JPH05204406A

JPH05204406A - プロセス制御装置

Info

Publication number: JPH05204406A
Application number: JP1335092A
Authority: JP
Inventors: Ichirou Enbutsu; 伊智朗圓佛; Kenji Baba; 研二馬場; Naoki Hara; 直樹原; Mikio Yoda; 幹雄依田; Fumitomo Go; 文智呉; Shoji Watanabe; 昭二渡辺; Toshio Yahagi; 捷夫矢萩; Misako Oobuchi; 美砂子大淵
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1992-01-28
Filing date: 1992-01-28
Publication date: 1993-08-13

Abstract

(57)【要約】【目的】運転条件に対応して、最適な種類の知識と知識
の処理方法とを選択しながら、制御量を算出することが
でき、複数の知識を適切に使いわけることにより、種類
の異なる知識間の相乗効果を引き出し、精度の高いプロ
セス制御を行う。【構成】経時変化を有するプロセスを制御する制御装置
において、制御量を決定するために利用する、複数の種
類の知識の中から、ある時点での制御方策の決定に適し
た知識を選択する知識選択手段と、該知識の処理方法を
決定する知識処理方法決定手段とを有し、両手段が、ニ
ューラルネットで構成されているプロセス制御装置。【効果】種類の異なる複数の知識の相乗効果により、高
精度のプロセス制御が可能となる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、経時変化を有するプロ
セスを監視制御する、プロセス制御装置に関し、特に、
種類の異なる複数の知識を有する知識ベース群の中か
ら、プロセスの運転条件の変化に追従して、その時点で
最も効果的な知識の種類を選択し、それを扱う知識処理
の方法を、処理方法ベースの中から選択しながら、プロ
セスを最適に制御することを可能とするプロセス制御装
置に関する。

【０００２】

【従来の技術】浄水処理プロセス、下水処理プロセス、
化学プロセスなどのプロセス制御において、オペレータ
の経験則をファジィルール化し、推論機構を用いてファ
ジィ制御を行う手法が適用されているものがある。例え
ば、特開平２−２６１５０６号、特開平２−１８７１９
３号等の公報に開示されるものがこの例である。

【０００３】ファジィ工学による制御は、オペレータか
らの、インタビューによって得られた、ファジィルール
とメンバシップ関数に基づいて行われるので、オペレー
タと同等の、推論能力を持って、各種の制御を行なうこ
とが可能である。また、ファジィルールとメンバシップ
関数による推論過程は論理的に明確であり、得られる結
果が、オペレータに対して、充分満足のいくものである
というのも事実である。しかし、その反面、上述したよ
うな経験則の獲得と、メンテナンスとが、非常に煩雑で
あるという問題も、はらんでいる。

【０００４】これらの問題の解決策として、特開平１−
２２４８０４号公報等に開示される技術では、神経回路
網（ニューラルネット）モデルを応用した制御が、導入
されている。このモデルでは、プロセスの運転履歴デ−
タ内に内在する知識を学習し、学習後のモデルでの想起
により、制御量を決定することができ、これにより、フ
ァジィルールを介することなく、プロセスの実績に即し
た制御が可能である。

【０００５】また、特開昭６３−２００８０７号等公報
等に開示される技術では、オペレータの経験則やプロセ
スの運転履歴データではなく、プロセス内の現象に関す
る既存の原理・法則（例えば数式で表現された物理モデ
ル等）や、制御理論に基づく制御装置（例えばシミュレ
ータ等）を適用している。

【０００６】この方法によれば、普遍的な原理・法則な
どを利用するので、オペレータの経験則が十分に得られ
ない場合や、運転開始直後の履歴データが不十分なプロ
セスでも、制御を行なうことが可能である。

【０００７】

【発明が解決しようとする課題】このようなファジィル
ール、ニューラルネットまたは物理モデルを知識とする
従来のプロセス制御装置には、次のような課題が存在す
る。

【０００８】第１に、上記のそれぞれの知識には、その
知識が最も効果的に利用されるプロセスの運転条件が存
在するにもかかわらず、それぞれの知識を扱う制御装置
が単独もしくは複数の装置の組合せを固定した統合装置
として運用されているため、プロセスの運転条件ごとに
対応させて、利用する知識を臨機応変に変更することが
難しいことである。

【０００９】なお、ここで述べた運転条件とは、（１）
制御量の決定に影響する、計測情報等の入力パターンの
状態、つまりプロセスがどのように運転されているかを
示す状態、（２）プロセスの運転に関連する、付帯的な
環境の条件、例えば、プロセスの運転履歴データの蓄積
程度、プロセス制御に使用される機器、計測用センサー
等の故障、メンテナンス状況等を指すものとする。

【００１０】第２に、複数の種類の知識を利用する場合
には、それらの知識の処理方法の最適もしくは効果的な
組合せはプロセスの運転条件に依存するが、これまでの
制御装置では、知識の処理方法が単独であるか、あるい
は、その組合せが固定であるため、知識の処理方法を、
運転条件の変化に対応させて、最適な知識の処理方法に
変更することが、容易に行えなかった。

【００１１】本発明の目的は、上記課題に鑑み、種類の
異なる複数の知識を運転条件に応じて臨機応変に選択し
て、最も効果的な知識の選択ができるようなプロセス制
御装置を提供することにある。

【００１２】また、本発明の他の目的は、選択された複
数の種類の知識を利用する際に、運転条件の変化に応じ
て、最も効果的な、知識の処理方法を決定することがで
きるプロセス制御装置を提供することにある。

【００１３】

【課題を解決するための手段】上記目的を達成するた
め、本実施例発明の一態様によれば、経時変化を有する
プロセスを監視制御するプロセス制御装置において、制
御量を決定するために利用する、複数種の知識を蓄積す
る手段と、知識を蓄積する手段が蓄積する複数種の知識
の中から、該プロセスの運転条件に基づいて、ある時点
での制御量の決定に適した１種または２種以上の知識の
種類を選択する知識選択手段と、制御量を決定するため
の、複数種の、知識の処理方法を蓄積する手段と、知識
の処理方法を蓄積する手段が蓄積する複数種の、知識の
処理方法の中から、知識の処理方法または処理方法の組
合せを決定する知識処理方法決定手段とを有し、前記知
識選択手段および知識処理方法決定手段は、それぞれニ
ューラルネットワーク、または、推論機構を含み、プロ
セスの運転条件に基づいて、ニューラルネットワークを
想起、または、推論機構に推論させて、知識の選択およ
び知識の処理方法の決定を行なうことを特徴とするプロ
セス制御装置が提供される。

【００１４】また、本発明の制御装置をさらに有効にす
るために以下の手段が考えられる。

【００１５】まず、前記知識選択手段が、運転条件入力
手段と使用する知識の優先度を算出する知識優先度算出
手段とを備えたプロセス制御装置であるもの。

【００１６】さらに、該知識優先度算出手段が、ニュー
ラルネットワークモデルによる学習と想起によって実現
するプロセス制御装置であるもの。

【００１７】さらに、前記知識処理方法決定手段が、運
転条件入力手段と知識の処理方法の優先度を算出する方
法優先度算出手段とを有するプロセス制御装置であるも
の。

【００１８】さらに、前記方法優先度算出手段が、ニュ
ーラルネットワークモデルによる学習と想起の手段によ
って実現するプロセス制御装置であるもの。

【００１９】また、使用される知識の種類は、少なくと
も、プロセスから得られるデータ、プロセス内の各種現
象を説明する数理モデル、あるいは、ルール形式で記述
された知識のうちの一つであるプロセス制御装置、およ
び、知識の処理方法は、少なくとも、ニューラルネット
ワークの学習と想起手段、シミュレーション手段、およ
び、知識の推論手段のうちの一つであるプロセス制御装
置も構成できる。

【００２０】

【作用】知識を蓄積する手段には、制御量を決定するた
めに利用する知識が、予め複数種類蓄積される。また、
知識の処理方法を蓄積する手段には、制御量の決定に際
して利用される、知識の処理方法が、予め複数種類蓄積
される。

【００２１】知識選択手段は、知識を蓄積する手段が蓄
積する複数種の知識の中から、該プロセスの運転条件に
基づいて、ある時点での制御量の決定に適した１種また
は２種以上の知識の種類を選択する。

【００２２】知識処理方法決定手段は、知識の処理方法
を蓄積する手段が蓄積する複数種の、知識の処理方法の
中から、知識の処理方法または処理方法の組合せを決定
する。

【００２３】知識選択手段および知識処理方法決定手段
は、それぞれニューラルネットワークを含む。知識選択
手段のニューラルネットワークは、プロセスの運転条件
に基づいて、ある時点での制御量の決定に適した１種ま
たは２種以上の知識の種類を想起するように学習させ
る。また、知識処理方法決定手段のニューラルネットワ
ークは、プロセスの運転条件に基づいて、ある時点での
制御量の決定に適した１種または２種以上の知識の処理
方法を想起するように学習させる。知識選択手段および
知識処理方法決定手段は、それぞれ学習させたニューラ
ルネットワークを想起させて知識の選択および知識の処
理方法の決定を行なう。

【００２４】本発明によれば、制御対象となるプロセス
の運転条件に即した、種類の異なる複数の知識の種類、
および該知識の処理方法を選択することができ、これに
より、経時的に変化する運転条件に対応して最も効果的
な知識と知識の処理方法を動的に変更させながら、オペ
レータと同等以上の高い精度で制御を行なうことができ
る。

【００２５】

【実施例】本発明は、経時変化を有するプロセスの制御
において、運転条件の変化に追従して、制御量の決定等
の制御方策の決定に使用される、知識の種類と該知識の
処理方法とを最適なものに変化させることができるプロ
セス制御装置を構築することができる。より一般的に
は、時間と共に構成要素間の組み合わせが変化するよう
な性質を持ったプロセスの制御に適用することができる
プロセス制御装置である。したがって、本発明は、経時
変化を有し、種類の異なる複数の知識を利用する各種の
プロセス、例えば、浄水処理プロセス、下水処理プロセ
ス、化学反応プロセス、バイオプロセス、原子力プロセ
ス、熱エネルギー供給プロセス、株価・為替等の金融プ
ロセスに適用することができる。

【００２６】以下、図面を参照して、本発明の実施例に
ついて説明する。

【００２７】図１は、本発明によるプロセス制御装置
を、浄水処理プロセスの制御装置に適用した一実施例の
全体構成を示すブロック図である。

【００２８】本発明の実施例が適用される浄水プロセス
は、図１において、浄水処理を行なう浄水処理設備Ｆ
と、浄水処理設備Ｆの各部に配置されてその状態を計測
する計測器群Ｍと、浄水処理設備Ｆの運転を制御する制
御手段５０と、制御手段５０に対して制御量を与える制
御装置１００と、オペレータに対する装置のマンマシン
インタフェース手段Ｉとを有する。

【００２９】浄水処理設備Ｆは、着水井５と、急速混和
池１０と、フロック形成池１５と、沈殿池２０と、ろ過
池２５とが配置され、凝集剤タンク１１と、凝集剤注入
ポンプ１２と、撹拌翼１３およびこれを駆動する撹拌機
１４と、撹拌パドル１６とを有する。

【００３０】ここで、浄水処理プロセスのフローを簡単
に説明する。

【００３１】着水井５に河川や湖沼から原水が導かれ
る。急速混和池１０では、着水井５の水を受け、凝集剤
タンク１１の凝集剤が凝集剤注入ポンプ１２によって注
入され、撹拌機１４により撹拌翼１３が駆動される。

【００３２】また、フロック形成を促進するアルカリ剤
が、注入されることもあり、例えば、フロック形成池１
５には、撹拌パドル１６が設置され、緩やかに回転駆動
されている。フロックは、沈殿池２０で沈降して、上澄
み液が、ろ過池２５でろ過される。

【００３３】次に、計測器群Ｍについて説明する。原水
の水質を計測するために、着水井５に計測器５Ｍ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、水位等
である。

【００３４】フロック形成池１５には、計測器１５Ｍが
設置される。計測器１５Ｍは、前記計測器５Ｍで計測す
る項目に加えて、水中カメラなどの撮像手段等も含む。
沈殿池２０には、計測器２０Ｍを設置する。また、必要
に応じて、急速混和池１０と、ろ過池２５には、５Ｍ、
１５Ｍと同様の計測器１０Ｍと２５Ｍを設置する。これ
らの計測項目は、前記５Ｍ、１５Ｍと同様である。

【００３５】以上の計測データは、後述する制御装置１
００内のデータベース３５０に取り込まれる。

【００３６】制御手段５０は、例えば、制御用コンピュ
ータ、ＰＩＤコントローラにて構成され、制御装置１０
０から出力される制御量に基づいて、プロセスの操作量
を決定して、例えば、上述した撹拌機１４、凝集剤注入
ポンプ１２、撹拌パドル１６等の駆動を制御する。

【００３７】マンマシンインタフェース手段Ｉは、入力
手段としてキーボード９５を有し、出力手段としてＣＲ
Ｔディスプレイ９０を有する。もちろん、この他に、マ
ウス、タッチパネル等の入力手段、プリンタ等の出力手
段を備えることができる。

【００３８】次に、プロセス制御を行うシナジェティッ
ク型プロセス制御装置１００（以下、単に「制御装置」
と記す）について説明する。なお、制御装置１００は、
一般には、制御用の計算機とは、別のワークステーショ
ン上に、構築される。そのハードウェア構成は、特には
図示しないが、例えば、中央処理装置、主記憶装置、補
助記憶装置、各種インタフェースとを有するワークステ
ーションが用いられる。

【００３９】制御装置１００は、計測データおよび入力
データを格納するデータベース３５０と、使用する知識
の種類の選択を行なうための知識選択手段１４０および
知識ベース群２２０と、知識処理の方法を選択するため
の知識処理方法決定手段１８０および知識処理方法ベー
ス２６０と、得られた知識およびその処理方法に基づい
て制御演算を行なうための制御演算手段３００とを有す
る。

【００４０】データベース３５０には、計測器群Ｍから
オンラインで送られる計測データと、キーボード９５か
ら入力されるデータとが保存される。保存されている最
新のデータは、知識選択手段１４０と知識処理方法決定
手段１８０に送られ、その時点での最適な知識の種類と
該知識の処理方法を選択するのに用いられる。また、制
御演算手段３００に送られ、制御演算に用いられる。

【００４１】知識選択手段１４０は、データーベース３
５０から運転条件の入力処理を行なう第１運転条件入力
手段１５０と、データーベース３５０の最新のデータお
よび知識ベース群２２０を参照して、その時点での制御
方策の決定に最も適した１種または２種以上の知識を選
びだす知識優先度算出手段１６０とを有する。

【００４２】知識優先度算出手段１６０は、使用すべき
知識の優先度の算出に用いられるメタニューラルネット
ワーク１７０およびメタルールベース１７１を有する。
これらは、いずれか一方で優先度の算出が可能である。
本実施例では、優先度を算出するためのベースを２種搭
載して、選択によりいずれか一方を使用する構成となっ
ているが、一方のみを搭載する構成としてもよい。

【００４３】第１運転条件入力手段１５０は、例えばマ
イクロプロセッサおよびインターフェイス等の電子回路
やワークステーションのインターフェイスを利用するこ
とにより実現できる。

【００４４】知識ベース群２２０は、知識の種類ごとに
複数のサブ知識ベースに分けられており、例えば、ニュ
ーロサブ知識ベース、ルールサブ知識ベース、および物
理モデルサブ知識ベースなどがある。例えば、ニューロ
サブ知識ベースは、後述する、モデルを構成する重み係
数行列のファイルが複数個保存されている。本実施例の
場合、１つのファイルが高濁度時、低濁度時等の１つの
運転条件に対応するものであり、このファイルのパラメ
ータを用いることにより、凝集剤注入率等の操作量を算
出することができる。

【００４５】また、ルールサブ知識ベースには、次式
（１）のような操作量決定に関するルールが、複数個保
存されている。

【００４６】原水濁度が、高いときは、凝集剤注入率を高くする。原水水温が、高いときは、凝集剤注入率をやや低くする。（式１）この様なファジイルールの場合、ルールサブ知識ベース
内には、ファジイ変数のメンバシップ関数も保存されて
いる。

【００４７】また、物理モデルサブ知識ベース内には次
式（２）のような物理的な知見に基づくモデルが保存さ
れている。

【００４８】

【数１】

【００４９】知識処理方法決定手段１８０は、データー
ベース３５０から運転条件の入力処理を行なう第２運転
条件入力手段１９０と、データーベース３５０の最新の
データ、知識ベース群２２０および知識処理方法ベース
２６０を参照して、知識選択手段１４０で選択された知
識に対する最適な処理方法を選択する方法優先度算出手
段２００とを有する。

【００５０】方法優先度算出手段２００は、使用すべき
知識処理方法の優先度の算出に用いられるメタニューラ
ルネットワーク２０５およびメタルールベース２０２を
有する。これらは、いずれか一方で優先度の算出が可能
である。本実施例では、優先度を算出するためのベース
を２種搭載して、選択によりいずれか一方を使用する構
成となっているが、一方のみを搭載する構成としてもよ
い。

【００５１】第２運転条件入力手段１９０は、例えば、
マイクロプロセッサおよびインターフェイス等の電子回
路やワークステーションのインターフェイスを利用する
ことにより実現できる。

【００５２】知識処理方法ベース２６０は、複数種の知
識処理方法を登録している。登録されている知識処理方
法の一例を示す。

【００５３】｛ファジイ推論｝，｛ニューラルネット想
起｝，｛モデルシミュレーション｝｛ニューラルネット
をメインとしファジイ推論で補正する｝優先度に基づいて選択された知識の種類と知識の処理方
法に関する情報は、制御演算手段３００に送られる。

【００５４】制御演算手段３００では、選択された知識
と該知識の処理方法とを用いて、データベース３５０に
格納されるプロセスの状態を示すデータに基づいて、プ
ロセスの制御量を演算し、該演算結果を制御手段５０と
ＣＲＴ９０に出力する。

【００５５】次に、制御装置１００に関連するデータ等
の入出力関係について説明する。制御装置１００への入
力には、計測器群Ｍからのオンライン入力と、キーボー
ド９５からの手入力とがある。前記計測器５Ｍ、１０
Ｍ、１５Ｍ、２０Ｍ、２５Ｍ等は、一定の時間間隔でデ
ータのサンプリングを行う。該サンプリングデータは、
データベース３５０に伝送され、保存される。データー
ベース３５０内では、サンプリングされたデータは、デ
ータ項目ごとに時系列的に整理されたフォーマットにて
保存されている。また、計測器によるオンライン計測が
不可能な、手分析データや目視観察データは、例えば、
オペレータが、ＣＲＴ９０を参照しながら、対話形式に
て、キーボード９５を介して入力を行う。このデータも
データベース３５０に格納される。

【００５６】次に、制御装置１００からの出力について
説明する。制御装置１００は、入力されたデータに基づ
いて制御方策（例えば制御量）を決定する。制御装置１
００内の制御演算手段３００による演算結果は、ＣＲＴ
９０を介してオペレータに対して表示される。

【００５７】制御演算手段３００による出力結果は、制
御手段５０へと伝送され、所望の制御が行われることに
なる。また、制御モードの切り替えにより、自動制御、
オペレータを介した半自動運転、例えば、制御演算結果
を、ガイダンスの情報としてのみ利用し、制御量はマニ
ュアルで設定する等の各種の運転モードの設定も可能で
ある。

【００５８】次に、知識選択手段１４０および知識処理
方法決定手段１８０について詳細に説明する。

【００５９】知識選択手段１４０の動作を図２に示すフ
ローにて説明する。

【００６０】まず、運転条件入力工程１５１では、第１
運転条件入力手段１５０によりデータベース３５０より
プロセスに関する最新のデータが運転条件として取り込
まれる。ここで取り込まれる運転条件とは、前述のよう
にプロセス自体の運転状態を示すデータ（例えば、原水
ｐＨ、原水アルカリ度、フロック個数等）およびプロセ
スの運転に関連する付帯的な事実（稼動年数、センサの
メンテナンス状況、データの蓄積量等）である。

【００６１】知識優先度算出工程１６１は、ニューラル
ネットモデルや推論機構などによって実現することが可
能であり、運転条件入力工程１５１では、これに依存し
たデータ変換が可能である。

【００６２】知識優先度算出工程１６１では、知識ベー
ス群２２０に登録されている、種類の異なる複数の知識
の優先度を、算出することができる。すなわち、その時
点でのプロセス制御に適した知識を、知識ベース群２２
０の中から、選びだすのである。

【００６３】知識優先度算出工程１６１をニューラルネ
ットで実現する場合には、図３のフローチャートに示す
ような工程を具備していることが望ましい。

【００６４】以下、知識優先度算出工程１６１を、ニュ
ーラルネットで実現する場合の動作例を、図３に示すフ
ローにより説明する。

【００６５】まず、自動学習工程１６２では、運転条件
入力工程１５１から取り込まれた最新の運転条件を、知
識の優先度を算出するためのニューラルネットモデルに
反映させるか否かを判断し、必要と判断した場合には、
反映させるための計算（学習）を行う。

【００６６】ここでの計算に使用される、ニューラルネ
ットモデルの学習および想起について、簡単に説明す
る。

【００６７】モデルの基本となっているのは、脳を構成
する神経細胞（ニューロン）である。このニューロンの
生理学的な知見を反映したニューロン単体の数理モデル
が広く利用されている。ニューロンの基本動作は、次式
３、４、５に示すように多入力一出力系のしきい値特性
を持つ関数で表現される。

【００６８】Ｙｔ=Ｆ（Ｕｔ）（式３）Ｕｔ＝ΣＷｔ，ｉ・Ｘｉ（式４）（但しΣはｉに関する総和を意味する）Ｆ(ｕ)=１/{１＋ｅｘｐ(-ｕ+Θ)} （式５）但し、Ｙｔは、ニューロンＴの出力信号、Ｕｔは、ニュ
ーロンＴへの入力の積和Ｗｔ，ｉは、ニューロンＴとニューロンＩ間の重み係
数、Ｘｉは、ニューロンＩからの入力信号、Ｆは、シグ
モイド関数、Θは、シグモイド関数のしきい値である。

【００６９】あるニューロンから、着目したニューロン
への信号は、両者間の結合強度（重み係数、シナプス強
度ともいう）Ｗｔ，ｉが乗ぜられる。これらの重み付き
入力信号Ｗｔ，ｉ・Ｘｉの総和Ｕｔが、あるしきい値Θ
を越えたときに、そのニューロンは興奮して、出力信号
Ｙｔを出力する。このときの、しきい値特性を決定する
のが、式５のシグモイド関数である。

【００７０】ニューラルネットモデルは、上述のニュー
ロンを、基本構成要素とする、ネットワーク型のモデル
である。モデルは、複数のものが提案されているが、本
発明では、ニューロンを階層的に結合させた、階層型モ
デル（Rumelhart型モデルとも称する）を使用する。こ
のモデルは、図４に示すように、入力層、中間層、出力
層からなる３層構造である。

【００７１】ニューラルネットモデルの学習は、モデル
の出力と望ましい出力（教師データと称し、一般には、
運転条件の履歴等から選択して作成される）との誤差が
減少するように重み係数を修正することによって行う。

【００７２】学習アルゴリズムとして、最も多用され
る、従来型ＢＰ（バックプロパゲーション）法は、想起
誤差の自乗和を評価関数と定義し、その評価関数が減少
するように、重み係数を修正するものである。なお、ア
ルゴリズムの詳細は、Rumelhart,D.E.,etc(1986）「Lea
rning Representations by Backpropagating Errors」,
Nature,vol.323,p533-536,等に記載されている。

【００７３】また、ここでいう「想起」とは、ニューラ
ルネットモデルの入力層に、入力を与え、出力層のニュ
ーロンから出力値を出力させる計算をいい、出力層ニュ
ーロンからの出力値を想起値という。

【００７４】さて、自動学習工程１６２では、上述のよ
うなニューラルネットモデルを用いて、知識の優先度算
出のための、新たな学習を自動的に行う。モデルの入力
としては、例えば、浄水プロセスでは、図８に示すよう
に各種水質データ、フロックの画像処理情報、各種イベ
ント情報（台風や降雨に関する情報、プロセス稼動年
数、プロセス施設改築、増築に関する情報など）を配置
する。

【００７５】また、出力には、知識ベース群２２０内の
サブ知識ベースの種類（ニューロ、ルール、物理モデル
等）を配置する。

【００７６】ここでの学習のための教師データは、デー
ターベース３５０に保存された、過去の履歴データから
作成する。具体的には、代表的な運転条件における、ニ
ューラルネットモデルの入力層に配置されたデータと、
その時に使用された、サブ知識ベースの種類の組を複数
作成することである。

【００７７】この作成作業は、所定の基準に基づいて自
動的に行われるが、オペレータが外部から与えることも
可能である。

【００７８】このようにして、作成された教師データを
学習した、ニューラルネットモデルは、現時点のデータ
を入力すると、最も適したサブ知識ベースに対応する出
力層ニューロンから最も大きな想起値を出力する。

【００７９】学習後のニューラルネットモデルの重み係
数行列は、メタ・ニューラルネットベース１７０に保存
される。

【００８０】また、ここでの自動学習のアルゴリズム
は、ニューラルネットベースに保存されている学習済の
ニューラルネットを、最新の運転条件に基づいて、修正
するものであり、発明者らが既に提案した公知ものを用
いることができる。アルゴリズムの詳細については、例
えば、「ニューラルネットを用いたプラント運転ルール
の抽出に関する研究」（電気学会論文集Ｄ、Vol.111,N
o.1,p20-28）に記載されている。

【００８１】ここで、自動学習を行うことにより、プロ
セスの特性が経時的に変化した場合でも、常に良好なメ
タ・ニューラルネットモデルにより、知識の優先度を想
起することが可能である。

【００８２】次の、優先度想起工程１６４では、先の工
程１６２で得られたニューラルネットモデルに運転条件
を入力し、出力層に配置された各種類の知識の優先度を
算出する。この場合、出力値が大きいほど、優先度が高
いことを意味する。算出された優先度は、次の知識選択
工程１６６に送られる。

【００８３】知識選択工程１６６では、実際の知識が保
存されている知識ベース群２２０内のサブ知識ベースの
中から優先度の高い知識を選択し、制御演算手段３００
および、知識処理方法決定手段１８０に、使用すべき知
識の情報を出力する。

【００８４】この工程１６６では、優先度がしきい値以
上のもの、もしくは、優先度の高い順に、予め決められ
た所定の個数だけ選択する等の方法が考えられる。

【００８５】また、知識優先度算出手段１６０を知識処
理の推論機構によって実現する場合には、図５のフロー
チャートに示すような工程を具備していることが望まし
い。

【００８６】まず、優先度推論工程１６３では、メタル
ールベース１７１に保存された、例えば、式６に示すよ
うな優先度決定に関するルールを参照し、第１運転条件
入力手段１５０からのデータを用いることにより、優先
度を算出することができる。

【００８７】推論方式は、メタルールベース１７１に保
存されているルールの種類に依存したものとなる。ルー
ルがクリスプルールの場合には、推論機構は前向き推論
となり、ルールがファジィ推論の場合には、推論機構は
ファジィ推論となる。

【００８８】式６にメタ・ルールがファジイルールの場
合の一例を示す。

【００８９】もし履歴データが少ないならば、ルール
サブ知識べース、および物理モデルサブ知識ベースの優
先度を上げる（式６）知識選択工程１６５では、実際の知識が保存されている
知識ベース群２２０の中から、優先度の高いサブ知識ベ
ースを所定個、もしくは、優先度がしきい値以上のもの
を選択し、制御演算手段３００および知識処理方法決定
手段１８０に使用すべき知識の情報を出力する。

【００９０】次に、知識処理方法決定手段１８０につい
て説明する。

【００９１】知識処理方法決定手段１８０の働きを示す
フローを図６に示す。ここでは、知識選択手段１４０で
選択したサブ知識ベースに対応する知識処理方法を選択
する。まず、第２運転条件入力工程１９１では、デー
タベース３５０からプロセスの最新の運転条件が取り込
まれる。取り込まれるデータの種類は、前述の運転条件
入力工程１５１と同様である。

【００９２】次の方法優先度算出工程２０１では、知識
処理方法ベース２６０に登録されている複数の知識処理
方法、および、その組合せの優先度を算出することがで
きる。本工程２０１は、知識優先度算出工程１６１と
同様に、図３のようなニューラルネットを用いた方法に
より実現できる。もちろん、図５のようなルールによる
推論での実現も可能である。ここでは、知識ベース群２
２０でなく、知識処理方法ベース２６０を参照すること
が違うだけで、方法の詳細は前述の知識優先度算出工程
１６１と同様である。

【００９３】例えば、ニューラルネットを用いた場合に
は、メタ・ニューラルネットベース２０５に保存された
重み係数行列を用いて、出力層ニューロンに配置され
た、上述したような知識処理方法について、それぞれの
優先度を想起する。想起された優先度の最も高い知識処
理方法が選択される。

【００９４】また、選択されたサブ知識ベースが１つで
ある場合には、知識処理方法は自ずと決定する。例え
ば、ルールサブ知識ベースだけが選択された場合には、
知識処理方法として、「推論」が選択される。

【００９５】知識処理方法決定手段１８０で決定された
知識の処理方法に関する情報は、制御演算手段３００に
送られる。

【００９６】以上が本発明の特徴となる知識選択手段１
４０、方法優先度算出工程１８０の機能の説明である。

【００９７】次に、制御演算手段３００について説明す
る。この工程では、知識選択手段１４０によって知識ベ
ース群２２０の中から選択された知識、および、知識処
理方法決定手段１８０によって知識処理方法ベース２６
０の中から決定された知識の処理方法を用いて、プロセ
スの制御量を算出し、制御手段５０とＣＲＴ９０に出力
する。

【００９８】例えば、知識としてニューロサブ知識ベー
スとルールサブ知識ベースとが選択され、知識の処理方
法として、図７に示すような、ニューラルネットをメイ
ンとし、ファジィ推論機構で補正をかける方法が選択さ
れた場合には、制御量は式７のように求めることができ
る。

【００９９】この例では、比較的長時間のマクロな変化
を、ニューラルネットを用いて制御し、比較的短時間の
ミクロな変化を、ファジイ推論を用いて制御して、マク
ロな変化を補正するものである。この場合、どのような
時に、ニューラルネットによる値が高く出力されやすい
か、あるいは、低く出力されやすいか等のルールが、フ
ァジイ推論のために用意されていることとなる。

【０１００】制御量ａ（ｔ）＝予測値ａ（ｔ）＋補正値ａ（ｔ）予測値ａ（ｔ）＝ニューラルネットａの想起値（ｔ）補正値ａ（ｔ）＝ファジィ推論ａの補正推論値（ｔ）（式７）但し、ａ：制御装置の種類（浄水プロセスの場合、凝集
剤注入率、塩素注入率等）ｔ：時間を示す変数この他、別の種類の知識と、知識の処理方法が選択され
た場合も、同様にして、制御量を算出することができ
る。上述の方法により、運転条件に最も適した知識の種
類と、その処理方法とを動的に変化させながら、常に精
度の高い制御（もしくはガイダンス情報の提示）を、実
現することができる。

【０１０１】本発明の一連の動作を、図９に示すジェネ
ラルフローチャートにて説明する。

【０１０２】まず、ステップ１０００にて、装置を起動
させ、ステップ１００１にて、プロセス計測値のデータ
ベース３５０への読み込みを行う。

【０１０３】次に、使用する知識の選択をステップ１０
０２から１００５にて行う。ステップ１００２では、サ
ンプリングしたデータを、制御装置１００用のワークス
テーションス内で使用できるように、データ取り込みと
データ形式変換を行う。

【０１０４】ステップで１００３では、ニューラルネッ
トを用いて、知識の優先度算出のための新たな学習を自
動的に行い、ステップ１００４では、ニューラルネット
により、知識の優先度が想起される。この想起結果によ
り、ステップ１００５では、使用すべきサブ知識ベース
が、選択される。

【０１０５】次にステップ１００６から１０１０によ
り、知識処理方法が、選択される。

【０１０６】ステップ１００６、１００７では、選択さ
れたサブ知識ベースのリストの読み込み、および制御装
置１００で使用するワークステション用に、データ変換
を行う。

【０１０７】次に、ステップ１００８で自動学習を行
い、ステップ１００９では、ニューラルネットにより、
知識処理方法の優先度を想起する。この想起結果をもと
に、ステップ１０１０では、知識処理方法を選択する。

【０１０８】次に、制御演算をステップ１０１１から１
０１３にて行う。

【０１０９】ステップ１０１１、１０１２では選択され
た知識を読み込み、この知識を処理するための方法であ
る、処理プログラムをコールする。そして、ステップ１
０１３で、制御値を演算する。

【０１１０】最後に、ステップ１０１４にて演算結果を
ＣＲＴ９０や制御手段５０へ出力する。

【０１１１】また、ステップ１００５で選択されたサブ
知識ベースが１つである場合には、知識処理方法は、自
ずと決定されるため、このような場合には、ステップ１
００５からステップ１０１１へとブランチすることが可
能である。

【０１１２】演算結果の出力後は、再びステップ１００
１へと戻り、新たな制御ループに入る。

【０１１３】本実施例では、浄水処理プロセスを対象と
したが、これ以外の各種プロセスにおいても、全く同様
の効果を得ることができる。

【０１１４】

【発明の効果】本発明によれば、制御対象となっている
プロセスの運転条件に応じて、該プロセスの制御量を決
定するために用いられる、種類の異なる知識の中から、
最適な知識を選択し、また、選択された知識を扱うため
の、複数の処理方法の中から、最適な方法を選択し、制
御量を算出することができる。

【０１１５】これにより、従来、決められた種類の知識
とその処理方法でしか行えなかったプロセスの制御を、
運転条件の変化に追従して知識の種類と処理方法を臨機
応変に変えられることとなり、複数の種類の知識の良好
な相乗効果により、従来よりも、高精度のプロセス制御
を行うことが可能となる。

【図面の簡単な説明】

【図１】本発明による、プロセス制御装置を、浄水処理
プロセスの制御に適用した実施例の、全体構成を示すブ
ロック図である。

【図２】知識選択手段の動作例を示す説明図である。

【図３】知識優先度算出工程をニューラルネットで実現
した例の説明図である。

【図４】階層型ニューラルネットモデルの、一般的な構
造を示す説明図である。

【図５】知識優先度算出工程を、推論機構によって実現
した例の説明図である。

【図６】知識処理方法決定手段の動作を示す、説明図で
ある。

【図７】知識処理方法ベース内の要素の一例を示す図で
ある。

【図８】自動学習のためのニューラルネットモデル例の
説明図である。

【図９】本発明の全体機能の流れを示すフローチャート
である。

【符号の説明】

５…着水井、１０…急速混和池、１１…凝集剤タンク、
１２…凝集剤注入ポンプ、１３…撹拌翼、１４…撹拌
機、１５…フロック形成池、１６…撹拌パドル、２０…
沈殿池、２５…ろ過池、５Ｍ，１０Ｍ，１５Ｍ，２０
Ｍ，２５Ｍ…計測器、５０…制御手段、９０…ＣＲＴ、
９５…キーボード、１００…制御装置、１４０…知識選
択手段、１５０…第１運転条件入力手段、１５１…運転
条件入力工程、１６０…知識優先度算出手段、１６１…
知識優先度算出工程、１６２…自動学習工程、１６３…
優先度推論工程、１６４…優先度想起工程、１６５…知
識選択工程、１６６…知識選択工程、１７０…メタ・ニ
ューラルネットワーク、１７１…メタルールベース、１
８０…知識処理方法決定手段、１９０…第２運転条件入
力手段、１９１…運転条件入力工程、２００…方法優先
度算出手段、２０１…方法優先度算出工程、２０２…メ
タルールベース、２０５…メタ・ニューラルネットワー
ク、２２０…知識ベース群、２６０…知識処理方法ベー
ス、３００…制御演算手段、３５０…データベース。

フロントページの続き (72)発明者依田幹雄茨城県日立市大みか町五丁目２番１号株式会社日立製作所大みか工場内 (72)発明者呉文智茨城県日立市大みか町五丁目２番１号株式会社日立製作所大みか工場内 (72)発明者渡辺昭二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)発明者大淵美砂子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

Claims

【特許請求の範囲】

【請求項１】経時変化を有するプロセスを監視制御する
プロセス制御装置において、制御量を決定するために利用する、複数種の知識を蓄積
する手段と、知識を蓄積する手段が蓄積する複数種の知識の中から、
該プロセスの運転条件に基づいて、ある時点での制御量
の決定に適した１種または２種以上の知識の種類を選択
する知識選択手段と、制御量を決定するための、複数種の、知識の処理方法を
蓄積する手段と、知識の処理方法を蓄積する手段が蓄積する複数種の、知
識の処理方法の中から、知識の処理方法または処理方法
の組合せを決定する知識処理方法決定手段とを有し、前記知識選択手段および知識処理方法決定手段は、それ
ぞれニューラルネットワーク、または、推論機構を含
み、プロセスの運転条件に基づいて、ニューラルネット
ワークを想起、または、推論機構に推論させて、知識の
選択および知識の処理方法の決定を行なうことを特徴と
するプロセス制御装置。
【請求項２】請求項１において、前記知識選択手段が、
プロセスの運転条件を入力する手段と、使用する知識の
優先度を算出する知識優先度算出手段とを有することを
特徴とするプロセス制御方法。
【請求項３】請求項２において、前記知識優先度算出手
段が、ニューラルネットワークモデルによる学習と想起
の手段を有することを特徴とするプロセス制御装置。
【請求項４】請求項１において、前記知識処理方法決定
手段が、プロセスの運転条件を入力する手段と、知識の
処理方法の優先度を算出する方法優先度算出手段とを有
することを特徴とするプロセス制御装置。
【請求項５】請求項４において、前記方法優先度算出手
段が、ニューラルネットワークモデルによる学習と想起
の手段を有することを特徴とするプロセス制御装置。
【請求項６】請求項１、２または３において、前記知識
選択手段が選択する知識の種類が、少なくとも、プロセ
スから得られるデータ、プロセス内の各種現象を説明す
る数理モデル、および、ルール形式で記述された知識の
うちの一つであることを特徴とするプロセス制御装置。
【請求項７】請求項１、４または５において、前記知識
処理方法決定手段が決定する知識の処理方法は、少なく
とも、ニューラルネットワークの学習と想起手段、シミ
ュレーション手段、および、知識の推論手段のうちの一
つであることを特徴とするプロセス制御装置。