JPH1091208A - プロセス運転支援方法およびシステム - Google Patents
プロセス運転支援方法およびシステムInfo
- Publication number
- JPH1091208A JPH1091208A JP9209413A JP20941397A JPH1091208A JP H1091208 A JPH1091208 A JP H1091208A JP 9209413 A JP9209413 A JP 9209413A JP 20941397 A JP20941397 A JP 20941397A JP H1091208 A JPH1091208 A JP H1091208A
- Authority
- JP
- Japan
- Prior art keywords
- input
- layer
- knowledge
- learning
- neuron element
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/52—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities
- C02F1/5236—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities using inorganic agents
- C02F1/5245—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities using inorganic agents using basic salts, e.g. of aluminium and iron
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/72—Treatment of water, waste water, or sewage by oxidation
- C02F1/76—Treatment of water, waste water, or sewage by oxidation with halogens or compounds of halogens
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/66—Treatment of water, waste water, or sewage by neutralisation; pH adjustment
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F2001/007—Processes including a sedimentation step
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/02—Temperature
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/05—Conductivity or salinity
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/06—Controlling or monitoring parameters in water treatment pH
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/07—Alkalinity
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/11—Turbidity
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/29—Chlorine compounds
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/42—Liquid level
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2303/00—Specific treatment goals
- C02F2303/04—Disinfection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/30—Wastewater or sewage treatment systems using renewable energies
- Y02W10/37—Wastewater or sewage treatment systems using renewable energies using solar energy
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/903—Control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/903—Control
- Y10S706/906—Process plant
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Organic Chemistry (AREA)
- Water Supply & Treatment (AREA)
- Environmental & Geological Engineering (AREA)
- Hydrology & Water Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Inorganic Chemistry (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
(57)【要約】
【課題】 過去の履歴を有効に利用することにより、定
常時あるいは、非定常時・異常時の運転を支援すること
ができるプロセス運転支援方法およびシステムを提供す
る。 【解決手段】 時間と共に変化する複数の入力変数値に
応じて、制御対象を目標状態とする当該制御対象の制御
変数値を求めるプロセス運転支援方法である。入力層7
10、少なくとも1層の中間層720、および出力層7
30からなる階層構造の神経回路モデルを用い、プロセ
スの過去の運転履歴情報のうち、異なる時点の複数の入
力変数値の代表的なパターンを入力信号とすると共に当
該代表的なパターンに対応する制御変数値を教師信号と
して、前記神経回路モデルに学習させ、該学習した神経
回路モデルに前記入力変数値として未学習のパターンを
入力することにより目的の制御変数値を求める。
常時あるいは、非定常時・異常時の運転を支援すること
ができるプロセス運転支援方法およびシステムを提供す
る。 【解決手段】 時間と共に変化する複数の入力変数値に
応じて、制御対象を目標状態とする当該制御対象の制御
変数値を求めるプロセス運転支援方法である。入力層7
10、少なくとも1層の中間層720、および出力層7
30からなる階層構造の神経回路モデルを用い、プロセ
スの過去の運転履歴情報のうち、異なる時点の複数の入
力変数値の代表的なパターンを入力信号とすると共に当
該代表的なパターンに対応する制御変数値を教師信号と
して、前記神経回路モデルに学習させ、該学習した神経
回路モデルに前記入力変数値として未学習のパターンを
入力することにより目的の制御変数値を求める。
Description
【0001】
【産業上の利用分野】本発明は、時間と共に変化する現
象を取り扱うプロセス全般の運転を支援する方法及びシ
ステムに関する。
象を取り扱うプロセス全般の運転を支援する方法及びシ
ステムに関する。
【0002】
【従来の技術】水処理プロセス、河川情報処理プロセ
ス、気象情報処理プロセス、火力・原子力・水力・発電
プロセス、熱電併給プロセス、化学プロセス、バイオプ
ロセス、証券・為替情報処理プロセス、銀行管理情報プ
ロセスなど、時間と共に変化する現象を取り扱う各種プ
ロセスの従来の運転(運用)方法は、これらのプロセス
を記述する数式モデルを用い、このモデルに基づいて行
うものであった。
ス、気象情報処理プロセス、火力・原子力・水力・発電
プロセス、熱電併給プロセス、化学プロセス、バイオプ
ロセス、証券・為替情報処理プロセス、銀行管理情報プ
ロセスなど、時間と共に変化する現象を取り扱う各種プ
ロセスの従来の運転(運用)方法は、これらのプロセス
を記述する数式モデルを用い、このモデルに基づいて行
うものであった。
【0003】
【発明が解決しようとする課題】しかし、これらのプロ
セスを記述する変数群の因果関係が解明されていない場
合には、数式モデル化が不可能である。一方、数式モデ
ルを用いずに「if then」ルールなどの論理モデルを用
いる場合には原因と結果との因果関係が明らかになって
いなければ、論理モデルの適用は不可能である。他方、
数式モデルと論理モデルとを組み合わせたファジー方式
でも、両モデルの記述ができなければ、適用が不能であ
ることはいうまでもない。したがって、このような場合
には、人間が過去の前例や経験に照らして判断・運転
(運用)していた。すなわち、原因と結果とが不明の異
常時などには、オペレータは過去の現象履歴やその記憶
に基づいて運転していた。このため、常に良好な運転を
行うことは困難であった。
セスを記述する変数群の因果関係が解明されていない場
合には、数式モデル化が不可能である。一方、数式モデ
ルを用いずに「if then」ルールなどの論理モデルを用
いる場合には原因と結果との因果関係が明らかになって
いなければ、論理モデルの適用は不可能である。他方、
数式モデルと論理モデルとを組み合わせたファジー方式
でも、両モデルの記述ができなければ、適用が不能であ
ることはいうまでもない。したがって、このような場合
には、人間が過去の前例や経験に照らして判断・運転
(運用)していた。すなわち、原因と結果とが不明の異
常時などには、オペレータは過去の現象履歴やその記憶
に基づいて運転していた。このため、常に良好な運転を
行うことは困難であった。
【0004】さらに、これらの方式では、モデルの構造
や要素(ルールなど)を変更することは一般的には自動
化するには至っていない。したがって、実際の現象が変
化する場合にはこれに柔軟に対応することは困難であっ
た。
や要素(ルールなど)を変更することは一般的には自動
化するには至っていない。したがって、実際の現象が変
化する場合にはこれに柔軟に対応することは困難であっ
た。
【0005】本発明の目的は、これまで効果的に利用さ
れていなかった過去の履歴を有効に利用することによ
り、定常時あるいは、非定常時・異常時の運転を支援す
ることができるプロセス運転支援方法およびシステムを
提供することにある。
れていなかった過去の履歴を有効に利用することによ
り、定常時あるいは、非定常時・異常時の運転を支援す
ることができるプロセス運転支援方法およびシステムを
提供することにある。
【0006】本発明の他の目的は、学習された神経回路
モデルから入出力変数間の因果関係等の知識を自動的に
抽出する方法を提供することにある。
モデルから入出力変数間の因果関係等の知識を自動的に
抽出する方法を提供することにある。
【0007】
【課題を解決するための手段】上記目的を達成するため
に、本発明によるプロセス運転支援方法は、時間と共に
変化する複数の入力変数値に応じて、制御対象を目標状
態とする当該制御対象の制御変数値を求めるプロセス運
転支援方法であって、入力層、少なくとも1層の中間
層、および出力層からなる階層構造の神経回路モデルを
用い、プロセスの過去の運転履歴情報のうち、異なる時
点の複数の入力変数値の代表的なパターンを入力信号と
すると共に当該代表的なパターンに対応する制御変数値
を教師信号として、前記神経回路モデルに学習させ、該
学習した神経回路モデルに前記入力変数値として未学習
のパターンを入力することにより該パターンに対する制
御変数値を求めるようにしたものである。
に、本発明によるプロセス運転支援方法は、時間と共に
変化する複数の入力変数値に応じて、制御対象を目標状
態とする当該制御対象の制御変数値を求めるプロセス運
転支援方法であって、入力層、少なくとも1層の中間
層、および出力層からなる階層構造の神経回路モデルを
用い、プロセスの過去の運転履歴情報のうち、異なる時
点の複数の入力変数値の代表的なパターンを入力信号と
すると共に当該代表的なパターンに対応する制御変数値
を教師信号として、前記神経回路モデルに学習させ、該
学習した神経回路モデルに前記入力変数値として未学習
のパターンを入力することにより該パターンに対する制
御変数値を求めるようにしたものである。
【0008】本発明によるプロセス運転支援方法は、他
の見地によれば、時間と共に変化する複数の入力変数値
に応じて、少なくとも1個の制御対象が目標状態となる
ような当該制御対象の制御変数値を求めるプロセス運転
支援方法であって、入力層、少なくとも1層の中間層、
および出力層からなる階層構造の神経回路モデルを用
い、前記制御対象を目標状態とする制御が達成されたと
きの前記複数の入力変数値のパターンを入力信号とする
と共に当該パターンに対応する制御変数値を教師信号と
して、複数のパターンについて順次前記神経回路モデル
に学習させ、該学習した神経回路モデルに前記入力変数
値として任意の入力変数値パターンを入力することによ
り該パターンに対する制御変数値を求めるようにしたも
のである。
の見地によれば、時間と共に変化する複数の入力変数値
に応じて、少なくとも1個の制御対象が目標状態となる
ような当該制御対象の制御変数値を求めるプロセス運転
支援方法であって、入力層、少なくとも1層の中間層、
および出力層からなる階層構造の神経回路モデルを用
い、前記制御対象を目標状態とする制御が達成されたと
きの前記複数の入力変数値のパターンを入力信号とする
と共に当該パターンに対応する制御変数値を教師信号と
して、複数のパターンについて順次前記神経回路モデル
に学習させ、該学習した神経回路モデルに前記入力変数
値として任意の入力変数値パターンを入力することによ
り該パターンに対する制御変数値を求めるようにしたも
のである。
【0009】これらのプロセス運転支援方法において、
前記神経回路モデルの学習時に、或る時点の入力変数値
パターンと該或る時点の一定時間前の時点の入力変数値
パターンとを同時に入力信号として用いるとともに前記
或る時点の制御変数値を教師信号として用い、複数の入
力信号について学習した後、該神経回路モデルに現時点
の入力変数値パターンおよび現時点より一定時間前の時
点の入力変数値パターンを同時に入力することにより現
時点の制御変数値を求めることもできる。
前記神経回路モデルの学習時に、或る時点の入力変数値
パターンと該或る時点の一定時間前の時点の入力変数値
パターンとを同時に入力信号として用いるとともに前記
或る時点の制御変数値を教師信号として用い、複数の入
力信号について学習した後、該神経回路モデルに現時点
の入力変数値パターンおよび現時点より一定時間前の時
点の入力変数値パターンを同時に入力することにより現
時点の制御変数値を求めることもできる。
【0010】本発明によるプロセス運転支援方法は、さ
らに他の見地によれば、時間と共に変化する複数の入力
変数値に応じて、制御対象が目標状態となるような当該
制御対象の制御変数値を求めるプロセス運転支援方法で
あって、入力層、少なくとも1層の中間層、および出力
層からなる階層構造の神経回路モデルを用い、或る時点
の入力変数値パターン、該或る時点の一定時間前の時点
の入力変数値パターン、両時点の入力変数値の偏差のパ
ターンのうち2個以上のパターンを同時に入力信号とし
て用いるとともに、前記或る時点の制御変数値を教師信
号として、複数の入力信号について前記神経回路モデル
に学習させ、該学習した神経回路モデルに現時点の前記
2個以上のパターンを同時に入力することにより現時点
の制御変数値を求めるようにしたものである。
らに他の見地によれば、時間と共に変化する複数の入力
変数値に応じて、制御対象が目標状態となるような当該
制御対象の制御変数値を求めるプロセス運転支援方法で
あって、入力層、少なくとも1層の中間層、および出力
層からなる階層構造の神経回路モデルを用い、或る時点
の入力変数値パターン、該或る時点の一定時間前の時点
の入力変数値パターン、両時点の入力変数値の偏差のパ
ターンのうち2個以上のパターンを同時に入力信号とし
て用いるとともに、前記或る時点の制御変数値を教師信
号として、複数の入力信号について前記神経回路モデル
に学習させ、該学習した神経回路モデルに現時点の前記
2個以上のパターンを同時に入力することにより現時点
の制御変数値を求めるようにしたものである。
【0011】好ましくは、前記神経回路モデルの学習し
た結果に基づいて、前記各入力変数と各制御変数との間
の因果関係を抽出し、該因果関係に基づいて前記プロセ
スの運転を支援する。
た結果に基づいて、前記各入力変数と各制御変数との間
の因果関係を抽出し、該因果関係に基づいて前記プロセ
スの運転を支援する。
【0012】前記神経回路モデルは、例えば、複数のニ
ューロン素子モデルからなる入力層と、該入力層の各ニ
ューロン素子モデルの出力をそれぞれ受ける複数のニュ
ーロン素子モデルからなる少なくとも1層の中間層と、
最終の中間層の各ニューロンの出力を受ける少なくとも
1個のニューロン素子モデルからなる出力層とを有し、
前記入力層の各ニューロン素子モデルに入力変数を対応
させるとともに前記出力層の各ニューロン素子モデルに
各制御変数を対応させ、前記学習は前記各ニューロン素
子モデル間の連結部に付与された重み係数を制御するこ
とにより行う。
ューロン素子モデルからなる入力層と、該入力層の各ニ
ューロン素子モデルの出力をそれぞれ受ける複数のニュ
ーロン素子モデルからなる少なくとも1層の中間層と、
最終の中間層の各ニューロンの出力を受ける少なくとも
1個のニューロン素子モデルからなる出力層とを有し、
前記入力層の各ニューロン素子モデルに入力変数を対応
させるとともに前記出力層の各ニューロン素子モデルに
各制御変数を対応させ、前記学習は前記各ニューロン素
子モデル間の連結部に付与された重み係数を制御するこ
とにより行う。
【0013】また、前記神経回路モデルの学習した結果
に基づいて、前記各入力変数と各制御変数との間の結合
強度を求め、該結合強度の大きさに基づいて前記神経回
路モデルの回路構造を変更するようにしてもよい。この
場合において、特定の一入力変数と特定の一制御変数と
の結合強度は、当該一入力変数に対応する前記入力層の
ニューロン素子モデルから前記中間層の各ニューロン素
子モデルを経て当該一制御変数に対応する前記出力層の
ニューロン素子モデルに至る各経路の重み係数の積和で
定義することができる。
に基づいて、前記各入力変数と各制御変数との間の結合
強度を求め、該結合強度の大きさに基づいて前記神経回
路モデルの回路構造を変更するようにしてもよい。この
場合において、特定の一入力変数と特定の一制御変数と
の結合強度は、当該一入力変数に対応する前記入力層の
ニューロン素子モデルから前記中間層の各ニューロン素
子モデルを経て当該一制御変数に対応する前記出力層の
ニューロン素子モデルに至る各経路の重み係数の積和で
定義することができる。
【0014】前記学習を有限回実行し、その結果得られ
た前記重み係数の値の統計的出現頻度分布パターンに基
づいて、前記神経回路モデルの構造を変更することも可
能である。
た前記重み係数の値の統計的出現頻度分布パターンに基
づいて、前記神経回路モデルの構造を変更することも可
能である。
【0015】前記神経回路モデルの構造の変更は、特定
のニューロン素子モデル間の連結を削除したり、前記中
間層の階層数を変更したりすることにより行える。
のニューロン素子モデル間の連結を削除したり、前記中
間層の階層数を変更したりすることにより行える。
【0016】また、定常時の履歴情報を学習した神経回
路モデルと非定常時の履歴情報を学習した神経回路モデ
ルとを別個に用意し、運転支援時に、定常時と非定常時
とで神経回路モデルを切り換えて使用することも可能で
ある。
路モデルと非定常時の履歴情報を学習した神経回路モデ
ルとを別個に用意し、運転支援時に、定常時と非定常時
とで神経回路モデルを切り換えて使用することも可能で
ある。
【0017】あるいは、入力変数値のパターンの変化状
態に応じて、別個の履歴情報を学習した神経回路モデル
を複数個用意し、運転支援時に、前記入力変数値のパタ
ーンの変化状態に応じて使用する神経回路モデルを切り
換えることも可能である。
態に応じて、別個の履歴情報を学習した神経回路モデル
を複数個用意し、運転支援時に、前記入力変数値のパタ
ーンの変化状態に応じて使用する神経回路モデルを切り
換えることも可能である。
【0018】本発明による知識抽出方法は、入力層、中
間層および出力層の異なる層間で連結されたニューロン
素子モデル対間の重み係数が決定されることにより学習
を有限回実行した階層構造の神経回路モデルから、該神
経回路モデルの入力変数と出力変数との間の因果関係を
知識として抽出する知識抽出方法であって、特定の一入
力変数に対応する入力層のニューロン素子モデルから前
記中間層の各ニューロン素子モデルを経て、特定の一出
力変数に対応する出力層のニューロン素子モデルに至る
複数の経路について、各経路の重み係数の積を求め、複
数の経路について該積を加算し、該加算値を当該一入力
変数と一出力変数との間の因果関係を定める尺度とする
ものである。
間層および出力層の異なる層間で連結されたニューロン
素子モデル対間の重み係数が決定されることにより学習
を有限回実行した階層構造の神経回路モデルから、該神
経回路モデルの入力変数と出力変数との間の因果関係を
知識として抽出する知識抽出方法であって、特定の一入
力変数に対応する入力層のニューロン素子モデルから前
記中間層の各ニューロン素子モデルを経て、特定の一出
力変数に対応する出力層のニューロン素子モデルに至る
複数の経路について、各経路の重み係数の積を求め、複
数の経路について該積を加算し、該加算値を当該一入力
変数と一出力変数との間の因果関係を定める尺度とする
ものである。
【0019】本発明による他の知識抽出方法は、入力
層、中間層および出力層の異なる層間で連結されたニュ
ーロン素子モデル対間の重み係数が決定されることによ
り学習を有限回実行した階層構造の神経回路モデルか
ら、該神経回路モデルの入力変数と出力変数との間の因
果関係を知識として抽出する知識抽出方法であって、特
定の一入力変数に対応する入力層のニューロン素子モデ
ルから前記中間層の各ニューロン素子モデルを経て、特
定の一出力変数に対応する出力層のニューロン素子モデ
ルに至る複数の経路について、前記有限回の学習の結果
得られた重み係数の値の統計的出現頻度分布パターンを
求め、該統計的出現頻度パターンに基づいて当該一入力
変数と一出力変数との間の因果関係の再現性を定量化す
るものである。
層、中間層および出力層の異なる層間で連結されたニュ
ーロン素子モデル対間の重み係数が決定されることによ
り学習を有限回実行した階層構造の神経回路モデルか
ら、該神経回路モデルの入力変数と出力変数との間の因
果関係を知識として抽出する知識抽出方法であって、特
定の一入力変数に対応する入力層のニューロン素子モデ
ルから前記中間層の各ニューロン素子モデルを経て、特
定の一出力変数に対応する出力層のニューロン素子モデ
ルに至る複数の経路について、前記有限回の学習の結果
得られた重み係数の値の統計的出現頻度分布パターンを
求め、該統計的出現頻度パターンに基づいて当該一入力
変数と一出力変数との間の因果関係の再現性を定量化す
るものである。
【0020】好ましくは、前者の知識抽出方法により得
られた入力変数と出力変数との間の因果関係の尺度に対
して、後者の知識抽出方法により当該入力変数と出力変
数について得られた再現性の程度を加味することによ
り、当該因果関係を知識として採用するか否かを決定す
る。逆に、再現性により知識を抽出した後、因果関係の
尺度にてらして採用の可否を決定してもよい。
られた入力変数と出力変数との間の因果関係の尺度に対
して、後者の知識抽出方法により当該入力変数と出力変
数について得られた再現性の程度を加味することによ
り、当該因果関係を知識として採用するか否かを決定す
る。逆に、再現性により知識を抽出した後、因果関係の
尺度にてらして採用の可否を決定してもよい。
【0021】本発明によるプロセス運転支援システム
は、時間と共に変化する複数の入力変数値に応じて、制
御対象を目標状態とする当該制御対象の制御変数値を求
めるプロセス運転支援システムであって、入力層、中間
層および出力層からなる階層構造の神経回路モデルを有
し、該神経回路モデルに過去の運転履歴情報を入力信号
および教師信号として用いて過去の運転実績を学習させ
た処理手段と、前記制御対象から前記神経回路モデルに
入力する入力変数値を得る入力手段と、前記学習した神
経回路モデルから知識を抽出する知識抽出手段と、該知
識抽出手段により得られた知識を蓄積する知識ベース
と、該知識ベースに蓄積された知識からプロセス運転支
援情報を得る推論機構と、前記処理手段の出力および/
または前記推論機構の出力に応じて前記制御対象の制御
のガイダンスを行うガイダンス手段とを備えたものであ
る。
は、時間と共に変化する複数の入力変数値に応じて、制
御対象を目標状態とする当該制御対象の制御変数値を求
めるプロセス運転支援システムであって、入力層、中間
層および出力層からなる階層構造の神経回路モデルを有
し、該神経回路モデルに過去の運転履歴情報を入力信号
および教師信号として用いて過去の運転実績を学習させ
た処理手段と、前記制御対象から前記神経回路モデルに
入力する入力変数値を得る入力手段と、前記学習した神
経回路モデルから知識を抽出する知識抽出手段と、該知
識抽出手段により得られた知識を蓄積する知識ベース
と、該知識ベースに蓄積された知識からプロセス運転支
援情報を得る推論機構と、前記処理手段の出力および/
または前記推論機構の出力に応じて前記制御対象の制御
のガイダンスを行うガイダンス手段とを備えたものであ
る。
【0022】なお、本明細書において、「プロセス」と
は、時間と共に変化する現象を取り扱う各種プロセスを
包含し、「運転」とは、運用、管理、制御等を意味する
広い概念をいうものとする。また、「運転支援」とは、
狭義にはオペレータに対してプロセスの運転を援助する
ことをいうが、広義にはオペレータを介在せず直接プロ
セスを制御することも含むものとする。
は、時間と共に変化する現象を取り扱う各種プロセスを
包含し、「運転」とは、運用、管理、制御等を意味する
広い概念をいうものとする。また、「運転支援」とは、
狭義にはオペレータに対してプロセスの運転を援助する
ことをいうが、広義にはオペレータを介在せず直接プロ
セスを制御することも含むものとする。
【0023】
【作用】本発明は、神経回路モデルのもつ学習機能を、
(イ)プロセスの運転履歴情報からの学習、(ロ)履歴情報
の知識獲得、(ハ)履歴情報を記述するモデルの自動生成
に適用するものである。
(イ)プロセスの運転履歴情報からの学習、(ロ)履歴情報
の知識獲得、(ハ)履歴情報を記述するモデルの自動生成
に適用するものである。
【0024】神経回路モデルの学習の際には、運転が成
功した代表的なパターンのみを学習させることにより、
神経回路モデルは経験豊富なオペレータと同等の判断能
力を具有し、現実の任意の入力変数値パターンに対して
過去の実績と前例に即した適切な支援を行うことができ
る。しかも、実際のプロセス運転開始後にも学習を継続
することにより、神経回路モデルの能力を現実に即して
次第に成長させることもできる。したがって、最終的に
は、個々のオペレータの経験、能力、資質等によらず、
均質かつ最適な運転を目指すことができる。
功した代表的なパターンのみを学習させることにより、
神経回路モデルは経験豊富なオペレータと同等の判断能
力を具有し、現実の任意の入力変数値パターンに対して
過去の実績と前例に即した適切な支援を行うことができ
る。しかも、実際のプロセス運転開始後にも学習を継続
することにより、神経回路モデルの能力を現実に即して
次第に成長させることもできる。したがって、最終的に
は、個々のオペレータの経験、能力、資質等によらず、
均質かつ最適な運転を目指すことができる。
【0025】また、プロセスによっては、同一の入力変
数値パターンに対する場合であっても、各入力変数値の
上昇時と下降時とでは最適な制御変数値が異なる場合が
ある。このような事情に鑑み、学習時の入力変数値パタ
ーンとして、1時点の履歴情報のみを用いるのではな
く、一定時間前の過去の履歴情報、さらには両者の偏差
情報をも同時に用いることにより、プロセスの変化状態
に応じた適切な運転支援が可能になる。さらに、定常
時、異常時等の履歴情報をそれぞれ学習した別個の神経
回路モデルを設けることにより、一層効果的な運転支援
を行うことができる。
数値パターンに対する場合であっても、各入力変数値の
上昇時と下降時とでは最適な制御変数値が異なる場合が
ある。このような事情に鑑み、学習時の入力変数値パタ
ーンとして、1時点の履歴情報のみを用いるのではな
く、一定時間前の過去の履歴情報、さらには両者の偏差
情報をも同時に用いることにより、プロセスの変化状態
に応じた適切な運転支援が可能になる。さらに、定常
時、異常時等の履歴情報をそれぞれ学習した別個の神経
回路モデルを設けることにより、一層効果的な運転支援
を行うことができる。
【0026】また、過去の履歴情報には、オペレータが
意識しない因果関係等の知識が内包されている可能性が
ある。しかし、多数の入力変数と制御変数との間の因果
関係は必ずしも判然としない。そこで、本発明では、既
に学習を行った神経回路モデルの重み係数の大小、ある
いは結合状態に着目して、原因と結果との関係を自動的
に、抽出・獲得することができるようにした。これによ
って、履歴情報に埋もれた知識を自動的に、あるいは半
自動的に順次データベース化あるいは知識ベース化する
ことができる。ここで、半自動的とはオペレータとの対
話を意味する。この知識ベースによっても、時間と共に
変化する現象を取り扱う各種プロセスの運転を支援する
ことができる。
意識しない因果関係等の知識が内包されている可能性が
ある。しかし、多数の入力変数と制御変数との間の因果
関係は必ずしも判然としない。そこで、本発明では、既
に学習を行った神経回路モデルの重み係数の大小、ある
いは結合状態に着目して、原因と結果との関係を自動的
に、抽出・獲得することができるようにした。これによ
って、履歴情報に埋もれた知識を自動的に、あるいは半
自動的に順次データベース化あるいは知識ベース化する
ことができる。ここで、半自動的とはオペレータとの対
話を意味する。この知識ベースによっても、時間と共に
変化する現象を取り扱う各種プロセスの運転を支援する
ことができる。
【0027】
【実施例】本発明は、時間と共に変化する多数の入力変
数値のパターンの中で、異なる時間の代表的なパターン
を、(1)神経回路モデル(ニューラルプロセッサ)によ
り学習、(2)学習結果に基づいて運転を支援、(3)学習結
果からの知識の獲得及び知識候補の蓄積、(4)知識候補
の知識としての妥当性診断、(5)知識と推論に基づく運
転支援、等を行うものである。パターンは多変数の過去
の履歴、あるいは現在のパターンである。これらの詳細
説明は後述するが、ここで、多変数とは、時間的に変化
するすべての変数を対象にする。したがって、本発明
は、各種の情報処理プロセスあるいはプラントに適用で
きる。ここでは、一実施例として浄水場の運転支援に利
用した場合を図1を用いて以下に説明する。
数値のパターンの中で、異なる時間の代表的なパターン
を、(1)神経回路モデル(ニューラルプロセッサ)によ
り学習、(2)学習結果に基づいて運転を支援、(3)学習結
果からの知識の獲得及び知識候補の蓄積、(4)知識候補
の知識としての妥当性診断、(5)知識と推論に基づく運
転支援、等を行うものである。パターンは多変数の過去
の履歴、あるいは現在のパターンである。これらの詳細
説明は後述するが、ここで、多変数とは、時間的に変化
するすべての変数を対象にする。したがって、本発明
は、各種の情報処理プロセスあるいはプラントに適用で
きる。ここでは、一実施例として浄水場の運転支援に利
用した場合を図1を用いて以下に説明する。
【0028】最初に、図1全体の構成と動作を説明す
る。
る。
【0029】まず、浄水場のフローを説明する。図1に
おいて着水井9には、河川や湖沼(図示せず)から導か
れた原水が導かれる。原水は着水井9から急速混和池1
0へ導かれ、急速混和池10では、凝集剤タンク11A
の中の液体状の凝集剤(ポリ塩化アルミニウム、硫酸ア
ルミニウムなど)が凝集剤注入ポンプ12Aで注入され
る。フロック形成を促進するために、水酸化カルシウム
または炭酸ナトリウムなどのアルカリ剤がアルカリ剤タ
ンク11Bからアルカリ剤注入ポンプ12Bにより注入
される。急速混和池10内は、撹拌翼14が撹拌機13
により撹拌され、原水中の0.01mm前後の懸濁微粒子を
0.1mm前後のマイクロフロックとする。この水はフロ
ック形成池15に導かれフロックに成長する。フロック
形成池15は複数の池15A,15B及び15Cからな
り、各池に撹拌パドル17A,17B及び17Cが設置
され、これらが緩やかに回転する。この撹拌により粒径
が1mm前後のフロックに成長する。成長したフロック
は沈殿池16で沈降して上澄み液が濾過池17で濾過さ
れる。濾過池17には、洗浄水タンク18からポンプ1
9により逆洗水が間欠的に噴射され、濾床を洗浄する。
濾過水は、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を介して需要家へ送水され
る。圧力と流量との制御のためにバルブ23A,23B,
23Cが設置される。なお、殺菌のために塩素容器25
の塩素が塩素注入機26により着水井9と浄水池20と
に適量注入される。
おいて着水井9には、河川や湖沼(図示せず)から導か
れた原水が導かれる。原水は着水井9から急速混和池1
0へ導かれ、急速混和池10では、凝集剤タンク11A
の中の液体状の凝集剤(ポリ塩化アルミニウム、硫酸ア
ルミニウムなど)が凝集剤注入ポンプ12Aで注入され
る。フロック形成を促進するために、水酸化カルシウム
または炭酸ナトリウムなどのアルカリ剤がアルカリ剤タ
ンク11Bからアルカリ剤注入ポンプ12Bにより注入
される。急速混和池10内は、撹拌翼14が撹拌機13
により撹拌され、原水中の0.01mm前後の懸濁微粒子を
0.1mm前後のマイクロフロックとする。この水はフロ
ック形成池15に導かれフロックに成長する。フロック
形成池15は複数の池15A,15B及び15Cからな
り、各池に撹拌パドル17A,17B及び17Cが設置
され、これらが緩やかに回転する。この撹拌により粒径
が1mm前後のフロックに成長する。成長したフロック
は沈殿池16で沈降して上澄み液が濾過池17で濾過さ
れる。濾過池17には、洗浄水タンク18からポンプ1
9により逆洗水が間欠的に噴射され、濾床を洗浄する。
濾過水は、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を介して需要家へ送水され
る。圧力と流量との制御のためにバルブ23A,23B,
23Cが設置される。なお、殺菌のために塩素容器25
の塩素が塩素注入機26により着水井9と浄水池20と
に適量注入される。
【0030】次に、計測器について説明する。原水の水
質を計測するために、着水井9に計測器5Aが設置され
る。計測項目は、水温、濁度、アルカリ度、pH、電気
伝導度、残留塩素濃度、塩素要求量、水量、水位などで
ある。フロック形成池15Cには、水中カメラなどの撮
像手段5Bが設置され、必要に応じて急速混和池10や
フロック形成池15A,15B、並びに沈殿池16にも
設置する。沈殿池16には、濁度計5Cが設置される。
濾過池17の計測器5Dの計測項目は、損失水頭、水
位、濁度、残留塩素濃度、pH、濁度、流量などであ
る。浄水池20及び配水池21での計測器5Eと5Fの
計測項目は、水位、濁度、残留塩素濃度、pH、濁度、
流量、水圧、水温などである。配管網24に設置される
計測器5Gの計測項目は、濁度、残留塩素濃度、pH、
流量、水圧、水温などである。
質を計測するために、着水井9に計測器5Aが設置され
る。計測項目は、水温、濁度、アルカリ度、pH、電気
伝導度、残留塩素濃度、塩素要求量、水量、水位などで
ある。フロック形成池15Cには、水中カメラなどの撮
像手段5Bが設置され、必要に応じて急速混和池10や
フロック形成池15A,15B、並びに沈殿池16にも
設置する。沈殿池16には、濁度計5Cが設置される。
濾過池17の計測器5Dの計測項目は、損失水頭、水
位、濁度、残留塩素濃度、pH、濁度、流量などであ
る。浄水池20及び配水池21での計測器5Eと5Fの
計測項目は、水位、濁度、残留塩素濃度、pH、濁度、
流量、水圧、水温などである。配管網24に設置される
計測器5Gの計測項目は、濁度、残留塩素濃度、pH、
流量、水圧、水温などである。
【0031】次に、これら計測値のコンピュータシステ
ム80への入力処理と記憶について説明する。
ム80への入力処理と記憶について説明する。
【0032】前述した各種計測器のデータはコンピュー
タシステム80に入力される。計測器5A,5C,5
D,5E,5F,5Gで得られた各種のデータは、所定
の時間間隔(1分ないし1時間)毎にサンプリングされ
る。これらの各信号5AS,5CS,5DS,5ES,
5FS,5GSは、入力ポート56Aを通じ、システム
バス52を経て記憶装置54に格納される。同時に、記
憶装置54はシステムプロセッサ(SP)42で処理さ
れた各種処理データも格納する。なお、撮像手段5Bか
ら得られたフロックの濃淡画像のアナログ電気信号5B
Sは、画像処理装置40においてディジタル信号に変換
後、画像処理される。モニタ50は画像処理装置40の
処理状況を出力する。
タシステム80に入力される。計測器5A,5C,5
D,5E,5F,5Gで得られた各種のデータは、所定
の時間間隔(1分ないし1時間)毎にサンプリングされ
る。これらの各信号5AS,5CS,5DS,5ES,
5FS,5GSは、入力ポート56Aを通じ、システム
バス52を経て記憶装置54に格納される。同時に、記
憶装置54はシステムプロセッサ(SP)42で処理さ
れた各種処理データも格納する。なお、撮像手段5Bか
ら得られたフロックの濃淡画像のアナログ電気信号5B
Sは、画像処理装置40においてディジタル信号に変換
後、画像処理される。モニタ50は画像処理装置40の
処理状況を出力する。
【0033】ここで、画像処理装置40の機能は、発明
者らがこれまで提案(例えば特願昭61-82952号)してき
た各種の処理を行うものであり、以下に概略を説明す
る。撮像手段5Bで得た濃淡画像を2値化して2値画像
に変換し、2値画像からフロックの各々の面積、体積、
代表直径、形状などを計算する。ついで、粒径分布、個
数、分布の統計的代表粒径、分布の幅(標準偏差な
ど)、フロックの形状特性、フロック形成量、フロック
輝度、背景の輝度、フロックの密度などの特徴量を計算
する。必要に応じて、計測器5A,5Cの値を使用して
総合的に処理状況を把握する。
者らがこれまで提案(例えば特願昭61-82952号)してき
た各種の処理を行うものであり、以下に概略を説明す
る。撮像手段5Bで得た濃淡画像を2値化して2値画像
に変換し、2値画像からフロックの各々の面積、体積、
代表直径、形状などを計算する。ついで、粒径分布、個
数、分布の統計的代表粒径、分布の幅(標準偏差な
ど)、フロックの形状特性、フロック形成量、フロック
輝度、背景の輝度、フロックの密度などの特徴量を計算
する。必要に応じて、計測器5A,5Cの値を使用して
総合的に処理状況を把握する。
【0034】続いて、コンピュータシステム80の構成
をさらに説明する。システムバス52にはシステムプロ
セッサ42、画像処理装置40、記憶装置54、ニュー
ラルプロセッサ(NP)70、知識ベース60A、知識
候補ベース60B、推論機構61が各々接続されてい
る。システムプロセッサ(SP)42にはキーボード4
4とディスプレイ46とが接続される。キーボード44
からの入力項目は、(1)画像処理装置40の操作条件、
(2)ニューラルプロセッサ70の計算条件、(3)オペレー
タが水質情報と画像情報とについて持っている知識など
である。なお、(1)画像処理装置40の操作条件の設定
のために専用のキーボードを設置する場合もある。シス
テムプロセッサ42はこれらの(1)(2)(3)の条件を統括
制御し、必要に応じて推論機構61の動作を制御する。
をさらに説明する。システムバス52にはシステムプロ
セッサ42、画像処理装置40、記憶装置54、ニュー
ラルプロセッサ(NP)70、知識ベース60A、知識
候補ベース60B、推論機構61が各々接続されてい
る。システムプロセッサ(SP)42にはキーボード4
4とディスプレイ46とが接続される。キーボード44
からの入力項目は、(1)画像処理装置40の操作条件、
(2)ニューラルプロセッサ70の計算条件、(3)オペレー
タが水質情報と画像情報とについて持っている知識など
である。なお、(1)画像処理装置40の操作条件の設定
のために専用のキーボードを設置する場合もある。シス
テムプロセッサ42はこれらの(1)(2)(3)の条件を統括
制御し、必要に応じて推論機構61の動作を制御する。
【0035】次に、コンピュータシステム80からの出
力を説明する。コンピュータシステム80での処理結果
は、出力ポート56Bを通じて、凝集剤注入ポンプ12
A、アルカリ剤注入ポンプ12B、撹拌機13、撹拌パ
ドル17A,17B,17C、ポンプ19、塩素注入機
26、ポンプ22、バルブ23A,23B,23Cなど
に対して、制御用の出力信号12AS,12BS,13
S,17AS,17BS,17CS,19S,26S,
22S,23AS,23BS,23CSとして送信され
る。これらの信号は前記各機器の動作を制御する。各機
器で行う制御項目を以下に説明する。
力を説明する。コンピュータシステム80での処理結果
は、出力ポート56Bを通じて、凝集剤注入ポンプ12
A、アルカリ剤注入ポンプ12B、撹拌機13、撹拌パ
ドル17A,17B,17C、ポンプ19、塩素注入機
26、ポンプ22、バルブ23A,23B,23Cなど
に対して、制御用の出力信号12AS,12BS,13
S,17AS,17BS,17CS,19S,26S,
22S,23AS,23BS,23CSとして送信され
る。これらの信号は前記各機器の動作を制御する。各機
器で行う制御項目を以下に説明する。
【0036】凝集剤注入ポンプ12Aでは凝集剤注入制
御、アルカリ剤注入ポンプ12Bではアルカリ剤注入制
御、撹拌機13では急速撹拌制御、撹拌パドル17A,
17B,17Cでは緩速撹拌制御、ポンプ19では逆洗
制御、塩素注入機26では前塩素注入制御と後塩素注入
制御、ポンプ22とバルブ23A,23B,23Cで
は、配水流量制御と配水圧力制御である。この他、詳細
は省略するが、流量や水位制御など浄水場の維持管理に
係る各種の制御を実行する。
御、アルカリ剤注入ポンプ12Bではアルカリ剤注入制
御、撹拌機13では急速撹拌制御、撹拌パドル17A,
17B,17Cでは緩速撹拌制御、ポンプ19では逆洗
制御、塩素注入機26では前塩素注入制御と後塩素注入
制御、ポンプ22とバルブ23A,23B,23Cで
は、配水流量制御と配水圧力制御である。この他、詳細
は省略するが、流量や水位制御など浄水場の維持管理に
係る各種の制御を実行する。
【0037】制御方式の概略を以下に説明する。制御方
式は(I)計測情報に基づき、計測情報間、あるいは計
測情報と出力情報(制御情報)との関係をモデル化し、
このモデルに基づいて出力を制御する従来の制御方式
と、(II)履歴の学習に基づく支援方式とに分けられ
る。ここでいう「制御」とは、オペレータへの問い合わ
せなく実行される自動操作を指し、「支援」とはオペレ
ータガイダンスを意味し、主としてディスプレイ46な
ど(処理に応じて音声を用いる)を用いて参考データ及
び運転ガイダンスを報知した上で、オペレータの了解が
得られた場合だけ制御を行う操作を指す。
式は(I)計測情報に基づき、計測情報間、あるいは計
測情報と出力情報(制御情報)との関係をモデル化し、
このモデルに基づいて出力を制御する従来の制御方式
と、(II)履歴の学習に基づく支援方式とに分けられ
る。ここでいう「制御」とは、オペレータへの問い合わ
せなく実行される自動操作を指し、「支援」とはオペレ
ータガイダンスを意味し、主としてディスプレイ46な
ど(処理に応じて音声を用いる)を用いて参考データ及
び運転ガイダンスを報知した上で、オペレータの了解が
得られた場合だけ制御を行う操作を指す。
【0038】次に、(II)を実行する場合の手順の概略
を以下に説明する。(II)の支援は、本実施例では、
(1)各種の計測情報の履歴をニューラルプロセッサ70
により学習、(2)学習した結果に基づいて運転を支援、
(3)学習した結果の中から知識及び知識候補を抽出、(4)
知識候補の知識としての妥当性診断、(5)知識と推論に
基づく運転支援、の5段階からなる。ここで、「知識」
とは、原因と結果を関連づける一定のルールを指し、知
識には経験的知識と科学的知識とがある。一方、「知識
候補」とは、ある事象Aとある事象Bとの対(事象Aが
成り立つ時に事象Bが生じた)を表わす。このような事
象の対は偶然発生することもあり、必然的あるいは経験
的な知識といえない場合が多いが、中には知識とみなせ
るものもある。したがって、知識とは認知されないが、
多数回起きる場合には知識となるような事象を指す。こ
れら知識あるいは知識候補は、各々知識ベース60Aと
知識候補ベース60Bに格納される。
を以下に説明する。(II)の支援は、本実施例では、
(1)各種の計測情報の履歴をニューラルプロセッサ70
により学習、(2)学習した結果に基づいて運転を支援、
(3)学習した結果の中から知識及び知識候補を抽出、(4)
知識候補の知識としての妥当性診断、(5)知識と推論に
基づく運転支援、の5段階からなる。ここで、「知識」
とは、原因と結果を関連づける一定のルールを指し、知
識には経験的知識と科学的知識とがある。一方、「知識
候補」とは、ある事象Aとある事象Bとの対(事象Aが
成り立つ時に事象Bが生じた)を表わす。このような事
象の対は偶然発生することもあり、必然的あるいは経験
的な知識といえない場合が多いが、中には知識とみなせ
るものもある。したがって、知識とは認知されないが、
多数回起きる場合には知識となるような事象を指す。こ
れら知識あるいは知識候補は、各々知識ベース60Aと
知識候補ベース60Bに格納される。
【0039】なお、場合によっては、前記学習工程およ
び支援工程のみを利用することも可能である。
び支援工程のみを利用することも可能である。
【0040】次に、各制御方式の具体的手順について説
明する。まず、(I)変数間の関係を現象論的に表わす
モデルに基づく制御方式について説明する。これは、従
来の方式であるが、例えば計測器5Aで原水の水質(水
温、濁度、アルカリ度、pH、電気伝導度、残留塩素濃
度、塩素要求量、水量、水位)及び、撮像手段5Bと画
像処理装置40で計測したフロック形成状況を入力変数
とし、これら変数の関数として凝集剤注入量を決定す
る。決定のためのモデルは実験的にあるいは経験的に明
らかになった式を適用する。例えば、濁度については濁
度が高い程、凝集剤注入量を増加させる。この制御操作
は、オペレータへの問い合わせなく実行される。なお、
この方式は従来公知の技術であるので(例えば、水道協
会雑誌、第431号、第28頁、昭和45年8月発行を参照)、
詳細な説明は省略する。
明する。まず、(I)変数間の関係を現象論的に表わす
モデルに基づく制御方式について説明する。これは、従
来の方式であるが、例えば計測器5Aで原水の水質(水
温、濁度、アルカリ度、pH、電気伝導度、残留塩素濃
度、塩素要求量、水量、水位)及び、撮像手段5Bと画
像処理装置40で計測したフロック形成状況を入力変数
とし、これら変数の関数として凝集剤注入量を決定す
る。決定のためのモデルは実験的にあるいは経験的に明
らかになった式を適用する。例えば、濁度については濁
度が高い程、凝集剤注入量を増加させる。この制御操作
は、オペレータへの問い合わせなく実行される。なお、
この方式は従来公知の技術であるので(例えば、水道協
会雑誌、第431号、第28頁、昭和45年8月発行を参照)、
詳細な説明は省略する。
【0041】次に、本発明に関する(II)履歴の学習に
基づく支援方式と手順の詳細について説明する。その前
提として、本発明における「支援」の考え方を説明す
る。
基づく支援方式と手順の詳細について説明する。その前
提として、本発明における「支援」の考え方を説明す
る。
【0042】本発明の支援方法は、運転員が過去の履歴
情報を思いだして、この記憶に基づいて運転した場合と
同等の結果を得るために、運転員に対してグラフ表示に
よりガイダンスしたり、自動的に運転を行うものであ
る。たとえば、運転員は、経験的に複数の変数Xiの表
れ方の代表的なパターンをよく覚えている。ここで、
「パターン」とは、ある時刻における変数Xiの値Yiの
集合をさす。他方、ある変数Xiについて普通でない異
常な事象が起こった場合、このこともよく覚えている。
また、この時、同時に他の変数Xjについても普通でな
い(異常な)事象が起こっていたら、これらの原因をあ
れこれ考える。もし、ある変数Xiが制御したい変数で
あり、他の変数Xjが制御変数である場合に、過去の異
常時において変数Xjの操作により変数Xiをうまく制御
できた経験があるなら、この過去の経験を参考にして、
あるいは同じような操作方法で運転するであろう。変数
xiの表れ方がまったく同じならばそのまま制御すれば
よいが、実際には変数Xiの表れ方は微妙に異なる。し
たがって、良好な結果を得るように操作することは、人
間には可能であるが、人工的にこれを実現することは困
難であった。人間は、過去の履歴を経験としてもってお
り、この経験から総合的に状況を判断する。本方法はこ
のような運転を自動的に行う方法を提供するものであ
る。本実施例では浄水場運転の全般について説明する。
情報を思いだして、この記憶に基づいて運転した場合と
同等の結果を得るために、運転員に対してグラフ表示に
よりガイダンスしたり、自動的に運転を行うものであ
る。たとえば、運転員は、経験的に複数の変数Xiの表
れ方の代表的なパターンをよく覚えている。ここで、
「パターン」とは、ある時刻における変数Xiの値Yiの
集合をさす。他方、ある変数Xiについて普通でない異
常な事象が起こった場合、このこともよく覚えている。
また、この時、同時に他の変数Xjについても普通でな
い(異常な)事象が起こっていたら、これらの原因をあ
れこれ考える。もし、ある変数Xiが制御したい変数で
あり、他の変数Xjが制御変数である場合に、過去の異
常時において変数Xjの操作により変数Xiをうまく制御
できた経験があるなら、この過去の経験を参考にして、
あるいは同じような操作方法で運転するであろう。変数
xiの表れ方がまったく同じならばそのまま制御すれば
よいが、実際には変数Xiの表れ方は微妙に異なる。し
たがって、良好な結果を得るように操作することは、人
間には可能であるが、人工的にこれを実現することは困
難であった。人間は、過去の履歴を経験としてもってお
り、この経験から総合的に状況を判断する。本方法はこ
のような運転を自動的に行う方法を提供するものであ
る。本実施例では浄水場運転の全般について説明する。
【0043】続いて、(II)履歴の学習に基づく支援方
式と手順の詳細について図2を用いて以下に説明してい
く。
式と手順の詳細について図2を用いて以下に説明してい
く。
【0044】(II)の支援は、前述したように、(1)〜
(5)のステップからなる。(1)の学習工程71では、各種
の計測情報の履歴パターンP1(t1),P2(t2),…(Pi(t
i)の説明は後述する)をパターンファイル71Sからニ
ューラルプロセッサ70により学習するものである。学
習すべき履歴パターンの選択法については後述する。
(2)の支援工程72では学習した結果に基づいて運転を
支援する。(3)の知識抽出工程73では学習した結果の
中から知識及び知識候補を抽出する。(4)の知識診断工
程74では知識候補が知識として妥当であるか否かを診
断する。(5)の運転支援工程75では、本学習で得られ
た知識群とあらかじめ入力された知識群に基づき運転支
援を行う。これら(2)〜(5)の工程はシステムプロセッサ
42により行い、必要に応じて、キーボード44、ディ
スプレイ41を操作すると共に、知識ベース60Aと知
識候補ベース60Bにアクセスする。
(5)のステップからなる。(1)の学習工程71では、各種
の計測情報の履歴パターンP1(t1),P2(t2),…(Pi(t
i)の説明は後述する)をパターンファイル71Sからニ
ューラルプロセッサ70により学習するものである。学
習すべき履歴パターンの選択法については後述する。
(2)の支援工程72では学習した結果に基づいて運転を
支援する。(3)の知識抽出工程73では学習した結果の
中から知識及び知識候補を抽出する。(4)の知識診断工
程74では知識候補が知識として妥当であるか否かを診
断する。(5)の運転支援工程75では、本学習で得られ
た知識群とあらかじめ入力された知識群に基づき運転支
援を行う。これら(2)〜(5)の工程はシステムプロセッサ
42により行い、必要に応じて、キーボード44、ディ
スプレイ41を操作すると共に、知識ベース60Aと知
識候補ベース60Bにアクセスする。
【0045】なお、ここで知識とは「もし…ならば、…
である」という型式のルールである。
である」という型式のルールである。
【0046】以下に、各工程の内容を詳細に説明する。
【0047】(1)の学習工程71を以下に説明する。こ
こで、履歴情報として取り扱う変数は、データとして記
憶される総ての変数が対象となるので、これについてま
ず説明する。すなわち、ここでいう変数とは計測器5A
で計測した水温,濁度,アルカリ度,pH,電気伝導
度,残留塩素濃度,塩素要求量,水量,水位、撮像手段
5Bと画像処理装置40で計算したフロック粒径分布,
個数,分布の統計的代表粒径,分布の幅,フロック形状
特性,フロック形成量,フロック輝度,背景輝度,フロ
ック密度,濁度計5Cで計測した濁度、計測器5Dで計
測した損失水頭,水位,濁度,残留塩素濃度,pH,流
量、浄水池20及び配水池21の計測器5Eと5Fで計
測した水位,濁度,残留塩素濃度,pH,流量,水圧,
水温、配管網24の計測器5Gで計測した濁度,残留塩
素濃度,pH,流量,水圧,水温など、入力ポート56
Aから入力される変数である。これらの変数をXiと表
わすことにする。また、ある時刻t1におけるこれら変
数Xiのとる値Yiの集合をパターン1としてP1(Y1(t
1),Y2(t1),…Yn(t1))と表す。略記する時はP
1(t1)とする。異なる時刻におけるパターンP
1(t1),P2(t2),…を学習させる。なお、本実施例
では、一般化した説明を行うために、これら変数全てを
入力して学習するが、目的に応じて変数を取捨選択する
ことはいうまでもない。
こで、履歴情報として取り扱う変数は、データとして記
憶される総ての変数が対象となるので、これについてま
ず説明する。すなわち、ここでいう変数とは計測器5A
で計測した水温,濁度,アルカリ度,pH,電気伝導
度,残留塩素濃度,塩素要求量,水量,水位、撮像手段
5Bと画像処理装置40で計算したフロック粒径分布,
個数,分布の統計的代表粒径,分布の幅,フロック形状
特性,フロック形成量,フロック輝度,背景輝度,フロ
ック密度,濁度計5Cで計測した濁度、計測器5Dで計
測した損失水頭,水位,濁度,残留塩素濃度,pH,流
量、浄水池20及び配水池21の計測器5Eと5Fで計
測した水位,濁度,残留塩素濃度,pH,流量,水圧,
水温、配管網24の計測器5Gで計測した濁度,残留塩
素濃度,pH,流量,水圧,水温など、入力ポート56
Aから入力される変数である。これらの変数をXiと表
わすことにする。また、ある時刻t1におけるこれら変
数Xiのとる値Yiの集合をパターン1としてP1(Y1(t
1),Y2(t1),…Yn(t1))と表す。略記する時はP
1(t1)とする。異なる時刻におけるパターンP
1(t1),P2(t2),…を学習させる。なお、本実施例
では、一般化した説明を行うために、これら変数全てを
入力して学習するが、目的に応じて変数を取捨選択する
ことはいうまでもない。
【0048】これらの変数の値はニューラルプロセッサ
70の中で処理(学習)されるが、この処理方法を図3
を用いて説明する。
70の中で処理(学習)されるが、この処理方法を図3
を用いて説明する。
【0049】まず、記号を説明する。図3で、記号
“〇”はニューロン素子モデル701であり、“〇”と
“〇”とを連結する実線702はニューロン素子モデル
701間の情報のやりとりがあることを示す。また、ニ
ューラルプロセッサ70は入力層710と中間層720
と出力層730とからなる。ここで、各層は有限数のニ
ューロン素子モデルからなり、隣接する各層のニューロ
ン素子モデル間が連結される。中間層720は複数層あ
ってよいが、本実施例では説明の簡略化のため中間層の
数が一つの例を示す。なお、図3は学習時の構造を示
し、図6は学習後の利用時の構成を示しており、これら
の構成をニューラルネットワーク(神経回路モデルまた
は神経回路網)と称する。
“〇”はニューロン素子モデル701であり、“〇”と
“〇”とを連結する実線702はニューロン素子モデル
701間の情報のやりとりがあることを示す。また、ニ
ューラルプロセッサ70は入力層710と中間層720
と出力層730とからなる。ここで、各層は有限数のニ
ューロン素子モデルからなり、隣接する各層のニューロ
ン素子モデル間が連結される。中間層720は複数層あ
ってよいが、本実施例では説明の簡略化のため中間層の
数が一つの例を示す。なお、図3は学習時の構造を示
し、図6は学習後の利用時の構成を示しており、これら
の構成をニューラルネットワーク(神経回路モデルまた
は神経回路網)と称する。
【0050】ここで、入力層710と出力層730との
変数設定について説明する。入力層710には原因とな
る変数を付与し、一方、出力層730には、これら原因
に基づいて決められる制御変数(制御したい変数)を付
与する。つまり、出力層730の変数として、本実施例
では制御変数を設定する。
変数設定について説明する。入力層710には原因とな
る変数を付与し、一方、出力層730には、これら原因
に基づいて決められる制御変数(制御したい変数)を付
与する。つまり、出力層730の変数として、本実施例
では制御変数を設定する。
【0051】以下に、さらに具体的に説明する。まず、
入力層710の各ニューロン素子モデルには前述したパ
ターンPi(ti)をパターンファイル71Sから入力す
る。これらの値は最小値を“0”以上、最大値を“1”
以下にするように、スケールを調整しておくことが望ま
しい。他方、出力層730の各ニューロン素子モデル及
び、教師信号層750には出力ポート56Bから出力さ
れる信号を設定する。すなわち、これらの信号は、凝集
剤注入ポンプ12A制御のための信号12AS、アルカ
リ剤注入ポンプ12B制御のための信号12BS、撹拌
機13制御のための信号13S、撹拌パドル17A,1
7B及び17C制御のための信号17AS,17BS及
び17CS、ポンプ19制御のための信号19S、塩素
注入機26制御のための信号26S、ポンプ22制御の
ための信号22S、バルブ23A,23B及び23C制
御のための信号23AS,23BS及び23CSであ
る。これらの信号の値からなる目標パターンをC(Pi(t
i))と記す。
入力層710の各ニューロン素子モデルには前述したパ
ターンPi(ti)をパターンファイル71Sから入力す
る。これらの値は最小値を“0”以上、最大値を“1”
以下にするように、スケールを調整しておくことが望ま
しい。他方、出力層730の各ニューロン素子モデル及
び、教師信号層750には出力ポート56Bから出力さ
れる信号を設定する。すなわち、これらの信号は、凝集
剤注入ポンプ12A制御のための信号12AS、アルカ
リ剤注入ポンプ12B制御のための信号12BS、撹拌
機13制御のための信号13S、撹拌パドル17A,1
7B及び17C制御のための信号17AS,17BS及
び17CS、ポンプ19制御のための信号19S、塩素
注入機26制御のための信号26S、ポンプ22制御の
ための信号22S、バルブ23A,23B及び23C制
御のための信号23AS,23BS及び23CSであ
る。これらの信号の値からなる目標パターンをC(Pi(t
i))と記す。
【0052】ここで、ニューロン素子モデル701の基
本演算について図4を用いて説明していく。ここでは、
n個の変数(X1〜Xn)が入力される例を示す。ある時
刻t1における変数X1〜Xnの各信号の値をY1(t1)〜
Yn(tn)とする。
本演算について図4を用いて説明していく。ここでは、
n個の変数(X1〜Xn)が入力される例を示す。ある時
刻t1における変数X1〜Xnの各信号の値をY1(t1)〜
Yn(tn)とする。
【0053】まず、時刻t1の設定法について説明す
る。時刻t1のパターンをP1(t1)とする。時刻t1はオ
ペレータが選択する場合と、自動的に選択する場合があ
る。オペレータが選択する場合とは、後で運転に反映さ
せたいと考えるような、代表的なパターンP1(t1)や、
後日参考にしたい異常時のパターンである。これらをパ
ターンファイルPi(ti)に格納する。結果的に、ニュー
ラルネットワークはこれら学習した内容に応じてふるま
うので、この選択は重要である。オペレータに選択をま
かせるのは、このオペレータの持つ経験的で総合的なデ
ータ判断能力に頼るものである。この場合、学習させる
パターンは、異なる時間における複数のパターンP
1(t1),P2(t2),…であり、これら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ワーク
が身につける。オペレータによる学習はキーボード44
とディスプレイ46とを介するマンマシン会話により行
う。
る。時刻t1のパターンをP1(t1)とする。時刻t1はオ
ペレータが選択する場合と、自動的に選択する場合があ
る。オペレータが選択する場合とは、後で運転に反映さ
せたいと考えるような、代表的なパターンP1(t1)や、
後日参考にしたい異常時のパターンである。これらをパ
ターンファイルPi(ti)に格納する。結果的に、ニュー
ラルネットワークはこれら学習した内容に応じてふるま
うので、この選択は重要である。オペレータに選択をま
かせるのは、このオペレータの持つ経験的で総合的なデ
ータ判断能力に頼るものである。この場合、学習させる
パターンは、異なる時間における複数のパターンP
1(t1),P2(t2),…であり、これら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ワーク
が身につける。オペレータによる学習はキーボード44
とディスプレイ46とを介するマンマシン会話により行
う。
【0054】他方、自動的に行う場合には、事前にデー
タ列の統計解析を必要とする。すなわち、最も発生頻度
が高い場合を統計解析により求めて定常時とみなしてこ
れを学習させ、一方で、発生頻度が低い場合を異常時と
みなしてこれを学習させる。
タ列の統計解析を必要とする。すなわち、最も発生頻度
が高い場合を統計解析により求めて定常時とみなしてこ
れを学習させ、一方で、発生頻度が低い場合を異常時と
みなしてこれを学習させる。
【0055】具体的なパターンの選択法としては、以下
の方法も有効である。
の方法も有効である。
【0056】(1)処理が成功したとき(例えば、沈殿池濁
度が1mg/l以下(なお、本明細書では、リットルをlで
表記するものとする)):このときの条件を自動的にま
たはオペレータに問いあわせを行った後、神経回路モデ
ルに学習させる。
度が1mg/l以下(なお、本明細書では、リットルをlで
表記するものとする)):このときの条件を自動的にま
たはオペレータに問いあわせを行った後、神経回路モデ
ルに学習させる。
【0057】(2)処理が失敗したとき:このときの条件は
学習しないようにする。
学習しないようにする。
【0058】これら(1),(2)の操作を繰返し行うことに
よって、処理が成功した場合だけを選択的に学習するこ
とができる。したがって、学習内容が次第に追加されて
いくにつれて、神経回路モデルが賢明になる効果があ
る。すなわち、後述する想起誤差が次第に減少して精度
が向上していく効果がある。
よって、処理が成功した場合だけを選択的に学習するこ
とができる。したがって、学習内容が次第に追加されて
いくにつれて、神経回路モデルが賢明になる効果があ
る。すなわち、後述する想起誤差が次第に減少して精度
が向上していく効果がある。
【0059】以下では、しばらく、任意のパターンを学
習させる方法について説明する。
習させる方法について説明する。
【0060】また、後で詳細に説明するが、これら異な
る時刻での変数のパターンP1(t1),P2(t2),…を同時
に入力層に入力すること、さらに変数の時間的偏差Pi(t
i)-Pj(tj)をも入力すること、並びに定常時と非定常時
とを別々のニューラルネットワークに学習させること等
により、本発明の目的はさらに効果的に達成される。
る時刻での変数のパターンP1(t1),P2(t2),…を同時
に入力層に入力すること、さらに変数の時間的偏差Pi(t
i)-Pj(tj)をも入力すること、並びに定常時と非定常時
とを別々のニューラルネットワークに学習させること等
により、本発明の目的はさらに効果的に達成される。
【0061】ニューラルネットワークでの基本的な計算
方法を以下に説明する。まず、設定された信号値Y1〜
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)が次式で計算される。
方法を以下に説明する。まず、設定された信号値Y1〜
Ynの各々に重み係数Wjiを乗じ、さらにこれらを加算
する演算(積和演算)が次式で計算される。
【0062】
【数1】
【0063】ここで、Yi(1):入力層(第1層)のXi
の値、Wji(2←1):入力層(第1層)のi番目の変数か
ら中間層(第2層)のj番目のニューロン素子モデルへ
の重み係数、Zj(2):中間層(第2層)のj番目のニュ
ーロン素子モデルへの入力総和値、である。
の値、Wji(2←1):入力層(第1層)のi番目の変数か
ら中間層(第2層)のj番目のニューロン素子モデルへ
の重み係数、Zj(2):中間層(第2層)のj番目のニュ
ーロン素子モデルへの入力総和値、である。
【0064】ニューロン素子モデル701では、Zj(2)
の大小に応じてここでの出力値が次式で計算される。
の大小に応じてここでの出力値が次式で計算される。
【0065】
【数2】
【0066】式の計算内容は図5のような関係であ
る。すなわち、同図のグラフに示すように、Zj(2)の値
に応じて“0”から“1”までの間の値がYj(2)として
得られる。計算値Yj(2)は、さらに出力層へ送られ、出
力層でも同様の計算が実行される。
る。すなわち、同図のグラフに示すように、Zj(2)の値
に応じて“0”から“1”までの間の値がYj(2)として
得られる。計算値Yj(2)は、さらに出力層へ送られ、出
力層でも同様の計算が実行される。
【0067】次に、ニューラルネットワークでの計算方
法の概要について説明する。前述した変数Xiの値Yi
(1)は図3の入力層に入力され、この信号(値)は中間
層のニューロン素子モデルに出力される。中間層のニュ
ーロン素子モデルではこれら出力値Yi(1)と重み係数W
ij(2←1)との積和Zj(2)を式で計算し、この大小に応
じて出力層への出力値Yj(2)を式で決定する。同様に
して、中間層の出力値Yj(2)はさらに中間層(第2層)
と出力層(第3層)との重み係数Wij(3←2)との積和Z
j(3)を次式で計算する。
法の概要について説明する。前述した変数Xiの値Yi
(1)は図3の入力層に入力され、この信号(値)は中間
層のニューロン素子モデルに出力される。中間層のニュ
ーロン素子モデルではこれら出力値Yi(1)と重み係数W
ij(2←1)との積和Zj(2)を式で計算し、この大小に応
じて出力層への出力値Yj(2)を式で決定する。同様に
して、中間層の出力値Yj(2)はさらに中間層(第2層)
と出力層(第3層)との重み係数Wij(3←2)との積和Z
j(3)を次式で計算する。
【0068】
【数3】
【0069】ここで、Yi(2):中間層(第2層)の値、
Wji(3←2):中間層(第2層)のi番目の変数から出力
層(第3層)のj番目のニューロン素子モデルへの重み
係数、Zj(3):出力層(第3層)のj番目のニューロン
素子モデルへの入力総和値、である。
Wji(3←2):中間層(第2層)のi番目の変数から出力
層(第3層)のj番目のニューロン素子モデルへの重み
係数、Zj(3):出力層(第3層)のj番目のニューロン
素子モデルへの入力総和値、である。
【0070】さらに、Zj(3)の大小に応じて出力層73
0への出力値Yj(3)を次式で計算する。
0への出力値Yj(3)を次式で計算する。
【0071】
【数4】
【0072】このようにして、出力層の計算値Yj(3)が
得られる。
得られる。
【0073】ニューラルネットでの学習を実行するに
は、出力層730の後に、さらに図3に示すように、比
較層740と教師信号層750とを設け、出力層730
の信号730Sと教師信号層750の教師信号750S
とが比較層740に入力され、ここで出力信号730S
と教師信号750Sとが比較される。この誤差が小さく
なるように、重み係数Wji(3←2)及びWji(2←1)の大き
さを修正する。この修正値を用いて再度、〜式の計
算並びに教師信号との比較を行うと、同様に誤差がでて
くる。この誤差が小さくなるように再度重み係数Wji(3
←2)及びWji(2←1)の大きさを修正する。このようにし
て、重み係数Wjiを繰返し修正していき、誤差が十分小
さくなるまで続ける。最初は重み係数はランダムに(乱
数で発生)与えるので、誤差は当然大きいが、出力信号
値は次第に教師信号値に近づいていく。したがって、入
力層710の変数Xiから出力層730の変数Xjがいか
に決定されたかが、重み係数Wjiの分布に反映されてい
く。
は、出力層730の後に、さらに図3に示すように、比
較層740と教師信号層750とを設け、出力層730
の信号730Sと教師信号層750の教師信号750S
とが比較層740に入力され、ここで出力信号730S
と教師信号750Sとが比較される。この誤差が小さく
なるように、重み係数Wji(3←2)及びWji(2←1)の大き
さを修正する。この修正値を用いて再度、〜式の計
算並びに教師信号との比較を行うと、同様に誤差がでて
くる。この誤差が小さくなるように再度重み係数Wji(3
←2)及びWji(2←1)の大きさを修正する。このようにし
て、重み係数Wjiを繰返し修正していき、誤差が十分小
さくなるまで続ける。最初は重み係数はランダムに(乱
数で発生)与えるので、誤差は当然大きいが、出力信号
値は次第に教師信号値に近づいていく。したがって、入
力層710の変数Xiから出力層730の変数Xjがいか
に決定されたかが、重み係数Wjiの分布に反映されてい
く。
【0074】このように誤差を修正していく方法は誤差
逆伝搬法とよばれ、Rumelhartらによって考案された公
知技術を利用する。詳細は文献(Rumelhart:Parallel D
istributed Processing,MIT Press,Vol.1,(1986))を参
照されたい。
逆伝搬法とよばれ、Rumelhartらによって考案された公
知技術を利用する。詳細は文献(Rumelhart:Parallel D
istributed Processing,MIT Press,Vol.1,(1986))を参
照されたい。
【0075】このような学習そのものは公知であるが、
本発明は、特に、異なる時刻における変数群の複数個の
パターンを繰返し学習させて、これにより、オペレータ
の過去の経験と同等の作用を持たせるようにした点に特
徴を有する。複数個のパターンとは、オペレータが過去
において重要と判断したパターンPi(ti)である。こ
れによりオペレータの過去の経験に匹敵するパターン把
握能力がニューラルネットの重み係数Wjiの分布に反
映、蓄積、記憶されていく。
本発明は、特に、異なる時刻における変数群の複数個の
パターンを繰返し学習させて、これにより、オペレータ
の過去の経験と同等の作用を持たせるようにした点に特
徴を有する。複数個のパターンとは、オペレータが過去
において重要と判断したパターンPi(ti)である。こ
れによりオペレータの過去の経験に匹敵するパターン把
握能力がニューラルネットの重み係数Wjiの分布に反
映、蓄積、記憶されていく。
【0076】なお、本実施例ではこの計算はニューラル
プロセッサ70で行う例を説明したが、システムプロセ
ッサ42で行うこともできる。いずれにせよ、本発明
は、運転支援にニューラルネットを適用するものである
から、機能的にはこれまで説明したニューラルプロセッ
サ70の機能を持たねばならない。
プロセッサ70で行う例を説明したが、システムプロセ
ッサ42で行うこともできる。いずれにせよ、本発明
は、運転支援にニューラルネットを適用するものである
から、機能的にはこれまで説明したニューラルプロセッ
サ70の機能を持たねばならない。
【0077】次に、図2の支援工程72を説明する。こ
こでは学習工程71での学習結果に基づいて運転を支援
する。前述したように、ニューラルネットには過去の経
験が重み係数Wijの値の分布に付与されている。そこ
で、現時刻tの変数Xiの値Yi(ti)からなるパターン
Pi(ti)を入力層に入力することにより、結果として
出力層として設定された制御変数Xjの値が計算され
る。
こでは学習工程71での学習結果に基づいて運転を支援
する。前述したように、ニューラルネットには過去の経
験が重み係数Wijの値の分布に付与されている。そこ
で、現時刻tの変数Xiの値Yi(ti)からなるパターン
Pi(ti)を入力層に入力することにより、結果として
出力層として設定された制御変数Xjの値が計算され
る。
【0078】この計算は図6に示すように、入力層71
0、中間層720、出力層730からなるニューラルネ
ットワーク(図3の一部である)を用いて計算する。
0、中間層720、出力層730からなるニューラルネ
ットワーク(図3の一部である)を用いて計算する。
【0079】この計算は学習して決められた重み係数W
ijの下で、現時刻でのパターンPi(t)を用いて〜
式を計算するものであり、この計算を「想起」というこ
とにする。
ijの下で、現時刻でのパターンPi(t)を用いて〜
式を計算するものであり、この計算を「想起」というこ
とにする。
【0080】想起した結果をディスプレイ46に表示し
運転を支援する。すなわち、オペレータはこの表示結果
を参考にして運転できる。自動的に行う場合には、パタ
ーンPi(t)の時の想起結果に応じた目標パターンC(Pi
(t))になるように、各制御信号56BSを設定する。な
お、想起による計算値は、学習したパターンに依存する
ので、学習パターンは異なる時刻での代表的なパター
ン、あるいは注目すべき異常時のパターンでなければな
らないことは前述した通りである。
運転を支援する。すなわち、オペレータはこの表示結果
を参考にして運転できる。自動的に行う場合には、パタ
ーンPi(t)の時の想起結果に応じた目標パターンC(Pi
(t))になるように、各制御信号56BSを設定する。な
お、想起による計算値は、学習したパターンに依存する
ので、学習パターンは異なる時刻での代表的なパター
ン、あるいは注目すべき異常時のパターンでなければな
らないことは前述した通りである。
【0081】続いて、知識抽出工程73を説明する。こ
の知識抽出工程73では、学習した結果の中から知識及
び知識候補を抽出する。抽出法は3段階になっている
が、まず、重み係数に着目した抽出法を説明する。入力
層710に設定する変数Xiと出力層730に設定する
変数Xjとの関係は、変数Xiが原因で、変数Xjが結果
とみなせる。したがって、変数Xiから変数Xjを導く想
起の計算では、変数Xjに影響する変数Xiの数は限られ
る。影響の度合いは重み係数Wijにあるので、重み係数
Wijの絶対値が大きいほど影響の度合いが大きいことに
なる。しかし、変数Xiから変数Xjを想起するには複層
からなるニューラルネットワークの計算式〜を、W
ji(2←1)とWji(3←2)とを用いて実行しなければなら
ず、いずれの重み係数が効いているかあからさまには見
えない。そこで、変数Xi(原因)と変数Xj(結果)と
の関係を総合的に評価する指標として、次式で定義され
る「因果性尺度」Ijiを用いる。
の知識抽出工程73では、学習した結果の中から知識及
び知識候補を抽出する。抽出法は3段階になっている
が、まず、重み係数に着目した抽出法を説明する。入力
層710に設定する変数Xiと出力層730に設定する
変数Xjとの関係は、変数Xiが原因で、変数Xjが結果
とみなせる。したがって、変数Xiから変数Xjを導く想
起の計算では、変数Xjに影響する変数Xiの数は限られ
る。影響の度合いは重み係数Wijにあるので、重み係数
Wijの絶対値が大きいほど影響の度合いが大きいことに
なる。しかし、変数Xiから変数Xjを想起するには複層
からなるニューラルネットワークの計算式〜を、W
ji(2←1)とWji(3←2)とを用いて実行しなければなら
ず、いずれの重み係数が効いているかあからさまには見
えない。そこで、変数Xi(原因)と変数Xj(結果)と
の関係を総合的に評価する指標として、次式で定義され
る「因果性尺度」Ijiを用いる。
【0082】
【数5】
【0083】ここで、mは中間層のニューロン素子モデ
ル数である。
ル数である。
【0084】これは変数Xiから変数Xjにいたるすべて
の重み係数の積和をとったものであるから、変数Xiか
ら変数Xjへの影響度合いを示す。知識抽出工程73で
は、まず式の計算を行う。因果性尺度Ijiが大きな値
をとれば、変数Xiと変数Xjとの因果関係がある可能性
が高い。そこで、この関係を後述の知識診断工程74に
おいて知識または知識候補として、知識ベース60Aま
たは知識候補ベース60Bに登録する。判定基準値をI
*とし、Wjk(3←2)・Wki(2←1)の符号をQとすると、次
式に示すように、Qが正ならば正の因果関係が、逆に、
負ならば負の因果関係があるとみなせる。例えば、 [知識1] Iji>I*,Q>0の時は 変数Xiが増加したら、変数Xjも増加する。… [知識2] Iji>I*,Q<0の時は 変数Xiが増加したら、変数Xjは減少する。… なお、Iji≦I*のときは、変数Xiと変数Xjとの因果
関係はないものとみなす。また、詳細な説明は省略する
が、判定基準値I*との比較だけで判定せずに、Iji値
の大きさをファジー推論のメンバーシップ関数として利
用すれば、さらにきめこまかな対応が可能である。すな
わち、メンバーシップ関数の自動生成法として利用でき
る。
の重み係数の積和をとったものであるから、変数Xiか
ら変数Xjへの影響度合いを示す。知識抽出工程73で
は、まず式の計算を行う。因果性尺度Ijiが大きな値
をとれば、変数Xiと変数Xjとの因果関係がある可能性
が高い。そこで、この関係を後述の知識診断工程74に
おいて知識または知識候補として、知識ベース60Aま
たは知識候補ベース60Bに登録する。判定基準値をI
*とし、Wjk(3←2)・Wki(2←1)の符号をQとすると、次
式に示すように、Qが正ならば正の因果関係が、逆に、
負ならば負の因果関係があるとみなせる。例えば、 [知識1] Iji>I*,Q>0の時は 変数Xiが増加したら、変数Xjも増加する。… [知識2] Iji>I*,Q<0の時は 変数Xiが増加したら、変数Xjは減少する。… なお、Iji≦I*のときは、変数Xiと変数Xjとの因果
関係はないものとみなす。また、詳細な説明は省略する
が、判定基準値I*との比較だけで判定せずに、Iji値
の大きさをファジー推論のメンバーシップ関数として利
用すれば、さらにきめこまかな対応が可能である。すな
わち、メンバーシップ関数の自動生成法として利用でき
る。
【0085】続いて、第2段階の知識抽出方法は、重み
係数のバラツキに着目した方法である。まず、考え方を
説明する。学習の過程では重み係数の初期値を乱数で設
定する。また、数多くの重み係数があるので、学習後の
重み係数の収束値は学習毎に若干異なる。したがって、
一回の学習(複数の繰返し演算を伴う)の結果重み係数
Wjiの値が大きいからといって、この値がいつも大きい
とは限らない。つまり、変数Xiと変数Xjとの関係が密
接であるとは必ずしも限らない。このあいまいさをより
確かなものにするために、本発明では「再現性尺度」を
導入する。
係数のバラツキに着目した方法である。まず、考え方を
説明する。学習の過程では重み係数の初期値を乱数で設
定する。また、数多くの重み係数があるので、学習後の
重み係数の収束値は学習毎に若干異なる。したがって、
一回の学習(複数の繰返し演算を伴う)の結果重み係数
Wjiの値が大きいからといって、この値がいつも大きい
とは限らない。つまり、変数Xiと変数Xjとの関係が密
接であるとは必ずしも限らない。このあいまいさをより
確かなものにするために、本発明では「再現性尺度」を
導入する。
【0086】再現性尺度の定義を図7を用いて以下に説
明する。再現性尺度とは、複数回の学習を行った時に、
Wjiの値の再現性(バラツキの度合い)を指し、Sji(k
←l)と表わす。この記号はl層からk層への重み係数W
jiの再現性を表わし、複数回の学習を行ったときの、W
jiの頻度分布の幅の狭さを表わす。
明する。再現性尺度とは、複数回の学習を行った時に、
Wjiの値の再現性(バラツキの度合い)を指し、Sji(k
←l)と表わす。この記号はl層からk層への重み係数W
jiの再現性を表わし、複数回の学習を行ったときの、W
jiの頻度分布の幅の狭さを表わす。
【0087】次に、Sji(k←l)の計算方法について以
下に説明する。まず、学習工程71をN回実行すると、
一つのWjiについてN個の値が得られる。この値の頻度
分布をとると、図7(a)または(b)の図が得られる。図7
(a)は、Wjiのバラツキが小さく、初期値にかかわらず
再現性がある(確実である)といえる。一方、図7(b)
は、Wjiのバラツキが大きく、初期値によって値が変化
するので再現性がないといえる。そこで、まず、頻度分
布の標準偏差σjiを計算し、この逆数をとって再現性尺
度Sjiを次式で定義する。
下に説明する。まず、学習工程71をN回実行すると、
一つのWjiについてN個の値が得られる。この値の頻度
分布をとると、図7(a)または(b)の図が得られる。図7
(a)は、Wjiのバラツキが小さく、初期値にかかわらず
再現性がある(確実である)といえる。一方、図7(b)
は、Wjiのバラツキが大きく、初期値によって値が変化
するので再現性がないといえる。そこで、まず、頻度分
布の標準偏差σjiを計算し、この逆数をとって再現性尺
度Sjiを次式で定義する。
【0088】Sji(k←l)=1/σij … 標準偏差σjiが小さいとき、再現性尺度Sji(k←l)は
大になるので、変数Xiと変数Xjとの関係は確かに密接
であるといえる。つまり、上記関係やで記述される
知識はより確実といえる。この値が判定値S*より大き
いか否かで、知識または知識候補として採用するか否か
を判定する。この判定あるいは診断は、後述の知識診断
工程74において行い、知識と診断されたら知識ベース
60Aへ、一方、知識候補と診断されたら知識候補ベー
ス60Bに各々登録する。
大になるので、変数Xiと変数Xjとの関係は確かに密接
であるといえる。つまり、上記関係やで記述される
知識はより確実といえる。この値が判定値S*より大き
いか否かで、知識または知識候補として採用するか否か
を判定する。この判定あるいは診断は、後述の知識診断
工程74において行い、知識と診断されたら知識ベース
60Aへ、一方、知識候補と診断されたら知識候補ベー
ス60Bに各々登録する。
【0089】なお、第1段階の因果性尺度に基づく方法
と第2段階の再現性尺度に基づく方法とは各々独立した
評価尺度であるので、実行順番は、どちらが先でもよ
く、また並行して行ってもよい。
と第2段階の再現性尺度に基づく方法とは各々独立した
評価尺度であるので、実行順番は、どちらが先でもよ
く、また並行して行ってもよい。
【0090】続いて、因果性尺度と再現性尺度とを組み
合わせた「重要性尺度」Jjiについて説明する。この考
え方は、因果性が強くてかつ再現性のある変数Xiと変
数Xjとは、知識である可能性がより高いので、これを
評価しようとするものである。重要性尺度Jjiは、次式
で定義する。
合わせた「重要性尺度」Jjiについて説明する。この考
え方は、因果性が強くてかつ再現性のある変数Xiと変
数Xjとは、知識である可能性がより高いので、これを
評価しようとするものである。重要性尺度Jjiは、次式
で定義する。
【0091】
【数6】
【0092】変数Xiと変数Xjとについて、確かな知識
でかつ影響の度合いが高い因果関係に対して、重要性尺
度Jjiには大きな値が付与される。したがって、Jji値
が判定値J*より大きいか否かで、知識または知識候補
として採用するか否かを判定する。この判定(診断)
は、後述の知識診断工程74において行い、知識と診断
されたら知識ベース60Aへ、一方、知識候補と診断さ
れたら知識候補ベース60Bに各々登録する。
でかつ影響の度合いが高い因果関係に対して、重要性尺
度Jjiには大きな値が付与される。したがって、Jji値
が判定値J*より大きいか否かで、知識または知識候補
として採用するか否かを判定する。この判定(診断)
は、後述の知識診断工程74において行い、知識と診断
されたら知識ベース60Aへ、一方、知識候補と診断さ
れたら知識候補ベース60Bに各々登録する。
【0093】以上のようにして、因果性尺度Iji、再現
性尺度Sji、重要性尺度Jjiを用いて、原因となる変数
Xiと結果となる変数Xjとの因果関係の度合いを測り、
これに基づいて知識あるいは知識候補としての妥当性を
診断する。
性尺度Sji、重要性尺度Jjiを用いて、原因となる変数
Xiと結果となる変数Xjとの因果関係の度合いを測り、
これに基づいて知識あるいは知識候補としての妥当性を
診断する。
【0094】次に、知識診断工程74を説明する。知識
診断工程74では知識候補が知識として妥当であるか否
かを診断する。具体的には、前述の知識抽出工程73の
結果をオペレータに問い合わせ、知識と診断されたら知
識ベース60Aへ、一方、知識候補と診断されたら知識
候補ベース60Bに各々登録する。なお、知識候補ベー
ス60Bに登録された知識候補は、その事象が複数回発
生するようであれば、再度オペレータに問い合わせ、知
識候補が知識として妥当であるか否かを診断する。これ
らのオペレータへの問い合わせは、原則としてキーボー
ド44とディスプレイ46とを介するオペレータとのマ
ンマシン会話により行う。以下に、診断(問い合わせ)
の内容を具体的に説明する。
診断工程74では知識候補が知識として妥当であるか否
かを診断する。具体的には、前述の知識抽出工程73の
結果をオペレータに問い合わせ、知識と診断されたら知
識ベース60Aへ、一方、知識候補と診断されたら知識
候補ベース60Bに各々登録する。なお、知識候補ベー
ス60Bに登録された知識候補は、その事象が複数回発
生するようであれば、再度オペレータに問い合わせ、知
識候補が知識として妥当であるか否かを診断する。これ
らのオペレータへの問い合わせは、原則としてキーボー
ド44とディスプレイ46とを介するオペレータとのマ
ンマシン会話により行う。以下に、診断(問い合わせ)
の内容を具体的に説明する。
【0095】(a)因果性尺度の問い合わせ: (a1) Iji>I*ならばXiとXjとの関係(例えば,
の関係)をオペレータに問い合わせ、因果関係がある
と判断したら、これを、知識ベース60Aへ登録する。
因果関係がないと判断したら、これを、知識候補ベース
60Bへ登録する。 (a2) Iji<I*ならばXiとXjとの関係はオペレータ
への問い合わせなしに知識候補ベース60Bに登録する
か、場合によっては棄却する。 (b)再現性尺度の問い合わせ: (b1) Sji>S*ならばXiとXjとの関係をオペレータ
に問い合わせ、因果関係があると判断したら、これを、
知識ベース60Aへ登録する。因果関係がないと判断し
たら、これを知識候補ベース60Bへ登録する。 (b2) Sji<S*ならばXiとXjとの関係はオペレータ
への問い合わせなしに知識候補ベース60Bに登録する
か、場合によっては棄却する。 (c)重要性尺度の問い合わせ: (c1) Jji>J*ならばXiとXjとの関係をオペレータ
に問い合わせ、因果関係があると判断したら、これを、
知識ベース60Aへ登録する。因果関係がないと判断し
たら、これを、知識候補ベース60Bへ登録する。 (c2) Jji<J*ならばXiとXjとの関係はオペレータ
への問い合わせなしに知識候補ベース60Bに登録する
か、場合によっては棄却する。
の関係)をオペレータに問い合わせ、因果関係がある
と判断したら、これを、知識ベース60Aへ登録する。
因果関係がないと判断したら、これを、知識候補ベース
60Bへ登録する。 (a2) Iji<I*ならばXiとXjとの関係はオペレータ
への問い合わせなしに知識候補ベース60Bに登録する
か、場合によっては棄却する。 (b)再現性尺度の問い合わせ: (b1) Sji>S*ならばXiとXjとの関係をオペレータ
に問い合わせ、因果関係があると判断したら、これを、
知識ベース60Aへ登録する。因果関係がないと判断し
たら、これを知識候補ベース60Bへ登録する。 (b2) Sji<S*ならばXiとXjとの関係はオペレータ
への問い合わせなしに知識候補ベース60Bに登録する
か、場合によっては棄却する。 (c)重要性尺度の問い合わせ: (c1) Jji>J*ならばXiとXjとの関係をオペレータ
に問い合わせ、因果関係があると判断したら、これを、
知識ベース60Aへ登録する。因果関係がないと判断し
たら、これを、知識候補ベース60Bへ登録する。 (c2) Jji<J*ならばXiとXjとの関係はオペレータ
への問い合わせなしに知識候補ベース60Bに登録する
か、場合によっては棄却する。
【0096】Iji<I*又は、Sji<S*又は、Jji<J
*の場合には変数XiとXjとを結ぶ線702を削除する
ことにより、結線構造を簡略化することができる。この
場合、計算速度が向上する効果がある。また、中間層の
数自体を変更することも考えられる。このような、構造
の変更は、有限回の学習後に行うことが好ましい。
*の場合には変数XiとXjとを結ぶ線702を削除する
ことにより、結線構造を簡略化することができる。この
場合、計算速度が向上する効果がある。また、中間層の
数自体を変更することも考えられる。このような、構造
の変更は、有限回の学習後に行うことが好ましい。
【0097】なお、各判定に基づいてオペレータへの問
い合わせをせずに、自動的にこれらの操作を行うことも
可能である。この場合には、以下の様になる。
い合わせをせずに、自動的にこれらの操作を行うことも
可能である。この場合には、以下の様になる。
【0098】(a)因果性尺度の問い合わせ: (a1) Iji>I*ならばXiとXjとの関係を知識ベース
60Aへ登録する。 (a2) Iji<I*ならばXiとXjとの関係を知識候補ベ
ース60Bに登録する。 (b)再現性尺度の問い合わせ: (b1) Sij>S*ならばXiとXjとの関係を知識ベース
60Aへ登録する。 (b2) Sji<S*ならばXiとXjとの関係を知識候補ベ
ース60Bに登録する。 (c)重要性尺度の問い合わせ: (c1) Jji>J*ならばXiとXjとの関係を知識ベース
60Aへ登録する。 (c2) Jji<J*ならばXiとXjとの関係を知識候補ベ
ース60Bに登録する。
60Aへ登録する。 (a2) Iji<I*ならばXiとXjとの関係を知識候補ベ
ース60Bに登録する。 (b)再現性尺度の問い合わせ: (b1) Sij>S*ならばXiとXjとの関係を知識ベース
60Aへ登録する。 (b2) Sji<S*ならばXiとXjとの関係を知識候補ベ
ース60Bに登録する。 (c)重要性尺度の問い合わせ: (c1) Jji>J*ならばXiとXjとの関係を知識ベース
60Aへ登録する。 (c2) Jji<J*ならばXiとXjとの関係を知識候補ベ
ース60Bに登録する。
【0099】以上の様にして知識と知識候補とを分類す
るが、知識候補と診断されても、その知識候補は実際に
はオペレータが意識していない知識である可能性もあ
る。そこで、知識候補ベース60Bに登録された知識候
補は、その事象が複数回発生するようであれば、再度オ
ペレータに問い合わせ、知識候補が知識として妥当であ
るか否かを診断する。
るが、知識候補と診断されても、その知識候補は実際に
はオペレータが意識していない知識である可能性もあ
る。そこで、知識候補ベース60Bに登録された知識候
補は、その事象が複数回発生するようであれば、再度オ
ペレータに問い合わせ、知識候補が知識として妥当であ
るか否かを診断する。
【0100】運転支援工程75では、知識ベース60A
にあらかじめ入力された知識群も含めて運転支援を行
う。すなわち、知識ベース60Aには、予め、明らかに
なっている知識(経験的、科学的知識など)を格納して
おく。したがって、知識ベース60Aには、各種の知識
が多数格納されていく。これらに基づいて推論機構61
を駆動させ、結論を導き、ディスプレイ46に表示す
る。必要に応じて記憶装置54のデータも利用する。推
論方法は前向き推論と後向き推論など従来の技術が適用
できる。結果を用いて、目標パターンC(Pi(ti))を定め
る信号56Bを出力する。
にあらかじめ入力された知識群も含めて運転支援を行
う。すなわち、知識ベース60Aには、予め、明らかに
なっている知識(経験的、科学的知識など)を格納して
おく。したがって、知識ベース60Aには、各種の知識
が多数格納されていく。これらに基づいて推論機構61
を駆動させ、結論を導き、ディスプレイ46に表示す
る。必要に応じて記憶装置54のデータも利用する。推
論方法は前向き推論と後向き推論など従来の技術が適用
できる。結果を用いて、目標パターンC(Pi(ti))を定め
る信号56Bを出力する。
【0101】以上のようにして、本発明では、過去の異
なる時刻での運転履歴を必要に応じてニューラルネット
ワークに学習させ、過去の運転と同様な運転を支援する
ことができる。さらに、知識の獲得をオペレータとの対
話を通じてあるいは自動的に行うことができる。この方
法は、過去の運転と同様の運転を行うことが可能である
ばかりでなく、知識が時間と共に増大するので、オペレ
ータと同様、ニューラルネットワークも実績と経験とを
積むことにより、次第に賢明になる機能を有する。
なる時刻での運転履歴を必要に応じてニューラルネット
ワークに学習させ、過去の運転と同様な運転を支援する
ことができる。さらに、知識の獲得をオペレータとの対
話を通じてあるいは自動的に行うことができる。この方
法は、過去の運転と同様の運転を行うことが可能である
ばかりでなく、知識が時間と共に増大するので、オペレ
ータと同様、ニューラルネットワークも実績と経験とを
積むことにより、次第に賢明になる機能を有する。
【0102】次に、他の実施例を図8を用いて説明す
る。この実施例は先に説明した図2の実施例と同様の構
成であるが、以下(a)(b)(c)の3点が異なる。
る。この実施例は先に説明した図2の実施例と同様の構
成であるが、以下(a)(b)(c)の3点が異なる。
【0103】(a)、入力層に入力するパターンとして異
なる時間のパターンP1(t1),P2(t2)を同時に用いるこ
と、(b)、パターン間の偏差P1,2(t1,2)=P1(t1)−P2
(t2)を用いること、(c)、パターン学習させるニューラ
ルネットワークを機能別に(例えば定常時のパターンと
非定常時のパターン)複数設けることである。
なる時間のパターンP1(t1),P2(t2)を同時に用いるこ
と、(b)、パターン間の偏差P1,2(t1,2)=P1(t1)−P2
(t2)を用いること、(c)、パターン学習させるニューラ
ルネットワークを機能別に(例えば定常時のパターンと
非定常時のパターン)複数設けることである。
【0104】パターンファイル71Sには、図8に示す
ように、P1(t1),P2(t2)及びP1,2(t1,2)から構成
される一つの新たなパターンを格納し、これを学習工程
71で学習する。ここで、t1とt2との時間間隔τ(=t1
-t2)は、対象とするプロセスの時間変化特性及び制御特
性によって異なる値を設定する。学習の方法は図2の説
明で前述した通りである。
ように、P1(t1),P2(t2)及びP1,2(t1,2)から構成
される一つの新たなパターンを格納し、これを学習工程
71で学習する。ここで、t1とt2との時間間隔τ(=t1
-t2)は、対象とするプロセスの時間変化特性及び制御特
性によって異なる値を設定する。学習の方法は図2の説
明で前述した通りである。
【0105】支援工程72では学習した結果に基づいて
運転を支援する。ここでは現時刻のパターンPi(ti)と
τ時間前のパターンPi-1(ti-1)、及び両者の偏差
Pi-1,i(ti-1,i)を受けて、想起の計算を実行する。
計算方法は図2の説明で前述した通りである。
運転を支援する。ここでは現時刻のパターンPi(ti)と
τ時間前のパターンPi-1(ti-1)、及び両者の偏差
Pi-1,i(ti-1,i)を受けて、想起の計算を実行する。
計算方法は図2の説明で前述した通りである。
【0106】知識抽出工程73、知識診断工程74、運
転支援工程75の動作は図2の説明で前述した通りであ
る。
転支援工程75の動作は図2の説明で前述した通りであ
る。
【0107】図1及び図2の実施例では、長期間の履歴
を学習する効果があるが、図8で説明した実施例の効果
は、(a)短期間(τ時間のオーダー)で変動する現象の
学習を効果的に行える、(b)学習させる内容を目的とす
る機能別に分類したニューラルネットワークを用いるこ
とによりオペレータの意図を効果的に反映できる、の2
点である。すなわち、(a)については、変数Xiの値Yi
(t)が増加している場合と減少している場合とで、制
御変数Xjを異なった方法で制御する場合に特に効果的
である。例えば、プラントのスタートアップ時や停止時
の制御、あるいは、非定常時や異常時の制御を支援する
のに有効である。(b)については、プラントの運転形態
が状況(変数Xiのパターン)に応じて異なる場合に特
に有効である。例えば、定常時と非定常時との運転は通
常異なる指針と方法とで行われる。このような場合に
は、定常時のニューラルネットワークと非定常時のニュ
ーラルネットワークを別々に用意し、状況に応じて使い
わけると効果的である。
を学習する効果があるが、図8で説明した実施例の効果
は、(a)短期間(τ時間のオーダー)で変動する現象の
学習を効果的に行える、(b)学習させる内容を目的とす
る機能別に分類したニューラルネットワークを用いるこ
とによりオペレータの意図を効果的に反映できる、の2
点である。すなわち、(a)については、変数Xiの値Yi
(t)が増加している場合と減少している場合とで、制
御変数Xjを異なった方法で制御する場合に特に効果的
である。例えば、プラントのスタートアップ時や停止時
の制御、あるいは、非定常時や異常時の制御を支援する
のに有効である。(b)については、プラントの運転形態
が状況(変数Xiのパターン)に応じて異なる場合に特
に有効である。例えば、定常時と非定常時との運転は通
常異なる指針と方法とで行われる。このような場合に
は、定常時のニューラルネットワークと非定常時のニュ
ーラルネットワークを別々に用意し、状況に応じて使い
わけると効果的である。
【0108】以上のようにして、本実施例では、状況の
異なる過去の運転履歴を学習し、過去の運転と同様な運
転を支援することができる。また、知識の獲得について
は、短期間で変動する因果関係をも獲得することが可能
であるので、プラントの運転をオペレータがきめこまか
に行うように支援することが可能である。
異なる過去の運転履歴を学習し、過去の運転と同様な運
転を支援することができる。また、知識の獲得について
は、短期間で変動する因果関係をも獲得することが可能
であるので、プラントの運転をオペレータがきめこまか
に行うように支援することが可能である。
【0109】以上、本発明を浄水場への適用を例に一般
的な形で説明したが、具体的な支援・制御内容を以下の
具体例で説明する。
的な形で説明したが、具体的な支援・制御内容を以下の
具体例で説明する。
【0110】入力項目として、計測器5Aの計測項目で
ある水温、濁度、アルカリ度、pH、電気伝導度、残留
塩素濃度、塩素要求量、水量、水位、並びに撮像手段5
Bと画像処理装置40の計測項目であるフロック特徴
量、さらに濁度計5Cの濁度を入力層に入力して、教師
信号として、凝集剤注入ポンプ制御信号12AS、アル
カリ剤注入ポンプ制御信号12BS、撹拌機13制御信
号13S、撹拌パドル制御信号17AS,17BS及び
17CSを設定すれば、凝集沈殿プロセス運転支援制御
システムとなる。このシステムは凝集剤注入運転支援制
御、アルカリ剤注入運転支援制御、急速撹拌運転支援制
御、緩速撹拌運転支援制御、などから構成される。な
お、撮像手段5Bは急速混和池10、沈殿池16または
濾過池17に設置して、その画像処理結果を利用するこ
ともできる。
ある水温、濁度、アルカリ度、pH、電気伝導度、残留
塩素濃度、塩素要求量、水量、水位、並びに撮像手段5
Bと画像処理装置40の計測項目であるフロック特徴
量、さらに濁度計5Cの濁度を入力層に入力して、教師
信号として、凝集剤注入ポンプ制御信号12AS、アル
カリ剤注入ポンプ制御信号12BS、撹拌機13制御信
号13S、撹拌パドル制御信号17AS,17BS及び
17CSを設定すれば、凝集沈殿プロセス運転支援制御
システムとなる。このシステムは凝集剤注入運転支援制
御、アルカリ剤注入運転支援制御、急速撹拌運転支援制
御、緩速撹拌運転支援制御、などから構成される。な
お、撮像手段5Bは急速混和池10、沈殿池16または
濾過池17に設置して、その画像処理結果を利用するこ
ともできる。
【0111】ここで、本発明を浄水場の凝集剤注入に適
用した具体例とその効果についてを説明する。
用した具体例とその効果についてを説明する。
【0112】この例における神経回路モデルの構成を図
9(図3に対応している)に示す。この神経回路の入力
層710はニューロン素子モデル701を5個有し、代
表的な日と時間における原水水温、濁度、アルカリ度、
pH、及び流量を入力する。また、中間層720はニュ
ーロン素子モデルを3個からなり、出力層730と教師
信号層750とはそれぞれ1個のニューロン素子モデル
からなり、ここには凝集剤注入率を設定する。学習工程
において、予め選択された日(時間は一定の時間に予め
決めておく)の水質を入力して学習させる。この学習工
程は、図2で説明した学習工程71に対応する。学習に
際し、まず、運転支援を行う目的で参考にすべき(学習
すべき)日を設定する。処理に失敗した日を学習させる
と誤った学習になるので、処理に成功した日を学習させ
ることが重要である。次に、学習すべき日の設定も重要
であり、特に、浄水場では1年間(365日)の水質の
変動や季節の変動が処理性能に大きく影響するので、1
年間の変動をまんべんなく取り込むような代表的な日
(処理条件)を選択する。例えば、1ヵ月に1日を学習
パターンに選ぶ。この選択の基準を以下に示す。
9(図3に対応している)に示す。この神経回路の入力
層710はニューロン素子モデル701を5個有し、代
表的な日と時間における原水水温、濁度、アルカリ度、
pH、及び流量を入力する。また、中間層720はニュ
ーロン素子モデルを3個からなり、出力層730と教師
信号層750とはそれぞれ1個のニューロン素子モデル
からなり、ここには凝集剤注入率を設定する。学習工程
において、予め選択された日(時間は一定の時間に予め
決めておく)の水質を入力して学習させる。この学習工
程は、図2で説明した学習工程71に対応する。学習に
際し、まず、運転支援を行う目的で参考にすべき(学習
すべき)日を設定する。処理に失敗した日を学習させる
と誤った学習になるので、処理に成功した日を学習させ
ることが重要である。次に、学習すべき日の設定も重要
であり、特に、浄水場では1年間(365日)の水質の
変動や季節の変動が処理性能に大きく影響するので、1
年間の変動をまんべんなく取り込むような代表的な日
(処理条件)を選択する。例えば、1ヵ月に1日を学習
パターンに選ぶ。この選択の基準を以下に示す。
【0113】(1)処理結果が良好な場合、すなわち、浄
水場の実施例では沈殿濁度が1.0mg/l以下の日、(2)水
質が年間変動する中で代表的な日、すなわち、浄水場で
の実施例では春夏秋冬の代表的な日、を少なくとも1日
以上選ぶ。
水場の実施例では沈殿濁度が1.0mg/l以下の日、(2)水
質が年間変動する中で代表的な日、すなわち、浄水場で
の実施例では春夏秋冬の代表的な日、を少なくとも1日
以上選ぶ。
【0114】この例では、1年間(365日)の運転履歴の
中から処理が成功した(すなわち沈殿濁度が所定値以下
の)ときの日として10日分(1日1条件)の水質を入
力し、他方、教師信号として対応する凝集剤注入率を学
習させる。学習日数は5日ないし30日分が適してい
る。
中から処理が成功した(すなわち沈殿濁度が所定値以下
の)ときの日として10日分(1日1条件)の水質を入
力し、他方、教師信号として対応する凝集剤注入率を学
習させる。学習日数は5日ないし30日分が適してい
る。
【0115】学習が終了した後、次に、この図9の学習
済みニューラルネットに未学習(355日)の条件を入力
し、凝集剤注入率を想起させた。想起する場合には、図
9の中で比較層740と教師信号層750とを削除した
構成(図6の構成に相当)で行う。その結果、想起誤差
(想起と実測値との差の平均値で定義する)は約20%で
あった。凝集剤注入率に換算すると約3mg/lになる
が、浄水場での運転支援には実用できる。この具体例に
よれば、1年間の中での僅かな日数の学習で長期間の種
々の水質の日の凝集剤注入率を想起することができた。
済みニューラルネットに未学習(355日)の条件を入力
し、凝集剤注入率を想起させた。想起する場合には、図
9の中で比較層740と教師信号層750とを削除した
構成(図6の構成に相当)で行う。その結果、想起誤差
(想起と実測値との差の平均値で定義する)は約20%で
あった。凝集剤注入率に換算すると約3mg/lになる
が、浄水場での運転支援には実用できる。この具体例に
よれば、1年間の中での僅かな日数の学習で長期間の種
々の水質の日の凝集剤注入率を想起することができた。
【0116】次に、図10に、ニューラルネットの入力
として、1日のある時点の代表水質だけでなく、他の時
間における水質をも同時に利用する場合のニューラルネ
ットの構成例を示す。この構成は、図8で説明した入力
パターンのうち偏差を利用しない場合に相当する。前記
「他の時間」は、1時点でも複数時点でもよいが、この
例では1時点の場合を説明する。すなわち、入力層71
0には現在の値と過去(ある時間前)の値とについて、
それぞれ原水水温、濁度、アルカリ度、pH、及び流量
を入力する。したがって、入力層710のニューロン素
子モデルは10個必要であり、中間層720には5個用
いた。出力層730および教師信号層750には、それ
ぞれ1個のニューロン素子モデルを用い、図9の場合と
同様、凝集剤注入率を設定する。入力層に入力する現在
の水質がP1(t1)、過去の水質がP2(t2)にそれぞれ対応す
る。この過去の値として、この例では5時間前の水質情
報を用いる。したがって、この場合には、学習する各時
点の水質と5時間前の水質の両方を考慮して、その時点
の凝集剤注入率をいかに設定すべきを学習することにな
る。過去の時間としては、5時間に限るものではなく、
1時間前あるいは12時間前等の値であってもよい。この
方法により、10日分の水質と凝集剤注入率を学習させた
結果、想起誤差は17%であった。図9の例より誤差が改
善された理由は、水質の時間的変動を入力層として考慮
したからである。
として、1日のある時点の代表水質だけでなく、他の時
間における水質をも同時に利用する場合のニューラルネ
ットの構成例を示す。この構成は、図8で説明した入力
パターンのうち偏差を利用しない場合に相当する。前記
「他の時間」は、1時点でも複数時点でもよいが、この
例では1時点の場合を説明する。すなわち、入力層71
0には現在の値と過去(ある時間前)の値とについて、
それぞれ原水水温、濁度、アルカリ度、pH、及び流量
を入力する。したがって、入力層710のニューロン素
子モデルは10個必要であり、中間層720には5個用
いた。出力層730および教師信号層750には、それ
ぞれ1個のニューロン素子モデルを用い、図9の場合と
同様、凝集剤注入率を設定する。入力層に入力する現在
の水質がP1(t1)、過去の水質がP2(t2)にそれぞれ対応す
る。この過去の値として、この例では5時間前の水質情
報を用いる。したがって、この場合には、学習する各時
点の水質と5時間前の水質の両方を考慮して、その時点
の凝集剤注入率をいかに設定すべきを学習することにな
る。過去の時間としては、5時間に限るものではなく、
1時間前あるいは12時間前等の値であってもよい。この
方法により、10日分の水質と凝集剤注入率を学習させた
結果、想起誤差は17%であった。図9の例より誤差が改
善された理由は、水質の時間的変動を入力層として考慮
したからである。
【0117】図11のニューラルネットは、入力情報と
して、さらに時間偏差情報を用いる場合を示し、図8で
説明したものに相当する。この例では、水質の時間的変
動を偏差として明示的に入力するものである。すなわ
ち、入力層710には、同時に 現在の値、過去の値、現在と過去の値の偏差、の
各々について、原水水温、濁度、アルカリ度、pH、及
び流量を入力する。図8に対応させれば、P1(t1)が現在
の水質、P2(t2)が過去の水質、P1,2(t1,2)=P1(t1)-P2(t
2)が両者の偏差である。この場合、ニューロン素子モデ
ルは入力層710に15個、中間層720に7個を用い
る。前記同様、出力層730および教師信号層750に
は1個用い、凝集剤注入率を設定する。先の例と同様に
して学習させた結果、1年間の想起誤差は、12%にまで
改善された。すなわち、この例では、水質の時間変化状
況を偏差の値として明示的に入力情報に用いた結果、例
えば、降雨開始時と終了時のように、水質変動が激しい
場合の注入率をより的確に予測できるようになった。
して、さらに時間偏差情報を用いる場合を示し、図8で
説明したものに相当する。この例では、水質の時間的変
動を偏差として明示的に入力するものである。すなわ
ち、入力層710には、同時に 現在の値、過去の値、現在と過去の値の偏差、の
各々について、原水水温、濁度、アルカリ度、pH、及
び流量を入力する。図8に対応させれば、P1(t1)が現在
の水質、P2(t2)が過去の水質、P1,2(t1,2)=P1(t1)-P2(t
2)が両者の偏差である。この場合、ニューロン素子モデ
ルは入力層710に15個、中間層720に7個を用い
る。前記同様、出力層730および教師信号層750に
は1個用い、凝集剤注入率を設定する。先の例と同様に
して学習させた結果、1年間の想起誤差は、12%にまで
改善された。すなわち、この例では、水質の時間変化状
況を偏差の値として明示的に入力情報に用いた結果、例
えば、降雨開始時と終了時のように、水質変動が激しい
場合の注入率をより的確に予測できるようになった。
【0118】なお、過去の値として凝集剤注入率も付加
すれば、精度がさらに向上する。
すれば、精度がさらに向上する。
【0119】さらに、図示しないが、定常時としての晴
天時(原水濁度が10mg/l以下)の場合と、非定常時とし
ての降雨時(原水濁度が10mg/l以上)の場合について、
図11のニューラルネットを別個に2個用意し、各々独
立して学習させ、続いて、前記と同様に想起させた。そ
の結果、想起誤差は7%にまで改善された。このこと
は、降雨時と晴天時、あるいは降雨開始時と終了時とを
考慮したことにより、経験豊富なオペレータの運転法を
より忠実に再現できたものである。このように、時間偏
差情報をも考慮すること、並びに、機能別のニューラル
ネットを複数個使用することにより、想起誤差(運転支
援時のガイダンス誤差)がより小さくなる効果がある。
天時(原水濁度が10mg/l以下)の場合と、非定常時とし
ての降雨時(原水濁度が10mg/l以上)の場合について、
図11のニューラルネットを別個に2個用意し、各々独
立して学習させ、続いて、前記と同様に想起させた。そ
の結果、想起誤差は7%にまで改善された。このこと
は、降雨時と晴天時、あるいは降雨開始時と終了時とを
考慮したことにより、経験豊富なオペレータの運転法を
より忠実に再現できたものである。このように、時間偏
差情報をも考慮すること、並びに、機能別のニューラル
ネットを複数個使用することにより、想起誤差(運転支
援時のガイダンス誤差)がより小さくなる効果がある。
【0120】次に、前述した従来の、計測情報(原水水
質)と出力情報(凝集剤注入率)との関係をモデル化す
る方法と本実施例による効果を具体的に比較する。従来
法として、標準的な重回帰分析法を採用した。この方法
は、1年間のすべての原水水質と凝集剤注入率のデータ
を用いて、原水水質と凝集剤注入率との関係を数式で表
わすものである。この方法で1年間の凝集剤注入率の誤
差を計算したところ、約14%の誤差があった。本実施例
では、計20日のデータしか使用していないが、図11以
降の具体例によれば、1年間のデータを用いるこの従来
法と同等以上の効果があることになる。
質)と出力情報(凝集剤注入率)との関係をモデル化す
る方法と本実施例による効果を具体的に比較する。従来
法として、標準的な重回帰分析法を採用した。この方法
は、1年間のすべての原水水質と凝集剤注入率のデータ
を用いて、原水水質と凝集剤注入率との関係を数式で表
わすものである。この方法で1年間の凝集剤注入率の誤
差を計算したところ、約14%の誤差があった。本実施例
では、計20日のデータしか使用していないが、図11以
降の具体例によれば、1年間のデータを用いるこの従来
法と同等以上の効果があることになる。
【0121】なお、本実施例では説明しなかったが、フ
ロック形成状況などを画像監視した情報を入力すれば、
さらに効果がある。その他、詳述しないが、入力パター
ンの組合せとしては、前記のものに限らず、現在値と偏
差の組合せ、あるいは過去値と偏差の組合せ等も考えら
れる。
ロック形成状況などを画像監視した情報を入力すれば、
さらに効果がある。その他、詳述しないが、入力パター
ンの組合せとしては、前記のものに限らず、現在値と偏
差の組合せ、あるいは過去値と偏差の組合せ等も考えら
れる。
【0122】図1のシステムにおける本発明の適用例と
しては、その他、入力項目として、計測器5Aの計測項
目である水温、濁度、アルカリ度、pH、電気伝導度、
残留塩素濃度、塩素要求量、水量、水位、並びに撮像手
段5Bと画像処理装置40の計測項目であるフロック特
徴量、さらに濁度計5Cの濁度、計測器5Dの計測項目
である損失水頭、水位、濁度、残留塩素濃度、pH、流
量、計測器5Eと5Fの計測項目である水位、濁度、残
留塩素濃度、pH、流量、水圧、水温を入力層に入力し
て、教師信号として、塩素注入機制御信号26S、を設
定すれば、塩素注入運転支援制御システムとなり、一
方、教師信号として、ポンプ制御信号19Sを設定すれ
ば、濾過プロセス運転支援制御システムとなる。
しては、その他、入力項目として、計測器5Aの計測項
目である水温、濁度、アルカリ度、pH、電気伝導度、
残留塩素濃度、塩素要求量、水量、水位、並びに撮像手
段5Bと画像処理装置40の計測項目であるフロック特
徴量、さらに濁度計5Cの濁度、計測器5Dの計測項目
である損失水頭、水位、濁度、残留塩素濃度、pH、流
量、計測器5Eと5Fの計測項目である水位、濁度、残
留塩素濃度、pH、流量、水圧、水温を入力層に入力し
て、教師信号として、塩素注入機制御信号26S、を設
定すれば、塩素注入運転支援制御システムとなり、一
方、教師信号として、ポンプ制御信号19Sを設定すれ
ば、濾過プロセス運転支援制御システムとなる。
【0123】さらに、入力項目として、計測器5Eと5
Fの計測項目である水位、濁度、残留塩素濃度、pH、
流量、水圧、水温、及び、計測器5Gの計測項目である
濁度、残留塩素濃度、pH、流量、水圧、水温を入力層
に入力して、教師信号としてはポンプ制御信号22S、
バルブ制御信号23AS,23BS及び23CSを設定
すれば、配管網の水質と水量を制御するための支援制御
システムとなる。本システムは、配水流量運転支援制御
と配水圧力運転支援制御のためのである。
Fの計測項目である水位、濁度、残留塩素濃度、pH、
流量、水圧、水温、及び、計測器5Gの計測項目である
濁度、残留塩素濃度、pH、流量、水圧、水温を入力層
に入力して、教師信号としてはポンプ制御信号22S、
バルブ制御信号23AS,23BS及び23CSを設定
すれば、配管網の水質と水量を制御するための支援制御
システムとなる。本システムは、配水流量運転支援制御
と配水圧力運転支援制御のためのである。
【0124】これらの実施例は、いずれも過去の履歴や
運転実績に応じて運転がなされており、従来の自動制御
や知識工学適用の運転支援システムが苦手とした、実績
と前例に即した運転と、知識の自動獲得と、支援制御内
容が次第に成長する機能を有するという効果がある。
運転実績に応じて運転がなされており、従来の自動制御
や知識工学適用の運転支援システムが苦手とした、実績
と前例に即した運転と、知識の自動獲得と、支援制御内
容が次第に成長する機能を有するという効果がある。
【0125】この他、詳細は省略するが、水位制御など
浄水場の維持管理に係る各種の制御を実行できることは
いうまでもない。
浄水場の維持管理に係る各種の制御を実行できることは
いうまでもない。
【0126】以上、本発明の実施例を浄水場に限って詳
細に説明したが、本発明の基本思想は、時間と共に変動
する現象を取り扱うプロセス、例えば下廃水処理プロセ
ス、河川情報処理プロセス、熱電併給システム、ビル管
理システム、空調等の屋内環境制御システム、エレベー
タ管理システム、気象情報処理プロセス、火力・原子力
・水力・発電プロセス、列車など輸送運航管理システ
ム、地図情報システムなどの公共システム、化学プロセ
ス、バイオプロセス、半導体製造プロセス、食品製造プ
ロセスなどの製造プロセス、証券・為替情報処理プロセ
ス、銀行管理情報プロセスなどの情報システム、コンピ
ュータ管理システム、端末管理システム、コンピュータ
ネットワーク管理システムなどに適用できる。
細に説明したが、本発明の基本思想は、時間と共に変動
する現象を取り扱うプロセス、例えば下廃水処理プロセ
ス、河川情報処理プロセス、熱電併給システム、ビル管
理システム、空調等の屋内環境制御システム、エレベー
タ管理システム、気象情報処理プロセス、火力・原子力
・水力・発電プロセス、列車など輸送運航管理システ
ム、地図情報システムなどの公共システム、化学プロセ
ス、バイオプロセス、半導体製造プロセス、食品製造プ
ロセスなどの製造プロセス、証券・為替情報処理プロセ
ス、銀行管理情報プロセスなどの情報システム、コンピ
ュータ管理システム、端末管理システム、コンピュータ
ネットワーク管理システムなどに適用できる。
【0127】
【発明の効果】本発明によれば、プロセスの運転支援に
神経回路モデルを用いることにより、比較的簡単に精度
の高い運転支援システムを構築することができる。ま
た、学習を行った神経回路モデルから、過去の運転履歴
情報内に埋もれた知識を容易に抽出し、その結果を運転
支援に利用することができる。
神経回路モデルを用いることにより、比較的簡単に精度
の高い運転支援システムを構築することができる。ま
た、学習を行った神経回路モデルから、過去の運転履歴
情報内に埋もれた知識を容易に抽出し、その結果を運転
支援に利用することができる。
【図1】本発明を浄水場の運転支援に適用した実施例の
構成を示すブロック図。
構成を示すブロック図。
【図2】実施例での具体的手順のフローの説明図。
【図3】ニューラルネットワークを示す模式図。
【図4】ニューロン素子モデルを示す模式図。
【図5】ニューロン素子モデルでの信号変換を示すグラ
フ。
フ。
【図6】想起に用いるニューラルネットワークを示す模
式図。
式図。
【図7】知識獲得の詳細を説明するためのグラフ。
【図8】本発明の他の実施例の説明図。
【図9】それぞれ本発明を凝集剤注入に適用したニュー
ラルネットワークの構成例を示す模式図。
ラルネットワークの構成例を示す模式図。
【図10】それぞれ本発明を凝集剤注入に適用したニュ
ーラルネットワークの構成例を示す模式図。
ーラルネットワークの構成例を示す模式図。
【図11】それぞれ本発明を凝集剤注入に適用したニュ
ーラルネットワークの構成例を示す模式図。
ーラルネットワークの構成例を示す模式図。
5…水質計、10…急速混和池、15…フロック形成
池、40…画像処理装置、42…システムプロセッサ、
46…ディスプレイ、44…キーボード、52…システ
ムバス、54…記憶装置、56A…入力ポート、56B
…出力ポート、60A…知識ベース、60B…知識候補
ベース、61…推論機構、70…ニューラルプロセッ
サ。
池、40…画像処理装置、42…システムプロセッサ、
46…ディスプレイ、44…キーボード、52…システ
ムバス、54…記憶装置、56A…入力ポート、56B
…出力ポート、60A…知識ベース、60B…知識候補
ベース、61…推論機構、70…ニューラルプロセッ
サ。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 矢萩 捷夫 茨城県日立市久慈町4026番地 株式会社日 立製作所日立研究所内 (72)発明者 丸橋 文雄 茨城県日立市久慈町4026番地 株式会社日 立製作所日立研究所内 (72)発明者 松崎 晴美 茨城県日立市久慈町4026番地 株式会社日 立製作所日立研究所内 (72)発明者 松本 弘 茨城県日立市久慈町4026番地 株式会社日 立製作所日立研究所内 (72)発明者 野北 舜介 茨城県日立市久慈町4026番地 株式会社日 立製作所日立研究所内 (72)発明者 依田 幹雄 茨城県日立市大みか町五丁目2番1号 株 式会社日立製作所大みか工場内 (72)発明者 原 直樹 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
Claims (6)
- 【請求項1】 時間と共に変化する複数の入力変数値に
応じて、制御対象を目標状態とする当該制御対象の制御
変数値を求めるプロセス運転支援方法であって、 入力層、少なくとも1層の中間層、および出力層からな
る階層構造の神経回路モデルを用い、 プロセスの過去の運転履歴情報のうち、時点が異なる複
数の、入力変数値のパターンを入力信号とすると共に、
当該パターンに対応する制御変数値を教師信号として、
前記神経回路モデルに学習させ、 該学習した神経回路モデルに、前記入力変数値として任
意の入力変数値パターンを入力することにより、該パタ
ーンに対する制御変数値を求めることを特徴とするプロ
セス運転支援方法。 - 【請求項2】 上記学習の際に用いられる入力信号は、
プロセスの過去の運転履歴情報のうち、選択指示された
時点についての入力変数値のパターンである請求項1記
載のプロセス運転支援方法。 - 【請求項3】 上記学習の際に用いられる入力信号は、
前記制御対象を目標状態とする制御が達成されたときの
前記複数の入力変数値のパターンである請求項1記載の
プロセス運転支援方法。 - 【請求項4】 前記神経回路モデルは、複数のニューロ
ン素子モデルからなる入力層と、該入力層の各ニューロ
ン素子モデルの出力をそれぞれ受ける複数のニューロン
素子モデルからなる少なくとも1層の中間層と、最終の
中間層の各ニューロンの出力を受ける少なくとも1個の
ニューロン素子モデルからなる出力層とを有し、前記入
力層の各ニューロン素子モデルに入力変数を対応させる
とともに前記出力層の各ニューロン素子モデルに各制御
変数を対応させ、前記学習は前記各ニューロン素子モデ
ル間の連結部に付与された重み係数を制御することによ
り行うことを特徴とする請求項1、2または3記載のプ
ロセス運転支援方法。 - 【請求項5】 時間と共に変化する複数の入力変数値に
応じて、制御対象を目標状態とする当該制御対象の制御
変数値を求めるプロセス運転支援システムであって、 入力層、中間層および出力層からなる階層構造の神経回
路モデルを有し、入力層に、入力変数値を入力させる
と、入力変数値について、神経回路モデルに基づいて、
想起のための演算を実行し、想起結果を出力層から出力
する処理手段と、 前記制御対象から前記神経回路モデルに入力する入力変
数値を得る入力手段と、 前記処理手段の想起結果を出
力する出力手段とを備え、 前記処理手段が有する神経回路モデルは、該神経回路モ
デルに過去の運転履歴情報を入力信号および教師信号と
して用いて、過去の運転実績を学習させたものであるこ
とを特徴とするプロセス運転支援システム。 - 【請求項6】 前記神経回路モデルは、複数のニューロ
ン素子モデルからなる入力層と、該入力層の各ニューロ
ン素子モデルの出力をそれぞれ受ける複数のニューロン
素子モデルからなる少なくとも1層の中間層と、最終の
中間層の各ニューロンの出力を受ける少なくとも1個の
ニューロン素子モデルからなる出力層とを有し、前記入
力層の各ニューロン素子モデルに入力変数を対応させる
と共に、前記出力層の各ニューロン素子モデルに各制御
変数を対応させ、かつ、前記各ニューロン素子モデル間
の連結部に、学習結果に応じた重み係数が与えられたも
のであることを特徴とする請求項5記載のプロセス運転
支援システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP9209413A JPH1091208A (ja) | 1989-03-13 | 1997-08-04 | プロセス運転支援方法およびシステム |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP5775989 | 1989-03-13 | ||
JP1194898A JP2533942B2 (ja) | 1989-03-13 | 1989-07-27 | 知識抽出方法およびプロセス運転支援システム |
JP9209413A JPH1091208A (ja) | 1989-03-13 | 1997-08-04 | プロセス運転支援方法およびシステム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP7130748A Division JP2886112B2 (ja) | 1989-03-13 | 1995-05-29 | プロセス運転支援方法およびシステム |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH1091208A true JPH1091208A (ja) | 1998-04-10 |
Family
ID=26398833
Family Applications (4)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP1194898A Expired - Fee Related JP2533942B2 (ja) | 1989-03-13 | 1989-07-27 | 知識抽出方法およびプロセス運転支援システム |
JP7130749A Expired - Fee Related JP2753460B2 (ja) | 1989-03-13 | 1995-05-29 | プロセス運転支援方法およびシステム |
JP7130748A Expired - Fee Related JP2886112B2 (ja) | 1989-03-13 | 1995-05-29 | プロセス運転支援方法およびシステム |
JP9209413A Pending JPH1091208A (ja) | 1989-03-13 | 1997-08-04 | プロセス運転支援方法およびシステム |
Family Applications Before (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP1194898A Expired - Fee Related JP2533942B2 (ja) | 1989-03-13 | 1989-07-27 | 知識抽出方法およびプロセス運転支援システム |
JP7130749A Expired - Fee Related JP2753460B2 (ja) | 1989-03-13 | 1995-05-29 | プロセス運転支援方法およびシステム |
JP7130748A Expired - Fee Related JP2886112B2 (ja) | 1989-03-13 | 1995-05-29 | プロセス運転支援方法およびシステム |
Country Status (6)
Country | Link |
---|---|
US (3) | US5774633A (ja) |
EP (2) | EP0432267B1 (ja) |
JP (4) | JP2533942B2 (ja) |
KR (1) | KR940005029B1 (ja) |
DE (2) | DE69032557T2 (ja) |
WO (1) | WO1990010898A1 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007047945A (ja) * | 2005-08-08 | 2007-02-22 | Matsushita Electric Ind Co Ltd | 予測装置 |
JP2020025943A (ja) * | 2018-08-17 | 2020-02-20 | 水ing株式会社 | 水処理方法および水処理システム |
JP2020065964A (ja) * | 2018-10-23 | 2020-04-30 | 水ing株式会社 | 排水処理方法および排水処理システム |
JP2020187770A (ja) * | 2020-07-09 | 2020-11-19 | 水ing株式会社 | 水処理又は汚泥処理システムの運転制御方法 |
Families Citing this family (100)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH048639A (ja) * | 1990-04-25 | 1992-01-13 | Mitsubishi Electric Corp | 自動車運転装置 |
JP2605505B2 (ja) * | 1991-07-04 | 1997-04-30 | 株式会社日立製作所 | プロセス運転支援ルール獲得システム、プロセス運転支援システム、プロセス運転制御システム及びプロセス運転支援ルール獲得方法 |
JPH05127706A (ja) * | 1991-10-31 | 1993-05-25 | Toshiba Corp | ニユーラルネツト型シミユレータ |
JPH05334309A (ja) * | 1992-05-29 | 1993-12-17 | Fujitsu Ltd | 債券格付け決定装置及び財務コンサルティング方法 |
US5477444A (en) * | 1992-09-14 | 1995-12-19 | Bhat; Naveen V. | Control system using an adaptive neural network for target and path optimization for a multivariable, nonlinear process |
DE4304676C1 (de) * | 1993-02-16 | 1994-06-23 | Optum Umwelttech Gmbh | Verfahren zum Betrieb einer Abwasserreinigungsanlage sowie zugehörige Abwasserreinigungsanlage |
DE59511077D1 (de) * | 1994-10-11 | 2007-03-22 | Conducta Endress & Hauser | Analysegerät, insbesondere für Abwasser |
DE69532237T2 (de) * | 1994-12-28 | 2004-10-21 | Omron Tateisi Electronics Co | Verfahren und Vorrichtung für Rückschlüsse, welche ein hierarchisches Modell verwendet und Verfahren und Vorrichtung zur Steuerung |
JP2000048047A (ja) * | 1998-01-19 | 2000-02-18 | Asahi Glass Co Ltd | 時系列デ―タの保存方法及び時系列デ―タベ―スシステム、時系列デ―タの処理方法及び時系列デ―タ処理システム、時系列デ―タ表示システム、並びに記録媒体 |
US6078918A (en) * | 1998-04-02 | 2000-06-20 | Trivada Corporation | Online predictive memory |
JP3684081B2 (ja) * | 1998-08-10 | 2005-08-17 | シャープ株式会社 | 排水処理装置 |
US6336086B1 (en) * | 1998-08-13 | 2002-01-01 | Agere Systems Guardian Corp. | Method and system for analyzing wafer processing order |
US7572169B1 (en) | 1998-11-06 | 2009-08-11 | Beaver Creek Concepts Inc | Advanced finishing control |
US7131890B1 (en) | 1998-11-06 | 2006-11-07 | Beaver Creek Concepts, Inc. | In situ finishing control |
US7008300B1 (en) | 2000-10-10 | 2006-03-07 | Beaver Creek Concepts Inc | Advanced wafer refining |
US7037172B1 (en) | 1999-04-01 | 2006-05-02 | Beaver Creek Concepts Inc | Advanced wafer planarizing |
US7220164B1 (en) | 2003-12-08 | 2007-05-22 | Beaver Creek Concepts Inc | Advanced finishing control |
US6739947B1 (en) | 1998-11-06 | 2004-05-25 | Beaver Creek Concepts Inc | In situ friction detector method and apparatus |
US6986698B1 (en) | 1999-04-01 | 2006-01-17 | Beaver Creek Concepts Inc | Wafer refining |
US7878882B2 (en) * | 1999-04-01 | 2011-02-01 | Charles J. Molnar | Advanced workpiece finishing |
US20130189801A1 (en) * | 1998-11-06 | 2013-07-25 | Semcon Tech, Llc | Advanced finishing control |
US7575501B1 (en) | 1999-04-01 | 2009-08-18 | Beaver Creek Concepts Inc | Advanced workpiece finishing |
US8353738B2 (en) * | 1998-11-06 | 2013-01-15 | Semcon Tech, Llc | Advanced finishing control |
JP4147647B2 (ja) * | 1998-11-09 | 2008-09-10 | ソニー株式会社 | データ処理装置およびデータ処理方法、並びに記録媒体 |
JP4517409B2 (ja) * | 1998-11-09 | 2010-08-04 | ソニー株式会社 | データ処理装置およびデータ処理方法 |
US20060190805A1 (en) * | 1999-01-14 | 2006-08-24 | Bo-In Lin | Graphic-aided and audio-commanded document management and display systems |
JP3679942B2 (ja) * | 1999-02-26 | 2005-08-03 | 株式会社東芝 | 処理水質制御装置 |
JP4344964B2 (ja) | 1999-06-01 | 2009-10-14 | ソニー株式会社 | 画像処理装置および画像処理方法 |
FR2795830B1 (fr) * | 1999-07-01 | 2001-08-31 | Lorraine Laminage | Procede de pilotage d'un processus dynamique complexe |
US6408227B1 (en) * | 1999-09-29 | 2002-06-18 | The University Of Iowa Research Foundation | System and method for controlling effluents in treatment systems |
US6296766B1 (en) * | 1999-11-12 | 2001-10-02 | Leon Breckenridge | Anaerobic digester system |
US6376831B1 (en) * | 2000-02-24 | 2002-04-23 | The United States Of America As Represented By The Secretary Of The Navy | Neural network system for estimating conditions on submerged surfaces of seawater vessels |
US6315909B1 (en) * | 2000-05-01 | 2001-11-13 | Nalco Chemical Company | Use of control matrix for cooling water systems control |
JP2002059384A (ja) * | 2000-08-22 | 2002-02-26 | Sony Corp | ロボットのための学習システム及び学習方法 |
JP3600556B2 (ja) * | 2001-06-29 | 2004-12-15 | 株式会社東芝 | 情報処理装置 |
US7441007B1 (en) | 2001-07-30 | 2008-10-21 | At&T Intellectual Property I, L.P. | System and method for allowing applications to retrieve properties and configuration information from a persistent store |
US7191209B1 (en) * | 2001-07-30 | 2007-03-13 | Bellsouth Intellectual Property Corp. | Application server and method to perform hierarchical configurable data manipulation |
US7353248B1 (en) * | 2001-07-30 | 2008-04-01 | At&T Delaware Intellectual Property, Inc. | Application server and method to perform hierarchical configurable data validation |
US8458082B2 (en) * | 2001-11-13 | 2013-06-04 | Interthinx, Inc. | Automated loan risk assessment system and method |
US6620329B2 (en) * | 2001-12-13 | 2003-09-16 | Turf Sentry, Inc. | Golf course irrigation water monitoring and treatment system |
US6955765B2 (en) * | 2001-12-13 | 2005-10-18 | Rosen Peter L | Recycled irrigation water treatment system |
US6845336B2 (en) | 2002-06-25 | 2005-01-18 | Prasad S. Kodukula | Water treatment monitoring system |
WO2006022604A1 (en) * | 2003-05-07 | 2006-03-02 | Rosen Peter L | Golf course irrigation water monitoring and treatment system |
US8069077B2 (en) * | 2003-06-11 | 2011-11-29 | Kabushiki Kaisha Toshiba | Electric-power-generating-facility operation management support system, electric-power-generating-facility operation management support method, and program for executing support method, and program for executing operation management support method on computer |
US7785527B1 (en) | 2003-11-06 | 2010-08-31 | Drexel University | Method of making mixed metal oxide ceramics |
KR100581717B1 (ko) * | 2004-06-15 | 2006-05-22 | 한국과학기술원 | 사용자 행동 패턴 기반 지능형 주거 공간의 학습방법 |
JP4468221B2 (ja) * | 2005-03-29 | 2010-05-26 | 株式会社東芝 | 紫外線照射を利用した水処理システム |
US7820038B2 (en) * | 2005-03-29 | 2010-10-26 | Kabushiki Kaisha Toshiba | Ultraviolet radiation water treatment system |
JP4780442B2 (ja) * | 2005-07-12 | 2011-09-28 | 清水建設株式会社 | 鉄筋コンクリート柱と鉄骨梁との接合構造およびその施工方法 |
US8197700B2 (en) * | 2005-12-30 | 2012-06-12 | Saudi Arabian Oil Company | Computational method for sizing three-phase separators |
JP2007226450A (ja) * | 2006-02-22 | 2007-09-06 | Fuji Electric Systems Co Ltd | 流量予測装置、流量予測方法および流量予測プログラム |
EP1892597A1 (de) * | 2006-08-26 | 2008-02-27 | Peter Renner | Zustandsüberwachung von Maschinen und technischen Anlagen |
US7991499B2 (en) * | 2006-12-27 | 2011-08-02 | Molnar Charles J | Advanced finishing control |
DE102007001025B4 (de) * | 2007-01-02 | 2008-11-20 | Siemens Ag | Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems |
US20090032446A1 (en) * | 2007-08-01 | 2009-02-05 | Triwatech, L.L.C. | Mobile station and methods for diagnosing and modeling site specific effluent treatment facility requirements |
US8790517B2 (en) | 2007-08-01 | 2014-07-29 | Rockwater Resource, LLC | Mobile station and methods for diagnosing and modeling site specific full-scale effluent treatment facility requirements |
US8357286B1 (en) | 2007-10-29 | 2013-01-22 | Semcon Tech, Llc | Versatile workpiece refining |
AU2009320033A1 (en) * | 2008-11-02 | 2010-06-03 | Nobska Technologies, Inc | Water treatment systems with communications network links and methods |
KR101064908B1 (ko) * | 2008-11-12 | 2011-09-16 | 연세대학교 산학협력단 | 신규의 희생층 재료를 이용한 기판 상에서의 나노와이어 패터닝 방법 |
US8655830B2 (en) * | 2009-10-06 | 2014-02-18 | Johnson Controls Technology Company | Systems and methods for reporting a cause of an event or equipment state using causal relationship models in a building management system |
US20110087650A1 (en) * | 2009-10-06 | 2011-04-14 | Johnson Controls Technology Company | Creation and use of causal relationship models in building management systems and applications |
US8775341B1 (en) | 2010-10-26 | 2014-07-08 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
US9015093B1 (en) | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
JP6123167B2 (ja) * | 2012-04-05 | 2017-05-10 | ソニー株式会社 | 脳波解析装置及び脳波解析プログラム |
CN103064289B (zh) * | 2012-12-19 | 2015-03-11 | 华南理工大学 | 一种垃圾发电厂多目标运行优化及协调的控制方法及装置 |
US10375901B2 (en) | 2014-12-09 | 2019-08-13 | Mtd Products Inc | Blower/vacuum |
KR102486699B1 (ko) | 2014-12-15 | 2023-01-11 | 삼성전자주식회사 | 영상 인식 방법, 영상 검증 방법, 장치, 및 영상 인식 및 검증에 대한 학습 방법 및 장치 |
US10346726B2 (en) | 2014-12-15 | 2019-07-09 | Samsung Electronics Co., Ltd. | Image recognition method and apparatus, image verification method and apparatus, learning method and apparatus to recognize image, and learning method and apparatus to verify image |
JP2016146174A (ja) * | 2015-02-06 | 2016-08-12 | パナソニックIpマネジメント株式会社 | 決定方法およびプログラム |
JP5925371B1 (ja) * | 2015-09-18 | 2016-05-25 | 三菱日立パワーシステムズ株式会社 | 水質管理装置、水処理システム、水質管理方法、および水処理システムの最適化プログラム |
JP6516660B2 (ja) * | 2015-11-26 | 2019-05-22 | Kddi株式会社 | 異なる周期階層のデータによる学習を行うデータ予測装置、情報端末、プログラム及び方法 |
DE102015226656B4 (de) * | 2015-12-23 | 2019-10-10 | Siemens Aktiengesellschaft | Verfahren und Softsensor zum Ermitteln einer Leistung eines Energieerzeugers |
US10238992B2 (en) * | 2016-05-03 | 2019-03-26 | Saudi Arabian Oil Company | Processes for analysis and optimization of multiphase separators, particularly in regard to simulated gravity separation of immiscible liquid dispersions |
US10372976B2 (en) * | 2016-05-05 | 2019-08-06 | Brunswick Corporation | Person detection in a marine environment |
JP7035302B2 (ja) * | 2016-07-14 | 2022-03-15 | 日本電気株式会社 | 情報処理システム、自動運用装置、運用端末、方法およびプログラム |
KR101917006B1 (ko) | 2016-11-30 | 2018-11-08 | 에스케이 주식회사 | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 |
US10930535B2 (en) | 2016-12-02 | 2021-02-23 | Applied Materials, Inc. | RFID part authentication and tracking of processing components |
CN108268947A (zh) * | 2016-12-30 | 2018-07-10 | 富士通株式会社 | 用于提高神经网络的处理速度的装置和方法及其应用 |
US10829344B2 (en) | 2017-07-06 | 2020-11-10 | Otis Elevator Company | Elevator sensor system calibration |
US11014780B2 (en) | 2017-07-06 | 2021-05-25 | Otis Elevator Company | Elevator sensor calibration |
US11365140B2 (en) | 2017-10-31 | 2022-06-21 | Luminultra Technologies Ltd. | Decision support system and method for water treatment |
CN111316312A (zh) * | 2017-11-08 | 2020-06-19 | 株式会社东芝 | 技能基础***、技能模型化装置及技能流通方法 |
JP6986203B2 (ja) * | 2018-03-12 | 2021-12-22 | オムロン株式会社 | 制御装置、制御システム、制御方法及び制御プログラム |
JP6857332B2 (ja) | 2018-03-13 | 2021-04-14 | オムロン株式会社 | 演算装置、演算方法、及びそのプログラム |
JP7043983B2 (ja) * | 2018-06-06 | 2022-03-30 | 株式会社明電舎 | 汚水処理施設の水質判定装置及び水質判定方法 |
US20210263490A1 (en) * | 2018-07-26 | 2021-08-26 | Mitsubishi Electric Corporation | Water treatment plant and method of operating water treatment plant |
TWI734059B (zh) | 2018-12-10 | 2021-07-21 | 財團法人工業技術研究院 | 動態預測模型建立方法、電子裝置及使用者介面 |
WO2020148773A1 (en) * | 2019-01-16 | 2020-07-23 | Telefonaktiebolaget Lm Ericsson (Publ) | Predicting network behaviour |
CN109856974A (zh) * | 2019-03-01 | 2019-06-07 | 烟台大学 | 一种基于被控量变化的四因素智能控制方法 |
JP7253721B2 (ja) * | 2019-05-08 | 2023-04-07 | パナソニックIpマネジメント株式会社 | 異音判定装置、異音判定方法および異音判定システム |
JP7059989B2 (ja) * | 2019-08-07 | 2022-04-26 | 横河電機株式会社 | 制御システム及び制御方法 |
GB201912451D0 (en) * | 2019-08-30 | 2019-10-16 | Environmental Monitoring Solutions Ltd | Autonomous wastewater treatment system |
JP7401260B2 (ja) * | 2019-11-01 | 2023-12-19 | 東京都下水道サービス株式会社 | 情報処理システム、情報処理方法及びコンピュータプログラム |
JP7460267B2 (ja) * | 2019-11-14 | 2024-04-02 | 学校法人 中央大学 | 情報処理装置、情報処理方法、及びプログラム |
US11565946B2 (en) * | 2019-12-03 | 2023-01-31 | Ramboll USA, Inc. | Systems and methods for treating wastewater |
US12037262B2 (en) | 2020-01-29 | 2024-07-16 | Xylem Vue Inc. | Systems and methods relating to effective management of fluid infrastructure |
US11055617B1 (en) * | 2020-06-30 | 2021-07-06 | DeepCube LTD. | Partial-activation of neural network based on heat-map of neural network activity |
TWI761975B (zh) * | 2020-09-29 | 2022-04-21 | 新加坡商鴻運科股份有限公司 | 機台製程參數的異常監測裝置、方法及可讀存儲介質 |
EP4304986A1 (en) * | 2021-03-12 | 2024-01-17 | Ecolab Usa Inc. | Machine learning automatic control of antimicrobial application in water systems |
KR102634007B1 (ko) * | 2023-09-26 | 2024-02-06 | 블루센 주식회사 | 안심 음용수 공급 장치 및 방법 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3287649A (en) * | 1963-09-09 | 1966-11-22 | Research Corp | Audio signal pattern perception device |
US4774677A (en) * | 1981-08-06 | 1988-09-27 | Buckley Bruce S | Self-organizing circuits |
US5515454A (en) * | 1981-08-06 | 1996-05-07 | Buckley; B. Shawn | Self-organizing circuits |
US4989256A (en) * | 1981-08-06 | 1991-01-29 | Buckley Bruce S | Self-organizing circuits |
JPS62239278A (ja) * | 1986-04-10 | 1987-10-20 | Hitachi Ltd | 凝集物の画像認識装置 |
GB2197766B (en) * | 1986-11-17 | 1990-07-25 | Sony Corp | Two-dimensional finite impulse response filter arrangements |
JPS6427538A (en) * | 1987-07-23 | 1989-01-30 | Toshiba Corp | Ultrasonic scanner |
US5092343A (en) * | 1988-02-17 | 1992-03-03 | Wayne State University | Waveform analysis apparatus and method using neural network techniques |
JPH075235B2 (ja) * | 1988-04-28 | 1995-01-25 | フジテック株式会社 | エレベータの群管理制御装置 |
JP2717665B2 (ja) * | 1988-05-31 | 1998-02-18 | 株式会社豊田中央研究所 | 内燃機関の燃焼予測判別装置 |
US5131072A (en) * | 1988-08-31 | 1992-07-14 | Fujitsu, Ltd. | Neurocomputer with analog signal bus |
US5093899A (en) * | 1988-09-17 | 1992-03-03 | Sony Corporation | Neural network with normalized learning constant for high-speed stable learning |
US5109475A (en) * | 1988-09-19 | 1992-04-28 | Hitachi, Ltd. | Method and a system for selection of time series data |
JPH0293708A (ja) * | 1988-09-30 | 1990-04-04 | Toshiba Corp | 制御装置 |
US4912647A (en) * | 1988-12-14 | 1990-03-27 | Gte Laboratories Incorporated | Neural network training tool |
US5046020A (en) * | 1988-12-16 | 1991-09-03 | E. I. Du Pont De Nemours And Company | Distributed parallel processing network wherein the connection weights are generated using stiff differential equations |
JPH0660826B2 (ja) * | 1989-02-07 | 1994-08-10 | 動力炉・核燃料開発事業団 | プラントの異常診断方法 |
US5195169A (en) * | 1989-03-03 | 1993-03-16 | Sharp Kabushiki Kaisha | Control device for controlling learning of a neural network |
JPH0738186B2 (ja) * | 1989-03-13 | 1995-04-26 | シャープ株式会社 | 自己拡張形ニユーラル・ネットワーク |
JPH02287860A (ja) * | 1989-04-28 | 1990-11-27 | Omron Corp | 情報処理装置 |
JPH02308359A (ja) * | 1989-05-24 | 1990-12-21 | Japan Radio Co Ltd | 多層ニューラルネットワーク |
JPH07130748A (ja) * | 1993-11-08 | 1995-05-19 | Toshiba Corp | 半導体装置およびその製造方法 |
-
1989
- 1989-07-27 JP JP1194898A patent/JP2533942B2/ja not_active Expired - Fee Related
-
1990
- 1990-03-13 DE DE69032557T patent/DE69032557T2/de not_active Expired - Fee Related
- 1990-03-13 US US07/613,718 patent/US5774633A/en not_active Expired - Fee Related
- 1990-03-13 EP EP90904434A patent/EP0432267B1/en not_active Expired - Lifetime
- 1990-03-13 KR KR1019900702426A patent/KR940005029B1/ko not_active IP Right Cessation
- 1990-03-13 WO PCT/JP1990/000322 patent/WO1990010898A1/ja active IP Right Grant
- 1990-03-13 EP EP95118768A patent/EP0708390B1/en not_active Expired - Lifetime
- 1990-03-13 DE DE69033328T patent/DE69033328T2/de not_active Expired - Fee Related
-
1994
- 1994-03-31 US US08/220,546 patent/US5943662A/en not_active Expired - Fee Related
-
1995
- 1995-05-29 JP JP7130749A patent/JP2753460B2/ja not_active Expired - Fee Related
- 1995-05-29 JP JP7130748A patent/JP2886112B2/ja not_active Expired - Fee Related
-
1996
- 1996-01-02 US US08/582,018 patent/US5845052A/en not_active Expired - Fee Related
-
1997
- 1997-08-04 JP JP9209413A patent/JPH1091208A/ja active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007047945A (ja) * | 2005-08-08 | 2007-02-22 | Matsushita Electric Ind Co Ltd | 予測装置 |
JP2020025943A (ja) * | 2018-08-17 | 2020-02-20 | 水ing株式会社 | 水処理方法および水処理システム |
JP2020065964A (ja) * | 2018-10-23 | 2020-04-30 | 水ing株式会社 | 排水処理方法および排水処理システム |
JP2020187770A (ja) * | 2020-07-09 | 2020-11-19 | 水ing株式会社 | 水処理又は汚泥処理システムの運転制御方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2533942B2 (ja) | 1996-09-11 |
WO1990010898A1 (en) | 1990-09-20 |
KR940005029B1 (ko) | 1994-06-10 |
EP0432267A4 (en) | 1992-09-16 |
US5774633A (en) | 1998-06-30 |
US5845052A (en) | 1998-12-01 |
EP0708390A3 (en) | 1997-04-02 |
JPH07319508A (ja) | 1995-12-08 |
JP2886112B2 (ja) | 1999-04-26 |
DE69032557T2 (de) | 1999-05-06 |
US5943662A (en) | 1999-08-24 |
EP0432267B1 (en) | 1998-08-12 |
JP2753460B2 (ja) | 1998-05-20 |
DE69033328D1 (de) | 1999-11-18 |
DE69032557D1 (de) | 1998-09-17 |
JPH0315902A (ja) | 1991-01-24 |
EP0432267A1 (en) | 1991-06-19 |
EP0708390A2 (en) | 1996-04-24 |
KR920700418A (ko) | 1992-02-19 |
JPH07319509A (ja) | 1995-12-08 |
DE69033328T2 (de) | 2000-05-31 |
EP0708390B1 (en) | 1999-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2753460B2 (ja) | プロセス運転支援方法およびシステム | |
JP2605505B2 (ja) | プロセス運転支援ルール獲得システム、プロセス運転支援システム、プロセス運転制御システム及びプロセス運転支援ルール獲得方法 | |
US5581459A (en) | Plant operation support system | |
CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
CN111652425A (zh) | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 | |
CN108536106B (zh) | 一种基于卡尔曼滤波-极限学习机的曝气***溶解氧在线调控方法 | |
CN111754034A (zh) | 一种基于混沌优化神经网络模型的时间序列预测方法 | |
CN115206444A (zh) | 基于fcm-anfis模型的最佳投药量预测方法 | |
CN101118419A (zh) | 基于统一模型的分层模糊*** | |
JPH07160661A (ja) | ニューラルネットワークの教師データ自動抽出方法と、それを用いたニューラルネットワークシステム、並びに、プラント運転支援装置 | |
CN114119277A (zh) | 一种基于人工智能神经网络的絮凝投药决策的分析方法 | |
CN111204867B (zh) | 膜生物反应器-mbr膜污染智能决策方法 | |
Zhang et al. | Effluent Quality Prediction of Wastewater Treatment System Based on Small-world ANN. | |
JPH05204406A (ja) | プロセス制御装置 | |
CN114330089A (zh) | 一种稀土元素含量变化预测方法及*** | |
JP3186898B2 (ja) | ニューラルネットワークを用いた支援システム | |
JPH04133164A (ja) | ニューラルネット応用運転支援システム | |
JP2564405B2 (ja) | 知識獲得方法並びにプロセス運転支援方法 | |
JPH04205601A (ja) | プロセスの運転支援システム | |
Luo et al. | Effluent quality prediction of wastewater treatment plant based on fuzzy-rough sets and artificial neural networks | |
CN117852587A (zh) | 基于改进时序卷积网络模型的脱硫装置注碱量预测方法 | |
CN116151458A (zh) | 一种基于污水处理大数据技术的生产模型和控制方法 | |
JPH024499A (ja) | メタン製造装置の制御装置 | |
JPH02308302A (ja) | プロセス状態管理装置 | |
JP2000242497A (ja) | ファジィ推論モデルの構築支援方法及びファジィ推論方法 |