JP3186898B2 - Support system using neural network - Google Patents
Support system using neural networkInfo
- Publication number
- JP3186898B2 JP3186898B2 JP13170393A JP13170393A JP3186898B2 JP 3186898 B2 JP3186898 B2 JP 3186898B2 JP 13170393 A JP13170393 A JP 13170393A JP 13170393 A JP13170393 A JP 13170393A JP 3186898 B2 JP3186898 B2 JP 3186898B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- neural network
- period
- data
- recall
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Feedback Control In General (AREA)
Description
【0001】[0001]
【産業上の利用分野】本発明は、ニューラルネットワー
クを用いたシステムにおけるニューラルネット再構築の
ための自動追加学習方法に関し、さらに、かかる自動学
習方法を利用し、常に最適な想起予測を行って信頼性の
高い予測ガイダンスを行うことの可能なプラント運転支
援システムに関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to an automatic additional learning method for reconstructing a neural network in a system using a neural network. The present invention relates to a plant operation support system capable of performing highly predictive guidance.
【0002】[0002]
【従来の技術】上水処理プロセス、下水処理プロセスな
どをはじめとする各種プラントの運転管理には、熟練者
による運転管理の経験やノウハウが必要であった。しか
し、近年、プラントの運転管理現場における熟練者の不
足と若手運転管理者の経験不足などの理由から、熟練し
たオペレータの経験的知識を抽出し、これを推論機構と
共に用いる、いわゆる知識工学の手法が頻繁に適用され
るようになってきている。2. Description of the Related Art The operation management of various plants including a water treatment process and a sewage treatment process requires experience and know-how of operation management by a skilled person. However, in recent years, because of the shortage of skilled personnel at the plant operation management site and the lack of experience of young operation managers, empirical knowledge of skilled operators is extracted and used together with the inference mechanism, a so-called knowledge engineering method. Is increasingly being applied.
【0003】かかる知識工学の手法を用いた運転支援シ
ステムは、推論過程が論理的に明確であり、推論による
ガイダンスの根拠が提示できるため、オペレータに対し
て説得力をもつ。しかしながら、その半面、そのような
経験的知識の獲得とメンテナンスとが煩雑であるという
問題がある。そこで、これらの問題への解決策として、
神経回路網(ニューラルネットワーク)モデルによる運
転支援技術が導入されてきている。このニューラルネッ
トワークを用いたプラント運転支援システムは、過去の
履歴(経験)をもとに学習することでネットワークを構
築していくものであり、その過去の経験から構築された
ニューラルネットワーク(神経網)で想起を行うことに
よって、予測結果を算出する。つまり、人間のように新
しいネット構成を学習する毎に少しずつ過去のネット構
成の影響が薄れ(忘却)、また、繰り返し学習されるパ
ターンについては因果関係の強いニューラルネットワー
クを構成していくものである。A driving support system using such a knowledge engineering technique is logically clear in the inference process and can present the basis of the guidance by the inference, so that it is persuasive to the operator. However, on the other hand, there is a problem that acquisition of such empirical knowledge and maintenance are complicated. So, as a solution to these problems,
Driving support technology based on a neural network model has been introduced. A plant operation support system using this neural network builds a network by learning based on past history (experience), and a neural network (neural network) built from the past experience , The prediction result is calculated. In other words, each time a new net configuration is learned like a human, the influence of the past net configuration gradually diminishes (oblivious), and a pattern that is repeatedly learned forms a neural network with a strong causal relationship. is there.
【0004】すなわち、かかるニューラルネットワーク
モデルによる運転支援システムでは、運転履歴データ中
に埋もれたオペレータの経験や勘に相当する知識を学習
し、その学習によって得られたネットワークを想起する
ことにより、定量的なガイダンスのみを提示することが
できる。このことは、例えば、特開平4−133164
号公報に記載されているように、運転履歴データがあれ
ば、煩雑な知識獲得の工程なしに、自動追加学習によっ
て運転支援を実現することが可能となることを意味す
る。また、かかるニューラルネットワークを用いた自動
制御装置における学習の方法として、特開平4−100
101号公報等によれば、状態監視部が制御状態を検出
すると、ニューラルネットワークを再学習させるものな
どが知られている。That is, in the driving support system based on such a neural network model, the knowledge corresponding to the experience and intuition of the operator buried in the driving history data is learned, and the network obtained by the learning is recalled. Can provide only relevant guidance. This is described, for example, in Japanese Patent Laid-Open No. 4-133164.
As described in Japanese Patent Application Laid-Open Publication No. H10-209, if there is driving history data, it means that driving support can be realized by automatic additional learning without complicated steps of acquiring knowledge. As a method of learning in an automatic control device using such a neural network, Japanese Patent Application Laid-Open No.
According to Japanese Patent Application Publication No. 101-101 and the like, there is known an apparatus for re-learning a neural network when a state monitoring unit detects a control state.
【0005】[0005]
【発明が解決しようとする課題】その反面、上記の従来
技術になるニューラルネットワークモデルによる運転支
援システムでは、特に、従来の自動追加学習方法におい
て構築されたニューラルネットワークでは、その平均想
起誤差を少なくするには、学習・想起に時間がかかり非
効率であり、ハードウェアの性能に依存し(ハードウェ
アへの負担が大きい)てしまい、これでは、ニューラル
ネットワーク制御専用のコンピュータではなく、汎用の
コンピュータを運転制御や他の処理を行いながら処理す
るシステムでは実現できず、実際に採用することは不可
能であるという問題点があった。On the other hand, in a driving support system using a neural network model according to the prior art described above, especially in a neural network constructed by a conventional automatic additional learning method, the average recall error is reduced. In some cases, learning and recall takes time and is inefficient, and depends on the performance of the hardware (the burden on the hardware is large). This requires a general-purpose computer instead of a computer dedicated to neural network control. There is a problem that it cannot be realized with a system that performs processing while performing operation control and other processing, and it is impossible to actually adopt the system.
【0006】さらに、上記の従来技術の特開平4−10
0101号公報では、プラントの状態変化に応じて再学
習を行うものの、その平均想起誤差を少なくするような
考えはなかった。Further, the above prior art disclosed in Japanese Patent Laid-Open No.
In Japanese Patent No. 0101, although re-learning is performed according to a change in the state of the plant, there is no idea to reduce the average recall error.
【0007】また、後に詳細に説明するが、上記の従来
技術では、未経験な状況や急激な状況変化に対しても、
精度の高い予測は困難であった。Further, as will be described later in detail, the above-mentioned conventional technique can be used even in an inexperienced situation or a sudden situation change.
Precise predictions were difficult.
【0008】そこで、本発明では、ニューラルネットワ
ークモデルのオペレータの経験や勘に基づいた予測が可
能であるという長所を生かし、従来の自動追加学習にお
ける問題点を解消した、すなわち、平均想起誤差を少な
くするための学習の効率を上げ、ハードウェアへの負担
の少ないニューラルネットの自動追加学習方法を、さら
に、かかる学習方法を利用したプラント運転支援システ
ムを提供することをその目的とするものである。In view of the above, the present invention has solved the problem of the conventional automatic additional learning by taking advantage of the fact that it is possible to make a prediction based on the experience and intuition of the operator of the neural network model, that is, to reduce the average recall error. It is an object of the present invention to provide a learning method for automatically adding a neural network with less burden on hardware, and a plant operation support system using the learning method.
【0009】また、本発明では、従来の自動追加学習方
法では困難であった未経験な状況や急激な状況変化に対
しても、精度の高い予測ガイダンスを行うことのできる
プラント運転支援システムを提供することをその目的と
する。Further, the present invention provides a plant operation support system capable of providing highly accurate prediction guidance even in an inexperienced situation or a sudden situation change, which is difficult with the conventional automatic additional learning method. That is its purpose.
【0010】[0010]
【課題を解決するための手段】本発明は、システムの運
用に伴って自動的に過去の履歴を学習しながら構築する
ニューラルネットワークを利用し、変動する状況からシ
ステムを操作するオペレータに操作支援の為の予測値を
算出して表示する支援システムであって、平均想起誤差
を最小とする学習周期と学習判定履歴期間との組み合わ
せにおける学習期間で自動追加学習させると共に、この
自動追加学習を行うための学習期間を決定する、前記平
均想起誤差を最小にする学習周期と学習判定履歴期間と
の組み合わせを、状況の急激な変化に応じて切り換える
ことを特徴とするニューラルネットワークを用いた支援
システムを開示する。SUMMARY OF THE INVENTION The present invention utilizes a neural network constructed while learning the past history automatically with the operation of the system, and assists the operator who operates the system in a changing situation. A support system for calculating and displaying a predicted value for the purpose of automatically performing additional learning during a learning period in a combination of a learning period and a learning determination history period that minimizes an average recall error, and performing the automatic additional learning. A support system using a neural network, characterized in that a combination of a learning cycle and a learning determination history period that minimizes the average recall error is determined according to a rapid change in situation. I do.
【0011】[0011]
【作用】すなわち、上記の本発明になるニューラルネッ
トワークを用いた支援システム、ニューラルネットワー
クの自動追加学習方法、及びプラント運転支援システム
によれば、以下に詳細に説明する被監視対象であるプラ
ント等の特性に応じた学習周期と学習判定日数の最適値
を設定し、これにより、学習・想起を行うことによっ
て、効率良く、かつ、平均想起誤差を少なくすることが
可能になる。In other words, according to the support system using the neural network, the neural network automatic additional learning method, and the plant operation support system according to the present invention, a plant or the like to be monitored described in detail below is used. By setting an optimal value of the learning period and the number of days for learning determination according to the characteristics, and thereby performing learning and recall, it is possible to efficiently and reduce the average recall error.
【0012】また、効率良く学習・想起を行うことを可
能にすることによって、ハードウェアへの依存度も少な
くなり、従来の学習方式では平均想起誤差の少ない学習
が困難であったハードウェアにおいても平均想起誤差の
少ない学習・想起を行うことが出来る。Also, by enabling efficient learning and recall, the dependence on hardware is reduced, and even in hardware where learning with a small average recall error is difficult in the conventional learning method. Learning and recall with a small average recall error can be performed.
【0013】また、本発明で提案する自動追加学習方法
によれば、自動学習周期の切り換え処理を行うことによ
り、突発的状況変化に対しても、より応答性が良く、常
に、平均想起誤差の少ない安定した、最適な予測ガイダ
ンスをオペレータに提供することを可能とし、もって、
信頼性の高い運転支援を実行することが出来る。Further, according to the automatic additional learning method proposed in the present invention, by performing the switching process of the automatic learning period, the responsiveness to sudden changes in the situation is improved, and the average recall error is always improved. It is possible to provide the operator with less stable, optimal prediction guidance,
It is possible to execute highly reliable driving support.
【0014】[0014]
【実施例】ここで、まず、本発明の実施例を説明する前
に、本発明の基礎となり、かつ、本発明の最も重要な部
分を構成する、従来の神経回路網(ニューラルネットワ
ーク)モデルによるシステム(プラントなどの運転支援
システム)における本発明者等による課題の分析と考
察、さらには、それに対する解決に関して本発明者等に
より確認され、認識された事項について、以下に詳細に
説明する。DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Before describing embodiments of the present invention, a conventional neural network (neural network) model which forms the basis of the present invention and constitutes the most important part of the present invention will be described. The analysis and consideration of problems by the present inventors in a system (operation support system for a plant or the like), and further, matters that have been confirmed and recognized by the present inventors regarding solutions to the problems will be described in detail below.
【0015】従来のニューラルネットワークモデルによ
るシステム(特に、プラントなどの運転支援システム)
には、次のような課題があった。A system based on a conventional neural network model (particularly, an operation support system for a plant or the like)
Had the following issues.
【0016】まず、第一の問題として、平均想起誤差を
少なくするためには、一回当たりの学習回数が増大する
に伴い学習時間が増大し、状況変化に対する応答性の良
いネットワークを構築するためには学習周期を最小にす
るなどの方法が取られ、ハードウェアの性能への依存度
が非常に高くなるという点である。First, as a first problem, in order to reduce the average recall error, the learning time increases as the number of learnings per learning increases, and a network with good responsiveness to a situation change is constructed. For example, a method such as minimizing the learning period is used, and the dependence on hardware performance becomes extremely high.
【0017】ここで、「平均想起誤差」とは、例えば図
10の(a)に示すニューロ系において、図11に示す
ような10回の教師データを与え、その時の教師出力デ
ータyiと実際出力Yiとの差分(yi−Yi)の平均値で
あり(図10(b)を参照)、以下の数1のように定義
される。[0017] Here, the "average recall error" is, for example, in neuro system shown in FIG. 10 (a), gives 10 times the teacher data as shown in FIG. 11, the actual teacher output data y i at that time This is the average value of the difference (y i −Y i ) from the output Y i (see FIG. 10B), and is defined as in Equation 1 below.
【数1】 (Equation 1)
【0018】また、これは、一般的には以下の数2のよ
うに定義される。Further, this is generally defined as the following equation (2).
【数2】 但し、Yiは、i回目における許容学習時間内で得た出
力値であって、かつ許容誤差値よりも小さな設定値とな
る値である。一般的に、図10(c)に示すように、学
習の開始時(t0)から時間の経過(学習の進展)に従
って、誤差(|Yi−yi|)は徐々に減少し、許容学習
時間tp内に、その誤差値が許容誤差値αthよりも小さ
な値になった時のαiを選択して学習(ニューラルネッ
トワークの構築)を終了する。なお、許容学習時間tp
を越えて学習は行わない。(Equation 2) Here, Y i is an output value obtained within the permissible learning time at the i-th time and a value that is a set value smaller than the permissible error value. In general, as shown in FIG. 10 (c), the error (| Y i −y i |) gradually decreases as time elapses (learning progress) from the start of learning (t 0 ), and the error is allowed. in learning time t p, and terminates the learning by selecting alpha i of when the error value becomes smaller than the tolerance value alpha th (construction of a neural network). It should be noted that the allowable learning time t p
Do not learn beyond.
【0019】ところで、本発明者等によれば、上記の平
均想起誤差を少なくするための要因項目として、学習周
期と学習判定履歴期間などがあり、これら学習周期と学
習判定履歴期間との間には、被制御対象である例えば各
プラントの特性などに応じた最適な組合せが存在するこ
とが認識されている。しかしながら、従来においては、
かかる学習判定履歴期間と学習周期との間の関係はあま
り考慮されておらず、そのため、平均想起の差がなかな
か収束しないという問題があった。According to the present inventors, factors for reducing the above-mentioned average recall error include a learning period and a learning determination history period, and between these learning periods and the learning determination history period. It is recognized that there exists an optimal combination according to the characteristics of each plant to be controlled, for example. However, conventionally,
The relationship between the learning determination history period and the learning cycle is not taken into account so much, so that there is a problem that the difference between the average recalls does not easily converge.
【0020】ここで、本発明ではニューラルネットの自
動学習を行うとき、自動学習を行う時間間隔を「自動周
期」と称し、また、ニューラルネットのネットワーク更
新の条件として、過去の履歴データN日分の平均想起誤
差を求めるかを決定する日数や時間数を「学習判定履歴
期間」と称する。すなわち、「学習判定履歴期間」と
は、例えば、過去のどれだけのデータに遡って教師デー
タとして利用するかの過去日数(但し、日数以外に時間
数の場合もある)のことである。Here, in the present invention, when performing the automatic learning of the neural network, the time interval at which the automatic learning is performed is referred to as an "automatic cycle". The condition for updating the neural network is N days of past history data. The number of days or hours for determining whether to determine the average recall error is referred to as a “learning determination history period”. That is, the “learning determination history period” refers to, for example, the number of past days (however, there may be hours other than the number of days) of how much data in the past is used as teacher data.
【0021】また、第二の問題として、従来、平常時デ
ータが安定した状況であるシステムにおいては、安定し
たデータを繰り返し学習することによって安定した入力
条件に対応したネットワークが構築され、そのため、外
乱による急激な状況変化に対して、その状況変化に対応
したネットワークが迅速に再構築できず、これでは適切
な予測ガイダンスを行うことが困難(一次遅れ的な予測
ガイダンスを行う)であるという課題がある。As a second problem, conventionally, in a system in which data is normally stable in a normal state, a network corresponding to a stable input condition is constructed by repeatedly learning the stable data. In response to the rapid change in the situation, the network that responds to the situation change cannot be quickly rebuilt, which makes it difficult to provide appropriate prediction guidance (performs first-order lag prediction guidance). is there.
【0022】一方、上述したように、一般のニュ−ラル
ネットワ−クを用いたシステム(例えばプラント運転シ
ステム等)では、その被制御対象(例えば、プラント特
性)に応じて、予測値算出の平均想起誤差を最小とする
ため、自動追加学習周期と学習判定履歴期間との関係に
おいて最適値が存在することが本発明者等により確認さ
れ、認識されている。例えば、図3は、あるプラントで
構築されたニュ−ラルネットワ−クにおいて、自動追加
学習を一定周期とし、学習・想起を行ったときの学習判
定履歴期間(但し、図3では、この学習判定履歴期間は
日数であるとして、「学習判定日数」としている)と平
均想起誤差との関係を示したものである。この図3から
分かるように、自動追加学習が一定周期で行われる時、
平均想起誤差が最小となる最適学習判定履歴期間(日
数)が存在する。つまり、平均想起誤差を最小にするた
めには自動追加学習周期を決めることによって、最適学
習判定履歴期間(日数)が決定される。また、平均想起
誤差が最小となるための学習周期と学習判定履歴期間
(日数)との関係は、図4に示すように、学習周期と学
習判定履歴期間(日数)は比例するという関係にある。On the other hand, as described above, in a system using a general neural network (for example, a plant operation system), the average recall of the predicted value calculation is made in accordance with the controlled object (for example, plant characteristics). In order to minimize the error, the present inventors have confirmed and recognized that an optimum value exists in the relationship between the automatic additional learning period and the learning determination history period. For example, FIG. 3 shows a learning determination history period when learning / recall is performed in a neural network constructed in a certain plant with automatic addition learning at a fixed period (however, in FIG. It is assumed that the period is the number of days, and is referred to as “learning determination days”) and the average recall error. As can be seen from FIG. 3, when the automatic additional learning is performed at a constant cycle,
There is an optimal learning determination history period (days) in which the average recall error is minimized. That is, in order to minimize the average recall error, the optimal learning determination history period (number of days) is determined by determining the automatic additional learning period. Further, the relationship between the learning cycle and the learning determination history period (days) for minimizing the average recall error is such that the learning cycle and the learning determination history period (days) are proportional as shown in FIG. .
【0023】そこで、本発明者等は、上述の予測値算出
の平均想起誤差を最小とするための自動追加学習周期と
学習判定履歴期間との関係における最適値を利用するこ
とにより、かかる問題点を解消することが可能であるこ
とを最初に見い出したものである。Therefore, the present inventors use the optimum value in the relationship between the automatic additional learning period and the learning determination history period for minimizing the above-mentioned average recall error in the calculation of the predicted value, thereby solving the above problem. It is the first finding that it is possible to eliminate.
【0024】さらに、上記第一の問題で挙げた自動追加
学習周期と学習判定履歴期間との関係を前提条件として
考えるとき、第三の問題として、入力値、あるいは想起
値の変化に対して追従性の良いニューラルネットワーク
を構築するためには、自動追加学習周期を速めることに
よって、ニュ−ラルネットワ−クの再構築を速めること
が考えられる。しかしながら、上述の前提条件から平均
想起誤差を少なくするためには、学習周期を速めること
によって学習判定履歴期間を小さくする必要があり、こ
れでは、学習周期を速めることでハードウェアへの負担
が大きくなる(ハードウェアの性能に依存する)。Further, when the relation between the automatic additional learning period and the learning determination history period mentioned in the first problem is considered as a precondition, the third problem is to follow a change in an input value or a recall value. In order to construct a good-quality neural network, it is conceivable to speed up the reconstruction of the neural network by increasing the automatic additional learning period. However, in order to reduce the average recall error from the above prerequisites, it is necessary to shorten the learning determination history period by increasing the learning period. In this case, increasing the learning period imposes a heavy burden on hardware. (Depends on hardware performance).
【0025】一方、自動追加学習周期を速めることで追
従性の良いニュ−ラルネットワ−クを構築しようとする
場合、実測データに対する予測データの追従性は向上す
るが(迅速に対応したネットワーク)、学習判定日数を
小さくしたことで過去の履歴データに影響の受けにくい
ネットワークを構築し、無節操に実績データをトレース
するような予測データに陥りやすい。具体的には、外乱
(ノイズ)等の影響を受け構築されたネットワークを想
起することにより、平常時の安定したデータに復帰した
場合にも、異常データによって累積誤差の大きな予測ガ
イダンスを行うことがあるという問題が考えられる。On the other hand, when an attempt is made to construct a neural network with good follow-up performance by accelerating the automatic additional learning period, the follow-up performance of predicted data with respect to actual measurement data is improved (a network that responds quickly). By reducing the number of judgment days, a network that is not easily affected by past history data is constructed, and it is easy to fall into prediction data that traces actual data without control. Specifically, by recalling a network built under the influence of disturbances (noise), even when the data returns to stable data in normal times, it is possible to provide guidance for predicting a large accumulated error due to abnormal data. There is a problem that there is.
【0026】さらに、第四の問題として、第三の問題点
を改善するために、学習判定日数を大きくし、過去の履
歴デ−タを考慮したネットワ−クを構築しようとする場
合、平均想起誤差を少なくするためには学習周期を大き
くすることが考えられる。しかし、外乱による異常時に
は、その急激な変動に対応したネットワークが構築でき
ず、予測データが実際データに対して一時遅れな予測を
行う。つまり、学習判定日数が大きい条件において(忘
却が遅い)構築されるニューラルネットワークの因果関
係には、過去の履歴データが大きく影響を与え、また、
学習周期が大きいことなどから急激な変動に対してネッ
トワークが迅速に再構築できず、追従性が悪い(状況変
化に対してネットワークの再構築速度が遅い)ネットワ
ークしか構築できないという問題が起こる。具体的に
は、急激な状況変化に対して、その変化に追従した予測
ガイダンスができず、外乱が続いた後に、安定状態に復
帰した場合、予測ガイダンスが長い間安定しないこと
や、一時送れな予測を行うことで累積誤差が大きくなる
などの問題が考えられる。Further, as a fourth problem, in order to improve the third problem, it is necessary to increase the number of days for learning and to construct a network taking into account past history data. To reduce the error, it is conceivable to increase the learning period. However, when an abnormality is caused by a disturbance, a network corresponding to the sudden change cannot be constructed, and the prediction data performs a temporally delayed prediction with respect to the actual data. That is, the past history data greatly affects the causal relationship of the neural network constructed under the condition that the learning determination days are large (forgetting is slow).
Due to the large learning period, the network cannot be quickly reconstructed in response to a sudden change, and a problem arises in that only networks having poor followability (slow network reconstruction speed in response to a situation change) can be constructed. More specifically, if a sudden change in the situation does not allow predictive guidance to follow the change, and the disturbance returns to a stable state after a continuous disturbance, the predictive guidance may not be stable for a long time, A problem such as an increase in the accumulated error due to the prediction can be considered.
【0027】これらの問題点も、やはり、上述の予測値
算出の平均想起誤差を最小とするための自動追加学習周
期と学習判定履歴期間との関係における最適値を利用す
ることにより、かかる問題点を解消することが可能であ
ことが確認されている。These problems are also solved by using the optimal value in the relationship between the automatic additional learning period and the learning determination history period for minimizing the average recall error in the above-described prediction value calculation. Has been confirmed to be possible.
【0028】以上からも明らかなように、本発明では、
ニューラルネットワークモデルによるシステム、特に、
プラントなどの運転支援システムにおける上記の種々の
問題点や事情に鑑み、ハードウェアへの依存度を小さく
し、効率良く平均想起誤差を少なくし、定量的なガイダ
ンスだけでなく、急激な状況変化時においても、応答性
が良く、常に最適な予測ガイダンスを行うための実用的
なシステム(特に、プラント運転支援システム)を、上
記の本発明者等により初めて認識された平均想起誤差を
最小にするための学習周期と学習判定履歴期間との関係
に基づいて、新たに起創したものである。As is clear from the above, in the present invention,
Neural network model systems, especially
In view of the various problems and circumstances described above in operation support systems such as plants, reduce the dependence on hardware, reduce the average recall error efficiently, and perform not only quantitative guidance, but also Also, in order to minimize the average recall error recognized by the present inventors for the first time, a practical system (particularly, a plant operation support system) having good responsiveness and always performing optimal prediction guidance is provided. Is newly created based on the relationship between the learning cycle of the learning and the learning determination history period.
【0029】そして、本発明では、上記本発明の根幹を
なす、最適な学習周期と学習判定履歴期間との組み合わ
せを見いだすための手段として、具体的には、新規ニュ
ーラルネットを構築する際、複数の学習周期と学習判定
履歴期間との組み合わせによって想起を行うことによ
り、平均想起誤差の少ない最適な学習周期と学習判定履
歴期間との組み合わせを見いだすものとしている。According to the present invention, as means for finding the optimum combination of the learning period and the learning determination history period, which is the basis of the present invention, specifically, when constructing a new neural network, By recalling the combination of the learning period and the learning determination history period, an optimal combination of the learning period and the learning determination history period with a small average recall error is found.
【0030】さらに、本発明によれば、実際の支援シス
テムにおける現実の問題点などをも総合的に考慮しなが
ら、入力値あるいは想起値の状態の急激な変化に応じた
処理切り換えを行う手段とを備えたプラント運転システ
ムを提案する。また、その際に使用する履歴データを、
平常時のものと異常時のもの(大別して2つのバンドに
別れる場合)に分けて想起し、切り換え処理において学
習周期と学習判定に数とを同時に切り換えを行うことに
より、平均想起誤差の少ない想起を行うことが出来るよ
うにしている。Further, according to the present invention, there is provided means for performing processing switching in response to a sudden change in the state of an input value or a recall value while comprehensively considering actual problems in an actual support system. We propose a plant operation system equipped with. Also, the history data used at that time is
Recalling is divided into normal ones and abnormal ones (when roughly divided into two bands), and the learning cycle and the number of learning determinations are simultaneously switched in the switching process, so that the recalling with a small average recall error Can be performed.
【0031】かかる、状態の急激な変化に応じた処理切
り換えを行う手段としては、自動追加学習を行う際に、
例えば、入力値や想起値において、安定/異常の値を設
定できる場合には、安定/異常を判断する判定ロジック
を設けて安定/異常に対応した処理を行うための処理切
り換えスイッチを設けた構成とする。As means for switching the processing in response to a sudden change in the state, there is a method for performing the automatic additional learning.
For example, when a stable / abnormal value can be set in an input value or a recall value, a determination logic for determining stability / abnormality is provided to provide a process changeover switch for performing a process corresponding to stability / abnormality. And
【0032】また、安定データのバンドが既に分かって
いるようなシステムの場合には、その安定バンドにトリ
ガレベルを設けることにより、そのバンドから外れる急
激変動時にのみ処理切り換えを行い、急激な状況変化に
対応したネットワークを迅速に再構築することにより、
上述の問題を解消している。従って、本発明により提起
されるニュ−ラルネット再構築の自動追加学習方法を用
いた、オペレータを介在する各種システムでは、安定時
から異常時、あるいは、異常時から安定時にデータの急
激変動が起こった場合においても、教師データの自動追
加学習周期を平常時よりも頻繁に行うことにより状況変
化に対応した追従性の良い、最適な予測ガイダンスを行
うことができる。In a system in which the band of the stable data is already known, a trigger level is provided for the stable band, so that the processing is switched only at the time of a sudden change outside the band, so that a sudden change in the situation may occur. By quickly rebuilding a network that supports
The above-mentioned problem has been solved. Therefore, in various systems involving an operator using the automatic additional learning method for reconstructing a neural network proposed by the present invention, a sudden change in data occurs when the system is stable and abnormal, or when the system is abnormal and stable. Also in this case, by performing the automatic addition learning period of the teacher data more frequently than in normal times, it is possible to perform optimal prediction guidance with good followability corresponding to a situation change.
【0033】一方、安定時から異常時、あるいは、異常
時から安定時にデータの急激変動が起こった場合、過去
の教師データの取り込み(参照データ)幅(N)を短く
することにより、過去の履歴データがニュ ーラルネッ
トワークで構築する因果関係に与える影響の小さい、つ
まり、忘却性の速いネットを構築することが出来ること
となる。前述の学習周期を速め、判定日数を小さくする
ことを統合した統合型システムによって、追従性の良い
安定した予測を行える。また、状況変化がいくつかのパ
ターンに分類されるようなプラントシステムでは、多重
系のニューラルネットワークを持ち、そのネットワーク
の切り換えを行うことによって予測ガイダンスの累積誤
差を小さくする。以上のことにより、異常時の経験をも
ちながら、急激変動時に素早く安定データに追従した予
測を行うことのできる応答できるニューラルワークネッ
トロジックを構成でき、ニューラルネットワークの利用
価値を最大限に高めることが出来ることとなる。On the other hand, when the data fluctuates suddenly from the time of stability to the time of abnormality or from the time of abnormality to the time of stability, the past history of the teacher data (reference data) is shortened to reduce the past history. It is possible to construct a net that has little effect on the causal relationship that the data creates in the neural network, that is, a fast forgetting network. A stable prediction with good tracking performance can be performed by an integrated system in which the learning period is shortened and the number of days for determination is reduced. Further, a plant system in which a situation change is classified into several patterns has a multiplex neural network, and by switching the network, the cumulative error of the prediction guidance is reduced. With the above, it is possible to construct a neural network logic that can respond quickly and quickly to stable data during sudden fluctuations while having experience at the time of abnormalities, thereby maximizing the utility value of the neural network. You can do it.
【0034】上記に詳述した本発明を、より具体的に説
明するため、本発明を利用したプラント運転支援システ
ムを、例えば浄水処理プロセスの運転管理に適用した一
実施例について説明する。図1は、かかるプラント運転
支援システムの全体構成を示したブロック図であり、そ
の構成、及び、この浄水処理プロセスの手順について、
図面を参照しながら、以下に簡単に説明する。In order to more specifically explain the present invention described above, an embodiment in which a plant operation support system using the present invention is applied to, for example, operation management of a water purification process will be described. FIG. 1 is a block diagram showing the overall configuration of such a plant operation support system. The configuration and the procedure of the water purification process are described below.
This will be briefly described below with reference to the drawings.
【0035】図1において、河川や湖沼からの源水を着
水丼100に導く。着水井100からの水を導入する急
速混和池110では、凝集剤タンク111の凝集剤を凝
集剤注入ポンプ112により注入し、撹拌翼113を撹
拌機114により駆動して撹拌する。ここでは、フロッ
ク形成を促進するアルカリ剤を注入することもある。In FIG. 1, source water from a river or lake is led to a landing bowl 100. In the rapid mixing pond 110 into which water from the landing well 100 is introduced, the coagulant in the coagulant tank 111 is injected by the coagulant injection pump 112, and the stirring blade 113 is driven by the stirrer 114 to stir. Here, an alkali agent that promotes floc formation may be injected.
【0036】続いて、急速混和池110からの水はフロ
ック形成池120に導かれる。このフロック形成池12
01には撹拌パドル121が配置され、緩やかに回転さ
れている。その後、形成されたフロックは沈殿池130
で沈殿され、その上澄み液をろ過池140でろ過する。Subsequently, the water from the rapid mixing pond 110 is led to the floc forming pond 120. This floc forming pond 12
A stirring paddle 121 is arranged at 01 and is gently rotated. Thereafter, the formed flocs are transferred to the sedimentation basin 130.
, And the supernatant is filtered through a filtration pond 140.
【0037】次に、計測系統について説明する。まず、
河川や湖沼から取水された原水の水質を計測するため、
着水井100には計測器100Mが設置されている。計
測項目は、水温、濁度、アルカリ度、電気伝導度、p
H、残留塩素度、塩素要求度、水量、水位などである。
また、フロック形成池120には、計測器120Mが設
置されており、この計測器120Mは、上記の計測器1
00Mで計測する項目に加えて、水中カメラなどの撮像
手段160を含んでおり、さらに、沈殿池130にも、
同様に、計測器130Mが設置されている。また、図に
示めすように、さらに、急速混和池110にも上記計測
器120Mと同様の計測器110Mを設置し、ろ過池1
40にも計測器140Mを設置することも可能である。
なお、これらの計測器による計測項目は、やはり、上記
100M、120Mによる計測項目と同様である。そし
て、以上の計測器からの計測データは、支援システム2
00内の運転履歴データベース180に取り込まれる。
また、撮像手段160で得られたデータは、画像処理手
段170で処理された後、上記の運転履歴データベース
180に取り込まれる。Next, the measurement system will be described. First,
In order to measure the quality of raw water taken from rivers and lakes,
The landing well 100 is provided with a measuring device 100M. Measurement items are water temperature, turbidity, alkalinity, electric conductivity, p
H, residual chlorine, chlorine demand, water volume, water level, etc.
A measuring instrument 120M is installed in the floc formation pond 120, and the measuring instrument 120M
In addition to the items measured at 00M, it includes an imaging means 160 such as an underwater camera.
Similarly, a measuring instrument 130M is provided. Further, as shown in the figure, a measuring device 110M similar to the measuring device 120M is installed in the rapid mixing pond 110, and
It is also possible to install a measuring device 140M on the 40.
The measurement items by these measuring instruments are the same as the measurement items by 100M and 120M. Then, the measurement data from the above-mentioned measuring instrument is transmitted to the support system 2
The data is taken into the operation history database 180 in 00.
The data obtained by the imaging means 160 is processed by the image processing means 170, and then is taken into the operation history database 180.
【0038】次に、運転管理支援を行う知能的運転管理
支援システム(支援システム)200について説明す
る。この支援システム200は、以下のサブシステムか
らなる。すなわち、(1)ニューラルネット応用支援シ
ステム(ニューロシステム)230、(2)画像処理手
段170、(3)運転履歴データベース180である。
そして、本発明の特徴となっているニューロシステム2
30は、学習手段250と、定量的ガイダンス及び表示
手段(ガイダンス表示手段)380と、ニューラルネッ
トベース400とから構成されている。Next, an intelligent driving management support system (supporting system) 200 for performing driving management support will be described. The support system 200 includes the following subsystems. That is, (1) neural network application support system (neuro system) 230, (2) image processing means 170, and (3) operation history database 180.
And, the neurosystem 2 which is a feature of the present invention
30 includes learning means 250, quantitative guidance and display means (guidance display means) 380, and neural network base 400.
【0039】ニューロシステム230は、まず、過去の
履歴データの内有効と思われるデータを運転履歴データ
ベース180から教師データとして選択する。この教師
データを学習手段250においてニューラルネットによ
り学習し、想起を行う。また、学習後のニューラルネッ
トの役割は、想起によって運転管理に必要な定量的ガイ
ダンスを求め、その結果を定量的ガイダンス及び表示手
段380に送出され、さらに、ここで抽出された知識
は、CRT190上に定量的ガイダンスと抽出知識とし
て表示される。The neuro system 230 first selects data considered effective from the past history data from the driving history database 180 as teacher data. The teacher data is learned by the neural network in the learning means 250, and is recalled. In addition, the role of the neural network after learning is to find quantitative guidance necessary for driving management by recall and send the result to the quantitative guidance and display means 380. Further, the knowledge extracted here is stored on the CRT 190. Is displayed as quantitative guidance and extracted knowledge.
【0040】つぎに、支援システム200への各種デー
タの入出力について説明する。まず、入力について説明
すると、計測器100M、110M、120M、130
M、140M、及び、撮像手段160では、所要時間間
隔でデータがサンプリングされ、このサンプリングされ
たデータは、上記支援システム200の運転履歴データ
ベース180に送られて保存される。また、計測器によ
るオンライン計測ができない、例えば手分析データや目
視観察データは、別途、図のキーボード195などの入
力手段を介して、CRT190の画面上に表示されたメ
ッセージなどを参照しながら、対話的に入力されること
となる。Next, input and output of various data to and from the support system 200 will be described. First, the input will be described. The measuring instruments 100M, 110M, 120M, 130
In the M, 140M, and the imaging means 160, data is sampled at required time intervals, and the sampled data is sent to and saved in the operation history database 180 of the support system 200. In addition, for example, hand analysis data and visual observation data, which cannot be measured online by a measuring instrument, are separately communicated via input means such as a keyboard 195 shown in the figure with reference to a message displayed on the screen of the CRT 190. Input.
【0041】次に、出力関係について説明すると、上記
の支援システム200は、入力されたデータに基ずいて
ガイダンスする内容を決定する。すなわち、支援システ
ム200内のニューロシステム230から得られたガイ
ダンスは、CRT190の画面を通じてオペレータに表
示される。なお、このCRT190は、必要に応じて撮
像手段160からの映像を映し出すモニタをも兼ねるこ
とができる。オペレータは、このCRT190上に表示
されたガイダンスを参考に、操作量の必要と認められる
変更等を入力手段であるキーボード195を介して、制
御手段150に入力する。そこで、制御手段150は、
入力されたデータに従ってプロセスの各機器を制御する
こととなる。なお、支援システム200からのガイダン
スが直接に制御手段150に入力されることもある。以
上が、本実施例の全体の構成と動作の概要である。Next, the output relationship will be described. The support system 200 determines the content of guidance based on the input data. That is, the guidance obtained from the neuro system 230 in the support system 200 is displayed to the operator through the screen of the CRT 190. It should be noted that the CRT 190 can also serve as a monitor for displaying an image from the imaging means 160 as necessary. The operator refers to the guidance displayed on the CRT 190 and inputs a change or the like that is deemed necessary for the operation amount to the control unit 150 via the keyboard 195 as the input unit. Therefore, the control means 150
Each device of the process is controlled according to the input data. Note that the guidance from the support system 200 may be directly input to the control unit 150. The above is the outline of the overall configuration and operation of the present embodiment.
【0042】続いて、本発明の核をなすニューロシステ
ム230内で行われる神経回路網(ニューラルネット)
モデルの学習及び知識抽出(想起)方法について、以下
に順を追って説明する。ニューラルネットモデルの学習
は、平均想起誤差が減少するように重み係数行列を修正
することにより行う。学習アルゴリズムとしては、最も
多用されている従来型BP法を採用し、すなわち、平均
想起誤差の二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行列を修正することにより行
う。Next, a neural network (neural network) performed in the neural system 230 which forms the core of the present invention.
The model learning and knowledge extraction (recall) method will be described step by step below. Learning of the neural network model is performed by modifying the weight coefficient matrix so as to reduce the average recall error. As the learning algorithm, the conventional BP method that is most frequently used is adopted, that is, the sum of squares of the average recall error is defined as an evaluation function, and the weighting coefficient matrix is modified so that the evaluation function decreases. .
【0043】次に、本実施例のニューロシステム230
を浄水プロセスで運用する場合を例にとり、本発明の学
習手段250の具体的な方法について説明する。まず、
浄水プラントでは、流入水質や計測器の特性が経時的に
変化するため、これに応じて凝集剤注入方法も変化す
る。すなわち、この状況変化に対応して、ニューラルネ
ットが臨機応変に追加学習していけば、自己成長性を有
する運転支援が行えることとなる。そこで、このような
自動追加学習方法の概略を図2に示す。Next, the neuro system 230 of this embodiment is described.
A specific method of the learning means 250 according to the present invention will be described by taking, as an example, the case of operating in a water purification process. First,
In the water purification plant, since the quality of the inflow water and the characteristics of the measuring instrument change with time, the coagulant injection method changes accordingly. That is, if the neural network performs additional learning flexibly in response to this situation change, driving support having self-growth can be performed. FIG. 2 shows an outline of such an automatic additional learning method.
【0044】この運用手順の考え方は、(1)処理良好
でしかも過去の運転履歴と大きく矛盾しないデータのみ
をネットに反映させる。(2)過去の運転履歴を尊重し
つつ、新たなデータを最も強く反映させる。(3)メン
テナンスフリーで自動学習することである。ことによ
り、プラントデータ群の構造変化に適応して、常に最適
な予測ガイダンスを行うことである。すなわち、以下に
説明する自動追加学習の手順に基づき、自動追加学習を
行いながら予測ガイダンスを行う。The concept of this operation procedure is as follows: (1) Only data that has good processing and does not largely conflict with the past operation history are reflected on the net. (2) Reflect new data most strongly while respecting past driving histories. (3) Automatic learning without maintenance. By doing so, it is necessary to always perform optimal prediction guidance in adaptation to the structural change of the plant data group. That is, the prediction guidance is performed while performing the automatic additional learning based on the procedure of the automatic additional learning described below.
【0045】具体的には、まず、運用前において、新規
ニューラルネットワークを構築し(260)、実機運用
後において自動学習するものである。すなわち、学習手
段により学習を行い(280)、その後、ガイダンス周
期であるか否かを判定する(370)。その結果、「N
o」と判断された場合には、再び、上記の学習手段(2
80)へ戻り、他方、「Yes」と判断された場合に
は、CRT190を介してガイダンスを表示する(39
0)。Specifically, first, a new neural network is constructed before operation (260), and automatic learning is performed after operation of the actual machine. That is, learning is performed by the learning means (280), and thereafter, it is determined whether or not it is a guidance cycle (370). As a result, "N
o ", the learning means (2
Returning to 80), if it is determined to be “Yes”, the guidance is displayed via the CRT 190 (39).
0).
【0046】図5には、上記図2に示した新規ニューラ
ルネットワーク構築260の詳細が示されている。この
新規ニューラルネットワーク構築260は、実機運用前
に、実機に即したニューラルネットワークを構築するた
めの手順であり、学習によって構築されたニューラルネ
ットワークは初期ネットワークとして先述のニューロシ
ステム200のニューラルネットベース400に格納す
る。FIG. 5 shows details of the new neural network construction 260 shown in FIG. This new neural network construction 260 is a procedure for constructing a neural network suitable for the actual machine before operation of the actual machine. The neural network constructed by learning is used as an initial network in the neural network base 400 of the neural system 200 described above. Store.
【0047】新規ニューラルネットワーク構築260の
詳細は、まず、工程265と268において、任意の初
期値にて既存データを用いて学習・想起を行い、平均想
起誤差が目標誤差よりも小さくなるまで学習・想起を繰
り返す。続いて、工程270では、平均想起誤差が十分
に小さくなったネットワークをニューラルネットベース
400に格納する。さらに、続く工程275では、前段
の工程270までで構築されたネットワークにより、
「学習周期」と「学習判定履歴期間(日数)」との組み
合わせによって学習・想起を行い、正常時/異常時など
のケース毎に平均想起誤差が最小となる「学習周期」と
「学習判定履歴期間」との最適な組み合わせを設定す
る。なお、この「学習周期」と「学習判定履歴期間」の
設定は、後で述べる処理切り換えによって切り換えを行
う。Details of the new neural network construction 260 are as follows. First, in steps 265 and 268, learning / recall is performed using existing data at an arbitrary initial value, and learning / recall is performed until the average recall error becomes smaller than the target error. Repeat the recall. Subsequently, in step 270, the network in which the average recall error has become sufficiently small is stored in the neural network base 400. Further, in the following step 275, the network constructed up to the previous step 270
“Learning cycle” and “Learning judgment history”, in which learning / recall is performed by combining “Learning cycle” and “Learning judgment history period (days)”, and the average recall error is minimized for each case such as normal / abnormal. Set the optimal combination with "Period". Note that the setting of the “learning cycle” and the “learning determination history period” is switched by processing switching described later.
【0048】ここで、本発明にとって最も重要な事実で
ある、学習周期と学習判定履歴期間(日数)との最適な
組み合わせが存在することの根拠を、再び、上記図3を
例に挙げ、詳細に説明する。この図3の真中に描いた太
線Aは、図5の工程265と268で構築されたネット
ワークを、一定の学習周期で、学習・想起を行ない、同
時にパラメータとして学習判定日数を変化させたとき
の、平均想起誤差の関係を示したものである。このグラ
フは、あるネットワークにおいて「学習周期」を所定の
値に決定したとき、平均想起誤差を最小にするために
は、最適な学習判定日数(誤差が最小となる学習判定日
数)が決定されることを示すものである。また、同時
に、この「学習周期」を大きく設定した(太線よりも長
く)場合、図中の曲線bにより示すように、平均想起誤
差が最小となる最適学習判定日数は大きくなり、逆に、
学習周期を小さく設定した場合、図中の曲線aにより示
すように、最適学習判定日数も小さくなるということを
示している。Here, the most important fact for the present invention, the grounds for the existence of the optimum combination of the learning period and the learning determination history period (days) will be described again with reference to FIG. Will be described. The bold line A drawn in the middle of FIG. 3 indicates that the network constructed in steps 265 and 268 in FIG. 5 is learned and recalled at a constant learning cycle, and at the same time, the number of learning determination days is changed as a parameter. , The average recall error. This graph shows that when a “learning cycle” is determined to a predetermined value in a certain network, an optimal learning determination day (learning determination day at which the error is minimized) is determined in order to minimize the average recall error. It shows that. At the same time, when this “learning cycle” is set to be large (longer than the bold line), as shown by the curve b in the figure, the optimal learning determination days at which the average recall error is minimized increase, and conversely,
When the learning period is set to be small, the optimal learning determination days also become small, as indicated by the curve a in the figure.
【0049】つまり、平均想起誤差を最小にするため
の、すなわち、最適な「学習周期」と「学習判定履歴期
間(日数)」との関係は、図4に示すように、互いにほ
ぼ比例関係となっていることが分かる。そこで、本発明
では、以上のことを踏まえながら、これら「学習周期」
と「学習判定履歴期間」との複数の組合せにおいて想起
を行い、「学習周期」と「学習判定履歴期間」との最適
値を設定する。なお、ここで、後で述べる処理切り換え
(SW機能)を用いるときには、これら最適な組合せ
を、安定/異常用(入力値が大別して安定と異常に別れ
る場合)の組合せに設定しておく必要がある。That is, the relationship between the “learning cycle” and the “learning determination history period (number of days)” for minimizing the average recall error, ie, the optimum, is substantially proportional to each other as shown in FIG. You can see that it has become. Therefore, in the present invention, these "learning cycles"
And a plurality of combinations of “learning determination history period” and an optimal value of “learning cycle” and “learning determination history period” are set. Here, when the process switching (SW function) described later is used, it is necessary to set these optimal combinations as combinations for stability / abnormality (when the input value is roughly divided into stable and abnormal). is there.
【0050】次に、上記図2で示した、実機運用後の自
動学習の手順である学習手段280及びガイダンス表示
390の部分の詳細について、以下に説明する。なお、
本実施例において、ニューラルネットワークの追加学習
方法としては、自動追加学習を行うものとする。Next, the details of the learning means 280 and the guidance display 390, which are the procedures of the automatic learning after the operation of the actual machine, shown in FIG. 2 will be described below. In addition,
In the present embodiment, as an additional learning method of the neural network, automatic additional learning is performed.
【0051】図6には、図2の学習手段280の部分の
概略ブロックが示されている。この図6は、複数の計器
類で一定周期毎に計測されたデータ(履歴データないデ
ータベース)の取り込みから、学習・想起の一連の処理
を示すブロック図である。まず、入力データ285で
は、履歴データベースないしデータ(例えば、pH、濁
度、水温など)を学習周期毎に取り込みを行う。次に、
入力値判定ロジック290では、入力値の急激な変化に
対応したニューラルネットワークを再構築するため、入
力値の変化に対応したフラグ(トリガスイッチ)を設
け、フラグのセット/リセットによって処理切り換えを
行う。次に、ニューラルネット追加学習処理300で
は、前回の処理の良否を判定し、良好であった場合に
は、現ネットの初期値として前回データの追加学習を行
って新ネットとし、現ネットと新ネットの両方を学習判
定日数N日分で想起を行い、新ネットの平均想起誤差の
方が小さい場合、新ネットを現ネットとしてニューラル
ネットベース400に格納する。FIG. 6 shows a schematic block diagram of the learning means 280 of FIG. FIG. 6 is a block diagram showing a series of processes from learning and recalling of data (database without history data) measured at a fixed cycle by a plurality of instruments. First, in the input data 285, a history database or data (for example, pH, turbidity, water temperature, etc.) is fetched for each learning cycle. next,
In the input value determination logic 290, a flag (trigger switch) corresponding to the change in the input value is provided, and processing is switched by setting / resetting the flag in order to reconstruct a neural network corresponding to a sudden change in the input value. Next, in the neural network additional learning process 300, the quality of the previous process is determined. If the previous process is good, the additional learning of the previous data is performed as an initial value of the current net to form a new net. Both of the nets are recalled for N days of learning determination days, and when the average recall error of the new net is smaller, the new net is stored in the neural net base 400 as the current net.
【0052】次に、現在の操作量の想起330では、現
ネッ トで計測器などから得られたデータを基にして操
作量などを想起し、ガイダンス表示を行う。次に、想起
判定ロジック340では、上記入力値判定ロジック29
0と同様に、想起値の急激な変化などによって処理切り
換えを行うためのSW350のセット/リセットを行
う。最後に、SW350では、入力値判定ロジック29
0及び想起値判定ロジック340でセット/リセットさ
れたフラグを参照して、上記本発明の根幹となる最適な
「学習周期」と「学習判定履歴期間」との関係を考慮し
ながら、安定/異常時(安定バンド/異常バンド)に応
じた処理の切り換え(学習周期と学習判定日数のセッ
ト)を行い、自動追加学習を行う。Next, in the recall 330 of the current operation amount, the operation amount and the like are recalled based on data obtained from a measuring instrument or the like on the current net, and guidance is displayed. Next, in the recall determination logic 340, the input value determination logic 29
Similarly to 0, the SW 350 is set / reset to switch the process due to a sudden change in the recall value. Finally, in SW350, the input value determination logic 29
With reference to 0 and the flag set / reset by the recall value determination logic 340, the stability / abnormality is determined while considering the relationship between the optimal “learning cycle” and “learning determination history period” which is the basis of the present invention. The processing is switched according to the time (stable band / abnormal band) (set of the learning period and the number of days for learning determination), and the automatic additional learning is performed.
【0053】ここで、本発明の第二の特徴である処理切
り換えについて、上記の浄水プラントを例に挙げて詳し
く説明する。浄水プラント(その他の一般プラントシス
テムも含む)の様なシステムでは、定常時には安定した
入力値があり、それに伴ってネットワークが構築され、
そのネットワークを想起することによって予測ガイダン
スを行う。しかし、極くまれに、外乱(気象条件の変
化)などの影響により入力値が急激に変化することがあ
る。Here, the process switching, which is the second feature of the present invention, will be described in detail by taking the above-mentioned water purification plant as an example. In a system such as a water purification plant (including other general plant systems), there are stable input values in a steady state, and a network is constructed accordingly,
Predictive guidance is provided by recalling the network. However, on rare occasions, the input value may suddenly change due to the influence of disturbance (change in weather conditions) or the like.
【0054】しかしながら、従来のニューロシステムを
利用した運転支援システムでは、その自動追加学習方法
によっては、図7に示すように、構築された現ネットワ
ーク(定常時の安定した入力値に強く影響を受けたネッ
トワークが形成され、外乱等の影響経験の少ないネット
ワークが形成されている)への入力の急激な変化に対応
したネットワークを迅速に構築することが出来ず、想起
による最適なガイダンス予測が困難な場合が生じてしま
う。However, in a conventional driving support system using a neural system, depending on the automatic additional learning method, as shown in FIG. Network is formed, and a network with little experience of disturbances is formed.) It is difficult to quickly build a network that responds to sudden changes in input, and it is difficult to predict optimal guidance by recall. Cases arise.
【0055】そこで、上記図6に示した入力値判定ロジ
ック290や想起値判定ロジック340において、入力
値あるいは想起値の変化によって、処理の切り換えを行
い、これにより、外乱などによる入力値の急激な変化に
対応したニューラルネットワークを再構築するように、
入力値の変化に対応したフラグスイッチ(トリガスイッ
チ)を設け、もって、フラグスイッチのセット/リセッ
トによって処理切り換えを行うことが提案される。ここ
で、フラグスイッチとは、そのセット/リセットが、入
力や教師データの変化量に対してトリガレベル(エッジ
センス及びレベルセンスによる設定レベル)を設定し、
そのレベルを超えた(通過した)ときにフラグをセット
するようなソフトウェア上でのスイッチである。Therefore, in the input value determination logic 290 and the recall value determination logic 340 shown in FIG. 6, the processing is switched according to a change in the input value or the recall value, whereby the input value is rapidly changed due to disturbance or the like. Like rebuilding a neural network that responds to changes,
It is proposed to provide a flag switch (trigger switch) corresponding to a change in the input value, and to switch the processing by setting / resetting the flag switch. Here, the flag switch means that the set / reset sets a trigger level (a level set by edge sensing and level sensing) with respect to a change amount of input or teacher data.
This is a software switch that sets a flag when the level is exceeded (passed).
【0056】前記のトリガレベルの設定基準について
は、例えば、レベルセンスのためのトリガレベルとし
て、図7で述べた安定バンドなどを設定する。また、急
激な変化に対する処理切り換えを行うためのエッジセン
スでは、入力値などの微分値レベル(変化量)を設定
し、それぞれの設定レベルを超えたときに処理切り換え
のためのフラグをセットする。With regard to the trigger level setting reference, for example, the stable band described in FIG. 7 is set as a trigger level for level sensing. In the edge sensing for switching the processing for a rapid change, a differential value level (change amount) such as an input value is set, and a flag for switching the processing is set when the level exceeds each set level.
【0057】この本発明の第二の特徴である処理切り換
えの実施方法を、図8を波形を参照しながら説明する。
まず、安定状態の時には、過去の履歴データ(過去の経
験)を考慮したネットワークを構築するため、学習判定
日数を大きくする。それに伴い、学習周期を大きくして
自動学習を行う(図4の学習周期と学習判別日数との関
係を参照)。これに対し、外乱等の影響により安定状態
から異常状態に、あるいは、異常状態から安定状態に状
態遷移する時には、平常時よりも速くネットワークを再
構築する必要がある。そのため、学習周期を小さくし、
過去の履歴データによる影響を小さくするため、学習判
定日数を小さくした条件で、状態に対応したネットワー
クが再構築されるまで、一定期間、自動追加学習を行
う。A method for performing the process switching, which is the second feature of the present invention, will be described with reference to FIG.
First, in a stable state, the number of days for learning determination is increased in order to construct a network in consideration of past history data (past experience). Accordingly, the learning period is increased to perform automatic learning (see the relationship between the learning period and the number of learning determination days in FIG. 4). On the other hand, when the state transitions from the stable state to the abnormal state or from the abnormal state to the stable state due to the influence of disturbance or the like, it is necessary to reconstruct the network faster than normal. Therefore, the learning period is reduced,
In order to reduce the influence of the past history data, automatic additional learning is performed for a certain period of time until the network corresponding to the state is reconfigured under the condition that the learning determination days are reduced.
【0058】このような処理切り換えを行うことによっ
て、安定時には過去の豊富な経験を反映したネットワー
ク構築を行い、異常時には自動追加学習周期を定常時よ
りも速めることによって、外乱による入力の急激な変化
に対応したネットワークを迅速に再構築でき、信頼性の
高いガイダンス予測を行うことが期待できる。By performing such a process switching, a network is constructed reflecting abundant experience in the past when the system is stable, and the automatic additional learning period is made faster than that in the steady state when the system is abnormal. It is possible to quickly reconstruct a network corresponding to the above, and to expect highly reliable guidance prediction.
【0059】かかる処理切り換えの具体的な手順の詳細
を図9に示す。図9のフローチャートにおいて、まず、
入力値の急激な変化を、スイッチ機能による処理切り換
えの条件とする場合には、入力値によるスイッチフラグ
設定を行う処理ブロック290の中のステップ291で
入力値の変化量を判定し、安定時(「Yes」の場合)
には、安定時処理を行うため、ステップ293において
安定フラグを設定する。逆に、異常時(「No」の場
合)には、ステップ295で異常フラグを設定し、処理
切り換えを行う。FIG. 9 shows details of a specific procedure for switching the processing. In the flowchart of FIG. 9, first,
When a rapid change in the input value is used as a condition for switching the processing by the switch function, the amount of change in the input value is determined in step 291 in the processing block 290 for setting the switch flag based on the input value. "Yes")
In step 293, a stable flag is set in order to perform the process at stable time. Conversely, when an abnormality occurs (in the case of "No"), an abnormality flag is set in step 295, and the process is switched.
【0060】次に、ニューラルネット追加学習処理30
0では、ステップ305において、追加学習を行って、
その学習結果を新ネットとし、ステップ310で現ネッ
トと新ネットを想起し、続いて、ステップ315におい
て、それらの平均想起誤差の比較を行う。この比較の結
果、新ネットの方が平均想起誤差が小さい場合には、新
ネットを現ネットとして使用し、ニューラルネットベー
ス400に格納する。Next, the neural network additional learning processing 30
0, additional learning is performed in step 305,
The learning result is used as a new net, and the current net and the new net are recalled in step 310. Subsequently, in step 315, the average recall error is compared. As a result of this comparison, if the new net has a smaller average recall error, the new net is used as the current net and stored in the neural net base 400.
【0061】さらに、ステップ330では、現ネットに
より現在操作量の想起を行う。In step 330, the current operation amount is recalled by the current net.
【0062】続いて、想起値の変化による処理切り換え
を行うステップ340では、まず、ステップ341にお
いて、想起値が安定か否かを判定し、その結果、安定な
想起予測値の場合(「Yes」の時)にはステップ34
3で安定フラグを、他方、想起予測値が異常な場合
(「No」の時)には、ステップ345で異常フラグを
設定して、処理切り換えを行う。Subsequently, in step 340 in which the process is switched according to the change of the recall value, it is first determined in step 341 whether or not the recall value is stable. As a result, if the recall value is stable (“Yes”). Step 34)
If the stability flag is set in step 3 and the predicted recall value is abnormal ("No"), an abnormal flag is set in step 345, and the process is switched.
【0063】最後に、上記の入力値の変化によるフラグ
設定を行うための処理ブロック290と、上記の想起値
の変化によるフラグ設定を行うための処理ブロック34
0のフラグ状況により、スイッチ切り換えブロック35
0において、学習周期及び学習判定日数の処理切り換
え、あるいは、多重系のネットワークを有する場合、状
況に応じたネットワークの切り換え処理を行う。Finally, a processing block 290 for setting the flag based on the change in the input value and a processing block 34 for setting the flag based on the change in the recall value.
The switch switching block 35 depending on the flag status of 0
At 0, processing switching of the learning period and the number of days for learning determination, or, if there is a multiplex network, network switching processing according to the situation.
【0064】すなわち、ステップ360において、入力
値と想起値の安定性を判別し、安定(「Yes」)と判
断される場合には、ステップ363において安定時ネッ
ト処理が行われ、他方、不安定(「No」)と判定され
る場合には、ステップ365で異常時ネット処理が施さ
れる。That is, in step 360, the stability of the input value and the recall value is determined, and if it is determined that the input value and the recall value are stable (“Yes”), the stable net processing is performed in step 363. If it is determined to be “(No)”, an abnormal-time net process is performed in step 365.
【0065】ここで、入力値の変化、あるいは、想起値
の変化による処理切り換えでは、必ずしも両方の判定ス
イッチを設けるものではなく、システムに応じて入力値
の変化、あるいは、想起値の変化のいずれかスイッチ機
能だけを設けることも可能である。Here, in the process switching based on the change of the input value or the change of the recall value, it is not always necessary to provide both the determination switches, and the change of the input value or the change of the recall value depends on the system. It is also possible to provide only the switch function.
【0066】なお、これらの手順において、先に述べた
自動追加学習周期、学習判定日数、多重系ネットワーク
の処理切り換えを行うことによって、ニューラルネット
ワークの再構築の特徴を踏まえ、学習効率を向上させハ
ードウェアへの負担を小さくするとともに、入力値など
の急激な変化にも迅速に対応したネットワークを再構築
することが可能となり、これに伴い、常に、最適な信頼
性の高いガイダンス表示の可能な支援システムを確立で
きることとなる。In these procedures, the automatic addition learning period, the number of days of learning determination, and the processing switching of the multiplex system are switched as described above to improve the learning efficiency and improve the hardware efficiency based on the feature of the reconstruction of the neural network. In addition to reducing the burden on the hardware, it is possible to rebuild a network that can quickly respond to sudden changes in input values, etc., along with this, it is always possible to provide optimal and highly reliable guidance display The system can be established.
【0067】また、上記の本実施例では、本発明の具体
的応用例として、浄水処理プロセスを管理するオペレー
タに対する運転支援システムについて詳述したが、本発
明は、これらをはじめとする各種プラント運転システム
において、階層型ニューラルネットモデルの入力層に計
器などから得られるデータを入力することによって、出
力層に平均想起誤差の少ない予測値を出力させるモデル
などに用いることが可能であり、さらに、オペレータの
判断が重要とされている各種プロセスである浄水処理シ
ステムの他にも、オペレータが介在する各種プロセスで
ある、例えば、下水処理プロセス、化学反応プロセス、
バイオプロセス、原子力発電プロセス、株価・為替など
の金融プロセスなどにも適用することが可能であること
は言うまでもない。Further, in the above-described embodiment, as a specific application example of the present invention, the operation support system for the operator who manages the water purification treatment process has been described in detail. In a system, by inputting data obtained from an instrument or the like to an input layer of a hierarchical neural network model, it can be used as a model for outputting a predicted value with a small average recall error to an output layer, and furthermore, an operator In addition to the water purification system, which is a process in which the determination is important, various processes involving an operator, for example, a sewage treatment process, a chemical reaction process,
It is needless to say that the present invention can be applied to a bioprocess, a nuclear power generation process, a financial process such as stock price / exchange, and the like.
【0068】[0068]
【発明の効果】上記の本発明の詳細な説明からも明らか
なように、すなわち、本発明のニューラルネットワーク
の手法を用いた支援システムでは、オペレータに対して
定量的で誤差の少ない予測ガイダンスを行うことが可能
となり、特に、プラント運転支援システムにおいては、
そのプラント特性に対応した学習判定日数と学習周期に
最適値を知ることにより、効率良く、平均想起誤差の少
ない予測を行うことが可能になる。また、従来の運転支
援システムの予測ガイダンスでは困難であった急激な入
力状況変化時においても、より迅速に入力状況変化に対
応したネットワークを再構築することにより、常に最適
な想起予測を行い、信頼性の高い予測ガイダンスを行う
運転支援システムを提供することが可能になるという優
れた効果を発揮する。As is apparent from the above detailed description of the present invention, that is, in the support system using the neural network method of the present invention, the operator is provided with quantitative and less predictive guidance for the operator. In particular, in a plant operation support system,
By knowing the optimal values for the learning determination days and the learning period corresponding to the plant characteristics, it becomes possible to efficiently perform prediction with a small average recall error. In addition, even in the case of a sudden input situation change, which was difficult with the prediction guidance of the conventional driving support system, the network that responds to the input situation change is reconstructed more quickly, so that the optimal recall prediction is always performed, An excellent effect of being able to provide a driving support system that provides highly predictive guidance is exhibited.
【0069】より具体的に説明を加えると、従来のニュ
ーラルネットワークシステムでは学習回数を増やすこと
などによって平均想起誤差を小さくする手法が主に取ら
れてきたが、これは上述の通り、ハードウェアへの依存
度が非常に高く効率の悪いものであった。そこで、本発
明では学習周期と学習タイミングの最適値を設定するこ
とにより、先に示したようにハードウェアへの負担を小
さくし、効率良く平均想起誤差を小さく出来た。また、
全く経験のない状況についてもデジタルロジックと異な
り、適切な予測(過去に経験のないものについての平均
想起誤差はかなり大きい)を行うことができる長所があ
る。一方、急激な状況変化に対しての予測は、ニューラ
ルネットワークが良好に行われず、大きな平均想起誤差
を生じ易いという短所もあり、また、平常状態のデータ
が常時変化するようなシステムについては累積誤差が大
きくなるというデメリットがあった。More specifically, in the conventional neural network system, a method of reducing the average recall error by increasing the number of times of learning has been mainly employed. Was very highly dependent and was inefficient. Therefore, in the present invention, by setting the optimum values of the learning period and the learning timing, as described above, the load on the hardware can be reduced, and the average recall error can be reduced efficiently. Also,
Unlike digital logic, it has the advantage that it can make appropriate predictions (average recall errors for those who have no experience in the past are quite large) even in situations where there is no experience. On the other hand, the prediction of a sudden change in the situation is disadvantageous in that the neural network is not performed well and a large average recall error is likely to occur. Had the disadvantage of becoming larger.
【0070】そこで、本発明では、ニューラルネットを
利用したプラント運転支援システムにおいて、その短所
である状況の急変動時(定常状態から異常状態、異常状
態から定常状態)に、より迅速に実績データに追従する
ようにするため、前述の処理切り換えを設けた自動追加
学習の手段を用いることによって、状況の急変動時に処
理切り換えを行ってより迅速に追従できるネットワーク
を再構築することを可能にさせた。その結果、ニューラ
ルネットを利用した予測算出の長所を最大限に発揮する
ことが出来、プラント運転支援システムとして高い信頼
性を有する予測ガイダンスを提供できるプラント運転支
援システムを構築することが出来た。Therefore, according to the present invention, in a plant operation support system using a neural network, when the situation suddenly changes (from a steady state to an abnormal state, or from an abnormal state to a steady state), the actual data can be more quickly obtained. In order to follow up, by using the means of automatic additional learning provided with the above-described process switching, it is possible to reconstruct a network that can perform the process switching at the time of a sudden change in the situation and follow up more quickly. . As a result, the advantages of the prediction calculation using the neural network can be maximized, and a plant operation support system that can provide highly reliable prediction guidance as a plant operation support system can be constructed.
【図1】本発明によるプラント運転支援システムを浄水
処理プロセスの運転管理支援に適用した実施例の全体構
成を示すブロック図である。FIG. 1 is a block diagram showing an overall configuration of an embodiment in which a plant operation support system according to the present invention is applied to operation management support of a water purification process.
【図2】上記プラント運転支援システムにおける学習処
理の概略を示すフローを示す図である。FIG. 2 is a flowchart showing an outline of a learning process in the plant operation support system.
【図3】本発明の根幹である、平均想起誤差を最小とす
るための学習周期と学習判定履歴期間(日数)との最適
値が存在する根拠を示すグラフである。FIG. 3 is a graph showing the basis for the existence of the optimum values of the learning cycle and the learning determination history period (days) for minimizing the average recall error, which is the basis of the present invention.
【図4】本発明において、学習周期と学習判定履歴期間
(日数)の間の関係を示すグラフである。FIG. 4 is a graph showing a relationship between a learning cycle and a learning determination history period (days) in the present invention.
【図5】上記図2の学習処理における新規ニューラルネ
ット構築するための詳細フローを示す図である。FIG. 5 is a diagram showing a detailed flow for constructing a new neural network in the learning process of FIG. 2;
【図6】本発明の処理切り換えを実施する概略構成を示
すためのブロック図である。FIG. 6 is a block diagram showing a schematic configuration for performing the process switching of the present invention.
【図7】従来の自動追加学習方法では対応できなかった
急激な変化の様子を示す波形図である。FIG. 7 is a waveform diagram showing a state of a sudden change which cannot be handled by the conventional automatic additional learning method.
【図8】上記の急激な変化に対応するための処理切り換
えにおけるスイッチトリガレベルの概念を示した波形図
である。FIG. 8 is a waveform diagram showing a concept of a switch trigger level in processing switching to cope with the above-mentioned rapid change.
【図9】上記図6の構成において、処理切り換えを行う
ための詳細な手順を示したフロー図である。FIG. 9 is a flowchart showing a detailed procedure for switching processing in the configuration of FIG. 6;
【図10】本発明における重要概念である平均想起誤差
を説明するための図である。FIG. 10 is a diagram for explaining an average recall error, which is an important concept in the present invention.
【図11】平均想起誤差算出のための一例を示す図であ
る。FIG. 11 is a diagram showing an example for calculating an average recall error.
100 着水井 110 急速混和池 111 凝集剤タンク 112 凝集剤注入ポンプ 113 撹拌翼 114 撹拌機 120 フロック形成池 121 撹拌パドル 130 沈殿池 140 ろ過池 100M、110M、120M、130M、140M
計測器 150 制御手段 160 撮像手段 170 画像処理手段 180 運転履歴データベース 200 支援システム 230 ニューロシステム 250 学習手段 380 定量的ガイダンスおよび表示手段 400 ニューラルネットベースREFERENCE SIGNS LIST 100 landing well 110 rapid mixing pond 111 coagulant tank 112 coagulant injection pump 113 stirring blade 114 stirrer 120 floc forming pond 121 stirring paddle 130 sedimentation pond 140 filter pond 100M, 110M, 120M, 130M, 140M
Measuring device 150 Control means 160 Imaging means 170 Image processing means 180 Operation history database 200 Support system 230 Neurosystem 250 Learning means 380 Quantitative guidance and display means 400 Neural net base
フロントページの続き (72)発明者 馬場 研二 茨城県日立市大みか町七丁目1番1号 株式会社日立製作所日立研究所内 (72)発明者 矢萩 捷夫 茨城県日立市大みか町七丁目1番1号 株式会社日立製作所日立研究所内 (72)発明者 大淵 美砂子 茨城県日立市大みか町七丁目1番1号 株式会社日立製作所日立研究所内 (56)参考文献 特開 平5−265997(JP,A) 特開 平6−60049(JP,A) 特開 平5−108596(JP,A) 特開 平5−94554(JP,A) 特開 平5−89076(JP,A) 特開 平4−15696(JP,A) 特開 平2−195935(JP,A) 「ニューラルネットを用いたプラント 運転ルール抽出に関する研究」電気学会 論文誌D、111巻1号 p20〜28、平成 3年1月20日 (58)調査した分野(Int.Cl.7,DB名) G06G 7/60 G05B 13/02 G06F 15/18 Continued on the front page (72) Inventor Kenji Baba 7-1-1, Omikacho, Hitachi City, Ibaraki Prefecture Inside Hitachi, Ltd. Hitachi Research Laboratory, Ltd. (72) Inventor Katsuo Yahagi 7-1-1, Omikacho, Hitachi City, Ibaraki Prefecture (72) Inventor Misako Obuchi 7-1-1, Omikacho, Hitachi City, Ibaraki Pref. Hitachi Research Laboratory, Ltd. (56) References JP-A-5-265997 (JP, A) JP JP-A-6-60049 (JP, A) JP-A-5-108596 (JP, A) JP-A-5-94554 (JP, A) JP-A-5-89076 (JP, A) JP-A-4-15696 (JP) , A) JP-A-2-195935 (JP, A) "Study on Extraction of Plant Operation Rule Using Neural Network" Transactions of the Institute of Electrical Engineers of Japan, D, 111, p20-28, Jan. 20, 1991 (58 ) Surveyed field (Int.Cl. 7 , DB name) G06G 7/60 G05B 13/02 G06F 15/18
Claims (1)
履歴を学習しながら構築するニューラルネットワークを
利用し、変動する状況からシステムを操作するオペレー
タに操作支援の為の予測値を算出して表示する支援シス
テムであって、平均想起誤差を最小とする学習周期と学
習判定履歴期間との組み合わせにおける学習期間で自動
追加学習させると共に、この自動追加学習を行うための
学習期間を決定する、前記平均想起誤差を最小にする学
習周期と学習判定履歴期間との組み合わせを、状況の急
激な変化に応じて切り換えることを特徴とするニューラ
ルネットワークを用いた支援システム。1. A neural network constructed while learning a past history automatically with the operation of a system to calculate a predicted value for an operator who operates the system from a fluctuating situation to provide operational support. A supporting system for displaying, wherein a learning period for performing the automatic additional learning is determined while a learning period in a combination of a learning cycle and a learning determination history period that minimizes the average recall error is determined. A support system using a neural network, wherein a combination of a learning cycle and a learning determination history period that minimizes an average recall error is switched according to a sudden change in a situation.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP13170393A JP3186898B2 (en) | 1993-06-02 | 1993-06-02 | Support system using neural network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP13170393A JP3186898B2 (en) | 1993-06-02 | 1993-06-02 | Support system using neural network |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH06348873A JPH06348873A (en) | 1994-12-22 |
JP3186898B2 true JP3186898B2 (en) | 2001-07-11 |
Family
ID=15064234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP13170393A Expired - Fee Related JP3186898B2 (en) | 1993-06-02 | 1993-06-02 | Support system using neural network |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3186898B2 (en) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6699283B2 (en) * | 2016-03-25 | 2020-05-27 | 栗田工業株式会社 | Chemical injection control method and chemical injection control device |
-
1993
- 1993-06-02 JP JP13170393A patent/JP3186898B2/en not_active Expired - Fee Related
Non-Patent Citations (1)
Title |
---|
「ニューラルネットを用いたプラント運転ルール抽出に関する研究」電気学会論文誌D、111巻1号 p20〜28、平成3年1月20日 |
Also Published As
Publication number | Publication date |
---|---|
JPH06348873A (en) | 1994-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2753460B2 (en) | Process operation support method and system | |
US5581459A (en) | Plant operation support system | |
Cheng et al. | Forecasting of wastewater treatment plant key features using deep learning-based models: A case study | |
Harrou et al. | A data-driven soft sensor to forecast energy consumption in wastewater treatment plants: A case study | |
JP4468269B2 (en) | Process monitoring apparatus and method | |
CN110617209A (en) | Online monitoring and diagnosing method and system for pump station unit | |
CN111652425A (en) | River water quality prediction method based on rough set and long and short term memory network | |
CN108536106B (en) | Aeration system dissolved oxygen online regulation and control method based on Kalman filtering-extreme learning machine | |
Harrou et al. | Energy consumption prediction in water treatment plants using deep learning with data augmentation | |
JPH07160661A (en) | Automatic teacher data extraction method for neural network, neural network system using the same and plant operation supporting device | |
CN114626562A (en) | Intelligent monitoring method and system for running state of large public building equipment | |
JP3186898B2 (en) | Support system using neural network | |
JP2019191990A (en) | Maintenance and management support system and maintenance and management support method | |
CN111489027A (en) | Hydroelectric generating set waveform data trend prediction method and system | |
JP2006095440A (en) | Operation management system in sewage treatment plant | |
KR100701439B1 (en) | Integrated system and method for small-scale sewage treatment plant | |
JP4537140B2 (en) | BOD estimation apparatus and method | |
JPH07119184A (en) | Operating apparatus for water supply and sewerage system | |
KR20060136071A (en) | Integrated system and method for small-scale sewage treatment plant | |
JPH05204406A (en) | Process controller | |
JP2001038342A (en) | Operation method and device of water treating process | |
CN112613632B (en) | Power prediction model establishment method, prediction device and electronic equipment | |
CN114415602B (en) | Monitoring method, device, system and storage medium for industrial equipment | |
JPH04205601A (en) | Operation supporting system for program | |
CN118183886A (en) | Neural network-based water quality model basic parameter dynamic tuning method and device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
LAPS | Cancellation because of no payment of annual fees |