WO1990010898A1 - Supporting method and system for process control - Google Patents

Description

m 糸田 β プ ΰセス運転支援方法およびシステム

技術分野

本発明は、 時間 と 共に変化する現象を取 り扱 う プロセ ス全般の運転を支援する方法及びシステムに関する。 背景技術

水処理プロ セ ス、 河川情報処理プロセス、 気象情報処 理プロ セ ス、 火力 ' 原子力 · 水力 ' 発電プロセス、 熱電 併給プ ロ セ ス、 ィ匕学プ ロセス、 バイ オプロ セス、 証券 - 為替情報処理プロ セ ス、 銀行管理情報プロセスな ど、 時 間 と 共に変化する現象を取 り扱う 各種プロ セ スの従来の 運転 （運用） 方法は、 これ らのプロセスを記述する数式 モデルを用い、 このモデルに基づいて行う ものであっ た。

し か し、 こ れ ら のプロ セ スを記述する変数群の因果関 係 が解明 さ れて い な い場合には， 数式モデル化が不可能 で あ る 。 一方、 数式モデルを用 いずに Γ ΐί t h e n j ルー ルな どの論理モデル を用いる場合には原因 と結果と の因 果関係が明 ら かになつ ていなければ、 論理モデルの適用 は不可能であ る 。 他方、 数式モデルと論理モデルと を組 み合おせた フ ァ ジー方式でも 、 両モデルの記述ができ な ければ、 適用 が不能であ る こ と はい う までも ない。 し た がっ て、 こ の よ う な場合には、 人間が過去の前例や経験 に照ら して判断 · 運転 （運用） していた。 すなわち、 原 因と結果と が不明の異常時などには、 オペ レータ は過去 の現象履歴やその記憶に基づいて運転していた。 このた め、 常に良好な運転を行う こ とは困難であった。

さ ら に、 これ らの方式では、 モデルの構造や要素 （ル —ルな ど） を変更する こ とは一般的には自動化するには 至っ ていない。 したがって、 実際の現象が変化する場合 にはこれに柔軟に対応するこ とは困難であった。

本発明の 目 的は、 これまで効果的に利用されていなか つ た過去の履歴を有効に利用する こ と によ リ、 定常時あ る いは、 非定常時 · 異常時の運転を支援する こ と ができ るプロセス運転支援方法およびシステムを提供する こ と め O o

本発明の他の 目 的は、 学習された神経回路モデルから 入出力変数間の因果関係等の知識を 自動的に抽出する方 法を提供する こ と にある。 発明の開示

本発明によ るプロ セ ス運転支援方法は、 時間と共に変 化する複数の入力変数値に応じて、 制御対象を 目標状態 とする当該制御対象の制御変数値を求めるプロセス運転 支援方法であっ て、 入力層、 少な く とも 1 層の中間層、 および出力層からなる階層構造の神経回路モデルを用い、 プロセスの過去の運転履歴情報のう ち、 異なる時点の複 数の入力変数値の代表的なパターンを入力信号とする と 共に当該代表的なパタ ーン に対応する制御変数値を教師 信号と し て、 前記神経回路モデルに学習させ、 該学習し た神経回路モデルに前記入力変数値と して未学習のパタ ーン を入力する こ と によ リ該パタ ーンに対する制御変数 値を求めるよ う に したものである。

本発明 に よ る プロ セス運転支援方法は、 他の見地によ れば、 時間 と共に変化する複数の入力変数値に応じて、 少な く と も 1 個の制御対象が目標状態と なるよ う な当該 制御対象の制御変数値を求めるプロセス蓮転ま援方法で あっ て、 入力層、 少な く と も 1 層の中間層、 および出力 層か ら な る階層構造の神経回路モデルを用い、 前記制御 対象を 目標状態とする制御が達成されたと きの前記複数 の入力変数値のパタ ーンを入力信号とする と共に当該パ タ ー ン に対応する制御変数値を教師信号と して、 複数の パタ ー ン について順次前記神経回路モデルに学習させ、 該学習 した神経回路モデルに前記入力変数値と して任意 の入力変数値パタ ーン を入力する こ と によ り該パタ ーン に対する制御変数値を求めるよう にしたものである。

これ らのプロセス運転支援方法において、 前記神経回 路モデルの学習時に、 或る時点の入力変数値パタ ーン と 該或る時点の一定時間前の時点の入力変数値パタ ーン と を 同時に入力信号と して用いる と と も に前記或る時点の 制御変数値を教師信号と して用い、 複数の入力信号につ いて学習 した後、 該神経回路モデルに現時点の入力変数 値パタ ーンおよび現時点よ リー定時間前の時点の入力変 数値パタ ーン を同時に入力する こと によ り現時点の制御 変数値を求めるこ ともできる。

本発明によ るプロセス運転ま援方法は、 さ らに他の見 地によれば、 時間 と共に変化する複数の入力変数値に応 じて、 制御対象が目標状態と なるよ う な当該制御対象の 制御変数値を求めるプロセス蓮転支援方法であっ て、 入 力層、 少な く と も 1 層の中間層、 および出力層からなる 階層構造の神経回路モデルを用い、 或る時点の入力変数 値パタ ーン、 該或る時点の一定時間前の時点の入力変数 値パタ ーン、 雨時点の入力変数値の偏差のパタ ーンの う ち 2個以上のパタ ーン を同時に入力信号と して用いる と と も に、 前記或る時点の制御変数値を教師信号と して、 複数の入力信号について前記神経回路モデルに学習させ、 該学習した神経回路モデルに現時点の前記 2個以上のパ タ ー ン を同時に入力する こ と によ り現時点の制御変数値 を求めるよう にしたものである。

好ま し く は、 前記神経回路モデルの学習した結果に基 づいて、 前記各入力変数と各制御変数と の間の因果関係 を抽出 し、 該因果関係に基づいて前記プ αセスの運転を 支援する。

前記神経回路モデルは、 例えば、 複数のニューロ ン素 子モデルからなる入力層と、 該入力層の各ニューロ ン素 子モデルの出力 をそれぞれ受ける複数のニューロ ン素子 モデルからなる少な く とも 1層の中間層と、 最終の中間 層の各ニュー ロ ンの出力を受ける少な く とも 1 個のニュ —ロ ン素子モデルか らなる出力層と を有し、 前記入力層 の各ニュー ロ ン素子モデルに入力変数を対応させる と と も に前記出力層の各ニ ューロ ン素子モデルに各制御変数 を対応させ、 前記学習は前記各ニューロ ン素子モデル間 の連結部に付与された重み係数を制御する こ と に よ リ行 Ό 。

また、 前記神経回路モデルの学習した結果に基づいて、 前記各入力変数と各制御変数と の間の結合強度を求め、 該結合強度の大き さ に基づいて前記神経回路モデルの回 路構造を変更するよ う にしてもよい。 この場合において， 特定の一入力変数と特定の一制御変数との結合強度は、 当該一入力変数に対応する前記入力層のニューロ ン素子 モデルから前記中間層の各ニューロ ン素子モデルを経て 当該一制御変数に対応する前記出力層のニュー ロ ン素子 モデルに至る各経路の重み係数の積和で定義する こ と が できる。

前記神経回路モデルの構造の変更は、 特定のニュー ロ ン素子モデル間の連結を削除した り、 前記中間層の階層 数を変更したりする こ と によ り行える。

また、 定常時の履歴情報を学習した神経回路モデルと 非定常時の履歴情報を学習した神経回路モデルと を別個 に用意 し、 運転支援時に、 定常時と非定常時とで神経回 路モデルを切 り換えて使用する こ とも可能である。

あるいは、 入力変数値のパターンの変化状態に応じて、 別個の履歴情報を学習 した神経回路モデルを複数個用意 し、 運転支援時に、 前記入力変数値のパタ ーンの変化状 態に応じて使用する神経回路モデルを切 り換える こ とも 可能である。

本発明によ る知識抽出方法は、 入力層、 中間層および 出力層の異なる層間で連結されたニューロ ン素子モデル 対間の重み係数が決定される こ と によ リ学習を有限回実 行した階層構造の神経回路モデルから、 該神経回路モデ ルの入力変数と 出力変数との間の因果関係を知識と して 抽出する知識抽出方法であって、 特定の一入力変数に対 応する入力層のニューロ ン素子モデルから前記中間層の 各ニューロ ン素子モデルを経て、 特定の一出力変数に対 応する出力層のニ ュー ロ ン素子モデルに至る複数の経路 について、 各経路の重み係数の積を求め、 複数の経路に ついて該積を加算 し、 該加算値を当該一入力変数と一出 力変数との間の因果関係を定める尺度とするものである。 本発明によ る プロ セ ス運転支援システムは、 時間と共 に変化する複数の入力変数値に応じて、 制御対象を 目標 状態とする当該制御対象の制御変数値を求めるプロセス 運転ま援システムであっ て、 入力層、 中間層および出力 層からなる階層構造の神経回路モデルを有し、 該神経回 路モデルに過去の運転履歴情報を入力信号および教師信 号と して用いて過去の運転実鑌を学習させる処理手段と、 前記制御対象か ら前記神経回路モデルに入力する入力変 数値を得る入力手段と 、 前記学習した神経回路モデルか ら知識を抽出する知識抽出手段と、 該知識抽出手段によ リ 得 られた知識を蓄積する知識ベースと 、 該知識ベース に蓄積さ れた知識か ら プロセス蓮転支援情報を得る推論 機構 と 、 前記処理手段の出力および /または前記推論機 構の 出力 に応 じて前記制御対象の制御のガイ ダンスを行 う ガイ ダンス手段と を備えたものである。

な お、 本明細書において、 「プロセス」 と は、 時間 と 共 に変化す る 現象 を取 り 扱 う 各種プ ロ セ ス を 包含 し 、 「運転」 と は、 運用、 管理、 制御等を意味する広い概念 を い う も の とす る 。 ま た、 Γ運転支援 j と は、 狭義には オペ レー タ に対 してプロセスの運転を援助する こ と を い う が、 広義に はオペ レータ を介在せず直接プロ セス を制 御する こ とも含むものとする。

本発明は、 神経回路モデルのもつ学習機能を、 （ィ）プ 口セ スの運転履歴情報からの学習、 （口）履歴情報の知識 獲得、 （ハ）履歴情報を記述するモデルの 自動生成に適用 するものである。

神経回路モデルの学習の際には、 運転が成功 した代表 的なパタ ー ン のみ を学習させる こ と によ り 、 神経回路モ デルは経験登富なオペレータ と同等の判断能力を具有し、 現実の任意の入力変数値パタ ーンに対して過去の実績と 前例に即 し た適切な支援を行う こ と ができ る。 し かも、 実際のプ ロ セス運転開始後にも学習を継続する こ と によ リ 、 神経回路モデルの能力 を現実に即 して次第に成長さ せる こ と もで き る 。 したがっ て、 最終的には、 個々 のォ ペ レ 一タ の経験、 能力、 資質等によ らず、 均質かつ最適 な運転を 目指すことができる。

また、 プロセスによっ ては、 同一の入力変数値パター ン に対する場合であっ ても、 各入力変数値の上昇時と下 降時とでは最適な制御変数値が異なる場合がある。 この ような事情に鑑み、 学習時の入力変数値パターンと して、 1 時点の履歴情報のみを用いるのではなく 、 一定時間前 の過去の履歴情報、 あるいは雨者の偏差情報をも同時に 用い る こ と によ り 、 プロセスの変化状態に応じた適切な 運転支援が可能になる。 さ らに、 定常時、 異常時等の履 歴情報をそれぞれ学習した別個の神経回路モデルを設け る こ と に よ リ 、 一層効果的な運転支援を行う こ と ができ る。

また， 過去の履歴情報には、 オペレータ が意識しない 因果関係等の知識が内包されている可能性がある。 しか し、 多数の入力変数と制御変数と の間の因果関係は必ず しも判然と しない。 そ こで、 本発明では、 既に学習を行 つ た神経回路モデルの重み係数の大小、 あるいは結合状 態に着目 して、 原因と結果と の関係を 自動的に、 抽出 - 獲得する こ と ができ る よ う に した。 これによつ て、 履歴 情報に埋もれた知識を 自動的に、 あるいは半自動的に順 次データ ベース化あ る いは知識べ一ス化する こ と ができ る 。 こ こで、 半自動的とはオペ レータ との対話を意味す る。 こ の知識ベースによっ ても、 時間と共に変化する現 象を取 り扱う各種プロ セスの運転を支援する こ と ができ る。 図面の筒単な説明

第 1 図は本発明 を浄水場の運転支援に適用 した実施例 の構成を示すブロ ッ ク 図、 第 2図は実施例での具体的手 順の フ ローの説明図、 第 3 図はニューラルネ ッ ト ワーク を示す模式図、 第 4 図はニューロ ン素子モデルを示す模 式図、 第 5 図はニ ュー ロ ン素子モデルでの信号変換を示 すグラ フ、 第 6 図は想起に用いるニューラルネ ッ ト ヮ一 ク を示す模式図、 第 7 図は本発明の他の実施例の説明図、 第 8 図〜第 1 0 図はそれぞれ本発明を凝集剤注入に適用 したニューラルネ ッ ト ワーク の構成例を示す模式図、 第 1 1 図〜第 1 3 図は本発明の更に他の実施例の説明図、 第 1 4 図は本発明の別の実施例の説明図、 第 1 5 図は本 発明の更に別の実施例の説明図、 第 1 6 図および第 1 7 図は本発明の今一つの実施例の説明図、 第 1 8 図および 第 1 9 図は他の実施例の説明図である。 発明を実施するための最良の形態

本発明は、 時間 と共に変化する多数の入力変数値のパ タ ー ン の中で、 異な る時間の代表的なパタ ー ン を、 （1 ) 神経回路モデル （ニューラルプ□セ ッサ） によ り学習、 ( 2 )学習結果に基づいて運転を支援、 （3 )学習結果からの 知識の獲得及び知識候補の蓄積、 （4 )知識候補の知識と し て の妥当性診断、 （5 )知識と推論に基づ く 運転支援、 等を行う も のであ る 。 パタ ーンは多変数の過去の履歴、 ある いは現在のパタ ー ンである。 これらの詳細説明は後 述する が、 こ こで、 多変数とは、 時間的に変化するすべ ての変数を対象にする。 したがって、 本発明は、 各種の 情報処理プロセスある いはプラ ン ト に適用できる。 こ こ では、 一実施例と して浄水場の蓮転支援に利用 した場合 を第 1図を用いて以下に説明する。

最初に、 第 1 図全体の構成と動作を説明する。

まず、 浄水場の フ ローを説明する。 第 1 図において着 水井 9 には、 河川や湖沼 （図示せず） から原水が導かれ る 。 原水は着水井 9 から急速混和池 1 0へ導かれ、 急速 混和池 1 0 では、 凝集剤タ ン ク 1 1 Aの中の液体状の凝 集剤 （ポ リ塩化アル ミ ニウム、 硫酸アルミ ニ ウムなど） が凝集剤注入ポンプ 1 2 Aで注入される。 フ ロ ッ ク形成 を促進する ために、 水酸化カルシ ウムまたは炭酸ナ ト リ ゥ ムな どのアルカ リ 剤がアルカ リ 剤タ ンク 1 1 B からァ ルカ リ剤注入ポンプ 1 2 B によ り注入される。 急速混和 池 1 0 内は、 撹拌翼 1 4 が撹拌機 1 3 によ り撹拌され、 原水中の O.Olran前後の懸濁微粒子を 0.1 前後のマイ ク 口 フ ロ ッ ク とする 。 こ の水はフ ロ ッ ク形成池 1 5 に導力、 れ フ ロ ッ ク に成長する 。 フ ロ ッ ク形成池 1 5 は複数の池 1 5 A， 1 5 B 及び 1 5 C からな り 、 各池に撹拌パ ドル 1 7 A， 1 7 B 及び 1 7 C が設置さ れ、 これ ら が緩やか に回転する 。 こ の撹拌によ り粒径が 1 ran前後の フ ロ ッ ク に成長する 。 成長 したフ ロ ッ ク は沈殿池 1 6で沈降して 上澄み液が濾過池 1 7 で濾過される。 濾過池 1 7 には、 洗浄水タ ン ク 1 8 か らポン プ 1 9 に よ り逆洗水が間欠的 に噴射さ れ、 滤床 を洗浄する 。 滤過水は、 浄水池 2 0 と 配水池 2 1 に一且貯留 さ れ、 ポ ン プ 2 2 に よ り 配管網 2 4 を介 して需要家へ送水さ れる 。 圧力 と流量と の制御 の ため にバルブ 2 3 A， 2 3 B， 2 3 C が設置さ れる 。 な お、 殺菌のため に塩素容器 2 5 の塩素が塩素注入機 2 6 によ リ着水井 9 と浄水池 2 0 と に適量注入される。

次に、 計測器につ いて説明する 。 原水の水質を計測す る ため に、 着水井 9 に計測器 5 Aが設置さ れる 。 計測項 目 は、 水温、 濁度、 アルカ リ 度、 p H、 電気伝導度、 残 留塩素濃度、 塩素要求量、 水量、 水位な どであ る 。 フ ロ ッ ク 形成池 1 5 C には、 水中カ メ ラ な どの撮像手段 5 B が設置さ れ、 必要に応 じて急速混和池 1 0や フ ロ ッ ク形 成池 1 5 Α， 1 5 Β , 並びに沈殿池 1 6 に も設置す る 。 沈殿池 1 6 には、 濁度計 5 C が設置される 。 濾過池 1 7 の計測器 5 Dの計測項 目 は、 損失水頭、 水位、 濁度、 残 留塩素濃度、 Ρ Η、 濁度、 流量な どであ る 。 浄水池 2 0 及び配水池 2 1 での計測器 5 Ε と 5 F の計測項 目 は、 水 位、 濁度、 残留塩素濃度、 Ρ Η、 濁度、 流量、 水圧、 水 温な どであ る 。 配管網 2 4 に設置さ れる計測器 5 Gの計 測項 目 は、 濁度、 残留塩素濃度、 Ρ Η、 流量、 水圧、 水 温などである。

次に、 こ れ ら計測値の コ ン ピュータ システム 8 0への 入力処理と記憶について説明する。

前述 し た各種計測器のデー タ は コ ン ビユ ー 'タ シ ステ ム 8 0 に入力 さ れ る 。 計測器 5 Α ， 5 C , 5 D , 5 Ε , 5 F , 5 G で得 られた各種のデー タ は、 所定の時間間 隔（ 1 分ない し 1 時間）毎にサンプ リ ン グさ れる 。 これ ら の 各 信 号 5 A S , 5 C S ， 5 D S , 5 E S , 5 F S , 5 G S は、 入力ポー ト 5 6 A を通 じ、 システムバス 5 2 を 経て記憶装置 5 4 に袼鈉さ れる 。 同時に、 記憶装置 5 4 はシステムプロセ ッサ （ S P ) 4 2で処理された各 種処理データ も格納する。 なお、 撮像手段 5 B から得ら れたフ 口 ッ ク の濃淡画像のアナロ グ電気信号 5 B S は、 画像処理装置 4 0 においてディ ジタル信号に変換後、 画 像処理される。 モニタ 5 0 は画像処理装置 4 0 の処理状 況を出力する。

こ こで、 画像処理装置 4 0 の機能は、 発明者らがこれ まで提案 （例えば特願昭 61-82952号） してきた各種の処 理を行う ものであ り 、 以下に概略を説明する。 撮像手段 5 B で得た濃淡画像を 2値化して 2値画像に変換し、 2 値画像か ら フ ロ ッ ク の各々の面積、 体積、 代表直径、 形 状な どを計算する。 ついで、 粒径分布、 個数、 分布の統 計的代表粒径、 分布の幅 （標準偏差など） 、 フ ロ ッ ク の 形状特性、 フ ロ ッ ク形成量、 フ ロ ッ ク輝度、 背景の輝度、 フロ ックの密度などの特徴量を計算する。 必要に応じて、 計測器 5 A， 5 Cの値を使用 して総合的に処理状況を把 握する。

続いて、 コ ン ピュータ システム 8 0 の構成をさ らに説 明する。 .システムバス 5 2 にはシステムプロセ ッサ 4 2、 画像処理装置 4 0、 記憶装置 5 4 、 ニ ュ ーラルプロセ ッ サ （ N P ) 7 0、 知識ベ ー ス 6 0 A、 知識候補ベ ー ス 6 0 B , 推論機構 6 1 が各々 接続さ れて いる 。 システム プロ セ ッ サ （ S P ) 4 2 には キーボー ド 4 4 と ディ スプ レ イ 4 6 と が接続さ れる 。 キーボー ド 4 4 からの入力項 目 は、 （1)画像処理装置 4 0 の操作条件、 （2)ニューラル プ ロ セ ッ サ 7 0 の計算条件、 （3)オペ レー タ が水質情報 と画像情報と について持っ ている知識などである。 なお、 (1)画像処理装置 4 0 の操作条件の設定の ため に専用の キーボー ド を設置す る場合も あ る。 システムプロ セ ッサ 4 2 は こ れ ら の （1) (2) (3)の条件 を統括制御 し 、 必要に 応じて推論機構 6 1 の動作を制御する。

次に、 コ ン ピュ ー タ システム 8 0 からの出力 を説明す る 。 コ ン ピュ ータ システム 8 0での処理結果は、 出力ポ ー ト 5 6 B を通 じて、 凝集剤注入ポンプ 1 2 A、 アル力 リ剤注入ポンプ 1 2 B、 撹拌機 1 3、 撹拌パドル 1 7 A , 1 7 B , 1 7 C、 ポ ン プ 1 9 、 塩素注入機 2 6、 ポンプ 2 2、 ノ ルブ 2 3 A， 2 3 B , 2 3 C な どに対 し て、 制 御用の出力信号 1 2 A S , 1 2 B S , 1 3 S , 1 7 A S , 1 7 B S， 1 7 C S， 1 9 S , 2 6 S , 2 2 S , 2 3 A S , 2 3 B S , 2 3 C S と して送信さ れる 。 こ れ ら の信号は 前記各機器の動作を制御する。 各機器で行う 制御項 目 を 以下に説明する。

凝集剤注入ポンプ 1 2 Αでは凝集剤注入制御、 アル力 リ 剤注入 ポ ン プ 1 2 B では アルカ リ 剤注入制御、 撹拌 機 1 3 では急速撹拌制御、 撹拌パ ドル 1 7 A， 1 7 B， 1 7 Cでは緩速撹拌制御、 ポンプ 1 9 では逆洗制御、 塩 素注入機 2 6 では前塩素注入制御と後塩素注入制御、 ポ ン プ 2 2 と ノ ルブ 2 3 A， 2 3 B , 2 3 C では、 配水流 量制御と配水圧力制御である。 この他、 詳細は省略する が、 流量や水位制御な ど浄水場の維持管理に係る各種の 制御を実行する。

制御方式の概略を以下に説明する。 制御方式は （ I ) 計測情報に基づき、 計測情報間、 あるいは計測情報と出 力情報 （制御情報） と の関係をモデル化 し、 このモデル に基づいて出力 を制御する従来の制御方式と、 （ Π ) 履 歴の学習に基づく 支援方式と に分けられる。 こ こでいう 「制御」 と は、 オペ レータへの間い合わせな く 実行され る 自動操作を指し、 「支援」 とはオペ レータ ガイダンス を意味し、 主と してディ スプレイ 4 6 など （処理に応じ て音声を用いる） を用いて参考データ及び運転ガイダン ス を報知する こ と、 並びに、 オペレータ の了解が得られ た場合だけ制御を行う操作を指す。

次に、 （ Π ) を実行する場合の手順の概唣を以下に説 明する 。 （ Π ) の支援は、 本実施例では、 （1 )各種の計 測情報の履歴をニューラルプロセッサ 7 0 によ リ学習、 ( 2)学習 した結果に基づいて運転を支援、 （3)学習した結 果の中か ら知識及び知識候補を抽出、 （4 )知識候補の知 識と し て の妥当性診断、 （5)知識と推論に基づ く 運転支 援、 の 5 段階か ら な る。 こ こで、 「知識」 とは、 原因と 結果を関連づける一定のルールを指し、 知識には経験的 知識と科学的知識と がある。 一方、 「知識候補」 と は、 あ る事象 A と ある事象 B と の対 （事象 Aが成り立つ時に 事象 B が生 じた） を表おす。 このよ う な事象の対は偶然 発生する こ と も あ り 、 必然的あるいは経験的な知識とい えない場合が多いが、 中には知識とみなせるものもある。 したがっ て、 知識と は認知されないが、 多数回起きる場 合には知識と なる よ う な事象を指す。 これら知識あるい は知識候補は、 それぞれ知識ベース 6 O A と知識候補べ ース 6 0 B に格納される。

なお、 場合に よっ ては、 前記学習工程および支援工程 のみを利用することも可能である。

次に、 各制御方式の具体的手順について説明する。 ま ず、 （ I ) 変数間の関係を現象論的に表わすモデルに基 づく 制御方式について説明する。 これは、 従来の方式で あ る が、 例えば計測器 5 Aで原水の水質 （水温、 濁度、 アルカ リ度、 P H、 電気伝導度、 残留塩素濂度、 塩素要 求量、 水量、 水位） 及び、 撮像手段 5 B と画像処理装置 4 0 で計測 したフ ロ ッ ク形成状況を入力変数と し、 これ ら変数の関数と して凝集剤注入量を決定する。 決定のた めのモデルは実験的にあるいは経験的に明らかになっ た 式を適用する 。 例えば、 濁度については濁度が高い程、 凝集剤注入量を増加させる。 こ の制御操作は、 オペ レー タ への問い合わせな く 実行される。 なお、 こ の方式は従 来公知の技術であ る ので （例えば、 水道協会雑誌、 第 4 3 1号、 第 28頁、 昭和 45年 8月発行を参照）、 詳細な説明 は省略する。

次に、 本発明に関する （ Π ) 履歴の学習に基づくま援 方式と手順の詳細について説明する。 その前提と して、 本発明における 「ま援 j の考え方を説明する。

本発明の支援方法は、 運転員が過去の履歴情報を思い た'して、 この記憶に基づいて蓮転した場合と同等の結果 を得るために、 運転員に対してグラ フ表示によ リ ガイダ ンスしたり、 自動的に運転を行うものである。 たとえば、 運転員は、 経験的に複数の変数 の表れ方の代表的な ノヽ⁰ターンをよ く覚えている。 こ こで、 Γパターン」 とは、 ' あ る時刻における変数 X iの値 Y iの集合を さす。 他方、 あ る変数 X iについて普通でない異常な事象が起こっ た 場合、 この こ と も よ く 覚えている。 また、 この時、 同時 に他の変数 X jについても普通でない （異常な） 事象が 起こっていたら、 これらの原因をあれこれ考える。 も し、 ある変数 X iが制御したい変数でぁ リ、 他の変数 X jが変 数 X iを制御する変数であ る場合に、 過去の異常時にお いて変数 の操作によ リ変数 X iを う ま く 制御できた経 験があるな ら、 こ の過去の経験を参考に して、 あるいは 同 じ よ う な操作方法で運転するであ ろ う 。 変数 X iの表 れ方がまっ た く 同 じな らばそのまま制御すればよいが、 実際には変数 X iの表れ方は微妙に異なる。 したがって、 良好な結果を得る よ う に操作する こ とは、 人間には可能 であるが、 人工的にこれを実現する こ とは困難であった。 人間は、 過去の履歴を経験と してもつており、 こ の経験 か ら総合的に状況 を判断する。 本方法はこのよ う な運転 を 自動的に う方法 を提供する も のであ る 。 本実施例で は浄水場運転の全般について説明する。

(以下余白）

続いて、 （ Π ) 履歴の学習に基づく支援方式と手順の 詳細について第 2図を用いて以下に説明していく 。

( Π ) の支援は、 前述 したよ う に、 （1)〜（5)のステツ プか ら な る 。 （1)の学習工程 7 1 では、 各種の計測情報 の履歴パタ ーン P 1 (tj， P₂ (t₂) , … （Pi(ti)の説明は 後述する） を ノヽ。タ ーン フ ア イ ソレ 7 1 S か ら 二 ユ ーラゾレプ 口 セ ッ サ 7 0 で学習する も のであ る 。 学習すべ き履歴 パタ ーン の選択法については後述する。 （2)の支援工程 7 2 では学習 し た結果に基づいて運転を支援する。 （3) の知識抽出工程 7 3 では学習した結果の中から知識及び 知識候補 を抽出する。 （4)の知識診断工程 7 4 では知識 候補が知識と して妥当である か否かを診断する 。 （5)の . 運転支援工程 7 5 では、 本学習で得られた知識群とあ ら か じめ入力された知識群に基づき運転支援を行う 。 これ ら （2)〜（5)の工程はシ ステ ム プ ロ セ ッ サ 4 2 に よ り 行 い、 必要に応 じて、 キ一ボー ド 4 4、 ディ スプレイ 4 1 を操作する と共に、 知識ベース 6 0 A と知識候補ベース 6 0 B にアクセスする。

なお、 こ こ で知識と は Γも し…な らば、 …である」 と いう型式のルールである。

以下に、 各工程の内容を詳細に説明する。

(1)の学習工程 7 1 を以下に説明する 。 こ こで、 履歴 情報と して取 り扱う変数は、 データ と して記憶される総 ての変数が対象となるので、 これについてまず説明する。 すなわち、 こ こでい う変数とは計測器 5 Aで計測した水 温， 濁度， アルカ リ 度， p H， 電気伝導度， 残留塩素濃 度， 塩素要求量， 水量， 水位、 撮像手段 5 B と画像処理 装置 4 0 で計算した フ ロ ッ ク粒径分布， 個数， 分布の統 計的代表粒径， 分布の幅， フ ロ ッ ク形状特性， フ ロ ッ ク 形成量， フ ロ ッ ク輝度， 背景輝度， フ ロ ッ ク密度， 濁度 計 5 Cで計測した濁度、 計測器 5 Dで計測した損失水頭， 水位， 濁度， 残留塩素濃度， P H， 流量、 浄水池 2 0及 び配水池 2 1 の計測器 5 E と 5 Fで計測した水位， 濁度， 残留塩素濃度， p H， 流量， 水圧， 水温、 配管網 2 4 の 計測器 5 G で計測 し た濁度 ， 残留塩素濃度， p H， 流 量， 水圧， 水温な ど、 入力ポ一 卜 5 6 Aから入力される 変数であ る 。 これ らの変数を Xiと表わす こ と にする 。 ま た、 あ る 時刻 における これ ら変数 Xiの と る値 Yi の集合をノ、⁰タ ーン 1 と して P i CY ^ t , Y ₂ ( t χ) , … Υ„ ( t ,) ) と表す。 略記する時は P ^ t i ) とする。 異 な る時刻におけるノ、⁰タ ーン P （ t ) , P ₂ ( t ₂ ) , … を 学習させる 。 なお、 本実施例では、 一般化した説明を行 う ため に、 これ ら変数全てを入力 して学習するが、 目的 に応じて変数を取捨選択することはいう までもない。

これ ら の変数の値はニューラルプロセ ッサ 7 0 の中で 処理 （学習） される が、 この処理方法を第 3 図を用いて 説明する。

まず、 記号 を説明する 。 第 3 図で、 記号 "〇 " はニュ 一ロ ン素子モデル 7 0 1 であ り 、 " Ο " と "〇 " と を連 結する実線 7 0 2 はニュー ロ ン素子モデル 7 0 1 間の情 報のや り と り があ る こ と を示す。 ま た、 ニュ ー ラルプ 口 セ ッ サ 7 0 は入力層 7 1 0 と 中間層 7 2 0 と 出力層 7 3 0 と からなる。 こ こで、 各層は有限数のニューロ ン 素子モデルからな リ 、 膦接する各層のニューロ ン素子モ デル間が連結される。 中間層 7 2 0 は複数層あってよい が、 本実施例では説明の簡略化のため中間層の数が一つ の例を示す。 なお、 第 3 図は学習時の構造を示し、 第 6 図は学習後の利用時の構成を示してお り、 これらの構成 をニューラルネ ッ ト ワーク （神経回路モデルまたは神経 回路網） と称する。

こ こで、 入力層 7 1 0 と 出力層 7 3 0 と の変数設定に ついて説明する。 入力層 7 1 0 には原因と なる変数を付 与し、 一方、 出力層 7 3 0 には、 これら原因に基づいて 決め られる制御変数 （制御したい変数） を付与する。 つ ま り 、 出力層 7 3 0 の変数'と して、 本実施例では制御変 数を設定する。

以下 に 、 さ ら に具体的 に説明す る 。 ま ず、 入力層 7 1 0 の各ニューロ ン素子モデルには前述したパターン P i ( t i) を ノヽ。タ ー ン フ ァ イ ル 7 1 S か ら入力する 。 こ れ ら の値は最小値を " 0 " 以上、 最大値を " 1 " 以下に するよ う に、 スケールを調整しておく こ と が望ま しい。 他方、 出力層 7 3 0 の各ニ ュ ー ロ ン素子モデル及び、 教 師信号層 7 5 0 には出力ポー ト 5 6 B から出力される信 号を設定する。 すなわち、 これ らの信号は、 凝集剤注入 ポンプ 1 2 A制御のための信号 1 2 A S、 アルカ リ剤注 入ポンプ 1 2 B 制御のため の信号 1 2 B S、 撹拌機 1 3 制御 の た め の 信号 1 3 S、 撹拌パ ド ル 1 7 A， 1 7 B 及 び 1 7 C 制御 の た め の 信号 1 7 A S ， 1 7 B S 及 び 1 7 C S、 ポンプ 1 9 制御のため の信号 1 9 S、 塩素注 入機 2 6 制御のため の信号 2 6 S、 ポンプ 2 2制御のた め の信号 2 2 S、 ノ ルブ 2 3 A， 2 3 B 及び 2 3 C制御 の た め の信号 2 3 A S ， 2 3 B S 及び 2 3 C S であ る 。 これ ら の信号の値か ら な る 目標パタ ーン を C (Pi (ti) ) と 記す。

こ こ で、 ニ ュ ー ロ ン素子モデル 7 0 1 の基本演算につ いて第 4 図 を用 いて説明 してい く 。 こ こでは、 n個の変 数 （ X i〜 X _n ) が入 力 さ れる例 を示す。 あ る 時刻 t に おけ る変数 Xi Xnの各信号の値を Y^ t J Y t J とする。

まず、 時刻 t iの設定法について説明する 。 時刻 t の ノ タ ー ン を _{P i ( t l} ) とする 。 時刻 1^はオペ レ ー タ が選 択する場合 と 、 自動的に選択する場合がある 。 オペ レー タ が選択する場合 と は、 後で運転に反映させたい と考え る よ う な、 代表的なパタ ーン P ^^ t i)や、 後 日参考に し たい異常時のパタ ー ンである。 これ ら をパタ ー ン フ ア イ ル ₁ ( 1： に格納す る 。 結果的に、 ニューラルネ ッ ト ヮ ーク は こ れ ら学習 し た内容に応じて動作するので、 この 選択は重要であ る 。 オペ レータ に選択を ま かせる のは、 こ のオペ レ ー タ の持つ経験的で総合的なデータ 判断能力 に頼る も のであ る 。 こ の場合、 学習させるパタ ー ンは、 異なる時間における複数のパタ ーン P i ( ）， P ₂ (t₂ ) , …であ り 、 これ ら複数のパターンを繰返し学習させる。 これによ リ 、 オペ レータ の過去の経験に匹敵するパター ン把握能力 をニューラルネッ ト ワーク が身につける。 ォ ペ レ 一 タ に よ る学習は キ一ボー ド 4 4 と ディ スプ レ イ 4 6 と を介するマンマシン会話によ り行う 。

他方、 自動的に行う場合には、 事前にデータ列の統計 解析を必要とする 。 すなわち、 最も発生頻度が高い場合 を統計解析に よ り求めて定常時とみな してこれを学習さ せ、 一方で、 発生頻度が低い場合を異常時とみな してこ れを学習させる。

具体的なパタ ー ンの選択法と しては、 以下の方法も有 効である。

(1)処理が成功 した と き（例えば、 沈殿池濁度が lmg/ β 以下）：この と き の条件を 自動的にまたはオペレータ に間 いあわせを行った後、 神経回路モデルに学習させる。

(2)処理が失敗 したと き：このと きの条件は学習しないよ う にする。

これ ら （1)， （2)の操作を繰返 し行う こ と によっ て、 処 理が成功した場合だけを選択的に学習することができる。 したがって、 学習内容が次第に追加されていく につれて、 神経回路モデルが賢明になる効果がある。 すなおち、 後 述する想起誤差が次第に減少して精度が向上してい く効 果がある。

以下では、 し ば ら く 、 任意のパタ ーンを学習させる方 法について説明する。

また、 後で詳細に説明する が、 これ ら異なる時刻での 変数のパタ ーン P i ( ）， P ₂ (t₂)， … を同時に入力層に 入力す る こ と 、 さ ら に変数の時間的偏差 Pi (ti)-Pj (t:j) をも入力する こ と 、 並びに定常時と非定常時と を別々 の ニューラルネ ッ ト ワーク に学習させる こ と等によ り、 本 発明の 目的はさ らに効果的に達成される。

ニ ュ ー ラ ルネ ッ ト ワー ク での基本的な計算方法を以下 に説明する 。 まず、 設定された信号値 〜 。の各々 に 重み係数 Wjiを乗 じ、 さ ら にこれら を加算する演算 （積 和演算） が次式で計算される。

Zj(2)=∑ W (2—1) · Yi(l) -(i)

こ こ で、 Yi (1) ·· 入力層 （第 1 層） の Xiの値、 W (2 1) : 入力層 （第 1 層） の i 番 目 の変数か ら 中間層 (第 2層） の j 番 目 のニューロ ン素子モデルへの重み係 数、 Z j (2) : 中間層 （第 2層） の j 番目 のニューロ ン素 子モデルへの入力総和値、 である。

ニュー ロ ン素子モデル 7 0 1 では、 Z j (2)の大小に応 じてこ こでの出力値が次式で計算される。

- j(2)

Ύ j(2) = 1 / ( 1 - e ) …（ ）

( ii )式の計算内容は第 5 図のよ う な関係である。 すな わち、 同図の グラ フ に示すよ う に、 (2)の値に応じて " 0 " から " 1 " までの間の値が Y j (2)と して得られる。 計算値 Y j (2)は、 さ ら に出力層へ送られ、 出力層でも同 様の計算が実行される。 次に、 ニューラルネ ッ ト ワークでの計算方法の概要に ついて説明する 。 前述した変数 Xiの値 Yi(l)は第 3 図 の入力層に入力 さ れ、 この信号 （値） は中間層のニュー ロ ン素子モデルに出力される。 中間層のニューロ ン素子 モデルでは これ ら 出力値 Yi (1)と重み係数 W:U(2 1)と の積和 Z j (2)を（ i )式で計算し、 この大小に応じて出力 層への出力値 Y j (2)を （ ΰ )式で決定する。 同様に して、 中間層の出力値 Y j(2)はさ らに中間層 （第 2層） と出力 層 （第 3層） と の重み係数 Wi;j(3<"2)と の積和 Zj(3)を 次式で計算する。

Zj(3)=∑ Wji(3<-2) · Yi(2) -(iii)

ここで、 Yi(2) ·· 中間層 （第 2層） の値、 Wji(3— 2) ： 中間層 （第 2層） の i 番目 の変数から出力層 （第 3層） の j 番目のニューロン素子モデルへの重み係数、 Z j(3) : 出力層 （第 3層） の j 番目 のニューロ ン素子モデルへの 入力総和値、 である。

さ ら に、 Z j (3)の大小に応 じて出力層 7 3 0 への出力 値 Y j(3)を次式で計算する。

- Z j(3)

Y j(3) = 1 / ( 1 - e ) … O) こ の よ う に して、 出力層の計算値 (3)が得 られる。 ニ ュ ー ラ ルネ ッ ト で の学習 を実行す る に は、 出力層 7 3 0 の 後 に 、 さ ら に 第 3 図 に 示す よ う に 、 比較層 7 4 0 と教師信号層 7 5 0 と を設け、 出力層 7 3 0 の信 号 7 3 0 S と 教師信号 7 5 0 の教師信号 7 5 0 S と が比 較層 7 4 0 に入力 さ れ、 こ こで出力信号 7 3 0 S と教師 信号 7 5 0 S と が比較さ れ る 。 こ の誤差が小さ く な る よ う に、 重み係数 W （3 2)及び W （2 1)の大き さ を修 正す る 。 こ の修正値を用いて再度、 （ i )〜（iy )式の計算 並びに教師信号 と の比較を行う と、 同様に誤差がでて く る 。 こ の誤差が小さ く な る よ う に再度重み係数 Wji(3 2)及び Wji(2 1)の大きさ を修正する。 このよ う に して、 重み係数 Wjiを繰返 し修正 していき、 誤差が十分小さ く な る まで続け る 。 最初は重み係数はラ ンダムに （乱数で 発生） 与え る ので、 誤差は当然大き いが、 出力信号値は 次第に教師信号値に近づいてい く 。 したがっ て、 入力層 7 1 0 の変数 Xiか ら 出力層 7 3 0 の変数 がい かに決 定さ れたかが， 重み係数 Wjiの分布に反映さ れて い く 。

こ の よ う に誤差 を 修正 し て い く 方法は誤差逆伝搬法 と よ ば れ 、 Rumelhart ら に よ っ て 考案 さ れ た公知技術 を 利 用 す る 。 詳 細 は 文 献 （Rumelhart ： Parallel Distributed Processing , MIT Press, Vol.1 , (1986) ) を 参照されたい。

こ の よ う な学習そ の も の は公知である が、 本発明は、 特に、 異な る時刻に おける変数群の複数個のパタ ーン を 繰返 し学習させて、 これによ り、 オペ レータ の過去の経 験と同等の作用を持たせるよう にした点に特徴を有する。 複数個のパタ ーン と は、 オペレータ が過去において重要 と判断 し たパタ ー ン P i ( t i ) である。 これによ り オペ レータ の過去の経験に匹敵するパターン把握能力がニュ 一ラルネ ッ トの重み係数 Wjiの分布に反映、 蓄積、 記憶 されてい く 。

なお、 本実施例ではこの計算はニューラルプロセ ッサ

7 0 で行う例を説明 したが、 システムプロセッサ 4 2で 行う こ と もでき る 。 いずれにせよ、 本発明は、 運転支援 にニューラルネ ッ ト を適用するものであるから、 機能的 にはこれまで説明 したニューラルプロセ ッサ 7 0 の機能 を持たねばならない。

次に、 第 2 図のま援工程 7 2 を説明する。 こ こでは学 習工程 7 1 での学習結果に基づいて運転を支援する。 前 述 したよ う に、 ニューラルネ ッ 卜には過去の経験が重み 係数 Wijの値の分布に付与されてい る。 そ こで、 現時刻 t の変数 Xiの値 Yi( t ) か ら な るノヽ。タ ーン P i ( t ) を 入力層に入力する こ と によ り、 結果と して出力層と して 設定された制御変数 の値が計算される。

この計算は第 6 図に示すよ う に、 入力層 7 1 0、 中間 層 7 2 0、 出力層 7 3 0 からな るニューラルネ ッ ト ヮ一 ク（第 3 図の一部である）を用いて計算する。

こ の計算は学習 して決め られた重み係数 Wijの下で、 現時刻 t でのノ、。タ ーン P i ( t ) を用いて（ j )〜（ iv )式を 計算する も のであ り 、 この計算を 「想起」 と い う こ と に する。

想起 し た結果 を ディ ス プ レ イ 4 6 に表示 し運転 を 支 援す る 。 す なわち 、 オペ レ ー タ は こ の表示結果 を参考 に し て運転で き る 。 自動的 に行 う 場合 に は、 ノ、。タ ーン

P i (t)の時の想起結果 を 目 標と して、 この 目標パタ ーン C (Pi (t) ) に な る よ う に、 各制御信号 5 6 B S を設定す る 。 な お、 想起に よ る計算値は、 学習 し たパタ ーンに依 存す る ので、 学習パタ ーンは異な る時刻での代表的なパ タ ー ン、 あ る い は注 目 すべき異常時のパタ ーンでなけれ ばな らないこ とは前述した通 り である。

続いて、 知識抽出工程 7 3 を説明する。 この知識抽出 工程 7 3 では、 学習 し た結果の中から知識及び知識候補 を抽出する 。 抽出法は 3段階になっ てい る が、 まず、 重 み係数に着 目 し た抽出法を説明す る 。 入力層 7 1 0 に設 定す る変数 Xiと 出力層 7 3 0 に設定する変数 と の関 係は、 変数 Xiが原因で、 変数 が結果とみなせる 。 し た がっ て、 変数 X iか ら変数 X «5を導 く 想起の計算では、 変数 に影響する変数 Xiの数は限られる。 影響の度合 いは重み係数 Wijにあ る ので， 重み係数 Wijの絶対値が 大き いほ ど影響の度合い が大きい こ と になる。 し か し、 変数 Xiか ら変数 を想起す る には複層から な る ニュー ラルネ ッ ト ワ ー ク の計算式（ i )〜（ iv )を ， W ji (2 1)と Wji (3 2) と を用 いて実行 し な ければな らず、 いずれの 重み係数が効いて い る かあ か ら さ ま には見えない。 そ こ で、 変数 Xi (原因） と変数 (結果） との関係を総合 的に評価する指標と して、 次式で定義される 「因果性尺 度」 I jiを用いる。

Iji=∑ I Wjk(3 2) · Wki(2<-1) (v)

k=l こ こで、 mは中間層のニューロン素子モデル数である。 これは変数： iから変数 にいたるすべての重み係数 の積和を と つ たものであ るから、 変数 Xiから変数 八 の影響度合いを示す。 知識抽出工程 7 3では、 まず（ V ) 式の計算を行う 。 因果性尺度 I が大きな値を とれば、 変数 Xiと変数 Xjと の因果関係がある可能性が高い。 そ こで、 こ の関係を後述の知識診断工程 7 4 において知識 ま た は知識候補と し て、 知識べ一ス 6 0 A ま たは知識 候補ベー ス 6 0 B に登録する 。 判定基準値を I *と し、 W jk (3 2) · Wki (2 1)の符号を Q とする と 、 次式に示 すよ う に、 Qが正な らば正の因果関係が、 逆に、 負な ら ば負の因果関係があるとみなせる。 例えば、

[知識 1 ] I ji〉 I *， Q > 0 の時は

変数 Xiが増加 した ら、 変数： も増加する。 ……（vi) [知識 2 ] I ji> I *, Qく 0 の時は

変数 Xiが増加 した ら、 変数： は減少する。 ……（ ） な お、 I ji^ I *の と き は、 変数 Xiと変数 と の因 果関係はないもの と みなす。 また、 詳細な説明は省略す る が、 判定基準値 I *と の比較だけで判定せずに、 I ji 値の大き さ を フ ァ ジー推論のメ ンバ一シ ッ プ関数と して 利用すれば、 さ ら に き め こ ま かな対応が可能であ る 。 す なわち、 メ ンバーシ ッ プ関数の 自動生成法と して利用で きる

以下に、 診断 （問 い合わせ） の内容を具体的に説明す る。

(a)因果性尺度の問い合わせ ：

(al) I ji> I *な らば

Xiと と の関係 （例えば（vi) , (νΰ)の関係） をオペ レー タ に問 い合わせ、 因果関係があ る と判断 した ら、 これ を 、 知識ベース 6 O Aへ登録する 。 因果関係がな い と判断 し た ら 、 こ れ を 、 知識候補ベース 6 0 Bへ登 録する。

(a2) I ji< I *な らば

Xiと と の関係はオペ レータ への問い合わせな し に 知識候補ベース 6 0 B に登録す る 力、、 場合に よ っ ては 棄却する。

I ji< I *の場合 に は変数 Xiと と を結ぶ線 7 0 2 を 削除す る こ と に よ リ 、 結線構造を简略化する こ と がで きる。 この場合、 計算速度が向上する効果がある。 また、 中間層の数 自体 を変更する こ と も考え られる 。 こ のよ う な、 構造の変更は、 有限回の学習後に行う こ と が好ま し い

なお、 各判定に基づいてオペ レータ への問い合わせを せずに、 自動的にこれ らの操作を行う こ と も可能である。 この場合には、 以下の様になる。

(a)因果性尺度の問い合わせ ：

(al) I ji> I *ならば

Xiと； との関係を知識ベース 6 O Aへ登録する。

(a2) I ji< I *ならば

Xiと と の関係を知識候補ベース 6 0 B に登録する。 以上の様に して知識と知識候補と を分類するが、 知識 候補と診断さ れても、 その知識候補は実際には才ペ レ 一 タ が意識していない知識である可能性もある。 そこで、 知識候補ベー ス 6 0 B に登録さ れた知識候補は、 その事 象が複数回発生する よ うであれば、 再度オペ レ ー タ に問 い合わせ、 知識候補が知識と して妥当であるか否かを診 断する。

運転支援工程 7 5 では、 知識ベー ス 6 O Aにあ らかじ め入力された知識群も含めて運転支援を行う。 すなわち、 知識ベー ス 6 0 A には、 予め、 明 らかになつている知識 (経験的、 科学的知識など） を格納しておく 。 したがつ て、 知識ベース 6 O Aには、 各種の知識が多数格納され てい く 。 これ ら に基づいて推論機構 6 1 を騸動させ、 結 論を導き、 ディ スプレイ 4 6 に表示する。 必要に応じて 記憶装置 5 4 のデータ も利用する。 推論方法は前向き推 論と後向き推論な ど従来の技術が適用できる。 結果を用 いて、 目標パタ ー ン C (Pi (ti) )を定める信号 5 6 B を出 力する。

以上の よ う に して、 本発明では、 過去の異なる時刻で の運転履歴を必要に応 じてニューラルネ ッ ト ワ ーク に学 習させ、 過去の運転と 同様な運転を支援する こ と ができ る 。 さ ら に、 知識の獲得をオペ レータ と の対話を通 じて あ る いは 自動的に行う こ と ができ る。 こ の方法は、 過去 の運転 と 同様の運転を行う こ と が可能であ る ばか り でな く 、 知識が時間と共に増大するので、 オペレータ と同様、 ニュ ー ラルネ ッ ト ワー ク も実鑌と経験と を積むこ と に よ リ 、 次第に緊明になる機能を有する。

次に、 他の実施例 を第 7 図 を用いて説明する 。 こ の実 施例は先に説明 した第 2 図の実施例と 同様の構成であ る が、 以下（a) (b) (c)の 3点が異なる。

(a)、 入力層 に入力す るパタ ー ン と して異な る時間の パタ ーン _{P i (ti)}， p ₂ (t₂)を同時に用いる こと、

(b) 、 ノ、。 タ ー ン 間 の 偏差 P i ， ₂ (t ₂ ) = P i (t t ) — P ₂ (t₂)を用いる こ と、

(c) 、 ノヽ⁰ タ ー ン学習させる ニューラルネ ッ ト ワ ー ク を 機能別に （例えば定常時のパタ ーン と非定常時のパタ ー ン） 複数設ける こ と

である。

ノ、。タ ー ン フ ア イ ノレ 7 1 S に は、 第 7 図に示すよ う に、 P (tx ) , P _z (t₂ )及び P ^， ₂ ( t i，₂ ) か ら構成さ れる一 つ の新たなパタ ーン を格納 し、 これを学習工程 7 1 で学 習する 。 こ こで、 t と t ₂ と の時間間隔 て （

)は、 対象 とす る プ ロ セ スの時間変化特性及び制御特性によ つ て異な る値を設定する 。 学習の方法は第 2 図の説明で前 述した通りである。

支援工程 7 2では学習 し た結果に基づいて運転を支援 する。 こ こでは現時刻のパタ ーン P iit と て 時間前の パターン P

及び雨者の偏差 P i- t i- を受けて、 想起の計算を実行する。 計算方法は第 2図の 説明で前述した通リである。

知識抽出工程 7 3、 知識診断工程 7 4、 運転支援工程 7 5の動作は第 2図の説明で前述した通りである。

第 1 図及び第 2図の実施例では、 長期間の履歴を学習 する効果がある が、 第 7 図で説明 した実施例の効果は、 (a)短期間 （ τ 時間のオーダー） で変動する現象の学習 を効果的に行える、 （b)学習させる内容を 目的とする機 能別に分類したニューラルネ ッ 卜ワーク を用いる こ と に よ り オペ レータ の意図を効果的に反映できる、 の 2点で あ る。 すなわち、 （a)については、 変数 Xiの値 Yi( t ) が増加 している場合と減少している場合とで、 制御変数 X J を異なった方法で制御する場合に特に効果的である。 例えば、 プラ ン ト のスタ ー 卜ア ップ時や停止時の制御、 あ る いは、 非定常時や異常時の制御を支援す る の に有 効であ る 。 .（b)については、 プラ ン トの運転形態が状況 (変数 Xiのパタ ーン） に応 じて異なる場合に特に有効 である 。 例えば、 定常時と非定常時との運転は通常異な る指針と方法とで行われる。 このよ う な場合には、 定常 時のニューラルネ ッ 卜 ワーク と非定常時のニューラルネ ッ ト ワーク を別々 に用意し、 状况に応じて使いわける と 効果的である。

以上の よ に して、 本実施例では、 状況の異なる過去 の運転履歴を学習 し、 過去の運転と 同様な運転を支援す る こ と ができ る 。 また、 知識の獲得については、 短期間 で変動する因果関係をも獲得することが可能であるので、 プラ ン トの運転をオペ レータ がきめ こま かに行う よ う に 支援することが可能である。

(以下余白）

以上、 本発明を浄水場への適用 を例に一般的な形で説 明 したが、 具体的な支援 · 制御内容を以下の具体例で説 明する。

入力項目 と して、 計測器 5 Aの計測項目である水温、 濁度、 アルカ リ度、 p H、 電気伝導度、 残留塩素濃度、 塩素要求量、 水量、 水位、 並びに撮像手段 5 B と画像処 理装置 4 0 の計測項目 である フ ロ ッ ク特徴量、 さ ら に濁 度計 5 Cの濁度を入力層に入力 して、 教師信号と して、 凝集剤注入ポンプ制御信号 1 2 A S、 アルカ リ剤注入ポ ンプ制御信号 1 2 B S、 撹拌機 1 3 制御信号 1 3 S、 撹 拌パ ドル制御信号 1 7 A S， 1 7 B S 及び 1 7 C S を設 定すれば、 凝集沈殿プロセス運転支援制御システムとな る 。 こ の システムは凝集剤注入運転支援制御、 アルカ リ 剤注入蓮転支援制御、 急速撹拌運転ま援制御、 緩速撹拌 運転支援制御、 な どか ら構成さ れる 。 な お、 撮像手段 5 B は急速混和池 1 0、 沈殿池 1 6 または濾過池 1 7 に 接地 して、 その画像処理結果を利用する こ ともできる。

こ こで、 本発明を浄水場の凝集剤注入に適用 した具体 例とその効果についてを説明する。

こ の例における神経回路モデルの構成を第 8 図 （第 3 図に対応 してい る） に示す。 こ の神経回路の入力層 7 1 0 はニ ュ ー ロ ン素子モデル 7 0 1 を 5 個有 し、 代 表的な 日 と 時間における原水水温、 濁度、 アルカ リ度、 P H、 及び流量を入力する 。 また、 中間層 7 2 0 はニュ 一ロ ン素子モデルを 3個からな り 、 出力層 7 3 0 と教師 信号層 7 3 0 と はそれぞれ 1 個のニューロ ン素子モデル か らな リ 、 こ こ には凝集剤注入率を設定する。 学習工程 において、 予め選択さ れた日 （時間は一定の時間に予め 決めてお く ） の水質を入力 して学習させる。 この学習ェ 程は、 第 2 図で説明 した学習工程 7 1 に対応する。 学習 に際し、 まず、 蓮転支援を行う 目的で参考にすべき （学 習すべき） 日 を設定する。 浄水処理に失敗した 日 を学習 させる と誤っ た学習になるので、 浄水処理に成功した日 を学習させる こ と が重要である。 次-に、 学習すべき 日 の 設定も重要であ り、 特に、 浄水場では 1 年間 （ 3 6 5 日） の水質の変動や季節の変動が処理性能に大き く影響する ので、 1 年間の変動を まんべんな く取り込むよ う な代表 的な 日 （処理条件） を選択する。 例えば、 1 力 月 に 1 日 を'学習パタ ーン に選ぶ。 こ の選択の基準を以下に示す。 ( 1 )処理結果が良好な場合、 すなわち、 浄水場の実施例 では沈殿濁度が 1 . Om g/ β以下の 日、

( 2 )水質が年間変動する中で代表的な 日、 すなわち、 浄 水場での実施例では春复秋冬の代表的な日、

を少な く とも 1日以上選ぶ。

こ の例では、 1 年間 （ 365日）の蓮転履歴の中から処理 が成功 し た （すなわち沈殿濁度が所定値以下の） と きの 日 と して 1 0 日分 （ 1 日 1条件） の水質を入力 し、 他方、 教師信号と して対応する凝集剤注入率を学習させる。 学 習日数は 5 日ない し 3 0 日分が適している。

学習が終了 した後、 次に、 こ の第 8 図の学習済みニュ 一ラルネ ッ ト に未学習 （355日）の条件を入力 し、 凝集剤 注入率を想起させた。 想起する場合には、 第 8 図の中で 比較層 7 4 0 と教師信号層 7 5 0 と を削除 した構成 （第 6 図の構成に相当） で行う 。 その結果、 想起誤差 （想起 と実測値との差の平均値で定義する） は約 20%であっ た。 凝集剤注入率に換算する と約 3 mg/ £ にな る が、 浄水場 での運転支援には実用でき る。 この具体例によれば、 1 年間の中での僅かな 日数の学習で長期間の種々 の水黉の 日の凝集剤注入率を想起することができた。

次に、 第 9 図に、 ニューラルネ ッ トの入力 と して、 1 曰 のあ る時点の代表水質だけでな く 、 他の時間における 水質をも同時に利用する場合のニューラルネッ 卜の構成 例を示す。 こ の構成は、 第 8 図で説明した入力パターン の う ち偏差を利用 しない場合に相当する。 前記 「他の時 間」 は、 1 時点でも複数時点でもよいが、 この例では 1 時点の場合を説明する。 すなわち、 入力層 7 1 0 には現 在の値と過去 （ある時間前） の値と について、 それぞれ 原水水温、 濁度、 アルカ リ 度、 P H、 及び流量を入力す る 。 したがっ て、 入力層 7 1 0 のニューロン素子モデル は 1 0個必要であ り 、 中間層 7 2 0 には 5個用いた。 出 力層 7 3 0 および教師信号層 7 5 0 には、 それぞれ 1 個 のニューロ ン素子モデルを用い、 第 8 図の場合と 同様、 凝集剤注入率を設定する。 入力層に入力する現在の水質 が Pi iti) , 過去の水賓が P₂ (t₂)にそれぞれ対応する。 こ の過去の値と して、 こ の例では 5時間前の水質情報を用 い る。 したがっ て、 この場合には、 学習する各時点の水 質と 5 時間前の水質の両方を考慮して、 その時点の凝集 剤注入率を い かに設定すべき を学習する こ と になる。 過 去の時間 と しては、 5 時間に限るものではな く 、 1 時間 前ある いは 12時間前等の値であっても よい。 この方法に よ り 、 10日分の水質と凝集剤注入率を学習させた結果、 想起誤差は 17 %であっ た。 第 8 図の例よ り誤差が改善さ れた理由は、 水質の時間的変動を入力層と して考慮した からである。

第 1 0 図のニューラルネ ッ トは、 入力情報と して、 さ ら に時間偏差情報を用 いる場合を示し、 第 7 図で説明 し たもの に相当する 。 こ の例では、 水質の時間的変動を偏 差と して明示的に入力するものである。 すなわち、 入力 層 7 1 0 には、 同時に①現在の値、 ②過去の値、 ③現在 と過去の値の偏差、 の各々 について、 原水水温、 濁度、 アルカ リ 度、 P H、 及び流量を入力する。 第 7 図に対応 させれば、 Pi (tjが現在の水質、 P₂(t₂)が過去の水質、 P Z ( ） = Pi ( ）一 P₂ (t₂)が両者の偏差である 。 この 場合、 ニュ ー ロ ン素子モデルは入力層 7 1 0 に 15個、 中 間層 7 2 0 に 7 個を用いる 。 前記同様、 出力層 7 3 0 お よび教師信号層 7 5 0 には 1 個用い、 凝集剤注入率を設 定する 。 先の例と 同様に して学習させた結果、 1 年間の 想起誤差は、 12 % にまで改善された。 すなわち、 この例 では、 水質の時間変化状況を偏差の値と して明示的に入 力情報に用いた結果、 例えば、 降雨開始時と終了時のよ う に、 水質変動が激しい場合の注入率を よ り 的確に予測 できるよ う になっ た。

なお、 過去の値と して凝集剤注入率も付加すれば、 精 度がさ らに向上する。

さ ら に、 図示しないが、 定常時と しての晴天時 （原水 濁度が 1 0m_g / ώ 以下）の場合と、 非定常時と しての降雨時 (原水濁度が l Omg / β 以上）の場合につ いて、 第 1 0 図の ニューラルネ ッ ト を別個に 2個用意し、 各々独立して学 習させ、 続いて、 前記と同様に想起させた。 その結果、 想起誤差は 7 % に まで改善された。 この こ と は、 降雨時 と晴天時、 あるいは降雨開始時と終了時と を考慮したこ と にょ リ 、 経験登富なオペ レータ の運転法をよ り忠実に 再現できたも のであ る 。 この よ う に、 時間偏差情報をも 考慮する こ と 、 並びに、 機能別のニューラルネ ッ ト を複 数個使用する こ と に よ り、 想起誤差 （運転支援時のガイ ダンス誤差） がよ リ小さ く なる効果がある。

次に、 前述した従来の、 計測情報 （原水水質） と出力 情報 （凝集剤注入率） と の関係をモデル化する方法と本 実施例によ る効果を具体的に比較する。 従来法と して、 標準的な重回帰分析法を採用 した。 この方法は、 1 年間 のすベての原水水質と凝集剤注入率のデータ を用いて、 原水水質と凝集剤注入率のデータ を用いて、 原水水質と 凝集剤注入率と の関係を数式で表わすものである。 この 方法で 1 年間の凝集剤注入率の誤差を計算したと こ ろ、 約 14 % の誤差があっ た。 本実施例では、 計 20日 のデータ しか使用 していないが、 第 1 0図以降の具体例によれば、 1 年間のデータ を用いる この従来法と 同等以上の効果が ある こ と になる。

なお、 本実施例では説明 しなかっ たが、 フ ロ ッ ク形成 状況な どを画像監視 した情報を入力すれば、 さ らに効果 がある 。 その他、 詳述 しないが、 入力パタ ーンの組合せ と しては、 前記のものに限らず、 現在値と偏差の組合せ、 あるいは過去値と偏差の組合せ等も考えられる。

第 1 図のシ ステム における本発明の適用例と しては、 その他、 入力項 目 と して、 計測器 5 Aの計測項目である 水温、 濁度、 アルカ リ度、 P H、 電気伝導度、 残留塩素 濃度、 塩素要求量、 水量、 水位、 並びに撮像手段 5 B と 画像処理装置 4 0 の計測項 目であ る フ ロ ッ ク特徴量、 さ ら に濁度計 5 Cの濁度、 計測器 5 Dの計測項目である損 失水頭、 水位、 濁度、 残留塩素濃度、 P H、 流量、 計測 器 5 E と 5 F の計測項目であ る水位、 濁度、 残留塩素濃 度、 P H、 流量、 水圧、 水温を入力層に入力 して、 教師 信号と して、 塩素注入機制御信号 2 6 S、 を設定すれば、 塩素注入運転支援制御システムと な り、 一方、 教師信号 と して、 ポンプ制御信号 1 9 S を設定すれば、 濾過プロ セス運転支援制御システムと なる。

さ ら に、 入力項目 と して、 計測器 5 E と 5 Fの計測項 目である水位、 濁度、 残留塩素漉度、 P H、 濁度、 流量、 水圧、 水温、 及び、 計測器 5 Gの計測項目である濁度、 残留塩素濂度、 P H、 流量、 水圧、 水温を入力層に入力 して、 教師信号と してはポンプ制御信号 2 2 S、 バルブ 制御信号 2 3 A S , 2 3 B S及ぴ 2 3 C S を設定すれば、 配管網の水質と水量を制御するための支援制御システム と なる 。 本システムは、 配水流量蓮転ま援制御と配水圧 力運転支援制御のためのである。

これ ら の実施例は、 いずれも過去の履歴や運転実績に 応じて運転がなされており、 従来の 自動制御や知識工学 適用の運転支援システムが苦手と した、 実績と前例に即 した運転と， 知識の 自動獲得と、 支援制御内容が次第に 成長する機能を有するという効果がある。

こ の他、 詳細は省唣する が、 水位制御など浄水場の維 持管理に係る各種の制御を実行できる こ とはいう までも ない。

次に、 本発明の別の実施例を説明する。 適用対象は、 先の実施例と同様、 浄水場の運転支援である。

本実施例は、 ニュー ラルネ ッ 卜 に過去の①天候、 ②季 節と時刻と計測された日射量、 ③計測された水量、 水賓、 水温、 ④塩素注入量または濃度、 以上①〜④の過去履歴 パタ ーン を複数例、 ニューラルネ ッ ト を用いて学習後、 学習済みのニューラルネッ 卜 （予測用ニューラルネッ 卜） に当 日 の①〜③を入力 し、 未知の④を予測させて前塩素 注入量または濃度を制御するものである。

実行工程は、 （1 )学習用神経回路モデル （学習用ニュ 一ラルネ ッ ト） によ る学習工程、 （2 )学習済み二ユーラ ルネ ッ ト （予測用ニューラルネ ッ ト） の連想によ る塩素 注入量ま たは濃度の予測工程、 （3)予測結果に基づ く 塩 素注入量または濃度の制御工程からなる。

第 1 1 図の実施例で構成と動作を説明する。 まず、 浄 水場の フ ロ ーを説明する。 同図において着水井 9 には、 河川や湖沼 （図示せず） から導かれた原水が導かれる。 急速混和池 1 0 では着水井 9 の水を導き、 凝集剤タ ンク 1 1 A から凝集剤が注入され、 撹拌機 1 3 によ り撹拌し て原水中の懸濁微粒子を凝集させる。 図示は省略するが、 必要に応 じてアル力 リ剤が注入される。 フ ロ ッ ク形成池 1 5 (複数の池があ る が省略して 1 つの池だけ図示） で は撹拌パ ドル 1 7 Aの撹拌によ り フ ロ ッ ク （凝集塊） が 成長する 。 成長したフ ロ ッ ク は沈殿池 1 6で沈降して上 澄み液が濾過池 1 7 で濾過さ れる 。 滤過水は、 浄水池 2 0 と配水池 2 1 に一旦貯留さ れ、 ポンプ 2 2 に よ り配 管網 2 4 によ り需要家へ送水される。 殺菌のために塩素 貯留槽 2 5 (液体塩素や次亜塩素酸ナ ト リ ウ ムな どを貯 留） の塩素が塩素注入ポンプ 2 6 A と 2 6 B よ り着水井 9 と浄水池 2 0 に適量注入される。 着水井 9 に注入する 塩素を 「前塩素」 と首い、 浄水池 2 0で注入する塩素を 「後塩素」 という。

着水井 9、 フ ロ ッ ク形成池 1 5、 沈殿池 1 6、 濾過池 1 7 出 口 、 浄水池 2 0、 配水池 2 1 には、 各々 計測器 9 M , 1 5 M、 1 6 M、 1 7 M、 2 0 M、 2 1 M が設置 さ れる 。 計測項目 は、 水温、 濁度、 アルカ リ 度、 P H、 電気伝導度、 残留塩素濃度、 塩素要求量、 有機物、 鉄、 マンガン、 アンモニア性窒素、 有機性窒素、 水量、 水位、 損失水頭な どであ る。 また、 日射量 （日射強度や紫外線 強度など） を計測する 日射計 8 Mが設定される。

続いて、 予測運転制御装置 8 0 の構成を説明する。 予 測運転制御装置 8 0 はコ ン ピュータ システムであ り本発 明の説明を容易にするために第 1 1 図には処理のフ ロー 図 を示してあ る。 なお、 図中ネッ ト ワーク と記載されて い る部分は第 4 図の実線 7 0 2 に相当す る多数の配線 (または情報の連絡経路） を示す。

まず、 予測運転制御装置 8 0 の中の履歴パタ ーンデ一 タ フ ア イ ノレ 7 1 F は、 ① オ ペ レ ー タ 1 0 1 が交信手段 4 6 で入力 した天候、 ②季節と時刻と、 日射計 8 Mで計 測した日射量、 ③計測器 9 M、 1 5 M、 1 6 M , 1 7 Μ、 2 0 Μ、 2 1 Mで計測した水量、 水質、 水温、 ④塩素注 入ポンプ 2 6 Αでの塩素注入量または濃度 （注入後の平 均塩素瀵度） 、 以上①〜④の時系列データ が記憶される。 履歴パタ ーンデー タ フ ァ イ ル 7 1 Fの中から 自動的にま たは交信手段 4 6 から の指示 7 1 S によ リ 、 ①天候の選 択されたデータ 列丁 と 、 ②季節と時刻と 日射量の選択さ れたデータ 列 Ν と、 ③水量、 水質、 水温の選択されたデ ータ 列 C と、 ④塩素注入量または濃度の選択されたデー タ列 Q と が、 各々学習用ニューラルネ ッ ト 7 1 に出力さ れる。 これ らデータ T， N， C， Q を用いて学習が実行 され、 実行結果 7 1 S 1 と 7 1 S 2 と が予測用二ユーラ ルネ ッ ト 7 2 に出力 さ れる 。 予測用 ニュ ー ラ ルネ ッ ト 7 2 では、 履歴ノヽ。 タ ー ンデ一タ フ ア イノレ 7 1 Fの中から 予測に必要なデータ T， N， C， Q を選択 して予測に使 用する。 予測結果は予測信号 7 2 S と して交信手段 4 6 に表示す る と 共に、 蓮転制御工程 7 5 に出力す る 。 運 転制御工程 7 5 は予測信号 7 2 S を受けて塩素注入量の 目標値信号 7 5 S を塩素注入ポンプ 2 6 Aに出力 して注 入量 を制御す る 。 同時に、 目標値の注入量 目 標値信号 7 5 S を交信手段 4 6 に表示して、 必要に応じてォペ レ —タ 1 0 1 の選択によ り実際の注入量を補正する。 補正 値は再び注入量 目標値信号 7 5 S と して塩素注入ポンプ 2 6 Aに出力する。

次に、 第 1 1 図の実施例の動作を説明する。 説明では 塩素注入量を操作する実施例について説明するが、 塩素 注入後の平均塩素濃度の場合にも同様に実施できる。

まず、 履歴ノヽ。タ ー ンデータ フ ア イノレ 7 1 Fへデータ を 記憶する方法について説明する。 時刻 t = 0 の履歴パタ — ンデータ は、 ①天候 T ( 0 ， 1 )と 、 ②季節， 時刻， 日 射量の Ν ( 0 , 1 )， Ν (0 , 2)， Ν (0 ， 3 )と、 ③水量， 水質， 水温の C ( 0 ， 1 ) , C (0 , 2 ) ， C (0 ， 3 )と、 ④塩素注入量 Q ( 0 ， 1 )である 。 水質 C ( 0 ， 2 )は各々 時刻 t = 0 での前述した複数の計測量であ り、 これらす ベて を用いれば精度が上がる こ とは言う までもないので 複数の場合の具体的説明は省嗨する。 本実施例では一括 して記号で C ( 0 ， 2 )と表す。 これ ら T， N， C , Qの データ を履歴パタ ーンデー タ フ ァ イ ル 7 1 F に記憶する。 これ を繰 り 返す と 、 t = 0 ， - 1 ， - 2 ， · · ·のデータ が 順次記億されてい く 。 こ の時間間隔は本実施例では 1 時 間の場合を説明する が、 1 時間よ り短く ても長く ても本 発明の実施は制約を受けない。

続いて、 学習工程におけ る学習用ニューラルネ ッ 卜

7 1 の動作を以下に説明する。 学習用ニューラルネ ッ ト 7 1 では、 履歴パタ ーンデータ フ ア イノレ 7 1 Fの中から 選択されたデータ を受けて学習を実行する。 このデータ 選択と学習方法を以下に第 1 1 図と第 1 2 図と を用いて 説明する。

第 1 2図に示すよう に、 ①天候 T ( 0 ， 1 )と、 ②季節， 時刻， 日射量の Ν (0 ， 1 )， Ν (0 ， 2 )， Ν ( 0 , 3 )と、 ③水量， 水質， 水温の C (0 ， 1 )， C ( 0 , 2 ) , C ( 0 , 3 ) と 、 ④塩素注入量 Q (0 , 1 )について任意の時刻 t = t i を基準に し過去にさ かのぼって 一 1 , t！ - 2 ,

· · · を まず学習する。 同様に、 t t z f t z^ t i ) を基 準 に し て t ₂ — 1 ， t _z - 2 , · · ·のパタ ーンデータ を学 習 し、 合計 q個のパタ ーンデータ を学習する。 学習はこ れ ら のデータ を入力用データ と教師用データ と に分けて 行な う 。 第 1 図 に示すよ う に、 入力層 7 1 0 には（1)任 意の時刻 t i t - t i , t ₁ , · · · ) における T ( t ， 1 )， N ( t , 1 ) ， N ( t , 2 ) ， N ( t ， 3 ) ， C ( t , 1 ) ， C ( t ， 2 )， C ( t , 3 )と、 時刻 t から過去にさ かのぼ つ て T ( t 一 1 ， 1 )， N ( t - 1 , 1 )， N ( t - 1 , 2 )， N ( t - 1 , 3 ) ， C ( t - 1 , 1 ) ， C ( t - 1 , 2 ) ， C ( t 一 1， 3 ) , Q ( t — 1， 1 )を順次入力する。 こ こ で、 Q ( t — 1， 1 )が追加さ れている こ と に注意された い。 一方、 教師層 7 5 0 には、 Q ( t， 1 ) を入力する。 学習は、 入力層 7 1 0、 中間層 7 2 0、 出力層 7 3 0、 比較層 7 4 0、 教師層 7 5 0 からなる構成の学習用ニュ 一ラルネッ ト 7 1 (第 3図に相当） で行なう。

次に、 予測用ニューラルネ ッ ト 7 2 によ る予測工程を 説明する。 予測用ニューラルネ ッ ト 7 2 の構成は第 6 図 のものに相当する。 第 1 1 図に示したよ う に、 予測用二 ユーラルネ ッ ト 7 2 では学習用ニューラルネ ッ ト 7 1 で の学習結果、 すなわち、 重み係数値 Wjiの分布に基づい て塩素注入量を予測するも のである。 学習の結果得られ た重み係数 Wji ( 3 2 )および Wji( 2 1 )の値が信号 7 1 S 1 と 7 1 S 2 と して予測用ニュ 一ラゾレネ ッ 卜 7 2 に出力 さ れる。 これ ら を用いて予測を行なう 。 なお、 第 1 1 図では学習用ニューラルネ ッ ト 7 1 と予測用ニュー ラルネ ッ ト 7 2 と は便宜上別々 に記載されてい るが、 同 一のニューラルネ ッ ト を用いて良いこ と は勿論である。

次に、 予測用ニ ュー ラルネ ッ ト 7 2 の動作を第 6 図と 第 1 3 図を用いて説明する 。 第 6 図に示すよ う に、 予測 用ニ ューラルネ ッ ト 7 2 は学習用ニューラルネ ジ ト 7 1 から比較層 7 4 0 と教師層 7 5 0 を除いた構成である。 予測用ニ ュ ー ラ ルネ ッ ト 7 2で行なう こ とは、 現時点で 予測できるかまたは既知である①天候丁、 ②季節， 時刻， 日 射量 N、 ③水量， 水質， 水温 C、 に基づいて、 未知の ④塩素注入量 Q を予測するものである。 このために、 ま ず入力層 7 1 0 に入力層パタ ーンと して、 t == 0 を基準 に設定 し た変数値 Yiを入力層 7 1 0 に入力する 。 こ の 変数値 Yiは第 1 1 図または第 1 3 図に示すよ う に、 （1) 現時点で既知の①天候 T (0 ， 1 )と、 ②季節， 時刻， 日 射量の Ν ( 0 , 1 )， Ν (0 , 2 )， Ν ( 0 , 3 )と、 ③水量， 水質， 水温の C (0 ， 1 )， C ( 0 , 2 ) , C ( 0 , 3 )と、 (2)過去（ t = - 1 )における①〜③のデータ と④塩素注入 量 Q (- l ， 1 )であ る。 この他、 t = - 2 の T， N , C , Qの値も入れてよい。 これらは全て実績値あるいは既知 のデータ であ る 。 これ ら の値に基づいて現在どの く ら い塩素を注入すべき か、 すなわち未知の塩素注入 目標値 Q ( 0 , 1 ) * を予測する。 結果は出力層 7 3 0 に出力さ れる。 出力までの計算方法は前記（ i )〜（ ）式を用いた 前述と 同 じ計算を実行する。 塩素注入目標値 Q ( 0 ， 1 ) * は信号 7 2 Sである。

運転制御工程 7 5 を以下に説明する 。 運転制御工程 7 5 では、 この Q ( 0 ， 1 ) * の信号 7 2 S を受けて、 塩 素注入量の 目標値信号 7 5 S を塩素注入ポンプ 2 6 Aに 出力 して流量を制御する。 信号 Q (0 ， i ) * の計算頻度 は通常 1 時間毎であ る が、 この時間単位は任意に設定で きる。 勿論、 時間間隔が小さければ予測精度は向上する。 設定した時間間隔 （本実施例では 1 時間） が長いために 短い時間 （例えば 1 分間） の塩素注入量を予測できない 場合には、 数学的な補間によ り予測する。 同時に、 目標 値 （予測結果） の注入量 目標値信号 7 5 S を 交信手段

4 6 に表示 して、 必要に応 じてオペ レータ 1 0 1 の選択 によ り実際の流量を補正する。 例えば、 予測流量に対し て比例係数 を乗じ、 定数 Κ₂を加算するなどの補正を 行ない、 こ の補正値を再び注入量目標値信号 7 5 S と し て塩素注入ポンプ 2 6 Αに出力 し、 この流量だけ塩素注 入ポンプ 2 6 Αが着水井 9に塩素を注入する。

なお、 本実施例の説明では実際に操作する塩素注入量 を 目標値に して説明 したが、 目的は浄水場内における水 中塩素濃度を制御する こ とであ る ので、 注入後の塩素濃 度を 目標にする方法が実用的である。 この場合には塩素 注入量 Q (t ， 1) 1 の代わ り に、 次式で計算できる注入 後の平均塩素镄度を用いる。

Q (0， 1 )

Q c ( 0 ) = (viii)

Q_D( 0 )

こ こ で、 Q D ( 0 )は処理流量であ る、 具体的方法は、 こ れまで Q ( t ， 1 )で説明 し た代わ り に Q c ( 0 )を用い て行なう 。

次に、 本発明の刖の実施例について説明する。

本実施例は、 ニューラルネ ッ トに過去の外乱囟子と実 績需要パタ ー ン を複数例学習させ、 学習済みニューラル ネ ッ 卜 に当 日 の外乱因子を入力 して当 日 の需要パタ ーン を連想さ せ る よ う に したも のであ る 。 実行工程は、 （1) 学習用神経回路モデル （学習用ニューラルネ ッ ト） に よ る学習工程、 （2)学習済みニュー ラルネ ッ ト （予測用二 ユーラルネッ 卜） の連想による需要パタ ーンの予測工程、 (3)予測結果に基づく供給量の蓮転制御工程からなる。 適用先は浄水場の水需要パタ ーン予測、 下水処理場の 流入下水流量パタ ー ン予測、 発電プラ ン トや中央給電指 令所における電力需要パタ ーン予測、 地域冷暖房プラン 卜 の冷熱/温熱需要パタ ーン予測、 コ ジヱネプラ ン ト の 電カ 温熱ノ冷熱需要パタ ーン予測などである。 こ こで は、 浄水場の水需要パタ ーン予測を例に第 1 4 図の実施 例で構成と動作を説明する。

まず、 第 1 4 図全体の構成を説明する。 同図において、 浄水場で製造さ れた塩素注入済みの浄水が配水池 2 1 に 貯留される。 配水池 2 1 の浄水は配管 2 1 P 1 によ リポ ンプ 2 2 に送られ、 次に配管 2 1 P 2 によ り需要家に配 水される。 なお、 図示 しないが配管 2 1 P 2 には圧力と 流量と の制御のためにパルプを設置する。 ポンプ 2 2 の 蓮転データ である流量の時系列データ は、 予測運転制御 装置 8 0 の中の履歴パタ ーンデータ フ ア イノレ 7 1 F に順 次記憶される。 予測運転制御装置 8 0 はコ ンピュータ シ ステムであ り本発明の説明を容易にするために第 1 4 図 には処理の フ ロー図 を示してある。 また、 図中ネッ ト ヮ —ク と記載さ れてい る部分は第 4 図の実線 7 0 2 に相当 する。

流量信号 2 2 Q の時系列は、 1 時間 ご と の積算量を 2 2 Q と して値 Q ( t ， i ) (こ こで、 t : 日 ， i : 時間） を記憶する。 一方、 オペ レータ 1 0 1 はディ スプレーと キーボー ド 、 ま たは音声入出力装置な どから な る交信手 段 4 6 を通 じて、 天候、 曜 日 、 平均気温、 最高気温、 代 表時間での気温、 日 射量、 イ ベ ン ト の有無やその程度な ど を外乱信号 4 6 G と して、 予測運転制御装置 8 0 の中 の履歴パターンデータ フ ァ イル 7 1 F に入力する。 また、 交信手段 4 6 には通信線 4 6 I を通 じて外部よ り 前記天 候な どのデータ 信号を入力する こ と もでき る。 なお、 外 乱信号 4 6 G が自動計測器で計測される場合には 自動入 力 とする こ と は勿論である 。 この よ う に して、 流量信号 2 2 Q と 外乱信号 4 6 G は履歴ノヽ。 タ ー ンデー タ フ ァ イ ル 7 1 Fに順次記憶される。

履歴パタ ー ンデータ フ ァ イ ル 7 1 F の中から 自動的に ま たは交信手段 4 6 か ら の指示 7 1 S によ り 、 流量信号 2 2 Qの選択さ れたデータ 列 Q と外乱信号 4 6 Gの選択 さ れたデー タ 列 G と が各々学習用ニューラルネ ッ ト 7 1 に出力 さ れ る 。 こ れ らデータ Q と G を用いて学習が実行 さ れ、 実行結果 7 1 S 1 と 7 1 S 2 と が予測用二 ユーラ ルネ ッ ト 7 2 に 出力 さ れ る 。 予測用 二 ユ ー ラ ノレネ ッ ト 7 2 では実行結果 7 1 S 1 と 7 1 S 2 を受け る と 共に、 履歴パタ ー ンデータ フ ア イ ノレ 7 1 Fの中から予測に必要 な流量信号 2 2 Qのデータ 列 と 外乱信号 4 6 Gのデータ 列 と を 選択 し て予測 に使用す る 。 予測結果は予測信号 7 2 S と し て 交信手段 4 6 に表示す る と 共 に 、 運転制 御工程 7 5 に 出力す る 。 運転制御工程 7 5 は予測信号 7 2 S を受けて流量の 目 標値信号 7 5 S を ポンプ 2 2 に 出力 して流量を制御する 。 同時に、 目 標値の流量信号 7 5 S を交信手段 4 6 に表示 して、 必要に応じてォペレ ータ 1 0 1 の選択によ り実際の流量を補正する。 補正値 は再び流量信号 7 5 S と してポンプ 2 2 に出力する。

(以下余白）

次に、 第 1 4 図を用い本発明の動作を説明する。

まず、 履歴パタ ー ンデー タ を履歴パタ ーンデータ フ ァ ィ ル 7 1 Fへ記憶する方法につ いて説明する 。 履歴パタ ーンデータ は流量信号 2 2 Qと外乱信号 4 6 Gからなる。 ポンプ 2 2 の流量信号 2 2 Qを Q ( t ， i ) (こ こで、 t : 日 ， i : 時間） と す る と 、 当 日 （ t = 0 )の 1 時か ら 24 時まで（ i = l 〜 2 4 )のデータ は、 Q ( 0 ， 1 ) , Q ( 0 , 2 ) ， Q ( 0 , 3 ) , · · ·， Q ( 0 , 2 4 ) と な る 。 これ ら の データ を履歴パタ ーンデータ フ ァ イル 7 1 Fに出力する。 こ れ を毎 日 繰 り 返す と 、 t = 0 ， - 1 ， - 2 , · · ·のデー タ が順次記憶さ れて い く 。 一方、 交信手段 4 6 を通 じて 入力 さ れ る 外乱信号 4 6 G を G ( t ， j ) (こ こで、 t : 日 ， j : 外乱の番号） とする と 、 当 日 （ t - 0 )の天候 - G ( 0 , 1 )、 曜日 - G (0 ， 2 )、 平均気温 = G ( 0 , 3 )、 最高気温（又は最低気温） = G ( 0 ， 4 )、 代表時間での気 温 = G (0 ， 5 )、 日 射量 = G (0 ， 6 )、 イ ベン ト の有無 = G ( 0 , 7 )や程度 = G (0 ， 8 )な どが数値化さ れ、 こ れ ら のデー タ を履歴パタ ーンデータ フ ア イノレ 7 1 F に出 力する。

続 い て 、 学習工程 に おけ る 学習用 ニ ュ ー ラ ルネ ッ ト 7 1 の動作 を以下に説明す る。 学習用ニューラルネ ッ ト 7 1 では、 履歴パタ ーンデー タ フ ァ イ ル 7 1 Fの中か ら 選択さ れたデー タ を受ける。 このデータ 選択方法を以下 に説明す る 。 外乱信号 G ( t ， j )につ いては第 1 4 図の 学習用 ニュ ー ラルネ ッ ト 7 1 のブロ ッ ク と 選択さ れた時 間 （ 日） t = t i， t _z , t 3 , · · ·について、 t か ら過去 へさ かのぼって任意の 日数分を用いる。 S t ( t = t 1 , t ₂ , t a , · · · )においては入力層 7 1 0 に G ( t ， 1 )， · · ·， G ( t ， 8 )を入力 し、 前日 については G ( t — 1 , 1 )， 一， 0 ( 1: — 1 ， 8 )を入カする。 ただし、 天候 0 ( 0 ， 1 )、 曜 日 G (0 ， 2 )イ ベン ト の有無 G (0 ， 7 )や イ ベン トの程度 G ( 0 ， 8 )については、 記号化または数 値化を行なっ て入力する。 他方、 流量 Q ( t ， i )につい ては 日 t i t - t i , t ₂ ， t a , ···)における 2 4時間分 の 流量 Q ( t ， 1 ) ， · · · ， Q ( t , 2 4 ) は教師信号層 7 5 0 に入力する 。 一方、 入力層 7 1 0 に対しては前日 ( t = - l )の値 Q ( t — 1 ， 1 ) ， · · · ， Q ( t - 1 , 2 4 ) と前 日以前の値を過去へさ かのぼって任意の日数分 P を 入力する 。 こ の 日数 P が多ければ予測精度が向上する が、 実用的には前日 （ t - - 1 )のデータ でよ い。 また、 過去の q個からなる複数時点を t t , t ₂ , t 3 , · · ·， t とする と 、 学習するパタ ー ンデータ を時刻 t i i - 1 ， 2 ， ···， t _¾)について入力する。

次に、 予測用ニューラルネ ッ ト 7 2 による予測工程を 説明する 。 予測用ニューラルネッ ト 7 2 の構成は第 6 図 に示 したも の と 同様である。 第 1 4 図に示したよ う に、 予測用ニューラルネ ッ ト つ 2では学習用ニューラルネッ ト 7 1 での学習結果、 すなわち、 重み係数値 Wjiの分布 に基づいて需要パタ ーンを予測するものである。 学習の 結果得 られた重み係数 Wji ( 3 ト 2 )および 2 <- 1 ) の値が予測用ニューラルネッ 卜 7 2 に出力される。 これ ら を用いて予測を行な う 。 まず入力層 7 1 0 に入力層パ タ ー ン と して、 当 日 （ t = 0 ) を基準に設定 し た変数値 Yi (G の当 日 予想値と、 G と Q と の前 日 、 前々 日 の値） を入力層 7 1 0 に入力する 。 次に、 （ i )〜（iv)式を用い た計算によ り 出力層 7 3 0 に需要パタ ーンが出力層パタ ーン と して出力 される 。 需要パターンと は第 1 4 図中の 出力層 7 3 0 の Q ( 0 ， i ) * (ただし i = l 一 2 4 )であ る。 本実施例では、 こ の計算を 「予測」 と いう 。 予測に よ る計算値は、 学習 し たパタ ーン に依存する ので、 学習 するパタ ー ンは異なる時刻において代表的なパタ ーン、 あるいは注目すべき異常時のパターンでなければな らな いこ とは前述した通りである。

こ の予測操作は、 当 日 の運転開始前 （普通は前日） に 行な う 。 すなわち、 前々 日 までの Qと G と のノヽ。タ ーン を 2 日分と、 当 日 の外乱因子の予測値と を入力する と、 当 日の需要パターンがニューラルネジ 卜によ り予測される。 運転制御工程 7 5 では、 こ の需要パタ ーン Q ( 0 ， i ) * (ただし i = l 一 2 4 )の信号 7 2 S を受けて、 流量の 目標値信号 7 5 S をポンプ 2 2 に出力 して流量を制御す る。 需要パタ ーン Q ( 0 ， i ) * は本実施例では 1 時間毎 の流量である が、 この時間単位は任意に設定でき る。 勿 論、 時間間隔が小さ ければ予測精度は向上する。 設定し た時間間隔 （本実施例では 1 時間） が長いために短い時 間 （例えば 1 分間） の流量を予測できない場合には、 数 学的な補間によ り予測する。 同時に、 目標値 （予測結果） の流量信号 7 5 S を交信手段 4 6 に表示して、 必要に応 じてオペ レータ 1 0 1 の選択によ り実際の流量を補正す る 。 例えば、 予測流量に対して比例係数 を乗 じ、 定 数 Κ ₂ を加算するな どの補正を行ない、 こ の補正値を再 び流量信号 7 5 S と してポンプ 2 2 に出力 し、 この流量 だけポンプ 2 2 が水を供給する。

第 1 5 図によ り更に刖の実施例を説明する。 なお、 本 実施例は下水処理に関するものである。

本実施例は、 下水処理場の①流入水の物理的 · 化学的 · 生物的特性、 ②プラ ン トの状態量、 ③季節と時間、 ④プ ラ ン ト状態の評価量、 ⑤プラン ト操作量、 以上①②③④ ⑤の過去履歴をニューラルネ ッ トに学習させて、 ①②③ と④と に関する知識、 な らびに①②③と⑤と に関する知 識、 を 自動的に獲得する と共に、 学習済みのニューラル ネ ッ トの連想作用 によ り、 プラン 卜の運転操作 （制御含 む） をガイダンスするものである。

実行工程は、 （1 )学習用神経回路モデル （学習用ニュ 一ラルネ ッ ト） によ る学習工程、 （2)知識獲得工程、 （3) 知識診断工程 7 4、 （4 )推論工程、 （5 )学習済み二ユーラ ルネ ッ ト （予測用ニュ ーラルネ ッ ト） の連想予測工程、 (6)プラン 卜運転操作制御工程からなる。

第 1 5 図の実施例で構成と動作を説明する。 まず、 下 水処理プロ セ スの フ ロ ーを以下に説明する。 最初沈殿池 9 では、 流入下水中の浮遊物質の一部が重力沈降によ り 除去さ れる。 曝気槽 1 5 には最初沈殿池 9 から越流した 下水 と返送汚泥管 1 6 P 1 か ら の返送汚泥が流入する。 曝気槽 1 5 にはブ ロ ワ一 1 7 Z か ら制御バルブ 1 7 X , 1 7 Y を経て空気が供給され、 下水と返送汚泥が混合撹 拌さ れる。 返送汚泥 （活性汚泥） は供給された空気中の 酸素を吸収 し、 下水中の有機物が分解されて最終沈殿池 1 6 に導かれる。 最終沈殿池 1 6では活性汚泥の重力沈 降によ り活性汚泥が沈降し上澄水は放流される。 最終沈 殿池 1 6 内に沈降した活性汚泥は引き抜かれて、 一部は 余剰汚泥と して余剰汚泥管 1 6 P 2 とポンプ 1 6 C 2 に よ り排出さ れる。 排出されなかっ た残 り大部分の活性汚 泥は、 返送汚泥と して返送汚泥ポンプ 1 6 C 1 から返送 汚泥管 1 6 P 1 を通して曝気槽 1 5 に返送される。

次 に計測器につ いて説明す る 。 最初沈殿池 9 、 曝気 槽 1 5、 最終沈殿池 1 6 には各々計測器 9 M， 1 δ M , 1 6 Mが設置さ れる。 計測項目 は、 流入下水量、 浮遊物 質濃度、 化学的酸素要求量、 Ρ Η、 窒素濃度、 アンモニ ァ濃度、 硝酸性窒素濃度、 亜硝酸性窒素濃度、 リ ン濃度、 溶存酸素镄度、 汚泥界面高さ （ S V I ： Sludge Volume Index, な ど）、 な らびに微生物や浮遊性物質の画像情報 などである。

続いて、 予測蓮転制御装置 8 0 の構成を説明する。 予 測運転制御装置 8 0 はコ ン ピュータ システムであ り本発 明の説明 を容易にする ために第 1 5 図には処理の フ ロ ー 図 を示してあ る 。 なお、 図中ネ ッ ト ワーク と記載されて い る部分は第 4 図の実線 7 0 2 に相当する多数の配線 (または情報の連絡経路） を示す。

履歴パ タ ー ンデー タ フ ァ イ ル 7 1 F は、 ①計測器 9 M で計測した流入水特性、 ②計測器 1 5 M， 1 6 Mで計測 したプラ ン ト状態量、 ③季節と時間、 ④計測器 1 5 M， 1 6 M の計測量の一部であ る プラ ン ト状態評価量、 ⑤ ポ ン プ 1 6 C 2、 返送汚泥ポン プ 1 6 C 1 、 ブ ロ ワ一 1 7 Z、 制御バルブ 1 7 X， 1 7 Y な どのプラ ン ト操作 量、 以上①〜⑤の時系列データ が記憶される。

学習用ニューラルネ ッ ト 7 1 には、 履歴パタ ーンデ一 タ フ ア イゾレ 7 1 F の中から 自動的にまたは交信手段 4 6 からの指示 7 1 S によ り 、 ①流入水特性の選択されたデ ー タ 列 D l、 ②プラ ン ト状態量の選択さ れたデー タ 列 D 2、 ③季節と時間の選択されたデータ列 1) 3、 ④プラ ン ト状態評価量の選択さ れたデータ列 D 4、 ⑤プラン 卜 操作量の選択されたデータ列 D 5 が各々 出力される。 な お、 各データ 列は実際には複数の項目 を含むが、 本実施 例では説明を容易にする ため代表の記号 D 1〜D 5で表 すも の とする。 学習用ニューラルネ ッ ト 7 1 ではデータ D 1 , D 2 , D 3 , D 4 , D 5 を用いて学習が実行され、 実行結果 7 1 S 1 と 7 1 S 2 と が、 知識獲得工程 7 3 と 予測用ニューラルネッ 卜 7 2 と に出力される。

知識獲得工程 7 3 では 7 1 S 1 と 7 1 S 2 に基づいて 前記①②③ と④、 または①②③と⑤に関する知識を記号 または言葉に変換する 。 知識診断工程 7 4では、 知識獲 得工程 7 3 で得た知識を交信手段 4 6 から の指示 （図示 省略） に よ り 知識候補べ一 ス 6 0 B ま た は知識ベー ス 6 O Aに格納する。 推論機構 6 1 は知識ベース 6 O Aと、 あ ら か じ め入力 し た知識ベース 6 0 C を受けて推論を実 行し、 運転制御工程 7 5 に信号 6 1 S を出力する。

一方、 予測用 ニュ ー ラルネ ッ ト 7 2では屨歴パタ ーン デー タ フ ァ イ ル 7 1 F の中 か ら予測に必要なデータ を選 択 して予測に使用す る 。 予測結果は予測信号 7 2 S と し て交信竽段 4 6 に表示す る と共に、 運転制御工程 7 5 に 出力する。

運転制御工程 7 5 は予測信号つ 2 S と信号 6 1 S と を 受け、 信号 7 5 S を 出力 して⑤ポンプ 1 6 C 2、 返送污 泥ポンプ 1 6 C 1 、 ブロ ワ一 1 7 Z、 制御バルブ 1 7 X， 1 7 Y な どのプラ ン ト操作量 を制御する。 同時に、 制御 目標値信号 7 5 S を 交信手段 4 6 に表示 して、 必要に応 じ てオペ レータ 1 0 1 の選択に よ り実際の制御量を補正 する。 補正値は再び出力する。

次に、 第 1 5図を用い本発明の動作を説明する。

まず、 履歴パタ ー ンデータ フ ァ イル 7 1 Fへデータ を 記憶す る方法につ いて説明する。 時刻 t = 0 の履歴パタ ー ン デー タ D l (0 )〜 D 5 ( 0 ) を 履歴パ タ ー ンデー タ フ ァ イ ル 7 1 F に記憶す る 。 これ を繰 り 返 して t = 0 ， - 1 ， - 2 , · · · のデー タ を順次記憶す る 。 時間間隔は本 実施例では一例 と して 1 時間の場合を説明する が、 こ の 時間設定によ り本発明の実施は制約を受けない。 続いて、 学習工程における学習用 ニュ ーラルネ ッ 卜 7 1 の動作を以下に説明する。 学習用ニューラルネ ッ ト 7 1 では、 履歴パタ ーンデータ フ ァ イル 7 1 F の中から 選択さ れたデータ を受けて学習を実行する。 こ のデータ 選択と学習方法を以下に説明する。

D 1 〜 D 5 について任意の時刻 t = を基準に過去 にさ かのぼって 一 1 , t！ - 2 , ···をまず学習する。 同様に、 t t z f t z ^ t i)を基準に して t ₂— 1 ， t z 一 2 ， · · · の ノ、。 タ ー ンデー タ を学習 し 、 合計 q 個のパ タ ー ンデータ を学習する。 q個のパタ ー ン の選択は過去 の代表的なパタ ーンが望ま しい。 学習はこれら一群のデ ータ を入力用データ と教師用データ と に分けて行なう 。 第 1 5 図に示すよ う に、 入力層 7 1 0 には任意の時刻 t ( t = t！ , t ！ , · · ·)における D l ( t )〜 D 3 ( t )と、 時刻 t か ら過去に さ かのぼっ て D 1 ( t — 1 )〜 D 5 ( t 一 1 )を順次入力する 。 こ こ で、 D 4 ( t — 1 ) , D 5 ( t 一 1 )が追加さ れ る こ と に注意されたい。 以下 t = t 一 2 ， t 一 3 ， · · · に つ い て も同様である 。 一方、 教師層 7 5 0 には、 D 4 ( t ) ， D 5 ( t )を入力する。 学習は、 - 入力層 7 1 0、 中 間層 7 2 0、 出力層 7 3 0、 比較層 7 4 0、 教師層 7 5 0 から なる構成の学習用ニューラル ネジ ト 7 1で行なう 。

学習用ニューラルネ ッ ト 7 2 では、 前記①②③に対応 して、 未知の前記④⑤を予測するものである。 このため に、 まず入力層 7 1 0 に入力層パタ ー ンと して、 t = 0 を基準に設定 し た変数値 Yi (D l ( 0 )〜 D 3 ( 0 ))と、 t =- 1 , - 2 , ·· ·を基準に設定した変数値 Yi(D l ( i ) 〜 D 5 ( i ) ， i =- 1 , - 2 , · ' · )を入力層 7 1 0 に入力 する 。 こ の変数値 Yiは第 1 図に示すよ う に、 （1)現時点 で既知の①②③、 （2)過去 （ t = - 1 ， - 2 , · · · )におけ る①〜⑤である。 これ らは全て実鑌値あるいは既知のデ ータ である こ と に注意されたい。 これ らの値に基づいて 前述の（ i )〜（ ）式の計算を実行し、 未知の④プラ ン ト 状態評価量（処理水質） D 4 *(0 )と⑤プラ ン 卜操作量（返 送 /余剰汚泥量 ， 曝気空気量） D 5 * ( 0 ) と を 出力層 7 3 0 に出力する。 前記④については交信手段 4 6 にガ ィ ダンス表示 し、 ⑤については制御信号 7 2 S を運転制 御工程 7 5 に出力する。

続いて運転制御工程 7 5 を以下に説明する。 蓮転制御 工程 7 5 では、 D 5 *(0 )の信号 7 2 S と推論機構 6 1 の結果信号 6 1 S と を受けて、 まず両者の整合性を調べ る 。 信号 7 2 S が 6 1 S と矛盾 しなければ、 プラン ト操 作量の 目 標値 と し て信号 7 5 S を ポン プ 1 6 C 2、 返 送汚泥ポ ン プ 1 6 C 1、 ブ ロ ワ一 1 7 Z、 制御バルブ 1 7 X , 1 7 Y な どに出力する 。 逆に矛盾すれば交信竽 段 4 6 を通 してオペ レータ 1 0 1 に報知し、 修正を加え る 。 なお、 制御頻度は本実施例では 1 時間毎であるが、 こ の時間単位は任意に設定でき る。 勿論、 時間間隔が小 さ ければ予測精度は向上する。 設定した時間間隔 （本実 施例では 1 時間） が長いために短い時間 （例えば 1分間） のプラ ン ト操作量を予測できない場合には、 数学的な補 間によ り予測する 。 同時に、 目標値 （予測結果） のプラ ン ト操作量目標値信号 7 5 S を交信手段 4 6 に表示して、 必要に応 じてオペ レータ 1 0 1 の選択によ リ実際の操作 を補正する。

第 1 6 図に別の実施例を示す。

本実施例は、 プロセスの観測量に基づいて先見的モデ ルによ り制御目標値を出力する方法に関する。 本実施例 での先見的モデルと は、 対象プロセスについて予め既知 のプ ロ セスモデルや制御モデルをいう 。 本実施例は、 先 見的モデルから出力される誤差を予測するための 「誤差 予測モデル」 を 自動生成する方法と、 先見的モデルのパ ラ メータ を適正化するための Γパラ メータ調整モデル j を 自動生成する方法と を含む。 雨モデルは共にオペレー タ が補正するものである こと から、 本実施例では両モデ ルを 「オペ レータ モデル」 という 。 まず、 前者の実施例 を第 1 6図を用いて説明後、 後者を説明する。

第 1 β 図は浄水プロセスの凝集剤注入制御に適用 した 実施例であ る。 まず、 浄水場のフ ローを説明する。 同図 において着水井 9 に河川や湖沼 （図示せず） から原水が 導かれる。 急速混和池 1 0 は着水井 9 の水を受けて、 凝 集剤タ ン ク 1 1 の凝集剤が凝集剤注入ポンプ 1 2 で注入 され、 撹拌翼 1 4 が撹拌機 1 3 によ り撹拌される。 フ ロ ッ ク形成を促進するアル力 リ剤が注入される場合もある が省唣する。 フ ロ ッ ク形成池 1 5 は急速混和池 1 0 の水 を受けて フ ロ ッ ク （微粒子の凝集塊） を成長させる。 フ ロ ッ ク形成池 1 5 (通常複数池あるが本実施例では省略 する） に撹拌パドル 1 7 Aが設置され緩やかに回転する。 フ ロ ッ ク は沈殿池 1 6 で沈降 して上澄み液が濾過池 1 7 で滤過される。 なお、 殺菌のために塩素容器 2 5 の塩素 が塩素注入機 2 6 によ り着水井 9 と浄水池 （図示せず） に適量注入される。

次に計測器について説明する。 原水の水質を計測する ために、 着水井 9 に計測器 9 Mが設置される。 計測項目 は、 水温、 濁度、 アルカ リ度、 p H、 電気伝導度、 残留 塩素瀵度、 塩素要求量、 水温、 水位などである。 フ ロ ッ ク 形成池 1 5 に は計測器 1 5 Mが設置さ れる 。 計測器 1 5 Mは前記計測器 9 Mで計測する項目 に加えて水中力 メ ラな どの水中映像撮像手段や画像処理手段を含む。 沈 殿池 1 6 には計測器 1 6 Mを設置する。 必要に応じて急 速混和池 1 0 に 1 5 Mと 同様の計測器 1 0 Mを設置し、 濾過池 1 7 に計測器 1 7 Mを設置する 。 これ ら の計測項 目 は、 前記 9 M， 1 5 Mと 同様である。 以上の計測項目 と 、 操作因子 （凝集剤注入ポンプ 1 2、 撹拌機 1 3、 撹 拌パ ド ル 1 7 A ) 、 な ら び に オペ レ ー タ モデル構成量 (後述する予測誤差と先見的モデルのパラ メータ を含む） を本実施例では観測量という 。

続いて、 運 ¾制御装置 8 0 の構成と動作の概要を説明 する 。 運転制御装置 8 0 はコ ン ピュータ システ ムであ り 本発明の説明 を容易 にするために第 1 6 図には処理のフ 口 一図を示 してあ る 。 先見的モデル計算工程 6 5 は、 観 測量 （計測器 9 M , 1 5 M , 1 6 M、 凝集剤注入ポンプ 1 2、 撹拌機 1 3、 撹拌パドル 1 7 A、 予測誤差 E n(t)、 先見的モデルのパラ メータ Pi) のデータ を受けて信号 S cを制御量計算工程 6 7 に出力する 。 他方、 履歴パタ — ンデータ フ ァ ィル Ί 1 Fは観測量のデータ を順次記憶 する 。 オペ レータ モデル 7 3では、 まず学習用二ユーラ ルネ ッ 卜 7 1 が履歴パタ ーンデータ フ ア イノレ 7 1 Fの選 択されたデータ列を受けて学習を行なう 。 予測用ニュー ラルネ ッ ト 7 2 は学習用ニューラルネ ッ ト 7 1 から信号 7 1 S 1 と 7 1 S 2 を受けて信号 E n*( t ) を出力する。 制御量計算工程 6 7 は信号 En*( t )ま たはオペ レ ータ 1 0 1 の補正量 En ( t ) と、 信号 Scと を受けて S tを出 力する 。 蓮転制御工程 7 5 は S tを受けて信号 7 5 S を 出力 し、 凝集剤注入ポンプ 1 2、 撹拌機 1 3、 撹拌パド ル 1 7 A を制御する 。 交信手段 4 6 はオペ レータ 1 0 1 の介在によ り履歴パタ ーンデータ フ ァ イル 7 1 F、 先見 的モデル計算工程 6 5、 学習用ニューラルネ ッ ト 7 1 、 予測用ニューラルネ ッ ト 7 2、 および運転制御工程 7 5 と交信する 。 なお、 学習用ニューラルネ ッ ト 7 1 、 予測 用ニューラルネ ッ ト 7 2 の構造は第 3 図、 第 6 図に各々 示した通りである。

次に、 運転制御装置 8 0の動作を詳細に説明する。

まず、 先見的モデル計算工程 6 5 は観測量のデータ を 受けて フ ィ ー ド フ ォ ワ ー ド制御モデル （以下 Γ F Fモデ ル J と 唣称す る） 6 5 F と フ ィ ー ドノ ッ ク制御モデル (以下 「 F B モ デル」 と 略称す る ） 6 5 B に信号 を 入 力 す る 。 こ こ で 、 F F モ デル 6 5 F お よ び F B モデル 6 5 B は先見的モデルの例示であって、 フィ ー ドバッ ク / フ ィ ー ド フ ォ ワ ー ド以外の先見的モデルでもよい こ と は言 う までも な い。 F Fモデル 6 5 F および F B モデル 6 5 B は、 観測量 Xi ( t ) を得て凝集剤注入制御のため の信号を各々 出力する。 F Fモデル 6 5 Fの一般式は次 式で示される。

S _f = f _f (Xi( t )， Pi) (xi)

こ こで、 S _f : F Fモデル 6 5 F の出力信号， Xi( t ) : 時刻 t の観測量， Pi : F Fモデルのパラ メータ である。

i)式の具体的数式モデル例は次式である。

S _f = P, · (X_x( t ) ² + P₃ (χϊ)

こ こで、 X i ( t ) ： 原水の濁度， Ρ ， P ₂ ， P 3 ： ノ、。ラ メ ータである。

F Bモデル 6 5 Bの一般式は次式で示される。

S _b = f _b(Xi( t ) , Pi) (x5)

こ こで、 S _b : F B モデル 6 5 B の出力信号， Xi( t ) : 時刻 t の観測量， Pi : F B モデルのノ、。ラ メータである。

(χϊ)式の具体的数式モデル例は次式である。

S _b = P！ · ( X₂ ( t ) - X₂ ( t 一て ）） '.' " ）

こ こ で、 X ₂ ( t ) : 時刻 t の沈殿池出口濁度， X₂ ( t — て ） ： 時刻 t 一 て の沈殿池出口濁度， P i ： ノ、。ラ メ 一タ で ある。 ϊ) (xi 式の右辺には ( t )と X₂ ( t )だけ しか例示 さ れていないが、 他の観測量を用いてよいこ とは言う ま でもない。

モデル出力値計算工程 6 5 Aは信号 S _f と S _bを受けて 信号 S cを制御量計算工程 6 7 に出力する 。 こ の一般式 は次式で示される。

S c= f c( S _f , S _b) (xv)

(x 式の具体的数式モデル例は次式である。

Sc= S i+ S _b (xvi)

したがっ て、 先見的モデル 6 5 は観測量 X i ( t ) ( i = l 〜 n )に基づいて凝集剤注入量を予測する信号 S cを出 力する 。 こ の予測値 S cと過去の実鑌値 （オペ レータ の 補正値 E n ( t )を加算した値でぁ リ 、 先見的モデルの予 測よ り適正である こ と に注意されたい） と には食違いが 生ずる ので、 こ の Γ予測誤差 j (オペ レータ の補正量） をオペ レータ の代わ り に二ユーラノレネッ 卜で出力する。 次に、 観測量を履歴パタ ーンデータ フ ァ イル 7 1 Fへ 記憶する方法について説明する 。 時刻 t = 0 の観測量 XI ( 0 ) ( i = 1 〜 ！ 1 ) を 履歴ノヽ。タ ー ンデー タ フ ァ イ ル 7 1 ?に記憶する。 これを繰リ返して = 0， - 1， - 2， • · ·の X i ( 0 )を順次記憶する。 時間間隔は例えば 1 時間 であ る がこ の間隔設定によ り本発明の実施は制約を受け ない。

続いて、 オペ レータ モデル 7 3 を以下に説明する。 ま ず学習工程における学習用ニューラルネ ッ ト 7 1 の動作 を以下に説明する。 学習用ニューラルネッ ト 7 1 におけ るデータ 選択と学習方法を説明する。 Xi(t )(i = l〜 n)について任意の時刻 t = を基準に過去にさ かのぼ つ て 一 1 ， t _x - 2 , · · · を まず学習する。 一 kの k値は任意に選べる 。 同様に、 t - t z i t z ^ t i)を基 準に して t ₂— 1 ， t ₂ - 2 , · · ·のパタ ーンデータ を学 習 し、 合計 q個のパタ ーンデータ を学習する。 q個のパ タ ー ンの選択は過去の代表的なパタ ーンが望ま しい。 時 刻 t iは任意の時刻であ る ので常時学習すれば状況変化 に対応しやすく なる効果がある。

学習はこれ ら一群のデータ を入力用 と教師用データ と に分けて行な う 。 入力用データ とは観測量の中で凝集剤 注入量予測誤差に影饗する因子を指し、 教師用データ と は予測誤差 En(t )を指す。 また、 入力用データ はオペ レータ が判断根拠とする因子であ り、 教師用データ は才 ペ レータ が操作する因子 （本実施例では凝集剤注入量の 先見的モデルの予測値と実測値と の予測誤差 En(t ))で あ る 。 入力用デー タ の値を Xi(t )(i = l 〜！！ 一 1 )と し 、 便宜的に教師用データ が； Xn(t )すなわち予測誤差 En(t )だけである とする 。 En(t )はオペレータ が先見 的モデル予測値に対 して補正した量である こ と に注意さ れたい。 なお、 これ ら入出力データ の組合せは 目的に応 じて任意に設定できる。

教師層 7 5 0 に は時刻 t = t での予測誤差 E n ( t ） を入力する 。 入力層 7 1 0 には XiCt ^ f i - l n — 1 ) と 、 t - t i — l , t ! - 2 , · · · に おけ る Xi i t J ( i = l 〜 ！ i )を入力する。 後述するよ う に学習は、 入力 層 7 1 0、 中間層 7 2 0、 出力層 7 3 0、 比較層 7 4 0、 教師層 7 5 0 か ら な る構成の学習用ニ ュ ー ラルネ ッ ト 7 1 で実行する。 こ の こ と は、 時刻 t i^の予測誤差 がその時点と過去と の観測量、 および過去の予測誤差の 影響を受ける こ と を模擬するものであ る。 学習は、 任意 の時刻 t (ただし t - t i , t ₂ , · · · )において同様に行 なう。

次に、 予測用ニューラルネッ ト 7 2の動作を説明する。 予測用ニューラルネ ッ ト 7 2 では、 まず入力層 7 1 0 に 入力層パタ ーン と して、 現時点（ t = 0 )を基準に設定し た変数値 Yi ( i = l 〜 P ) を入力層 7 1 0 に入力する。 これらは全て実績値あるいは既知のデータである こ と に 注意されたい。 これらの値に基づいて前述の（ i )〜（ ） 式の計算を実行し、 t = 0 の予測誤差 En* ( 0 )が出力層 7 3 0 か ら 出力 さ れる 。 つ ま リ オペ レ一タ の予測誤差 (補正量 En(0 ))に代わって En* (0 )を出力する。

制御量計算工程 6 7 は、 信号 En* (0 )と信号 S cを受 けて S tを（_X¾j)式で計算して出力する。

St= S c+ En*( 0 ) (xw)

つ ま り 、 先見的モデルの予測値 S cにオペ レータ モデ ル 6 3 (ニュー ラルネ ッ ト） の予測誤差 E n * ( 0 )を加え た値を用 いる 。 予測誤差 En* ( 0 )はオペ レー タ の過去の 運転パタ ーン を学習しているので、 （χνή)式によ リオペレ タ に匹敵する制御を行なえる。

(以下余白）

続いて運転制御工程 7 5 を以下に説明する。 運転制御 工程 7 5 では信号 S tを受け信号 7 5 S を出力 して、 凝 集剤注入ポンプ 1 2、 携拌機 1 3、 撹拌パ ドル 1 7 A を 制御する。 制御頻度は本実施例では 1 時間毎であるが、 こ の時間単位は任意に設定できる。 勿論、 時間間隔が小 さ ければ予測精度は向上する。 設定した時間間隔 （本実 施例では 1 時間） が長いために短い時間 （例えば 1分間） を予測できない場合には、 数学的な補間を行なう 。

交信手段 4 6 はオペ レータ 1 0 1 の介在によ り履歴パ タ ーンデータ フ ァ イ ル 7 1 F の フ ア イ リ ン グ方法、 先見 的モデル計算工程 6 5 のモデル変更、 学習用ニューラル ネ ヅ ト 7 1 および予測用ニューラルネ ッ ト 7 2 の経過と 結果の表示、 および運転制御工程 7 5 の信号 7 5 S の補 正を行なう 。

第 1 6 図の実施例の効果は、 先見的モデルの誤差を二 ユーラルネ ッ 卜の実績学習によ り 、 人間の介在な く常に 少な く する こ と ができ、 かつ、 従來法に比べ制御精度を 向上させることができる。

以上説明 した第 1 6 図の実施例では、 先見的モデルの 誤差 （オペ レータ補正量） を予測するための誤差予測モ デルを、 ニューラルネ ッ トで自動生成する方法を説明 し た。 こ こで、 オペ レー タ モデル 6 3 は誤差予測モデルで め つ に 。

次に、 オペ レータ モデル 6 3 において、 先見的モデル のパラ メ ータ を適正化するための Γパラ メ一タ調整モデ ル J を 自動生成する方法を説明する。 こ の実施例は、 ォ ペ レータ が先見的モデル計算工程 6 5 の出力 S cを見て、 F F モデル 6 5 F および F B モデル 6 5 B のパラ メータ Piを調整す る作業を人工的に行な う こ と に匹敵する 。 第 1 6 図の実施例と の違いは、 教師信号に先見的モデル のパラ メ ータ Piを入力 し、 Piの適正値を予測する こ と である。 この実施例を第 1 7 図で説明する。

第 1 7 図の実施例では、 F Fモデル 6 5 F および F B モデル 6 5 B のノ、。ラ メ ー タ Piがオペ レータ 1 0 1 によ り 交信手段 4 6 を通 して設定される 。 設定さ れた Pi値 は、 先見的モデル計算工程 6 5 か ら観測量の一つ と し てノヽ。ラ メ ー タ P i (信号 6 5 S ) が履歴パタ ーンデー タ フ ァ イ ル 7 1 F に入力さ れて記憶する。 学習用二ユーラ ルネ ッ ト 7 1 の教師信号と して、 このオペ レータ が与え た実鑌 Pi値を用 い、 第 1 6 図の実施例と 同様の手順で 過去の実縝を学習す る 。 予測用 ニ ューラルネ ッ ト 7 2 か ら は こ の Pi値の予測値 Pi*が出力され、 F Fモデル 6 5 Fおよび F B モデル 6 5 B のノヽ。ラ メ一タ Piと して、 オペ レータ の介在な く 使用する。 F Fモデル 6 5 Fおよ び F B モデル 6 5 B は予測値 Pi*を用いて（xi)〜（xi 式 の計算を行ない、 信号 S _f と S _bを各々 出力する。 モデル 出力値計算工程 6 5 A は信号 S _f と S _bを受けて信号 S c を運転制御工程 7 5 に出力する。 蓮転制御工程 7 5 は信 号 S cを受け信号 7 5 S を 出力 して、 凝集剤注入ポンプ 1 2、 携拌機 1 3、 撹拌パドル 1 7 Aを制御する。 第 1 7 図の実施例の効果は、 先見的モデルの調整可能 なパラ メ ータ を ニューラルネ ッ トの実績学習によ り、 人 間の介在な く 常に適正に設定する こ と ができ、 かつ、 従 来法に比べ制御精度を向上させることができる。

以上、 本発明を浄水プロセスを実施例に説明したが、 一般の他プロセスにも適用できる ことは會う までもない。

第 1 8 図の実施例は、 まず、 過去の複数時点での①外 乱、 ②プロセス状態量、 ③評価量、 ④プロセス操作量を、 予め設定したメ ンバーシップ関数でメ ンバーシ ッ プ値に 変換し、 こ の変換値をニューラルネ ッ ト に入力 して①〜

④の関係を学習する 。 学習済みニューラルネッ トの重み 係数分布から、 確信度付き フ ア ジィルールを導出し、 こ れに基づき推論を実行し運転操作を支援または制御する ものである。 この実行工程は以下のと.おりである。

( 1 ) メ ンバーシ ッ プ闋数で①〜④の値を メ ンバーシ ッ プ値に変換

( 2) 学習用ニューラルネ ッ トによる学習工程

( 3 ) 学習済みニューラルネ ッ ト からの確信度付き フ ァ ジィルール獲得工程

(4 ) フアジィルール診断工程

(5) フ ァジィ推論工程

( 6 ) 学習済みニューラルネ ッ トの予測工程

( 7) プロセス運転操作制御工程

からなる。

本発明を下水処理プロ セ スに適用 した実施例を第 1 8 図を用いて説明する。

下水処理プロ セスの構成と動作を以下に説明する。 最 初沈殿池 9 では、 流入下水中の浮遊物質の一部が重力沈 降によ り 除去さ れる。 曝気槽 1 5 には最初沈殿池 9 から 越流 した下水と返送汚泥管 1 6 P 1 からの返送汚泥が流 入する 。 曝気槽 1 5 にはブロ ワ一 1 7 Z から制御バルブ 1 7 X , 1 7 Y を経て空気が供給され、 下水と返送汚泥 が混合撹拌さ れる。 返送汚泥 （活性汚泥） は供給された 空気中の酸素を吸収し、 下水中の有機物が分解されて最 終沈殿池 1 6 に導かれる 。 最終沈殿池 1 6 では活性汚泥 の重力沈降によ り活性汚泥が沈降し上澄水は放流される。 最終沈殿池 1 6 内に沈降した活性汚泥は引き抜かれて、 大部分の活性汚泥は、 返送汚泥 と し て返送汚泥ポンプ 1 6 C 1 か ら返送汚泥管 1 6 P 1 を通 して曝気槽 1 5 に 返送さ れる。 残 り は余剰汚泥 と して余剰汚泥管 1 6 P 2 と余剰汚泥ポンプ 1 6 C 2 によ り排出される。

次 に計測器について説明す る 。 最初沈殿池 9、 曝気 槽 1 5、 最終沈殿池 1 6 には各々計測器 9 M , 1 5 M , 1 6 Mが設置される。 計測項目 は、 流入下水量、 浮遊物 質濃度、 化学的酸素要求量、 P H、 窒素濃度、 アンモニ ァ漉度、 硝酸性窒素濃度、 亜硝酸性窒素瀵度、 リ ン濃度、 溶存酸素濃度、 汚泥界面高さ （ S V I ： Sludge Volume Index, な ど）、 な らびに微生物や浮遊性物質の画像情報 などである。

続いて、 予測運転制御装置 8 0 の構成を説明する。 予 測蓮転制御装置 8 0 はコ ン ピュータ システムであ り本発 明の説明 を容易にするために第 1 8 図には処理のフ ロー 図 を示 してあ る 。 まず、 履歴パタ ーンデータ フ ァ イル 7 1 F は計測器 9 M， 1 5 M , 1 6 Mのデータ を順次記 憶 し、 選択さ れたデー タ 列を メ ンバーシ ッ プ変換工程 6 9 に出力する 。 メ ンバーシ ッ プ変換工程 6 9 は①〜④ の値を メ ンバーシ ッ プ値に変換し この信号を学習用ニュ 一ラルネ ッ ト 7 1 に出力する 。 予測用ニューラルネ ッ 卜 7 2 は学習用ニ ューラルネ ッ ト 7 1 から信号 7 1 S 1 と 7 1 S 2 を受けて信号 7 2 S を出力する。 一方、 フ ア ジ ィ ルール獲得工程 7 3 は学習用ニューラルネッ ト 7 1 か ら信号 7 1 S 1 と 7 1 S 2 を受ける。 フ ア ジィ ルール診 断工程 7 4 は交信手段 4 6 からの信号と フ ア ジィ ルール 獲得工程 7 3 から信号を受け、 フ ア ジィ ルール候補べ一 ス 6 0 B またはフアジィルールべ一ス 6 0 Aに記憶する。 フ ア ジィ 推論機構 6 1 は フ ア ジィ ルールベース 6 0 A , 6 0 C か ら の 信号 を 受 けて運転制御工程 7 5 に信号 6 1 S を出力する。 運転制御工程 7 5 は信号 6 1 S と信 号 7 2 S を受けて信号 7 5 S を出力 し、 余剰汚泥ポンプ 1 6 C 2 , 返送汚泥ポンプ 1 6 C 1、 ブロ ワ一 1 7 Z , 制御バルブ 1 7 X， 1 7 Y を制御する。 交信手段 4 6 は オペ レータ 1 0 1 の介在によ リ履歴パターンデ一タ フ ァ ィ ル 7 1 F、 学習用ニュー ラルネ ッ ト 7 1 、 予測用ニュ — ラルネ ッ ト 7 2、 運転制御工程 7 5 およびフ ア ジィ ル ール診断工程 7 4 と交信する。 なお、 図中 「ネ ッ ト ヮー ク J と記載されてい る部分は第 4 図に示した実線 7 0 2 に相当する多数の配線 （または情報の連絡経路） を示す。 次に、 予測運転制御装置 8 0の動作を説明する。

履歴パ タ ー ンデー タ フ ァ イ ル 7 1 F は、 ①計測器 9 M で計測した外乱特性、 ②計測器 1 5 Mで計測したプロセ ス状態量、 ③計測器 1 6 Mで計測したプ ロ セ ス評価量、 ④余剰汚泥ポンプ 1 6 C 2、 返送汚泥ポンプ 1 6 C 1、 ブロ ワ一 1 7 Z、 制御バルブ 1 7 X， 1 7 Y な どのプロ セス操作量、 以上①〜④の時系列データ を記憶する。

メ ンバーシ ッ プ変換工程 6 9 は、 履歴パ タ ー ンデータ フ ア イノレ 7 1 F の中から 自動的にまたは交信手段 4 6 か らの指示 7 1 S によ り、 ①外乱特性、 ②プロセス状態量、 ③プロセス評価量、 ④プロセス操作量、 以上①〜④の各 々 か ら選択さ れたデータ 列 D l , D 2 , D 3 , D 4 を受 け、 メ ンバ一シ ッ プ値に変换する。 各データ列は実際に は複数の項 目 を含むが、 本実施例では説明を容易にする ため代表の記号 D 1〜： D 4で表すものとする。

学習用 ニ ュ ー ラ ルネ ッ ト 7 1 は変換さ れた メ ンバ一 シ ッ プ値 を 用 いて学習 を実行 し、 実行結果 7 1 S 1 と 7 1 S 2 と が、 フ ア ジィ ルール獲得工程 7 3 と予測用二 ュ一ラルネッ ト 7 2 と に出力される。

フ ア ジィ ルール獲得工程 7 3 では 7 1 S 1 と 7 1 S 2 に基づいて前記①〜④に関する フ ア ジィ ルール候補を記 号または言葉に変換する 。 フ ア ジィ ルール診断工程 7 4 では、 フ ア ジィ ルール獲得工程 7 3で得たフ ァ ジィ ル一 ルを交信手段 4 6 からの指示によ リ フ ア ジィ ルール候補 ベー ス 6 0 B またはフ ア ジィ ル一ルベース 6 O Aに格納 す る 。 フ ア ジィ 推論機構 6 1 は フ ア ジィ ルールべ 一 ス 6 0 A と 、 予め入力 したフ ア ジィ ルールベース 6 0 C を 受けて推論を実行し、 運転制御工程 7 5 に信号 6 1 S を 出力する。

一方、 予測用ニ ュ ー ラ ルネ ッ ト 7 2では履歴パタ ー ン データ フ ァ ィ ル 7 1 F の中から予測に必要なデータ を選 択 して予測に使用する。 予測結果の信号 7 2 S は交信手 段 4 6 に表示する と共に、 運転制御工程 7 5 に出力する。

運転制御工程 7 5 は予測信号 7 2 S と信号 6 1 S と を 受け、 信号 7 5 S を出力して④余剰汚泥ポンプ 1 6 C 2、 返送汚泥ポンプ 1 6 C 1、 ブロ ワ一 1 7 Z、 制御バルブ 1 7 X , 1 7 Y な どのプロセス操作量を制御する。 同時 に、 制御 目標値信号 7 5 S を交信手段 4 6 に表示して、 必要に応 じてオペ レータ 1 0 1 の選択によ り実際の制御 量を補正する。 補正値は再び出力する。

次に、 第 1 8 図を用い本発明の動作を詳細に説明する。 まず、 データ を履歴パ タ ー ンデー タ フ ァ イ ル 7 1 Fへ 記億する方法について説明する。 時刻 t = 0 の履歴パタ ー ンデー タ D l ( 0 )〜 D 4 ( 0 ) を履歴ノヽ。 タ ー ンデー タ フ ァ イ ル 7 1 F に記憶する。 これを繰り返して t = 0 ， - 1 , - 2 ， · · ·のデータ を順次記憶する 。 時間間隔は例 えば 1 時間であ る がこ の時間設定によ リ本発明の実施は 制約を受けない。 メ ンバ一シ ッ プ変換工程 6 9 を第 1 9 図を用いて説明 する 。 同図は予め設定したメ ンバーシ ッ プ関数の変換例 を表す。 同図では D 2 の代表が溶存酸素濃度 （以下 D O と略称する） の場合を例示し、 D O の 「高い」 「普通 J 「低 い 」 と い う 状態 を 各 々 メ ン バ ー シ ッ プ変換機能 6 9 1 H , 6 9 1 M , 6 9 1 Lで変換して変換値 D 2 H , D 2 M , D 2 L とす る 。 なお、 変換値 D 2 H， D 2 M , D 2 L を一括総称 し て記号で D F 2 と記す。 各変換機 能の横軸は②プロ セス状態量であ る D O を示 し 、 縦軸 はその度合い を 0〜 1 の値で表す。 一例と してメ ンバ一 シ ッ プ変換機能 6 9 1 L につ いて説明する と、 D O値 = 0.5 の メ ンノ 一シ ッ プ値 = 0.9 であ り 、 この こ と は、 D 0値 = 0.5 ならば 0.9 の度合い （メ ンバーシ ッ プ値） で 「 D 0 が低い J こ と を表す。 こ のよ う に して、 全ての 変数について メ ンバーシップ関数を予め定義しておき、 データ 列 D 1， D 2 , D 3 , D 4 を メ ンバーシ ッ プ値に 変換 し て D F 2， D F 3 , D F 4 を得る。 なお、 本例で は 「高い」 「普通 J 「低い J の 3つに分類したが分類数 は任意である。

続いて、 学習工程におけ る学習用 ニュー ラ ルネ ッ ト 7 1 の動作を以下に説明する。 学習用ニューラルネ ッ ト 7 1 はメ ンバーシ ッ プ値を受けて学習を実行する。 こ の データ 選択 と 学習方法を以下に説明する。 D F 1 (すな わち D 1 H , D I M , D 1 L)〜 D F 4 (すなわち D 4 H， D 4 M , D 4 L)について任意の時刻 t - t^ を基準に過 去に さ かのぼっ て 一 1 ， t！ - 2 , · · ·を まず学習す る。 同様に、 t - t z C t a ^ t Jを基準に して t _z — 1 ， t ₂ — 2 ， · · ·のパタ ーンデータ を学習し、 合計 q個のパ タ ーンデータ を学習する。 q個のパターンの選択は過去 の代表的なパタ ーンが望ま しい。 時刻 t iは任意の時刻 であ る ので、 常時学習を行なえば新たな状況に対応する 新たなフアジィルールを自動獲得できる。

学習はこれ ら一群のデータ を入力用データ と教師用デ ー タ と に分けて行な う 。 入力層 7 1 0 には任意の時刻 t (ただ し t = t ， t ₂， · · ·） における D F 1 ( t )， D F 2 ( t ) と 、 時刻 t か ら過去に さ かのぼっ て D F 1 ( t — l )〜 D F 4 ( t — 1 ) を順次入力す る 。 こ こ で 、 D F 3 ( t - 1 ) , D F 4 ( t — 1 ) が追加 さ れ る こ と に 注意さ れたい。 以下 t = t 一 2 ， t 一 3 ， ' . 'にっぃて も同様である。 一方、 教師層 7 5 0 には、 D F 3 ( t ) , D F 4 ( t )を入力する。 本実施例では③ D F 3 ( t ) , ④ D F 4 ( t )を教師層に入力 したが、 ①〜④のどれを教師 層に入力 しても本実施例の効果は失われない。 学習は、 入力層 7 1 0、 中間層 7 2 0、 出力層 7 3 0、 比較層 7 4 0、 教師層 7 5 0 からなる構成の学習用ニューラル ネッ 卜 7 1で行なう。

フ ア ジィ ルール獲得工程 7 3 では 7 1 S 1 と 7 1 S 2 に基づいて前記①②③④間のフ ア ジィ ルールを記号また は言葉に変換す る 。 入力層 7 1 0 に設定する変数 Xiと 出力層 7 3 0 に設定す る変数 と に関するルールの確 信度 を次式（前記（ v )式と 同様）で計算する。 なお、 こ の 式は数学的な解析によ り独自に導かれたものである。 ji=∑ Wjk(3*-2) · Wki(2<-1) ••••(xi) k=l こ こで、 I ' ； jiは前記（ v )式では 「因果性尺度 j と呼 んだが、 本実施例の I は、 「確信度」 と呼称する。 m は中間層のニューロ ン素子モデル数である。

(xii)式の計算は、 入力層から出力層にいたる全ての経 路の重み係数の積和を と る計算である。 i 番目の入力 と < 番 目 の出力 と の関係を表すルールは、 I jiの確信度に 対応 してそのルールが成立する。 入力層と出力層との全 ての組み合わせについて I jiを計算し、 結果を フ ア ジィ ルール候補と して 日本語に変換する。 例えば、

[フ ア ジィ ルール候補] ： r i 番目 の入力値が大であ れば j 番目の出力値は確信度 I で大きい。 j

この変換は確信度 I jiが大きいルールから順に出力 し、 次に示すよ う に組み合わせたルール候補に変換する こ と もできる。

[フ ア ジィ ルール候補 ] ： 「 i 番目 の入力値が大で、 かつ k番目 の入力値も大であれば j 番目 の出力値は確信 度 = ( I ji+ I jk)Z 2で大きい。 j

フ ア ジ イ ノレール診断工程 7 4 では， フ ア ジィ ルール 獲得工程 7 3 で得た フ ア ジィ ルール候補 を オ ペ レ ー タ 1 0 1 と交信手段 4 6 からの指示によ り妥当性を判定し、 妥当 と判定された前記フ ア ジィ ルール候補は フ ア ジィ ル ールベース 6 0 A に記憶し、 そ うでないルールはフ ア ジ ィ ルール候補ベース 6 0 B に記憶する。 一旦、 フ ア ジィ ルール候補ベース 6 0 B に記憶されたフ ア ジィ ルール候 補でも複数回起こ る場合には、 生起回数をカ ウ ン ト して 所定回数 （例えば 2 回） を越えたら、 交信手段 4 6 によ り オペレータ 1 0 1 に再度問い合わせ、 フ ア ジイノレール 診斬工程 7 4 を繰り返す。

本実施例の フ ア ジィ ルールベースと しては、 ある①外 乱、 ②プロセス状態量に対して、 ③評価量はどのよ う に な り 、 結果と して④プロセスを どう操作すればよいかと い う 関係が得られる が、 入力層と出力層と に配置する組 み合わせによ り ①〜④の任意の組み合わせでフ ア ジィ ル ールを抽出できる。

フ ア ジィ 推論機構 6 1 は フ ア ジィ ルールべ一ス 6 0 A と フアジィルールベース 6 0 Cと を受けて推論を実行し、 運転制御工程 7 5 に信号 6 1 S を出力する。 フ ア ジィ ル —ルベース 6 0 Cはオペ レータ 1 0 1 に対し従来手法で あるイ ンタ ビューによって予め獲得したプロ ダク ショ ン ノレ一ルある いはフ ァ ジィルールを記憶しておき必要に応 じて補助的に利用する。 フ ア ジィ推論機構 6 1 はルール に基づく前向きまたは後向き推論を実行する。

次に、 予測用ニューラルネ ッ 卜 7 2 による予測工程を 説明する。 予測用ニューラルネ ッ ト 7 2 の構成は第 6 図 に示 した と お り であ る 。 第 1 8図に示したよ う に、 予測 用 ニ ュ ー ラ ルネ ッ ト 7 2 では学習用 ニ ュ ー ラ ルネ ッ ト 7 1 での学習結果、 すなわち、 重み係数値 Wji( 3 2 ) および Wji( 2 1 )の値を信号 7 1 S 1 と 7 1 S 2 と し て受ける 。 なお、 第 1 8 図では学習用ニューラルネ ッ ト 7 1 と予測用ニューラルネ ッ ト 7 2 とは処理フ ローの説 明のため に別々 に記載さ れて い る 。 予測用ニューラル ネ ッ ト 7 2 は学習用ニ ュ ー ラ ルネ ッ ト 7 1 か ら比較層 7 4 0 と教師層 7 5 0 を除いた構成であ るので、 同一の ニューラルネッ トを用いてよいこ とは勿論である。

次に、 予測用ニューラルネ ッ ト 7 2の動作を説明する。 予測用ニューラルネッ ト 7 2では、 前記①②に対応して、 未知の前記③④を予測するものである。 このために、 ま ず入力層 7 1 0 に入力層パタ ーン と して、 t = 0 を基準 に設定 し た変数値 Yi (D F l ( 0 ) ， D F 2 (0 ) ) と 、 t =- 1 , - 2 , · · ·を基準に設定した変数値 Yi(D F l ( i ) 〜 D F 5 ( i )， i = - 1 , - 2 , · · ·)を入力層 7 1 0 に入 力する。 こ の変数値 Yiは、 （1)現時点で既知の①②、 （2) 過去 （ t = - l ， - 2 ， · · ·）における①〜④である。 これ らは全て実棲値あるいは既知のデータ である こ と に注意 されたい。 これ ら の値に基づいて前述の（ i )〜（ vi )式の 計算を実行し、 未知の④プロセス状態評価量 （処理水質） D F 4 (0 )*と ⑤プ ロ セ ス操作量 （返送 /余剰汚泥量， 曝気空気量） D F 5 ( 0 )*と を出力層 7 3 0 に出力する。 前記③につ いては交信手段 4 6 にガイ ダンス表示し、 ④ につ いては制御信号 7 2 S を運転制御工程 7 5 に出力す る。

続いて運転制御工程 7 5 を以下に説明する。 運転制御 工程 7 5 では、 D F 5 ( 0 )*の信号 7 2 S と フ ア ジィ 推 論機構 6 1 の信号 6 1 S と を受けて、 まず雨者の整合性 を調べる。 信号 7 2 S が 6 1 S と矛盾し なければ、 プロ セ ス操作量の 目標値と して信号 7 5 S を余剰汚泥ポンプ 1 6 C 2 , 返送汚泥ポンプ 1 6 C 1、 ブロ ワ一 1 7 Z、 制御バルブ 1 7 X 1 7 Y な どに出力する。 逆に矛盾す れば交信手段 4 6 を通 してオペ レータ 1 0 1 に報知し、 修正を加える 。 なお、 制御頻度は本実施例では 1 時間毎 であ る が、 こ の時間単位は任意に設定でき る。 勿論、 時 間間隔が小さ ければ予測精度は向上する。 設定した時間 間隔 （本実施例では 1 時間） が長いために短い時間 （例 えば 1分間） のプロセス操作量を予測できない場合には、 数学的な補間にょ リ予測する。 同時に、 目標値 （予測結 果） のプロ セス操作量目標値信号 7 5 S を交信手段 4 6 に表示 し、 必要に応じてオペ レータ 1 0 1 の選択にょ リ 実際の操作を補正する。

なお、 本発明 を下水処理プロセスを実施例に説明した が、 一般のプロセスに適用できることは言う までもない。 本実施例によれば、 過去の実績データ から フ ア ジィル —ルを 自動獲得し、 かつ、 ニューラルネ ッ トの予測によ リ運転ガイダンスおよび制御を行ない得る。 したがって、 よ り 少ない労力で、 オペレータ が実施している 「実績と 前例に即 した、 し かしあいまいな運転」 を工学的に容易 に行な う こ と がで き る 。 また学習を随時行なう こ と が可 能であるので、 状況の変化に迅速に追随して学習し かつ 制御する こ と ができ る。

以上、 本発明の各実施例を浄水場に限って詳細に説明 したが、 本発明の基本思想は、 時間と共に変動する現象 を取 り扱う プロ セ ス、 例えば下廃水処理プロセス、 河川 情報処理プロ セス、 熱電併耠システム、 ビル管理システ ム、 空調等の屋内環境制御システム、 エ レベータ管理シ ステム、 気象情報処理プロセス、 火力 ' 原子力 ' 水力 * 発電プロ セ ス、 列車な ど輸送運航管理システム、 地図情 報システムな どの公共システム、 化学プロセス、 バイオ プロ セス、 半導体製造プロセス、 食品製造プロセスな ど の製造プロ セス、 証券 ' 為替情報処理プロ セス、 銀行管 理情報プロセスな どの情報システム、 コ ンピュータ管理 シ ステ ム、 端末管理シ ステム、 コ ン ピュータ ネ ッ ト ヮ一 ク管理システムなどに適用できる。 産業上の利用可能性 ' 本発明によれば、 プロ セスの運転支援に神経回路モデ ルを用い る こ と に よ リ 、 比較的簡単に精度の高い運転ま 援シ ステム を構築する こ と ができ る 。 また、 学習を行つ た神経回路モデルか ら 、 過去の運転履歴情報内に埋もれ た知識を容易に抽出 し、 その結果を運転支援に利用する こ と ができ る。

(以下余白）

Claims

請 求 の 範 囲

1 . 時間と共に変化する複数の入力変数値に応じて、 制 御対象を 目標状態に近づけて当該制御対象の制御変数 値を求めるプロセス蓮転支援方法であって、

入力層、 少な く とも 1層の中間層、 および出力層か らなる階層構造の神経回路モデルを用い、

プロセスの過去の運転履歴情報のうち、 異なる時点 の複数の入力変数値の代表的なパターンを入力信号と すると共に当該代表的なパタ ーンに対応する制御変数 値を教師信号と して、 前記神経回路モデルに学習させ、 該学習した神経回路モデルに前記入力変数値と して 未学習のパタ ーンを入力することによ リ 目的の制御変 数値を求める こ と を特徴とするプロセス運転ま援方法。

2. 時間と共に変化する複数の入力変数値に応じて、 少 なく とも 1個の制御対象が目標状態となるような当該 制御対象の制御変数値を求めるプロセス運転支援方法 で って、

入力層、 少な く とも 1層の中間層、 および出力層か らなる階層構造の神経回路モデルを用い、

前記制御対象を 目標状態とする制御が達成されたと きの前記複数の入力変数値のパターンを入力信号とす る と共に当該パタ ーンに対応する制御変数値を教師信 号と して、 複数のパターンについて順次前記神経回路 モデルに学習させ、 該学習した神経回路モデルに前記入力変数値と して 任意の入力変数値パターンを入力する こ と によ リ該パ タ ーンに対する制御変数値を求める こ と を特徴とする プロセス運転支援方法。

3. 前記神経回路モデルの学習時に、 或る時点の入力変 数値パターンと該或る時点の一定時間前の時点の入力 変数値パターンと を同時に入力信号と して用いる と と もに前記或る時点の制御変数値を教師信号と して用い、 複数の入力信号について学習した後、 該神経回路モデ ルに現時点の入力変数値パターンおよび現時点よ リー 定時間前の時点の入力変数値パターンを同時に入力す るこ と によ り現時点の制御変数値を求める こ と を特徴 とする請求項 1 または 2記載のプロセス運転支援方法。

4. 時間と共に変化する複数の入力変数値に応じて、 制 御対象が目標状態に近づけるような当該制御対象の制 御変数値を求めるプロセス運転支援方法であって、

入力層、 少なく とも 1層の中間層、 および出力層か らなる階層構造の神経回路モデルを用い、

或る時点の入力変数値パタ ーン、 該或る時点の一定 時間前の時点の入力変数値パタ ーン、 両時点の入力変 数値の偏差のパターンのうち 2個以上のパターンを同 時に入力信号と して用いる と ともに、 前記或る時点の 制御変数値を教師信号と して、 複数の入力信号につい て前記神経回路モデルに学習させ、

該学習した神経回路モデルに現時点の前記 2個以上 のパターンを同時に入力するこ と によ リ現時点の制御 変数値を求めるこ とを特徴とするプロセス運転支援方 法。

5. 前記神経回路モデルの学習した結果に基づいて、 前 記各入力変数と各制御変数との間の因果関係を抽出し、 該因果関係に基づいて前記プロセスの蓮転を支援する 請求項 1 、 2 、 3 または 4記載のプロセス運転支援方 法。

6. 前記神経回路モデルは、 複数のニューロン素子モデ ルからなる入力層と、 該入力層の各ニューロン素子モ デルの出力をそれぞれ受ける複数のニューロ ン素子モ デルからなる少なく とも 1層の中間層と、 最終の中間 層の各ニューロ ンの出力を受ける少なく とも 1個の二 ユーロン素子モデルからなる出力層と を有し、 前記入 力層の各ニューロ ン素子モデルに入力変数を対応させ る と ともに前記出力層の各ニューロ ン素子モデルに各 制御変数を対応させ、 前記学習は前記各ニューロ ン素 子モデル間の連結部に付与された重み係数を制御する ことによ リ行う こと を特徴とする請求項 1 、 2、 また は 4記載のプロセス蓮転支援方法。

7. 前記神経回路モデルの学習した結果に基づいて、 前 記各入力変数と各制御変数との間の結合強度を求め、 該結合強度の大きさに基づいて前記神経回路モデルの 回路構造を変更するこ と を特徴とする請求項 6記載の プロセス運転支援方法。

8. 特定の一入力変数と特定の一制御変数との結合強度 は、 当該：入力変数に対応する前記入力層のニューロ ン素子モデルから前記中間層の各ニューロ ン素子モデ ルを経て当該一制御変数に対応する前記出力層のニュ 一ロン素子モデルに至る各経路の重み係数の積和で定 義する こと を特徴とする請求項 7記載のプロセス運転 支援方法。

9. 前記神経回路モデルの構造の変更は、 特定のニュー ロン素子モデル間の連結の削除である請求項 7記載の プロセス運転ま援方法。

10. 前記神経回路モデルの構造の変更は、 前記中間層の 階層数の変更である請求項 7記載のプロセス運転支援 方法。

1 1 . 定常時の履歴情報を学習した神経回路モデルと非定 常時の履歴情報を学習した神経回路モデルと を別個に 用意し、 運転ま援時に、 定常時と非定常時とで神経回 路モデルを切 り換えて使用するこ と を特徴とする請求 項 1、 2 または 4記載のプロセス蓮転支援方法。

12. 入力変数値のパタ ーンの変化状態に応じて、 別個の 履歴情報を学習した神経回路モデルを複数個用意し、 運転支援時に、 前記入力変数値のパターンの変化状態 に応じて使用する神経回路モデルを切 り換える こ と を 特徴とする請求項 1、 2 または 4記載のプロセス運転 支援方法。

13. 入力層、 中間層および出力層の異なる層間で連結さ れたニューロ ン素子モデル対間の重み係数が決定され るこ と によ り学習を有限回実行した階層構造の神経回 路モデルから、 該神経回路モデルの入力変数と出力変 数との間の因果関係を知識と して抽出する知識抽出方 法であって、

特定の一入力変数に対応する入力層のニューロ ン素 子モデルから前記中間層の各ニューロ ン素子モデルを 経て、 特定の一出力変数に対応する出力層のニューロ ン素子モデルに至る複数の経路について、 各経路の重 み係数の積を求め、 複数の経路について該積を加算し、 該加算値を当該一入力変数と一出力変数との間の因果 関係を定める尺度とするこ とを特徴とする知識抽出方 法。

14. 時間と共に変化する複数の入力変数値に応じて、 制 御対象を 目標状態に近づける当該制御対象の制御変数 値を求めるプロセス運転支援システムであっ て、

入力層、 中間層および出力層からなる階層構造の神 経回路モデルを有し、 該神経回路モデルに過去の蓮転 履歴情報を入力信号および教師信号と して用いて過去 の運転実績を学習させた処理手段と、

前記制御対象から前記神経回路モデルに入力する入 力変数値を得る入力手段と、

前記学習した神経回路モデルから知識を抽出する知 識抽出手段と、

該知識抽出手段によ り得られた知識を蓄積する知識 ベースと、

該知識ベースに蓄積された知識からプロセス運転支 援情報を得る推論機構と、

前記処理手段の出力およびノまたは前記推論機構の 出力に応じて前記制御対象の制御のガイ ダンスを行う ガイダンス手段と

を備えたこ と を特徴とするプロセス運転支援システム。. プロセスの観測量に基づき制御量の 目標値を出力す るための先見的モデルを用いたプロセス運転支援方法 であっ て、

該先見的モデルの出力値と制御量の実測値と の誤差 を計算し、

入力層、 少な く とも 1 層の中間層、 出力層および教 師層からなる階層構造の神経回路モデルを用い、 過去 の複数時点での前記観測量を入力層に入力 し、 かつ、 対応する前記誤差を教師層に入力する こ と によ り 、 前 記観測量と前記誤差と の関係を学習し、 学習済み神経 回路モデルに、 任意時点での前記観測量を入力 して対 応する時点での誤差を予測させる と共に、

前記先見的モデルの出力値と前記学習済み神経回路 モデルの予測値と によ り、 制御量の 目標値を出力する よ う に したこ と を特徴とするプロセス運転支援方法。. プロセスの観測量に基づき制御量の 目標値を出力す る 目的で調整可能なパラ メータ を有する先見的モデル を用いたプロセス運転支援方法であっ て、 該先見的モデルの出力値と制御量の実測値との誤差 を計算し、

入力層、 少なく とも 1層の中間層、 出力層および教 師層からなる階層構造の神経回路モデルを用い、 過去 の複数時点での前記観測量を入力層に入力 し、 かつ、 対応する時点での前記先見的モデルの調整可能なパラ メータ値を教師層に入力する こ と によ り、 前記観測量 と前記パラメータ値との関係を学習し、 学習済み神経 回路モデルに、 任意時点での前記観測量を入力 して対 応する時点での前記パラメータ値を予測させる と共に、 前記学習済み神経回路モデルから予測されたパラメ ータ予測値を用いて前記先見的モデルの出力値を得て、 該出力値に基づき制御量の目標値を出力するよう にし たこと を特徴とする運転支援方法。

. 時間と共に変化するプロセスから状態量間の知識を 獲得し、 これを利用して該プロセスの運転を支援する プロセス運転支援方法において、

①外乱と②プロセス状態量おょぴ③評価量に対して ④プロセスの操作量を出力するものであって、

入力層、 少なく とも 1層の中間層、 および出力層か らなる階層構造の神経回路モデルを用い、

過去の複数時点での前記①、 ②、 ③およぴ④のうち の少なく とも 1 つを、 予め設定したメンバーシップ関 数によ り変換するよ う に し、 前記①、 ②、 ③および Φ' のうち少な く とも①または②を前記入力層に入力する と 共に、 当該入力 と に対応する前記①、 ②、 ③および ④の う ち の少な く と も 1 つ を前記出力層の教師パタ ー ンと して前記神経回路モデルに学習させる こ と によ り 、 前記①②③④の間の少な く と も 2 つの関係 を記述する ための確信度付き フ ア ジィ ルールを出力 し、

該確信度付き フ ァ ジィ ルールを利用 してプロ セス運 転をま援ま たは制御す る こ どを特徴とするプロ セス蓮 転支援方法。

. 入力層、 少な く と も 1 層の中間層、 および出力層か らなる階層構造の神経回路モデルを用い、

プロ セ スの過去の当該入力 に対応する実績需要パタ ーン を教師パタ ー ン と し て、 前記神経回路モデルに学 習させ、

該学習 し た神経回路モデルに、 未学習の複数の外乱 変数の予想値を入力す る こ と によ り 、 対応する需要パ ターンを予測し、

該予測 し た需要パタ ーン を 目標パタ ーン と してプロ セ スの制御に供す る こ と を特徴とするプロセス運転支援 方法。

入力層、 少な く と も 1 層の中間層、 および出力層か らなる階層構造の神経回路モデルを用い、

過去の複数時点での、 天候および 日 射量を含む気象 条件 と推量、 水温、 水質の う ちの少な く と も一つ を含 む水質条件 と を入力す る と と も に、 当該入力 に対応す る塩素注入量ま たは濃度 を教師パタ ーン と して前記神 経回路モデルに学習させ、 · 該学習 した神経回路モデルに現時点又は将来予想さ せる前記気象条件と前記水質条件と を入力 し、 当該入 力に対応する塩素注入量または濃度を予測させ、

該予測値に基づいて塩素注入量または濃度を決定す る こ と を特徵とする、 浄水場における塩素注入制御方 法。