JPH0743602B2 - 適応制御方式 - Google Patents
適応制御方式Info
- Publication number
- JPH0743602B2 JPH0743602B2 JP60221312A JP22131285A JPH0743602B2 JP H0743602 B2 JPH0743602 B2 JP H0743602B2 JP 60221312 A JP60221312 A JP 60221312A JP 22131285 A JP22131285 A JP 22131285A JP H0743602 B2 JPH0743602 B2 JP H0743602B2
- Authority
- JP
- Japan
- Prior art keywords
- parameter
- data
- controlled object
- control
- algorithm
- 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.)
- Expired - Lifetime
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
Description
【発明の詳細な説明】 〔発明の技術分野〕 本発明は、動特性が変化する制御対象に対し、その特性
を同定し、その結果に基づいて制御則パラメータを調整
することにより、常に制御性能を最適に保てるようにし
た適応制御方式に関する。
を同定し、その結果に基づいて制御則パラメータを調整
することにより、常に制御性能を最適に保てるようにし
た適応制御方式に関する。
従来の適応制御方式における適応アルゴリズムは、本質
的には逐次形同定アルゴリズムと、制御パラメータの演
算アルゴリズムとを組合わせたものが大半である。逐次
形同定アルゴリズムは、制御対象の入出力信号や目標値
信号などから制御対象の動特性に係わるモデルをリアル
タイムで同定するもので、逐次形最小二乗法を中心と
し、各種のものが既に提案されている。
的には逐次形同定アルゴリズムと、制御パラメータの演
算アルゴリズムとを組合わせたものが大半である。逐次
形同定アルゴリズムは、制御対象の入出力信号や目標値
信号などから制御対象の動特性に係わるモデルをリアル
タイムで同定するもので、逐次形最小二乗法を中心と
し、各種のものが既に提案されている。
これらのアルゴリズムは比較的簡単で、メモリサイズも
小さく、マイクロ・コンピュータ等の計算機に適したも
のであるが、下記のような欠点もあった。すなわち、観
測データを一度に処理するバッチ形の同定アルゴリズム
（以下、「オフライン同定アルゴリズム」と称する）に
比べ、初期誤差の影響が大きく推定精度が劣る。特に観
測データが少ないときはこの傾向が顕著となる。
小さく、マイクロ・コンピュータ等の計算機に適したも
のであるが、下記のような欠点もあった。すなわち、観
測データを一度に処理するバッチ形の同定アルゴリズム
（以下、「オフライン同定アルゴリズム」と称する）に
比べ、初期誤差の影響が大きく推定精度が劣る。特に観
測データが少ないときはこの傾向が顕著となる。
また、同様な理由で、制御対象の特性変動に対して、同
定パラメータの追従性が劣り、それを改善するためには
特別な工夫が必要であった。
定パラメータの追従性が劣り、それを改善するためには
特別な工夫が必要であった。
さらに、これらの逐次形アルゴリズムは、観測データに
未知外乱が含まれると、同定パラメータが過渡的に大き
く揺れ動いてしまう。従って、たとえば適応制御の中で
も代表的なモデル規範形適応制御系では、パラメータの
更新を行なう度に制御パラメータの調整を行なうので外
乱の混入があると過渡的に制御系が不安定になり、操作
信号が異常に大きく乱れるという欠点があった。そのた
め、突発性外乱の多いプロセス系の制御対象に逐次形同
定アルゴリズムを用いた適応制御を用いるのは困難であ
った。
未知外乱が含まれると、同定パラメータが過渡的に大き
く揺れ動いてしまう。従って、たとえば適応制御の中で
も代表的なモデル規範形適応制御系では、パラメータの
更新を行なう度に制御パラメータの調整を行なうので外
乱の混入があると過渡的に制御系が不安定になり、操作
信号が異常に大きく乱れるという欠点があった。そのた
め、突発性外乱の多いプロセス系の制御対象に逐次形同
定アルゴリズムを用いた適応制御を用いるのは困難であ
った。
本発明は、上述の逐次形同定アルゴリズムの数々の欠点
を改善し、データ数が少なくても良好な推定精度を実現
するとともに、外乱の混入があっても安定した推定値が
得られ、しかもプラント特性変動に対する追従性の良い
適応制御方式を提供することを目的とする。
を改善し、データ数が少なくても良好な推定精度を実現
するとともに、外乱の混入があっても安定した推定値が
得られ、しかもプラント特性変動に対する追従性の良い
適応制御方式を提供することを目的とする。
本発明は以下の点を特徴とする。
すなわち、従来の逐次形同定アルゴリズムの代わりに長
さＬの有限個の観測データを一度記憶装置の中に溜め込
み、それを時間方向にＮ回つなげて全体を一本の観測デ
ータとみなす。そして、この観測データに対して従来の
逐次形同定アルゴリズムを用いるようにしている。
さＬの有限個の観測データを一度記憶装置の中に溜め込
み、それを時間方向にＮ回つなげて全体を一本の観測デ
ータとみなす。そして、この観測データに対して従来の
逐次形同定アルゴリズムを用いるようにしている。
データの長さＬ、データをつなげる個数（繰り返して用
いる回数）Ｎは、制御対象の特性変化率、外乱の振幅、
そしてデータとして用いる観測信号の持続的励起性（Pe
rsistentry Exciting、以下「p.e.性」と称す）の度合
を示す情報、すなわち信号に含まれる周波数帯域の広さ
の情報から決定する。
いる回数）Ｎは、制御対象の特性変化率、外乱の振幅、
そしてデータとして用いる観測信号の持続的励起性（Pe
rsistentry Exciting、以下「p.e.性」と称す）の度合
を示す情報、すなわち信号に含まれる周波数帯域の広さ
の情報から決定する。
さらに、このような同定アルゴリズムを適応制御に用
い、同定アルゴリズムの起動、停止機能、目標値変化、
特性変化に連動したアルゴリズムのリセット機能などを
付加し、特性を改善するようにしている。
い、同定アルゴリズムの起動、停止機能、目標値変化、
特性変化に連動したアルゴリズムのリセット機能などを
付加し、特性を改善するようにしている。
本発明によれば次のような効果を得ることができる。
１） 従来の逐次形アルゴリズムは変えず、観測データ
の扱い方だけを変えているので、オンラインで同定結果
が得られることや、計算量が少ないなどの逐次形アルゴ
リズムの利点がそのまま生かせる。よって、従来の適応
制御アルゴリズムと本手法との切り換えが行ない易く、
連続性が保てる。
の扱い方だけを変えているので、オンラインで同定結果
が得られることや、計算量が少ないなどの逐次形アルゴ
リズムの利点がそのまま生かせる。よって、従来の適応
制御アルゴリズムと本手法との切り換えが行ない易く、
連続性が保てる。
２） 簡単なアルゴリズムのままでオフライン同定アル
ゴリズムに近い、高精度の推定が可能である。特にデー
タ数が少ないときには、有効である。
ゴリズムに近い、高精度の推定が可能である。特にデー
タ数が少ないときには、有効である。
３） 本アルゴリズムを用いた適応制御方式では、デー
タ長Ｌの区間を平均化して同定することになるので、観
測データに突発的な外乱が加わっても、同定パラメータ
が過渡的に大きくゆらいで制御系が不安定になるなどの
欠点が生じない。
タ長Ｌの区間を平均化して同定することになるので、観
測データに突発的な外乱が加わっても、同定パラメータ
が過渡的に大きくゆらいで制御系が不安定になるなどの
欠点が生じない。
４） 本アルゴリズムを用いた適応制御方式では、上記
３）と同じ理由により、データ長Ｌが短くても同定パラ
メータが安定して得られるので、データ長Ｌを短くする
ことにより、制御対象の特性変動に対する追従性を良く
することができる。
３）と同じ理由により、データ長Ｌが短くても同定パラ
メータが安定して得られるので、データ長Ｌを短くする
ことにより、制御対象の特性変動に対する追従性を良く
することができる。
５） データ長Ｌや繰り返し数Ｎを、外乱や特性変動、
観測信号に含まれる情報量などの制御系の状況に応じて
調整することによって、適応制御系の観測データに対す
る適応感度を最適な状態に保てる。
観測信号に含まれる情報量などの制御系の状況に応じて
調整することによって、適応制御系の観測データに対す
る適応感度を最適な状態に保てる。
６） 観測信号のp.e.性を監視しながらデータを取り込
み、p.e.性が弱くなった時点でデータの取り込みを停止
し、あとは貯えたデータを繰り返し用いることによって
逐次形推定アルゴリズムの数値的発散を防ぐことができ
る。
み、p.e.性が弱くなった時点でデータの取り込みを停止
し、あとは貯えたデータを繰り返し用いることによって
逐次形推定アルゴリズムの数値的発散を防ぐことができ
る。
第１図に、本発明の一実施例に係る適応制御系の構成例
を示す。
を示す。
制御対象１は、操作信号ｕ（ｔ）によって制御される。
この操作信号ｕ（ｔ）は、操作量演算部２において制御
量ｙ（ｔ）および制御目標値ｒ（ｔ）の情報に基づき演
算される。適応動作が開始されると試験信号発生部３で
はパーシステントリ・エキサイティング信号からなる試
験信号（ｔ）を発生する。そして、この信号（ｔ）
と目標値信号r0（ｔ）とを加算してｒ（ｔ）が生成され
る。信号ｒ（ｔ）,u（ｔ）,y（ｔ）はフィルタ・サンプ
ラ４を通過し、離散時間観測信号列ｒ（ｋ）,u（ｋ）,y
（ｋ）として、データ・フロー制御部５へ取り込まれ、
さらに観測信号記憶部６へ記録される。データ・フロー
制御部５は、現在の観測信号、又は観測信号記憶部６に
格納された過去の観測信号のいずれか一方を選択し、選
択した信号をパラメータ同定部７へ送る役目をもつ。パ
ラメータ同定部７ではこの観測信号列に基づき制御対象
又は制御系全体の動特性モデルの未知パラメータθを同
定する。得られた同定パラメータθは、制御パラメータ
演算部８へ送られ、ここで同定パラメータθの情報か
ら、最適な制御則を実現する制御パラメータθｃが演算
される。その結果は操作量演算部２へ送られる。操作量
演算部２では送られた情報によって操作量ｕ（ｔ）の演
算に必要な制御則の制御パラメータを調整する。データ
フロー制御部５、パラメータ同定部７および制御パラメ
ータ演算部８は、制御系監視部９によってその動作モー
ド、起動停止等を管理されている。
この操作信号ｕ（ｔ）は、操作量演算部２において制御
量ｙ（ｔ）および制御目標値ｒ（ｔ）の情報に基づき演
算される。適応動作が開始されると試験信号発生部３で
はパーシステントリ・エキサイティング信号からなる試
験信号（ｔ）を発生する。そして、この信号（ｔ）
と目標値信号r0（ｔ）とを加算してｒ（ｔ）が生成され
る。信号ｒ（ｔ）,u（ｔ）,y（ｔ）はフィルタ・サンプ
ラ４を通過し、離散時間観測信号列ｒ（ｋ）,u（ｋ）,y
（ｋ）として、データ・フロー制御部５へ取り込まれ、
さらに観測信号記憶部６へ記録される。データ・フロー
制御部５は、現在の観測信号、又は観測信号記憶部６に
格納された過去の観測信号のいずれか一方を選択し、選
択した信号をパラメータ同定部７へ送る役目をもつ。パ
ラメータ同定部７ではこの観測信号列に基づき制御対象
又は制御系全体の動特性モデルの未知パラメータθを同
定する。得られた同定パラメータθは、制御パラメータ
演算部８へ送られ、ここで同定パラメータθの情報か
ら、最適な制御則を実現する制御パラメータθｃが演算
される。その結果は操作量演算部２へ送られる。操作量
演算部２では送られた情報によって操作量ｕ（ｔ）の演
算に必要な制御則の制御パラメータを調整する。データ
フロー制御部５、パラメータ同定部７および制御パラメ
ータ演算部８は、制御系監視部９によってその動作モー
ド、起動停止等を管理されている。
以下、PI制御系に上記の適応制御方式を応用した例を説
明する。
明する。
第２図は、この実施例に係るPI形適応制御系を示す図で
ある。
ある。
ｒ（ｔ）,u（ｔ）,y（ｔ）のラプラス変換をそれぞれＲ
（ｓ）,U（ｓ）,Y（ｓ）と表わし、制御対象１が近似的
に次式で表わされるものとする。
（ｓ）,U（ｓ）,Y（ｓ）と表わし、制御対象１が近似的
に次式で表わされるものとする。
これに対し操作量演算部であるPIコントローラ２を含め
閉ループ系10の動特性は、次式のように表現できる。
閉ループ系10の動特性は、次式のように表現できる。
本実施例では、（２）式の閉ループ系動特性モデルを、
観測信号ｒ（ｔ）,y（ｔ）から推定し、その結果から最
適な制御パラメータ、すなわちPI定数C0,C1を決定する
方式を用いている。パラメータ同定部７では（２）式に
対応する次の形のモデルが同定される。
観測信号ｒ（ｔ）,y（ｔ）から推定し、その結果から最
適な制御パラメータ、すなわちPI定数C0,C1を決定する
方式を用いている。パラメータ同定部７では（２）式に
対応する次の形のモデルが同定される。
（３）式のモデルのパラメータは以下の手順で推定され
る。
る。
目標値信号ｒ（ｔ）、制御量ｙ（ｔ）を状態変数フィル
タに通したあと、周期τでサンプリングして、信号列ｒ
（ｋ）,y（ｋ）（ｋ＝0,1,2,3,……）を得る。パラメー
タ同定部７では、逐次形最小二乗法を用いて、次式のAR
MAモデルを同定する。
タに通したあと、周期τでサンプリングして、信号列ｒ
（ｋ）,y（ｋ）（ｋ＝0,1,2,3,……）を得る。パラメー
タ同定部７では、逐次形最小二乗法を用いて、次式のAR
MAモデルを同定する。
（４）式から以下のアルゴリズムによって（３）式の係
数a0,a1,a2a3を求める。
数a0,a1,a2a3を求める。
このようにして、a0,a1,a2,a3が求まり、（３）式のモ
デルが得られる。以上がパラメータ同定部７の機能であ
る。
デルが得られる。以上がパラメータ同定部７の機能であ
る。
さて、本発明の特徴は、ここで用いられている逐次形の
アルゴリズムにある。
アルゴリズムにある。
（４）式のモデルを同定するために用いられているのは
次式のような通常の逐次形最小二乗法である。推定パラ
メータベクトルθ（ｋ）、観測データベクトル（ｋ）
をそれぞれ、 として、 ここで、本発明ではデータベクトル（ｋ）の与え方
が、従来とは異なっている。
次式のような通常の逐次形最小二乗法である。推定パラ
メータベクトルθ（ｋ）、観測データベクトル（ｋ）
をそれぞれ、 として、 ここで、本発明ではデータベクトル（ｋ）の与え方
が、従来とは異なっている。
従来の逐次形最小二乗法では（ｋ）は時刻ｋごとに
（10）式で与えられたが、ここではまず、データ長Ｌと
繰り返し回数Ｎとを与え（L,Nは整数）、時刻ｋ＝０と
して（９）〜（14）式の初期値を以下のように設定す
る。
（10）式で与えられたが、ここではまず、データ長Ｌと
繰り返し回数Ｎとを与え（L,Nは整数）、時刻ｋ＝０と
して（９）〜（14）式の初期値を以下のように設定す
る。
１回目 試験信号（ｔ）をプラントへ加えながら、データｙ
（ｋ）,r（ｋ）を時刻ｋ＝０〜Ｌ＋ｎまでデータフロー
制御部５に取り込み、観測信号記憶部６へ格納すると同
時に、時刻ｋ＝ｎからデータベクトル（ｋ）を（18）
式のように設定しながら、（11）〜（14）式のアルゴリ
ズムを計算し、オンラインで推定パラメータベクトルθ
（ｋ）（ｋ＝ｎ〜Ｌ＋ｎ）を求める。
（ｋ）,r（ｋ）を時刻ｋ＝０〜Ｌ＋ｎまでデータフロー
制御部５に取り込み、観測信号記憶部６へ格納すると同
時に、時刻ｋ＝ｎからデータベクトル（ｋ）を（18）
式のように設定しながら、（11）〜（14）式のアルゴリ
ズムを計算し、オンラインで推定パラメータベクトルθ
（ｋ）（ｋ＝ｎ〜Ｌ＋ｎ）を求める。
(k)＝〔−y(k-1)，−y(k-2)，…，−y(k-NA)，r(k-1)，…，r(k-NB)〕T（18） （ｋ＝n,n＋1,…,L＋ｎ） 時刻ｋ＝Ｌ＋ｎになったら、試験信号の発生を停止し、
データｙ（ｋ）,r（ｋ）の取込み、推定アルゴリズムの
演算を止める。
データｙ（ｋ）,r（ｋ）の取込み、推定アルゴリズムの
演算を止める。
２回目 前回の推定アルゴリズム（11）〜（14）中のΓ（Ｌ＋
ｎ），θ（Ｌ＋ｎ）を改めてΓ（ｎ），θ（ｎ）として
時刻をｋ＝ｎへ戻す。
ｎ），θ（Ｌ＋ｎ）を改めてΓ（ｎ），θ（ｎ）として
時刻をｋ＝ｎへ戻す。
観測信号記憶部６のデータｙ（ｉ）,r（ｉ）（ｉ＝0,
〜,L＋ｎ）を用いて（18）式と同様に（ｋ）を作りな
がら（11）〜（14）式のアルゴリズムを再びｋ＝ｎから
ｎ＋Ｌまで動かし推定パラメータベクトルθ（ｋ）およ
び行列Γ（ｋ）を更新する。
〜,L＋ｎ）を用いて（18）式と同様に（ｋ）を作りな
がら（11）〜（14）式のアルゴリズムを再びｋ＝ｎから
ｎ＋Ｌまで動かし推定パラメータベクトルθ（ｋ）およ
び行列Γ（ｋ）を更新する。
３回目以降 ２回目と同様の処理をＮ回目まで繰り返す。このような
操作は次のような意味を持つ。
操作は次のような意味を持つ。
すなわち、従来の逐次形最小二乗法では、ｋ＝０〜Ｌま
での観測データが与えられたとすると、（14）式のλ
（ｋ）＝λ（０＜λ＜１）のとき、そのデータの重み付
け（データを重視する度合）の初期値は、第３図（ａ）
に示すようにλＬの重みとなる。したがって、初期値を
適当に与えても、データ数Ｌが少ないと、その誤差の影
響が無視できなくなる。
での観測データが与えられたとすると、（14）式のλ
（ｋ）＝λ（０＜λ＜１）のとき、そのデータの重み付
け（データを重視する度合）の初期値は、第３図（ａ）
に示すようにλＬの重みとなる。したがって、初期値を
適当に与えても、データ数Ｌが少ないと、その誤差の影
響が無視できなくなる。
一方、この実施例の手法では、同じデータをＮ個、時間
方向に並べて見かけ上データ数をＮ倍にしてある。従っ
て例えばＮ＝３としたときのデータの重み付けは、第３
図（ｂ）のようになる。従って、初期値に対してλ3Lの
重みが掛かり、初期値の誤差の影響をより小さくするこ
とができる。つまり、たとえばデータ数Ｌが小さくても
繰りかえし数Ｎを大きくすれば、逐次形アルゴリズムの
欠点である初期値の影響が小さくなり推定精度を向上さ
せることができる。
方向に並べて見かけ上データ数をＮ倍にしてある。従っ
て例えばＮ＝３としたときのデータの重み付けは、第３
図（ｂ）のようになる。従って、初期値に対してλ3Lの
重みが掛かり、初期値の誤差の影響をより小さくするこ
とができる。つまり、たとえばデータ数Ｌが小さくても
繰りかえし数Ｎを大きくすれば、逐次形アルゴリズムの
欠点である初期値の影響が小さくなり推定精度を向上さ
せることができる。
以上がパラメータ同定部７で用いられている、本発明の
特徴とするところの同定アルゴリズムおよびそのデータ
の操作法の説明である。
特徴とするところの同定アルゴリズムおよびそのデータ
の操作法の説明である。
次に、同定された（３）式のパラメータに基づき、制御
パラメータ演算部８で、PIコントローラ（操作量演算
部）２のPI定数C0,C1を求め、その値にチューニングす
る。PI定数は、本実施例ではモデルマッチング法によ
り、以下のように求める。
パラメータ演算部８で、PIコントローラ（操作量演算
部）２のPI定数C0,C1を求め、その値にチューニングす
る。PI定数は、本実施例ではモデルマッチング法によ
り、以下のように求める。
まず、目標値ｒ（ｔ）から制御量ｙ（ｔ）までの閉ルー
プ系動特性（３）式を望ましい応答をする次式の参照モ
デルにマッチングさせることを考える。
プ系動特性（３）式を望ましい応答をする次式の参照モ
デルにマッチングさせることを考える。
このとき、（４）式、（19）式の分母モーメント系列を
低次の項からできる限り一致させるという条件から、次
式のようなC0,C1の演算式が得られる。
低次の項からできる限り一致させるという条件から、次
式のようなC0,C1の演算式が得られる。
まず、推定された（４）式を次式の表現に直す。
次に、参照モデル（19）式の時定数σを次の２次方程式
の正の最小根として求める。ただしC0,C1は（４）式の
モデルを同定した時点でのPIコントローラのPI定数であ
る。
の正の最小根として求める。ただしC0,C1は（４）式の
モデルを同定した時点でのPIコントローラのPI定数であ
る。
このようにして得られたσから、新しいPI定数を次式よ
り求める。
り求める。
そして、PIコントローラのPI定数C0,C1をC0（new）,C1
（new）に変更する。
（new）に変更する。
最後に、制御系監視部９の役割を以下に説明する。ここ
での主な機能は、 ｉ） 同定アルゴリズムの始動，停止，リセット ii） 同定アルゴリズムのデータ長Ｌ、繰り返し回数Ｎ
の決定，変更 iii） 同定されたパラメータθ、演算された制御パラ
メータθｃのチェック 等である。これらは以下のようなルール（約束）に基づ
いて実行される。
での主な機能は、 ｉ） 同定アルゴリズムの始動，停止，リセット ii） 同定アルゴリズムのデータ長Ｌ、繰り返し回数Ｎ
の決定，変更 iii） 同定されたパラメータθ、演算された制御パラ
メータθｃのチェック 等である。これらは以下のようなルール（約束）に基づ
いて実行される。
〈アルゴリズムの始動〉 オペレータから始動命令が出たら、アルゴリズムを始
動する。
動する。
制御偏差ｅ（ｔ）＝ｒ（ｔ）−ｙ（ｔ）が一定時間に
亘ってある大きさ以上になったら、始動する。
亘ってある大きさ以上になったら、始動する。
〈繰り返し回数Ｎの決定（アルゴリズムの停止）〉 同定アルゴリズムの推定パラメータベクトルθ（ｋ）
の一回の更新量が となったら繰り返しをやめる。
の一回の更新量が となったら繰り返しをやめる。
繰り返し回数Ｎがオペレータの設定した最大回数に達
したらアルゴリズムを停止する。
したらアルゴリズムを停止する。
〈同定アルゴリズムのリセット〉 目標値ｒ（ｔ）が、あるしきい値εｒ以上に変化した
ら、すなわち |r（ｔ）＋ｒ（ｔ−Δ）｜＞εｒのとき、同定アルゴリ
ズムにおいて、各種パラメータを（15）〜（17）式のよ
うにリセットし、アルゴリズムを再び起動する。
ら、すなわち |r（ｔ）＋ｒ（ｔ−Δ）｜＞εｒのとき、同定アルゴリ
ズムにおいて、各種パラメータを（15）〜（17）式のよ
うにリセットし、アルゴリズムを再び起動する。
制御対象の特性変動が確認されたときは、同様のリセ
ット、アルゴリズムの再起動を行なう。
ット、アルゴリズムの再起動を行なう。
〈ｐ・ｅ・性の監視とデータ長Ｌの決定〉 リセットされたアルゴリズムを起動してから以下の評価
値Ｊ（ｋ） （ただしＰは推定パラメータベクトルθの次元） によって観測信号ｒ（ｋ）,y（ｋ）のｐ・ｅ・性を監視
する。
値Ｊ（ｋ） （ただしＰは推定パラメータベクトルθの次元） によって観測信号ｒ（ｋ）,y（ｋ）のｐ・ｅ・性を監視
する。
アルゴリズム起動後、時刻ｋ＝L0で、 Ｊ（ｋ）＜εＪ （25） となったとき、 （ｉ）L0＞Ｌmin（Ｌminはオペレータが設定した最小デ
ータ長）ならば、データ長Ｌ＝L0として、以後の試験信
号の発生、観測データの取り込みを停止し、同定アルゴ
リズムは繰り返し回数Ｎ＝２回目以後のくり返し推定を
行なう。
ータ長）ならば、データ長Ｌ＝L0として、以後の試験信
号の発生、観測データの取り込みを停止し、同定アルゴ
リズムは繰り返し回数Ｎ＝２回目以後のくり返し推定を
行なう。
（ii）L0＜Ｌminならば、試験信号ｒ（ｔ）の振幅を大
きくして、パラメータ同定を続行する。
きくして、パラメータ同定を続行する。
〈データ長Ｌの変更〉 次に、制御対象に加わる未知外乱の振幅、特性変動の変
化率を以下のようにして測定する。
化率を以下のようにして測定する。
まず、モデル誤差 を監視し、 ｜ε（ｋ）｜＞εε （27） となったとき、制御対象に外乱が加わったか、又は、制
御対象自身の特性変動があったことを検知する。その直
後で、｜ε（ｋ＋Δ）｜＜εεとなったとき試験信号発
生部３にて単位パルス状の試験信号（ｔ）を発生し、
目標値ｒ（ｔ）に加える。このとき、（ｉ）再び｜ε
（ｋ＋Δ＋１）｜＞εεとなれば、特性変動があったと
する。このとき、アルゴリズムをリセットし、再び同定
を行ない、得られたパラメータをθnewとする。又、特
性変動検知前に時刻ｋ−k0で得られたパラメータをθ
oldとすると、特性変化率δθを以下のように定義す
る。
御対象自身の特性変動があったことを検知する。その直
後で、｜ε（ｋ＋Δ）｜＜εεとなったとき試験信号発
生部３にて単位パルス状の試験信号（ｔ）を発生し、
目標値ｒ（ｔ）に加える。このとき、（ｉ）再び｜ε
（ｋ＋Δ＋１）｜＞εεとなれば、特性変動があったと
する。このとき、アルゴリズムをリセットし、再び同定
を行ない、得られたパラメータをθnewとする。又、特
性変動検知前に時刻ｋ−k0で得られたパラメータをθ
oldとすると、特性変化率δθを以下のように定義す
る。
（ii）｜ε（ｋ＋Δ＋１）｜＜εεならば未知外乱が制
御対象に加わったとして、ε（ｋ）を外乱の振幅δとす
る。
御対象に加わったとして、ε（ｋ）を外乱の振幅δとす
る。
δ＝ε（ｋ） （29） データ長Ｌの変更は次のように行なう。
現在のデータ長をＬoldとすると、 （ｉ）外乱の混入が確認されたとき、 Ｌ＝k1・Ｌold＋（１−k1）・k2・δ （30） （０k11,k2＞０はある定数） を新しいデータ長とする。これは、制御対象に加わる外
乱が大きいときは、データ長を長くすることによりパラ
メータ推定精度を保とうとするものである。
乱が大きいときは、データ長を長くすることによりパラ
メータ推定精度を保とうとするものである。
（ii）特性変動が確認されたときは、（28）式に従って
プラントの特性変化率δθを計算した後、 Ｌ＝h1・Ｌold＋（１−h1）・h2/δθ （31） （Ｏh11,h2＞０はある定数） を新しいデータ長とする。これはプラントの特性変化が
激しいほどデータ長を短くすることにより、同定パラメ
ータの特性変化への追従性を良くしようとするものであ
る。
プラントの特性変化率δθを計算した後、 Ｌ＝h1・Ｌold＋（１−h1）・h2/δθ （31） （Ｏh11,h2＞０はある定数） を新しいデータ長とする。これはプラントの特性変化が
激しいほどデータ長を短くすることにより、同定パラメ
ータの特性変化への追従性を良くしようとするものであ
る。
〈試験信号の振幅の変更〉 観測信号のp.e.性の指標Ｊ（ｋ）、外乱の振幅δ、特性
変化率δθのいずれかがあるしきい値を超えたときで、
同定アルゴリズムが観測データを取り込みながら動作し
ているときは、Ｍ系列等のパーシステントリ・エキサイ
ティングな試験信号ｒ（ｔ）を発生させ、目標値に加え
る。又、Ｊ（ｋ），δ，δθ,Lそれぞれの大きさによっ
て試験信号ａを次式のように調整する。ａ ＝γ０＋γ1/J（ｋ）＋γ２・δ＋γ３・δθ＋γ4
/L （32） （γ0,γ1,γ2,γ3,γ４はある定数） 〈各種のチェック〉 モデル誤差ε（ｋ）（（26）式）がしきい値以内であ
れば、同定パラメータの推定は良好として採用する。
変化率δθのいずれかがあるしきい値を超えたときで、
同定アルゴリズムが観測データを取り込みながら動作し
ているときは、Ｍ系列等のパーシステントリ・エキサイ
ティングな試験信号ｒ（ｔ）を発生させ、目標値に加え
る。又、Ｊ（ｋ），δ，δθ,Lそれぞれの大きさによっ
て試験信号ａを次式のように調整する。ａ ＝γ０＋γ1/J（ｋ）＋γ２・δ＋γ３・δθ＋γ4
/L （32） （γ0,γ1,γ2,γ3,γ４はある定数） 〈各種のチェック〉 モデル誤差ε（ｋ）（（26）式）がしきい値以内であ
れば、同定パラメータの推定は良好として採用する。
制御パラメータであるPI定数に次式の上下限リミッタ
をかける。
をかける。
C0＜C0 minならば、C0＝C0 min， C0＞C0 maxならば、C0＝C0 maxとする。
C1＜C1 minならば、C1＝C1 min， C1＞C1 maxならば、C1＝C1 maxとする。
制御パラメータをチューニング後、制御偏差 ｅ（ｋ）＝ｒ（ｋ）−ｙ（ｋ） が ならばチューニング結果は良好として、そうでないとき
は、制御パラメータの変更を取り消す。
は、制御パラメータの変更を取り消す。
これらの各ルールは、オペレータが自由に選択設定でき
るものである。又、新たなルールをつけ加えることもで
きる。
るものである。又、新たなルールをつけ加えることもで
きる。
制御監視部９では、このようなルール群によって、制御
系の各要素の動きをきめ細かく監視、調整することがで
きる。
系の各要素の動きをきめ細かく監視、調整することがで
きる。
特に、本発明における同定アルゴリズムに必要なデータ
長Ｌおよび繰りかえし回数Ｎを未知外乱の大きさ、プラ
ントの特性変化率、観測信号のp.e.性から上述のルーー
ルに従って決定することによって、このアルゴリズムの
効果を最大限に発揮することができる。
長Ｌおよび繰りかえし回数Ｎを未知外乱の大きさ、プラ
ントの特性変化率、観測信号のp.e.性から上述のルーー
ルに従って決定することによって、このアルゴリズムの
効果を最大限に発揮することができる。
最後にこのPI形適応制御装置の使用例を第４図〜第７図
に示す。第２図の構成によるPI形適応制御装置におい
て、同定アルゴリズムとして従来の逐次形最小二乗法を
用いた場合、プラントに外乱ｄ（ｔ）が加わるときは
（３）式のモデルのパラメータa0,a1,a2,a3の同定値が
大きく狂う。そのときの制御系の各信号および同定パラ
メータの様子は第４図および第５図に示される。第４図
は外乱の無い場合で、時間とともに、パラメータが真値
へ速やかに収束しているが、第５図のように不規則な外
乱が加わると、同定パラメータが過渡的に大きく乱れて
しまう。このように外乱によりパラメータが乱される環
境のもとで、従来のアルゴリズムを用いた場合と、本発
明のアルゴリズムを用いた場合とで制御系の応答を比較
した。その結果をそれぞれ第６図（ａ），（ｂ）に示
す。（ａ）ではチューニングの時点での瞬間的なパラメ
ータ同定値に基づいてチューニングしたため、それ以降
の応答が改善されてないが、（ｂ）では、チューニング
前のデータを10回繰り返して用いて同定したパラメータ
に基づいてチューニングしたため、それ以後の応答が明
らかに良くなっている。なお、第７図に示すように、観
測信号データを繰り返して用いる回数Ｎが増えるほど、
パラメータの推定誤差が小さくなり、本発明の顕著な効
果を得ることができる。
に示す。第２図の構成によるPI形適応制御装置におい
て、同定アルゴリズムとして従来の逐次形最小二乗法を
用いた場合、プラントに外乱ｄ（ｔ）が加わるときは
（３）式のモデルのパラメータa0,a1,a2,a3の同定値が
大きく狂う。そのときの制御系の各信号および同定パラ
メータの様子は第４図および第５図に示される。第４図
は外乱の無い場合で、時間とともに、パラメータが真値
へ速やかに収束しているが、第５図のように不規則な外
乱が加わると、同定パラメータが過渡的に大きく乱れて
しまう。このように外乱によりパラメータが乱される環
境のもとで、従来のアルゴリズムを用いた場合と、本発
明のアルゴリズムを用いた場合とで制御系の応答を比較
した。その結果をそれぞれ第６図（ａ），（ｂ）に示
す。（ａ）ではチューニングの時点での瞬間的なパラメ
ータ同定値に基づいてチューニングしたため、それ以降
の応答が改善されてないが、（ｂ）では、チューニング
前のデータを10回繰り返して用いて同定したパラメータ
に基づいてチューニングしたため、それ以後の応答が明
らかに良くなっている。なお、第７図に示すように、観
測信号データを繰り返して用いる回数Ｎが増えるほど、
パラメータの推定誤差が小さくなり、本発明の顕著な効
果を得ることができる。
第１図は本発明の一実施例に係る適応制御系の基本構成
を示す制御ブロック図、第２図は本発明をPI形適応制御
系に適用した実施例の制御ブロック図、第３図は本発明
の同定アルゴリズムと従来の逐次形最小二乗法における
観測データへの重み付けをそれぞれ示す図、第４図およ
び第５図は従来の逐次形最小二乗法による同定パラメー
タの収束の様子を示す図であり、第４図は外乱が無い場
合、第５図は外乱が加わる場合の図、第６図は従来の逐
次形最小二乗法と本発明の手法とによるPI形適応制御系
の応答波形の違いを示す図、第７図は本発明におけるデ
ータの繰り返し数と同定パラメータの推定誤差との関係
を示す図である。 １……制御対象、２……操作量演算部、３……試験信号
発生部、４……フィルタ・サンプラ、５……データフロ
ー制御部、６……観測信号記憶部、７……パラメータ同
定部、８……制御パラメータ演算部、９……制御系監視
部、10……閉ループ系、11……適応制御装置、12……状
態変数フィルタ、13……サンプラ。
を示す制御ブロック図、第２図は本発明をPI形適応制御
系に適用した実施例の制御ブロック図、第３図は本発明
の同定アルゴリズムと従来の逐次形最小二乗法における
観測データへの重み付けをそれぞれ示す図、第４図およ
び第５図は従来の逐次形最小二乗法による同定パラメー
タの収束の様子を示す図であり、第４図は外乱が無い場
合、第５図は外乱が加わる場合の図、第６図は従来の逐
次形最小二乗法と本発明の手法とによるPI形適応制御系
の応答波形の違いを示す図、第７図は本発明におけるデ
ータの繰り返し数と同定パラメータの推定誤差との関係
を示す図である。 １……制御対象、２……操作量演算部、３……試験信号
発生部、４……フィルタ・サンプラ、５……データフロ
ー制御部、６……観測信号記憶部、７……パラメータ同
定部、８……制御パラメータ演算部、９……制御系監視
部、10……閉ループ系、11……適応制御装置、12……状
態変数フィルタ、13……サンプラ。
Claims (2)
- 【請求項１】制御対象に係わる観測信号のサンプル値か
らオンラインで上記制御対象の動特性に関連したパラメ
ータを推定する逐次形同定手段と、上記サンプル値を蓄
える記憶装置と、前記逐次形同定手段で推定されたパラ
メータに基づき制御パラメータを演算する制御パラメー
タ演算手段と、このパラメータ演算手段で得られた制御
パラメータに基づき目標値と上記制御対象の制御量とか
ら操作量を演算する操作量演算手段と、前記制御対象の
持続的励起性信号からなる試験信号を発生し、制御系に
加える試験信号発生手段とを用いた適応制御方式におい
て、前記記憶装置は現在から過去のＬ個のサンプル値デ
ータを逐次更新しながら蓄えるように構成されており、
前記逐次形同定手段は上記記憶装置に記憶されているＬ
個のサンプル値データをＮ回（ただし、Ｎは１より大き
い整数）繰り返して読出すことによって得られるＬ×Ｎ
個のデータ列を用いて前記制御対象に係わるパラメータ
を推定していることを特徴とする適応制御方式。 - 【請求項２】前記記憶装置に一時的に蓄えられるデータ
の数Ｌ、およびそれを繰り返し読出す回数Ｎを、制御対
象に加わる外乱の大きさと、制御対象の動特性の時間的
変化率と、データとして用いる観測信号の持続的励起性
の度合いとに応じて自動調整する手段を有することを特
徴とする特許請求の範囲第１項記載の適応制御方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP60221312A JPH0743602B2 (ja) | 1985-10-04 | 1985-10-04 | 適応制御方式 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP60221312A JPH0743602B2 (ja) | 1985-10-04 | 1985-10-04 | 適応制御方式 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPS6280704A JPS6280704A (ja) | 1987-04-14 |
| JPH0743602B2 true JPH0743602B2 (ja) | 1995-05-15 |
Family
ID=16764825
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP60221312A Expired - Lifetime JPH0743602B2 (ja) | 1985-10-04 | 1985-10-04 | 適応制御方式 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0743602B2 (ja) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0830966B2 (ja) * | 1987-04-27 | 1996-03-27 | 出光石油化学株式会社 | 反応器の内部温度制御方法 |
| JPH01106101A (ja) * | 1987-10-19 | 1989-04-24 | Yokogawa Electric Corp | プロセス同定装置 |
| JPH0237402A (ja) * | 1988-07-27 | 1990-02-07 | Yamatake Honeywell Co Ltd | パラメータ推定方式 |
| JP2551166B2 (ja) * | 1989-09-13 | 1996-11-06 | 横河電機株式会社 | プロセス制御装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS59139404A (ja) * | 1983-01-28 | 1984-08-10 | Hitachi Ltd | Ｐｉｄ制御方法 |
-
1985
- 1985-10-04 JP JP60221312A patent/JPH0743602B2/ja not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| JPS6280704A (ja) | 1987-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Beintema et al. | Nonlinear state-space identification using deep encoder networks | |
| EP0139243A2 (en) | Process control apparatus | |
| US9574511B2 (en) | System and method for a load anticipation feature and its tuning method for a generating set | |
| EP0377678B1 (en) | Industrial control systems | |
| WO2021153271A1 (ja) | モデル更新装置及び方法並びにプロセス制御システム | |
| CN113777915B (zh) | 一种共振式混料机的通用型控制方法 | |
| CN119537762A (zh) | 电力系统惯量在线评估方法、装置、设备及可读存储介质 | |
| Alexander et al. | Analysis of noisy signal restoration quality with exponential moving average filter | |
| US7529651B2 (en) | Accurate linear parameter estimation with noisy inputs | |
| JP2954660B2 (ja) | モデル予測制御装置 | |
| CN121995993A (zh) | 恒温器pid控制方法、装置、设备及介质 | |
| CN120595698A (zh) | 一种低电平系统数字控制器的动态参数监测方法 | |
| CN120320671A (zh) | 基于自适应滤波算法的电机控制系统优化方法及装置 | |
| JPS6280704A (ja) | 適応制御方式 | |
| Larsson et al. | Estimation of continuous-time stochastic system parameters | |
| JP2641855B2 (ja) | 適応制御装置 | |
| JPH0434766B2 (ja) | ||
| JP2005134291A (ja) | 沸騰水型原子炉の炉心監視方法 | |
| JPS59133605A (ja) | サンプル値ｐｉｄ制御装置 | |
| Yurasova et al. | Dynamic measurement errors correction adaptive to noises of a sensor | |
| JPS59139404A (ja) | Ｐｉｄ制御方法 | |
| JPH0454243B2 (ja) | ||
| JP3342948B2 (ja) | Ｈ無限大ノルム測定装置および制御系の安定性監視装置 | |
| JP2635561B2 (ja) | 適応制御装置 | |
| JPS63181619A (ja) | 電力系統動態安定度の予防制御方法 |