JPH09114503A

JPH09114503A - 制御装置

Info

Publication number: JPH09114503A
Application number: JP7265086A
Authority: JP
Inventors: Makoto Kano; 誠加納
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 1995-10-13
Filing date: 1995-10-13
Publication date: 1997-05-02

Abstract

(57)【要約】【課題】フィードバック制御のループの中に存在する
時間的な要因を考慮してより正確な制御を行うことがで
きる制御装置の提供。【解決手段】学習部４は制御対象１に操作量が入力さ
れてからその操作量による影響が制御量に現れるまでの
応答時間ｐΔｔと、観測データ記憶部５に記憶された過
去ｌ単位時間に計測された制御量と制御対象１に入力さ
れた操作量からなる観測データに基づいて、調節部２の
パラメータＷを学習によって調節し、調節部２へ出力す
る。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、例えば下水処理施
設の曝気槽内の溶存酸素濃度を一定値に制御する制御装
置に関する。

【０００２】

【従来の技術】この種のシステムを制御する制御装置
は、制御対象の緩やかな特性変化に適応すると共に、制
御量に影響を与える制御対象の状態の急激な変化に対応
できることが望まれる。しかし、下水処理施設の曝気槽
内の溶存酸素濃度制御は、観測された下水中の溶存酸素
濃度と目標溶存酸素濃度との誤差から曝気風量を決定す
るフィードバック制御を行っているが、降雨などにより
下水流入量が急激に変化すると、フィードバック制御で
は正確な制御ができなくなり、監視員が手作業で曝気風
量を調節しなければならない。また、下水流入量の変化
などによる溶存酸素濃度の急激な変化だけでなく、季節
によって下水処理プロセスの特性が大きく変化するた
め、フィードバック制御のゲイン定数を調整しなければ
ならないのが現状である。

【０００３】そこで、観測データを利用した学習により
調節部を調整することにより、制御対象の緩やかな特性
変化に適応させると共に、調節部において制御対象の制
御量の予測と操作量の修正とを繰り返すループを持つこ
とで、制御量に影響を与える制御対象の状態の急激な変
化に対応させることが考えられる。

【０００４】

【発明が解決しようとする課題】しかしながら、このよ
うな対策を講じたとしても、現実のシステムにおいては
フィードバック制御のループの中は様々な時間的な要因
が存在するため、正確な制御が行えない。すなわち、例
えば制御対象に操作量を与えた時刻と操作量による影響
が制御量に現れるまでの時刻とは実際には時間的な開き
がある。また、調節部で調節量が決定する時刻とこの調
節量に基づき操作部から制御対象に操作量が与えれる時
刻とは時間的な開きがある。さらに、制御対象で計測さ
れた制御量の計測値が調節部に伝送されるのに時間遅れ
がある。

【０００５】本発明は、かかる事情に基づき成されたも
ので、フィードバック制御のループの中に存在する時間
的な要因を考慮してより正確な制御を行うことができる
制御装置を提供することを目的としている。

【０００６】

【課題を解決するための手段】上記目的を達成するた
め、請求項１記載の発明は、制御対象に入力される操作
量を変化させることで制御対象の制御量を制御する制御
装置において、前記制御対象で計測された制御量及び目
標制御量に基づき、調節信号を算出する調節部と、前記
調節部で算出された調節信号に基づき、前記制御対象に
操作量を出力する操作部と、過去に観測された制御量及
び操作量を有する観測データを記憶する観測データ記憶
部と、前記操作部から前記制御対象へ操作量を入力して
から当該操作量による影響が制御量に現れるまでの制御
対象の応答時間と前記観測データ記憶部に記憶された観
測データとに基づいて、前記調節部を学習する学習部と
を具備する。

【０００７】請求項２記載の発明は、制御対象に入力さ
れる操作量を変化させることで制御対象の制御量を制御
する制御装置において、前記制御対象で計測された制御
量及び目標制御量に基づき、調節信号を算出する調節部
と、前記調節部で算出された調節信号に基づき、前記制
御対象に操作量を出力する操作部と、過去に観測された
制御量及び操作量を有する観測データを記憶する観測デ
ータ記憶部と、前記操作部から出力された操作量と前記
制御対象で計測された制御量に基づき、前記操作部から
前記制御対象へ操作量を入力してから当該操作量による
影響が制御量に現れるまでの制御対象の応答時間を算出
する応答時間算出部と、前記応答時間算出部により算出
された応答時間と前記観測データ記憶部に記憶された観
測データとに基づいて、前記調節部を学習する学習部と
を具備する。

【０００８】請求項３記載の発明は、請求項１または請
求項２記載の制御装置において、調節部が、前記制御対
象で計測された制御量及び目標制御量に基づき、仮想操
作量を算出する仮想操作量算出部と、前記制御対象で計
測された制御量及び仮想操作量に基づき、前記応答時間
後の制御量を予測する制御量予測部と、前記制御量予測
部により予測された応答時間後の予測制御量及び目標制
御量に基づき、仮想操作量を修正する操作量修正部と、
前記制御量予測部による制御量の予測と前記操作量修正
部による仮想操作量の修正を少なくとも１回行って得ら
れた仮想操作量を調節信号として前記操作部に入力する
手段とを具備する。

【０００９】請求項４記載の発明は、請求項３記載の制
御装置において、前記制御量予測部が神経回路モデルか
ら構成され、前記操作量修正部の計算が神経回路モデル
の誤差逆伝播計算により実現され、前記学習部は、前記
応答時間と前記観測データ記憶部に記憶された観測デー
タとに基づいて、学習データを作成し、前記制御量予測
部を構成する神経回路モデルの学習を行う。

【００１０】請求項５記載の発明は、請求項４記載の制
御装置において、前記学習部は、前記観測データ記憶部
に記憶された観測データに基づいて、学習データを作成
する際に、同じ時刻の制御量と操作量とを有する観測デ
ータを入力信号とし、前記応答時間後の制御量を教師信
号にして学習を行う。

【００１１】請求項６記載の発明は、制御対象に入力さ
れる操作量を変化させることで制御対象の制御量を制御
する制御装置において、前記制御対象で計測された制御
量及び目標制御量に基づき、調節信号を算出する調節部
と、前記調節部で算出された調節信号に基づき、前記制
御対象に操作量を出力する操作部と、過去に観測された
制御量及び操作量を有する観測データを記憶する観測デ
ータ記憶部と、前記操作部から前記制御対象へ操作量を
入力してから当該操作量による影響が制御量に現れるま
での制御対象の応答時間と前記調節部で算出された調節
信号が当該操作部を通して操作量として実現されるまで
の操作遅れ時間と前記観測データ記憶部に記憶された観
測データとに基づいて、前記調節部を学習する学習部と
を具備する。

【００１２】請求項７記載の発明は、制御対象に入力さ
れる操作量を変化させることで制御対象の制御量を制御
する制御装置において、前記制御対象で計測された制御
量及び目標制御量に基づき、調節信号を算出する調節部
と、前記調節部で算出された調節信号に基づき、前記制
御対象に操作量を出力する操作部と、過去に観測された
制御量及び操作量を有する観測データを記憶する観測デ
ータ記憶部と、前記調節部で算出された調節信号と前記
操作部で出力された操作量に基づき、前記調節部で算出
された調節信号が当該操作部を通して操作量として実現
されるまでの操作遅れ時間を計測する操作遅れ時間計測
部と、前記操作遅れ時間計測部により計測された操作送
れ時間と前記操作部から前記制御対象へ操作量を入力し
てから当該操作量による影響が制御量に現れるまでの制
御対象の応答時間と前記観測データ記憶部に記憶された
観測データとに基づいて、前記調節部を学習する学習部
とを具備する。

【００１３】請求項８記載の発明は、請求項６または請
求項７記載の制御装置において、調節部が、前記制御対
象で計測された制御量及び目標制御量に基づき、仮想操
作量を算出する仮想操作量算出部と、前記制御対象で計
測された制御量及び仮想操作量に基づき、前記応答時間
後の制御量を予測する制御量予測部と、前記制御量予測
部により予測された応答時間後の予測制御量及び目標制
御量に基づき、仮想操作量を修正する操作量修正部と、
前記制御量予測部による制御量の予測と前記操作量修正
部による仮想操作量の修正を少なくとも１回行って得ら
れた仮想操作量を調節信号として前記操作部に入力する
手段とを具備する。

【００１４】請求項９記載の発明は、請求項８記載の制
御装置において、前記制御量予測部が神経回路モデルか
ら構成され、前記操作量修正部の計算が神経回路モデル
の誤差逆伝播計算により実現され、前記学習部は、前記
応答時間と前記操作遅れ時間と前記観測データ記憶部に
記憶された観測データとに基づいて、学習データを作成
し、前記制御量予測部を構成する神経回路モデルの学習
を行う。

【００１５】請求項１０記載の発明は、請求項９記載の
制御装置において、前記学習部は、前記観測データ記憶
部に記憶された観測データに基づいて、学習データを作
成する際に、当該時刻の制御量と当該時刻より操作遅れ
時間後の操作量とを有する観測データを入力信号とし、
前記応答時間後の制御量を教師信号にして学習を行う。
請求項１１記載の発明は、制御対象に入力される操作
量を変化させることで制御対象の制御量を制御する制御
装置において、前記制御対象で計測された制御量及び目
標制御量に基づき、調節信号を算出する調節部と、前記
調節部で算出された調節信号に基づき、前記制御対象に
操作量を出力する操作部と、過去に観測された制御量及
び操作量を有する観測データを記憶する観測データ記憶
部と、前記操作部から前記制御対象へ操作量を入力して
から当該操作量による影響が制御量に現れるまでの制御
対象の応答時間と前記制御対象で計測された制御量が前
記伝送部を通して調節部に入力されるまでの伝送むだ時
間と前記観測データ記憶部に記憶された観測データとに
基づいて、前記調節部を学習する学習部とを具備する。
請求項１２記載の発明は、制御対象に入力される操作
量を変化させることで制御対象の制御量を制御する制御
装置において、前記制御対象で計測された制御量及び目
標制御量に基づき、調節信号を算出する調節部と、前記
調節部で算出された調節信号に基づき、前記制御対象に
操作量を出力する操作部と、過去に観測された制御量及
び操作量を有する観測データを記憶する観測データ記憶
部と、前記制御対象で計測された制御量と前記伝送部を
通して調節部に入力された制御量とに基づき、前記伝送
部による伝送むだ時間を計測する伝送むだ時間計測部
と、前記伝送むだ時間計測部により計測された伝送むだ
時間と前記操作部から前記制御対象へ操作量を入力して
から当該操作量による影響が制御量に現れるまでの制御
対象の応答時間と前記観測データ記憶部に記憶された観
測データとに基づいて、前記調節部を学習する学習部と
を具備する。

【００１６】請求項１３記載の発明は、請求項１１また
は請求項１２記載の制御装置において、調節部が、前記
制御対象で計測された制御量及び目標制御量に基づき、
仮想操作量を算出する仮想操作量算出部と、前記制御対
象で計測された制御量及び仮想操作量に基づき、前記応
答時間後の制御量を予測する制御量予測部と、前記制御
量予測部により予測された応答時間後の予測制御量及び
目標制御量に基づき、仮想操作量を修正する操作量修正
部と、前記制御量予測部による制御量の予測と前記操作
量修正部による仮想操作量の修正を少なくとも１回行っ
て得られた仮想操作量を調節信号として前記操作部に入
力する手段とを具備する。

【００１７】請求項１４記載の発明は、請求項１３記載
の制御装置において、前記制御量予測部が神経回路モデ
ルから構成され、前記操作量修正部の計算が神経回路モ
デルの誤差逆伝播計算により実現され、前記学習部は、
前記応答時間と前記伝送むだ時間と前記観測データ記憶
部に記憶された観測データとに基づいて、学習データを
作成し、前記制御量予測部を構成する神経回路モデルの
学習を行う。

【００１８】請求項１５記載の発明は、請求項１４記載
の制御装置において、前記学習部は、前記観測データ記
憶部に記憶された観測データに基づいて、学習データを
作成する際に、前記伝送むだ時間前の制御量と当該時刻
の操作量とを有する観測データを入力信号とし、前記応
答時間後の制御量を教師信号にして学習を行う。

【００１９】請求項１６記載の発明は、制御対象に入力
される操作量を変化させることで制御対象の制御量を制
御する制御装置において、前記制御対象で計測された制
御量及び目標制御量に基づき、調節信号を算出する調節
部と、前記調節部で算出された調節信号に基づき、前記
制御対象に操作量を出力する操作部と、過去に観測され
た制御量及び操作量を有する観測データを記憶する観測
データ記憶部と、前記操作部から前記制御対象へ操作量
を入力してから当該操作量による影響が制御量に現れる
までの制御対象の応答時間と前記制御対象で計測された
制御量が前記伝送部を通して調節部に入力されるまでの
伝送むだ時間と前記調節部で算出された調節信号が当該
操作部を通して操作量として実現されるまでの操作遅れ
時間と前記観測データ記憶部に記憶された観測データと
に基づいて、前記調節部を学習する学習部とを具備す
る。

【００２０】請求項１７記載の発明は、制御対象に入力
される操作量を変化させることで制御対象の制御量を制
御する制御装置において、前記制御対象で計測された制
御量及び目標制御量に基づき、調節信号を算出する調節
部と、前記調節部で算出された調節信号に基づき、前記
制御対象に操作量を出力する操作部と、過去に観測され
た制御量及び操作量を有する観測データを記憶する観測
データ記憶部と、前記調節部で算出された調節信号と前
記操作部で出力された操作量に基づき、前記調節部で算
出された調節信号が当該操作部を通して操作量として実
現されるまでの操作遅れ時間を計測する操作遅れ時間計
測部と、前記制御対象で計測された制御量と前記伝送部
を通して調節部に入力された制御量とに基づき、前記伝
送部による伝送むだ時間を計測する伝送むだ時間計測部
と、前記操作遅れ時間計測部により計測された操作送れ
時間と前記伝送むだ時間計測部により計測された伝送む
だ時間と前記操作部から前記制御対象へ操作量を入力し
てから当該操作量による影響が制御量に現れるまでの制
御対象の応答時間と前記観測データ記憶部に記憶された
観測データとに基づいて、前記調節部を学習する学習部
とを具備する。

【００２１】請求項１８記載の発明は、請求項１６また
は請求項１７記載の制御装置において、調節部が、前記
制御対象で計測された制御量及び目標制御量に基づき、
仮想操作量を算出する仮想操作量算出部と、前記制御対
象で計測された制御量及び仮想操作量に基づき、前記応
答時間後の制御量を予測する制御量予測部と、前記制御
量予測部により予測された応答時間後の予測制御量及び
目標制御量に基づき、仮想操作量を修正する操作量修正
部と、前記制御量予測部による制御量の予測と前記操作
量修正部による仮想操作量の修正を少なくとも１回行っ
て得られた仮想操作量を調節信号として前記操作部に入
力する手段とを具備する。

【００２２】請求項１９記載の発明は、請求項１８記載
の制御装置において、前記制御量予測部が神経回路モデ
ルから構成され、前記操作量修正部の計算が神経回路モ
デルの誤差逆伝播計算により実現され、前記学習部は、
前記応答時間と前記操作遅れ時間と前記伝送むだ時間と
前記観測データ記憶部に記憶された観測データとに基づ
いて、学習データを作成し、前記制御量予測部を構成す
る神経回路モデルの学習を行う。

【００２３】請求項２０記載の発明は、請求項１９記載
の制御装置において、前記学習部は、前記観測データ記
憶部に記憶された観測データに基づいて、学習データを
作成する際に、前記伝送むだ時間前の制御量と前記操作
遅れ時間後の操作量とを有する観測データを入力信号と
し、前記応答時間後の制御量を教師信号にして学習を行
う。

【００２４】

【発明の実施の形態】図１は本発明の原理を説明するた
めのブロック図であり、時刻ｎΔｔの信号の流れを表し
たものである。

【００２５】この制御装置は、図１の太線で示すように
制御対象１と調節部２と操作部３とでフィードバック制
御のループを構成する。また、学習部４と観測データ記
憶部５は、調節部２のパラメータを学習によって調節す
る。

【００２６】制御対象１には単位時間Δｔ毎に操作量が
入力され、制御量が計測される。制御対象１で計測され
た制御量Ｘ_ｎは調節部２に入力される。調節部２は制御
対象１で計測された制御量Χ_ｎと予め設定された目標制
御量Χ^ｄに基づき、調節信号Ｃ_ｎを算出する。操作部３
では調節部２で算出された調節信号Ｃ_ｎに基づき操作量
Ｕ_ｎが出力される。制御対象１には操作部３が出力した
操作量Ｕ_ｎが入力され、その操作量Ｕ_ｎが変化すること
で制御される。記号の添字のｎは時刻を示し、例えばＸ
_ｎは時刻（ｎ−１）ΔｔからｎΔｔの間に計測された制
御量を意味するが、この説明では簡単に時刻ｎΔｔの制
御量ということにする。以後も同様の意味で添字を使用
する。

【００２７】学習部４は制御対象１に操作量が入力され
てからその操作量による影響が制御量に現れるまでの応
答時間ｐΔｔと、観測データ記憶部５に記憶された過去
ｌ単位時間に計測された制御量（Ｘ_n-l，Ｘ_n-l+1，・
・・，Ｘ_n-1）と制御対象１に入力された操作量（Ｕ
_n-l，Ｕ_n-l+1，・・・，Ｕ_n-1）（ｌは正の整数）か
らなる観測データに基づいて、調節部２のパラメータＷ
を学習によって調節し、調節部２へ出力する。これによ
り、本発明では、制御量に影響を与える制御対象１の特
性パラメータの緩やかな変化に対して、調節部２が適応
できる。上記応答時間ｐΔｔは、制御対象１に操作量が
入力されてからその操作量による影響が制御量に現れる
までの時間を予め計測あるいは算出して設定しておいて
もよいし、後述するように制御対象１の変動に応じて動
的に設定するようにしてもよい。

【００２８】図２は調節部２の構成の一例を示す図であ
る。

【００２９】図２に示すように、仮想操作量算出部６は
制御対象１で計測された制御量Ｘ_ｎ及び目標制御量Ｘ^ｄ
に基づき、仮想操作量Ｕ（＾）_ｎを算出する。制御量予
測部７は仮想操作量Ｕ（＾）_ｎと制御対象１で計測され
た制御量Χ_ｎに基づき、仮想操作量Ｕ（＾）_ｎが調節信
号として出力された場合のｐΔｔ時間後の予測制御量Ｘ
（〜）_n+pを算出する。ｐΔｔは制御対象１の応答時間
である。操作量修正部８は、制御量予測部７で予測され
たｐΔｔ時間後の予測制御量Ｘ（〜）_n+p及び目標制御
量Ｘ^ｄに基づき、予測制御量Ｘ（〜）_n+pが目標制御量
Ｘ^ｄに近付くように仮想操作量Ｕ（＾）_ｎを修正する。
第１スイッチ９は制御対象１で制御量が計測されると下
側に閉じ、仮想操作量算出部６で算出された仮想操作量
Ｕ（＾）_ｎを制御量予測部７に入力し、その後、第１ス
イッチ９は次の計測時まで上側に閉じて、操作量修正部
８で修正された仮想操作量Ｕ（＾）_ｎを制御量予測部７
の入力にし、所定の回数、あるいは予測制御量Ｘ（〜）
_n+pと目標制御量Χ^ｄの差が所定の値以下になるまで、
制御量予測部７による制御量の予測と操作量修正部８に
よる操作量の修正が繰り返される。制御量予測部７によ
る制御量の予測と操作量修正部８による操作量の修正が
所定の回数まで、あるいは予測制御量Ｘ（〜）_n+pと目
標制御量Ｘ^ｄの差が所定の値以下になるまで繰り返され
ると、第２スイッチ１０が閉じ、仮想操作量Ｕ（＾）_ｎ
が調節信号Ｃ_ｎとして操作部３へ出力される。これによ
り、本発明では、制御量Ｘ_ｎに影響を与える制御対象１
の状態が急激に変化しても、操作量Ｕ_ｎを正確に修正
し、制御量Ｘ_ｎを目標制御量Ｘ^ｄの近くに制御すること
ができる。

【００３０】図３は制御量予測部７の構成の一例を示す
図である。ここでは、制御量予測部７は神経回路モデル
から構成されている。図３は時刻ｎΔｔの仮想操作量Ｕ
（＾）_ｎ＝（Ｕ（＾）１_ｎ，Ｕ（＾）２_ｎ，・・・，Ｕ
（＾）ｇ_ｎ）^Ｔ（ｇは操作量の次元数を表す）と制御量
Χ_ｎ＝（Χ１_ｎ，Χ２_ｎ，・・・，Χｈ_ｎ）^Ｔ（ｈは制
御量の次元数を表す）が入力されると、ｐΔｔ時間後の
予測制御量Ｘ（〜）_n+ _p＝（Ｘ（〜）１_n+p，Ｘ（〜）
２_n+p，・・・，Χ（〜）ｈ_n+p）^Ｔが出力される神経
回路モデル１１の制御時の予測計算の信号の流れを示し
ている。この入力信号から出力信号を求めるのは神経回
路モデル１１の前向き計算によって行われる。神経回路
モデル１１の前向き計算については後で説明する。

【００３１】制御量予測部７が神経回路モデル１１から
構成される場合には、操作量修正部８は神経回路モデル
１１の誤差逆伝播計算によって仮想操作量Ｕ（＾）_ｎの
修正量を求め、仮想操作量を修正する。神経回路モデル
１１の誤差逆伝播計算については前向き計算とともに後
で説明する。

【００３２】ここで、制御量予測部７が神経回路モデル
１１から構成される場合には、学習部４は以下のように
構成される。

【００３３】すなわち、学習部４は、制御対象１に対す
る操作量の影響が制御量に現れるまでの応答時間ｐΔｔ
と、観測データ記憶部５に記憶された過去の制御量及び
操作量からなる観測データとに基づいて学習データを作
成し、制御量予測部７を構成する神経回路モデル１１の
学習を行う。神経回路モデル１１が図３に示したように
現時刻の制御量と仮想操作量を入力すると応答時間ｐΔ
ｔ後の制御量を出力する構成の場合、入力信号（Ｕ_ｓ，
Ｘ_ｓ）、教師信号（Ｘ_s+p）（ｓ＝ｎ−ｌ，ｎ−ｌ＋
１，・・・，ｎ−ｐ−１）の学習データにより学習を行
う。

【００３４】次に、神経回路モデルの前向き計算、誤差
逆伝播計算、学習計算について説明する。

【００３５】前向き計算とは神経回路モデルに入力信号
が与えられた時に、出力信号を求める計算である。ここ
では図３に示した３層型神経回路モデルに基づいて前向
き計算を説明する。図中の円がユニットと呼ばれる神経
細胞モデルで、ユニット間を結び付けている線分はユニ
ット間の信号を伝達する結合である。ユニットは左から
入力層、中間層、出力層の３層に分かれて並べられてい
る。入力層のユニットと中間層のユニットの間、中間層
のユニットと出力層のユニットの間に結合が張られてい
る。ユニット間の結合は信号伝達に方向性を持ち、前向
き計算では入力層ユニットから中間層ユニットヘ、中間
層ユニットから出力層ユニットへの一方向にだけ信号は
伝達される。

【００３６】入力層のユニットには、外部からの入力信
号が１ユニットに１信号ずつ入力される。図３では、仮
想操作量Ｕ（＾）_ｎ＝（Ｕ（＾）１_ｎ，Ｕ（＾）２_ｎ，
…，Ｕ（＾）ｇ_ｎ）^Ｔ、制御量Ｘ_ｎ＝（Ｘ１_ｎ，Ｘ
２_ｎ，…，Ｘｈ_ｎ）^Ｔが１ユニットに１信号ずつ入力さ
れている。ｘｉ_ｉを入力層第ｉ番ユニットの入力値とす
ると、

【数１】入力層ユニットの入出力関数は恒等関数とする。入力層
ユニットの出力値ｙｉ_ｉ（ｉ＝１，２，…，Νｉ）は次
のように表される。

【００３７】

【数２】 Νｉは入力層ユニット数である（Νｉ＝ｇ＋ｈ）。

【００３８】次に、中間層ユニットの入力値は入力層ユ
ニットの出力値を入力層一中間層間の結合荷重値で重み
付けした合計から中間層ユニットの閾値を引いた値にな
る。

【数３】ｘｈ_ｊは中間層第ｊ番ユニットの入力値、ｗ１_j,iは入
力層第ｉ番ユニット−中間層第ｊ番ユニット間の結合荷
重値、ｔｈｈ_ｊは中間層第ｊ番ユニットの閾値、Ｎｈは
中間層のユニット数を表す。

【００３９】中間層ユニットの入出力関数をシグモイド
型関数

【数４】とすると、中間層第ｊ番ユニットの出力値ｙｈ_ｊは入力
値ｘｈ_ｊ，を使い、

【数５】と表せる。

【００４０】出力層ユニットの入力値は中間層ユニット
の出力値を中間層一出力層間の結合荷重値で重み付けし
た合計から出力層ユニットの閾値を引いた値になる。

【００４１】

【数６】ｘｏ_ｋは出力層第ｋ番ユニットの入力値、ｗ２_k,jは中
間層第ｊ番ユニット−出力層第ｋ番ユニット間の結合荷
重値、ｔｈｏ_ｋは出力層第ｋ番ユニットの閾値、Ｎｏは
出力層のユニット数を表す。出力層ユニットの入出力関
数は恒等関数とする。

【００４２】

【数７】この出力層ユニットの出力信号が外部に出力される。図
３では時刻（ｎ＋ｐ）Δｔの制御量の予測値Ｘ（〜）
_n+p＝（Ｘ１（〜）_n+p，Ｘ（〜）２_n+p…，Ｘ（〜）
ｈ_n+p）^Ｔになる。

【００４３】

【数８】以上が神経回路モデル１１の前向き計算の計算式であ
る。

【００４４】次に、神経回路モデルの誤差逆伝播計算に
ついて説明する。

【００４５】制御量予測部７によって予測された制御量
Ｘ（〜）_n+pと、目標制御量Ｘ^ｄが操作量修正部８に入
力されると、操作量修正部８では、仮想操作量Ｕ（＾）
_ｎの修正量が計算され、仮想操作量Ｕ（＾）_ｎが修正さ
れる。制御量予測部７が神経回路モデル１１から構成さ
れる場合には、仮想操作量Ｕ（＾）_ｎの修正量は神経回
路モデル１１の誤差逆伝播計算によって計算できる。

【００４６】神経回路モデルの出力信号と望ましい出力
信号から誤差関数を定義する。図３の場合には、制御量
予測部７の神経回路モデル１１の前向き計算によって計
算された予測制御量Ｘ（〜）_n+pと、目標制御量Ｘ
（〜）^ｄ＝（Ｘｌ^ｄ，Ｘ２^ｄ，…，Ｘｈ^ｄ）^Ｔとの誤差
から誤差関数Ｅを次のように定義する。

【００４７】

【数９】次に、この誤差関数を減少させるユニット出力値の修正
量を、出力層から入力層へ層毎に順に求めていき、最終
的には入力信号の修正量を求める。まず、出力層ユニッ
トの出力値の修正量は、正の定数ηを使って

【数１０】と計算される。

【００４８】次に、中間層ユニットの出力値の修正量
は、出力層ユニットの修正量を使って次のように表され
る。

【００４９】

【数１１】同様に入力層ユニットの出力値の修正量は、中間層ユニ
ットの修正量を使って、

【数１２】と表される。ｆ′（ｘ）はシグモイド関数ｆ（ｘ）の導
関数を表していて、具体的には、

【数１３】と表せる。入力層ユニットの入出力関数は恒等関数であ
るから、出力値の修正量はそのまま入力信号の修正量に
なる。

【００５０】神経回路モデルが図３の場合には、入力信
号である仮想操作量Ｕ（＾）_ｎの修正量ΔＵ_ｎは、

【数１４】と表現される。この修正量が仮想操作量Ｕ（＾）_ｎに加
算される。

【００５１】以上が誤差逆伝播計算と、この計算によっ
て実現される仮想操作量の修正である。

【００５２】次に、神経回路モデルの学習計算について
図４を基に説明する。

【００５３】図４において、５は観測データ記憶部、１
１は神経回路モデル、１２は減算器、１３は誤差逆伝播
学習器、１４は神経回路モデル１１の入力層ユニットの
出力が誤差逆伝播学習器１３に入力されることを示す矢
印、１５は神経回路モデル１１の中間層ユニットの出力
が誤差逆伝播学習器１３に入力されることを示す矢印、
１６は神経回路モデル１１の中間層一出力層間の結合荷
重値が誤差逆伝播学習器１３に入力されることを示す矢
印、１７は誤差逆伝播学習器１３で計算された入力層一
中間層間の結合荷重値と中間層ユニットの閾値の修正量
を各結合荷重、中間層ユニットに出力し、各結合荷重値
と閾値の修正を行うことを示す矢印、１８は誤差逆伝播
学習器１３で計算された中間層一出力層間の結合荷重値
と出力層ユニットの閾値の修正量を各結合荷重、出力層
ユニットに出力し、各結合荷重値と閾値の修正を行うこ
とを示す矢印を表す。

【００５４】過去の時刻ｓΔｔ（ｓ＝ｎ−ｌ，ｎ−ｌ＋
１，…，ｎ−ｐ−１）について、時刻ｓΔｔの操作量Ｕ
_ｓと制御量Ｘ_ｓが入力信号として、観測データ記憶部５
から神経回路モデル１１に出力される。神経回路モデル
１１では時刻ｓΔｔの操作量Ｕ_ｓと制御量Ｘ_ｓを入力信
号として前向き計算を行い、出力信号Ｘ（〜）_s+pを出
力する。減算器１２では観測データ記憶部５から教師信
号として出力された応答時間後の制御量Χ_s+pと神経回
路モデル１１の出力信号Ｘ（〜）_s+pとの差分Ｘ_s+p−
Χ（〜）_s+pが計算され、誤差逆伝播学習器１３に入力
される。誤差逆伝播学習器１３には差分の他に、神経回
路モデルの入力層ユニットの各出力値、中間層ユニット
の各出力値、中間層一出力層間の各結合荷重値が入力さ
れ、結合荷重値、閾値の修正量が計算される。

【００５５】誤差逆伝播学習器１３では、教師信号Ｘ
_s+pと神経回路モデル１１の出力信号Ｘ_s+pとの差分か
ら誤差関数Ｅが次のように定義される。

【００５６】

【数１５】誤差逆伝播学習法に従つて、神経回路モデル１１の結合
荷重値、閾値の修正量は次のように計算される。

【００５７】

【数１６】 Δｗ２_k,jは中間層第ｊ番ユニット−出力層第ｋ番ユニ
ット間の結合荷重値ｗ２_k,jの修正量、Δｔｈｏ_ｋは出
力層第ｋ番ユニットの閾値ｔｈｏ_ｋの修正量、Δｗ１
_j,iは入力層第ｉ番ユニット−中間層第ｊ番ユニット間
の結合荷重値ｗ１_j,iの修正量、Δｔｈｈ_ｊは中間層第
ｊ番ユニットの閾値ｔｈｈ_ｊの修正量、εは学習定数で
ある。ｙｏ^ｓ _ｋ時刻ｓΔｔのデータが入力された時の出
力層第ｋ番ユニットの出力値、ｘｏ^ｓ _ｋ時刻ｓΔｔのデ
ータが入力された時の出力層第ｋ番ユニットの入力値、
ｙｈ^ｓ _ｊは時刻ｓΔｔのデータが入力された時の中間層
第ｊ番ユニットの出力値、ｘｈ^ｓ _ｋは時刻ｓΔｔのデー
タが入力された時の中間層第ｊ番ユニットの入力値、ｙ
ｉ^ｓ _ｉは時刻ｓΔｔのデータが入力された時の中間層第
ｉ番ユニットの出力値である。これらの修正量を基に、
結合荷重値、閾値が修正される。

【００５８】次に、本発明の他の実施の形態を図５に基
づき説明する。

【００５９】図５に示す制御装置では、図１に示した制
御装置に応答時間算出部１９が付加されている。応答時
間算出部１９は、制御対象１の応答時間を算出する。応
答時間算出部１９は過去ｍ単位時間に制御対象１に入力
された操作量の時系列Ｕ＝（Ｕ_n-m，Ｕ_n-m+1，…，Ｕ
_n-1）と制御対象１で計測された制御量の時系列Ｘ＝
（Ｘ_n-m，Ｘ_n-m+1，…，Ｘ_n-1）に基づき、制御対象
１に入力された操作量による影響が制御量に現れるまで
の制御対象１の応答時間を計算し、学習部４に出力する
（ｍは正の整数である）。

【００６０】次に、本発明の他の実施の形態を図６に基
づき説明する。

【００６１】図６に示す制御装置では、操作部２が時間
遅れを持つことを考慮したものである。同図に示すよう
に、制御対象１で計測された制御量Ｘ_ｎは調節部２に入
力される。調節部２は制御対象１で計測された制御量Χ
_ｎと目標制御量Ｘ^ｄに基づき、調節信号Ｃ_ｎを算出す
る。操作部３では調節部２で算出された調節信号Ｃ_ｎに
基づき操作量Ｕ_ｎが出力されるが、操作部３は操作遅れ
時間を持ち、入力された調節信号は操作遅れ時間遅れて
操作量として出力される。制御対象１には操作部３が出
力した操作量Ｕ_ｎが入力され、その操作量Ｕ_ｎが変化す
ることで制御される。学習部４は制御対象１に操作量
が入力されてからその操作量による影響が制御量に現れ
るまでの応答時間ｐΔｔと、調節部２で算出された調節
信号が操作部３を通して操作量として実現されるまでの
操作遅れ時間ｑΔｔと、観測データ記憶部５に記憶され
た過去ｌ単位時間に計測された制御量（Ｘ_n-l，Ｘ
_n-l+1，…，Ｘ_n-1）と制御対象１に入力された操作量
（Ｕ_n-l，Ｕ_n-l+1，…，Ｕ_n-1）（ｌは正の整数）か
らなる観測データに基づいて、調節部２のパラメータＷ
を学習によって調節し、調節部２へ出力する。上記操作
遅れ時間ｑΔｔは、応答時間ｐΔｔと同様に、調節部２
で算出された調節信号が操作部３を通して操作量として
実現されるまでの時間を予め計測あるいは算出して設定
しておいてもよいし、後述するように調節部２の変動に
応じて動的に設定するようにしてもよい。

【００６２】図７は図６に示した調節部２の構成の一例
を示す図である。

【００６３】図７に示すように、仮想操作量算出部６は
制御対象１で計測された制御量Ｘ_ｎ及び目標制御量Ｘ^ｄ
に基づき、仮想操作量Ｕ（＾）_ｎを算出する。制御量予
測部７は仮想操作量Ｕ（＾）_ｎと制御対象１で計測され
た制御量Ｘ_ｎに基づき、仮想操作量Ｕ（＾）_ｎが調節信
号として出力された場合のｐΔｔ時間後の予測制御量Χ
（〜）_n+pを算出する。ｐΔｔは制御対象１の応答時間
である。操作量修正部８は、制御量予測部７で予測され
たｐΔｔ時間後の制御量Ｘ_n+p及び目標制御量Ｘ^ｄに基
づき、予測制御量Ｘ（〜）_n+pが目標制御量Ｘ^ｄに近付
くように仮想操作量Ｕ（＾）_ｎを修正する。第１スイッ
チ９は制御対象１で制御量が計測されると下側に閉じ、
仮想操作量算出部６で算出された仮想操作量Ｕ（＾）_ｎ
を制御量予測部７に入力し、その後、第１スイッチ９は
次の計測時まで上側に閉じて、操作量修正部８で修正さ
れた仮想操作量Ｕ（＾）_ｎを制御量予測部７の入力に
し、所定の回数、あるいは予測制御量Ｘ（〜）_n+pと目
標制御量Ｘ^ｄの差が所定の値以下になるまで、制御量予
測部７による制御量の予測と操作量修正部８による操作
量の修正が繰り返される。制御量予測部７による制御量
の予測と操作量修正部８による操作量の修正が所定の回
数まで、あるいは予測制御量Χ（〜）_n+pと目標制御量
Ｘ^ｄの差が所定の値以下になるまで繰り返されると、第
２スイッチ１０が閉じ、仮想操作量Ｕ（＾）_ｎが調節信
号Ｃ_ｎとして操作部３へ出力される。

【００６４】図８は図７に示した制御量予測部７の構成
の一例を示す図である。ここでも、制御量予測部７は神
経回路モデルから構成されている。図８では時刻ｎΔｔ
の仮想操作量Ｕ（＾）_ｎ＝（Ｕ（＾）１_ｎ，Ｕ（＾）２
_ｎ，…，Ｕ（＾）ｇ_ｎ）^Ｔ（ｇは操作量の次元数を表
す）と制御量Χ_ｎ＝（Χ１_ｎ，Χ２_ｎ，…，Χｈ_ｎ）^Ｔ
（ｈは制御量の次元数を表す）が入力されると、応答時
間ｐΔｔ後の予測制御量Ｘ（〜）_n+p＝（Ｘ（〜）１
_n+p，Χ（〜）２_n+p，…，Χ（〜）ｈ_n+p）^Ｔが出力
される神経回路モデル１１の制御時の予測計算の信号の
流れを示している。この入力信号から出力信号を求める
のは先に示した神経回路モデル１１の前向き計算によっ
て行われる。

【００６５】制御量予測部７が神経回路モデル１１から
構成される場合には、操作量修正部８は先に示した神経
回路モデル１１の誤差逆伝播計算によって仮想操作量Ｕ
（＾）_ｎの修正量を求め、仮想操作量が修正される。

【００６６】ここで、制御量予測部７が神経回路モデル
１１から構成される場合には、学習部４は以下のように
構成される。

【００６７】すなわち、学習部４は、制御対象１の応答
時間ｐΔｔと、操作遅れ時間ｑΔｔと、観測データ記憶
部５に記憶された過去の制御量と操作量からなる観測デ
ータに基づいて学習データを作成し、制御量予測部７を
構成する神経回路モデル１１の学習を行う。

【００６８】観測データの時刻ｓΔｔの操作量Ｕ_ｓと制
御量Χ_ｓは時刻ｓΔｔに制御対象１に入力された操作量
と時刻ｓΔｔに制御対象１で計測された制御量である。
従って、操作部３が時間遅れを持つ場合に、入力信号
（Ｕ_ｓ，Ｘ_ｓ）、教師信号（Ｘ_s+p）（ｓ＝ｎ−ｌ，ｎ
−ｌ＋１，…，ｎ−ｐ−１）を学習データとして学習を
行うと、神経回路モデル１１は時刻ｓΔｔに計測された
制御量Ｘ_ｓと時刻ｓΔｔに制御対象１に入力された操作
量Ｕ_ｓからｐΔｔ時間後の制御量Ｘ_s+pを出力するよう
になる。この神経回路モデル１１を制御量予測部７とし
て制御を行うと、調節部２では予測制御量Ｘ（〜）_n+p
が目標制御量Ｘ^ｄに近付くための操作量Ｕ_ｎの値が求め
られてしまい、実際にその値が制御対象１に入力される
のは操作遅れ時間ｑΔｔ後になるので、正確な制御がで
きなくなる。

【００６９】そこで、本発明では、神経回路モデル１１
に、制御対象１で計測された制御量Ｘ_ｎと調節信号Ｃ_ｎ
を入力すると、ｐΔｔ時間後の予測制御量Ｘ（〜）_n+p
が出力されるように、神経回路モデル１１の学習を行う
ために、図９に示すように、制御量Ｘｓ＝（Ｘ１_ｓ，Ｘ
２_ｓ，…，Ｘｈ_ｓ）と操作遅れ時間ｑΔｔ後に制御対象
１に入力される操作量Ｕ_s+q＝（Ｕ１_s+q，Ｕ２_s+q，
…，Ｕｇ_s+q）を入力信号、応答時間ｐΔｔ後の制御量
Χ_s+p＝（Χ１_s+p，Χ２_s+p，…Ｘｈ_s+p）を教師信
号にした学習データを作成する（ｓ＝ｎ−ｌ，ｎ−ｌ＋
１，…，ｎ−ｐ−１）。この学習データで学習ができれ
ば、制御時に調節部２で求められた調節信号Ｃ_ｎは、操
作遅れ時間ｑΔｔ後に制御対象１に入力された時に応答
時間ｐΔｔ後の制御量Ｘ_n+pが目標制御量Ｘ^ｄに近付く
操作量なので、正確な制御ができる。

【００７０】次に、本発明の他の実施の形態を図１０に
基づき説明する。

【００７１】図１０に示す制御装置では、図６に示した
制御装置に操作遅れ時間計測部２０が付加されている。
操作遅れ時間計測部２０は過去ｍ単位時間に調節部２で
算出された調節信号の時系列Ｃ＝（Ｃ_n-m，Ｃ_n-m+1，
…，Ｃ_n-1）と、操作部３から出力された操作量の時系
列Ｕ＝（Ｕ_n-m，Ｕ_n-m+1，…，Ｕ_n-1）に基づき、調
節信号が操作部３に入力されて操作量として出力される
までの操作遅れ時間ｑΔｔを計算し、学習部４に出力す
る。ｍは正の整数である。操作遅れ時間計測部２０が付
加されることにより、操作部３の特性変化によって操作
遅れ時間ｑΔｔが変化する場合でも、操作遅れ時間計測
部２０によって変化後の操作遅れ時間ｑΔｔが計算さ
れ、学習部４に出力される。学習部４では操作遅れ時間
計測部２０から入力された操作遅れ時間ｑΔｔに従い、
学習データを作成し、学習を行うので、操作遅れ時間が
変化する場合でも正しく制御し続けることができる。

【００７２】次に、本発明の他の実施の形態を図１１に
基づき説明する。

【００７３】図１１に示す制御装置では、制御対象１で
計測された制御量を調節部２に伝送するのに、むだ時間
を持つ伝送部が存在することを考慮したものである。

【００７４】同図に示すように、時刻ｎΔｔに制御対象
１で計測された制御量Χ_ｎは、伝送部２１を通して調節
部２に入力されるが、伝送部２１は伝送むだ時間を持
ち、制御対象１で計測された制御量Χ_ｎは伝送むだ時間
遅れて調節部２に入力される。時刻ｎΔｔに調節部２に
入力される制御量をＸ′_ｎと表す。調節部２は制御量
Ｘ′_ｎと目標制御量Ｘ^ｄに基づき、調節信号Ｃ_ｎを算出
する。操作部３では調節部２で算出された調節信号Ｃ_ｎ
に基づき操作量Ｕ_ｎが出力される。制御対象１には操作
部３が出力した操作量Ｕ_ｎが入力され、その操作量Ｕ_ｎ
が変化することで制御される。

【００７５】学習部４は制御対象１に操作量が入力され
てからその操作量による影響が制御量に現れるまでの応
答時間ｐΔｔと、制御対象１で計測された制御量Ｘ_ｎが
伝送部２１を通して調節部２に入力されるまでの伝送む
だ時間ｒΔｔと、観測データ記憶部５に記憶された過去
ｌ単位時間に計測された制御量（Χ_n-l，Ｘ_n-l+1，
…，Ｘ_n-1）と制御対象１に入力された操作量
（Ｕ_n-l，Ｕ_n-l+1，…，Ｕ_n-1）からなる観測データ
に基づいて、調節部２のパラメータＷを学習によって調
節し、調節部２へ出力する。上記伝送むだ時間は、操作
遅れ時間ｑΔｔや応答時間ｐΔｔと同様に、制御対象１
で計測された制御量Ｘ_ｎが伝送部２１を通して調節部２
に入力されるまでの時間を予め計測あるいは算出して設
定しておいてもよいし、後述するように伝送部２１の変
動に応じて動的に設定するようにしてもよい。

【００７６】図１２は図１１に示した調節部２の構成の
一例を示す図である。

【００７７】図１２に示す調節部２が図７に示した調節
部２と異なるのは調節部２に入力される制御量Ｘ´_ｎが
制御対象１で計測された制御量Ｘ_ｎに対して伝送むだ時
間ｒΔｔ遅れていることである。仮想操作量算出部６は
伝送部２１を通して入力された制御量Ｘ′_ｎ及び目標制
御量Ｘ^ｄに基づき、仮想操作量Ｕ（＾）_ｎを算出する。
制御量予測部７は仮想操作量Ｕ（＾）_ｎと制御量Χ´_ｎ
に基づき、仮想操作量Ｕ（＾）_ｎが調節信号として出力
された場合のｐΔｔ時間後の予測制御量Ｘ（〜）_n+pを
算出する。ｐΔｔは制御対象１の応答時間である。操作
量修正部８は、制御量予測部７で予測されたｐΔｔ時間
後の制御量Ｘ_n+p及び目標制御量Ｘ^ｄに基づき、予測制
御量Ｘ（〜）_n+pが目標制御量Ｘ^ｄに近付くように仮想
操作量Ｕ（＾）_ｎを修正する。第１スイッチ９は制御対
象１で制御量が計測されると下側に閉じ、仮想操作量算
出部６で算出された仮想操作量Ｕ（＾）_ｎを制御量予測
部７に入力し、その後、第１スイッチ９は次の計測時ま
で上側に閉じて、操作量修正部８で修正された仮想操作
量Ｕ（＾）_ｎを制御量予測部７の入力にし、所定の回
数、あるいは予測制御量Χ（〜）_n+pと目標制御量Χ^ｄ
の差が所定の値以下になるまで、制御量予測部７による
制御量の予測と操作量修正部８による操作量の修正が繰
り返される。制御量予測部７による制御量の予測と操作
量修正部８による操作量の修正が所定の回数まで、ある
いは予測制御量Χ（〜）_n+pと目標制御量Ｘ^ｄの差が所
定の値以下になるまで繰り返されると第２スイッチ１０
が閉じ、仮想操作量Ｕ（＾）_ｎが調節信号Ｃ_ｎとして操
作部３へ出力される。

【００７８】図１３は図１２に示した制御量予測部７の
構成の一例を示す図である。ここでも、制御量予測部７
は神経回路モデルから構成されている。図１３では時刻
ｎΔｔの仮想操作量Ｕ（＾）_ｎ＝（Ｕ（＾）１_ｎ，Ｕ
（＾）２_ｎ，…，Ｕ（＾）ｇ_ｎ）^Ｔ（ｇは操作量の次元
数を表す）と制御量Χ´_ｎ（Ｘ１′_ｎ，Ｘ２′_ｎ，…，
Χｈ′_ｎ）^Ｔ（ｈは制御量の次元数を表す）が入力され
ると、応答時間ｐΔｔ後の予測制御量Ｘ（〜）_n+p＝
（Ｘ１_n+p，Ｘ２_n+p，…，Ｘｈ_n+p）^Ｔが出力される
神経回路モデル１１の制御時の予測計算の信号の流れを
示している。この入力信号から出力信号を求めるのは先
に示した神経回路モデル１１の前向き計算によって行わ
れる。

【００７９】制御量予測部７が神経回路モデル１１から
構成される場合には、操作量修正部８は先に示した神経
回路モデル１１の誤差逆伝播計算によって仮想操作量Ｕ
（＾）_ｎの修正量を求め、仮想操作量を修正する。

【００８０】ここで、制御量予測部７が神経回路モデル
１１から構成される場合には、学習部４は以下のように
構成される。

【００８１】すなわち、学習部４は、制御対象１の応答
時間ｐΔｔと、伝送むだ時間ｒΔｔと、観測データ記憶
部５に記憶された過去の制御量と操作量からなる観測デ
ータに基づいて学習データを作成し、制御量予測部７を
構成する神経回路モデル１１の学習を行う。伝送部２１
に伝送むだ時間がある場合に、入力信号（Ｕ_ｓ，
Ｘ_ｓ）、教師信号（Ｘ_s+p）（ｓ＝ｎ−ｌ，ｎ−ｌ＋
１，…，ｎ−ｐ−１）を学習データとして学習を行う
と、神経回路モデル１１は時刻ｓΔｔに計測された制御
量Ｘ_ｓと時刻ｓΔｔに制御対象１に入力された操作量Ｕ
_ｓから応答時間ｐΔｔ後の制御量Χ_s+pを出力するよう
になる。この神経回路モデル１１を制御量予測部７とし
て制御を行うと、制御量予測部７では伝送むだ時間ｒΔ
ｔ前に計測された制御量を現在の制御量としてｐΔｔ時
間後の予測制御量Ｘ（〜）_n+pを出力するため、正確な
制御ができなくなる。

【００８２】そこで、本発明では、時刻ｎΔｔに調節部
２に入力される制御量Ｘ′_ｎと調節信号Ｃ_ｎを神経回路
モデル１１に入力すると、ｐΔｔ時間後の予測制御量Χ
（〜）_n+pを出力するように、神経回路モデル１１の学
習を行うために、図１４に示すように、伝送むだ時間前
に制御対象１で計測された制御量Ｘ_s-r＝（Ｘ１_s-r，
Ｘ２_s-r，…，Ｘｈ_s-r）と操作量Ｕ_ｓ＝（Ｕ１_ｓ，Ｕ
２_ｓ，…，Ｕｇ_ｓ）を入力信号、応答時間ｐΔｔ後の制
御量Χ_s+p＝（Χ１_s+p，Χ_2+p，…，Ｘｈ_s+ _p）を教
師信号にする（ｓ＝ｎ−ｌ＋ｒ，ｎ−ｌ＋ｒ＋１，…，
ｎ−ｐ−１）。この学習データで学習ができれば、制御
時に調節部２で求められた調節信号Ｃ_ｎは、伝送むだ時
間ｒΔｔ前に制御対象１で計測された制御量Ｘ´_ｎと調
節信号Ｃ_ｎから予測される応答時間ｐΔｔ後の制御量Χ
_n+pが目標制御量Χ^ｄに近付く調節信号なので、正確な
制御ができる。

【００８３】次に、本発明の他の実施の形態を図１５に
基づき説明する。

【００８４】図１５に示す制御装置では、図１１に示し
た制御装置に伝送むだ時間計測部２２が付加されてい
る。伝送むだ時間計測部２２は、過去ｍ単位時間に制御
対象１で計測された制御量の時系列Ｘ＝（Ｘ_n-m，Ｘ
_n-m+1，…，Χ_n-1）と、調節部２に入力された制御量
の時系列Ｘ′＝（Ｘ_n-m，Χ´_n-m+1，…，Χ´_n-1）
に基づき、制御対象１で計測された制御量が調節部２に
入力されるまでの伝送むだ時間ｒΔｔを計算し、学習部
４に出力する。ｍは正の整数である。伝送むだ時間計測
部２２が付加されることにより、伝送部２１の特性変化
によって伝送むだ時間が変化する場合でも、伝送むだ時
間計測部２２によって変化後の伝送むだ時間ｒΔｔが計
算され、学習部４に出力される。学習部４では伝送むだ
時間計測部２２から入力された伝送むだ時間ｒΔｔに従
い、学習データを作成し、学習を行うので、伝送むだ時
間が変化する場合でも正しく制御し続けることができ
る。

【００８５】次に、本発明の他の実施の形態を図１６に
基づき説明する。

【００８６】図１６に示す制御装置は、操作部３に調節
部２で算出された調節信号が操作量として制御対象１に
入力されるまでにむだ時間を持つこと、伝送部２１に制
御対象１で計測された制御量を調節部２に伝送するのに
むだ時間を持つことを考慮したものである。同図に示す
ように、時刻ｎΔｔに制御対象１で計測された制御量Ｘ
_ｎは、伝送部２１を通して調節部２に入力されるが、伝
送部２１は伝送むだ時間ｒΔｔを持ち、制御対象１で計
測された制御量Ｘ_ｎは伝送むだ時間ｒΔｔ遅れて調節部
２に入力される。時刻ｎΔｔに調節部２に入力される制
御量をＸ′_ｎと表す。調節部２は制御量Ｘ′_ｎと目標制
御量Ｘ^ｄに基づき、調節信号Ｃ_ｎを算出する。操作部３
では調節部２で算出された調節信号Ｃ_ｎに基づき操作量
Ｕ_ｎが出力されるが、操作部３は時間遅れを持ち、入力
された調節信号Ｃ_ｎは操作遅れ時間ｑΔｔ遅れて操作量
として出力される。制御対象１には操作部３が出力した
操作量Ｕ_ｎが入力され、その操作量Ｕ_ｎが変化すること
で制御される。

【００８７】学習部４には制御対象１に操作量が入力さ
れてからその操作量による影響が制御量に現れるまでの
応答時間ｐΔｔと、調節部２で算出された調節信号が操
作部３を通して操作量として実現されるまでの操作遅れ
時間ｑΔｔと、制御対象１で計測された制御量が伝送部
２１を通して調節部２に入力されるまでの伝送むだ時間
ｒΔｔと、観測データ記憶部５に記憶された過去ｌ単位
時間に計測された制御量（Ｘ_n-l，Ｘ_n-l+1，…，Ｘ
_n-1）と制御対象１に入力された操作量（Ｕ_n-l，Ｕ
_n-l+1，…，Ｕ_n-1）からなる観測データに基づいて、
調節部２のパラメータＷを学習によって調節し、調節部
２へ出力する。

【００８８】図１７は図１６に示した調節部２の構成の
一例を示す図である。

【００８９】図１７に示すように、仮想操作量算出部６
は伝送部２１を通して入力された制御量Ｘ′_ｎ及び目標
制御量Ｘ^ｄに基づき、仮想操作量Ｕ（＾）_ｎを算出す
る。制御量予測部７は仮想操作量Ｕ（＾）_ｎと制御量
Ｘ′_ｎに基づき、仮想操作量Ｕ（＾）_ｎが調節信号とし
て出力された場合のｐΔｔ時間後の予測制御量Ｘ（〜）
_n+pを算出する。ｐΔｔは制御対象１の応答時間であ
る。操作量修正部８は、制御量予測部７で予測されたｐ
Δｔ時間後の制御量Ｘ_n+p及び目標制御量Ｘ^ｄに基づ
き、予測制御量Ｘ（〜）_n+pが目標制御量Ｘ^ｄに近付く
ように仮想操作量Ｕ（＾）_ｎを修正する。第１スイッチ
９は制御対象１で制御量が計測されると下側に閉じ、仮
想操作量算出部６で算出された仮想操作量Ｕ（＾）_ｎを
制御量予測部７に入力し、その後、第１スイッチ９は次
の計測時まで上側に閉じて、操作量修正部８で修正され
た仮想操作量Ｕ（＾）_ｎを制御量予測部７の入力にし、
所定の回数、あるいは予測制御量Ｘ（〜）_n+pと目標制
御量Ｘ^ｄの差が所定の値以下になるまで、制御量予測部
７による制御量の予測と操作量修正部８による操作量の
修正が繰り返される。制御量予測部７による制御量の予
測と操作量修正部８による操作量の修正が所定の回数ま
で、あるいは予測制御量Ｘ（〜）_n+pと目標制御量Χ^ｄ
の差が所定の値以下になるまで繰り返されると、第２ス
イッチ１０が閉じ、仮想操作量Ｕ（＾）_ｎが調節信号Ｃ
_ｎとして操作部３へ出力される。

【００９０】図１８は図１７に示した制御量予測部７の
構成の一例を示す図である。ここでも、制御量予測部７
は神経回路モデルから構成されている。図１８では時刻
ｎΔｔの仮想操作量Ｕ（＾）_ｎ＝（Ｕ（＾）１_ｎ，Ｕ
（＾）２_ｎ，…，Ｕ（＾）ｇ_ｎ）^Ｔ（ｇは操作量の次元
数を表す）と制御量Ｘ´_ｎ＝（Ｘ１′_ｎ，Χ２´_ｎ，
…，Ｘｈ´_ｎ）^Ｔ（ｈは制御量の次元数を表す）を入力
すると、ｐΔｔ時間後の予測制御量Ｘ（〜）_n+p＝（Ｘ
（〜）１_n+p，Ｘ（〜）２_n+p，…，Ｘ（〜）ｈ_n+ _p）
^Ｔを出力する神経回路モデル１１の制御時の予測計算の
信号の流れを示している。この入力信号から出力信号を
求めるのは前述した神経回路モデル１１の前向き計算に
よって行われる。

【００９１】制御量予測部７が神経回路モデル１１から
構成される場合には、操作量修正部８は前述した神経回
路モデル１１の誤差逆伝播計算によって仮想操作量Ｕ
（＾）_ｎの修正量を求め、仮想操作量を修正する。

【００９２】ここで、制御量予測部７が神経回路モデル
１１から構成される場合には、学習部４は以下のように
構成される。

【００９３】学習部４は制御対象１の応答時間ｐΔｔ
と、操作遅れ時間ｑΔｔと、伝送むだ時間ｒΔｔと、観
測データ記憶部５に記憶された過去の制御量と操作量か
らなる観測データに基づいて学習データを作成し、制御
量予測部７を構成する神経回路モデル１１の学習を行
う。操作部３に操作遅れ時間があり、伝送部２１に伝送
むだ時間がある場合に、入力信号（Ｕ_ｓ，Χ_ｓ）、出力
信号（Ｘ_s+p）（ｓ＝ｎ−ｌ，ｎ−ｌ＋１，…，ｎ−ｐ
−１）を学習データとして学習を行うと、神経回路モデ
ル１１は時刻ｓΔｔに計測された制御量Ｘ_ｓと時刻ｓΔ
ｔに制御対象１に入力された操作量Ｕ_ｓからｐΔｔ時間
後の制御量Χ_s+pを出力するようになる。この神経回路
モデル１１を制御量予測部７に用いて制御を行うと、調
節部２では伝送むだ時間ｒΔｔ前に観測された制御量Ｘ
_n-rを現在の制御量Ｘ_ｎとみなし、また予測制御量Χ
（〜）_n+pが目標制御量Χ^ｄに近付くための操作量Ｕ_ｎ
の値が求められてしまい、実際にその値が制御対象１に
入力されるのは操作遅れ時間ｑΔｔ後になるので、正確
な制御ができなくなる。

【００９４】そこで、本発明では、神経回路モデル１１
が、時刻ｎΔｔに調節部２に入力される制御量Ｘ´
_ｎと、時刻ｎΔｔに出力する調節信号Ｃ_ｎを入力する
と、ｐΔｔ時間後の予測制御量Χ（〜）_n+pを出力する
ように神経回路モデル１１の学習を行うため、図１９に
示すように、伝送むだ時間ｒΔｔ前に制御対象１で計測
された制御量Χ_s-r＝（Χ１_s-r，Ｘ２_s-r，…，Ｘｈ
_s-r）と操作遅れ時間ｑΔｔ後に制御対象１に入力され
る操作量Ｕ_s+q＝（Ｕ１_s+q，Ｕ２_s+q，…，Ｕ
ｇ_s+ _q）を入力信号、ｐΔｔ時間後の制御量Χ_s+p＝
（Χ１_s+p，Χ２_s+p，…，Χｈ_s+p）を教師信号にし
た学習データを作成する（ｓ＝ｎ−ｌ＋ｒ，ｎ−ｌ＋ｒ
＋１，…，ｎ−ｐ−１）。この学習データで学習ができ
れぱ、制御時に調節部２で求められた調節信号Ｃ_ｎは、
操作遅れ時間ｑΔｔ後に制御対象１に入力された時にｐ
Δｔ時間後の制御量Χ_n+pが目標制御量Ｘ^ｄに近付く操
作量なので、正確な制御ができる。

【００９５】次に、本発明の他の実施の形態を図２０に
基づき説明する。

【００９６】図２０に示す制御装置では、図１６に示し
た制御装置に操作遅れ時間計測部２０、伝送むだ時間計
測部２２が付加されている。操作遅れ時間計測部２０は
過去ｍ単位時間に調節部２で算出された調節信号の時系
列Ｃ＝（Ｃ_n-m，Ｃ_n-m+1，…，Ｃ_n-1）と、操作部３
から出力された操作量の時系列Ｕ＝（Ｕ_n-m，
Ｕ_n-m+ ₁，…，Ｕ_n-1）に基づき、調節信号が操作部３
に入力されて操作量として出力されるまでの操作遅れ時
間ｑΔｔを計算し、学習部４に出力する。また、伝送む
だ時間計測部２２は過去ｍ単位時間に制御対象１で計測
された制御量の時系列Ｘ＝（Χ_n-m，Ｘ_n-m+1，…，Χ
_n-1）と、調節部２に入力された制御量の時系列Χ´＝
（Χ´_n-m，Ｘ´_n-m+1，…，Χ´_n-1）に基づき、制
御対象１で計測された制御量が調節部２に入力されるま
での伝送むだ時間ｒΔｔを計算し、学習部４に出力す
る。ｍは正の整数である。操作遅れ時間計測部２０が付
加されることにより、操作部３の特性変化によって操作
遅れ時間が変化する場合でも、操作遅れ時間計測部２０
によって変化後の操作遅れ時間ｑΔｔが計算され、学習
部４に出力される。学習部４では操作遅れ時間計測部２
０から入力された操作遅れ時間ｑΔｔに従い、学習デー
タを作成し、学習を行うので、操作遅れ時間が変化する
場合でも正しく制御し続けることができる。また、伝送
むだ時間計測部２２が付加されることにより、伝送部２
１の特性変化によって伝送むだ時間が変化する場合で
も、伝送むだ時間計測部２２によって変化後の伝送むだ
時間ｒΔｔが計算され、学習部４に出力される。学習部
４では伝送むだ時間計測部２２から入力された伝送むだ
時間ｒΔｔに従い、学習データを作成し、学習を行うの
で、伝送むだ時間が変化する場合でも正しく制御し続け
ることができる。

【００９７】

【実施例】本発明を下水処理プロセスの溶存酸素濃度を
制御する下水処理プロセスにおける溶存酸素濃度の制御
装置に適用した実施例を説明する。

【００９８】図２１は本発明の一実施例の制御装置の構
成を示すブロック図である。

【００９９】同図に示すように、下水処理プロセス２３
では単位時間Δｔ毎に制御量である溶存酸素濃度と下水
流入量が計測され、操作量である曝気風量が入力され
る。時刻ｎΔｔに計測された溶存酸素濃度ＤＯ_ｎ、下水
流入量Ｑｉｎｆ_ｎと単位時間前に下水処理プロセス２３
に入力された曝気風量Ｑａｅｒ_n-1が伝送部２４を通し
て調節部２５に入力されるが、伝送部２４は伝送むだ時
間を持つため、伝送むだ時間遅れて調節部２５に入力さ
れる。時刻ｎΔｔに調節部２５に入力される曝気風量を
Ｑａｅｒ´_ｎ、溶存酸素濃度をＤＯ´_ｎ、下水流入量を
Ｑｉｎｆ´_n-1と表す。調節部２５は目標溶存酸素濃度
ＤＯ^ｄ、曝気風量Ｑａｅｒ´_n-1、溶存酸素濃度ＤＯ´
_ｎ、下水流入量Ｑｉｎｆ´_ｎに基づき、調節信号Ｃ_ｎを
算出する。ブロア２６では調節部２５で算出された調節
信号Ｃ_ｎが曝気風量Ｑａｅｒ_ｎに変換され、下水処理プ
ロセス２３に出力される。下水処理プロセス２３にはブ
ロア２６が出力した曝気風量Ｑａｅｒ_ｎが入力される。

【０１００】操作遅れ時間計測部２７は、過去ｍ単位時
間に調節部２５で算出された調節信号の時系列Ｃ＝（Ｃ
_n-m，Ｃ_n-m+1，…，Ｃ_n-1）と、ブロア２６から出力
された曝気風量の時系列Ｑａｅｒ＝（Ｑａｅｒ_n-m，Ｑ
ａｅｒ_n-m-1，…，Ｑａｅｒ_n-1）に基づき、調節信号
が曝気風量として実現されるまでの操作遅れ時間ｑΔｔ
を算出する。ｍは正の整数である。

【０１０１】伝送むだ時間計測部２８は過去ｍ単位時間
に下水処理プロセス２３で観測された溶存酸素濃度の時
系列ＤＯ＝（ＤΟ_１，ＤΟ_２，…，ＤＯ_n-1）と、調節
部２５に入力された溶存酸素濃度の時系列ＤＯ´＝（Ｄ
Ｏ´_１，ＤＯ´_２，…，ＤＯ´_n-1）に基づき、下水処
理プロセス２３で溶存酸素濃度が観測されてから調節部
２５に入力されるまでの伝送むだ時間ｒΔｔを算出す
る。

【０１０２】学習部２９は下水処理プロセス２３に曝気
風量が入力されてからその曝気風量による影響が溶存酸
素濃度に現れるまでの応答時間ｐΔｔと、操作遅れ時間
計測部２７によって算出された操作遅れ時間ｑΔｔと、
伝送むだ時間計測部２８によって算出された伝送むだ時
間ｒΔｔと、観測データ記憶部３０に記憶された過去の
曝気風量（Ｑａｅｒ_n-l，Ｑａｅｒ_n-l+1，…，Ｑａｅ
ｒ_n-1）と溶存酸素濃度（ＤＯ_n-l，ＤＯ_n-l+1，…，
ＤＯ_n-1）と流入量（Ｑｉｎｆ_n-l，Ｑｉｎｆ_n-l+1，
…，Ｑｉｎｆ_n-1）からなる観測データに基づいて、調
節部２５のパラメータＷを学習によって調節し、調節部
２５へ出力する。

【０１０３】次に、調節部２５が仮想曝気風量算出部、
溶存酸素濃度予測部、曝気風量修正部から構成される場
合について図２２を基に説明する。仮想曝気風量算出部
３１は単位時間前の曝気風量Ｑａｅｒ´_n-1、下水処理
プロセス２３で計測された溶存酸素濃度ＤＯ´_ｎ及び目
標溶存酸素濃度ＤＯ^ｄに基づき、仮想曝気風量Ｑａｅｒ
（＾）_ｎを算出する。この算出の具体的な方法は、例え
ばＫを正の定数として、

【数１７】のように計算してもよいし、または、

【数１８】のように単位時間前の曝気風量をそのまま仮想曝気風量
としても良い。

【０１０４】溶存酸素濃度予測部３２は仮想曝気風量Ｑ
ａｅｒ（＾）_ｎと単位時間前の曝気風量Ｑａｅｒ
´_n-1、下水処理プロセス２３で計測された溶存酸素濃
度ＤＯ´_ｎ、下水流入流量Ｑｉｎｆ´_ｎに基づき、仮想
曝気風量Ｑａｅｒ（＾）_ｎが調節信号Ｃ_ｎとして出力さ
れた場合のｐΔｔ時間後の予測溶存酸素濃度ＤＯ（−）
_n+pを算出する。ｐは下水処理プロセス２３の応答時間
である。

【０１０５】曝気風量修正部３３は、溶存酸素濃度予測
部３２で予測された溶存酸素濃度ＤＯ（−）_n+p及び目
標溶存酸素濃度ＤＯ^ｄに基づき、予測溶存酸素濃度ＤＯ
（−）_n+pが目標溶存酸素濃度ＤＯ^ｄに近付くように仮
想曝気風量Ｑａｅｒ（＾）_ｎを修正する。

【０１０６】第１スイッチ３４は下水処理プロセス２３
で溶存酸素濃度が計測されると下側に閉じ、仮想曝気風
量算出部３１で算出された仮想曝気風量Ｑａｅｒ（＾）
_ｎを溶存酸素濃度予測部３２に入力し、その後、第１ス
イッチ３４は次の計測時まで上側に閉じて、曝気風量修
正部３３で修正された仮想曝気風量Ｑａｅｒ（＾）_ｎを
溶存酸素濃度予測部３２の入力にし、所定の回数、ある
いは予測溶存酸素濃度ＤＯ（−）_n+pと目標溶存酸素濃
度ＤＯ^ｄの差が所定の値以下になるまで、溶存酸素濃度
予測部３２による溶存酸素濃度の予測と曝気風量修正部
３３による曝気風量の修正が繰り返される。溶存酸素濃
度予測部３２による溶存酸素濃度の予測と曝気風量修正
部３３による曝気風量の修正が所定の回数まで、あるい
は予測溶存酸素濃度ＤＯ（−）_n+pと目標溶存酸素濃度
ＤＯ^ｄの差が所定の値以下になるまで繰り返されると、
第２スイッチ３５が閉じ、仮想曝気風量Ｑａｅｒ（＾）
_ｎが調節信号Ｃ_ｎとしてブロア２６へ出力される。

【０１０７】次に、溶存酸素濃度予測部３２が多層神経
回路モデルから構成される場合について説明する。図２
３は溶存酸素濃度予測部３２の一例の説明図である。溶
存酸素濃度予測部３２には仮想曝気風量Ｑａｅｒ（＾）
_ｎ、溶存酸素濃度ＤＯ´_ｎ、下水流入量Ｑｉｎｆ´_ｎ、
単位時間前の曝気風量Ｑａｅｒ´_n-1が入力される。多
段に組まれた遅れ時間要素３７によって時間遅れが生
じ、時刻（ｎ−ｍ_aer＋１）Δｔから時刻（ｎ−１）Δ
ｔまでの曝気風量（Ｑａｅｒ´_n-ｍaer+1，Ｑａｅｒ´
_n-ｍaer+2，…，Ｑａｅｒ´_n-1）、時刻（ｎ−ｍ_do＋
１）Δｔから時刻ｎΔｔまでの溶存酸素濃度（ＤＯ´
_n-ｍdo+1，ＤＯ´_n-ｍdo+2，…，ＤＯ´_ｎ）、時刻（ｎ
−ｍ_inf＋１）Δｔから時刻ｎΔｔまでの下水流入量
（Ｑｉｎｆ´_n- _ｍinf+1，Ｑｉｎｆ´_n-ｍinf+2，…，
Ｑｉｎｆ´_ｎ）、仮想曝気風量Ｑａｅｒ（＾）_ｎが神経
回路モデル３６に入力される。ｍ_aer，ｍ_do、ｍ_infは
正の整数である。神経回路モデル３６はこれらの入力信
号から前向き計算によって時刻（ｎ＋ｐ）Δｔの予測溶
存酸素濃度ＤＯ（−）_n+pを算出する。

【０１０８】溶存酸素濃度予測部３２の構造は他にも考
えられる。例えば、図２４のように、時刻（ｎ＋ｐ）Δ
ｔの予測溶存酸素濃度ＤＯ（−）_n+pの時刻ｎΔｔの溶
存酸素濃度ＤＯ´_ｎからの変化量ΔＤＯ（−）_n+pを神
経回路モデルで算出し、その算出された変化量と時刻ｎ
Δｔの溶存酸素濃度ＤΟ´_ｎが加算され、時刻（ｎ＋
ｐ）Δｔの予測溶存酸素濃度ＤＯ（−）_n+pとして出力
されるものでもよい。

【０１０９】曝気風量修正部３３は、溶存酸素濃度予測
部３２で算出された予測溶存酸素濃度ＤＯ（−）_n+pと
目標溶存酸素濃度ＤＯ^ｄに基づき、予測溶存酸素濃度Ｄ
Ｏ（−）_n+pが目標溶存酸素濃度ＤＯ^ｄに近付くように
仮想曝気風量Ｑａｅｒ（＾）_ｎを修正する。溶存酸素濃
度予測部３２が神経回路モデル３６から構成される場合
には、曝気風量修正部３３は溶存酸素濃度予測部３２の
神経回路モデル３６と同一の構成を持ち、神経回路モデ
ル３６の誤差逆伝播計算によって仮想曝気風量Ｑａｅｒ
（＾）_ｎの修正量を求め、修正を行う。

【０１１０】次に、学習部２９の説明をする。溶存酸素
濃度予測部３２が神経回路モデル３６から構成される場
合に、学習部２９は下水処理プロセス２３の応答時間ｐ
Δｔと、操作遅れ時間計測部２７によって計測された操
作遅れ時間ｑΔｔと、伝送むだ時間計測部２８によって
計測された伝送むだ時間ｒΔｔと、観測データ記憶部３
０に記憶された過去の溶存酸素濃度、下水流入量、曝気
風量からなる観測データに基づいて学習データを作成
し、溶存酸素濃度予測部３２を構成する神経回路モデル
３６の学習を行う。

【０１１１】観測データ記憶部３０に記憶された観測デ
ータは過去に下水処理プロセス２３に入力された曝気風
量と下水処理プロセス２３で計測された溶存酸素濃度、
下水流入量から構成される。神経回路モデル３６の学習
に観測データを使い、入力信号（Ｑａｅｒ_ｓ，Ｑａｅｒ
_s-1，…，Ｑａｅｒ_s-ｍaer+1，ＤＯ_ｓ，ＤＯ_s-1，
…，ＤＯ_s-ｍdo+1，Ｑｉｎｆ_ｓ，Ｑｉｎｆ_s-1，…，Ｑ
ｉｎｆ_s-ｍinf+1）、出力信号ＤＯ_s+p（Ｓ＝ｎ−ｌ＋
ｍ_max，ｎ−ｌ＋ｍ_max＋１，…，ｎ−ｐ−１）（ｍ
_maxはｍ_aer，ｍ_do，ｍ_infの最大値）を学習データと
して学習を行うと、制御時に、溶存酸素濃度予測部３２
では伝送むだ時間ｒΔｔ前に観測された溶存酸素濃度、
下水流入量、曝気風量を現在観測された値として、応答
時間ｐΔｔ後の溶存酸素濃度を予測してしまい、さら
に、この予測溶存酸素濃度ＤＯ_n+pが目標溶存酸素濃度
ＤＯ^ｄに近付くように求められた曝気風量Ｑａｅｒ_ｎは
時刻ｎΔｔに下水処理プロセス２３に入力される曝気風
量であるが、実際に下水処理プロセス２３に入力される
のは操作遅れ時間ｑΔｔ後になるので、正確な制御がで
きない。

【０１１２】本発明では、時刻ｎΔｔに調節部２５に入
力される溶存酸素濃度ＤＯ´_ｎ、下水流入量Ｑｉｎｆ´
_ｎと曝気風量Ｑａｅｒ´_n-1と、調節部２５から出力さ
れる調節信号Ｃ_ｎを溶存酸素濃度予測部３２に入力する
と、下水処理プロセス２３の応答時間ｐΔｔ後の予測溶
存酸素濃度ＤＯ_n+pを出力するように神経回路モデル３
６を学習するため、操作遅れ時間計測部２７によって操
作遅れ時間ｑΔｔを算出し、伝送むだ時間計測部２８に
よって伝送むだ時間ｒΔｔを算出し、操作遅れ時間ｑΔ
ｔ後に下水処理プロセス２３に入力される曝気風量Ｑａ
ｅｒ_s+qと（ｒ＋１）Δｔ前から（ｒ＋ｍ_aer−１）Δ
ｔ前まで下水処理プロセス２３に入力された曝気風量
（Ｑａｅｒ_s-r-1，Ｑａｅｒ_s-r-2，…，Ｑａｅｒ
_s-r-ｍaer＋１）とｒΔｔ前から（ｒ＋ｍ_do−１）Δｔ
前まで下水処理プロセス２３で計測された溶存酸素濃度
（ＤＯ_s-r，ＤＯ_s-r-1，…，ＤΟ_s-r-ｍdo+1）と下水
流入量（Ｑｉｎｆ_s-r，Ｑｉｎｆ_s-r-1，…，Ｑｉｎｆ
_s-r-ｍinf+1）を入力信号、応答時間ｐΔｔ後の溶存酸
素濃度ＤＯ_s+pを出力信号にした学習データを作成する
（ｓ＝ｎ−ｌ＋ｒ＋ｍ_aer，…ｎ−ｐ−１）。この学習
データで学習ができれば、制御時に調節部２５で求めら
れた調節信号Ｃ_ｎは、ブロア２６による操作遅れ時間後
に下水処理プロセス２３に入力された時に溶存酸素濃度
が目標溶存酸素濃度に近付く曝気風量なので、正確な制
御ができる。

【０１１３】次に、制御装置全体の計算手順を図２５に
示す流れ図を参照して説明する。図２５の流れ図では、
時刻０から時刻ΝΔｔまで制御するように書いている
が、この計算手順は単位時間Δｔ毎に同じ手続きが繰り
返されるので、ここでは時刻ｎΔｔにおける曝気風量を
求める手続きを示す。

【０１１４】（ａ）前もって設定された目標溶存酸素濃
度ＤＯ^ｄと観測された溶存酸素濃度ＤＯ´_ｎ，、単位時
間前の曝気風量Ｑａｅｒ´_n-1が仮想曝気風量算出部３
１に入力され、仮想曝気風量Ｑａｅｒ（＾）_ｎが出力さ
れる。

【０１１５】（ｂ）第１スイッチ３４が下側に閉じ、
（ａ）で求められた仮想曝気風量Ｑａｅｒ（＾）_ｎと、
単位時間前の曝気風量Ｑａｅｒ´_n-1、溶存酸素濃度Ｄ
Ｏ´_ｎ、下水流入量Ｑｉｎｆ´_ｎが溶存酸素濃度予測部
３２に入力され、神経回路モデル３６の前向き計算によ
って、応答時間ｐΔｔ後の予測溶存酸素濃度ＤＯ（−）
_n+ _pが出力される。

【０１１６】（ｃ）（ｂ）で求められた予測溶存酸素濃
度ＤＯ（−）_n+pと目標溶存酸素濃度ＤＯ^ｄが曝気風量
修正部３３に入力され、神経回路モデル３６の誤差逆伝
播計算によって仮想曝気風量の修正量が求められ、修正
された仮想曝気風量Ｑａｅｒ（＾）_ｎが出力される。

【０１１７】（ｄ）所定の回数、または目標溶存酸素濃
度ＤＯ^ｄと予測溶存酸素濃度ＤＯ（−）_n+pとの差が所
定の範囲内になるまで、第１スイッチ３４が上側に閉
じ、修正された仮想曝気風量Ｑａｅｒ_ｎが再び溶存酸素
濃度予測部に入力され、（ｂ）（ｃ）の手続きが繰り返
される。

【０１１８】（ｅ）（ｄ）の条件が満たされると第２ス
イッチ３５が閉じ、仮想曝気風量Ｑａｅｒ（＾）_ｎが調
節信号Ｃ_ｎとしてブロア２６に入力され、ブロア２６か
ら下水処理プロセス２３に曝気風量Ｑａｅｒ_ｎが入力さ
れる。

【０１１９】この（ａ）から（ｅ）までの手続きが単位
時間Δｔ毎に繰り返される。

【０１２０】次に神経回路モデル３６の前向き計算、誤
差逆伝播計算、学習計算について説明する。溶存酸素濃
度予測部３２が多層神経回路モデルから構成される場
合、溶存酸素濃度の予測値は多層神経回路モデルの前向
き計算で求められ、曝気風量の修正量は多層神経回路モ
デルの誤差逆伝播計算で求められる。

【０１２１】では、まず前向き計算について説明する。
ここでは図２３に基づいて前向き計算を説明する。

【０１２２】入力層のユニットには仮想曝気風量Ｑａｅ
ｒ（＾）_ｎ、時刻（ｎ−１）Δｔから時刻（ｎ−ｍ_aer
＋１）Δｔまでの曝気風量（Ｑａｅｒ´_n-1，Ｑａｅｒ
´_n- ₂，…，Ｑａｅｒ´_n-ｍaer+1）、時刻ｎΔｔから
時刻（ｎ−ｍ_do＋１）Δｔまでの溶存酸素濃度（ＤＯ´
_ｎ，ＤＯ´_n-1，…，ＤＯ´_n-ｍdo+1）、時刻ｎΔｔか
ら時刻（ｎ−ｍ_inf＋１）Δｔまでの下水流入量（Ｑｉ
ｎｆ´_ｎ，Ｑｉｎｆ´_n-1，…，Ｑｉｎｆ´
_{n −minf ＋1}）が１ユニットに１信号ずつ入力され、
時刻（ｎ＋ｐ）Δｔの溶存酸素濃度の予測値ＤＯ_n+pが
出力される。ｍ_do，ｍ_inf，ｍ_aerは各々正の整数を表
す。この入力信号から出力信号を計算する前向き計算を
式に示す。

【０１２３】ｘｉ_ｉを入力層の第ｉ番目のユニットの入
力値とすると、

【数１９】入力層ユニットの入出力関数は恒等関数とする。入力層
ユニットの出力ｙｉ_ｉ（ｉ＝１，…，Νｉ）は次のよう
に表される。

【０１２４】

【数２０】 Νｉは入力層ユニット数である（Ｎｉ＝ｍ_do＋ｍ_aer＋
ｍ_inf）。次に、中間層の第ｊ番ユニットの入力値ｘｈ
_ｊは入力層ユニットの出力値を入力層一中間層間の結合
荷重値で重み付けした合計から中間層ユニットの閾値ｔ
ｈｈ_ｊを引いた値になる。

【０１２５】

【数２１】ｗ１_j,iは入力層第ｉ番ユニット中間層第ｊ番ユニット
間の結合荷重値、ｔｈｈ_ｊは中間層第ｊ番ユニットの閾
値、Νｈは中間層のユニット数を表す。

【０１２６】中間層ユニットの入出力関数をシグモイド
型関数

【数２２】とすると、中間層ユニットの出力力値ｙｈ_ｊは入力値ｘ
ｈ_ｊを使い、

【数２３】と表せる。ｙｈ_ｊは中間層第ｊ番ユニットの出力値であ
る。出力層の第ｋ番ユニットの入力値ｘｏ_ｋ（ｋ＝１）
は中間層ユニットの出力値を中間層一出力層間の結合荷
重値で重み付けした合計から出力層ユニットの閾値を引
いた値になる。

【０１２７】

【数２４】ｗ２_k,jは中間層第ｊ番ユニット−出力層第ｋ番ユニッ
ト間の結合荷重値、ｔｈｏ_ｋは出力層第ｋ番ユニットの
閾値である。出力層ユニットの入出力関数は恒等関数と
する。

【０１２８】

【数２５】この出力層ユニットの出力値が予測溶存酸素濃度ＤＯ
（−）_n+pである。

【０１２９】

【数２６】以上が３層型神経回路モデルの前向き計算の計算式であ
る。

【０１３０】次に、誤差逆伝播計算について説明する。
溶存酸素濃度予測部３２によって予測された溶存酸素濃
度ＤＯ（−）_n+pと、目標溶存酸素濃度ＤＯ^ｄが曝気風
量修正部３３に入力されると、曝気風量修正部３３で
は、仮想曝気風量の修正量を計算し、修正する。溶存酸
素濃度予測部３２が神経回路モデル３６から構成される
場合には、仮想曝気風量の修正量は神経回路モデル３６
の誤差逆伝播計算によって計算できる。この曝気風量修
正部３３の計算式を示す。

【０１３１】まず、溶存酸素濃度予測部３２によって予
測された溶存酸素濃度ＤＯ（−）_n+ _pと、目標溶存酸素
濃度ＤＯ^ｄとの誤差から誤差関数Ｅを次のように定義す
る。

【０１３２】

【数２７】次に、この誤差関数を減少させるユニット出力値の修正
量を、出力層から入力層へと層毎に順に求めていき、最
終的には入力信号の修正量を求める。まず、出力層ユニ
ットの出力値の修正量は、正の定数ηを使って

【数２８】と計算される。次に中間層ユニットの出力値の修正量
は、出力層ユニットの修正量を使って次のように表され
る。

【０１３３】

【数２９】同様に入力層ユニットの出力値の修正量は、中間層ユニ
ットの修正量を使って、

【数３０】と表される。ｆ´（ｘ）はシグモイド関数ｆ（ｘ）の導
関数を表していて、具体的には、

【数３１】と表せる。入力層ユニットの入出力関数は恒等関数であ
るから、出力値の修正量はそのまま入力値の修正量にな
り、仮想曝気風量Ｑａｅｒ（＾）_ｎの修正量ΔＱａｅ
ｒ，_ｎは、

【数３２】と表現される。この修正量が仮想曝気風量Ｑａｅｒ
（＾）_ｎに加算される。以上が誤差逆伝播計算と、その
計算によって実現される仮想曝気風量の修止である。

【０１３４】次に、多層神経回路モデルの学習について
図２６をもとに説明する。学習は下水処理プロセスの緩
やかな特性変化に対し、溶存酸素濃度予測部３２が適応
するために行われる。

【０１３５】図２６において、３０は観測データ記憶
部、３８は減算器、３９は誤差逆伝播学習器、４０は神
経回路モデル３６の入力層ユニットの出力値が誤差逆伝
播学習器３９に入力されることを示す矢印、４１は神経
回路モデル３６の中間層ユニットの出力値が誤差逆伝播
学習器３９に入力されることを示す矢印、４２は神経回
路モデル３６の中間層一出力層間の結合荷重値が誤差逆
伝播学習器３９に入力されることを示す矢印、４３は誤
差逆伝播学習器３９で計算された入力層一中間層間の結
合荷重値と中間層ユニットの閾値の修正量を各結合荷
重、中間層ユニットに出力し、各結合荷重値と閾値の修
正を行うことを示す矢印、４４は誤差逆伝播学習器３９
で計算された中間層一出力層間の結合荷重値と出力層ユ
ニットの閾値の修正量を各結合荷重、出力層ユニットに
出力し、各結合荷重値と閾値の修正を行うことを示す矢
印を表す。

【０１３６】過去の時刻ｓΔｔ（ｓ＝ｎ−ｌ＋ｍ_aex，
…，ｎ−ｐ−１）について、時刻（ｓ＋ｑ）Δｔの曝気
風量Ｑａｅｒ_s+qと時刻（ｓ−ｒ−ｍ_aer＋１）Δｔか
ら時刻（ｓ−ｒ−１）Δｔまでの曝気風量（Ｑａｅｒ
_s-r-ｍaer+1，Ｑａｅｒ_s-r- _ｍaer+2，…，Ｑａｅｒ
_s-r-1）、時刻（ｓ−ｒ−ｍ_do＋１）Δｔから時刻（ｓ
−ｒ）Δｔまでの溶存酸素濃度（ＤΟ_s-r-ｍdo+1，ＤＯ
_s-r-ｍdo+2，…，ＤＯ_s- _r）時刻（ｓ−ｒ−ｍ_inf＋
１）Δｔから時刻（ｓ−ｒ）Δｔまでの下水流入量（Ｑ
ｉｎｆ_{s-r-ｍinf+1 ，}Ｑｉｎｆ_s-r-ｍinf+2，…，Ｑｉ
ｎｆ_s-r）が入力信号として、観測データ記憶部３０か
ら神経回路モデル３６に出力される。神経回路モデル３
６では上記入力信号に対し、前向き計算を行い、出力信
号ＤＯ（−）_s+pを出力する。減算器３８では観測デー
タ記憶部３０から教師信号として出力された応答時間後
の溶存酸素濃度ＤＯ_s+pと神経回路モデル３６の出力信
号ＤＯ（−）_s+pとの差分ＤＯ_s+p−ＤΟ（−）_s+pが
計算され、誤差逆伝播学習器３９に入力される。誤差逆
伝播学習器３９には差分の他に、神経回路モデル３６の
入力層ユニットの各出力値、中間層ユニットの各出力
値、中間層一出力層間の各結合荷重値が入力され、結合
荷重値、閾値の修正量が計算される。

【０１３７】減算器３８では教師信号ＤＯ_s+pと神経回
路モデル３６の出力信号ＤＯ（−）_s+pとの差分から誤
差関数Ｅが次のように定義される。

【０１３８】

【数３３】誤差逆伝播学習法に従って、神経回路モデル３６の結合
荷重値、閾値の修正量は次のように計算される。

【０１３９】

【数３４】 Δｗ２_k,jは中間層第ｊ番ユニット−出力層第ｋ番ユニ
ット間の結合荷重値ｗ２_k,jの修正量、Δｔｈｏ_ｋは出
力層第ｋ番ユニットの閾値ｔｈｏ_ｋの修正量、Δｗ１
_j,iは入力層第ｉ番ユニット−中間層第ｊ番ユニット間
の結合荷重値ｗ１_j,iの修正量、Δｔｈｈ_ｊは中間層第
ｊ番ユニットの閾値ｔｈｈ_ｊの修正量、εは学習定数で
ある。ｙｏ^ｓ _ｋは時刻ｓΔｔのデータが入力された時の
出力層第ｋ番ユニットの出力値、ｘｏ^ｓ _ｋ時刻ｓΔｔの
データが入力された時の出力層第ｋ番ユニットの入力
値、ｙｈ^ｓ _ｊは時刻ｓΔｔのデータが入力された時の中
間層第ｊ番ユニットの出力値、ｘｈ^ｓ _ｋは時刻ｓΔｔの
データが入力された時の中間層第ｊ番ユニットの入力
値、ｙｉ^ｓ _ｉは時刻ｓΔｔのデータが入力された時の中
間層第ｉ番ユニットの出力値である。これらの修正量を
基に、結合荷重値、閾値が修正される。

【０１４０】なお、本発明は前記実施例に限定されるこ
となく、本発明の要旨を逸脱しない範囲で種々変形可能
であることは勿論である。例えば、前記実施例では、予
測モデルとして３層型神経回路モデルを例に挙げたが、
多層の神経回路モデルで同様に適用可能であり、更に
は、学習機能を持つ関数近似モデルであれば、同様に適
用できる。また、溶存酸素濃度予測部の入出力信号につ
いても、実施例では、過去と現在に計測された溶存酸素
濃度、下水流入量、曝気風量からｐΔｔ時間後の溶存酸
素濃度を予測しているが、予測が可能な範囲であれぱ、
入力信号を減らすことや別の観測データを入力すること
も考えられる。また出力信号についても、ｐΔｔ時間後
の溶存酸素濃度を予測するだけでなく、複数時刻の溶存
酸素濃度を予測し、それらの予測溶存酸素濃度と目標溶
存酸素濃度との誤差から仮想曝気風量の修正量を求める
こともできる。

【０１４１】

【発明の効果】以上説明したように、本発明によれば、
フィードバック制御のループの中に存在する時間的な要
因を考慮しているので、より正確な制御を行うことがで
きる。つまり、学習部は制御対象に操作量が入力されて
からその操作量による影響が制御量に現れるまでの応答
時間を考慮して学習を行っているので、より正確な制御
を行うことができる。

【０１４２】また、操作部に操作遅れ時間があり、観測
データには調節信号が含まれず、制御対象に入力される
操作量、制御対象で計測される制御量が含まれる場合、
操作部の操作遅れ時間を計測し、この操作遅れ時間後に
制御対象に入力される操作量を学習データの操作量の入
力信号に利用することにより、制御量予測部は入力され
た操作量が操作遅れ時間後に制御対象に入力された場合
の制御量を予測するようになるので、制御時に操作部に
よる遅れ時間の影響を受けずに正確に制御することがで
きる。

【０１４３】さらに、制御対象で計測された計測値が調
節部に伝送されるのに時間遅れがある場合には、この伝
送に伴う伝送むだ時間を計測し、この伝送むだ時間前に
計測された制御量を学習データの制御量の入力信号に利
用することにより、制御量予測部は、伝送むだ時間前に
計測され、伝送に伴う遅れ時間後に制御量予測部に入力
された制御量、操作量から制御量を予測するようになる
ので、制御時に伝送に伴う伝送時間遅れの影響を受けず
に正確に制御することができる。

【図面の簡単な説明】

【図１】本発明の原理を説明するためのブロック図であ
る。

【図２】図１における調節部の一構成例を詳細に表した
図である。

【図３】図２における制御量予測部が神経回路モデルか
ら構成される場合の一構成例を表した図である。

【図４】神経回路モデルの学習を説明するための図であ
る。

【図５】制御対象の応答時間を算出する応答時間算出部
を装備した場合のブロック図である。

【図６】操作部の操作遅れを考慮した場合の本発明の原
理を説明するためのブロック図である。

【図７】図６における調節部の一構成例を詳細に表した
図である。

【図８】図７における制御量予測部が神経回路モデルか
ら構成される場合の一構成例を表した図である。

【図９】図８の神経回路モデルの学習を説明するための
図である。

【図１０】操作部の操作遅れ時間を計測する操作遅れ時
間計測部を装備している場合の本発明の原理を説明する
ためのブロック図である。

【図１１】伝送部の伝送時間遅れを考慮した場合の本発
明の原理を説明するためのブロック図である。

【図１２】図１１における調節部の一構成例を詳細に表
した図である。

【図１３】図１２における制御量予測部が神経回路モデ
ルから構成される場合の一構成例を表した図である。

【図１４】図１３の神経回路モデルの学習を説明するた
めの図である。

【図１５】伝送部の伝送むだ時間を計測する伝送むだ時
間計測部を装備している場合の本発明の原理を説明する
ためのブロック図である。

【図１６】操作部の操作遅れ時間と伝送部の伝送むだ時
間を考慮した場合の本発明の原理を説明するためのブロ
ック図である。

【図１７】図１６における調節部の一構成例を詳細に表
した図である。

【図１８】図１７における制御量予測部が神経回路モデ
ルから構成される場合の一構成例を表した図である。

【図１９】図１８の神経回路モデルの学習を説明するた
めの図である。

【図２０】操作部の操作遅れ時間を計測する操作遅れ時
間計測部と、伝送部の伝送むだ時間を計測する伝送むだ
時間計測部を装備している場合の本発明の原理を説明す
るためのブロック図である。

【図２１】本発明を下水処理プロセスの溶存酸素濃度制
御に適用した一実施例のブロック図である。

【図２２】図２１における調節部の一構成例を詳細に表
した図である。

【図２３】図２２における制御量予測部が神経回路モデ
ルから構成される場合の一構成例を表した図である。

【図２４】図２２における制御量予測部が神経回路モデ
ルから構成される場合の一構成例を表した図である。

【図２５】図２５は制御装置の計算手順を説明するため
の流れ図である。

【図２６】図２６は図２３の神経回路モデルの学習を説
明するための図である。

【符号の説明】

１……制御対象２……調節部３……操作部４……学習部５……観測データ記憶部６……仮想操作量算出部７……制御量予測部８……操作量修正部９……第１スイッチ１０……第２スイッチ１２……減算器１３……誤差逆伝播学習器１９……応答時間算出部２０……操作遅れ時間計測部２１……伝送部２２……伝送むだ時間計測部

Claims

【特許請求の範囲】

【請求項１】制御対象に入力される操作量を変化させ
ることで制御対象の制御量を制御する制御装置におい
て、前記制御対象で計測された制御量及び目標制御量に基づ
き、調節信号を算出する調節部と、前記調節部で算出された調節信号に基づき、前記制御対
象に操作量を出力する操作部と、過去に観測された制御量及び操作量を有する観測データ
を記憶する観測データ記憶部と、前記操作部から前記制御対象へ操作量を入力してから当
該操作量による影響が制御量に現れるまでの制御対象の
応答時間と前記観測データ記憶部に記憶された観測デー
タとに基づいて、前記調節部を学習する学習部とを具備
することを特徴とする制御装置。
【請求項２】制御対象に入力される操作量を変化させ
ることで制御対象の制御量を制御する制御装置におい
て、前記制御対象で計測された制御量及び目標制御量に基づ
き、調節信号を算出する調節部と、前記調節部で算出された調節信号に基づき、前記制御対
象に操作量を出力する操作部と、過去に観測された制御量及び操作量を有する観測データ
を記憶する観測データ記憶部と、前記操作部から出力された操作量と前記制御対象で計測
された制御量に基づき、前記操作部から前記制御対象へ
操作量を入力してから当該操作量による影響が制御量に
現れるまでの制御対象の応答時間を算出する応答時間算
出部と、前記応答時間算出部により算出された応答時間と前記観
測データ記憶部に記憶された観測データとに基づいて、
前記調節部を学習する学習部とを具備することを特徴と
する制御装置。
【請求項３】請求項１または請求項２記載の制御装置
において、調節部が、前記制御対象で計測された制御量及び目標制御量に基づ
き、仮想操作量を算出する仮想操作量算出部と、前記制御対象で計測された制御量及び仮想操作量に基づ
き、前記応答時間後の制御量を予測する制御量予測部
と、前記制御量予測部により予測された応答時間後の予測制
御量及び目標制御量に基づき、仮想操作量を修正する操
作量修正部と、前記制御量予測部による制御量の予測と前記操作量修正
部による仮想操作量の修正を少なくとも１回行って得ら
れた仮想操作量を調節信号として前記操作部に入力する
手段とを具備することを特徴とする制御装置。
【請求項４】請求項３記載の制御装置において、前記制御量予測部が神経回路モデルから構成され、前記操作量修正部の計算が神経回路モデルの誤差逆伝播
計算により実現され、前記学習部は、前記応答時間と前記観測データ記憶部に
記憶された観測データとに基づいて、学習データを作成
し、前記制御量予測部を構成する神経回路モデルの学習
を行うことを特徴とする制御装置。
【請求項５】請求項４記載の制御装置において、前記学習部は、前記観測データ記憶部に記憶された観測
データに基づいて、学習データを作成する際に、同じ時
刻の制御量と操作量とを有する観測データを入力信号と
し、前記応答時間後の制御量を教師信号にして学習を行
うことを特徴とする制御装置。
【請求項６】制御対象に入力される操作量を変化させ
ることで制御対象の制御量を制御する制御装置におい
て、前記制御対象で計測された制御量及び目標制御量に基づ
き、調節信号を算出する調節部と、前記調節部で算出された調節信号に基づき、前記制御対
象に操作量を出力する操作部と、過去に観測された制御量及び操作量を有する観測データ
を記憶する観測データ記憶部と、前記操作部から前記制御対象へ操作量を入力してから当
該操作量による影響が制御量に現れるまでの制御対象の
応答時間と前記調節部で算出された調節信号が当該操作
部を通して操作量として実現されるまでの操作遅れ時間
と前記観測データ記憶部に記憶された観測データとに基
づいて、前記調節部を学習する学習部とを具備すること
を特徴とする制御装置。
【請求項７】制御対象に入力される操作量を変化させ
ることで制御対象の制御量を制御する制御装置におい
て、前記制御対象で計測された制御量及び目標制御量に基づ
き、調節信号を算出する調節部と、前記調節部で算出された調節信号に基づき、前記制御対
象に操作量を出力する操作部と、過去に観測された制御量及び操作量を有する観測データ
を記憶する観測データ記憶部と、前記調節部で算出された調節信号と前記操作部で出力さ
れた操作量に基づき、前記調節部で算出された調節信号
が当該操作部を通して操作量として実現されるまでの操
作遅れ時間を計測する操作遅れ時間計測部と、前記操作遅れ時間計測部により計測された操作送れ時間
と前記操作部から前記制御対象へ操作量を入力してから
当該操作量による影響が制御量に現れるまでの制御対象
の応答時間と前記観測データ記憶部に記憶された観測デ
ータとに基づいて、前記調節部を学習する学習部とを具
備することを特徴とする制御装置。
【請求項８】請求項６または請求項７記載の制御装置
において、調節部が、前記制御対象で計測された制御量及び目標制御量に基づ
き、仮想操作量を算出する仮想操作量算出部と、前記制御対象で計測された制御量及び仮想操作量に基づ
き、前記応答時間後の制御量を予測する制御量予測部
と、前記制御量予測部により予測された応答時間後の予測制
御量及び目標制御量に基づき、仮想操作量を修正する操
作量修正部と、前記制御量予測部による制御量の予測と前記操作量修正
部による仮想操作量の修正を少なくとも１回行って得ら
れた仮想操作量を調節信号として前記操作部に入力する
手段とを具備することを特徴とする制御装置。
【請求項９】請求項８記載の制御装置において、前記制御量予測部が神経回路モデルから構成され、前記操作量修正部の計算が神経回路モデルの誤差逆伝播
計算により実現され、前記学習部は、前記応答時間と前記操作遅れ時間と前記
観測データ記憶部に記憶された観測データとに基づい
て、学習データを作成し、前記制御量予測部を構成する
神経回路モデルの学習を行うことを特徴とする制御装
置。
【請求項１０】請求項９記載の制御装置において、前記学習部は、前記観測データ記憶部に記憶された観測
データに基づいて、学習データを作成する際に、当該時
刻の制御量と当該時刻より操作遅れ時間後の操作量とを
有する観測データを入力信号とし、前記応答時間後の制
御量を教師信号にして学習を行うことを特徴とする制御
装置。
【請求項１１】制御対象に入力される操作量を変化さ
せることで制御対象の制御量を制御する制御装置におい
て、前記制御対象で計測された制御量及び目標制御量に基づ
き、調節信号を算出する調節部と、前記調節部で算出された調節信号に基づき、前記制御対
象に操作量を出力する操作部と、過去に観測された制御量及び操作量を有する観測データ
を記憶する観測データ記憶部と、前記操作部から前記制御対象へ操作量を入力してから当
該操作量による影響が制御量に現れるまでの制御対象の
応答時間と前記制御対象で計測された制御量が前記伝送
部を通して調節部に入力されるまでの伝送むだ時間と前
記観測データ記憶部に記憶された観測データとに基づい
て、前記調節部を学習する学習部とを具備することを特
徴とする制御装置。
【請求項１２】制御対象に入力される操作量を変化さ
せることで制御対象の制御量を制御する制御装置におい
て、前記制御対象で計測された制御量及び目標制御量に基づ
き、調節信号を算出する調節部と、前記調節部で算出された調節信号に基づき、前記制御対
象に操作量を出力する操作部と、過去に観測された制御量及び操作量を有する観測データ
を記憶する観測データ記憶部と、前記制御対象で計測された制御量と前記伝送部を通して
調節部に入力された制御量とに基づき、前記伝送部によ
る伝送むだ時間を計測する伝送むだ時間計測部と、前記伝送むだ時間計測部により計測された伝送むだ時間
と前記操作部から前記制御対象へ操作量を入力してから
当該操作量による影響が制御量に現れるまでの制御対象
の応答時間と前記観測データ記憶部に記憶された観測デ
ータとに基づいて、前記調節部を学習する学習部とを具
備することを特徴とする制御装置。
【請求項１３】請求項１１または請求項１２記載の制
御装置において、調節部が、前記制御対象で計測された制御量及び目標制御量に基づ
き、仮想操作量を算出する仮想操作量算出部と、前記制御対象で計測された制御量及び仮想操作量に基づ
き、前記応答時間後の制御量を予測する制御量予測部
と、前記制御量予測部により予測された応答時間後の予測制
御量及び目標制御量に基づき、仮想操作量を修正する操
作量修正部と、前記制御量予測部による制御量の予測と前記操作量修正
部による仮想操作量の修正を少なくとも１回行って得ら
れた仮想操作量を調節信号として前記操作部に入力する
手段とを具備することを特徴とする制御装置。
【請求項１４】請求項１３記載の制御装置において、前記制御量予測部が神経回路モデルから構成され、前記操作量修正部の計算が神経回路モデルの誤差逆伝播
計算により実現され、前記学習部は、前記応答時間と前記伝送むだ時間と前記
観測データ記憶部に記憶された観測データとに基づい
て、学習データを作成し、前記制御量予測部を構成する
神経回路モデルの学習を行うことを特徴とする制御装
置。
【請求項１５】請求項１４記載の制御装置において、前記学習部は、前記観測データ記憶部に記憶された観測
データに基づいて、学習データを作成する際に、前記伝
送むだ時間前の制御量と当該時刻の操作量とを有する観
測データを入力信号とし、前記応答時間後の制御量を教
師信号にして学習を行うことを特徴とする制御装置。
【請求項１６】制御対象に入力される操作量を変化さ
せることで制御対象の制御量を制御する制御装置におい
て、前記制御対象で計測された制御量及び目標制御量に基づ
き、調節信号を算出する調節部と、前記調節部で算出された調節信号に基づき、前記制御対
象に操作量を出力する操作部と、過去に観測された制御量及び操作量を有する観測データ
を記憶する観測データ記憶部と、前記操作部から前記制御対象へ操作量を入力してから当
該操作量による影響が制御量に現れるまでの制御対象の
応答時間と前記制御対象で計測された制御量が前記伝送
部を通して調節部に入力されるまでの伝送むだ時間と前
記調節部で算出された調節信号が当該操作部を通して操
作量として実現されるまでの操作遅れ時間と前記観測デ
ータ記憶部に記憶された観測データとに基づいて、前記
調節部を学習する学習部とを具備することを特徴とする
制御装置。
【請求項１７】制御対象に入力される操作量を変化さ
せることで制御対象の制御量を制御する制御装置におい
て、前記制御対象で計測された制御量及び目標制御量に基づ
き、調節信号を算出する調節部と、前記調節部で算出された調節信号に基づき、前記制御対
象に操作量を出力する操作部と、過去に観測された制御量及び操作量を有する観測データ
を記憶する観測データ記憶部と、前記調節部で算出された調節信号と前記操作部で出力さ
れた操作量に基づき、前記調節部で算出された調節信号
が当該操作部を通して操作量として実現されるまでの操
作遅れ時間を計測する操作遅れ時間計測部と、前記制御対象で計測された制御量と前記伝送部を通して
調節部に入力された制御量とに基づき、前記伝送部によ
る伝送むだ時間を計測する伝送むだ時間計測部と、前記操作遅れ時間計測部により計測された操作送れ時間
と前記伝送むだ時間計測部により計測された伝送むだ時
間と前記操作部から前記制御対象へ操作量を入力してか
ら当該操作量による影響が制御量に現れるまでの制御対
象の応答時間と前記観測データ記憶部に記憶された観測
データとに基づいて、前記調節部を学習する学習部とを
具備することを特徴とする制御装置。
【請求項１８】請求項１６または請求項１７記載の制
御装置において、調節部が、前記制御対象で計測された制御量及び目標制御量に基づ
き、仮想操作量を算出する仮想操作量算出部と、前記制御対象で計測された制御量及び仮想操作量に基づ
き、前記応答時間後の制御量を予測する制御量予測部
と、前記制御量予測部により予測された応答時間後の予測制
御量及び目標制御量に基づき、仮想操作量を修正する操
作量修正部と、前記制御量予測部による制御量の予測と前記操作量修正
部による仮想操作量の修正を少なくとも１回行って得ら
れた仮想操作量を調節信号として前記操作部に入力する
手段とを具備することを特徴とする制御装置。
【請求項１９】請求項１８記載の制御装置において、前記制御量予測部が神経回路モデルから構成され、前記操作量修正部の計算が神経回路モデルの誤差逆伝播
計算により実現され、前記学習部は、前記応答時間と前記操作遅れ時間と前記
伝送むだ時間と前記観測データ記憶部に記憶された観測
データとに基づいて、学習データを作成し、前記制御量
予測部を構成する神経回路モデルの学習を行うことを特
徴とする制御装置。
【請求項２０】請求項１９記載の制御装置において、前記学習部は、前記観測データ記憶部に記憶された観測
データに基づいて、学習データを作成する際に、前記伝
送むだ時間前の制御量と前記操作遅れ時間後の操作量と
を有する観測データを入力信号とし、前記応答時間後の
制御量を教師信号にして学習を行うことを特徴とする制
御装置。