DE69228517T2

DE69228517T2 - Simulator mit Anwendung eines Neuronalnetzwerkes

Info

Publication number: DE69228517T2
Application number: DE69228517T
Authority: DE
Inventors: Kazuteru Ono; Tadahiro Yanigisawa
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 1991-10-31
Filing date: 1992-09-25
Publication date: 1999-08-26
Anticipated expiration: 2012-09-26
Also published as: US5418710A; EP0540168A2; DE69228517D1; CA2079147A1; JPH05127706A; EP0540168A3; EP0540168B1; CA2079147C

Description

Die vorliegende Erfindung betrifft einen Simulator zum Simulieren eines zu steuernden Objektes, wie z. B. einer Anlage oder dergleichen, und eine Steuereinheit. Insbesondere betrifft die vorliegende Erfindung einen Simulator zum Reproduzieren von in Realität durchzuführenden Operationen mit höherer Genauigkeit.
Ein Simulator wird verwendet zum Simulieren von Operationen, welche von der realen Maschine durchzuführen sind, wenn eine große Maschine entworfen und eingestellt wird, wenn verschiedene Arten von Prozessen untersucht und getestet werden oder wenn ein Operator einer realen Maschine mit Gefahr und Schwierigkeit trainiert wird.
Zum Erleichtern des Verständnisses der vorliegenden Erfindung wird ein typisches Beispiel eines üblichen Simulators nachstehend mit Bezug auf Fig. 1 beschrieben, wobei angenommen wird, daß der Simulator für einen Wasserzuführungs-Steuerprozess in einer Leistungsstation verwendet wird.
Fig. 1 ist ein Blockdiagramm des üblichen Simulators, welcher für einen Wasserzuführungs-Steuerprozess verwendet wird.
Ein Ausgangssignal von einer Steuereinheit 10 wird in einen Simulator 20 eingegeben. Die Steuereinheit 10 ist aufgebaut aus einer Vergleichs-/Berechnungsschaltung 11 und einer Verarbeitungs-/Berechnungsschaltung 12. Wie aus der Zeichnung klar erscheint, werden ein Zielwert a eines zu steuernden Objektes und ein Ausgangssignal von dem Simulator 20 in die Vergleichs-/Berechnungsschaltung 11 eingegeben. Ansprechend auf die Eingangssignale berechnet die Vergleichs-/Berechnungsschaltung 11 ein differentielles Steuersignal f. Dieses differentielle Steuersignal f wird in der Verarbeitungs/Berechnungsschaltung 12 auf besondere Art und Weise verarbeitet, und danach wird es in den Simulator 20 in Form einer verarbeiteten Größe g eingegeben.
Fig. 2 ist ein Blockdiagramm, welches die Struktur des Simulators 20 schematisch zeigt, insbesondere zum Illustrieren einer Simulationsfunktion desselben.
Wie in der Zeichnung gezeigt, hat der Simulator 20 eine Verarbeitungsverzögerungscharakteristik 21, eine Pumpverzögerungscharakteristik 22 und eine Pumpendrehzahl versus Entladungsströmungsraten-Charakteristik 23. Eine Simulationssteuergröße d wird in dem Simulator 20 basierend auf der verarbeiteten Größe g berechnet, und danach wird sie davon ausgegeben.
Im Falle, daß ein modellierter Simulator, wie oben beschrieben, verwendet wird, wird ein Ausgangssignal von der Steuereinheit 10 an den Simulator 20 in Form einer Prozessgröße g eingegeben. Die Steuereinheit 10 arbeitet so, daß sie bewirkt, daß die Simulationssteuergröße d, welche von dem Simulator 20 rückgekoppelt wird, mit dem Zielwert a übereinstimmt. Jedes zu steuernde Objekt, welches durch den Simulator 20 simuliert wird, ist modelliert bezüglich der Verarbeitungsverzögerungscharakteristik 21, der Pumpverzögerungscharakteristik 22 und der Pumpendrehzahl versus Entladungsströmungsraten- Charakteristik 23. Eigenschaften des resultierenden Modells werden im voraus bestimmt, bevor eine reale Maschine entworfen wird.
In der Praxis jedoch simuliert der Simulator 20 die Eigenschaften der realen Maschine nicht vollständig. Somit gibt es insofern oft eine Fehlfunktion, als daß die Eigenschaften von einem jeweiligen Modell nicht übereinstimmen mit denjenigen der realen Maschine, wenn die Wasserzuführungssteuerung mit Hilfe der Steuereinheit 10 und des Simulators 20 simuliert wird.
Beispielsweise wird ein Fall betrachtet, in dem eine Anlage gesteuert wird. In diesem Fall hat jeder Aktuator nicht nur eine Verzögerung, sondern ebenfalls ein Spiel, und insbesondere entsteht insofern ein Problem, als daß sich die Eigenschaften des Aktuators in der Öffnungsrichtung von denen in der Schließrichtung unterscheiden. Da weiterhin Pumpeigenschaften eines jeweiligen Modells nicht vollständigermaßen mit denen der realen Maschine übereinstimmen, gibt es insofern ein weiteres Problem, als daß eine Strömungsrate des Zuführungswassers des Modells sich von derjenigen der realen Maschine unterscheidet.
Fig. 3 ist eine Darstellung, welche charakteristische Kurven zum Darstellen von Pump-NQ-Charakteristika zeigt, insbesondere zum Illustrieren einer Differenz zwischen entworfenen Werten und praktischermaßen gemessenen Werten. In der Zeichnung repräsentiert eine charakteristische Kurve A entworfene Werte, und eine charakteristische Kurve B repräsentiert die praktischermaßen gemessenen Werte.
Es erscheint klar aus der Zeichnung, daß die entworfenen Werte der Pump-NQ- Charakteristika sich beträchtlichermaßen von den tatsächlichermaßen gemessenen Werten derselben unterscheiden. Aufgrund der oben erwähnten Differenz kann der Simulator 20 die reale Maschine nicht vollständig simulieren.
Hinsichtlich eines Operations-Trainingssimulators, welcher derart konstruiert ist, daß die Operationen einer Steuereinheit mit Hilfe einer Simulationsschaltung oder einer Software durchgeführt werden, wobei lediglich ein Betriebsfeld eines Modells auf die gleiche Art und Weise wie dasjenige einer realen Maschine entworfen ist, tritt insofern ein Problem auf, daß nicht jedes einzelne Operationstraining korrekt erzielbar ist.
Wie oben erwähnt, wird ein Modell zum Darstellen der Eigenschaften einer realen Maschine im voraus für den üblichen Simulator vorbereitet, und jede Simulationsoperation wird mit dem Simulator unter Verwendung des vorhergehenden Modells durchgeführt. Somit gibt es oft eine Fehlfunktion insofern, als daß die Eigenschaften des Modells nicht mit denen der realen Maschine zusammenfallen.
Die Verwendung eines neuronalen Netzwerks zum Steuern einer Maschine ist bekannt aus der EP 0432267. Sie offenbart keinen Simulator zum Simulieren von Zuständen ohne des Betriebs der Maschine.
Die Verwendung eines neuronalen Netzwerks in einem Prozesssimulator ist aus der JP 64-148673 bekannt. Sie offenbart nicht einen Modellsimulationsabschnitt, welcher durch ein neuronales Netzwerk ergänzt wird.
Die vorliegende Erfindung wurde angesichts des zuvor erwähnten Hintergrundes geschaffen.
Eine Aufgabe der vorliegenden Erfindung besteht in der Bereitstellung eines Simulators, welcher gewährleistet, daß Operationen einer realen Maschine mit einer höheren Genauigkeit simuliert werden können.
Die vorliegende Erfindung schafft einen Simulator unter Verwendung eines neuronalen Netzwerks, wobei ein Ausgangssignal von einem Modellsimulationsabschnitt zum Modellieren der Eigenschaften einer realen Maschine durch das neuronale Netzwerk korrigiert wird. Ein Lernen wird in dem neuronalen Netzwerk basierend auf einer Steuergröße durchgeführt, welche von der realen Maschine gegeben wird. Jedes Lernen wird in Übereinstimmung mit einem Lernalgorithmus erreicht, wie z. B. einem Rückpropagationsalgorithmus oder dergleichen, nämlich durch Korrigieren und Fixieren von Synapsenlasten des neuronalen Netzwerks zum Simulieren der Eigenschaften der realen Maschine mit einer höheren Genauigkeit.
In den Figuren zeigen:
Fig. 1 ein Blockdiagramm des üblichen Simulators, welcher für einen Wasserzuführungs-Steuerprozess verwendet wird;
Fig. 2 ein Blockdiagramm, welches die Eigenschaften des üblichen Simulators zeigt;
Fig. 3 eine Darstellung, welche Pump-NQ-Charakteristik-diagramme zeigt, insbesondere zum Illustrieren einer Differenz zwischen entworfenen Werten und tatsächlichermaßen gemessenen Werten;
Fig. 4 ein Blockdiagramm, welches die Struktur eines Simulators in Übereinstimmung mit einer Ausführungsform der vorliegenden Erfindung in schematischer Art und Weise zeigt;
Fig. 5 eine illustrative Ansicht, welche schematisch die Struktur eines neuronalen Netzwerks, das Zeitreihensignale verarbeiten kann, in schematischer Art und Weise zeigt;
Fig. 6 eine illustrative Ansicht, welche die Struktur eines Neuron in schematischer Art und Weise zeigt;
Fig. 7 ein Blockdiagramm, welches in schematischer Art und Weise die Struktur eines Simulators in Übereinstimmung mit einer weiteren Ausführungsform der vorliegenden Erfindung zeigt;
Fig. 8 eine illustrative Ansicht, welche in schematischer Art und Weise die Struktur eines neuronalen Netzwerks 130a zeigt, welches für einen Simulator 100a verwendet wird, der in Fig. 7 gezeigt ist;
Fig. 9 ein Blockdiagramm, welches in schematischer Art und Weise die Struktur eines Simulators in Übereinstimmung mit einer weiteren Ausführungsform der vorliegenden Erfindung zeigt;
Fig. 10 eine illustrative Ansicht, welche in schematischer Art und Weise die Struktur eines neuronalen Netzwerks 130b zeigt, das für einen Simulator 100b verwendet wird, der in Fig. 9 gezeigt ist;
Fig. 11 bis Fig. 16 Blockdiagramme, von denen jedes einzelne die Struktur des Simulators in Übereinstimmung mit noch einer weiteren Ausführungsform der vorliegenden Erfindung in schematischer Art und Weise zeigt;
Fig. 17 ein Blockdiagramm, welches ein Simulationssystem zeigt, das beispielsweise für eine Wasserzuführungs-Steuereinrichtung verwendbar ist, einschließlich einer Vielzahl von zu steuernden Objekten;
Fig. 18 einen Fließplan, welcher in schematischer Art und Weise eine Reihe von Operationen zeigt, die durch den in Fig. 4 gezeigten Simulator mit Hilfe einer Software durchzuführen sind.
Die vorliegende Erfindung wird jetzt nachstehend mit Bezug auf die begleitenden Zeichnungen beschrieben, welche bevorzugte Ausführungsformen davon illustrieren.
Fig. 4 ist ein Blockdiagramm, welches in schematischer Art und Weise die Struktur eines Simulators in Übereinstimmung einer Ausführungsform der vorliegenden Erfindung zeigt. Gleiche Teile oder Komponenten wie diejenigen in Fig. 1 sind durch die gleichen Bezugszeichen bezeichnet, und eine wiederholte Beschreibung derselben wird aus Gründen der Einfachheit unterlassen. Ein Simulator 100 ist aus einer Datenaufnahmeeinrichtung 110 konstruiert, in der Steuergrößen einer realen Maschine aufgenommen sind, einem Modellsimulationsabschnitt 120 mit derselben Struktur wie bei dem Simulator 20, der in Fig. 2 gezeigt ist, einem neuronalen Netzwerk 130, einer Additionseinrichtung (bzw. Hinzufügungseinrichtung) 140 und einer Fehlerberechnungseinrichtung 150.
Ein Prozessgrößensignal g, welches von einer Verarbeitungs-/Berechnungsschaltung einer Steuereinheit 10 ausgegeben wird, wird in den Modellsimulationsabschnitt 120 und das neuronale Netzwerk 130 eingegeben. Ein Ausgangssignal h von dem Modellsimulationsabschnitt 120 und ein Ausgangssignal i von dem neuronalen Netzwerk 130 werden in den Addierer 140 eingegeben, in dem sie durch Addition verarbeitet werden, und danach wird ein simuliertes Steuergrößensignal d von dem Addierer 140 ausgegeben. Das simulierte Steuergrößensignal d wird in die Fehlerberechnungseinrichtung 150 eingegeben, während es an die Steuereinheit 10 rückgekoppelt wird. Die Fehlerberechnungseinrichtung 150 berechnet einen Fehler des simulierten Steuergrößensignals d, das von einer Steuergröße b einer realen Maschine abweicht, welche in der Datenaufnahmeeinrichtung 110 gespeichert ist, und gibt dann ein Lernsignal e daraus aus. Das Lernsignal e wird in das neuronale Netzwerk 130 eingegeben, in dem es als ein Signal zum Ausführen eines Rückpropagationsalgorithmus verwendet wird, welcher später zu beschreiben ist.
Fig. 5 ist eine illustrative Ansicht, welche in schematischer Art und Weise die Struktur des neuronalen Netzwerks 130 zeigt, in dem Zeitreihensignale verarbeitet werden können. Wie in der Zeichnung gezeigt, ist das neuronale Netzwerk 130 aus einer Vielzahl von Differenzierungsschaltungen 131 zum sequentiellen Differenzieren der darin eingegebenen Prozessgröße g, einer Vielzahl von Neuronen 132 und einer Vielzahl von Synapsenverbindungen 133, mittels derer die Differenzierungsschaltungen 131 und die Neuronen 132 verbunden sind, aufgebaut. In den Zeichnungen bezeichnet Bezugszeichen g&sub0; einen nulldimensional differenzierten Wert der Prozessgröße g (gleich der Prozessgröße g), Bezugszeichen g&sub1; einen eindimensional differenzierten Wert derselben und Bezugszeichen gn einen n-dimensional differenzierten Wert derselben.
Fig. 6 ist eine illustrative Ansicht, welche in schematischer Art und Weise die Struktur jedes einzelnen Neurons 132 in dem neuronalen Netzwerk 130 zeigt. In der Zeichnung bezeichnen T&sub1;&sub0;, T&sub1;&sub1;, ..., T1n Jeweilige Synapsenlasten.
Als nächstes wird der Betrieb des Simulators, wie in Fig. 4, 5 und 6 gezeigt, nachstehend beschrieben werden.
Zunächst gibt, wenn ein Zielwert a der Steuergröße in die Steuereinheit 10 eingegeben wird, die Steuereinheit 10 eine Prozessgröße g aus. Diese Prozessgröße g wird dann in den Modellsimulationsabschnitt 120 und das neuronale Netzwerk 130 in dem Simulator 100 eingegeben. Die Prozessgröße g, welche in den Modellsimulationsabschnitt 120 eingegeben wird, wird basierend auf den Eigenschaften eines zu steuernden modellierten Objekts verarbeitet, und danach wird ein Signal h von dem Modellsimulationsabschnitt 120 ausgegeben. Andererseits spiegeln sich die Eigenschaften einer realen Maschine in dem neuronalen Netzwerk 130 durch das Lernen der Eigenschaften der realen Maschine wieder, wie später beschrieben werden wird. Die Prozessgröße g wird in dem neuronalen Netzwerk 130 abhängig von den Eigenschaften der realen Maschine verarbeitet, und darauf wird ein Signal i von dem neuronalen Netzwerk 130 ausgegeben. Dieses Signal i und das Ausgangssignal h von dem Modellsimulationsabschnitt 120 werden zueinander in der Additionseinrichtung 140 addiert, wodurch die Eigenschaften der realen Maschine geeignetermaßen korrigiert werden. Das so korrigierte Signal wird in Form einer Simulationssteuergröße d ausgegeben. Zusätzlichermaßen wird diese Simulationssteuergröße d an die Steuereinheit 10 rückgekoppelt, und dann steuert die letztere die Prozessgröße g, welche ein Ausgangssignal von der Steuereinheit 10 ist.
Als nächstes wird ein Modus des Lernens der Eigenschaften der realen Maschine in dem neuronalen Netzwerk 130 nachstehend beschrieben.
Eine Steuergröße b für die reale Maschine wird zuvor in der Datenaufnahmeeinrichtung 110 gespeichert. Die Steuergröße b für die reale Maschine, welche in der Datenaufnahmeeinrichtung 110 gespeichert ist, und eine Simulationssteuergröße für dieselbe werden in die Fehlerberechnungseinrichtung 150 während der Simulation eingegeben. Ein Differenzsignal des vorherigen von dem letzteren wird als ein Lernsignal e in der Fehlerberechnungseinrichtung 150 mit Bezug auf die Steuergröße b für die reale Maschine, welches in dem neuronalen Netzwerk 130 verarbeitet wird, gelernt. Dieses Lernen wird in Übereinstimmung mit dem Rückpropagationsalgorithmus oder dergleichen erzielt. Werte von Synapsenlasten T&sub1;&sub0;, T&sub1;&sub1;, ..., T1n werden derart voreingestellt, daß ein Ausgangssignal von dem neuronalen Netzwerk 130 während der anfänglichen Lernperiode null wird. Die vorherige Voreinstellung bewirkt, daß die durch die Simulation in dem Modellsimulationsabschnitt 120 erzeugte Ausgabe als eine Simulationssteuergröße d davon ausgegeben wird, wie sie vorliegt. Ein Fehler der Simulationssteuergröße d, welcher von der Steuergröße b für die reale Maschine abweicht, wird in der Fehlerberechnungseinrichtung 150 jedesmal dann durchgeführt, wenn ein Lernen ausgeführt wird. Dann wird dieser Fehler in das neuronale Netzwerk 130 in Form eines Lernsignals e eingegeben. Ansprechend auf das Lernsignal e werden die Werte der Synapsenlasten T&sub1;&sub0;, T&sub1;&sub1;, ..., T1n der Neuronen 132 in dem neuronalen Netzwerk 130 aufgefrischt. Da das Lernen wiederholt durchgeführt wird, werden die Werte der Synapsenlasten T&sub1;&sub0;, T&sub1;&sub1;, ..., T1n der Neuronen 132 mit dem Resultat aufgefrischt, daß das neuronale Netzwerk 130 ein Signal i derart ausgibt, daß das Lernsignal e schrittweise klein wird. Nachdem das Lernen durch Wiederholung des oben Erwähnten hinreichendermaßen erreicht ist, werden die Werte der Synapsenlasten T&sub1;&sub0;, T&sub1;&sub1;, ..., T1n festgehalten.
Da das Lernen wiederholtermaßen in dem neuronalen Netzwerk 130 unter Verwendung der Steuergröße der realen Maschine in der oben beschriebenen Art und Weise durchgeführt wird, wird ein Ausgangssignal h von dem Modellsimulationsabschnitt 120 korrigiert. Deshalb ist das Ausgangssignal h durch die Eigenschaften der realen Maschine involviert. Demzufolge kann eine Simulation mit einer höheren Genauigkeit erzielt werden.
Das zu steuernde Objekt wird in dem Modellsimulationsabschnitt 120 basierend auf den Entwurfsdaten modelliert. Somit tritt, sogar wenn die Daten über die Steuergröße b der realen Maschine, welche in der Datenaufnahmeeinrichtung 110 gespeichert sind, nicht über den gesamten Steuerbereich vorliegen, eine Diskontinuität am Simulationsmodell nicht auf. Somit kann die Simulation über den gesamten Steuerbereich erzielt werden.
Bei der zuvor erwähnten Ausführungsform werden Daten über die Steuergröße der realen Maschine im voraus in der Datenaufnahmeeinrichtung 110 gespeichert, so daß ein Lernen basierend auf den gespeicherten Daten durchführbar ist. Alternativermaßen können Daten über die Steuergröße für die reale Maschine in die Fehlerberechnungseinrichtung 150 auf Realzeitbasis zum selben Zweck eingegeben werden.
Wie aus der obigen Beschreibung klar erscheint, simuliert der Simulator 100 die reale Maschine genauer, indem das Ausgangssignal von dem Modellsimulationsabschnitt 120 in dem neuronalen Netzwerk 130 korrigiert wird. Da das Ausgangssignal von dem Modellsimulationsabschnitt 120 in dem neuronalen Netzwerk 130 korrigiert wird, ermöglicht dies zusätzlichermaßen die Durchführung einer Simulation, sogar wenn die Daten über die Steuergröße der realen Maschine nicht über den gesamten Betriebsbereich vorliegen.
Fig. 7 ist ein Blockdiagramm, welches die Struktur eines Simulators in Übereinstimmung mit einer weiteren Ausführungsform der vorliegenden Erfindung in schematischer Art und Weise zeigt.
Gleiche oder ähnliche Abschnitte wie diejenigen in Fig. 4 sind durch die gleichen Bezugszeichen dargestellt, und eine wiederholte Beschreibung davon wird aus Gründen der Einfachheit unterlassen.
Bei dieser Ausführungsform ist ein Simulator 100a derart konstruiert, daß nicht nur eine Steuergröße b für eine reale Maschine, sondern ebenfalls eine Prozessgröße c für dieselbe in einer Datenaufnahmeeinrichtung 110a gespeichert sind. Somit werden eine Prozessgröße g, welche von der Steuereinheit 10 ausgegeben wird, und die Prozessgröße c für die reale Maschine in ein neuronales Netzwerk 130a mit zwei Eingangsanschlüssen eingegeben. Das Lernen wird in dem neuronalen Netzwerk 130 basierend auf der Steuergröße b für die reale Maschine durchgeführt.
Fig. 8 ist eine illustrative Ansicht, welche in schematischer Art und Weise die Struktur des neuronalen Netzwerks 130a für den in Fig. 7 gezeigten Simulator 100a zeigt.
Wie aus Fig. 8 klar erscheint, ist im Gegensatz zu dem in Fig. 5 gezeigten neuronalen Netzwerk 130 das neuronale Netzwerk 130a zusätzlichermaßen mit einem Schiebeschalter 134 zum Schieben eines Eingangssignals zu einem anderen und umgekehrt versehen.
In dem Simulator gemäß der in Fig. 7 gezeigten Ausführungsform wird, wenn ein Lernen in dem neuronalen Netzwerk 130a durchgeführt wird, die Prozessgröße c für die reale Maschine ausgewählt durch den Schiebeschalter 134. Das Lernen wird in dem neuronalen Netzwerk 130a basierend auf der eingegebenen Prozessgröße c durchgeführt. Nachdem das Lernen durch eine vorbestimmte Anzahl von Malen wiederholt ausgeführt worden ist, wird die Prozessgröße g, welche von der Steuereinheit 10 ausgegeben wird, wiederum durch den Schiebeschalter 134 ausgewählt. Darauffolgend wird ein Lernen in dem neuronalen Netzwerk 130a basierend auf der eingegebenen Prozessgröße g ausgeführt. Auf diese Art und Weise kann ein Lernen mit einer hohen Geschwindigkeit erreicht werden, um es so zu ermöglichen, daß das neuronale Netzwerk 130a das Lernen ausführt.
Fig. 9 ist ein Blockdiagramm, welches in schematischer Art und Weise die Struktur eines Simulators in Übereinstimmung mit einer weiteren Ausführungsform der vorliegenden Erfindung zeigt. Gleiche Teile oder Komponenten wie diejenigen, die in Fig. 4 gezeigt sind, sind durch dieselben Bezugszeichen dargestellt, und eine wiederholte Beschreibung derselben wird aus Gründen der Einfachheit unterlassen.
In einem Simulator 100b gemäß dieser Ausführungsform wird nicht nur eine Prozessgröße g der Steuereinheit 10, sondern ebenfalls ein Ausgangssignal h von einem Modellsimulationsabschnitt 120 in ein neuronales Netzwerk 130b mit zwei Eingangsanschlüssen eingegeben.
Fig. 10 ist eine illustrative Ansicht, welche in schematischer Art und Weise die Struktur des neuronalen Netzwerks 130b zeigt, welches für den Simulator 100b verwendet wird, der in Fig. 9 gezeigt ist. Gleiche Abschnitte wie diejenigen, die das neuronale Netzwerk 130 bilden, das in Fig. 5 gezeigt ist, sind durch die gleichen Bezugszeichen bezeichnet, und eine wiederholte Beschreibung davon wird aus Gründen der Einfachheit unterlassen.
Die Prozessgröße g der Steuereinheit 10 und das Ausgangssignal h von dem Modellsimulationsabschnitt 120 werden in das neuronale Netzwerk 130b eingegeben. Ein nulldimensional differenzierter Wert bis zu einem n-dimensional differenzierten Wert werden durch eine Vielzahl von Differenzierungsschaltungen 131 berechnet, und daraufhin werden die berechneten Werte in eine Vielzahl von Neuronen 132 eingegeben. In Fig. 10 bezeichnet Bezugszeichen h&sub0; einen nulldimensional differenzierten Wert des Ausgangssignal s h von dem Modellsimulationsabschnitt 120 (entsprechend dem Ausgangssignal h), bezeichnet Bezugszeichen h&sub1; einen eindimensional differenzierten Wert desselben, und bezeichnet Bezugszeichen hn einen n-dimensional differenzierten Wert desselben.
Auf diese Art und Weise kann mit dem Simulator 100b, der in Fig. 9 gezeigt ist, da das neuronale Netzwerk 130b basierend auf einem Ausgangssignal von dem Modellsimulationsabschnitt 120 zusätzlich zur Prozessgröße g, welche ein Ausgangssignal von der Steuereinheit 10 ist, arbeitet, eine Lerngenauigkeit und eine Lerngeschwindigkeit verbessert werden.
Alternativermaßen kann der Simulator 100b mit einem Schiebeschalter zum Schieben der Prozessgröße g versehen werden, die ein Eingangssignal von der Steuereinheit 10 ist, zu einer Prozessgröße c für die reale Maschine und umgekehrt, wie in Fig. 7 gezeigt, um das Verschieben auf diese Art und Weise im Lauf des Lernens zu bewirken.
Fig. 11 ist ein Blockdiagramm, welches in schematischer Art und Weise die Struktur eines Simulators in Übereinstimmung mit noch einer weiteren Ausführungsform der vorliegenden Erfindung zeigt, wobei gleiche oder ähnliche Abschnitte, wie diejenigen, die den in Fig. 4 gezeigten Simulator bilden, durch die gleichen Bezugszeichen bezeichnet sind, und eine wiederholte Beschreibung davon aus Gründen der Einfachheit unterlassen ist.
In einem Simulator 100c, welche gemäß dieser Ausführungsform konstruiert ist, wird ein in das neuronale Netzwerk 130 für den in Fig. 4 gezeigten Simulator 100 einzugebendes Signal nicht in Form einer Prozessgröße g vorbereitet, d. h. in Form eines Ausgangssignals von der Steuereinheit 100, sondern in der Form eines Ausgangssignals h von einem Modellsimulationsabschnitt 120.
Fig. 12 ist ein Blockdiagramm, welches in schematischer Art und Weise die Struktur eines Simulators in Übereinstimmung mit einer weiteren Ausführungsform der vorliegenden Erfindung zeigt. Gleiche Abschnitte wie diejenigen, die in Fig. 4 gezeigt sind, sind durch die gleichen Bezugszeichen dargestellt, und eine wiederholte Beschreibung davon wird aus Gründen der Einfachheit unterlassen.
Im Gegensatz zum Simulator 100, der in Übereinstimmung mit der Ausführungsform der vorliegenden Erfindung, die in Fig. 4 gezeigt ist, konstruiert ist, bei der die Additionseinrichtung 140 auf der Ausgangsseite des Modellsimulationsabschnitts 120 angeordnet ist, ist ein Simulator 100d mit einer Additionseinrichtung 140 auf der Eingangsseite eines Modellsimulationsabschnitts 120 versehen. Ein Ausgangssignal von dem Modellsimulationsabschnitt 120 wird in einen Eingangsanschluß eines neuronalen Netzwerks 130 eingegeben. Ein Ausgangssignal j von dem neuronalen Netzwerk und eine Prozessgröße g, d. h. ein Ausgangssignal von der Steuereinheit 10, werden zueinander in der Additionseinrichtung 140 addiert, und das Resultat von der Addition in der Additionseinrichtung 140 wird dann an den Modellsimulationsabschnitt 120 ausgegeben. Bei dieser Ausführungsform führt das neuronale Netzwerk 130 eine Rückkopplungssteuerung für den Modellsimulationsabschnitt 120 aus. Die in einer Datenaufnahmeeinrichtung 110 gespeicherten Daten sind Daten, welche jeweils eine Steuergröße für die reale Maschine repräsentieren.
Fig. 13 ist ein Blockdiagramm, welches in schematischer Art und Weise die Struktur eines Simulators in Übereinstimmung mit noch einer weiteren Ausführungsform der vorliegenden Erfindung zeigt. Gleiche Abschnitte wie diejenigen, die in Fig. 12 gezeigt sind, sind durch die gleichen Bezugszeichen dargestellt, und eine wiederholte Beschreibung davon wird aus Gründen der Einfachheit unterlassen.
In einem Simulator 100e, welcher in Übereinstimmung mit der Ausführungsform der vorliegenden Erfindung konstruiert ist, ist das neuronale Netzwerk 130d im in Fig. 12 gezeigten Simulator 100d auf ein neuronales Netzwerk 130e mit zwei Eingangsanschlüssen in derselben Art und Weise, wie in Fig. 8 gezeigt, modifiziert, so daß ein Steuersignal b für die reale Maschine in einen der zwei Eingangsanschlüsse eingegeben wird. Wenn das Lernen im neuronalen Netzwerk 130e durchgeführt wird, wird die Steuergröße b für die reale Maschine selektivermaßen als ein Eingangssignal verwendet. Nachdem ein Lernen wiederholtermaßen in dem neuronalen Netzwerk 130e durch eine vorbestimmte Anzahl von Malen durchgeführt ist, wird ein Ausgangssignal von dem neuronalen Netzwerk 130e selektivermaßen als ein Eingangssignal für einen Modellsimulationsabschnitt 120 verwendet.
Fig. 14 ist ein Blockdiagramm, welches in schematischer Art und Weise die Struktur eines Simulators in Übereinstimmung mit noch einer weiteren Ausführungsform der vorliegenden Erfindung zeigt. Gleiche Abschnitte wie diejenigen, die in Fig. 12 gezeigt sind, sind durch dieselben Bezugszeichen bezeichnet, und eine wiederholte Beschreibung davon wird aus Gründen der Einfachheit unterlassen.
In einem Simulator 130, der in Übereinstimmung mit der Ausführungsform der vorliegenden Erfindung konstruiert ist, ist das neuronale Netzwerk 130 im Simulator 100d, der in Fig. 12 gezeigt ist, auf ein neuronales Netzwerk 130f mit zwei Eingangsanschlüssen auf die gleiche Art und Weise wie dasjenige, das in Fig. 12 gezeigt ist, modifiziert, so daß eine Prozessgröße g, d. h. ein Ausgangssignal von der Steuereinheit 10, in einen der zwei Eingangsanschlüsse eingegeben wird.
Fig. 15 ist ein Blockdiagramm, welches in schematischer Art und Weise die Struktur eines Simulators in Übereinstimmung mit noch einer weiteren Ausführungsform der vorliegenden Erfindung zeigt. Gleiche Abschnitte wie diejenigen, die in Fig. 4 gezeigt sind, sind durch gleiche Bezugszeichen dargestellt, und eine wiederholte Beschreibung davon wird aus Gründen der Einfachheit unterlassen.
In einem Simulator 100g, der in Übereinstimmung mit der Ausführungsform der vorliegenden Erfindung konstruiert ist, wird eine Prozessgröße c für die reale Maschine in einer Datenaufnahmeeinrichtung 110g gespeichert. Die Prozessgröße c für die reale Maschine und eine Prozessgröße g, welche von der Steuereinheit 10 ausgegeben wird, werden in eine Fehlerberechnungseinrichtung 150 eingegeben, und das differentielle Signal zwischen den vorhergehenden Größen wird in ein neuronales Netzwerk 130 als ein Lernsignal e eingegeben. Speziellerweise wird bei dem Simulator, der in Übereinstimmung mit der Ausführungsform der vorliegenden Erfindung konstruiert ist, das Lernen in dem neuronalen Netzwerk 130 derart durchgeführt, daß die Prozessgröße g von der Steuereinheit 10 der Prozessgröße c für die reale Maschine angeglichen wird, um in geeigneter Art und Weise Operationen des Modellsimulationsabschnitts 120 zu korrigieren.
Fig. 16 ist ein Blockdiagramm, welches in schematischer Art und Weise die Struktur eines Simulators in Übereinstimmung mit noch einer weiteren Ausführungsform der vorliegenden Erfindung zeigt. Gleiche Abschnitte wie diejenigen, welche den in Fig. 4 gezeigten Simulator bilden, sind durch die gleichen Bezugszeichen dargestellt, und eine wiederholte Beschreibung davon wird aus Gründen der Einfachheit unterlassen.
Ein Simulator 100h, der in der Zeichnung gezeigt ist, ist derart konstruiert, daß der Modellsimulationsabschnitt 120 und die in Fig. 4 gezeigte Additionseinrichtung 140 davon entfernt sind und eine Simulation lediglich durch ein neuronales Netzwerk 130h mit zwei Eingangsanschlüssen erzielt wird, die ähnlich dem sind, was in Fig. 8 gezeigt ist. Eine Steuergröße b und eine Prozessgröße c für die reale Maschine sind in einer Datenaufnahmeeinrichtung 110h gespeichert. Wenn ein Lernen in einem neuronalen Netzwerk 130h durchgeführt wird, wird die Prozessgröße c für die reale Maschine selektivermaßen als ein Eingangssignal verwendet. Nach Vervollständigung des Lernens wird ein Ausgangssignal i von dem neuronalen Netzwerk 130h als Simulationssteuergröße d ausgegeben. Eine Differenz zwischen der Steuergröße b für die reale Maschine, welche in der Datenaufnahmeeinrichtung 110h gespeichert ist, und der Simulationssteuergröße d wird in einer Fehlerberechnungseinrichtung 150 verarbeitet. Das Signal, welches die vorhergehende Differenz darstellt, wird an das neuronale Netzwerk 130h als Lernsignal e eingegeben. Das Lernen wird in dem neuronalen Netzwerk 130h in Übereinstimmung mit einem Lernalgorithmus durchgeführt, wie z. B. einem Rückpropagationsalgorithmus oder dergleichen, und zwar auf eine solche Art und Weise, daß das Lernsignal e reduziert wird. Bei dieser Ausführungsform erfordert der Simulator 100h nicht solch einen Modellsimulationsabschnitt wie den Modellsimulationsabschnitt 120, der in Fig. 4 gezeigt ist. Somit können die zum Konstruieren des Simulators 100h erforderlichen Kosten reduziert werden, und weiterhin kann ein Prozess zum Entwerfen des Modellsimulationsabschnitts 120 eliminiert werden.
Fig. 17 ist ein Blockdiagramm, welches ein Simulatorsystem zeigt, das beispielsweise für eine Wasserzuführungs-Steuereinrichtung einschließlich einer Vielzahl von zu steuernden Objekten verwendbar ist.
Dieses Simulatorsystem besteht aus einem Simulator 210 für eine motorgetriebene Pumpe, einem Simulator 220 für eine turbinengetriebene Wasserzuführungspumpe, einem Simulator 230 für einen Wasserzuführungs-Röhrenkocher und einer Steuereinheit 200 für die oben erwähnten Simulatoren. Es sollte bemerkt werden, daß der Simulator 210 für die motorgetriebene Pumpe, der Simulator 220 für die turbinengetriebene Pumpe und der Simulator 230 für den Wasserzuführungs-Röhrenkocher jeweils durch einen der Simulatoren in Übereinstimmung mit den vorher erwähnten Ausführungsformen konstruiert sind. Bei dieser Ausführungsform ist das Simulatorsystem aus drei Simulatoren aufgebaut. Alternativermaßen kann es aus vier oder mehr Simulatoren aufgebaut sein.
Zusätzlichermaßen kann ein Teil des Simulatorsystems durch eine Hardware zum Trainieren von Benutzern unter Verwendung eines Operationsfeldes aufgebaut sein. In diesem Fall ist der restliche Teil des Simulatorsystems einschließlich der Steuereinheit und der Simulatoren aus Software aufgebaut, welche mit der Hilfe eines Computers arbeitet.
Fig. 18 ist ein Fließplan, welcher eine Reihe von Operationen zeigt, die durch den in Fig. 4 gezeigten Simulator durchgeführt werden, wobei sie durch Software aufgebaut ist.
Zunächst werden ein Zielwert a und eine Simulationssteuergröße d in den Simulator eingegeben (Schritt S1). Als nächstes wird der Zielwert a mit der Simulationssteuergröße d zum Berechnen einer Steuerabweichung f verglichen (Schritt S2). Eine Prozessgröße g wird basierend auf der Steuerabweichung f bestimmt (Schritt S3). Eine Berechnung wird durchgeführt basierend auf der Prozessgröße g in Übereinstimmung mit einem Modell zum Darstellen im voraus eingestellter Eigenschaften. Bei Vervollständigung der Berechnung kann ein Resultat h erhalten werden (Schritt S4). In dem Fall, daß ein Lernen bewirkt wird (Schritt S5), wird eine Steuergröße b für die reale Maschine verglichen mit einer Simulationssteuergröße d zum Berechnen eines Fehlers e (Schritt S6). Ein Lernen wird durchgeführt in dem neuronalen Netzwerk 130 in Übereinstimmung mit einem Algorithmus, wie z. B. einem Rückpropagationsalgorithmus oder dergleichen, und zwar unter Verwendung des vorhergehenden Fehlers e (Schritt S7). Darauffolgend wird ein Korrekturwert i in dem neuronalen Netzwerk 130 mit Bezug auf die Prozessgröße g berechnet (Schritt S8), und der Korrekturwert i wird dann zum Berechnungsresultat h addiert (Schritt S9). Andererseits springt in dem Fall, daß kein Lernen bewirkt wird (Schritt S5), das Programm direkt zum Schritt S8, an dem es erneut ausgeführt wird. Darauffolgend wird die Simulation durch Durchführen der Schritte S1 bis S9 auf die vorher erwähnte Art und Weise wiederholtermaßen ausgeführt.
Die Eingangssignale g, c und h werden sequentiell in einer Vielzahl von Differenzierungsschaltungen 131 des neuronalen Netzwerks, wie in Fig. 5, Fig. 8 und Fig. 10 gezeigt, differenziert. Alternativermaßen können Verzögerungsschaltungen anstelle der Differenzierungsschaltungen gesetzt werden. Zusätzlichermaßen können die zuvor erwähnten Eingangssignale sequentiellermaßen in Abtastschaltungen abgetastet werden.
Wie oben erwähnt, sind die Simulatoren in der Lage, eine reale Maschine genauer zu simulieren, indem Ausgangssignale von dem Modellsimulationsabschnitt 120 korrigiert werden. Da jedes Ausgangssignal von dem Modellsimulationsabschnitt in dem neuronalen Netzwerk korrigiert wird, ist es zusätzlichermaßen möglich, eine Simulation sogar in dem Fall zu bewerkstelligen, daß Daten zum Darstellen der realen Maschine nicht über den gesamten Betriebsbereich vorliegen.
In dem Fall, daß eine Simulation in dem neuronalen Netzwerk anstelle des Modellsimulationsabschnitts geführt wird, ist es möglich, eine Simulation ohne jegliche Notwendigkeit der Vorbereitung eines Modells durchzuführen.

Claims

1. Simulator (100) zum Simulieren der Eigenschaften einer zu steuernden Vorrichtung, wobei der Simulator einen Modellsimulationsabschnitt (120) aufweist, von dem eine erste Simulationssteuergröße (h) ausgegeben wird durch Berechnen einer Prozessgröße von einer Steuereinheit (10) basierend auf einem Eigenschaftsmodell, in dem die Eigenschaften der zu steuernden Vorrichtung voreingestellt sind, dadurch gekennzeichnet, daß der Simulator weiterhin aufweist:

ein neuronales Netzwerk (130), in dem ein Lernvorgang abhängig von einer reellen Steuergröße für die zu steuernde Vorrichtung durchgeführt wird, und

eine subsidiäre Berechnung für den Modellsimulationsabschnitt (120),

wobei das neuronale Netzwerk (130) einen Korrekturwert (i) relativ zu der ersten Simulationssteuergröße von dem Modellsimulationsabschnitt (120) basierend auf der Prozessgröße berechnet; und

eine Einrichtung (140) zum Hinzufügen des Korrekturwerts (i) zur ersten Simulationssteuergröße (h) und zum Ausgeben einer resultierenden Größe als die zweite Simulationsgröße (d).

2. Simulator nach Anspruch 1, wobei der Simulator weiterhin aufweist: eine Addiereinrichtung (140) einschließlich zweier Eingangsanschlüsse, welche an der vorhergehenden Stufe des Modellsimulationsabschnitts (120) angeordnet ist, wobei einer der Eingangsanschlüsse derart gestaltet ist, daß die Prozessgröße von der Steuereinheit (10) dort hinein eingebbar ist, und der andere der zwei Eingangsanschlüsse derart gestaltet ist, daß der Korrekturwert dort hinein eingebbar ist, um zu ermöglichen, daß ein Additionsresultat an den Modellsimulationsabschnitt (120) ausgebbar ist.

3. Simulator nach Anspruch 1 oder 2, welcher weiterhin aufweist, eine Fehlerberechnungseinrichtung (150) zum Berechnen eines Fehlers der reellen Steuergröße, welche von der Simulationssteuergröße abweicht, und zum Eingeben des Fehlers an das neuronale Netzwerk (130a).

4. Simulator nach Anspruch 3, wobei eine reelle Prozessgröße in das neuronale Netzwerk eingebbar ist.

5. Simulator nach Anspruch 4, wobei der Simulator weiterhin eine Auswahleinrichtung (134) zum Auswählen der reellen Prozessgröße während einer anfänglichen Periode des Lernens, das im neuronalen Netzwerk (130a) durchgeführt wird, und daraufhin zum Auswählen der Prozessgröße von der Steuereinheit (10), um zu ermöglichen, daß die Prozessgröße von der Steuereinheit (10) in das neuronale Netzwerk (130a) eingebbar ist, aufweist.

6. Simulatorsystem mit einer Vielzahl von Simulatoren (210, 220 und 230) nach einem der Ansprüche 1 bis 5 und einer Steuereinheit (200) zum Steuern der Vielzahl von Simulatoren (210, 220, 230).

7. Simulator nach Anspruch 3, wobei der Simulator weiterhin aufweist: eine Speichereinrichtung (210) zum Speichern der reellen Steuergröße für die zu steuernde Vorrichtung auf einer Zeitreihenfolgenbasis.

8. Simulator nach Anspruch 6, wobei Synapsenlasten (T&sub1;&sub0;, T&sub1;&sub1;, ..., T1n) Jeweiliger Neuronen (132) in dem neuronalen Netzwerk (130) in Übereinstimmung mit einem Rückpropagationsalgorithmus ansprechend auf das Lernsignal änderbar sind.

9. Verfahren zum Simulieren der Eigenschaften einer zu steuernden Vorrichtung, wobei das Verfahren folgende Schritte aufweist:

einen Schritt (S4) zum Ausgeben einer ersten Simulationssteuergröße (h) durch Berechnen einer Prozessgrößenausgabe von einer Steuereinheit (10) basierend auf einem Eigenschaftsmodell, in dem die Eigenschaften der zu steuernden Einrichtung voreingestellt sind,

einen Schritt (S8) zum Berechnen eines Korrekturwerts (i) relativ zu der ersten Simulationssteuergröße durch Berechnen der Prozessgröße von der Steuereinheit (10) unter Verwendung eines neuronalen Netzwerks (130), in dem ein Lernvorgang abhängig von einer reellen Steuergröße für die zu steuernde Vorrichtung durchgeführt wird, und

einen Schritt (S9) zum Ausgeben einer zweiten Simulationssteuergröße (d), welche um den Korrekturwert korrigiert ist.

10. Verfahren nach Anspruch 9, dadurch gekennzeichnet, daß das Verfahren weiterhin einen Schritt (S7) des Änderns von Synapsenlasten (T&sub1;&sub0;, T&sub1;&sub1;, ..., T1n) Jeweiliger Neuronen (132) in dem neuronalen Netzwerk (130) in Übereinstimmung mit einem Rückpropagationsalgorithmus ansprechend auf ein Lernsignal aufweist.