【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、無排士式で押し込み推進させながらロボット先端のヘッド角を制御し、方向修正を行なう小口径トンネルロボットのファジィ方向制御の最適偏差・偏角ファジィ変数オートチューニング方法に関するものである。

【０００２】

【従来の技術】以下に最適ファジィ変数を求める従来技術に関して述べる。 図１１にトンネルロボットのシステム構成を示す。 本システムはヘッド角修正機能をもつトンネルロボット本体５、防護埋設管６、防護埋設管６を押し込む押管装置４、油圧装置３、操作盤２よりなる。
防護埋設管６は押管装置４により油圧で１本ずつ押し込まれる。 このとき、オペレータ１はヘッド角を逐次修正し、計画線に沿うように方向制御を行う。 ７は地表である。

【０００３】次に本ロボットのファジィ方向制御法とそのシミュレータについて述べる。

【０００４】多重ファジィ制御規則 「ＩＦ ｘ ｉｓ Ａ ＡＮＤ ｙ ｉｓ Ｂ ＴＨＥ
Ｎ ｚ ｉｓ Ｃ」の前件部ｘとして小口径トンネルロボット本体の計画線に対する偏差、前件部ｙとして計画線に対する偏角（ピッチング角−計画線の傾き）、前件部Ａとしてｘを示す三角形型のファジィ集合、前件部Ｂ
としてｙを示す三角形型のファジィ集合、後件部ｚとして小口径トンネルロボットのヘッド角、後件部Ｃとしてｚを示す三角形型のファジィ集合をとり、偏差、偏角のファジィ集合の三角形の頂点での偏差、偏角の値の絶対値を大きい順にＡ、Ｂ、Ｃ、…Ｚ、０としたときＡ−Ｂ
＞Ｂ−Ｃ＞…＞＝ＺとなるようにＡ、Ｂ、Ｃ、…Ｚを決定し、前記多重ファジィ制御規則に偏差ｘ＝ｘ０、ピッチング角度偏差ｙ＝ｙ０が入力された時、制御入力であるヘッド角ｚを非ファジィ化手法の「代数積−加算−重心法」を用いて決定するファジィ制御法を用いた。 また、多重ファジィ制御規則の集合を図１２のファジィ制御規則としている。

【０００５】 ただし、 ＰＢ：ｐｏｓｉｔｉｖｅ ｂｉｇ ＰＭ：ｐｏｓｉｔｉｖｅ ｍｅｄｉａｎ ＰＳ：ｐｏｓｉｔｉｖｅ ｓｍａｌｌ ＺＯ：ｚｅｒｏ ＭＳ：ｎｅｇａｔｉｖｅ ｓｍａｌｌ ＮＭ：ｎｅｇａｔｉｖｅ ｍｅｄｉａｎ ＮＢ：ｎｅｇａｔｉｖｅ ｂｉｇ とした。

【０００６】なお、ファジィ集合の形は三角形とし、図１３のように設定されている。

【０００７】図１４でヘッド角とピッチング角について定義する。 シミュレータは方向修正に関するダイナミックモデル［式（１）］とロボットのピッチング角と位置の算出式［式（２）、（３）］によって構成される。 方向制御シミュレーションは以下のように行う。 まず、ファジィ制御則によりヘッド角を求める。 次にそのヘッド角を式（１）のダイナミックモデルに代入し、方向修正量を計算する。 そして、式（２）、（３）を用い、ロボットのピッチング角と位置を計算する。

【０００８】本システムのダイナミックモデルは方向修正角がヘッド角とロボットの姿勢を近似的に表わすピッチング角変化量の時系列項および確率分布項の和で表わせる確率モデルで表した。 パラメータａ _n 、ｂ _nは最小２乗法によって推定される。 シミュレータ Δθ _p (k) ＝ａ ₁ Δθ _p (k-1) ＋…＋ａ _n Δθ _p (kn) ＋ｂ ₀ θ _h (k) ＋ｂ ₁ θ _h (k-1) ＋…＋ｂ _n θ _h (kn) ＋ｅ(k) (1) θ _p (k) ＝θ _p (K-1) ＋Δθ _p (k) (2) Ｙ(k) ＝Ｙ(k-1) ＋Ｌsin （θ _p (k)) (3) θ _h (k) ←ファジィ制御則 図１５で各パラメータを定義する。 下方の軌道が計画線であり、上方の軌道がロボットの軌道である。 ストロースｋにおける計画線の位置をＹ _d （ｋ）、計画線の傾きをθ _d （ｋ）、ロボットの位置をＹ（ｋ）、ロボットのピッチング角をθ _p （ｋ）、ピッチング角変化量をΔθ
_p （ｋ）、１ストロークの長さをＬとおく。 また、式（２）のダイナミックモデルにおいて、ｅ（ｋ）は残差、ｎはモデルの次数である。 方向制御のブロック線図を図１６に示す。 上記シミュレータを用いて本方向制御法の有効性を検討した結果、ファジィ変数をうまく選択すれば、良好な制御を行なうことが分かった。

【０００９】次に、従来の技術のファジィ制御規則の偏差ファジィ変数を小口径トンネルロボットのシミュレータを用いて試行錯誤で求めた値に設定し、ファジィ制御規則の偏角ファジィ変数をニューラルネットワークを用いたオートチューニング法により求めてみた。 岡山地区のシミュレーション結果を図１７に示す。 図１７のように、従来の技術である偏角ファジィ変数オートチューニング法でもファジィ変数は求まるが、小口径トンネルロボットのストロークが２０〜３０付近で計画線を一度越えてから計画線に一致しており、最適な制御が出来なかった。 これは、ファジィ制御規則の偏差ファジィ変数が最適値に設定されていなかったためと思われる。 また、
偏差ファジィ変数の最適値の探索は試行錯誤で求めるため多大な手間と時間がかかるという問題点があった。

【００１０】

【発明が解決しようとする課題】本発明の目的は従来の技術であった、ファジィ制御規則の偏差ファジィ変数を試行錯誤で求め、ファジィ制御規則の偏角ファジィ変数をニューラルネットワークを用いてオートチューニングする手法の多大な手間と時間がかかるという問題点を克服する小口径トンネルロボットのニューラル型偏差・偏角ファジィ変数オートチューニング方法を提供することである。

【００１１】

【課題を解決するための手段及び作用】本発明は上記課題を解決するために、入力を初期偏差と初期ピッチング角度偏差、出力を偏差ファジィ変数ＰＢ、ＰＭ、ＰＳ、
偏角ファジィ変数ＰＢ、ＰＭ、ＰＳとしたニューラルネットワークを、方向制御シミュレーションを使い学習させることにより最適ファジィ変数を得ることが特徴であり、従来技術との差異は、本発明はニューラルネットワークの学習能力により最適ファジィ変数をオートチューニングするので手間がかからず時間も従来法に較べ格段に短縮される。

【００１２】

【実施例】以下図面を参照して本発明の実施例を詳細に説明する。

【００１３】図１に最適ファジィ変数を得るためのニューラルネットワークの構成図を示す。 このニューラルネットワークは入力層、中間層、出力層の３層から構成されている。 各層はユニットの集合であり、となりあう層のユニット同志がもれなく結合されている。 この結合を通して前層の各ユニットから後層のユニットへ値が伝えられる。 このとき、結合に固有の重み係数があり、前層ユニットの出力値にこの重みを乗じた値が後層ユニットに入力される。 後層ユニットは前層のすべてのユニットからの値の総和を計算し、出力関数として定義される非線形変換を施した後、次の層へ値を出力する。 入力層のユニット数は２個とし、入力層のユニットへは初期位置偏差と初期ピッチング角度偏差を入力する。 中間層のユニット数は任意の数に設定する。 出力層のユニットはファジィ制御則へ入力する偏差ファジィ変数ＰＢ、ＰＭ、
ＰＳ、偏角ファジィ変数ＰＢ、ＰＭ、ＰＳの６層とした。

【００１４】偏差・偏角ファジィ変数ＰＢ、ＰＭ、ＰＳ
のオートチューニングのフローチャートを図２に示す。
以下にオートチューニングの具体的なプロセスを記述する。 （１）初期設定として結合係数、オフセットの初期化及びモーメント値の設定を行なう。

【００１５】（２）設定した初期位置偏差と初期ピッチング角度偏差をニューラルネットワークの入力層に入れ出力層より出力された偏差ファジィ変数ＰＢ、ＰＭ、Ｐ
Ｓ、偏角ファジィ変数ＰＢ、ＰＭ、ＰＳをファジィ制御則を用いた方向制御シミュレータに入れ、シミュレーションを行ない、その時の各ストローク時の計画線とロボット本体の位置偏差の絶対値の総和を算出し、総偏差誤差とする。 ただし、偏差ファジィ変数ＮＢ、ＮＭ、ＮＳ
の値は出力層より出力される偏差ファジィ変数ＮＢ、Ｎ
Ｍ、ＮＳのそれぞれのマイナスの値とし、偏角ファジィ変数ＮＢ、ＮＭ、ＮＳの値は出力層より出力される偏角ファジィ変数ＰＢ、ＰＭ、ＰＳのそれぞれのマイナスの値とし、ＺＯは０とする。

【００１６】（３）総偏差誤差を５０００で割ったものを偏差ファジィ変数ＰＢ結合係数修正誤差、偏差ファジィ変数ＰＭ結合係数修正誤差、偏差ファジィ変数ＰＳ結合係数修正誤差、偏角ファジィ変数ＰＢ結合係数修正誤差、偏角ファジィ変数ＰＭ結合係数修正誤差、偏角ファジィ変数ＰＳ結合係数修正誤差とする。 また、各結合係数修正誤差の最大値をすべて５とした。

【００１７】（４）次に、出力層より出力された偏差ファジィ変数、偏角ファジィ変数に、適当な値を加減算（偏差ファジィ変数ＰＢ±ａ、偏差ファジィ変数ＰＭ±
ｂ、偏差ファジィ変数ＰＳ±ｃ、偏角ファジィ変数ＰＢ
±ｄ、偏角ファジィ変数ＰＭ±ｅ、偏角ファジィ変数Ｐ
Ｓ±ｆ）した偏差ファジィ変数、偏角ファジィ変数で小口径トンネルロボットのシミュレーションを６４回行ない、最小の総偏差誤差となったときの偏差ファジィ変数、偏角ファジィ変数に、適当な値を加減算（偏差ファジィ変数ＰＢ±ａ、偏差ファジィ変数ＰＭ±ｂ、偏差ファジィ変数ＰＳ±ｃ、偏角ファジィ変数ＰＢ±ｄ、偏角ファジィ変数ＰＭ±ｅ、偏角ファジィ変数ＰＳ±ｆ）した符号を、プロセス（３）で求めた各結合係数修正誤差の符号としてつけ、あらためてそれらを偏差ファジィ変数ＰＢ結合係数修正誤差、偏差ファジィ変数ＰＭ結合係数修正誤差、偏差ファジィ変数ＰＳ結合係数修正誤差、
偏角ファジィ変数ＰＢ結合係数修正誤差、偏角ファジィ変数ＰＭ結合係数修正誤差、偏角ファジィ変数ＰＳ結合係数修正誤差とする。

【００１８】次に逆伝搬学習則（バックプロパゲーション）を使って、先ほど求めた偏差ファジィ変数ＰＢ結合係数修正誤差、偏差ファジィ変数ＰＭ結合係数修正誤差、偏差ファジィ変数ＰＳ結合係数修正誤差、偏角ファジィ変数ＰＢ結合係数修正誤差、偏角ファジィ変数ＰＭ
結合係数修正誤差、偏角ファジィ変数ＰＳ結合係数修正誤差によりニューラルネットの結合係数修正量を求め、
変更された結合係数による出力、すなわち偏差ファジィ変数ＰＢ、ＰＭ、ＰＳ、偏角ファジィ変数ＰＢ、ＰＭ、
ＰＳを出す。

【００１９】ただし、６４回のシミュレーション結果の総偏差誤差のいずれも、出力層より出力された偏差ファジィ変数ＰＢ、ＰＭ、ＰＳ、偏角ファジィ変数ＰＢ、Ｐ
Ｍ、ＰＳによるシミュレーション結果の総偏差誤差より大きい場合は、各結合係数修正誤差はすべてゼロとする。

【００２０】また、偏差ファジィ変数ＰＢ、ＰＭ、ＰＳ
はＰＢ＞ＰＭ＞ＰＳの関係を保たなければならないためＰＢ＜ＰＭとなった場合はＰＢの結合係数修正量に、Ｐ
Ｍ＜ＰＳとなった場合はＰＭの結合係数修正量に一定の値を与えるようにしている。 同様に、偏角ファジィ変数ＰＢ、ＰＭ、ＰＳもＰＢ＞ＰＭ＞ＰＳの関係を保つように設定している。

【００２１】（５）ある一定学習回数の間、Ｋ回目の学習とＫ＋１回目の学習によって得られた偏差ファジィ変数ＰＢ、ＰＭ、ＰＳ、偏角ファジィ変数ＰＢ、ＰＭ、Ｐ
Ｓのそれぞれの差がある設定値以下であった場合、収束したとみなしその時の偏差ファジィ変数ＰＢ、ＰＭ、Ｐ
Ｓ、偏角ファジィ変数ＰＢ、ＰＭ、ＰＳを最適ファジィ変数とする。 それまでの間は（２）から（４）のプロセスを繰り返す。

【００２２】図３にオートチューニングのブロック線図を示す。 本ニューラルネットワークの学習則は逆伝搬学習則（バックプロパゲーション）を用いた。

【００２３】次に、実際にオートチューニングさせた例を示す。 ニューラルネットワークの入力は初期偏差５０
［mm］、初期ピッチング角度偏差０．５［deg ］とし、
岡山地区のシミュレーションを使った場合に、ニューラルの学習中に出力層より出力される偏差ファジィ変数Ｐ
Ｂ、ＰＭ、ＰＳ、偏角ファジィ変数ＰＢ、ＰＭ、ＰＳ
と、これら偏差・偏角ファジィ変数を用いたシミュレーションにより計算される総偏差誤差が学習回数によってどのように変化するかを示したものを図４に示す。 この図を見ると学習初期の偏差・偏角ファジィ変数ＰＢ、Ｐ
Ｍ、ＰＳがかなり変動し総偏差誤差は確実に減少する方向に向かっていることが分かる。 また学習回数が５００
回程度で偏差・偏角ファジィ変数はほぼ安定し学習回数を重ねてもあまり変化はなく、５５１回目には学習を終了している。

【００２４】岡山地区の学習中のシミュレーション結果を図５から図８に示す。 これらの図より学習が進むほど良好な制御を行なうファジィ変数を出力していることが分かる。 学習後の重みを使用した岡山地区のモデルでの初期位置５０［mm］、初期ピッチング角度偏差０．５
［deg ］のシミュレーションを行なった結果を図９に示す。 図１７の従来の技術で岡山地区のモデルを用い、初期位置５０［mm］、初期ピッチング角度偏差０．５［de
g ］のシミュレーションを行なった結果と比較すると、
従来の技術では、小口径トンネルロボットのストロークが２０〜３０付近で計画線を一度越えてから計画線に一致するのに対して、本発明によれば計画線を越えることがなく、良好な制御が行なわれている。

【００２５】図１０に６つの地区のシミュレータの設定を初期位置５０［mm］、初期ピッチング角度偏差０［de
g ］とした場合に、従来の技術でオートチューニングして求めたシミュレーション結果の総偏差誤差と、本発明でオートチューニングして求めたシミュレーション結果の総偏差誤差を示す。 図１０で、それぞれの地区の総偏差誤差を比較してみると、本発明によってオートチューニングをしたほうが、従来の技術でオートチューニングするより少ない誤差で方向制御が行なわれている。 この結果よりニューラルネットワークは最適なファジィ変数を学習によって得ていることが分かる。

【００２６】

【発明の効果】以上説明したように本発明によれば、入力を初期偏差と初期ピッチング角度偏差、出力を偏差ファジィ変数、偏角ファジィ変数としたニューラルネットワークを方向制御シミュレーションを使い学習させることにより自動的に最適な偏差ファジィ変数、偏角ファジィ変数を得ることが出来るため、従来技術よりさらに良い方向制御が出来、手間がかからず時間も格段に短縮される。

【図面の簡単な説明】

【図１】本発明に係るニューラルネットワークの一例を示す構成図である。

【図２】本発明に係る偏差・偏角ファジィ変数ＰＢ、Ｐ
Ｍ、ＰＳのオートチューニングの一例を示すフローチャートである。

【図３】本発明に係るオートチューニングの一例を示すブロック線図である。

【図４】本発明に係る偏差ファジィ変数、偏角ファジィ変数、総偏差誤差と学習回数の関係の一例を示す特性図である。

【図５】本発明に係る学習中のシミュレーション結果の一例を示す特性図である。

【図６】本発明に係る学習中のシミュレーション結果の他の例を示す特性図である。

【図７】本発明に係る学習中のシミュレーション結果の他の例を示す特性図である。

【図８】本発明に係る学習中のシミュレーション結果の他の例を示す特性図である。

【図９】本発明に係る学習後の重みを使用した初期位置５０［mm］、初期ピッチング角度偏差０．５［deg ］のシミュレーション結果の一例を示す特性図である。

【図１０】従来法と本発明の方法による総偏差誤差の比較の一例を示す説明図である。

【図１１】トンネルロボットのシステム構成の一例を示す構成説明図である。

【図１２】ファジィ制御規則の一例を示す説明図である。

【図１３】ファジィ集合の一例を示す構成説明図である。

【図１４】トンネルロボットのヘッド角とピッチング角の定義の一例を示す説明図である。

【図１５】方向制御のシミュレーションの各パラメータの定義の一例を示す説明図である。

【図１６】方向制御の一例を示すブロック線図である。

【図１７】従来の技術でオートチューニングした岡山地区のシミュレーション結果の一例を示す特性図である。

【符号の説明】

１…オペレータ、２…操作盤、３…油圧装置、４…押管装置、５…ロボット本体、６…埋設管、７…地表。