JPH0470906A

JPH0470906A - 制御装置

Info

Publication number: JPH0470906A
Application number: JP2176986A
Authority: JP
Inventors: Yasunori Katayama; 片山　恭紀; Yasuo Morooka; 泰男諸岡; Junzo Kawakami; 川上　潤三; Satoru Hattori; 哲服部; Masaaki Nakajima; 正明中島
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1990-07-04
Filing date: 1990-07-04
Publication date: 1992-03-05

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、複数のアクチュエータにより動作する制御対
象を制御する制御システムにおいて、前記制御対象と複
数のアクチュエータの動作を総合判断して、個々のアク
チュエータの最適制御量を決定する制御システムと最適
性判定装置に関する。

〔従来の技術〕

従来の制御装置は、制御対象の動作状態を表わす複数の
当力信号を用い、制御を行っているが、個別の出力を見
て制御する方式では、制御が局所的になってしまい、シ
ステム全体の最適性を考慮できないとい欠点があった。

そこで、最近は、複数の信号を用い、全体の最適性を求
める傾向がある。制御対象として複雑で、単一な制御装
置では制御できない圧延機システムを用い従来の制御装
置及び方法の動作を説明する。

圧延機は対向するロールの間隔と、圧延材にかかる張力
を制御することにより所望の板厚の鋼材を得るシステム
である。ところが、圧延時に発生する損失熱による熱変
形や機械的変形等に起因するロール変形により、平坦な
鋼材が得られず、このため、平坦な特性を得るために形
状制御が開発されてきた。

ところが、圧延の物理的特性が種々の要因により大幅に
変化するため、特定の動作点近傍における制御モデルを
作うて制御しても、多くの場合にそのモデルは実際の圧
延機の動作と食い違ってしまう。更に、フィードバック
制御の動作点が動き、制御余裕が無くなってしまう。こ
のため、モデルが正確であれば良好な結果をもたらすフ
ィードバツク制御もその能力を充分に発揮できず、勘と
経験で操作する熟練オペレータを超えることができない
という問題があった。

〔発明が解決しようとする課題〕

上記従来技術は熟練オペレータのノウハウを生かす点に
配慮がされておらず、また、制御によって動作点が変更
され、制御余裕が無くなっているなど制御性能に問題が
あった。

本発明の目的は、熟練オペレータのノウハウを取り入れ
た拡張性に富むとともに、制御によって移動した動作点
の情報を有効に活用する制御システムと最適性判定装置
を提供することにある。

〔課題を解決するための手段〕

上記目的は、熟練オペレータの勘と経験を定量化し、ア
クチュエータの操作量を決定すること、及び、制御によ
って変更された動作点水めることにより達成される。

〔作用〕

熟練オペレータは制御量から特徴的なパターンを抽出し
、あいまいな操作（ファジー制御）を行なう。同様に、
制御量の積和演算とその結果を非線形回路を通すことに
よって特徴的なパターンの確信度を求め、各特徴的なパ
ターンの確信度に基づくアクチュエータの操作量をファ
ジィ推論により決定する。また、制御によって移動され
た動作点をアクチュエータに対する操作指令として記憶
し、学習により該操作指令を発生するような最適性判定
機構によって、該制御方式は熟練オペレータのように動
作するので良好な制御性能を得ることができる。

又、熟練オペレータのノウハウをそのまま制御知識とし
て記憶し、前記知識を用いて制御しても前記と同様の制
御性能を得ることができる。

〔実施例〕

以下、本発明の制御システムの一実施例を第１図に示す
。

制御対象は、１個又は複数のアクチュエータ２、及び制
御対象１やアクチュエータ２の動作状態を検出するセン
サ３を含む。前記センサ３の出力は制御及び診断機構４
に入力され、アクチュエータごとに制御実行指令を生成
するよう制御される。

前記制御及び診断機構４は、センサ３の出力を受は制御
機構６への指令を発生する最適性判定装置５、前記指令
とセンサ３からの出力を用いアクチュエータ２の制御実
行指令を発生する制御機構６、及び、上位計算機の情報
又はオペレータの操作を入力するとともに、診断結果を
出力するマンマシンインターフェース７から構成される
。

前記最適性判定袋［５は、センサ３の出力から特徴を抽
出する特徴抽出機構８、前記特徴抽出機構８と前記セン
サ３の出力を用い、予め記憶されていた知識をもとに制
御方策、制御パラメータ、制御アルゴリズム等を決定す
る意志決定機構９、前記意志決定機構９の演算には時間
がかかるため、予め前記意志決定機構９で求めた結論を
もとに類推する思考機構１０、及び、前記制御機構６の
制御実行指令を判断したり、又は前記マンマシンインタ
ーフェース７の指示により、制御指令を変更する自己調
整機構１１から構成される。

これに対して従来システムは最適性判定装置５がなく、
一般にはセンサ３の情報は制御機構６へ送信され、アク
チュエータ毎に制御するシステムとなっていた。このた
め、システム全体としての最適性が図れなかったが、本
発明のようにシステム全体の最適性を判定する最適性判
定装置５を付加することにより、システム全体の最適性
を判定できる他、この判定装置により、アクチュエータ
の変化や、制御対象の変化にも柔軟に対応できるという
効果を有する。

以下、本発明を圧延機制御システムに適用した実施例を
第２図により説明する。

制御対象１の圧延機システムは、対向する１組のワーク
ロール２２の間にはさまれた圧延材２３をワークロール
２２の間に働く圧延力と圧延材２３に働く張力により、
いわゆるつぶして、引っ張る力により圧延材を薄くし、
所望の板厚を得るものであり、ワークロール２２を挾ん
で中間ロール２４、中間ロール２４を挾んでバックアッ
プロール２５が配置されている。前記バックアップロー
ル２５には、油圧力等の力を利用した圧下制御機構２６
により圧延力が加えられ、その圧延力はバックアップロ
ール２５と中間ロール２４の接触面を介し、中間ロール
２４に伝達され、該中間ロール２４に伝達された圧延力
は、中間ロール２４とワークロール２２、及びワークロ
ール２２と圧延材２３の接触面を介し、圧延材２３へ伝
達され、該圧延力により圧延材２３は塑性変形を生じ、
所望の板厚となる。ワークロール２２、中間ロール２４
、バックアップロール２５は、圧延ロールとも呼ばれる
。

ところで、圧延ロール２２，２４．２５のロール巾は圧
延材２３の液中より広く、かつ圧延力が加えられている
ため、ロールが変形する。例えばワークロール２２にお
いて圧延材の液中から外れた部分は該圧延力により曲が
ってしまう。

その結果、圧延材２３の端部がつぶされ凸形の断面形状
になる。それを防止するためにワークロール２２の軸に
対し、その間隔が広がる方向にワークロールベンダ２７
によりワークロールペンディングカＦｗを加え、圧延材
２３の端部がつぶされるのを防止する。同様に中間ロー
ル２４の軸には中間ロールベンダ２８により中間ロール
ペンディングカＦｌを加える。

更に、中間ロールシフト２９は、中間ロール２４を液中
方向に移動させる。この移動により、ロール２２，２４
．２５が圧延材２３に加える力を非対称にすることによ
り、圧延材の板厚の形状を制御する。

一方、圧延を行なうために圧延機に加えられるエネルギ
ーは、圧延材２３の塑性変形に費される他に、音、振動
、熱となる。この熱に変化したエネルギーは圧延材２３
を介して放散されるとともに、ワークロール２２の温度
を上昇させる。この温度上昇に起因し、ワークロール２
２は膨張し、ロール径が変化するが、そのロール径は一
般に不均一に変化する。そこで、ロール径を均一に制御
するため、液中方向に配置された複数個のノズル（図示
はしていない）、及びノズルを介し冷却液をワークロー
ル２２に加えるクーラント制御機構３ｏが設置される。

前記ワークロール２２の軸には、圧延材２３を移動する
ための電動機等から構成される速度制御機構３１が接続
されている。

圧延機に対する制御システムは前記圧下制御機構２６、
ワークロールベンダ２７、中間ロールベンダ２８、中間
ロールシフト２９、クーラント制御機構３ｏ、速度制御
機構３１等のアクチュエータに対する動作指令を発生さ
せる指令発生機構３２、前記指令発生機構３２に対し、
圧延材２３の形状が予め記憶された複数のパターンのう
ちどの種類のパターンに属するかを判断し、該パターン
の確信度を出力するパターン認識機構３３、該パターン
認識機構３３に対し、圧延材２３の板圧形状を検出し、
圧力する形状検出機構３４、前記形状検出機構３４と、
指令発生機構３２の出力を記憶する記憶機構３５、及び
、記憶機構３５の情報を用い、パターン認識機構３３の
パラメータを学習により変化させる学習機構３６から構
成される。　なお、制御対象１は、ワークロール２２、
中間ロール２４、バックアップロール２５から構成され
る。

アクチュエータ２は、圧下制御機構２６、ワークロール
ベンダ２７、中間ロールベンダ２８、中間ロールシフト
２９、クーラント制御機構３０、速度制御機構３１を含
んで構成される。

センサ３は形状検出機構３４や、ここでは図示しないが
、速度検出機構、圧延荷重検出機構、各種の位置検出機
構、張力、板厚検出などの検出器から構成される。

制御及び診断機構４は記憶機構３５、指令発生機構３２
、パターン認識機構３３、学習機構３６を含んで構成さ
れる。

第３図に上記パターン認識機構３３の詳細図を示す。パ
ターン認識機構３３は、入力セル３７゜３８を含む入力
層５１と、該入力層５１に接続されセル４０．４１を含
む中間層３９と、該中間層３９に順次直列に接続された
中間層４７．４９及び出力層５０とを含んでいる。セル
４ｏは重み関数４３．４６．加算器４４及び関数器４５
を含んでなり、セル４１は重み関数４８、加算器４９、
及び関数器５０を含んでなっている。形状検出機構３４
及び記憶機構３５の出力は、前記パターン認識機構３３
の入力セル３７．３８に入力され、該入力セル３７．３
８では入力された信号が関数値で変換され中間層３９へ
出力され、中間層３９へ入力された該入力セル３７．３
８の出力は中間層３９のセル４０．４１へ入力される。

入力セル３７の出力でセル４０に入力された信号は重み
関数４３で、０１１０倍され加算器４４に入力されると
ともに、入力セル３８の出力は重み関数４６を介し、加
算器４４に入力される。加算器４４は上記重み関数４３
．４６の出力を加算し、関数器４５へ出力する。関数器
４５は、入力された信号に対して線形又は非線形の関数
演算を行い、次段の中間層４７に出力する。

同様に、セル４１は入力セル３７．３８の出力が入力さ
れ、入力層３７の出力は重み関数４８で０１２１倍化さ
れ加算器４９、関数器５０を介し次段の中間層４７へ出
力される。

中間層４７は、中間層３９と同一の構造であり、入力層
３７．３８の出力の代りに中間層３９の出力が用いられ
るものである。

ここで、重み関数４３，４６．４８の重みをω’ＩＪで
表わすと、ωはに番目の中間層のｉ番目のセルに於て、
ｋ−１番目の中間層（但し、ｋ＝１の時だけは入力セル
）の５番目の出力に掛ける重みを示す。

以上のようにパターン認識機構３３に入力された信号は
、入力セル３７．３８．複数段の中間層３９．４７．４
９を介し、中間層セルから重み関数と加算器を取り除い
た形式の出力層５０を介し、出力される。なお、入力層
５１は入力セル３７゜３８を全て纏めたものを表わす。

このパターン認識機構３３の特徴は、単純な積和演算で
すみ、フィードバック等の繰返し演算が無いこと、及び
、中間層の各積和項はハードウェアで実現する場合、並
列に処理ができるため、高速演算が可能であることであ
る。

このパターン認識機構の出力層５０の次に予め各出力パ
ターンに応じて各アクチュエータに対する指令値を記憶
させておき、最も出力パターンに近い指令値を直接アク
チュエータに指示することも可能である。この方式では
応答性は良いが後述の方式に比べて制御の精度は若干悪
くなる。

次にパターン認識機構３３の処理結果は第４図に示す指
令発生機構３２を経て制御対象１である圧延機システム
に印加される。すなわち、パターン認識機構３３の出力
は指令発生機構３２に設けられている操作量決定手段５
２に入力される。操作量決定手段５２では、内部に複数
準備された処理機構のうち、入力信号を処理するのに最
も有効な処理機構を選択し、処理を実行し操作量を出力
する。前記操作量決定手段の結果を用い、指令値計算手
段は具体的な各アクチュエータの指令値、例えば圧下制
御機構２６に対する圧下指令、中間ロールベンダ２８に
対する中間ロールベンダ指令等を発生する。なお、この
指令発生機構３２には、パターン認識機構３３を介さず
に、形状検出機構３４の出力を直接入力して、前記内部
に準備された複数の処理機構のうち最適な処理機構で処
理することも可能である。しかしこの場合、各種推論機
構を用いる場合専門のオペレータの操作方法を十分反映
するには、知識ベースを充実する必要がある。

第５図は、前記操作量決定手段５２の構成を示すもので
ある。操作量決定手段５２は、形状検出機構３４、パタ
ーン認識機構３３からの信号を受け、制御機構１４１を
起動する。該制御機構１４１は、問題の種類に応じて、
知識ベース５６を用い、起動する推論を決定する。即ち
該制御機構１４１は、三段論法的に原因を求める必要が
ある場合にはプロダクション推論機構１４２を起動し、
曖昧な要因がある場合にはファジィ推論機構１４３を起
動し、ある程度の枠組みがある問題に対してはフレーム
推論機構１４４を起動し、因果関係や機器の構成等の関
連がネットワーク的になっている問題に対しては意味ネ
ット推論機構１４５を起動し、診断対象が時間的な順序
で動作しているような問題に対してはスクリプト推論機
構１４６を起動する。更に、該制御機構１４１は前記各
種推論機構で解けない経験的な問題で、高速に最適な解
を求めるための最適化演算機構１１１を起動し、パター
ン的に記憶でき、特徴を抽出するとともに回答が必要な
問題を解くための特徴抽出・回答機構１１０　（Ｒｕｍ
ｅｌｈａｒｔ型ニューロコンピュータで構成）を起動す
る。操作量決定手段５２の処理結果は制御機構１４１を
介して指令値計算手段５３へ出力される。

第６図に推論に必要な知識である知識ベース５６の構成
を示す。前記知識ベース５６においては、制御のエキス
パートの経験等に基づく外部から入力される知識１０６
は、三段論法的に推論を実行するためのプロダクション
ルール１４７、曖昧な情報をもとに推論を行なうための
知識であるファジィルール１４８９診断対象の部品構成
などのある枠組みで記述できる知識フレーム１４９゜部
品と部品の関連や、常識的な関連を纏めてネットワーク
の形で整理している意味ネットワーク１５０、診断対象
が順番にある仕事を進める場合にそれらの仕事を整理し
て記憶するスクリプト１５１、及び、上記知識１４７〜
１５１で記述できないその他の知識１５２に分類されて
記憶されている。

第７図に操作量決定手段５２の動作の説明図を示す。制
御機構１４１の処理はパターン認識機構３３、形状検出
機構３４．記憶機構３５からの情報を整理し、以下の処
理に利用できるデータに変換する処理ステップ２００、
上記ステップ２００で準備したデータが無くなる迄取り
出し、ステップ２０２へ渡す繰返し処理ステップ２０１
、前記ステップ２０１で収集した情報から起動すべき推
論機構及び処理を決定するための判断ステップ２０２、
及び、各種推論機構１４２〜１４６、特徴抽出回答機構
１１０、最適化演算機構１１１、及び、ＰＩＤ制御等の
古典制御や多変数制御等の現代制御のアルゴリズムを実
行する一般制御機構２０３、及び、上記各ステップを終
了するために必要なフラグ類のリセット等を実行する終
了処理ステップ２０４から構成される。

ここで各処理機構の役割を述べる。プロダクション推論
機構１４２は、オペレータのエキスパートが断片的なプ
ロダクションルールを用いて、論理的な成立関係を組立
てる制御に適している。ファジィ推論機構１４３は、制
御対象の注目している状態が変化したならばオペレータ
はアクチュエータを少し動かすというように定量化でき
ないオペレータのあいまいな（定性的な）知識を計算機
で処理できるように定量化して操作量を決定するのに適
している。

フレーム推論機構１４４は、制御装置間の関係等を記述
するフレームという知識を用い、注目している制御対象
の状態が変化した時に元の状態に戻す場合に、それら装
置間の関係を基に操作を行う処理量を関連する機器毎に
決定するのに適している。

意味ネット推論機構１４５は、前記断片的な知識である
フレームを整理し、体系付けてネットワークを作り上げ
たものであるため、特定のアクチュエータの操作結果が
およぼす影響を求めることができ、補償系を組むのに適
している。

スクリプト推論機構１４６は特定の状態が発生した時の
手順的な知識を基に推論するため、故障時に決まった手
順で対応しなければならないようなシーケンス制御的な
制御に適している。

また、特徴抽出回答機構１１０は、上記パターン認識機
構３３、形状検出機構３４、記憶機構３５の入力パター
ンと前記入力パターンが入力されたときに前記推論機構
１４２〜１４６が出した出力の関係を予め学習させてお
くと、推論機構１４２〜１４６が推論を行って出力を決
定するのと異なり、高速に同一の結果が出力できる特徴
がある。最適化演算機構１１１は、制御対象１は通常非
線形性が強いで、何等からの原因により動作点が変化す
ると、動作の再設定が必要になり、その場合、最急傾斜
法、ダイナミックプログラミング、リニアプログラミン
グ、出登り法、共役傾斜法又はホブフィールド（Ｈｏｐ
ｆｉｅｌｄ）型ニューロコンピュータ等のアルゴリズム
により計算され、非線形制御対象に対しても最適な応答
を行なう。

第８図にプログクシ３ン推論機構１４２の動作説明図を
示す。制御機構１４１より起動されるプロダクション推
論機構１４２は、前記制御機構１４１から起動時にメモ
リに記憶する入力処理５４、前記入力処理５４で記憶し
た情報を１個ずつ取り出し、もし、メモリにパターンの
情報が無い時には、プロダクション推論機構１４２の処
理を終了させる終了判断ステップ５５を実行する。

前記終了判断ステップ５５で抽出されたパターンの種類
とその確信度を用い、知識ベース５６からルールを１個
ずつ取り出し、ステップ５７で該入力のパターンの種類
と該ルールの前提部を比較する。ステップ５８は、その
比較結果が一致した場合次の処理５９を、不一致の場合
ステップ５７を実行させる。ステップ５９は一致した時
に前記入力を前記ルールの結論部に置換する。この時の
確信度の取扱いはミニ・マックスの理論で、置換前の最
小値又は最大値で置換える。ステップ６０は前記置換し
たルールの結論部が操作指令である場合、ステップ６１
を、結論部が不一致の場合更に推論を実施させるために
ステップ５７を実行させる。

前記結論部が操作指令であるときに、処理６１は前記指
令値計算手段５３へ、結論部及び前記処理ステップで求
めた確信度を出力する。

第９図は指令値計算手段５３を示す。指令値計算手段５
３は、前記操作量決定手段５２で求めた推論結果である
指令及びその確信度を記憶するメモリ６２．メモリの指
令が全て処理されたか否かを判断し、処理されていたな
らば指令値計算手段５３を終了させるステップ６３、処
理されていなければ圧下制御機構２６等のアクチュエー
タ２７゜２８．２９，３０．３１毎の指令を取り出し、
各種推論で求まったアクチュエータ操作の程度と確信度
を基に、操作量の重心を求め、同一アクチュエータの操
作量の重心を寄せ集めて新たな重心を求め対応するアク
チュエータの指令とする処理６４から構成される。

このような指令値計算手段５３を設けることで各種推論
１４２〜１４６．特徴抽出・回答機構１１０、最適化演
算機構１１１．−膜制御機構２０３で個別に求められた
アクチュエータへの指令を統一的に扱える特徴が有る。

第１０図に、前記学習に必要な入力切り換え装置１２５
の構成を示す。該入力切り換え装置１２５は、学習機構
により制御されるスイッチ機構１５６を用い、形状検出
機構３４の出力と学習機構３６の出力の一方を入力層５
１に出力するものである。第１０図におけるスイッチ機
構１５６の状態は学習を行なう状態を示す。

第１１図に学習機構３６の構成を示す。学習機構３６は
、入力パターン発生機構６５、出力パターン発生機構６
７、出力突合せ機構６６、及び、学習制御機構６８から
構成される。前記出力突合せ機構６６は、出力層５０の
出力を指令発生機構３２と前記突合せ機構６６へ出力す
るための分配器１３９の出力ｏ１．ｏＩ、ｏｎと、出力
パターン発生機構６７の出力ＯＴ工、ＯＴＪ、ｏＴ、ｌ
との差を加算器１６１，１６２，１６３により、偏差ｅ
□。

ＩＢＪ）ａｎとして求め、学習制御機構６８に出力する
。なお分配器１３９の出力０１＋　Ｏｌｙ　Ｏｎは入力
パターン発生機構６５の出力がパターン認識機構３３（
ルメルハート（Ｒｕ＋＊ｅｌｈａｒｔ　）型ニューロコ
ンピュータ）の入力層５１に入力されることにより発生
する。このとき、該入力パターン発生機構６５と該出力
パターン発生機構６７は前記学習制御機構６８に制御さ
れる。

第１２図に前記学習過程における荷重関数ω”１７４３
と学習制御機構６８の関係を示す。前記加算器１６１の
出力である偏差ｅｋを受けて、学習制御機構６８はパタ
ーン認識機構３３を構成するセル４０の荷重関数ω１，
４３の値を、前記偏差が減少する方向に変化させる。

第１３図に前記学習制御機構６８の処理概要１７０を示
す。学習機構３６が起動されると、学習制御機構６８の
処理１７０が起動される。該処理１７０は、前記入力パ
ターン発生機構６５．出力パターン発生機構６７を起動
し、教師信号である入力と、希望出力を発生する前処理
１７１、前記偏差ｅｋの値、又は、前記偏差自乗和が許
容範囲以内になるまで以下のステップ１７３，１７４゜
１７５を繰り返すステップ１７２．出力層５０に近い中
間層から入力層５１に向けて注目する中間層を順次抽出
するステップ１７３、該中間層において順次注目するセ
ルを抽出するステップ１７４、及び偏差ｅｋが小さくな
る方向へ抽出したセルの荷重関数ω、、４３を変化させ
るステップ１７５、および、学習過程を終了させるため
のステップ１７６から構成される。

このような学習機構を設ける事により、それ迄考慮され
なかった新しい現象が発生し、それに対する対応策が決
定したならば、その知見を反映できる特徴が有る。

第１４図は、第２図の記憶機構３５の構成を示す。記憶
機構３５は、指令発生機構３２．形状検出機構３４の出
力が入力されるメモリ要素６９゜メモリ要素６９の内容
が一定時間経過後に転送されるメモリ要素７０、及び順
次メモリ要素にデータが転送され特定時間経過後に到達
するメモリ要素７１から構成され、各メモリ要素６９，
７０゜７１の内容はパターンの微分や積分を行なうため
の演算機構５１０を介し、パターン認識機構３３゜学習
機構３６へ入力される。

この記憶機構３５により、形状検出機構３４や、指令発
生機構３２の時間的変化を考慮できる。例えば微分、積
分等の動作が行なえるようになる。

第１５図には、クーラント制御のノズルの影響が、ノズ
ルの位置から一定長のみに影響を与えるため、ノズル近
傍の入力を使ってパターンを認識する機構を示す。形状
検出機構３４の出力はパターン認識機構３３のメモリ７
２に入力され、メモリ７２に入力された信号はゲート回
路７３を介し、メモリ要素７４に入力され、メモリ要素
７４に入力された信号はゲート回路７５．７６を介しメ
モリ要素７７．７８へ入力され、ゲート回路７３゜７６
がオフにするとゲート回路７５はオンとなり、クロック
に同期して、メモリ要素７４の情報はメモリ７７へ、又
、一定時間経過するとメモリ要素７４の信号がメモリ要
素７８へ到達し、メモリ要素７７の信号がメモリ要素７
４に達し、次のクロックでメモリ要素７４，７７．７８
の信号が一巡すると、ゲート７３．７６がオンし、ゲー
ト７５がオフし、メモリ要素７４の内容はメモリ要素７
９に記憶され、メモリ要素７４，７７．７９の情報は入
力層５１に入力される。

このようなメモリ７２を設けることにより、パターン認
識機構３３の入力層５１．中間層３９゜４７．４９．出
力層５０のセルの数を大巾に減少できる効果が有る。

第１６図に学習機構３６の入力パターン発生機構６５と
出力パターン発生機構６７に制御対象シミュレータ８０
を用いている例を示す。

出力パターン発生機構６７においてオペレータの操作又
はデータによって発生した形状パターンは、学習機構に
別に設けられ第２図の指令発生機構３２と同一の機能を
持つ指令発生機構３２Ａに入力され、指令発生機構３２
Ａではパターンに応じて各種アクチュエータの指令を発
生し、該指令は入力パターン発生機構６５に設けられた
制御対象シミュレータ８０に入力され、制御対象である
各種アクチュエータ２６．２７，２８，２９゜３０．３
１及び制御対象１の圧延機を含めた動作を模擬し、その
応答が悪い時には指令発生機構３２Ａ、制御対象シミュ
レータ８０のパラメータを変更するためのパラメータ調
整機構８１を用い前記制御対象シミュレータ８０の出力
を所望の形状になるように調節し、パターン認識機構３
３の入力とする。

以上説明した構成の制御方法の動作を具体例を用いて以
下に述べる。

パターン認識機構３３を構成するニューロコンピュータ
の中間層３９，４７．４９の荷重関数ω１゜４８の値の
初期値は当初、乱数又は適当な値、例えば荷重関数が取
り得る値（Ｏ〜１．０とすると）の半分（０，５）に設
定する。この時に、例えば、第１７図の入力パターン発
生機構６５が生成した凹型の圧延機形状パターンを入力
しても。

出力層５ｏの出力において凹であるという当力信号線９
０の出力は１にならず、又、出力層５ｏの出力線９１の
出力である凸である確率は零にならない。

そこで出力層５０の出力線９０に対応する学習機構３６
の出力パターン発生機構６７の出力線９２は１を、出力
線９１に対応する８力バターン発生機構６７の出力線９
３の出力を零に出力する。

これらの出力を受けて、出力突合せ機構６６は理想的な
出力（出力パターン発生機構６７の出力）と、パターン
認識機構３３の出力の偏差を受は学習制御機構６８は、
パターン認識機構３３の荷重関数ωｉＪの大きさを該偏
差が減少する方向に、該偏差の大きさに比例して変更さ
せる（第１２図参照）。このアルゴリズムの代表例とし
て最急傾斜法がある。

第１３図の処理に従って、順次荷重関数の重みを変更し
、第１２図のｅｋの自乗和が許容範囲内に収まると、学
習機構３６の動作が終了する。

学習終了後、第１７図の入力パターン発生機構６５の出
力パターンと同じ波形が第２図の形状検出機構３４から
入力されると、パターン認識機構３３は、出力層５ｏの
出力線９０から１を出力し、出力層５０の出力線９１か
ら零を出力する。

次に、凸型と言われている第１８図に示す波形が入力さ
れ、しかも、学習が終了していない場合、パターン認識
機構３３の凸型を表現する出力線９１の出力が１で、そ
の他の出力９０が零になるパターンにならない。そこで
前述のように、典型的な凸型のパターンを入力信号とし
て、出力パターン発生機構６７の出力は、前記出力線９
１，９０の出力に対応する値を夫々１，０なるようにす
る学習機構３６は、該荷重関数ω”ＩＪを変化させ、学
習が完了した時に、前記パターン認識機構３３に・、第
１８図の凸型の波形が入力されると、第１７図の前記出
力層５０の出力線９１は１に、出力線９０は零になる。

その結果、第１９図（ａ）の波形がパターン認識機構３
３に入力され、その出力は、出力層５゜から前述のよう
に予め入力された凸型の波形であることを示す出力線９
１によりその波形に類似している度合を確信度４０％と
して出力されると同時に、凹型の波形であることを示す
出力線９０から確信度５０％として出力される。

第２０図に、圧延材の時間的変化を考慮した圧延材形状
を示す。圧延機ワークロール２２の直下の状態はｔ。で
、その時の値はＸ。である。計算機のサンプリング周期
をＴ。とすると、Ｔｏ秒前のｔ工時点に於ける板厚の高
さはｘｌ、Ｔ、Ｘｎ秒前のｔｎ時点に於ける板厚の高さ
はＸ、・・・である。

即ち、ｔｌの時点で、高さｘｌが記憶機構３Ｓに入力さ
れ、第１４図のメモリ要素６９に記憶される。次のサン
プリング時点であるｔ。の高さＸｏが、記憶機構３５に
入力されると、そのタイミングでメモリ要素６９のデー
タｘ１はメモリ要素７０に転送されるとともに、メモリ
要素６９の内容は、ｘｏに書換えられる。

一方演算機構５１０は、前記メモリ要素６９゜７０の内
容を用いて各種演算を行なう。例えば。

微分値が必要な時には、（ｘｏｘ））／Ｔｏ、積分器が
必要な時には（Ｘ工＋ｘ、）ＸＴ、となる演算を実行す
れば良い、即ち、微分器は、形状の変化速度を求めるこ
とができるので、パターン認識機構３３は変化に対する
応答性を向上できる。

一方、積分器は、ノイズ等に対し除去作用が有るなどの
特徴を出す事ができる。

これら、微分器、積分器、及び時間的要素が入っていな
い比例要素等の機能をパターン認識機構３３に持たせる
ことができる。

更に、記憶機構３５で記憶されたデータも必要に応じ、
学習時に活用する入力パターン発生機構６５に利用でき
る。

ところで、第２１図に示すように、ｔ０時点に於ける圧
延機のロール軸方向の圧延材の板厚をＸＯＩ　Ｘ１ｅ・
・・・・・Ｘ。−１，ｘ、とじ、同一位置に於ける１０
秒（サンプリング周期）前の板厚の状態を、Ｘ、、　Ｘ
ｌ、・・・・・・Ｘ。−６，Ｘ、とすると、ある時点ｔ
ｋでは、第１５図のメモリ要素７４．７７゜る、メモリ
要素７９には、前述のメモリ機構３５と同様な構成を行
っているので、Ｔｎ時点前の時素７９他に記憶されてい
る。

第２２図にプロダクションルール又はファジィルールの
一例を示す。（第６図プロダクションルール１４７．フ
ァジィルール１４８に対応）。

前記、パターン認識機構３３で凹型５０％の確信度とし
て出力を得ると、プロダクションルールの前提部と照合
し、凹型ルール１８０と一致する。

その結果、ベンダを弱める（程度はＳｍａｌｌ）ルール
１８１が得られる。一方凸型の確信度４０％で、前提部
１８２と一致し、その結果、ベンダを強める（程度大）
が得られる。

その結果、第２３図に示すように指令発生機構３２は、
前記ルールとの照合の結果、ベンダの操作量は凸型の確
信度５０％なのでＢの斜線部の面積で表される。一方、
凹型の確信度が４０％でＳである確信度４０％なので、
第２２図のＳの斜線部の面積となる。次に上記指令発生
機構３２は斜線部の重心ＡとＢを合成した重心Ｃの値で
ある５５％がベンダの操作量になる。

次にクーラント制御のようにアクチュエータの影響がベ
ンダやシフタと異なり局所的なものでは、第１５図に示
すように、第２４図（ａ）の波形をメモリ要素７４．７
７、．７８に記憶する。メモリ要素に記憶された波形の
１部（第２４図（ａ）の■参照）ｉｆパターン認識機構
３３、指令発生機構３２で処理され、クーラント制御装
置３０の１個のノズルＡを制御することにより冷却液の
量が制御され、ロールが平坦化するのである。

さて、ノズルＡに対応する第２１図のｘ、−、の両隣り
ｘＱ、ｘ。−２の値と比較した時に、Ｘ、−１が大きけ
れば、中心部大という結論１８５が第２２図から得られ
る。一方、Ｘっ−、、ｘ、−１の関係としてＸｍ−１Ｘ
ｎ−Ｌが正であれば、Ｘｏ−１は増加傾向になるので微
係数が正となり、前提部１８６と−致し、その結果、ク
ーラントをＯＮする。その程度は大ＣＢ）である。その
結果、ｘ　ｅ−Ｌ　、　ｘ　ｎ−Ｌが殆ど変化しなくな
るのである。

ノズルＡの制御が終わると、第１５図のメモリ要素７４
．７７．７８．７９の内容を夫々１個ずつシフトする。

その結果、パターン認識機構３３に入力される波形は、
第２４図（ａ）に◎で示した領域が入力され、処理３３
．３２を実施し、クーラント制御機構３０の１個のノズ
ルＢが制御される。

このように処理を行うと第２４図（ａ）のパターンから
出発し、更にメモリ内容をシフトすると、第２４図（ａ
）の波形がメモリ７２に再現する。

前回、第２４図（ａ）のパターンをメモリ７２に記憶し
てから一定時間経過後に第１５図のメモリ要素７４の内
容をメモリ要素７９へ移し、メモリ要素７４に形状検出
機構３４の波形を記憶させる。

更に、メモリ７２と入力層５１の間に、第１４図で示し
た演算機構５１０を設けると、波形の変化速度等でも制
御できるようになるのは第１４図からも自明である。

次に、パターン認識機構３３に基準となるパターンの学
習方法について述べる。

第１９図の波形８２や８３を第１１図の入力パターン発
生機構６５で生成し、入力層５１へ出力する。このパタ
ーンは、入力パターン発生機構６５のメモリに書込むか
、又は、第２図の記憶機構３５に記憶されたパターンを
用いる。入力層に入力された信号は中間層３９．・・・
、４７を介し、出力層５０から出力として現われる。こ
の時中間層の重み関数ω！１．は初期値であり、呂カバ
ターン発生機構６７からは、入力パターン発生機構６５
の出力と対応して、パターン認識機構３３より出力して
欲しいパターン（例えば、入力パターン発生機構６５が
標準パターンであり、出力層５０の出力端子１本をその
標準パターンに割当てると、割当てられた出力端子が１
となり、その他の端子が零になるようなパターン）を突
合せ機構６６に入力される。学習が完了しない時には、
出力層５０の出力パターンと、出力パターン発生機構６
７の波形が異なっている。その結果、突き合わせ機構６
６の出力はパターン相違の度合に応じた出力を出す。こ
の値、偏差の２乗平均を求めれば、偏差のパワースペク
トラム等が求まる。上記偏差に応じ、出力層に近い中間
層４９から順次、入力層５１に近い中間層３９迄、重み
関数ω”ＩＪを変更する１重み関数ωＩｉＪの変更方式
は種々の方法が考えられるが、上記偏差を最小値になる
ようにするという最適化問題で、例えば最急傾斜法等を
利用する。具体的な方法として、着目する重み関数ω”
ＩＪを上の方へ微少変動させ、その結果、偏差値が変化
する方向をみて、減少する方向へ重み関数の値ω’１４
を移動するとともに、移動量は、偏差値の変化が小さい
時は大きく、反対に偏差値の変化が大きい時には移動量
を小さくする。また、入力層に一番近い中間層３９の重
み関数ω”ｉＪの変更が終了した時点で、再度突き合わ
せ機構６６の偏差値をチエツクし、その値が許容誤差範
囲になった時に学習を終了する。

この制御は学習制御機構６８で実施される。猶、この学
習した結果をパターン判別に利用するパターン認識機構
３３は何故パターンの識別ができるか、学習が何故旨く
いくのかという動作が解明されていないが、重み関数の
数が、入力と出力の数に比べ多くなっており、その値の
自由度が有り、多少値が狂っても、又多くのパターンを
記憶させても、良好な認識結果を得ることができると云
われている。

一方、この入力パターン発生機構６５と出力パターン発
生機構６７に対し、どのようなパターンを用いたら良い
、非常に難しい面が有る。幸い、制御対象１の動作をあ
る動作点近傍で動作させるとモデルを正確に導き呂せる
方法が制御理論の分野でシステム同定という理論で確立
している。但し全動作領域では非線形性が強い対象でモ
デル化が困難である。

そこで、特定の動作領域でモデルを作り、制御を実施し
、その状態で旨くいく制御系の入力と応答の関係をシミ
ュレーションで求め、それを学習用のデータとする。こ
の手順を、制御系の全動作領域に対し、動作点を順次移
動し、その時々の最適なモデリングと制御指令を求め学
習させる。即ち、第１６図の制御対象シミュレータ８０
のパラメータを調整し、特定の動作点で正確にシミュレ
ータ８０を動作させる。その後、制御対象が典型的なパ
ターンを発生するように入力パターン発生機構６５．パ
ラメータ調整機構８１．制御対象シミュレータ８０．指
令発生機構３２Ａを動作させ、こｔら出力パターン発生
機構６７と制御対象シミュレータ８０の出力を夫々学習
機構３６の出力パターンと入力パターンとする。

このような構成の制御方式はパターン認識機構で対象の
波形を抽象化し、制御機構であいまい性迄含む制御が実
施できる。

なお、本発明の具体例として圧延機システムを用いて実
施例を説明してきたが、制御対象１．各種アクチュエー
タ２６，２７，２８，２９，３０゜３１は圧延機システ
ムに限定する必要はなく、般の制御対象やアクチュエー
タ及びコントローラに適用できるのは自明である。例え
ば、鉄道運行管理システムのように、列車ダイヤパター
ンを認識し、各種のダイヤ組替えルールに従って、遅れ
た列車を正常ダイヤに戻すようなシステムの制御に利用
できる。即ち、列車の運行をダイヤグラムで表現し、パ
ターン認識機構３３で遅れた特徴を抽出する。次に、そ
の特徴量を基に推論機構は、例えば、列車の追越は駅で
実施する等の各種ルールを用いダイヤを作成する。その
推論機構の結果を受け、指令計算手段５３は、個別の列
車の運転指令を発生する。アクチュエータである列車は
、前記指令に従って運転する。

第２５図に本発明の次の応用事例であるセンシマミルの
形状制御について述べる。制御対象１のセンシマミルは
、ワークロール１００１．第１中間０−＃１００２．第
２中間ａ−＃１００３．及びＡＳ−Ｕロール１００４か
ら構成される。ＡＳ−Ｄｏ−ＪＬ／は分割ｏ−シル１０
０５．軸００６゜サドル（Ｓａｄｄｌｅｓ）　１００７
から構成される。圧延材２３のロール軸方向の形状は形
状検出機構３４で検出され、前記特徴抽出機構８を構成
するニューロコンピュータに入力される。特徴抽出機構
の出力は、確信度として前記制御機構６を構成する指令
発生機構３２へ入力される。この場合、指令発生機構３
２はファジィ制御の演算を実施する。ファジィ制御演算
の結果は指令としてアクチュエータに出力する。アクチ
ュエータは５ａｄｄｌｅｓ１００７を動作させ、その結
果軸１００６が変形し、圧延材２３の形状を制御する。

第２６Ａ図にセンシマミルの軸方向の断面図を示す。圧
延材２３とワークロール１ｏ０１が接触し、ワークロー
ル１００１には第１中間ロール１００２が接触し、第１
中間ロール１００２にはＡＳ−Ｕロール１００４の分割
ロール１００５が接触し、前記分割ロールの軸１００６
は、ベアリングを介して取り付けられた、５ａｄｄｌｅ
ｓ　１００７を操作することにより変形する。

第２６Ｂ図に前記５ａｄｄｌｅｓ　１００７の操作によ
る軸１００６変形が分割ロール１００５．第２中間ロー
ル１００３．第１中間ロール１００２゜ワークロール１
００１を介して圧延材２３を変形させる。その結果を強
調して描いたのが動作波形である。

第２６Ｃ図には、ロールの端部に傾きをつけた第１中間
ロールの動作時における圧延材２３の動作波形を示す。

すなわち、軸方向に第１中間ロールを移動させると、ロ
ール軸の傾きが有る場所は、圧延材に荷重がかからなく
なる。その結果、圧延材の端部が厚くなるのである。

第２７Ａ図〜第２７Ｄ図にもう一度ニューロコンピュー
タの構成と動作例を示す。第２７Ａ図はニューロンの構
造を示し、入力ｘｉは荷重４３ω１を介し加算器４４に
入力され、加算器４４の出力ｙはロジテック関数器４５
に入力され、該ロジテック関数器４５を経て出力される
。ロジテック関数の入力ｙと出力２の関係は以下の式で
表される。

ｚ＝１／　（１＋　［ｅｘｐ　（−ｙ）］　）第２７Ｂ
図はニューロコンピュータの概要を示す。入力信号１０
１０は入力層５１の入力セル３７に入力され、入力層５
１の出力は中間層３９を経て出力層５０より特徴量とし
て出力される。

呂カバターン発生機構６７の出力と、前記出力層５０の
出力が加算器１６１に入力され、加算器１６１の出力で
ある偏差が、学習制御機構６８に入力され、ニューロコ
ンピュータの学習が実施される。

次に、第２７Ｃ図、第２７Ｄ図に学習の過程を示す。す
なわち、学習時で入力端子が凹１０１゜−ａの時、出力
線１０１１が１で、出力線１０１２がＯになるように、
教師信号６７から出力線１ｏ１３が１．出力線１０１４
がＯである出力がでる。学習が終了する前は、出力層５
０の出力線１ｏｌｌ、１０１２はそれぞれ１．０でない
ので、加算器１６１の出力には教師信号との偏差ｅｊが
現われ、第１１図に述べたように学習制御機構６８が、
偏差ｅａ（但し、Ｊ＝１．・・・ｔｎ）が零になるよう
に、第３図の重み関数ωｌ、を変更する。

その結果、凹１０１０−ａが入力されると、出力線１０
１１．１０１２の値が、それぞれ１，０になる。

次に、凸１０１０−ｂを入力し、教師信号６７の出力線
１０１３．１０１４がそれぞれＯ，ｌになる様に学習す
る。

第２８図に、記憶させるべき波形を全て学習させた後の
ニューラルネットワークの動作を示す。

形状検出機構３４の出力波形１０１０−ｃには、凸１０
１０−ａの成分が３０％、凹１０１０−ｂの成分を６０
％含んでいると仮定する。前記出力波形１０１０−ｃが
ニューロコンピュータであるパターン認識機構３３に入
力され、パターン認識機構３３から、パターン凸１０１
０−ａ、パターン凹１０１０−ｂの確信度がそれぞれ０
．３゜０．６であると出力される。一方、オペレータに
は「動作波形が凹ならば中央部のＡＳ−Ｕロールを操作
する」等のノウハウが有る。前記ノウハウに対応するの
が、ファジィ推論ルール１４８に記載されているｒ″前
件部”凹型ならば、“結論部”ＡＳ−Ｕロールの−ＬＩ
Ｊ番目を動作させる」というルールである。前記、特徴
抽出機構の出力は、ファジィルールの前件部の確信度に
対応する。ファジィ制御は、個々の推論ルールの結論部
を合成させ、各アクチュエータの指令を決定する。すな
わち、ファジィ制御は第２図の指令発生機構の機能に対
応する。

次に、第２９図にファジィルールとしてオペレータのノ
ウハウ以外に、実際のアクチュエータ動作波形を求めて
制御する場合の例を示す。オペレータは、第１図のマン
マシンインターフェース７を用いて個々のアクチュエー
タ２を操作する０例えば第２９図の場合、個々の５ａｄ
ｄｌｅｓ　１００７を操作し、ＡＳ−Ｕロールを動作さ
せる。その結果、板厚形状が変化し、動作波形１０１５
が得られる。この動作波形は、第２図の記憶機構３５に
記憶される。学習機構３６、前記記憶機構３５に記憶さ
れた動作波形から、アクチュエータを操作することによ
って、目標とする形状が得られる制御可能な波形１０１
６が含まれる成分を求め、パターン認識機構３３のニュ
ーラルネットワークに学習させる。。

すなわち、この場合の制御可能波形１０１６とは、目標
形状から動作波形１０１５を差し引いたものである。

実際の操業時には、操業波形１０１７がパターン認識機
構３３に入力され、パターン認識機構３３は操業波形１
０１７に含まれる制御可能波形１０１６の成分を第２８
図のファジィ推論の結論部の合成処理１０１８に入力さ
れる。ファジィ結論部の合成処理の出力はアクチュエー
タ２に入力され、所望の圧延材を得る。

このような構成にすると、暖味性の有るオペレータのノ
ウハウを取り入れて制御できると共に、実際にアクチュ
エータを操作してその動作波形から制御を行うことがで
き、従来のモデルを活用した制御より簡単で、良好な制
御が可能となる。

一方、圧延機の板厚制御のように制御対象のモデル化が
比較的正確に行われている制御システムでも、経年変化
、制御対象の非線形性等により制御がうまくいかなくな
る場合が有る。第３０図に制御システムの経年変化等が
有る場合の制御システムを示す。

制御対象１及びアクチュエータ２の状態はセンサ３を介
して制御機構６．フィルタ２００に入力される。フィル
タ２００は第１図に示した特徴抽出機構８の一種である
。フィルタ２００の役割は特徴を抽出したり、ノイズを
低減したりする。第１図との相違点は、指令もフィルタ
２００を介して自己調整機構１１に入力される。フィル
タ２００及び、制御機構からの出力である状態ａ、制御
状態が自己調整機構１１に入力される。

前記自己調整機構１１には、マンマシンインタフェース
７であるオペレータ操作盤からの起動信号と上位系２０
１からの運転条件等が入力される。

第３１図は、制御機構６を詳細に説明するものである。

制御対象１、アクチュエータ２からの状態はセンサ３を
介してフィルタ２００．制御機構６の比較器２０２に入
力される。比較器２０２では自己調整機構１１の出力で
ある目標の一部の目標状態とセンサ３から送られる前記
状態の差である状態偏差が生成され、コントローラｂ２
０３に入力される。コントローラｂ２０３は例えば最適
レギュレータ等の制御則で設計される。

コントローラｂ２０３の出力である制御指令は加算器２
０４．自己調整機構１１に出力される。

加算器２０４は、自己＊＊機構１１からの目標値と、制
御指令を加算し指令を生成する。前記指令は、フィルタ
２０ｏ、コントローラａ２０５に入力される。コントロ
ーラａ２０５とコントローラｂ２０３は古典又は、アド
バンス制御理論によって決定できるものである。

なおここでは、比較器２０２で、偏差値系として制御系
を扱い、加算器２０４でレギュレータ問題として＃御系
を扱う。当然、制御系を絶対値系で記述した構成や、サ
ーボ問題として記述する系もあるが、本質的には、絶対
値系は偏差値系で。

サーボ問題はレギュレータ問題で記述できるので、この
ような仮定は一般性を失わない。

第３２図は、自己調整機構１１の詳細構成図である。制
御機構６からの出力制御指令は、フィルタ２０６を介し
て評価機構２０７に入力される。

評価機構２０７は制御指令の値が許容範囲を超えるか否
かを監視し、許容範囲を超えたときに学習機構３６を起
動する起動信号を発生する。

コントローラｂの出力である制御指令はフィードバック
により外乱、制御システムのモデル誤差、非線形性、経
年変化等に起因する制御対象１の目標値からのずれを補
正するものである。すなわち、制御指令は誤差を増幅し
、制御対象１を目標状態へ引き戻す役割を果たしており
、理想は制御指令が零になることである。

ここで、ランダムな外乱による誤差は、フィルタ２００
を通すことにより除かれ、状態ａは、モデル誤差、経年
変化等ある方向性を持ったもの、すなわち、オフセット
の様なものとなる。前記状態ａの値が大きくなると、制
御系の動作点を変更する必要がある。なぜならばコント
ローラの出力は飽和するのが普通で、例えば、オフセッ
トが大きくなり飽和値に近付くと、外乱が入ってもコン
トローラ出力が飽和し、外乱に対応できなくなる。

評価機構２０７の役割は、例えば、フィルタ２０６の出
力の制御指令の２乗平均等を監視しである値を超えたと
きに、動作点を変更するように学習機構３６に起動信号
を発行する。

前記学習機構３６はオペレータ操作盤７からの起動信号
又は、前記評価機構２０７からの起動信号により起動さ
れる。なお、オペレータは、制御対象１の動作を監視し
、経験と勘から手動でアクチュエータを操作し、制御対
象を理想状態に持っていく。第３０図に示すようにオペ
レータの操作は、手動操作指令として制御機構６に入力
される。

この手動操作指令は強制的に第３１図の目標値を変更す
るものである。

起動された学習機構３６は、前記フィルタ２゜Ｏからの
状態ａと、上位系２０１からの運転条件を受けてニュー
ラルネットワーク２０８のパラメータを変更する。

学習時におけるニューラルネットワーク２０８の入力は
上位系２０１からの運転条件等で、出力は状態ａである
。なお、状態ａは第３１図に示すように、状態と指令か
ら作られる。

学習終了時には、ニューラルネットワーク２０８の出力
である目標は制御対象の動作点を支持、する目標値と、
目標値が入力されたときの制御対象１の理想状態である
目標状態である。ここで、理想状態とは制御対象１が外
乱の影響を受けないときの制御対象とアクチュエータの
状態である。

なお、ニューラルネットワーク２０８と学習機構３６を
合わせて、ニューロコンピュータ２０９という。

このような構成にすると、制御機構の動作点が最適点と
なり、コントローラａは外乱に対応することになり、大
きな外乱が入っても、オフセットを補償する必要が無い
ので、制御できる範囲が拡大できる。

第３３図に本実施例を圧延機板厚制御に適用した場合の
動作概要を示す。

始めに、信号の流れを、実線で表した通常動作を説明し
５次に、破線で表わした学習時の動作を説明する。圧延
機は非線形性が強いため、直接線形制御理論を適用する
のは困難である。そこで、上位系２０１が母材板厚、製
品板厚、鋼種、鋼材等の運転条件がセットアツプデータ
としてニューラルネットワーク２０８に入力される。ニ
ューラルネットワーク２０８は予め学習が済んでいると
仮定すると、前記入力に応じて、圧延機の動作点を決め
る目標値と、圧延機の動作点における圧延機の動作状態
である目標状態を夫々加算器２０４゜２０２へ出力する
。

加算器２０２は、前記目標状態から圧延機の動作状態を
引いて制御偏差を生成し、該制御偏差が第３１図のコン
トローラｂ２０３に相当するＤＤＣ制御系２１０に入力
される。

ＤＤＣ制御系２１０はレギュレータの設計アルゴリズム
等により設計され、制御偏差をフィードバックし、指令
偏差を決定する。

加算器２０４は前記目標値と指令偏差を加算し、圧延機
のアクチュエータ２へ出力する。ここで、第３１図では
指令がコントローラａを介してアクチュエータに入力さ
れているが、第３３図ではコントローラａのゲインが１
であるとすると、第３３図と、第３１図は等価である。

この時、ニューラルネットワーク２０８の係数が最適で
あれば、ＤＤＣ制御系２１０は外乱に対して動作するこ
とになる。

ところで、ニューラルネットワーク２０８の出力が最適
でない場合、その誤差分が制御偏差として現われ制御指
令偏差の値が大きくなる。この時、外乱による指令偏差
は平均値的、又は、平均パワー的に零となる。そこで、
指令偏差を評価機構２０７は監視し、例えば、指令偏差
の自乗誤差の値が基準値を超えた場合に、評価機構２０
７は学習機構３６を起動する。第２図に示す記憶機構３
５には学習機構３６が起動される時点の、加算器２０４
の出力である指令と、制御対象１である圧延機の動作状
態が記憶されており、これらの指令と動作状態を教師信
号として、前記セットアツプデータを入力とし、ニュー
ロコンピュータ２０９を学習させる。

ニューロコンピュータを制御に利用するときの難しさは
教師信号を与える決定的な方法が無かったことにある。

すなわち、入力と、出力の関係が非線形関数で表され、
その対応関係は無限に存在する。しかも、従来のニュー
ロコンピュータは使う人間が教師信号を与えていた。し
かし、制御変数が多い複雑な系では、教える人間が制御
対象の動作を完全に把握できなかったので、最適な教師
信号を作り出せなかった。

この方法は、フィードバック制御は外乱やモデル誤差な
どに起因する誤差を旨く打ち消し、動作点を最適なとこ
ろに移動する方法であることに着目し、最適な動作点を
得るための指令と、最適な動作点における制御対象の動
作状態をニューロコンピュータに学習させる方法である
。すなわち、フィードバック制御はその制御可能な範囲
で最適な点へ動作点を移動するのである。そこで、その
結果を教師信号に用いることで自動的に最適な動作点を
決めていくのである。

一方、オペレータは制御対象の動作状態を監視し、不具
合点が発生すると、手動介入を行う。最終的には、制御
対象の動作は改善され、良い方向に向かう。そのオペレ
ータの操作結果を教師信号とすると、オペレータのノウ
ハウや、直感をニューロコンピュータに反映できるので
ある。

そこで、オペレータが手動介入で第１図のマンマシンイ
ンタフェース７を構成するオペレーションコンソール２
１１を操作する。オペレーションコンソール２１１の出
力は加算器２０４に印加され、指令が変更される。それ
らの操作が安定した時点で、制御対象の動作点は最適点
、又はその近傍にある。

安定点は、安定に達したというオペレータの判断、オペ
レータの最終操作から一定時間経過又は、指令偏差の定
常偏差の監視等により判断でき、学習機構３６を起動す
る。学習機構起動後のシステムの動作は、前記評価機構
２０７により学習機構３６が起動される場合と同じであ
る。

第３４図に本発明をエレベータ制御装置に適用した場合
を示す、エレベータ乗り駕篭２２０はカウンタウェイト
２２１とシーブ２２２を介し、ロープ２２３でつるべ状
になって釣り合っている。

シーブ２２２には電動機２２３が連結され、電動機２２
３が回転することによりエレベータ乗り駕篭２２０が上
下する。電動機２２３にはパルスジェネレータ２２４が
接続され、パルスジェネレータ２２４の出力はセンサ３
を構成する位置検出機構２２５、速度検出機構２２６に
印加される。位置検出機構２２５、速度検出機構２２６
の出力は速度制御機構２２７、自己調整機構１１、上位
系２０１に相当するエレベータシーケンス制御機構２２
８に入力される。速度制御機構２２７は、エレベータ乗
り駕篭２２０の位置、速度情報及び、エレベータシーケ
ンス制御機構２２８の情報を用いフィードバック制御則
にのっとり電力変換機構２２９に制御指令を出力する。

電力変換機構２２９は、速度制御機構２２７の指令を解
釈し、電動機２２３に供給する電力を制御する機構であ
る。前記電力変換機構２２９は、対象とする電動機の種
類により、インバータ、コンバータ、位相制御、サイク
ロコンバータ等が考えられる。

一方、エレベータ乗客はホールに配置された呼びボタン
２３０，２３１、又は、乗り駕篭内の行き先ボタンを操
作し、これに従って、エレベータシーケンス制御機構２
２８はエレベータ乗り駕篭の行き光位置と減速開始位置
等を決定する。

ところで、エレベータは非線形性が強く、例えば、特定
の階を通過するときに振動する。振動が発生すると、速
度制御機構２２７の制御指令は、制御偏差が増大するた
め大きくなる。その結果、第３２図に示す構成の自己調
整機構１１は速度制御機構２２７の制御指令の２乗平均
の値がある基準値を超えたことを判断し、その動作の前
後のエレベータのセンサである位置検出機構２２５、速
度検出機構２２６等の情報を記憶している記憶機構３５
の情報を教師信号として学習機構３６が動作する。

学習機構３６が学習を終了し、エレベータが振動を発生
する条件になると、自己調整機構１１により速度制御機
構２２７への速度指令を補正する。

以上の動作を第３５図に図式的に示す。エレベータシー
ケンス制御機構２２８はエレベータの乗り駕篭２２０や
ホール釦２３０，２３１の乗客による操作で、エレベー
タを走行させるための速度指令を自己調整機構１１を介
して速度制御機構２２７に入力する。エレベータが特定
の階床を通過するときに振動が発生すると、速度制御機
構は偏差に応じて制御指令を発生し、電力変換機構２２
９を制御する。電力変換機構２２９は電動機２２３の回
転速度を制御する。その結果、パルスジェネレータ２２
４、速度及び位置検出機構２２５．２２６を介して速度
カーブが得られ、この速度カーブは速度制御機構２２７
が働いているので、エレベータシーケンス機構２２８か
ら出力された速度指令よりは理想とする速度指令になっ
ている。

この速度指令を発生させるために、速度制御機構２２７
の制御指令の値が大きくなっているため、自己調整機構
１１が働き、学習を行う。この時の教師信号には、速度
検出機構２２５から得られた速度カーブと、振動が発生
する条件、例えば特定階を上昇、又は、下降等の条件も
入力される。自己調整機構１１は、速度制御機構２２７
の出力の制御指令が最小になるように上記振動が発生す
る条件が入力されたときに前記の速度カーブを速度制御
装置２２７′４こ出力する。

第３６図に本発明を電車の制御に適用する場合の１例を
示す。電車２５０は架空線２５１と、線路２５２′から
電力を供給されて走行する。運行管理システム２５３は
、電車２５０の位置を列車位置検出機構２５４を介して
検出し、列車の位置に対応して信号機２５５、速度指令
発生機構２５６に指令を発生する。速度指令発生機構２
５６は運行管理システム２５３の指示に従い列車制御機
構２５６に速度指令を発生する。列車制御機構２５６は
、前記速度指令と、列車位置検出機構２５４からの列車
速度を用い、列車２５０の速度を制御するのである。こ
こで、列車位置検出機構２５４、速度指令発生機構２５
６、及び運行管理システム２５３の機能の一部は、列車
２５０に積載される場合も考えられる。

第３７図に列車制御機構２５６の概要を示す。

列車位置検出機構２５４、速度指令発生機構２５６の出
力は自己調整機構１１に入力される。自己調整機構１１
には更に、制御機構２２７、電力変換機構２２９、パル
スジェネレータ２２４の出力が位置又は速度として入力
される。自己調整機構１１からの速度指令と、パルスジ
ェネレータ２２４からの位置及び速度を受けて制御機構
２２７は、電力変換機構２２９及び、自己調整機構１１
に制御指令を出力する。電力変換機構２２９は変圧器２
５７の２次巻線から電力の供給とを受けると共に前記制
御指令を受けて電動機２２２に電力を供給する。前記変
圧器２５７の一次巻線にはパンタグラフ２５８と車輪２
５９が接続され、架空線２５１及び線路２５２から供給
される電力が電力変換装置２２９へ供給される。これら
、第３６図、第３７図に示すシステム構成は、第３４図
、第３５図に示すエレベータのシステム構成と同じ構成
となる。ここでは、電車の動作について詳細に述べない
が、エレベータの場合と同じ動作をする。

また、本実施例では、交流電車の制御について述べてい
るが、直流電車は電力変換機と変圧器の構成が異なるだ
けで、制御系の本質は変わらないので本発明の考えは、
直流電車に拡張できる。

更に、動力分散型の電車について述べたが、動力集中型
の電気機関車の制御装置の構成は、電車の制御装置の構
成と同じであるので、本発明が電気機関車に適用できる
ことは、自明である。

第３８図に本発明を自動車の制御に適用する実施例を示
す。自動車のエンジン２６０で発生した動力は、変速機
２６１を介して車輪２６２に伝達される。エンジン２６
０はキャブレター等のアクチュエータを介して制御機構
２２７から制御され、エンジン２６０、変速機２６１の
状態は制御機構２２７、自己調整機構１１に入力される
。前記制御機構２２７はエンジン制御部、変速機制御部
からなり、自動車の運転者が操作するアクセル機構２６
３、操舵機構２６４の操作による指示で制御される。

最近は、一定速度で自動車を走行させる自動運転装置が
装備される車がある。これは、外部から制御機構２２７
に対し走行する速度を指示する。

制御機構２２７はセンサからのフィードバックを使い一
定速度で走行する。

自己調整機構１１は、センサ３からの出力と、制御機構
２２７からの情報を受けて、制御偏差が大きくなると自
己調整機構が働いて、アクチュエータ２に対する指令を
変更する。制御偏差が増大する原因として、経年変化等
や、潤滑油の交換、気候変化等が考えられ、これらは複
雑に絡み合った非線形制御系となっている。ここでは、
これら自動車の制御系の動作を、前述の圧延機の動作と
対応をつけながら説明する。

自動車は、運転者の指示で一定速度で走行する状態を仮
定する。運転者は速度計等を見て、速度が下がった場合
、アクセル２６３を踏み込む。その結果、第３３図に示
した圧延機のオペレータのオペレーションコンソール２
１１の指示と同様に自己調整機構１１に対し起動信号を
発行したあとの動作となる。ここでは、自動車の特殊性
は特にない。

つぎに、第３９図に第３２図の変形例を示す。

非線形性は強いが制御対象のモデルが比較的あっている
場合はそのモデルを利用し、誤差を補正する方法が考え
られる。上位系２０１からの運転条件と、フィルタ２０
０からの状態ａがセットアツプ制御系２７０に入力され
る。セットアツプ制御系２７０では目標の状態と目標を
設定し、運転条件及び、状態ａと目標状態の偏差を状態
偏差として学習機構３６に出力する。第３２図との違い
は、ニューロコンピュータ２０９が絶対値ではなくある
基準（セットアツプ制御系２７０で決めた目標値、目標
状態）からのずれである偏差値系で動作する点にある。

第４０図に圧延機の板厚制御系の動作の例で、第３３図
の変形を示す。上位系２０１から運転条件を入力された
セットアツプモデル２７１は、制御対象の目標値と目標
状態を出力する。制御対象１の状態はフィルタ２００を
介し加算器２０２に入力される。加算器２０２は上記状
態と、セットアツプモデルからの目標状態、ニューラル
ネットワークからの目標状態偏差を加減算し、状態偏差
を求める。状態偏差はＤＤＣ制御系と、記憶機構３５を
介し教師信号としてニューロコンピュータ２０９の学習
機構３６に入力される。ＤＤＣ制御系２１０はレギュレ
ータ問題として制御偏差がゼロになるように動作し、制
御指令として加算器２７２に入力される。加算器２７２
では前記制御指令と、オペレーションコンソールの手動
指令が加算され新しい制御指令として加算器２０４、評
価機構２０７に入力される。加算器２０４は、制御指令
、前記セットアツプモデル２７１からの目標値、及び、
ニューラルネットワーク２０８からの目標値偏差が加算
され、アクチュエータ２に対する指令が生成される。こ
こで、セットアツプモデル２７１、加算器２０２，２７
２，２０４の機能を合わせてセットアツプ制御系２７０
と呼ぶ。

このような構成の板厚制御系を備えた圧延装置り巳おい
て、圧延機が動作すると、温度上昇が発生し、潤滑油の
摩擦抵抗が減少し板厚が変化する。

その結果、目標状態からずれるため、加算器２０２の出
力の状態偏差が大きくなる。ＤＤＣ制御系２１０は状態
偏差が大きくなったので、その偏差を減少させるように
制御指令を発生する。制御指令は偏差を急速に減少させ
るため、通常は偏差を増幅するので、評価機構２０７が
動作し、学習を開始する。加算器２０４では、前記制御
指令と、セットアツプモデル２７１からの目標値を加算
しアクチュエータ２に対する指令を発生する。

次にニューロコンピュータ２０９の学習過程を説明する
。学習機構３６の教師信号の入力は上位系２０１からの
運転条件で、出力は状態偏差と制御指令である。学習が
終了するとニューラルネットワーク２０８の出力、は目
標状態偏差として加算器２０２に、目標指令値偏差とし
て加算器２０４に加えられる。その結果、学習前には、
加算器２０２の出力は、学習後の目標状態の偏差と等し
かったが、学習後は、目標状態偏差が引かれゼロとなる
。−力指令は、ＤＤＣ制御系からの出力がゼロであるが
、目標値偏差がニューラルネットワークから出力される
ので、学習前の制御状態と同じ指令が加算器２０４から
得られる。

〔発明の効果〕

本発明によれば、定性的な知識が定量化され、この定量
化された情報によってアクチュエータが操作され、また
、制御によって移動した動作点が求められ、該動作点に
基づいて制御が行われるので、従来、自動制御システム
に導入するのが困難だった定性的な知識が自動制御に導
入され、多様な制御対象を充分な制御余裕をもって制御
することが可能となった。

【図面の簡単な説明】

第１図は本発明の一実施例の構成図、第２図は本発明を
圧延機制御システムに適用した実施例、第３図はパター
ン認識機構図、第４図は指令発生機構図、第５図は操作
量決定手段の構成図、第６図は知識ベース構成図、第７
図は操作量決定手段の動作説明図、第８図はプロダクシ
ミン機構の動作説明図、第９図は指令値計算手段の構成
図、第１ｏ図は入力切換え装置の構成、第１１図は学習
機構の構成、第１２図は学習制御機構とノードの荷重関
数との関連図、第１３図は学習制御機構の基本処理図、
第１４図は記憶機構の構成図、第１５図はパターン認識
機構図、第１６図は学習機構にシミュレータを備えた時
の構成図、第１７図はパターン認識機構の動作説明図、
第１８図は入力パターン例、第１９図はパターン認識機
構の出力の説明図、第２０図、第２１図は圧延材の時間
的変化の説明図、第２２図はプロダクションルールとフ
ァジィルールの一例を示した図、第２３図は類似度を操
作量へ変換する方法の説明図、第２４図は入力波形の処
理状況の説明図、第２５図はＺＲミルへの適用例、第２
６Ａ図〜第２６Ｃ図はＺＲミルの構造図、第２７Ａ図〜
第２７Ｄ図はニューロコンピュータの学習の具体例、第
２８図はニューロ特徴抽出及びファジィ制御の具体例。第２９図は本発明のＺＲミルへの適用時の動作波形の一
例、第３０図は自己調整機能の全体説明図、第３１図は
制御機構の具体的構成図、第３２図は自己調整機構の構
成図、第３３図は自己調整機構の動作図、第３４図は本
発明のエレベータへの適用例、第３５図はエレベータの
動作波形図、第３６図は本発明の車両制御への適用例、
第３７図は列車制御機構の構成図、第３８図は本発明の
自動車制御への適用例、第３９図はモデルを併用する場
合の自己組織化の一例、第４０図はモデル併用自己組織
化の具体例である。１・・・制御対象、２・・・アクチュエータ、３・・・
検出装置（センサ）、５・・・最適性判定装置、６・・
・制御機構、２３・・・圧延材、２６〜３１・・・駆動
機構、３２・・・指令発生機構、３３・・・パターン認
識機構、３５・・・記憶機構、３６・・・学習機構、３
９・・・第１段の中間層、４７．４９・・・別の中間層
、５０・・・出力層、５１・・・入力層、６５・・・入
力パターン発生機構、６６・・・比較機構、６７・・・
出力パターン発生機構、６８・・学習制御機構、２０９
・・・ニューロコンピュータ。

Claims

【特許請求の範囲】

１．アクチュエータにより動作する制御対象と、前記ア
クチュエータを制御する制御機構と、前記制御対象とア
クチュエータの動作を検出する検出器から構成される検
出装置からなる制御システムにおいて、前記検出装置の
出力信号から、前記制御対象及びアクチュエータの動作
を総合判定し、前記判定結果に基づいて前記アクチュエ
ータ制御機構に制御指令を送信する最適性判定機構を備
えたことを特徴とする制御システム。
２．請求項第１項において、制御機構は上位計算機の情
報、又は、制御装置の操作者の操作をもとに指令を発生
する前記最適性判定機構の指令と、制御対象の制御量と
の偏差を減少させるようにフィードバック制御量を決定
し、アクチュエータに制御指令を発生する制御装置から
構成されることを特徴とする制御システム。
３．請求項第２項において、最適性判定機構は、前記制
御機構の偏差に応じて、指令を変更できる機構を有する
ことを特徴とする制御システム。
４．請求項第３項において、最適性判定機構は前記制御
機構の偏差が予め決めておいた判定基準を超えたことを
認知する機構を設けたことを特徴とする制御システム。
５．請求項第４項において、最適性判定機構は、上位計
算機の情報、又は、制御装置の操作者の操作をもとに指
令を発生する機構を有し、前記判定基準を超えた時に、
指令を変更する機構を設けたことを特徴とする制御シス
テム。
６．請求項第４項において、最適性判定機構の指令を発
生する機構は、制御偏差を減少させるように指令を変更
することを特徴とする制御システム。
７．請求項第６項において、前記最適性判定装置の指令
を発生する機構にニューロコンピュータを用いることを
特徴とする制御システム。
８．請求項第１項において、前記最適性判定機構は、予
め記憶した複数の制御方策から最適な制御方策を選択す
る意志決定機構、前記検出装置より出力された複数の検
出信号から、前記選択された制御方策を用い処理指令を
発生する制御機構と、前記操作量決定手段により決定し
た操作量を、個々のアクチュエータの制御指令に変換す
る指令値計算手段により構成されることを特徴とする制
御システム。
９．請求項第８項において、操作量決定手段に記憶され
た複数の制御方策とは、知識ベースと推論部より構成さ
れた推論制御方策、パターン認識手法を用いた制御方策
、フィードバック制御等に用いられる補償器を用いた制
御方策、状態モデルを用いた制御方策のいずれかから成
ることを特徴とする制御システム。
１０．請求項第１項において、前記最適性判定機構は、
前記検出装置の複数の検出信号の複数の組合せパターン
と前記複数の組合せパターンに対応したアクチュエータ
の操作量を記憶する手段を有し、前記検出装置の複数の
検出信号の新規出力パターンと、先に記憶された出力パ
ターンを比較し、類似度の最も大きい記憶パターンに対
する複数のアクチュエータの操作量を出力する構成とし
たことを特徴とする制御システム。
１１．請求項第１項において、前記最適性判定機構は、
前記検出装置からの複数の検出信号の組み合せから、前
記出力信号のパターンの類似度を求めるパターン認識機
構と、前記類似度から複数のアクチュエータの個々の操
作量を決定し、決定した操作量を前記複数のアクチュエ
ータの指令信号に変換する指令発生機構より構成される
ことを特徴とする制御装置。
１２．請求項第１１項において、前記パターン認識機構
は、前記検出装置の複数の出力信号の組合せパターンを
取り込む入力層と、前記入力層の出力信号に重みを掛け
て加算し、その結果を指定した関数で写像する複数のノ
ードで構成された第１段の中間層と、前記第１の中間層
の各ノードの出力信号を入力信号として重みを掛けて加
算し、その結果を指定した関数で写像する複数のノード
で構成された別の中間層を複数段有し、前記別の中間層
の最終段が、パターンの類似度を判定結果として出力す
る出力層で構成されたことを特徴とする制御システム。
１３．請求項第１２項において、前記指令発生機構は前
記パターン発生機構の出力である複数のパターンの類似
度から、知識ベースと推論機構を用いてアクチュエータ
に対する操作量を求め、前記操作量を前記複数のアクチ
ュエータの制御機構に対する指令信号に変換する構成と
したことを特徴とする制御システム。
１４．請求項第１項において、前記最適性判定装置の判
定結果の良否を判断する機構と、判断結果を外部に報知
する手段と、前記最適性判定装置の内容を変更する手段
とを有する教示装置を備えたことを特徴とする制御シス
テム。
１５．請求項第１項において、前記検出装置の出力信号
を時系列的に記憶する記憶機構を設け、前記検出器の出
力と前記記憶機構の出力を前記最適性判定装置へ入力し
、前記最適性判定装置では時間的変化も加味した総合判
定を可能としたことを特徴とする制御システム。
１６．複数の検出器の検出信号と、前記検出器の出力信
号に応じて制御を実行する複数のアクチュエータ制御機
構と、前記複数のアクチュエータの動作により制御され
る制御対象で構成された制御システムにおいて、前記複
数の検出信号の組合せをパターンとして認識し、前記信
号の組合せパターンを予め記憶する機能と、予め記憶さ
れたパターンと新規入力パターンを比較する機能、比較
結果をパターンの類似度として出力するパターン認識機
構と、前記パターンの類似度をファジ推論により各アク
チュエータの操作量に変換し、前記操作量を前記各アク
チュエータの指令値に変換する指令発生機構とを備えた
ことを特徴とする制御システム。
１７．請求項第１６項において、前記パターン認識機構
にニューロコンピュータを用いたことを特徴とする制御
システム。
１８．請求項第１７項において、前記パターン認識機構
に入力パターンを印加し、前記パターン認識機構が理想
出力となるように予め前記パターン認識機構の各ノード
の重みを変更するための学習機構を備えたことを特徴と
する制御システム。
１９．請求項第１８項において、前記学習機構はパター
ン認識機構の入力層に入力する入力パターン発生機構、
前記パターン認識機構の理想出力を発生する出力パター
ン発生機構、前記パターン認識機構の出力パターンと、
前記出力パターン発生機構の偏差を求める比較機構、前
記比較結果に基づき、パターン発生機構内のノードの重
みを変更する指令、及び前記入力パターン発生機構、出
力パターン発生機構の動作指令を発生する学習制御機構
で構成されることを特徴とする制御システム。
２０．請求項第１６項において、前記複数の検出器の検
出信号を時系列的に記憶する記憶機構を備え前記検出器
の検出信号と並列に前記記憶機構の出力を前記パターン
認識機構に入力する構成としたことを特徴とする制御シ
ステム。
２１．複数のアクチュエータで動作する制御対象と、前
記複数アクチュエータの動作および制御対象の動作を検
出する検出器よりなる制御システムにおいて、前記複数
の検出信号を用いて、制御システム全体の動作を認識し
、システム全体としての動作が最適となるように前記個
々のアクチュエータの制御量を決定する最適性判定装置
を備えたことを特徴とする制御システム。
２２．複数の駆動機構を備え材料を圧延する圧延機の制
御システムにおいて、前記複数の駆動機構の状態及び圧
延材の状態を検出して、その検出信号に基づいてシステ
ム全体の動作の良否を判定し、前記各駆動機構の操作量
に分類して、前記各駆動機構に指令信号を出力する構成
とした制御システム。
２３．複数のアクチュエータの動作状態を入力できる複
数の入力端子と複数のアクチュエータに対する制御指令
を出力する複数の出力端子を有し、前記入力信号に基づ
き、システム全体の動作の良否を判定し、その判定結果
に基づき各出力端子への出力信号を決定する機能を備え
た最適性判定装置。
２４．請求項第２３項において、システム全体の動作信
号の組合せをパターン化し、前記パターンを記憶する機
能を有し、記憶された複数のパターンと新規入力信号の
パターンとの類似度を求め、前記類似度から、各当力信
号を求める推諭機能とで構成された最適性判定装置。