JPH06187006A - 外乱補償装置 - Google Patents
外乱補償装置Info
- Publication number
- JPH06187006A JPH06187006A JP3321924A JP32192491A JPH06187006A JP H06187006 A JPH06187006 A JP H06187006A JP 3321924 A JP3321924 A JP 3321924A JP 32192491 A JP32192491 A JP 32192491A JP H06187006 A JPH06187006 A JP H06187006A
- Authority
- JP
- Japan
- Prior art keywords
- disturbance
- signal
- output
- control
- compensating means
- 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
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】オペレータの試行錯誤により行われていた外乱
補償手段のパラメータの設定を、労力を必要とせず行う
ことができるようにすると共に、プロセスに混入する外
乱を効果的に打ち消す。 【構成】ステップ外乱発生手段と、外乱信号を入力し制
御演算部からの制御出力に外乱補償の為の信号を与えて
それを修正する内部パラメータが変更可能に構成された
外乱補償手段と、外乱信号と外乱補償手段からの信号に
より修正された制御演算部からの信号を入力するプロセ
スモデルと、外乱補償手段の内部パラメータを変更する
ための学習用信号を出力する信号発生手段と、学習動作
時においては前記プロセスモデルからの応答出力を入力
し、適応動作時おいては制御対象プロセスからの応答信
号を入力するニューラルネットワーク波形認識部と、適
応動作時においてニューラルネットワーク波形認識部の
出力に基づき前記外乱補償手段の内部パラメータを変更
・修正するパラメータ修正手段とで構成される。
補償手段のパラメータの設定を、労力を必要とせず行う
ことができるようにすると共に、プロセスに混入する外
乱を効果的に打ち消す。 【構成】ステップ外乱発生手段と、外乱信号を入力し制
御演算部からの制御出力に外乱補償の為の信号を与えて
それを修正する内部パラメータが変更可能に構成された
外乱補償手段と、外乱信号と外乱補償手段からの信号に
より修正された制御演算部からの信号を入力するプロセ
スモデルと、外乱補償手段の内部パラメータを変更する
ための学習用信号を出力する信号発生手段と、学習動作
時においては前記プロセスモデルからの応答出力を入力
し、適応動作時おいては制御対象プロセスからの応答信
号を入力するニューラルネットワーク波形認識部と、適
応動作時においてニューラルネットワーク波形認識部の
出力に基づき前記外乱補償手段の内部パラメータを変更
・修正するパラメータ修正手段とで構成される。
Description
【０００１】
【産業上の利用分野】本発明は、プロセスを制御するた
めの調節計などに適用されるフィードフォーワード外乱
補償装置に関し、更に詳しくは、プロセスに混入する外
乱に応じてパラメータ（ゲインや時定数）を最適な値に
自動調節（自動チューニング）して、その外乱の影響を
効果的に抑制するようにした外乱補償装置に関する。
めの調節計などに適用されるフィードフォーワード外乱
補償装置に関し、更に詳しくは、プロセスに混入する外
乱に応じてパラメータ（ゲインや時定数）を最適な値に
自動調節（自動チューニング）して、その外乱の影響を
効果的に抑制するようにした外乱補償装置に関する。
【０００２】
【従来の技術】従来より、通常のプロセス制御において
は、フィードバック調節計が広く用いられており、そこ
に設定されるＰＩＤ制御演算定数等のパラメータも、自
動的にチューニングする手法が数多く提案されている。
は、フィードバック調節計が広く用いられており、そこ
に設定されるＰＩＤ制御演算定数等のパラメータも、自
動的にチューニングする手法が数多く提案されている。
【０００３】一方、外乱の影響を効果的に無くする場合
の制御装置として、フィードフォワード制御装置も実用
化されている。この種の装置に適用されているフィード
フォワード補償器において、そのパラメータのチューニ
ングは、オペレータが試行錯誤により設定しており、相
当の労力と勘を必要としていた。
の制御装置として、フィードフォワード制御装置も実用
化されている。この種の装置に適用されているフィード
フォワード補償器において、そのパラメータのチューニ
ングは、オペレータが試行錯誤により設定しており、相
当の労力と勘を必要としていた。
【０００４】
【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、ステップ外乱に対して、ゲ
イン・時定数等のパラメータを自動的に最適な値に修正
することのできる自動チューニング機能を備えたフィー
ドフォーワード外乱補償装置を提供することを目的とす
る。
況に鑑みてなされたもので、ステップ外乱に対して、ゲ
イン・時定数等のパラメータを自動的に最適な値に修正
することのできる自動チューニング機能を備えたフィー
ドフォーワード外乱補償装置を提供することを目的とす
る。
【０００５】
【課題を解決するための手段】この様な目的を達成する
本発明は、プロセスからのプロセス信号と制御目標値と
の偏差に対して所定の制御演算を行い、演算結果を操作
信号としてプロセスへ出力するようにした制御演算部を
有した制御装置において、ステップ状の外乱信号を出力
するステップ外乱発生手段と、このステップ外乱発生手
段からの外乱信号を入力し前記制御演算部からの制御出
力に外乱補償の為の信号を与えてそれを修正する内部パ
ラメータが変更可能に構成された外乱補償手段と、前記
ステップ外乱発生手段からの外乱信号と外乱補償手段か
らの信号により修正された制御演算部からの信号を入力
するプロセスモデルと、外乱補償手段の内部パラメータ
を変更するための学習用信号を出力する信号発生手段
と、学習動作時においては前記プロセスモデルからの応
答出力を入力し、適応動作時おいては制御対象プロセス
からの応答信号を入力するニューラルネットワーク波形
認識部と、適応動作時においてニューラルネットワーク
波形認識部の出力に基づき前記外乱補償手段の内部パラ
メータを変更・修正するパラメータ修正手段と、を設け
たことを特徴とするフィードフォーワード外乱補償装置
である。
本発明は、プロセスからのプロセス信号と制御目標値と
の偏差に対して所定の制御演算を行い、演算結果を操作
信号としてプロセスへ出力するようにした制御演算部を
有した制御装置において、ステップ状の外乱信号を出力
するステップ外乱発生手段と、このステップ外乱発生手
段からの外乱信号を入力し前記制御演算部からの制御出
力に外乱補償の為の信号を与えてそれを修正する内部パ
ラメータが変更可能に構成された外乱補償手段と、前記
ステップ外乱発生手段からの外乱信号と外乱補償手段か
らの信号により修正された制御演算部からの信号を入力
するプロセスモデルと、外乱補償手段の内部パラメータ
を変更するための学習用信号を出力する信号発生手段
と、学習動作時においては前記プロセスモデルからの応
答出力を入力し、適応動作時おいては制御対象プロセス
からの応答信号を入力するニューラルネットワーク波形
認識部と、適応動作時においてニューラルネットワーク
波形認識部の出力に基づき前記外乱補償手段の内部パラ
メータを変更・修正するパラメータ修正手段と、を設け
たことを特徴とするフィードフォーワード外乱補償装置
である。
【０００６】
【作用】プロセスモデルを含む構成は、外乱に対する外
乱補償手段の種々のパラメータに対する制御系の閉ルー
プ応答波形をシミュレーションする機能を有している。
乱補償手段の種々のパラメータに対する制御系の閉ルー
プ応答波形をシミュレーションする機能を有している。
【０００７】外乱補償手段は、学習動作時において信号
発生手段からの信号に基づいて内部パラメータが変更さ
れる。ニューラルネットワーク波形認識部は、学習動作
時において、閉ループ応答波形を学習することにより、
外乱補償手段の内部パラメータの適否を学習する。
発生手段からの信号に基づいて内部パラメータが変更さ
れる。ニューラルネットワーク波形認識部は、学習動作
時において、閉ループ応答波形を学習することにより、
外乱補償手段の内部パラメータの適否を学習する。
【０００８】適応動作時には、学習を終えたニューラル
ネットワーク波形認識部に、制御対象プロセスからの応
答信号が与えられ、ここからの出力に基づき、パラメー
タ修正手段が外乱補償手段の内部パラメータを自動的に
最適な値になるように修正する。
ネットワーク波形認識部に、制御対象プロセスからの応
答信号が与えられ、ここからの出力に基づき、パラメー
タ修正手段が外乱補償手段の内部パラメータを自動的に
最適な値になるように修正する。
【０００９】
【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。図１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は制御対象であるプロセ
ス、２は制御演算部で、適応動作時において、プロセス
１からのプロセス信号ＰＶと制御目標値ＳＶとの偏差に
対して所定の制御演算（例えばＰＩＤ制御演算）を行
い、演算結果を操作信号（制御出力）ＭＶとしてプロセ
ス１へ出力するように構成されていて、ＰＩＤ調節計等
が用いられる。
説明する。図１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は制御対象であるプロセ
ス、２は制御演算部で、適応動作時において、プロセス
１からのプロセス信号ＰＶと制御目標値ＳＶとの偏差に
対して所定の制御演算（例えばＰＩＤ制御演算）を行
い、演算結果を操作信号（制御出力）ＭＶとしてプロセ
ス１へ出力するように構成されていて、ＰＩＤ調節計等
が用いられる。
【００１０】３はステップ状の外乱信号を出力するステ
ップ外乱発生手段、４はこのステップ外乱発生手段３か
らの外乱信号を入力し、制御演算部２からの制御出力Ｍ
Ｖに外乱補償の為の補償信号ＣＮを与えて（この例では
ＣＮを引き算して）、それを修正する内部パラメータが
変更可能に構成された外乱補償手段である。
ップ外乱発生手段、４はこのステップ外乱発生手段３か
らの外乱信号を入力し、制御演算部２からの制御出力Ｍ
Ｖに外乱補償の為の補償信号ＣＮを与えて（この例では
ＣＮを引き算して）、それを修正する内部パラメータが
変更可能に構成された外乱補償手段である。
【００１１】５はステップ外乱発生手段３からの外乱信
号と外乱補償手段４からの信号により修正された制御演
算部２からの信号を入力するプロセスモデルで、制御対
象プロセス１をシミュレートしたものであって、内部に
は学習用の外乱特性モデル５１と、学習用のプロセスモ
デル５２とを含んでいる。なお、ここでは１次遅れと、
無駄時間とで表されるものを想定しているが、制御対象
プロセス１に応じて例えば、２次遅れ等を含むものを用
いることも可能である。
号と外乱補償手段４からの信号により修正された制御演
算部２からの信号を入力するプロセスモデルで、制御対
象プロセス１をシミュレートしたものであって、内部に
は学習用の外乱特性モデル５１と、学習用のプロセスモ
デル５２とを含んでいる。なお、ここでは１次遅れと、
無駄時間とで表されるものを想定しているが、制御対象
プロセス１に応じて例えば、２次遅れ等を含むものを用
いることも可能である。
【００１２】６は外乱補償手段４の内部パラメータを変
更するための学習用信号を出力する信号発生手段、７は
ニューラルネットワーク波形認識部で、バックプロパゲ
ーション機能を有している。このニューラルネットワー
ク波形認識部７は、学習動作時においては、プロセスモ
デル５からの応答出力を入力すると共に、ステップ外乱
発生手段３からステップ外乱発生のタイミング信号を入
力し、適応動作時おいては制御対象プロセス１からの応
答信号と、そのプロセス１に混入する外乱信号を測定す
る外乱測定手段８からのタイミング信号を入力する。
更するための学習用信号を出力する信号発生手段、７は
ニューラルネットワーク波形認識部で、バックプロパゲ
ーション機能を有している。このニューラルネットワー
ク波形認識部７は、学習動作時においては、プロセスモ
デル５からの応答出力を入力すると共に、ステップ外乱
発生手段３からステップ外乱発生のタイミング信号を入
力し、適応動作時おいては制御対象プロセス１からの応
答信号と、そのプロセス１に混入する外乱信号を測定す
る外乱測定手段８からのタイミング信号を入力する。
【００１３】９は適応動作時において、ニューラルネッ
トワーク波形認識部７の出力に基づき、外乱補償手段４
の内部パラメータ（例えばゲインＫｆ，時定数Ｔｆ）を
変更・修正するパラメータ修正手段である。Ｓ１〜Ｓ５
はいずれもスイッチで、ニューラルネットワーク波形認
識部７の学習時は、Ｌ側に接続され、適応動作時はＡ側
に接続されるようになっている。
トワーク波形認識部７の出力に基づき、外乱補償手段４
の内部パラメータ（例えばゲインＫｆ，時定数Ｔｆ）を
変更・修正するパラメータ修正手段である。Ｓ１〜Ｓ５
はいずれもスイッチで、ニューラルネットワーク波形認
識部７の学習時は、Ｌ側に接続され、適応動作時はＡ側
に接続されるようになっている。
【００１４】図２は、ニューラルネットワーク波形認識
部７の要部の構成概念図である。この図において、７０
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Ｕ１１〜Ｕｍｎ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。
部７の要部の構成概念図である。この図において、７０
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Ｕ１１〜Ｕｍｎ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。
【００１５】このニューラルネットワークの構成は、例
えば合原一幸著「ニューラル，コンピュータ−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）Ｐ１
１５〜１２４に詳しく開示されている。
えば合原一幸著「ニューラル，コンピュータ−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）Ｐ１
１５〜１２４に詳しく開示されている。
【００１６】７１は応答波形入力手段で、プロセスモデ
ル５からの閉ループ応答波形を、ニューラルネットワー
ク７０に何度も入力させ、このニューラルネットワーク
に学習をさせる機能を有している。７２は教師信号Ｔｐ
１〜Ｔｐ６を出力する教師信号発生手段、７３はニュー
ラルネットワーク７０からの出力信号Ｏ１〜Ｏ６と、教
師信号発生手段７２からの教師信号Ｔｐ１〜Ｔｐ６との
比較結果を入力し、ニューラルネットワーク７０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。
ル５からの閉ループ応答波形を、ニューラルネットワー
ク７０に何度も入力させ、このニューラルネットワーク
に学習をさせる機能を有している。７２は教師信号Ｔｐ
１〜Ｔｐ６を出力する教師信号発生手段、７３はニュー
ラルネットワーク７０からの出力信号Ｏ１〜Ｏ６と、教
師信号発生手段７２からの教師信号Ｔｐ１〜Ｔｐ６との
比較結果を入力し、ニューラルネットワーク７０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。
【００１７】７４はニューラルネットワーク７０からの
信号と、教師信号発生手段７２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７３に印加される。
信号と、教師信号発生手段７２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７３に印加される。
【００１８】パラメータ修正手段９は、適応動作時にお
いて、ニューラルネットワーク７０からの信号に基づ
き、外乱補償手段４に設定されているパラメータを自動
的に修正するように構成してある。
いて、ニューラルネットワーク７０からの信号に基づ
き、外乱補償手段４に設定されているパラメータを自動
的に修正するように構成してある。
【００１９】このように構成した装置の動作を、ニュー
ラルネットワーク波形認識部７の学習動作と、学習結果
に基づく適応動作とに分けて説明すれば以下の通りであ
る。 （学習動作）この学習動作モードでは、各スイッチ手段
Ｓ１〜Ｓ５は、いずれもＬ側に接続され、各ネットワー
ク間の結合強度をバックプロパゲーション手段７３によ
って調整し、設定されたパラメータに対して、それが適
性か否かの正しい評価が行えるようにするものであり、
以下のステップで行われる。 （ａ）先ず、学習用のデータとして何通りか既知のパラ
メータ（ゲイン，時定数）を外乱補償手段４に与えたと
きの応答波形をシミュレーションによって求める。 （ｂ）外乱を打ち消す最適ゲイン・時定数を外乱補償手
段４に与えたときの最適応答波形をシミュレーションに
よって求める。 （ｃ）前記した（ａ），（ｂ）の各ステップで求めた２
つの応答波形を等間隔毎にサンプリングして、それぞれ
の差をネットワークの入力値とする。 （ｄ）ネットワークの出力層には、（ａ）のステップ
で、外乱補償手段４に与えたゲイン・時定数に対する大
小の評価（かなり大きい，少し小さい，適当などの評
価）を、ケイン・時定数それぞれに割り当てる。そのよ
うにしておいて、ゲイン・時定数それぞれについて、出
力値の最も大きいものをネットワークの出力値とする。 （ｅ）ネットワークは、自身の行った評価と、事前に評
価範囲を決めておいた教師信号発生手段７２からの評価
との比較を行って、その違いに基づいてバックプロパゲ
ーションを行い、ネットワークの結合強度を修正する。 （ｆ）以上の一連の動作を繰り返すことによって、ネッ
トワークの結合強度を最適化して行く。
ラルネットワーク波形認識部７の学習動作と、学習結果
に基づく適応動作とに分けて説明すれば以下の通りであ
る。 （学習動作）この学習動作モードでは、各スイッチ手段
Ｓ１〜Ｓ５は、いずれもＬ側に接続され、各ネットワー
ク間の結合強度をバックプロパゲーション手段７３によ
って調整し、設定されたパラメータに対して、それが適
性か否かの正しい評価が行えるようにするものであり、
以下のステップで行われる。 （ａ）先ず、学習用のデータとして何通りか既知のパラ
メータ（ゲイン，時定数）を外乱補償手段４に与えたと
きの応答波形をシミュレーションによって求める。 （ｂ）外乱を打ち消す最適ゲイン・時定数を外乱補償手
段４に与えたときの最適応答波形をシミュレーションに
よって求める。 （ｃ）前記した（ａ），（ｂ）の各ステップで求めた２
つの応答波形を等間隔毎にサンプリングして、それぞれ
の差をネットワークの入力値とする。 （ｄ）ネットワークの出力層には、（ａ）のステップ
で、外乱補償手段４に与えたゲイン・時定数に対する大
小の評価（かなり大きい，少し小さい，適当などの評
価）を、ケイン・時定数それぞれに割り当てる。そのよ
うにしておいて、ゲイン・時定数それぞれについて、出
力値の最も大きいものをネットワークの出力値とする。 （ｅ）ネットワークは、自身の行った評価と、事前に評
価範囲を決めておいた教師信号発生手段７２からの評価
との比較を行って、その違いに基づいてバックプロパゲ
ーションを行い、ネットワークの結合強度を修正する。 （ｆ）以上の一連の動作を繰り返すことによって、ネッ
トワークの結合強度を最適化して行く。
【００２０】図３は、外乱補償手段４に与える学習用の
ゲイン・時定数の一例とその評価を示す図である。ここ
では、ゲインＫｆと時定数Ｔｆの組合わせの２５種類の
値を与えるようにしたものである。
ゲイン・時定数の一例とその評価を示す図である。ここ
では、ゲインＫｆと時定数Ｔｆの組合わせの２５種類の
値を与えるようにしたものである。
【００２１】図４は、これらの２５通りの値を外乱補償
手段４に与えたときの、応答波形を示す図である。数万
回の学習を繰り返すことにより、ゲインについて９０％
以上、時定数について６０％以上の正解率を得られるよ
うになっている。 （適用動作）この適応動作モードでは、各スイッチ手段
Ｓ１〜Ｓ５は、いずれもＡ側に接続され、制御演算部２
からプロセス１へ出力される制御出力ＭＶの値を、外乱
補償手段４からの信号によって修正する為の動作であ
り、外乱補償手段４のパラメータは、ニューラルネット
ワーク波形認識部７からの信号に基づいて修正されるも
ので、以下のステップで行われる。 （ａ）先ず、プロセス１に混入する外乱に対して適当と
思われるゲイン・時定数を外乱補償手段４に初期値とし
て与え、プロセス１からの応答波形をネットワークへの
入力とし、それを認識する。 （ｂ）学習動作時の（ｂ）〜（ｅ）に示すのと同じステ
ップを行う。 （ｆ）ネットワークの出力値が、ゲイン・時定数それぞ
れに関して、「適当」でない場合、以下の修正ロジック
により、外乱補償手段４に設定してある現在のパラメー
タ（ゲイン・時定数）の修正を行う。
手段４に与えたときの、応答波形を示す図である。数万
回の学習を繰り返すことにより、ゲインについて９０％
以上、時定数について６０％以上の正解率を得られるよ
うになっている。 （適用動作）この適応動作モードでは、各スイッチ手段
Ｓ１〜Ｓ５は、いずれもＡ側に接続され、制御演算部２
からプロセス１へ出力される制御出力ＭＶの値を、外乱
補償手段４からの信号によって修正する為の動作であ
り、外乱補償手段４のパラメータは、ニューラルネット
ワーク波形認識部７からの信号に基づいて修正されるも
ので、以下のステップで行われる。 （ａ）先ず、プロセス１に混入する外乱に対して適当と
思われるゲイン・時定数を外乱補償手段４に初期値とし
て与え、プロセス１からの応答波形をネットワークへの
入力とし、それを認識する。 （ｂ）学習動作時の（ｂ）〜（ｅ）に示すのと同じステ
ップを行う。 （ｆ）ネットワークの出力値が、ゲイン・時定数それぞ
れに関して、「適当」でない場合、以下の修正ロジック
により、外乱補償手段４に設定してある現在のパラメー
タ（ゲイン・時定数）の修正を行う。
【００２２】ゲイン大が最大→修正後ゲイン＝修正前ゲ
イン−ａ（ゲイン大の出力値−ゲイン最適の出力値） ゲイン最適 → 修正せず ゲイン小が最大→修正後ゲイン＝修正前ゲイン＋ａ（ゲ
イン小の出力値−ゲイン最適の出力値） 時定数についても同様のロジックで修正する。 （ｇ）以上の動作を繰り返すことにより、ゲイン・時定
数が共に最適と判断されるようになり、外乱補償手段４
に外乱を打ち消すのに最適なパラメータ（ゲイン・時定
数）が設定され、適応動作が終了する。
イン−ａ（ゲイン大の出力値−ゲイン最適の出力値） ゲイン最適 → 修正せず ゲイン小が最大→修正後ゲイン＝修正前ゲイン＋ａ（ゲ
イン小の出力値−ゲイン最適の出力値） 時定数についても同様のロジックで修正する。 （ｇ）以上の動作を繰り返すことにより、ゲイン・時定
数が共に最適と判断されるようになり、外乱補償手段４
に外乱を打ち消すのに最適なパラメータ（ゲイン・時定
数）が設定され、適応動作が終了する。
【００２３】図５は、適応動作時の応答波形を示す図で
ある。この例では、２回の修正で外乱をほぼ打ち消すこ
とができるようになっている。図６は、適応動作時の外
乱補償手段４に設定されるパラメータ（ゲイン・時定
数）の推移を示す図である。
ある。この例では、２回の修正で外乱をほぼ打ち消すこ
とができるようになっている。図６は、適応動作時の外
乱補償手段４に設定されるパラメータ（ゲイン・時定
数）の推移を示す図である。
【００２４】
【発明の効果】以上詳細に説明したように、本発明によ
れば、これまでオペレータの試行錯誤により行われてい
た外乱補償手段のパラメータの設定を、労力を必要とせ
ず行うことができる上に、プロセスに混入する外乱を効
果的に打ち消すことができる。
れば、これまでオペレータの試行錯誤により行われてい
た外乱補償手段のパラメータの設定を、労力を必要とせ
ず行うことができる上に、プロセスに混入する外乱を効
果的に打ち消すことができる。
【図１】本発明の一実施例を示す構成ブロック図であ
る。
る。
【図２】ニューラルネットワーク波形認識部の要部の構
成概念図である。
成概念図である。
【図３】外乱補償手段に与える学習用のゲイン・時定数
の一例とその評価を示す図である。
の一例とその評価を示す図である。
【図４】図３の各パラメータを外乱補償手段に与えたと
きの、応答波形を示す図である。
きの、応答波形を示す図である。
【図５】適応動作時の応答波形を示す図である。
【図６】適応動作時の外乱補償手段に設定されるパラメ
ータ（ゲイン・時定数）の推移を示す図である。
ータ（ゲイン・時定数）の推移を示す図である。
１ 制御対象プロセス ２ 制御演算部 ３ ステップ外乱発生手段 ４ 外乱補償手段 ５ プロセスモデル ６ 信号発生手段 ７ ニューラルネットワーク波形認識部 ８ 外乱測定手段 ９ パラメータ修正手段
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.5 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ０６Ｇ 7/60
Claims (1)
- 【請求項１】 プロセスからのプロセス信号と制御目標
値との偏差に対して所定の制御演算を行い、演算結果を
操作信号としてプロセスへ出力するようにした制御演算
部を有する制御装置において、 ステップ状の外乱信号を出力するステップ外乱発生手段
（３）と、 このステップ外乱発生手段からの外乱信号を入力し前記
制御演算部からの制御出力に外乱補償の為の信号を与え
てそれを修正する内部パラメータが変更可能に構成され
た外乱補償手段（４）と、 前記ステップ外乱発生手段からの外乱信号と外乱補償手
段からの信号により修正された制御演算部からの信号を
入力するプロセスモデル（５）と、 外乱補償手段の内部パラメータを変更するための学習用
信号を出力する信号発生手段（６）と、 学習動作時においては前記プロセスモデルからの応答出
力を入力し、適応動作時おいては制御対象プロセスから
の応答信号を入力するニューラルネットワーク波形認識
部（７）と、 適応動作時においてニューラルネットワーク波形認識部
の出力に基づき前記外乱補償手段の内部パラメータを変
更・修正するパラメータ修正手段（９）と、を設けたこ
とを特徴とするフィードフォーワード外乱補償装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3321924A JPH06187006A (ja) | 1991-12-05 | 1991-12-05 | 外乱補償装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3321924A JPH06187006A (ja) | 1991-12-05 | 1991-12-05 | 外乱補償装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06187006A true JPH06187006A (ja) | 1994-07-08 |
Family
ID=18137936
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3321924A Pending JPH06187006A (ja) | 1991-12-05 | 1991-12-05 | 外乱補償装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH06187006A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022124281A1 (ja) * | 2020-12-11 | 2022-06-16 | キヤノン株式会社 | 制御装置、調整方法、リソグラフィ装置、及び物品の製造方法 |
| JP2022139055A (ja) * | 2021-03-11 | 2022-09-26 | オムロン株式会社 | 制御システム、予測モデル生成装置、及びコンピュータプログラム |
-
1991
- 1991-12-05 JP JP3321924A patent/JPH06187006A/ja active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022124281A1 (ja) * | 2020-12-11 | 2022-06-16 | キヤノン株式会社 | 制御装置、調整方法、リソグラフィ装置、及び物品の製造方法 |
| JP2022092690A (ja) * | 2020-12-11 | 2022-06-23 | キヤノン株式会社 | 制御装置、調整方法、リソグラフィ装置、及び物品の製造方法 |
| TWI873392B (zh) * | 2020-12-11 | 2025-02-21 | 日商佳能股份有限公司 | 控制裝置、調整方法、光刻裝置及物品之製造方法 |
| JP2022139055A (ja) * | 2021-03-11 | 2022-09-26 | オムロン株式会社 | 制御システム、予測モデル生成装置、及びコンピュータプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7647284B2 (en) | Fixed-weight recurrent neural network controller with fixed long-term and adaptive short-term memory | |
| US5428559A (en) | Predictive control method and apparatus | |
| WO1992002895A3 (en) | Computer neural network regulatory process control system and method | |
| US20010034560A1 (en) | Control system | |
| HUP9901407A2 (hu) | Eljárás szabályozó paramétereinek számítógépes előállítására szabályozott szakasz válaszjeléből, valamint rendszer PID-szabályozó adaptív beállítására neuronhálózat segítségével | |
| JPH06187006A (ja) | 外乱補償装置 | |
| JP2968631B2 (ja) | 熱延プロセス制御方法 | |
| Toodeshki et al. | Fuzzy adaptive fixed-time control for output-constrained uncertain nonstrict-feedback time-delay systems | |
| JP3040901B2 (ja) | ニューラルネットワークによる制御方法および内蔵制御装置 | |
| JP2980421B2 (ja) | ニューラルネット・モデルを用いた制御器 | |
| JP2923000B2 (ja) | サーボ制御装置 | |
| US6662169B2 (en) | Controlling the self learning behavior of an autonomous agent | |
| JPS6148163B2 (ja) | ||
| JPH08286550A (ja) | 温度制御装置 | |
| JPH07244502A (ja) | 制御装置 | |
| JPH09114503A (ja) | 制御装置 | |
| JPH0721722B2 (ja) | 適応制御装置 | |
| JPH0527806A (ja) | ニユーラル・ネツトを用いたフイードフオワード制御器 | |
| JPH04326402A (ja) | ファジィ制御装置 | |
| JP2756170B2 (ja) | ニューラルネットワーク学習回路 | |
| JPH0731522B2 (ja) | 適応制御装置 | |
| JPH05134710A (ja) | ニユーラルネツト・フイードフオワード制御器 | |
| JP3039154B2 (ja) | コントローラの調整方法 | |
| Cajueiro et al. | Comments on" Adaptive control and identification using one neural network for a class of plants with uncertainties" | |
| Mancini et al. | Neural variable structure controller for telescope pointing and tracking improvement |