JPH04326101A - ニューラルネットワーク制御装置 - Google Patents
ニューラルネットワーク制御装置Info
- Publication number
- JPH04326101A JPH04326101A JP9659391A JP9659391A JPH04326101A JP H04326101 A JPH04326101 A JP H04326101A JP 9659391 A JP9659391 A JP 9659391A JP 9659391 A JP9659391 A JP 9659391A JP H04326101 A JPH04326101 A JP H04326101A
- Authority
- JP
- Japan
- Prior art keywords
- disturbance
- learning
- neural network
- target value
- nnw
- 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.)
- Withdrawn
Links
Landscapes
- 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
【０００１】［発明の目的］
【０００２】
【産業上の利用分野】本発明は、発電プラントや化学プ
ラントなどに対するプロセス制御装置に係り、特に制御
性を高めるために用いられるフィードフォワード補償器
を有する制御装置に関する。
ラントなどに対するプロセス制御装置に係り、特に制御
性を高めるために用いられるフィードフォワード補償器
を有する制御装置に関する。
【０００３】
【従来の技術】従来より、プロセス制御性能を高めるた
めに、目標値や外乱信号を基に先行的に操作指令を変化
させるフィードフォワード補償器（以下ＦＦ補償器と称
す。）か用いられてきた。さらに、最近では、プロセス
同定をはじめその内部構造の設計に多くの労力を要する
ＦＦ補償器の部分に、ニューラルネットワーク（以下Ｎ
ＮＷと称す。）を用い、その学習機能により自動的に内
部構造を実現する構成のものが提案されている。
めに、目標値や外乱信号を基に先行的に操作指令を変化
させるフィードフォワード補償器（以下ＦＦ補償器と称
す。）か用いられてきた。さらに、最近では、プロセス
同定をはじめその内部構造の設計に多くの労力を要する
ＦＦ補償器の部分に、ニューラルネットワーク（以下Ｎ
ＮＷと称す。）を用い、その学習機能により自動的に内
部構造を実現する構成のものが提案されている。
【０００４】図６は、このような従来例としてフィード
バック誤差学習法と呼ばれる方式のＮＮＷ制御装置の構
成を示したもので、被制御系１の目標値ａと出力値ｂと
の偏差を算出する比較器２と、この偏差信号ｃを入力し
比例積分（ＰＩ）演算を行ってＰＩ制御信号ｄを出力す
るフィードバック制御器（以下ＦＢ制御器と称す。）３
と、目標値ａおよびＰＩ制御信号ｄを入力しこのＰＩ制
御信号ｄを教示信号として教示信号（ＰＩ制御信号）ｄ
がゼロになるような、すなわち偏差信号ｃがゼロとなる
ようなＦＦ補償信号ｅを出力するよう自己学習するＮＮ
Ｗの学習機能によりＦＦ補償器としての良好な機能を自
動的に実現するＮＮＷ型ＦＦ補償器４と、ＰＩ制御信号
ｄとＦＦ補償信号ｅを加算し被制御系１への最終制御信
号ｆを発生する加算器５とで構成されている。
バック誤差学習法と呼ばれる方式のＮＮＷ制御装置の構
成を示したもので、被制御系１の目標値ａと出力値ｂと
の偏差を算出する比較器２と、この偏差信号ｃを入力し
比例積分（ＰＩ）演算を行ってＰＩ制御信号ｄを出力す
るフィードバック制御器（以下ＦＢ制御器と称す。）３
と、目標値ａおよびＰＩ制御信号ｄを入力しこのＰＩ制
御信号ｄを教示信号として教示信号（ＰＩ制御信号）ｄ
がゼロになるような、すなわち偏差信号ｃがゼロとなる
ようなＦＦ補償信号ｅを出力するよう自己学習するＮＮ
Ｗの学習機能によりＦＦ補償器としての良好な機能を自
動的に実現するＮＮＷ型ＦＦ補償器４と、ＰＩ制御信号
ｄとＦＦ補償信号ｅを加算し被制御系１への最終制御信
号ｆを発生する加算器５とで構成されている。
【０００５】ここで、ＮＮＷ型ＦＦ補償器４は、例えば
図７に示すように、目標値ａを入力し目標値ａそのもの
であるａｏ の他にａｏ の１次微分値ａ１ 〜ｎ次微
分値ａｎ を出力する入力処理部１１と、これらの出力
値（ａｏ 〜ａｎ ）および教示信号ｄに基づき下記（
１）式による学習則によりシナプス荷重Ｗｏ 〜Ｗｎ
を更新し出力値ｇｏ 〜ｇｎ を計算する中間処理部１
２と、さらに中間処理部１２からの出力値ｇｏ 〜ｇｎ
を（２）式にしたがって加算しＦＦ補償信号ｅとなる
ＮＮＷ型ＦＦ補償器４の最終出力値Ｅを発生する加算部
１３との内部構成を有する。 τｄＷｉ ／ｄｔ＝ａｉ ・Ｄ
…（１）Ｅ＝Σｇｉ ＝Σ（ａｉ ・Ｗｉ
） …（２）ここで、τ：学習
の時定数 Ｗｉ ：シナプス荷重（ｉ＝０ 〜ｎ ）ａｉ ：ＮＮ
Ｗの第１の内部状態（ａｏ またはａｏ のｉ次微分値
） Ｄ：教示信号ｄ ｇｉ ：ＮＮＷの第２の内部状態（ｉ＝０ 〜ｎ ）で
ある。
図７に示すように、目標値ａを入力し目標値ａそのもの
であるａｏ の他にａｏ の１次微分値ａ１ 〜ｎ次微
分値ａｎ を出力する入力処理部１１と、これらの出力
値（ａｏ 〜ａｎ ）および教示信号ｄに基づき下記（
１）式による学習則によりシナプス荷重Ｗｏ 〜Ｗｎ
を更新し出力値ｇｏ 〜ｇｎ を計算する中間処理部１
２と、さらに中間処理部１２からの出力値ｇｏ 〜ｇｎ
を（２）式にしたがって加算しＦＦ補償信号ｅとなる
ＮＮＷ型ＦＦ補償器４の最終出力値Ｅを発生する加算部
１３との内部構成を有する。 τｄＷｉ ／ｄｔ＝ａｉ ・Ｄ
…（１）Ｅ＝Σｇｉ ＝Σ（ａｉ ・Ｗｉ
） …（２）ここで、τ：学習
の時定数 Ｗｉ ：シナプス荷重（ｉ＝０ 〜ｎ ）ａｉ ：ＮＮ
Ｗの第１の内部状態（ａｏ またはａｏ のｉ次微分値
） Ｄ：教示信号ｄ ｇｉ ：ＮＮＷの第２の内部状態（ｉ＝０ 〜ｎ ）で
ある。
【０００６】このような従来例は目標値に高速に追従さ
せるためのＮＮＷを用いた制御構成を示したものであり
、外乱要素の存在しない系においては良好な学習性と制
御性を呈するものと言える。
せるためのＮＮＷを用いた制御構成を示したものであり
、外乱要素の存在しない系においては良好な学習性と制
御性を呈するものと言える。
【０００７】
【発明が解決しようとする課題】しかしながら、上記制
御構成を化学プラントや発電プラントなどに代表される
プロセス系へ適用した場合、図６にｈで示した外乱要素
が被制御プロセス値ｂに影響を及ぼすがために、その変
動影響が偏差信号ｃ、さらにはＦＢ制御器３を通してＮ
ＮＷが教示に用いる信号ｄにまで及んでしまい、目標値
ａに対するＦＦ機能を学習しようとするＮＮＷを用いた
ＦＦ補償器４が外乱要素によるこのような影響までも目
標値による影響として取り扱うために、学習が良好にで
きなくなる問題があった。
御構成を化学プラントや発電プラントなどに代表される
プロセス系へ適用した場合、図６にｈで示した外乱要素
が被制御プロセス値ｂに影響を及ぼすがために、その変
動影響が偏差信号ｃ、さらにはＦＢ制御器３を通してＮ
ＮＷが教示に用いる信号ｄにまで及んでしまい、目標値
ａに対するＦＦ機能を学習しようとするＮＮＷを用いた
ＦＦ補償器４が外乱要素によるこのような影響までも目
標値による影響として取り扱うために、学習が良好にで
きなくなる問題があった。
【０００８】したがって、外乱ｈの存在することの多い
プロセス制御分野においては、このような外乱要素が存
在してもそれに伴う学習への悪影響を防止するようなＮ
ＮＷ制御装置の実現が望まれていた。
プロセス制御分野においては、このような外乱要素が存
在してもそれに伴う学習への悪影響を防止するようなＮ
ＮＷ制御装置の実現が望まれていた。
【０００９】本発明は、このような従来の制御装置の問
題点を解決するためになされたもので、外乱要素が顕著
に存在する被制御系に対しても、外乱によって学習機能
が損なわれることなく、良好な学習性と制御性を有する
目標値に高速に追従させるためのニューラルネットワー
ク制御装置を提供することを目的とする。
題点を解決するためになされたもので、外乱要素が顕著
に存在する被制御系に対しても、外乱によって学習機能
が損なわれることなく、良好な学習性と制御性を有する
目標値に高速に追従させるためのニューラルネットワー
ク制御装置を提供することを目的とする。
【００１０】また、本発明は、目標値が頻繁に変化する
被制御系に対しても、目標値の急激な変化によって学習
機能が損なわれることなく、良好な学習性と制御性を有
する外乱に基づくＮＮＷのＦＦ補償器を備えたニューラ
ルネットワーク制御装置を提供することを目的とする。
被制御系に対しても、目標値の急激な変化によって学習
機能が損なわれることなく、良好な学習性と制御性を有
する外乱に基づくＮＮＷのＦＦ補償器を備えたニューラ
ルネットワーク制御装置を提供することを目的とする。
【００１１】［発明の構成］
【００１２】
【課題を解決するための手段】前者の目的を達成するた
めに、本発明は、被制御系の出力値と目標値との偏差に
基づいてフィードバック制御信号を発生するフィードバ
ック制御器と、目標値を入力し被制御系の出力値と目標
値との偏差を小さくするように自己学習するニューラル
ネットワークによりフィードフォワード補償信号を発生
するニューラルネットワーク型フィードフォワード補償
器と、フィードバック制御信号とフィードフォワード補
償信号を加算して被制御系に最終制御信号を出力する加
算器とを備えたニューラルネットワーク制御装置におい
て、被制御系に影響を及ぼす外乱を検出しその外乱検出
値によってニューラルネットワーク型フィードフォワー
ド補償器の自己学習を制御する外乱発生検知器を設ける
ことを特徴とする。
めに、本発明は、被制御系の出力値と目標値との偏差に
基づいてフィードバック制御信号を発生するフィードバ
ック制御器と、目標値を入力し被制御系の出力値と目標
値との偏差を小さくするように自己学習するニューラル
ネットワークによりフィードフォワード補償信号を発生
するニューラルネットワーク型フィードフォワード補償
器と、フィードバック制御信号とフィードフォワード補
償信号を加算して被制御系に最終制御信号を出力する加
算器とを備えたニューラルネットワーク制御装置におい
て、被制御系に影響を及ぼす外乱を検出しその外乱検出
値によってニューラルネットワーク型フィードフォワー
ド補償器の自己学習を制御する外乱発生検知器を設ける
ことを特徴とする。
【００１３】また、後者の目的を達成するために、本発
明は、被制御系の出力値と目標値との偏差に基づいてフ
ィードバック制御信号を発生するフィードバック制御器
と、被制御系に影響する外乱検出値を入力し被制御系の
出力値と目標値との偏差を小さくするように自己学習す
るニューラルネットワークによりフィードフォワード補
償信号を発生するニューラルネットワーク型フィードフ
ォワード補償器と、フィードバック制御信号とフィード
フォワード補償信号を加算して被制御系に最終制御信号
を出力する加算器とを備えたニューラルネットワーク制
御装置において、被制御系の目標値の変化を検知しその
目標値変化によってニューラルネットワーク型フィード
フォワード補償器の自己学習を制御する目標値変化検知
器を設けることを特徴とする。
明は、被制御系の出力値と目標値との偏差に基づいてフ
ィードバック制御信号を発生するフィードバック制御器
と、被制御系に影響する外乱検出値を入力し被制御系の
出力値と目標値との偏差を小さくするように自己学習す
るニューラルネットワークによりフィードフォワード補
償信号を発生するニューラルネットワーク型フィードフ
ォワード補償器と、フィードバック制御信号とフィード
フォワード補償信号を加算して被制御系に最終制御信号
を出力する加算器とを備えたニューラルネットワーク制
御装置において、被制御系の目標値の変化を検知しその
目標値変化によってニューラルネットワーク型フィード
フォワード補償器の自己学習を制御する目標値変化検知
器を設けることを特徴とする。
【００１４】
【作用】本発明のＮＮＷが目標値を入力値として学習を
行っているニューラルネットワーク制御装置においては
、顕著な外乱発生があった場合には外乱発生検知器がＮ
ＮＷに対して学習を停止させ、かつ外乱の発生がおさま
った場合には再び学習を開始するよう動作する。これに
よって、教示信号であるＦＢ制御器の出力に対し外乱が
影響をおよぼす場合でも、ＮＮＷがその要素を自己学習
に取込んでしまい良好な学習ができなくなってしまう、
という従来の問題を回避することができる。
行っているニューラルネットワーク制御装置においては
、顕著な外乱発生があった場合には外乱発生検知器がＮ
ＮＷに対して学習を停止させ、かつ外乱の発生がおさま
った場合には再び学習を開始するよう動作する。これに
よって、教示信号であるＦＢ制御器の出力に対し外乱が
影響をおよぼす場合でも、ＮＮＷがその要素を自己学習
に取込んでしまい良好な学習ができなくなってしまう、
という従来の問題を回避することができる。
【００１５】また、もう一つの本発明のＮＮＷが外乱を
入力値として学習を行っているニューラルネットワーク
制御装置においては、顕著な目標値変化が発生した場合
には目標値変化検出器がＮＮＷに対して学習を中断させ
、かつ目標値が落着いた場合には再び学習を開始するよ
う動作する。これによって、目標値変更に伴ってＮＮＷ
の学習性が損なわれるような問題を回避することができ
る。
入力値として学習を行っているニューラルネットワーク
制御装置においては、顕著な目標値変化が発生した場合
には目標値変化検出器がＮＮＷに対して学習を中断させ
、かつ目標値が落着いた場合には再び学習を開始するよ
う動作する。これによって、目標値変更に伴ってＮＮＷ
の学習性が損なわれるような問題を回避することができ
る。
【００１６】
【実施例】以下、図面に基づいて本発明の実施例につい
て説明する。なお、図面において、同一部分については
同一符号を付記し、従来例と重複する部分についてはそ
の説明を省略する。 実施例１ 図１は、本発明のＮＮＷ型制御装置の一実施例を示すも
ので、被制御系１の目標値ａと出力値ｂとの偏差を算出
する比較器２と、この偏差信号ｃを入力し比例積分演算
を行ってＰＩ制御信号ｄを出力するＦＢ制御器３と、目
標値ａを入力しＰＩ制御信号ｄを教示信号としてＮＮＷ
学習しＦＦ補償信号ｅを出力するＮＮＷ型ＦＦ補償器４
と、ＰＩ制御信号ｄとＦＦ補償信号ｅを加算し被制御系
１への最終制御信号ｆを発生する加算器５とからなる従
来のＮＮＷ制御装置に、外乱の発生を検出し外乱変動の
大きさに応じてＮＮＷ型ＦＦ補償器４に対して学習を停
止あるいは開始させるための学習制御フラグｊを発生す
る外乱発生検知器２０が付加された構成となっている。
て説明する。なお、図面において、同一部分については
同一符号を付記し、従来例と重複する部分についてはそ
の説明を省略する。 実施例１ 図１は、本発明のＮＮＷ型制御装置の一実施例を示すも
ので、被制御系１の目標値ａと出力値ｂとの偏差を算出
する比較器２と、この偏差信号ｃを入力し比例積分演算
を行ってＰＩ制御信号ｄを出力するＦＢ制御器３と、目
標値ａを入力しＰＩ制御信号ｄを教示信号としてＮＮＷ
学習しＦＦ補償信号ｅを出力するＮＮＷ型ＦＦ補償器４
と、ＰＩ制御信号ｄとＦＦ補償信号ｅを加算し被制御系
１への最終制御信号ｆを発生する加算器５とからなる従
来のＮＮＷ制御装置に、外乱の発生を検出し外乱変動の
大きさに応じてＮＮＷ型ＦＦ補償器４に対して学習を停
止あるいは開始させるための学習制御フラグｊを発生す
る外乱発生検知器２０が付加された構成となっている。
【００１７】ここで、外乱発生検知器２０は、例えば図
２に示すように、まず入力処理部２１により外乱信号ｈ
から時系列データｈｔｏ〜ｈｔｎを生成し、次に比較部
２２によりこれら時系列データの全てが基準レンジｈｔ
ａ〜ｈｔｂにあれば学習制御フラグｉの出力として学習
を継続あるいは開始させるために“１”を、逆にこの基
準レンジを時系列データが一つでも逸脱すれば学習を停
止させるために“０”を出力する構成のものが考えられ
る。
２に示すように、まず入力処理部２１により外乱信号ｈ
から時系列データｈｔｏ〜ｈｔｎを生成し、次に比較部
２２によりこれら時系列データの全てが基準レンジｈｔ
ａ〜ｈｔｂにあれば学習制御フラグｉの出力として学習
を継続あるいは開始させるために“１”を、逆にこの基
準レンジを時系列データが一つでも逸脱すれば学習を停
止させるために“０”を出力する構成のものが考えられ
る。
【００１８】またこの他に、外乱発生検知器２０は、外
乱信号の変化速度（△ｈ／△ｔ）があるしきい値以上に
なった時に“０”をそれ以外は“１”を出力する構成や
、前記時系列データｈｔｏ〜ｈｔｎの平均値に基づいて
“０”か“１”を出力する構成とすることもできる。
乱信号の変化速度（△ｈ／△ｔ）があるしきい値以上に
なった時に“０”をそれ以外は“１”を出力する構成や
、前記時系列データｈｔｏ〜ｈｔｎの平均値に基づいて
“０”か“１”を出力する構成とすることもできる。
【００１９】なお、本実施例ではＮＮＷを用いたＦＦ補
償器４は、学習制御フラグｊを入力し、前記（１）式に
替わって、例えば次式のような学習則 τｄＷｉ ／ｄｔ＝ａｉ ・Ｄ・ｊ
…（３）にしたがってシナプス荷重Ｗｏ 〜Ｗｎ を
更新する。
償器４は、学習制御フラグｊを入力し、前記（１）式に
替わって、例えば次式のような学習則 τｄＷｉ ／ｄｔ＝ａｉ ・Ｄ・ｊ
…（３）にしたがってシナプス荷重Ｗｏ 〜Ｗｎ を
更新する。
【００２０】上記構成を有するＮＮＷ型制御装置におい
ては、外乱が顕著に発生した場合には外乱発生検知器２
０の比較部２２が外乱の時系列データｈｔｏ〜ｈｔｎの
変動から学習制御フラグｊとして“０”を発生し、これ
によってＦＦ補償器４内のＮＮＷは、（３）式の学習則
にしたがいシナプス荷重Ｗｉ の更新が抑制され、学習
は停止状態となる。また逆に、外乱発生がなくｈｔｏ〜
ｈｔｎの変動もないような状態では、比較部２２は学習
制御フラグｊとして“１”を出力し、（３）式にて学習
は継続あるいは再開されるように作用する。
ては、外乱が顕著に発生した場合には外乱発生検知器２
０の比較部２２が外乱の時系列データｈｔｏ〜ｈｔｎの
変動から学習制御フラグｊとして“０”を発生し、これ
によってＦＦ補償器４内のＮＮＷは、（３）式の学習則
にしたがいシナプス荷重Ｗｉ の更新が抑制され、学習
は停止状態となる。また逆に、外乱発生がなくｈｔｏ〜
ｈｔｎの変動もないような状態では、比較部２２は学習
制御フラグｊとして“１”を出力し、（３）式にて学習
は継続あるいは再開されるように作用する。
【００２１】以上説明したように、本実施例のＮＮＷ制
御装置においては、外乱が顕著に発生して目標値に基づ
く学習をＮＮＷが行えないような場合には一時的に学習
を停止し、それ以外の外乱がほとんど存在しない状態の
時にはＮＮＷはこれまで通りの学習を行うよう動作する
。したがって、外乱によってＮＮＷの学習が異常になる
ことを回避することが可能となる。
御装置においては、外乱が顕著に発生して目標値に基づ
く学習をＮＮＷが行えないような場合には一時的に学習
を停止し、それ以外の外乱がほとんど存在しない状態の
時にはＮＮＷはこれまで通りの学習を行うよう動作する
。したがって、外乱によってＮＮＷの学習が異常になる
ことを回避することが可能となる。
【００２２】実施例２
図３は本発明のＮＮＷ制御装置の他の実施例を示すもの
で、外乱ｈに対して先行的に補償を行うＮＮＷ制御方式
に本発明を適用したものである。ここでは、目標値ａの
変化によって目標値変化検知器３０が、ＮＮＷを用いた
ＦＦ補償器３１の学習を制御する学習制御フラグｊ′を
発生する構成となっている。
で、外乱ｈに対して先行的に補償を行うＮＮＷ制御方式
に本発明を適用したものである。ここでは、目標値ａの
変化によって目標値変化検知器３０が、ＮＮＷを用いた
ＦＦ補償器３１の学習を制御する学習制御フラグｊ′を
発生する構成となっている。
【００２３】本実施例におけるＮＮＷ型補償器３１は、
例えば図４に示すように、外乱信号ｈから外乱値である
ｈｏ の他に１次微分値ｈ１ 〜ｎ次微分値ｈｎ を発
生する入力処理部３２と、教示信号ｄと学習制御フラグ
ｊ′から下記（４）式の学習則にしたがってシナプス荷
重Ｗｏ 〜Ｗｎ を更新し出力値ｋｏ 〜ｋｎ を計算
する中間処理部３３と、中間処理部３３の出力値ｋｏ
〜ｋｎ を（５）式にしたがって加算しＦＦ補償信号ｅ
′となるＮＮＷ型ＦＦ補償器３１の最終出力値Ｅ′を発
生する加算部３４との内部構成を有する。 τｄＷｉ ／ｄｔ＝ｈｉ ・Ｄ・ｊ′
…（４）Ｅ′＝Σｋｉ ＝Σ（ｈｉ ・Ｗｉ ）
…（５）また、学習制御フラグｊ′を発生す
る目標値変化検知器３０は、図５に示すように、まず入
力処理部３５において目標値ａから時系列データａｔｏ
〜ａｔｎを生成し、次に比較部３６においてこれら時系
列データが基準レンジａｔａ〜ａｔｂ内にあるか否かを
判定して全ての時系列データが基準レンジ内あれば学習
制御フラグｊ′の出力として学習を継続あるいは開始さ
せるために“１”を、逆にこの基準レンジを時系列デー
タが一つでも逸脱すれば学習を停止させるために“０”
を出力するものである。
例えば図４に示すように、外乱信号ｈから外乱値である
ｈｏ の他に１次微分値ｈ１ 〜ｎ次微分値ｈｎ を発
生する入力処理部３２と、教示信号ｄと学習制御フラグ
ｊ′から下記（４）式の学習則にしたがってシナプス荷
重Ｗｏ 〜Ｗｎ を更新し出力値ｋｏ 〜ｋｎ を計算
する中間処理部３３と、中間処理部３３の出力値ｋｏ
〜ｋｎ を（５）式にしたがって加算しＦＦ補償信号ｅ
′となるＮＮＷ型ＦＦ補償器３１の最終出力値Ｅ′を発
生する加算部３４との内部構成を有する。 τｄＷｉ ／ｄｔ＝ｈｉ ・Ｄ・ｊ′
…（４）Ｅ′＝Σｋｉ ＝Σ（ｈｉ ・Ｗｉ ）
…（５）また、学習制御フラグｊ′を発生す
る目標値変化検知器３０は、図５に示すように、まず入
力処理部３５において目標値ａから時系列データａｔｏ
〜ａｔｎを生成し、次に比較部３６においてこれら時系
列データが基準レンジａｔａ〜ａｔｂ内にあるか否かを
判定して全ての時系列データが基準レンジ内あれば学習
制御フラグｊ′の出力として学習を継続あるいは開始さ
せるために“１”を、逆にこの基準レンジを時系列デー
タが一つでも逸脱すれば学習を停止させるために“０”
を出力するものである。
【００２４】本実施例においても、目標値と外乱の相違
は有るものの実施例１と同様に、目標値の変化が顕著に
発生した場合にはＮＮＷの学習を中断し、再び目標値が
落ちついた場合に学習を開始するよう動作する。したが
って、外乱に対するＮＮＷを用いたＦＦ補償器を備えた
システムであっても、目標値の急激な変更による影響で
ＮＮＷの学習性が損なわれることは回避することができ
る。
は有るものの実施例１と同様に、目標値の変化が顕著に
発生した場合にはＮＮＷの学習を中断し、再び目標値が
落ちついた場合に学習を開始するよう動作する。したが
って、外乱に対するＮＮＷを用いたＦＦ補償器を備えた
システムであっても、目標値の急激な変更による影響で
ＮＮＷの学習性が損なわれることは回避することができ
る。
【００２５】
【発明の効果】以上の説明から明らかなように、本発明
によれば、顕著な外乱変化が存在するような環境におい
ても、目標値を入力として補償信号を出力するＮＮＷの
ＦＦ補償器の自己学習が良好に行われるＮＮＷ制御装置
、および逆に目標値を頻繁に変化させる環境であっても
、外乱信号を入力として補償信号を出力するＮＮＷのＦ
Ｆ補償器の自己学習が良好に行われるようなＮＮＷ制御
装置を提供することが可能となり、プラント制御を始め
とした各種制御分野へのＮＮＷ制御装置の適用性を大き
く高めることができる。
によれば、顕著な外乱変化が存在するような環境におい
ても、目標値を入力として補償信号を出力するＮＮＷの
ＦＦ補償器の自己学習が良好に行われるＮＮＷ制御装置
、および逆に目標値を頻繁に変化させる環境であっても
、外乱信号を入力として補償信号を出力するＮＮＷのＦ
Ｆ補償器の自己学習が良好に行われるようなＮＮＷ制御
装置を提供することが可能となり、プラント制御を始め
とした各種制御分野へのＮＮＷ制御装置の適用性を大き
く高めることができる。
【図１】本発明のＮＮＷ制御装置の第一の実施例を示す
ブロック図である。
ブロック図である。
【図２】本発明における外乱発生検知器の内部構成の一
例を示す。
例を示す。
【図３】本発明のＮＮＷ制御装置の第２の実施例を示す
ブロック図である。
ブロック図である。
【図４】図３のＮＮＷ制御装置におけるＮＮＷ型補償器
の内部構成を示す。
の内部構成を示す。
【図５】本発明における目標値変化検知器の内部構成を
示す。
示す。
【図６】従来のＮＮＷ制御装置の一例を示すブロック図
である。
である。
【図７】従来例におけるＮＮＷ型補償器の内部構成を示
す。
す。
２………比較器
５………加算器
２０………外乱発生検知器
３０………目標値変化検知器
３３………中間処理部
３４………加算部
Claims (2)
- 【請求項１】 被制御系の出力値と目標値との偏差に
基づいてフィードバック制御信号を発生するフィードバ
ック制御器と、前記目標値を入力し前記偏差を小さくす
るように自己学習するニューラルネットワークによりフ
ィードフォワード補償信号を発生するニューラルネット
ワーク型フィードフォワード補償器と、前記フィードバ
ック制御信号とフィードフォワード補償信号を加算して
前記被制御系に最終制御信号を出力する加算器とを備え
たニューラルネットワーク制御装置において、前記被制
御系に影響を及ぼす外乱を検出しその外乱検出値によっ
て前記ニューラルネットワーク型フィードフォワード補
償器の自己学習を制御する外乱発生検知器を設けること
を特徴とするニューラルネットワーク制御装置。 - 【請求項２】 被制御系の出力値と目標値との偏差に
基づいてフィードバック制御信号を発生するフィードバ
ック制御器と、前記被制御系に影響する外乱検出値を入
力し前記偏差を小さくするように自己学習するニューラ
ルネットワークによりフィードフォワード補償信号を発
生するニューラルネットワーク型フィードフォワード補
償器と、前記フィードバック制御信号とフィードフォワ
ード補償信号を加算して前記被制御系に最終制御信号を
出力する加算器とを備えたニューラルネットワーク制御
装置において、前記被制御系の目標値の変化を検知しそ
の目標値変化によって前記ニューラルネットワーク型フ
ィードフォワード補償器の自己学習を制御する目標値変
化検知器を設けることを特徴とするニューラルネットワ
ーク制御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9659391A JPH04326101A (ja) | 1991-04-26 | 1991-04-26 | ニューラルネットワーク制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9659391A JPH04326101A (ja) | 1991-04-26 | 1991-04-26 | ニューラルネットワーク制御装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH04326101A true JPH04326101A (ja) | 1992-11-16 |
Family
ID=14169202
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP9659391A Withdrawn JPH04326101A (ja) | 1991-04-26 | 1991-04-26 | ニューラルネットワーク制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH04326101A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4898921A (en) * | 1987-06-03 | 1990-02-06 | Montclair State College | Conducting polymer films, method of manufacture and applications therefor |
| US5408406A (en) * | 1993-10-07 | 1995-04-18 | Honeywell Inc. | Neural net based disturbance predictor for model predictive control |
| JP2009118689A (ja) * | 2007-11-08 | 2009-05-28 | Okuma Corp | モータの制御装置 |
| WO2024181534A1 (ja) * | 2023-03-02 | 2024-09-06 | オムロン株式会社 | 制御対象に対するフィードフォワード制御に関する機械学習のための装置、教師データの生成プログラム、および教師データの生成方法 |
-
1991
- 1991-04-26 JP JP9659391A patent/JPH04326101A/ja not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4898921A (en) * | 1987-06-03 | 1990-02-06 | Montclair State College | Conducting polymer films, method of manufacture and applications therefor |
| US5408406A (en) * | 1993-10-07 | 1995-04-18 | Honeywell Inc. | Neural net based disturbance predictor for model predictive control |
| JP2009118689A (ja) * | 2007-11-08 | 2009-05-28 | Okuma Corp | モータの制御装置 |
| WO2024181534A1 (ja) * | 2023-03-02 | 2024-09-06 | オムロン株式会社 | 制御対象に対するフィードフォワード制御に関する機械学習のための装置、教師データの生成プログラム、および教師データの生成方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5493631A (en) | Stabilized adaptive neural network based control system | |
| EP1040392B1 (en) | Method of predicting overshoot in a control system response | |
| Golea et al. | Stable indirect fuzzy adaptive control | |
| US5159660A (en) | Universal process control using artificial neural networks | |
| Zhou et al. | Robust control for a class of uncertain nonlinear systems: adaptive fuzzy approach based on backstepping | |
| JPH04153703A (ja) | フィードバック制御装置 | |
| MXPA02000932A (es) | Sistema de control adaptativo predictivo experto. | |
| Amini et al. | Control of high order integrator chain systems subjected to disturbance and saturated control: A new adaptive scheme | |
| Su et al. | Adaptive fuzzy tracking control for a class of nonstrict-feedback stochastic nonlinear systems with actuator faults | |
| KR101818133B1 (ko) | 비엄격한 피드백 양식을 가지는 미지의 비선형 스위칭된 시스템을 위한 추종 제어를 이용한 제어장치 및 제어방법 | |
| JPH0738128B2 (ja) | 制御装置 | |
| Zhang | Stable adaptive fuzzy sliding mode control of interconnected systems | |
| JPH04326101A (ja) | ニューラルネットワーク制御装置 | |
| JPH075904A (ja) | ニューラルネットワーク制御装置 | |
| JP2923000B2 (ja) | サーボ制御装置 | |
| CN111538230A (zh) | 一种pid控制器的设计与在一级控制系统中的应用方法 | |
| CN118752476A (zh) | 一种基于预估器的机械臂安全编队控制系统 | |
| Luo et al. | Event-triggered prescribed performance control for switched uncertain nonlinear systems | |
| Tang et al. | Command filter and high gain observer based adaptive output feedback control for stochastic nonlinear systems with prescribed performance and input quantization | |
| JP2831880B2 (ja) | 自動制御装置 | |
| Rodriguez et al. | Anti-swing control with hierarchical fuzzy CMAC compensation for an overhead crane | |
| Liang et al. | New results on event-triggered output-feedback control for a class of uncertain nonlinear systems with unknown control coefficients | |
| JPH05134710A (ja) | ニユーラルネツト・フイードフオワード制御器 | |
| Wang et al. | Observer and Command Filter-Based Prescribed Performance Control for a Class of Nonlinear Systems with Mismatched Disturbances | |
| KR102005455B1 (ko) | 저 복잡성을 갖는 비선형 제어방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 19980711 |