JP2533942B2

JP2533942B2 - 知識抽出方法およびプロセス運転支援システム

Info

Publication number: JP2533942B2
Application number: JP1194898A
Authority: JP
Inventors: 研二馬場; 伊智朗圓佛; 昭二渡辺; 捷夫矢萩; 文雄丸橋; 晴美松崎; 弘松本; 舜介野北; 幹雄依田; 直樹原
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1989-03-13
Filing date: 1989-07-27
Publication date: 1996-09-11
Anticipated expiration: 2011-09-11
Also published as: JP2753460B2; WO1990010898A1; DE69032557D1; JPH0315902A; EP0708390B1; JPH07319508A; US5943662A; EP0708390A2; US5774633A; EP0432267A4; EP0432267A1; EP0708390A3; DE69033328D1; JPH1091208A; JPH07319509A; DE69033328T2; US5845052A; JP2886112B2; KR920700418A; EP0432267B1

Description

【発明の詳細な説明】［産業上の利用分野］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。

［従来の技術］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・電子力・水力・発電プロセス、熱電
併給プロセス、化学プロセス、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。

［発明が解決しようとする課題］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「if then」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っていなければ、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
み合わ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
ールなど）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
った過去の履歴を有効に利用することにより、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
にある。

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。

［課題を解決するための手段］上記目的を達成するために、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。

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、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り一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支援方法は、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ロセスの運転を
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
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り行
う。

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。

前記学習を有限回実行し、その結果得られた前記重み
係数の値の系統的出現頻度分布パターンに基づいて、前
記神経回路モデルの構造を変更することも可能である。

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個別
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ものであ
る。

本発明による他の知識抽出方法は、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、前記有限回の学習の結果得られた重み係
数の値の統計的出現頻度分布パターンを求め、該統計的
出現頻度パターンに基づいて当該一入力変数と一出力変
数との間の因果関係の再現性を定量化するものである。

好ましくは、前者の知識抽出方法により得られた入力
変数と出力変数との間の因果関係の尺度に対して、後者
の知識抽出方法により当該入力変数と出力変数について
得られた再現性の程度を加味することにより、当該因果
関係を知識として採用するか否かを決定する。逆に、再
現性により知識を抽出した後、因果関係の尺度にてらし
て採用の可否を決定してもよい。

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／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、「運転支援」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
御することを含むものとする。

［作用］本発明は、神経回路モデルのもつ学習機能を、（イ）
プロセスの運転履歴情報からの学習、（ロ）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
デルは経験豊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
により、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
のオペレータの経験、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、さらには両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
設けることにより、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
っ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。これによって、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ベー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。

［実施例］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（ニューラルプロセッサ）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運転支
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）から導かれた原水
が導かれる。原水は着水井９から急速混和池10へ導か
れ、急速混和池10では、凝集剤タンク11A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12A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
リウムなどのアルカリ剤がアルカリ剤タンク11Bからア
ルカリ剤注入ポンプ12Bにより注入される。急速混和池1
0内は、撹拌翼14が攪拌機13により撹拌され、原水中の
0.01mm前後の懸濁微粒子を0.1mm前後のマイクロフロッ
クとする。この水はフロック形成池15に導かれフロック
に成長する。フロック形成池15は複数の池15A,15B及び1
5Cからなり、各池に撹拌パドル17A,17B及び17C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
1mm前後のフロックに成長する。成長したフロックは沈
殿池16で沈降して上澄み液が濾過池17で濾過される。濾
過池17には、洗浄水タンク18からポンプ19により逆洗水
が間欠的に噴射され、濾床を洗浄する。濾過水には、洗
浄池20と配水池21に一旦貯留され、ポンプ22により配管
網24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23A,23B,23Cが設置される。なお、殺菌
のために塩素容器25の塩素が塩素注入機26により着水井
９と浄水池20とに適量注入される。

次に、計量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5Aが設置される。計測項目
は、水温、濁度、アルカリ度、pH、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15Cには、水中カメラなどの撮像手段5Bが設置さ
れ、必要に応じて急速混和池10やフロック形成池15A,15
B、並びに沈殿池16にも設置する。沈殿池16には、濁度
計5Cが設置される。濾過池17の計測器5Dの計測項目は、
損失水頭、水位、濁度、残留塩素濃度、pH、濁度、流量
などである。浄水池20及び配水池21での計測器5Eと5Fの
計測項目は、水位、濁度、残留塩素濃度、pH、濁度、流
量、水圧、水温などである。配管網24に設置される計測
器5Gの計測項目は、濁度、残留塩素濃度、pH、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80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ピュータシステム
80に入力される。計測器5A,5C,5D,5E,5F,5G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5AS,5CS,5DS,
5ES,5FS,5GSは、入力ポート56Aを通じ、システムバス52
を経て記憶装置54に格納される。同時に、記憶装置54は
システムプロセッサ（SP）42で処理された各種処理デー
タも格納する。なお、記憶手段5Bから得られたフロック
の濃淡画像のアナログ電気信号5BSは、画像処理装置40
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50は画像処理装置40の処理状況を出力する。

ここで、画像処理装置40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
5B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5A,5C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80の構成をさらに説明
する。システムバス52にはシステムプロセッサ42、画像
処理装置40、記憶装置54、ニューラルプロセッサ（NP）
70、知識ベース60A、知識候補ベース60B、推論機構61が
各々接続されている。システムプロセッサ（SP）42には
キーボード44とディスプレイ46とが接続される。キーボ
ード44からの入力項目は、（１）画像処理装置40の操作
条件、（２）ニューラルプロセッサ70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40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42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61の動作を制御する。

次に、コンピュータシステム80からの出力を説明す
る。コンピュータシステム80での処理結果は、出力ポー
ト56Bを通じて、凝集剤注入ポンプ12A、アルカリ剤注入
ポンプ12B、撹拌機13、撹拌パドル17A,17B,17C、ポンプ
19、塩素注入機26、ポンプ22、バルブ23A,23B,23Cなど
に対して、制御用の出力信号12AS,12BS,13S,17AS,17BS,
17CS,19S,26S,22S,23AS,23BS,23CS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12Aでは凝集剤注入制御、、アルカ
リ剤注入ポンプ12Bではアルカリ剤注入制御、攪拌機13
では急速撹拌制御、撹拌パドル17A,17B,17Cでは緩速撹
拌制御、ポンプ19では逆洗制御、塩素注入機26では前塩
素注入制御と後塩素注入制御、ポンプ22とバルブ23A,23
B,23C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、（II）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、オペレータへの問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46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
を報知した上で、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、（II）を実行する場合の手順の概略を以下に説
明する。（II）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70により学習、
（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）を表わす。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、各々知識ベース60Aと知識
候補ベース60B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5Aで原水の水質（水温、濁度、ア
ルカリ度、pH、電気伝導度、残留塩素濃度、塩素要求
量、水量、水位）及び、撮像手段5Bと画像処理装置40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431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（II）履歴の学習に基づく支援
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「支援」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
だして、この記憶に基づいて運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りガイダ
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Xiの表れ方の代表的
なパターンをよく覚えている。ここで、「パターン」と
は、ある時刻における変数Xiの値Yiの集合をさす。他
方、ある変数Xi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Xj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Xiが制御したい変数であり、他の変数Xjが
制御変数である場合に、過去の異常時において変数Xjの
操作により変数Xi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xi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Xi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っており、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行う
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。

続いて、（II）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。

（II）の支援は、前述したように、（１）〜（５）の
ステップからなる。（１）の学習工程71では、各種の計
測情報の履歴パターンP₁（t₁），P₂（t₂），…（Pi（t
i）の説明は後述する）をパターンファイル71Sからニュ
ーラルプロセッサ70により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72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73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74
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75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42により行い、必要に応じて、キーボード44、ディス
プレイ41を操作すると共に、知識ベース60Aと知識候補
ベース60Bにアクセスする。

なお、ここで知識とは「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71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5Aで計測した
水温，濁度，アルカリ度,pH,電気伝導度，残留塩素濃
度，塩素要求量，水量，水位、撮像手段5Bと画像処理装
置40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，フロック輝
度，背景輝度，フロック密度，濁度計5Cで計測した濁
度、計測器5Dで計測した損失水頭，水位，濁度，残留塩
素濃度,pH,流量，浄水池20及び配水池21の計測器5Eと5F
で計測した水位，濁度，残留塩素濃度,pH,流量，水圧，
水温，配管網24の計測器5Gで計測した濁度，残留塩素濃
度,pH,流量、水圧，水温など、入力ポート56A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t₁におけるこれら変数Xiのとる値Yi
の集合をパターン１としてP₁（Y₁（t₁），Y₂（t₁），…
Y_n（t₁））と表す。略記する時はP₁（t₁）とする。異な
る時刻におけるパターンP₁（t₁），P₂（t₂），…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70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“○”はニュ
ーロン素子モデル701であり、“○”と“○”とを連結
する実線702はニューロン素子モデル701間の情報のやり
とりがあることを示す。また、ニューラルプロセッサ70
は入力層710と中間層720と出力層730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り、隣
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720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710と出力層730との変数設定について
説明する。入力層710には原因となる変数を付与し、一
方、出力層730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730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710
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）をパターンファイル71Sから入力する。これらの
値は最小値を“0"以上、最大値を“1"以下になるよう
に、スケールを調整しておくことが望ましい。他方、出
力層730の各ニューロン素子モデル及び、教師信号層750
には出力ポート56B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12A制御の
ための信号12AS、アルカリ剤注入ポンプ12B制御のため
の信号12BS、攪拌機13制御のための信号13S、撹拌パド
ル17A,17B及び17C制御のための信号17AS,17BS及び17C
S、ポンプ19制御のための信号19S、塩素注入機26制御の
ための信号26S、ポンプ22制御のための信号22S、バルブ
23A,23B及び23C制御のための信号23AS,23BS及び23CS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701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
（X₁〜X_n）が入力される例を示す。ある時刻t₁における
変数X₁〜X_nの各信号の値をY₁（t₁）〜Y_n（t_n）とする。

まず、時刻t₁の設定法について説明する。時刻t₁のパ
ターンをP₁（t₁）とする。時刻t₁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P₁（t₁）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ァイルP_i
（t_i）に格納する。結果的に、ニューラルネットワーク
はこれら学習した内容に応じてふるまうので、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P₁（t₁），P₂（t₂），…
であり、これら複数のパターンを繰り返し学習させる。
これにより、オペレータの過去の経験に匹敵するパター
ン把握能力をニューラルネットワークが身につける。オ
ペレータによる学習はキーボード44とディスプレイ46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1mg/
l以下）：このときの条件を自動的にまたはオペレータ
に問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
なわち、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P₁（t₁），P₂（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
（tj）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Y₁〜Y_n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。

ここで、Yi（１）：入力層（第１層）のXiの値、Wji
（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、Zj（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701では、Zj（２）の大小に応
じてここでの出力値が次第で計算される。

Yj（２）＝1/（１−e^-Zj(2)） … 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、Zj（２）の値に応じて
“0"から“1"までの間の値がYj（２）として得られる。
計算値Yj（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、ニューラツ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（１）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Wij（２←
１）との積和Zj（２）を式で計算し、この大小に応じ
て出力層への出力値Yj（２）を式で決定する。同様に
して、中間層の出力値Yj（２）はさらに中間層（第２
層）と出力層（第３層）との重み係数Wij（３←２）と
の積和Zj（３）を次式で計算する。

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、Zj（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、Zj（３）の大小に応じて出力層730への出力
層Yj（３）を次式で計算する。

Yj（３）＝1/（１−e^-Zj(3)） … このようにして、出力層の計算値Yj（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73
0の後に、さらに第３図に示すように、比較層740と教師
信号層750とを設け、出力層730の信号730Sと教師信号層
750の教師信号750Sとが比較的740に入力され、ここで出
力信号730Sと教師信号750Sとが比較される。この誤差が
小さくなるように、重み係数Wji（３←２）及びWji（２
←１）の大きさを修正する。この修正値を用いて再度、
〜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710の変数Xiから出力層730の変
数Xj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
ュー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
70で行う例を説明したが、システムプロセッサ42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70の機能を持た
ねばならない。

次に、第２図の支援工程72を説明する。ここでは学習
工程71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、ニューラルネット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_i）からなるパターンP_i（t_i）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Xj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710、中間層7
20、出力層730からなるニューラルネットワーク（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、
現時刻でのパターンP_i（ｔ）を用いて〜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46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、パターンP_i（ｔ）
の時の想起結果に応じた目標パターンＣ（Pi（ｔ））に
なるように、各制御信号56BS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73を説明する。この知識抽出工
程73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710に設定する
変数Xiと出力層730に設定する変数Xjとの関係は、変数X
iが原因で、変数Xjが結果とみなせる。したがって、変
数Xiから変数Xjを導く想起の計算では、変数Xj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Xj
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〜を、Wji（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Xj（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」Ijiを用い
る。

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Xiから変数Xjにいたるすべての重み係数の
積和をとったものであるから、変数Xiから変数Xjへの影
響度合いを示す。知識抽出工程73では、まず式の計算
を行う。因果性尺度Iji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74において知識または知識候
補として、知識ベース60Aまたは知識候補ベース60Bに登
録する。判定基準値をＩ＊とし、Wjk（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］ Iji＞Ｉ＊,Q＞０の時は変数Xiが増加したら、変数Xjも増加する。 … ［知識２］ Iji＞Ｉ＊,Q＜０の時は変数Xiが増加したら、変数Xjは減少する。 … なお、Iji≦Ｉ＊のときは、変数Xiと変数Xj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、Iji値
の大きさをファジー推論のメンバー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。

続いて、第２段階の知識抽出方法は、重み係数のバラ
ツキに着目した方法である。まず、考え方を説明する。
学習の過程では重み係数の初期値を乱数で設定する。ま
た、数多くの重み係数があるので、学習後の重み係数の
収束値は学習毎に若干異なる。したがって、一回の学習
（複数の繰返し演算を伴う）の結果重み係数Wjiの値が
大きいからといって、この値がいつも大きいとは限らな
い。つまり、変数Xiと変数Xjとの関係が密接であるとは
必ずしも限らない。このあいまいさをより確かなものに
するために、本発明では「再現性尺度」を導入する。

再現性尺度の定義を第７図を用いて以下に説明する。
再現性尺度とは、複数回の学習を行った時に、Wjiの値
の再現性（バラツキの度合い）を指し、Sji（ｋ←１）
と表わす。この記号はｌ層からｋ層への重み係数Wjiの
再現性を表わし、複数回の学習を行ったときの、Wjiの
頻度分布の幅の狭さを表わす。

次に、Sji（ｋ←ｌ）の計算方法について以下に説明
する。まず、学習工程71をＮ回実行すると、一つのWji
についてＮ個の値が得られる。この値の頻度分布をとる
と、第７図（ａ）または（ｂ）の図が得られる。第７図
（ａ）は、Wjiのバラツキが小さく、初期値にかかわら
ず再現性がある（確実である）といえる。一方、第７図
（ｂ）は、Wjiのバラツキが大きく、初期値によって値
が変化するので再現性がないといえる。そこで、まず、
頻度分布の標準偏差σjiを計算し、この逆数をとって再
現性尺度Sjiを次式で定義する。

Sji（ｋ←ｌ）＝1/σij … 標準偏差σjiが小さいとき、再現性尺度Sji（ｋ←
ｌ）は大になるので、変数Xiと変数Xjとの関係は確かに
密接であるといえる。つまり、上記関係やで記述さ
れる知識はより確実といえる。この値が判定値Ｓ＊より
大きいか否かで、知識または知識候補として採用するか
否かを判定する。この判定あるいは診断は、後述の知識
診断工程74において行い、知識と診断されたら知識ベー
ス60Aへ、一方、知識候補と診断されたら知識候補ベー
ス60Bに各々登録する。

なお、第１段階の因果性尺度に基づく方法と第２段階
の再現性尺度に基づく方法とは各々独立した評価尺度で
あるので、実行順番は、どちらが先でもよく、また並行
して行ってもよい。

続いて、因果性尺度と再現性尺度とを組み合わせた
「重要性尺度」Jjiについて説明する。この考え方は、
因果性が強くてかつ再現性のある変数Xiと変数Xjとは、
知識である可能性がより高いので、これを評価しようと
するものである。重要性尺度Jjiは、次式で定義する。

変数Xiと変数Xjとについて、確かな知識でかつ影響の
度合いが高い因果関係に対して、重要性尺度Jjiには大
きな値が付与される。したがって、Jji値が判定値Ｊ＊
より大きいか否かで、知識または知識候補として採用す
るか否かを判定する。この判定（診断）は、後述の知識
診断工程74において行い、知識と診断されたら知識ベー
ス60Aへ、一方、知識候補と診断されたら知識候補ベー
ス60Bに各々登録する。

以上のようにして、因果性尺度Iji、再現性尺度Sji、
重要性尺度Jjiを用いて、原因となる変数Xiと結果とな
る変数Xjとの因果関係の度合いを測り、これに基づいて
知識あるいは知識候補としての妥当性を診断する。

次に、知識診断工程74を説明する。知識診断工程74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。
具体的には、前述の知識抽出工程73の結果をオペレータ
に問い合わせ、知識と診断されたら知識ベース60Aへ、
一方、知識候補と診断されたら知識候補ベース60Bに各
々登録する。なお、知識候補ベース60B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。これらのオペレータへの問い
合わせは、原則としてキーボード44とディスプレイ46と
を介するオペレータとのマンマシン会話により行う。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） Iji＞Ｉ＊ならば XiとXjとの関係（例えば、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60A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60Bへ登録する。

（a2） Iji＜Ｉ＊ならば XiとXj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60Bに登録するか、場合によっては棄却す
る。

（ｂ）再現性尺度の問い合わせ：（bl） Sji＞Ｓ＊ならば XiとXjと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60A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60Bへ登録する。

（b2） Sji＜Ｓ＊ならば XiとXjとの関係をオペレータへの問い合わせなしに知
識候補ベース60Bに登録するか、場合によっては棄却す
る。

（ｃ）重要性尺度の問い合わせ：（c1） Jji＞Ｊ＊ならば XiとXjと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60A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60Bへ登録する。

（c2） Jji＜Ｊ＊ならば XiとXj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60Bに登録するか、場合によっては棄却す
る。

Iji＜Ｉ＊又は、Sji＜Ｓ＊又は、Jji＜Ｊ＊の場合に
は変数XiとXjとを結ぶ線702を削除することにより、結
線構造を簡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） Iji＞Ｉ＊ならば XiとXjとの関係を知識ベース60Aへ登録する。

（a2） Iji＜Ｉ＊ならば XiとXjとの関係を知識候補ベース60Bに登録する。

（ｂ）再現性尺度の問い合わせ：（bl） Sij＜Ｓ＊ならば XiとXjとの関係を知識ベース60Aへ登録する。

（b2） Sji＜Ｓ＊ならば XiとXjとの関係を知識候補ベース60Bに登録する。

（ｃ）重要性尺度の問い合わせ：（c1） Jji＞Ｊ＊ならば XiとXjとの関係を知識ベース60Aへ登録する。

（c2） Jji＜Ｊ＊ならば XiとXjとの関係を知識候補ベース60B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オペレー
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60B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75では、知識ベース60A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60Aには、予め、明らかになっている知識（経
験的、科学的知識など）を格納しておく。したがって、
知識ベース60A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61を駆動させ、結論を導
き、ディスプレイ46に表示する。必要に応じて記憶装置
54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56B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績と経験とを積むこと
により、次第に賢明になる機能を有する。

次に、他の実施例を第８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P₁（T₁），P₂（T₂）を同時に用いること、（ｂ）、パターン間の偏差P_1,2（t_1,2）＝P₁（t₁）−P₂
（t₂）を用いること、（ｃ）、パ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。

パターンファイル71Sには、第８図に示すように、P_i
（t₁）、P₂（t₂）及びP_1,2（t_1,2）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71で学習す
る。ここで、t₁とt₂との時間間隔τ（＝t₁−t₂）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って
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72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_i（t_i）とτ時間前のパ
ターンP_i-1（t_i-1）、及び両者の偏差P_i-1,i（t_i-1,i）
を受けて、想起の計算を実行する。計算方法は第２図の
説明で前述した通りである。

知識抽出工程73、知識診断工程74、運転支援工程75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８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トワークを用いるこ
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Xj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、プラントのスタート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ト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、状況に応じて使いわけ
ると効果的である。

以上のようにして、本実施例では、状況の異なる過去
の運転履歴も学習し、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5Aの計測項目である水温、濁
度、アルカリ度、pH、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5Bと画像処理装置
40の計測項目であるフロック特徴量、さらに濁度計5C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12AS、アルカリ剤注入ポンプ制御信号12
BS、攪拌機13制御信号13S、撹拌パドル制御信号17AS、1
7BS及び17CS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、アルカリ剤注入運転支援制御、急速撹拌運転支
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5Bは急速混和池10、沈殿池16または濾過
池17に設置して、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９図（第３
図に対応している）に示す。この神経回路の入力層710
はニューロン素子モデル701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、pH、及び流
量を入力する。また、中間層720はニューロン素子モデ
ルを３個からなり、出力層750と教師信号層730とはそれ
ぞれ１個のニューロン素子モデルからなり、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。この学習工程は、第２図で説明し
た学習工程71に対応する。学習に際し、まず、運転支援
を行う目的で参考にすべき（学習すべき）日を設定す
る。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、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（365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ヵ月に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1.0mg/l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夏秋冬の代表的な日、を少なくとも１日以上選ぶ。

この例では、１年間（365日）の運転履歴の中から処
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10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30日分が適している。

学習が終了した後、次に、この第９図の学習済みニュ
ー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９図の中
で比較層740と教師信号層750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3mg/l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質の日の
凝集剤注入率を想起することができた。

次に、第10図に、ニューラルネットの入力として、１
日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トの構成
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710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、pH、及び流量を入力する。
したがって、入力層710のニューロン素子モデルは10個
必要であり、中間層720には５個用いた。出力層730およ
び教師信号層750には、それぞれ１個のニューロン素子
モデルを用い、第９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P₁（t₁）、過去
の水質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９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11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８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
710には、同時に現在の値、過去の値、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、pH、及び流量を入力する。第８図に対応させれ
ば、P₁（t₁）が現在の水質、P₂（t₂）が過去の水質、P
_1,2（t_1,2）＝P₁（t₁）−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710に15
個、中間層720に７個を用いる。前記同様、出力層730お
よび教師信号層750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10mg/l以下）の場合と、非定常時としての降雨時
（原水濁度が10mg/l以上）の場合について、第11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
とにより、経験豊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）がより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
のすべ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11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5Aの計測項目である水
温、濁度、アルカリ度、pH、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5Bと画像
処理装置40の計測項目であるフロック特徴量、さらに濁
度計5Cの濁度、計測器5Dの計測項目である損失水頭、水
位、濁度、残留塩素濃度、pH、流量、計測器、5Eと5Fの
計測項目である水位、濁度、残留塩素濃度、pH、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26S、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19S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5Eと5Fの計測項目で
ある水位、濁度、残留塩素濃度、pH、流量、水圧、水
温、及び、計測器5Gの計測項目である濁度、残留塩素濃
度、pH、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22S、バルブ制御信号23AS,23
BS及び23CSを設定すれば、配管網の水質と水量を制御す
るため支援制御システムとなる。本システムは、配水流
量運転支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、詳細は省略するが、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。

以上、本発明の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像を
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、熱電供給システム、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ワー
ク管理システムなどに適用できる。

［発明の効果］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り、比較的簡単に精度の高い運転支
援システムを構築することができる。また、学習を行っ
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。

【図面の簡単な説明】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ワーク
を示す模式図、第７図は知識獲得の詳細を説明するため
のグラフ、第８図は本発明の他の実施例の説明図、第９
図〜第11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である。５…水質計、10…急速混和池、15…フロック形成池、40
…画像処理装置、42…システムプロセッサ、46…ディス
プレイ、44…キーボード、52…システムバス、54…記憶
装置、56A…入力ポート、56B…出力ポート、60A…知識
ベース、60B…知識候補ベース、61…推論機構、70…ニ
ューラルプロセッサ。

───────────────────────────────────────────────────── フロントページの続き (72)発明者矢萩捷夫茨城県日立市久慈町4026番地株式会社日立製作所日立研究所内 (72)発明者丸橋文雄茨城県日立市久慈町4026番地株式会社日立製作所日立研究所内 (72)発明者松崎晴美茨城県日立市久慈町4026番地株式会社日立製作所日立研究所内 (72)発明者松本弘茨城県日立市久慈町4026番地株式会社日立製作所日立研究所内 (72)発明者野北舜介茨城県日立市久慈町4026番地株式会社日立製作所日立研究所内 (72)発明者依田幹雄茨城県日立市大みか町５丁目２番１号株式会社日立製作所大みか工場内 (72)発明者原直樹茨城県日立市大みか町５丁目２番１号株式会社日立製作所大みか工場内 (56)参考文献特開平２−93708（ＪＰ，Ａ) 特開平２−201607（ＪＰ，Ａ) 特開平１−275381（ＪＰ，Ａ) 特開平２−206721（ＪＰ，Ａ) 特開平２−81160（ＪＰ，Ａ) 日経エレクトロニクス、1987．８．10 （Ｎｏ．427）ＰＰ．115−124

Claims

(57)【特許請求の範囲】

【請求項１】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。
【請求項２】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、前記有限回の学習の結
果得られた重み係数の値の統計的出現頻度分布パターン
を求め、該統計的出現頻度パターンに基づいて当該一入
力変数と一出力変数との間の因果関係の再現性を定量化
することを特徴とする知識抽出方法。
【請求項３】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し、かつ、前記有限回の学習の結果得られた重み係数の値の統計的
出現頻度分布パターンを求め、該統計的出現頻度パター
ンに基づいて当該一入力変数と一出力変数との間の因果
関係の再現性を定量化し、前記入力変数と出力変数との間の因果関係の尺度に対し
て、前記入力変数と出力変数について得られた再現性の
程度を加味することにより、当該因果関係を知識として
採用するか否かを決定することを特徴とする知識抽出方
法。
【請求項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
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／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。