JP2753460B2 - 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
JP2753460B2
JP2753460B2 JP7130749A JP13074995A JP2753460B2 JP 2753460 B2 JP2753460 B2 JP 2753460B2 JP 7130749 A JP7130749 A JP 7130749A JP 13074995 A JP13074995 A JP 13074995A JP 2753460 B2 JP2753460 B2 JP 2753460B2
Authority
JP
Japan
Prior art keywords
input
time
variable value
pattern
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
JP7130749A
Other languages
English (en)
Other versions
JPH07319509A (ja
Inventor
研二 馬場
伊智朗 圓佛
昭二 渡辺
捷夫 矢萩
文雄 丸橋
晴美 松崎
弘 松本
舜介 野北
幹雄 依田
直樹 原
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP7130749A priority Critical patent/JP2753460B2/ja
Publication of JPH07319509A publication Critical patent/JPH07319509A/ja
Application granted granted Critical
Publication of JP2753460B2 publication Critical patent/JP2753460B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

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
    • 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
    • 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
    • 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

Description

【発明の詳細な説明】
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【０００９】本発明は、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ようにしたもの
である。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【００２８】最初に、図１全体の構成と動作を説明す
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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。ところで、異なる時刻における
パターンＰ 1 (ｔ 1 )，Ｐ 2 (ｔ 2 ），…の学習は、それらの
パターンを順次入力して学習する場合と、一度に入力し
て学習する場合とがある。本発明では、同時に入力して
学習する方式を採る。なお、説明の便宜上、まず、順次
入力する方式について説明する。
【００４８】上述した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。そこで、本発明の実施
例の説明に先立って、ニューラルプロセッサ７０での処
理方法について図２〜図７を用いて説明する。なお、図
２〜図７に示す例では、上述したパターンを順次学習す
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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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)をも入力することにより、本発明の目的は効
果的に達成される。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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【０１０１】以上のようにして、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。本発明では、
このようなニューラルネットワークを有するシステムを
利用して、効果的な運転支援を行う方法およびそのため
のシステムを実現する。
【０１０２】次に、本発明の実施例を図８を用いて説明
する。この実施例の処理の流れは、先に説明した図２の
処理の流れと同様である。したがって、既に説明した処
理については、説明を省略する。
【０１０３】この実施例では、 (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）複数設けることに特徴がある。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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、参考例と共に説明す
る。
【０１１２】まず、参考例として、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。
【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。
【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。
【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。この参考例
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、本発明の実施例として、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７１０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】次に、本発明の実施例として、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、ｐ
Ｈ、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)=P
1(t1)-P2(t2)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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【図面の簡単な説明】
【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。
【図２】ニューラルネットワークを用いる運転支援での
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。
【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。
【図７】知識獲得の詳細を説明するためのグラフ。
【図８】本発明の実施例の説明図。
【図９】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。
【図１０】本発明の他の実施例であって、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。
【図１１】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。
【符号の説明】
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。
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 ＦＩ Ｇ０６Ｇ 7/60 Ｇ０６Ｇ 7/60 (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 (56)参考文献 特開 平２−93708（ＪＰ，Ａ) 特開 平２−205967（ＪＰ，Ａ) 特開 平２−238560（ＪＰ，Ａ) 特開 平２−308359（ＪＰ，Ａ) 特開 平２−287860（ＪＰ，Ａ) 特開 平３−114435（ＪＰ，Ａ) 長田茂美、外２名、「ニューロコンピ ュータの原理とロボット制御への応 用」、ＦＵＪＩＴＳＵ、オーム社、昭和 63年６月10日、第39巻、第３号（通巻 225号）、Ｐ．175−184 広瀬佳生、外２名、「中間層ユニット 数を変化させるバックプロパゲーション 法」、電子情報通信学会春季全国大会講 演論文集（７）、社団法人電子情報通信 学会、平成元年３月15日、Ｐ．７ノ18 (58)調査した分野(Int.Cl.6，ＤＢ名) G05B 13/00 - 13/04 G06F 15/18 ＪＩＣＳＴファイル（ＪＯＩＳ)

Claims (21)

    (57)【特許請求の範囲】
  1. 【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、或る時点におけ
    る入力変数値パターンと該或る時点の一定時間前の時点
    における入力変数値パターンとを同時に入力する一組の
    入力信号として用いるとともに、前記或る時点の制御変
    数値パターンを教師信号として用いて前記神経回路モデ
    ルに学習させ、 前記学習した神経回路モデルに、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
    数値を求めることを特徴とするプロセス運転支援方法。
  2. 【請求項２】 前記学習の際に用いられる或る時点の入
    力変数値パターンおよびその時点の一定時間前の時点の
    入力変数値パターンは、或る時点の時点が異なり、か
    つ、或る時点とその一定時間前の時点とが同一時間間隔
    であるものが、複数組用意され、複数組の入力信号につ
    いて一組ずつ入力することにより、学習を行うことを特
    徴とする請求項１記載のプロセス運転支援方法。
  3. 【請求項３】 前記学習の際に用いられる或る時点の入
    力変数値パターンは、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または２記載のプロセス運転支援方法。
  4. 【請求項４】 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、プロセスの過去の運転履歴情報のうち、 或る時点におけ
    る入力変数値パターン、該或る時点の一定時間前の時点
    における入力変数値のパターン、両時点の入力変数値の
    偏差のパターンのうち、２以上のパターンを同時に入力
    する一組の入力信号として用いるとともに、前記或る時
    点の制御変数値パターンを教師信号として用いて前記神
    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
    求めることを特徴とするプロセス運転支援方法。
  5. 【請求項５】 前記学習の際に用いられる或る時点の入
    力変数値パターンおよびその時点の一定時間前の時点の
    入力変数値パターンは、或る時点の時点が異なり、か
    つ、或る時点とその一定時間前の時点とが同一時間間隔
    であるものが、複数組用意され、複数組の入力信号につ
    いて一組ずつ入力することにより、学習を行うことを特
    徴とする請求項４記載のプロセス運転支援方法。
  6. 【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、３、４または５
    記載のプロセス運転支援方法。
  7. 【請求項７】 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ことを特徴とする請求項６記
    載のプロセス運転支援方法。
  8. 【請求項８】 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
    定義することを特徴とする請求項７記載のプロセス運転
    支援方法。
  9. 【請求項９】 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を
    特徴とする請求項６記載のプロセス運転支援方法。
  10. 【請求項１０】 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の削除である請求
    項７または９記載のプロセス運転支援方法。
  11. 【請求項１１】 前記神経回路モデルの構造の変更は、
    前記中間層の階層数の変更である請求項７または９記載
    のプロセス運転支援方法。
  12. 【請求項１２】 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を特徴とす
    る請求項１、２、３、４または５記載のプロセス運転支
    援方法。
  13. 【請求項１３】 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
    ことを特徴とする請求項１、２、３、４または５記載の
    プロセス運転支援方法。
  14. 【請求項１４】 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、或る時点におけ
    る入力変数値パターンと該或る時点の一定時間前の時点
    における入力変数値パターンとを同時に入力する一組の
    入力信号として用いるとともに、前記或る時点の制御変
    数値パターンを教師信号として用いて前記神経回路モデ
    ルに学習させ、 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プロセ
    ス運転支援方法。
  15. 【請求項１５】 前記学習の際に用いられる或る時点の
    入力変数値パターンおよびその時点の一定時間前の時点
    の入力変数値パターンは、或る時点の時点が異なり、か
    つ、或る時点とその一定時間前の時点とが同一時間間隔
    であるものが、複数組用意され、複数組の入力信号につ
    いて一組ずつ入力することにより、学習を行うことを特
    徴とする請求項１４記載のプロセス運転支援方法。
  16. 【請求項１６】 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、プロセスの過
    去の運転履歴情報のうち、或る時点における入力変数値
    パターンと該或る時点の一定時間前の時点における入力
    変数値パターンとを同時に入力する一組の入力信号とし
    て用いるとともに、前記或る時点の制御変数値パターン
    を教師信号として用いて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。
  17. 【請求項１７】 前記学習の際に用いられる或る時点の
    入力変数値パターンおよびその時点の一定時間前の時点
    の入力変数値パターンは、或る時点の時点が異なり、か
    つ、或る時点とその一定時間前の時点とが同一時間間隔
    であるものが、複数組用意され、神経回路モデルは、複
    数組の入力信号について一組ずつ入力することにより、
    学習を行うことを特徴とする請求項１６記載のプロセス
    運転支援システム。
  18. 【請求項１８】 前記処理手段は、学習状態の異なる複
    数の神経回路モデルを有し、いずれかのモデルを選択し
    て想起させ、出力を得ることを特徴とする請求項１６ま
    たは１７記載のプロセス運転支援システム。
  19. 【請求項１９】 複数の神経回路モデルとして、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有することを特徴
    とする請求項１８記載のプロセス運転支援システム。
  20. 【請求項２０】 複数の神経回路モデルとして、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有することを特徴とする請求
    項１８記載のプロセス運転支援システム。
  21. 【請求項２１】 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１６、１７、１８、
    １９または２０記載のプロセス運転支援システム。
JP7130749A 1989-03-13 1995-05-29 プロセス運転支援方法およびシステム Expired - Fee Related JP2753460B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP7130749A 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

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
JP7130749A 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

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP1194898A Division 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

Publications (2)

Publication Number Publication Date
JPH07319509A JPH07319509A (ja) 1995-12-08
JP2753460B2 true JP2753460B2 (ja) 1998-05-20

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
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
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
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 (2)

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
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

Family Applications After (1)

Application Number Title Priority Date Filing Date
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

Country Status (6)

Country Link
US (3) US5774633A (ja)
EP (2) EP0708390B1 (ja)
JP (4) JP2533942B2 (ja)
KR (1) KR940005029B1 (ja)
DE (2) DE69032557T2 (ja)
WO (1) WO1990010898A1 (ja)

Families Citing this family (102)

* Cited by examiner, † Cited by third party
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
KR970700877A (ko) * 1994-12-28 1997-02-12 다떼이시 요시오 계층적 모델을 사용하는 추론 시스템과 방법 및 제어 시스템과 방법(Method and system for inference using hierarchy model, and method and system for control)
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
US7037172B1 (en) 1999-04-01 2006-05-02 Beaver Creek Concepts Inc Advanced wafer planarizing
US6986698B1 (en) 1999-04-01 2006-01-17 Beaver Creek Concepts Inc Wafer refining
US7572169B1 (en) 1998-11-06 2009-08-11 Beaver Creek Concepts Inc Advanced finishing control
US20130189801A1 (en) * 1998-11-06 2013-07-25 Semcon Tech, Llc 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
US6739947B1 (en) 1998-11-06 2004-05-25 Beaver Creek Concepts Inc In situ friction detector method and apparatus
US7575501B1 (en) 1999-04-01 2009-08-18 Beaver Creek Concepts Inc Advanced workpiece finishing
US7878882B2 (en) * 1999-04-01 2011-02-01 Charles J. Molnar Advanced workpiece finishing
US7220164B1 (en) 2003-12-08 2007-05-22 Beaver Creek Concepts Inc Advanced finishing control
US8353738B2 (en) * 1998-11-06 2013-01-15 Semcon Tech, Llc Advanced finishing control
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
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
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
JP4975287B2 (ja) * 2005-08-08 2012-07-11 パナソニック株式会社 予測装置
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
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
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
US8357286B1 (en) 2007-10-29 2013-01-22 Semcon Tech, Llc Versatile workpiece refining
WO2010062724A2 (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
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
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
US9015093B1 (en) 2010-10-26 2015-04-21 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
US8775341B1 (en) 2010-10-26 2014-07-08 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
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
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
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
US11014780B2 (en) 2017-07-06 2021-05-25 Otis Elevator Company Elevator sensor calibration
US10829344B2 (en) 2017-07-06 2020-11-10 Otis Elevator Company Elevator sensor system 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 技能基础系统、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
WO2020021688A1 (ja) * 2018-07-26 2020-01-30 三菱電機株式会社 水処理プラントおよび水処理プラントの運転方法
JP6941083B2 (ja) * 2018-08-17 2021-09-29 水ｉｎｇ株式会社 水処理方法および水処理システム
JP7076356B2 (ja) * 2018-10-23 2022-05-27 水ｉｎｇ株式会社 排水処理方法
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
US11565946B2 (en) 2019-12-03 2023-01-31 Ramboll USA, Inc. Systems and methods for treating wastewater
US20210230016A1 (en) * 2020-01-29 2021-07-29 EmNet, LLC 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
JP7032485B2 (ja) * 2020-07-09 2022-03-08 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
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
WO2022192045A1 (en) * 2021-03-12 2022-09-15 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)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3287649A (en) * 1963-09-09 1966-11-22 Research Corp Audio signal pattern perception device
US4989256A (en) * 1981-08-06 1991-01-29 Buckley Bruce S Self-organizing circuits
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
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
EP0400147B1 (en) * 1988-08-31 1997-10-15 Fujitsu Limited Neurocomputer
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
広瀬佳生、外２名、「中間層ユニット数を変化させるバックプロパゲーション法」、電子情報通信学会春季全国大会講演論文集（７）、社団法人電子情報通信学会、平成元年３月１５日、Ｐ．７ノ１８
長田茂美、外２名、「ニューロコンピュータの原理とロボット制御への応用」、ＦＵＪＩＴＳＵ、オーム社、昭和６３年６月１０日、第３９巻、第３号（通巻２２５号）、Ｐ．１７５−１８４

Also Published As

Publication number Publication date
EP0432267B1 (en) 1998-08-12
EP0708390A3 (en) 1997-04-02
JPH07319508A (ja) 1995-12-08
DE69032557T2 (de) 1999-05-06
JP2533942B2 (ja) 1996-09-11
JPH07319509A (ja) 1995-12-08
DE69033328D1 (de) 1999-11-18
US5774633A (en) 1998-06-30
KR920700418A (ko) 1992-02-19
JP2886112B2 (ja) 1999-04-26
KR940005029B1 (ko) 1994-06-10
DE69033328T2 (de) 2000-05-31
US5845052A (en) 1998-12-01
JPH0315902A (ja) 1991-01-24
WO1990010898A1 (en) 1990-09-20
EP0432267A1 (en) 1991-06-19
US5943662A (en) 1999-08-24
JPH1091208A (ja) 1998-04-10
EP0708390A2 (en) 1996-04-24
DE69032557D1 (de) 1998-09-17
EP0432267A4 (en) 1992-09-16
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
Boussabaine The use of artificial neural networks in construction management: a review
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
CN111340238A (zh) 一种工业系统的故障诊断方法、装置、设备及存储介质
CN108536106B (zh) 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法
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
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
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
KR100701439B1 (ko) 마을 하수 처리 시설 통합 관리 방법 및 그 시스템
CN115482877A (zh) 一种基于时序图网络的发酵过程软测量建模方法
JPH05204406A (ja) プロセス制御装置
KR20060136071A (ko) 마을 하수 처리 시설 통합 관리 방법 및 그 시스템
CN114036821A (zh) 一种基于非确定性隐空间模型的浓密机控制方法及装置
JP3186898B2 (ja) ニューラルネットワークを用いた支援システム
CN117192063B (zh) 基于耦合卡尔曼滤波数据同化的水质预测方法及系统
JP2865738B2 (ja) プロセス制御方法
JP2564405B2 (ja) 知識獲得方法並びにプロセス運転支援方法
JPH06119291A (ja) 配水量予測装置
JPH04133164A (ja) ニューラルネット応用運転支援システム
JPH04205601A (ja) プロセスの運転支援システム
CN117874472A (zh) 基于宽度学习网络的录波文件可信时间分析系统及方法
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

Legal Events

Date Code Title Description
FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20080227

Year of fee payment: 10

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20090227

Year of fee payment: 11

LAPS Cancellation because of no payment of annual fees