JPH03134704A

JPH03134704A - 知識獲得方法並びにプロセス運転支援方法

Info

Publication number: JPH03134704A
Application number: JP1271677A
Authority: JP
Inventors: Kenji Baba; 研二馬場; Ichirou Enbutsu; 伊智朗圓佛; Shoji Watanabe; 昭二渡辺; Toshio Yahagi; 矢萩　捷夫; Harumi Matsuzaki; 松崎　晴美; Naoki Hara; 直樹原; Mikio Yoda; 幹雄依田; Tomonori Kaneko; 智則金子
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1989-10-20
Filing date: 1989-10-20
Publication date: 1991-06-07
Anticipated expiration: 2011-12-18
Also published as: JP2564405B2

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】〔産業上の利用分野〕本発明は、一般プロセスの運転支援制御にかかわり、特
に、ファジィ応用システムのためのファジィルール自動
獲得、並びにそれを利用した運転支援と制御に関する。

〔従来の技術〕

従来のプロセス制御法として、プロセスの数学的モデル
化が構築困難な場合には、人間の思考をモデル化する方
法が用いられる。この方法のひとつにファジィ理論を応
用した方法が知られている。

ファジィ理論を応用する場合には、人間のあいまいな感
覚を定量的に取り扱うことがポイントになり、この定量
化関数をメンバーシップ関数という。

また、あいまなルール（知ｒａ）を用いて、推論を行な
い、人間のようにあいまいな結論を゛導くことができる
。

〔発明が解決しようとする課題〕

ファジィ応用システムでは、ポイントとなるメンバーシ
ップ関数の設定は試行錯誤に依存しており、理論的な決
定方法は確立されていない。また、ファジィルールにつ
いてもあいまいな「もし・・・ならば・・・せよ」とい
った関係を確信度を用いて表現（これを「確信度付きフ
ァジィルール」という）するが、この方法はオペレータ
へのインタビューを通してなされている。このようにし
て得られたメンバーシップ関数と確信度付きファジィル
ールは両者がうまく調和しないと制御への応用が困難で
ある。

このため、システム運用前には前述の作業に経験と多大
の労力とを必要とする。さらに、システム運用後にはメ
ンバーシップ関数とファジィルールの追加、削除、改良
などソフトウェアメンテナンスにも多大の労力を要する
。

一例として下水処理場では、オペレータはプラントの操
作を行なう際、過去の経験と運転実績に着目すると共に
、現時点の状況を踏まえて行なっており、煩雑で継続的
な監視と手動制御が不可欠であった。

〔課題を解決するための手段〕

本発明は、未知のメンバーシップ関数と確信度付きファ
ジィルールとの内、メンバーシップ関数を人間が設定す
ると、確信度付きファジィルールが自動生成することを
第１の目的とし、これらを利用した運転支援制御を行な
うことを第２の目的とする。これを達成するために、ニ
ューラルネット（神経回路モデル）を利用する。

本発明では、過去の実績に基づくプラント評価と操作（
制御）をニューラルネットで行なうことを特徴とする。

本発明は、まず、過去の複数時点での■外乱と■プロセ
ス状態量と■評価量と■プロセス操作量とを、予め設定
したメンバーシップ関数でメンバーシップ値に変換し、
この変換値をニューラルネットに入力する。ニューラル
ネットは入力層、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である。■〜■の変換値を入力層ま
たは教師層に入力し、入力層から計算して得られた出力
層の値と教師層から得られた値とを比較して、この誤差
が小さくなるように計算を繰り返す。具体的方法は公知
の誤差逆伝搬法により行なう。これにより入力層と教師
層との関係を学習する。複数時点での■〜（４）を学習
させ、学習済みニューラルネットの重み係数分布から、
確信度付きファジィルールを導出する。

得られた確信度付きファジィルールに基づき、推論を実
行し運転操作を支援または制御する。

〔作用〕

本発明では、ニューラルネットによる学習・予測能力を
ファジィ制御における確信度付きファジィルールの自動
獲得方法とその利用に適用した。

本発明では、予め設定したメンバーシップ関数を用いて
変換されたメンバーシップ値をニューラルネットに入力
し、過去の履歴を学習するようにしたので、オペレータ
の持つあいまいな推理を自動的に行ない得るものである
。

〔実施例〕

本発明は、まず、過去の複数時点での■外乱、■プロセ
ス状態量、■評価量、■プロセス操作量を、予め設定し
たメンバーシップ関数でメンバーシップ値に変換し、こ
の変換値をニューラルネットに入力して■〜■の関係を
学習する。学習済みニューラルネットの重み係数分布か
ら、確信度付きファジィルールを導出し、これに基づき
推論を実行し運転操作を支援または制御するものである
。

この実行工程は以下のとおりである。

（１）メンバーシップ関数で■〜■の値をメンバーシッ
プ値に変換（２）学習用ニューラルネットによる学習工程（３）学
習済みニューラルネットからの確信度付きファジィルー
ル獲得工程（４）ファジィルール診断工程（５）ファジィ推論工程（６）学習済みニューラルネットの予測工程（７）プロ
セス運転操作制御工程からなる。

本発明を下水処理プロセスに適用した実施例を第１図を
用いて説明する。

下水処理プロセスの構成と動作を以下に説明する。最初
沈殿池９では、流入下水中の浮遊物質の一部が重力沈降
により除去される。曝気槽１５には最初沈殿池９から越
流した下水と返送汚泥管１６Ｐ１からの返送汚泥が流入
する。曝気槽１５にはブロワ−１７から制御バルブ１７
Ａ、１７Ｂを経て空気が供給され、下水と返送汚泥が混
合撹拌される。

返送汚泥（活性汚泥）は供給された空気中の酸素を吸収
し、下水中の有機物が分解されて最終沈殿池１６に導か
れる。最終沈殿池１６では活性汚泥の重力沈降により活
性汚泥が沈降し上澄水は放流される。最終沈殿池１６内
に沈降した活性汚泥は引き抜かれて、大部分の活性汚泥
は、返送汚泥として返送汚泥ポンプ１６Ｃ１から返送汚
泥管１６Ｐ１を通して曝気槽１５に返送される。残りは
余剰汚泥として余剰汚泥管１６Ｐ２と余剰汚泥ポンプ１
６Ｃ２により排出される。

次に計測器について説明する。最初沈殿池９、曝気槽１
５、最終沈殿池１６には各々計測器９Ｍ。

１５Ｍ、１６Ｍが設置される。計測項目は、流入下水量
、浮遊物質濃度、化学的酸素要求量、ｐＨ１窒素濃度、
アンモニア濃度、硝酸性窒素濃度、亜硝酸性窒素濃度、
リン濃度、溶存酸素濃度、汚泥界面高さ（ＳＶＩ　：　
Ｓｌｕｄｇｅ　Ｖｏｌｕｍｅ　Ｉｎｄｅｘ、など）、並
びに微生物や浮遊性物質の画像情報などである。

続いて、予測運転制御装置８０の構成を説明する。

予測運転制御装置８０はコンピュータシステムであり本
発明の説明を容易にするために第１図には処理のフロー
図を示しである。まず、履歴パターンデータファイル７
１Ｆは計測器９Ｍ、１５Ｍ。

１６Ｍのデータを順次記憶し、選択されたデータ列をメ
ンバーシップ変換工程６９に出力する。メンバーシップ
変換工程６９は■〜■の値をメンバーシップ値に変換し
この信号を学習用ニューラルネット７１に出力する。予
測用ニューラルネット７２は学習用ニューラルネット７
１から信号７１Ｓ１と７１Ｓ２を受けて信号７２Ｓを出
力する。一方、ファジィルール獲得工程７３は学習用ニ
ューラルネット７１から信号７１Ｓ１と７１Ｓ２を受け
る。

ファジィルール診断工程７４は交信手段４６からの信号
とファジィルール獲得工程７３から信号を受け、ファジ
ィルール候補ベース６０Ｂまたはファジィルールベース
６０Ａに記憶する６フアジイ推論機構６１はファジィル
ールベース６０Ａ。

６０Ｃからの信号を受けて運転制御工程７５に信号６１
Ｓを出力する。運転制御工程７５は信号６１Ｓと信号７
２Ｓを受けて信号７５３を出力し、余剰汚泥ポンプ１６
Ｃ２、返送汚泥ポンプ１６ＣＩ。

ブロワ−１７、制御バルブ１７Ａ、１７Ｂを制御する。

交信手段４６はオペレータ１０１の介在により履歴パタ
ーンデータファイル７１Ｆ、学習用ニューラルネット７
１、予測用ニューラルネット７２、運転制御工程７５及
びファジィルール診断工程７４と交信する。なお、図中
「ネットワークＪと記載されている部分は後述する第４
図の実線７０２に相当する多数の配線（または情報の連
絡経路）を示す。

次に、予測運転制御装置８ｏの動作を説明する。

履歴パターンデータファイル７１Ｆは、■計測器９Ｍで
計測した外乱特性、■計測器１５Ｍで計測したプロセス
状態量、■計測器１６Ｍで計測したプロセス評価量、■
余剰汚泥ポンプ１６Ｃ２、返送汚泥ポンプ１６Ｃ１、ブ
ロワ−１７、制御バルブ１７Ａ、１７Ｂなどのプロセス
操作量、以上■〜■の時系列データを記憶する。

メンバーシップ変換工程６９は、履歴パターンデータフ
ァイル７１Ｆの中から自動的にまたは交信手段４６から
の指示７１Ｓにより、■外乱特性。

■プロセス状態量、■プロセス評価量、■プロセス操作
量、以上■〜■の各々から選択されたデータ列Ｄｉ、Ｄ
２．Ｄ３．Ｄ４　　を受け、メンバーシップ値に変換す
る。各データ列は実際には複数の項目を含むが、本実施
例では説明を容易にするため代表の記号Ｄ１〜Ｄ４で表
すものとする。

学習用ニューラルネット７１は変換されたメンバーシッ
プ値を用いて学習を実行し、実行結果７１Ｓ１と７１Ｓ
２とが、ファジィルール獲得工程７３と予測用ニューラ
ルネット７２とに出力される。

ファジィルール獲得工程７３では７１Ｓ１と７１Ｓ２に
基づいて前記■〜■に関するファジィルール候補を記号
または言葉に変換する。ファジィルール診断工程７４で
は、ファジィルール獲得工程７３で得たファジィルール
を交信手段４６からの指示によりファジィルール候補ベ
ース６０Ｂまたはファジィルールベース６０Ａに格納す
る。

ファジィ推論機構６１はファジィルールベース６０Ａと
、あらかじめ入力したファジィルールベース６０Ｃを受
けて推論を実行し、運転制御工程７５に信号６１Ｓを出
力する。

一方、予測用ニューラルネット７２では履歴パターンデ
ータファイル７１Ｆの中から予測に必要なデータを選択
して予測に使用する。予測結果の信号７２Ｓは交信手段
４６に表示すると共に、運転制御工程７５に出力する。

運転制御工程７５は予測信号７２Ｓと信号６１Ｓとを受
け、信号７５５を出力して■余剰汚泥ポンプ１６Ｃ２、
返送汚泥ポンプ１６Ｃ１、ブロワ−１７、制御バルブ１
７Ａ、１７Ｂなどのプロセス操作量を制御する。同時に
、制御目標値信号７５Ｓを交信手段４６に表示して、必
要に応じてオペレータ１０１の選択により実際の制御量
を補正する。

補正値は再び出力する。

次に、第１図を用い本発明の動作を詳細に説明する。説
明には第２図以降を用いる。

まず、データを履歴パターンデータファイル７１Ｆへ記
憶する方法について第２図を用いて説明する０時刻１＝
０の履歴パターンデータＤｉ　（０）〜Ｄ４（０）を履
歴パターンデータファイル７１Ｆに記憶する。これを繰
り返してｔ＝ｏ、−１，−２，・・・のデータを順次記
憶する。時間間隔は例えば１時間であるがこの時間設定
により本発明の実施は制約を受けない。

メンバーシップ変換工程６９を第３図を用いて説明する
。第３図は予め設定したメンバーシップ関数の変換例を
表す。第３図ではＤ２の代表が溶存酸素濃度（以下Ｄ○
と略称する）の場合を例示し、ＤＯの「高い」　「普通
Ｊ　「低い」という状態を各々メンバーシップ変換機能
６９１　Ｈ，６９１Ｍ。

６９１Ｌで変換して変換値Ｄ２Ｈ，Ｄ２Ｍ、Ｄ２Ｌとす
る。なお、変換値Ｄ２Ｈ，Ｄ２Ｍ、Ｄ２Ｌを一括総称し
て記号でＤＦ２と記す。変換機能の横軸は■プロセス状
態量であるＤｏを示し、縦軸はその度合いをＯ〜１の値
で表す。−例としてメンバーシップ変換機能６９１Ｌに
ついて説明すると、Ｄｏ値＝０．５のメンバーシップ値
＝０．９であり。

このことは、ＤＯ値＝０．５ならば０．９の度合い（メ
ンバーシップ値）で「ＤＯが低い」ことを表す。このよ
うにして、全ての変数についてメンバーシップ関数を予
め定義しておき、データ列Ｄ１゜Ｄ２．Ｄ３．Ｄ４をメ
ンバーシップ値に変換してＤＦ２．ＤＦ３．ＤＦ４を得
る。なお１本例では「高い」　「普通」　「低い」の３
つに分類したが分類数は任意である。

続いて、学習工程における学習用ニューラルネット７１
の動作を以下に説明する。学習用ニューラルネット７１
はメンバーシップ値を受けて学習を実行する。このデー
タ選択と学習方法を第４図を用いて以下に説明する。第
４図に示すように、ＤＦｌ（すなわちＤＬＲ，ＤＩＭ、
ＤＬＬ）〜ＤＦ４（すなわちＤ４Ｈ，Ｄ４Ｍ、Ｄ４Ｌ）
について任意の時刻１＝１８を基準に過去にさかのぼっ
てｔｌ−１゜乞え−２，・・・をまず学習する。同様に
、ｔ＝ｊ２（ｔｚ≠ｔ工）を基準にしてｔ、　−１、ｔ
、　−２，・・・のパターンデータを学習し９合計９個
のパターンデータを学習する。９個のパターンの選択は
過去の代表的なパターンが望ましい。時刻ｔｉは任意の
時刻であるので、常時学習を行えば新たな状況に対応す
る新たなファジィルールを自動獲得できる。

学習はこれら一群のデータを入力用データと教師用デー
タとに分けて行なう。第４図に示すように、入力層７１
０には任意の時刻しくただしｔ＝ｔ工、ｔ２．・・・）
におけるＤＰＩ（ｔ）、ＤＦ２（ｔ）と、時刻ｔから過
去にさかのぼってＤＰＩ　（ｔ−１）〜ＤＦ４（ｔ−１
）を順次入力する。ここで、ＤＦ３（ｔ−１）、ＤＦ４
（ｔ−１）が追加されることに注意されたい。以下ｔ＝
ｔ−２，ｔ−３，・・・についても同様である。一方、
教師層７５０には、ＤＦ３（ｔ）。

ＤＦ４（ｔ）を入力する。本実施例では■ＤＦ３（ｔ）
。

■ＤＦ４（ｔ）を教師層に入力したが、■〜■のどれを
教師層に入力しても本実施例の効果は失われない。学習
は、入力層７１０、中間Ｎ７２０、出力層７３０、比較
Ｍ７４０、教師Ｈ７５０からなる構成の学習用ニューラ
ルネット７１で行なう。

学習の信号処理方法を以下に第５図を用いて説明する。

第５図の構成と信号処理方法とは、前述した入力データ
と教師層７５０の設定法を除いて公知である。すなわち
、第５図の構成と信号処理方法はＲｕｍｅｌｈａｒｔら
によって考案された公知技術（詳細は文献：Ｐａｒａｌ
ｌｅｌｌ　Ｄｉｓｔｒｉｂｕｔｅｄ　Ｐｒｏｃｅｓｓｉ
ｎｇ。

ＭＩＴ　Ｐｒｅｓｓ、　Ｖｏｌ、１．（１９８６））を
参照されたい。

第５図の構成と動作を説明する。第５図でＯは、積和演
算とシグモイド変換機能を有するニューロン素子モデル
７０１であり、○とＯ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。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全て
連結される。中間層７２０は複数層あって良いが、本実
施例では説明の簡単のため中間層の数が一つの例を示す
。また、第５図において出力層７３０、比較Ｎ７４０、
教師層７５０はＤＦ３（ｔ）、ＤＦ４（ｔ）の２つであ
るが、一般的な表現として複数の場合を図示した。第５
図の構成をニューラルネット（神経回路モデル）と称す
る。

次に、ニューロン素子モデル７０１の基本演算を第６図
で説明する６人力層７１０に入力するデータＤＦＩ〜Ｄ
Ｆ５の各々の時系列を一括（全部でｎ個あるとする）し
て第６図に示すようにｎ個の変数値Ｙ工〜Ｙｎと記す。

入力された信号値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）を（１
）式で計算する。

ここで、Ｙｉ（１）：入力層（第１１）のＹｉ値、Ｗｊ
ｉ（２←ｌ）二人六層（第１漕）のｉ番目の変数から中
間層（第２Ｍ）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Ｎ（第２Ｍ）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。

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を（２）式（シグモイド変換）
で計算する。

（２）式の計算内容は第７図のような非線形変換である
が、線形変換を適用しても同等の効果かえられる。計算
値Ｙｊ（２）は、さらに出力層へ送られ、出力層でも同
様の計算を実行する。

次に、ニューラルネットでの計算方法の概要について説
明する。前述した変数値Ｙｉ（１）は第５図の入力４７
１０に入力され、この信号値は中間層７２０のニューロ
ン素子モデルに出力される。中間層７２０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Ｗｉ
ｊ（２←１）との積和Ｚｊ（２）を（１）式で計算し、
この大小に応じて出力Ｎｊ７３０への出力値Ｙｊ（２）
を（２）式で決定する。同様にして、中間層７２０の出
力値Ｙｊ（２）はさらに中間層（第２暦）７２０と出力
層（第３層）７３０との重み係数Ｗｉｊ（３←２）トノ
積和Ｚｊ（３）を（３）式で計算する。

ここで、Ｙｉ（２）：中間層（第２暦）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。

さらに、Ｚ　ｊ　（３）の大小に応じて出力層７３０へ
の出力値Ｙｊ（３）を（４）式で計算する。

このようにして、出力層の計算値Ｙｊ（３）が得られる
。Ｙｊ（３）は本実施例ではＤＦ４（ｔ）本、ＤＦ５（
ｔ）京である。

ニューラルネットでの学習手順を説明する。まず、比較
Ｍ７４０で出力Ｎ７３０の信号７３０Ｓと教師信号層７
５０の教師信号７５０Ｓとを比較する。例えば、出力信
号７３０ＳであるＤＦ４　（ｔ）＊と教師信号７５０Ｓ
であるＤＦ４（ｔ）との大小が各々比較される。両者の
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（１）　−（４）式の計算を実行し新たなり
Ｆ４　（ｔ）＊値を得る。この繰返しにより誤差があら
かじめ決められた値以下になるまで続ける。最初は重み
係数は乱数の発生によりランダムに与えるので誤差は大
きいが、出力信号値は次第に教師信号値に近づく。この
時、（１）　−（４）式において値が変更されるのは重
み係数値Ｗｊｉだけであるから、学習結果はＷｊｉ値の
分布に反映していくことに注意されたい。なお、予測工
程ではこのＷｊｉ値を用いる。

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前記公
知技術を利用する。この学習方法は公知であるが、本発
明は特に、異なる複数時刻（ｔ＝ｔ１＋　ｊｚ　、ｔｉ
　＋・・・ｔｑ）の履歴パターンデータ群をメンバーシ
ップ値に変換機繰返し学習させる。この時、教師信号が
アナログ値であることに特に注意されたい。この結果、
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各重み係数Ｗｊｉに蓄積記憶され、
オペレータの過去の経験学習と同等の作用を持たせるよ
うにした。

複数時刻１＝１工、ｔ２１ｔｆｆ　ｌ・・・ｔ、におけ
る履歴パターンデータ群の学習方法を以下に説明する。

複数の履歴パターンデータ群は時刻ｔを任意に変えて学
習する。この日ｔ１＄ｔ２１ｔ３９・・・ｔ、はオペレ
ータが選択する場合と、自動的に選択する場合とがあり
、以下に両者を説明する。

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、変数値Ｙ１〜Ｙｎの代表的なパター
ンや、後日参考にしたい異常時のパターンである。オペ
レータによる時刻の設定は交信手段４６を介するマンマ
シン会話により行う。

例えば、１月の代表的パターンから１２月の代表的なパ
ターンまで１２パターンを各々学習する。

特に、代表的な流入水質の時に、最終沈殿池１６の計測
器１６Ｍで計測した処理水質（浮遊物質濃度、有機物濃
度など）が良好な（基準を最低温たしている）時のパタ
ーンを学習する。つまり、処理が良好な時にはどのよう
な操作が行なわれたかを学習する。なお、異常時のみを
選択的に学習することができることは言うまでもない。

、異常時学習は異常診断に好適である。

他方、自動的に行う場合には、事前にデータ列の統計解
析を行う。すなわち、統計解析により最も発生頻度が高
いパターンを求めて正常時の代表例とみなしてこれを学
習させ、一方で１発生類度が低い場合を異常時のパター
ンの代表例とみなしてこれらを学習させる。なお、第１
図の実施例ではニューラルネットはひとつであるが、正
常時用ニューラルネットと異常時用ニューラルネットと
に分けて適用すればさらに効果的である。

次に、ファジィルール獲得工程７３では７１ｓ１と７１
ｓ２に基づいて前記００００間のファジィルールを記号
または言葉に変換する。入力層７１０に設定する変数１
と出力層７３０に設定する変数Ｊとに関するルールの確
信度を（５）式で計算する。なお、（５）式は数学的な
解析により独自に導かれた。

ここで、工ｊｉは確信度、ｍは中間層のニューロン素子
モデル数。

（５）式の計算は、入力層から出力層にいたるすべての
経路の重み係数の積和をとる計算である。ｉ番目の入力
とｊ番目の出力との関係を表すルールは、工ｊｉの確信
度に対応してそのルールが成立する。入力層と出力層と
の全ての組み合わせについてＩｊｉを計算し、結果をフ
ァジィルール候補として日本語に変換する。例えば、［ファジィルール候補］：「ｉ番目の入力値が大であれ
ばｊ番目の出力値は確信度工ｊｊで大きい。」この変換
は確信度工ｊｉが大きいルールから順に出力し１次に示
すように組み合わせたルール候補に変換することもでき
る。

Ｃファジィルール候補］：「ｉ番目の入力値が大で、か
つに番目の入力値も大であればｊ番目の出力値は確信度
＝（Ｉｊｉ十Ｉｊｋ）／２で大きい。」ファジィルール
診断工程７４では、ファジィルール獲得工程７３で得た
ファジィルール候補をオペレータ１０１と交信手段４６
からの指示により妥当性を判定し、妥当と判断された前
記ファジィルール候補はファジィルールベース６０Ａに
記憶し、そうでないルールはファジィルール候補ベース
６０Ｂに記憶する。−旦、ファジィルール候補ベース６
０Ｂに記憶されたファジィルール候補でも複数回起こる
場合には、生起回数をカウントして所定回数（例えば２
回）を越えたら、交信手段４６によりオペレータ１０１
に再度問い合わせ、ファジィルール診断工程７４を繰り
返す。

本実施例のファジィルールベースとしては、どのような
■外乱、■プロセス状態量の時、どのような■評価量と
なり、結果として■プロセスをどう操作すればよいかと
いう関係が得られるが、人力層と出力層とに配置する組
合せにより■〜■の任意の組合せでファジィルールを抽
出できる。

ファジィ推論機構６１はファジィルールベース６０Ａと
ファジィルールベース６０Ｃとを受けて推論を実行し、
運転制御工程７５に信号６１Ｓを出力する。ファジィル
ールベース６０Ｃはオペレータ１０１に対し従来手法で
あるインタビューによって予め獲得したプロダクション
ルールあるいはファジィルールを記憶しておき必要に応
じて補助的に利用する。ファジィ推論機構６１はルール
に基づく前向きまたは後向き推論を実行する。

次に、予測用ニューラルネット７２による予測工程を説
明する。予測用ニューラルネット７２の構成を第７図に
示す。第１図に示したように、予測用ニューラルネット
７２では学習用ニューラルネット７１での学習結果、す
なわち、重み係数値Ｗｊｉ（３←２）及びＷｊｉ（２←
１）の値を信号７１Ｓ１と７１Ｓ２として受ける。なお
、第１図では学習用ニューラルネット７１と予測用ニュ
ーラルネット７２とは処理フローの説明のために別々に
記載されているが、同一のニューラルネットを用いて良
いことは勿論である。

次に、予測用ニューラルネット７２の動作を第８図を用
いて説明する。第８図に示すように、予測用ニューラル
ネット７２は学習用ニューラルネット７１から比較層７
４０と教師層７５０を除いた構成である。予測用ニュー
ラルネット７２では、前記■■に対応して、未知の前記
■（４）を予測するものである。このために、まず入力
層７１０に入力層パターンとして、１＝０を基準に設定
した変数値Ｙｉ（ＤＰＩ（０）、ＤＦ２（０））と、ｔ
＝−１，−２，・・・を基準に設定した変数値Ｙｉ（Ｄ
ＰＩ（ｉ）〜ＤＦ５（ｉ）、１＝−１゜−２，・・・）
を入力層７１０に入力する。この変数値Ｙｉは第８図に
示すように、（１）現時点で既知の■■、（２）過去（
ｔ＝−１，−２，・・・）における■〜■である。これ
らは全て実績値あるいは既知のデータであることに注意
されたい。これらの値に基づいて前述の（１）　−（４
）式の計算を実行し、未知の■プロセス状態評価量（処
理水質）ＤＦ４　（ｏ）＊と■プロセス操作量（返送／
余剰汚泥量、曝気空気量）ＤＦ５（０）＊とを出力層７
３０に出力する。前記■については交信手段４６にガイ
ダンス表示し、■については制御信号７２Ｓを運転制御
工程７５に出力する。

続いて運転制御工程７５を以下に説明する。運転制御工
程７５では、ＤＦ５（０）＊の信号７２Ｓとファジィ推
論機構６１の信号６１Ｓとを受けて、まず両者の整合性
を調べる。信号７２Ｓが６１８と矛盾しなければ、プロ
セス操作量の目標値として信号７５Ｓを余剰汚泥ポンプ
１６ｃ２、返送汚泥ポンプ１６Ｃ１、ブロワ−１７、制
御バルブ１７Ａ。

１７Ｂなどに出力する。逆に矛盾すれば交信手段４６を
通してオペレータ１０１に報知し、修正を加える。なお
、制御頻度は本実施例では１時間毎であるが、この時間
単位は任意に設定できる。勿論、時間間隔が小さければ
予測精度は向上する。

設定した時間間隔（本実施例では１時間）が長いために
短い時間（例えば１分間）の塩素注入量を予測できない
場合には、数学的な補間により予測する。同時に、目標
値（予測結果）の注入量目標値信号７５Ｓを交信手段４
６に表示し、必要に応じてオペレータ１０１の選択によ
り実際の操作を補正する。

なお、本発明を下水処理プロセスを実施例に説明したが
、一般のプロセスに適用できることはいうまでもない。

〔発明の効果〕

本発明の効果について以下に述べる。一般のプロセスも
同様であるが、下水処理場の従来の制御方法は、多量の
データ解析、オペレータへのインタビューによるファジ
ィルール獲得、さらには推論ルールの作成、追加、修正
、削除、改良などに多くの労力を要していた。また従来
の方法では、獲得するファジィルールは特定の人の主観
的判断に依存していた。しかし１本発明では、過去の実
績データからファジィルールを自動獲得し、かつ、ニュ
ーラルネットの予測により運転ガイダンス及び制御を行
ない得る。・したがって、本発明を適用すれば、より少
ない労力で、オペレータが実施している［実績と前例に
即した、しかしあいまいな運転」を工学的に容易に行な
うことができる。また学習を随時行なうことが可能であ
るので、状況の変化に迅速に追随して学習しかつ制御す
ることができる。

特に、本発明では、■流入水の物理的・化学的・生物的
特性、■プロセス状態量、■プロセス状態評価量、■プ
ロセス操作量に着目し、・過去の■■に基づいて■■プ
ロセス評価量と■プロセス操作量を予測することができ
るので、オペレータと同等の操作を行ない得る。

【図面の簡単な説明】

第１図は本発明の実施例の構成図、第２図は履歴パター
ンデータファイル詳細を示す説明図、第３図はメンバー
シップ変換工程を表す説明図、第４図は学習パターンの
説明図、第５図はニューラルネットの構成図、第６図は
ニューロン素子モデルを示す説明図、第７図はニューロ
ン素子モデルでの信号変換を示す特性図、第８図は予測
工程を説明する説明図である。９・・・最初沈殿池、１５・・・曝気槽、１６・・・最
終沈殿池、１７・・・ブロワ−１１６Ｃ１・・・返送汚
泥ポンプ。１６Ｃ２・・・余剰ポンプ、９Ｍ、１５Ｍ、１６Ｍ・・
・計測器、４６・・・交信手段、１０１・・・オペレー
タ、７１Ｆ・・・履歴パターンデータファイル、６９・
・・メンバーシップ変換工程、７１・・・学習用ニュー
ラルネット、７２・・・予測用ニューラルネット、７３
・・・ファジィルール獲得工程、７４・・・ファジィル
ール診断工程、７５・・・運転制御工程、６１・・・フ
ァジィ推論機構、７１０・・・入力層、７２０・・・中
間層。７３０・・・出力層、７４０・・・比較層、７５０・・
・教師第２図第３図入力出第４図第５図第６図第７因第８図入力層

Claims

【特許請求の範囲】１、時間と共に変化するプロセスから状態量間の知識を
獲得しする方法で、（１）外乱と（２）プロセス状態量及び（３）評価量に
対して（４）プロセスの操作量を出力するものであって
、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備え、過去の複数時点
での前記（１）及び／または前記（２）及び／または前
記（３）及び／または前記（４）を、予め設定したメン
バーシップ関数により変換するようにし、前記（１）及
び／または前記（２）及び／または前記（３）及び／ま
たは前記（４）を前記入力層に入力すると共に、当該入
力に対応する前記（１）及び／または前記（２）及び／
または前記（３）及び／または前記（４）を前記出力層
の教師パターンとして前記神経回路モデルに学習させる
ことにより、前記（１）（２）（３）（４）の間の関係
を記述するための確信度付きファジィルールを出力する
ことを特徴とする知識獲得方法。２、請求項１において、前記確信度付きファジィルール
を利用してプロセス運転を支援または制御することを特
徴とする、プロセス運転支援方法。