JPH0367303A - ファジィ推論方法および制御方法 - Google Patents
ファジィ推論方法および制御方法Info
- Publication number
- JPH0367303A JPH0367303A JP1203398A JP20339889A JPH0367303A JP H0367303 A JPH0367303 A JP H0367303A JP 1203398 A JP1203398 A JP 1203398A JP 20339889 A JP20339889 A JP 20339889A JP H0367303 A JPH0367303 A JP H0367303A
- Authority
- JP
- Japan
- Prior art keywords
- result
- information
- rule
- value
- fuzzy
- 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
- Devices For Executing Special Programs (AREA)
- Feedback Control In General (AREA)
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。
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
第１の発明４ｉ ファジィ推論方法の改良に関するも
のであり、特に有効な制御ルールが不明である力ｔ 良
くない制御ルールがわかっている場合に有効な方法を提
供するものである。
のであり、特に有効な制御ルールが不明である力ｔ 良
くない制御ルールがわかっている場合に有効な方法を提
供するものである。
第２の発明は 知識を用いてプラントを制御する制御方
法であって、制御のための知識を試行を繰返すことによ
り自己獲得することができる制御方法を提供するもので
あり、プラントの動特性が未知の場合などに有効な制御
手法を提供するものであも 従来の技術 ファジィ推論を用いた制孤 いわゆるファジィ制御ζよ
一般に プラントの厳密な特性が複雑もしくは不明で
あり、自動化が困難であり、主としてオペレータの経験
で運転していた分野での自動化に有効であａ すなわ板
オペレータの経験則（知識）をｒ ｉ ｆ −ｔ ｈ
ｅ ｎ・・・」の形で制御規則化していくものであも
ここでｉｆ以下を前件臥 ｔｈｅｎ以下を後件部とい
う。以下ファジィ推論について説明する。
法であって、制御のための知識を試行を繰返すことによ
り自己獲得することができる制御方法を提供するもので
あり、プラントの動特性が未知の場合などに有効な制御
手法を提供するものであも 従来の技術 ファジィ推論を用いた制孤 いわゆるファジィ制御ζよ
一般に プラントの厳密な特性が複雑もしくは不明で
あり、自動化が困難であり、主としてオペレータの経験
で運転していた分野での自動化に有効であａ すなわ板
オペレータの経験則（知識）をｒ ｉ ｆ −ｔ ｈ
ｅ ｎ・・・」の形で制御規則化していくものであも
ここでｉｆ以下を前件臥 ｔｈｅｎ以下を後件部とい
う。以下ファジィ推論について説明する。
第７図（ａ）〜（ｇ）は−船釣なファジィ推論過程を示
す図である。ここで用いている制御ルールは次のもので
ある。
す図である。ここで用いている制御ルールは次のもので
ある。
「もしＸｌがＡｌｌでｘ２がＡ１２ならば ｙをＢ１に
する」 「もしＸｌがＡａｌでＸ２がＡ２２ならば ｙをＢ２に
する」 ここで最初のルールをルールＩと限 他をルール２とす
も そしてそれぞれの状態変数Ｘ１、Ｘ２の状態Ａｌｌ
、Ａ＋ａ、Ａａｌ、Ａ２２は同図（ａ）〜（ｄ）に示す
メンバシップ値で示されるものとする。
する」 「もしＸｌがＡａｌでＸ２がＡ２２ならば ｙをＢ２に
する」 ここで最初のルールをルールＩと限 他をルール２とす
も そしてそれぞれの状態変数Ｘ１、Ｘ２の状態Ａｌｌ
、Ａ＋ａ、Ａａｌ、Ａ２２は同図（ａ）〜（ｄ）に示す
メンバシップ値で示されるものとする。
また 後件部に対応すム 操作Ｂ１、Ｂ２に対してＬ
同図（ｅ）（ｆ）の外側の台形もしくは三角形のメンバ
シップ値で示されるものとする。
同図（ｅ）（ｆ）の外側の台形もしくは三角形のメンバ
シップ値で示されるものとする。
いまｘｌ、Ｘ２がそれぞれｘ−１ｘ ２１で得られた場
合の制御手法は次の通りである。まずルール１に関する
演算から説明する。 （ａ）においてＸｌ・のときのメ
ンバシップ値を求める。同様にして（ｂ）においてＸ２
″のときのメンバシップ値を求める。この様にして得ら
れた２つのメンバシップ値のうち少ない方を採用すも
第７図の例では（ｂ）の場合である。このとき得られた
メンバシップ値が入力Ｘ１＠、ｘ 、 ｌにおけるルー
ルｌの適合度ω１となる。したがって、同図（ｅ）の斜
線部分で示すように適合度ω１に応じて、Ｂ１のルール
を縮小する。同様にしてルール２に関する演算を行う。
合の制御手法は次の通りである。まずルール１に関する
演算から説明する。 （ａ）においてＸｌ・のときのメ
ンバシップ値を求める。同様にして（ｂ）においてＸ２
″のときのメンバシップ値を求める。この様にして得ら
れた２つのメンバシップ値のうち少ない方を採用すも
第７図の例では（ｂ）の場合である。このとき得られた
メンバシップ値が入力Ｘ１＠、ｘ 、 ｌにおけるルー
ルｌの適合度ω１となる。したがって、同図（ｅ）の斜
線部分で示すように適合度ω１に応じて、Ｂ１のルール
を縮小する。同様にしてルール２に関する演算を行う。
すなわち同図（Ｃ）にてＸ１１の適合度 （ｄ）にてＸ
戸の適合度を束数 その小さい方の値ω２により、Ｂ２
のルールを縮小変形する。
戸の適合度を束数 その小さい方の値ω２により、Ｂ２
のルールを縮小変形する。
以上の手順で各ルールの演算が終わり、続いて各ルール
の統合化を行う。すなわ叡 同図（ｇ）に示すように
縮小変形されたＢ１、Ｂ２の２つのルールのメンバシッ
プ値を重ね合わせ、その和集合をとる。この集合が操作
量ｙを与えるファジイ数であも ただし実際には操作量
ｙはファジイ数ではないので、同図（ｇ）の和集合の重
心をとって操作量ｙｌとすも いま和集合の形をＢ−と
すると、操作量ｙｌは次の演算式で求めることができる
。
の統合化を行う。すなわ叡 同図（ｇ）に示すように
縮小変形されたＢ１、Ｂ２の２つのルールのメンバシッ
プ値を重ね合わせ、その和集合をとる。この集合が操作
量ｙを与えるファジイ数であも ただし実際には操作量
ｙはファジイ数ではないので、同図（ｇ）の和集合の重
心をとって操作量ｙｌとすも いま和集合の形をＢ−と
すると、操作量ｙｌは次の演算式で求めることができる
。
ｙ’＝ （Ｊ Ｂ”ｙｄｙ） ／ （ｆ Ｂ”ｄｙ
）このように決定された操作量ｙ＠によりプラントの操
作を行うことによりファジィ制御を実現することができ
も 発明が解決しようとする課題 以上説明した従来例で（上 制御ルールとして、有効な
ものである必要があも 従って、オペレータが経験で持
っている知識のなか玄 有効に作用した制御則のみを抽
出する必要がある。
）このように決定された操作量ｙ＠によりプラントの操
作を行うことによりファジィ制御を実現することができ
も 発明が解決しようとする課題 以上説明した従来例で（上 制御ルールとして、有効な
ものである必要があも 従って、オペレータが経験で持
っている知識のなか玄 有効に作用した制御則のみを抽
出する必要がある。
しかしなが収 プラントによっては ある処理を行うと
うまく制御できないことや、かえって悪くなることがわ
かっている爪 その逆は必ずしも正しくない場合、すな
わち制御則が直接記述できない場合もあん このような
経験則（よ これまでのファジィ推論方法では対応でき
ず、結果として制御することが困難であっｆ。
うまく制御できないことや、かえって悪くなることがわ
かっている爪 その逆は必ずしも正しくない場合、すな
わち制御則が直接記述できない場合もあん このような
経験則（よ これまでのファジィ推論方法では対応でき
ず、結果として制御することが困難であっｆ。
まな 現在のとこ＆ ファジィ制御で（よ 新たに制御
知識の自己獲得を行う方法は提案されていな八 したが
って、例えば熟練者がいない場合などでは ルールの抽
出が困難になり、制御が困難になることもある。
知識の自己獲得を行う方法は提案されていな八 したが
って、例えば熟練者がいない場合などでは ルールの抽
出が困難になり、制御が困難になることもある。
課題を解決するための手段
失敗知識を利用できないという課題を解決するために
失敗に属する内容の経験的知識を逆ルールとして用ｔ、
Ｘ、逆ルール群でファジィ推論により最悪の操作を推論
し 従来と同じファジィ推論結果と、逆ルール群による
ファジィ推論結果のメンバシップ値の符号を反転させた
値とをファジィ加算演算して得られた結果を推論結果と
す瓜また 新しい知識獲得のために 目標値に対する誤
差情報 および誤差の変化情報 プラント操作量情報
操作結果による誤差の絶対量の変化量を逐次記憶して情
報が類似しているかどうかを判別し 類似していること
が判別された場合にはプラント操作結果による誤差情報
の絶対量の変化量の絶対値の大きい値をもって類似情報
を代表させて制御ルール群として記憶し 目標値に対す
る誤差情報と制御ルール群とを重み付き平均演算により
操作量を決定して制御実行すも 作 用 失敗例に属する知識群より構成された逆ルール群により
ファジィ推論された結果を、成功例に属する通常のルー
ル群によるファジィ推論結果に対して、マイナスの適合
度にしてファジィ推論することにより、失敗例から得ら
れる情報をその重み付きで利用することができも また 目標値に対する誤差の絶対量の変化量は制ａＸ略
の評価を与えるものであり、類似情報の中で誤差の絶対
量の変化量の絶対値の大きいもの（よ 策略のうち正し
いものであればより正しいものであり、正しくないもの
であればより正しくないものに対応するので、より特徴
を顕著に表していることに対応している。したがって、
誤差の絶対量の変化量の絶対値の大きいものを代表させ
ていくことにより、特徴抽出した制御ルール群を構成し
ていくことができる。
失敗に属する内容の経験的知識を逆ルールとして用ｔ、
Ｘ、逆ルール群でファジィ推論により最悪の操作を推論
し 従来と同じファジィ推論結果と、逆ルール群による
ファジィ推論結果のメンバシップ値の符号を反転させた
値とをファジィ加算演算して得られた結果を推論結果と
す瓜また 新しい知識獲得のために 目標値に対する誤
差情報 および誤差の変化情報 プラント操作量情報
操作結果による誤差の絶対量の変化量を逐次記憶して情
報が類似しているかどうかを判別し 類似していること
が判別された場合にはプラント操作結果による誤差情報
の絶対量の変化量の絶対値の大きい値をもって類似情報
を代表させて制御ルール群として記憶し 目標値に対す
る誤差情報と制御ルール群とを重み付き平均演算により
操作量を決定して制御実行すも 作 用 失敗例に属する知識群より構成された逆ルール群により
ファジィ推論された結果を、成功例に属する通常のルー
ル群によるファジィ推論結果に対して、マイナスの適合
度にしてファジィ推論することにより、失敗例から得ら
れる情報をその重み付きで利用することができも また 目標値に対する誤差の絶対量の変化量は制ａＸ略
の評価を与えるものであり、類似情報の中で誤差の絶対
量の変化量の絶対値の大きいもの（よ 策略のうち正し
いものであればより正しいものであり、正しくないもの
であればより正しくないものに対応するので、より特徴
を顕著に表していることに対応している。したがって、
誤差の絶対量の変化量の絶対値の大きいものを代表させ
ていくことにより、特徴抽出した制御ルール群を構成し
ていくことができる。
実施例
第１図は 本発明の一実施例におけるファジィ推論方法
の推論構成を示すブロック図であ４ 状態量ｘｌをも
とにファジィ推論手段１、２によりファジィ推論を行う
。ここでファジィ推論手段１は従来と同じくプラントが
望ましくなるようになるルール（以下、正ルールと称す
る）で記述された推論手段であり、ファジィ推論手段２
はプラントが望ましくならないようになるルール（以下
逆ルールと称する）で記述された推論手段であも ２つ
の推論手段ｌ、 ２における推論方法は従来例と同様の
方法であも ファジィ推論手段１による推論結果Ｂ”、
ファジィ推論手段２による推論結果Ｃ１ζよ ともにフ
ァジイ数であも 推論結果Ｂ１は重み付き平均手段４へ
送られ 推論結果Ｃ１は反転手段３を経て重み付き平均
手段４へ送られる。重み付き平均手段４では正ルールに
よる推論結果Ｂ”と、逆ルールによる推論結果Ｃ−を反
転した結果との重み付き平均を束数 その値を推論結果
ｙ−とする。
の推論構成を示すブロック図であ４ 状態量ｘｌをも
とにファジィ推論手段１、２によりファジィ推論を行う
。ここでファジィ推論手段１は従来と同じくプラントが
望ましくなるようになるルール（以下、正ルールと称す
る）で記述された推論手段であり、ファジィ推論手段２
はプラントが望ましくならないようになるルール（以下
逆ルールと称する）で記述された推論手段であも ２つ
の推論手段ｌ、 ２における推論方法は従来例と同様の
方法であも ファジィ推論手段１による推論結果Ｂ”、
ファジィ推論手段２による推論結果Ｃ１ζよ ともにフ
ァジイ数であも 推論結果Ｂ１は重み付き平均手段４へ
送られ 推論結果Ｃ１は反転手段３を経て重み付き平均
手段４へ送られる。重み付き平均手段４では正ルールに
よる推論結果Ｂ”と、逆ルールによる推論結果Ｃ−を反
転した結果との重み付き平均を束数 その値を推論結果
ｙ−とする。
第２図は重み付き平均演算方法を図示したちのであも
推論結果はメンバシップの形で表すレ正ルールによる推
論結果Ｂ１はプラス方向のメンバシップ 逆ルールによ
る推論結果Ｃ＠はマイナス方向のメンバシップであられ
されも したがって、逆方向のメンバシップはマイナス
の重みを持っているものと考えることができる。したが
って、その演算方法Ｃよ ｙ＠＝（１（Ｂ”−Ｃ”）ｙｄｙ）／（Ｊ Ｂ”ｄｙ
−Ｉ Ｃ”ｄｙ）（ただＬ （Ｂ”−Ｃ”）＜Ｏのと
きは−Ｏとするン の式で求めることができる。すなわｔ３．Ｃ−が反転さ
れたことに対応するものであも 以上の手法によると、逆ルールの適合度が高いほどその
ルールから遠ざかるように操作を行うことになるので、
失敗に基づく経験則を生かせることになん 次＆東 本発明の一実施例における制御方法を説明すも
第３図にその概略構成を示す。
推論結果はメンバシップの形で表すレ正ルールによる推
論結果Ｂ１はプラス方向のメンバシップ 逆ルールによ
る推論結果Ｃ＠はマイナス方向のメンバシップであられ
されも したがって、逆方向のメンバシップはマイナス
の重みを持っているものと考えることができる。したが
って、その演算方法Ｃよ ｙ＠＝（１（Ｂ”−Ｃ”）ｙｄｙ）／（Ｊ Ｂ”ｄｙ
−Ｉ Ｃ”ｄｙ）（ただＬ （Ｂ”−Ｃ”）＜Ｏのと
きは−Ｏとするン の式で求めることができる。すなわｔ３．Ｃ−が反転さ
れたことに対応するものであも 以上の手法によると、逆ルールの適合度が高いほどその
ルールから遠ざかるように操作を行うことになるので、
失敗に基づく経験則を生かせることになん 次＆東 本発明の一実施例における制御方法を説明すも
第３図にその概略構成を示す。
プラント１５の出力は比較手段１６により目標値と比較
され 誤差情報ベクトルｅ を得も 誤差情報ベクトル
ｅ は制御結果を記憶する結果メモリ１１および策略決
定手段１４に送られる。結果メモリ１１では誤差情報ベ
クトルｅ、 誤差情報ベクトルの変化量ベクトル△ｅ１
その時のプラント操作量ベクトルＵ、 誤差の絶対
量の変化量△Ｉｔ ｅ ＩＩが記憶されていく。誤差
の絶対量の変化量△ＩＩ ｅ ＩＩζよ 第４図で示
すように 今回得られた誤差ベクトルｅ ｎの絶対値と
前回の誤差ベクトルｅ ｎ−１の絶対値との差である
。ただし誤差ベクトルｅ は一般にはｍ次元ベクトルで
ある力丈 第４図では便宜的に２次元で示していもこれ
により制御手法が有効かどうかを判断することができも
すなわ板 △ＩＩ ｅ １１が負で大きい値であれ
ばあるほど、良い制御手法であったことになる。結果メ
モリ１１より抽出手段１２を用いて、結果メモリｌｌ内
での結果情報ベクトルの特徴抽出を行う。抽出方法は後
述すも 策略決定手段１４では抽出結果１３のデータと
誤差情報ベクトルｅ とをもとに操作量ベクトル。を求
△プラント１５に送るとともに 結果メモリ１１へも送
る。以上のようにして制御系を構成していも次に特徴抽
出方法を説明すも 特徴抽出は抽出結果１３と結果メモ
リ１１の結果の差異を比較し差異が少ないデータを調べ
もし誤差の絶対量の変化量△Ｉｔ ｅ Ｉｆの絶対
量の大きいデータがあれば 抽出結果１３内の内容を誤
差の絶対量の変化量△ｌｌ ｅ Ｉｆの絶対量の大き
いデータに書換える。
され 誤差情報ベクトルｅ を得も 誤差情報ベクトル
ｅ は制御結果を記憶する結果メモリ１１および策略決
定手段１４に送られる。結果メモリ１１では誤差情報ベ
クトルｅ、 誤差情報ベクトルの変化量ベクトル△ｅ１
その時のプラント操作量ベクトルＵ、 誤差の絶対
量の変化量△Ｉｔ ｅ ＩＩが記憶されていく。誤差
の絶対量の変化量△ＩＩ ｅ ＩＩζよ 第４図で示
すように 今回得られた誤差ベクトルｅ ｎの絶対値と
前回の誤差ベクトルｅ ｎ−１の絶対値との差である
。ただし誤差ベクトルｅ は一般にはｍ次元ベクトルで
ある力丈 第４図では便宜的に２次元で示していもこれ
により制御手法が有効かどうかを判断することができも
すなわ板 △ＩＩ ｅ １１が負で大きい値であれ
ばあるほど、良い制御手法であったことになる。結果メ
モリ１１より抽出手段１２を用いて、結果メモリｌｌ内
での結果情報ベクトルの特徴抽出を行う。抽出方法は後
述すも 策略決定手段１４では抽出結果１３のデータと
誤差情報ベクトルｅ とをもとに操作量ベクトル。を求
△プラント１５に送るとともに 結果メモリ１１へも送
る。以上のようにして制御系を構成していも次に特徴抽
出方法を説明すも 特徴抽出は抽出結果１３と結果メモ
リ１１の結果の差異を比較し差異が少ないデータを調べ
もし誤差の絶対量の変化量△Ｉｔ ｅ Ｉｆの絶対
量の大きいデータがあれば 抽出結果１３内の内容を誤
差の絶対量の変化量△ｌｌ ｅ Ｉｆの絶対量の大き
いデータに書換える。
すなわち抽出結果１３のデータ構造は結果メモリ１１の
データ構造と同じであも 結果の差異の求め方Ｃｔ
誤差情報ベクトルｅ、 誤差情報ベクトルの変化量ベク
トル△ｅ１ その時のプラント操作量ベクトルＵ、
誤差の絶対量の変化量△Ｉｔ ｅｌｌをそれぞれ要素と
するベクトルＲ間のノルムとして求めることができる。
データ構造と同じであも 結果の差異の求め方Ｃｔ
誤差情報ベクトルｅ、 誤差情報ベクトルの変化量ベク
トル△ｅ１ その時のプラント操作量ベクトルＵ、
誤差の絶対量の変化量△Ｉｔ ｅｌｌをそれぞれ要素と
するベクトルＲ間のノルムとして求めることができる。
第５図はベクトルＲの空間を便宜的に２次元で示したも
のである。抽出結果はＲＩ、Ｒ２・・・Ｒ・で示されて
いるものとすも いま、新しい試行により結果Ｒｔが得
られたものとする。 Ｒｒとこれまでの結果との間のノ
ルムを総て求ム 結果として非常に近いベクトルＲ１が
発見されも Ｒ１とＲｔの誤差の絶対量の変化量△Ｉｆ
ｅ ＩＩを比較し 絶対値の大きい方の結果を採用
して抽出結果１３を書換えもこのような処理を繰返して
行くと、誤差の絶対量の変化量△ｌ ｅ Ｉｆの大き
く変化するルールが蓄積されるようになる。すなわち特
徴抽出が行われていくことになん 次に抽出結果１３のルール群と誤差情報ベクトルｅ と
を用いる策略決定手段１４の動作につ０て説明する。ル
ール群として所有しているものは誤差情報ベクトルがあ
る値の時に如何なる操作量ベクトルを与えると誤差情報
ベクトルはどの様に変化するかという情報であも した
がって実際の誤差情報ベクトルの値とは一般に異なる値
になっていも そこで、実際の誤差情報ベクトルｅ と
各ルールにおける誤差情報ベクトルとのノルムを計算し
各ルールより得られている出力量を、各ノルムの逆比
に応じて重みを付けて分配する。そして分配された各ル
ールよりの出力値の和を操作量出力Ｕ として用いも
したがって、実際の誤差情報ベクトル力文 あるルール
の誤差情報ベクトルであれば そのルールの結果の出力
のみから操作量出力が決定されも また 抽出結果３の
ルール群の中には失敗に関するルー／ｋ すなわち誤
差情報の絶対量の変化量△ＩＩ ｅ Ｉｔがマイナス
の場合も含まれも この場合に（よ 重みの符号を反転
させて操作量出力を算出することにより、悪化を防ぐこ
とができも また 分配手順を別の見方をすれば ファ
ジィ推論とも考えられる。すなわち第６図において、抽
出したルールにおいて入力情報が同じ場合にはそのメン
バシップ値が「１」となム 後件部がファジイ数でなく
実数である一種のファジィ推論とも考えることができる
ものであり、本実施例はファジィ制御における知識の自
己獲得とも考えることができるものであもな抵 上記実
施例において誤差の絶対量の変化量△ＩＩ ｅ １１
を用いた力丈 誤差情報の比（＝ ｅ。／ ｅ−＋）を
用いてもよ賎 この場合にζよ 此の絶対値が「１」よ
り小さいもののう板 より小さい値になったものを抽出
していく。これにより制御結果が好ましいルールとして
蓄積されも また同様にして比の絶対値が「１」より大
きいものについて（上 より大きい値になったものを抽
出していく。これにより好ましくないルールについても
抽出していくことができも 発明の詳細 な説明したように 第１の発明は 従来利用することが
困難であった 失敗に基づく経験則も利用することがで
きるので、ファジィ推論結果の精度を高めることができ
るものである。
のである。抽出結果はＲＩ、Ｒ２・・・Ｒ・で示されて
いるものとすも いま、新しい試行により結果Ｒｔが得
られたものとする。 Ｒｒとこれまでの結果との間のノ
ルムを総て求ム 結果として非常に近いベクトルＲ１が
発見されも Ｒ１とＲｔの誤差の絶対量の変化量△Ｉｆ
ｅ ＩＩを比較し 絶対値の大きい方の結果を採用
して抽出結果１３を書換えもこのような処理を繰返して
行くと、誤差の絶対量の変化量△ｌ ｅ Ｉｆの大き
く変化するルールが蓄積されるようになる。すなわち特
徴抽出が行われていくことになん 次に抽出結果１３のルール群と誤差情報ベクトルｅ と
を用いる策略決定手段１４の動作につ０て説明する。ル
ール群として所有しているものは誤差情報ベクトルがあ
る値の時に如何なる操作量ベクトルを与えると誤差情報
ベクトルはどの様に変化するかという情報であも した
がって実際の誤差情報ベクトルの値とは一般に異なる値
になっていも そこで、実際の誤差情報ベクトルｅ と
各ルールにおける誤差情報ベクトルとのノルムを計算し
各ルールより得られている出力量を、各ノルムの逆比
に応じて重みを付けて分配する。そして分配された各ル
ールよりの出力値の和を操作量出力Ｕ として用いも
したがって、実際の誤差情報ベクトル力文 あるルール
の誤差情報ベクトルであれば そのルールの結果の出力
のみから操作量出力が決定されも また 抽出結果３の
ルール群の中には失敗に関するルー／ｋ すなわち誤
差情報の絶対量の変化量△ＩＩ ｅ Ｉｔがマイナス
の場合も含まれも この場合に（よ 重みの符号を反転
させて操作量出力を算出することにより、悪化を防ぐこ
とができも また 分配手順を別の見方をすれば ファ
ジィ推論とも考えられる。すなわち第６図において、抽
出したルールにおいて入力情報が同じ場合にはそのメン
バシップ値が「１」となム 後件部がファジイ数でなく
実数である一種のファジィ推論とも考えることができる
ものであり、本実施例はファジィ制御における知識の自
己獲得とも考えることができるものであもな抵 上記実
施例において誤差の絶対量の変化量△ＩＩ ｅ １１
を用いた力丈 誤差情報の比（＝ ｅ。／ ｅ−＋）を
用いてもよ賎 この場合にζよ 此の絶対値が「１」よ
り小さいもののう板 より小さい値になったものを抽出
していく。これにより制御結果が好ましいルールとして
蓄積されも また同様にして比の絶対値が「１」より大
きいものについて（上 より大きい値になったものを抽
出していく。これにより好ましくないルールについても
抽出していくことができも 発明の詳細 な説明したように 第１の発明は 従来利用することが
困難であった 失敗に基づく経験則も利用することがで
きるので、ファジィ推論結果の精度を高めることができ
るものである。
また 第２の発明は従来のファジィ制御の課題であった
制御知識の自己獲得機能を与えるものであり、その効果
は大きＬｌ
制御知識の自己獲得機能を与えるものであり、その効果
は大きＬｌ
第１図は本発明の一実施例におけるファジィ推論方法を
示すブロックは 第２図は負の重みを持つ重み付き平均
の考え方を示す猛 第３図は本発明の一実施例における
制御方法を示すブロックは第４図は誤差の絶対量の変化
量の概念を示す阻第５図はルール間の類似性の概念を示
すは 第６図は操作量の決定過程を示す鳳 第７図は従
来のファジィ推論方法を示す図であも ■、 ２・・・ファジィ推論手駄 ３・・・反転手既
４・・・重み付き平均手比 １１・・・結果メモリ、
Ｉ２・・。 抽出手乱 １３・・・抽出結電 １４・・・策略決定手
北１５・・・プラント。
示すブロックは 第２図は負の重みを持つ重み付き平均
の考え方を示す猛 第３図は本発明の一実施例における
制御方法を示すブロックは第４図は誤差の絶対量の変化
量の概念を示す阻第５図はルール間の類似性の概念を示
すは 第６図は操作量の決定過程を示す鳳 第７図は従
来のファジィ推論方法を示す図であも ■、 ２・・・ファジィ推論手駄 ３・・・反転手既
４・・・重み付き平均手比 １１・・・結果メモリ、
Ｉ２・・。 抽出手乱 １３・・・抽出結電 １４・・・策略決定手
北１５・・・プラント。
Claims (5)
- （１）失敗に属する内容の経験的知識を逆ルールとして
用い、逆ルール群を用いてファジィ推論により逆ルール
の適合度を推論し、推論結果のメンバシップ値の符号を
反転させた値と、成功に属する知識を正ルール群として
用いてファジィ推論した結果とをファジィ加算演算して
得られた結果を推論結果とすることを特徴とするファジ
ィ推論方法。 - （２）ファジィ加算演算が２つのルール群のメンバシッ
プ値集合の和集合であり、逆ルール群の推論結果のメン
バシップ値をＢ＾■（ｙ）、正ルール群の推論結果のメ
ンバシップ値をＡ＾■（ｙ）として、ｙ＾■＝（∫（Ａ
＾■−Ｂ＾■）ｙｄｙ）／（∫Ａ＾■ｄｙ−∫Ｂ＾■ｄ
ｙ）（ただし、（Ａ＾■−Ｂ＾■）＜０のときは＝０と
する。）なる演算を用いて推論結果とすることを特徴と
する請求項１記載のファジィ推論方法。 - （３）目標値に対する誤差情報、および誤差の変化情報
、プラント操作量情報、操作結果による誤差の絶対量の
変化量を逐次記憶して情報が類似しているかどうかを判
別し、類似していることが判別された場合にはプラント
操作結果による誤差情報の絶対量の変化量の絶対値の大
きい値をもって類似情報を代表させて制御ルール群とし
て記憶し、目標値に対する誤差情報と制御ルール群とを
重み付き平均演算により操作量を決定して制御実行する
ことを特徴とする制御方法。 - （４）情報類似の判別を、誤差情報、誤差の変化情報、
操作量情報よりなるベクトル量間のノルムを用い、ノル
ムの値の大小により行うことを特徴とする請求項３記載
の制御方法。 - （５）誤差情報の絶対量の変化量の絶対量のかわりに、
誤差情報変化の比を用い、比の絶対値が１より小さい場
合には、比の絶対値のより小さい場合の情報で代表させ
、比の絶対値が１より大きい場合には、比の絶対値のよ
り大きい場合の情報で代表させる請求項３記載の制御方
法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1203398A JPH0367303A (ja) | 1989-08-05 | 1989-08-05 | ファジィ推論方法および制御方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1203398A JPH0367303A (ja) | 1989-08-05 | 1989-08-05 | ファジィ推論方法および制御方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0367303A true JPH0367303A (ja) | 1991-03-22 |
Family
ID=16473388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP1203398A Pending JPH0367303A (ja) | 1989-08-05 | 1989-08-05 | ファジィ推論方法および制御方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0367303A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05342189A (ja) * | 1992-06-10 | 1993-12-24 | Adoin Kenkyusho:Kk | ネットワーク型情報処理装置の学習システム |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS61180304A (ja) * | 1985-02-06 | 1986-08-13 | Hitachi Ltd | 類推制御方法 |
| JPS6325726A (ja) * | 1986-07-18 | 1988-02-03 | Hitachi Ltd | 知識ベースを用いた推論方法 |
-
1989
- 1989-08-05 JP JP1203398A patent/JPH0367303A/ja active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS61180304A (ja) * | 1985-02-06 | 1986-08-13 | Hitachi Ltd | 類推制御方法 |
| JPS6325726A (ja) * | 1986-07-18 | 1988-02-03 | Hitachi Ltd | 知識ベースを用いた推論方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05342189A (ja) * | 1992-06-10 | 1993-12-24 | Adoin Kenkyusho:Kk | ネットワーク型情報処理装置の学習システム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Stability and stabilization of a class of discrete-time fuzzy systems with semi-Markov stochastic uncertainties | |
| Singh | The efficient learning of multiple task sequences | |
| CN112558468B (zh) | 基于双观测器的发射平台自适应鲁棒输出反馈控制方法 | |
| Cheng et al. | A novel adaptive gain strategy for stochastic learning control | |
| Akametalu et al. | A minimum discounted reward hamilton-jacobi formulation for computing reachable sets | |
| JPH0367303A (ja) | ファジィ推論方法および制御方法 | |
| CN115759177A (zh) | 一种基于旋转对称性的多智能体强化学习数据增强方法 | |
| Hu et al. | A method for applying neural networks to control of nonlinear systems | |
| Yang et al. | A Hybrid Triggering Consensus Framework to Nonlinear Multiagent Systems With Local Observer | |
| Prakash et al. | Adaptive critic optimal control of an uncertain robot manipulator with applications | |
| Gao et al. | Decentralized dynamic-observer-based control for large scale nonlinear uncertain systems | |
| Mezghani et al. | Multimodel control of discrete systems with uncertainties | |
| JPH05197705A (ja) | ニューラルネットワークの学習システム | |
| Yager | Participatory learning: A paradigm for building better digital and human agents | |
| US5841948A (en) | Defuzzifying method in fuzzy inference system | |
| JPH0542014B2 (ja) | ||
| JPH0490076A (ja) | 医用画像特徴抽出方法 | |
| Baang et al. | Adaptive observer using auto-generating B-splines | |
| Sacchi | Neural Networks and Sliding Modes: Control, Observation, and Application to Robotics | |
| Mills et al. | Training neurofuzzy systems | |
| Ahmed | Optimal control of stochastic systems | |
| JPH07334477A (ja) | 統合型学習システム | |
| Yan et al. | Virtual Target-Oriented Neural Learning for Robust Optimal Tracking Control of Discrete Strict-Feedback Systems | |
| JPH03134761A (ja) | 階層型ニューラルネットワークの中間層ユニット数推定方法 | |
| Nishida et al. | An online learning algorithm with dimension selection using minimal hyper basis function networks |