JP4146610B2 - 濁度予測システム、濁度制御システムおよび濁度管理システム - Google Patents

Description

【０００１】
【発明の属する技術分野】
本発明は、濁度予測システム、濁度制御システムおよび濁度管理システムに関し、特に浄水場での数時間後の処理水濁度を予測し、原水の濁度・水質変動に対応して凝集剤投入率を決定し、処理水濁度を所望範囲内に制御する濁度予測システム、濁度制御システムおよび濁度管理システムに関するものである。
【０００２】
【従来の技術】
一般的な浄水場では、河川などから得た原水に対して凝集剤を投入することにより不純物を粒子（フロック）化し、さらに沈殿およびろ過を行うという一連の浄化処理が行われる。
この浄化処理では、凝集剤の投入率によってフロックの形成状態が異なる。例えば、凝集剤が少なすぎる場合は、不純物を凝集できなかったり、不純物の凝集が不十分で沈殿せず、その後段のろ過工程に悪影響を及ぼす恐れがある。また、凝集剤が多すぎる場合は、凝集剤の余分な投入による処理コストが増加してしまう。
【０００３】
従来の浄水場では、係員が原水を用いたビーカーテストを行うことにより凝集剤の投入率を決定していた。凝集剤の効果は、原水のｐＨやアルカリ度に影響を受けるため、原水を殺菌するために投入される塩素も考慮して、ｐＨ調整剤が投入される。
したがって、ビーカーテストでは、原水を試料として凝集剤の投入率とｐＨ調整剤の投入率の組み合わせを段階的に変えてフロック形成試験を行い、フロックが良好に形成されるように凝集剤の投入率を選択していた。
【０００４】
また、このような凝集剤投入率の決定を自動化する方法として、インパルス応答を用いた伝達関数を定義した重回帰モデルを使う方法が提案されている。
この他、急速混和池で形成される微小フロックの粒径とフロック形成状態とに相関関係があることに着目し、この微小フロックの粒径の計測値をフィードバックさせて、その粒径が所望の設定値となるような凝集剤投入率をＰＩ制御で自動的に決定するようにしたものが提案されている（例えば、特願平７−１１２１０３号公報など参照）。
【０００５】
【発明が解決しようとする課題】
しかしながら、従来のビーカーテストを行う方法では、凝集剤投入率の決定までに時間を要するため、降雨時のように原水濁度が急激に変化するような場合には迅速に対応できず、また手作業が必要なことから自動化が難しいという問題点があった。
また、重回帰モデルを用いる方法については、一般的に、凝集剤投入率、原水水質および水温が非線形の関係にあるため、これら変数の変化範囲を広くカバーする単一内部モデルを生成できない。そのため、各変数の変化範囲を区分して複数の内部モデルを生成する必要があり、モデル生成のために膨大な作業や時間を要するという問題点があった。さらに、これら複数の内部モデルを切り替えて用いるため制御が不連続となる可能性もある。
【０００６】
また、微小フロックの粒径を計測してＰＩ制御する方法では、微小フロックの粒径に基づきフロック形成状態を予測していることになるが、他の要因を考慮していないため高い予測精度を得ることが難しく、また微小フロックであってもその形成に時間がかかるため、フィードバックに無視できない誤差や時間遅れが発生し、結果としてＰＩ制御が安定しないという問題点があった。
本発明はこのような課題を解決するためのものであり、所定時間後に得られる処理水の濁度を十分な信頼性を持って予測できる濁度予測システムを提供することを目的とし、また複雑なモデルを用いることなく遅れ時間を考慮して凝集剤投入率を決定できる濁度制御システムを提供することを目的とし、さらに原水水質の急変にも自動的に追従できる濁度管理システムを提供することを目的としている。
【０００７】
【課題を解決するための手段】
このような目的を達成するために、本発明にかかる濁度予測システムは、浄水場の浄化処理を示す各種計測データを所定の推論モデルを用いて演算処理することにより、浄水場で所定時間後に生成される処理水の処理水濁度を推定して出力する濁度予測システムであって、少なくとも計測データの、原水濁度、原水流量、凝集剤投入率、気温、および処理水濁度を含む入力データと、その入力データを入力条件として浄水場から得られた実際の処理水濁度と、からなる履歴データを複数取り込み、処理水濁度の推定に必要となる出力許容誤差に応じて各履歴データが分布する入力空間を複数に分割することにより量子化して複数の単位入力空間を形成するとともに対応する単位入力空間内に各履歴データを配置し、１つ以上の履歴データを有する単位入力空間ごとにその単位入力空間の履歴データを代表する事例を作成することにより生成された事例ベースと、この事例ベースを検索することにより、入力空間内において新たな入力データに対応する単位入力空間に最も近い他の単位入力空間であって、かつ事例を有する１つ以上の単位入力空間からそれぞれ事例を取得する事例検索部と、新たな予測変数データの組に対応する処理水濁度を算出して出力する出力推定部とを備え、出力推定部において、事例検索部により検索された事例の処理水濁度から新たな入力データに対応する処理水濁度を算出して出力するようにしたものである。
【０００８】
濁度予測システムの入力データとして、少なくとも計測データの、原水ｐＨ、前塩素投入率および処理水ｐＨをさらに含んでもよい。
【０００９】
本発明にかかる濁度制御システムは、浄水場の浄化処理を示す各種計測データを所定の推論モデルを用いて演算処理することにより、浄水場で投入すべき凝集剤の投入率を推定して出力する濁度制御システムであって、少なくとも計測データの、原水濁度、原水流量、気温、および処理水濁度と、浄化処理で所定時間後に生成される処理水の予測水濁度とを含む入力データと、その入力データを入力条件として浄水場で実際に投入された凝集剤の投入率と、からなる履歴データを複数取り込み、凝集剤投入率の推定に必要となる出力許容誤差に応じて各履歴データが分布する入力空間を複数に分割することにより量子化して複数の単位入力空間を形成するとともに対応する単位入力空間内に各履歴データを配置し、１つ以上の履歴データを有する単位入力空間ごとにその単位入力空間の履歴データを代表する事例を作成することにより生成された事例ベースと、この事例ベースを検索することにより、入力空間内において新たな入力データに対応する単位入力空間に最も近い他の単位入力空間であって、かつ事例を有する１つ以上の単位入力空間から、それぞれ事例を取得する事例検索部と、新たな入力データに対応する凝集剤投入率を算出して出力する出力推定部とを備え、出力推定部において、事例検索部により検索された事例の凝集剤投入率から新たな予測変数データの組に対応する凝集剤投入率を算出して出力するようにしたものである。
【００１０】
濁度制御システムの入力データとして、少なくとも計測データの、原水ｐＨ、前塩素投入率および処理水ｐＨをさらに含んでもよい。
【００１１】
本発明にかかる濁度管理システムは、浄水場浄化処理を示す各種計測データに基づき、浄水場で投入すべき凝集剤の投入率を決定することにより、浄水場で生成される処理水の濁度を管理する濁度管理システムであって、計測データに基づき、所定時間後の処理水濁度を推定し予測濁度として出力する濁度予測システムと、計測データと濁度予測システムで得られた予測濁度とに基づき、浄化処理で投入すべき凝集剤の投入率を推定出力する濁度制御システムとを備え、濁度予測システムは、少なくとも計測データの、原水濁度、原水流量、凝集剤投入率、気温、および処理水濁度を含む第１の入力データと、その第１の入力データを入力条件として浄水場から得られた実際の処理水濁度と、からなる第１の履歴データを複数取り込み、処理水濁度の推定に必要となる出力許容誤差に応じて各第１の履歴データが分布する第１の入力空間を複数に分割することにより量子化して複数の第１の単位入力空間を形成するとともに対応する第１の単位入力空間内に各第１の履歴データを配置し、１つ以上の第１の履歴データを有する第１の単位入力空間ごとにその第１の単位入力空間の第１の履歴データを代表する第１の事例を作成することにより生成された第１の事例ベースと、この第１の事例ベースを検索することにより、当該第１の入力空間内において新たな第１の入力データに対応する第１の単位入力空間に最も近い他の単位入力空間であって、かつ第１の事例を有する１つ以上の第１の単位入力空間から、それぞれ第１の事例を取得する第１の事例検索部と、この第１の事例検索部により検索された第１の事例の処理水濁度から新たな第１の入力データに対応する処理水濁度を算出して出力する第１の出力推定部とを備え、濁度制御システムは、少なくとも計測データの、原水濁度、原水流量、気温、および処理水濁度と、濁度予測システムで得られた所定時間後の処理水濁度を示す予測濁度とを含む第２の入力データと、その第２の入力データを入力条件として浄水場で実際に投入された凝集剤の投入率と、からなる第２の履歴データを複数取り込み、凝集剤投入率の推定に必要となる出力許容誤差に応じて各第２の履歴データが分布する第２の入力空間を複数に分割することにより量子化して複数の単位入力空間を形成するとともに対応する単位入力空間内に各第２の履歴データを配置し、１つ以上の第２の履歴データを有する単位入力空間ごとにその単位入力空間の第２の履歴データを代表する第２の事例を作成することにより生成された第２の事例ベースと、この第２の事例ベースを検索することにより、当該第２の入力空間内において新たな第２の入力データに対応する第２の単位入力空間に最も近い他の第２の単位入力空間であって、かつ第２の事例を有する１つ以上の第２の単位入力空間から、それぞれ第２の事例を取得する第２の事例検索部と、この第２の事例検索部により検索された第２の事例の凝集剤投入率から新たな第２の入力データに対応する凝集剤投入率を算出して出力する第２の出力推定部とを備えるものである。
【００１２】
濁度予測システムの第１の入力データとして、少なくとも入力データの、原水ｐＨ、前塩素投入率および処理水ｐＨをさらに含んでもよく、濁度制御システムの第２の入力データとして、少なくとも入力データの、原水ｐＨ、前塩素投入率および処理水ｐＨをさらに含んでもよい。
【００１３】
【発明の実施の形態】
次に、本発明の実施の形態について図面を参照して説明する。
図１は本発明の一実施の形態である濁度管理システムを示す構成図である。以下では、河川から取水した原水を浄化処理して配水する浄水場を例として説明する。
まず、浄水場５０での浄水処理について説明する。
ポンプ５１で河川などから取水した原水が着水井５２へ導入され、続く混和池５３で凝集剤が投入されて不純物が粒子（フロック）化される。このとき殺菌のための塩素（以下、前塩素という）も投入される。
【００１４】
その後、フロック形成池５４では、時間をかけて凝集剤が反応してフロックが形成され、沈殿池５５でそのフロックが沈殿する。沈殿池５５の上層から得られた処理水は、ろ過池５６で砂などを用いたフィルタでろ過され、ポンプ井５７へ貯水される。そして、需要に応じてポンプ井５７から汲み出され、配水池（図示せず）を経て水需要家へ配水される。
水処理制御装置５８では、濁度管理システム１０から指示された凝集剤投入率１２に基づき混和池５３で原水へ投入する凝集剤の投入率を調節している。これにより、浄水場５０で生成される処理水の濁度が所定範囲内に管理される。
【００１５】
次に、濁度管理システム１０について説明する。この濁度管理システム１０は、浄水場５０で計測された各種の計測データ４０に基づき、所定時間後の処理水濁度を予測し、得られた予測濁度と各種の計測データ４０に基づき、凝集剤の投入率を逐次自動的に決定するシステムである。
濁度管理システム１０には、計測データ４０のうちの予測変数データ４１から事例ベース推論モデルを用いて所定時間後に得られる処理水濁度を予測濁度１１として推定出力する濁度予測システム２０、および予測濁度１１と計測データ４０のうちの制御変数データ４３とから事例ベース推論モデルを用いて凝集剤投入率１２を決定する濁度制御システム３０から構成されている。
【００１６】
まず、濁度予測システム２０について説明する。図２に濁度予測システムの構成例を示す。この濁度予測システム２０には、履歴データ２１、事例ベース生成部２２、事例ベース２３、事例検索部２４、出力推定部２５および適応学習部２６が設けられている。
濁度予測システム２０の具体的構成としては、全体としてパソコンなどの情報処理装置から構成されており、事例ベース生成部２２、事例検索部２４、出力推定部２５および適応学習部２６は、情報処理装置で実行されるソフトウェア（アプリケーション）で実現されている。また履歴データ２１や事例ベース２３は、ハードディスクやメモリなどの情報記憶装置に格納されたデータからなり、必要に応じて読み出され、また更新される。
【００１７】
この濁度予測システム２０では、事例ベース推論モデルを用いて予測変数データ４１から、浄水処理に要する所定時間だけ経過した後、例えば１〜６時間後に沈殿池５５から出力される処理水の濁度を予測している。
履歴データ２１は、計測データ４０のうち濁度の予測に用いる予測変数データ４１と、その予測データ４１が得られた場合に浄水場５０で実際に処理され生成される処理水の濁度すなわち処理水濁度（実績）との組み合わせからなるデータであり、ここでは浄水場５０から過去に計測して得られた多数のデータが用いられる。
【００１８】
事例ベース生成部２２では、このような履歴データ２１のうち、予測変数データ４１を入力変数とするとともに処理水濁度（実績）を出力値とし、各入力変数の入力空間を所望の予測精度で量子化して事例化することにより事例ベース２３を生成する。
事例検索部２４では、浄水場５０から得られた新たな予測変数データ４１に対応する１つ以上の事例を事例ベース２３から検索する。出力推定部２５では、事例検索部２４で検索された１つ以上の事例から、新たな予測変数データ４１に対応する出力値すなわち予測濁度１１を導出する。
【００１９】
予測変数データ４１としては、浄水場５０のポンプ５１で取水した原水の濁度、原水流量（あるいはろ過流量でもよい）、凝集剤投入率、フロック形成池５４や沈殿池５５周辺の気温、沈殿池５５から出力された処理水の濁度が用いられる。また、ｐＨ値の違いによる凝集剤の反応効果を考慮する場合は、上記の変数に加えて、原水のｐＨ値、前塩素投入率、沈殿池５５から出力された処理水のｐＨ値を用いてもよい。
この予測変数データ４１は、予測対象となる原水（処理水）に関するデータが用いられるため、実際には予測時点のデータだけでなく過去に計測されたデータからなる時系列データも用いられる。
【００２０】
適応学習部２６では、新たな予測変数データ４１とその場合に浄水場５０で実際に処理され生成された水の処理水濁度（実績）との組み合わせ、すなわち予測実績データ４２に基づき、事例ベース２３の対応する事例を逐次更新する。
なお、履歴データ２１や事例ベース生成部２２については、濁度予測システム２０に常時必要なものではなく、事例ベース生成部２２の機能を有する別個の演算処理装置で履歴データ２１から事例ベース２３を生成し、濁度予測システム２０へ組み込むようにしてもよい。また、適応学習部２６も必須の構成ではなく、浄水場５０の振る舞いの変動に応じて適応学習部２６の要否を判断すればよい。
【００２１】
次に、濁度制御システム３０について説明する。図３に濁度制御システムの構成例を示す。この濁度制御システム３０には、履歴データ３１、事例ベース生成部３２、事例ベース３３、事例検索部３４、出力推定部３５および適応学習部３６が設けられている。
濁度制御システム３０の具体的構成としては、全体としてパソコンなどの情報処理装置から構成されており、事例ベース生成部３２、事例検索部３４、出力推定部３５および適応学習部３６は、情報処理装置で実行されるソフトウェア（アプリケーション）で実現されている。また履歴データ３１や事例ベース３３は、ハードディスクやメモリなどの情報記憶装置に格納されたデータからなり、必要に応じて読み出され、また更新される。
【００２２】
この濁度制御システム３０では、事例ベース推論モデルを用いて制御変数データ４３から、浄水処理に要する所定時間だけ経過した後、例えば１〜６時間後に浄水場５０で生成される処理水の濁度を所望の範囲内に制御するのに必要な凝集剤の投入率を推定している。
履歴データ３１は、計測データ４０のうち凝集剤投入率の推定に用いる制御変数データ４３と、実際に浄水場５０で投入された凝集剤投入率（実績）との組み合わせからなるデータであり、ここでは浄水場５０から過去に得られた多数のデータが用いられる。
【００２３】
事例ベース生成部３２では、このような履歴データ３１のうち、制御変数データ４３を入力変数とするとともに凝集剤投入率（実績）を出力値とし、各入力変数の入力空間を所望の予測精度で量子化して事例化することにより事例ベース３３を生成する。
事例検索部３４では、浄水場５０から得られた新たな制御変数データ４３に対応する１つ以上の事例を事例ベース３３から検索する。出力推定部３５では、事例検索部３４で検索された１つ以上の事例から、新たな制御変数データ４３に対応する出力値すなわち凝集剤投入率１２を導出する。
【００２４】
制御変数データ４３としては、上記した所定時間後の予測濁度のほか、浄水場５０のポンプ５１で取水した原水の濁度、原水流量（あるいはろ過流量でもよい）、フロック形成池５４や沈殿池５５周辺の気温、沈殿池５５から出力された処理水の濁度が用いられる。また、ｐＨ値の違いによる凝集剤の反応効果を考慮する場合は、上記の変数に加えて、原水のｐＨ値、前塩素投入率、沈殿池５５から出力された処理水のｐＨ値を用いてもよい。
この制御変数データ４３は、予測対象となる原水（処理水）に関するデータが用いられるため、実際には予測時点のデータだけでなく過去に計測されたデータからなる時系列データも用いられる。
【００２５】
適応学習部３６では、新たな制御変数データ４３とその場合に浄水場５０で実際に投入された凝集剤の投入率（実績）との組み合わせ、すなわち制御実績データ４４に基づき、事例ベース３３の対応する事例を逐次更新する。
なお、履歴データ３１や事例ベース生成部３２については、濁度制御システム３０に常時必要なものではなく、事例ベース生成部３２の機能を有する別個の演算処理装置で履歴データ３１から事例ベース３３を生成し、濁度制御システム３０へ組み込むようにしてもよい。また、適応学習部３６も必須の構成ではなく、浄水場５０の振る舞いの変動に応じて適応学習部３６の要否を判断すればよい。
【００２６】
このように、本発明は実際的な運用性を有しており、上記の濁度予測システム２０によれば、浄水処理の所要時間を見越して将来生成される処理水の濁度を十分な信頼性を持って予測できる。また、上記の濁度制御システムによれば、浄水処理の所要時間を見越して将来生成される処理水の濁度を所望の範囲に制御するために必要な凝集剤投入率を十分な信頼性を持って予測できる。
したがって、濁度管理システム１０において、濁度予測システム２０で予測された予測濁度１１を用いて、濁度制御システム３０で凝集剤投入率１２を決定することにより、浄水処理にある程度時間を要する場合でも、係員の手作業を要することなく迅速かつ自動的に予測濁度１１および凝集剤投入率１２を導出でき、投入する凝集剤に過不足のない安定した濁度管理を実施できる。
【００２７】
また、濁度予測システム２０や濁度制御システム３０では、浄水場５０の振る舞いを実際に計測した計測データを用いて事例ベース２３，３３を構成しているため、事例ベース２３，３３自体が浄水場５０の濁度予測や濁度制御に関する制御系が持つ入出力関係を内包している。
したがって、従来のような入出力関係を表すための重回帰モデルなど特殊な内部モデルを必要とせず、予測や制御の連続性が得られるとともに、降雨などによる原水水質の急激な変化にも迅速に対応できる。
【００２８】
さらに、濁度予測システム２０や濁度制御システム３０では、新たな予測変数データや制御変数データと類似した予測変数データや制御変数データを持つ既存の事例を事例ベースから検索している。このとき、後述のように、入力量子化数をパラメータとして入力空間を量子化して事例ベースと類似度を定義し、評価指標値を算出して量子化数を決定している。このため収束計算を必要とせず、さらにこの評価指標値から事例ベース生成時に直ちにモデルの完成度を評価でき、別途テストデータを用いてモデル評価を行う必要がない。
【００２９】
また、濁度予測システム２０や濁度制御システム３０での濁度予測や濁度制御に必要な変数として、濁度、流量、投入率、気温、さらにはｐＨという、比較的数が少なく計測しやすい変数で精度よく濁度を予測できる。
これにより、多種にわたる多数の変数を用いる場合と比較して、変数が少ない分だけ演算処理速度も向上しシステム全体のリアルタイム性も高まるとともに、これら変数を検出するためのセンサ類を多数設置する必要がなく設備コストを削減できる。
【００３０】
以上で説明した濁度予測システム２０と濁度制御システム３０とでは、扱うデータ、すなわち履歴データ２１，３１、事例ベース２３，３３の内容や入力・出力変数が異なるものの、その構成についてはほぼ同様である。
したがって、事例ベース生成部２２，３２、事例検索部２４，３４、出力推定部２５，３５および適応学習部２６，３６を実現するソフトウェア（アプリケーション）については、同じものを利用でき、パソコンなどの情報処理装置でこれらソフトウェアを並列的に実行すればよい。
【００３１】
また、これら濁度予測システム２０および濁度制御システム３０については、双方とも上記のような事例ベース推論モデルを用いる必要はない。例えば、他の方法で予測濁度１１から凝集剤投入率１２を決定できるのであれば、濁度予測システム２０のみを適用すればよく、また他の方法で予測濁度１１を予測できるのであれば、濁度制御システム３０のみを用いてもよく、いずれの場合も上記した濁度予測システム２０または濁度制御システム３０の作用効果が得られる。
【００３２】
次に、本実施の形態で用いる事例ベース推論の動作について説明する。以下では濁度予測システム２０の事例ベース推論モデルを例として説明するが、これは濁度予測システム２０だけではなく、濁度制御システム３０にも同様にして適用される。
まず、図４〜６を参照して、濁度予測システム２０の事例ベース生成部２２の動作について説明する。図４は本実施の形態にかかる事例ベース推論モデルで用いる位相の概念を示す説明図、図５は入力空間の量子化処理を示す説明図、図６は事例ベース生成処理を示すフローチャートである。
【００３３】
事例ベース２３は、位相（Topology）の概念を導入して作成された事例ベースであり、所望の出力許容誤差（要求精度）に応じて入力空間が量子化されており、それぞれ量子化されてできた単位入力空間（以下、メッシュという）ごとに、入出力間の関係が定義されている。
事例検索部２４では、この事例ベース２３を参照することにより、新たな予測変数データ４１に対応するメッシュを選択し、そのメッシュあるいはその近傍メッシュからそれぞれのメッシュを代表する事例を検索する。この予測変数データ４１は、事例ベース２３の生成に用いる履歴データ２１と同じ入力変数データから構成されている。
【００３４】
出力推定部２５では、事例検索部２４で検索された１つ以上の事例の出力データから、新たな予測変数データ４１に対応する推定出力データ、ここでは予測濁度１１を算出して出力する。
適応学習部２６では、対象の振る舞いから実際に得られた新規な予測実績データ４２に基づき、事例ベース２３の学習を適応的に行う。新規予測実績データ４２は、事例ベース２３の生成に用いる履歴データ２１と同じ構成ではあるが、履歴データ２１として使用されていない別個のデータからなっており、例えば濁度予測動作の開始後に対象ここでは浄水場５０から実際の計測で得られた新たなデータなどが用いられる。
【００３５】
本実施の形態で用いる事例ベース推論モデルでは、数学の位相論における連続写像の概念に基づき、入力空間を量子化し位相空間とすることにより、要求精度である出力誤差の許容幅ε（出力許容誤差）に応じた事例ベースと類似度の一般的な定義を行っている。
位相論における連続写像の概念とは、例えば空間Ｘ，Ｙにおいて、写像ｆ：Ｘ→Ｙが連続であるための必要十分条件が、Ｙにおける開集合（出力近傍）Ｏ逆写像ｆ^-1（Ｏ）がＸの開集合（入力近傍）に相当することである、という考え方である。この連続写像の概念を用いて、入力空間から出力空間への写像ｆが連続することを前提とし、図４に示すように、出力空間において出力誤差の許容幅を用いて出力近傍を定めることにより、これら出力近傍とその出力誤差の許容幅を満足する入力近傍とを対応付けることができ、入力空間を量子化し位相空間として捉えることができる。
【００３６】
入力空間の量子化処理は、図６に示すような手順で行われる。
履歴データ２１は、過去に得られた入力データと出力データとの組からなり、図５では入力ｘ₁，ｘ₂と出力ｙとから構成されている。これら履歴データは入力空間ｘ₁−ｘ₂において、図５右上のように分布している。これを図５右下のように、ｘ₁，ｘ₂方向にそれぞれ所定幅を有する等間隔のメッシュで量子化する場合、図５左下に示すように出力誤差の許容幅εを考慮して、メッシュの大きさすなわち入力量子化数を決定している。
【００３７】
出力誤差の許容幅εとは、推定により得られる出力と新規入力データに対する未知の真値との誤差をどの程度まで許容するかを示す値であり、モデリング条件として予め設定される。
したがって、この許容幅εを用いてメッシュの大きさを決定することにより、出力近傍の大きさに対応する入力近傍すなわち事例を定義でき、その事例に属する全ての入力データから推定される出力データの誤差が、出力誤差の許容幅εを満足することになる。
【００３８】
事例ベース生成部２２では、このような入力空間の量子化処理を用いて、事例ベース２３を生成している。図６において、まず、履歴データ２１を読み込むとともに（ステップ１００）、出力誤差の許容幅εなどのモデリング条件を設定し（ステップ１０１）、この許容幅εに基づき各種評価指標を算出し、その評価指標に基づいて各入力変数ごとに入力量子化数を選択する（ステップ１０２）。そして、各メッシュに配分された履歴データ２１から事例ベース２３を構成する各事例を生成する（ステップ１０３）。
【００３９】
ここで、図７〜１０を参照して、評価指標を用いた入力量子化数の決定処理について説明する。
図７は入力量子化数の決定処理を示すフローチャート、図８は評価指標の１つである出力分布条件を示す説明図、図９は評価指標の１つである連続性条件を示す説明図、図１０は各評価指標の充足率と入力量子化数との関係を示す説明図である。
【００４０】
出力分布条件とは、図８に示すように、選択した入力量子化数で入力空間を量子化して得られた任意のメッシュについて、そのメッシュ内に属する履歴データの出力ｙの出力分布幅が出力誤差の許容幅εより小さい、という条件である。これにより１つのメッシュすなわち入力近傍が、これに対応する出力近傍に定めた条件すなわち出力誤差の許容幅εを満足するかどうか検査される。
連続性条件とは、図９に示すように、選択した入力量子化数で入力空間を量子化して得られた任意のメッシュについて、そのメッシュで生成された事例の出力値ｙと、その事例と類似度ｒの周囲に存在する周囲事例の平均出力値ｙ’との差が、出力誤差の許容幅ε（ｒ＋１）より小さい、という条件である。
【００４１】
これにより、各事例間すなわち入力近傍間での出力値の差が、これらに対応する出力近傍間に定めた条件すなわち出力誤差の許容幅εを満足するかどうか検査される。この連続性条件を満たすことにより、各事例が連続的に所望の精度を満たすように、入力空間をカバーしていると判断できる。この連続性条件を検査する場合、検査対象メッシュの事例と周囲事例との距離すなわち後述する類似度ｒを考慮する必要がある。これは先に述べた位相論における連続写像の概念を正しく反映させるためである。
ここで、メッシュ内の出力誤差許容幅がε以内であることから、２つの事例間の類似度がｒの場合、その出力誤差許容幅はε（ｒ＋１）以内となる。したがって、上記の連続性条件は、任意のメッシュで生成された事例の出力値ｙと、その事例と類似度ｒの周囲事例の平均出力値ｙ’との差が、出力誤差の許容幅ε（ｒ＋１）より小さい、という条件となる。
【００４２】
入力量子化数の決定処理では、図７に示すように、まず評価指標の良否を判定するための基準として評価基準（しきい値）を設定する（ステップ１１０）。そして、各入力量子化数ごとに各評価指標を算出し（ステップ１１１）、得られた評価指標と評価基準とを比較して、評価基準を満足する評価指標が得られた入力量子化数を選択する（ステップ１１２）。
評価基準としては、出力分布条件および連続性条件をともに満たす事例が９０％以上となる入力量子化数を選択するのが望ましく、システムでは９０％もしくは９５％の分割数が表示されるようになっている。この９０％や９５％という値は、統計的に考えて適切な値と考えられるからである。
【００４３】
この入力量子化数は、各入力変数ごとに順に決定される。例えば、入力変数がｘ₁，ｘ₂，‥，ｘ_nの場合、ｘ₁からｘ_nまで順に入力量子化数を決定していく。
ここで、評価指標を算出する際、すべての入力変数に入力量子化数を割り当てる必要がある。したがって、ｘ_iに関する評価指標を求める際、ｘ₁〜ｘ_i-1については、その時点ですでに決定されている入力量子化数を用い、ｘ_i以降のｘ_i+1，‥，ｘ_nについては、ｘ_iと同じ入力量子化数を用いる。
【００４４】
前述した各条件のうち、出力分布条件と連続性条件については、評価指標として、その条件を満足する事例の全事例に対する割合すなわち評価指標充足率が用いられる。例えば、ｘ_iに関する入力量子化数ｍの評価指標値は、ｘ₁，ｘ₂，‥，ｘ_nの入力レンジ幅をそれぞれの入力量子化数で量子化し、量子化により生成された全事例における、その評価指標条件を満たす事例の割合、すなわち出力分布条件充足率と連続性条件充足率とで求められる。
そして、その入力変数ｘ_iについて、これら全ての評価指標値が評価基準をクリアした入力量子化数からいずれかを選択し、その入力変数ｘ_iの入力量子化数として決定する。
【００４５】
このとき、出力分布条件充足率Ｓ_Dと連続性条件充足率Ｓ_Cの各評価指標は、入力量子化数ｍの増加に応じて単調に増加するのではなく、図１０に示すように、ある程度の上下幅を伴って放物線状に変化するため、ある入力量子化数ｍについては評価基準を再度下回った後、ｍ₂のように評価基準を満足するケースもある。
これについては、予め設定される検査入力量子化数の最大値ｍ_maxまでのうち、出力分布条件充足率Ｓ_Dと連続性条件充足率Ｓ_Cの各評価指標が評価基準を満足する最も小さい入力量子化数ｍ₁を選択することにより、最大値ｍ_maxに依存することなく最適な入力量子化数を選択できるとともに、メッシュ数を最小限に抑制でき、事例ベースのサイズを小さくできる。
【００４６】
事例ベース生成部２２では、以上のようにして入力量子化数が選択され、その入力量子化数で量子化された入力空間ここでは各メッシュに各履歴データが配分されて、事例が生成される。
図１１は事例生成処理を示す説明図、図１２は事例生成処理を示すフローチャートである。
【００４７】
まず、選択された入力量子化数に基づき各入力変数を量子化（分割）し、メッシュを生成する（ステップ１２０）。図１１では、入力変数ｘ₁が１０分割されるとともに入力変数ｘ₂が６分割されている。そして、各履歴データが各メッシュに振り分けられて（ステップ１２１）、履歴データが存在するメッシュが事例として選択され、その入出値および出力値が算出される（ステップ１２２）。図１１右上に示すように、同一メッシュに３つの履歴データが振り分けられた場合、図１１右下に示すように、これらが１つ事例として統合される。このとき、事例を代表する出力値として３つの履歴データの出力ｙの平均値が用いられ、事例を代表する入力値としてそのメッシュの中央値が用いられる。
【００４８】
図２の濁度予測システムでは、このようにして生成された事例ベース２３を用いて、新規に入力された予測変数データ４１から予測濁度１１を推定する。
まず、事例検索部２４では、予測変数データ４１の各入力変数の値と類似度とを用いて事例ベース２３から類似事例を検索する。
図１３は類似度の定義を示す説明図、図１４は事例検索部２４における類似事例検索処理を示すフローチャートである。類似度とは、事例ベース２３が持つ入力空間に設けられた各メッシュのうち、各事例が新規入力データに対応するメッシュとどの程度の類似性を有しているか示す尺度である。
【００４９】
図１３では、入力データここでは予測変数データ４１に対応する中央メッシュに事例が存在すれば、その事例と入力データとは「類似度ｒ＝０」であると定義されている。また、中央メッシュの１つ隣に存在する事例とは「類似度ｒ＝１」となり、以降、中央メッシュから１メッシュずつ離れていくごとに類似度が１ずつ増加していく。したがって、推定を行う場合、類似度ｒの事例による推定値は、（ｒ＋１）×出力誤差許容幅ε以内の精度を持つことになる。
このとき、推定を行う入力値に対してうまく両側の事例が使用された場合は、（ｒ＋１）×εよりも良い精度の出力値である場合が予想される。また、推定を行う値に対して片側の事例のみが使用された場合は、（ｒ＋１）×ε程度の精度であることが、入出力の連続性のもとに予想される。
【００５０】
事例検索部２４では、図１４に示すように、まず、入力データを取り込み（ステップ１３０）、事例ベース２３が持つ入力空間から、その入力データに対応するメッシュを選択するとともに（ステップ１３１）、事例検索範囲として用いる類似度を０に初期化し（ステップ１３２）、その類似度が示す事例検索範囲から類似事例を検索する（ステップ１３３）。
ここで、入力データに対応するメッシュに事例が存在した場合は（ステップ１３４：ＹＥＳ）、その事例を類似事例として出力する（ステップ１３６）。一方、ステップ１３４において、入力データに対応するメッシュに事例が存在しなかった場合は（ステップ１３４：ＮＯ）、類似度を１だけ増やして事例検索範囲を拡げ（ステップ１３５）、ステップ１３３へ戻って、再度、類似事例を検索する。
【００５１】
このようにして、事例検索部２４において、新規入力データに対応する類似事例が事例ベース２３から検索され、出力推定部２５で、これら類似事例に基づき、新規の入力データＡに対応する出力データＹが推定される。例えば、図１５に示すように、入力データＡ（２２．１，５８．４）に対応するメッシュ１５０に事例が存在した場合、その事例の出力値ｙ＝７０．２が推定出力データとして選択される。
また、図１６に示すように、入力データＡ（２３．８，６２．３）に対応するメッシュ１５１に事例が存在しなかった場合、事例検索部２４では検索範囲１５２を拡大して類似事例を検索する。そして、検索された事例から出力推定部２５で推定出力データを算出する。このとき、複数の事例が検索された場合は、それら各事例の出力値の平均値が推定出力データとして用いられる。このようにして、出力推定部２５では、新規入力データＡに対応する推定出力データＹが推定されて出力される。
【００５２】
次に、図１７，１８を参照して、適応学習部の動作について説明する。
図２に示すように、適応学習部２６では、対象すなわち浄水場５０から実測して得られた新規の予測実績データ４２に基づき事例ベース２３を更新する。このとき、新規予測実績データ４２を例えば１時間ごとに自動的に得るようにしてもよく、これにより適応学習の自動化が可能となる。
まず、事例ベース２３が持つ入力空間から新規データに対応する事例が検索される。ここで、その新規データに対応する事例が存在した場合は、その事例のみを改訂する。
【００５３】
図１７は、対応する事例が存在する場合の適応学習動作を示す説明図である。
ここでは、新規データＢ（２３．９，６６．８，４８．２）に対応する事例１６０が存在するため、新規データＢの出力値ｙ＝４８．２と改訂前の事例１６０の出力値４９．７とから、その事例の新たな出力値ｙ＝４９．０を算出している。
出力改訂演算式としては、忘却係数Ｃ_Forgetを設け、この忘却係数が示す比率で改訂前出力値Ｙ_oldと新規データＢの出力値Ｙとを加算し、その事例の改訂後の出力値としている。
【００５４】
一方、新規データに対応する事例が存在しない場合は、その新規データに基づき新たな事例を生成する。図１８は、対応する事例が存在しない場合の適応学習動作を示す説明図である。
ここでは、新規データＢ（２３．７，６２．３，４３．８）に対応するメッシュ１６１に事例が存在しないため、その新規データＢに対応するメッシュの中央値を入力値とし、新規データＢの出力値ｙを代表の出力値とする新規事例１６２を新たな生成して、事例ベース２３に追加している。
【００５５】
以上説明したように、本実施の形態にかかる推論モデルは、事例ベース推論の枠組みをモデリングに適用したもので、位相（Topology）の概念に基づき、システムの入出力関係の連続性が成り立つ一般的な対象に適用可能なモデリング技術といえる。
したがって、データは同定された入力空間に事例として蓄えられ、出力推定時には入力と予め蓄積されている入力事例との位相距離（類似度）により推定出力データの信頼性が示せるという特徴を持つ。
本実施の形態では、このようなモデルを用いて出力データを推定するようにしたので、ニューラルネットワークや重回帰モデルなどの従来の推論モデルと比較して、次のような作用効果が得られる。
【００５６】
従来の推論モデルでは、
１）入出力全域の関係を規定するために特殊なモデル構造を用いているため、システムに最適な構造を見つけるためには多くの手間を必要とする。
２）履歴データの学習を行う場合、モデル構造の持つ複数のパラメータを同定するための収束計算を行う必要があり、この処理に膨大な時間がかかる。
３）新たなデータに基づきモデルを更新する場合にもパラメータの同定を行う必要があり、実際には適応学習が困難である。
４）推定を行う入力値に対してモデル出力値がどの程度信頼できるかどうかを把握するのが困難である。
【００５７】
これに対して、本実施の形態によれば、
１）過去に経験した事例（問題と解答）を事例ベースとして蓄積し、システムの入出力関係を内包する入出力事例を用いているため、入出力関係を表すための特殊なモデルを必要としない。
２）事例ベースを生成する場合は、入力量子化数をパラメータとして入力空間を量子化して事例ベースと類似度を定義し、評価指標値を算出して量子化数を決定している。このため収束計算を必要とせず、さらにこの評価指標値からモデルの完成度を評価でき、従来のように別途テストデータを用いてモデル評価を行う必要がない。
【００５８】
また、本実施の形態によれば、
３）新たに入力された問題に対する解答は、類似事例を検索することにより得ている。したがって、問題に対して検索された事例の類似の程度が判定できるため、この類似度を解答の信頼性評価に利用できる。
４）事例ベースが個々の事例から構成されているため、新たなデータに基づき事例ベースを部分改訂でき、従来のようにパラメータの同定を行う必要がなく、容易に適応学習できる。
【００５９】
なお、従来のモデルにおける学習と収束計算の問題については、事例ベース推論（Case-Based Reasoning：ＣＢＲ）において事例ベース構造と類似度の定義という問題となる。これは、従来の事例ベース推論において、対象の十分な知見がなければ定義できないという、工学上の大きな問題となっている。本実施の形態にかかる事例ベース推論モデルでは、数学の位相論における連続写像の概念に基づき、出力許容誤差すなわち要求精度に応じた事例ベースと類似度との一義的な定義を、入力空間を量子化し位相空間とすることで行っている。したがって、対象の十分な知見すなわち入出力構造の同定を必要とすることなく、入出力モデルを定めることができる。
【００６０】
【発明の効果】
以上説明したように、本発明は、濁度予測システムとして、浄水場から得られた計測データの、原水濁度、原水流量、凝集剤投入率、気温、および処理水濁度を含む入力データから、事例ベース推論モデルを用いて、所定時間後に浄水場で生成される処理水の濁度を予測濁度として推定するようにしたので、浄水処理の所要時間を見越して将来生成される処理水の濁度を十分な信頼性を持って予測できる。また、濁度制御システムとして、浄水場から得られた計測データの、原水濁度、原水流量、気温、および処理水濁度を含む入力データと所定時間後に生成される処理水の予測濁度とから、事例ベース推論モデルを用いて、浄水場で投入すべき凝集剤の投入率を推定するようにしたので、浄水処理の所要時間を見越して将来生成される処理水の濁度を所望の範囲に制御するために必要な凝集剤投入率を十分な信頼性を持って予測できる。
【００６１】
さらに、濁度管理システムとして、濁度予測システムで予測された予測濁度を用いて、濁度制御システムで凝集剤投入率を決定するようにしたので、浄水処理にある程度時間を要する場合でも、係員の手作業を要することなく迅速かつ自動的に予測濁度および凝集剤投入率を導出でき、投入する凝集剤に過不足のない安定した濁度管理を実施できる。また、従来のような入出力関係を表すための重回帰モデルなど特殊な内部モデルを必要とせず、予測や制御の連続性が得られるとともに、降雨などによる原水水質の急激な変化にも迅速に対応できる。
【図面の簡単な説明】
【図１】 本発明の一実施の形態による濁度管理システムを示す構成図である。
【図２】 濁度予測システムの構成例である。
【図３】 濁度制御システムの構成例である。
【図４】 事例ベース推論モデルで用いる位相の概念を示す説明図である。
【図５】 入力空間の量子化処理を示す説明図である。
【図６】 事例ベース生成処理を示すフローチャートである。
【図７】 入力量子化数の決定処理を示すフローチャートである。
【図８】 出力分布条件を示す説明図である。
【図９】 連続性条件を示す説明図である。
【図１０】 各評価指標の充足率と入力量子化数との関係を示す説明図である。
【図１１】 事例生成処理を示す説明図である。
【図１２】 事例生成処理を示すフローチャートである。
【図１３】 類似度の定義を示す説明図である。
【図１４】 類似事例検索処理を示すフローチャートである。
【図１５】 出力推定動作（類似事例が存在する場合）を示す説明図である。
【図１６】 出力推定動作（類似事例が存在しない場合）を示す説明図である。
【図１７】 適応学習動作（対応事例が存在する場合）を示す説明図である。
【図１８】 適応学習動作（対応事例が存在しない場合）を示す説明図である。
【符号の説明】
１０…濁度管理システム、１１…予測濁度、１２…凝集剤投入率、２０…濁度予測システム、２１…履歴データ、２２…事例ベース生成部、２３…事例ベース、２４…事例検索部、２５…出力推定部、２６…適応学習部、３０…濁度制御システム、３１…履歴データ、３２…事例ベース生成部、３３…事例ベース、３４…事例検索部、３５…出力推定部、３６…適応学習部、４０…計測データ、４１…予測変数データ、４２…予測実績データ、４３…制御変数データ、４４…制御実績データ、５０…浄水場、５１…ポンプ、５２…着水井、５３…混和池、５４…フロック形成池、５５…沈殿池、５６…ろ過池、５７…ポンプ井、５８…水処理制御装置。

Claims (7)

1. 浄水場の浄化処理を示す各種計測データを所定の推論モデルを用いて演算処理することにより、前記浄水場で所定時間後に生成される処理水の処理水濁度を推定して出力する濁度予測システムであって、
   少なくとも前記計測データの、原水濁度、原水流量、凝集剤投入率、気温、および処理水濁度を含む入力データと、その入力データを入力条件として浄水場から得られた実際の処理水濁度と、からなる履歴データを複数取り込み、処理水濁度の推定に必要となる出力許容誤差に応じて前記各履歴データが分布する入力空間を複数に分割することにより量子化して複数の単位入力空間を形成するとともに対応する単位入力空間内に前記各履歴データを配置し、１つ以上の履歴データを有する単位入力空間ごとにその単位入力空間の履歴データを代表する事例を作成することにより生成された事例ベースと、
   この事例ベースを検索することにより、前記入力空間内において新たな入力データに対応する単位入力空間に最も近い他の単位入力空間であって、かつ事例を有する１つ以上の単位入力空間から、それぞれ事例を取得する事例検索部と、
   この事例検索部により検索された前記事例の処理水濁度から前記新たな入力データに対応する処理水濁度を算出して出力する出力推定部と
   を備えることを特徴とする濁度予測システム。
2. 請求項１記載の濁度予測システムにおいて、
   前記入力データは、少なくとも前記計測データの、原水ｐＨ、前塩素投入率および処理水ｐＨをさらに含むことを特徴とする濁度予測システム。
3. 浄水場の浄化処理を示す各種計測データを所定の推論モデルを用いて演算処理することにより、前記浄水場で投入すべき凝集剤の投入率を推定して出力する濁度制御システムであって、
   少なくとも前記計測データの、原水濁度、原水流量、気温、および処理水濁度と、前記浄化処理で所定時間後に生成される処理水の予測水濁度とを含む入力データと、その入力データを入力条件として浄水場で実際に投入された凝集剤の投入率と、からなる履歴データを複数取り込み、凝集剤投入率の推定に必要となる出力許容誤差に応じて前記各履歴データが分布する入力空間を複数に分割することにより量子化して複数の単位入力空間を形成するとともに対応する単位入力空間内に前記各履歴データを配置し、１つ以上の履歴データを有する単位入力空間ごとにその単位入力空間の履歴データを代表する事例を作成することにより生成された事例ベースと、
   この事例ベースを検索することにより、前記入力空間内において新たな入力データに対応する単位入力空間に最も近い他の単位入力空間であって、かつ事例を有する１つ以上の単位入力空間から、それぞれ事例を取得する事例検索部と、
   この事例検索部により検索された前記事例の凝集剤投入率から前記新たな入力データに対応する凝集剤投入率を算出して出力する出力推定部と
   を備えることを特徴とする濁度制御システム。
4. 請求項３記載の濁度制御システムにおいて、
   前記入力データは、少なくとも前記計測データの、原水ｐＨ、前塩素投入率および処理水ｐＨをさらに含むことを特徴とする濁度制御システム。
5. 浄水場の浄化処理を示す各種計測データに基づき、前記浄水場で投入すべき凝集剤の投入率を決定することにより、前記浄化処理で生成される処理水の濁度を管理する濁度管理システムであって、
   前記計測データに基づき、所定時間後の処理水濁度を推定し予測濁度として出力する濁度予測システムと、前記計測データと前記濁度予測システムで得られた予測濁度とに基づき、前記浄化処理で投入すべき凝集剤の投入率を推定出力する濁度制御システムとを備え、
   前記濁度予測システムは、
   少なくとも前記計測データの、原水濁度、原水流量、凝集剤投入率、気温、および処理水濁度を含む第１の入力データと、その第１の入力データを入力条件として浄水場から得 られた実際の処理水濁度と、からなる第１の履歴データを複数取り込み、処理水濁度の推定に必要となる出力許容誤差に応じて前記各第１の履歴データが分布する第１の入力空間を複数に分割することにより量子化して複数の第１の単位入力空間を形成するとともに対応する第１の単位入力空間内に前記各第１の履歴データを配置し、１つ以上の第１の履歴データを有する第１の単位入力空間ごとにその第１の単位入力空間の第１の履歴データを代表する第１の事例を作成することにより生成された第１の事例ベースと、
   この第１の事例ベースを検索することにより、当該第１の入力空間内において新たな第１の入力データに対応する第１の単位入力空間に最も近い他の単位入力空間であって、かつ第１の事例を有する１つ以上の第１の単位入力空間から、それぞれ第１の事例を取得する第１の事例検索部と、
   この第１の事例検索部により検索された前記第１の事例の処理水濁度から前記新たな第１の入力データに対応する処理水濁度を算出して出力する第１の出力推定部と
   を備え、
   前記濁度制御システムは、
   少なくとも前記計測データの、原水濁度、原水流量、気温、および処理水濁度と、前記濁度予測システムで得られた所定時間後の処理水濁度を示す予測濁度とを含む第２の入力データと、その第２の入力データを入力条件として浄水場で実際に投入された凝集剤の投入率と、からなる第２の履歴データを複数取り込み、凝集剤投入率の推定に必要となる出力許容誤差に応じて前記各第２の履歴データが分布する第２の入力空間を複数に分割することにより量子化して複数の単位入力空間を形成するとともに対応する単位入力空間内に前記各第２の履歴データを配置し、１つ以上の第２の履歴データを有する単位入力空間ごとにその単位入力空間の第２の履歴データを代表する第２の事例を作成することにより生成された第２の事例ベースと、
   この第２の事例ベースを検索することにより、当該第２の入力空間内において新たな第２の入力データに対応する第２の単位入力空間に最も近い他の第２の単位入力空間であって、かつ第２の事例を有する１つ以上の第２の単位入力空間から、それぞれ第２の事例を取得する第２の事例検索部と、
   この第２の事例検索部により検索された前記第２の事例の凝集剤投入率から前記新たな第２の入力データに対応する凝集剤投入率を算出して出力する第２の出力推定部と
   を備える
   ことを特徴とする濁度管理システム。
6. 請求項５記載の濁度管理システムにおいて、
   前記第１の入力データは、少なくとも前記入力データの、原水ｐＨ、前塩素投入率および処理水ｐＨをさらに含むことを特徴とする濁度管理システム。
7. 請求項５記載の濁度管理システムにおいて、
   前記第２の入力データは、少なくとも前記入力データの、原水ｐＨ、前塩素投入率および処理水ｐＨをさらに含むことを特徴とする濁度管理システム。

Images