JPH03134706A

JPH03134706A - 下水処理場運転支援のための知識獲得方法

Info

Publication number: JPH03134706A
Application number: JP1271679A
Authority: JP
Inventors: Kenji Baba; 研二馬場; Ichirou Enbutsu; 伊智朗圓佛; Shoji Watanabe; 昭二渡辺; Toshio Yahagi; 矢萩　捷夫; Harumi Matsuzaki; 松崎　晴美; Naoki Hara; 直樹原; Mikio Yoda; 幹雄依田; Toshihiko Uejima; 上島　寿彦; Yoshimasa Asada; 浅田　能勝
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1989-10-20
Filing date: 1989-10-20
Publication date: 1991-06-07

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】〔産業上の利用分野〕本発明は、下水処理プラントの状態評価知識または操作
知識を自動獲得し、さらには、プラントを適正に運転す
るための制御法に関する。

〔従来の技術〕

下水処理プラントでは、■流入水の物理的・化学的・生
物的特性、■プラントの状態量、■季節と時間、を種々
勘案して、■プラント状態を評価し、これに基づき■プ
ラントを操作している。プラントの維持管理とはこの評
価と操作（または制御）を適切に行うことである。しか
し、プラント固有の形状や処理方式の違い、あるいは流
入水の量と質に差があるため、■■■■■との関係は複
雑で一義的に定まらない傾向にあり、かつ、下水処理メ
カニズムも完全に解明されていない。これらのためオペ
レータが過去の実績により蓄積した勘と経験による評価
と操作がなされている。

この評価と操作を自動化する方法として、物理・化学・
生物学的な数学モデルを構築してシミュレーションを活
用して適正な運転を行う方法、並びに、オペレータの運
転操作を模擬した知識工学やファジィ理論による運転支
援方式や制御方式などが提案されている。

〔発明が解決しようとする課題〕

シミュレーションでは満足のいく方式は未開発である。

また、膨大なデータ解析やオペレータへのインタビュー
を通して、知識工学では「もし・・・ならば・・・せよ
」といったルール作成が、他方、ファジィ制御ではあい
まいさを定量化する特性関数であるメンバーシップ関数
の作成や推論のためのルール作成が、各々行われている
が、これらの作業にも経験と多大の労力とを必要とする
。さらには、ルールやメンバーシップ関数や推論ルール
の追加、削除、改良などソフトウェアメンテナンスにも
多大の労力を要する。

さらには、下水処理場では前記■■■■に基づき■プラ
ントの操作を、過去の経験と運転実績に着目すると共に
、現時点の状況を踏まえて手動制御しており、煩雑で継
続的な監視が不可欠であった。

〔課題を解決するための手段〕

前述したルール（推論ルール含む）やメンバーシップ関
数の作成だけでなく、追加、削除、改良を容易に行なう
ことができ、かつオペレータと同等の操作を実現するた
めに、ニューラルネット（神経回路モデル）のもつ学習
能力を活用する。

オペレータは、過去の運転履歴を参考にしながら、■流
入水の物理的・化学的・生物的特性、■プラントの状態
量、■季節と時間、を種々勘案して、■プラント状態を
予測しながら評価し、■これしこ基づいてプラントを操
作している。これらを人工的に行なうためにニューラル
ネットを適用する。

まず、ニューラルネットに過去の複数時点での■流入水
の物理的・化学的・生物的特性、■プラントの状態量、
■季節と時間、■プラント状態の評価結果、■プラント
の操作状態の各々のパターンを学習させる。これらを実
行するニューラルネットの具体的構成は、ニューロン素
子モデルを基本として構成される入力層、少なくとも１
層の中間層、出力層、比較層、並びに教師層からなる階
層構造であり、具体的学習方法は公知の誤差逆伝搬法に
より行なう。続いて、学習済みのニューラルネットの入
力層に、未学習である現時点または将来の■■■を入力
し、出力層に■■を出力（予測）させるようにした。こ
の予測値に基づいてプラントを操作する。

〔作用〕

ニューラルネットは過去の複数時点での前記■■■■■
を学習させることにより、オペレータと同等の感覚を身
に付ける。この実態は、ニューラルネットの重み係数の
分布が変化するものである。

次に、学習済みニューラルネットに、未学習の■■■を
入力することにより■■を予測する。これは、オペレー
タが過去の種々の実績を勘案して■■を行う方法を模擬
したものである。このように、ニューラルネットを利用
することにより、オペレータと同等の評価と操作が実現
できる。

〔実施例〕

本発明は、下水処理場の■流入水の物理的・化学的・生
物的特性、■プラントの状態量、■季節と時間、■プラ
ント状態の評価量、■プラント操作量、以上■■■■■
の過去履歴をニューラルネットに学習させて、■■■と
■とに関する知識、並びに■■■と■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、プラントの運転操作（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
ーラルネット）による学習工程、（２）知識獲得工程、
（３）知識診断工程、（４）推論工程、（５）学習済み
ニューラルネット（予測用ニューラルネット）の連想予
測工程、（６）プラント運転操作制御工程からなる。

第１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１５には最初沈殿池９から越流した下水
と返送汚泥管１６Ｐ１からの返送汚泥が流入する。曝気
槽１５にはブロワ−１７から制御バルブ１７Ａ、１７Ｂ
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１６に導か
れる。最終沈殿池１６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１６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１６Ｐ２とポンプ１６Ｃ２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１６Ｃ１から返送汚泥管１６
Ｐ１を通して曝気槽１５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１６には各々計測器９Ｍ。

１５Ｍ、１６Ｍ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、ｐＨ５窒素濃度、
アンモニア濃度、硝酸性窒素濃度、亜硝酸性窒素濃度、
リン濃度、溶存酸素濃度、汚泥界面高さ（ＳＶＩ：Ｓｌ
ｕｄｇｅ　Ｖｏｌｕｍｅ　Ｉｎｄｅｘ、など）、並びに
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８０の構成を説明する。

予測運転制御装置８０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図には処理のフロー
図を示しである。なお、図中ネットワークと記載されて
いる部分は後述する第４図の実線７０２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７１Ｆは、■計測器９Ｍで
計測した流入水特性、■計測器１５Ｍ。

１６Ｍで計測したプラント状態量、■季節と時間、■計
測器１５Ｍ、１６Ｍの計測量の一部であるプラント状態
評価量、■ポンプ１６Ｃ２、返送汚泥ポンプ１６Ｃ１、
ブロワ−１７、制御バルブ１７Ａ。

１７Ｂなどのプラント操作量、以上■〜■の時系列デー
タが記憶される。

学習用ニューラルネット７１には、履歴パターンデータ
ファイル７１Ｆの中から自動的にまたは交信手段４６か
らの指示７１Ｓにより、■流入水特性の選択されたデー
タ列Ｄ１、■プラント状態量の選択されたデータ列Ｄ２
．０４節と時間の選択されたデータ列Ｄ３、■プラント
状態評価量の選択されたデータ列Ｄ４、■プラント操作
量の選択されたデータ列Ｄ５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５本実施例で
は説明を容易にするため代表の記号Ｄ１〜Ｄ５で表すも
のとする。学習用ニューラルネット７１ではデータＤｉ
、Ｄ２．Ｄ３．Ｄ４．Ｄ５を用いて学習が実行され、実
行結果７１Ｓ１と７１８２とが、知識獲得工程７３と予
測用ニューラルネット７２とに出力される。

知識獲得工程７３では７１Ｓ１と７１Ｓ２に基づいて前
記■■■と■、または■■■と■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７４では、知識獲得
工程７３で得た知識を交信手段４６からの指示（図示省
略）により知識候補ベース６０Ｂまたは知識ベース６０
Ａに格納する。

推論機構６１は知識ベース６０Ａと、あらかじめ入力し
た知識ベース６０Ｃを受けて推論を実行し、運転制御工
程７５に信号６１Ｓを出力する。

一方、予測用ニューラルネット７２では履歴パターンデ
ータファイル７１Ｆ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７２Ｓとして
交信手段４６に表示すると共に、運転制御工程７５に出
力する。

運転制御工程７５は予測信号７２Ｓと信号６１Ｓとを受
け、信号７５Ｓを出力して■ポンプ１６ｃ２、返送汚泥
ポンプ１６Ｃ１、ブロワ−１７、制御バルブ１７Ａ、１
７Ｂ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７５Ｓを交信手段４６に表示して、必要に応じ
てオペレータ１０１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図を用い本発明の詳細な説明する。

詳細構成と動作の説明には第２図以降を用いる。

まず、履歴パターンデータファイル７１Ｆへデータを記
憶する方法について説明する。時刻し＝Ｏの履歴パター
ンデータＤＩ（０）〜Ｄ５（０）を履歴パターンデータ
ファイル７１Ｆに記憶する。これを繰り返してｔ＝Ｑ、
−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ト７１
の動作を以下に説明する。学習用ニューラルネット７１
では、履歴パターンデータファイル７１Ｆ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図と第２図とを用いて以下に説
明する。

第２図に示すように、Ｄ１〜Ｄ５について任意の時刻１
＝１□を基準に過去にさかのぼってｔ工１、ｔ、−２，
・・・をまず学習する。同様に、１＝１２（ｔｚ≠ｔ□
）を基準にしてｔ２−１．ｔ２−２．・・・のパターン
データを学習し、合計９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図に示すように、入
力Ｎ７１０には任意の時刻１　（１＝　１□、ｔｌ、・
・・）におけるＤｉ（ｔ）〜Ｄ３（ｔ）と、時刻ｔから
過去にさかのぼってＤｉ（ｔ−１）〜Ｄ５（ｔ−１）を
順次入力する。ここで、Ｄ４（ｔ−１）、Ｄ５（ｔ、−
１）が追加されることに注意されたい。以下ｔ＝ｔ−２
，ｔ−３，・・・についても同様である。一方、教師層
７５０には、Ｄ４（ｔ）、Ｄ５（ｔ）を入力する。学習
は、入力層７１０．中間層７２０、出力層３０、比較層
７４０、教師層７５０からなる構成の学習用ニューラル
ネット７１で行なう。

学習方法における信号処理方法を以下に第３図を用いて
説明する。第３図の構成と信号処理方法とは、前述した
入力データと教師Ｍ７５０の設定法を除いて公知である
。すなわち、第３図の構成と信号処理方法とはＲｕｍｅ
ｌｈａｒｔらによって考案された公知技術であり、詳細
は文献（ＰａｒａｌｌｅｌｌＤｉｓｔｒｉｂｕｔｅｄ　
Ｐｒｏｃｅｓｓｉｎｇ、ＨＩＴ　Ｐｒｅｓｓ、　Ｖｏｌ
、１゜（１９８６））を参照されたい。

第３図の構成と動作の概略を説明する。第３図でＯは、
積和演算とシグモイド変換機能を有するニューロン素子
モデル７０１であり、ＯとＯ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。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
が全て連結される。中間層７２０は複数層あって良いが
、本実施例では説明の簡単のため中間層の数が一つの例
を示す。また、第３図において出力層７３０、比較層７
４０、教師Ｎ７５０はＤ４（ｔ）、Ｄ５（ｔ）の２つで
あるが、一般的な表現として複数の場合を図示した。第
３図の構成をニューラルネット（神経回路モデル）と称
する。

次に、ニューロン素子モデル７０１の基本演算を第４図
で説明する。入力層７１０に入力するデータＤ１〜Ｄ５
の各々の時系列を一括（全部でｎ個あるとする）して、
第４図に示すようにｎ個の変数値Ｙ□〜Ｙｎと記す。入
力された信号値Ｙ１〜Ｙｎ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）を（１）
式で計算する。

ここで、Ｙｉ（１）：入力層（第１層）のＹｉ値、Ｗｊ
ｉ（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（２）式（シグモイド変換）で
計算される。

（２）式の計算内容は第５図のような非線形変換である
が、線形変換を適用しても同等の効果かえられる。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、ニューラルネットでの計算方法の概要について説
明する。前述した変数値Ｙ　１（１）は第３図の入力層
７１０に入力され、この信号値は中間層７２０のニュー
ロン素子モデルに出力される。中間Ｍ７２０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
ｉｊ（２←ｌ）との積和Ｚｊ（２）を（１）式で計算し
、この大小に応じて出力層７３０への出力値Ｙｊ（２）
を（２）式で決定する。同様にして、中間ｆｉ　７２０
の出力値Ｙｊ（２）はさらに中間層（第２暦）７２０と
出力層（第３層）７３０との重み係数Ｗｉｊ（３←２）
との積和Ｚ　ｊ　（３）を（３）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、Ｚ　ｊ　（３）の大小に応じて出力層７３０へ
の出力値Ｙｊ（３）を（４）式で計算する。

このようにして、出力層の計算値Ｙｊ（３）が得られる
。Ｙｊ（３）は本実施例では０４（ｔ）＊、Ｄ５（ｔ）
＊である。

ニューラルネットでの学習手順を説明する。まず、比較
層７４０で出力Ｎ７３０の信号７３０Ｓと教師信号層７
５０の教師信号７５０Ｓとを比較する。例えば、出力信
号７３０ＳであるＤ４（ｔ）＊と教師信号７５０Ｓであ
るＤ４（ｔ）との大小が各々比較される。両者の偏差が
小さくなるように、重み係数Ｗｊｉ（３←２）及びＷｊ
ｉ（２←］）の大きさを修正する。この修正値を用いて
再度（１）−（４）式の計算を実行し、出力信号７３０
Ｓと教師信号７５０Ｓとの大小を再度比較して再度重み
係数値を修正していく。この繰返しにより、偏差があら
かじめ決められた値以下になるまで続ける。最初は重み
係数は乱数の発生によりランダムに与えるので偏差は大
きいが、出力信号値は次第に教師信号値に近づく。この
時、（１）　−（４）式において値が変更されるのは重
み係数値Ｗｊｉだけであるから、学習結果はＷｊｉ値の
分布に反映していく。なお、予測工程ではこのＷｊｉ値
を用いる。

このように偏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（Ｐａｒａｌｌｅｌｌ　Ｄｉ
ｓｔｒｉｂｕｔｅｄ　Ｐｒｏｃｅｓｓｉｎｇ、ＨＩＴ　
Ｐｒｅｓｓ、　Ｖｏｌ、１．（１９８６））を参照され
たい。このような、学習方法そのものは公知であるが、
本発明は特に、異なる複数時刻（ｔ＝ｔ１゜１、．１□
２・・・ｔｑ）の履歴パターンデータ群を繰返し学習さ
せ、かつ教師信号としてアナログ値を用いる。

この結果、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各重み係数Ｗｊｉに蓄積
記憶されていく。この操作により、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。

複数時刻１＝１工＋ｔ２＋ｔｌ＋・・・ｔ、における履
歴パターンデ；り群の学習方法を以下に説明する。複数
の履歴パターンデータ群は時刻ｔを任意に変えて学習す
る。この日ｔ１ｔｔｚ＋ｔ３ｔ・・・ｔ（はオペレータ
が選択する場合と、自動的に選択する場合とがあり、以
下に両者を説明する。

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、変数値Ｙ工〜Ｙｎの代表的なパター
ンや、後日参考にしたい異常時のパターンである。結果
的に、ニューラルネットはこれら学習した内容に応じて
結果を出力するので、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、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、過去の異なる時刻におけるパター
ンであり、複数のパターンを繰返し学習させる。この結
果、ニューラルネットは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身につける。オペレータによる
時刻の設定は交信手段４６を介するマンマシン会話によ
り行う。例えば。

１月の代表的パターンから１２月の代表的なパターンま
で１２パターンを各々学習する。特に、代表的な流入水
質の時に、Ｉ＆終沈殿池１６の計測器１６Ｍで計測した
処理水質（浮遊物質濃度、有機物濃度など）が良好な（
基準を最低温たしている）時のパターンを学習する。つ
まり、処理が良好な時にはどのような操作が行なわれた
かを学習する。

他方、自動的に行う場合には、事前にデータ列の統計解
析を行う。すなわち、統計解析により最も発生頻度が高
いパターンを求めて正常時の代表例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のパター
ンを代表例とみなしてこれらを学習させる。第１図の実
施例ではニューラルネットはひとつであるが、正常時用
ニューラルネットと異常時（非定常時）用ニューラルネ
ットとに分けて適用すればさらに効果的である。

次に、知識獲得工程７３では７１Ｓ１と７１Ｓ２に基づ
いて前記■■■と■、または■■■と■、または■と■
に関する各々の知識を記号または言葉に変換する。入力
ｆｆ１７１０に設定する変数と出力層７３０に設定する
変数との関係を総合的に評価する指標として、（５）式
で定義する因果性尺度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、入力層から出力層にいたるすべての経路の重み
係数の積和をとった値となる。■ｊｊが大きな値をとれ
ば、ｉ番目の入力とｊ番目の出力とには、ある因果関係
がある可能性が高い。入力層と出力層との全ての組み合
わせについて工ｊｉを計算し、結果を知識候補として日
本語に変換する。

この変換方法は工ｊｉが正の値で大であれば以下のよう
に変換する。

知識候補：「ｉ番目の入力値が大であればｊ番目の出力
値は大きい。」 ■ｊｉが負の値で大であれば以下になる。

知識候補＝「ｉ番目の入力値が大であればｊ番目の出力
値は小さい。」得られた知識候補はこのままでは妥当な知識か否かが不
明であるので、知識診断工程７４では、知識獲得工程７
３で得た知識候補を交信手段４６からの指示（図示省略
）により知識か否かを判定後、知識候補ベース６０Ｂま
たは知識ベース６０Ａに記憶する。−旦、知識候補ベー
ス６０Ｂに記憶された知識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４６によりオペレータ１０１に再度
問い合わせ、知識診断工程７４を繰り返す。

推論機構６１は知識ベース６０Ａと知識ベース６０Ｇと
を受けて推論を実行し、運転制御工程７５に信号６１Ｓ
を出力する。知識ベース６０Ｃはオペレータ１０１に予
め従来手法であるインタビューによって獲得した知識を
記憶しておき補助的に利用する。なお、知識ベース６０
Ｃを利用しなくても本実施例は実施可能である。推論機
構６１はプロダクションルールあるいはファジィルール
に基づく推論（前向き、後向き）を実行する。ファジィ
推論の場合にはメンバーシップ関数が必要であるが、本
発明では、Ｉｊｉ値の大きさを利用してファジィ推論の
メンバーシップ関数値を設定することができる。推論方
法は公知の技術であるので説明を割愛する。知識ベース
としては、どのようなの流入条件とのプラント状態量、
■季節と時間の時に、どのような■プラント状態評価量
となり、その結果、■プラントをいかに操作したら処理
が良好になるか、に関するものである。

次に、予測用ニューラルネット７２による予測工程を説
明する。予測用ニューラルネット７２の構成を第６図に
示す。第１図に示したように、予測用ニューラルネット
７２では学習用ニューラルネット７１での学習結果、す
なわち１重み係数値Ｗｊｉ（３←２）及びＷｊｉ（２←
１）の値を信号７１Ｓ１と７１Ｓ２として受ける。なお
、第１図では学習用ニューラルネット７１と予測用ニュ
ーラルネット７２とは処理フローの説明のために別々に
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７２の動作を第６図と第
１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７２は学習用ニュ−ラルネット７１から
比較層７４０と教師層７５０を除いた構成である。予測
用ニューラルネット７２では、前記■■■に対応して、
未知の前記■■を予測するものである。このために、ま
ず入力層７１０に入力層パターンとして、１＝０を基準
に設定した変数値Ｙ　ｉ　（Ｄｉ　（０）〜Ｄ３（０）
）と、ｔ＝−１，−２゜・・・を基準に設定した変数値
Ｙｉ（Ｄｉ（ｉ）〜Ｄ５（ｉ）、Ｃ−１，−２，・・・
）を入力層７１０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■■■、（２）過
去（ｔ＝−１，−２，・・・）における■〜■である。

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（１）　−
（４）式の計算を実行し、未知の■プラント状態評価量
（処理水質）ｏ４ｔ（ｏ）と■プラント操作量（返送／
余剰汚泥量、曝気空気量）ＯＳ本（Ｏ）とを出力層７３
０に出力する。前記■については交信手段４６にガイダ
ンス表示し、■については制御信号７２Ｓを運転制御工
程７５に出力する。

続いて運転制御工程７５を以下に説明する。運転制御工
程７５では、ＯＳ＊（Ｏ）の信号７２Ｓと推論機構６１
の結果信号６１Ｓとを受けて、まず両者の整合性を調べ
る。信号７２Ｓが６１８と矛盾しなければ、プラント操
作量の目標値として信号７５Ｓをポンプ１６Ｃ２、返送
汚泥ポンプ１６Ｃ１、ブロワ−１７、制御バルブ１７Ａ
、１７Ｂなどに出力する。逆に矛盾すれば交信手段４６
を通してオペレータ１０１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７５Ｓを交信手段４６に表示して、必要に応じてオ
ペレータ１０１の選択により実際の操作を補正する。

〔発明の効果〕

本発明の効果について以下に述べる。下水処理場の従来
の制御方法は、多量のデータ解析、オペレータへのイン
タビューによる知識獲得、さらには推論ルールの作成、
追加、修正、削除、改良などに多くの労力を要していた
。知識工学の方法では、獲得する知識は特定のオペレー
タの主観的判断に依存していた。しかし、本発明では、
過去の実績データから知識を自動獲得し、かつ、ニュー
ラルネットの予測により運転ガイダンス及び制御を行な
い得る。したがって、本発明を適用すれば。

より少ない労力で、オペレータが実施している「実績と
前例に即した運転」を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。

特に、本発明では、■流入水の物理的・化学的・生物的
特性、■プラント状態量、■季節と時間、■プラント状
態の評価量、■プラント操作量に着目し、過去の■■■
に基づいて■プラント状態表か量と■プラント操作量を
予測することができるので、オペレータと同等の操作を
行ない得る。

【図面の簡単な説明】

第１図は本発明の実施例の構成を示す説明図、第２図は
学習パターンの説明図、第３図はニューラルネットの構
成図、第４図はニューロン素子モデルを示す説明図、第
５図はニューロン素子モデルでの信号変換を示す特性図
、第６図は予測工程を説明する説明図である。９・・・最初沈殿池、１５・・・曝気槽、１６・・・最
終沈殿池、１７・・・ブロワ−，１６Ｃ１・・・返送汚
泥ポンプ、１６Ｃ２・・・ポンプ、９Ｍ、１５Ｍ、１６
Ｍ・・・計測器、４６・・・交信手段、１０１・・・オ
ペレータ、７１Ｆ・・・履歴パターンデータファイル、
７１・・・学習用ニューラルネット、７２・・・予測用
ニューラルネット、７３・・・知識獲得工程、７４・・
・知識診断工程、７５・・・運転制御工程、６１・・・
推論機構、７１０・・・入力層、７２０・・・中間層、
７３０・・・出力層、７４０・・・比較層、７５０・・
・教師層、７０１・・・第２因第６図入力層

Claims

【特許請求の範囲】１、時間と共に変化する、（１）流入水の物理的・化学
的・物的特性、（２）プラントの状態量、（３）季節と
時間、に対して、（４）プラント状態の評価量、（５）
プラント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
神経回路モデルを備え、過去の複数時点での、前記（１
）（２）（３）を入力すると共に、当該入力に対応する
前記（４）（５）を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（１）（２）（３）
（４）（５）の間の関係を記述する知識を記号または言
葉で表現することを特徴とする、下水処理場運転支援の
ための知識獲得方法。２、時間と共に変化する、（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に対して、（５）
プラント操作量を出力し制御するものであって、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備え、過去の複数時点で
の、前記（１）（２）（３）を入力すると共に、当該入
力に対応する前記（４）（５）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、現時点または将来予想される（１）（２）（３）
を入力し、当該入力に対応する（４）（５）を出力させ
、前記（５）プラント操作量を制御することを特徴とす
る、下水処理場運転支援のための知識獲得方法。