JPH11351049A - パラメータ推定制御装置 - Google Patents

Abstract

(57)【要約】 【課題】 コストや開発工数を抑制して、ニューラルネ
ットワークをソフトセンサとして用いることによる、安
定な制御を実現する。 【解決手段】 制御対象１０１に対して制御を行う、高
精度のセンサの検出信号を教師信号として学習されたニ
ューラルネットワークＮＮ２ １０２と、ＮＮ２の生成
する推定値に基づき、該推定値の変動幅に対応した演算
処理によって制御量を生成する制御量演算手段１０３と
を備えた装置であり、ＮＮ２をソフトセンサとし、制御
量演算手段１０３が実行する制御対象モデル対応演算処
理によって、制御を行う。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明はパラメータ推定制御
装置、およびパラメータ推定制御方法に関し、特に、ニ
ューラルネットワークを用いて制御対象の制御に関する
パラメータを推定し、該推定したパラメータに基づいて
制御対象の制御を行うパラメータ推定制御装置、および
パラメータ推定制御方法に関する。

【０００２】

【従来の技術】現在、演算や制御に用いられるデジタル
計算機の主流は、フォンノイマン型アーキテクチュアと
呼ばれる、プログラム内蔵方式、命令逐次実行方式のも
のである。一方、人間の脳の働きの基本となる神経細胞
の連結をモデル化したものに基づくニューラルネットワ
ークについても、長く研究が続けられており、フォンノ
イマン型コンピュータが不得意とするパターン処理を要
求される分野や、非線形性が強く解析が困難な対象を有
する分野等において、予測や制御への応用が図られてお
り、実用化が進んでいる分野もある。

【０００３】ニューラルネットワークにおいては、モデ
ルシステムとして神経細胞を単純化したユニットと呼ば
れる多入力・多出力の素子を複数備え、学習によってユ
ニット同士の結合を生成・変化させるものであり、ユニ
ットは、フィードフォワードタイプの階層型ネットワー
クや、フィードバックタイプの相互結合型ネットワーク
を形成するものとなる。

【０００４】図２０は、ユニットが多層構造を形成する
階層型ネットワークを説明するための図である。図示す
るようにこのようなニューラルネットワークにおいて
は、当該ニューラルネットワークの処理対象を入力する
入力層と、当該ニューラルネットワークの処理結果を出
力する出力層との間に、いくつかの中間層を含むもので
ある。各階層に属するユニットは、隣接する階層のユニ
ットと結合を構成するものとなっているが、このような
結合の構造（結合荷重、または結合係数で表される。）
は、ある入力に対して所望される信号を出力すべく学習
により形成されるものである。図示するような階層型ネ
ットワーク構造のニューラルネットワークに有用な学習
法にバックプロパゲーション法があり、工学的に実現し
得るユニット数で構成されるニューラルネットワークを
提供し得るものとして注目されている。また、学習方法
としては、人間側より出力を与える「教師あり学習」
と、ニューラルネットワーク自身が入力信号の統計的性
質に対応して、自身の構造を形成する「教師なし学習」
とがあり、ニューラルネットワークの応用分野等に対応
して方法が選択される。

【０００５】ニューラルネットワークを用いて制御を行
う場合、一般に、図２０に示す階層型ネットワークのニ
ューラルネットワークにおいて、制御を実行すると考え
られる範囲を学習領域とし、学習領域内において学習を
させたニューラルネットワークを用いて制御に必要なパ
ラメータを推定し、該推定したパラメータに基づいて制
御を行うということがなされている。

【０００６】図１５は、従来の技術によるニューラルネ
ットワークにおける、推定値（パラメータ）算出方法を
示す図である。図示するように、制御対象１５０１に対
してニューラルネットワーク（ＮＮ）演算部１５０２を
用いて推定値を取得するものであり、制御対象１５０１
に対する入力をＵ、出力をＹとし、これら入出力の時系
列データを含む運転パラメータＺをＮＮ演算部１５０２
の入力とし、処理の結果を出力Ｘとして取得できるもの
である。取得された推定値Ｘを用いることによって、制
御対象からの制御出力Ｙが目標値となるように、制御対
象への入力制御量Ｕを算出することができる。ＮＮ演算
部１５０２のＮＮは、図２０に示す階層型ネットワーク
において１層の中間層を有する３層構造のものであり、
層間の出力は、シグモイド関数等の関数演算処理によっ
て得られるものであるとする。

【０００７】このようなニューラルネットワークを用い
た制御システムとしては、特開平８−７４６３６に開示
された空燃比制御装置や、特願平９−２３８０１７に開
示されたパラメータ推定装置がある。以下に、特願平９
−２３８０１７に示された、従来の技術によるニューラ
ルネットワークを用いる自動車の内燃エンジンの空燃比
制御について説明する。

【０００８】図１６は、従来の技術によるニューラルネ
ットワークを用いた空燃比制御システムを示す図であ
る。図示するように、システムは、ＮＮ演算部１６０
１、燃料噴射量算出部１６０２、およびエンジン１６０
３ａとエンジン状態検出部１６０３ｂから構成されてい
る。このシステムにおいては、エンジンが制御対象であ
り、当該エンジンの出力である空燃比（Ａ／Ｆ）を目標
値とするように、制御量である燃料噴射量を調整するフ
ィードバック制御を行うものである。

【０００９】図１６において、ＮＮ演算部１６０１は、
状態検出部１６０３ｂからエンジン１６０３ａの状態を
示す諸量を入力し、ニューラルネットワークによって空
燃比挙動を示す推定値を生成する。燃料噴射量算出部１
６０２は、ＮＮ演算部１６０１が生成した推定値と、目
標値とに基づいて、フィードバック制御により、空燃比
を目標値とし得るような燃料噴射量を算出する。

【００１０】このように構成されたシステムにおける空
燃比制御の動作は以下のように行われる。まずあらかじ
め設定された燃料噴射量を用いてエンジン１６０３ａを
駆動させる。そして、運転状態にあるエンジン１６０３
ａに対して状態検出部１６０３ｂは、エンジン１６０３
ａの状態を表す複数の物理量を取得する。ここでは、エ
ンジンの回転数（Ｎｅ）、吸入空気圧（Ｐｂ）、スロッ
トル開度（ＴＨＬ）、燃料噴射量（Ｇｆ）、吸入空気温
（Ｔａ）、冷却水温（Ｔｗ）、および空燃比（Ａ／Ｆ
ｋ）を検出するものとする。

【００１１】状態検出部１６０３ｂは、検出結果をＮＮ
演算部１６０１に出力し、ニューロ演算部１６０１は、
複数のパラメータを入力とし、真の空燃比（Ａ／Ｆｒ）
挙動をニューラルネットワークにより推定する。ＮＮ演
算部１６０１は、生成した推定値（Ａ／ＦＮＮ）を燃料
噴射量算出部１６０２に出力する。そして、燃料噴射量
算出部１６０２は、この空燃比（Ａ／Ｆ）推定値（Ａ／
ＦＮＮ）と目標空燃比（Ａ／Ｆref ）との偏差を小さく
するように、フィードバック制御を行って、目的の空燃
比を実現するような燃料噴射量（Ｇｂ）を算出する。

【００１２】このような、ニューラルネットワークを用
いた制御システムでは、空燃比センサでは過渡時等にお
いては追従できない真の空燃比挙動を推定して適切に制
御することが可能なものとなる。すなわち、通常のセン
サでは応答遅れが生じることもあり、また、燃焼ガスの
排気管移動に要する時間のための系自体の遅れも存在す
るので、遅延無しに検出することができない過渡状態等
においては、真の空燃比（Ａ／Ｆｒ）の値を取得するこ
とは困難であり、ニューラルネットワークの生成する推
定値により、適正な空燃比の制御が可能となる。この点
について、以下に、さらに説明する。

【００１３】まず、空燃比制御の目的であるが、自動車
より排出される排気ガス中に含まれる有毒ガスであるＮ
Ｏｘ、ＣＯ、ＨＣについては、各国における規制値をク
リアしなくてはならず、一般には触媒を用いて低減させ
るという方法が採られ、代表的な触媒として三元触媒が
使用されるものとなっている。このような触媒がこれら
の有害ガスをより最も効果的に浄化するためには、空燃
比を触媒が効果的に働くことのできる一定値に保つ必要
があり、このために空燃比を自動車の運転状態にかかわ
らず一定に保つ空燃比制御が必要となる。

【００１４】このような空燃比制御は、空燃比センサを
用いて実行されるものであり、通常は、スロットル開度
等の変化に応じて、燃料噴射量の増量補正、減量補正等
を行うフィードフォワード制御を実行し、さらに定常時
における制御の精度の向上のためにフィードバック制御
をも併用するものである。このような制御による場合、
アイドル時や定速走行時などのほぼ定常状態を保つ運転
域では、よい結果を得ることができる。しかし、加減速
時などの過渡状態においては、空燃比センサの応答の遅
れや気筒内に実際に流入する燃料量等が運転状態や外部
環境により変化していく等の解析困難な要因により、空
燃比を単純なフィードフォワード制御やフィードバック
制御のみで一定値に保つのは現実には非常に困難であ
る。

【００１５】従来の技術によるニューラルネットワーク
を用いた空燃比制御システムにおいては、空燃比制御の
精度を向上させるために、上記燃料付着等の非線形要素
をニューラルネットワークにより学習させ、この学習さ
せたニューラルネットワークを用いて燃料噴射量の補正
量を過渡時の応答性能の向上を図るように制御するもの
である。

【００１６】上記の例は、センサの限界を補うためのニ
ューラルネットワークの応用であるが、以下に従来の技
術による、ニューラルネットワークの、いわゆるソフト
センサとしての応用について説明する。ここでソフトセ
ンサとは、演算処理により機械的センサの代替として機
能するものをいう。

【００１７】図１７は、センサを用いた通常の制御シス
テムを示す図である。このようなシステムにおいては、
ある制御対象からの出力を目標値に近づけるような制御
を行う場合、その出力値を、またはその出力値の指標と
なるような関連する状態量を検出し、該検出した状態量
と目標値との誤差を取得し、目標値との誤差が０（ＺＥ
ＲＯ）となるように設計された制御器を用いて、上記の
検出値（出力値、または指標値）に基づくフィードバッ
ク制御を行い、制御対象に対する入力（制御量）を決定
する。

【００１８】同図に示すように、制御システムは制御対
象１７０１と、センサ１ １７０２と、制御量演算手段
１７０３とから構成されている。制御対象１７０１は、
目標値に近づけるべき状態量を出力する。センサ１ １
７０２は、適切な制御のために十分な精度を有する高精
度センサであり、制御対象１７０１が出力する状態量を
検出して検出値Ｙ１を取得する。制御量演算手段１７０
３は、センサ１ １７０２が取得した検出値Ｙ１に基づ
いて、制御対象１７０１に入力すべき入力値（制御量）
を演算により取得する。

【００１９】このような制御システムにおいては、制御
性能は状態を検出するセンサ１の精度に大きく依存する
こととなるので、フィードバック制御を適切に行うため
には、上記のようにセンサ１ １７０２が十分に高精度
のものであることが必要となる。しかし、一般に高性能
センサは高コストであり、量産モデルにおいて装備する
ことが困難である。そこで、高性能センサの代わりにソ
フトセンサとしてニューラルネットワークを用いること
が考えられる。すなわち、高性能センサ出力を教師信号
としニューラルネットワークを学習させることにより、
高性能センサ挙動を実現することを図るものである。

【００２０】図１８は、図１７のセンサ１ １７０２の
代替となるニューラルネットワークを実現するための、
ニューラルネットワークの学習システムを示す図であ
る。図示するように、この学習システムは、制御量発生
器１８００と、制御対象１８０１と、ニューラルネット
ワークＮＮ１ １８０２と、センサ１ １８０４とから
構成されている。

【００２１】制御量発生器１８００は、制御対象１８０
１に入力する制御量を発生する。このような学習システ
ムにおいては、想定される入力範囲（運転領域）を学習
領域とするものであって、制御量発生器１８００は運転
領域内の制御量を発生するように設定される。制御対象
１８０１は、ニューラルネットワークをセンサ代替とし
て用いる制御の対象となるものである。ニューラルネッ
トワークＮＮ１ １８０２は、センサ１ １８０４の代
替として用いるソフトセンサとすべく、学習をさせるニ
ューラルネットワークである。センサ１ １８０４は、
適切な制御のために十分な精度を有する高精度センサで
ある。

【００２２】このように構成された従来の技術によるニ
ューラルネットワーク学習システムにおける学習の際の
動作を以下に説明する。まず、制御量発生器１８００は
制御量Ｕを発生し、該発生した制御量Ｕを制御対象１８
０１と、ＮＮ１ １８０２とに出力する。制御対象１８
０１は所定の動作を行い、制御量Ｕに対応した出力をす
る。センサ１ １８０４は、制御対象１８０１の出力を
検出し、検出の結果を示す信号Ｙ１を、ＮＮ１に対して
の教師信号として出力する。

【００２３】ＮＮ１ １８０２は、制御量Ｕとともに、
制御対象１８０１の状態を示す状態量（通常は複数とな
る）Ｚを入力し、これに対応して推定値Ｙｎｎを出力す
る。推定値Ｙｎｎは教師信号Ｙ１と比較され、該比較の
結果に基づいて、ニューラルネットワークＮＮ１の推定
値Ｙｎｎが、教師信号Ｙ１となるように、ＮＮ１の結合
係数を例えばバックプロパゲーション法等により学習す
る。

【００２４】このように構成された学習システムにおい
て、ニューラルネットワークＮＮ１はセンサ１の動特性
を学習することが可能となる。そして、この様に学習さ
れたＮＮ１をソフトセンサとして制御系を構成し、ＮＮ
１の推定値を、センサ１の検出値の代わりに用いて制御
対象の出力が目標値となるよう制御量を算出することが
可能となる図１９は、上記のように学習されたニューラ
ルネットワークＮＮ１を用いる制御システムの構成を示
すブロック図である。図示するように、この制御システ
ムは、制御対象１９０１と、ニューラルネットワークＮ
Ｎ１ １９０２と、制御量演算手段１９０３とから構成
されている。

【００２５】制御対象１９０１は、図１７の１７０１と
同等のものであり、この制御システムにおける制御の対
象となるものである。ニューラルネットワークＮＮ１
１９０２は、図１８に示す学習システムにおいて学習さ
れたニューラルネットワークである。制御量演算手段１
９０３は、ＮＮ１が出力する推定値に基づいて、制御対
象１９０１に入力すべき制御量を演算により生成する。

【００２６】このように構成された、ニューラルネット
ワークを用いる制御システムにおいては、高精度センサ
（図１７のセンサ１）が検出する検出量（同図のＹ１）
の代替に、ＮＮ１ １９０２が出力する推定値Ｙｎｎを
用いて、図１７に示す制御系と同等の制御を実行するこ
とができる。

【００２７】

【発明が解決しようとする課題】フォンノイマン型アー
キテクチャの計算機等では、既知の計算アルゴリズム等
に従った処理を行うものであり、入力と出力との間には
必然的な因果関係が存在するものである。従って、ある
入力に対してあるアルゴリズムを用いてある出力が得ら
れることが分かっている場合、他の入力に対する出力を
も、理論的に予測可能なものである。しかし、ニューラ
ルネットワークによる場合には事情は異なるものとな
る。

【００２８】図２０に示す階層ネットワークを構成する
ニューラルネットワークの中間層は、「隠蔽された階層
(hidden layer)」とも呼ばれるものであり、ニューラル
ネットワーク内部における結合構造などを知ることはで
きず、ブラックボックス状態となっているものである。
従って、外部からは、ニューラルネットワークに対する
入力と、その入力に対応する出力とのみを知ることがで
きるだけであり、学習を行った領域内においても、全て
の入力に対して安定した出力がされることを理論的に保
証することはできない。

【００２９】すなわち、ニューラルネットワークに対し
て複数の入力パラメータを入力して推定値を取得しよう
とする場合に、入力する個々の入力パラメータは学習領
域内のものであったとしても、学習に用いた入力パター
ンとは異なるパターンを入力した場合に、取得される推
定値が適切である（許容推定誤差内である）という理論
的保証を得ることはできない。理論的に保証されるの
は、学習に用いられた入力パターンに対する推定値のみ
である。従って、少なくとも実用化可能なレベルの安定
性を有するニューラルネットワークを用いた制御装置の
開発のためには、多大な検証実験を繰り返す必要がある
こととなり、開発工数の増加につながることが問題点と
なっていた。

【００３０】一方、入力され得る全てのパターンに対し
てＮＮが出力する推定値を計算によりチェックすること
は、小規模なニューラルネットワークに対しては現実的
に可能である。しかし、入力数が多いニューラルネット
ワークに対しては、計算時間が多大なものとなり、本来
もっとも応用が望まれる分野である、複雑な挙動をとる
制御対象に対して用いる場合については、事実上計算不
可能なものとなり、結局安定性の保証を得ることができ
ない。

【００３１】本発明は、かかる問題点に鑑みてなされた
ものであり、多大なコストや開発工数を費やすことな
く、ニューラルネットワークを用いてパラメータを推定
し、安定な制御を行うことができるパラメータ推定制御
装置を提供することを目的とする。また、本発明は、多
大なコストや開発工数を費やすことなく、ニューラルネ
ットワークを用いてパラメータを推定し、安定な制御を
行うことができるパラメータ推定制御方法を提供するこ
とを目的とする。

【００３２】

【課題を解決するための手段】上記目的を達成するため
に、本発明の請求項１にかかるパラメータ推定制御装置
は、ニューラルネットワークを用いて制御対象の制御に
関するパラメータを推定し、該推定したパラメータに基
づいて制御対象の制御を行うパラメータ推定制御装置に
おいて、所定の機械的検出手段の検出結果を教師信号と
して学習したニューラルネットワークにより、上記制御
対象の状態を示す状態量を入力して、上記入力した状態
量に基づいて制御対象の出力の推定値を生成するパラメ
ータ推定手段と、上記パラメータ推定手段が生成した推
定値を入力し、該推定値に基づいて、該推定値の変動幅
に対応する変動幅対応演算処理により、上記制御対象の
制御に用いる制御量を生成する制御量演算手段とを備え
たものである。

【００３３】また、請求項２にかかるパラメータ推定制
御装置は、請求項１の装置において、上記制御量推定手
段が行う変動幅対応演算処理は、制御対象モデルを用い
て、該制御対象モデルに対応する制御器を設計する制御
対象モデル対応演算処理である。

【００３４】また、請求項３にかかるパラメータ推定制
御装置は、請求項２の装置において、上記制御器は、上
記学習したニューラルネットワークについて検出された
最大誤差を変動幅として、上記変動幅に対応した安定な
制御を実行するように設計されるものである。

【００３５】また、請求項４にかかるパラメータ推定制
御装置は、請求項１ないし３のいずれかの装置におい
て、上記制御対象の出力を検出する機械的検出手段をさ
らに備え、上記パラメータ推定手段は、上記入力した状
態量とともに、上記機械的検出手段の検出結果にも基づ
いて、上記推定値を生成するものである。

【００３６】また、請求項５にかかるパラメータ推定制
御装置は、請求項１の装置において、上記制御量推定手
段が行う変動幅対応演算処理は、所定の機械的検出手段
の検出結果を教師信号として学習したニューラルネット
ワークの生成する推定値に基づくものである。

【００３７】また、請求項６にかかるパラメータ推定制
御方法は、ニューラルネットワークを用いて制御対象の
制御に関するパラメータを推定し、該推定したパラメー
タに基づいて制御対象の制御を行うパラメータ推定制御
方法において、所定の機械的検出手段の検出結果を教師
信号としてニューラルネットワークを学習し、上記学習
したニューラルネットワークにより、上記制御対象の状
態を示す状態量に基づいて制御対象の出力の推定値を生
成し、上記生成した推定値に基づいて、該推定値の変動
幅に対応する変動幅対応演算処理により、上記制御対象
の制御に用いる制御量を生成するものである。

【００３８】また、請求項７にかかるパラメータ推定制
御方法は、請求項６の方法において、上記変動幅対応演
算処理は、制御対象モデルを用いて、該制御対象モデル
に対応する制御器を設計する制御対象モデル対応演算処
理であるものである。

【００３９】また、請求項８にかかるパラメータ推定制
御方法は、請求項７の方法において、上記制御器は、上
記学習したニューラルネットワークについて検出された
最大誤差を変動幅として、上記変動幅に対応した安定な
制御を実行するように設計されるものとしたものであ
る。

【００４０】また、請求項９にかかるパラメータ推定制
御方法は、請求項６ないし８のいずれかの方法におい
て、上記制御対象の出力を機械的検出手段を用いて検出
し、上記制御対象の状態を示す状態量とともに、上記機
械的検出手段の検出結果にも基づいて、上記推定値を生
成するものである。

【００４１】また、請求項１０にかかるパラメータ推定
制御方法は、請求項６の方法において、上記制御量推定
手段が行う変動幅対応演算処理は、所定の機械的検出手
段の検出結果を教師信号として学習したニューラルネッ
トワークの生成する推定値に基づくものとしたものであ
る。

【００４２】

【発明の実施の形態】実施の形態１．本発明の実施の形
態１によるパラメータ推定制御装置は、機械的なセンサ
を用いず、ソフトセンサとして機能するニューラルネッ
トワークのみを用いて、安定な制御を行うことを可能と
するものである。図１は、本実施の形態１によるパラメ
ータ推定制御装置の構成を示すブロック図である。図示
するように、本実施の形態１によるパラメータ推定制御
装置は、制御対象１０１と、ニューラルネットワークＮ
Ｎ２ １０２と、制御量演算手段１０３とから構成され
ている。

【００４３】制御対象１０１は、本実施の形態１による
パラメータ推定制御装置における制御の対象となるもの
である。ニューラルネットワークＮＮ２ １０２は、後
述する学習システムにおいて学習されたニューラルネッ
トワークである。制御量演算手段１０３は、ＮＮ２ １
０２の出力する推定値に基づいて、後述する制御対象モ
デル対応演算により、制御量を生成する。

【００４４】図２は、本実施の形態１におけるニューラ
ルネットワークＮＮ３の学習システムを示す図、図３
は、制御量演算手段１０３が用いる制御対象モデル対応
演算を説明するための図、図４は、本実施の形態１にお
ける、ニューラルネットワークＮＮ２の誤差検出システ
ムを示す図である。

【００４５】本実施の形態１においては、制御対象１０
１（図１）については、図１７に示すような高精度セン
サであるセンサ１ １７０２を用いた制御系において、
安定した制御が実行可能なものであり、図１７に示す制
御系に基づいて、図３に示すような制御対象モデル３０
１がすでに存在するものであり、同図に示すモデル制御
システムにおいて、該制御対象モデル３０１に対しての
制御器３０２を最適設計し得るものであるとする。本実
施の形態１の制御量演算手段１０３は、制御対象モデル
３０１に基づいて仮想的な制御器３０２を設計し、該設
計した制御器３０２を用いる制御対象モデル対応演算を
実行することで、制御量を生成するものである。

【００４６】以下に、本実施の形態１におけるＮＮ２の
学習について、図２を用いて説明する。図２に示す、本
実施の形態１におけるニューラルネットワークＮＮ２の
学習システムは、制御量発生器２００と、制御対象２０
１と、ニューラルネットワークＮＮ２ ２０２と、セン
サ１ ２０４とから構成されている。

【００４７】制御量発生器２００は、制御対象２０１に
入力する制御量を発生する。制御対象２０１は、図１の
１０１と同等のものであり、制御の対象である。ニュー
ラルネットワークＮＮ２ ２０２は、この学習システム
において学習をさせるニューラルネットワークである。
センサ１ ２０４は、適切な制御のために十分な精度を
有するセンサである。

【００４８】このように構成された本実施の形態１のニ
ューラルネットワーク学習システムにおける学習の際の
動作を以下に説明する。まず、制御量発生器２００は制
御量Ｕを発生し、該発生した制御量Ｕを制御対象２０１
と、ＮＮ２ ２０２とに出力する。制御対象２０１は所
定の動作を行い、制御量Ｕに対応した出力をする。セン
サ１ ２０４は、制御対象２０１の出力を検出し、検出
の結果を示す信号Ｙ１を、ＮＮ２に対しての教師信号と
して出力する。一方ＮＮ２ ２０２は、制御量Ｕととも
に、制御対象２０１の状態を示す状態量Ｚを入力し、こ
れに対応して推定値Ｙｎｎを出力する。推定値Ｙｎｎは
教師信号Ｙ１と比較され、該比較の結果に基づいて、ニ
ューラルネットワークＮＮ２ ２０２の推定値Ｙｎｎ
が、教師信号Ｙ１となるように、ＮＮ２ ２０２の結合
係数は学習によって形成される。

【００４９】このように学習されたニューラルネットワ
ークＮＮ２につき、本実施の形態１では、図４に示す誤
差検出システムにおいて以下のような誤差検出を行い、
図３に示す制御器の設計に用いるものである。図４に示
すように、誤差検出システムは、制御量発生器４００
と、制御対象４０１と、ニューラルネットワークＮＮ２
４０２と、センサ１ ４０４とから構成されている。図
４の４００〜４０４は、図２における２００〜２０４と
同等のものである。

【００５０】このような誤差検出システムにおける誤差
検出の動作は以下のように行われる。まず、制御量発生
器４００は、想定される運転領域内における制御量Ｕを
発生し、これを制御対象４０１と、ＮＮ２ ４０２とに
出力する。制御対象４０１は所定の動作を行い、入力さ
れた制御量Ｕに対応する出力をする。制御対象４０１の
出力は、センサ１ ４０４に入力され、センサ１ ４０
４は検出を行い、検出結果を信号Ｙ１として出力する。
一方ＮＮ２ ４０２は、制御量Ｕとともに、制御対象４
０１の状態を示す状態量Ｚを入力し、これに基づき推定
値Ｙｎｎを生成して出力する。推定値Ｙｎｎがセンサ１
４０４の出力する信号Ｙ１と比較されることにより、
推定誤差ｄＹが取得される。このような誤差検出システ
ムにおいて、推定誤差の最大値が得られる。

【００５１】以下に、図２の学習システムにおいて学習
されたＮＮ２を用い、図４の誤差検出システムにおいて
取得された推定誤差の最大値に基づく、図１に示す本実
施の形態１のパラメータ推定制御装置の制御の際の動作
について説明する。制御量Ｕを入力された制御対象１０
１は、所定の動作を行い、入力Ｕに対応した出力をす
る。図２の学習システムにおいて学習されたＮＮ２ １
０２は、制御量Ｕと、制御対象１０１の状態を示す状態
量Ｚとを入力し、これらより推定値Ｙｎｎを生成して、
これを制御量演算手段１０３に出力する。制御量演算手
段１０３は、入力された推定値Ｙｎｎに対して、仮想的
に設計された図３の制御器３０２に対応した演算処理
（制御対象モデル対応演算）を行い、制御量Ｕを生成す
る。

【００５２】図３に示すモデル制御システムにおける制
御器３０２は、図４の誤差検出システムにおいて取得さ
れる推定誤差の最大値に対しても安定な制御を実行し得
るものとして設計されるものである。従って、図１に示
す本実施の形態１のパラメータ推定制御装置において
は、制御量演算手段１０３が生成する制御量を用いて、
制御対象１０１についての安定した制御が実行し得るも
のとなる。

【００５３】このように、本実施の形態１によるパラメ
ータ推定制御装置によれば、制御対象１０１に対して制
御を行う、ニューラルネットワークＮＮ２ １０２と、
制御量演算手段１０３とを備えたことで、図２に示す学
習システムで学習されたＮＮ２ １０２が生成する推定
値を用いて、制御量演算手段１０３が、図３に示すモデ
ル制御システムに対応した制御を実行するので、ソフト
センサとして機能するＮＮ２ １０２により、高精度で
安定な制御を実行することが可能となる。

【００５４】実施の形態２．本発明の実施の形態２によ
るパラメータ推定制御装置は、ソフトセンサとして機能
するニューラルネットワークと、比較的低精度で安価な
センサとを用いて、安定な制御を行うことを可能とする
ものである。図５は、本実施の形態２によるパラメータ
推定制御装置の構成を示すブロック図である。図示する
ように、本実施の形態２によるパラメータ推定制御装置
は、制御対象５０１と、ニューラルネットワークＮＮ３
５０２と、制御量演算手段５０３と、センサ２ ５０
４とから構成されている。

【００５５】制御対象５０１は、本実施の形態２による
パラメータ推定制御装置における制御の対象となるもの
である。ニューラルネットワークＮＮ３ ５０２は、後
述する学習システムにおいて学習されたニューラルネッ
トワークである。制御量演算手段５０３は、ＮＮ３ ５
０２の出力する推定値に基づいて、後述する制御対象モ
デル対応演算により、制御量を生成する。センサ２ ５
０４は、制御のために十分な精度を有しない安価なセン
サである。

【００５６】図６は、本実施の形態２におけるニューラ
ルネットワークＮＮ２の学習システムを示す図、図７
は、本実施の形態２における、ニューラルネットワーク
ＮＮ３の誤差検出システムを示す図である。また、本実
施の形態２においても、実施の形態１と同様に、制御対
象モデルがすでに存在するものであり、モデル制御シス
テムにおいて、該制御対象モデルに対しての制御器を最
適設計し得るものであるとする。本実施の形態２におけ
るモデル制御システムは、実施の形態１と同様のもので
あり、説明には図３を用いる。

【００５７】以下に、図６を用いて、本実施の形態２に
おけるニューラルネットワークＮＮ３の学習について説
明する。図６に示す、本実施の形態２におけるニューラ
ルネットワークＮＮ３の学習システムは、制御量発生器
６００と、制御対象６０１と、ニューラルネットワーク
ＮＮ３ ６０２と、センサ１ ６０４ａと、センサ２６
０４ｂとから構成されている。

【００５８】制御量発生器６００は、制御対象６０１に
入力する制御量を発生する。制御対象６０１は、図５の
５０１と同等のものであり、制御の対象である。ニュー
ラルネットワークＮＮ３ ６０２は、この学習システム
において学習をさせるニューラルネットワークである。
センサ１ ６０４ａは、適切な制御のために十分な精度
を有する高精度センサ、センサ２ ６０４ｂは図５のセ
ンサ２ ５０４と同等のものであり、比較的精度の低い
センサである。

【００５９】このように構成された本実施の形態２のニ
ューラルネットワーク学習システムにおける学習の際の
動作を以下に説明する。まず、制御量発生器６００は制
御量Ｕを発生し、該発生した制御量Ｕを制御対象６０１
と、ＮＮ３ ６０２とに出力する。制御対象６０１は所
定の動作を行い、制御量Ｕに対応した出力をする。セン
サ１ ６０４ａ、およびセンサ２ ６０４ｂは、それぞ
れ制御対象６０１の出力を検出し、検出の結果を示す信
号Ｙ１、およびＹ２を出力する。センサ１ ６０４ａの
出力する検出信号Ｙ１は、ＮＮ３ ６０２に対しての教
師信号として用いられる。センサ２ ６０４ｂの出力す
る検出信号Ｙ２は、ＮＮ３ ６０２に入力される。

【００６０】一方、ＮＮ３ ６０２は、センサ２ ６０
４ｂからの信号Ｙ２、および制御量Ｕとともに、制御対
象６０１の状態を示す状態量Ｚを入力し、これに対応し
て推定値Ｙｎｎを出力する。推定値Ｙｎｎは教師信号Ｙ
１と比較され、該比較の結果に基づいて、ニューラルネ
ットワークＮＮ３の推定値Ｙｎｎが、教師信号Ｙ１とな
るように、ＮＮ２ ６０２の結合係数を学習により構成
する。

【００６１】また、本実施の形態２においても、実施の
形態１と同様に推定誤差の最大値が取得され、制御量演
算手段５０３の制御対象モデル対応演算処理に用いられ
るものとなる。図７は、本実施の形態２における、ニュ
ーラルネットワークＮＮ３の誤差検出システムを示す図
である。図示するように、システムは、制御量発生器７
００と、制御対象７０１と、ニューラルネットワークＮ
Ｎ３ ７０２と、センサ１ ７０４ａと、センサ２ ７
０４ｂとから構成されている。図７の７００〜７０４
は、図６における６００〜６０４と同等のものである。

【００６２】このような誤差検出システムにおける誤差
検出の動作は以下のように行われる。まず、制御量発生
器７００は、想定される運転領域内における制御量Ｕを
発生し、これを制御対象７０１と、ＮＮ３ ７０２とに
出力する。制御対象７０１は所定の動作を行い、入力さ
れた制御量Ｕに対応する出力をする。制御対象７０１の
出力は、センサ１ ７０４ａとセンサ２ ７０４ｂとに
入力され、それぞれのセンサは検出を行い、検出結果を
信号Ｙ１、および信号Ｙ２として出力する。信号Ｙ２
は、ＮＮ３ ７０２に入力され、ＮＮ３ ７０２は、セ
ンサ２ ７０４ｂからの信号Ｙ２、および制御量Ｕとと
もに、制御対象７０１の状態を示す状態量Ｚを入力し、
これに対応して推定値Ｙｎｎを出力する。推定値Ｙｎｎ
がセンサ１７０４ａの出力する信号Ｙ１と比較されるこ
とにより、推定誤差ｄＹが取得される。このような誤差
検出システムにおいて、推定誤差の最大値が得られ、実
施の形態１と同様に制御量演算手段５０３（図５）にお
いて用いられる。

【００６３】図５に示す本実施の形態２によるパラメー
タ推定制御装置の動作は以下のようなものとなる。制御
量Ｕを入力された制御対象５０１は、所定の動作を行
い、入力Ｕに対応した出力をする。該出力は、センサ２
５０４によって検出され、検出の結果を示す信号Ｙ２
が、図６の学習システムにおいて学習されたＮＮ３ ５
０２に入力される。ＮＮ３は、信号Ｙ２とともに、制御
量Ｕと、制御対象５０１の状態を示す状態量Ｚとを入力
し、これらより推定値Ｙｎｎを生成して、これを制御量
演算手段５０３に出力する。制御量演算手段５０３は、
入力された推定値Ｙｎｎに対して、仮想的に設計された
図３の制御器３０２に対応した演算処理（制御対象モデ
ル対応演算）を行い、制御量Ｕを生成する。

【００６４】本実施の形態２においても、実施の形態１
と同様に図３に示すモデル制御システムにおいて制御器
３０２は、図７の誤差検出システムにおいて取得される
推定誤差の最大値に対しても安定な制御を実行し得るも
のとして設計されるものである。従って、図５に示す本
実施の形態２のパラメータ推定制御装置においては、制
御量演算手段５０３が生成する制御量を用いて、制御対
象５０１についての安定した制御が実行し得るものとな
る。

【００６５】このように、本実施の形態２によるパラメ
ータ推定制御装置によれば、制御対象５０１に対して制
御を行う、ニューラルネットワークＮＮ３ ５０２と、
センサ２ ５０４と、制御量演算手段５０３とを備えた
ことで、図６に示す学習システムで学習されたＮＮ３
５０２が生成する推定値を用いて、制御量演算手段５０
３が、図３に示すモデル制御システムに対応した制御を
実行するので、安価なセンサ２ ５０４と、ソフトセン
サとして機能するＮＮ３ ５０２とにより、高精度で安
定な制御を実行することが可能となる。

【００６６】本実施の形態２は、実施の形態１と比較し
て、比較的低精度のセンサ２を必要とするものであり、
ハードウェアコスト面においては実施の形態１よりも不
利なものとなるが、ニューラルネットワークの学習につ
いては、実施の形態１よりも迅速なものとなる。従っ
て、制御対象の特性や、利用可能なセンサの特性、およ
びコスト等に対応して、いずれの実施の形態がより適切
なものとなるかは決定されるものとなる。

【００６７】実施の形態３．本発明の実施の形態３によ
るパラメータ推定制御装置は、実施の形態２と同様に、
ソフトセンサとして機能するニューラルネットワークの
みを用いて、安定な制御を行うことを可能とするもので
ある。

【００６８】実施の形態１、および２は、図３に示した
ように制御対象モデルがすでに構築されているものであ
り、モデル制御システム、そして最適な制御器を設計し
得る場合に実現できるものである。しかし、制御対象が
非常に複雑なものである場合など、実用できるセンサの
精度や、計算機システム等のシミュレーション性能の限
界のため、制御対象モデルが構築されていない場合、ま
たは構築が困難である場合がある。すなわち、すでに制
御対象モデルが構築されており、図３のようなモデル制
御システムを設計し得る場合、制御対象モデルは一般に
取り扱いの容易な線形関数で表し得るものであるが、従
来の技術の説明において例示したエンジンの場合のよう
な複雑なものを制御対象とする場合には、通常、制御対
象について線形関数を用いる制御モデルを構築すること
は困難である。本実施の形態３によるパラメータ推定制
御装置は、このような、制御対象モデルが構築されてい
ない、または構築が困難な場合にも応用し得るものであ
る。

【００６９】図８は、本実施の形態３によるパラメータ
推定制御装置の構成を示すブロック図である。図示する
ように、本実施の形態３によるパラメータ推定制御装置
は、制御対象８０１と、ニューラルネットワークＮＮＢ
８０２と、制御量演算手段８０３とから構成されてい
る。

【００７０】制御対象８０１は、本実施の形態３による
パラメータ推定制御装置における制御の対象となるもの
である。ニューラルネットワークＮＮＢ８０２は、後述
する学習システムにおいて学習されたニューラルネット
ワークである。制御量演算手段８０３は、ＮＮＢ８０２
の出力する推定値に基づいて、後述する制御対象モデル
対応演算により、制御量を生成する。

【００７１】実施の形態１、および２における制御対象
モデル対応演算は、前述のように既存の制御対象モデル
に基づく、図３のモデル制御システムに対応した演算処
理である。これに対して、本実施の形態３における制御
対象モデル対応演算は、図９に示すモデル制御システム
に対応したものである。図９のモデル制御システムにお
いては、制御対象モデルとして、後述するように学習さ
せたニューラルネットワークＮＮＡ９０１を用いるもの
であり、このモデル制御システムにおいて、図３の場合
と同様に仮想的な制御器９０２を最適設計し得るもので
ある。

【００７２】図１０は、モデル代替ニューラルネットワ
ークＮＮＡを学習させる学習システムを示す図である。
図示するように、このシステムは、制御量発生器１００
０と、制御対象１００１と、ニューラルネットワークＮ
ＮＡ１００２と、センサ１１００４とから構成されてい
る。制御量発生器１０００は、制御対象１００１に入力
する制御量を発生する。制御対象１００１は、図８の８
０１と同等のものであり、制御の対象である。ニューラ
ルネットワークＮＮＡ１００２は、この学習システムに
おいて学習をさせるモデル代替ニューラルネットワーク
である。センサ１ １００４は、制御対象１００１の出
力に対する検出結果を出力するセンサである。

【００７３】このように構成された本実施の形態３のモ
デル代替ニューラルネットワーク学習システムにおける
学習の際の動作を以下に説明する。まず、制御量発生器
１０００は制御量Ｕを発生し、該発生した制御量Ｕを制
御対象１００１と、ＮＮＡ１００２とに出力する。制御
対象１００１は所定の動作を行い、制御量Ｕに対応した
出力をする。センサ１ １００４は、制御対象１００１
の出力を検出し、検出の結果を示す信号Ｙ１を、ＮＮＡ
１００２に出力するとともに、ＮＮＡに対しての教師信
号としても出力する。一方ＮＮＡ１００２は、制御量Ｕ
と、信号Ｙ１との時系列データを入力し、これに対応し
て推定値Ｙｎｎを出力する。推定値Ｙｎｎは教師信号Ｙ
１と比較され、該比較の結果に基づいて、ニューラルネ
ットワークＮＮＡ１００２の推定値Ｙｎｎが、教師信号
Ｙ１となるように、ＮＮＡ１００２の結合係数は学習に
よって形成される。

【００７４】図１０のシステムにおいて学習させたニュ
ーラルネットワークＮＮＡは、図９に示すモデル制御シ
ステムにおいて制御対象モデル代替として使用し得るも
のとなる。以下に、この点について説明する。図９に示
すモデル制御システムにおいて、制御器９０２が生成し
て出力する制御量Ｕについては、例えば次式に従って演
算により生成される。

【００７５】

【数１】

【００７６】ただし、ｅは目標値との偏差であり、 △ｅ＝ｅ（ｋ）−ｅ（ｋ−１） である。

【００７７】ここで、Ｋｐ、Ｋｉ、およびＫｄは、フィ
ードバック制御系であるモデル制御システムにおける制
御ゲインであり、制御器９０２を最適設計することは、
すなわち安定なフィードバック制御系が実現されるよう
な、式１中の制御ゲインを求めることとなる。以下に、
安定な制御ゲインを求める方法について説明する。

【００７８】図１１ａ）は、階層ネットワーク構造を有
するニューラルネットワークの一例を示す図である。図
示するニューラルネットワークに対する入力パラメータ
は、当該ニューラルネットワークの制御対象における入
力、および出力の時系列データのみからなるものであ
り、ある時刻k における出力Ynn(k)は、入力の関数とし
て次式で表されるものとする。

【００７９】

【数２】

【００８０】式２において、関数f(x)はｆ（ｘ）＝ｔａ
ｎｈ（ｘ）で表される正接シグモイド関数であり、入力
Ｉｊについては、 Ｉj ＝［Y(k),Y(k-1),・・・,Y(k-m+1),U(k),U(k-1),・・・,U
(k-n+1) ］ となる時系列データである。ただし、１≦ｊ≦Ｎj （Ｎ
j ＝ｍ＋ｎ）が成立するものとする。また、Ｗｊｉは入
力から中間層への結合係数であり、 １≦ｉ≦Ｎi （Ｎi は中間層素子数） であり、Ｖｉは中間層から出力への結合係数である。

【００８１】ここで、説明を簡単にするため同図ｂ）に
示す様なｍ＝ｎ＝１のｊ＝２の場合であり、かつｉ＝０
である、すなわち、２入力、１出力で中間層の無いＮＮ
構成を考える。このような制御系においては、推定値Ｙ
ｎｎは、 Ｙｎｎ＝ｆ（w1*Y(k)+w2*U(k) ） となるものである。ここで、非線形関数 ｆ（ｙ）＝（２／（１＋ｅｘｐ（−ｙ／Ｔ））−１ （式３） は図１２ａ）に示すものであり、この場合図示するよう
にこの関数は、２つの直線ｇ１、およびｇ２で挟むこと
ができるものとなる。このことは、すなわち g1*y≦ｆ（ｙ）≦g2*y であることを示しているものである。ここで、ｇ１，ｇ
２は関数ｆの最小、最大微係数であり、次式で与えられ
るものである。 g1=min df(y)/dy=0 , g2=max df(y)/dy=1/(2T) 従って、非線形関数ｆは次式で表すことができる。

【００８２】 ｆ（ｙ）＝ｈ１＊ｇ１＊ｙ＋ｈ２＊ｇ２＊ｙ （式４） ただし、 ｈ１＋ｈ２＝１ が成立するものである。このことは、式３の非線形関数
ｆ（ｙ）を、式４のように線形の式に帰着させることが
できたことを示している。

【００８３】以上のことから、図１１ｂ）に示すニュー
ロ制御系の出力について、

【００８４】

【数３】

【００８５】が得られるものとなる。式５も線形関数で
あり、実施の形態１、および２で用いた制御対象モデル
と同様に、容易に制御システムを構築し得るものとな
る。ここで、式５で表現される線形モデルの係数は、 A1=g1*w1=0 , A2=g2*w1=w1/(2T) B1=g1*w2=0 , B2=g2*w2=w2/(2T) となるので、Ｙtarget＝０のレギュレータ問題を考える
と、制御入力演算は次のように行われる。

【００８６】

【数４】

【００８７】これは、ニューロ制御の設計を式６のＦi
を求める問題に帰着させたものである。式５、および式
６よりニューロ制御系全体のモデルは次式となる。

【００８８】

【数５】

【００８９】式７の安定条件は、線形系の漸近安定の条
件に関するリアプノフの安定定理より導出することがで
きる。従って、以下の２式の条件を満たす正定対称行列
Ｐ（Ｐ＞０）が存在するならば、式７で表されるニュー
ロ制御系は大域的漸近安定であるということが言える。

【００９０】 （Ａi −Ｂi Ｆi ）T Ｐ（Ａi −Ｂi Ｆi ）−Ｐ＜０ （式８） ［（Ａi-Ｂi Ｆj+Ａj-Ｂj Ｆi)/2］ＴＰ［（Ａi-Ｂi Ｆj+Ａj-Ｂj Ｆi)/2］−Ｐ ＜０ …（式９） 例えば、線形行列不等式（ＬＭＩ：Linear Matrix Ineq
ualities）に基づく解法により、式８、および式９の両
者を同時に満たすＦｉを求めることができる。以上に示
すように、図１１ｂ）に示すニューロ制御系について
は、安定解析が可能なものである。次に、図１２ｂ）に
示す場合を考える。同図に示すニューロ制御系は、２入
力、２中間層素子数、１出力のものである。このような
ニューロ制御系は、以下の式で表すことができる。な
お、関数ｆは全て異なると仮定している。 Ｙ（ｋ＋１）＝ΣΣΣ hi(k)hj(k)hs(k)(Aijs*Y(k)+Bij
s*U(K)) このようににｍ，ｎを拡張することにより、図１ａ）に
示すニューロ制御系のダイナミクスは次式で表すことが
できる。

【００９１】

【数６】

【００９２】ここで、ｈｉ（ｋ）は未知パラメータであ
るが、中間層は線形で表現可能であり、出力のみ非線形
関数で表現されるニューロ制御系については、このよう
なパラメータは一意に決定可能なものである。従って、
式１０についても、式５を導いたように、線形関数に帰
着させることができ、式７について、式８、および式９
により安定性を検証し得たのと同様に解析が可能なもの
となる。

【００９３】このように、本実施の形態３において、図
１０の学習システムにおいて学習させたニューラルネッ
トワークＮＮＡについては、線形モデルとして扱い得る
ものとなるので、図９に示すように制御対象モデル９０
１として、図３に示す既存の制御対象モデル３０１と同
様に用いることが可能なものとなる。

【００９４】次に、本実施の形態３のパラメータ推定制
御装置に用いるニューラルネットワークＮＮＢの学習に
ついて説明する。図１３は、本実施の形態３におけるニ
ューラルネットワークＮＮＢの学習システムを示す図で
ある。図示するように、この学習システムは、制御量発
生器１３００と、制御対象１３０１と、ニューラルネッ
トワークＮＮＢ １３０２と、センサ１ １３０４とか
ら構成されている。

【００９５】制御量発生器１３００は、制御対象１３０
１に入力する制御量を発生する。制御対象１３０１は、
図８の８０１と同等のものであり、制御の対象である。
ニューラルネットワークＮＮＢ １３０２は、この学習
システムにおいて学習をさせるニューラルネットワーク
である。センサ１ １３０４は、図１０のシステムで用
いるセンサと同等のものである。図１３の学習システム
は、図４に示す、実施の形態１におけるＮＮ２の学習シ
ステムと同様の構成のものであり、本実施の形態３にお
いて、ＮＮＢは実施の形態１と同様に学習をするものと
なる。

【００９６】このように学習されたニューラルネットワ
ークＮＮＢにつき、本実施の形態３では、図１４に示す
誤差検出システムにおいて以下のような誤差検出を行
い、図８に示す制御器の設計に用いるものである。図１
４に示すように、誤差検出システムは、制御量発生器１
４００と、制御対象１４０２と、ニューラルネットワー
クＮＮＡ１４０１と、ニューラルネットワークＮＮＢ１
４０４と、センサ１ １４０３とから構成されている。

【００９７】同図において、制御量発生器１４００、制
御対象１４０２、ニューラルネットワークＮＮＢ１４０
４、およびセンサ１ １４０３は、図１３における、１
３００、１３０１、１３０２、および１３０４と同等の
ものである。また、ニューラルネットワークＮＮＡ１４
０１は、図９，および図１０の１００２と同等のモデル
代替ニューラルネットワークであり、図１０に示す学習
システムにおいて学習させたものである。

【００９８】このような誤差検出システムにおける誤差
検出の動作は以下のように行われる。まず、制御量発生
器１４００は、想定される運転領域内における制御量Ｕ
を発生し、これを制御対象１４０２と、ＮＮＡ１４０１
とに出力する。制御対象１４０２は所定の動作を行い、
入力された制御量Ｕに対応する出力をする。制御対象１
４０２の出力は、センサ１ １４０３に入力され、セン
サ１ １４０３は検出を行い、検出結果を信号Ｙ１とし
て出力する。また、ＮＮＡ１４０１は、制御量Ｕととも
に、センサ１ １４０３における検出結果を示す信号Ｙ
１を入力し、推定値Ｙｎｎ−Ａを生成してこれを出力す
る。

【００９９】一方、ＮＮＢ１４０４は、制御対象１４０
２の状態を示す状態量Ｚを入力し、これに基づき推定値
Ｙｎｎ−Ｂを生成して出力する。推定値Ｙｎｎ−ＢがＮ
ＮＡ１４０１の出力する信号Ｙｎｎ−Ａと比較され、推
定誤差ｄＹが取得される。このような誤差検出システム
において、推定誤差の最大値が得られる。

【０１００】以下に、図１３の学習システムにおいて学
習されたＮＮ２を用い、図１４の誤差検出システムにお
いて取得された推定誤差の最大値に基づく、図８に示す
本実施の形態３のパラメータ推定制御装置の制御の際の
動作について説明する。制御量Ｕを入力された制御対象
８０１は、所定の動作を行い、入力Ｕに対応した出力を
する。図１３の学習システムにおいて学習されたＮＮＢ
８０２は、制御量Ｕと、制御対象８０１の状態を示す状
態量Ｚとを入力し、これらより推定値Ｙｎｎを生成し
て、これを制御量演算手段８０３に出力する。制御量演
算手段８０３は、入力された推定値Ｙｎｎに対して、仮
想的に設計された図９の制御器９０２に対応した演算処
理（制御対象モデル対応演算）を行い、制御量Ｕを生成
する。

【０１０１】図９に示すモデル制御システムにおける制
御器９０２は、図１４の誤差検出システムにおいて取得
される推定誤差の最大値に対しても安定な制御を実行し
得るものとして設計されるものである。従って、図８に
示す本実施の形態３のパラメータ推定制御装置において
は、制御量演算手段８０３が生成する制御量を用いて、
制御対象８０１についての安定した制御が実行し得るも
のとなる。

【０１０２】このように、本実施の形態３によるパラメ
ータ推定制御装置によれば、制御対象８０１に対して制
御を行う、ニューラルネットワークＮＮＢ８０２と、制
御量演算手段８０３とを備えたことで、図１３に示す学
習システムで学習されたＮＮＢ１３０２（図８の８０
２）が生成する推定値を用いて、制御量演算手段８０３
が、図９に示す、制御モデル代替ニューラルネットワー
クＮＮＡを用いるモデル制御システムに対応した制御を
実行するので、ソフトセンサとして機能するＮＮＢ８０
２により、高精度で安定な制御を実行することが可能と
なる。本実施の形態３では、既存の制御対象モデルが構
築されていない、または構築が困難な場合にも、図１０
に示す学習システムにおいて学習させたニューラルネッ
トワークＮＮＡを制御モデル代替ニューラルネットワー
クとすることで、制御量演算手段８０３による、制御対
象モデル対応演算処理を行うものとすることが可能であ
る。

【０１０３】

【発明の効果】請求項１のパラメータ推定制御装置によ
れば、ニューラルネットワークを用いて制御対象の制御
に関するパラメータを推定し、該推定したパラメータに
基づいて制御対象の制御を行うパラメータ推定制御装置
において、所定の機械的検出手段の検出結果を教師信号
として学習したニューラルネットワークにより、上記制
御対象の状態を示す状態量を入力して、上記入力した状
態量に基づいて制御対象の出力の推定値を生成するパラ
メータ推定手段と、上記パラメータ推定手段が生成した
推定値を入力し、該推定値に基づいて、該推定値の変動
幅に対応する変動幅対応演算処理により、上記制御対象
の制御に用いる制御量を生成する制御量演算手段とを備
えたので、パラメータ推定手段が生成する推定値に基づ
いて、安定した制御を行うことが可能となる。

【０１０４】請求項２のパラメータ推定制御装置によれ
ば、請求項１の装置において、上記制御量推定手段が行
う変動幅対応演算処理は、制御対象モデルを用いて、該
制御対象モデルに対応する制御器を設計する制御対象モ
デル対応演算処理であるものとしたことで、制御対象モ
デルを用いて、変動幅に対応する仮想的な制御器を設計
し、該制御器に基づく演算処理を行うことで安定した制
御を実行することが可能となる。

【０１０５】請求項３のパラメータ推定制御装置によれ
ば、請求項２の装置において、上記制御器は、上記学習
したニューラルネットワークについて検出された最大誤
差を変動幅として、上記変動幅に対応した安定な制御を
実行するように設計されるものとしたことで上記の効果
が得られる。

【０１０６】請求項４のパラメータ推定制御装置によれ
ば、請求項１ないし３のいずれかの装置において、上記
制御対象の出力を検出する機械的検出手段をさらに備
え、上記パラメータ推定手段は、上記入力した状態量と
ともに、上記機械的検出手段の検出結果にも基づいて、
上記推定値を生成するものとしたことで、安価で比較的
精度の高くないセンサを用いて、安定な制御を実行し、
ニューラルネットワークの学習に要する工数の削減を図
ることが可能となる。

【０１０７】請求項５のパラメータ推定制御装置によれ
ば、請求項１の装置において、上記制御量推定手段が行
う変動幅対応演算処理は、所定の機械的検出手段の検出
結果を教師信号として学習したニューラルネットワーク
の生成する推定値に基づくものとしたことで、既存の制
御対象モデルを用いることができない場合にも、制御対
象モデル代替ニューラルネットワークを用いて安定な制
御を実行することが可能となる。

【０１０８】請求項６のパラメータ推定制御方法によれ
ば、ニューラルネットワークを用いて制御対象の制御に
関するパラメータを推定し、該推定したパラメータに基
づいて制御対象の制御を行うパラメータ推定制御方法に
おいて、所定の機械的検出手段の検出結果を教師信号と
してニューラルネットワークを学習し、上記学習したニ
ューラルネットワークにより、上記制御対象の状態を示
す状態量に基づいて制御対象の出力の推定値を生成し、
上記生成した推定値に基づいて、該推定値の変動幅に対
応する変動幅対応演算処理により、上記制御対象の制御
に用いる制御量を生成するので推定値に基づいて、安定
した制御を行うことが可能となる。

【０１０９】請求項７のパラメータ推定制御方法によれ
ば、請求項６の方法において、上記変動幅対応演算処理
は、制御対象モデルを用いて、該制御対象モデルに対応
する制御器を設計する制御対象モデル対応演算処理であ
るものとしたことで、制御対象モデルを用いて、変動幅
に対応する仮想的な制御器を設計し、該制御器に基づく
演算処理を行うことで安定した制御を実行することが可
能となる。

【０１１０】請求項８のパラメータ推定制御方法によれ
ば、請求項７の方法において、上記制御器は、上記学習
したニューラルネットワークについて検出された最大誤
差を変動幅として、上記変動幅に対応した安定な制御を
実行するように設計されるものとしたものとしたことで
上記の効果が得られる。

【０１１１】請求項９のパラメータ推定制御方法によれ
ば、請求項６ないし８のいずれかの方法において、上記
制御対象の出力を機械的検出手段を用いて検出し、上記
制御対象の状態を示す状態量とともに、上記機械的検出
手段の検出結果にも基づいて、上記推定値を生成するも
のとしたことで、安価で比較的精度の高くないセンサを
用いて、安定な制御を実行し、ニューラルネットワーク
の学習に要する工数の削減を図ることが可能となる。

【０１１２】請求項１０のパラメータ推定制御方法によ
れば、請求項６の方法において、上記制御量推定手段が
行う変動幅対応演算処理は、所定の機械的検出手段の検
出結果を教師信号として学習したニューラルネットワー
クの生成する推定値に基づくものとしたことで、既存の
制御対象モデルを用いることができない場合にも、制御
対象モデル代替ニューラルネットワークを用いて安定な
制御を実行することが可能となる。

【図面の簡単な説明】

【図１】本発明の実施の形態１によるパラメータ推定制
御装置の構成を示すブロック図である。

【図２】同実施の形態における、ニューラルネットワー
クの学習システムの構成を示す図である。

【図３】同実施の形態の制御量演算手段が行う制御対象
モデル対応演算処理のための、モデル制御システムを説
明するための図である。

【図４】同実施の形態における、ニューラルネットワー
クの誤差検出システムの構成を示す図である。

【図５】本発明の実施の形態２によるパラメータ推定制
御装置の構成を示すブロック図である。

【図６】同実施の形態における、ニューラルネットワー
クの学習システムの構成を示す図である。

【図７】同実施の形態における、ニューラルネットワー
クの誤差検出システムの構成を示す図である。

【図８】本発明の実施の形態３によるパラメータ推定制
御装置の構成を示すブロック図である。

【図９】同実施の形態の制御量演算手段が行う制御対象
モデル対応演算処理のための、モデル制御システムを説
明するための図である。

【図１０】同実施の形態における、制御モデル代替ニュ
ーラルネットワークの学習システムの構成を示す図であ
る。

【図１１】同実施の形態における、制御モデル代替ニュ
ーラルネットワークの有効性を説明するための、ニュー
ロ制御系を示す図である。

【図１２】同実施の形態における、制御モデル代替ニュ
ーラルネットワークの有効性を説明するための、関数グ
ラフ（ａ）と、ニューロ制御系（ｂ）を示す図である。

【図１３】同実施の形態における、制御用ニューラルネ
ットワークの学習システムの構成を示す図である。

【図１４】同実施の形態における、ニューラルネットワ
ークの誤差検出システムの構成を示す図である。

【図１５】従来の技術による、ニューロ制御システムを
示す図である。

【図１６】従来の技術による、ニューロ制御システムの
応用例を示す図である。

【図１７】従来の技術による高精度センサを用いた制御
装置の構成を示すブロック図である。

【図１８】従来の技術る、ニューラルネットワークの学
習システムを示す図である。

【図１９】同実施の形態における、ニューラルネットワ
ークの誤差検出システムの構成を示す図である。

【図２０】階層型ニューラルネットワークを説明するた
めの図である。

【符号の説明】

１０１，２０１，４０１，５０１，６０１，７０１，８
０１，１００１，１３０１，１４０２，１５０１，１７
０１，１８０１，１９０１制御対象 １０２，２０２，４０２，５０２，６０２，７０２，８
０２，１３０２，１４０４，１８０２，１９０２ニュー
ラルネットワーク １００２，１４０１ ニューラルネットワーク（制御
対象モデル代替用） １５０２，１６０１ ＮＮ演算部 １０３，５０３，８０３，１７０３，１９０３ 制御
量演算手段 ２０４，４０４，５０４，６０４，７０４，１００４，
１３０４，１４０３，１７０２，１８０４センサ ２００，４００，６００，７００，１０００，１３０
０，１４００，１８００制御量発生器 ３０１，９０１ 制御対象モデル ３０２，９０２ 制御器 １６０２ 燃料噴射量算出部 １６０３ エンジン、および状態検出部

Claims (10)

【特許請求の範囲】
1. 【請求項１】 ニューラルネットワークを用いて制御対
   象の制御に関するパラメータを推定し、該推定したパラ
   メータに基づいて制御対象の制御を行うパラメータ推定
   制御装置において、 所定の機械的検出手段の検出結果を教師信号として学習
   したニューラルネットワークにより、上記制御対象の状
   態を示す状態量を入力して、上記入力した状態量に基づ
   いて制御対象の出力の推定値を生成するパラメータ推定
   手段と、 上記パラメータ推定手段が生成した推定値を入力し、該
   推定値に基づいて、該推定値の変動幅に対応する変動幅
   対応演算処理により、上記制御対象の制御に用いる制御
   量を生成する制御量演算手段とを備えたことを特徴とす
   るパラメータ推定制御装置。
2. 【請求項２】 請求項１に記載のパラメータ推定制御装
   置において、 上記制御量推定手段が行う変動幅対応演算処理は、制御
   対象モデルを用いて、該制御対象モデルに対応する制御
   器を設計する制御対象モデル対応演算処理であることを
   特徴とするパラメータ推定制御装置。
3. 【請求項３】 請求項２に記載のパラメータ推定制御装
   置において、 上記制御器は、上記学習したニューラルネットワークに
   ついて検出された最大誤差を変動幅として、上記変動幅
   に対応した安定な制御を実行するように設計されるもの
   であることを特徴とするパラメータ推定制御装置。
4. 【請求項４】 請求項１ないし３のいずれかに記載のパ
   ラメータ推定制御装置において、 上記制御対象の出力を検出する機械的検出手段をさらに
   備え、 上記パラメータ推定手段は、上記入力した状態量ととも
   に、上記機械的検出手段の検出結果にも基づいて、上記
   推定値を生成するものであることを特徴とするパラメー
   タ推定制御装置。
5. 【請求項５】 請求項１に記載のパラメータ推定制御装
   置において、 上記制御量推定手段が行う変動幅対応演算処理は、所定
   の機械的検出手段の検出結果を教師信号として学習した
   ニューラルネットワークの生成する推定値に基づくもの
   であることを特徴とするパラメータ推定制御装置。
6. 【請求項６】 ニューラルネットワークを用いて制御対
   象の制御に関するパラメータを推定し、該推定したパラ
   メータに基づいて制御対象の制御を行うパラメータ推定
   制御方法において、 所定の機械的検出手段の検出結果を教師信号としてニュ
   ーラルネットワークを学習し、 上記学習したニューラルネットワークにより、上記制御
   対象の状態を示す状態量に基づいて制御対象の出力の推
   定値を生成し、 上記生成した推定値に基づいて、該推定値の変動幅に対
   応する変動幅対応演算処理により、上記制御対象の制御
   に用いる制御量を生成することを特徴とするパラメータ
   推定制御方法。
7. 【請求項７】 請求項６に記載のパラメータ推定制御方
   法において、 上記変動幅対応演算処理は、制御対象モデルを用いて、
   該制御対象モデルに対応する制御器を設計する制御対象
   モデル対応演算処理であることを特徴とするパラメータ
   推定制御方法。
8. 【請求項８】 請求項７に記載のパラメータ推定制御方
   法において、 上記制御器は、上記学習したニューラルネットワークに
   ついて検出された最大誤差を変動幅として、上記変動幅
   に対応した安定な制御を実行するように設計されるもの
   であることを特徴とするパラメータ推定制御方法。
9. 【請求項９】 請求項６ないし８のいずれかに記載のパ
   ラメータ推定制御方法において、 上記制御対象の出力を機械的検出手段を用いて検出し、 上記制御対象の状態を示す状態量とともに、上記機械的
   検出手段の検出結果にも基づいて、上記推定値を生成す
   るものであることを特徴とするパラメータ推定制御方
   法。
10. 【請求項１０】 請求項６に記載のパラメータ推定制御
    方法において、 上記制御量推定手段が行う変動幅対応演算処理は、所定
    の機械的検出手段の検出結果を教師信号として学習した
    ニューラルネットワークの生成する推定値に基づくもの
    であることを特徴とするパラメータ推定制御方法。