[發明專利]控制裝置

在審

• 申請號: 201980095793.0
• 申請日: 2019-04-26
• 公開（公告）號: CN113748385A
• 公開（公告）日: 2021-12-03
• 發明（設計）人: 井崎勝敏;橋本誠司
• 申請（專利權）人: 理化工業株式會社
• 主分類號: G05B13/02
• 分類號: G05B13/02;G05B13/04
• 代理公司: 北京庚致知識產權代理事務所(特殊普通合伙) 11807
• 代理人: 李永虎;李偉波

本發明提供一種即便對于死區時間系統，神經網絡也能不受死區時間的影響而學習，并且具有改善對于指令輸入的過渡特性的能力的控制裝置。控制裝置(1)具備：對包含死區時間單元的控制對象進行控制的反饋控制器(10)；包含死區時間單元并輸出針對輸入的期望的響應波形的規范模型部(20)；以及輸出與反饋控制器的輸出相加并輸入控制對象的學習型控制器(30)，以使控制對象的輸出與規范模型部的輸出的誤差由于來自學習型控制器的輸出的變化而成為最小或預定的閾值以下的方式進行學習。

技術領域

本發明涉及控制裝置，特別是涉及對包含死區時間的控制對象進行控制的控制裝置。

背景技術

作為將神經網絡用于反饋控制的方法，已知有利用控制對象的逆系統的反饋誤差學習方法及系統。圖2示出了該反饋誤差學習系統的框圖。在該方法中，神經網絡控制器110以反饋控制器的輸出xc為示教信號進行學習，使得隨著學習的進行xc變為0。由此，進行學習及控制使得誤差e為0并且輸出y為目標值yd。因而，在學習之后，所使用的控制器從反饋控制器120轉移到神經網絡控制器110。其結果，控制系統100從反饋構造被置換為前饋構造。

另外，作為向使用神經網絡的控制系統引入規范模型的方法，例如公開了以下方法。在專利文獻1中，公開了向神經網絡部輸入反饋控制部的輸出和基于轉向量信號輸出理想預期響應的時間序列數據信號的規范模型的該輸出的控制裝置。在專利文獻2中，公開了將反饋控制器本身作為神經網絡學習型控制器的構造。另外，在專利文獻3中，公開了通過具有非線性函數近似能力的神經網絡來構成估計裝置，并作為補償器構成單元并入的控制裝置。

現有技術文獻

專利文獻

專利文獻1：日本特開平07－277286號公報

專利文獻2：日本特開平06－035510號公報

專利文獻3：日本特開平04－264602號公報。

發明內容

發明要解決的課題

在如上述圖2所示的系統中，對于重復的階躍指令的輸出響應波形上，有響應性不會按每個階躍，即隨著時間的經過而改善的情況。認為這是因為即便有對控制對象的輸入信號，由于控制對象的死區時間，神經網絡在沒有響應(來自控制對象的輸出)的狀態下也有可能無法學習。

在此，為了防止起因于死區時間的輸出響應延遲導致神經網絡的學習延遲，可以考慮使用能獲得期望響應的規范模型，并使該規范模型具有死區時間，以使實際輸出跟隨規范模型的輸出的方式使神經網絡學習的方法。然而，例如在如專利文獻1～3的使用規范模型的方法中，存在如下的課題。

首先，專利文獻1中公開的方法基本上與現有的反饋誤差學習方式相同，在該方法中即便向規范模型加入死區時間，也進一步延遲對控制對象的延遲。因而，在專利文獻1公開的方法中，不能改善學習延遲。

在專利文獻2公開的方法中，如果在規范模型中包括死區時間就可以避免學習延遲。然而，在神經網絡控制器的初始設計階段需要控制對象的模型。因而，控制器的設計較復雜，也可能會出現模型誤差。另外，需要用神經網絡控制器來補償目標值響應、擾動及波動等所有的補償對象。因此，很難針對每個補償對象設計/調整控制器，并且通過學習來修正補償器變得復雜。在專利文獻3公開的方法中，也存在與專利文獻2同樣的課題。

上述各種方法都是在沒有死區時間或可可以忽略死區時間的影響的系統中關注對規范模型的跟隨性的控制方法，不專注于性能改善，如考慮到死區時間的過渡特性改善。其結果，在上述各種方法中，難以同時實現針對死區時間系統的過渡響應特性和借助神經網絡的學習效果的更進一步地特性改善。

鑒于以上幾點，本發明的一個目的是構建一種解決上述課題的控制系統。另外，本發明的目的在于提供一種控制裝置，即便對于死區時間系統，神經網絡也能不受死區時間的影響而學習，并具有改善對于指令輸入的過渡特性的能力。

用于解決課題的方案