JP2644941B2 - 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】本発明は複数の制御目的を同時に
満足させるプロセスの制御方法に係り、特に複数の制御
効果器に出力する各制御操作量の組合わせを最適かつ高
速に決定する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
断して自動→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】

【００１２】それは、制御指令の決定の問題である。た
とえば、上記トンネル換気制御システムは換気の質向上
と電力量の低減など複数の制御目的をもつが、一方、制
御効果器も異種（ジェットファン，集塵機）、かつ、複
数（同種でもトンネル内の配置によって異なる制御）と
なる。このため、複数の制御目的を同時に満足するよう
に、複数の制御操作量を組合わせる最適な制御指令の決
定が必要になる。かかる多目的，多出力の制御ではその
操作の組合わせが爆発的になるので最適な組合わせをい
かに高速に決定するかは、リアルタイムなプロセス制御
において重要な課題となっている。しかしその有効な方
法は提案されるに至っていない。

【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、多目的，多出
力のプロセス制御において、最適かつ高速に制御出力を
決定する制御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、複数の制御目
的に応じて複数の制御効果器の操作量を制御するプロセ
ス制御方式において、最終的な制御操作量の決定を、本
発明による予測型ファジー推論により行なうもので、制
御操作量の組合わせが、ファジー量で評価されている複
数の制御目的を同時に満足する度合いを求め、最適な満
足度が得られる組合わせを決定することに特徴がある。

【００１５】すなわち本発明は、現時点から実行可能な
操作量の組合わせによる複数の制御指令案を生成し、該
制御指令案の１つ１つを出力するものと仮定し、ファジ
ー量で評価されている前記制御目的項目毎の予測評価値
をプロセスの各要因の相関を定性的に模擬したファジー
モデルによって推論し、全ての制御目的項目の予測評価
値に基づいて前記制御指令案毎の満足度を演算し、該満
足度が所定の基準を満たすまたは最大となる制御指令案
を前記複数の制御効果器の制御指令として決定するよう
に構成される。

【００１６】さらに、前記制御指令案の操作量の変化に
応じて演算された前記満足度の分布がピーク値（最大値
および／または極値）となる近傍に前記操作量のレンジ
（上下限値）を収縮し、該操作量のステップ（操作量変
化の分割幅）をより細分した制御指令案によって前記満
足度の演算過程を繰返し、前記制御指令を高速に決定す
るように構成される。

【００１７】

【作用】本発明は以上のように構成されているので、各
案の操作量を入力とした予測ファジー推論による評価値
から、操作量組合わせの最適化を実現し、かつ、推論過
程における各操作量のレンジとステップ幅を再帰的に縮
退，細分することで、アナログ量を含む複数の制御操作
量の組合わせが爆発的になるのを回避し、推論のための
演算が高速に収斂するのを可能にしている。

【００１８】

【実施例】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ｎｌ，
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１１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。

【００１９】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。

【００２０】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。

【００２１】図３はトンネル内の断面モデル図で、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。

【００２２】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。

【００２３】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。

【００２４】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。

【００２５】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。

【００２６】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。

【００２７】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。

【００２８】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。

【００２９】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。

【００３０】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。

【００３１】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。

【００３２】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。

【００３３】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。

【００３４】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

【００３５】

【数１】

【００３６】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。

【００３７】

【数２】

【００３８】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、

【００３９】

【数３】

【００４０】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。

【００４１】

【数４】

【００４２】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。

【００４３】これらの関数ｇ，ｈは次のように定義され
決定される。

【００４４】〈汚染発生量関数ｈの導出と論理化〉

【００４５】

【数５】

【００４６】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。

【００４７】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。

【００４８】

【数６】

【００４９】(数５)式と(数６)式から下記の差分方程式
が得られる。

【００５０】

【数７】

【００５１】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。

【００５２】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。

【００５３】

【数８】

【００５４】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。

【００５５】時刻ｋ（現在）から（ｋ＋１）間での発生
汚染量は(数５)式により

【００５６】

【数９】

【００５７】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。

【００５８】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

【００５９】

【数１０】

【００６０】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。

【００６１】

【数１１】

【００６２】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。

【００６３】

【数１２】

【００６４】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。

【００６５】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
ｖａａ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

【００６６】

【数１３】

【００６７】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。

【００６８】〈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。

【００６９】

【数１４】

【００７０】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。

【００７１】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。

【００７２】

【数１５】

【００７３】

【数１６】

【００７４】

【数１７】

【００７５】

【数１８】

【００７６】

【数１９】

【００７７】

【数２０】

【００７８】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。

【００７９】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。

【００８０】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。

【００８１】

【数２１】

【００８２】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。

【００８３】

【数２２】

【００８４】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。

【００８５】

【数２３】

【００８６】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。

【００８７】

【数２４】

【００８８】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。

【００８９】

【数２５】

【００９０】ただし、 Ｖｊ：ＪＦ吹出速度 Ａｊ：ＪＦ吹出面積 ｎｊｉ：区間ｉでのＪＦ台数 より

【００９１】

【数２６】

【００９２】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。

【００９３】

【数２７】

【００９４】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

【００９５】

【数２８】

【００９６】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。

【００９７】

【数２９】

【００９８】より

【００９９】

【数３０】

【０１００】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。

【０１０１】(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

【０１０２】

【数３１】

【０１０３】(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

【０１０４】

【数３２】

【０１０５】これよりＡ，Ｂ，Ｃは下式で求められる。

【０１０６】

【数３３】

【０１０７】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。

【０１０８】車道内風速演算論理２２は(数３２)式より

【０１０９】

【数３４】

【０１１０】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。

【０１１１】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。

【０１１２】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。

【０１１３】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

【０１１４】

【数３５】

【０１１５】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。

【０１１６】

【数３６】

【０１１７】線形予測演算論理３４は(数３５)式より

【０１１８】

【数３７】

【０１１９】の演算を行ない中間仮説としてＸ（ｋ＋
１）を出力する。

【０１２０】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。

【０１２１】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。

【０１２２】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。

【０１２３】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。

【０１２４】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。

【０１２５】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。

【０１２６】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。

【０１２７】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。

【０１２８】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。

【０１２９】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。

【０１３０】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。

【０１３１】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。

【０１３２】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（１
２，６）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。

【０１３３】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。

【０１３４】この制約により、図２１の例で丸の付いた
新値μ(１２，６)近傍にａμ₁(１２,６），ａμ₂（１
２，６），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ａ
μ₂ 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。

【０１３５】（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。

【０１３６】 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。

【０１３７】（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。

【０１３８】まず、四面体の各面を求める。

【０１３９】

【数３８】

【０１４０】

【数３９】

【０１４１】

【数４０】

【０１４２】

【数４１】

【０１４３】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。

【０１４４】 （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。

【０１４５】

【数４２】

【０１４６】

【数４３】

【０１４７】

【数４４】

【０１４８】

【数４５】

【０１４９】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。

【０１５０】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。

【０１５１】（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。

【０１５２】 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。

【０１５３】 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。

【０１５４】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。

【０１５５】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。

【０１５６】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。

【０１５７】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。

【０１５８】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。

【０１５９】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。

【０１６０】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。

【０１６１】(イ)交通量予測精度は良好である。

【０１６２】(ロ)定量型モデルによる予測値を重視せ
よ。

【０１６３】(ハ)傾向型モデルによる予測値を重視せ
よ。

【０１６４】(ニ)定性型モデルによる予測値を重視せ
よ。

【０１６５】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。

【０１６６】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。

【０１６７】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。

【０１６８】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表われ、
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。

【０１６９】 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。

【０１７０】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。

【０１７１】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。

【０１７２】 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。

【０１７３】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。

【０１７４】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。

【０１７５】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。

【０１７６】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。

【０１７７】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。

【０１７８】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、本発明の特徴の１つである状況
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。

【０１７９】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。

【０１８０】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。

【０１８１】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、本発明
の特徴をなす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，…，Δ
Ｘ_n）を出力とする。

【０１８２】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。

【０１８３】(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。

【０１８４】(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。

【０１８５】(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。

【０１８６】(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。

【０１８７】(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。

【０１８８】(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。

【０１８９】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０
ppmに近づく程適合度が上昇し、０ppm で適合度＝１.０
となる。

【０１９０】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。

【０１９１】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。

【０１９２】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。

【０１９３】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。

【０１９４】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。

【０１９５】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。

【０１９６】予測ファジー推論機構５は、前記data（Ｘ
₁，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，…，Δ
Ｘ_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（Ｏｆ¹，
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３９を起動する
満足度評価論理４１により構成される。

【０１９７】なお、論理４０における上記の予測計算で
は、論理３９の制御操作量の組合わせに応じ図１の推論
主機構２や複合ファジー推論装置４で制御目的項目群の
各予測値が演算され、入力される。

【０１９８】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。

【０１９９】

【数４６】

【０２００】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。

【０２０１】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。

【０２０２】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。

【０２０３】（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，ΔＸ₂，
…，ΔＸ_n） のレンジを決定する。

【０２０４】→ＡＳｆ₀ （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。

【０２０５】→Ｓｆ₁ （手順３）；満足度演算（４０） Ｓｆ₁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。→Ｓｃ₁ （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＞Ｓｇｍａｘ ｔｈｅｎ ｍＳｇ→Ｓｇｍａｘ その時の組合わせを ｍａｘ（ΔＸ₁，ΔＸ₂，…，ΔＸ_n）とする。

【０２０６】ｅｎｄ ｉｆ 分割による分解能＜制御最小分解能 ｔｈｅｎ ｍａｘ（ΔＸ₁，ΔＸ₂，…，ΔＸ_n） を最適組合わせとして出力する。

【０２０７】（ｓｔｏｐ) ｅｌｓｅ ｒｐ（reduction plane；縮退平面） ＝（（ΣＳｆ_lｊ）／Ｐ）／２，(Ｊ ＝１〜Ｐ) 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。

【０２０８】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。

【０２０９】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３９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。

【０２１０】ここで、 ＡＳｆ₀⊃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。

【０２１１】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。

【０２１２】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から以下のように求められる。

【０２１３】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。

【０２１４】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。

【０２１５】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。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。

【０２１６】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。

【０２１７】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。

【０２１８】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。

【０２１９】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。

【０２２０】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。

【０２２１】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。

【０２２２】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。

【０２２３】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。

【０２２４】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。

【０２２５】

【発明の効果】本発明によれば、複数の制御目的項目を
同時に満足させるプロセスにおいて、複数の制御効果器
に出力する操作量の組合わせを、予測ファジーの手法に
より最適かつ高速に決定できるプロセス制御方法および
装置を提供することができる。これによって、線形モデ
ルのみでは捉えられない複雑なプロセスでの高精度，リ
アルタイムな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制御の列車自動運転システ 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 (5)

(57)【特許請求の範囲】
1. 【請求項１】複数の制御目的に応じて複数の制御効果器
   の操作量を出力するプロセス制御方法において、複数の
   操作量の組合わせによる複数の制御指令案を生成し、該
   各制御指令案を実行すると仮定して所定時間後の各制御
   目的の予測値をファジー評価し、これら評価された予測
   評価値に基づいて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、該満足度が最適の基準を満たす
   操作量の組合わせを制御指令として決定する（ｒ６）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において前記最適の基準は、前記
   満足度が最大値にな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において前記制御指令案は、前記
   制御効果器毎の所定レンジ内の所定ステップで生成され
   る各操作量に基づいて演算された各満足度の分布におけ
   るピーク値を含む所定の範囲に収縮されたレンジとより
   細分されたステップによる操作量の組合わせによって再
   生成され、これら再生成された制御指令案によって前記
   満足度の演算過程を繰返し、最適制御指令の決定を高速
   におこなうことを特徴とするプロセス制御方法。
4. 【請求項４】請求項１において前記満足度は、前記制御
   目的毎に予め定められた重み係数と前記予測評価値の積
   和から求められることを特徴とするプロセス制御方法。
5. 【請求項５】複数の制御目的に応じて複数の制御効果器
   の操作量を出力するプロセス制御装置において、 前記制御効果器毎の所定のレンジとステップに応じた操
   作量の組合わせによる複数の制御指令案を生成する制御
   指令案生成手段と、 プロセス情報と前記制御指令案の操作量を入力しプロセ
   スを模擬した定性的モデルによって所定時間後の各制御
   目的の予測値を演算し、かつ、該予測値を予め定められ
   ているメンバーシップ関数によってファジー評価し制御
   目的毎の評価値を求める制御目的項目評価手段と、 該評価値と制御目的毎の重み係数の積和によって複数の
   制御目的を同時に達成する程度を示す満足度を演算する
   満足度演算手段と、 該満足度が最大になる操作量の組合わせを制御指令とす
   る制御指令決定手段と、を有し、 前記制御指令案生成手段は、前記制御指令案で演算され
   た前記満足度の分布におけるピーク値を含む所定の範囲
   に収縮されたレンジとより細分されたステップによる操
   作量の組合わせでなる制御指令案を再生成する機能を含
   み、該再生成される制御指令案によって前記満足度演算
   の過程を繰返すように構成される前記予測ファジー制御
   装置（ｒ６）を具備することを特徴とするプロセス制御
   装置。