入力
される。パターン制御装置G13では入力された複数の
検出器出力信号を検出パターンとして認識する入力部と
この検出パターンを記憶する記憶機能と、検出パターン
を先に記憶されている複数の設定パターンを照合し設定
パターンとの類似度を出力する処理部と、前記類似度か
らそれぞれのアクチュエータの操作量や報知信号を決定
し、アクチュエータ制御装置G6や学習装置G16へ指
令信号を発生する指令発生機構12とで構成されてい
る。なお、学習装置G16はパターン制御装置G13の
パターン記憶機能へ設定パターンを記憶させるに当って
予めオペレータが設定パターンを入力してパターン制御
装置G13を動作させたときの操作量を認識する機能
と、被制御対象1が変更されたりアクチュエータが変更
された場合に設定パターンの記憶内容を予め変更するた
めの機能およびシステムの状態を報知する機能を有す
る。
み、これらアクチュエータはアクチュエータごとに制御
実行指令を生成するアクチュエータ制御装置G6により
制御される。被制御対象1及び複数のアクチュエータの
動作はそれぞれに配置された種々の検出器から構成され
る検出装置G14で検出される。この検出装置G14の
複数の検出器出力信号はパターン制御装置G13へ入力
される。パターン制御装置G13では入力された複数の
検出器出力信号を検出パターンとして認識する入力部と
この検出パターンを記憶する記憶機能と、検出パターン
を先に記憶されている複数の設定パターンを照合し設定
パターンとの類似度を出力する処理部と、前記類似度か
らそれぞれのアクチュエータの操作量や報知信号を決定
し、アクチュエータ制御装置G6や学習装置G16へ指
令信号を発生する指令発生機構12とで構成されてい
る。なお、学習装置G16はパターン制御装置G13の
パターン記憶機能へ設定パターンを記憶させるに当って
予めオペレータが設定パターンを入力してパターン制御
装置G13を動作させたときの操作量を認識する機能
と、被制御対象1が変更されたりアクチュエータが変更
された場合に設定パターンの記憶内容を予め変更するた
めの機能およびシステムの状態を報知する機能を有す
る。
【0011】従来システムはパターン制御装置G13が
なく、一般には検出装置G14からアクチュエータ制御
装置G6へ送信され、個々のアクチュエータごとに制御
するシステムとなっていた。本発明のようにパターン制
御装置G13を付加することにより、被制御対象1の状
況に応じて複数のアクチュエータの操作量を適切に決定
できると共に、アクチュエータの1つが故障しても他の
アクチュエータでカバーしたり、状況を適確に報知でき
る。又、アクチュエータの変化や、被制御対象の変化に
も柔軟に対応できるという効果を有する。
なく、一般には検出装置G14からアクチュエータ制御
装置G6へ送信され、個々のアクチュエータごとに制御
するシステムとなっていた。本発明のようにパターン制
御装置G13を付加することにより、被制御対象1の状
況に応じて複数のアクチュエータの操作量を適切に決定
できると共に、アクチュエータの1つが故障しても他の
アクチュエータでカバーしたり、状況を適確に報知でき
る。又、アクチュエータの変化や、被制御対象の変化に
も柔軟に対応できるという効果を有する。
【0012】次に、本発明の圧延機制御に適用した例を
用いて詳細に説明する。
用いて詳細に説明する。
【0013】以下、本発明を圧延機制御システムに適用
した実施例を図2により説明する。被制御対象1として
の圧延機は対向する1組のワークロール2の間に挟まれ
た圧延材3をワークロール2の間に働く圧延力と圧延材
3に働く張力により、いわゆるつぶして、引っ張る力に
より圧延材3を薄くし、所望の板厚を得るものであり、
ワークロール2を挾んで中間ロール4,中間ロール4を
挾んでバックアップロール5が配置されている。バック
アップロール5には、油圧力等の力を利用した圧下制御
機構6により圧延力が加えられ、その圧延力はバックア
ップロール5と中間ロール4の接触面を介し、中間ロー
ル4に伝達され、中間ロール4に伝達された圧延力は、
中間ロール4とワークロール2、及びワークロール2と
圧延材3の接触面を介し、圧延材3へ伝達され、該圧延
力により圧延材3は塑性変形を生じ、所望の板厚とな
る。
した実施例を図2により説明する。被制御対象1として
の圧延機は対向する1組のワークロール2の間に挟まれ
た圧延材3をワークロール2の間に働く圧延力と圧延材
3に働く張力により、いわゆるつぶして、引っ張る力に
より圧延材3を薄くし、所望の板厚を得るものであり、
ワークロール2を挾んで中間ロール4,中間ロール4を
挾んでバックアップロール5が配置されている。バック
アップロール5には、油圧力等の力を利用した圧下制御
機構6により圧延力が加えられ、その圧延力はバックア
ップロール5と中間ロール4の接触面を介し、中間ロー
ル4に伝達され、中間ロール4に伝達された圧延力は、
中間ロール4とワークロール2、及びワークロール2と
圧延材3の接触面を介し、圧延材3へ伝達され、該圧延
力により圧延材3は塑性変形を生じ、所望の板厚とな
る。
【0014】ところで、圧延ロール2,4,5のロール
幅は圧延材3の板幅より広く、かつ圧延力が加えられて
いるため、ロールが変形する。例えばワークロール2に
おいて圧延材3の板幅から外れた部分は圧延力により曲
がってしまう。
幅は圧延材3の板幅より広く、かつ圧延力が加えられて
いるため、ロールが変形する。例えばワークロール2に
おいて圧延材3の板幅から外れた部分は圧延力により曲
がってしまう。
【0015】その結果、圧延材3の端部がつぶされ凸形
の断面形状になる。それを防止するためにワークロール
2の軸に対し、その間隔が広がる方向にワークロールベ
ンダ7によりワークロールベンディング力Fwを加え、
圧延材3の端部がつぶされるのを防止する。同様に中間
ロール5の軸には中間ロールベンダ8により中間ロール
ベンディング力F1 を加える。
の断面形状になる。それを防止するためにワークロール
2の軸に対し、その間隔が広がる方向にワークロールベ
ンダ7によりワークロールベンディング力Fwを加え、
圧延材3の端部がつぶされるのを防止する。同様に中間
ロール5の軸には中間ロールベンダ8により中間ロール
ベンディング力F1 を加える。
【0016】更に、中間ロールシフト9は、中間ロール
4を板幅方向に移動する。この移動により、ロール2,
4,5及び圧延材3に加わる力を非対称にすることによ
り、圧延材3の板厚の形状を制御する。
4を板幅方向に移動する。この移動により、ロール2,
4,5及び圧延材3に加わる力を非対称にすることによ
り、圧延材3の板厚の形状を制御する。
【0017】一方、圧延を行うために圧延機1に加えら
れるエネルギーは、圧延材3の塑性変形に費される他
に、音,振動,熱となる。この熱に変化したエネルギー
は圧延材3を介して放散されるとともに、ワークロール
2の温度を上昇させる。この温度上昇に起因し、ワーク
ロール2は膨張し、ロール径が変化するが、そのロール
径は一般に不均一に変形する。そこで、ロール径を均一
に制御するため、板幅方向に配置された複数個のノズル
(図示はしていない)、及びノズルを介し冷却液をワー
クロール2に加えるクーラント制御機構10が設置され
る。ワークロール2の軸には、圧延材2を移動するため
の電動機等から構成される速度制御機構11が接続され
ている。
れるエネルギーは、圧延材3の塑性変形に費される他
に、音,振動,熱となる。この熱に変化したエネルギー
は圧延材3を介して放散されるとともに、ワークロール
2の温度を上昇させる。この温度上昇に起因し、ワーク
ロール2は膨張し、ロール径が変化するが、そのロール
径は一般に不均一に変形する。そこで、ロール径を均一
に制御するため、板幅方向に配置された複数個のノズル
(図示はしていない)、及びノズルを介し冷却液をワー
クロール2に加えるクーラント制御機構10が設置され
る。ワークロール2の軸には、圧延材2を移動するため
の電動機等から構成される速度制御機構11が接続され
ている。
【0018】圧延機1に対する制御は圧下制御機構6,
ワークロールベンダ7,中間ロールベンダ8,中間ロー
ルシフタ9,クーラント制御機構10,速度制御機構1
1等のアクチュエータに対する動作指令を発生させる指
令発生機構12,前記指令発生機構12に対し、圧延材
3の形状が予め記憶された複数の設定パターンのうちど
の種類の設定パターンに属するかを判断し、各設定パタ
ーン毎との類似の割合を示す類似度を出力するパターン
認識機構13,該パターン認識機構13に対し、圧延材
3の板厚形状を検出し、出力する形状検出機構14,前
記形状検出機構14と、指令発生機構12の出力を記憶
する記憶機構15、及び、記憶機構15の情報を用い、
パターン認識機構13のパラメータを学習により変化さ
せたり、オペレータに報知する機能を有する学習機構1
6から構成される。
ワークロールベンダ7,中間ロールベンダ8,中間ロー
ルシフタ9,クーラント制御機構10,速度制御機構1
1等のアクチュエータに対する動作指令を発生させる指
令発生機構12,前記指令発生機構12に対し、圧延材
3の形状が予め記憶された複数の設定パターンのうちど
の種類の設定パターンに属するかを判断し、各設定パタ
ーン毎との類似の割合を示す類似度を出力するパターン
認識機構13,該パターン認識機構13に対し、圧延材
3の板厚形状を検出し、出力する形状検出機構14,前
記形状検出機構14と、指令発生機構12の出力を記憶
する記憶機構15、及び、記憶機構15の情報を用い、
パターン認識機構13のパラメータを学習により変化さ
せたり、オペレータに報知する機能を有する学習機構1
6から構成される。
【0019】圧下制御機構6,ワークロールベンダ7,
中間ロールベンダ8,中間ロールシフタ9,クーラント
制御機構10および速度制御機構11とで図1のアクチ
ュエータ制御装置G6を構成する。そして、これらの機
構6〜11は圧延機に対して異なる操作を実行する。ま
た、指令発生機構12,パターン認識機構13および記
憶機構15はパターン制御装置G13を構成する。
中間ロールベンダ8,中間ロールシフタ9,クーラント
制御機構10および速度制御機構11とで図1のアクチ
ュエータ制御装置G6を構成する。そして、これらの機
構6〜11は圧延機に対して異なる操作を実行する。ま
た、指令発生機構12,パターン認識機構13および記
憶機構15はパターン制御装置G13を構成する。
【0020】図3に上記形状パターン認識機構13の詳
細図を示す。形状検出機構14及び記憶機構15の出力
(形状検出信号と形状設定信号)は、パターン認識機構
13の入力セル17,18に入力され、入力セル17で
は入力された信号が関数値に変換され中間層19へ出力
れ、中間層19へ入力された入力セル17の出力は中間
層19のセル20,21へ入力される。入力セル17の
出力でセル20に入力された信号は重み関数23でwl
11倍され加算器24に入力されるとともに、入力セル1
8の出力は重み関数26を介し加算器24に入力され、
加算器24は重み関数23,26の出力を加算し、関数
器25へ入力され、関数器25で線形又は非線形の関数
演算を行い、次段の中間層27に出力される。なおセル
20は上記重み関数23,26,加算器24及び関数器
25から構成される。
細図を示す。形状検出機構14及び記憶機構15の出力
(形状検出信号と形状設定信号)は、パターン認識機構
13の入力セル17,18に入力され、入力セル17で
は入力された信号が関数値に変換され中間層19へ出力
れ、中間層19へ入力された入力セル17の出力は中間
層19のセル20,21へ入力される。入力セル17の
出力でセル20に入力された信号は重み関数23でwl
11倍され加算器24に入力されるとともに、入力セル1
8の出力は重み関数26を介し加算器24に入力され、
加算器24は重み関数23,26の出力を加算し、関数
器25へ入力され、関数器25で線形又は非線形の関数
演算を行い、次段の中間層27に出力される。なおセル
20は上記重み関数23,26,加算器24及び関数器
25から構成される。
【0021】同様に、セル21へは入力セル17,18
の出力が入力され、入力層17の出力は重み関数28で
wl12倍化され加算器24,関数器25を介し次段の中
間層27へ出力される。
の出力が入力され、入力層17の出力は重み関数28で
wl12倍化され加算器24,関数器25を介し次段の中
間層27へ出力される。
【0022】中間層27は、中間層19と同一の構造で
あり、入力層17,18の出力の代りに中間層19の出
力が用いられるものである。
あり、入力層17,18の出力の代りに中間層19の出
力が用いられるものである。
【0023】ここで、重み関数23,26,28の重み
をwkijで表わすと、wkijはk番目の中間層のi番目の
セルに於いて、k−1番目の中間層(但し、k=1の時
は入力セル)のi番目の出力に掛ける重みを示す。
をwkijで表わすと、wkijはk番目の中間層のi番目の
セルに於いて、k−1番目の中間層(但し、k=1の時
は入力セル)のi番目の出力に掛ける重みを示す。
【0024】以上のようにパターン認識機構13に入力
された信号は、入力セル17,18,複数段の中間層1
9,27,29を介し、中間層のセルから重み関数と加
算器を取り除いた形式の出力層30を介し、出力され
る。なお、入力層31は入力セル17,18を全て纏め
たものを表わす。
された信号は、入力セル17,18,複数段の中間層1
9,27,29を介し、中間層のセルから重み関数と加
算器を取り除いた形式の出力層30を介し、出力され
る。なお、入力層31は入力セル17,18を全て纏め
たものを表わす。
【0025】このパターン認識機構13の特徴は、単純
な積和演算ですみ、フィードバック等の繰返演算が無い
こと、及び、中間層の各積和項はハードウェアで実現す
る場合、並列に処理ができるため、高速演算が可能であ
る。
な積和演算ですみ、フィードバック等の繰返演算が無い
こと、及び、中間層の各積和項はハードウェアで実現す
る場合、並列に処理ができるため、高速演算が可能であ
る。
【0026】このパターン認識機構の出力層30の次に
予め各出力パターンに応じて各アクチュエータに対する
指令値を記憶させておき、最も出力パターンに近い指令
値を直接アクチュエータに指示することも可能である。
この方式では応答性は良いが後述の方式に比べて制御の
精度は若干悪くなる。
予め各出力パターンに応じて各アクチュエータに対する
指令値を記憶させておき、最も出力パターンに近い指令
値を直接アクチュエータに指示することも可能である。
この方式では応答性は良いが後述の方式に比べて制御の
精度は若干悪くなる。
【0027】次にパターン認識機構13の処理結果は図
4に示す推論処理機構を経て圧延機1に印加される。す
なわち、パターン認識機構13の出力は指令発生機構1
2に設けられている操作量決定手段32に入力される。
操作量決定手段32では、内部に複数準備された処理機
構のうち、入力信号を処理するのに最も有効な処理機構
を選択し、処理を実行し操作量を出力する。操作量決定
手段32の結果を用い、指令値計算手段33は具体的な
各アクチュエータの指令値、例えば圧下制御機構6に対
する圧下指令,中間ロールベンダ8に対する中間ロール
ベンダ指令等を発生する。
4に示す推論処理機構を経て圧延機1に印加される。す
なわち、パターン認識機構13の出力は指令発生機構1
2に設けられている操作量決定手段32に入力される。
操作量決定手段32では、内部に複数準備された処理機
構のうち、入力信号を処理するのに最も有効な処理機構
を選択し、処理を実行し操作量を出力する。操作量決定
手段32の結果を用い、指令値計算手段33は具体的な
各アクチュエータの指令値、例えば圧下制御機構6に対
する圧下指令,中間ロールベンダ8に対する中間ロール
ベンダ指令等を発生する。
【0028】図5は、前記操作量決定手段32の構成を
示すものである。操作量決定手段32は、形状検出機構
14,パターン認識機構13からの信号を受け、制御機
構141を起動する。該制御機構141は、問題の種類
に応じて、知識ベース36を用い、起動する推論機構を
決定する。
示すものである。操作量決定手段32は、形状検出機構
14,パターン認識機構13からの信号を受け、制御機
構141を起動する。該制御機構141は、問題の種類
に応じて、知識ベース36を用い、起動する推論機構を
決定する。
【0029】一例として、この決定する方法は予めプロ
グラム化されている。例えば、オペレータはパターン的
な波形を見て、曖昧な制御を実施していると仮定する。
このオペレータの操作を取り入れたシステムを構成する
場合は、パターン認識機構13からの信号を受け取り、
該制御機構141はファジィ推論機構143を起動し、
該パターン認識機構13からの信号を引き渡す。
グラム化されている。例えば、オペレータはパターン的
な波形を見て、曖昧な制御を実施していると仮定する。
このオペレータの操作を取り入れたシステムを構成する
場合は、パターン認識機構13からの信号を受け取り、
該制御機構141はファジィ推論機構143を起動し、
該パターン認識機構13からの信号を引き渡す。
【0030】また、プロダクション推論機構142は制
御方策の変更が必要な場合、例えば故障や、制御を実施
しても偏差が大きいときなどに故障信号や偏差信号など
により起動される。
御方策の変更が必要な場合、例えば故障や、制御を実施
しても偏差が大きいときなどに故障信号や偏差信号など
により起動される。
【0031】スクリプト推論機構146は、シーケンス
制御的なものに使用され、あるシーケンスから他のシー
ケンスへ制御が移り(上位の制御系からの指示等によ
る)新しいシーケンスの状態を予め予測し、次の動作を
決定する時に利用される。
制御的なものに使用され、あるシーケンスから他のシー
ケンスへ制御が移り(上位の制御系からの指示等によ
る)新しいシーケンスの状態を予め予測し、次の動作を
決定する時に利用される。
【0032】なお、制御機構141にプロダクション推
論機構と知識ベースを導入し、各制御機構6,7,8,
9,10,11等の状態を監視し、各状態の組合せをプ
ロダクションで推論し、最終結果として、各種推論機構
142,143,144,145,146を起動する。
即ち制御機構141は、三段論法的に結論を求める。
論機構と知識ベースを導入し、各制御機構6,7,8,
9,10,11等の状態を監視し、各状態の組合せをプ
ロダクションで推論し、最終結果として、各種推論機構
142,143,144,145,146を起動する。
即ち制御機構141は、三段論法的に結論を求める。
【0033】必要がある場合にはプロダクション推論機
構142を起動し、曖昧な要因がある場合にはファジィ
推論機構143を起動し、ある程度の枠組みがある問題
に対してはフレーム推論機構144を起動し、因果関係
や機器の構成等の関連がネットワーク的になっている問
題に対しては意味ネット推論機構145を起動し、診断
対象が時間的な順序で動作しているような問題に対して
はスクリプト推論機構146を起動する。更に、制御機
構141は前記各種推論機構で解けない経験的な問題
で、高速に最適な解を求めるための最適化演算機構11
1を起動し、パターン的に記憶でき、特徴を抽出すると
ともに回答が必要な問題を解くための特徴抽出・回答機
構110(Rumelhart 型ニューロコンピュータで構成)
を起動する。操作量決定手段32の処理結果は制御機構
141を介して指令値計算機構へ出力される。
構142を起動し、曖昧な要因がある場合にはファジィ
推論機構143を起動し、ある程度の枠組みがある問題
に対してはフレーム推論機構144を起動し、因果関係
や機器の構成等の関連がネットワーク的になっている問
題に対しては意味ネット推論機構145を起動し、診断
対象が時間的な順序で動作しているような問題に対して
はスクリプト推論機構146を起動する。更に、制御機
構141は前記各種推論機構で解けない経験的な問題
で、高速に最適な解を求めるための最適化演算機構11
1を起動し、パターン的に記憶でき、特徴を抽出すると
ともに回答が必要な問題を解くための特徴抽出・回答機
構110(Rumelhart 型ニューロコンピュータで構成)
を起動する。操作量決定手段32の処理結果は制御機構
141を介して指令値計算機構へ出力される。
【0034】図6に推論に必要な知識である知識ベース
36の構成を示す。知識ベース36は制御のエキスパー
トの経験等に基づく外部から入力される知識106は三
段論法的に推論を実行するためのプロダクションルール
147,曖昧な情報をもとに推論を行うための知識であ
るファジィルール148,診断対象の部品構成などのあ
る枠組みで記述できる知識のフレーム149,部品と部
品の関連や、常識的な関連を纏めてネットワークの形で
整理している意味ネットワーク150,診断対象が順番
にある仕事を進める場合にそれらの仕事を整理して記憶
するスクリプト151、及び、上記知識147〜151
で記述できないその他の知識152に分類されて記憶さ
れている。
36の構成を示す。知識ベース36は制御のエキスパー
トの経験等に基づく外部から入力される知識106は三
段論法的に推論を実行するためのプロダクションルール
147,曖昧な情報をもとに推論を行うための知識であ
るファジィルール148,診断対象の部品構成などのあ
る枠組みで記述できる知識のフレーム149,部品と部
品の関連や、常識的な関連を纏めてネットワークの形で
整理している意味ネットワーク150,診断対象が順番
にある仕事を進める場合にそれらの仕事を整理して記憶
するスクリプト151、及び、上記知識147〜151
で記述できないその他の知識152に分類されて記憶さ
れている。
【0035】図7に操作量決定手段32の動作の説明図
を示す。制御機構141の処理はパターン認識機構1
3,形状検出機構14,記憶機構15からの情報を整理
し、以下の処理に利用できるデータに変換する処理ステ
ップ200,上記ステップ200で準備したデータが無く
なる迄取り出し、ステップ202へ渡す繰返処理ステッ
プ201,前記ステップ201で収集した情報から起動
すべき推論機構及び処理を決定するための判断ステップ
202、及び、各種推論機構142〜146,特徴抽出
回答機構110,最適化演算機構111、及び、PID
制御等の古典制御や多変数制御等の現代制御のアルゴリ
ズムを実行する一般制御機構203、及び、上記各ステ
ップを終了するために必要なフラグ類のリセット等を実
行する終了処理ステップ204から構成される。
を示す。制御機構141の処理はパターン認識機構1
3,形状検出機構14,記憶機構15からの情報を整理
し、以下の処理に利用できるデータに変換する処理ステ
ップ200,上記ステップ200で準備したデータが無く
なる迄取り出し、ステップ202へ渡す繰返処理ステッ
プ201,前記ステップ201で収集した情報から起動
すべき推論機構及び処理を決定するための判断ステップ
202、及び、各種推論機構142〜146,特徴抽出
回答機構110,最適化演算機構111、及び、PID
制御等の古典制御や多変数制御等の現代制御のアルゴリ
ズムを実行する一般制御機構203、及び、上記各ステ
ップを終了するために必要なフラグ類のリセット等を実
行する終了処理ステップ204から構成される。
【0036】ここで各推論処理機構の役割を述べる。プ
ロダクション推論機構142は、オペレータのエキスパ
ートが断片的なプロダクションルールを用いて、論理的
な成立関係を組立てる制御に適している。ファジィ推論
機構143は、制御対象の注目している状態が変化した
ならばオペレータはアクチュエータを少し動かすという
ように定量化できないオペレータの曖昧な知識を計算機
で処理できるように定量化して操作量を決定するのに適
している。
ロダクション推論機構142は、オペレータのエキスパ
ートが断片的なプロダクションルールを用いて、論理的
な成立関係を組立てる制御に適している。ファジィ推論
機構143は、制御対象の注目している状態が変化した
ならばオペレータはアクチュエータを少し動かすという
ように定量化できないオペレータの曖昧な知識を計算機
で処理できるように定量化して操作量を決定するのに適
している。
【0037】フレーム推論機構144は、制御装置間の
関係等を記述するフレームという知識を用い、注目して
いる制御対象の状態が変化した時に元の状態に戻す場合
に、それら装置間の関係を基に操作を行う処理量を関連
する機器毎に決定するのに適している。
関係等を記述するフレームという知識を用い、注目して
いる制御対象の状態が変化した時に元の状態に戻す場合
に、それら装置間の関係を基に操作を行う処理量を関連
する機器毎に決定するのに適している。
【0038】意味ネット推論機構145は、前記断片的
な知識であるフレームを整理し、体系付けてネットワー
クを作り上げたものであるため、特定のアクチュエータ
の操作結果が及ぼす影響を求めることができ、補償系を
組むのに適している。
な知識であるフレームを整理し、体系付けてネットワー
クを作り上げたものであるため、特定のアクチュエータ
の操作結果が及ぼす影響を求めることができ、補償系を
組むのに適している。
【0039】スクリプト推論機構146は特定の状態が
発生した時の手順的な知識を基に推論するため、故障時
等に決まった手順で対応しなければならないようなシー
ケンス制御的な制御に適している。
発生した時の手順的な知識を基に推論するため、故障時
等に決まった手順で対応しなければならないようなシー
ケンス制御的な制御に適している。
【0040】また、特徴抽出・回答機構110は、上記
パターン認識機構13,形状検出機構14,記憶機構1
5の入力パターンと前記入力パターンが入力されたとき
に推論機構142〜146が出した出力の関係を予め学
習させておくと、推論機構142〜146が推論を行っ
て出力を決定するのと異なり、高速に同一の結果が出力
できる特徴がある。最適化演算機構111は、被制御対
象1は通常非線形性が強いので、何等かの原因により動
作点が変化すると、動作の再設定が必要になり、その場
合、最急傾斜法,ダイナミックプログラミング,リニア
プログラミング,山登り法,共役傾斜法又はHopfield型
ニューロコンピュータ等のアルゴリズムにより計算さ
れ、非線形制御対象に対しても最適な応答を行う。
パターン認識機構13,形状検出機構14,記憶機構1
5の入力パターンと前記入力パターンが入力されたとき
に推論機構142〜146が出した出力の関係を予め学
習させておくと、推論機構142〜146が推論を行っ
て出力を決定するのと異なり、高速に同一の結果が出力
できる特徴がある。最適化演算機構111は、被制御対
象1は通常非線形性が強いので、何等かの原因により動
作点が変化すると、動作の再設定が必要になり、その場
合、最急傾斜法,ダイナミックプログラミング,リニア
プログラミング,山登り法,共役傾斜法又はHopfield型
ニューロコンピュータ等のアルゴリズムにより計算さ
れ、非線形制御対象に対しても最適な応答を行う。
【0041】図8にプロダクション機構142の動作説
明図を示す。制御機構141より起動されるプロダクシ
ョン推論機構142は、制御機構141から起動時にメ
モリに記憶する入力処理34、入力処理34で記憶した
情報1個ずつ取り出し、もし、メモリにパターンの情報
が無い時には、プロダクション推論機構142の処理を
終了させる終了判断機構35を実行する。終了判断機構
35で抽出されたパターンの種類とその確信度を用い、
知識ベース36からルールを1個ずつ取り出し、処理3
7で該入力のパターンの種類と該ルールの前提部を比較
する。その比較結果を用い、ステップ38は一致した場
合、次の処理39を、不一致の場合ステップ37を実行
させる。ステップ39は一致した時に前記入力を前記ル
ールの結論部に置換する。この時の確信度の取扱いはミ
ニ・マックスの理論で、置換前の最小値又は最大値で置
換える。ステップ40は前記置換したルールの結論部が
操作指令である場合、ステップ41を、結論部が不一致
の場合更に推論を実施させるためにステップ37を実行
させる。
明図を示す。制御機構141より起動されるプロダクシ
ョン推論機構142は、制御機構141から起動時にメ
モリに記憶する入力処理34、入力処理34で記憶した
情報1個ずつ取り出し、もし、メモリにパターンの情報
が無い時には、プロダクション推論機構142の処理を
終了させる終了判断機構35を実行する。終了判断機構
35で抽出されたパターンの種類とその確信度を用い、
知識ベース36からルールを1個ずつ取り出し、処理3
7で該入力のパターンの種類と該ルールの前提部を比較
する。その比較結果を用い、ステップ38は一致した場
合、次の処理39を、不一致の場合ステップ37を実行
させる。ステップ39は一致した時に前記入力を前記ル
ールの結論部に置換する。この時の確信度の取扱いはミ
ニ・マックスの理論で、置換前の最小値又は最大値で置
換える。ステップ40は前記置換したルールの結論部が
操作指令である場合、ステップ41を、結論部が不一致
の場合更に推論を実施させるためにステップ37を実行
させる。
【0042】結論部が操作指令であるときに、処理41
は指令値計算手段33へ、結論部及び前記処理ステップ
で求めた確信度を出力する。
は指令値計算手段33へ、結論部及び前記処理ステップ
で求めた確信度を出力する。
【0043】図9は指令値計算手段33を示す。指令値
計算手段33は、前記操作量決定手段32で求めた推論
結果である指令及びその確信度を記憶するメモリ42,
メモリの指令が全て処理されたか否かを判断し、処理さ
れていたならば指令値計算手段33を終了させるステッ
プ43,処理されていなければ圧下制御機構6等のアク
チュエータ7,8,9,10,11毎の指令を取り出
し、各種推論で求まったアクチュエータ操作の程度と確
信度を基に、操作量の重心を求め、同一アクチュエータ
の操作量の重心を寄せ集めて新たな重心を求め対応する
アクチュエータの指令とする処理44から構成される。
計算手段33は、前記操作量決定手段32で求めた推論
結果である指令及びその確信度を記憶するメモリ42,
メモリの指令が全て処理されたか否かを判断し、処理さ
れていたならば指令値計算手段33を終了させるステッ
プ43,処理されていなければ圧下制御機構6等のアク
チュエータ7,8,9,10,11毎の指令を取り出
し、各種推論で求まったアクチュエータ操作の程度と確
信度を基に、操作量の重心を求め、同一アクチュエータ
の操作量の重心を寄せ集めて新たな重心を求め対応する
アクチュエータの指令とする処理44から構成される。
【0044】このような指令値計算手段33を設けるこ
とで各種推論機構142〜146,特徴抽出・回路機構
110,最適化演算機構111,一般制御機構203で
個別に求められたアクチュエータへの指令を統一的に扱
える特徴がある。
とで各種推論機構142〜146,特徴抽出・回路機構
110,最適化演算機構111,一般制御機構203で
個別に求められたアクチュエータへの指令を統一的に扱
える特徴がある。
【0045】図10に、前記学習に必要な入力切り換え
装置125の構成を示す。該入力切り換え装置125
は、学習機構により制御されるスイッチ機構156を用
い、形状検出機構14の出力と学習機構16の出力の一
方を入力層31に出力するものである。図10における
スイッチ機構156の状態は学習を行う状態を示す。
装置125の構成を示す。該入力切り換え装置125
は、学習機構により制御されるスイッチ機構156を用
い、形状検出機構14の出力と学習機構16の出力の一
方を入力層31に出力するものである。図10における
スイッチ機構156の状態は学習を行う状態を示す。
【0046】図11に学習機構16の構成を示す。学習
機構16は、入力パターン発生機構45,出力パターン
発生機構47,出力突合せ機構46、及び、学習制御機
構48から構成される。前記出力突合せ機構46は、出
力層30の出力を指令発生機構12と前記突合せ機構4
6へ出力するための分配器139の出力o1,oi,on
と、出力パターン発生機構47の出力or1 ,ori ,
orn との差を加算器161,162,163により、
偏差e1 ,ei ,en として求め、学習制御機構48に
出力する。なお分配器139の出力o1 ,oi ,on は
入力パターン発生機構47の出力がパターン認識機構1
3(Rumelhart 型ニューロコンピュータ)の入力層19
に入力されることにより発生する。このとき、該入力パ
ターン発生機構45と該出力パターン発生機構47は前
記学習制御機構48に制御される。
機構16は、入力パターン発生機構45,出力パターン
発生機構47,出力突合せ機構46、及び、学習制御機
構48から構成される。前記出力突合せ機構46は、出
力層30の出力を指令発生機構12と前記突合せ機構4
6へ出力するための分配器139の出力o1,oi,on
と、出力パターン発生機構47の出力or1 ,ori ,
orn との差を加算器161,162,163により、
偏差e1 ,ei ,en として求め、学習制御機構48に
出力する。なお分配器139の出力o1 ,oi ,on は
入力パターン発生機構47の出力がパターン認識機構1
3(Rumelhart 型ニューロコンピュータ)の入力層19
に入力されることにより発生する。このとき、該入力パ
ターン発生機構45と該出力パターン発生機構47は前
記学習制御機構48に制御される。
【0047】図12に学習過程における荷重関数wij2
3と学習制御機構48の関係を示す。加算器161の出
力である偏差ek を受けて、学習制御機構48はパター
ン認識機構13を構成するセル20の荷重関数wij23
の値を、偏差ek が減少する方向に変化させる。
3と学習制御機構48の関係を示す。加算器161の出
力である偏差ek を受けて、学習制御機構48はパター
ン認識機構13を構成するセル20の荷重関数wij23
の値を、偏差ek が減少する方向に変化させる。
【0048】図13に学習制御機構48の処理概要17
0を示す。学習機構16が起動されると、学習制御機構
48の処理170が起動される。処理170は、入力パ
ターン発生機構45,出力パターン発生機構47を起動
し、教師信号である入力と、希望出力を発生する前処理
171,偏差ek の値、又は、偏差ek の自乗和が許容
範囲以内になるまで以下のステップ173,174,1
75を繰り返すステップ172,出力層30に近い中間
層から入力層31に向けて注目する中間層を順次抽出す
るステップ174、該中間層において順次注目するセル
を抽出するステップ174、及び偏差ek が小さくなる
方向へ抽出したセルの荷重関数wij23を変化させるス
テップ175、および、学習過程を終了させるためのス
テップ176から構成される。
0を示す。学習機構16が起動されると、学習制御機構
48の処理170が起動される。処理170は、入力パ
ターン発生機構45,出力パターン発生機構47を起動
し、教師信号である入力と、希望出力を発生する前処理
171,偏差ek の値、又は、偏差ek の自乗和が許容
範囲以内になるまで以下のステップ173,174,1
75を繰り返すステップ172,出力層30に近い中間
層から入力層31に向けて注目する中間層を順次抽出す
るステップ174、該中間層において順次注目するセル
を抽出するステップ174、及び偏差ek が小さくなる
方向へ抽出したセルの荷重関数wij23を変化させるス
テップ175、および、学習過程を終了させるためのス
テップ176から構成される。
【0049】このような学習機構を設けることにより、
それ迄考慮されなかった新しい現象が発生し、それに対
する対応策が決定したならば、その知見を反映できる特
徴がある。
それ迄考慮されなかった新しい現象が発生し、それに対
する対応策が決定したならば、その知見を反映できる特
徴がある。
【0050】図14は、図2の記憶機構15の構成を示
す。記憶機構15は、指令発生機構12,形状検出機構
14の出力が入力されるメモリ要素49,メモリ要素4
9の内容が一定時間経過後に転送されるメモリ要素5
0、及び順次メモリ要素にデータが転送され特定時間経
過後に到達するメモリ要素51から構成され、各メモリ
要素49,50,51の内容はパターンの微分や積分等
を行うための演算機構501を介し、パターン認識機構
13,学習機構16へ入力される。
す。記憶機構15は、指令発生機構12,形状検出機構
14の出力が入力されるメモリ要素49,メモリ要素4
9の内容が一定時間経過後に転送されるメモリ要素5
0、及び順次メモリ要素にデータが転送され特定時間経
過後に到達するメモリ要素51から構成され、各メモリ
要素49,50,51の内容はパターンの微分や積分等
を行うための演算機構501を介し、パターン認識機構
13,学習機構16へ入力される。
【0051】この記憶機構15により、形状検出機構1
4や、指令発生機構12の時間的変化を考慮でき、例え
ば微分,積分等の動作が行えるようになる。
4や、指令発生機構12の時間的変化を考慮でき、例え
ば微分,積分等の動作が行えるようになる。
【0052】図15には、クーラント制御のノズルの影
響が、ノズルの位置から一定長のみに影響を与えるた
め、ノズル近傍の入力を使ってパターンを認識する機構
を示す。形状検出機構14の出力はパターン検出機構1
3のメモリ52に入力され、メモリ52に入力された信
号はゲート回路53を介し、メモリ要素54に入力さ
れ、メモリ要素54に入力された信号はゲート回路5
5,56を介しメモリ要素57,58へ入力され、ゲー
ト回路53,56がオフにするとゲート回路55はオン
となり、クロツクに同期して、メモリ要素54の情報は
メモリ57へ、又、一定時間経過するとメモリ要素54
の信号がメモリ要素58へ達し、メモリ要素57の信号
がメモリ要素54に達し、次のクロツクでメモリ要素5
4,57,58の信号が一巡すると、ゲート53,56
がオンし、ゲート55がオフし、メモリ要素54の内容
はメモリ要素59に記憶され、メモリ要素54,57,
59の情報は入力層31に入力される。
響が、ノズルの位置から一定長のみに影響を与えるた
め、ノズル近傍の入力を使ってパターンを認識する機構
を示す。形状検出機構14の出力はパターン検出機構1
3のメモリ52に入力され、メモリ52に入力された信
号はゲート回路53を介し、メモリ要素54に入力さ
れ、メモリ要素54に入力された信号はゲート回路5
5,56を介しメモリ要素57,58へ入力され、ゲー
ト回路53,56がオフにするとゲート回路55はオン
となり、クロツクに同期して、メモリ要素54の情報は
メモリ57へ、又、一定時間経過するとメモリ要素54
の信号がメモリ要素58へ達し、メモリ要素57の信号
がメモリ要素54に達し、次のクロツクでメモリ要素5
4,57,58の信号が一巡すると、ゲート53,56
がオンし、ゲート55がオフし、メモリ要素54の内容
はメモリ要素59に記憶され、メモリ要素54,57,
59の情報は入力層31に入力される。
【0053】このようなメモリ52を設けることによ
り、パターン認識機構13の入力層31,中間層19,
27,29,出力層30のセルの数を大幅に減少できる
効果がある。
り、パターン認識機構13の入力層31,中間層19,
27,29,出力層30のセルの数を大幅に減少できる
効果がある。
【0054】図16に学習機構16の入力パターン発生
機構45と出力パターン発生機構47に制御対象シミュ
レータ60を用いる例を示す。
機構45と出力パターン発生機構47に制御対象シミュ
レータ60を用いる例を示す。
【0055】出力パターン発生機構47においてオペレ
ータの操作又はデータによって発生した形状パターン
は、図2の指令発生機構12と同一の機能を持ち、学習
機構に別に設けられた指令発生機構12に入力され、指
令発生機構12ではパターンに応じて各種アクチュエー
タの指令を発生し、該指令は入力パターン発生機構45
に設けられた制御対象シミュレータ60に入力され、制
御対象である各種アクチュエータ6,7,8,9,1
0,11及び圧延機1を含めた動作を模擬し、その応答
が悪い時には指令発生機構12,制御対象シミュレータ
60のパラメータを変更するためのパラメータ調整機構
51を用い制御対象シミュレータ60の出力を所望の形
状になるように調節し、パターン認識機構13の入力と
する。
ータの操作又はデータによって発生した形状パターン
は、図2の指令発生機構12と同一の機能を持ち、学習
機構に別に設けられた指令発生機構12に入力され、指
令発生機構12ではパターンに応じて各種アクチュエー
タの指令を発生し、該指令は入力パターン発生機構45
に設けられた制御対象シミュレータ60に入力され、制
御対象である各種アクチュエータ6,7,8,9,1
0,11及び圧延機1を含めた動作を模擬し、その応答
が悪い時には指令発生機構12,制御対象シミュレータ
60のパラメータを変更するためのパラメータ調整機構
51を用い制御対象シミュレータ60の出力を所望の形
状になるように調節し、パターン認識機構13の入力と
する。
【0056】以上説明した構成の制御方法の動作を具体
例を用いて以下に述べる。
例を用いて以下に述べる。
【0057】パターン認識機構13を構成するニューロ
コンピュータの中間層19,27,29の荷重関数wij
28の値の初期値は当初、乱数又は適当な値、例えば荷
重関数が取り得る値(0〜1.0とすると)の半分(0.
5)に設定する。この時に、例えば、図17の入力パタ
ーン発生機構45が生成した凹型の圧延材形状パターン
を入力しても、出力層30の出力において凹であるとい
う出力信号線70の出力は1にならず、又、出力層30
の出力線71の出力である凸である確率は零にならな
い。
コンピュータの中間層19,27,29の荷重関数wij
28の値の初期値は当初、乱数又は適当な値、例えば荷
重関数が取り得る値(0〜1.0とすると)の半分(0.
5)に設定する。この時に、例えば、図17の入力パタ
ーン発生機構45が生成した凹型の圧延材形状パターン
を入力しても、出力層30の出力において凹であるとい
う出力信号線70の出力は1にならず、又、出力層30
の出力線71の出力である凸である確率は零にならな
い。
【0058】そこで出力層30の出力線70に対応する
学習機構16の出力パターン発生機構47の出力線72
は1を、出力線71に対応する出力パターン発生機構4
7の出力線73の出力を零に出力する。これらの出力を
受けて、出力突合せ機構46は理想的な出力(出力パタ
ーン発生機構47)と、パターン認識機構13の出力の
偏差を受け学習制御機構48は、パターン認識機構13
の荷重関数wijの大きさを該偏差が減少する方向に、該
偏差の大きさに比例して変更させる。このアルゴリズム
の代表例として最急傾斜法がある。
学習機構16の出力パターン発生機構47の出力線72
は1を、出力線71に対応する出力パターン発生機構4
7の出力線73の出力を零に出力する。これらの出力を
受けて、出力突合せ機構46は理想的な出力(出力パタ
ーン発生機構47)と、パターン認識機構13の出力の
偏差を受け学習制御機構48は、パターン認識機構13
の荷重関数wijの大きさを該偏差が減少する方向に、該
偏差の大きさに比例して変更させる。このアルゴリズム
の代表例として最急傾斜法がある。
【0059】図13の処理に従って、順次荷重関数の重
みを変更し、図12の偏差ek の自乗和が許容範囲内に
収まると、学習機構16の動作が終了する。
みを変更し、図12の偏差ek の自乗和が許容範囲内に
収まると、学習機構16の動作が終了する。
【0060】学習終了後、図17の入力パターン発生機
構45の出力パターン(形状・設定パターン)と同じ波
形(形状・検出パターン)が図2の形状検出機構14か
ら入力されると、パターン認識機構13は、出力層30
の出力線70から1を出力し、出力層30の出力線71
から零を出力する。
構45の出力パターン(形状・設定パターン)と同じ波
形(形状・検出パターン)が図2の形状検出機構14か
ら入力されると、パターン認識機構13は、出力層30
の出力線70から1を出力し、出力層30の出力線71
から零を出力する。
【0061】次に、凸型と言われている図18に示す波
形が入力され、しかも、学習が終了していない場合、パ
ターン認識機構13の凸型を表現する出力線71の出力
が1で、その他の出力70が零になるパターンにならな
い。そこで前述のように、典型的な凸型のパターンを入
力信号として、出力パターン発生機構47の出力は、前
記出力線71,70の出力に対応する値を夫々1,0に
なるようにする。学習機構16は、該荷重関数wijを変
化させ、学習が完了した時に、前記パターン認識機構1
3に、図18の凸型の波形が入力されると、図17の前
記出力層30の出力線71は1に、出力線70は零にな
る。
形が入力され、しかも、学習が終了していない場合、パ
ターン認識機構13の凸型を表現する出力線71の出力
が1で、その他の出力70が零になるパターンにならな
い。そこで前述のように、典型的な凸型のパターンを入
力信号として、出力パターン発生機構47の出力は、前
記出力線71,70の出力に対応する値を夫々1,0に
なるようにする。学習機構16は、該荷重関数wijを変
化させ、学習が完了した時に、前記パターン認識機構1
3に、図18の凸型の波形が入力されると、図17の前
記出力層30の出力線71は1に、出力線70は零にな
る。
【0062】その結果、図19(a)の波形がパターン
認識機構13に入力され、その出力は、出力層30から
前述のように予め入力された凸型の波形であることを示
す出力線71によりその波形に類似している度合(割
合)を確信度40%として出力されると同時に、凹型の
波形であることを示す出力線70から確信度50%とし
て出力される。このように、ニューラルネットで構成さ
れるパターン認識機構13からは形状・検出パターンが
形状・設定パターンに類似している割合を示す数値が出
力される。
認識機構13に入力され、その出力は、出力層30から
前述のように予め入力された凸型の波形であることを示
す出力線71によりその波形に類似している度合(割
合)を確信度40%として出力されると同時に、凹型の
波形であることを示す出力線70から確信度50%とし
て出力される。このように、ニューラルネットで構成さ
れるパターン認識機構13からは形状・検出パターンが
形状・設定パターンに類似している割合を示す数値が出
力される。
【0063】図20に、圧延材の時間的変化を考慮した
圧延材形状を示す。圧延機ワークロール2の直下の状態
はt0 で、その時の値はx0 である。記算機のサンプリ
ング周期をT0 とすると、T0 秒前のt1時点に於ける
板厚の高さはx1,T0x2秒前のt2 時点に於ける板厚
の高さはx2,… である。
圧延材形状を示す。圧延機ワークロール2の直下の状態
はt0 で、その時の値はx0 である。記算機のサンプリ
ング周期をT0 とすると、T0 秒前のt1時点に於ける
板厚の高さはx1,T0x2秒前のt2 時点に於ける板厚
の高さはx2,… である。
【0064】即ち、t2 の時点で、高さx2 が記憶機構
15に入力され、図14のメモリ要素49に記憶され
る。次のサンプリング時点であるt1 の高さx1 が、記
憶機構15に入力されると、そのタイミングでメモリ要
素49のデータx2 はメモリ要素50に転送されるとと
もに、メモリ要素49の内容は、x1 に書換えられる。
一方、演算機構510は、前記メモリ要素49,50の
内容を用いて各種演算を行う。例えば、微分値が必要な
時には(x2−x1)/T0 、積分器が必要な時には(x
1+x2)×T0 となる演算を実行すれば良い。即ち、微
分器は、形状の変化速度を求めることができるので、パ
ターン認識機構13は変化に対する応答性を向上でき
る。
15に入力され、図14のメモリ要素49に記憶され
る。次のサンプリング時点であるt1 の高さx1 が、記
憶機構15に入力されると、そのタイミングでメモリ要
素49のデータx2 はメモリ要素50に転送されるとと
もに、メモリ要素49の内容は、x1 に書換えられる。
一方、演算機構510は、前記メモリ要素49,50の
内容を用いて各種演算を行う。例えば、微分値が必要な
時には(x2−x1)/T0 、積分器が必要な時には(x
1+x2)×T0 となる演算を実行すれば良い。即ち、微
分器は、形状の変化速度を求めることができるので、パ
ターン認識機構13は変化に対する応答性を向上でき
る。
【0065】一方、積分器は、ノイズ等に対し除去作用
があるなどの特徴を出すことができる。これら、微分
器,積分器、及び時間的要素が入っていない比例要素等
の機能をパターン認識機構13に持たせることができ
る。更に、記憶機構15で記憶されたデータも必要に応
じ、学習時に活用する入力パターン発生機構45に利用
できる。
があるなどの特徴を出すことができる。これら、微分
器,積分器、及び時間的要素が入っていない比例要素等
の機能をパターン認識機構13に持たせることができ
る。更に、記憶機構15で記憶されたデータも必要に応
じ、学習時に活用する入力パターン発生機構45に利用
できる。
【0066】ところで、図21に示すように、t0 時点
に於ける圧延機のロール軸方向の圧延材の板厚をx00,
x01,…x0n-1,x0nとし、同一位置に於けるT0 (サ
ンプリング周期)前の板厚の状態を、x00,x01,…x
0n-1,x0nとすると、ある時点t0 では、図14のメモ
リ要素54,57,58に夫々x0n,x0n-1,…,x00が
記憶される。メモリ要素59には、前述のメモリ機構1
5と同様な動作を行っているので、T0 時点前の時点t
1 のデータであるx10,x11,…x1nがメモリ要素59
他に記憶されている。
に於ける圧延機のロール軸方向の圧延材の板厚をx00,
x01,…x0n-1,x0nとし、同一位置に於けるT0 (サ
ンプリング周期)前の板厚の状態を、x00,x01,…x
0n-1,x0nとすると、ある時点t0 では、図14のメモ
リ要素54,57,58に夫々x0n,x0n-1,…,x00が
記憶される。メモリ要素59には、前述のメモリ機構1
5と同様な動作を行っているので、T0 時点前の時点t
1 のデータであるx10,x11,…x1nがメモリ要素59
他に記憶されている。
【0067】図22にプロダクションルール又はファジ
ィルールの一例を示す(図6のプロダクションルール4
7,ファジィルール48に対応)。
ィルールの一例を示す(図6のプロダクションルール4
7,ファジィルール48に対応)。
【0068】パターン認識機構13で凹型50%の確信
度として出力(類似割合を示す数値)を得ると、プロダク
ションルールの前提部と照合し、凹型ルール80と一致
する。その結果、ベンダを弱める(程度はSmall)ルール
81が得られる。一方凸型の確信度40%で、前提部8
2と一致し、その結果、ベンダを強める操作量(程度
大)が得られる。
度として出力(類似割合を示す数値)を得ると、プロダク
ションルールの前提部と照合し、凹型ルール80と一致
する。その結果、ベンダを弱める(程度はSmall)ルール
81が得られる。一方凸型の確信度40%で、前提部8
2と一致し、その結果、ベンダを強める操作量(程度
大)が得られる。
【0069】その結果、図23に示すように指令発生機
構12は、制御ルールとの照合の結果、ベンダの操作量
は凸型の確信度50%なのでBの斜線部の面積で表され
る。一方、凹型の確信度が40%でSである確信度40
%なので、図22のSの斜線部の面積となる。次に上記
指令発生機構12は斜線部の重心AとBを合成した重心
Cの値である65%がベンダの操作量になる。
構12は、制御ルールとの照合の結果、ベンダの操作量
は凸型の確信度50%なのでBの斜線部の面積で表され
る。一方、凹型の確信度が40%でSである確信度40
%なので、図22のSの斜線部の面積となる。次に上記
指令発生機構12は斜線部の重心AとBを合成した重心
Cの値である65%がベンダの操作量になる。
【0070】次に、クーラント制御のようにアクチュエ
ータの影響がベンダやシフタと異なり局所的なもので
は、図15に示すように、図24(a)の波形をメモリ
要素54,57,58に記憶する。メモリ要素に記憶さ
れた波形の一部(図24(a)のaの部分)はパターン認
識機構13,指令発生機構12で処理され、クーラント
制御装置10の1個のノズルAを制御することにより冷
却液の量が制御され、ロールが平坦化するのである。
ータの影響がベンダやシフタと異なり局所的なもので
は、図15に示すように、図24(a)の波形をメモリ
要素54,57,58に記憶する。メモリ要素に記憶さ
れた波形の一部(図24(a)のaの部分)はパターン認
識機構13,指令発生機構12で処理され、クーラント
制御装置10の1個のノズルAを制御することにより冷
却液の量が制御され、ロールが平坦化するのである。
【0071】さて、ノズルAに対応する図21のx0n-1
の両隣りx0n,x0n-2の値と比較した時に、x0n-1が大
きければ、図22に示すように中心部大という結論85
が図15から得られる。一方、x0n-1,x1n-1の関係と
してx0n-1,x1n-1が正であれば、xn-1 は増加傾向に
なるので微係数が正となり、前提部86と一致し、その
結果、クーラントをONする。その程度は大(B)であ
る。その結果、x0n-1,x1n-1が殆ど変化しなくなるの
である。
の両隣りx0n,x0n-2の値と比較した時に、x0n-1が大
きければ、図22に示すように中心部大という結論85
が図15から得られる。一方、x0n-1,x1n-1の関係と
してx0n-1,x1n-1が正であれば、xn-1 は増加傾向に
なるので微係数が正となり、前提部86と一致し、その
結果、クーラントをONする。その程度は大(B)であ
る。その結果、x0n-1,x1n-1が殆ど変化しなくなるの
である。
【0072】ノズルAの制御が終ると、図15のメモリ
要素54,57,58,59の内容を夫々1個ずつシフ
トする。その結果、パターン認識機構13に入力される
波形は、図24(a)のbで示した領域が入力され、処
理13,12を実施し、クーラント制御機構10の1個
のノズルBが制御される。
要素54,57,58,59の内容を夫々1個ずつシフ
トする。その結果、パターン認識機構13に入力される
波形は、図24(a)のbで示した領域が入力され、処
理13,12を実施し、クーラント制御機構10の1個
のノズルBが制御される。
【0073】このように処理を行うと図24(a)のパ
ターンAから出発しパターンBへたどりつき、更にメモ
リ内容をシフトすると、図24(a)の波形がメモリ5
2に再現する。前回、図24(a)のパターンをメモリ
52に記憶してから一定時間経過に図15のメモリ要素
54の内容をメモリ要素59へ移し、メモリ要素54に
形状検出機構14の波形を記憶させる。
ターンAから出発しパターンBへたどりつき、更にメモ
リ内容をシフトすると、図24(a)の波形がメモリ5
2に再現する。前回、図24(a)のパターンをメモリ
52に記憶してから一定時間経過に図15のメモリ要素
54の内容をメモリ要素59へ移し、メモリ要素54に
形状検出機構14の波形を記憶させる。
【0074】更に、メモリ52と入力層31の間に、図
14で示した演算機構510を設けると、波形の変化速
度等でも制御できるようになるのは図14からも自明で
ある。
14で示した演算機構510を設けると、波形の変化速
度等でも制御できるようになるのは図14からも自明で
ある。
【0075】次に、パターン認識機構13に基準となる
パターンの学習方法について述べる。
パターンの学習方法について述べる。
【0076】図18の波形62や63を、図11の入力
パターン発生機構45で生成し、入力層31へ出力す
る。このパターンは、入力パターン発生機構45のメモ
リに書込むか、又は、図2の記憶機構15に記憶された
パターンを用いる。入力層に入力された信号は中間層1
9,…,27を介し、出力層30から出力として現われ
る。この時中間層の重み関数ωkij は初期値であり、出
力パターン発生機構47からは、入力パターン発生機構
45の出力と対応して、パターン認識機構13より出力
して欲しいパターン(例えば、入力パターン発生機構4
5が標準パターンであり、出力層30の出力端子1本を
その標準パターンに割当てると、割当てられた出力端子
が1となり、その他の端子が零になるようなパターン)
を突合せ機構46に入力される。学習が完了しない時に
は、出力層30の出力パターンと、出力パターン発生機
構47の波形が異なっている。その結果、突合せ機構4
6の出力はパターン相違の度合に応じた出力を出す。こ
の値、偏差の2乗平均を求めれば、偏差のパワースペク
トラム等が求まる。上記偏差に応じ、出力層に近い中間
層27から順次、入力層31に近い中間層19迄、重み
関数wkij を変更する。重み関数wkij の変更方式は種
々の方法が考えられるが、上記偏差を最小値になるよう
にするという最適化問題で、例えば最急傾斜法等を利用
する。具体的な方法として、着目する重み関数wkij を
上の方向へ微少変動させ、その結果、偏差値が変化する
方向をみて、減少する方向へ重み関数の値wkij を移動
するとともに、移動量は、偏差値の変化が小さい時は大
きく、反対に偏差値の変化が大きい時には移動量を小さ
くする。又、入力層に一番近い中間層19の重み関数w
kij の変更が終了した時点で、再度突合せ機構46の偏
差値をチェックし、その値が許容誤差範囲になった時に
学習を終了する。
パターン発生機構45で生成し、入力層31へ出力す
る。このパターンは、入力パターン発生機構45のメモ
リに書込むか、又は、図2の記憶機構15に記憶された
パターンを用いる。入力層に入力された信号は中間層1
9,…,27を介し、出力層30から出力として現われ
る。この時中間層の重み関数ωkij は初期値であり、出
力パターン発生機構47からは、入力パターン発生機構
45の出力と対応して、パターン認識機構13より出力
して欲しいパターン(例えば、入力パターン発生機構4
5が標準パターンであり、出力層30の出力端子1本を
その標準パターンに割当てると、割当てられた出力端子
が1となり、その他の端子が零になるようなパターン)
を突合せ機構46に入力される。学習が完了しない時に
は、出力層30の出力パターンと、出力パターン発生機
構47の波形が異なっている。その結果、突合せ機構4
6の出力はパターン相違の度合に応じた出力を出す。こ
の値、偏差の2乗平均を求めれば、偏差のパワースペク
トラム等が求まる。上記偏差に応じ、出力層に近い中間
層27から順次、入力層31に近い中間層19迄、重み
関数wkij を変更する。重み関数wkij の変更方式は種
々の方法が考えられるが、上記偏差を最小値になるよう
にするという最適化問題で、例えば最急傾斜法等を利用
する。具体的な方法として、着目する重み関数wkij を
上の方向へ微少変動させ、その結果、偏差値が変化する
方向をみて、減少する方向へ重み関数の値wkij を移動
するとともに、移動量は、偏差値の変化が小さい時は大
きく、反対に偏差値の変化が大きい時には移動量を小さ
くする。又、入力層に一番近い中間層19の重み関数w
kij の変更が終了した時点で、再度突合せ機構46の偏
差値をチェックし、その値が許容誤差範囲になった時に
学習を終了する。
【0077】この制御は学習制御機構48で実施され
る。なお、この学習した結果をパターン判別に利用する
パターン認識機構13は何故パターンの識別ができる
か、学習が何故旨くいくのかという動作が解明されてい
ないが、重み関数の数が、入力と出力の数に比べ多くな
っており、その値の自由度があり、多少値が狂っても、
又多くのパターンを記憶させても、良好な認識結果を得
ることができると云われている。
る。なお、この学習した結果をパターン判別に利用する
パターン認識機構13は何故パターンの識別ができる
か、学習が何故旨くいくのかという動作が解明されてい
ないが、重み関数の数が、入力と出力の数に比べ多くな
っており、その値の自由度があり、多少値が狂っても、
又多くのパターンを記憶させても、良好な認識結果を得
ることができると云われている。
【0078】一方、この入力パターン発生機構45と出
力パターン発生機構47に対し、どのようなパターンを
用いたら良いか、非常に難しい面がある。幸い、被制御
対象1の動作をある動作点近傍で動作させるとモデルを
正確に導き出せる方法が制御理論の分野でシステム同定
という理論が確立している。但し全動作領域では非線形
性が強い対象でモデル化が困難である。
力パターン発生機構47に対し、どのようなパターンを
用いたら良いか、非常に難しい面がある。幸い、被制御
対象1の動作をある動作点近傍で動作させるとモデルを
正確に導き出せる方法が制御理論の分野でシステム同定
という理論が確立している。但し全動作領域では非線形
性が強い対象でモデル化が困難である。
【0079】そこで、特定の動作領域でモデルを作り、
制御を実施し、その状態で旨くいく制御系の入力と応答
の関係をシミュレーションで求め、それを学習用のデー
タとする。この手順を、制御系の全動作領域に対し、動
作点を順次移動し、その時々の最適なモデリングと制御
指令を求め学習させる。即ち、図16の制御対象シミュ
レータ60のパラメータを調整し、特定の動作点で正確
にシミュレータ60を動作させる。この後、制御対象が
典型的なパターンを発生するように入力パターン発生機
構47,パラメータ調整機構61,制御対象シミュレー
タ60,指令発生機構12を動作させ、これら処理47
と60の出力を夫々学習機構16の出力パターンと入力
パターンとする。
制御を実施し、その状態で旨くいく制御系の入力と応答
の関係をシミュレーションで求め、それを学習用のデー
タとする。この手順を、制御系の全動作領域に対し、動
作点を順次移動し、その時々の最適なモデリングと制御
指令を求め学習させる。即ち、図16の制御対象シミュ
レータ60のパラメータを調整し、特定の動作点で正確
にシミュレータ60を動作させる。この後、制御対象が
典型的なパターンを発生するように入力パターン発生機
構47,パラメータ調整機構61,制御対象シミュレー
タ60,指令発生機構12を動作させ、これら処理47
と60の出力を夫々学習機構16の出力パターンと入力
パターンとする。
【0080】このような構成の制御方式はパターン認識
機構で対象の波形を抽象化し、制御機構で曖昧性迄含む
制御が実施できる。
機構で対象の波形を抽象化し、制御機構で曖昧性迄含む
制御が実施できる。
【0081】なお、本発明の具体例として圧延機システ
ムを用いて実施例を説明してきたが、制御対象1,各種
アクチュエータ6,7,8,9,10,11は圧延機シ
ステムに限定する必要はなく、一般の制御対象やアクチ
ュエータ及びコントローラに適用できるのは自明であ
る。例えば、鉄道運行管理システムのように、列車ダイ
ヤパターンを認識し、各種のダイヤ組替えルールに従っ
て、遅れた列車を正常ダイヤに戻すようなシステムの制
御に利用できる。即ち、列車の運行をダイヤグラムで表
現し、パターン認識機構13で遅れた特徴を抽出する。
次に、その特徴量を基に推論機構は、例えば、列車の追
越は駅で実施する等の各種ルールを用いダイヤを作成す
る。その推論機構の結果を受け、指令計算機構33は、
個別の列車の運転指令を発生する。アクチュエータであ
る。列車は、前記指令に従って運転する。
ムを用いて実施例を説明してきたが、制御対象1,各種
アクチュエータ6,7,8,9,10,11は圧延機シ
ステムに限定する必要はなく、一般の制御対象やアクチ
ュエータ及びコントローラに適用できるのは自明であ
る。例えば、鉄道運行管理システムのように、列車ダイ
ヤパターンを認識し、各種のダイヤ組替えルールに従っ
て、遅れた列車を正常ダイヤに戻すようなシステムの制
御に利用できる。即ち、列車の運行をダイヤグラムで表
現し、パターン認識機構13で遅れた特徴を抽出する。
次に、その特徴量を基に推論機構は、例えば、列車の追
越は駅で実施する等の各種ルールを用いダイヤを作成す
る。その推論機構の結果を受け、指令計算機構33は、
個別の列車の運転指令を発生する。アクチュエータであ
る。列車は、前記指令に従って運転する。
【0082】
【発明の効果】本発明によれば、被制御対象に関する逐
棺の信号の組合せを検出パターンとして認識し、この検
出パターンが設定パターンに類似している割合を示す数
値を推論機構に入力して被制御対象への制御指令を求め
ているので、推論機構における制御ルール間の干渉が著
しく低減し、被制御対象の操作量精度を向上させること
ができる。
棺の信号の組合せを検出パターンとして認識し、この検
出パターンが設定パターンに類似している割合を示す数
値を推論機構に入力して被制御対象への制御指令を求め
ているので、推論機構における制御ルール間の干渉が著
しく低減し、被制御対象の操作量精度を向上させること
ができる。
【図1】本発明の一実施例の構成図。
【図2】本発明を圧延機制御システムに適用した実施
例。
例。
【図3】パターン認識機構図。
【図4】指令発生機構図。
【図5】操作量決定手段の構成図。
【図6】知識ベース構成図。
【図7】操作量決定手段の動作説明図。
【図8】プロダクション機構の動作説明図。
【図9】指令値計算手段の構成図。
【図10】入力切換え装置の構成。
【図11】学習機構の構成。
【図12】学習制御機構とノードの荷重関数との関連
図。
図。
【図13】学習制御機構の基本処理図。
【図14】記憶機構の構成図。
【図15】パターン認識機構図。
【図16】学習機構にシミュレータを備えた時の構成
図。
図。
【図17】パターン認識機構の動作説明図。
【図18】入力パターン例。
【図19】パターン認識機構の出力の説明図。
【図20】圧延材の時間的変化の説明図。
【図21】圧延材の時間的変化の説明図。
【図22】プロダクションルールとファジィルールの一
例を示した図。
例を示した図。
【図23】類似度を操作量へ変換する方法の説明図。
【図24】入力波形の処理状況の説明図。
1…制御対象、12…指令発生機構、13…パターン認
識機構、16…学習機構、19,27,29…中間層、
30…出力層、31…入力層。
識機構、16…学習機構、19,27,29…中間層、
30…出力層、31…入力層。
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 FI G05B 23/02 G06F 15/18 540A 550E G06F 15/18 540 B21B 37/00 BBH 550 111B (72)発明者 服部 哲 茨城県日立市大みか町5丁目2番1号 株 式会社日立製作所大みか工場内 (72)発明者 中島 正明 茨城県日立市大みか町5丁目2番1号 株 式会社日立製作所大みか工場内
Claims (7)
- 【請求項1】被制御対象の複数の検出情報を組合せによ
る検出パターンの設定パターンに対する類似度を求め、
この類似度を示す数値および前記設定パターンに対応す
る重心位置を示す数値とを用いて重心合成を行い前記被
制御対象への制御指令を求めるようにしたことを特徴と
するシステム制御方法。 - 【請求項2】被制御対象の複数の検出情報を組合せによ
る検出パターンとして認識し、この検出パターンの予め
設定されている設定パターンに含まれる特徴量をニュー
ラルネットにより求め、この特徴量を示す数値に基づき
ファジィ推論で前記被制御対象への制御指令を求めるよ
うにしたことを特徴とするシステム制御方法。 - 【請求項3】被制御対象の複数の検出情報を組合せによ
る検出パターンの設定パターンに対する類似度をニュー
ラルネットにより求め、この類似度を示す数値および前
記設定パターンに対応する重心位置を示す数値とを用い
てファジィ推論による重心合成を行い前記被制御対象へ
の制御指令を求めるようにしたことを特徴とするシステ
ム制御方法。 - 【請求項4】移動体を含む被制御対象の複数の検出情報
を組合せによる検出パターンの設定パターンに対する類
似している割合をニューラルネットにより求め、この類
似している割合を示す数値および前記設定パターンに対
応する重心位置を示す数値とを用いてファジィ推論によ
る重心合成を行い前記移動体を含む被制御対象への制御
指令を求めるようにしたことを特徴とするシステム制御
方法。 - 【請求項5】被制御対象に関する複数の検出信号の組合
せを検出パターンとして認識し、この検出パターンと予
め設定されている設定パターンを比較し前記検出パター
ンが前記設定パターンに含まれる特徴量を示す数値を求
める特徴量抽出手段と、前記特徴量を示す数値および前
記設定パターンに対応する重心位置を示す数値を用いて
重心合成を行い前記被制御対象への制御指令を出力する
手段とを備えることを特徴とするシステム制御装置。 - 【請求項6】被制御対象に関する複数の検出信号の組合
せを検出パターンとし、前記検出パターンが設定パター
ンに類似している割合を示す数値を求めるニューラルネ
ットを有する特徴量抽出手段と、前記類似割合を示す数
値に基づきファジィ推論で前記被制御対象への制御指令
を求めるファジィ推論手段とを備えることを特徴とする
システム制御装置。 - 【請求項7】被制御対象に関する複数の検出信号の組合
せを検出パターンとして認識し、この検出パターンの前
記設定パターンに対する類似度を示す数値を求めるニュ
ーラルネットと、前記ニューラルネットで求めた類似度
を示す数値に基づきファジィ推論を行い前記被制御対象
への制御指令を求めるファジィ推論手段とを備えること
を特徴とするシステム制御装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP9292038A JPH1091209A (ja) | 1997-10-24 | 1997-10-24 | システム制御方法および装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP9292038A JPH1091209A (ja) | 1997-10-24 | 1997-10-24 | システム制御方法および装置 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP7130013A Division JP2738343B2 (ja) | 1995-05-29 | 1995-05-29 | 圧延機の形状制御方法および装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH1091209A true JPH1091209A (ja) | 1998-04-10 |
Family
ID=17776736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP9292038A Pending JPH1091209A (ja) | 1997-10-24 | 1997-10-24 | システム制御方法および装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH1091209A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200059796A (ko) * | 2018-11-22 | 2020-05-29 | 제주대학교 산학협력단 | 제어 파라미터 학습 기반 제어 시스템 및 방법 |
-
1997
- 1997-10-24 JP JP9292038A patent/JPH1091209A/ja active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200059796A (ko) * | 2018-11-22 | 2020-05-29 | 제주대학교 산학협력단 | 제어 파라미터 학습 기반 제어 시스템 및 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5303385A (en) | Control system having optimality decision means | |
EP1021752B1 (en) | Model-free adaptive process control | |
US5175678A (en) | Method and procedure for neural control of dynamic processes | |
Schlang et al. | Current and future development in neural computation in steel processing | |
CN113614743A (zh) | 用于操控机器人的方法和设备 | |
Schaefer et al. | A neural reinforcement learning approach to gas turbine control | |
Basher | Autonomous control of nuclear power plants | |
Witczak | Toward the training of feed-forward neural networks with the D-optimum input sequence | |
JP2738343B2 (ja) | 圧延機の形状制御方法および装置 | |
JP2728492B2 (ja) | ニューラルネットを用いた制御方法および装置 | |
JPH1091209A (ja) | システム制御方法および装置 | |
JP2624880B2 (ja) | 制御装置及び制御方法 | |
Filipic et al. | A combined machine learning and genetic algorithm approach to controller design | |
JPH0470906A (ja) | 制御装置 | |
Airikka | Advanced control methods for industrial process control | |
Liang et al. | Online shop daily sale prediction using adaptive network-based fuzzy inference system | |
Chan et al. | Evolutionary computation for on-line and off-line parameter tuning of evolving fuzzy neural networks | |
Spelt et al. | Hybrid artificial intelligence architecture for diagnosis and decision-making in manufacturing | |
JP2585457B2 (ja) | 最適性判定装置を付加した電子線描画装置 | |
JPH0490076A (ja) | 医用画像特徴抽出方法 | |
Stirling et al. | Combined simulation and knowledge-based control of a stainless steel rolling mill | |
Patan et al. | Neural-network-based nonlinear iterative learning control: Magnetic brake study | |
JPH11232244A (ja) | ニューラルネットワーク、その学習方法およびニューロ・ファジィ制御装置 | |
Vachtsevanos et al. | The role of the human in intelligent control practices | |
CN110703733B (zh) | 一种基于遗传算法前馈处理的神经网络在故障预测中的应用方法和系统 |