JPH04149702A - ニューロ制御装置 - 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、モータの制御、電圧の制御などの制御分野に
おいて、ニューラルネットワークを利用したニューロ制
御装置に関するものである。

従来の技術 従来、何らかの制御を行う場合、制御対象の入出力特性
を実際に測定して制御パラメータを計算し、制御対象に
見合った最適制御パラメータを各々調整していた。例え
ば、モーターの位置決め制御の例でみると、従来の制御
装置は、ＰＩＤ制御が代表的な制御方式である。この場
合、制御対象に適正なＰＩＤ制御パラメータは、経験的
に決定する。これらのパラメータは、モーターの位置（
回転角度）、その速度（角速度）、その時刻までの変化
量の積分値であシ、これらの値への依存度を各量の係数
で調整していた。この制御パラメータの値が的確なほど
制御対象は目標値からのずれ量が少なく、精度の良い制
御ができていた。

発明が解決しようとする課題 しかし、以上のような従来の技術においては、制御対象
の特性が明確であシ、一定式で記述できる場合には理論
的に的確な制御パラメータの値が得られるが、制御対象
の内部関係が不明確な場合には、その一定式及びそれか
ら求められる制御パラメータは経験的に決定するしかな
か−〕た。また、制御対象の特性が経時変化する場合、
制御バ・ノメタを求める経時的に一定式をいくつも求め
なく゛てはならなくなり、制御パラメータの調整が複雑
で困難になっていた。さらに、制御対象が変わると、ま
たその制御対象の制御パラメータを求め調整する作業を
行なわなくてはならなかった。

本発明では、制御対象の特性を定式化することなく、制
御対象の入出力特性をサンプリンクしてその特性を学習
することにより、制御対象の出力を目標値にする制御信
号を自動発生するニューロ制御装置を提供する。

課題を解決するだめの手段 本発明は、制御対象の入出力特性を記憶する部位と、前
記記憶された入出力特性を用いて学習するニューラル−
Ｆソ）ワークから構成され、入力に現在の制御対象の出
力値と、それから所定時刻後の制御対象出力の１１標値
を入力することにより、出力から制御対象・＼の制御信
号を出力するニュロ制御装置である。

作　　　１４） この発明によオしば、まず制御対象の入出力特性を測定
してサンプリンクした入出力データを用いて、ニューラ
ルネットワークを学習させる。こバにより、制御対象の
目標出力＋ｉｊ′ｆを与えるだけで最適な制御信号を出
力する二、−ラルネノトワークが自己組織化されるので
、制御対象の入出力パラメータを制御対象ごとに最適化
する必要がない。

すなわち、制御対象が変化してもその入出力特性をニュ
ーラルネットワークに学習させるだけで、最適制御を行
う制御装置が構成できる。

実施例 以下本発明の一実施例を図面に基づいて説明する。第１
図は、本発明の一実施例のニューロ制御装置の全体構成
図である。ここでは、一般に制御対象とされる抵抗、容
量、コイルで構成された電気回路において、ニューロ制
御機構を組込んで、入力の電圧変化を制御し、出力電圧
のオーパーンニートを減少し、迅速に一定値に近づける
という課題を解決する。この様な課題は、モータの回転
ヲＳＫＩ　イ卸しこ口ｆ（°ノドのアームの位置をオー
ツクー７ユー１なく目的地にすばぺ・く到達させる場合
などに見られ、その適切な制御を可能にする。

第１［図中の各符号に関し、１は入力電圧測定位置、２
は出力電圧測定位置、３はニューラルネットワーク、４
は出力電圧の目標ｆａを蓄えるメモリを７１％し、この
メモリで等間隔の時刻の目標値をアドレスの１頃番に蓄
えている。６．６は学習用データを測定するためのメモ
リを示し、これらは、あらかじめ設定した制御対象への
入力電圧と出力電圧を測定した結果の時間変化をアドレ
スの順番に保持するメモリである。７はニューラルイ・
ノドワクの各シナプスの重みを保持するメモリを示し、
８はニューラルイ、ットワータの学習を実行する回路（
学習用演算器）、９は時刻を発生するタイマ、１０〜１
７は信号の切り替えスイツチを示すものである。１８は
これらのシーケンスを制御する回路を示し、この回路で
スイッチ１０〜１７の切り替え信号を発生し、メモリ４
，５．６にアドレスを供給する。

本装置の動作を説明する１１１１に、ニューラルネット
ワークについて説明する４、第２［１は本発明の実施例
に用いる二一一うル不ツトワークの構成ド１である。本
二、−ラルネノ１ワークは、層内の一ニーロン間に相互
に結合のない人＋Ｊ否、中間層。

出力層と呼ばれる３つの層で構成された階層型の構造を
もち、３人力１出力で構成されている４、第２区におい
て、２１，２２．２３は、入力層の二、−ロンであり、
２４は出力層のニューロンであり、２６はシナプスを表
す。、ノナブスは、６１段のニューロンの出力に二、ｒ
、　−、−Ｃｉン１１１１の結合強度を示す重みを掛け
て、次段の二、−口〉へ出力する。

出力を受けた次段の二ュ〜ロンは、自分に接続している
すべてのシナプスの呂わを加算し、この総和を７グモイ
ド関数と呼ばれる非線形関数を用いて変換し出力する。

入力層の３個の入力用二。

ロンは、制御対象の現在の出力値を入力するニュロン２
１．現在から１時間後の制御対象の目標出力値を入力す
るニューロン２２１時刻を入力するニューロン２３で形
成されている。ニューロン２４からの出力は、制御対象
への制御済み入力値（制御信号）となる。中間層ニュー
ロンは第２図では４個となっているが、この個数は学習
効率がよくなるような数に選べばよい。

第１図に示すニューロ制御装置の動作は、制御対象の特
性を把握するだめの学習の段階と、学習した結果を使っ
て入力データから制御信号を計算し出力する実行の段階
の２種類から構成されている。

まず、学習の段階について説明をする。

第１図の装置で、スイッチ１２．１５を閉じ、スイッチ
１３，１４，１６．１７を開いて、予めメモリ５に設定
した電圧信号を一定時間間隔でディジタル−アナログ変
換し、制御対象に入力して、そこからの出力を測定し、
メモリ６に時刻の頴番にディジタル値として保持してい
く。この様にして、各入力電圧信号に対する出力の経時
変化が得られる。

次に、この制御対象の特性データをもとにニューラルネ
ットワークに学習を行わせる。まず、第１図の装置で、
スイッチ１３．１４を開き、スイッチ１６を閉じて、メ
モリ６にある時刻ｔに相当するアドレスの出力電圧を現
在値としてニューロン２１に入力し、スイッチ１６を閉
じ、スイッチ１７を開いてメモリ６の時刻を十Δｔのア
ドレスの出力電圧を目標値としてニューロン２２に入力
する。学習前の初期状態では、シナプスの持つ重みの値
はランダムでニューラルネットワークの出カニニーロン
２４から出力される制御対象への入力電圧は、時刻ｔに
制御対象へ入力した電圧と一致しない。学習用演算器８
において、メモリ５に蓄えた入力電圧データとニューラ
ルネットワークからの出力値を比較し、この差が小さく
なるようにシナプスの重みを変化させる。この操作を学
習と呼び、両方の値が一致するまで何度も以上の操作を
くシ返し、計算したシナプスの重みは、逐次メモリ７に
記憶される。重みの変化量の決定は、バックプロパゲー
ションと呼ばれるアルゴリズムを用いて行う。この学習
アルゴリズムは、メモリ６に蓄えた入力電圧データとニ
ューラルネットワクからの出力値の差の二乗が零になる
よう、つまり一致するよう操作する。ある特定の時刻で
は、ニューラルネットワーク歯の入力は固定されている
ので、差の二乗は、重みだけの関数ｑ　（Ｗｌ。

Ｗ２．Ｗ３．・・・・・・Ｗｎ）である。ここで、龜字
（１゜２、・・・・・・ｎ）は、シナプスの番号を示す
。たとえば、重みＷ２・・・・・・Ｗｎを固定させてＷ
ｌに対してだけ変化させる場合を考える。第３図は、こ
の場合の学習アルゴリズムを説明する図である。関数ｑ
が第３図のようにＷｌに対してだけ変化する場合、点２
６での関数ｑの勾配が負のときは、正の微小量ΔＷだけ
Ｗｌを増加させれば最小値点２７に近づく。逆の場合に
は、ΔＷ１だけＷｌを減少させればよい。すなわち、Ｗ
ｌの変化量は関数ｑの勾配に比例し、負の符号を掛けた
量にすればよい。

これが、最急降下法としてよく知られている方法の基本
原理である。この原理を階層型のニューラルネットワー
クの場合について定式化したパンクプロパゲーションの
アルゴリズムを用いてすべてのシナプスの重みＷｌ、Ｗ
２・・・・・・Ｗｎの変化量を計算することにより、本
ニューラルネットワークは学習を行う。この様な学習過
程において得られた重みデータを逐次メモリ７に蓄え、
この重みデータを掛けてニューラルネットワークの演算
を行い、出力信号を計算する。スイッチ１Ｑ、１１を開
いて、スイッチ１２を閉じて、メモリ６に制御対象の特
性データとして保持されている入力電圧を学習用演算器
８に入力して、パンクプロパゲーションにより計算して
、メモリ７の内容を更新する。

この様な学習過程を終了したニューラルネットワークに
、制御対象からの時刻ｔの出力と、Δを時刻後の出力（
これを目標出力値と考える。）を入力すると、目標出力
値に到達するのに必要な制御対象の時刻ｔにおける入力
電圧を計算することができる。制御対象の入力電圧と出
力電圧の関係をシナプスの重みという量（ｗｌ、Ｗ２．
・・・・・Ｗりに換算してメモリ７に記憶しである出力
電圧を得るのに必要な入力電圧、すなわち入出力関数の
逆関かＺ２軟めることができる。これは、ｆ道采看了わ
れていた制御７ｊ象に応じて制御パラメータを計算する
操作を、二、−ラルネットワークが自動的に行−）でい
ることに相当する。この様に、入出力特性を測定するだ
けで最適制御ができるので、特に、入出力関係の定式化
が困難な場合や、入出力特性が経時的に変化する場合に
非常に有効な方法となる。

次に、この−ユーロ制御装置が制御対象を制御する実行
の段階について説明する。

こしつ場合、第１図の装置で、スイッチ１０，１１゜１
３．１５．１６を開き、スイッチ１２，１４゜１７を閉
じて、目盛り６に蓄えられた時刻を後の目標値を、ニュ
ーロン２２に入力する。同時に、現在の制御対象からの
出力電圧をニューロン２１に、時刻ｔをニューロン２３
に入力する。ニュ→ル’ｆ、トワークは、メモリ７に保
持している学習によってｆ′４た玉みを各ニューロンの
出力に掛けて、呂ツノ層の：＝ユニーンから信号を出力
し、この出力を制御対象へ人力する。一定時間間隔　を
毎にこのステノブをくり返して、制御対象の出力を時間
的に目標値に近づける制御が可能になる１３ニユーラル
ネソトワータへの入力は、実際には、学習したパターン
よりむしろ、未知のパターンである可能性が強い。ニュ
ーラル不、トワークはアナロク的な中間値を持つことが
できるため、学習データの中間値の入力に対しても、学
習データから補間した値を信号として出力する。したが
って、学習した入力以外の値を入力されても制御を容易
に行うことができる。

以上の例では、制御対象の入出力がそれぞれ１個の例に
ついて説明したが、これらの入出力は１個に限らず複数
個の場合でも、ニューラルネノトワ敷の入出力ニューロ
ンの数を増加させることによシ同様に制御できる。

発明の効果 本発明によれば、逆関数を求めるニューラルネットワー
クに制御対象の入出力特性をサンプリングして入力し学
習を行うことにより、制御対象に対応した最適制御を容
易に実現することができる、。

【図面の簡単な説明】

第１図は本発明の実施例ニューロ制御装置の全体構成図
、第２図はニューラルネットワークの構成図、第３図は
学習アルゴリズムの説明図である。 １　・・制＠対象・＼の人力、２　　出ツノ電圧の時間
変化、３　　ニューラルネットワーク、４　・・・出力
電圧の１」標端を保持するメモリ、６　・学習時の人力
電圧６定用メモリ、６　　測定した出力電圧の保持用メ
（：す、７・・・・重み保持用メモリ、８・・・学習用
演算器、９　　タイマー、１０〜１７・・１８号線切り
替え用スイッチ、１８　　制御装置のンーケンス制御回
路、２１・・・・・・出力電圧の現在饋入勾用ニューロ
ン、２２−・　出力型Ｊ王の目標値人力用ニューロン、
２３　　時刻入力用ニュ（ｆｆン、２４　　制御対象へ
の入力電圧出力用ニュロン、２５・・・・ンナブス、２
７　・最小！。 代理人の氏名　弁理士　小鍜治　　明　ほか１６第 図 ｊ’ＴｈＪ＋！１つ町「 ４Ｓ、６ メｔソ 第 図 重量１ 第 図

Claims (1)

1. 【特許請求の範囲】 （１）制御対象の入出力特性を記憶する部位と、記憶さ
   れた入出力特性を用いて学習するニューラルネットワー
   クから構成され、前記ニューラルネットワークからの出
   力値を前記制御対象の入力値に合致させるように応動す
   る帰還ループをそなえたニューロ制御装置。（２）請求
   項１記載のニューロ制御装置に、制御対象の現在の出力
   値と所定時刻後の前記制御対象の目標値とを入力するこ
   とにより前記制御対象に入力する制御信号を自動発生す
   るニューロ制御装置。 （３）請求項２記載のニューロ制御装置の入力に、時刻
   または定数を加えたニューロ制御装置。