JPH03118606A - 適応制御装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〈産業上の利用分野〉 本発明は、ニューラル・ネットワークを使用した適応制
御装置に関し、更に詳しくは、ＰＩ（Ｄ）調節計による
制御系の閉ループ応答波形を観測してＰＩ調節計に設定
される演算パラメータを適切な値に自動的に設定できる
ようにした適応制御装置に関する。

〈従来の技術〉 閉ループ応答波形のオーバーシュートや立ち上がり時間
、減衰率等から、調節計に設定されるＰＩ　　（Ｄ）パ
ラメータの良否を判定すると共に、ＰＩ演算パラメータ
を修正するようにした適応制御装置は、これまで種々提
案されているが、いずれのものも確定的な理論はなく、
正確な演算パラメータを設定できるものではなかった。

〈発明が解決しようとする課題〉 本発明は、この様な状況に鑑みてなされたもので、既知
のＰＭ演算パラメータの様々な値を与えたときの応答波
形を何回もニューラル・ネットワークに入力させて学習
させておき、次に未知の演算パラメータの応答波形を入
力させたとき、その演算パラメータが適切であったかど
うか判定できるようにし、正確な演算パラメータの設定
が行える適応制御装置を提供することを目的とする。

〈課題を解決するための手段〉 前記した課題を解決する本発明は、 既知の演算パラメータが設定される比例（Ｐ）、積分（
１）調節手段と、 ニューラルネットワークと、 前記調節手段によって制御されている制御系からの閉ル
ープ応答波形を前記ニューラルネットワークに何度も入
力させ当該ニューラルネットワークに学習をさせ、前記
ＰＩ調節手段に設定されたＰＩ演算パラメータが適切で
あるか否か判断できるようにした応答波形入力手段と、 前記ニューラルネットワークの判断結果に基づいて前記
ＰＩ調節手段に設定されたＰＩ演算パラメータを修正す
るＰＩパラメータ修正手段とを備え、 前記ニューラルネットワークに学習させた後当該ニュー
ラルネットワークに、ある演算パラメータで制御した応
答波形を入力し、前記ＰＩ演算パラメータ修正手段はこ
の時のニューラルネットワークの判断結果に基づいて、
前記ＰＩ調節手段に設定されたＰＩ演算パラメータを修
正するように構成したものである。

〈作用〉 上記の各構成要素は次の作用をする。

ＰＩ調節手段は、そこに設定されたＰＩ演算パラメータ
に従った操作信号を制御系に出力する。

ニューラルネットワークは、入力層、中間層。

出力層という階層構造になっており、入力層に入ったパ
ターンは、一定の規則で変換されながら出力層に向かっ
て伝わり、学習は出力層から入力層に向かって進む。

応答波形入力手段は、ニューラルネットワークに入力と
、望ましい出力波形を与えていくことで、ニューラルネ
ットワークを学習させる。

パメータ修正手段は、学習が完了したニューラルネット
ワークの判断結果に基づいて、ＰＩ演算調節計に設定さ
れている演算パラメータを修正する。

〈実施例〉 以下図面を用いて、本発明の実施例を詳細に説明する。

第１図は、本発明の一実施例を示す構成ブロック図であ
る。図において、１は比例（Ｐ）、積分（１）演算を行
うＰ！調節手段、２はＰＩ演算パラメータ設定手段で、
ＰＩ調節手段１に既知の比例（Ｐ）、積分（り演算パラ
メータＰＢ、ＴＩを設定する。３はプロセスで、ＰＩ調
節手段１がらの操作信号ＭＶが印加される。このプロセ
ス３からの出力信号（プロセス値）Ｐｖは、Ｐ■調節手
段１の入力側に帰還されている。

４はニューラルネットワークで、人間の脳のニューロン
に対応した多数のユニットＵ３．〜Ｕ□が複雑に接続し
合って構成されており、各ユニットの動作、及びユニッ
ト間の接続をうまく決めることで、入力された信号を一
定の規則で変換し、出力させ、パターン認識機能を持つ
ようにしたものである。

このニューラルネットワークの構成は、例えば合原−幸
著「ニューラル、コンピューター脳と神経に学ぶ」東京
電機大学出版局（１９８８）や、日経エレクトロニクス
１９８７年８．１０　（ｎｏ。

４２７）Ｐ１１５〜１２４に詳しく開示されている。

５はＰ１調節手段１によって制御されている制御系（こ
こではプロセス３）からの閉ループ応答波形を、ニュー
ラルネットワーク４に何度も入力させ、このニューラル
ネットワークに学習をさせる応答波形入力手段である。

６はＰＩ調節計１に設定した既知のＰＩ演算パラメータ
信号ＰＢ、ＴＩを入力し、これらの設定した定数が適切
か否かを示す教師信号Ｔ、１〜Ｔ、６を出力する教師信
号発生手段、７はニューラルネットワーク４からの出力
信号ＯＩ〜０６と、教師信号発生手段６からの教師信号
Ｔ、、−ｗ”ｒ、６との比較結果を入力し、ニューラル
ネットワークを修正する信号を出力するバックプロパゲ
ーション手段である。この構成は、前記した技術文献に
開示されている。

８はニューラルネットワーク４からの信号と、教師信号
発生手段６からの信号とを比較する比較手段で、ここで
の比較結果が、バックプロパゲーション手段７に印加さ
れる。

９はニューラルネットワーク４からの信号に基づき、Ｐ
１調節手段１に設定されているＰＩ演算パラメータを自
動的に修正するパラメータ修正手段である。１０はＰＩ
調節手段１の入力側にステップ入力を与えるためのステ
ップ入力手段で、ニューラルネットワーク４を学習させ
るときに用いられる。

ニューラルネットワーク４、比較手段８、バックプロパ
ゲーション手段７からなるループは、既知のパラメータ
の様々な値をＰＩ調節手段１に設定し、その時の応答波
形を何回も繰り返してニューラルネットワーク４に与え
て学習させることにより、演算パラメータと応答波形と
の関係を学習させる手段を構成している。

第２図は、ニューラルネットワーク４を構成しているニ
ューロン（ユニット）の構成を示す図である。他のユニ
ットから入力を受ける部分、この入力を一定の規則で変
換する部分、結果を出力する部分で構成されている。

他のユニットとの結合部には、それぞれ可変の重みＷｌ
ｌが付けられる。この重みは、結合の強さを表している
。この値を変えることによりネットワークの構造を変え
ることができる。そしてネットワークの学習とは、この
値を変えることを意味している。ここで、重みＷは、正
、ゼロ、負の値をとり、ゼロは結合の無いことを意味し
ている。

ニューラルネットワーク４において、あるユニットが複
数ユニットから入力を受けた場合、その総和ｎｅ　ｔＩ
がユニットへの入力値となる。

この総和ｎｅｔＩは、（１）式で表される。

ｎｅ　ｔｌ−ΣＷ、、１ｌ−０，−（１）ユニットは、
この入力の総和ｎｅｔを関数ｆに変換し、（２）式に示
される出力Ｏｊを送出する。

０１−ｆ　（ｎ６ｔｌ　）　　　　　　　−（２）ここ
で、関数ｆ　（ｘ）は、各ユニット毎に違っていてもよ
く、例えば、第３図に示されるｓｉｇｍｏｉｄ関数が使
用される。

この関数は、微分可能な疑似線形関数で、（３）式で表
される。

ｆ　　（ｘ）＝１／　け＋ｏｘｐＫ（−ｘ＋θ）ｌ−（
３）ただし、Ｋはゲイン、θはしきい値 第１図装置において、はじめにニューラルネットワーク
４に演算パラメータと応答波形の関係を学習させるため
の動作を説明する。

ここに示す制御系は、例えばプロセス特性を無駄時間２
秒、時定数１０秒、ゲイン１の特性を持つものとし、Ｐ
ＩＨ節手段１のＰＩ演算パラメータは、Ｉ’Ｂ（比例帯
）−５（１１％、Ｔ　Ｉ　　（積分時ｌ１４１）−１０
秒が適切であることが経験的に知られているものとする
。

いま、Ｐ１パラメータ設定手段２は、ＰＩ調節手段１に
対して、例えば、ＰＢ−３０％、５０９６．２００％、
Ｔｌ−５秒、１０秒、４０秒の中からランダムに、ＰＢ
とＴＩの組み合わせを選び、それらを設定する。その後
、ＰＩ調節手段１の入力側に設けられているステップ入
力手段１ｏがらスチップ状に変化するステップ信号を印
加させる。

このステップ信号を受けたＰ１節手段１は、そこに設定
されているＰＩ演算パラメータに応じた操作信号ＭＶを
プロセス３に印加する。

この操作信号を受けたプロセス３からは、例えば、第、
１図のＰｖに示すような応答波形が得られる。

応答波形入力手段５は、時間的に変化するプロセス３か
らの応答波形を第４図のＸ、、Ｘ２゜Ｘ３のようにサン
プリングし、破線で示すような希望の応答波形と比較し
、その差Ｓ、、Ｓ２゜Ｓ３を順次ニューラルネットワー
ク４に入力する。

ニューラルネットワーク４は、これらの入力信号を前記
【、た（１）式〜（３）式に従って演算し、例えば６個
の出力０１〜０６を送出する。

この６個の出力は、ＯＩがＰＢ良好、０□がＰＢ過小、
０．がＰＢ過大、０４がＴＩ良好、Ｏ９がＴｌ過小、０
６がＴＩ過大に対応しているものとする。

一方、教師信号発生手段６は、ＰＩパラメータ設定手段
２からパラメータが与えられたとき、それらの値が、当
該システムの場合、前記０１〜０６のいずれに該当する
か分かっているので、正解を教師信号Ｔ、〜Ｔ、６とし
て出力する。すなわち、Ｔ、、　〜Ｔｐ３（’ｌ’ずれ
かを「１」、他はｒＯＪとし、Ｔ、４〜Ｔ、６のいずれ
かを「１」、他はｒＯＪとする。

比較手段８は、ニューラルネットワーク４がらの出力０
１〜０６と、教師信号Ｔ、、％Ｔ、６とを比較し、その
比較結果をバックプロパゲーション手段７に印加する。

バックプロパゲーション手段７は、比較結果、即ち、教
師信号Ｔｅｌとニューラルネットワークの出力Ｏ５との
２乗偏差Ｅｐ（４式）が最小になるように、ユニットに
入る信号の結合の重みＷ、Ｉを修正する為の信号を、ニ
ューラルネットワーク４に与える。

Ｅｐ−（１／２）　　　（Ｔ、、−０，）　２・・・　
（４） 結合の重みＷ、ｌは、（５）式に従って次第に修正され
る。

ΔｗＩＩ　（ｎ＋１） 一ηδ１０１＋αΔＷ目（ｎ）　　・・・（５）ただし
、 η：学習定数（例えばη−０，２５） α：安定化定数（例えばα−０，９） ｎ：学習回数 ０１　：ユニットｉから出る出力 δ、：ユニットｊへの入力の総和ｎｅｔ１がＥｐに及ぼ
す影響に負の符号を付けたもので、δ＋　−（ａＥｐ／
ａｎｅ　ｔ４　） なお、δ、は中間層と最終層で異なっており、最終層の
場合（６）式で、また、中間層の場合は、（７）式でそ
れぞれ表される。

δｒ　＝　（Ｔｐ＋　　Ｏｒ　）　ｆ−１（ｎｅｔ、　
）・・・（６） δ）ｍｆ　　−（ｎｅｔＩ　）　　ΣＷｋ、δ。

・・・　（７） ただし、 Ｗｋ、　：次の層のユニッ）ｋへの結合δ、二次の層の
ユニットにのδ ｆ　−（ｘ）−ＫＯ＋　　（１−０＋　）　　　−（８
）なお、（８）式は、（３）式を用いて得られる。

次に、δ１の誘導について説明する。

（９）式は、最終層の場合のδ、の誘導を示す式である
。

δｒ＝　　（ａＥｐ／ａｎｅｔ１） ＝　　（ａＥｐ／　ａＯ＋　）（ａＯ＋　／　ａｎｅｔ
　＋　　）＝−（ａ／　ａｏ＋　）１１／２（Ｔｐ＋０
＋　）　２１（ａｏ＋／　ａ　ｎｅｔＩ　）　−（Ｔｐ
＋　　Ｏｒ　）ｆ’（ｎｃＬｊ）　−（９）よって、 （ｄｏｌ　／　ａ　ｎｅｔｌ　）　−ｒ’（ｎｅｔｌ　
）また、（１０）式は、中間層の場合のδ、の誘導を示
す式である。

δ＋　＝　　（ａＥｐ／ａｎｅ　ｔ、）−一（（う　Ｅ
ｐ／　　ａＯ＋　　）（ａｏ＋　　／　　ａ　　ｎｅｔ
　Ｉ　）−（Σ（ａＥｐ／ａｎｅ　ｔ＋　） （ａｎｅｔ　＊　／　８０１月　　　−（１０）この式
のカッコの中は、（θＥｐ／　ａｏ、）をＯ３に接続さ
れている次の層のユニットのｎｅｔｋへ与える影響と、
Ｅｐに与える影響に分割したことを表している。

ここで、 （ｃ３ｎｅｔ　＊　／　ａｏｌ　） ＝ａ／ａＯ＋　　ΣＷ、０゜ −Ｗｋ。

である。そして、 δｈ　・−−（ａＥｐ／ａｎｅ　ｔ＊　）（ａｏｌ　／
　ａｎｅｔ　Ｈ）　−１”（ｎａｔｌ　）であるから、 δ、　−ｒ”（ｎｅｔ＋　）Σδ、Ｗ。

次の層のδ、及び次の層への結合Ｗ、が求まれば、δ、
が演算できる。

すなわち、最終層から前の層に順次さかのぼって行けば
、順次δ１．ΔＷ、が計算できる。

この様にして、バックプロパゲーション手段７を含むル
ープは、ニューラルネットワーク４を構成している各ユ
ニットの結合の強さを順次修正する動作を例えば、１０
，０００回繰り返すことにより、ニューラルネットワー
ク４からの出力が正解を示すように学習させる。

このようにして学習させた後では、ニューラルネットワ
ーク４に様々な応答波形が与えられた場合、その応答波
形を認識し、演算パラメータＰＢ。

ＴＩをどの様に修正すべきかの出力が、ニューラルネッ
トワークから得られるようになる。

パラメータ修正手段９は、学習が完了した後のニューラ
ルネットワーク４からの信号を入力する。

いま、−例として出力０＋（ＰＢ良好）−〇。

２２１、出力０□　（ＰＢ過小）　−０，９８３、出力
０．（ＰＢ過大）−０，０２５のような値がそれぞれ出
力されたものとする。この場合は、出力０２の値が最も
大きいから、ＰＢが過小であり、ＰＢの値をもっと大き
くする必要があることを示している。

従って、パラメータ修正手段９は、この信号を受け、Ｐ
Ｂを例えば、 ＰＢ−ＰＢ＋に、（Ｏ□−０，） のように修正する。ただし、ｋ、は定数とする。

同様な修正は、ＴＩについても行う。

ニューラルネットワーク４からの各信号Ｏ５〜０６に基
づいてパラメータ修正手段９が行う修正の一例を示せば
、以下の通りである。

ＰＢについて、 ０、がｍａｘの時、修正せず ０２がｍａｘの時、 Ｐ　Ｂ−Ｐ　Ｂ＋　ｋｐ　　（０２０１）０３がｍａｘ
の時、 Ｐ　Ｂ−Ｐ　Ｂ　　ｋ　＃　　（０３０＋　）ＴＩにつ
いて、 ０４がｍａｘの時、修正せず ０、がｍａｘの時、 ＴＩ調ＴＩ＋に＋　　（０５０４） ０６がｍａｘの時、 Ｔｌ−Ｔｌ−に、（０６−０４） なお、上記の説明ではニューラルネットワーク４の学習
の時において、このニューラルネットワークにプロセス
値ＰＶと希望の応答波形との差信号を入力させるように
したが、プロセス値Ｐｖの値をそのまま入力させるよう
にしてもよい。また、上述の説明ではＰＩ調節手段を調
節計として用いた場合を例にとったが、ＰＩＤ調節手段
を用いても全く同様である。

〈発明の効果〉 以上詳細に説明したように、本発明によれば、ニューラ
ルネットワークに予め様々な波形を与えて学習させてお
くことにより、ニューラルネットワークが様々な応答波
形を正確に認識できるようにし、これを用いてＰＩ演算
パラメータを修正するようにしたものであるから、パラ
メータ調整剤を与える必要がなく、正確な演算パラメー
タの設定が行える適応制御装置を実現できる。

【図面の簡単な説明】

第１図は本発明の一実施例を示す構成ブロック図、第２
図はニューラルネットワークを構成しているニューロン
（ユニット）の構成を示す図、第３図はニューロン（ユ
ニット）の入出力関係の一例を示す図、第４図は応答波
形入力手段がサンプリングする信号の説明図である。 １・・・Ｉ’ｌ調節手段 ２・・・Ｉ）　Ｉ演算パラメータ設定手段３・・・プロ
セス ４・・・ニューラルネットワーク ５・・・応答波形入力手段 ６・・・教師信号発生手段 ７・・・バックプロパゲーション手段 ８・・・比較手段 ９・・・パラメータ修正手段

Claims (2)

【特許請求の範囲】
1. （１）既知の演算パラメータが設定される比例（Ｐ）、
   積分（Ｉ）調節手段と、 ニューラルネットワークと、 前記調節手段によって制御されている制御系からの閉ル
   ープ応答波形を前記ニューラルネットワークに何度も入
   力させ当該ニューラルネットワークに学習をさせ、前記
   ＰＩ調節手段に設定されたＰＩ演算パラメータが適切で
   あるか否か判断できるようにした応答波形入力手段と、 前記ニューラルネットワークの判断結果に基づいて前記
   ＰＩ調節手段に設定されたＰＩ演算パラメータを修正す
   るＰＩパラメータ修正手段と を備え、 前記ニューラルネットワークに学習させた後当該ニュー
   ラルネットワークに、ある演算パラメータで制御した応
   答波形を入力し、前記ＰＩ演算パラメータ修正手段はこ
   の時のニューラルネットワークの判断結果に基づいて、
   前記ＰＩ調節手段に設定されたＰＩ演算パラメータを修
   正することを特徴とする適応制御装置。
2. （２）ニューラルネットワークに学習させるための手段
   として、ＰＩ調節計に設定した既知のＰＩ演算パラメー
   タ信号を入力し、設定した演算パラメータが適切か否か
   を示す教師信号を出力する教師信号発生手段と、 ニューラルネットワークからの信号と前記教師信号発生
   手段からの信号との比較結果を入力し、ニューラルネッ
   トワークを修正する信号を出力するバックプロパゲーシ
   ョン手段とを設けた請求項１記載の適応制御装置。