JPH03135497A

JPH03135497A - 塩素注入制御方法

Info

Publication number: JPH03135497A
Application number: JP27168289A
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; Norihisa Suzuki; 鈴木　程久; Yoshinari Fujita; 藤田　良成; Soichi Arakane; 荒金　聡一
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1989-10-20
Filing date: 1989-10-20
Publication date: 1991-06-10

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、浄水場における前塩素注入制御において塩素
注入効果を適正に維持するためにの前塩素注入量または
濃度を制御する方法に関する。

〔従来の技術〕

浄水場では原水に塩素を注入して、（１）鉄、マンガン
、アンモニア性窒素、亜硝酸性窒素及び有機物の除去、
（２）細菌、バクテリア、原生動物及び藻類の増殖防止
を行なっている。塩素はこれらの物質との反応、あるい
は日射による反応により消費されるが、滞留時間（むだ
時間）も影響するため、注入がオペレータの勘と経験に
よる操作に依存している。

このため、物理化学的な数学モデルを構築してシミュレ
ーションにより適正な塩素注入量を決定する方法以外に
、オペレータの運転操作を模擬したファジィ制御方式な
どが提案されている。

〔発明がＭ決しようとする課題〕

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
作成にはデータの解析やオペレータへのインタビューな
ど多大の労力を必要とする。

また、メンバーシップ関数と推論ルールの追加、削除、
改良などソフトウェアメンテナンスに多大の労力を要す
る。

〔課題を解決するための手段〕

前述したメンバーシップ関数や推論ルールの作成、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）を適用する。

本発明では、過去の実績に基づく前塩素注入量の予測と
制御をニューラルネットで行なうことを特徴とする。オ
ペレータは、■予測される天候、■季節と時刻と計測さ
れた日射量、■計測された水量、水質、水温、などの塩
素消費影響因子、及び■〜■の当該条件における塩素注
入量または濃度の過去の履歴に基づいて注入すべき塩素
注入量または濃度を頭の中で予測している。ここで、濃
度とは塩素注入後の浄水の平均塩素濃度を指す。

特に、塩素消費反応が複雑であるため、オペレータは過
去の注入実績（注入履歴）を考慮して、塩素注入を行な
っている。この作用を人工的に行なうためにニューラル
ネットを適用する６まず、ニューラルネットに過去の複数時点での■天候、
■季節と時刻と計測された日射量、■計測された水量、
水質、水温、■〜■の条件での■塩素注入量または濃度
を学習させる。。これ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。学習済みニュー
ラルネットはオペレータが過去の実績に基づいて運転す
る方法を内部に自動的に構築する。続いて、学習済みの
ニューラルネットの入力層に、未学習ののこれから予測
される天候、■季節と時刻と計測された日射量、並びに
■計測された水量、水質、水温、■塩素注入量または濃
度の過去の実績値を入力し、出力層に前塩素注入量また
は濃度を出力（予測）させるようにした。この予測値に
基づいて前塩素注入量を操作する。

〔作用〕

本発明では、ニューラルネットによる学習・予測能力を
前塩素注入制御方法及びシステムに適用した。すなわち
、まずニューラルネットに過去の複数時点での■天候、
■季節と時刻と計測された日射量、並びに■計測された
水量、水質、水温、及び■塩素注入量または濃度の履歴
を学習させる。

この時ニューラルネットの重み係数の分布が変化する。

このことは、オペレータが過去の種々の実績を記憶する
ことに相当する。このような学習済みニューラルネット
に、未学習の■これから予測される天候、■季節と時刻
と計測された日射量。

並びに■計測された水量、水質、水温、■塩素注入量ま
たは濃度の過去の実績値を入力することで、注入すべき
塩素注入量または濃度の目標値を予測することができる
。このことは、オペレータが過去の種々の実績を勘案し
て塩素注入量を予測する方法を模擬したものである。

〔実施例〕

本発明は、ニューラルネットに過去の■天候、■季節と
時刻と計測された日射量、■計測された水量、水質、水
温、■塩素注入量または濃度、以上■〜■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ト（予測用ニューラルネット）
に当日の■〜■を入力し、未知の■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
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。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。急
速混和池１０では着水井９の水を導き、凝集剤タンクＩ
ＩＡから凝集剤が注入され、撹拌機１３により撹拌して
原水中の懸濁微粒子を凝集させる０図示は省略するが、
必要に応じてアルカリ剤が注入される。フロック形成池
１５（複数の池があるが省略して１つの池だけ図示）で
は撹拌バドル１７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１６で沈降して上澄
み液がろ適地１７でろ過される。ろ過水は、浄水池２０
と配水池２１に一旦貯留され、ポンプ２２により配管網
２４により需要家へ送水される。殺菌のために塩素貯留
槽２５（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２６Ａと２６Ｂより着水井９と
浄水池２０に適量注入される。着水井９に注入する塩素
を「前塩素」といい、浄水池２０で注入する塩素を「後
塩素」という。

次に、計測器について説明する。着水井９、フロック形
成池１５、沈殿池１６、ろ適地１７出口、浄水池２０、
配水池２１には、各々計測器９Ｍ。

１５Ｍ、１６Ｍ、１７Ｍ、２０Ｍ、２１Ｍが設置される
。計測項目は、水温、濁度、アルカリ度、ＰＨ１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（処理流量）
、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８Ｍが設定される。

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。

まず、予測運転制御装置８０の中の履歴パターンデータ
ファイル７１Ｆは、■オペレータ１０１が交信手段４６
で入力した天候、■季節と時刻と、日射計８Ｍで計測し
た日射量、■計測器９Ｍ。

１５Ｍ、１６Ｍ、１７Ｍ、２０Ｍ、２１Ｍで計測した水
量、水質、水温、■塩素注入ポンプ２６Ａでの塩素注入
量または濃度（注入後の平均塩素濃度）、以上の〜■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、■天候の選択されたデータ列Ｔと、■
季節と時刻と日射量の選択されたデータ列Ｎと、■水量
、水質。

水温の選択されたデータ列Ｃと、■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７１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７１Ｓ１と７１Ｓ２
とが予測用ニューラルネット７２に出力される。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を受け
て塩素注入量の目標値信号７５Ｓを塩素注入ポンプ２６
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注入量を補
正する。

補正値は再び注入量目標値信号７５Ｓとして塩素注入ポ
ンプ２６Ａに出力する。

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。

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、塩素注入濃度の場合にも同様に実施できる。

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ｔ＝０の履歴パター
ンデータは、■天候Ｔ（０，１）と、■季節２時刻２日
射量のＮ（０，１）、Ｎ（０，２）、Ｎ（０，３）と、
■水量、水質、水温のＣ（０，１）、Ｃ（０，２）、Ｃ
（０，３）と、■塩素注入量Ｑ（０，１）である。水質
Ｃ（０，２）は各々時刻１＝０での前述した複数の計測
量であり、これら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略する１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７１Ｆに
記憶する。これを繰り返すと、１＝０゜−１，−２，・
・・のデータが順次記憶されていく。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図とを用いて説明する
。

第２図に示すように、■天候Ｔ（０，１）と、■季節。

時刻９日射量のＮ（０，１）、Ｎ（０，２）、Ｎ（０，
３）と、■水量。

水質、水温のＣ（０，１）、Ｃ（０，２）、Ｃ（０，３
）と、■塩素注入量Ｑ（０，１）について任意の時刻１
＝１□を基準にし過去にさかのぼってｔｌ−１，ｔニー
２．・・をまず学習する。同様に、１＝１２（１２≠ｔ
ｉ）を基準にしてｔ２−１．ｔ、−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７１
０には（１）任意の時刻１（１＝１よ、ｔｌ、・・・）
におけるＴ（ｔ、１）。

Ｎ（ｔ、１）、Ｎ（ｔｌ２）ＩＮ（ｔｌ３）？Ｃ（ｔｔ
ｌ）Ｉｃ（ｔｌ２）Ｉｃ（ｔｌ３）と、時刻ｔから過去
にさかのぼってＴ（ｔ−１，１）。

Ｎ（ｔ−１，１）、Ｎ（ｔ−１，２）、Ｎ（ｔ−１，３
）、Ｃ（ｔ−１，１）、Ｃ（ｔ−１，２）、Ｃ（ｔ−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７５０には、Ｑ（ｔ、１）を入力する。

学習は、入力層７１ｏ、中間層７２０．出力層７３０゜
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Ｒｕｍｅｌｈａｒｔらに
よって考案された公知技術であり、詳細は文献（Ｐａｒ
ａｌｌｅｌｌ　ＤｉｓｔｒｉｂｕｔｅｄＰｒｏｃｅｓｓ
ｉｎｇ、ＭＩＴ　Ｐｒｅｓｓ、　Ｖｏｌ、１．（１９８
６））を参照されたい。

第３図の構成と動作の概略を説明する。まず、記号を説
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、○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７２
０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。第３図に示す構成をニ
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の基本演算について
第４図を用いて説明していく、入力層７１０に入力する
データＴ、Ｎ、Ｃ，Ｑ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個とし変数値をＹ□〜Ｙｎ
と記す。入力された信号値Ｙ工〜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）二人力漕（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暦）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がえらえる。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ｙｉ（１）は第３図の入力層７
１０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６中間層７２０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Ｗｉ
ｊ（２←１）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、中間層７２０の出力
値Ｙｊ（２）はさらに中間層（第２層）７２０と出力層
（第３層）７３ｏとの重み係数Ｗｉｊ（３←２）　ト（
７）積和Ｚｊ（３）を（３）式で計算する。

ココテ、Ｙｉ（２）：中間層（第２層）の値、Ｗｊｉ（
３←２）：中間層（第２層）の１番目の変数から出力Ｍ
（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Ｎ（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２さらに、Ｚｊ（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Ｑ（ｔ、ｌ）＊である。

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、さらに比較５７４０と教師信号層７５０とを
設け、出力Ｗ！Ｊ７３ｏの信号７３０Ｓと教師信号層７
５０の教師信号７５０Ｓとが比較層７４０にはいり、こ
こで出力信号７３０ＳでアルＱ（ｔ、１）本ト教師信号
７５０ｓ１’あルＱ（ｔ、１）トの大小が各々比較され
る。この偏差が小さくなるように、重み係数Ｗｊｉ（３
←２）及びＷｊｉ（２←１）（７）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、出方信号７３０Ｓと教師信号７５０Ｓとの大小を
比較すると、同様に偏差がでてくる。この偏差に基づい
て再度重み係数Ｗ　ｊ　ｉ　（３←２）及びＷｊｉ（２
←１）の大きさを修正していく、このようにして、重み
係数ｗｊｉを繰返し修正していき、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られるので、偏差は当然
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。この時、（１）　−（４）式において値が変更され
るのは重み係数値ｗｊｊだけであるから、学習結果はＷ
ｊｉ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（ＰａｒａｌｌｅｌｌＤｉｓ
ｔｒｉｂｕｔｅｄ　Ｐｒｏｃｅｓｓｉｎｇ、ＨＩＴ　Ｐ
ｒｅｓｓ、　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（１＝１工１ｔ２　ｔｔ３
１・・・ｔｊの履歴パターンデータ群を繰返し学習させ
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重み係数Ｗｊｉの分
布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ｔ”ｔｔ　ｔｔｚ　＋ｔａ　、・・・ｔ、にお
ける履歴パターンデータ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ｔ１ｒｔｔｔ”−３＋・・・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Ｙ１〜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が身につける。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。

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
ンの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
ットとに分けても適用すればさらに効果的である。

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、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Ｗ
ｊｉ（３←２）及びＷｊｉ（２←１）ノ値が信号７１Ｓ
１と７１ｓ２として予測用ニューラルネット７２に出力
される。

これらを用いて予測を行なう、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
は便宜士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
７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は学習用ニューラルネット７１から
比較Ｍ７４０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で行なうことは、現時点で予測
できるがまたは既知である■天候Ｔ、■季節２時刻２日
射量Ｎ、■水量、水質、水温Ｃ１に基づいて、未知の■
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７１０に入力層パターンとして、七二〇を基準に
設定した変数値Ｙｉを入力層７１０に入力する。この変
数値Ｙｉは第１図または第７図に示すように、（１）現
時点で既知の■天候Ｔ（０，１）と、■季節２時刻２日
射量（７）Ｎ（０，１）、Ｎ（０，２）、Ｎ（０，３）
と、■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■〜■のデータと■塩
素注入量Ｑ（−１，１）である、この他、ｔニー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位
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）本を予測する。結果は出力１７３０に出力さ
れる。出力までの計算方法は（１）−（４）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７２Ｓである。

運転制御工程７５を以下に説明する。運転制御工程７５
では、このＱ（０，１）京の信号７２Ｓを受けて、塩素
注入流量の目標値信号７５Ｓを塩素注入ポンプ２６Ａ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
択により実際の流量を補正する。例えば、予測流量に対
して比例係数に４を乗じ、定数に２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７５Ｓ
として塩素注入ポンプ２６Ａに出力し、この流量だけ塩
素注入ポンプ２６Ａ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、１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）の替わりに、（５）式で計算できる注
入後の平均塩素濃度を用いる。

ここで、Ｑｏ（０）は処理流量である。具体的方法は。

これまでＱ（ｔ、１）で説明した替わりにＱｃ（０）を
用いて行なう。

〔発明の効果〕

本発明の効果について以下に述べる。従来のファジィ制
御による塩素注入量（または濃度）の予測制御方法では
、多量のデータ解析やオペレータへのインタビュー、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６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予測することができる。

【図面の簡単な説明】

第１図は本発明の実施例を示す構成図、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
図と第７図は予測工程を説明する説明図である。９・・・着水井、２５・・・塩素貯留槽、２６Ａ・・・
塩素注入ポンプ、９Ｍ、１５Ｍ、１６Ｍ、１７Ｍ、２０
Ｍ。２１Ｍ・・・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、７５・・・運転制御工程、７１
０・・・入力層、７２０・・・中間層、７３０・・・出
力層。７４、０・・・比較層、７５０・・・教師層、７０１・
・ニュ第３図入力層第４図第５図第６囚入力層第７図 ’ＲＯかｌ；エカ

Claims

【特許請求の範囲】１、時間と共に変化する、天候と日射量である気象条件
と、水量、水温、水質を少なくとも一つ以上含む水質条
件とに応じて塩素注入量または濃度を操作する方法であ
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備え、過去の複数時点で
の、前記気象条件と、前記水質条件とを入力すると共に
、当該入力に対応する前記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、現時点または将来予想さ
れ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、この予測
値に基づいて塩素注入手段を操作することを特徴とする
、塩素注入制御方法。