JP7059789B2 - 逐次制御プログラム、逐次制御方法および逐次制御装置 - Google Patents

Description

本発明は、逐次制御プログラム、逐次制御方法および逐次制御装置に関する。

日本酒の醸造などのように微生物の発酵を利用した製造工程では、微生物による多段階の活動を利用している。日本酒の製造工程において温度管理や醸造計画を誤ると、日本酒品質の低下や歩留まりが低くなる。このため、日本酒の製造工程では、醸造中の温度、アルコール度数、ボーメや日本酒度、アミノ酸量などの観測データに基づいて、次の日の醸造計画を作成して、歩留まりの改善を行っている。

特開２００７－０６１０６４号公報 特開２００４－１６４２３７号公報 特表２００６－５０９５０６号公報

例えば、日本酒の製造過程で取得されるデータとしては、酒樽内の温度、アルコール度数、ボーメなどがあり、これらには麹菌や酵母などの微生物の活動が間接的に反映されており、日本酒の品質などの大きな影響を与えている。しかしながら、これらの微生物を直接観測することが難しいことから、酒樽内から得られた観測可能なデータを利用して、微生物の発酵を利用した製造工程の予測を行っても、精度の良い予測ができない。

また、直接観測することができない微生物の活動などを示す変数を用いて、製造工程を数理モデル化することも考えられる。ところが、数理モデルにおけるハイパーパラメータを探索することは容易ではない。また、微生物の活動を間接的に反映する温度やアルコール度数を対象としてパラメータの最適化を実施しても、特にデータ量が少ないときにはオーバーフィッティングとなる。また、仮に温度やアルコール度数が目的と近いものとなったとしても、温度やアルコール度数と関連する微生物の活動が目的と近い状態となるとは限らない。

図１０は、オーバーフィッティングを説明する図である。図１０の（ａ）に示すように、アルコール度数とグルコースは、酒樽内から観測できるので、経時変化を取得することができる。一方で、麹菌や酵母は、直接観測することができない。このため、図１０の（ｂ）に示すように、アルコール度数とグルコースの観測データから、麹菌や酵母などの各微生物の活動量や活性の経時変化を一意に特定することができない。したがって、観測できない変数を含む数理モデルを用意して事前にパラメータチューニングを行ったとしても、製造工程の予測精度を向上させることは難しい。

一つの側面では、製造工程の予測精度を向上させることができる逐次制御プログラム、逐次制御方法および逐次制御装置を提供することを目的とする。

第１の案では、逐次制御プログラムは、コンピュータに、微生物の発酵に関連した工程を含む複数段階の工程における複数の観測値を取得する処理を実行させる。逐次制御プログラムは、コンピュータに、前記複数段階の工程に対応した前記微生物の発酵に関する非線形の数理モデルについて、前記数理モデルに含まれる複数のパラメータに含まれる、非観測なデータに関連する複数の特定パラメータについての確率分布を設定する処理を実行させる。逐次制御プログラムは、コンピュータに、前記複数の観測値、および、前記確率分布に基づき、前記数理モデルの次の観測時刻における観測予測値を生成する処理を実行させる。逐次制御プログラムは、コンピュータに、前記観測予測値の分布および前記次の観測時刻における観測値を用いて、前記複数のパラメータを更新する処理を実行させる。逐次制御プログラムは、コンピュータに、前記複数のパラメータが更新された前記数理モデルを用いて生成された、前記複数の特定パラメータのそれぞれの誤差が低減されるように、前記数理モデルを制御する処理を実行させる。

一実施形態によれば、製造工程の予測精度を向上させることができる。

図１は、実施例１にかかる逐次制御装置を説明する図である。 図２は、実施例１にかかる逐次制御装置の機能構成を示す機能ブロック図である。 図３は、不確実性を表現したアンサンブルの生成を説明する図である。 図４は、アンサンブルカルマンフィルタによるデータ同化を説明する図である。 図５は、データ同化によるパラメータ更新を説明する図である。 図６は、目的関数の最小化を説明する図である。 図７は、最適化制御を説明する図である。 図８は、処理の流れを示すフローチャートである。 図９は、ハードウェア構成例を説明する図である。 図１０は、オーバーフィッティングを説明する図である。

以下に、本願の開示する逐次制御プログラム、逐次制御方法および逐次制御装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。また、各実施例は、矛盾のない範囲内で適宜組み合わせることができる。

［逐次制御装置の説明］
図１は、実施例１にかかる逐次制御装置を説明する図である。図１に示す逐次制御装置１０は、日本酒の製造工程（醸造工程）を数理モデル化し、数理モデルに含まれる個々の変数（パラメータ）の時間発展を計算することで、製造工程を予測するコンピュータ装置の一例である。具体的には、逐次制御装置１０は、日本酒の醸造において、温度変更計画やその他の機器の運転計画に対して、現在観測しているデータを用いて予測を行い、その予測結果を用いて最適な計画を求め、歩留まりを改善する情報を提供する。

図１に示すように、逐次制御装置１０は、グルコースの量、アルコール度数、温度などの醸造容器内で観測可能なパラメータ、および、デンプンの量、麹菌の量、酵母の量などの醸造容器内で非観測なパラメータを含む、製造工程の数値モデルを生成する。その後、逐次制御装置１０は、醸造容器内のデータ観測、数理モデルのパラメータの不確実性の表現、データ予測とパラメータ更新、製造計画の最適化の一連の流れを逐次的に繰り返すことで、日本酒製造における日々の人為的な作業結果を考慮しつつ、最終的な目標に徐々に近づけるように製造計画を段階的に制御する。

具体的には、逐次制御装置１０は、微生物の発酵に関連した工程を含む複数段階の工程における複数の観測値を取得する。逐次制御装置１０は、複数段階の工程に対応した微生物の発酵に関する非線形の数理モデルについて、数理モデルに含まれる複数のパラメータに含まれる、非観測なデータに関連する複数の特定パラメータについての確率分布を設定する。その後、逐次制御装置１０は、複数の観測値、および、確率分布に基づき、数理モデルの次の観測時刻における観測予測値を生成する。そして、逐次制御装置１０は、観測予測値の分布および次の観測時刻における観測値を用いて、複数のパラメータを更新する。その後、逐次制御装置１０は、複数のパラメータが更新された数理モデルを用いて生成された、複数の特定パラメータのそれぞれの誤差が低減されるように、数理モデルを制御する。

例えば、逐次制御装置１０は、製造工程の数理モデルに含まれる観測可能な各パラメータについては、許容する誤差の範囲を小さくして、複数の数理モデル（アンサンブル）を生成する。そして、逐次制御装置１０は、各アンサンブルを用いて予測した観測値の予測値と、実際に観測した観測値とを用いて、パラメータを更新する。

一方、逐次制御装置１０は、製造工程の数理モデルに含まれる非観測な各パラメータについては、許容する誤差の範囲を大きくして、複数のアンサンブルを生成する。そして、逐次制御装置１０は、実際に観測された観測可能な他のパラメータの観測値との関係性を用いて、パラメータを更新する。

つまり、逐次制御装置１０は、予測と最適化とを逐次的に繰り返すことで、非観測なパラメータについても、取りうる値の誤差が小さくなりように学習できる。この結果、逐次制御装置１０は、非観測なパラメータに関連した数理モデルを利用して生成された予測パラメータそれぞれを、微生物の発酵に関連した複数段階の工程を含む製造工程について最適化する逐次制御が可能となるので、製造工程の予測精度を向上させることができる。

［逐次制御装置の機能構成］
図２は、実施例１にかかる逐次制御装置１０の機能構成を示す機能ブロック図である。図２に示すように、逐次制御装置１０は、通信部１１、記憶部１２、制御部２０を有する。

通信部１１は、他の装置との通信を制御する処理部であり、例えば通信インタフェースである。例えば、通信部１１は、管理者の端末から、処理開始の指示などを受信する。また、通信部１１は、管理者の端末等に、逐次制御の結果を送信する。

記憶部１２は、プログラムやデータを記憶する記憶装置の一例であり、例えばメモリやハードディスクなどである。この記憶部１２は、観測データＤＢ１３を記憶する。観測データＤＢ１３は、醸造容器の一例である酒樽内から観測された観測値を記憶するデータベースである。例えば、観測データＤＢ１３は、観測可能なグルコースの量、アルコール度数、温度の値などを、観測時刻と対応付けて記憶する。

制御部２０は、逐次制御装置１０全体の処理を司る処理部であり、例えばプロセッサなどである。この制御部２０は、取得部２１、生成部２２、予測部２３、融合部２４、最適化部２５、提示部２６を有する。なお、取得部２１、生成部２２、予測部２３、融合部２４、最適化部２５、提示部２６は、プロセッサなどが有する電子回路やプロセッサなどが実行するプロセスの一例である。

取得部２１は、観測対象の酒樽内で醸造される醸造中の日本酒から観測値を取得する処理部である。具体的には、取得部２１は、後述する数理モデルの不確実性を取り除き、高精度化するための逐次の観測値を取得する。例えば、取得部２１は、１日ごとや１２時間毎などのように定期的に、グルコースの量、アルコール度数、温度の値を取得して、取得した観測値と観測日時とを対応付けて観測データＤＢ１３に格納する。なお、観測手法は、公知の様々な手法を採用することができる。

生成部２２は、日本酒の製造工程における数理モデルを生成し、数理モデルに含まれる各パラメータに対して、不確実性を表現する確率分布を設定する処理部である。例えば、生成部２２は、観測可能なパラメータおよび特定パラメータの一例である観測可能ではないパラメータを含む数理モデルとして、式（１）から式（６）を含む非線形の数理モデルを生成する。なお、観測可能でないパラメータとは、観測不可能なパラメータのみならず、観測そのものが困難なパラメータ、観測そのものは困難ではないが実用的な時間で観測することが困難なパラメータなどを含む。また、本願においては、「観測可能でないパラメータ」を「非観測なパラメータ」と読み替えてもよい。

式（１）は、デンプンと麹菌が存在する場合にデンプンが分解されることを定義する、デンプンの時間変化を表す数理モデルであり、観測可能ではないパラメータである。式（２）は、デンプンを分解して増殖し、ある一定数は死滅することを定義する、麹菌の量の時間変化を表す数理モデルであり、観測可能ではないパラメータである。式（３）は、麹菌がグルコースを生成して清酒酵母が分解し減少することを定義する、グルコースの量の時間変化を表す数理モデルであり、観測可能なパラメータである。

式（４）は、グルコースを分解して増殖し、ある一定数は死滅することを定義する、酵母の量の時間変化を表す数理モデルであり、観測可能ではないパラメータである。式（５）は、清酒酵母が生成することを定義する、アルコールの度数の時間変化を表す数理モデルであり、観測可能なパラメータである。式（６）は、菌類の活動により熱が発生し、ニュートンの冷却法則で外部との熱交換が行われることを定義する、酒樽内の温度の時間変化を表す数理モデルであり、観測可能なパラメータである。

式（１）における、Ｓは、デンプンの量、Ｍは麹菌の量、Ｇはグルコースの量、Ｆは酵母の量、Ａはアルコール度数、Ｔは酒樽内の温度、Ｔｒｏｏｍは酒樽が置いてある部屋の温度を示す。また、ａは、デンプンの減少量に関する係数であり、ｂは、麹菌の増加量に関する係数であり、ｃ（Ｔ）は、麹菌の減少量に関する温度の関数であり、ｖは、グルコースの増加量に関する係数である。また、ｗは、グルコースの減少量に関する係数であり、ｘ（Ｔ）は、酵母の増加量に関する温度の関数であり、ｙ（Ｔ）は、酵母の減少量に関する温度の関数である。また、ｚは、アルコールの増加量に関する係数であり、ｔ１は、麹菌の発生する熱に関する係数であり、ｔ２は、酵母の発生する熱に関する係数であり、ｔ３は、室温との熱交換に関する係数である。

そして、生成部２２は、数理モデルに含まれる不確実性や観測誤差（計測誤差）を表現するために、数理モデルに確率分布で幅を持たせる。これにより、非観測な物理量と観測している物理量で数理モデルの予測値に対する確度を定量化する。なお、初期設定以降は、アンサンブルの広がりを直接使用する。例えば、生成部２２は、予測部２３によって予測された各アンサンブルに対する予測値を含む（包含する）確率分布を設定する。

具体的には、生成部２２は、上記各式で定義されるパラメータのうち、非観測な物理量や観測誤差が大きい物理量については、不確実性を大きく設定した確率分布を生成し、観測誤差が小さい物理量については、不確実性を小さく設定した確率分布を生成する。すなわち、生成部２２は、不確実性が高いパラメータについてはガウス分布の標準偏差を大きく設定し、不確実性が低いパラメータについてはガウス分布の標準偏差を小さく設定する。そして、生成部２２は、設定した確率分布に応じて、複数の数理モデル（アンサンブル）を生成する。

図３は、不確実性を表現したアンサンブルの生成を説明する図である。図３の（ａ）は、観測可能なパラメータであり、観測誤差が比較的小さい温度のアンサンブルの生成を説明する図である。図３の（ａ）に示すように、温度のようなパラメータは、不確実性が小さいので、観測値からの誤差が小さい複数のアンサンブルを生成する。一方、図３の（ｂ）は、観測可能ではないパラメータに対するアンサンブルの生成を説明する図である。図３の（ｂ）に示すように、酵母のようなパラメータは、不確実性が高いので、誤差の幅を大きくした複数のアンサンブルを生成する。

例えば、生成部２２は、式（３）、（５）、（６）に示される観測可能なパラメータそれぞれについては、図３の（ａ）の手法により、複数のアンサンブルを生成する。また、生成部２２は、式（１）、（２）、（４）に示される観測可能ではないパラメータそれぞれについては、図３の（ｂ）の手法により、複数のアンサンブルを生成する。

予測部２３は、取得部２１により取得された複数の観測値、および、生成部２２によって設定された確率分布に基づき、生成部２２によって生成された数理モデルの次の観測時刻における観測予測値を生成する処理部である。すなわち、予測部２３は、不確実性を表現した数理モデルを用いて各パラメータの予測値を算出する。

具体的には、予測部２３は、確率分布に応じて異なるパラメータを持つ複数の数理モデル（アンサンブル）を用意し、それぞれの計算を実施することで、非観測な物理量が持つ不確実性が数理モデルの計算にどのような影響を与えるのかを確率分布の広がりから知ることができる。

例えば、予測部２３は、温度について、次の観測タイミングの予測値を算出する場合は式（６）を用いる。予測部２３は、温度について生成された各アンサンブルに対して、式（６）を用いて、アンサンブルごとの予測値を算出する。このようにして、予測部２３は、生成部２２により生成される各パラメータの各アンサンブルに対して、次の観測タイミングの予測値を算出する処理を逐次的に実行する。

融合部２４は、観測予測値の分布および次の観測時刻における実際の観測値を用いて、数理モデルの各パラメータを更新する処理部である。具体的には、融合部２４は、観測値が得られたタイミングで、観測値と数理モデルの予測結果を用いて、数理モデルの各パラメータを更新する。つまり、融合部２４は、非観測なパラメータを高精度に推定するために、実際に得られる観測値とアンサンブルとの融合（データ同化）を実行して、パラメータを更新する。

例えば、融合部２４は、不確実性を表現している各アンサンブルを活用し、逐次型データの同化手法の一手法であるアンサンブルカルマンフィルタを用いて、各アンサンブルに対する複数個のモデル間で確率分布を近似することで、データ同化を実行する。図４は、アンサンブルカルマンフィルタによるデータ同化を説明する図である。図４の（ａ）に示すように、観測値がある場合（観測可能なパラメータの場合）、観測値に対して状態推定（ベイズ更新）される。一方、図４の（ｂ）に示すように、観測値がない場合（観測可能ではないパラメータの場合）、アンサンブル同士の共分散行列から、他のパラメータとの相関関係を特定し、その相関関係を用いて状態推定が実行される。

ここで、パラメータ「温度」を例にして、逐次的なデータ同化の流れを説明する。図５は、データ同化によるパラメータ更新を説明する図である。図５に示すように、時刻ｔ_０において、生成部２２は、不確実性を小さく設定した確率分布ｘ_０を設定し、設定した確率分布ｘ_０に応じて、複数のアンサンブルを生成する。

続いて、時刻ｔ_１において、予測部２３が、時刻ｔ_０で生成された各アンサンブルから予測値を算出するとともに、取得部２１が、温度の観測値を取得する。そして、融合部２４は、温度の観測値について誤差を考慮した確率分布ｙ_１と、各アンサンブルからの予測値の確率分布ｘ_１とを生成し、これらの確率分布を融合したデータ同化の確率分布ｚ_１を生成する。その後、生成部２２は、確率分布ｚ_１に応じて、複数のアンサンブルを生成することで、パラメータ「温度」を更新する。

続いて、時刻ｔ_２において、予測部２３が、時刻ｔ_１で生成された各アンサンブルから予測値を算出するとともに、取得部２１が、温度の観測値を取得する。そして、融合部２４は、温度の観測値について誤差を考慮した確率分布ｙ_２と、各アンサンブルからの予測値の確率分布ｘ_２とを生成し、これらの確率分布を融合したデータ同化の確率分布ｚ_２を生成する。その後、生成部２２は、確率分布ｚ_２に応じて、複数のアンサンブルを生成することで、パラメータ「温度」を更新する。

このように、逐次制御装置１０は、単純な予測だけでは時間経過とともに誤差が大きく確率分布も広がっていくが、観測値の確率分布によって予測値を補正しつつ、逐次的にパラメータを更新することができる。つまり、観測できる物理量（パラメータ）については、観測値と予測値とに基づいて更新しつつ、観測できない物理量（パラメータ）については、他のパラメータの観測値から推定して更新する。このような処理を数値モデルの各パラメータについて実行する。この結果、通常は観測に時間がかかる物理量（麹菌など）や原理的に観測できない物理量について、アンサンブルカルマンフィルタを使うことで、取得している観測値と数理モデルの融合から、非観測な物理量を高精度に推定することができる。

図２に戻り、最適化部２５は、パラメータが更新された数理モデルを用いて生成された、複数の特定パラメータのそれぞれの誤差が低減されるように、数理モデルを制御する処理部である。具体的には、最適化部２５は、融合部２４によって更新された数理モデルのアンサンブルの予測結果を用いて、目的関数に応じた最適制御を実施する。

ここで、観測値を使うことで、非観測な物理量についても更新することができるが、数理モデル自体には不確実性が含まれており、一つ一つのアンサンブルを最適制御してもそれぞれ異なる解を導いてしまう。そこで、最適化部２５は、アンサンブル全体を一つの群れと考えて、アンサンブル全体の目的関数が改善するように、制御対象に対してモデル予測制御を実行する。

図６は、目的関数の最小化を説明する図である。図６の（ａ）に示すように、最適化部２５は、モデル予測制御として、制御対象の分布を生成し、数理モデルで予測し、目的関数を計算して目的関数を最小化する。例えば、制御対象が温度の場合、図６の（ｂ）に示すように、生成部２２が複数のアンサンブルを生成し、予測部２３が各アンサンブルに対して次の観測タイミングの予測値を算出し、融合部２４が各アンサンブルに対して実測値（観測値）と予測値とを用いたデータ同化を行ってパラメータを更新した複数のアンサンブルを生成する。その後、最適化部２５は、温度から日本酒の品質を算出する公知の計算式（法則）などを用いて品質を推定し、当該品質と目標品質との誤差が小さくなるように、複数のアンサンブル全体を制御する。

ここで、温度制御を例にして、最適化の逐次制御を説明する。図７は、最適化制御を説明する図である。図７に示すように、時刻ｔ_１において、最適化部２５は、時刻ｔ_１の時点でデータ同化によって特定された各アンサンブル全体に対して温度制御ラインＡを算出する。その後、時刻ｔ_２において、最適化部２５は、時刻ｔ_１以降による人為的な温度制御による誤差を補正するために、時刻ｔ_２の時点でデータ同化によって特定された各アンサンブル全体に対して温度制御ラインＢを算出することで、時刻ｔ_１で算出された温度制御ラインＡとのズレを修正した新たな温度制御を行う。

さらに、時刻ｔ_３において、最適化部２５は、時刻ｔ_２以降による人為的な温度制御による誤差を補正するために、時刻ｔ_３の時点でデータ同化によって特定された各アンサンブル全体に対して温度制御ラインＣを算出することで、時刻ｔ_２で算出された温度制御ラインＢとのズレを修正した新たな温度制御を行う。このようにして、最適化部２５は、各時刻で予測された温度制御と、その温度制御に対する人為的な操作との誤差を補正しつつ、目標までの温度制御を逐次的に繰り返す。

提示部２６は、最適化部２５による最適化制御の結果をユーザに提示する処理部である。例えば、提示部２６は、酒樽内の温度を最適化部２５によって特定された温度（例えば２０℃）に変更するメッセージをユーザ端末に送信したり、逐次制御装置１０が有するディスプレイなどの表示部に表示したりする。また、提示部２６は、図７に示した温度制御ラインをユーザに提示することもできる。

［処理の流れ］
図８は、処理の流れを示すフローチャートである。図８に示すように、逐次制御装置１０は、Ｓ１０１からＳ１０８までの処理を、例えば１時間おきにＮ日（Ｎは自然数）間、逐次的に実行する。

具体的には、取得部２１は、日本酒の製造工程における複数の観測値を観測して取得する（Ｓ１０１）。続いて、生成部２２は、製造工程における数理モデルを構築し、数理モデルに含まれる各パラメータに対して、不確実性を表現する確率分布を設定する（Ｓ１０２）。

そして、予測部２３は、不確実性をアンサンブルで表現した数理モデルで予測計算を行う（Ｓ１０４）。続いて、融合部２４は、観測値が得られたタイミングで、観測値と数理モデルの予測結果を用いて、データ同化（融合）を行って数理モデルのパラメータを更新する（Ｓ１０５）。

その後、最適化部２５は、更新された数理モデルのアンサンブルの予測結果を用いて、目的関数に応じた最適化制御を実行し（Ｓ１０６）、提示部２６は、最適制御の結果などの情報提示を実行する（Ｓ１０７）。

［効果］
上述したように、逐次制御装置１０は、非観測なデータに関連した数理モデルを利用して生成された予測パラメータそれぞれを、微生物の発酵に関連した多段階の工程を含む製造工程について最適化する逐次制御が実現できる。この結果、逐次制御装置１０は、製造工程の予測精度を向上させることができる。

一般的に、数理モデルによる予測では、非観測な物理量、観測値の誤差や欠損がある場合、適切な予測を実施することが困難である。例えば、日本酒の製造工程では、酒樽内のどの部分を観測するかによって観測値中にも大きな誤差や欠損が含まれていることや人手によって観測をしている部分があるため、醸造期間中の全ての観測値を正確に取得することは困難である。また、次の日の計画を、観測当日に決定する必要があり、酵母数や麹菌などの観測に時間がかかる物理量は使うことができない。さらに、ボーメ（日本酒度）などは樽の中からすくって観測するが、すくう際の深さや場所によって観測値が異なる。このようなことから、一般的な数理モデルでは、制御の目的関数を数理モデル内に含めることができない場合があり、予測そのものが難しい。

これに対して、実施例１にかかる逐次制御装置１０は、酒樽内のデータ観測、数理モデルのパラメータの不確実性の表現、データ予測とパラメータ更新、製造計画の最適化の一連の流れを逐次的に繰り返すことで、観測可能ではないパラメータの予測や観測可能なパラメータの観測誤差の補正を実行しつつ、目的関数の最小化を各観測時刻で制御することができる。

この結果、日本酒醸造において非常に重要な役割を占める温度管理を適切に実行でき、製造計画と人為的な作業との誤差も補正することができるので、数理モデルによる適切な予測を実行でき、日本酒の品質劣化や歩留まりの悪化を低減できる。

さて、これまで本発明の実施例について説明したが、本発明は上述した実施例以外にも、種々の異なる形態にて実施されてよいものである。

［対象］
上記実施例では、日本酒の醸造工程を例にして説明したが、これに限定されるものではなく、ワイン、ビール、シードルなどの醸造酒に対しても同様に処理することができる。また、上記実施例では、温度制御を例にして説明したが、これに限定されるものではなく、アルコール度数などの他のパラメータに対しても同様に処理することができる。

［パラメータ］
上記実施例で説明した各パラメータは例示であり、実施例で記載したものに限定されず、醸造酒を製造する他のパラメータを含む非線形の数理モデルを生成することもできる。また、確率分布の融合の一例として、アンサンブルカルマンフィルタを用いたデータ同化を例にして説明したが、他の公知の手法を採用することもできる。

［システム］
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。また、実施例で説明した具体例、分布、数値などは、あくまで一例であり、任意に変更することができる。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散や統合の具体的形態は図示のものに限られない。つまり、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。

［ハードウェア］
図９は、ハードウェア構成例を説明する図である。図９に示すように、逐次制御装置１０は、通信装置１０ａ、ＨＤＤ（Hard Disk Drive）１０ｂ、メモリ１０ｃ、プロセッサ１０ｄを有する。また、図９に示した各部は、バス等で相互に接続される。

通信装置１０ａは、ネットワークインタフェースカードなどであり、他のサーバとの通信を行う。ＨＤＤ１０ｂは、図２に示した機能を動作させるプログラムやＤＢを記憶する。

プロセッサ１０ｄは、図２に示した各処理部と同様の処理を実行するプログラムをＨＤＤ１０ｂ等から読み出してメモリ１０ｃに展開することで、図２等で説明した各機能を実行するプロセスを動作させる。すなわち、このプロセスは、逐次制御装置１０が有する各処理部と同様の機能を実行する。具体的には、プロセッサ１０ｄは、取得部２１、生成部２２、予測部２３、融合部２４、最適化部２５、提示部２６等と同様の機能を有するプログラムをＨＤＤ１０ｂ等から読み出す。そして、プロセッサ１０ｄは、取得部２１、生成部２２、予測部２３、融合部２４、最適化部２５、提示部２６等と同様の処理を実行するプロセスを実行する。

このように逐次制御装置１０は、プログラムを読み出して実行することで逐次制御方法を実行する情報処理装置として動作する。また、逐次制御装置１０は、媒体読取装置によって記録媒体から上記プログラムを読み出し、読み出された上記プログラムを実行することで上記した実施例と同様の機能を実現することもできる。なお、この他の実施例でいうプログラムは、逐次制御装置１０によって実行されることに限定されるものではない。例えば、他のコンピュータまたはサーバがプログラムを実行する場合や、これらが協働してプログラムを実行するような場合にも、本発明を同様に適用することができる。

このプログラムは、インターネットなどのネットワークを介して配布することができる。また、このプログラムは、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＭＯ（Magneto－Optical disk）、ＤＶＤ（Digital Versatile Disc）などのコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することができる。

１０ 逐次制御装置
１１ 通信部
１２ 記憶部
１３ 観測データＤＢ
２０ 制御部
２１ 取得部
２２ 生成部
２３ 予測部
２４ 融合部
２５ 最適化部
２６ 提示部

Claims (9)

1. コンピュータに、
   微生物の発酵に関連した工程を含む複数段階の工程における複数の観測値を取得し、
   前記複数段階の工程に対応した前記微生物の発酵に関する非線形の数理モデルについて、前記数理モデルに含まれる複数のパラメータに含まれる、非観測なデータに関連する複数の特定パラメータについての確率分布を設定し、
   前記複数の観測値、および、前記確率分布に基づき、前記数理モデルの次の観測時刻における観測予測値を生成し、
   前記観測予測値の分布および前記次の観測時刻における観測値を用いて、前記複数のパラメータを更新し、
   前記複数のパラメータが更新された前記数理モデルを用いて生成された、前記複数の特定パラメータのそれぞれの誤差が低減されるように、前記数理モデルを制御する
   処理を実行させる逐次制御プログラム。
2. 請求項１に記載の逐次制御プログラムであって、前記コンピュータに、
   前記更新する処理は、アンサンブルカルマンフィルタを用いて、前記観測予測値の分布と前記次の観測時刻における観測値の誤差を許容する分布とを同化させた同化値の分布を生成し、前記同化値の分布にしたがって前記複数のパラメータを更新する、逐次制御プログラム。
3. 請求項２に記載の逐次制御プログラムであって、前記コンピュータに、
   前記取得する処理は、日本酒の製造工程にいて、醸造中の日本酒の醸造容器から、グルコースの量、アルコール度数、温度を観測し、
   前記数理モデルは、観測可能なパラメータである前記グルコースの量と前記アルコール度数と前記温度、および、非観測可能なパラメータであるデンプンの量と麹菌の量と酵母の量を含むことを特徴とする、逐次制御プログラム。
4. 請求項３に記載の逐次制御プログラムであって、前記コンピュータに、
   前記設定する処理は、前記観測可能なパラメータそれぞれについて生成する確率分布を、前記非観測可能なパラメータそれぞれについて生成する確率分布よりも、不確実性が小さくなるように生成し、
   前記生成する処理は、前記観測可能なパラメータそれぞれおよび前記観測可能なパラメータそれぞれについて、前記不確実性が表現された確率分布に応じた複数の数理モデルを生成し、前記複数の数理モデルを用いて前記複数の数理モデルに対応する複数の観測予測値を生成する、逐次制御プログラム。
5. 請求項４に記載の逐次制御プログラムであって、前記コンピュータに、
   前記更新する処理は、前記観測可能なパラメータそれぞれについては、前記複数の観測予測値の分布と前記観測値の誤差を許容する分布とから前記同化値の分布を生成し、前記同化値の分布にしたがって、前記複数の数理モデルそれぞれのパラメータを更新する、逐次制御プログラム。
6. 請求項４に記載の逐次制御プログラムであって、前記コンピュータに、
   前記更新する処理は、前記非観測可能なパラメータそれぞれについては、前記アンサンブルカルマンフィルタを用いて、他の前記観測可能なパラメータ間の共分散行列から特定される相関関係から推定される推定値と、前記複数の観測予測値の分布とを同化させて、同化値の分布を生成し、前記同化値の分布にしたがって、前記複数の数理モデルそれぞれのパラメータを更新する、逐次制御プログラム。
7. 請求項１に記載の逐次制御プログラムであって、
   前記数理モデルは、前記微生物の量の経時変化を示すモデル、前記微生物により分解されることで減少する物質の量の経時変化を示すモデル、前記微生物により生成されることで増加する物質の量の経時変化を示すモデル、前記発酵に伴う温度の経時変化を示すモデルの少なくともいずれかを含む、逐次制御プログラム。
8. コンピュータが、
   微生物の発酵に関連した工程を含む複数段階の工程における複数の観測値を取得し、
   前記複数段階の工程に対応した前記微生物の発酵に関する非線形の数理モデルについて、前記数理モデルに含まれる複数のパラメータに含まれる、非観測なデータに関連する複数の特定パラメータについての確率分布を設定し、
   前記複数の観測値、および、前記確率分布に基づき、前記数理モデルの次の観測時刻における観測予測値を生成し、
   前記観測予測値の分布および前記次の観測時刻における観測値を用いて、前記複数のパラメータを更新し、
   前記複数のパラメータが更新された前記数理モデルを用いて生成された、前記複数の特定パラメータのそれぞれの誤差が低減されるように、前記数理モデルを制御する
   処理を実行する逐次制御方法。
9. 微生物の発酵に関連した工程を含む複数段階の工程における複数の観測値を取得する取得部と、
   前記複数段階の工程に対応した前記微生物の発酵に関する非線形の数理モデルについて、前記数理モデルに含まれる複数のパラメータに含まれる、非観測なデータに関連する複数の特定パラメータについての確率分布を設定する設定部と、
   前記複数の観測値、および、前記確率分布に基づき、前記数理モデルの次の観測時刻における観測予測値を生成する生成部と、
   前記観測予測値の分布および前記次の観測時刻における観測値を用いて、前記複数のパラメータを更新する更新部、
   前記複数のパラメータが更新された前記数理モデルを用いて生成された、前記複数の特定パラメータのそれぞれの誤差が低減されるように、前記数理モデルを制御する制御部と
   を有する逐次制御装置。

Images