JPH07210207A - 適応制御装置 - Google Patents

Abstract

(57)【要約】 【目的】制御対象の非線形性や外乱等の影響を考慮する
ことなく線形モデルに基づいて線形制御系を構成するこ
とができ、安定した応答を得ることが可能となる。 【構成】ニューラルネットワーク４は、現時点の補償器
の出力信号Ｕbf(ｋ)１６と、現時点から数ステップ過去
までの制御対象の出力信号［Ｙ(ｋ)，Ｙ(ｋ−１)，…，
Ｙ(ｋ−ｎ)］と操作量［Ｕ(ｋ−１)，Ｕ(ｋ−２)，…，
Ｕ(ｋ−ｍ)］を入力し、操作量Ｕ(ｋ)３を出力する。学
習手段８は、制御対象の出力２と線形モデルの出力７と
の誤差が最小になるようにニューラルネットワーク４の
学習を行う。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、ロボット，工作機械，
ＸＹステージ，ディスク装置などの位置決め制御装置に
おいて、制御対象の非線形性や外乱，環境経時変化に対
応できる高精度な位置決め制御系を実現するニューラル
ネットワークを用いた適応制御装置に関する。

【０００２】

【従来の技術】適応制御方式には、モデル規範型適応制
御やセルフチューニングレギュレータなどがある。これ
らの方式では、制御対象の動特性モデルが線形ダイナミ
クスで記述できる場合にのみ効果があるが、制御対象の
非線形性や外乱，環境経時変化に対応することはできな
い。

【０００３】一方、ニューラルネットワークは、比較的
単純な構造で、非線形系を含めたダイナミクスモデルを
学習する能力を持つことが知られている。制御対象の非
線形性や環境経時変化に対応するための一手段として、
特開平2−54304号公報にニューラルネットワークを用い
た適応制御方式について開示されている。

【０００４】図８にそこで開示されている適応制御装置
を示す。これは、制御対象５１とフィードバック補償器
５７からなるフィードバックループ内に加算点６１を設
け、その加算点へ目標値５９からのフィードフォワード
ループをニューラルネットワーク５４で構成する装置と
なっている。

【０００５】この装置の動作は以下の通りである。すな
わち、ニューラルネットワークが学習を開始する前は、
目標値Ｒ５９は制御サンプリング毎に制御対象の出力Ｙ
５２と比較され、その偏差６０に基づいてフィードバッ
ク補償器５７の演算が行われ演算結果Ｕb５８ が操作量
Ｕ５３として制御対象５１に印加される。ニューラルネ
ットワーク５４の学習が開始すると、目標値とその一次
微分である速度目標値と二次微分である加速度目標値を
ニューラルネットワークへ入力し、ニューラルネットワ
ークの出力Ｕf５５をフィードバック補償器の出力Ｕb５
８に加算して、操作量Ｕ５３を制御対象５１に印加す
る。

【０００６】図中、ｓは微分演算子である。ニューラル
ネットワーク５４は、教師信号として操作量Ｕ５３を用
い、Ｊ＝(Ｕ−Ｕf)²＝Ｕb²を最小にするように学習が進
む。すなわち、学習が進むにつれて、フィードバック補
償器５７の出力Ｕb５８ が小さくなり、徐々に制御対象
５１の逆モデルがニューラルネットワーク５４に構築さ
れ、獲得された逆モデルによるフィードフォワード制御
に移行していく。ニューラルネットワークの学習は、バ
ックプロパゲーション法を用いている。制御を行いなが
ら学習ができ、制御対象の特性変動，非線形性に対して
適応的に操作量を演算できるため、特にロボット等に応
用が検討されている。

【０００７】

【発明が解決しようとする課題】しかし、従来技術で
は、ニューラルネットワークをフィードフォワード補償
器として用いているため、目標値に対する追従性は向上
するが、制御対象に加わる外乱やノイズ等に対する抑制
効果が十分でないという問題があった。特に、従来技術
では、ニューラルネットワークの入力信号として目標値
と速度目標値と加速度目標値しか入力していないため、
ダイナミクス変動や外乱等の影響を受ける制御対象の逆
ダイナミクスをニューラルネットワーク内に構築するこ
とは困難であった。

【０００８】また、従来技術では、事前に入手すること
が可能な非線形システムの線形なダイナミクスの情報を
有効に活用することができないという問題があった。特
に、従来技術では、非線形な制御対象を安定化するフィ
ードバック補償器が必要となる。通常、フィードバック
補償器を設計する際には非線形な制御対象の線形化した
ダイナミクスの情報を必要とするが、従来技術ではこの
線形化したダイナミクスの情報をニューラルネットワー
クの学習の際に有効に活用することが困難であった。

【０００９】本発明の目的は、制御対象の非線形性や外
乱に対しても十分な抑制効果を持ち、ニューラルネット
ワークの学習の負荷を軽減し高精度に学習することが可
能なニューラルネットワークを用いた適応制御装置を提
供することにある。

【００１０】

【課題を解決するための手段】上記目的を達成するため
の第一の発明は、制御対象の制御出力を目標値に一致さ
せるように前記目標値と前記制御出力との制御偏差をフ
ィードバック制御する制御器を有する制御装置におい
て、前記制御器の出力を入力信号とするニューラルネッ
トワークモデルと、前記制御器の出力を入力信号とする
線形モデルと、前記ニューラルネットワークの出力を前
記制御対象の入力信号とし、前記制御対象の出力と前記
線形モデルの出力が等しくなるように前記ニューラルネ
ットワークの各層間の重みを変化させる学習手段とを含
むものである。

【００１１】また、上記目的を達成するための第二の発
明は、制御対象の制御出力を目標値に一致させるように
前記目標値と前記制御出力との制御偏差をフィードバッ
ク制御する制御器を有する制御装置において、前記制御
器の出力を入力信号とするニューラルネットワークモデ
ルと、前記制御器の出力を入力信号とする線形モデル
と、前記制御器の出力を前記制御対象の入力信号とし、
前記制御対象の出力と、前記線形モデルの出力に前記ニ
ューラルネットワークの出力を加算した信号とが等しく
なるように前記ニューラルネットワークの各層間の重み
を変化させる学習手段と、前記ニューラルネットワーク
の出力が前記制御対象の出力を補正する手段とを含むも
のである。

【００１２】また、上記目的を達成するための第三の発
明は、制御対象の制御出力を目標値に一致させるように
前記目標値と前記制御出力との制御偏差をフィードバッ
ク制御する制御器を有する制御装置において、前記制御
対象への入力信号を入力するニューラルネットワークモ
デルと、前記ニューラルネットワークの出力と前記制御
対象への入力信号とを加算した信号と、前記加算した信
号を入力信号とする線形モデルと、前記制御対象の出力
と前記線形モデルの出力が等しくなるように前記ニュー
ラルネットワークの各層間の重みを変化させる学習手段
と、前記ニューラルネットワークの出力が前記目標値を
補正する手段とを含むものである。

【００１３】さらに、第一の発明をディスク装置へ適用
した場合は、情報が記録される円板と、前記円板との間
で情報の読みだしまたは書き込みを行うヘッドと、前記
円板に記録された位置情報と前記ヘッドの位置との偏差
を検出し偏差位置信号を出力するヘッド位置検出器と、
前記偏差位置信号を零にするように前記偏差位置信号を
フィードバック制御する制御器と、前記制御器の出力を
駆動入力とする前記ヘッドと一体に移動するアクチュエ
ータを備えたディスク装置において、前記制御器の出力
を入力信号とするニューラルネットワークモデルと、前
記制御器の出力を入力信号とする線形モデルと、前記ニ
ューラルネットワークの出力を前記アクチュエータの入
力信号とし、前記偏差位置信号と前記線形モデルの出力
が等しくなるように前記ニューラルネットワークの各層
間の重みを変化させる学習手段とを含むものである。

【００１４】また、上記第二の発明をディスク装置へ適
用した場合は、情報が記録される円板と、前記円板との
間で情報の読みだしまたは書き込みを行うヘッドと、前
記円板に記録された位置情報と前記ヘッドの位置との偏
差を検出し偏差位置信号を出力するヘッド位置検出器
と、前記偏差位置信号を零にするように前記偏差位置信
号をフィードバック制御する制御器と、前記制御器の出
力を駆動入力とする前記ヘッドと一体に移動するアクチ
ュエータを備えたディスク装置において、前記制御器の
出力を入力信号とするニューラルネットワークモデル
と、前記制御器の出力を入力信号とする線形モデルと、
前記制御器の出力を前記アクチュエータの入力信号と
し、前記偏差位置信号と、前記線形モデルの出力に前記
ニューラルネットワークの出力を加算した信号とが等し
くなるように前記ニューラルネットワークの各層間の重
みを変化させる学習手段と、前記ニューラルネットワー
クの出力が前記偏差位置信号を補正する手段とを含むも
のである。

【００１５】また、上記第三の発明をディスク装置へ適
用した場合は、情報が記録される円板と、前記円板との
間で情報の読みだしまたは書き込みを行うヘッドと、前
記円板に記録された位置情報と前記ヘッドの位置との偏
差を検出し偏差位置信号を出力するヘッド位置検出器
と、前記偏差位置信号を零にするように前記偏差位置信
号をフィードバック制御する制御器と、前記制御器の出
力を駆動入力とする前記ヘッドと一体に移動するアクチ
ュエータを備えたディスク装置において、前記アクチュ
エータへの入力信号を入力するニューラルネットワーク
モデルと、前記ニューラルネットワークの出力と前記ア
クチュエータへの入力信号とを加算した信号と、前記加
算した信号を入力信号とする線形モデルと、前記アクチ
ュエータの出力と前記線形モデルの出力が等しくなるよ
うに前記ニューラルネットワークの各層間の重みを変化
させる学習手段と、前記ニューラルネットワークの出力
が前記制御器の出力を補正する手段とを含むものであ
る。

【００１６】

【作用】本発明では、制御対象を希望の線形モデルとな
るようにニューラルネットワークを用いて操作量や目標
値を補正するため、制御対象の非線形性や外乱等の影響
を考慮することなく設定した線形モデルに基づいて種々
の線形制御系を構成することができ、高精度で高速な応
答を得ることが可能となる。設計者が設定する希望の線
形モデルは、非線形な制御対象の平衡点まわりでの線形
化したダイナミクスに設定することが望ましいが、設定
した線形モデルと実際の線形化ダイナミクスとの間の誤
差は、ニューラルネットワーク内に獲得され適切に補償
されるため、特に厳密な線形化モデルを設定する必要は
ない。

【００１７】また、第一の発明では、ニューラルネット
ワークが制御ループ内に直列に挿入されているため、制
御対象に乗法的な非線形性や外乱が作用した場合に特に
効果を発揮する。第二の発明では、ニューラルネットワ
ークが目標値を加法的に修正するため、制御対象の出力
端に加法的な非線形性や外乱が作用した場合に特に効果
を発揮する。第三の発明では、ニューラルネットワーク
が操作量を加法的に修正するため、制御対象の入力端に
加法的な非線形性や外乱が作用した場合に特に効果を発
揮する。

【００１８】以上、本発明は制御対象の非線形性や外乱
等の作用する箇所に応じてニューラルネットワークを用
いて効果的に補正する手段を提供するものであるが、い
ずれの発明も特定した箇所の非線形性や外乱の影響のみ
を抑制するものではなく、他の箇所で作用する非線形性
や外乱の影響も有効に抑制することが可能である。

【００１９】

【実施例】以下、本発明の一実施例を図を用いて詳細に
説明する。

【００２０】図１は、第一の発明の一実施例を表す図で
ある。第一の発明は、制御対象に乗法的な非線形性や外
乱が作用した場合に特に効果を発揮する。

【００２１】図１において、１は制御対象、２は制御対
象の出力Ｙ、３は制御対象への入力Ｕ、４はニューラル
ネットワーク、６は設計者が指定する線形モデル、８は
誤差信号９を最小にするようにニューラルネットワーク
４の各層間の結合加重をバックプロパゲーション法など
を用いて演算する学習手段、１４は目標値Ｒ、１０は線
形モデル６を安定に制御できるように設計されたフィー
ドバック補償器、１２は線形モデル６の逆ダイナミクス
に基づいて高応答性を目的として設計されたフィードフ
ォワード補償器である。ここで、線形モデル６は、非線
形な制御対象を平衡点まわりで線形化したモデルに設定
することが望ましいが、それに限る必要はなく希望の線
形モデルとしてもよい。物理モデルを導くことが困難な
場合には、例えば、２次の線形モデルと仮定し、平衡点
まわりでのパラメータ同定を事前に行い、得られた結果
を線形モデルとして用いればよい。また、フィードフォ
ワード補償器１２は、高応答性を必要としなければ用い
る必要はない。

【００２２】次に、本実施例のステップｋ時刻における
制御の流れについて説明する。まず、制御対象の出力Ｙ
(ｋ)２を読み取る。フィードバック補償器１０は、目標
値Ｒ(ｋ)１４と制御対象の出力Ｙ(ｋ)２との偏差に基づ
いてＵb(ｋ)１１ を発生する。フィードフォワード補償
器１２は、目標値Ｒ(ｋ)１４に基づいてＵf(ｋ)１３を
発生する。Ｕf(ｋ)１３とＵb(ｋ)１１は加算され、Ｕbf
(ｋ)１６となる。ニューラルネットワーク４は、Ｕbf
(ｋ)１６、および制御対象の出力Ｙ(ｋ)，１ステップ過
去の出力Ｙ(ｋ−１)，…，ｎステップ過去の出力Ｙ(ｋ
−ｎ)、および１ステップ過去の操作量Ｕ(ｋ−１)，２
ステップ過去の操作量Ｕ(ｋ−２)，…，ｍステップ過去
の操作量Ｕ(ｋ−ｍ)を入力層に設定する。ステップｎ及
びｍの選定は、それぞれ線形モデル６の分母と分子の次
数と同じかそれ以上に設定することが望ましい。

【００２３】ニューラルネットワーク４は、制御対象に
加わる非線形性や外乱を獲得する都合上、三層以上が望
ましいが、二層にして線形なニューロンを用いることで
演算処理を低減しても良い。また、中間層の出力を入力
層の入力にフィードバックするリカレント型のニューラ
ルネットワークを用いても良い。この場合は、制御対象
の出力Ｙ(ｋ)２，操作量Ｕ(ｋ−１)３，補償器の出力Ｕ
bf(ｋ)１６のみをニューラルネットワーク４の入力層に
入力すればよい。ニューラルネットワークの出力は、ｋ
ステップにおける制御対象への操作量Ｕ(ｋ)３となる。

【００２４】以上の演算が終了した後に、ニューラルネ
ットワーク４の学習が行われる。本発明では、ニューラ
ルネットワーク４と制御対象１のダイナミクスの積が、
設定した線形モデル６と等しくなるようにニューラルネ
ットワーク４の学習を行う。すなわち、学習手段８を用
いて、制御対象の出力Ｙ(ｋ)２と線形モデルの出力Ｙm
(ｋ)７の差が最小になるようにニューラルネットワーク
４の学習を行う。

【００２５】まず、ニューラルネットワーク４の構造に
ついて説明する。ニューラルネットワークの構造は、基
本的には多層構造をとり、例えば、三層構造では、入力
層の各ニューロンは中間層のニューロンの入力となり、
中間層のニューロンの出力は出力層の入力となる。以
下、層数を三層に限定して説明する。ここで、入力層と
中間層間の結合荷重をＷijとし、中間層と出力層間の結
合荷重をＶj とする。各ニューロンの入出力特性は、シ
グモイド関数によってモデル化される。シグモイド関数
Ｆ(Ｘ)は、Ｘを入力信号とすると

【００２６】

【数１】 Ｆ(Ｘ)＝２／(１＋exp（−Ｘ))−１ …（数１） で表される。ここでは、入力層のニューロンはシグモイ
ド変換を施さず、中間層および出力層のニューロンはシ
グモイド変換を施す。入力層への入力信号をＸi(ｋ)（i
＝１〜ｎ＋ｍ＋２），中間層の出力信号をＨj(ｋ)（ｊ
＝１〜ｑ），出力層の出力信号をＵ(ｋ)（第一の発明で
は操作量Ｕ(ｋ)に等しい）とする。ただし、中間層のニ
ューロン数ｑは、試行錯誤的に決定する必要がある。す
ると、Ｈj(ｋ)，Ｕ(ｋ)は、それぞれ数２，数３のよう
になる。ただし、ここではオフセット量については記述
しない。

【００２７】

【数２】

【００２８】

【数３】

【００２９】次に、ニューラルネットワーク４の学習ア
ルゴリズムについて説明する。ニューラルネットワーク
４の学習手段８は、ニューロン間の結合荷重を変化させ
ることによって行われる。ここでは、誤差逆伝播法（バ
ックプロパゲーションアルゴリズム）について説明す
る。学習手段８は、制御対象の出力Ｙ(ｋ)２と線形モデ
ルの出力Ｙm(ｋ)７との誤差Ｅ(ｋ)の二乗誤差、すなわ
ち、

【００３０】

【数４】 Ｊ(ｋ)＝（Ｙ(ｋ)−Ｙm(ｋ))²／２ ＝Ｅ(ｋ)²／２ …（数４） を最小にするように、結合荷重を変えることを行う。こ
の学習処理は、出力層から入力層へ向かって順次行う。

【００３１】結合荷重は、数５〜数８に従って変化させ
る。

【００３２】

【数５】 △Ｖj(ｋ)＝−η・∂Ｊ(ｋ)／∂Ｖj(ｋ) ＝η・Ｅ(ｋ)・∂Ｙ(ｋ)／∂Ｕ(ｋ)・(１−Ｕ(ｋ)²)／２・Ｈj(ｋ) …（数５）

【００３３】

【数６】 △Ｗji(ｋ)＝−η・∂Ｊ(ｋ)／∂Ｗji(ｋ) ＝η・Ｅ(ｋ)・∂Ｙ(ｋ)／∂Ｕ(ｋ)・(１−Ｕ(ｋ)²) ・Ｖj(ｋ)・(１−Ｈj(ｋ)²)／２・Ｘi(ｋ) …（数６）

【００３４】

【数７】 Ｖj(ｋ＋１)＝Ｖj(ｋ)＋△Ｖj(ｋ) …（数７）

【００３５】

【数８】 Ｗji(ｋ＋１)＝Ｗji(ｋ)＋△Ｗji(ｋ) …（数８） ここで、ηは学習定数でニューロンの数や層の数さらに
は入出力値等から経験的に決定される。また、第一の発
明では、数５および数６の計算の際に、∂Ｙ(ｋ)／∂Ｕ
(ｋ)の制御対象の情報が必要になる。これは、制御対象
の非線形性が弱い場合には、線形化したモデルの直流ゲ
インを∂Ｙ(ｋ)／∂Ｕ(ｋ)とすればよい。また、制御対
象の非線形が強い場合には、事前に制御対象のダイナミ
クスを別の同定用のニューラルネットワークに学習さ
せ、∂Ｙ(ｋ)／∂Ｕ(ｋ)の代わりに同定したニューラル
ネットワークから入力の変化分に対する出力の変化分を
計算すればよい。

【００３６】図２は、図１で制御ループ内に直列に結合
されているニューラルネットワークを制御ループと並列
に配置したニューラルネットワークを用いた適応制御装
置である。ここで、１７はループ内に設けた加算点であ
る。ニューラルネットワーク４の出力Ｕn は、補償器の
出力信号Ｕbf１６を加法的に補正する。すなわち、本実
施例では、従来の制御系の構造を変更することなく、ニ
ューラルネットワーク４，学習手段８、および線形モデ
ル６を付加することで特性の改善を行うことができる。
さらに、誤差信号Ｅ(ｋ)９の収束状況に基づいてニュー
ラルネットワークの出力のループ内への補正を制御する
ことができる。

【００３７】図３は、第二の発明の一実施例を表すブロ
ック図である。第二の発明は、制御対象の出力端に加法
的な非線形性や外乱が作用した場合に特に効果を発揮す
る。

【００３８】ステップｋ時刻における制御の流れについ
て説明する。まず、制御対象の出力Ｙ(ｋ)２を読み取
る。ニューラルネットワーク４は、制御対象の出力Ｙ
(ｋ)，１ステップ過去の出力Ｙ(ｋ−１)，…，ｎステッ
プ過去の出力Ｙ(ｋ−ｎ)、および１ステップ過去の操作
量Ｕ(ｋ−１)，２ステップ過去の操作量Ｕ(ｋ−２)，
…，ｍステップ過去の操作量Ｕ(ｋ−ｍ)を入力層に設定
する。次に、ニューラルネットワークの出力Ｙn(ｋ)５
を用いて目標値Ｒ(ｋ)１４を補正する。フィードバック
補償器１０は、補正された目標値１８と制御対象の出力
２との偏差に基づいてＵb(ｋ)１１ を発生し、フィード
フォワード補償器１２は、補正された目標値１８に基づ
いてＵf(ｋ)１３を発生する。Ｕf(ｋ)１３とＵb(ｋ)１
１ は加算され、ｋステップにおける操作量Ｕ(ｋ)３と
なる。

【００３９】以上の演算が終了した後に、ニューラルネ
ットワーク４の学習が行われる。本発明では、ニューラ
ルネットワークの出力５と設定した線形モデルの出力７
の加算した信号が、制御対象の出力２と等しくなるよう
にニューラルネットワークの学習を行う。すなわち、学
習手段８は、制御対象の出力Ｙ(ｋ)２と線形モデルの出
力Ｙm(ｋ)７とニューラルネットワークの出力Ｙn(ｋ)の
誤差Ｅ(ｋ)の二乗誤差、すなわち、

【００４０】

【数９】 Ｊ(ｋ)＝（Ｙ(ｋ)−Ｙm(ｋ)−Ｙn(ｋ))²／２ ＝Ｅ(ｋ)²／２ …（数９） を最小にするように、結合荷重を変えることを行う。こ
の学習処理は、出力層から入力層へ向かって順次行う。

【００４１】結合荷重は、次式に従って変化させる。

【００４２】

【数１０】 △Ｖj(ｋ)＝−η・∂Ｊ(ｋ)／∂Ｖj(ｋ) ＝η・Ｅ(ｋ)・(１−Ｙn(ｋ)²)／２・Ｈj(ｋ) …（数１０）

【００４３】

【数１１】 △Ｗji(ｋ)＝−η・∂Ｊ(ｋ)／∂Ｗji(ｋ) ＝η・Ｅ(ｋ)・(１−Ｙn(ｋ)²)・Ｖj(ｋ) ・(１−Ｈj(ｋ)²)／２・Ｘi(ｋ) …（数１１）

【００４４】

【数１２】 Ｖj(ｋ＋１)＝Ｖj(ｋ)＋△Ｖj(ｋ) …（数１２）

【００４５】

【数１３】 Ｗji(ｋ＋１)＝Ｗji(ｋ)＋△Ｗji(ｋ) …（数１３） 上式より、第二の発明では、第一の発明で数５および数
６を計算する際に必要とした∂Ｙ(ｋ)／∂Ｕ(ｋ)の制御
対象の事前情報を必要としない。

【００４６】図４は、第三の発明の一実施例を表すブロ
ック図である。第三の発明は、制御対象の入力端に加法
的な非線形性や外乱が作用した場合に特に効果を発揮す
る。

【００４７】ステップｋ時刻における制御の流れについ
て説明する。まず、制御対象の出力Ｙ(ｋ)２を読み取
る。フィードバック補償器１０は、目標値R(ｋ)１４ と
制御対象の出力２との偏差に基づいてＵb(ｋ)１１ を発
生する。フィードフォワード補償器１２は、目標値R
(ｋ)１４に基づいてＵf(ｋ)１３を発生する。ニューラ
ルネットワーク４は、制御対象の出力Ｙ(ｋ)，１ステッ
プ過去の出力Ｙ(ｋ−１)，…，ｎステップ過去の出力Ｙ
(ｋ−ｎ)、および１ステップ過去の操作量Ｕ(ｋ−１)，
２ステップ過去の操作量Ｕ(ｋ−２),…,ｍステップ過去
の操作量Ｕ(ｋ−ｍ)を入力層に設定する。ニューラルネ
ットワーク４の出力Ｙn(ｋ)５は、Ｕf(ｋ)１３とＵb
(ｋ)１１ の加算した信号を補正して、ｋステップにお
ける操作量Ｕ(ｋ)３となる。

【００４８】以上の演算が終了した後に、ニューラルネ
ットワーク４の学習が行われる。本発明では、ニューラ
ルネットワークの出力Ｙn(ｋ)５ と操作量Ｕ(ｋ)３の加
算信号を入力した線形モデル４の出力Ｙm(ｋ)７ が、制
御対象の出力Ｙ(ｋ)２と等しくなるようにニューラルネ
ットワークの学習を行う。すなわち、学習手段８は、制
御対象の出力Ｙ(ｋ)２と線形モデルの出力Ｙm(ｋ)７ の
誤差Ｅ(ｋ)の二乗誤差、すなわち、

【００４９】

【数１４】 Ｊ(ｋ)＝（Ｙ(ｋ)−Ｙm(ｋ))²／２ ＝Ｅ(ｋ)²／２ …（数１４） を最小にするように、結合荷重を変えることを行う。こ
の学習処理は、出力層から入力層へ向かって順次行う。

【００５０】結合荷重は、次式に従って変化させる。

【００５１】

【数１５】 △Ｖj(ｋ)＝−η・∂Ｊ(ｋ)／∂Ｖj(ｋ) ＝η・Ｅ(ｋ)・ｂ０・(１−Ｙn(ｋ)²)／２・Ｈj(ｋ)…（数１５）

【００５２】

【数１６】 △Ｗji(ｋ)＝−η・∂Ｊ(ｋ)／∂Ｗji(ｋ) ＝η・Ｅ(ｋ)・ｂ０・(１−Ｙn(ｋ)²)・Ｖj(ｋ) ・(１−Ｈj(ｋ)²)／２・Ｘi(ｋ) …（数１６）

【００５３】

【数１７】 Ｖj(ｋ＋１)＝Ｖj(ｋ)＋△Ｖj(ｋ) …（数１７）

【００５４】

【数１８】 Ｗji(ｋ＋１)＝Ｗji(ｋ)＋△Ｗji(ｋ) …（数１８） ただし、ｂ０は線形モデル６の直流ゲイン、すなわち、
ｂ０＝∂Ｙm(ｋ)／∂Ｙn(ｋ) である。上式より、第三
の発明では、第一の発明で数５および数６を計算する際
に必要とした∂Ｙ(ｋ)／∂Ｕ(ｋ)の制御対象の事前情報
を必要としない。

【００５５】図５は、第一の発明の上記実施例をディス
ク装置で実現するハードウエアのブロック図の一例であ
る。図５に示す構成法は、第二の発明や第三の発明の上
記実施例を実現するハードウエアの構成方法としても有
効である。

【００５６】図５に示すように、図１における制御対象
１はヘッド支持機構系からなる。ヘッド支持機構系は、
具体的には、ヘッド３１を支持する機構３２，その機構
を駆動するボイスコイルモータ３３，ボイスコイルモー
タに電流を印加するパワーアンプ３４，ディジタル信号
をアナログ信号に変換するＤＡ変換器３５，ディスク円
板３０に記録されたトラック上の目標軌道３６とヘッド
３１との偏差位置信号３７：Ｙe を検出するヘッド位置
検出手段３８、及びアナログ信号をディジタル信号に変
換するＡＤ変換器３９において、ＤＡ変換器からＡＤ変
換器までのダイナミクスを表す。

【００５７】これらのダイナミクスは、基本的には二次
遅れ系でモデル化される。しかし、ボイスコイルモータ
３３の位置によるゲイン変動や、ヘッド位置検出手段３
８の非線形性や、ヘッド支持機構３２の温度によるダイ
ナミクス変動などの乗法的非線形変動が存在する。ま
た、トラック上に記録されている目標軌道３６は、目標
軌道を記録する際のディスク装置の振動やディスク円板
３０の回転振動によりわずかながら真円よりうねって記
録される。すなわち、ディスク装置では、制御対象の出
力端に加法的な外乱が存在する。ディスク装置の制御目
的は、制御対象に加わる乗法的・加法的な非線形性の影
響を除去し、偏差位置信号と目標値との偏差を零にする
ことであり、この目的は、上記第一，第二，第三の発明
によって解決される。

【００５８】図５における演算処理は、マイクロプロセ
ッサシステム４６内で実行される。マイクロプロセッサ
システム４６では、マイクロプロセッサ４１とニューロ
プロセッサ４０がバスライン４５を介して、ＲＡＭ(ラ
ンダムアクセスメモリ)４２，ＲＯＭ（読みだし専用メ
モリ）４３に接続されている。ＲＯＭ４３は、ニューラ
ルネットワーク４の構造，学習手段８，フィードバック
補償器１０，フィードフォワード補償器１２、および線
形モデル６のプログラムを格納する。ＲＡＭ４２は、制
御対象の入出力信号を一時的に記憶する役割をはたす。
ニューロプロセッサ４０は、マイクロプロセッサ４１で
代用してもよいが、ＡＤ変換器３９の出力結果を基にニ
ューラルネットワークの演算（数２，数３）と学習の演
算（数７，数８）を高速に実行する。ニューラルネット
ワークの出力の結果は、操作量３となり、バスライン４
５を介してＤＡ変換器３５へ印加される。コマンド発生
器４４は、ＡＤ変換器の出力信号を監視し、学習手段９
のスイッチの役割をはたす。

【００５９】図６は、上記実施例を用いない場合のディ
スク装置の操作量Ｕ３から制御対象の出力Ｙ２までのヘ
ッド支持機構系のゲイン線図の一例である。加振信号の
ゲインを変えて３回測定した結果をプロットしている。
基本的には二次遅れ系としてモデル化可能であるが、低
域にはベアリング等の粘性抵抗等の影響が、高域にはヘ
ッドを支える支持系の影響が表れているのが分かる。従
来は、これらの影響を考慮することなく、平均化した二
次遅れ系で制御対象をモデル化し、各補償器の設計を行
っていた。

【００６０】一方、図７は、実施例を用いた場合の補償
器の出力信号Ｕbf１６から制御対象の出力Ｙ２までのヘ
ッド支持機構系のゲイン線図の一例である。図６と同様
に、加振信号のゲインを変えて３回測定した結果をプロ
ットしている。ニューラルネットワークによって低域の
非線形性と高域の非線形性が補償され、すべての周波数
帯域で設計者が設定した二次遅れ系の線形モデルとなっ
ていることが分かる。これにより、線形モデルに基づい
たフィードバック補償器やフィードフォワード補償器が
有効に働き、制御対象に非線形や外乱が存在するにもか
かわらず、安定した応答を得ることが可能となる。

【００６１】実施例では、ディスク装置について説明し
たが、本発明はロボットなどの他のメカトロニクス機器
のシステムに適用しても上記と同様の効果を得ることが
できる。

【００６２】

【発明の効果】本発明によれば、制御対象を希望の線形
モデルとなるようにニューラルネットワークを用いて操
作量や目標値を補正する。このため、制御対象の非線形
性や外乱等の影響を考慮することなく設定した線形モデ
ルに基づいて線形制御系を構成することができ、安定し
た応答を得ることが可能となる。

【図面の簡単な説明】

【図１】本発明の一実施例を示すブロック図。

【図２】本発明の第二の実施例を示すブロック図。

【図３】本発明の第三の実施例を示すブロック図。

【図４】本発明の第四の実施例を示すブロック図。

【図５】本発明のディスク装置への一例を示すブロック
図。

【図６】本発明を用いない場合のゲイン線図。

【図７】本発明を用いた場合のゲイン線図。

【図８】従来のブロック図。

【符号の説明】

１…制御対象、２…制御対象の出力、３…操作量、４…
ニューラルネットワーク、６…線形モデル、７…線形モ
デルの出力、８…学習手段、９…学習手段への誤差信
号、１０…フィードバック補償器、１１…フィードバッ
ク補償器の出力、１２…フィードフォワード補償器、１
３…フィードフォワード補償器の出力、１４…目標値、
１５…目標値と制御対象の出力の偏差。

Claims (1)

【特許請求の範囲】
1. 【請求項１】制御対象の制御出力を目標値に一致させる
   ように前記目標値と前記制御出力との制御偏差をフィー
   ドバック制御する制御器を有する制御装置において、 前記制御器の出力を入力信号とするニューラルネットワ
   ークモデルと、前記制御器の出力を入力信号とする線形
   モデルと、前記ニューラルネットワークの出力を前記制
   御対象の入力信号とし、前記制御対象の出力と前記線形
   モデルの出力が等しくなるように前記ニューラルネット
   ワークの各層間の重みを変化させる学習手段とを含むこ
   とを特徴とする適応制御装置。