JP2613341B2 - プロセス制御方法および装置 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明はプロセスの推移を予測し
ながら制御目的に応じた制御をおこなうプロセス制御方
法に係り、特に線形挙動と非線系挙動を併せもつプロセ
スの制御方法および装置に関する。

【０００２】

【従来の技術】時定数の長いプロセスの制御方法とし
て、数式モデルによるフィードフォワード制御がよく知
られている。図２はこのようなプロセスの一である縦流
式長大トンネル換気装置の例で、換気制御装置１はジェ
ットファン７や集塵機８などの換気設備を制御して、ト
ンネル内の人体に有害なＣＯやＮＯｘなどのガスあるい
は安全走行に有害な媒煙の濃度を基準値以下に抑制する
機能を備えている。

【０００３】制御装置１は現在の汚染量測定値から所定
時刻の汚染量を予測し、トンネル内汚染量の目標値との
偏差に応じて換気風量を演算し、換気機の制御操作量を
決定する。制御精度の向上は、所定時刻での交通流の予
測精度の向上に帰結する。なぜなら、現時刻からの発生
汚染量は、当該期間内の自動車通過台数に比例すると仮
定できるからである。自動車通過台数の予測は、トンネ
ルの入口と出口に交通量計測センサー（ＴＣ：トンフィ
ックカウンター）を設置し、当該区間の交通量時系列デ
ータ間の共分散に線形関係があることを利用して求め
る。この方式によれば、交通流が一定値より大きく、か
つ増減の度合（変化率）がゆるやかな場合は、大変良い
精度で予測できることが確認されている。

【０００４】しかし、渋滞などの状況下にあってはこの
予測精度が大きく低下するため、実プロセスでの自動運
転（本方式による）にたいし、オペレータは経験により
以下のように種々の手動介入を行なっている。

【０００５】(イ)深夜、全交通量とその変化度合いを判
定して自動→手動運転に切替え、朝のラッシュ時間帯ま
でこれを継続する。

【０００６】(ロ)休日等、昼間でも交通量の変化が激し
い時は状況に応じて手動にする。

【０００７】(ハ)雨の日は自動運転の出力する制御換気
量の値より低い値で手動運転する。 (ニ)……… このように線形制御システムの現状は、全ての要因が線
形に挙動する状況下でなければ使用に耐えないのが実情
である。また、上記トンネル換気制御システムにおいて
は、換気設備に要する電力量がトンネルの全電力量の中
で大きな部分を占めるため、安全性とともに経済性も同
時に満足するシステムが望まれている。これに対して近
年、数式で記述できないプロセスの非線形挙動をあいま
い値のまま表現するファジー理論の適用が盛んになって
きている。ファジー制御の多くは、プロセスの計測値を
ファジー的に評価したものとの定性的因果関係から制御
目的の評価値をファジー推論し、該評価値を変換した定
量値と制御目的量との偏差から制御量を決定するフィー
ドバック型（状態推定型）である。このようなファジー
制御の例としては、特開昭58−192407号，特開昭59−20
4707号などがある。

【０００８】さらに、制御の目的関数、すなわち評価項
目を多元的に設定し、制御精度などの項目に加えて従来
定量的に取扱うことの出来なかった、例えば列車走行時
の人間の感じる快適さと言った項目も評価可能にすると
ともに、これら多目的最適化における制御操作量をファ
ジー推論によって決定する方式も実現されている。この
例としては特開昭58−190204号などがある。

【０００９】

【発明が解決しようとする課題】しかし、従来のファジ
ー制御には次のような問題がある。

【００１０】

【００１１】つまり、従来の線形制御モデルは高精度で
制御可能な部分も一律にファジー制御とする為、状況に
よっては精度が低下することも多い。

【００１２】

【００１３】本発明の目的は、以上のような従来のプロ
セス制御における問題点を克服し、特に、線形挙動と非
線形挙動を併せもつプロセスの挙動に適応して高精度に
制御する方法および装置を提供することにある。

【００１４】

【課題を解決するための手段】本発明は、プロセス情報
を条件部として、結論部に定量型モデルによる予測値を
重視する確信度を示すルール群と定性型モデルによる予
測値を重視する確信度を示すルール群を備え、これら確
信度の評価によって現時点のプロセス挙動が線形か否か
を判定し、この判定結果に基づいて定量型または定性型
モデルによる制御目的の予測値を選択的に求め、該予測
値からプロセスの制御量を決定することに特徴がある。

【００１５】すなわち本発明は、入力されたプロセス情
報から所定時間後の制御目的の予測値を演算する当該プ
ロセスを定量的に模擬した定量的シミュレータおよび定
性的に模擬した定性的シミュレータと、プロセス情報を
入力し、プロセスの挙動の線形度合および／または非線
形度合を評価するルール群によってプロセスの挙動が線
形か非線形かを判定し、該判定結果によって前記定量的
シミュレータまたは前記定性的シミュレータの演算によ
る前記制御目的の予測値の一方を選択的に求める推論手
段と、該選択された予測値からプロセスの挙動に適応し
た前記操作量を決定する制御操作量決定手段によって構
成される。

【００１６】

【作用】本発明は以上のように構成されているので、プ
ロセスの挙動が線形と判定されるときは定量型モデルに
よる予測値、プロセスの挙動が非線形と判定されるとき
は定性型モデルによる予測値が選択されて、この予測値
からプロセスの挙動に適応した操作量が決定されるの
で、従来の定量型または定性型のみによる予測に比べ精
度の高い、かつ、フルタイムの最適連続制御が実現でき
る。

【００１７】

【実施例】最初に、本発明を構成する手順を簡単に説明
する。

【００１８】(１)対象プロセスの挙動に関する要因を抽
出し、これらの特性を解析する。ここでの要因は定量表
現可能なもの（線形要因）、部分的に定量表現可能なも
の、全く定量表現不可能なもの（非線形要因）のいずれ
を含むことをも許容する。これによって、後述する要因
ネットワークが得られる。

【００１９】(２)個々の要因毎の挙動（プロセス情報）
を測定し、シミュレーションや経験などにより線形挙動
する場合と、そうでない場合についての評価を行なう。

【００２０】(３)過去に、該当プロセスの線形制御が行
なわれていたならばその実績（制御精度）から、そうで
ないならば測定あるいはシミュレーションより、プロセ
ス挙動の線形，非線形に関する知識を抽出する。

【００２１】(４)前述の制御対象プロセスの持つ線形ま
たは非線形の挙動に適した制御モデルを作成する。一般
的には線形挙動部に対しては線形レギュレーター型制御
方式を採用するのが最適であるが、非線形要因が局所的
に含まれている場合は部分的にファジー制御を用いる。
一方、非線形部分についてはファジー制御または経験知
識の集合型としてのルール型制御を採用する。

【００２２】(５)プロセスの線形または非線形挙動に対
する各制御モデルで得られた制御量あるいは中間仮設を
総合判断する知識ルール群を構築する。この判断ルール
群は各モデル毎の要因の挙動及びプロセス全体の流れあ
るいは全くプロセスと同期しない条件を含めた状況判断
を前向き曖昧推論し、最適なものを選択あるいは合成す
るよう構成される。プロセスが複雑な場合は手順(４)，
(５)を繰り返す。

【００２３】以下、本発明の一実施例を縦流式トンネル
の換気制御を例に説明する。図２は、トンネル構造と制
御要因の概要を示したものである。本発明によるプロセ
ス制御装置１に対してプロセス状態情報を出力するセン
サーとして、交通流に関する項目である大型車台数ｎ
ｌ，小型車台数ｎｓ，車速Ｖをトンネルの入口と出口に
て測定し一定周期時間Ｔ毎に積算あるいは平均化して出
力するトラフィックカウンター６，一酸化炭素濃度を測
定するＣＯ計９，煙霧透過率を測定するＶＩ計１０，ト
ンネル内の車道風速，風向きを測定する風向・風速計１
１が設置されている。またトンネルプロセスと同期しな
い気象情報，道路規制情報は伝送制御装置を介して制御
装置１に入力される。

【００２４】また換気機器（制御効果器）として、一定
の風量を出力するジェットファン（ＪＦ）７，連続的に
可変できる風量を出力し媒煙を減少させる集塵機８がそ
れぞれ複数設置されている。

【００２５】制御装置１は、ジェットファン７に対して
は起動停止を指示するオンオフ制御し、集塵機８に対し
てはその風量を連続量として指示し制御することでトン
ネル内の換気量を調節する。

【００２６】図３はトンネル内のカットモデル図で、き
め細かな制御を行なう為に、トンネル長，勾配および換
気機の設置場所によりｎ区間に分割してその挙動が検討
される。同図で、ｕは車道内風速（ｍ／ｓ）、ΔＰｔは
自動車の走行により発生するピストン効果昇圧力（mmＡ
ｑ）、ΔＰｊはジェットファン７による機械的昇圧力
（mmＡｑ）、ΔＰｂは集塵機８による機械昇圧力（mmＡ
ｑ）をそれぞれ表わしている。

【００２７】図４は、前記トンネル換気設備が稼働した
場合のトンネル内の汚染分布と圧力分布を示したもので
ある。圧力が高いということは換気力が高いことを示し
ており、従って汚染量が低く、結局汚染量の分布は圧力
分布の関数（反比例）となっていることがわかる。それ
ぞれの値は換気機の設置位置毎のくし形特性分布とな
る。

【００２８】図５および図６は、トンネルプロセスでの
測定データや経験的知識から得られ、トンネル内汚染値
を定性的に据える各要因の相関図である。図５は、時刻
ｋ（ｔ＝ｋＴ）時点から時刻（ｋ＋１)(ｔ＝（ｋ＋１）
Ｔ）のトータル汚染量を推定する為の要因相関を示す意
味ネットワークである。同様に、図６は、時刻（ｋ＋
１）（ｔ＝（ｋ＋１）Ｔ）の車道内風速を推定する為の
意味ネットワークである。これらより時刻（ｋ＋１）で
の汚染値は概念的に両者の差分となり、その差分と制御
目標値との偏差に対する機械換気量が本プロセス制御に
おける制御操作量となる。

【００２９】これらの意味ネットワークより、要因毎の
挙動解析やプロセスの挙動解析という手順を経て、プロ
セス制御装置が図１に示されるように構築される。

【００３０】図１においてプロセス制御装置１は、入力
されたプロセスデータと知識ベース３の知識を比較選択
し、経験則に基づくプロダクションルール群により前向
き曖昧推論でプロセス挙動の判断を行ない、かつ、全体
を管理する推論主機構２と、普遍的な事実、エクスパー
トの主観的な経験則より成るプロダクションルール，フ
ァジー推論で参照されるメンバーシップ関数，数式によ
るアルゴリズムメソッドなどを記憶する知識ベース３，
プロセスの複数の要因の測定値または中間仮説から予め
ファジー量で評価されている結論を直接推論する複合フ
ァジー推論機構４，前記複合ファジー推論機構４により
予測された項目を用いて複数のディジタルあるいはアナ
ログ操作量の組合わせの中から、予めファジー量として
評価されている複数の制御目的の適合度計算を行ない、
総合的な満足度を最大とする組合わせを推論する予測フ
ァジー推論機構５から構成される。

【００３１】次に上記制御装置１における実行機能であ
るルール群の構成と処理の流れを説明する。

【００３２】図７に、トンネル換気制御を行なう場合の
総合的な推論相関を表わす、推論プロトネットワークを
示す。換気制御というイベントが周期時間Ｔごとに発生
し、このタイミングで推論が開始される。このイベント
により、従来の線形制御に対応する定量型汚染予測ルー
ル群（ｒ１）と、プロセスの非線形挙動に対する予測を
定性的に行なう定性型汚染予測ルール群（ｒ２）と、プ
ロセスの線形挙動に対する第２の対応としての傾向型汚
染予測ルール群（ｒ３）が活性化され、条件部のパター
ンマッチングが開始される。ここで、ルール群という単
位は、求めようとする結論に対するルール知識の集合
が、各ルール群の間には共通要素を含まない。これによ
り不要なパターンマッチング（プロダクションルールの
条件部の成立，不成立の判断処理）が排除できるため高
速処理が可能である。

【００３３】前記３つのルール群はプロセスをそれぞれ
線形あるいは非線形に捉えながら、結論である時刻（ｋ
＋１)(ｔ＝（ｋ＋１）Ｔ）の予測汚染値を中間仮説とし
て出力する。この３つのルール群でパターンマッチする
ものが無くなった時点で、予測汚染量判断ルール群（ｒ
４）が活性化される。このｒ４ルール群では、プロセス
全体の該当時点での挙動を推論し、上記３つのルール群
による中間仮説の評価を行なう。

【００３４】評価に関する全てのルールのパターンマッ
チングが完了すると、再び中間仮説としての選択された
汚染予測値が出力され、定量型制御操作量演算ルール群
(ｒ５)と、状況適応制御操作量決定ルール群（ｒ６）が
アクティブルール群となる。これら２つのルール群はプ
ロセスの挙動に応じて制御操作量を推論し中間仮説とし
てこれを出力する。

【００３５】最後に、制御操作量総合判断ルール群（ｒ
７）が活性化され、再びプロセスの全体挙動を総合的に
判断して、最終的な制御操作量が決定され、プロセスに
出力される。

【００３６】このように、数式モデルの解法アリゴリズ
ムから成る定量的処理と、アリゴリズムによる表現が不
可能なエクスパートの知識を有機的に結合した推論の流
れからなる定性的処理が、対象とするプロセスの挙動に
応じて一意に定まる。

【００３７】この推論プロトネットワークの特徴は、プ
ロセス制御時、一方向、それも最終的な制御操作量にし
か向かわないことであり、局所的なループを形成する場
合でも、最終的な結論を着信地とする一方向ネットワー
クに帰結させることが容易なことである。

【００３８】次に各ルール群の構成と処理を説明する。
図８は、定量型汚染予測ルール群の論理構造を示したも
のである。ここでは、トンネル換気プロセスを線形挙動
プロセスとして捉え、数式モデルにより中間仮説である
時刻（ｋ＋１）での汚染量を予測する。

【００３９】トンネル換気プロセスが線形挙動を示す場
合、時刻（ｋ＋１）での汚染量Ｘ（Ｋ＋１）は

【００４０】

【数１】

【００４１】で表わすことが可能である。(数１）式の
右辺第１項は時刻ｋでの汚染量Ｘ(ｋ）に対して期間ｋ
〜（ｋ＋１）での換気力Ｑ（ｋ）が汚染を減少させるこ
とを示し、Ｐ（ｋ）は期間ｋ〜（ｋ＋１）にて発生する
汚染量の総和を示している。従って、（数８）式は下式
で表わすことができる。

【００４２】

【数２】

【００４３】ここで、換気力Ｑ（ｋ）はトンネル内の車
道風速ｕにて表わすことができるから、

【００４４】

【数３】

【００４５】とする。Ｘ（ｋ）は汚染がトンネル内で均
一で、かつセンサーが正しく状況を把えているならばＣ
Ｏ計とＶＩ計での測定値を採用することが可能である。
また、Ｐ（ｋ）は交通流の関数として下式で表わすこと
ができる。

【００４６】

【数４】

【００４７】ただし、 ｎｓ（ｋ）：時刻（ｋ−１）〜ｋにおける小型車の通過
台数 ｎｌ（ｋ）：時刻（ｋ−１）ｋにおける大型車の通過台
数 ｄｌ（Ｖｔ）：平均車速Ｖｔにおける大型車の通過台数
に対するディーゼル車混入率 を示す。小型ディーゼル車の混入率は無視できるほど小
さいので、要因として評価していない。

【００４８】これらの関数ｇ，ｈは次のように定義され
決定される。

【００４９】〈汚染発生量関数ｈの導出と論理化〉

【００５０】

【数５】

【００５１】ただし、 ｖｓ：小型車１台当りの汚染発生量 ｖｌｄ：ディーゼル大型車１台当りの汚染発生量 ｖｌｇ：ガソリン大型車１台当りの汚染発生量 この式よりＰ（ｋ）を求めるためには、時刻（ｋ＋１）
での交通流の予測値と、ｖｓ，ｖｌｄ，ｖｌｇ，ｄｌ
（Ｖｔ）が必要である。図８における発生汚染量学習・
評価論理１２は、過去の実績を学習しながらｖｓ，ｖｌ
ｄ，ｖｌｇ，ｄｓ(ｋ)を定める論理である。

【００５２】図９は発生汚染量学習・評価論理１２構成
を示したもので、汚染量測定値の現在から過去への時系
列データＸ（Ｋ−ｉ)(ｉ＝０，１，２…）、同様に換気
量情報として風向・風速計にて測定された車道内風速時
系列データｕ（ｋ−ｉ），ＴＣよりの交通流測定値時系
列データｎｓ（Ｋ−ｉ），車速Ｖｔ（Ｋ−ｉ）を入力と
し、車速範囲と総交通量範囲毎に定まるｖｓ，ｖｌｄ，
ｖｌｇ，ｄｌを出力とする。一方、時刻（ｋ−１）から
現在（ｋ）までの汚染発生量Ｐ（ｋ）は下式で求めるこ
とができる。

【００５３】

【数６】

【００５４】（数５）式と（数６）式から下記の差分方
程式が得られる。

【００５５】

【数７】

【００５６】自動車１台当りの汚染発生量は、ある車速
範囲ではほぼ一定となるが、自動車の型式や規制等によ
り長い時間の流れの中で変化していくという性質があ
る。これより、車速毎にデータを選別し、これを逐次学
習しながら修正していくと精度がよく、また常に最新の
値を決定することが可能となる。

【００５７】パターン決定論理２４は車速Ｖｔと総交通
量（ｎｓ（ｋ）＋ｎｌ（ｋ））の２つの要素で該時点の
パターンを決定し、連立方程式作成論理２５を起動す
る。論理２５は決定されたパターンの至近時系列データ
から（数７）式に基づく下記連立方程式を作成する。

【００５８】

【数８】

【００５９】以上の連立方程式を解法論理２６にて解法
し、再評価論理２７により車速範囲と総交通量毎のｖ
ｓ，ｖｌｄ，ｖｌｇ，ｄｌが見直され更新されていく。

【００６０】時刻ｋ（現在）から（ｋ＋１）間での発生
汚染量は（数５）式により

【００６１】

【数９】

【００６２】と予測可能である。したがって、交通量を
予測することが必要となる。

【００６３】交通流の推移は、定時間内の交通量がある
範囲内であり、また車速が一定範囲内にあるならば（別
の定性的な表現をすると、交通流が切れ目なくスムーズ
に流れている時）、トンネルの入口地点ａと出口地点ｂ
にＴＣ６を設置することで精度の良い線形予測が可能で
ある。すなわちａ，ｂ両点における単位時間当りの交通
量の時系列データを、 ｎａ（ｉ），ｎａ（ｉ＋１），ｎａ（ｉ＋２），…… ｎｂ（ｉ），ｎｂ（ｉ＋１），ｎｂ（ｉ＋２），…… とする。さらに単位時間をｊ個つなぎあわせ、その期間
の交通量として

【００６４】

【数１０】

【００６５】を考える。トンネル内をブラックボックス
と考えｎａ＊（ｉ)(ｉ＝１，２，…）を入力、ｎｂ＊
（ｉ)(ｉ＝１，２，…）を出力として、それらの間にイ
ンパルス応答関数Ｂを介した次の関係を仮定する。

【００６６】

【数１１】

【００６７】ここでε（ｉ）は線形モデル化の誤差を表
わしている。Ｂ（ｍ)(ｍ＝１，２，…Ｍ）は標本数をＩ
とすればΣε²(ｉ)，(ｉ＝１〜Ｉ）を最小にするインパ
ルス関数であり、次式で求めることができる。

【００６８】

【数１２】

【００６９】この式においてｖｂａ（ｌ）はｎｂ＊
（ｉ）とｎａ＊（ｉ＋ｌ）との共分散、ｖａａ（ｌ）は
ｎａ＊（ｉ）とｎｂ＊（ｉ＋ｌ）の共分散を示してい
る。

【００７０】図１０は、以上の考えに基づき自律的学習
により線形的な交通流の予測を行なう、交通流相関学習
・評価・予測論理１３の構成を示したものである。論理
１３は、地点ａ,ｂにおける単位時間当りの小型車台数
時系列データａｎｓ(ｋ−ｉ)，ｂｎｓ(ｋ−ｉ)(ｉ＝
０，１，…）、大型車台数時系列データａｎｌ(ｋ−
ｉ)，ｂｎｌ（ｋ−ｉ)(ｉ＝０，１，…）、車速時系列
ａＶｔ（ｋ−ｉ)(ｉ＝０，１，…）を入力とし、時刻ｋ
(ｔ＝ｋＴ現在）から(ｋ＋１)(ｔ＝(ｋ＋１)Ｔ）の期間
にトンネル内を通過する小型車台数ｎｓ(ｋ＋１)と、大
型車台数ｎｌ(ｋ＋１)の予測値を出力とする。共分散ｖ
ａａ演算論理２８は共分散ｖａａを、共分散ｖｂａ演算
論理２９は共分散ｖｂａをそれぞれ演算し出力する。こ
れらを入力としてインパルス関数演算論理３０はインパ
ルス関数Ｂ（ｍ）を車速毎に決定する。交通流相関評価
論理３１はＢ（ｍ）を入力とし過去蓄積されているＢ
（ｍ）と比較し、これを評価更新する。更新されたＢ
（ｍ）を入力として、交通流予測論理３２は（数１１）
式より

【００７１】

【数１３】

【００７２】の関係を利用して、時刻ｋから（ｋ＋１）
での小型車交通量ｎｓ（ｋ＋１）と大型車交通量ｎｌ
（ｋ＋１）を予測する。

【００７３】〈換気力関数ｇの算出と論理化〉時刻（ｋ
＋１)(ｔ＝（ｋ＋１）Ｔ）における換気力Ｑ（ｋ＋１）
は下式にて求められる。

【００７４】

【数１４】

【００７５】ただし、 Ｃ：補正係数 Ａ：トンネル断面積 Ｌ：トンネル全長 ｕ（ｋ＋１）：時刻（ｋ＋１）におけるトンネル車道内
風速 （数１４）式より、換気力Ｑ（ｋ＋１）を予測すること
は、ｕ（ｋ＋１）を求めることに帰結する。車道内風速
演算論理２２は、以下のようにしてｕ(ｋ＋１)を予測す
る。

【００７６】図３に示したトンネル換気構造カットモデ
ルのようにトンネル内をｎ区間に分割すると、隣接する
二つの区間での圧力バランスから下記等値関係が成立す
る。

【００７７】

【数１５】

【００７８】

【数１６】

【００７９】

【数１７】

【００８０】

【数１８】

【００８１】

【数１９】

【００８２】

【数２０】

【００８３】ただし、この例は理解に容易なように、ト
ンネル内を５分割としてセクション１内にジェットファ
ンが、セクション３と４に集塵機が１台ずつ設置されて
いる換気構造とした。各記号の意味は次の通りである。

【００８４】Ｐ：空気密度 Ｐｉ：区間ｉの圧力 Ｐｒ：区間ｉの車道抵抗＝−ΔＰｒｉ＋ΔＰｔｉ＋ΔＰ
Ｍｉ ΔＰｒｉ：区間ｉの入口損失・壁面摩擦 ΔＰｔｉ：交通流ピストン効果昇圧力 ΔＰＭ：自然風による昇圧力 ここで、ピストン効果とは自動車の走行により発生する
風（昇圧力）による換気効果のことである。これらの関
係より車道内風速は次のように求める。

【００８５】ピストン昇圧力演算論理１５は、発生汚染
量予測演算論理１４により予測された時刻（ｋ＋１）で
の交通量を入力とし、ｕ（ｋ＋１）を未知数とした方程
式の次数ごとの係数Ａ,Ｂ,Ｃを求める。但し、Ａはｕ
²(ｋ＋１)に、Ｂはｕ(ｋ＋１）に、Ｃは定数に対応す
る。

【００８６】

【数２１】

【００８７】ただし、 Ａｅ：自動車等価抵抗面積 Ａｒ：トンネル断面積 ｎｉ（ｋ＋１）：時刻ｋから（ｋ＋１）までに区間ｉを
通過する自動車台数 Ｖｔ：平均車速 ΔＰｔ＝Ａｔ・ｕ²(ｋ＋１）＋Ｂｔ・ｕ（ｋ＋１）＋Ｃ
ｔとすると、係数Ａｔ，Ｂｔ，Ｃｔは下式で求まる。

【００８８】

【数２２】

【００８９】車道の入口損失・壁面摩擦は各区間ごとに
下式で定まる値を、予めメモリ１６に記憶している。

【００９０】

【数２３】

【００９１】ただし、 ζ：入口損失係数 λ：車道壁面摩擦損失係数 Ｌｒ：トンネル延長 Ｄｒ：トンネル代表寸法 より、係数Ａｒ，Ｂｒ，Ｃｒは下式で求まる。

【００９２】

【数２４】

【００９３】ＪＦ（ジェットファン）昇圧力演算論理１
７は、次のように係数Ａｊ，Ｂｊ，Ｃｊを算出する。

【００９４】

【数２５】

【００９５】ただし、 Ｖｊ：ＪＦ吹出速度 Ａｊ：ＪＦ吹出面積 ｎｊｉ：区間ｉでのＪＦ台数 これより

【００９６】

【数２６】

【００９７】集塵機昇圧力演算論理１８は、次のように
して係数Ａｂ，Ｂｂ，Ｃｂを算出する。

【００９８】

【数２７】

【００９９】ただし、 Ｑｂ：ノズル吹出風量 Ｑｒ：車道風量 Ｖｂｉ：ノズル吹出速度 Ｂ：ノズル吹出角度 ｎｂｉ：区間ｉでの集塵機設置台数（各集塵機は同一能
力と仮定） より

【０１００】

【数２８】

【０１０１】自然風昇圧力演算論理１９は、現在風速Ｖ
Ｍが時刻（ｋ＋１）まで継続するものとして、次のよう
にＡＭ，ＢＭ，ＣＭを求める。

【０１０２】

【数２９】

【０１０３】これより

【０１０４】

【数３０】

【０１０５】圧力バランス演算論理２１は以上までの結
果より次のようにしてｕ（ｋ＋１）を未知数とした２次
方程式を作成する。

【０１０６】（数１５）式〜（数２０）式の各圧力の総
和は０で （Ｐｒ₁＋Ｐｒ₂＋Ｐｒ₃＋Ｐｒ₄＋Ｐｒ₅）＋ΔＰｊ＋２・ΔＰｂ＝０ となるから、一般化すると

【０１０７】

【数３１】

【０１０８】（数２１）,（数２２）,（数２４）,(数２
６）,(数２８）および(数３０)式を用いてｕ（ｋ＋１）
についての２次方程式の形に整理すると

【０１０９】

【数３２】

【０１１０】これよりＡ，Ｂ，Ｃは下式で求められる。

【０１１１】

【数３３】

【０１１２】ここでジェットファン，集塵機はそれぞれ
同一性能のものと仮定したが、異なるものであればそれ
ぞれ計算し求める必要がある。

【０１１３】車道内風速演算論理２２は（数３２）式よ
り

【０１１４】

【数３４】

【０１１５】の演算を行い、時刻（ｋ＋１）における車
道内風速ｕ（ｋ＋１）を予測し出力する。なお本例では
自然風は交通流と同一方向とし、換気機は現状を維持す
るものとしている。この結果、車道内風速の予測精度は
交通量の予測精度と自然風の挙動に大きな影響を受ける
ことがわかる。

【０１１６】以上のようにして明らかになった汚染発生
量関数ｈと換気力関数ｇの各論理より得られる、期間ｋ
から(ｋ＋１)の予測発生汚染量Ｐ(ｋ)と予測換気力Ｑ
（ｋ）、および、現状汚染量演算論理２０により得られ
る時刻ｋの汚染値Ｘ（ｋ）を入力とし、汚染予測演算論
理２３は時刻(ｋ＋１)での汚染値Ｘ(ｋ＋１)を(数１)式
のシステム方程式を用いて算出し、これを中間仮説とし
て出力する。

【０１１７】図１１は、傾向型汚染予測ルール群（ｒ
３）の動作を説明したものである。前記ｒ１は、汚染量
の予測を詳細化要因にまで遡り、その線形関係を数式モ
デルとして捉えて、Ｘ（ｋ＋１）を推論したものであっ
た。これに対しｒ３は、センサからのプロセス計測信号
ＣＯ，Ｖ１値推移に線形関係を見出し予測を行なうこと
を目的としている。

【０１１８】図１２は、上記に基づき構成されたｒ３の
構造を示したものである。ｒ３は汚染測定値時系列Ｘ
（ｋ−ｉ)(ｉ＝０，１，２，…），換気量実績値時系列
Ｑ（ｋ−ｉ)(ｉ＝０，１，２，……）を入力とし、時刻
ｋから（ｋ＋１）までの換気量を一定とした場合の時刻
（ｋ＋１）での予測汚染値Ｘ（ｋ＋１）を出力とする。
図１１は、縦軸に交通量と汚染値（この例ではＣＯ値）
を定義、横軸に時間の推移を定義したものである。時刻
ｋでの汚染値Ｘ（ｋ）は、期間（ｋ−１）からｋについ
て、上記（数１）式の関係から得られる。実質的な汚染
値Ｘ＊（ｋ）の推移は、時刻（ｋ−１）からｋでの換気
量Ｑ（ｋ−１）をゼロと仮定すると

【０１１９】

【数３５】

【０１２０】となる。これより得られる実汚染量の時系
列、Ｘ＊（ｋ−１)(ｉ＝０，１，２，…）が線形挙動を
示す場合、時刻（ｋ＋１）での実汚染値Ｘ＊（ｋ＋１）
は最小二乗法により次のように実汚染量演算論理３３に
て求まる。

【０１２１】

【数３６】

【０１２２】線形予測演算論理３４は（数３５）式より

【０１２３】

【数３７】

【０１２４】の演算を行ない中間仮説としてＸ（ｋ＋
１）を出力する。

【０１２５】ｒ３は上記のように、時刻（ｋ−１）から
ｋでの換気量Ｑ（ｋ−１）をゼロと仮定できる場合、ｒ
１に比べより簡単な線形関係を数式モデルとして捉え
て、Ｘ（ｋ＋１）を推論するものであり、高速な処理が
可能となる。もちろん、ｒ１のみの線形予測方式であっ
てもよい。

【０１２６】これまで述べてきた、２つのルール群ｒ
１，ｒ３は、プロセスの挙動を線形として捉え、汚染量
の予測を行なうものであった。これに対して、定性型汚
染予測ルール群ｒ２は、プロセスの挙動を線形，非線形
という一意的な捉え方をせず、プロセスの挙動をあるが
ままに捉え、状況に応じた柔軟な対応が行なえるように
構成される。

【０１２７】図１３は、時刻（ｋ＋１)(ｔ＝（Ｋ＋１）
Ｔ）での予測汚染値に対する定性的な意味ネットワーク
である。これは、オペレータの経験則、各種データの長
期に亘る測定結果とシミュレーションにより得られたも
のである。ここでは、無数に存在する要因と外乱をＸ₁
からＸ₇の要因集合にて表わし、これらから汚染値を予
測（推論）する構成としている。

【０１２８】本ネットワークによれば、時刻ｋから（ｋ
＋１）の期間で発生するトンネル内の汚染量Ｙ₁は、交
通流変化率１（長期的な変化傾向）Ｘ₁，交通流変化率
２（至近の短期的な変化傾向）Ｘ₂，現在交通量Ｘ₃，車
速Ｘ₄，現在汚染量Ｘ₅，自然風Ｘ₆および機械換気力
（本例ではジェットファン，集塵機を指す）Ｘ₇から直
接推論される。各項目Ｘ₁，Ｘ₂，Ｘ₃，Ｘ₄，Ｘ₅，Ｘ₆，
Ｘ₇，Ｙ₁，Ｙ₂ は全てあいまいな量（ファジー量）とし
て扱われ、各々のメンバーシップ関数が定義される。従
来は個々の要素の評価適合度が計算された後に、それら
から何らかの結合関数、例えば代数和，代数積，限界
和，限界差等で合成し結論を推論してきた。しかし、こ
れでは要因毎の個々の評価はオペレータの感覚をよく表
わすが、次の段階に進むときのファジー（あいまい）評
価が妥当でなくなり、評価要因が多いほど推論結果は経
験則とかけ離れたものとなる。ところが、十分経験を積
んだオペレータあるいはエクスパートは、一つずつの要
因を評価し、それらの評価を積み上げて結論に至るのは
まれで、多数の要因から同時に多次元空間上での推論を
行ない、即座に結論を引き出している。

【０１２９】本発明では、この多要因直接推論を自動的
（計算機）に行なわせる複合ファジー推論機構を実現し
ている。

【０１３０】図１４は、もっとも簡単な３次元空間上で
の複合ファジー推論を行なうための複合されたメンバー
シップ関数を示したものである。第１の次元に適合度
（ファジー推論では一般的に適合度を０.０から１.０の
範囲に定め、１.０ に近い程、適合度は高いと評価す
る）、第２の次元に第１要因Ｘ₁ の値、第３の次元に第
２の要因Ｘ₂を定義したものである。

【０１３１】具体例として、Ｘ₁を交通量、Ｘ₂を車速と
し、Ｙを発生汚染量とする。いま、Ｘ₂をある値、６０
ｋｍ／ｈに固定して考えた場合、交通量Ｘ₁の変化に対
するＹの適合度は、それぞれ「Ｌｏｗ」，「Ｍｉｄ」，
「Ｈｉｇｈ」の評価グレードから３本の曲線を得ること
が可能である。この作業は、すなわちＹ，Ｘ₁，Ｘ₂から
なる３次元空間に３本の曲線が描かれたことと等価であ
る。次に車速を２０ｋｍ／ｈに固定し、同様に汚染量Ｙ
をＸ₁ の値の変化で適合度評価をするならば、更に３本
の曲線が表れるであろう。この時の知識獲得は、例え
ば、 「交通が渋滞しており、その時の交通量による汚染発生
量はどのように変化しますか？」 という第１の質問に続いて、 「交通渋滞とはどれ位の車速のことですか？」 という第２の質問で表現できる。

【０１３２】この手順を、車速Ｘ₁ の値を段階的に変え
ながら行なって行くならば三次元上の空間に、「Ｌｏ
ｗ」，「Ｍｉｄ」，「Ｈｉｇｈ」に対する３種類の曲面
を得る。同様に、Ｘ₁を固定した場合のＸ₂の増減による
Ｙの評価についての知識が得られるならば、より滑らか
で自然な曲面が得られる。

【０１３３】ここでの例は評価を３段階で行なったが、
評価グレードを詳細化しても考え方は同様である。図１
５は、評価グレードを５段階、Ｌ（Ｌｏｗ），ＭＬ（Ｍ
ｉｄ−Ｌｏｗ），Ｍ（ｍｉｄ），ＭＨ（Ｍｉｄ−Ｈｉｇ
ｈ），Ｈ（Ｈｉｇｈ）とし、３次元空間上でグラフィッ
ク処理したものである。

【０１３４】図１８は、上記を基に構成された複合ファ
ジー推論機構４の構造を示したものである。機構４は統
合的な推論過程において、複合ファジー推論要求が発生
すると推論主機構２より起動され、複数の要因Ｘ₁，
Ｘ₂，Ｘ₃ ，……Ｘ_n の測定値や中間仮説値と、ｎ次元
空間上の複合ファジーメンバーシップ関数ＣＦ_m を入力
とし、適合度の最近似値を出力する装置である。推論結
果としての実出力値Ｙｒはこの適合度最近似値から、例
えば重心位置計算により定めることができる。以下、適
合度最近似値を３次元空間上で求める方法を説明する。

【０１３５】図１９は、図１４で示された３の複合ファ
ジー適合度曲面のうち、ＭＩＤ部分を抽出したものであ
る。適合度評価経験則の知識獲得の性質から、この局面
は、離散的に考えられる点の集合から生成される平面近
似が可能である。この性質を利用して、与えられた要因
データの集合から、適合度最近似解は複合ファジー推論
機構４により次のような手順で求まる。

【０１３６】図２０は、図１９の一部を拡大し、図２１
は図２０の一部を拡大したものである。ここでは、この
ＭＩＤ曲線適合度の値として Ｙ₁＝μ（１０，４）＝μ（Ｘ₁，Ｘ₂） Ｙ₂＝μ（１０，８） Ｙ₃＝μ（１５，４） Ｙ₄＝μ（１５，８） が与えられており、Ｙ＝μ（１２，６）を求める場合を
示している。ここで関数μはＹの評価ＭＩＤに対する複
合ファジーメンバーシップ関数である。

【０１３７】図２０，図２１において、μによる実曲面
をＰｒとすると、（Ｘ₁，Ｘ₂）＝(１２，６)で定まるＹ
と平行な直線がＰｒと交わる点が真の適合度μ(１２，
６)である。直線（Ｘ₁，Ｘ₂）＝（１２，６）は、また
｛（Ｘ₁，Ｘ₂）｝＝｛（１０，４),（１０，８）,（１
５，４),（１５，８)｝で囲まれる空間に含まれるから ｛（Ｙ，Ｘ₁，Ｘ₂）｝＝｛（μ（１０，４），１０，４）， （μ（１０，８），１０，８） （μ（１５，４），１５，４） （μ（１５，８），１５，８）｝ で定義される四面体と１点あるいは２点で交わるか、ま
たは四面体の一辺で重なる。

【０１３８】１点で交わる場合は既に適合度が与えられ
ている点を表わすから、この時はμ（Ｘ₁，Ｘ₂）が適合
度新値である。四面体一辺で重なる状態は、適合度Ｙが
定まらないことを示す為、メンバーシップ関数の与え方
が誤っている場合であり検討から除外される。解くべき
問題は四面体と２点で交わる場合であり、このうちのい
ずれの点が最近似解であるかを決定することである。制
約（規則性）の無い曲面に対する線形近似は不可能であ
る。しかしながら、ここで検討している適合度曲面に対
して、曲面に接する全ての直線は曲面の外側に存在せね
ばならない（言い替えれば、全ての面はその曲面の内側
を向いている）、という制約を加えてもこの曲面の一般
性は失われない。

【０１３９】この制約により、図２１の例で丸の付した
新値μ(１２，６）近傍にａμ₁（１２，６），ａμ
₂（１２，６），ａμ₃（１２，６），ａμ₄(１２，６）
という４つの可能近似解が存在し、このうち四面体と交
わる点はａμ₂とａμ₄である。上述の制約により、結局
ａμ₂ を最近似解として決定することができる。これを
定量的に表現すると、下記の様になる。

【０１４０】（条件）複合ファジー適合度評価曲面上の
離散値として下記が与えられている。

【０１４１】 Ｙ₁＝μ（Ｘ₁₁，Ｘ₂₁） Ｙ₂＝μ（Ｘ₁₁，Ｘ₂₂） Ｙ₃＝μ（Ｘ₁₂，Ｘ₂₁） Ｙ₄＝μ（Ｘ₁₂，Ｘ₂₂） このとき、下記の様なｘ₁，ｘ₂により定まる複合ファジ
ー適合値を求める。

【０１４２】（解法）曲面を Ｙ＝ａＸ₁＋ｂＸ₂＋Ｃ にて下記のように１次線形近似する。

【０１４３】まず、四面体の各面を求める。

【０１４４】

【数３８】

【０１４５】

【数３９】

【０１４６】

【数４０】

【０１４７】

【数４１】

【０１４８】上記の４式から３式を選択して、連立１次
方程式を作成し、これらを解いて係数ａ，ｂ，ｃの４つ
の組合わせを求める。

【０１４９】 （Ｙ₁，Ｙ₂，Ｙ₃）→（ａ₁，ｂ₁，ｃ₁） （Ｙ₁，Ｙ₂，Ｙ₄）→（ａ₂，ｂ₂，ｃ₂） （Ｙ₁，Ｙ₃，Ｙ₄）→（ａ₃，ｂ₃，ｃ₃） （Ｙ₂，Ｙ₃，Ｙ₄）→（ａ₄，ｂ₄，ｃ₄） このようにして、４つの面はそれぞれ下式で定まる。

【０１５０】

【数４２】

【０１５１】

【数４３】

【０１５２】

【数４４】

【０１５３】

【数４５】

【０１５４】つぎにμを求める。３次元空間内での直線
（Ｘ₁，Ｘ₂）＝（ｘ₁，ｘ₂）と、四面体の各面(（数４
２），（数４３），（数４４），（数４５）)上で交わ
る点を ａμ₁（ｘ₁，ｘ₂） ａμ₂（ｘ₁，ｘ₂） とし、これを求める。ここで表面で交わらない虚解２点
を除く。最後に、適合度Ｙに対する上面側の交点を最近
似解ａμ（ｘ₁，ｘ₂）とする。

【０１５５】以上が要因が２つから１つの適合度評価を
得る手順である。これを一般化して処理可能としたのが
図１８に示す複合ファジー推論機構４である。以下この
機構の処理動作を説明する。

【０１５６】（入力） 要因実測値 （Ｘ₁，Ｘ₂，Ｘ₃，…Ｘ_n）＝（ｘ₁，ｘ₂，ｘ₃，…ｘ_n） 複合ファジーメンバーシップ関数ＣＦ_m （演算処理） 線形方程式生成論理（３５） 全ての要因に対応する次元Ｘ₁（ｉ＝１，２，…ｎ）に
対し、近傍離散値を与える座標点をＣＦ_mを検索して決
定する。

【０１５７】 Ｙ₁＝μ（Ｘ₁₁，Ｘ₂₁，Ｘ₃₁，……，Ｘ_n1） Ｙ₂＝μ（Ｘ₁₂，Ｘ₂₁，Ｘ₃₁，……，Ｘ_n2） ： ： Ｙ_2n＝μ（Ｘ₁₂，Ｘ₂₂，Ｘ₃₂，……，Ｘ_n2） 線形連立方程式解法論理（３６） Ｙ＝ａ₁Ｘ₁＋ａ₂Ｘ₂＋ａ₃Ｘ₃＋……＋ａ_nＸ_n＋ａ_n+l で近似することとし、未知数を ａ₁ｊ，ａ₂ｊ，ａ₃ｊ……，ａ_nｊ，ａ_n+1ｊ とする。_2nＣ_n+1組の連立方程式群を作成し、これらを
個別に解法し_2nＣ_n+1個の近似式を作成する。

【０１５８】 Ｙ＝ａ₁₁Ｘ₁＋ａ₂₁Ｘ₂＋ａ₃₁Ｘ₃＋……＋ａ_n1Ｘ_n＋ａ_n1+1 Ｙ＝ａ₁₂Ｘ₁＋ａ₂₂Ｘ₂＋ａ₃₂Ｘ₃＋……＋ａ_n2Ｘ_n＋ａ_n2+1 ： ： Ｙ＝ａ_1nＸ₁＋ａ_2nＸ₂＋ａ_3nＸ₃＋……＋ａ_nnＸ_n＋ａ_nn+1 ただし、ｍ＝_2nＣ_n+1 最適近似解抽出論理（３７） 得られた_2nＣ_n+1個の線形近似式に（ｘ₁，ｘ₂，…ｘ_n）
を代入し、値域内で最大の値を最近似解として出力す
る。

【０１５９】このように論理３５，３６，３７で構成さ
れる機構４によりｎ個の要因から１つの評価項目に対す
る評価値を直接推論することができる。

【０１６０】図１６，図１７は機構４が参照する、複合
ファジー推論メンバーシップ関数ＣＦ_m の具体例を示し
たものである。

【０１６１】図１６は、図１３の要因ネットワークに基
づき交通流変化率１Ｘ₁ ，交通流変化率２Ｘ₂，現在交
通量Ｘ₃，車速Ｘ₄，現在汚染量Ｘ₅という５つの要因か
らトンネル内予測汚染値Ｙ₁を推論する為、まず、Ｘ₁，
Ｘ₂，Ｘ₃，Ｘ₄ ，を固定し、この状態におけるＸ₅ を段
階的に変化させた場合の適合度曲線に対する離散値をプ
ロットしている。なお、同図では理解し易いように、こ
れら各点を曲線で結んでいる。Ｘ₅ の全ての獲得できた
知識についての適合度離散値を定義したならば、次にＸ
₄を１段階変化させ、同様にＸ₅の段階的移動による評価
をプロットしていく。

【０１６２】現実的には、このようにエクスパートの経
験則を、きめ細かく収集できるとは限らないが、その場
合は、ある要素、例えばＸ₁ を従来の外乱という概念で
扱い、これを３〜５段階程度の変化段階におさえること
で、複合ファジーメンバーシップ関数の定義が容易化さ
れる。この場合も、例えば従来、補正係数と称する線形
的な補正とは全く意味が異なり、数段階の離散的移動評
価でも十分プロセスの挙動を捉えることが可能である。
またある要素の局所的な値域での経験知識が不足してい
る場合は該当区域を無効区域（または禁止区域）として
推論を不可能とするのが、より自然である。多くの場
合、このような区域は現実に発生する可能性がゼロに近
く、従って、経験則の無いことが多いからである。従来
の知識ベース型のルール集合型の推論であると、複数の
経験則に基づくルール間に不定空間が存在し、かつその
空間はエクスパートからみればその空間の両側にあるル
ールから類推可能な場合推論が不可能となってしまう。
言い換えるならば、優れたオペレータ（エクスパート）
が示す、未経験状況に対する、的確な判断は、それら複
数の要因の離散的な経験知識が形成する、ｎ次元空間内
の経験則図形に含まれると判断される場合に、その空間
上での発生事象に対する近似が行なわれた結果である、
と言うことができる。

【０１６３】この複合ファジー推論機構４により、トン
ネル内予測汚染量Ｙ₁ と予測換気量Ｙ₂ に対する複合推
論により得られたそれぞれの適合度を用いてそれぞれの
ファジー評価メンバーシップ関数での重心計算を行な
い、予測汚染値Ｚの定量値を得る。この様にして、多面
的な挙動を示すプロセスの定性的な予測推論が完了し、
ｒ２は予測汚染値を中間仮説として出力する。

【０１６４】予測値総合判断ルール群ｒ４は、前述のｒ
１〜ｒ３による３つの中間仮説を、プロセスの様々な状
況により判断し、最も適切なものを選択する。

【０１６５】図２２はこの総合判断ルール群の推論をし
めすＡＮＤ／ＯＲツリーである。総合判断の要因は大別
して、各モデルの種々の要因毎の挙動評価により得られ
るものと、個々の要因からのみでは捉えきれないプロセ
ス全体挙動への影響を与えるものの２種類がある。前者
の例は、定量型汚染予測ルール群において交通量予測精
度が大きな比重を占めるような場合であり、これは交通
量の推移が線形であるか否か、という問題に帰結する。
一方後者は、例えば、気象条件のトンネル換気プロセス
への影響等がこれに当たる。本実施例では、以上の考え
に基づき、判断の為の中間仮説として下記を考える。

【０１６６】(イ)交通量予測精度は良好である。

【０１６７】(ロ)定量型モデルによる予測値を重視せ
よ。

【０１６８】(ハ)傾向型モデルによる予測値を重視せ
よ。

【０１６９】(ニ)定性型モデルによる予測値を重視せ
よ。

【０１７０】プロセス制御システムの場合、対象世界が
連続的に推移する為、一般の知識ベースシステムに採用
される断定型ルールとすることが困難であり、またそれ
を採用した場合のカバーする範囲が限定されるという理
由から、下記のようなあいまい前向き推論を採用する。
すなわち、プロセス制御用の知識ベースシステムの判断
ルール群としては、ルール自身が確信度を持ち、その確
信度の積上げ評価で最終的判断を行なわせるのである。
これは優れたオペレータの判断手順を良く模擬する。

【０１７１】図２３は、予測値総合判断ルール群ｒ４内
の個々のプロダクションルールを例示したものである。
例えばルールＮｏ１は様々な状況下での交通流推移の実
測結果から得られたもので、このルールの条件部は交通
流がほぼ線形推移する状況を示し、結論部は、この時の
交通量予測制度が確信度０.８ 程度で良好であることを
述べている。ここで確信度とは−１.０から＋１.０の範
囲の連続値で表わされ、＋１.０ に近いほど、その中間
仮説（ルール）は確からしいことを示し、逆に−１.０
に近いほど否定的であると、定義する。

【０１７２】この線形度合いを評価するルールＮｏ１に
対し、ルールＮｏ２は非線形度合いを評価する。条件部
で、トンネル内で渋滞が発生している状況を示し、結論
部は、このときの交通量予測精度は確信度−０.５ 程度
で良好、すなわち精度が悪いことを、オペレータの経験
から得た知識により評価している。

【０１７３】このように、図２２のＡＮＤ／ＯＲツリー
に示される経験則が本例では１２３個存在し、それぞれ
確信度が定義されている。同一の中間仮説がビューノー
ト（ＶＮ）と呼ばれる一時記憶用のメモリー上に現わ
れ、それぞれＣ１，Ｃ２という確信度を持っている場
合、コントラディクション関数Ｆｃｏｎｔ、及びコンバ
イン関数Ｆｃｏｍｂによって、その確信度が下記の様に
更新される。

【０１７４】 新たな確信度Ｃ₃ ：Ｆｃｏｍｂ（Ｃ１，Ｃ２）…（Ｆｃｏｎｔ（Ｃ１，Ｃ２）≦０．８の時） 矛盾(エラー)…（Ｆｃｏｎｔ（Ｃ１，Ｃ２）＞０.８の時） 但し Ｆｃｏｎｔ（Ｃ１，Ｃ２） ：０.０……（Ｃ１＊Ｃ２≧０.０の時） ｜Ｃ１｜＋｜Ｃ２｜−１.０ ………(｜Ｃ１｜＋｜Ｃ２｜−１.０＞０.８かつＣ１＊Ｃ２＜０.０の時） ０.０………（｜Ｃ１｜＋｜Ｃ２｜−１.０＞０.０かつＣ１＊Ｃ２＜０.０の 時） Ｆｃｏｍｂ（Ｃ１，Ｃ２） ＝Ｃ１＋Ｃ２−Ｃ１＊Ｃ２…（Ｃ１≧０，Ｃ２≧０の時） Ｃ１＋Ｃ２＋Ｃ１＊Ｃ２…（Ｃ１≦０，Ｃ２≦０の時） （Ｃ１＋Ｃ２）／（１−ｍｉｎ（｜Ｃ１｜，｜Ｃ２｜）） …（Ｃ１＊Ｃ２＜０.０かつ Ｃ１＊Ｃ２≠１.０の時） ０.０ …（Ｃ１＊Ｃ２＝−１.０の時） Ｆｃｏｎｔは確信度計算の意味評価を行なうもので、例
えば複数のルールの結論の間に矛盾があるか、否かを判
断する為の関数である。

【０１７５】本例において、ルールＮｏ３の条件部が成
立し、既にビューノート上に View Note 『定量型モデルによる予測値を重視せよ』……０.７ が存在し、他のルールで同じ結論が確信度０.６で得ら
れたとすると、０.７≧０.０,０.６≧０.０であるの
で、 Ｃ３＝０.７＋０.６−０.７＊０.６＝０.８８ という新たな確信度が得られ、ビューノートは View Note 『定量型モデルによる予測値を重視せよ』……０.８８ に書き換えられ、確信度が高まる。

【０１７６】一方、ルールＮｏ１の条件部が成立し、ビ
ューノート上に、 View Note 『交通量予測精度は良好である』……０.８ が存在する状態で、更にルールＮｏ２の条件部が成立す
ると、確信度−０.５と０.８から新たな確信度は次のよ
うに計算できる。

【０１７７】 ０.８＊（−０.５）≦０，０.８＊（−０.５）≠１.０より Ｃ３＝（０.８−０.５）／（１−ｍｉｎ（｜０.８｜，｜−０.５｜） ＝０.３／１.５ ＝０.２ したがって、ビューノートは View Note 『交通量予測精度は良好である』……０.２ となり、確信度が下がる。

【０１７８】このように、ルールＮｏ１から１２２の経
験知識ルール群の条件マッチングが終了すると、ビュー
ノート上に少なく共１つの View Note 『？モデルによる予測値を重視せよ』……ｎ という中間仮説が存在することになる。ここで？は定量
型，傾向型，定性型のいずれかのモデルを示し、ｎは確
信度である。

【０１７９】ルールＮｏ１２３は、これら中間仮説の確
信度を評価し、次に所望の確信度を有するモデルが二つ
以上存在する場合、確信度最大のモデルを選択し、新た
な中間仮説 View Note 『？モデルによる予測値を採用せよ』……１.０ を出力する。

【０１８０】このようにして、ｒ４はプロセスの挙動、
及び各モデルの信頼度を総合的に判断し、最も精度の良
い予測汚染値を選択する。

【０１８１】つぎに、制御操作量の決定ステップを説明
する。定量型制御操作量決定ルール群ｒ５と、状況適応
型制御操作量決定ルール群ｒ６は、上記ｒ４で決定され
た予測汚染値と、制御目標値の差分ΔＸ（ｋ＋１）を制
御目的値として、これに対する必要換気量を演算し、最
適なる制御指令を決定する。決定された制御指令による
プロセス制御方式は、従来の方式を踏襲している。

【０１８２】ｒ５はプロセスを線形挙動として捉えた定
量型のルール群であり、ＣＯ，ＶＩ汚染量のうち、目標
値をオーバーしている度合いが多い方の差分、または共
に目標値以下ならば、目標値よりの差分が少ない方に対
する必要換気量を計算し、使用電力量が最小となるよう
に換気機の運転組合わせを決定する。中間仮説として
は、各ジェットファンの起動／停止指令，各集塵機の風
量を出力する。本ルール群の内容については、従来モデ
ルと変わるところが無いので詳細説明は省略する。

【０１８３】このｒ５は、プロセスの非線形挙動に対応
不可であり、また複数の制御目的を総合的に判断でき
ず、結果的に、人間（エクスパート）の制御より劣る場
合がある。これに対し、状況適応型のルール群ｒ６は、
非線形を含むプロセスの挙動に柔軟な対応を可能にする
とともに、複数の制御目的を同時に最もよく満足する制
御操作指令を決定できるようにしたものである。

【０１８４】本発明のプロセス制御は、その制御目的を
安全性（汚染値を一定値以下に保つこと）と経済性の２
点のみに限定するものではない。安全性の評価にして
も、単にＣＯの濃度が低い（０ｐｐｍに近い）ほどよい
のか、目標値に近い方がよいのか、といった１つの目的
にたいして複数の異なる評価指標も存在する。一般に、
プロセス制御の目的評価指標は複数あり、それらを同時
的に満足することが要求される。上記トンネル換気制御
を例にとれば、目的評価指標は後述する７つに集約され
る。

【０１８５】さらに、本発明が対象としている一般的な
プロセス制御の場合、制御操作量の種類が複数で、その
中にはオン・オフ（デジタル量）のみならず連続量（ア
ナログ）を含むものも多い。また、それら操作量に対す
るプロセス挙動は、線形近似のみで捉えることは不可能
である。

【０１８６】本発明では、上記の問題点を克服して多目
的多出力の制御を行なう状況適応型操作量決定ルール群
ｒ６の機能を以下のように実現した。図２４に、予測フ
ァジー推論機構５の一実施例を示す。機構５は現時点
(制御時点)でのｎ個の制御操作量の組合わせｄａｔａ
（Ｘ₁，Ｘ₂，……，Ｘ_n)と、それらのとり得る値域と離
散量／連続量の区分ｒａｎｇｅ（Ｘ₁，Ｘ₂，……，
Ｘ_n)、前述の複合ファジー推論、あるいは定量型演算に
より得られる複数の制御目的評価項目の予測値、該目的
評価項目毎にファジー量評価されたメンバーシップ関数
（Ｏｆ₁，Ｏｆ₂，……，Ｏｆ_l ；但しｌは制御目的評価
項目数を示す）を入力とし、該当制御設備にとって最適
な制御操作量の組合わせ(ΔＸ₁，ΔＸ₂，…ΔＸ_n）を出
力とする。

【０１８７】各制御目的項目の評価指標は、トンネル換
気制御においては予め次のように定める。

【０１８８】(ａ)ＣＯ換気制御の質 以下ＱＣＯ．ＶＧ（quality of CO,very good)と略記す
る。目標値に対する評価指標を示す。

【０１８９】(ｂ)ＣＯ絶対濃度の質 以下ＱＣＯ．Ｇ（quality of CO,good）と略記する。絶
対的な濃度の評価指標を示す。

【０１９０】(ｃ)ＶＩ換気制御の質 以下、ＱＶＩ．ＶＧ（quality of CO,good）と略記す
る。目標値に対する評価指標を示す。

【０１９１】(ｄ)ＶＩ絶対数値の質 以下ＱＶＩ．Ｇ（quality of VI,good）と略記する。絶
対的な煙霧透過率の評価指標を示す。

【０１９２】(ｅ)定常消費電力量 以下Ｐと略記する。定常時の消費エネルギーに対する評
価指標を示す。 (ｆ)過渡消費電力量 以下ＱＣ（quality of control）と略記する。機器の切
替回数、それに要する過渡的な消費エネルギーの評価指
標を示す。機器の消費に対する評価でもある。

【０１９３】(ｇ)換気の公平性（均一性） 以下ＢＰ（barance of pressure)と略記する。トンネル
内の圧力バランス評価指標を示す。トンネル内の汚染に
対する換気力の影響度合いは、すなわちこのプロセスの
おくれ時間と密接に関係し、均一な圧力バランスが遅れ
時間を短縮し、この結果が制御の質を高める重要な要素
である。

【０１９４】図２５はＣＯ濃度についてのメンバーシッ
プ関数曲線を示したもので、ＱＣＯ．ＶＧは制御の立場
から見た換気の質にたいする評価、ＱＣＯ．Ｇは人間の
感覚に近い絶対濃度の質にたいする評価である。制御目
標を５０ppm、限界濃度を１００ppmとすると、ＱＣＯ．
ＶＧ曲線は５０ppmで適合度＝１.０ 、その両側で評価
は低下し、１００ppm で適合度＝０.０となり以降は０.
０である。これに対しＱＣＯ．Ｇは、１００ppmから０p
pmに近づく程適合度が上昇し、０ppm で適合度＝１.０
となる。

【０１９５】この関係は、ＱＣＯ．Ｇを安全性に対する
自然な感覚とした時、ＱＣＯ．ＶＧはその確信度を表わ
すベーグネス関数として考えることもできる。しかし、
QCO.ＶＧは厳密にＱＣＯ．Ｇ曲線より得られた訳ではな
く、制御上の制約や、プロセス毎の特殊性によりバリエ
ーションが許容される為、ここでは２つのメンバーシッ
プ関数と考える方が妥当である。

【０１９６】図２６は、煙霧透過率ＶＩに対する２つの
評価関数（メンバーシップ関数）ＱＶＩ．ＶＧとＱＶ
Ｉ．Ｇで、後者は絶対的な評価である。

【０１９７】図２７は、定常電力量Ｐの３つの評価グレ
ード（Ｓ：少ない，Ｍ：普通，Ｌ：多い）に対するメン
バーシップ関数を示しており、本実施例の評価では、少
ないＳが採用される。

【０１９８】図２８は、制御機器の切替による過渡消費
電力量のメンバーシップ関数を示しており本例の評価で
は、少ないＦを採用する。

【０１９９】図２９は、トンネル内の汚染分布（Ｘで示
す）と換気機器等による圧力分布(Ｐ)を示したものであ
る。前述のように均一な圧力バランスを得るためには、
汚染分布に対する圧力分布が均一となることが必要であ
る。従って、ここではトンネルの延長方向でのＰのＸに
対する偏差σと分散δを考え、この値がゼロとなること
も制御の一目的として採用する。

【０２００】図３０は、この考え方に基づきδがゼロと
なる場合に適合値＝１.０ 、その両側で適合度が除去に
０.０に近づくメンバーシップ関数ＢＰ．ＶＧ を評価関
数として採用する。因みにＢＰ．Ｇは分散度合いが＋側
にある場合を許容評価したものであり、換気機の配置の
制約からＢＰ．ＶＧの採用が困難な場合に採用されるメ
ンバーシップ関数である。

【０２０１】予測ファジー推論機構５は、前記ｄａｔａ
(Ｘ₁，Ｘ₂，…，Ｘ_n），ｒａｎｇｅ（Ｘ₁，Ｘ₂，…，Ｘ
_n)を入力として、制御設備機器の現状の運転状態と、各
々のレンジ情報から各操作量を分割して、制御可能アナ
ログ操作量組合わせ集合ＡＳｆ₀(（ΔＸ₁，ΔＸ₂，
…，ΔＸ_n)がとり得る有限レンジ区域内の組合わせを要
素とする無限集合）と等価な制御可能ディジタル操作量
組合わせ集合Ｓｆ₀を生成するプリプロセッサー３８
と、この３８あるいは後述する満足度評価論理４１より
出力される縮退化されたＳｆ₁を入力とし、これを再
帰的に小分割化しＳｆ_ｉを出力とする再帰的レンジ分
割論理３９と、この３９の出力と前記予測された項目群
の値と、目的量ファジー評価メンバーシップ関数(Ｏ
ｆ₁，Ｏｆ₂，…，Ｏｆ_l)を入力し、Ｓｆ_iに含まれる
全ての制御操作量組合わせに対する予測計算を行ない、
複数の目的毎の適合度を評価し、これらより総合的な満
足度を演算し、満足度集合Ｓｃ_iを出力する満足度演
算論理４０と、Ｓｆ_iとＳｃ_iを入力とし、それらが
形成するｎ次元空間上の高々ｌ個の満足度共振点を求
め、もしレンジ分割レベルが制御精度の最小分解能より
小であるならば、これらの共振点で最も満足度が高い
Ｓｃ_i内の制御操作量の組合わせ（ΔＸ₁，ΔＸ₂，
…，ΔＸ_n)を出力として終了し、そうでないならば、各
共振範囲を、満足度評価による平面で縮退させ、上記３
９を起動する満足度評価論理４１により構成される。

【０２０２】理解の容易のために、ここで制御操作量を
共にアナログ量であるΔＸ₁，ΔＸ₂とし、これらに対す
る目的評価メンバーシップ関数をＯｆ₁，Ｏｆ₂，Ｏｆ₃
とし、総合的な満足度をＳｇ（ΔＸ₁，ΔＸ₂）として以
下説明する。Ｓｇは下記のように定義される。

【０２０３】

【数４６】

【０２０４】ただし、 Ｃｉ：各目的項目に対する重み係数でΣＣi＝１.０，
（ｉ＝１〜３） Ｓｇ：満足度で０.０〜１.０の値をとる。

【０２０５】また、Ｏｆ₁，Ｏｆ₂，Ｏｆ₃をそれぞれ共
振を１点含む(すなわち山型特性）メンバーシップ関数
と仮定する。これらにより、ある時点での制御量Ｘ₁，
Ｘ₂を連続量としてＳｇを計算すると、図３１に示され
る図形が得られる。

【０２０６】図３１は、第１の軸に操作量ΔＸ₁、第２
の軸に操作量ΔＸ₂、第３の軸に満足度Ｓｇ（ΔＸ₁，Δ
Ｘ₂）を定義し、得られたものである。この三次元空間
における面の突起は、目的評価メンバーシップ関数の共
振を鋭くするほど狭範囲での突起となる。今、求めよう
とする最大の満足度は、これらの共振点のうちの、いず
れかの頂点であることは明らかである。これを求めるに
は、全てのΔＸ₁，ΔＸ₂のとり得るアナログ量の組合わ
せについてＳｇ（ΔＸ₁，ΔＸ₂）を計算し、それらの最
大値を見つければよい。しかし、この為には無限の時間
が必要となる。本発明では、これを以下に示す手順の収
束計算で、高速に決定している。

【０２０７】（入力） data（Ｘ₁，Ｘ₂，…，Ｘ_n） range（Ｘ₁，Ｘ₂，…，Ｘ_n） 予測項目値 目的評価メンバーシップ関数（Ｏｆ₁，Ｏｆ₂，…，Ｏｆ
_l） （手順１）；プリプロセス（３８） ｉ＝０（縮退化次数） ｓｇｍａｘ＝０.０（満足度最大メモリ） ｄａｔａ（Ｘ₁，Ｘ₂，…，Ｘ_n）とrange（ΔＸ₁，Δ
Ｘ₂，…，ΔＸ_n）のレンジを決定する。

【０２０８】→ＡＳｆ_O （手順２）；再帰的レンジ分割（３９） 決定された、各制御操作量に対するレンジをｍ分割し、
それらのレンジ毎（共振区域毎）に取り得る制御操作量
の組合わせ集合を生成する。

【０２０９】→Ｓｆ_l （手順３）；満足度演算（４０）Ｓ ｆ_lに含まれる全ての組合わせ（ΔＸ₁，ΔＸ₂，
…，ΔＸ_n）に対して、Ｏｆ₁，Ｏｆ₂，…，Ｏｆ_l の適
合度を演算し、満足度集合を生成する。→Ｓｃ_l （手順４）；満足度評価（４１） ｍＳｇ＝（Ｓｇ(ΔＸ₁，ΔＸ₂，…，ΔＸ_n)｜Ｓｃ_l内
の最大値｝ とし、ｉｆ ｍＳｇ＞Ｓｇｍａｘｔｈｅｎ ｍＳｇ→Ｓｇｍａｘ その時の組合わせを ｍａｘ（ΔＸ₁，ΔＸ₂，…，ΔＸ_n）とする。

【０２１０】ｅｎｄｉｆ 分割による分解能＜制御最小分解能ｔｈｅｎ ｍａｘ（ΔＸ₁，ΔＸ₂，…，Δ
Ｘ_n） を最適組合わせとして出力する。

【０２１１】（ｓｔｏｐ)ｅｌｓｅ ｒｐ（reduction plane；縮退平面） ＝（（ΣＳｆ_lｊ）／Ｐ）／２ 但し、Ｓｆ_lｊ∈Ｓｆ_l，ＰはＳｆ_l の要素数とす
る。また、本例ではバイナリー分割としているが、縮退
平面は処理速度と精度により適宜、決定し得る。この縮
退平面ｒｐにより決定される高々ｌ個の共振範囲を決定
する。→（手順２） 図３２は、以上の推論機構を、集合の段階的な縮退で示
したものである。

【０２１２】同図で、有限区域内無限要素の制御アナロ
グ操作量組合わせ集合ＡＳｆ₀は、満足度を要素と
する無限要素集合ＡＳｃ₀と１対１であることが示
されている。

【０２１３】次にアナログ量→ディジタル量変換が３９
で行なわれ、ＡＳｆ₀はＳｆ₀に写像される。さら
に４０がＳｆ₀からＳｃ₀を生成する。４１はＳｃ₀
を基にＳｆ₀を縮退可能な様にレンジ分割し、再び３
９はＳｆ₀→Ｓｆ₁と写像を行なう。この手順が再帰
的に繰り返され、最終的に、 （ΔＸ₁，ΔＸ₂，…，ΔＸ_n）≒optimal という、近似最適制御操作量組合わせが決定される。

【０２１４】ここで、ＡＳ ｆ₀⊃Ｓｆ₀⊃Ｓｆ₁⊃Ｓｆ₂⊃…⊃Ｓｆ
_n-1⊃Ｓｆ_n∋（準最適解） であり、少なくともＳｆ_nの値域は(最適解）を含んでい
る。許容近傍値Δεを該システムにおける制御上の最小
分解能と定めると、 Δε＞（分解レンジ） にて準最適解は、当該システムにおいて最適解となる。
Δεは制御上意味のある変量である。

【０２１５】図３３と図３４は、予測ファジー推論機構
５の動作例をトンネル換気制御に適用した例である。

【０２１６】図３３で、現時点（制御時点）でのジェッ
トファンの運転台数ＪＦを３台、集塵機１の風量ＣＬ１
を７０ｍ³／ｓ、集塵機２の風量ＣＬ２を４０ｍ³／ｓと
している。ＪＦ台数は最小０台，最大１０台で操作量Δ
ＪＦは離散値、集塵機１は最小０ｍ³／ｓ，最大１５０
ｍ³／ｓで操作量ΔＣＬ１は連続量，集塵機２は最小０
ｍ³／ｓで最大９５ｍ³／ｓで操作量ΔＣＬ２は連続量で
ある。また、満足度評価Ｓｇは上記(ａ)〜(ｇ)の各予測
項目値と重み係数の積和演算から以下のように求められ
る。

【０２１７】Ｓｇ（ΔＪＦ，ΔＣＬ１，ΔＣＬ２） ＝０.２０・ＱＣＯ．ＶＧ＋０.０５・ＱＣＯ．Ｇ ＋０.２０・ＱＶＩ．ＶＧ＋０.０５・ＱＶＩ．Ｇ ＋０.４０・Ｐ＋０.０５・ＱＣ＋０.０５・ＢＰ ここでの重み係数は安全性（ＱＣＯ．ＶＧおよびＱＶ
Ｉ．ＶＧ)と経済性(Ｐ)に４０％、他の要素にそれぞれ
５％が与えられている。

【０２１８】同図の各行において、左端３項目は現在運
転量に対する制御操作量ΔＪＦ，ΔＣＬ１，ΔＣＬ２、
中間の７項目が予測値に基づく目的評価メンバーシップ
関数適合値、右端２項目が満足度とそのグラフである。

【０２１９】また、図中の＊は、不可能オペレーション
を示し、このところは評価対象としない。例えばΔＣＬ
２＝＋７０とするとＣＬ２の現在値は４０であるから、
この値からΔＣＬ２増加させると ＣＬ２＋ΔＣＬ２＋１１０＞９５＝ｍａｘ となり、実際には実行不可能な操作となる（評価はｉｎ
ｏｐ）。また、Ｓｇ→＊は操作不可能（ｉｎｏｐ）では
ないが、安全性の評価が許容レンジを外れるため対象外
とされることを示す。例えば、 ΔＪＦ＝−２ ΔＣＬ１＝−７０ ΔＣＬ２＝−２０ は現時点から操作可能であるが、これによりＣＯ濃度評
価のＱＣＯ．ＶＧおよびＱＣＯ．Ｇ の評価適合値が図
２８のように０.０となり危険状態となるからである。
なお、このＣＯ濃度は上記操作を実行すると仮定して上
述の（数２４）のＪＦ台数（ｎｊｉ)、(数２６）の風量
（Ｑｂ）を変更したときの線形モデル、あるいは図２０
の換気量（Ｘ₇)を変更しての複合ファジー推論によって
予測している。

【０２２０】制御操作量可能組合わせ集合Ｓｆ₀ での
ΔＣＬ２の分割数は１５（＋７０〜−７０のレンジをス
テップ１０で分割）に選択され、従って満足度の計算
は、 ΔＪＦ＝（＋１０，＋９，…，±０，−１，…，−１０） ΔＣＬ１＝（＋７０，＋６０，…，±０，−１０，…，−７０） ΔＣＬ２＝（＋７０，＋６０，…，±０，−１０，…，−７０） の要素の組合わせ数だけ行なわれる。もちろん、現時点
からｉｎｏｐや＊となる組合わせを除外することも可能
である。図３３ではΔＪＦ＝＋２，ΔＣＬ１＝＋７０〜
＋５０，ΔＣＬ２＝＋７０〜−７０の一部分と、ΔＪＦ
＝−２，ΔCL1＝−７０，ΔＣＬ２＝−２０〜−７０の
一部分についてそれぞれ示している。また各目的評価メ
ンバーシップ関数は図２５から図３０で示したものを利
用し、その各入力値は上述のｒ１〜ｒ４によって予測さ
れる。

【０２２１】図３３に示すように、ΔＪＦ＝＋２，ΔＣ
Ｌ１＝＋７０と固定し、ΔＣＬ２＝７０〜−７０と操作
すると、ΔＣＬ２＝＋１０で極大点が現われ、この満足
度Ｓｇ＝０.４６２となる。また、ΔＪＦ＝＋２，ΔＣ
Ｌ１＝＋５０とすると、ΔＣＬ１＝＋３０で極大点が現
われ、Ｓｇ＝０.４８５となる。これより満足度の最大
値ｓｇｍａｘ＝０.４８５となる。

【０２２２】次に満足度０.４の縮退平面が選択される
と、上記極大点を含む共振範囲が ±０≦ΔＪＦ≦２ ＋４０≦ΔＣＬ１≦＋７０ ＋１≦ΔＣＬ２≦＋４０ と、 ＋４≦ΔＪＦ≦＋５ −１０≦ΔＣＬ１≦＋２０ −３０≦ΔＣＬ２≦−１０ とになる。ここで分割数を１２とすると、Ｓｆ₀から
図３７に示されるＳｆ₁が生成される。ここでの極大
点は ΔＪＦ＝＋２，ΔＣＬ１＝＋７０， ΔＣＬ２＝＋１３， Ｓｇ＝０.４８４ と、 ΔＪＦ＝＋２，ΔＣＬ１＝＋６７， ΔＣＬ２＝＋１６， Ｓｇ＝０.５０２ の２点が求められる。ここで、最適解に対する許容近傍
値Δε＝４とすると、満足度を最大とする制御操作量組
合わせは、 （ΔＪＦ，ΔＣＬ１，ΔＣＬ２，）＝（＋２，＋６７，＋１６） と決定される。

【０２２３】因みに、これまで説明してきたｎ次元空間
上の共振突起は、人間が物事の判断を行なう場合の満足
度評価決定候補の集合に対応し、結局、突起の高さが最
も高いものを採用するという判断の仕組みを、定量表現
したものと言える。したがって、良いプロセス制御を得
るには、よく洗練された、鋭いメンバーシップ関数を与
えることが重要である。

【０２２４】このように、状況適応型制御操作量決定ル
ール群ｒ６を実行する予測ファジー推論機構５により、
複数の、連続的な制御操作量の組合わせを、容易に、し
かも高速に決定することが可能となる。

【０２２５】制御操作量総合判断ルール群ｒ７は上記推
論主機構２で実行される。上記ｒ５，ｒ６で得られた２
つの制御操作量中間仮説のうち、現時点のプロセスの挙
動に応じた最適な操作量中間仮説をｒ４と同様のあいま
い前向き推論で選択し、各制御機器を最適に操作する信
号の組合わせを操作指令として出力する。

【０２２６】推論自己評価ルール群ｒ８は、これまで述
べてきた各ルール群が、様々な状況にたいして、どの程
度の精度で予測推論を行ない、また判断ルール群が最適
の判断を行なったか否かを評価し、これらの評価の積み
上げより、自身の知識の洗練を行なうルール群である。

【０２２７】以上述べた本発明は、各々の推論機構の時
間的分解能より大きな制御分解能を持つ全てのプロセス
制御に適用可能である。特に、非線形要素を多く含むプ
ロセス程大きな改善が得られるが、その予測および決定
の過程に、従来モデル（定量型）を含んでいるので、適
用プロセスの非線形挙動に対し十分な知見が得られてい
ない場合でも安全に実施でき、それによって、適用プロ
セスの有用な知見が集積可能になる。もちろん、適用プ
ロセスの挙動に対する十分な知見が得られている場合に
は、従来モデルの採用がなくても実行可能である。

【０２２８】また、本発明の内容をトンネル換気制御を
例に説明したが、これに限定されるものではなく、例え
ば、ビルでの多数のエレベータ制御，時間帯により待ち
がしばしば発生してしまう大規模コンピュータネットワ
ークのルート制御等、数多い。

【０２２９】エレベータ制御についていえば、制御目的
が最小の電力で、かつ一定以上の運搬能力を発揮せねば
ならないという、原則的に相反するものを含んでおり、
プロセスの挙動に影響を与える要因の中に非線形要素を
持つものを多く含んでいる。そこで、エレベータを利用
する人間の流れの予測を、前記実施例における交通量の
予測に、多数のエレベータの現状オペレーションからの
移動を制御操作量，各エレベータの移動に要する電力量
を定常消費電力量，停止中のエレベータの起動に要する
電力量を過渡電力量，人間の待ち時間（待行列）に対す
る感覚を制御の質とし、それぞれファジー量で評価して
上記制御目的と置き換えるならば、本実施例をそのまま
流用できることになり、大変優れたエレベータ制御が得
られることは明らかである。このように、本発明は基本
性を有し適用範囲は広い。

【０２３０】

【発明の効果】本発明によれば、非線形挙動を含むプロ
セスにおいて、制御時のプロセス挙動が線形か否かを判
定し、挙動に適応した制御モデルによってプロセスの推
移を予測して制御目的を達成する最適な操作量を決定す
るようにしているので、高精度、かつ、フルタイムの連
続制御を実現できる効果がある。

【図面の簡単な説明】

【図１】本発明のプロセス制御装置の全体構成を示す機
能ブロック図。

【図２】本発明の１適用例を示すトンネル換気プロセス
の概観図。

【図３】トンネル換気プロセスのカットモデル図。

【図４】トンネル内の圧力分布と汚染量分布を示す概念
図。

【図５】予測汚染量の要因相関を示す意味ネットワーク
図。

【図６】トンネル内予測風速の要因相関を示す意味ネッ
トワーク図。

【図７】トンネル換気制御の推論相関を示す推論プロト
ネットワーク図。

【図８】定量型汚染予測ルール群の論理構造を示すブロ
ック図。

【図９】発生汚染量学習・評価論理構造を示すブロック
図。

【図１０】交通流相関学習・評価・予測論理構造を示す
ブロック図。

【図１１】傾向型汚染予測ルール群の動作説明図。

【図１２】傾向型汚染予測ルール群の論理構造を示すブ
ロック図。

【図１３】定性型汚染予測ルール群の意味ネットワーク
図。

【図１４】３次元空間上での複合メンバーシップ関数の
グラフ図。

【図１５】５段階グレードの複合メンバーシップ関数の
グラフ図。

【図１６】予測汚染量の要因とメンバーシップ関数の具
体例を示す説明図。

【図１７】予測車道内風速の要因とメンバーシップ関数
の具体例を示す説明図。

【図１８】複合ファジー推論機構の構成を示すブロック
図。

【図１９】図１４のメンバーシップ関数の１部を示すグ
ラフ図。

【図２０】複合ファジー推論で適合度最近似解を求める
手法の説明図。

【図２１】複合ファジー推論で適合度最近似解を求める
手法の説明図。

【図２２】採用するルール群予測値を判断する予測値総
合判断ルール群のツリー図。

【図２３】予測値総合判断ルール群のプロダクションル
ールの説明図。

【図２４】予測ファジー推論機構の一実施例を示す機能
ブロック図。

【図２５】ＣＯ濃度のメンバーシップ関数のグラフ図。

【図２６】煙霧透過率ＶＩのメンバーシップ関数のグラ
フ図。

【図２７】定電力消費量のメンバーシップ関数のグラフ
図。

【図２８】過渡消費電力量のメンバーシップ関数のグラ
フ図。

【図２９】トンネル内の汚染分布と換気圧力分布の概念
図。

【図３０】圧力バランスのメンバーシップ関数のグラフ
図。

【図３１】多次元空間での満足度の最適解の存在を説明
する概念図。

【図３２】操作量の縮退と満足度の近似最適範囲との関
係を説明する模式図。

【図３３】操作量，目的評価項目の適合値および満足度
の具体例で予測ファジー推論機構の動作を説明する図。

【図３４】図３３の例を縮退させた具体例で予測ファジ
ー推論機構の動作を説明する図。

【符号の説明】

１…プロセス制御装置、２…推論主機構、３…知識ベー
ス、４…複合ファジー推論機構、５…予測ファジー推論
機構。

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ０６Ｆ 17/00 Ｅ２１Ｆ 1/00 Ａ // Ｅ２１Ｆ 1/00 Ｇ０６Ｆ 15/20 Ｆ (72)発明者 八尋 正和 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 佐藤 良幸 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 (56)参考文献 特開 平１−151700（ＪＰ，Ａ) 特開 昭61−173304（ＪＰ，Ａ) 特開 昭61−70605（ＪＰ，Ａ) 電気学会雑誌、104〜10！（昭59−10 −20）電気学会、安信誠二、宮本捷二 「ＦＵＺＺＹ制御の列車自動運動システ ムへの応用」、Ｐ．867−874 オートメーション、33〜６！（昭63− ６−１）日刊工業新聞社、脇本一政、桜 井雅昭、青木太一「ファジィ集合論の考 え方を利用した高炉炉熱制御エキスパー トシステム」、Ｐ．37−41

Claims (7)

(57)【特許請求の範囲】
1. 【請求項１】プロセスの推移を予測しながら複数の制御
   目的に応じた制御をおこなうプロセス制御方法におい
   て、 プロセス情報を入力し、プロセスの挙動の線形度合（非
   線形度合）を評価するルールによって当該プロセスの挙
   動が線形か非線形かを判定し、該判定された挙動に応じ
   てプロセスの予測定量型モデル（ｒ１）または予測定性
   型モデル(ｒ２)による制御目的の予測値が選択的に求め
   られ、該予測値からプロセスの制御量を決定することを
   特徴とするプロセス制御方法。
2. 【請求項２】請求項１において、前記求められた各予測
   値に基づいて複数の制御目的を同じに達成する程度を示
   す満足度を演算し、該満足度が最大になるようにプロセ
   スの制御量を決定することを特徴とするプロセス制御方
   法。
3. 【請求項３】請求項１において、前記制御量は複数の制
   御効果器の操作量の組合わせからなることを特徴とする
   プロセス制御方法。
4. 【請求項４】請求項３において、前記操作量の組合わせ
   は、現時点から実行可能な各制御効果器の操作量の複数
   の組合わせ案を生成し、該組合わせ案について前記満足
   度を繰返し求めてその値が最大になる組合わせ案を採用
   するようにしたことを特徴とするプロセス制御方法。
5. 【請求項５】プロセスの推移を予測しながら制御目的に
   応じて制御効果器の操作量を制御するプロセス制御装置
   において、 入力されたプロセス情報から所定時間後の制御目的の予
   測値を演算するものであって、当該プロセスを定量的に
   模擬した予測定量的シミュレータおよび定性的に模擬し
   た予測定性的シミュレータと、 プロセス情報を入力し、プロセスの挙動の線形度合およ
   び／または非線形度合を評価するルール群によって当該
   （現在）プロセスの挙動が線形か非線形かを判定し、該
   判定結果によって前記予測定量的シミュレータまたは前
   記予測定性的シミュレータの演算による前記制御目的の
   予測値の一方を選択的に求める推論手段と、 該選択された予測値からプロセスの挙動に適応した前記
   操作量を決定する制御操作量決定手段を具備することを
   特徴とするプロセス制御装置。
6. 【請求項６】請求項５において、前記予測定性的シミュ
   レータは、入力される前記プロセス情報ごとに予め定め
   られたメンバーシップ関数と、これらプロセス情報と前
   記制御目的項目の状態量の因果関係から定められるプロ
   ダクションルールを有することを特徴とするプロセス制
   御装置。
7. 【請求項７】プロセスを制御する複数の制御効果器と、
   これら制御効果器を運転制御する処理装置を備えたプロ
   セス制御装置において、 前記処理装置は、 （ａ）先験的情報に基づいて定められた当該プロセスを
   同定した数式モデルと当該プロセスの各々についてファ
   ジー量で定めてあるメンバーシップ関数と当該プロセス
   の挙動の線形度合および／または非線形度合を評価する
   ルール群とを記憶する知識ベースと、 （ｂ）前記知識ベースに記憶された数式モデルによっ
   て、入力されたプロセス情報から複数の制御目的の予測
   値を演算する定量的演算手段（ｒ１）と、 （ｃ）前記知識ベースに記憶されたメンバーシップ関数
   によって、入力されたプロセス情報から前記複数の制御
   目的の予測値を推論する第１の推論手段と、 （ｄ）プロセス情報を入力し、前記知識ベースに記憶さ
   れた当該プロセスの挙動の線形度合および／または非線
   形度合を評価するルール群によってプロセスの挙動が線
   形か非線形かを判定し、該判定結果によって前記定量的
   演算手段または前記第１の推論手段による前記制御目的
   の予測値の一方を選択的に求める第２の推論手段と、 （ｅ）前記第２の推論手段によって選択された前記各予
   測値に基づいて、前記複数の制御目的を同時に達成する
   程度を示す満足度を演算し、該満足度が最大になる前記
   制御効果器の操作量の組合わせを決定する制御指令決定
   手段と、 を具備して、 プロセスの挙動に応じた最適な操作量の組合わせを前記
   複数の制御効果器に与えるようにしたことを特徴とする
   プロセス制御装置。