JP2018063656A - 意思決定支援システムおよび意思決定支援方法 - Google Patents

Abstract

【課題】機械学習により情報量を抑えながら、人間の意思決定をシステムが支援する。【解決手段】水処理施設が備える設備の制御に用いられる制御パラメータの決定を支援するシステムであって、過去の観測値を観測したときに用いられた第１の制御パラメータと、第１の制御パラメータのＫＰＩ値を予測しＫＰＩ値の高い所定数の第１の制御パラメータを、予測された第１の制御パラメータの中から抽出する制御パラメータ決定部と、熟練者により用いられた第２の制御パラメータと、第２の制御パラメータにより設備を制御する確率を算出するための選択確率モデルとに基づいて選択確率の高い所定数の第２の制御パラメータを、算出された中から抽出する選択確率算出部と、制御パラメータ決定部が抽出した第１の制御パラメータと、選択確率算出部が抽出した第２の制御パラメータとに基づいて、ユーザに推薦する制御パラメータを決定するパラメータ推薦部と、を備える。【選択図】図６

Description

本発明は、意思決定支援システムおよび意思決定支援方法に関する。

近年、上下水道プラント等の水処理施設に関する監視制御システムは、人員削減や情報集約等の観点から、制御対象となる多数の設備を遠隔地から集中的に監視する遠隔監視システムに置き換えられている。遠隔監視システムでは、各プラントに設置された監視端末やセンサから受け取った情報を中央監視センタで表示し、監視制御や保守作業を行う。中央監視センタでは、時々刻々集約される情報を基に、各浄水場に最適な制御を実施する。

特許文献１では、水処理施設で発生した事象および操作情報が格納された履歴情報から、条件を満たす情報を抽出し、対象設備を制御している。また、特許文献２では、作業者にとって被監視対象の適切な監視制御を容易に行うことを目的として、ログインした作業者の権限に合わせて、表示装置に情報を表示させ、プラントやシステムを制御している。また、特許文献３では、導送配水ポンプ号機ごとの機器特性と運転方式などを記憶し、機器特性と制御ルールをもとに構築したコストモデルを用いて、運用コストを最小とする水道運用計画データを作成し、制御対象を制御している。

特開２０１６−１２２０２号公報 特開２０１４−２６５４７号公報 特開２０１２−１９７６２９号公報

しかしながら、従来技術では、監視対象が多数になった場合や、監視員が少ない場合には、浄水場等の水処理施設に設けられた設備の制御変数を人手で決定することが困難となる場合がある。このような問題に対して、機械学習により過去の運転履歴から制御変数の決定モデルを学習することも考えられる。しかし、決定モデルを学習した場合であっても、必ずしもその決定モデルが高精度で最適なモデルとなるわけではなく、最終的には人間の判断が必要となっていた。そこで、機械学習により情報量を抑えながら、人間の意思決定をシステムが支援する技術が求められていた。

本発明は、上記に鑑みてなされたものであって、機械学習により情報量を抑えながら、人間の意思決定をシステムが支援することが可能な意思決定支援システムおよび意思決定支援方法を提供することを目的とする。

上記課題を解決し、目的を達成するために、本発明にかかる意思決定支援システムは、水処理施設が備える設備の制御に用いられる制御パラメータの決定を支援する意思決定支援システムであって、前記設備の過去の観測値を観測したときに用いられた第１の制御パラメータと、前記第１の制御パラメータにより前記設備を制御してＫＰＩ値を予測するための制御決定モデルとに基づいて、前記第１の制御パラメータのＫＰＩ値を予測し、ＫＰＩ値の高い所定数の前記第１の制御パラメータを、予測された前記第１の制御パラメータの中から抽出する制御パラメータ決定部と、前記設備の過去の観測値を観測したときに熟練者により用いられた第２の制御パラメータと、前記第２の制御パラメータにより前記設備を制御する確率を算出するための選択確率モデルとに基づいて、選択確率の高い所定数の前記第２の制御パラメータを、算出された前記第２の制御パラメータの中から抽出する選択確率算出部と、前記制御パラメータ決定部が抽出した前記第１の制御パラメータと、前記選択確率算出部が抽出した前記第２の制御パラメータとに基づいて、ユーザに推薦する制御パラメータを決定するパラメータ推薦部と、を備えることを特徴とする意思決定支援システムとして構成される。

また、本発明は、上記水処理意思決定支援システムで用いられる意思決定支援方法としても把握される。

本発明によれば、機械学習により情報量を抑えながら、人間の意思決定をシステムが支援することができる。

実施例１における情報処理装置の構成例を示す図である。 制御パラメータの例を示す図である。 観測データの例を示す図である。 制御決定モデルの例を示す図である。 選択確率モデルの例を示す図である。 パラメータ推薦処理の処理手順を示すフローチャートである。 実施例２における情報処理装置の構成例を示す図である。 制御パラメータログの例を示す図である。 選択確率モデル学習処理の処理手順を示すフローチャートである。 実施例３における情報処理装置の構成例を示す図である。 制御ログの例を示す図である。 制御決定モデル学習処理の処理手順を示すフローチャートである。 実施例４における情報処理装置の構成例を示す図である。 モデル更新処理の処理手順を示すフローチャートである。 実施例５における情報処理装置の構成例を示す図である。 パラメータ推薦プログラムが出力したパラメータセット、そのパラメータセットを用いて算出される予測ＫＰＩ値、観測データを表示する表示部の例を示す図である。 複数の情報処理装置の間で制御決定モデル、選択確率モデルを共有する構成例を示す図である。 共通制御決定モデルの例を示す図である。 共通選択確率モデルの例を示す図である。

以下に添付図面を参照して、本発明にかかる意思決定支援システムおよび意思決定支援方法の実施の形態を詳細に説明する。以下では、意思決定支援システムが１つのコンピュータである情報処理装置で行われる場合について説明しているが、本システムを実現する機能が複数のコンピュータにより実現されてもよい。

（実施例１）
図１は、実施例１における情報処理装置１００の構成例を示す図である。図１に示すように、情報処理装置１００は、プロセッサ１０１と、メモリ１０２と、補助記憶装置１０３とを有している。情報処理装置１００は、ハードウェアとしては、サーバやＰＣ（Personal Computer）等の一般的なコンピュータにより構成される。

プロセッサ１０１は、メモリ１０２に記憶されているプログラムを読み出して実行する演算装置である。メモリ１０２は、本システムで用いられる各種プログラムを記憶する記憶媒体である。補助記憶装置１０３は、本システムで用いられる各種パラメータや各種モデルを記憶する記憶装置である。

メモリ１０２は、パラメータ推薦プログラム１０２１と、ＫＰＩ観測プログラム１０２２と、制御パラメータ決定プログラム１０２３と、選択確率算出プログラム１０２４とを記憶する。

パラメータ推薦プログラム１０２１は、制御パラメータ決定プログラム１０２３が水処理施設の各設備の運転履歴から予測した水処理制御のＫＰＩ（Key Performance Indicators）値を最大にする制御パラメータ、および選択確率算出プログラム１０２４が水処理施設の各設備の運転履歴から熟練者が選択する可能性が最も高い制御パラメータの中から、ユーザに推薦する制御パラメータを抽出するプログラムである。

なお、水処理施設とは、例えば、河川等の水源から上水道に水を供給する浄水場である。また、各設備とは、例えば、取水塔、薬品混和池、塩素注入設備、配水池等の上記浄水場を構成する設備である。また、制御パラメータとは、上記各設備を制御するためのパラメータであり、例えば、取水量、配水量、薬品量を設定するパラメータである。

ＫＰＩ観測プログラム１０２２は、パラメータ推薦プログラム１０２１によって抽出された制御パラメータの中からユーザが選択した制御パラメータにより各設備が水処理制御されたときの観測値を観測するプログラムである。

制御パラメータ決定プログラム１０２３は、水処理施設の各設備の運転履歴から予測した水処理制御のＫＰＩ値を最大にする制御パラメータを出力するプログラムである。

選択確率算出プログラム１０２４は、水処理施設の各設備の運転履歴から熟練者により選択される制御パラメータの選択確率を算出し、最も高い選択確率で選択された制御パラメータを出力するプログラムである。

補助記憶装置１０３は、制御パラメータ１０３１と、観測データ１０３２と、制御決定モデル１０３３と、選択確率モデル１０３４とを記憶する。

制御パラメータ１０３１は、水処理施設の各設備を制御するパラメータである。図２は、制御パラメータ１０３１の例を示す図である。図２（ａ）は、制御パラメータの値が具体的に定められている場合の例であり、図２（ｂ）は、制御パラメータの値の上下限の値が定められている場合の例を示している。

図２（ａ）では、Ｎｏ１〜７までの７つのレベルに対応づけて、４００、５００、６００、７００、８００、９００、１０００が、制御パラメータの候補の値として定められていることを示している。また、図２（ｂ）では、制御パラメータの上限（Ｍａｘ）と下限（Ｍｉｎ）が定められ、それぞれ、２００、１５００が、制御パラメータの上下限値として定められていることを示している。図２（ａ）の例では、ユーザはあらかじめ定められた候補の中から制御パラメータの値を選択することができ、また、図２（ｂ）の例では、ユーザは設定された上下限値の範囲内で任意の値を設定することができる。制御パラメータ１０３１は、本システムの管理者により、設備ごとにあらかじめ設定される。

観測データ１０３２は、水処理施設の各設備の運転履歴を示すデータである。図３は、観測データ１０３２の例を示す図である。図３に示すように、観測データ１０３２は、時刻と観測値とが対応付けて記憶されている。図３では、例えば、２０１５年９月１５日には、取水塔のセンサから得られた値が０．２（取水量）、ろ過池のセンサから得られた値が０．１（濁度）、薬品注入設備のセンサから得られた値が０．９（薬品量）、浄水池のセンサから得られた値が２５（水温）、配水池のセンサから得られた値がＳｕｎｎｙ（天候）であったことがわかる。このように、観測データには、水処理施設の各設備に設けられた様々なセンサから得られたデータが観測値として時系列に蓄積されている。図３では、時刻と観測値とが対応付けられているが、実際には、その観測値が得られたときの制御パラメータの値が、これらの情報に対応付けられている。

制御決定モデル１０３３は、水処理施設の各設備の運転履歴から水処理制御のＫＰＩ値を最大にする制御パラメータを予測するためのモデルである。図４は、制御決定モデル１０３３の例を示す図である。図４（ａ）〜４（ｃ）は、制御決定モデルの相関表であり、図４（ｄ）は、その相関表を用いて生成されるモデルを示している。図４（ａ）〜４（ｃ）に示すように、相関表では、モデルを構成するレイヤごとに制御パラメータに対する重み値が記憶されている。

図４（ａ）では、例えば、レイヤ１（１）の値４０１とレイヤ２（１）の値４０３との間の重み付けＷ１１の値が０．２であり、レイヤ１（２）の値４０２とレイヤ２（１）の値４０３との間の重み付けｗ２１の値が０．３であることを示している。また、レイヤ１（１）の値４０１とレイヤ２（２）の値４０４との間の重み付けｗ１２の値が０．５であることを示している。以降、同様に全てのレイヤの値について重み付けの値が定められている。図４（ｄ）では、図２に示した５つのセンサが観測したときの制御パラメータがレイヤ１に入力されることを示している。重み付けされた制御パラメータは、例えば、レイヤ１（１）の値４０１をｘ１、レイヤ１（２）の値４０２をｘ２、レイヤ２（１）の値４０３をｚ１とすると、算式ｚ１＝ｘ１×ｗ１１＋ｘ２×ｗ２１により求めることができる。以降、同様の算式により全てのレイヤについて制御パラメータを重み付けすることができる。

すなわち、図４では、観測値が得られたときの制御パラメータをレイヤ１（１）〜レイヤ１（５）の入力とし、レイヤ２、レイヤ３と進むに従って、制御パラメータが重み付けされる。その中で最も重み付けされている制御パラメータが出力され、その制御パラメータにより制御されたときのＫＰＩ値を予測ＫＰＩ値とする。図４（ｄ）では、５つの制御パラメータを入力して最も重み付けされた２つの制御パラメータを出力し、それぞれの制御パラメータを用いたときの予測ＫＰＩ値が出力される例を示しているが、その数は任意に定めることができる。

選択確率モデル１０３４は、水処理施設の各設備の運転履歴から熟練者により最も選択されやすい制御パラメータの選択確率を求めるためのモデルである。図５は、選択確率モデル１０３４の例を示す図である。図５（ａ）〜５（ｃ）は、選択確率モデルの相関表であり、図５（ｄ）は、その相関表を用いて生成されるモデルを示している。図５（ａ）〜５（ｃ）に示すように、相関表では、モデルを構成するレイヤごとに制御パラメータに対する重み値が記憶されている。

図５（ａ）では、例えば、レイヤ１（１）の値５０１とレイヤ２（１）の値５０３との間の重み付けＷ１１の値が０．１であり、レイヤ１（２）の値５０２とレイヤ２（１）の値５０３との間の重み付けｗ２１の値が０．３であることを示している。また、レイヤ１（１）の値５０１とレイヤ２（２）の値５０４との間の重み付けｗ１２の値が０．５であることを示している。以降、同様に全てのレイヤの値について重み付けの値が定められている。図５（ｄ）では、図２に示した５つのセンサが観測したときに熟練者により選択された制御パラメータがレイヤ１に入力されることを示している。図５の場合も図４の場合と同様の算式を用いて、全てのレイヤについて制御パラメータを重み付けすることができる。

すなわち、図５では、観測値が得られたときに熟練者により選択された制御パラメータをレイヤ１（１）〜レイヤ１（５）の入力とし、レイヤ２、レイヤ３と進むに従って、制御パラメータが重み付けされる。その中で最も重み付けされている制御パラメータを最も選択されやすく選択確率の高い制御パラメータとし、その制御パラメータにより制御されたときのＫＰＩ値を出力する。図５（ｄ）では、５つの制御パラメータを入力して最も選択されやすい２つの制御パラメータを出力し、それぞれの制御パラメータを用いたときのＫＰＩ値が出力される例を示しているが、その数は任意に定めることができる。

なお、熟練者が制御パラメータを選択したか否かを判定する方法は以下のようにすればよい。例えば、ユーザが本システムにログインしたときのユーザＩＤをメモリ１０２に記憶しておき、そのユーザＩＤがあらかじめ熟練者として登録されているユーザＩＤである場合、そのユーザが熟練者であると判定すればよい。

図６は、実施例１で行われる処理（パラメータ推薦処理）の処理手順を示すフローチャートである。パラメータ推薦処理は、パラメータ推薦プログラム１０２１、制御パラメータ決定プログラム１０２３、選択確率算出プログラム１０２４により実行される。

図６に示すように、選択確率算出プログラム１０２４は、図５に示した選択確率モデル１０３４から選択確率の高い制御パラメータを含む制御パラメータの組であるパラメータセットの上位３件（ｓｅｔＡ）を抽出する（ステップＳ６０１）。本例では上位３件としているが、その数は任意に定めることができる。

制御パラメータ決定プログラム１０２３は、図４に示した制御決定モデル１０３３から予測ＫＰＩ値の高い制御パラメータを含む制御パラメータの組であるパラメータセットの上位３件（ｓｅｔＢ）を抽出する（ステップＳ６０２）。本例では上位３件としているが、その数は任意に定めることができる。

パラメータ推薦プログラム１０２１は、ステップＳ６０１で抽出したパラメータセット（ｓｅｔＡ）と、ステップＳ６０２で抽出したパラメータセット（ｓｅｔＢ）とを比較し、両者の類似度を算出する（ステップＳ６０３）。類似度とは、ステップＳ６０１で得られたパラメータセットに含まれる制御パラメータと、ステップＳ６０２で得られたパラメータセットに含まれる制御パラメータの一致度である。例えば、ステップＳ６０１で得られたパラメータセットに３つの制御パラメータが含まれ、ステップＳ６０２で得られたパラメータセットに３つの制御パラメータが含まれており、そのうちの２つが一致している場合、類似度は２／３となる。

パラメータ推薦プログラム１０２１は、算出した類似度が所定値（例えば、１／２）よりも高いか否かを判定し（ステップＳ６０４）、算出した類似度が所定値よりも高いと判定した場合（ステップＳ６０４；Ｙｅｓ）、ステップＳ６０１で得られたパラメータセット（ｓｅｔＡ）の中から１つ、ステップＳ６０２で得られたパラメータセット（ｓｅｔＢ）の中から２つを抽出する（ステップＳ６０５）。類似度が所定値よりも高い場合ということは、熟練者が選択した制御パラメータに似ていることを意味するため、ステップＳ６０５では、実際にＫＰＩ値を求めたｓｅｔＢの中からより多い数の制御パラメータを抽出する。

一方、パラメータ推薦プログラム１０２１は、算出した類似度が所定値以下と判定した場合（ステップＳ６０４；Ｎｏ）、ステップＳ６０１で得られたパラメータセット（ｓｅｔＡ）の中から２つ、ステップＳ６０２で得られたパラメータセット（ｓｅｔＢ）の中から１つを抽出する（ステップＳ６０６）。類似度が所定値以下の場合ということは、熟練者が選択した制御パラメータに似ていないことを意味するため、ステップＳ６０６では、熟練者が選択する可能性の高いｓｅｔＡの中からより多い数の制御パラメータを抽出している。

パラメータ推薦プログラム１０２１は、ステップＳ６０５またはＳ６０６で抽出した件数のパラメータセットを出力し、ユーザに提示する（ステップＳ６０７）。ユーザへの具体的な提示方法については実施例５で説明する。ステップＳ６０７の処理が終了すると、図６に示したパラメータ推薦処理が終了する。以降、ユーザに提示され、その後選択された制御パラメータにより水処理制御されたときの観測値が、ＫＰＩ観測プログラム１０２２により観測され、観測データ１０３２に記憶されることとなる。

このように、実施例１では、水処理施設の各設備に設けられたセンサから得られた情報から、各制御パラメータの予測ＫＰＩ値と熟練者によって制御パラメータの選択確率を算出し、算出された予測ＫＰＩ値と選択確率に基づき生成された制御パラメータリストをユーザに提示し、選択させる。したがって、従来に比べ、機械学習により情報量を抑えながら、ＫＰＩ値の予測精度を上げ、その結果、少数の熟練監視者による多数のプラントの監視の効率化を図ることができる。

なお、図６では、パラメータ推薦プログラム１０２１が、選択確率（ｓｅｔＡ）と予測ＫＰＩ値（ｓｅｔＢ）との類似度を算出することによりパラメータセットをユーザに提示することとした。しかし、類似度を算出するまでもなく、どちらのモデルを用いることが望ましいことがあらかじめわかっている場合には、制御決定モデル、選択確率モデルのいずれかから抽出したパラメータセットをユーザに提示してもよい。

例えば、図３に示した観測データ１０３２に台風（ｓｔｏｒｍ）など、あらかじめ定められた異常状況を示す情報が含まれているか否かを判定し、上記異常状況を示す情報が含まれていると判定した場合には、熟練者が選択した制御パラメータにより水処理施設の各設備を制御するほうが精度よく制御できる可能性が高い。このような場合には、パラメータ推薦プログラム１０２１は、制御決定モデル１０３３と比較することなく選択確率モデル１０３４の中から抽出したパラメータセットをユーザに提示してもよい。このような処理を実行することにより、天候不良等の異常状況が観測された場合であっても水処理施設の各設備を高精度に制御することができる。

（実施例２）
実施例１では、予測ＫＰＩ値の高い制御パラメータと熟練者の選択確率が高い制御パラメータの類似度に基づいて、ユーザに提示する制御パラメータを含むパラメータセットを抽出した。過去に各設備を制御したときの操作履歴と選択確率モデルとを用いて、どのような状況下でどのような制御パラメータが熟練者による選択確率が高い制御パラメータであるのかを学習することができるため、以下では、その例について説明する。

図７は、実施例２における情報処理装置１００の構成例を示す図である。図７では、図１に示した情報処理装置１００に対して、メモリ１０２に選択確率モデル学習プログラム１０２５が記憶され、補助記憶装置１０３に制御パラメータログ１０３５が記憶されている点で実施例１と異なっている。以下では、実施例１と同一の構成要素には同一の符号を付してその説明を省略している。

選択確率モデル学習プログラム１０２５は、制御パラメータログ１０３５に記憶されている制御パラメータと、熟練者により選択される確率の高い制御パラメータとを比較し、その結果に応じて選択確率モデル１０３４を更新するプログラムである。

制御パラメータログ１０３５は、水処理施設の各設備を制御したときに実際に選択された制御パラメータの履歴を示すデータである。

図８は、制御パラメータログ１０３５の例を示す図である。図８に示すように、制御パラメータログ１０３５は、熟練者が水処理施設の各設備を制御した日時とそのときに選択された制御パラメータの値とが対応付けて記憶されている。図８では、例えば、２０１５年９月２０日には、値が５６０である制御パラメータが選択されたことを示している。

図９は、実施例２で行われる処理（選択確率モデル学習処理）の処理手順を示すフローチャートである。本処理は、選択確率算出プログラム１０２４、選択確率モデル学習プログラム１０２５により実行される。

図９に示すように、選択確率モデル学習プログラム１０２５は、図８に示した制御パラメータログ１０３５からｔ番目のレコードを抽出する（ステップＳ９０１）。

選択確率算出プログラム１０２４は、抽出されたレコードに含まれる時刻に対応する観測データ１０３２を入力として制御パラメータを推定する（ステップＳ９０２）。具体的には、選択確率算出プログラム１０２４は、制御パラメータログ１０３５に記憶されている日時と同じ日時の観測データ１０３２を読み出し、読み出した観測データ１０３２が得られたときの制御パラメータを含むパラメータセットを入力として、図５に示した選択確率モデル１０３４により熟練者により選択される可能性の高い制御パラメータを推定する。

選択確率モデル学習プログラム１０２５は、ステップＳ９０２で推定された制御パラメータと、ステップＳ９０１で抽出した制御パラメータログ１０３５のレコードに記憶されている制御パラメータとを比較し（ステップＳ９０３）、両者が同じであるか否かを判定する（ステップＳ９０４）。

選択確率モデル学習プログラム１０２５は、ステップＳ９０２で推定された制御パラメータと、ステップＳ９０１で抽出した制御パラメータログ１０３５のレコードに記憶されている制御パラメータとが同じであると判定した場合（ステップＳ９０４；Ｙｅｓ）、選択確率モデル１０３４を更新せずにステップＳ９０７に進む（ステップＳ９０５）。

一方、選択確率モデル学習プログラム１０２５は、ステップＳ９０２で推定された制御パラメータと、ステップＳ９０１で抽出した制御パラメータログ１０３５のレコードに記憶されている制御パラメータとが同じでないと判定した場合（ステップＳ９０４；Ｎｏ）、補助記憶装置１０３に記憶されている選択確率モデル１０３４を更新する（ステップＳ９０６）。具体的には、選択確率モデル学習プログラム１０２５は、ステップＳ９０２で推定された制御パラメータを含むパラメータセットが出力されるように、図５に示した選択確率モデル１０３４の相関表の重み値およびモデルを更新する。ステップＳ９０６の処理が終了すると、ステップＳ９０７に進む。

ステップＳ９０７では、選択確率モデル学習プログラム１０２５は、制御パラメータログ１０３５に記憶されている全てのレコード（Ｔ）について、ステップＳ９０２〜Ｓ９０６の処理を実行したか否かを判定し、全てのレコードについて処理を実行していないと判定した場合（ステップＳ９０７；Ｎｏ）、ステップＳ９０１に戻って、ステップＳ９０２〜Ｓ９０６までの各処理を実行する。

一方、選択確率モデル学習プログラム１０２５は、全てのレコードについて処理を実行したと判定した場合（ステップＳ９０７；Ｙｅｓ）、図９に示した学習処理を終了させる。

このように、本実施例では、過去の各設備を制御したときの操作履歴から得られる制御パラメータと、その操作履歴と同じ観測データが得られたときの制御パラメータを含むパラメータセットを入力として選択確率モデル１０３４により推定される制御パラメータとを比較し、両者が異なる場合、選択確率モデル１０３４により推定される制御パラメータを含むパラメータセットが出力されるように、補助記憶装置１０３に記憶されている選択確率モデル１０３４を更新する。したがって、精度よく熟練者による選択確率の高い制御パラメータを含むパラメータセットを出力することができる。

（実施例３）
実施例２では、過去に各設備を制御したときの操作履歴と選択確率モデルとを用いて、熟練者による選択確率が高い制御パラメータであるのかを学習することとした。制御決定モデルについても選択確率モデルと同様に、過去に各設備を制御したときの操作履歴を用いて、どのような状況下でどのような制御パラメータが、ＫＰＩ値が高い制御パラメータであるのかを学習することができる。そこで、以下では、その例について説明する。

図１０は、実施例３における情報処理装置１００の構成例を示す図である。図１０では、図１に示した情報処理装置１００に対して、メモリ１０２に制御決定モデル学習プログラム１０２６が記憶され、補助記憶装置１０３に制御ログ１０３６が記憶されている点で実施例１と異なっている。以下では、実施例１と同一の構成要素には同一の符号を付してその説明を省略する。

制御決定モデル学習プログラム１０２６は、制御ログ１０３６に記憶されている制御パラメータの選択回数から求められた信頼度とＫＰＩ値の期待値とにより制御パラメータの評価値を算出し、評価値が最大となる制御パラメータのＫＰＩ値と、制御ログ１０３６に記憶されているＫＰＩ値とを比較し、その結果に応じて選択確率モデル１０３４を更新するプログラムである。

制御ログ１０３６は、水処理施設の各設備を制御したときに実際に選択された制御パラメータと、そのパラメータが選択されたときに観測されたＫＰＩ値の履歴を示すデータである。

図１１は、制御ログ１０３６の例を示す図である。図１１に示すように、制御ログ１０３６は、図８に示した制御パラメータログ１０３５と同様の日時および制御パラメータの値に対応付けて、その制御パラメータが選択されたときに実際に観測されたＫＰＩ値とが対応付けて記憶されている。図１１では、例えば、２０１５年９月２０日には、値が５６０である制御パラメータが選択され、そのときのＫＰＩ値が０．９であったことを示している。

図１２は、実施例３で行われる処理（制御決定モデル学習処理）の処理手順を示すフローチャートである。本処理は、制御パラメータ決定プログラム１０２３、制御決定モデル学習プログラム１０２６により実行される。

図１２に示すように、制御決定モデル学習プログラム１０２６は、図１１に示した制御ログ１０３６からｔ番目のレコードを抽出する（ステップＳ１２０１）。

制御決定モデル学習プログラム１０２６は、抽出したレコードに含まれる制御パラメータの選択回数から信頼度（confidence level）を算出する（ステップＳ１２０２）。具体的には、制御決定モデル学習プログラム１０２６は、制御ログ１０３５のレコード総数（totalCount）と、制御パラメータの選択回数Ciとを算出し、以下の算式を用いて信頼度を算出する。なお、ｃは定数である。

例えば、図１１に示したレコード総数が７の制御ログ１０２６の中で、５６０の値の制御パラメータが２回選択されているため、Ciを２、totalCountを７としたときの上記算式の値が信頼度となる。このように信頼度は、制御ログ１０３６の中で制御パラメータが選択される確率をあらわしている。なお、riはステップＳ１２０３で用いる期待値である。

制御決定モデル学習プログラム１０２６は、ＫＰＩ値の期待値riと上記信頼度との和を求めて制御パラメータの評価値を算出する（ステップＳ１２０３）。例えば、制御ログ１０３６に記憶されている制御パラメータが５６０である場合、そのときのＫＰＩ値は０．６、０．９であるため、期待値は、０．７５となる。制御決定モデル学習プログラム１０２６は、この期待値と信頼度との和を当該制御パラメータの評価値とする。

制御決定モデル学習プログラム１０２６は、ステップＳ１２０３で算出した評価値が最大となる制御パラメータを制御ログ１０３６の中から選択する（ステップＳ１２０４）。

制御パラメータ決定プログラム１０２３は、その制御パラメータを含むパラメータセットを入力として、予測ＫＰＩ値が高い制御パラメータと予測ＫＰＩ値とを出力する（ステップＳ１２０５）。具体的には、制御パラメータ決定プログラム１０２３は、評価値が最大となる制御パラメータが制御ログ１０３６に記憶されている日時と同じ日時の観測データ１０３２を読み出し、読み出した観測データ１０３２が得られたときの制御パラメータを含むパラメータセットを入力として、図４に示した制御決定モデル１０３３により予測ＫＰＩ値が高い制御パラメータを出力する。

制御決定モデル学習プログラム１０２６は、ステップＳ１２０５で出力された制御パラメータを用いたときの予測ＫＰＩ値と、制御ログ１０３６に記憶されている制御パラメータに対応するＫＰＩ値とを比較し、両者が同じであるか否かを判定する（ステップＳ１２０６）。

制御決定モデル学習プログラム１０２６は、ステップＳ１２０５で出力された制御パラメータを用いたときの予測ＫＰＩ値と、制御ログ１０３６に記憶されている制御パラメータに対応するＫＰＩ値とが同じであると判定した場合（ステップＳ１２０６；Ｙｅｓ）、制御決定モデル１０３３を更新せずにステップＳ１２０９に進む（ステップＳ１２０７）。

一方、制御決定モデル学習プログラム１０２６は、ステップＳ１２０５で出力された制御パラメータを用いたときの予測ＫＰＩ値と、制御ログ１０３６に記憶されている制御パラメータに対応するＫＰＩ値とが同じでないと判定した場合（ステップＳ１２０６；Ｎｏ）、補助記憶装置１０３に記憶されている制御決定モデル１０３３を更新する（ステップＳ１２０８）。具体的には、制御決定モデル学習プログラム１０２６は、ステップＳ１２０５の制御パラメータが出力されるように、図４に示した制御決定モデル１０３３の相関表の重み値およびモデルを更新する。ステップＳ１２０８の処理が終了すると、ステップＳ１２０９に進む。

ステップＳ１２０９では、制御決定モデル学習プログラム１０２６は、制御ログ１０３６に記憶されている全てのレコード（Ｔ）について、ステップＳ１２０２〜Ｓ１２０８の処理を実行したか否かを判定し、全てのレコードについて処理を実行していないと判定した場合（ステップＳ１２０９；Ｎｏ）、ステップＳ１２０１に戻って、ステップＳ１２０２〜Ｓ１２０８までの各処理を実行する。

一方、制御決定モデル学習プログラム１０２６は、全てのレコードについて処理を実行したと判定した場合（ステップＳ１２０９；Ｙｅｓ）、図１２に示した学習処理を終了させる。

このように、本実施例では、過去の各設備を制御したときの操作履歴から得られる制御パラメータにより観測されたＫＰＩ値と、操作履歴の中で評価値が最も高い制御パラメータを含むパラメータセットを入力として制御決定モデル１０３３により出力される制御パラメータを用いたときの予測ＫＰＩ値とを比較し、両者が異なる場合、制御決定モデル１０３３により出力される制御パラメータが出力されるように、補助記憶装置１０３に記憶されている制御決定モデル１０３３を更新する。したがって、精度よくＫＰＩ値の高い制御パラメータを含むパラメータセットを出力することができる。

（実施例４）
実施例１〜３では、制御決定モデルおよび選択確率モデルを用いて制御パラメータを出力したり、制御決定モデルおよび選択確率モデルを学習する場合について説明したが、以下では、実際にシステムが運用された後の処理について説明する。

図１３は、実施例４における情報処理装置１００の構成例を示す図である。図１３では、図１に示した情報処理装置１００に対して、メモリ１０２に選択確率モデル更新プログラム１０２７と、制御決定モデル更新プログラム１０２８とが記憶されている点で実施例１と異なっている。以下では、実施例１と同一の構成要素には同一の符号を付してその説明を省略する。

選択確率モデル更新プログラム１０２７は、選択された制御パラメータを含むパラメータセットを入力として選択確率モデル１０３４を更新するプログラムである。

制御決定モデル更新プログラム１０２８は、算出された予測ＫＰＩ値で用いられた制御パラメータを含むパラメータセットを入力として制御決定モデル１０３３を更新するプログラムである。

図１４は、実施例４で行われる処理（モデル更新処理）の処理手順を示すフローチャートである。本処理は、ＫＰＩ観測プログラム１０２２、制御パラメータ決定プログラム１０２３、選択確率算出プログラム１０２４、選択確率モデル更新プログラム１０２７、制御決定モデル更新プログラム１０２８により実行される。なお、以下では熟練者であるユーザが本システムにログインして実行しているものとする、熟練者であるか否かは、実施例１に示したように判定すればよい。

図１４に示すように、ＫＰＩ観測プログラム１０２２は、観測データ１０３２を呼び出す（ステップＳ１４０１）。制御パラメータ決定プログラム１０２３は、ユーザから、制御パラメータ１０３１の中から制御パラメータの選択を受け付ける（ステップＳ１４０２）。受け付けられた制御パラメータは水処理施設の各設備に送信され、各設備がその制御パラメータにより水処理制御を実行する（ステップＳ１４０３）。

ＫＰＩ観測プログラム１０２２は、ステップＳ１４０３で行われた制御結果を計測し、時刻とその観測値とを観測データ１０３２として記録する（ステップＳ１４０４）。制御パラメータ決定プログラム１０２３は、ＫＰＩ観測プログラム１０２２により記録された観測データ１０３２を観測したときの制御パラメータを含むパラメータセットを入力として、ステップＳ１４０２でその制御パラメータが選択されたときの実際のＫＰＩ値を算出する（ステップＳ１４０５）。ＫＰＩ値は、図４に示した制御決定モデル１０３３に従って算出される。

制御決定モデル更新プログラム１０２８は、算出された実際のＫＰＩ値を用いて制御決定モデル１０３３を更新する（ステップＳ１４０６）。具体的には、制御決定モデル更新プログラム１０２８は、ステップＳ１４０２で選択された制御パラメータが出力されるように、図４に示した制御決定モデル１０３３の相関表の重み値およびモデルを更新する。

選択確率モデル更新プログラム１０２７は、選択された制御パラメータを用いて選択確率モデル１０３４を更新する(ステップＳ１４０６）。具体的には、選択確率モデル更新プログラム１０２７は、ステップＳ１４０２で選択された制御パラメータが出力されるように、図５に示した選択確率モデル１０３４の相関表の重み値およびモデルを更新する。ステップＳ１４０７の処理が終了すると、図１４に示したモデル更新処理が終了する。

このように、本実施例では、実運用時において、熟練者が選択した制御パラメータを含むパラメータセットを入力として制御決定モデル１０３３、選択確率モデル１０３４を更新するので、実運用時においても、精度よく熟練者による選択確率の高い制御パラメータを含むパラメータセットやＫＰＩ値の高い制御パラメータを含むパラメータセットを出力することができる。

（実施例５）
実施例１では、推薦する制御パラメータの組であるパラメータセットを出力してユーザに提示することとしたが、以下では、その提示方法について説明する。

図１５は、実施例５における情報処理装置１００の構成例を示す図である。図１５では、図１に示した情報処理装置１００に対して、メモリ１０２に制御表示プログラム１０２９が記憶され、表示部１０４を備えている点で実施例１と異なっている。以下では、実施例１と同一の構成要素には同一の符号を付してその説明を省略する。

制御表示プログラム１０２９は、パラメータ推薦プログラム１０２１が出力したパラメータセット、そのパラメータセットを用いて算出される予測ＫＰＩ値、観測データ１０３２を表示部１０４に表示する。

表示部１０４は、例えば、ＬＣＤ（Liquid Crystal Display）等のディスプレイや、ユーザから操作を受け付けるタッチパネルから構成される。

図１６は、パラメータ推薦プログラム１０２１が出力したパラメータセット、そのパラメータセットを用いて算出される予測ＫＰＩ値、観測データ１０３２を表示する表示部１０４の例を示す図である。図１６に示すように、観測データ１０３２を表示する現況表示部１０４１および天気予報表示部１０４２、パラメータ推薦プログラム１０２１が出力したパラメータセットである推薦パラメータセット表示部１０４３、推薦パラメータセット１０４３を用いて算出される予測ＫＰＩ値表示部１０４４が表示されている。また、推薦パラメータセット表示部１０４３および予測ＫＰＩ値表示部１０４４にはラジオボタン１０４５が表示され、ユーザがいずれかの推薦パラメータセットおよび予測ＫＰＩ値の組を選択することができるようになっている。

図１６では、気象センサによる検知結果が晴れを示す「Ｓｕｎｎｙ」であり、他のセンサによる検知結果が時系列にグラフ形式で現況部１０４１に表示されていることがわかる。これらの検知結果は観測データ１０３２から得ることができる。また、複数の推薦パラメータセットおよび予測ＫＰＩ値の組のうち、上から３番目の推薦パラメータセットおよび予測ＫＰＩ値がユーザにより選択されていることがわかる。

このように、本実施例では、パラメータ推薦プログラム１０２１が出力したパラメータセット、そのパラメータセットを用いて算出される予測ＫＰＩ値、観測データ１０３２を表示部１０４に表示するので、ユーザは推薦されるパラメータセットを一目で確認し、選択することができる。

（実施例６）
実施例１では、ある情報処理装置１００が、その情報処理装置１００に接続されている水処理施設の各設備を制御するための制御決定モデル、選択確率モデルを用いて制御パラメータや予測ＫＰＩ値を提示することとした。しかし、実際には、複数の情報処理装置１００が互いにネットワークで接続され、制御決定モデルや選択確率モデルを共有する場合もある。そこで、以下では、制御決定モデル、選択確率モデルを共有する場合の例について説明する。

図１７は、複数の情報処理装置１００の間で制御決定モデル、選択確率モデルを共有する構成例を示す図である。図１７に示すように、本例では、複数の情報処理装置１００と、これらの情報処理装置１００を管理する管理サーバ２００とがネットワークＮを介して接続されている。なお、ネットワークＮは、インターネット等の一般的な公衆回線網である。図１７に示す情報処理装置１００は、図１に示した情報処理装置と同様であるため、ここでは管理サーバ２００について説明する。

図１７に示すように、管理サーバ２００は、プロセッサ２０１と、メモリ２０２と、補助記憶装置２０３とを有して構成されている。

プロセッサ２０１は、メモリ２０２に記憶されているプログラムを読み出して実行する演算装置である。メモリ２０２は、本システムで用いられる各種プログラムを記憶する記憶媒体である。補助記憶装置２０３は、本システムで用いられる各種パラメータや各種モデルを記憶する記憶装置である。

メモリ２０２は、モデル抽出プログラム２０２１、共通制御パラメータ決定プログラム２０２２、共通選択確率算出プログラム２０２３を記憶する。

共通制御決定モデル２０３１は、それぞれの情報処理装置１００に記憶されている制御決定モデル１０３３から算出された平均的な制御決定モデルである。

共通選択確率モデル２０３２は、それぞれの情報処理装置１００に記憶されている選択確率モデル１０３４から算出された平均的な選択確率モデルである。

図１８は、共通制御決定モデル２０３１の例を示す図である。図１８（ａ）は、共通制御決定モデル２０３１の相関表であり、図１８（ｂ）は、その相関表を生成するためのモデルを示している。本例ではレイヤ１についての相関表を示しているが、図４の場合と同様に、レイヤ２、レイヤ３についての相関表が記憶されている。

モデル抽出プログラム２０２１は、複数の情報処理装置１００に記憶されている制御決定率モデル１０３３を、ネットワークＮを介して取得し、それぞれの制御決定モデル１０３３に含まれる相関表を構成する重み値の平均値を算出し、共通制御決定モデル２０３１の相関表に記憶する。

共通制御パラメータ決定プログラム２０２２は、図１８（ｂ）に示すように、共通制御決定モデル２０３１を用いて予測ＫＰＩ値を算出する。予測ＫＰＩ値の算出方法については図４の場合と同様であるためここではその説明を省略する。

図１９は、共通選択確率モデル２０３２の例を示す図である。図１９（ａ）は、共通選択確率モデル２０３２の相関表であり、図１９（ｂ）は、その相関表を生成するためのモデルを示している。本例ではレイヤ１についての相関表を示しているが、図５の場合と同様に、レイヤ２、レイヤ３についての相関表が記憶されている。

モデル抽出プログラム２０２１は、複数の情報処理装置１００に記憶されている選択確率モデル１０３４を、ネットワークＮを介して取得し、それぞれの選択確率モデル１０３４に含まれる相関表を構成する重み値の平均値を算出し、共通選択確率モデル２０３２の相関表に記憶する。

共通選択確率算出プログラム２０２３は、図１９（ｂ）に示すように、共通選択確率モデル２０３２を用いて選択確率を算出する。選択確率の算出方法については図５の場合と同様であるためここではその説明を省略する。

このように、管理サーバ２００が、それぞれの情報処理装置１００から取得した制御決定モデル、選択確率モデルを用いてシステムに共通する制御決定モデル、選択確率モデルを生成するので、システムとして平均的な制御決定モデル、選択確率モデルを得ることができ、例えば、新たに情報処理装置１００を追加して運用を開始する場合にこれらのモデルの雛形として利用することができる。

なお、本システムで実行される各処理は、実際には、各装置にインストールされたプログラムを実行することにより実現される。上記プログラムは、ＲＯＭ等に予め組み込まれて提供されたり、インストール可能な形式又は実行可能な形式のファイルで記録媒体に記録して提供したり、配布してもよい。

１００ 情報処理装置
１０１ プロセッサ
１０２ メモリ
１０２１ パラメータ推薦プログラム
１０２２ ＫＰＩ観測プログラム
１０２３ 制御パラメータ決定プログラム
１０２４ 選択確率算出プログラム
１０２５ 選択確率モデル学習プログラム
１０２６ 制御決定モデル学習プログラム
１０２７ 選択確率モデル更新プログラム
１０２８ 制御決定モデル更新プログラム
１０２９ 制御表示プログラム
１０３ 補助記憶装置
１０３１ 制御パラメータ
１０３２ 観測データ
１０３３ 制御決定モデル
１０３４ 選択確率モデル
１０４ 表示部
２００ 管理サーバ
２０１ プロセッサ
２０２ メモリ
２０２１ モデル抽出プログラム
２０２２ 共通制御パラメータ決定プログラム
２０２３ 共通選択確率算出プログラム
２０３ 補助記憶装置
２０３１ 共通制御決定モデル
２０３２ 共通選択確率モデル
Ｎ ネットワーク。

Claims (8)

1. 水処理施設が備える設備の制御に用いられる制御パラメータの決定を支援する意思決定支援システムであって、
   前記設備の過去の観測値を観測したときに用いられた第１の制御パラメータと、前記第１の制御パラメータにより前記設備を制御してＫＰＩ値を予測するための制御決定モデルとに基づいて、前記第１の制御パラメータのＫＰＩ値を予測し、ＫＰＩ値の高い所定数の前記第１の制御パラメータを、予測された前記第１の制御パラメータの中から抽出する制御パラメータ決定部と、
   前記設備の過去の観測値を観測したときに熟練者により用いられた第２の制御パラメータと、前記第２の制御パラメータにより前記設備を制御する確率を算出するための選択確率モデルとに基づいて、選択確率の高い所定数の前記第２の制御パラメータを、算出された前記第２の制御パラメータの中から抽出する選択確率算出部と、
   前記制御パラメータ決定部が抽出した前記第１の制御パラメータと、前記選択確率算出部が抽出した前記第２の制御パラメータとに基づいて、ユーザに推薦する制御パラメータを決定するパラメータ推薦部と、
   を備えることを特徴とする意思決定支援システム。
2. 前記制御パラメータ決定部は、前記第１の制御パラメータと前記第２の制御パラメータとの類似度を算出し、類似度が閾値より高い場合には前記第２の制御パラメータよりも多くの数の前記第１の制御パラメータを前記ユーザに推薦する制御パラメータとして決定し、類似度が閾値以下の場合には前記第１の制御パラメータよりも多くの数の前記第２の制御パラメータを前記ユーザに推薦する制御パラメータとして決定する、
   ことを特徴とする請求項１に記載の意思決定支援システム。
3. 前記パラメータ推薦部は、前記観測値に所定の異常状況を示す情報が含まれているか否かを判定し、前記観測値に所定の異常状況を示す情報が含まれていると判定した場合、前記第２の制御パラメータを前記ユーザに推薦する制御パラメータとして決定する、
   ことを特徴とする請求項１に記載の意思決定支援システム。
4. 前記熟練者により選択された前記第２の制御パラメータに基づいて前記設備が制御されたときの観測値を観測するＫＰＩ観測部と、
   前記ＫＰＩ観測部が前記観測値を観測したときの前記第２の制御パラメータが出力されるように、前記制御決定モデルと前記選択確率モデルとを更新するモデル更新部と、
   を備えることを特徴とする請求項１に記載の意思決定支援システム。
5. 前記選択確率算出部は、前記第１の制御パラメータまたは前記第２の制御パラメータの履歴を記憶する制御パラメータログに記憶されている日時と同じ日時の観測値を観測したときの制御パラメータと前記選択確率モデルとに基づいて、前記熟練者により選択される可能性の高い制御パラメータを推定し、
   推定された前記制御パラメータと、前記制御パラメータログに記憶されている制御パラメータとが同じであるか否かを判定し、両者が同じでないと判定した場合、推定された前記制御パラメータが出力されるように、前記選択確率モデルを更新する選択確率モデル学習部、
   を備えることを特徴とする請求項１に記載の意思決定支援システム。
6. 前記第１の制御パラメータまたは前記第２の制御パラメータの履歴と前記第１の制御パラメータまたは前記第２の制御パラメータにより制御されたときのＫＰＩ値の履歴とを対応付けて記憶する制御ログに記憶されている制御パラメータの信頼度と前記ＫＰＩ値の期待値とに基づいて評価値を算出する制御決定モデル学習部を備え、
   前記制御パラメータ決定部は、前記評価値が最大となる前記制御パラメータが前記制御ログに記憶されている日時と同じ日時の観測値を観測したときの制御パラメータと前記制御決定モデルとに基づいてＫＰＩ値が高い制御パラメータを出力し、
   前記制御決定モデル学習部は、前記ＫＰＩ値が高い制御パラメータを用いたときのＫＰＩ値と、前記制御ログに記憶されているＫＰＩ値とが同じであるか否かを判定し、両者が同じでないと判定した場合、前記ＫＰＩ値が高い制御パラメータが出力されるように、前記制御決定モデルを更新する、
   ことを特徴とする請求項１に記載の意思決定支援システム。
7. 前記パラメータ推薦部により決定された前記推薦する制御パラメータと、前記推薦する制御パラメータと前記制御決定モデルとにより予測されたＫＰＩ値と、前記観測値とを表示部に表示し、前記推薦する制御パラメータおよび前記制御決定モデルとにより予測されたＫＰＩ値の選択をユーザから受け付ける制御表示部、
   をさらに備えることを特徴とする請求項１に記載の意思決定支援システム。
8. 水処理施設が備える設備の制御に用いられる制御パラメータの決定を支援する意思決定支援方法であって、
   前記設備の過去の観測値を観測したときに用いられた第１の制御パラメータと、前記第１の制御パラメータにより前記設備を制御してＫＰＩ値を予測するための制御決定モデルとに基づいて、前記第１の制御パラメータのＫＰＩ値を予測し、ＫＰＩ値の高い所定数の前記第１の制御パラメータを、予測された前記第１の制御パラメータの中から抽出し、
   前記設備の過去の観測値を観測したときに熟練者により用いられた第２の制御パラメータと、前記第２の制御パラメータにより前記設備を制御する確率を算出するための選択確率モデルとに基づいて、選択確率の高い所定数の前記第２の制御パラメータを、算出された前記第２の制御パラメータの中から抽出し、
   前記制御パラメータ決定部が抽出した前記第１の制御パラメータと、前記選択確率算出部が抽出した前記第２の制御パラメータとに基づいて、ユーザに推薦する制御パラメータを決定する、
   ことを特徴とする意思決定支援方法。

Images