JP3040901B2 - ニューラルネットワークによる制御方法および内蔵制御装置 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、各種制御対象の制御
に、ニューラルネットを適用する技術に関する。

【０００２】

【従来の技術】従来、各種制御対象の制御に使用される
ニューラルネットワークにおいて、ニューラルネットワ
ークからの出力は、そのまま、制御対象に接続して設け
られた、制御対象を制御するためのコントローラへ送出
される指令値や、制御対象に送出される操作量等になっ
ていた。

【０００３】すなわち、例えば、ニューラルネットワー
クに、所定の入力信号を入力し、ニューラルネットワー
クからの出力と、前記入力信号に対する望ましい出力と
の誤差が、ある所定値以下になるまで、ニューラルネッ
トワークの学習を行い、かかる学習が完了したニューラ
ルネットワークを制御対象の制御項目の制御に使用して
いた。

【０００４】かかる学習は、例えば、制御量を前記入力
信号とし、これに対応するニューラルネットワークの出
力を、制御量に対応する操作量としたものである。

【０００５】そして、学習が完了したニューラルネット
ワークに、ある制御量を入力せしめ、そのときのニュー
ラルネットワークからの出力を操作量とし、これを制御
装置に備えられたコントローラに、直接入力して制御対
象の制御項目を制御するものであった。

【０００６】

【発明が解決しようとしている課題】しかしながら、上
記の従来技術には、例えば、以下のような問題が存在し
ていた。

【０００７】ニューラルネットワークからの出力が、直
接、制御対象を制御するためのコントローラに対する指
令値や、制御対象に送出される操作量に対応しているた
め、ニューラルネットワークの出力誤差が、そのまま指
令値や操作量の誤差に含まれてしまい、制御の精度を、
著しく低下させたり、当該誤差により制御系を不安定化
させていた。

【０００８】そこで、本発明の目的は、ニューラルネッ
トワークの出力誤差を低減し、高精度に制御対象を制御
するためのニューラルネットを内蔵した制御手段方法を
提供することにある。

【０００９】

【問題を解決するための手段】上記問題を解決するため
に、以下の手段が考えられる。

【００１０】入力層、中間層、出力層を有して構成さ
れ、制御対象の制御目標値との偏差量である、少なくと
も１以上の第１の入力値および制御対象が有する状態量
である、少なくとも１以上の第２の入力値を入力層が受
け付け、制御対象に与える操作量を出力層から出力する
ニューラルネットワークを備えたニューラルネットワー
ク内蔵制御装置において、入力層、中間層、出力層を有
して構成した、新たなニューラルネットと、減算手段と
を備え、前記新たなニューラルネットワークの入力層
は、前記第２の入力値、および、前記第１の入力値に対
応して予め定めた特定値を受け付け、受け付けた値に基
づいて、中間層および出力層が行う演算により、出力値
を出力層から出力し、前記減算手段は、前記２つのニュ
ーラルネットワークの出力値の差分を演算し、前記操作
量として出力する装置である。

【００１１】また、以下のような制御方法も考えられ
る。

【００１２】すなわち、入力層、中間層、出力層を有し
て構成されるニューラルネットワークを使用し、制御対
象の制御目標値との偏差量である、少なくとも１以上の
第１の入力値および制御対象が有する状態量である、少
なくとも１以上の第２の入力値を入力層に与え、制御対
象に与える操作量を出力層から出力させるニューラルネ
ットワークによる制御方法において、入力層、中間層、
出力層を有して構成した、新たなニューラルネットとを
用意し、前記新たなニューラルネットワークの入力層
に、前記第２の入力値、および、前記第１の入力値に対
応して予め定めた特定値を与え、受け付けた値に基づい
て中間層、出力層が行う演算により、出力値を出力層か
ら出力させ、前記２つのニューラルネットワークの出力
値の差分を演算し、前記操作量として出力するニューラ
ルネットワークによる制御方法である。

【００１３】

【作用】上述した手段のように、本発明は、通常のニュ
ーラルネット演算を行う第１のニューラルネットワーク
に加えて、新たに、第１のニューラルネットワークの出
力誤差を算出する第２のニューラルネットワークを備え
ることによって解決される。

【００１４】第２のニューラルネットワークは、予め設
定された入力値の近傍で、第１のニューラルネットワー
クの出力誤差を算出する。第１のニューラルネットワー
クの出力から第２のニューラルネットワークの出力を減
じた値が、最終的な出力信号となり、これが制御対象を
制御するためのコントローラに対する指令値や、制御対
象に送出される操作量に対応ずけられる。

【００１５】これにより、第２のニューラルネットワー
クで、制御系を安定する上で最も重要な、入力に対する
誤差を算出させれば、この入力値近傍に対応した正確な
出力値を、ニューラルネットワークは、高精度に算出で
き、制御系の制御性能が向上する。

【００１６】

【実施例】以下、本発明の実施例を図面を参照して説明
する。

【００１７】図１に、本発明にかかるニューラルネット
制御装置の構成例を示す。

【００１８】ニューラルネット制御装置１００は、制御
対象１０４に与える望ましい指令値を算出し、コントロ
ーラ１０３に、当該指令値を出力する装置である。

【００１９】ニューラルネット制御装置１００は、ニュ
ーラルネット演算手段１０１、目標値格納部１０７、指
令値算出手段１０２を有して構成され、さらに、入力手
段１０８を備えた構成になっている。

【００２０】ニューラルネット演算手段１０１、目標値
格納部１０７、指令値算出手段１０２は、例えばＣＰ
Ｕ、ＲＯＭ（所定の処理を行うプログラムが、予め内蔵
されている）、ＲＡＭ、各種ＣＭＯＳ等の電子デバイス
によって実現される。入力手段１０８は、例えば、キー
ボード、マウス等によって実現できる。

【００２１】なお、特に図示しないが、前記指令値等の
各種情報を表示する表示手段を備えた構成も考えられ
る。この場合、表示手段は、例えば、ＣＲＴ、ＥＬディ
スプレイ、液晶ディスプレイ等によって実現される。

【００２２】また、ニューラルネット演算手段１０１
は、２つのニューラルネットワークを備えており、指令
値算出手段１０２には、モデル１０５を備えている。

【００２３】モデル１０５は、制御対象を、不確定なパ
ラメータを含む数式で表現したものであり、この数式を
使用して、制御目標値に対する操作量を決定することが
可能である。

【００２４】コントローラ１０３は、ニューラルネット
制御装置１００により与えられた指令値に基ずいて制御
対象１０４に備えられた、アクチュエータ１０６に、指
令値を出力する。

【００２５】コントローラ１０３は、例えばＣＰＵ、Ｒ
ＯＭ（所定の処理を行うプログラムが、予め内蔵されて
いる）、ＲＡＭ、各種ＣＭＯＳ等の電子デバイスによっ
て実現される。

【００２６】制御対象１０４には、制御量を検出する第
１のセンサ１０９および制御量以外の制御対象１０４の
状態を検出する第２のセンサ１１０が備えられており、
これらのセンサにより検出された信号は、ニューラルネ
ット制御装置１００に送出される。

【００２７】なお、制御対象、第１、第２のセンサ、ア
クチュエータの具体例は、後に具体的な実施例に即して
説明する。

【００２８】ニューラルネット学習装置１１１は、光フ
ァイバ等をデータ伝送手段として使用したＬＡＮ１１２
によって、ニューラルネット制御装置１００に接続され
ている。

【００２９】ニューラルネット学習装置１１１は、例え
ばＣＰＵ、ＲＯＭ（所定の処理を行うプログラムが、予
め内蔵されている）、ＲＡＭ、各種ＣＭＯＳ等の電子デ
バイスによって実現される。これは、１チップ化してＬ
ＳＩ等により実現しても良い。

【００３０】もちろん、ニューラルネット学習装置１１
１は、ニューラルネット制御装置１００内に備えた構成
にしても良い。

【００３１】ニューラルネット学習装置１１１は、ニュ
ーラルネット制御装置に備えられているニューラルネッ
ト演算手段１０１の演算内容を決定し、その内容をＬＡ
Ｎ１１２を介して、ニューラルネット演算手段１０１に
送出する。

【００３２】さて、まず、ニューラルネット制御装置１
００の処理の流れを説明する。

【００３３】前述のように、ニューラルネット制御装置
１００は、指令値算出手段１０２、目標値格納部１０
６、ニューラルネットにより演算を行なうニューラルネ
ット演算手段１０１を有して構成される。目標値格納部
１０６には、制御対象１０４の目標とする制御量である
値が格納されており、その値は、例えば、入力手段１０
８を介して設定、変更すればよい。

【００３４】指令値算出手段１０２は、制御対象１０４
を、数式を使用してモデル化したモデル１０５にもとづ
いて、制御対象１０４の出力が、制御目標値と一致する
ように、コントローラ１０３へ出力する指令値を算出す
る。

【００３５】ニューラルネット演算手段１０１は、第１
の入力値である、第１のセンサ１０９により取り込んだ
制御量とモデル１０５を使用して算出された制御量との
差分を使用して、この差分を減少させるように、モデル
１０５の、不確定なパラメータを修正する。

【００３６】前記差分と前記パラメータの修正量の関係
に、制御対象の状態を表す他の値（例えば、温度等の物
理量）が影響を与えている場合には、図１に示すよう
に、影響を与えている値を第２の入力値として、第２の
センサ１１０により取り込み、ニューラルネット演算手
段１０１に入力する。この第２のセンサ１１０により取
り込まれた物理量は、第１および第２のニューラルネッ
トワークに、全く等しく入力されている。

【００３７】指令値算出手段１０２は、モデル１０５、
すなわち、数式の不確定パラメータが修正される度に、
修正されたモデル１０５にもとづいて、指令値を再計算
し、計算結果を新たな指令値としてコントローラ１０３
に出力する。

【００３８】次に、各部の詳細な構成および処理につい
て説明する。

【００３９】制御対象１０４として、本実施例では、熱
間圧延における加熱炉プラントを採用するものとする。

【００４０】図２に、加熱炉の構成例を示す。加熱炉２
００では、加熱される材料であるスラブ２０４が、加熱
炉入り口より挿入され、加熱炉出側に移動する間に、ガ
スバーナ２０１により加熱される。図１の構成との対応
において、アクチュエータ１０６は、ガスバーナ２０１
に対応し、第１のセンサ１０９は、スラブ２０４の出口
での表面温度を測定する温度計２０３に対応する。ま
た、第２のセンサ１１０は、スラブ２０４の挿入温度を
測定する温度計２０５、加熱炉２００の炉内温度を測定
する温度計２０２に対応している。

【００４１】加熱炉プラントでは、スラブ２０４の出口
での表面温度を、ガスバーナ２０１の適切な操作によ
り、目標温度にすることが制御目標となる。

【００４２】指令値算出手段１０２が備えるモデル１０
５には、スラブ２０４に与えられる輻射伝熱量がモデル
化されている。輻射伝熱量に対応したモデルは、ステフ
ァンボルツマンの熱伝導方程式が代表的である。次式
（１）に、一般的なステファンボルツマンの熱伝導方程
式を示す。

【００４３】

【数１】

【００４４】ここで、Ｑは、炉からスラブへの伝熱量、
Ｔは、炉内温度であり、温度計２０２により検出され
る。θは、スラブ２０４の温度φｃｇは、総括熱吸収係
数と呼ばれる伝熱係数である。総括熱吸収係数の値は、
厳密に算出するのは一般に非常に困難であり、本実施例
では、ニューラルネット演算手段１０１により、この総
括熱吸収係数を、加熱炉２００の総括熱吸収係数と一致
するようにチューニングするのが目的である。

【００４５】指令値算出手段１０２は、このモデル１０
５にもとづいて、スラブ２０４の加熱炉出口での温度
が、目標温度を満足するような炉温指令値を算出し、計
算結果をコントローラ１０３に出力する。コントローラ
１０３は、炉温と指令値が一致するようにガスバーナ２
０１の燃料流量を制御する。

【００４６】図３に、ニューラルネット演算手段１０１
の構成例を示す。

【００４７】ニューラルネット演算手段１０１は、第１
のニューラルネットワーク３０１と第２のニューラルネ
ットワーク３０２を有して構成される。

【００４８】第１のニューラルネットワーク３０１で
は、総括熱吸収係数の修正量が、第２のニューラルネッ
トワーク３０２では、第１のニューラルネットワーク３
０１によって計算された修正量の誤差分が計算される。

【００４９】第１のニューラルネットワーク３０１に
は、第１の入力値として、温度計２０３から実際に取り
込んだ制御量と、モデル１０５を使用して算出された制
御量との差分が入力される。また、第２の入力値とし
て、温度計２０２と２０５によって、それぞれ取り込ん
だ、炉内温度とスラブ２０２の挿入温度、さらにモデル
１０５で現在設定されている総括熱吸収係数の値が入力
される。

【００５０】そして、差分を減少させるために、総括熱
吸収係数の修正量を算出し、モデル１０５に出力する。
モデル１０５では、入力された修正量にもとづいて、数
式を構成する不確定パラメータである総括熱吸収係数を
変更する。

【００５１】第２のニューラルネットワーク３０２は、
第１のニューラルネットワーク３０１と同一の構成とな
っており、温度計２０３から検出された制御量と、モデ
ル１０５を使用して算出された制御量の差分である、修
正量が「０」のときの第１のニューラルネットワークの
出力誤差が算出される。したがって、温度計２０３から
検出された制御量と、モデル１０５を使用して算出され
た制御量との差分に対応する入力に、「０」が入力さ
れ、他の入力に関しては、第１のニューラルネットワー
ク３０１と同一の値である第２の入力値が入力されるよ
うにしておく。

【００５２】第１のニューラルネットワーク３０１の出
力から、第２のニューラルネットワーク３０２の出力と
の差分をとったものが、ニューラルネット演算手段１０
１の出力となり、この値にしたがって、モデル１０５の
総括熱吸収係数が修正されることになる。

【００５３】このように、第１、第２のニューラルネッ
トワークが同一構成のため、第１のニューラルネットワ
ーク３０１の入力信号である「制御量−モデルによる制
御量」に対応して、特定の値「０」を第２のニューラル
ネットワーク３０２に入力したとき、このときのニュー
ラルネットワーク３０２の出力が、第１のニューラルネ
ットワーク３０１の誤差量となることを利用して、誤差
を減少させる。

【００５４】次に、図４に、ニューラルネット演算手段
１０１が行なう、処理のフローチャートを示す。

【００５５】まず、ｓ４−１で、温度計２０３で検出さ
れた制御量（以下、「ｙ」とする）とモデル１０５を使
用して算出した制御量（以下、「ｙｄ」とする）の差分
および、制御量以外のパラメータ群である（第２の入力
値に相当する）、炉内温度、挿入温度、総括熱吸収係数
等を第１のニューラルネットワーク３０１に入力し、そ
の演算結果を修正量１とする。

【００５６】次に、ｓ４−２で、「ｙ−ｙｄ」に対応し
た入力に、「０」を入力し、第２のニューラルネットワ
ーク３０２に、演算を実行させる。このときの演算結果
を、誤差量とする。

【００５７】次に、ｓ４−３では、ｓ４−１で得られた
修正量１から、ｓ４−２で得られた誤差量を引いたもの
を、修正量２とする。そして、ｓ４−４で修正量２を出
力して、処理が終了となる。

【００５８】次に、ニューラルネットワーク３０１（本
実施例では、第１のニューラルネットワークと第２のニ
ューラルネットワークは同一構成のため、第１のニュー
ラルネットワークの説明のみ行う）について詳細な説明
を行なう。

【００５９】図５に、第１のニューラルネットワーク３
０１の構成例を示す。

【００６０】本ニューラルネットワークは、入力層、中
間層、出力層を有して構成される。

【００６１】第１のニューラルネットワーク３０１は、
ニューロン５０１が、シナプス５０２により層状に連結
されて構成される。図５に示す例では、入力層５０３、
中間層５０４、出力層５０５からなる３層構造のネット
ワークを示しているが、中間層５０４を複数備えた４層
以上のネットワークを構築してもよいことは言うまでも
ない。

【００６２】入力層５０３に入力された入力をIi、中間
層５０４の出力をMjとすれば、IiとMjの関係は、例え
ば、次式で与えられる。

【００６３】

【数２】

【００６４】

【数３】

【００６５】

【数４】

【００６６】Wij（jは、中間層ニューロンの番号）は、
i番目の入力ニューロンとｊ番目の中間層ニューロンを
結ぶシナプス５０２に与えられている重み、θjは、ニ
ューロンjに対応した定数、f(uj)は、一般に微分可能な
単調飽和関数が使用されるが、通常（２）式のような、
シグモイド関数が使用される。さらに、このように得ら
れたMjを使用すると、出力層５０５におけるk番目のニ
ューロンの出力Okは、

【００６７】

【数５】

【００６８】

【数６】

【００６９】

【数７】

【００７０】となる。Vjkは、ｊ番目の中間層ニューロ
ンと、k番目の出力層ニューロンを結ぶ重み、θkは、出
力層ニューロンに対応した定数である。

【００７１】以上のようにして、ニューラルネット演算
手段１０３では、入力Iiに対応した出力Okを決定する演
算が行なわれる。

【００７２】ニューラルネット演算手段１０１では、第
２のニューラルネットワーク３０２を第１のニューラル
ネットワーク３０１と同一構造としていたが、温度計２
０３より検出した制御量とモデル１０５を使用して算出
した制御量との差分に対応する入力層５０３でのニュー
ロンと、これに繋がるシナプスを欠落させた構成でもよ
い。

【００７３】図６に、ニューラルネット学習装置１１１
の構成例を示す。

【００７４】ニューラルネット学習装置１１１には、第
１のニューラルネットワーク３０１と同一の構造を有す
るニューラルネットワーク６０３に加えて、記憶手段６
０１、学習手段６０２、入力手段６０４、出力手段６０
５が備えられた構成になっている。これらは、バス６０
６を介して結合され、必要な信号の授受を行なう。

【００７５】記憶手段６０１は、例えば、ＲＡＭ、記憶
媒体であるディスクを装着したディスクドライブ装置に
よって実現され、学習手段６０２は、例えばＣＰＵ、Ｒ
ＯＭ（所定の処理を行うプログラムが、予め内蔵されて
いる）、ＲＡＭ、各種ＣＭＯＳ等の電子デバイスによっ
て実現される。また、入力手段６０４は、例えば、キー
ボード、マウス等により、出力手段６０５は、例えば、
ＣＲＴ、ＥＬディスプレイ、液晶ディスプレイ等によっ
て実現される。

【００７６】記憶手段６０１には、ニューラルネットワ
ーク６０３に学習させたい入力信号と出力信号が（以
下、「入出力ペア」と称する）が少なくとも１個以上格
納されている。

【００７７】学習手段６０２は、記憶手段６０１から入
出力ペアを一つづつ、バス６０６を介して取り込み、こ
れらのうち入力信号を、同様にバス６０６を介して、ニ
ューラルネットワーク６０３に与える。ニューラルネッ
トワーク６０３は、与えられた入力信号に基ずいて、演
算を行ない、演算結果を、学習手段６０２に送出する。

【００７８】学習手段６０２は、送られてきた出力と入
出力ペアの出力信号との誤差を検出し、検出された誤差
に従って、ニューラルネットワーク６０３の重みWij、V
jkを誤差が減少するように修正する。

【００７９】Wj，Vjの修正方法は、種々の方法が提案さ
れている。

【００８０】代表的手法として最急降下法を用いた誤差
逆伝搬学習法がある。この学習方法は、入出力ペアの出
力信号と、それに対応したニューラルネットワーク６０
３の出力との誤差量の総和を与えるエネルギー関数をも
とに、最適解探索法の一つである最急降下法により、こ
の関数を減少させる方向に、重みWj，Vjを修正する方法
である。

【００８１】次式に、このエネルギー関数を示す。

【００８２】

【数８】

【００８３】Ｔkは、出力Ｏkに対応した、入出力ペアの
出力信号である。最急降下法による重みWj，Vjの修正手
順の一例を、（９）、（１０）式に示す。Wj(n)，Vj(n)
は、n回目の修正による重みを表す。

【００８４】

【数９】

【００８５】

【数１０】

【００８６】上式の処理を全ての重みについて行うこと
により、（ｎ＋１）回目の修正が終了する。

【００８７】この手法の詳細は、例えば、雑誌（David
E. Rumelhart. geoffrey e. Hinton& ronald J. willia
ms. "Learning representations by back-propagating
error." Nature. Vol.323. No.9. 第533項〜第536項.
10月. 1986年)に記載されている。

【００８８】さて、学習手段６０２は、記憶手段６０１
に蓄えられている入出力ペアを次々と取り込み、上記の
操作を繰り返す処理を行う。最終的に、ニューラルネッ
トワーク６０３には、記憶手段６０１の、入力と出力と
の関係が蓄えられることになる。

【００８９】入力手段６０４は、ユーザが記憶手段６０
１に、入出力ペアを入力したり、学習手段６０２の学習
パラメータを変更するための手段である。出力手段６０
５は、入出力ペアのモニタとして、または、ニューラル
ネットワーク３０１の構造を表示したり、学習の進み具
合（例えば、その時点におけるモデルのパラメータを表
示出力する等）を把握するための手段である。

【００９０】以上の処理により、学習の終了したニュー
ラルネットワーク６０３の重みWij、Vjkは、ニューラル
ネット演算手段１０１に送信され、第１のニューラルネ
ットワーク３０１および第２のニューラルネットワーク
３０２は、送信された「重み」に基ずいて、演算を行な
う。

【００９１】次に、記憶手段６０１の入出力ペアの値の
設定方法の一例を、図７に示す。

【００９２】まず、ｓ７−１で、モデル１０５に、チュ
ーニングの対象である総括熱吸収係数の値（以下、φｃ
ｇとする）を設定する。

【００９３】次に、ｓ７−２で、φｃｇが設定されたモ
デル１０５から制御量（抽出温度）ｔ０を計算する。

【００９４】ｓ７−３では、ｓ７−１で設定したパラメ
ータφｃｇに、パラメータ誤差Δφｃｇを加える。

【００９５】ｓ７−４でパラメータ誤差Δφｃｇを加え
られた、新たなパラメータφｃｇを使用して制御量ｔ１
を計算する。

【００９６】ｓ７−５では、ｓ７−２で算出した制御量
ｔ０と、ｓ７−４で算出した制御量ｔ１との差をとり、
ｓ７−３で算出した「ｔ１−ｔ０」とパラメータ誤差Δ
φｃｇを入出力ペアとして、記憶手段に記憶する。ｓ７
−６で、パラメータφｃｇが、パラメータの上限φｃｇ
maxを越えたか否かを判定する。

【００９７】越えていれば終了し、そうでなければｓ７
−３に処理を移す。以上の操作で、記憶手段６０１に入
出力ペアが作成、記憶される。

【００９８】上述の説明では、ニューラルネット演算手
段１０１と、ニューラルネット学習装置１１１は、別の
装置として構成したが、一つの装置としてもよい。すな
わち、例えば、ニューラルネット演算手段１０１にニュ
ーラルネット学習装置１１１を内蔵した構成でも良い。

【００９９】図８に、ニューラルネット演算手段１０１
において、第２のニューラルネットワーク３０２の出力
を遮断するためのスイッチ８０１を設けたの構成例を示
す。

【０１００】本実施例では、スイッチ８０１を、第２の
ニューラルネットワーク３０２の出力側に設け、スイッ
チ８０１が切られているときは、第２のニューラルネッ
トワーク３０２の出力は無効となり、第１のニューラル
ネットワーク３０１の出力が、そのまま修正量としてニ
ューラルネット演算手段１０１から出力されることにな
る。

【０１０１】なお、スイッチ８０１は、例えば、アナロ
グスイッチ（所定以上の電圧が入力されたときオン状態
になる手段である）等の電子デバイスによって実現し、
スイッチ８０１の開閉は、入力手段１０８を介してユー
ザが任意に設定したとき、その設定を受けて、前記アナ
ログスイッチに所定の信号を与える構成にしておけば良
い。

【０１０２】また、温度計２０３で検出した制御量が目
標値に近ずいたことを検知して、自動的にオンする構成
も考えられる。かかる自動的な制御は、例えばＣＰＵ、
ＲＯＭ（所定のプログラムが予め内蔵されている）、Ｒ
ＡＭ等を有して構成される手段によって実現できる。

【０１０３】次に、図９に、スイッチ８０１を自動的に
開閉する処理のフローチャートを示す。

【０１０４】まず、ｓ９−１で、温度計２０３で検出さ
れた制御量（以下、「ｙ」）とモデル１０５を使用して
算出される制御量（以下、「ｙｄ」）の差分および、制
御量以外のパラメータ群である、炉内温度、挿入温度、
総括熱吸収係数を、ニューラルネットワーク３０１に入
力し、演算結果を、修正量１として保存する。

【０１０５】ｓ９−２では、スイッチ８０１を「オン」
するか否かの判定を行なう。

【０１０６】判定するための計算式の一例として、次式
が考えられる。

【０１０７】

【数１１】

【０１０８】ここで、Δｙｔｈは、スイッチのオン、オ
フを判定するためのしきい値であり、「ｙ−ｙｄ」が上
式を満たしたときに、スイッチがオンとなるように構成
しておけば良い。

【０１０９】上記判定式に従うと、第２のニューラルネ
ッワーク３０２で算出される誤差の精度が良くない、零
近傍（入力値が「０」の近傍である場合）から離れた入
力値では、第１のニューラルネットワーク３０１の出力
が直接制御量となり、第２のニューラルネットワーク３
０２が、高精度に誤差を算出できる零近傍入力値で、第
２のニューラルネットワーク３０２の出力が減算される
ことになる。

【０１１０】次に、ｓ９−２で、オフすべき判定の場合
は、ｓ９−５に処理を移し、修正量１を修正量２とし
て、モデル１０５に出力する。オンすべき判定の場合
は、ｓ９−３に処理が移り、「ｙ−ｙｄ」に対応する入
力に、「０」を入力し、第２のニューラルネットワーク
３０２に演算させる。

【０１１１】ｓ９−４では、ｓ９−１で保存されている
修正量１から、ｓ９−３で得られた演算結果である誤差
量を引いたものを、修正量２とする。そして、ｓ９−５
で修正量２を出力して、処理は終了となる。

【０１１２】次に、ニューラルネット演算手段１０１の
出力が、入出力ペアで与えた出力信号の出力範囲を越え
ないように制限する、リミッタを備えた実施例を示す。

【０１１３】図１０に、このときのニューラルネット演
算手段１０１の構成例を示す。

【０１１４】リミッタ１００１は、第１のニューラルネ
ットワークと第２のニューラルネットワークによる演算
結果が入力される。リミッタ１００１の処理は、例え
ば、上述した演算結果が入出力ペアのうち出力信号の最
大値または最小値を越えたときに、ニューラルネット演
算手段１０１の出力を前記出力信号の最大値または最小
値とし、越えていなければ演算結果をそのままニューラ
ルネット演算手段１０１の出力とするものである。

【０１１５】次式に、このときのリミッタ１００１の出
力を決定する式の例を示す。

【０１１６】なお、かかるリミッタ１００１は、オペレ
ーションアンプ、抵抗等の電子デバイスを使用して、全
てハードウエアで実現するものや、ＲＯＭ、ＣＰＵ、Ｒ
ＡＭを有した構成にし、ＲＯＭに記憶されたプログラム
により処理を実行するようにしてもよい。

【０１１７】

【数１２】

【０１１８】

【数１３】

【０１１９】

【数１４】

【０１２０】ここで、Ｏは、第１のニューラルネットワ
ークと第２のニューラルネットワークによる演算結果で
あり、Ｙｍａｘ、Ｙｍｉｎは、それぞれ入出力ペアのう
ち出力信号の最大値、最小値である。上式に従えば、ニ
ューラルネット演算手段１０１の出力範囲を限定できる
ため、制御系の安定性が保証されることになる。

【０１２１】次に、図１１に、本実施例のニューラルネ
ット制御装置１００による、モデルのパラメータのチュ
ーニングシミュレーション結果を示す。

【０１２２】本シミュレーションでは、実炉の有する総
括熱吸収係数φｃｇの値を、「0.5」とし、モデル１０
５に設定されている、総括熱吸収係数φｃｇを「0.65」
に設定した。

【０１２３】本図は、本発明にかかるニューラルネット
演算手段１０１が、モデル１０５のφｃｇを、実炉のφ
ｃｇに、チューニングしていく様子を示している。

【０１２４】比較の対象として、ニューラルネット演算
手段１０１が第１のニューラルネットワーク３０１のみ
で構成された、ニューラルネット制御装置を従来手段と
して採用した。

【０１２５】δθoutは、スラブ２０４の測定温度と目
標温度との抽出温度誤差であり、目標温度達成時に０と
なる。

【０１２６】従来手段によるチューニング結果では、モ
デル１０５のφｃｇが、実炉のφｃｇからずれた値に収
束し、抽出温度誤差が残ったままの状態になっているの
に対して、本発明によれば、チューニング回数の増加に
伴い、実炉のφｃｇが再現されてゆき、最終的に、抽出
温度誤差がほぼ「０」となり、チューニングが成功して
いる。

【０１２７】なお、上記実施例では、ニューラルネット
演算手段の出力が１つであるが、出力値が複数となる
（例えば、修正量または操作量が複数必要な制御対象を
考慮した場合）構成にしてもよい。このことは、全ての
実施例において言える。

【０１２８】また、図１には２つニューラルネットワー
クを有した構成を示したが、第１のニューラルネットワ
ークのほかに、第２のニューラルネットワークを備え
ず、第１のニューラルネットワークにより、まず、所定
の値（第２のニューラルネットワークが出力する、特定
値に対応する出力値）を求めておき、この値をニューラ
ルネットワークの出力値から、減ずる構成でも良い。

【０１２９】次に、図１２に、本発明によるニューラル
ネット制御装置を、フィードバックコントローラとして
使用した実施例を示す。

【０１３０】ニューラルネット制御装置１２００は、ニ
ューラルネット演算手段１０１と目標値格納部１０６と
を有して構成される。

【０１３１】ニューラルネット演算手段１０１は、第１
のニューラルネットワーク３０１と第２のニューラルネ
ットワーク３０２を備えて構成される。

【０１３２】また、目標値格納部１０６には、制御量の
目標値が格納されており、例えば、ＲＡＭ等によって実
現される。

【０１３３】ニューラルネット制御装置１２００は、第
１のセンサ１２０３より取り込んだ制御量から、目標値
を減じて得られる偏差を、第１の入力値として、第２の
センサ１２０４より取り込んだ制御量以外の制御対象１
２０１の状態量を、第２の入力値として、第１のニュー
ラルネットワーク３０１に与える。また、前記第２の入
力値と、前記第１の入力値に対して、与えた「０」を、
第２のニューラルネットワーク３０２に与える。

【０１３４】そして、ニューラルネット演算手段は、第
１と第２のニューラルネットワークの出力の差を、制御
量を目標値と一致させる操作量として、制御対象１２０
１が備えるアクチュエータ１２０２に出力する。

【０１３５】さて、ニューラルネット制御装置１２００
を、浄水プラントの薬品注入制御に適用した応用例を採
用して、ニューラルネット制御装置１２００の動作を詳
細に説明する。

【０１３６】図１３に、制御対象１２０１に対応した、
浄水プラントの構成図を示す。

【０１３７】図１２のアクチュエータ１２０２は、凝固
材を第１の層１３０４に挿入する凝固材注入器１３０１
に対応する。また、第１のセンサ１２０３は、凝固材濃
度および不純物濃度を検出するセンサ１３０３に対応
し、第２のセンサ１２０４は、浄水プラント１３００の
温度を検出するセンサ１３０２に対応している。

【０１３８】源水を注入されたプラントは、第一の層１
３０４で凝固材を、凝固材注入器１３０１により注入
し、源水に含まれる不純物を凝固させる。

【０１３９】第２の層１３０５、第３の層１３０６で沈
殿物を濾過し、水道水として精製する。

【０１４０】第３の層１３０６で、センサ１３０２によ
り抽出された水の不純物濃度と凝固材濃度を検出する。

【０１４１】また、プラントの温度を、センサ１３０２
により取り込む。浄水プラントでは、不純物濃度と凝固
材濃度が制御量となり、ニューラルネット制御装置１２
００は、不純物濃度と凝固材濃度が「０」になるまで、
凝固材注入器１３０１に操作量を送る。

【０１４２】図１４に、ニューラルネット制御装置１３
００の処理の流れを示す。

【０１４３】本実施例では第２のニューラルネットワー
ク３０２で、制御量が目標値と一致したときの誤差を算
出する場合を説明する。

【０１４４】まず、ｓ１４−１では、第１のニューラル
ネットワーク３０１に、第１の入力値である、センサ１
３０３により取り込んだ不純物濃度および凝固材濃度と
目標値（本実施例では「０」）との偏差が入力される。
さらに、偏差とこれに対応した適切な操作量の関係に影
響を与える信号として、センサ１３０２により取り込ん
だプラントの温度を、第２の入力値として入力し、演算
結果を、操作量１として保存する。

【０１４５】次に、ｓ１４−２で、第２のニューラルネ
ットワーク３０２に、ｓ１４−１で入力した不純物濃度
および凝固材濃度と、目標値との偏差に対応した入力
に、「０」を入力し、同様の演算を行なう。

【０１４６】演算結果は、誤差量として保存する。

【０１４７】ｓ１４−３で、ｓ１４−１で保存された操
作量１の値から、ｓ１４−２で算出された誤差量を引い
たものを、操作量２とする。そして、ｓ１４−４で、操
作量２の値をプラントに（具体的には、アクチュエータ
に対応する１３０１に）を出力する。

【０１４８】第１のニューラルネットワーク３０１の学
習に使用する記憶手段６０１の入出力ペアは、実際のプ
ラントで、入力信号と、これに対応して、例えば熟練運
転者の操作量にもとづいて作成すれば良い。また、浄水
プラント１３００を対象としたモデルが作成されている
場合は、これを使用したシミュレーション、実験等によ
って、入出力ペアを作成することも可能である。

【０１４９】次に、ニューラルネットワーク１０１の出
力が、制御量のみで決定される実施例について説明す
る。

【０１５０】図１５に、本実施例の構成例を示す。

【０１５１】ニューラルネット制御装置１５００は、ニ
ューラルネットワーク３０１、オフセット記憶手段１５
０１、目標値格納部１０７を備えている。

【０１５２】オフセット記憶手段１５０１、目標値格納
部１０７は、例えば、ＲＡＭによって実現される。

【０１５３】まず、全体の処理について説明する。

【０１５４】ニューラルネットワーク３０１は、センサ
１５０４より取り込んだ制御量から、目標値を減じた値
を取り入れて、この値を減少させるのに適当な操作量を
算出する。

【０１５５】算出された操作量から、オフセット記憶手
段１５０１に予め記憶されているオフセット値を差し引
いて、その値を制御対象１５０２が備えるアクチュエー
タ１５０３に、出力する。

【０１５６】オフセット記憶手段１５０１には、ニュー
ラルネットワーク３０１に、偏差として「０」が入力さ
れたときの出力値が予め記憶されている。

【０１５７】図１６に、オフセット記憶手段１５０１の
構成方法を示す。

【０１５８】まず、ｓ１６−１で、各制御量が目標値と
一致したときの値である「０」を、ニューラルネットワ
ーク３０１に入力する。

【０１５９】次に、ｓ１６−２において、このときのニ
ューラルネットワーク３０１の出力を、オフセット記憶
手段１５０１に保存する。

【０１６０】以上の処理により、オフセット記憶手段１
５０１に記憶されるオフセット値のデータがが作成、記
憶される。

【０１６１】次に、このニューラルネット制御装置１５
００を、倒立振子の倒立制御に適用した実施例を示す。

【０１６２】図１７に、制御対象１５０２の構成例を示
す。倒立振子１７００は、台車１７０１の上に取付けら
れ、角度θ、角速度ｄθ／ｄｔは、センサ１４０４に相
当する角度センサ１７０３により取り込まれる。角度セ
ンサとしては、例えば、角速度が検出可能なジャイロを
使用すれば良い。

【０１６３】アクチュエータ１５０３に相当する駆動部
１７０２により発生する力Ｆによって、角度θ、角速度
ｄθ／ｄｔが、「０」となるように制御される。

【０１６４】倒立振子の場合、制御量は、角度θと、角
速度ｄθ／ｄｔであり、制御量の目標値は、それぞれ
「０」、操作量は、力Ｆである。

【０１６５】また、例えば、駆動部１７０２は、モータ
と該モータによって駆動される駆動輪を備えて構成され
る場合、前記操作量である力Ｆは、モータの出力トルク
等によって与えられ、これを与えるためには、例えば、
所定の駆動電流をモータに注入すれば良い。

【０１６６】次に、図１８に、ニューラルネット制御装
置１５００による処理の流れを示す。

【０１６７】まず、ｓ１８−１で、目標値と、角度セン
サ１３０２により取り込まれた角度θ、角速度ｄθ／ｄ
ｔとの、それぞれの偏差を、ニューラルネットワーク３
０１に入力し、得られた演算結果を算出する。

【０１６８】次に、ｓ１８−２で、オフセット記憶手段
１５０１に保存されている値を、演算結果から差し引
き、差し引いたものを操作量Ｆとする。

【０１６９】次に、ｓ１８−３で、操作量Ｆを制御対象
１５０２の駆動部１７０２に出力する。

【０１７０】すなわち、例えば、操作量Ｆを与えるよう
に、モータに電流を注入する。

【０１７１】本実施例では、ソフトウェアによって、ニ
ューラルネット制御装置１５００を実現する方法を述べ
たが、ニューラルネットワーク３０１とオフセット記憶
手段１５０１を個別に設けた構成にし、それらを各種Ｃ
ＭＯＳ等の論理素子によって、ハードウェアで実現して
も良い。

【０１７２】また、前述した実施例と同様に、オフセッ
ト記憶手段１５０１に保存されるオフセット値を、状況
に応じて差し引くか否かを選択可能とするスイッチ８０
１を設けても良い。

【０１７３】次に、ニューラルネットワーク３０１の出
力が複数ある場合の実施例を示す。

【０１７４】図１９に、本発明をＰＩＤ（Ｐは比例、Ｉ
は積分、Ｄは微分を表し、この３動作を組み合わせた制
御方式を称する）ゲインパラメータのオートチューニン
グに適用した実施例を示す。

【０１７５】ニューラルネット制御装置１９００は、Ｐ
ＩＤコントローラ１９０１、入力波形発生部１９０３、
解析部１９０４、ニューラルネットワーク３０１、オフ
セット記憶手段１５０１、目標値格納部１０７を有して
構成される。また、キーボード、マウス等で実現される
入力手段１０８も備えられている。

【０１７６】各構成要素は、例えば、ＣＰＵ、ＲＯＭ
（所定の処理を行うプログラムを予め記憶しておく）、
ＲＡＭ、各種ＣＭＯＳ等の電子デバイスにて実現可能で
ある。

【０１７７】まず、全体の処理を説明する。

【０１７８】本実施例では一例として、入力波形として
ステップ入力を行う場合について説明する。

【０１７９】入力波形発生部１９０３から発生されるス
テップ入力に対する、制御対象１９０２の出力波形が理
想応答と一致するように、ＰＩＤコントローラ１９０１
のゲインｋＰ、ｋＩ、ｋＤをチューニングする必要があ
る。

【０１８０】入力手段１０８を介して、目標値格納部１
０７に、理想ステップ応答の応答波形が予め記憶されて
いる。

【０１８１】制御対象１９０２の制御量は、解析部１９
０４に入力され、出力波形が抽出される。

【０１８２】出力波形の抽出法は、入力波形の発生法や
目標値の格納の仕方にも関係するが、例えば、ナイキス
ト間隔で波形をサンプリングすることや、周波数スペク
トルの分布を調べ、当該分布において、所定の周波数間
隔でスペクトルの大きさをサンプリングしていく方法
等、各種の方法が考えられ、波形を再現できるように抽
出するのであれば、いかなる方法でも良い。

【０１８３】このように抽出された出力波形と理想波形
との差が、ニューラルネットワーク３０１に入力される
ことになる。ニューラルネットワーク３０１は、ゲイン
修正量ΔｋＰ、ΔｋＩ、ΔｋＤを出力するが、オフセッ
ト記憶手段１５０１に記憶されている、ゲインｋＰ、ｋ
Ｉ、ｋＤ、のそれぞれに対応した、オフセット値を、修
正量ΔｋＰ、ΔｋＩ、ΔｋＤから差し引いたものを、Ｐ
ＩＤコントローラ１９０１のゲインに加える処理を行
う。

【０１８４】オフセット記憶手段１５０１に格納されて
いるオフセット値は、出力波形と理想波形の偏差とし
て、「０」が入力されたときのニューラルネットワーク
３０１の出力値である。

【０１８５】ゲインを表すパラメータの修正を受けた、
ＰＩＤコントローラ１９０１から、制御対象１９０２
に、操作量が送られ、制御対象１９０２の制御量が、再
度解析部１９０４に入力される。

【０１８６】以上のような処理を繰り返し、ゲインパラ
メータのチューニングが行われる。

【０１８７】図２０に、本実施例のオフセット記憶手段
による処理のフローチャートを示す。

【０１８８】まず、ｓ２０−１で、ニューラルネットワ
ーク３０１による演算結果が、ゲインパラメータの修正
量として、ΔｋＰ、ΔｋＩ、ΔｋＤに記憶される。

【０１８９】次に、ｓ２０−２で、オフセット記憶手段
１５０１に記憶されている値、ΔｋＰ０、ΔｋＩ０、Δ
ｋＤ０を取り出し、修正量として記憶されている、Δｋ
Ｐ、ΔｋＩ、ΔｋＤから取り出したΔｋＰ０、ΔｋＩ
０、ΔｋＤ０を、それぞれ減じた値を、修正量ΔｋＰ、
ΔｋＩ、ΔｋＤとする。

【０１９０】そして、ｓ２０−３で、修正量ΔｋＰ、Δ
ｋＩ、ΔｋＤを、制御対象１９０２に出力すれば、一連
の処理が完了する。

【０１９１】

【発明の効果】本発明によれば、指定された値に対する
第１のニューラルネットワークの出力誤差を、第２のニ
ューラルネットワークの出力で相殺した値を、ニューラ
ルネット演算手段の出力とすることにより、指定された
入力値の近傍での出力誤差を低減することができる。こ
のため、ニューラルネット制御装置は、指令値、操作量
等を高精度に出力することが可能となる。

【図面の簡単な説明】

【図１】本発明にかかるニューラルネット制御装置例の
構成図である。

【図２】制御対象である加熱炉の構成図である。

【図３】ニューラルネット演算手段の構成図である。

【図４】ニューラルネット演算手段の処理アルゴリズム
を示すフローチャ−トである。

【図５】ニューラルネットワークの一例の構成図であ
る。

【図６】ニューラルネット学習装置の構成図である。

【図７】入出力ペアの作成アルゴリズムを示すフローチ
ャ−トである。

【図８】スイッチを設けたニューラルネット制御装置例
の構成図である。

【図９】スイッチ操作のアルゴリズムを示すフローチャ
−トである。

【図１０】リミッタを設けたニューラルネット演算手段
の構成図である。

【図１１】シミュレーション結果の説明図である。

【図１２】本発明をコントローラに適用した実施例の構
成図である。

【図１３】浄水プラントの構成図である。

【図１４】ニューラルネット演算手段のアルゴリズムを
示すフローチャ−トである。

【図１５】オフセット記憶手段を組み込んだニューラル
ネット制御装置の構成図である。

【図１６】オフセット記憶手段のアルゴリズムを示すフ
ローチャ−トである。

【図１７】倒立振子の構成図である。

【図１８】ニューラルネット演算手段のアルゴリズムを
示すフローチャ−トである。

【図１９】本発明をＰＩＤコントローラに適用した実施
例の構成図である。

【図２０】ニューラルネット演算手段のアルゴリズムを
示すフローチャ−トである。

【符号の説明】

１００…ニューラルネット制御装置、１０１…ニューラ
ルネット演算手段、１０２…指令値算出手段、１０５…
モデル、１１１…ニューラルネット学習装置、３０１…
第１のニューラルネットワーク、３０２…第２のニュー
ラルネットワーク、８０１…スイッチ、１００１…リミ
ッタ、１５０１…オフセット記憶手段

───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平５−181506（ＪＰ，Ａ) 特開 平５−197401（ＪＰ，Ａ) 特開 平５−150803（ＪＰ，Ａ) 特開 平４−15704（ＪＰ，Ａ) 特開 平５−333902（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁷，ＤＢ名) G05B 11/00 - 13/04 G06F 15/18

Claims (12)

(57)【特許請求の範囲】
1. 【請求項１】入力層、中間層、出力層を有して構成さ
   れ、制御対象の制御目標値と検出した制御量との偏差量
   である、少なくとも一つ以上の第１の入力値および制御
   対象が有する状態量である、少なくとも一つ以上の第２
   の入力値を入力層が受け付け、制御対象に与える操作量
   を出力層から出力するニューラルネットワークを備えた
   ニューラルネットワーク内蔵制御装置において、 入力層、中間層、出力層を有して構成した、新たなニュ
   ーラルネットと、減算手段とを備え、 前記新たなニューラルネットワークの入力層は、前記第
   ２の入力値、および、前記第１の入力値に対応して予め
   定めた特定値を受け付け、受け付けた値に基づいて、中
   間層および出力層が行う演算により、出力値を出力層か
   ら出力し、 前記減算手段は、前記２つのニューラルネットワークの
   出力値の差分を演算し、前記操作量として出力すること
   を特徴とするニューラルネットワーク内蔵制御装置。
2. 【請求項２】入力層、中間層、出力層を有して構成され
   るニューラルネットワークを使用し、制御対象の制御目
   標値と検出した制御量との偏差量である、少なくとも一
   つ以上の第１の入力値および制御対象が有する状態量で
   ある、少なくとも一つ以上の第２の入力値を入力層に与
   え、制御対象に与える操作量を出力層から出力させるニ
   ューラルネットワークによる制御方法において、 入力層、中間層、出力層を有して構成した、新たなニュ
   ーラルネットとを用意し、 前記新たなニューラルネットワークの入力層に、前記第
   ２の入力値、および、前記第１の入力値に対応して予め
   定めた特定値を与え、受け付けた値に基づいて中間層、
   出力層が行う演算により、出力値を出力層から出力さ
   せ、 前記２つのニューラルネットワークの出力値の差分を演
   算し、前記操作量として出力することを特徴とするニュ
   ーラルネットワークによる制御方法。
3. 【請求項３】入力層、中間層、出力層を有して構成さ
   れ、少なくとも一つ以上の入力値を入力層が受け付け、
   制御対象に与える操作量を出力層に出力するニューラル
   ネットワークを備えたニューラルネットワーク内蔵制御
   装置において、予め定めた一の特定値を入力値としたときの前記ニュー
   ラルネットワークの出力値をオフセット値として記憶す
   るオフセット格納手段と、 前記ニューラルネットワークの出力値と前記オフセット
   値との差分を演算し、これを前記操作量として出力する
   オフセット演算手段と、 を備える ことを特徴とするニューラルネットワーク内蔵
   制御装置。
4. 【請求項４】入力層、中間層、出力層を有して構成され
   るニューラルネットワークを使用し、少なくとも一つ以
   上の入力値を入力層に与え、制御対象に与える操作量を
   出力層に出力させるニューラルネットワークによる制御
   方法において、 予め定めた一つの特定値を入力値としたときの前記ニュ
   ーラルネットワークの出力値をオフセット値として記憶
   するオフセット格納手段を用意し、 前記ニューラルネットワークの出力値と前記オフセット
   値との差分を演算し、これを前記操作量として出力する
   ことを特徴とするニューラルネットワークを用いた制御
   方法。
5. 【請求項５】請求項１において、前記新たなニューラル
   ネットワークに、該ニューラルネットワークの出力値
   を、前記減算手段に接続するか否かを選択するための選
   択手段を備えたことを特徴とするニューラルネットワー
   ク内蔵制御装置。
6. 【請求項６】請求項３において、前記オフセット演算手
   段を起動させるか否かの選択が可能な選択手段を備えた
   ことを特徴とするニューラルネットワーク内蔵制御装
   置。
7. 【請求項７】請求項５および６のいずれかにおいて、予
   め定めたタイミングで、予め定めた選択項目を選択する
   ように前記選択手段を起動する起動手段を備えたことを
   特徴とするニューラルネットワーク内蔵制御装置。
8. 【請求項８】請求項１、５および７のいずれかにおい
   て、さらに、リミッタ手段を備え、 該リミッタ手段は、前記減算手段からの出力値の、上限
   値および下限値のうちいずれか一方を制限することを特
   徴とするニューラルネットワーク内蔵制御装置。
9. 【請求項９】請求項３、６および７のいずれかにおい
   て、さらに、リミッタ手段を備え、 該リミッタ手段は、前記オフセット演算手段からの出力
   値の、上限値及び下限値のうちいずれか一方を制御する
   ことを特徴とするニューラルネットワーク内蔵制御装
   置。
10. 【請求項１０】請求項５において、 前記入力値は、制御対象の制御目標値と検出した制御量
    との偏差量であり、 前記定めた一の特定値は、０であることを特徴とするニ
    ューラルネットワーク内蔵制御装置。
11. 【請求項１１】入力層、中間層、出力層を有して構成さ
    れ、制御対象を、正確には分からないパラメータを含む
    数式で表現するモデルで表したとき、制御目標値と検出
    した制御量との偏差量である、少なくとも一つ以上の第
    １の入力値および制御対象が有する状態量である、少な
    くとも一つ以上の第２の入力値を入力層が受け付け、受
    け付けた値に基づいて前記中間層および出力層が行う演
    算により、前記モデルのパラメータの修正量を出力層に
    出力するニューラルネットワークを具備し、 入力層、中間層、出力層を有して構成した、新たなニュ
    ーラルネットと、減算手段とを備え、 前記新たなニューラルネットワークの入力層は、前記第
    ２の入力値、および、前記第１の入力値に対応して予め
    定めた特定値を受け付け、受け付けた値に基づいて、中
    間層および出力層が行う演算により、所定の出力値を出
    力層から出力し、 前記減算手段は、前記２つのニューラルネットワークの
    出力値の差分を演算し、前記パラメータの修正量として
    演算結果を出力することを特徴とするニューラルネット
    ワーク内蔵制御装置。
12. 【請求項１２】入力層、中間層、出力層を有して構成さ
    れるニューラルネットワークを使用し、制御対象の制御
    目標値と検出した制御量との偏差量である、少なくとも
    一つ以上の第１の入力値および制御対象が有する状態量
    である、少なくとも一つ以上の第２の入力値を入力層に
    与え、制御対象に与える操作量を出力層から出力させる
    ニューラルネットワークによる制御方法において、 まず、前記ニューラルネットワークの入力層に、前記第
    ２の入力値、および、前記第１の入力値に対応して予め
    定めた一の特定値を与え、受け付けた値に基づいて中間
    層、出力層が行う演算により、出力値を出力層から出力
    させ、当該出力値を記憶しておき、 次に、前記ニューラルネットワークの出力値と、前記記
    憶してある出力値との差分を演算し、前記操作量として
    出力することを特徴とするニューラルネットワークによ
    る制御方法。