JPH03259302A - 情報処理システム - Google Patents

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〕 本発明は大規模なシステムの情報処理に係り、システム
及びその環境の動的な変化に対応じてその構造・機能を
動的に適応させていく自己組織型の情報処理システムに
関する。

〔従来の技術〕

従来の情報処理システムでは、運用に先立って、外部環
境の変化やシステムの内部状態の遷移を事前に規定ある
いは予測しておき、その範囲内で成すべき方策を事前に
立てていた。よって、実際の運用において、事前に予測
できなかった事態が生じた場合にはそのつどそれを補う
ように人手によって対処していく必要があった。

また、システムの環境変化への具体的な対応法としては
、常に目標値に一致するように操作変数を調整するフィ
ードバックであるとか、あるいは構造は変更せずに内部
のモデルのパラメータを調整する適応制御などの方式が
用いられてきた。

尚、フィードバック情報によって個々のパラメータを更
新するものとして、国際公開Ｗ○８５１０１８０７　（
８５，４，２５）ｒパラメータを選択して自己補正する
制御システム」などが挙げられる。

〔発明が解決しようとする課題〕

しかし、システムが複雑になればなるほどその可能な動
作・内部状態の範囲は拡大する。よって、動的に変化す
るすべての場合を厳密に予測し、それに対処する手段を
設けておくことは非常に多くの労力を要することになる
。これに加えて、事故時のように事前に予測できない、
あるいは、予測したとしても非常に多岐に渡る非定常時
の対策を万全に施しておくことはほとんど不可能である
。

実際のシステムは運用していくにつれて、対象に−ズ）
が質・量の両面において動的に変化していく。よって、
導入時の運用予測の範囲でしか対応できないのではなく
、その動的な変化に対応じて、機能の構造変化・新陳代
謝を実施できる能力を持つことが不可欠である。しかし
、システムの新陳代謝をには機能の拡張・削除を伴うが
、従来方式ではその影響が局所的なものにとどまらず、
全体に波及していたためそのための作業に多大なコスト
を費やしていた。これはシステムがその目的を達成する
ために実施する機能と、要素及び全体の状態を監視し、
問題が発生したならばそれを解決するための機能が完全
には分かれておらず、複雑にからみあっているためであ
るといえる。

また、事故を未然に防止するためにシステムは定期的な
保守・点検を実施する必要がある。また。

故障している要素があればそれを修理する必要もある。

その際には、稼働中のシステムからその構成要素を意識
的に切り離したり、接続したりする。

このような状況では、残りの要素でうまく役割分担しな
ければならない。

このように保守点検・故障改修等によるシステム構成要
素（制御要素）のシステムからの切り離し・接続は、シ
ステムの規模が大きくなればなるほど日常茶飯事・定常
状態となるであろう。よって、すべての構成要素が正常
に動作していると見なす過剰な期待を持った前提による
システム運用を立てるよりは、運用時のシステムの状態
をｉｌｌしながらそれに応じてフレキシブルに対応を決
定していく方式の方がより実際的である。

本発明は、このような課題に鑑みてなされたものであり
、情報処理システムの対象・環境の変化に対して、状況
に応じて動的に適応じていくことを目的とする。

〔課題を解決するための手段〕

第−に、システムの内外の状態を特徴量として変換する
機構を設ける（特徴抽出機構）。また、この特徴抽出機
構には特徴量を抽出するための知識を有する。

第二に、特徴抽出機構によって変換された特徴量から問
題の発生を認知するための機構を設ける（問題認知機構
）、また、この問題認知機構には問題を認知するための
知識を有する。

第三に、問題認知機構によって問題ありと判定された場
合、その問題の原因を同定する機構を設ける（原因同定
機構）、また、この原因同定機構には原因を同定するた
めの知識を有する。

第四に、原因同定機構からでてきた原因より問題に対処
するための戦略を決定する機構を設ける（戦略決定機構
）、また、この戦略決定機構には戦略を具体化し、それ
を実行するための知識を有する。

以上の４つの機構を有する自己組織化機構を用いること
によって、システム及びその環境の動的な変化に自動的
に対応することが可能となる。

〔作用〕

上記自己組織化機構において、まずシステム及びその環
境の状態・情報を特徴抽出機構によって評価可能な特徴
量に変換する。そして、その特徴量を問題認知機構によ
って評価することによって、問題の発生を検出する。問
題が発生したと判定されれば、まず、原因同定機構によ
ってその問題に対・する原因を同定する。そして、その
原因より戦略決定機構によって具体的な方策が決定され
、実行される。各機構においては、システムの機能に応
じた知識を参照しながら処理が行われる。

〔実施例〕

以下、本発明の実施例を第１図により説明する。

第１図は１つ以上のサブシステム群１００及び１つのサ
ブシステム１０２と自己組織化機構１０１との接続関係
、及び白化組織化機構１０１の内部構成を示した図であ
る。サブシステム１０２はサブシステム群１００と情報
の交信を繰り返しながら処理を実行するが、自己組織化
機構１０１はその交信している情報を取り込み、また、
サブシステム１００及び１０２へと情報交信できる構成
になっている。

まず、１０２で示されるサブシステムについて、第２図
によりその構成を説明する。サブシステム１０２は情報
の交信あるいは処理の手順の制御を行う管理機構１０２
１．サブシステムの機能を実行する機構１０２２．１０
２２で実行すべき機能を記憶する機構１０２３及び１ｏ
２３で記憶されている機能を変更する機構１０２４から
構成されており、外部との入出力は管理機構１ｏ２１を
通じて行い、管理機構１０２１にサブシステム機能実行
機構１０２２．サブシステム機能記憶機構１０２３及び
サブシステム機能変更機構１ｏ２４が接続され、サブシ
ステム機能実行機構１ｏ２２とサブシステム機能記憶機
構１ｏ２３、そしてサブシステム機能記憶機構１０２３
とサブシステム機能変更機構１０２４がそれぞれ接続さ
れている構成になっている。

また、サブシステム群１００を第３図で説明すると、サ
ブシステム群１００は交信手段１００１を介して、１つ
以上のサブシステム１０２Ａｌ。

１０２Ａ２及び他のサブシステムあるいは自己組織化機
構群１０１Ａと交信を交わす構成をとる。

ここで、サブシステＡ１０２Ａ１，１０２Ａ２はサブシ
ステム１０２と同じ構成をとり、１ｏＩＡは自己組織化
機構１０１と同じ構成をとるものが１つ以上集まって構
成される。

一方、第１図における自己組織化機構１０１は特徴抽出
機構１０３でサブシステム間の情報を取り込み、それか
ら順に問題認知機構１０４．ＪＭ囚同定機構１０５及び
戦略決定機構１０６へと接続され、最後にその戦略決定
機４ｉ！１１０６からサブシステム１０２及びサブシス
テム群１００へと接続されるように構成されている。同
時に、特徴油出機構１０３からは直接戦略決定機構１０
６へと接続もされている。また、特徴抽出機構１０３２
問題認知機構１０４．ＪＪｔ因同定機構１ｏ５９戦略決
定機構１０６にはそれぞれ特徴の知ｍ１０７．問題の知
識１０８．原因の知識１ｏ９２戦略決定の知識１１０が
接続されており、さらに、それらの知ｖｉ１０７，１０
８，１０９，１１０は知識管理機構１１１と接続されて
いる。知識管理機構１１１は戦略決定機構１０６に接続
されている。

第１図は自己組織化機構１０１がサブシステム１０２専
用に接続されている様子を示したものであるが、自己組
織化機構１０１はそれ以外にも第４図のように自己組織
化機構１０１Ｂとして２つ以上のサブシステム１０２Ｂ
１．１０２１３２と接続した構成を取ったり、第５図の
よ−うにすべてのサブシステム群１００Ｃを１つの自己
組織化機構１０１Ｃと接続する構成も可能である。特に
、第５図の場合は１００Ｃはサブシステム群１００にお
ける自己組織化機構群１０１Ａがない構成をとる。ここ
で、１００Ｃは１００と同じ構成をとり。

１０２Ｂｌ、１０２Ｂ２は１０２と同じ構成をとる。

第１図の自己組織化機構１０１を構成する特徴抽出機構
１０３の構成を第６図に示す。特徴抽出機構１０３では
サブシステム群からの情報をまず、特徴抽出選択機構１
０３２に入力する。１０３２では事前に特徴の知識１０
７に記憶されている情報に基づいて複数用意されている
特徴抽出機構１０３３．１０３４の中からどれを選択す
るか決定し、選択された機構にサブシステム群からの情
報を送る。各特徴抽出機構１０３３．１０３４では決め
られた処理手続きに従ってサブシステム群からの情報を
特徴量に変換する。変換された特徴量はそれぞれ出力制
御機構１０３５に入力され、１０３５から順に次の問題
認知機構１０４及び戦略決定機構１０６へ出力される。

第１図の自己組織化機構１０１を構成する問題認知機構
１０４の構成を第７図に示す。問題認知機構１０４では
特徴抽出機構１０３から送られてくる特徴量をまず、入
力制御機構１０４１に入力する。入力制御機構１０４１
では入力された情報をすべての問題マツチング検出機構
１０４２゜１０４３に順次送る。各問題マツチング検出
機構では送られてきた特徴量が問題の知Ｉｔｉ　ｏ　ｓ
に記憶されている問題の知識と一致するかマツチングを
とる。その結果、問題の知識と一致した場合は認知結果
と特徴量を出力制御機構１０４４へ送る。

−Ｍしなければそのまま何もしない。そして、１０４４
から順に次の原因同定機構１０５へ出力される。

第１図の自己組織化機構１０１を構成する原因同定機構
１０５の構成を第８図に示す。原因同定機構１０５では
問題認知機構１０４から送られてくる認知結果と特徴量
から、推論機構１０５１及び原因の知ｆｆ１１０９によ
りその問題の発生した原因を同定する。そして、同定し
た原因のタイプを次の戦略決定機構１０６へ送る。

第１図の自己組織化機構１０１を構成する戦略決定機ｊ
ＩＩｔ１０６の構成を第９図に示す。戦略決定機構１０
６では原因同定機Ｍ　Ｉ　Ｏ５から送られてくる原因の
タイプから、戦略決定の知識↓１０を用いて問題解決の
ための戦略を決定する。戦略には様々なものがあるが、
大きく分けて３つのタイプに分類して対処することが可
能である。１つめはサブシステムで実行している処理を
規定するパラメータを変更することで問題の解決を図ろ
うとする戦略である。２つめはサブシステムで実行して
いる処理を、同じ機能を実現するが方式が異なるものに
変更することで問題を解決しようとする戦略である。そ
して３つめはサブシステムでそれまでとは異なる機能を
実行することで問題を解決しようとする戦略である。そ
こで具体的には、まず原因同定機構１０５から送られて
くる原因のタイプをタイプ選択機構１０６２で受ける。

その１０６２で問題の解決にはどのタイプで対処すれば
よいかを戦略決定の知ｍ　］、　１０等を用いて選択す
る。そして、選択された戦略を実現する機構に情報を送
る。３つの戦略はそれぞれパラメータ変更機構１０６３
．方式決定機構］　０６４．機能変更機構１０６５で実
現する。これら３つの機構に情報が渡ることで、これら
が中心となって実際の変更作業を実行する。これらの機
構が働くときは戦略決定の知識１１０を参照して処理を
実行する。

また、機能変更における機能の移動などの際には関連す
る知識の移動が伴うため、機能変更機構１０６５には知
識管理機構１１１が接続し、さらに実際に機能を移動す
る場合に必要な他のサブシステムの状況を認知するため
に特徴抽出機構１０３を接続することで自己組織化機構
間の交信によって自分だけでなく他のサブシステムの状
況を把握することが可能な構成になっている。

第１０図によりパラメータ変更機構１０６３の構成を説
明する。パラメータ変更機構１０６３は入出力制御機構
１０６３１によりタイプ選択機構１０６２からの情報を
受は取る。そして、実際にパラメータをどの程度変更す
ればよいかを、パラメータ変更計算機構１０６３２にて
必要に応じて計算し、あるいは戦略決定の知識１１０内
のパラメータ変更についての知識を用いて、パラメータ
変更推論機構１０６３３にて決定する。そして、その量
をサブシステム１０２あるいはサブシステム群１００へ
送る。サブシステム側では管理機構１ｏ２１を通じてサ
ブシステム機能変更機構１０２４が新しいパラメータ値
を受は取り、その値でサブシステム機能記憶機構１０２
３に記憶されているパラメータ値を書き直すことによっ
て変更作業が終了する。

次に、方式変更機構１０６４の構成を第１１図を用いて
説明する。方式変更機構１０６４はタイプ選択機構１０
６２からの情報を方式選択機構１０６４１で受ける。戦
略決定の知識１］○には１つ以上の複数の方式のモジュ
ール及びその方式についての知識が蓄積されている。方
式選択機構１０６４１ではその知識及び上流からの情報
によりどの方式を選択するかを決定する。方式呼び出し
機構１０６４２ではその結果を受け、戦略決定の知Ｆａ
ｌｌＯ内の対象となるモジュールを呼び出し、それをサ
ブシステム１０２あるいはサブシステム群１００へ送る
。サブシステム側では管理機構１０２１を通じてサブシ
ステム機能変更機構１０２４が方式のモジュールを受は
取り、そのモジュールとサブシステム機能変更機構１０
２４に記憶されているパラメータ値を置き換えることに
よって変更作業が終了する。

機能変更機構１０６５の構成を第１２図を用いて説明す
る。機能変更機構１０６５ではタイプ選択機構１０６２
からの情報を機能変更方式決定機構１０６５１で受ける
。機能変更方式には、移動。

削除、追加、複写等があげられるが、１０６５１では戦
略決定の知識１１０を用いて、どの変更方式をどのよう
に実行するか決定する。その結果を受けて、まず知識変
更実行機構１０６５２では知識管理機構１１１を通じて
関連する知識の移動・削除・追加・複写等を自己組織化
機構１０１間で実行する。また、機能変更実行機構１０
６５３では、モジュール削除の場合は、その情報をサブ
システムへ送る。サブシステムでは管理機構１０２１を
通してサブシステム機能変更機構１０２４がサブシステ
ム機能記憶機構１０２５に記憶されているモジュールを
削除する。また、モジュール複写の場合は、他の自己組
織化機構と交信して、最も条件に合うサブシステムを捜
し出し、複写先のサブシステムには追加の情報を送り、
複写元のサブシステムには複写の情報を送る。サブシス
テムでは複写の情報を管理機構１０２１を通じてサブシ
ステム機能変更機構１０２４で受は取り、１０２４は１
０２５に記憶されているモジュールのコピーを管ｐ１機
構１０２１を通して他のサブシステムへ送る。追加の場
合は、送られてきたモジュールを管理機構１０２１を通
して１０２４で受け、それを１０２３の記ｆαに追加す
る。最後に、モジュール移動の場合は、モジュール複写
そしてモジュール削除を組み合わせて使用することで実
現できる。

ここで、複数のＣＰＵ上で互いに交信することが可能な
複数のタスクを実行する場合を例にして。

第６０〜第９図等を用いてさらに詳細に述へる。

この場合、自己組織化機構１０１におけ、る特徴抽出機
構１０３で検出する情報は、タスクを実際に実行してい
るユーザＣＰＵ時間、タスクを実行する中でかかるシス
テムＣＰ　Ｕ時間（仮想メモリを使用した場合のメモリ
スワップ時間等）また　各タスク間の通信時間及び通信
回数等である。これらの情報を検出することを特徴抽出
の知識１０７に記憶しておくことによって、１０３では
伺を検出するかを１０７を通じて特徴抽出選択機構１０
３２、特徴抽出機構１０３３・１０３４にセットしてお
くことができる。そして、１０３３．１０３４では流入
する様々な情報の中から、２つのＣＰＵ時間及び２つの
通信情報を抽出して出力制御機構１０３５へ送る。１０
３５では送るべき複数の特徴量を順番に次の問題認識機
構１０４及び戦略決定機構１０６へと送る。

問題認知機構１０４では、まず問題として以下のものを
考える。１つめは、複数のタスクを実行している場合に
処理の小さなタスクにある規定値以上の実行待ち時間を
要してしまう場合である。

２つめは、あるタスクを実行する際のシステムＣＰＵ時
間がユーザＣＰＵ時間とシステムＣＰＵ時間を合わせた
全ＣＰＵ時間のある規定値以上の割合を占めるようにな
る場合である。そして、３つめは、ある規定値以上の時
間を要する通信が、ある規定値以上の回数繰り返される
場合である。

これらの問題を知識として問題の知識１０８に記憶して
おくことによって、１０４では問題マツチング検出機構
１０４２・１０４３に検出すべき問題をセットしておく
ことができる。その上で、特徴抽出機構１０３から送ら
れてくる特徴量（ｃｐｕ時間時間５量信量入力制御機構
１０４】にて受け、そこで１０４２．１０４３へと全て
の特徴量を送る。各問題マツチング検出機構では送られ
てきた特徴量が自分の持つ問題にマツチするかを判定し
、マツチしなければ何も出力しない。もし、マツチすれ
ばその問題についての情報と特ｒ！ｊ／ｉｎを出力制御
機構１０４４に送る。ここで、もしすべての問題マツチ
ング検出機構から問題ありどの判定が出なければ、その
サブシステムに関しては問題がないと判断され、自己組
織化機構１０１はサブシステムを特に操作しないで、特
徴量の監視を繰り返す。また、もし問題ありどの判定が
出れば、１０４４では送るべき問題の情報と特徴量を順
番に次の原因同定機構１０５へと送る。

原因同定機構１０５では、１０４から送られてきた問題
の情報と特徴量からその問題の原因を原因の知識１０９
を用いて推論機構１０５１によって、原因を決定する。

ここでは、原因の知識として以下のものを考える。小さ
なタスクに多くの実行待ち時間を要してしまう原因は、
そのＣＰＵで実行するタスクが多すぎるか複数のタスク
に割り振られるＣＰＵ時間の割合が不適切であるからで
ある。システムＣＰＵ時間が多くかかる原因は、メモリ
のスワップ回数が多いかあるいはそのタスクに割り当て
られているユーザＣＰＵ時間が短いかである。通信時間
が多くかかる原因は、通信量そのものが多いかあるいは
時間のかかる通信経路を通っているかである。これらの
知識によって推論された原因のタイプ及び特徴量を次の
戦略決定機構１０６へ送る。

戦略決定機構１０６では、タイプ選択機構１０６２で原
因同定機構１０５から送られてくる原因のタイプ及び特
徴量を受け、どのような方式で対処するか戦略を決定す
る。１０６２では戦略決定の知識１１０を用いて、原因
のタイプと特徴量から３つの方式、即ち、パラメータ変
更機構１０６３゜方式変更機構１０６４．機能変更機構
１０６５のどの方式を採用するかを決定する。戦略決定
の知識としては以下のものを考える。

タスクが多すぎる場合は自分のＣＰＵで実行するタスク
よりも少ない数のタスクを割り振られているＣＰＵにタ
スクを移動する。もし自分よりも少ないタスクが割り振
られたＣＰＵが他になければ、実行するタスクの上限値
を小さく再設定して、実質的に個々のタスクに割り振ら
れるＣＰＵ時間を多くする。前者は機能変更、後者はパ
ラメータ変更にあたる。

複数のタスクに割り振られるＣＰＵ時間の割合が不適切
である場合は、タスクの優先度に応じてＣＰＵ時間の切
り替えタイマを不均等に、つまり優先度の高いものには
それだけ長いＣＰＵ時間を与えるように設定する。これ
はパラメータ変更にあたる。

メモリのスワップ回数を少なくする場合は、メモリセグ
メントに優先度をつけ、スワップの対象となるものを優
先度の小さなものとすることで、必要とするセグメント
がなるべくスワップの対象とならないように方式に切り
替えたり、あるいは−度に多くのメモリ領域が必要な場
合は各タスクにメモリ使用に関する優先度をつけ、その
優先度に応じて使用できるセグメントの数を変えられる
方式に切り替えたりする。両者とも方式変更にあたる。

また、そのタスクに割り当てられているユーザＣＰＵ時
間を長くするためには上述したタスクのＣＰＵ時間に関
する優先度付けを行う。

通信量そのものが多い場合は、もしその通信の優先度が
高ければ通信経路の使用権を優先的に獲得できるように
各サブシステムの管理機構に働きかけることによって高
速な通信ができる。もし優先度が低ければ問題はあるが
特に操作は実行せずにそのままの状態で処理を継続する
。前者はパラメータの変更にあたる。

時間のかかる通信経路を通っている場合には、交信し合
っている複数のタスク間の距離を短くする。これには交
信し合うタスクを同じＣＰＵ上で実行するようにタスク
を移動するか、もしそのＣＰＵ上のタスクが一杯であれ
ばできるだけそのＣＰＵに距離的に近いＣＰＵにタスク
を移動する。

これは機能変更にあたる。

以上述べてきたような知識を用いてタイプ選択機構１０
６２では３つの方式から１つの方式を選択する。以下で
はその２つの方式ついて第１０図〜第１２図等を用いて
述べる。

パラメータ変更機構１０６３では、入出力制御機構１０
６３１によりタイプ選択機構１０６２からの情報を受は
取る。情報とは、例えば、タスクの優先度に基づ＜ＣＰ
Ｕ時間の割り振りでは各タスクの優先度である。そして
、この場合はパラメータ変更計算機構１０６３２にて全
タスクの優先度の総和と各タスクの優先度の比を計算し
、その比をパラメータとして送り出す。あるいは戦略決
定の知ｒＰｉ１１０内のパラメータ変更についての知識
を用いて、推論機構１０６３３によって変更値を決定す
る。その際の知識としては、例えば、タスクの数が多け
れば実行するタスク数を１つ減する、通信量がある規定
値以上でかつ優先度が高ければ交信経路の優先使用積度
を１つ増す、等があげられる。

方式変更機構１０６４では、タイプ選択機構１０６２か
らの情報を方式選択機構１０６４１で受ける。情報とは
、例えば、メモリのスワップ回数を減らす場合にはメモ
リのスワップ回数、セグメント・タスクの優先度、メモ
リ使用量である。

方式選択機構１０６４１では戦略決定の知識１１０を用
いてどの方式を選択するかを決定する。知識としては、
例えば上述したメモリのスワップ回数を減らす場合は、
もしそのタスクがある規定値以上のメモリ領域を必要と
するならば、使用できるセグメントの数をその領域に比
例して配分する方式に切り替える、あるいは、大きなメ
モリ領域を必要としなければ、セグメントの優先度を増
す方式に切り替える、等があげられる。次に、方式呼び
出し機構１０６４２ではその結果を受け、選択された方
式モジュールを戦略決定の知識１１０から呼び出し、そ
れを送り出す。

機能変更機構１０６５では、機能変更方式決定機構１０
６５１によりタイプ選択機構１０６２からの情報を受は
取る。情報とは、例えば、タスクの移動であればタスク
を移動するということ及びそのタスクの量、互いに交信
しているタスクの移動であればさらに交信元のタスクの
位置である。

移動を行う場合はその機能モジュールの移動先が問題と
なる。そこで、機能変更方式決定機構１０６５１は、も
し２つ以上の自己組織化機構がイを在すれば他の自己組
織化機構における機能変更方式決定機構と情報の交信を
行い、実行しているタスク数が少ないサブシステムを捜
し出し、そこを移動先とする。同様にして、交信中のモ
ジュールを移動する場合には機能変更方式決定機構がタ
スク数の情報交信によって、モジュールの移動先を決定
する。

そして、自己組織化機構が複数存在する場合は知識変更
実行機構１０６５２によって、移動するモジュールに関
する知識を移動先のサブシステムを管理する自己組織化
機構に移動する。また、機能変更実行機構１０６５３に
よって、まず移動元のサブシステムには複写の指令が、
そして、移動先のサブシステムには追加の指令が送られ
る。機能が完全に移動先に複写された段階で、移動元へ
削除の指令が送られて、移動が完了する。

次に、本発明を具体的に実施する例を示す。まず第１３
図は、圧延機システムに適用した一実施例である。

制御対象である圧延機システム２００の動作状態はセン
サシステム２０３を介して、状態量５２００として検出
され、第１図等で述にた自己組織化機構１０１へ入力さ
れる。自己組織化機構１０１では、入力された状態量５
２００が特徴抽出機構■０３．特徴の知識１０７を用い
特徴１ｓ２０１に変換され、評価機構２０５へ入力され
る。評価機構２０５は評価用知識を用い、問題認知機構
１０４、自己組織化設計機＠２０９　（尚、本自己組織
化設訓機構２０９は、第１図における戦略決定機４１１
！　１０６の一要素である）を起動するか否かを決定し
、起動する場合には、特徴量Ｓ２０］−と評価機構２０
５の評価結果を合せた特徴量・評価結果５２０２を問題
認知機構１０４に出力する。

問題認知機構１０４は、圧延機の問題の因果関係を表わ
す知識である知識ベース２０８と特徴量・評価結果５２
０２を用い、現在発生している問題はどういう種類の問
題かを求め、問題のタイプ５２０３を自己組織化設計機
構２０９へ出力する。

自己組織化設計機構２０９は、制御装置２０２からの指
令５２０４や状態量５２００、及び特徴量Ｓ２０１を用
いてモデル生成機構２１０で生成した制御対象のモデル
８２０５を用い、問題のタイプ２０３に応じて、制御方
策か１機能か、構造を変更するための知識ベース２１１
を用いて、制御装置２０２が実行する制御の具体例内容
である設計結果８２０６を決定する。

更に、モデル５２０５を制御装置２０２の持性を組合せ
てシミュレータ２１２により設計結果５２０６の可否を
判定し、設計結果８２０６が制約条件を満足しないとき
には再設計を行ない、また、入出力装置２１３によって
自己組織化設計機構２０９をオペレータが起動し、必要
な情報を入力することにより制御装ｆｆ１２０２へ出力
する設剖結果８２０６に反映させる。

制御装置２０２は、設計結果５２０６５に基づいて、制
御対象である圧延システム２００の状態量５２００を用
い、指令５２０４を生威し、アクチュエータシステム２
１４に出力する。アクチュエータシステム２１４は、指
令２０４を受け、制御対象である圧延機システム２００
を指令５２００に従って動かす。

第１０４図は、特徴抽出機構１０３の詳細な構成を示す
。センサシステム２０３から得られた制御対象である圧
延機システム２００の状態量５２００は、特徴抽出機構
１０３の特徴抽出制御機構２０４１に入力される。特徴
抽出制御機構２０４１は、状態量５２００及び、後述の
各種特徴抽出機構２０４２゜・・・、２０４８の特徴量
である信号の流れを制御する機能を持つ。特徴抽出制御
機構２０４１から得られる情報を用い、周波数分析機構
２０４２は高速フーリエ変換等の周波数分析を行ない特
徴量を抽出し、デシジョントリー機構２０４３は特徴量
を決定する決定周知１１０７を用い特徴を抽出し。

相関関数機構２０４５は予め記憶している波形と状態量
５２００の波形との相関関数を求めて特徴量を抽出し、
Ｒｕｍｅｌ、ｈａｒｔ型ニューロコンピュータ２０４６
は、予め学習しておいた波形との類似度を出力できるの
で、それを特徴量とすることで特徴量を抽出し、各種の
特重量の張るベクトル空１１ｒＩの中で、入力された状
態量５２００の張るベタ１ヘルと最も類似しているバク
１−ルを特徴量として抽出するベクトル演算比較機構２
０４７及びパターンマツチングによって類似のパターン
を抽出するパターンマツチング機構２０４８で特徴量を
抽出し、特徴抽出制御機構２の４１で特徴量５２０１を
評価機構２０５へ出力する。

第１５図は、評価機構２０５の処理概要を示す。

評価機構２０５は、特徴抽出機構１０３の出力である特
徴量５２０１を受け、信号レベルの変換等を行なう入力
インタフェース機構２０５１．問題の種類によって評価
基準が複数存在するので各評価基準に基づいて評価を行
なう第１の評価要素２０５２、第ｎの評価要素２０５３
をイ了し、評価を行なうための評価用データを記憶して
いる知識ベース２０６を用いて、評価要素の評価結果と
特徴量を合せた特徴量・評価結果５２０２を次ステツブ
である問題認知機構１０４へ出力する。

第１６図に、第ｎ評価要素２０５３の処理概要を示す。

評価方法には種々の方法があり、単純にあるレベルを越
えたか否かを判定するものから、知識処理を活用した複
雑なものまで存在する。その−例として、第ｎ評価要素
２０５３は知識処理のうちあいまいさを取扱うことので
きるｌ；ｕｚｚｙ推論を基に評価を行う方式を示したも
ので、入力インタフェース機構２０５１からクラス分は
機構２０５３１に入力され、評価用データである知識ベ
ース２０７のメンバシップ関数２０７１を用い、入力信
号をクラス分けを行ない確信度を求めクラス分は機［２
０５３１、クラス分は機構２０５３］の確信度と、ｉｆ
　−ｔｈｅｎで記述されている推論用ルールベース２０
７１を用い結論を導く推論機構２０５３２、各ルール対
応で求めた結論を合成する（例えば三角形の重心を求め
る等）総合評価機構２０５３３から構成され、問題認知
機構２０７に出力される。

第１７図に、推論機構２０５３２の処理概要を示す。推
論機構２０５３２は起動す八き推論の種類を判定するス
テップ２０５４０．プロダクションの場合はプロダクシ
ョンルールを選択するステップ２０５４１．フレームの
場合フレームの知識を選択するステップ２０５４２．ス
クリプトであればスクリプト用の知識を選択するステッ
プ２０５４３、知識が選択されたならば結論を導出する
場合にはフォワード推論を選択させ、原因を求める場合
にはバックワード推論を選択させるステップ２０５／１
４、フォワード推論の場合フォワード推論２０５５を実
施し、バラクワ−１〜推論の場合、バンクワード推論２
０５６を実施するステップから構成される。

第１８図にフォワード推論２０５５の処理を示す。フォ
ワード推論は、推論する入力（発生した状況等）をレジ
スタに格納するステップ２０５１　］　。

推論に必要なポインタをルールの先頭とするステップ２
０５５２、フォワード推論ループのサブルーチン２０５
３とから構成される。

第１９図は、フォワード推論ループ２０５５３の処理を
示す。ここでは、ポインタを生成し、ポインタをルール
の先頭にするステップ２０５５５、ポインタの値が最終
値＋１以」二になり推論を終了させるか否かを判定する
ステップ２０５５６、推論を終了させる場合にはフラグ
を失敗にセットするステップ２０５５８０、推論が終了
しない場合、ポインタが示すルールの前件部を取り出し
、レジスタの内容が一致するか否かを判断するステップ
２０５５７、−Ｍしない場合に、ポインタの内容を１増
加させるステップ２０５５８、一致した場合に、一致し
たルールの後件部が結論を表わすか否かを判定するステ
ップ２０５５９、結論でない場合には、レジスタの内容
をブツシュし、レジスタの内容を後件部とするステップ
２０５７０、結論部ならば、フラグを推論成功とし、サ
ブルーチンからのリターン値をルールの後件部とするス
テップ２０５７１、ステップ２０５７０の処理後、フォ
ラ−ｌ−推論ループ２０５５４を再帰的に呼出し、その
後、リターン時のフラグが成功か否かを判断するステッ
プ２０５７３、失敗時に、レジスタの内容をスタックか
らポツプし、ステップ２０５７０の状態へ戻すステップ
２０５７４、その後ステップ２０５５８を実行させるス
テップがら構成されている。

第２０図に第１７図で述べたバンクワード推論２０５４
６の処理を述へる。前述のフォワード推論２０５５と同
様のステップ２０５６１　、２０５６２を実施し、バッ
クワード推論ループ２０５６３のサブルーチンを呼出し
、戻る。

第２１図はバックワード推論ループ２０５６３の処理を
示す。バンクワード推論ループ２０５６３は第１９図と
ほぼ同しステップから構成されており、ここでは異なる
部分のみを示す。ポインタが示すルールの後件部がレジ
スタの内容と一致しているか否かを判定するステップ２
０５６７、後ヂ（部が一致した場合には、一致したルー
ルの前件部が原因を表わすか否かを判断するステップ２
０５６９、一致した場合に、フラグを成功にセットし、
リターン値をルールの前件部とするステップ２０５８１
、原因でなければ、レジスタの内容をスタックにプツシ
ュし、レジスタの内容を前件部とするステップ２０５８
０、バンクワード推論ループ２０５６３のサブルーチン
を実行するステップから構成される。

第２２図は、第１３図の問題認知機構１０４の処理を示
す。間Ｍ認知機構１０４は、推論対象を知識ベース２０
８とするステップ２０７０、バックワード推論機構２０
７１から構成される。

第２３図に問題認知機構で用いる知識ベース２０８を示
す。例えば、ルール番号１では、前件部として、偏差中
の直流成分が他の成分と比較し大であるならば、後件部
として、定常偏差が大きいことを示す。ルール番号２で
は、定常偏差が大でかつ、直流成分が一定値である場合
、後件部は制御系と指令系の次数が１次異なっている。

ルール番号３では、前件部をとして、定常偏差が大でか
つ、直流成分が時間とともに大となり比例関係にあるな
らば、後件部として、制御系と指令系の次数が２次異な
る。

第２４図には、第１３図の自己組織化設計機構２０９の
処理を示す。自己組織化設計機構２０９は、前記問題認
知機構１０４の結論部を基に問題のタイプを判断するス
テップ２０９１、問題のタイプが構造変更であるならば
構造変更の推論機構２０９２を起動し、機能変更の場合
、機能変更用の推論機構２０９３を起動し、制御方策が
変更の場合、制御方策変更のための推論機構２０９４を
起動し、制御装置のプログラムやパラメータを変更する
制御装置変更処理から構威される。

第２５図に、第２４図の制御方策変更の推論処理に用い
る知識ベース２１１の制御方策変更用の知ｉ！２１１１
の一例を示す。

知識２１１〕のルール番号１の前件部として、制御系と
指令系の次数が１次異なるときは、後件部として積分型
の制御系とする。ルール番号２の前件部は積分型の制御
系でかつ従来の制御系はＰＩＤである場合、後件部は積
分器を追加する。

ルール番号３の前件部は積分型の制御系でかつ従来の制
御系は最適制御系であるならば、後件部として最適サー
ボ系とする。

第２６図は機能変更用の知識ベース２１１の機能変更用
知識２］１２の一例を示す。

例えば、問題のタイプが、ロール偏心であるならば、後
件部である追加、削除機能として、板厚偏差を入力とし
、偏心量検出機構、正弦波発生機構及びゲインからなる
フィードバック系を構威しロールギャップ指令に入力す
るという知識を示す。

構造変更の推論処理２０９２で用いられる知識２１１の
うち構造変更の知識２１１３は、第２５図、第２６図で
説明した制御方策変更用の知識２１１１、機能変更用の
知識２１１２に準じて設けられている。

第２７図には、圧延機の１スタンド分の板厚制御系のブ
ロック線図の一例を示す。圧延機の圧下位置指令Ｓ、は
圧延機システム２００に入力される。圧延機システム２
００は、圧下位置指令Ｓ。

を受け、圧延荷重式等の物理現象に基づき、圧延荷重ｐ
となって現われ、外乱が荷重Ｐに加算され（Δｐ）弾性
係数ブロック２１１で１／に倍され板厚として現われ、
Ｓ駄時間り秒のブロック２２２を介し、板厚検出器から
板厚偏差Δｈとして現われる。板厚偏差Δｈは無駄時間
り秒を含むので。

フィードバックとして荷重計の出力Δｐ′　を検出し、
ロールギャップ指令へ戻すゲージメータＡＧＣブロック
２２３、荷重には測定できない定常偏差が重畳されてい
るので、Ｌ秒後にしか修正できないが、板厚偏差Δｈを
モニタ制御２２４を介し、ロールギャップ指令にフィー
ルドバックする。

このような構成にすると、第２８図（ａ）に示すように
母材外乱が入力されるとＬ秒後に、板厚偏差Δｈが発生
する。ところが、圧下指令であるロール間隔指令が第２
８図（ｂ）のように入力されると板厚が現われ、理想と
する板厚（点線で指示）から定常的な偏差Δｈが現われ
る。

このような状態を例に、本実施例の処理の動きを第２９
図を用い説明する。

圧延機２００の運転条件として、制御装置を含めた系の
タイプが０次系で、設計時の思想はレギュレータ、現在
の運転状態はサーボ系となっている場合、板厚センサ２
０３から実板厚が得られ、特徴抽出機構２０４で、板厚
目標値と実板厚から。

板厚偏差を求め、高速フーリエ変換を施し、特徴量が得
られる。この場合、定常偏差が生じているので直流分が
大きい事をこの図は示している。第２９図の結果を受け
、第３０図に示すように、評価機構２０５は特徴量とし
て、板厚偏差の直流分る振幅ωが、知識ベース２０６で
、振幅がＳｏより大であるならば、問題解決が必要とい
う結論が得られ、問題認知機構１０４が起動され、知識
ベース２０８に前件部で偏差の直流成分が大であると一
致し、後件部が定常偏差大となり、それが前記第１９図
の処理に従い、前件部の定常偏差大で直流分が一定値と
一致し、後件部の次数が１次異なるという結論を得て、
自己組織化設計機構２０９を実行し、第２５図のルール
番号ｌからルール番号２を経て、積分器を追加するとい
う結論を得て、第２７図のブロック２２０の直前に積分
器を置く。

第３１図にロール偏心の発生した場合の等価ブロック線
図を示す。前述の第２７図との相違点は外乱と並列に振
幅がＳ「で周期がωｔのロール偏心が重畳されたことで
ある。第３２図に母材板厚偏差がステップ状に変化した
場合、荷重偏差Δｐは母材板厚偏差と同一位相で変化し
、その結果ロール直下の板厚偏差Δｈ′が変化する模様
を図示する。

一方、ロール偏心が発生し、母材板厚偏差が平坦で、荷
重偏差はロールが上に上がると板に印加される荷重が減
るので下に下がり、それに反し、板厚は、ロールの位置
が上に上がるので、板厚偏差が増加するなど、荷重偏差
とロール直下の板厚偏差Δｈ′の位相が１８０°異なる
。このため。

第３１図等に示すようにゲージメータＡＧＣでは荷重が
減少すると、板厚偏差が減少したと判断しゲージメータ
ＡＧＣ２２３のループは偏差が減少と判断し、指令は小
さくなる。その結果、板厚偏差が増えるとゲージメータ
ＡＧＣは偏差を増加させる方向で制御され、悪影響が発
生する。

その結果、第３３図に示すように圧延機２００が動作し
、第２９図のように特徴抽出機構２０５の出力としての
特徴量の中にロール角速度ωＲと等しい周波数ωＲ戒成
分板厚に発生していることがわかる。

特徴量が抽出されると第３４図に示すように評価機構２
０５に特徴量が入力され、第３０図と同様に評価機構が
動作し、問題認知機構１０４は知識ベース２０８を参照
して、ロールの角速度と板厚角速度が一致し、その振幅
が大であるという前件部と一致し、ロール偏心制御が必
要であるとの結論を得、自己組織化設計機構２０９は第
２６図の知１２１１２を用い、第３５図に示すように板
厚偏差Δｈを入力とし、偏心量を周波数２位相。

振幅で検出する偏心量検出機構２２６．偏心量検出機構
２２６の出力を用い正弦波を発生させる機構２２７．及
び、ゲイン２２８を介し、ロールギャップ指令に印加す
るロール偏心制御部を加える。

更に本発明の他の実施例を示す。第３６図は、本発明を
下水処理プロセス３００の運転管理に適用した実施例で
ある。第３６図を用いて本実施例の全体構成を説明する
。

下水処理プロセス３００の状態はセンサシステム３０３
で計測され、この状態量３０３Ｓが自己組織化機構３０
１に入力される。一方、状態量３０３Ｓは制御装置３０
２と対象モデル生成機構３１０に入力される。対象モデ
ル生成機構３１０は状態ｆｆ１３０３ｓと制御部［３０
２から出力される指令３０２Ｓとを受けて対象プロセス
の数学モデルを自動生成する。他方、自己組織化機構３
０１では、まず状態量３０３Ｓが特徴抽出機構３０４に
入力される。特徴抽出機１１！３０４は状態量３０３Ｓ
を受けると共に特徴抽出用知識ベース３０４にの知識を
利用しながらプロセスの運転状態の特徴を抽出し特徴量
３０４Ｓを出力するユ問題認知機構３０５は特徴量３０
４Ｓを受けると共に問題認知用知識ベース３０５にの知
識を利用しながら認知結果３０５Ｓを出力する。原因同
定機構３０７は認知結果３０５Ｓを受けると共に原因同
定用知識ベース３０７にの知識を利用しながら原因３０
７Ｓを出力する。戦略決定機構３０９は原因３０７Ｓを
受けると共に戦略決定用知識ベース３０９にの知識を利
用しながら戦ｗ８３０９ｓを出力する。また、戦略決定
機構３０９は対象モデル生成機構３１０のモデルを受け
てシミュレータ３１２に送りシミュレーションを行うと
共に、交信手段３１３からオペレータとのコミュニケー
ションにより戦轄決定をサポートする。なお、交信手段
３１３はオペレータとのコミュニケーションを行うもの
で。

前記特徴抽出機構３０４２問題認識機構３０５及び原因
同定機構３０７でも使用される。

制御装置３０２は戦略３０９Ｓを受けて下水処理プロセ
ス３００の制御を実行するための指令３０２Ｓを出力す
る。アクチュエータシステム３１４は下水処理プロセス
３００を制御するための具体的操作端である。

次に１本実施例の詳細な構成と動作を以下に説明する。

まず、下水処理プロセスのフローを以下に説明する。最
初沈殿池３００５には、下水流入管３０２０より沈砂池
（図示省略）を経て下水が流入する。

最初沈殿池３００５では、下水中の挟雑物及び浮遊物質
の一部が重力沈降によって除去される。曝気槽３０１０
には、最初沈殿池３００５から越流した下水と反送汚泥
管３０４０からの返送汚泥が流入する。曝気槽３０１０
では、ブロワ−３０５０から散気装置３０６５により曝
気され酸素が供給されると共に、下水と返送汚泥が混合
撹拌される。

ここで返送汚泥、として返送された活性汚泥は、供給さ
れた空気中の酸素を吸収し、下水中の溶解性有機物を好
気性代謝により分解し、炭酸ガスと水に分解する。除去
された有機物の一部は、活性汚泥の増殖エネルギーに充
てられる。活性汚泥により有機物を除去された下水は最
終沈殿池３０１５に導かれる。最終沈殿池３０１５では
、活性汚泥の重力沈降により、活性汚泥と処理下水とに
固液分離され、処理下水は処理水放流管３０３０を経て
放流される。一方、最終沈殿池３０１５内に沈降した活
性汚泥は、汚泥引き抜き管３０３５から弓き抜かれ、増
殖分は余剰汚泥として余剰汚泥ポンプ３０６０により排
出される。排出されなかった残りの活性？ｒｊ泥は、返
送汚泥として返送汚泥ポンプ３０５５から返送汚泥管３
０４０を通して再び曝気槽３０１０に戻される。

次にセンサシステム３０３について説明する。

流入下水の水質などを計測するために、下水流入管３０
２０には計測器３０７０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＋ＰＨｔ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、ノルフルヘキサン抽出物濃度、シア
ン化合物濃度などである。最初沈殿池３００５にも計測
器３０７５が設置され、計測器３０７０と同様の水質項
目の他に、沈降した汚泥と液との境界すなわち汚泥界面
高さなどが計測される。

曝気槽３０１０には、計測器３０８０と水中カメラなど
の画像情報計測装置３０８５とが設置される。計測器３
０８０では、計測器３０７０と同様の水質項目の他に、
溶存酸素濃度などが計測される。画像情報計測装置３０
８５では、曝気槽３０１０中の活性汚泥の分布や色、活
性汚泥を構成する凝集性微生物（フロック）の大きさや
、糸状性微生物および原生動物の形や量を計測する。

最終沈殿池３０１５には計測器３０９０と画像情報計１
ｌｌＩ１１装置９５とが設置される。計測器３０９０で
は計測器３０７０と同様な水質項目の他に汚泥界面高さ
などが計測される０画像情報計測装置　３０９５では画
像情報計測装置３０８５と同様な計測項目の他に、最終
沈殿池３０１５の水面上に疎水性の微生物膜（スカム）
の存在の有無などを計測する。

また、処理水放流管３０３０には、計測器３１００が設
置され、処理水について計測器と同様な水質項目が計測
される。これらセンサシステム３０３でオンライン計測
された量が状態量３０３Ｓである。

一方、下記（１）〜（３）についてはＣＲＴ及びキーボ
ードなどからなる交信手段３１３を参照しながら対話的
に行われる。

（１）オンライン計測が出来ない手分析データ（２）画
像情報計測機器による計測が出来ない（オペレータの五
感に基づく観察によってしか得られない）データ （３）支援システムが特に必要と認めたデータなお、こ
の交信手段３１３は、必要に応じて画像情報計ｉｌｌ’
］装置３０８５．３０９５からの映像を映すモニターも
兼ねる。また、交信手段３１３は制御目標値及び操作量
の変更をオペレータとの交信によって行う時に使用する
。。

次に、本実施例の自己組織化機構３０１の具体的な動作
の概要（詳細は後述する）を第３６図を使って説明する
。

データベース３２４ｏは、状態量３０３Ｓの全てのデー
タを構造化して保存する。また、交信手段３１３からの
入力データと以下で説明する各機構での実行結果も必要
に応じてデータベース３２４゜に保存する６ 特徴量抽出機構３０４は状態量３０１ｓの信号を受ける
。ここで、特徴量抽出機構３０４は特徴抽出に必要な知
識を知識ベース３０４にの中から利用する。特徴抽出用
知識ベース３０４にの知識だけでは特徴抽出が困難な場
合には、交信手段３１３を通してオペレータにデータ入
力を要求し、交信手段３１３からの入力を受ける、特徴
量抽出機構３０４はこれらの数値データ（状態量３０１
　Ｓ　）と知識（特徴抽出用知識ベース３０４にの知識
とオペレータにより入力された知識など）に基づき、プ
ロセス運転状態の特徴量３０４Ｓを抽出する。

抽出結果は交信手段３１３に表示すると共に特徴量３０
４Ｓを問題認知機構３０５へ送る。

問題認知機構３０５では特徴ｊ１３０４ｓを受けて、プ
ロセスの運転状況に問題があるか否かを認知する。この
ために、間Ｍ認知に必要な知識を問題認知用知識ベース
３０５にの中から利用する。

間Ｍ認知用知識ベース３０５にの知識だけでは問題認知
が困難な場合には、交信手段３１３を通してオペレータ
にデータ入力を要求し、交信手段３１３からの入力を受
ける。また、問題の認知のために過去の状態量３０３Ｓ
の履歴を比較する。

すなわち状態１３０１ｓを参照し、その変化パターンが
過去に起こっていないかどうかを、データベース３２４
０内で検索する９もし、その変化ノくターンが過去に起
こっており、かつそのときの運転の特徴が「異常」に相
当するか否かを判定する。

「異常」と認知された場合には、「異常」の問題のタイ
プを記号又は数値に変換して認知結果３０５Ｓとして出
力する。

原因同定機ａ　３０７は認知結果３０５Ｓを受けて問題
の原因を同定する。原因の同定に必要な知識を原因同定
用知識ベース３０７にの中から利用する。原因同定用知
識ベース３０７にの知識だけでは問題認知が困難な場合
には、交信手段３１３を通してオペレータにデータ入力
を要求し、交信手段３１３からの入力を受ける。原因同
定機構３０７ではこれらの結果に基づいて異常の原因を
同定し、原因３０７Ｓの信号を出力する。また、必要１
；応じて交信手段３１３を通じてオペレータにガイダン
ス表示する。

蝕略決定機構３０９は原因の信号３０７Ｓを受けて（１
）プロセスを制御するための戦１１１８（または制御方
式）を決定して制御装置３０２に信号を出力するか、ま
たは、（２）システム構造変化に対応する戦略決定を土
に行う、これら戦略の決定に必要な知識を戦略決定用知
識ベース３０９にの中から利用する６戦略決定用知識ベ
ース３０９にの知識だけでは戦略の決定が回船な場合に
は、交信手段３１３を通してオペレータにデータ入力を
要求し、交（３手段３１３からの入力を受ける。

（１）では、原因同定機構３０７から出力された原因の
信誇３０７Ｓを受けて、行うべき制御の戦略や方式を決
定する。特に、プロセスの゛拡張や変更に応じて柔軟に
戦略を決定する。例えば、浮遊物濃度制御（ＭＬＳＳ制
御）、溶存酸素濃度制御（Ｄｏ量制御、汚泥日令制御（
ＳＲＴ制御）、総汚泥量制御、汚泥膨化（バルキング）
抑制制御。

硝化制御、ＤＯ分布制御、有機物負荷制御などの方式選
択を行う。これを達成するために、対象モデル生成機構
３１０で得たモデルを用いてシミュレータ３１２を利用
する。

（２）では、サブシステムの統合拡張に対応するための
制御戦略決定を行う。

対象モデル生成機構３１０は、状態量３０３ｓと指令３
０２Ｓとに基づき、対象のモデルや制御モデルをニュー
ラルネットの方法で自動生成する。

また、シミュレータ３１２は対象モデル生成機構３１０
で生成されたモデル、あるいは公知の物理モデルによる
シミュレーションを実行する。

制御装置１３０２は戦略決定機構３０９の信号を受けて
指令３０２Ｓをアクチュエータシステム３１４に出力し
て下水処理システムを制御する。

次に、各機構の詳細な動作を第３７図以降により順に説
明する。なお、実線は実行順序の流れを、点線はデータ
の流れを示す。

まず、特徴量油出機構３０４の具体的手順を第３７図を
用いて説明する。特徴量抽出機構３０４が起動されると
、まず入力データ設定工程３１２２を行う。この工程で
は、特徴量抽出機構３０４に入力するデータの種類と各
データの入力モードを選択する。ここで、入力モードと
は、（１）オフラインで日平均値を入力、（２）オフラ
インである時刻の原データを入力、（３）オンラインの
一定時間間隔でデータの読み込み、という３つの入力方
法を指す、これらの工程は、変更が生じた場合に再実行
する。

数値データ入カニ程３１２３では、入力データ設定工程
３１２２で設定されたデータのうち数値データについて
、各々の入力モードによってデータベース３２４０から
読みこむか、または交信手段３１３から入力を行う。

非数値データ入カニ程３１２４では、交信手段３１３か
ら、オペレータのプロセスＷＡ？１によって得られた非
数値のデータの入力を行う。例えば、画像計測装置３０
８５．３０９５などが設置されていない場合には、汚泥
の性状、糸状性微生物や原生動物の種類などのデータを
読み込む。

データ評価工程３１２５では、数値データ入カニ程３１
２４で入力されたデータについて、それぞれの値がどの
ようなレベルにあるかを評価する。

この評価は、特徴抽出用知識ベース３０４Ｋに保存され
たデータ評価基準値との比較により行う。

この手順を第３８図で説明する。まず、法律で規制値が
定められているデータ項目については、緊急検出工程３
１２６において、データが「緊急」を要する値であるか
どうかを評価する９本実施例では、放流水について、下
水道法第８条の規準値を用いる。ここで緊急と判断され
ない場合には、異常検出工程３１２７により、データが
「異常」な値であるかどうかを評価する。評価には、オ
ペレータの経験に基づく基準値を用いる。ここで異常と
判断されない場合には、注意検出工程３１２８により、
データが「注意」を要するデータであるかどうかを評価
する。評価には、過去の履歴データから確率・統計的に
求めた基準値を用いる。この工程で、「注意」を要する
とみなされなかった場合には、このデータは正常である
と判断する。データ評価の結果は、交信手段３１３にガ
イダンスとして表示して、オペレータに報知する。ここ
で。

異常検出工程３１２７と注意検出工程３１２８に用いる
基準値（Ｓｖと記す）は、特徴抽出用知識ベース３０４
Ｋに保存された変動補正値（各データ項目ごとの典型的
な年間変動Ｒｙ、日間変動Ｒ６のパターンを変動比率で
表現した値）を乗じて使用することを特徴とする。つま
り１ｍ月ｄ口り時のデータ値りの判断は、式（１）を満
たすかどうかによって行う。

Ｄ≧Ｒｙ（ｍ、ｄ）・Ｒ，（ｈ）・Ｓｖ　　　−（１）
このような３つの検出工程とすることにより、きめの細
かいデータ判断が可能になる。また、オペレータの経験
のみに依存することなく、異なる知識源を利用すること
ができる。

下水処理プロセスに設置されている各計測器は、＠繁に
メンテナンスを行わないと、利用可能な精度を維持出来
ないものが多い。そのため、データ評価工程３１２５で
「緊急」、または「異常」と判断したデータのうち、第
３６図に示した計測器３０７０．３０７５，３０８０．
３０９０．３］００などで計測されたオンラインデータ
については、そのデータを計測した計測器の不備・故障
に起因して「緊急」、「異常」と判断される場合も存在
する。特徴量抽出Ｖ＆ｖＩ３０４は、計測器の不備・故
障の場合、そのデータを使用しないための手段を持つ必
要がある。計測器チェックエ＋Ｗ３１２５では、このよ
うな計測器の不備・故障をオペレータと同様の思考過程
で検出する。この工程の手順を第３９図を用いて説明す
る。まず、偏差比較工程３１２６では、データが通常の
平均値からどの程度外れているかをチエツクする。この
偏差がプロセス内の現象として起こりえない程明らかに
大きいデータの場合、計測器の不備・故障と判断する。

変動強度比較工程３１２７では、データの変動の仕方が
不備・故障時の特有なものかどうかをチエツクする。計
測器の不備・故障時の変動パターンには、第４０図（ａ
）のように完全に変動がなくなる場合や、第４０図（ｂ
）のように、変動が極端に過度な場合がある。これらの
変動は、変動係数の判定値■、（＝標準偏差／平均値）
によって評価する。この工程では、現在から一定時間後
までの複数のデータにより、変動係数の実測値Ｖ、を求
め、前記ｖｔとの比較を行う。つまり、式（２）を満た
す場合には、計測器の不備・故障と判断する。

Ｖａ＝Ｏ，Ｏｏｒ　　Ｖｄ≧ａ　　　　　　　−（２）
このαの値は、各計測器ごとに異なり、例えば、ＭＬＳ
Ｓ計では０．１　程度である。変動速度比較工程３１２
８では、データの変化速度を求め、計測器の不備・故障
時に特有の変化速度■＊かどうかをチエツクする。ここ
でいうデータの変化速度Ｖは、第４１図のようにデータ
の立ち上がりからピークまでの偏差ｄと変化時間Δｔを
用いて、式（３）のように定義し、式（４）を満たす時
、計測器のｖ＝ｄ／Δｔ　　　　　　　　　　　　・・
・（３）Ｖ≧Ｖ本　　　　　　　　　　　　　　・・・
（４）不備、または故障と判断する。併発事象確認工程
３１２９では、あるデータが異常な値である時に、いつ
も決まって同時に異常を示すデータ（併発事象）が、異
常を示しているかどうかをチエツクする。例えば、硝化
によって第１図の曝気槽３０１０のＰＨが低下している
ときは、決まって最終沈殿池３０１５のｐＨが低下する
。従って、もし曝気槽３０１０のｐＨが異常に低い値を
示していても、最終沈殿池３０１５のｐＨも同時に低い
値を示していれば、曝気槽３０１０のｐＨ計の不備・故
障に起因する異常値でないと判断する。

上記３１２６，３１２７．３１２８の工程を順に実行し
、交信手段３１３を通して結果をオペレータにガイダン
スする。途中の工程で計測器の不備・故障が確認されれ
ば、以降の工程は省酩される。また、各工程に必要な知
識は、特徴抽出用知識ベース３０４Ｋに保存し、そこか
ら必要に応じて参照する計測器チエツク工程３１２５の
各工程は、オペレータが行う思考過程を明確に手順化し
たものであるから、オペレータと同様の故障検出能力を
再現でき、また実行内容もオペレータにとって理解し易
い。

次に、第３７図の定性化工程３１４５を説明する。ここ
では、数値データをファジィ論理（詳細は、西国、竹田
、、（１９７８）数学ライブラリ４８フアジイ集合とそ
の応用、森北出版、などの文献を参照）のメンバシップ
関数を用いて、定性的データに変換し、次の前向き推論
工程３１５５に送る。第４２図に示すメンバシップ関数
の例で。

ＭＬＳＳが２０００（ｍｇ／Ｑ）の場合には、「０．８
の度合いでＭＬＳＳが高い」という定性的データに変換
する。メンバシップ関数は、この他、「普通」、「低い
」などについても定義し、特徴抽出出用知識ベース３０
４Ｋに保存する。

このように数値データを定性的データに変換するのは、
オペレータが状況を判断するときには、データの数値そ
のものではなく、データ値が「いつもより高い」とか「
いつもと同じくらい」というような定性的な度合いとし
て判断していることに対応させるためである。

特徴量抽出機構３０４の最終工程は、前向き推論工程３
１５５であり、２つの推論機構を組み合わせている。第
１推論機構では、入力されたデータから新たに導かれる
すべての事象（結論）を求めるための推論を行う。また
、第２推論機構では、入力データと第１推論機構で新た
に導かれた事象との両方を用いて、プロセスの特徴を抽
出する。

このように推論機構を分けることにより、推論内容がオ
ペレータにとって分かりやすくなり、しかもそれぞれの
推論機構が参照するルールを明確に限定できるので、推
論の効率が向上する。

ここで用いる前向き推論のアルゴリズムは公知技術（詳
細はＷｉｎｓｔｏｎ　Ｐ、Ｈ，（１９７７）　Ａｒｔｉ
ｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ、　Ａｄｄｉｓ
ｏｎ　Ｗｅｓｌｅｙなどを参照されたい）を用いる。こ
の工程では、非数値データ入カニ程３１２４と定性化工
程３１４５から得られたデータに基づいて、現在のプロ
セスの運転の特徴を抽出するための前向き推論を実行す
る。この工程の推論で使用するルールは、１ｆ−ｔｈｅ
ｎ形式であるが、特徴抽出用知識ベース３０４Ｋに保存
する時の形式はｉｆ　−ｔｈｅｎ形式以外（例えば、Ｆ
ｒａｍｅ形式）でも良く、実行時に形式の変換を行う０
以上が特徴量抽出機構３０４の動作である。この機構か
らの特徴量抽出結果は、問題認知機構３０５に送られる
が、必要に応じて数値データ入カニ程３１２３に戻る。

問題認知機構３０５では特徴量３０４Ｓを受けて、２つ
の処理を実行する。第１の処理では、まず、特徴量３０
４Ｓの値とあらかじめ決められた値とを比較して偏差の
正負（または大小）から問題の有無を決定する。この際
には、さらに問題認知用知識ベース３０５にの中の知識
ベースを用いて問題を推論して認知し、認知結果３０５
Ｓとして出力する。

第２の処理では、問題の認知のために過去の状態量３０
３Ｓの履歴を比較する。この工程を第４３図に示す。ま
ず履歴比較工程３３２５において、第４４図（ａ）に示
すようむある時刻の各データ項目の値の組み合わせ、ま
たは第４４図（ｂ）に示すような、あるデータ項目のト
レンド傾向（両者をデータパターンという）が過去に起
こっていないかどうかを判定する０判定部３３２６で、
現時点（時刻Ｔｆｌ）のデータパターンが履歴データ中
の過去（時刻Ｔｏ）のデータパターンと類似と判断され
た場合は、次の履歴検索工程３３３０で、時刻Ｔｏ前後
の運転状況を検索し、交信手段３１３を通してガイダン
ス表示をする。時刻ＴＯ前後の運転履歴は、今後（時刻
Ｔ１以降）の運転状況の推移を予測するのに有力な情報
となる。履歴比較工程３３２５では、ニューラルネット
を応用した履歴データの学習による方法（後で詳述する
）を適用する。ニューラルネットは５学習したパターン
（過去のデータパターン）及びその類似のパターンを検
出することが可能であるので、入力されたデータパター
ンが過去に起ったことがあるかどうかを判定できる。こ
の第２の処理により、明確にルール化されていない過去
の履歴データも有効に利用できる。運転の特徴が「異常
」と認知された場合には、「異常」の問題のタイプを記
号又は数値に変換して認知結果３０５Ｓとして出力する
。認知結果にプロセス運転状況に異常が認められた場合
には、原因同定機構３０７が起動される。

原因同定機構３０７の動作を第４５図で説明する。原因
同定機構３０７が起動されると、まず後向き推論工程３
１６２を行う。この工程では、特徴量抽出機構３０４で
可能性ありと判断された問題の原因、例えば、糸状性バ
ルキング、スカム発生、汚泥の腐敗、硝化などについて
、優先順位の高い（メンバシップ値の大きい）順に後向
き推論を行い、どの原因が本当に確からしいかを決定す
る。

なお、ここで使用する後向き推論のアルゴリズムは、前
向き推論と同様に公知技術である。後向き推論に使用す
るルールは、原因同定用知識ベース３０７Ｋに保存し、
必要に応じて参照する。また、必要なデータは、まずデ
ータベース３２４０にあるかどうかを検索し、あればそ
こから読み込む。

データベース３２４０内で必要なデータが見つからない
場合には、交信手段３１３を通してオペレータに入力を
促し、交信手段３１３からデータを入力する。後向き推
論工程３１６２の推論結果は。

次の判定部３１６３に送り、ここで、本当に確からしい
と判断した原因がなければ、原因同定機構３０７を終了
し、それ以外の場合には、次の詳細データ収集工程３１
６４を実行する。ここでは、判定部３１６３で確からし
いと判断された原因に関する詳細なデータを収集する。

このデータは、以降の工程で原因や対策を決定するため
に用いる。

次に、原因決定推論工程３１６５を行う。この工程では
、後向き推論により、現在の運転状況を引き起こしてい
る原因を導く。ここで、後ろ向き推論工程３１６２と原
因決定推論工程とを分離していることにより、推論内容
と参照すべきルールが明確になる利点が得られる。

推論結果は交信手段３１３を通して、オペレータにガイ
ダンスする。ここで使用するルールは、原因同定用知識
ベース３０７Ｋに保存する。

原因同定機構３０７の最終工程は、説明機能３１６６で
ある。ここでは、メニュ一方式によりオペレータの要求
に応じて、（１）現在の運転状況を引き起こしている原
因、（２）現在の運転状況への対応策、（３）推論され
た運転状況を導くに至った根拠を交信手段３１３に表示
する。特に（２）でガイダンスする対応策は戦略決定機
構３０９を経て制御装置３０２へ送られ、指令３０２Ｓ
に変換された後、アクチュエータシステム３１４の操作
条件を変更する。

なお、原因同定機構３０７の全ての実行結果及びデータ
は、必要に応じてデータベース３２４０に保存し、運転
履歴と共に活用する。この機構のフローのように推論工
程を目的別に分割することにより、処理手順と必要知識
がシステム作成者、及びそれを使用するオペレータにと
って分かりやすくなっている。

戦略決定機構３０９の説明に先立ち、対象モデル生成機
構３１０の構成と動作を以下に詳細に説明する。

対象モデル生成機構３１０に入力される量は状態１３０
３ｓと指令３０２Ｓであり、出力は対象プロセスのモデ
ル３１０Ｓである。対象モデル生成機構３１０では、状
態量３０３Ｓ、指令３０２Ｓ及びニューラルネットワー
ク（神経回路網）を用いて対象モデルを自動生成する。

なお、特徴量３０４Ｓは状態量３０３Ｓから抽出された
物理量であるから本質的には状態量３０３Ｓと変わらな
い。したがって特徴量３０４Ｓは状態：１３０３Ｓに含
まれるものとして扱い、本実施例では説明を省酩する。

ニューラルネットワークの特徴は制御目的に応じて状態
量３０３Ｓ、指令３０２Ｓを選定することにより目的に
合致した戦略を決定できるようにしたことである。状態
量３０３Ｓと指令３０２Ｓの設定は戦略設定機構３０９
で行う。ここで、状態量３０３Ｓは計測器３０７５，３
０８０゜３０８５．３０９０，３０９５で計測した量で
ある。

対象モデルの自動生成方法を第４６図を用いて説明する
。第４６図に示す構成をニューラルネットワーク（神経
回路網）と称する。まず、記号を説明する。第４６図で
は○はニュー０ン素子モデル３７０１であり、Ｏと○と
を連結する実線３７０２はニューロン素子モデル３７０
１間の情報のやりとりがあることを示す。ニューラルネ
ットは入力層３７１０と中間Ｊ１３７２０と出力１９３
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３７２０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。

入力層３７１０には状態量３０３Ｓを入力させ、出力層
３７３０には指令３０２Ｓを選定する。この選定につい
て説明する。まず、出力Ｎ３７３０には目的とする制御
変数（指令３０２Ｓ）を付与する。入力層３７１０には
制御に影響する因子（状態量３０３Ｓ）を設定する。

状態ｊｔ３０３Ｓの値をＹＩと表わすことにする。

また、時刻ｔｌにおける変数値Ｙｌのとる集合をパター
ン１としてＰ　Ｌ（Ｙ　ｌ（ｔ　ｔＬ　Ｙ　２（ｔ　Ｉ
Ｌ・・・Ｙ−（ｔ＋））と表わす。略記する場合には、
Ｐ　＋（ｔ　ｔ）と表わす。まず、異なる時間での各々
のパターンＰｚ（ｔ　ｔ）、　Ｐｚ（ｔ　２．）ｌ　’
・’をニューラルネットに学習させる。これらのパター
ンはデータベース３２４０に格納されている。まず、入
力［３７１０の各ニューロン素子モデルには前述したパ
ターンＰＩ　（ｔ＋　）をデータベース３２４０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
になるように設定するのが好ましい。他方、出力ｆｉ３
７３０の各ニューロン素子モデルには、前述したように
指令３０２Ｓを設定する。

ここで、ニューロン素子モデル３７０１の基本演算につ
いて第４７図を用いて説明していく。ここでは、ｎ個の
状態量の値をＹ１〜Ｙｎとする。まず、Ｙｌ〜Ｙ、の設
定法について説明する。Ｙｌ〜Ｙｎは、過去のある時刻
における状態量の値であるが、この時刻はオペレータが
選択する場合と自動的に選択する場合がある５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
るような状態量のパターンや、後日参考にしたい異常時
のパターンである。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５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
けるパターンであり、複数のパターンを繰返し学習させ
る。これにより、オペレータが持つ対象システムのメン
タルモデルに匹敵するネットワークモデルをニューラル
ネットが身につける。オペレータとの交信は交信手段３
１３により行う。

他方、自動的番こ行う場合には、事前に状１ａ量３０３
Ｓ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。また、目的に応じて別々のニ
ューラルネット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。

ニューラルネットワークでの基本的な計算方法を下に説
明する。まず、設定された値Ｙ１〜Ｙ、の各々に重み係
数Ｗ、を乗じ、さらにこれらを加算する演算（積和演算
）が（５）式で計算される。

ここで、ｙｔ（ｉ）：入力Ｍ（第１層）の値、Ｗ　Ｊ　
１（２←１）：入力Ｎ（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２１）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３７０１では、ＺＪ（２）の大小
に応じてここでの出力値が（６）式で計算される。

Ｙａ（２）＝１／（１−ｅ−”’）　　　　−、・（６
）（６）式の計算内容は第４８図のような関係である。

計算（ｌＩＹａ（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。

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。前述した値Ｙｌ（１）は第４６図の入力
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Ｙ。

（１）と重み係数Ｗ□（２←ｌ）との積和Ｚ、（２）を
（５）式で計算し、この大小に応じて出力層への出力値
ＹＪ（２）を（６）式で決定する６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１
！ｌ（第３層）との重み係数Ｗ　Ｊ　１　（３←２）と
の積和Ｚ、（３）を（７）式で計算する。

ＺＪ（３）＝Σ　Ｗ　Ｊ　ｌ　（３←２）・Ｙ　ｉ（２
）　　　・・・（７）ｌ ここで、Ｙｌ（２）：中間層（第２層）の値、Ｗ□（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
、ｚ、（３）：中間層（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、（３）の大小に応じて出力１３７３０への
出力値ＹＪ（３）を（８）式で計算する。

Ｙ、（３）＝　１　／　（］　−ｅ　−Ｚｊ（”）　　
　　　−（８）このようにして、出力層の計算値Ｙ　Ｊ
（３）が得られる。

ニューラルネットでの学習を実行するには、出力［３７
３０の後に、さらに比較層７４０と教師信号ＪＰｊ７５
０とを設け、出力層３７３０の信号３７３０ｇと教師信
号層７５０の教師信号７５０Ｓとが比較層７４０にはい
り、ここで出力信号３７３０８と教師信号７５０Ｓとが
比較される。

この偏差が小さくなるように、重み係数Ｗ、ｌ（３←２
）及びＷｏ（２←１）の大きさを修正する。この修正値
を用いて再度、　（５）−（８）式の計算並びに教師信
号との比較を行うと同様に偏差がでてくる。

この偏差に基づいて再度重み係数Ｗ１（３←２）及びｗ
ｒ＋（２←１）の大きさを修正する。このようにして重
み係数Ｗ　Ｊ　Ｉを繰返し修正していき、偏差が十分小
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）与えられるので、偏差は当然大きいが、出力
信号値は次第に教師信号値に近づいてい＜、シたがって
、入力層３７１ｏの状態量３０３Ｓの値Ｙｉから出力層
３７３０の指令３０２Ｓの値ＹＪをいかに決定されたか
が、重み係数ＷＪＩの分布に反映していく。

このように偏差を修正していく方法は誤差逆伝搬法とよ
ばれ、Ｒｕｎｉｍｅｌｈａｒｔらによって考案された公
知技術を利用する。詳細は文献（ＰａｒａｌｌｅｌｌＤ
ｉｓｔｒｉｂｕｔｅｄ　Ｐｒｏｃｅｓｓｉｎｇ、　Ｍ　
Ｉ　Ｔ　Ｐｒｅｓｓ、Ｖｏ　Ｑ　、　１　。

（１９８６））を参照されたい。

このような、学習そのものは公知であるが１本発明は、
特に異なる時刻における状態量３０３Ｓ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。これによ
りオペレータの過去の経験に匹敵する対象モデルにュー
ラルネットの重み係数Ｗ　Ｊ　Ｉの分布）として自動生
成されていく。しかも５対象モデルは状態量３０３Ｓと
指令３０２Ｓの設定によって自由に変更することができ
るので、目的の制御戦略に応じて学習を行い、新しいモ
デルを自動生成する。

次に、戦略決定機構３０９を第４９図を用いて説明する
。前段の原因同定機構３０７では原因が推論あるいは同
定されているので、可能性の有る原因に対応じた対策が
必要になる。そこで、戦略決定機構３０９では主として
この対策を行う。戦略決定機構３０９は大きく分けて以
下の５つの主メニューからなる。

（ｉ）　　制御方式決定機能３２０５ （ｉｉ）　　関連知識の検索・表示機能３２１゜（旬）
演算機能３２２０ （ｉｖ）　　運転履歴データ検索・表示機能３２３゜（
Ｖ）　　構造変化機構 構成を第４９図に示し、以下に順次説明する。

戦略決定を行うに当っては、（ｉ）制御方式決定あるい
は（Ｖ）構造変化を行うために（ｔ）〜（ｉｖ）が利用
される。また必要に応じて交信手段３１３を通した対話
により（ｉ）〜（ｖ）を支援する。制御方式決定機能３
２０５はシミュレータ３１２の結果を参照して制御方式
を決定する。（ｉ）〜（ｖ）の説明に先立ちシミュレー
タ３１２を説明する。

シミュレータ３１２で使用する数学モデルは、（１）対
象モデル生成機構３１０で自動生成されたモデル （２）汚泥の物質収支に関するモデル （３）硝化に関するモデル （４）微生物反応に関するモデル （５）処理下水の流下特性に関するモデル（６）汚泥の
沈降特性に関するモデル などである。これらのモデルは、シミュレータ３１２内
に保存し、必要に応じて追加・修正を行う。（２）〜（
６）は公知の数学モデルを使用する。

（１）自動生成モデルは制御を行った時の結果を予測し
たり制御の目標値の設定あるいは制御そのものを実行す
るためのモデルである。ここで（２）〜（６）ではプロ
セスに関する数学モデルによりシミュレーションを行う
（１）では状態量３０３Ｓと指令３２０８との関係を学
習したモデルであり、状況に応じて自己成長するタイプ
のモデルである。

例えば、プロセス状態量に基づいて定量的な運転管理指
針（−例としては制御目標値）をガイダンスする。

このような制御あるいはガイダンスの実行方法を以下に
説明する。原因同定機構３０７で同定された原因３０７
Ｓに基づいて、制御方式決定機能３２０５は制御すべき
指令３０３　Ｓの項目を推論する。このために、戦略決
定用知識ベース３０９Ｋにあるルールベースを利用する
。このルールベースは、予め原因に対応じて指令３０２
Ｓの項目を選択するためのものである。さらに、原因と
指令３０２Ｓの項目に対応じた状態量３０３Ｓを推論す
る。この状態量３０３Ｓと指令３０２Ｓとを制御方式決
定機能３２０５から対象モデル生成機構３１０へ知らせ
、データベース３２４０に基づいて対象のモデルを自動
生成する。対象モデル生成機構３１０は任意の数の状態
量３０３Ｓと任意の数の指令３０２Ｓとについてのモデ
ルを自動生成でき、しかも状態量３０３Ｓと指令３０２
Ｓとを如何に選ぶかは自由であるので、新たな状況変化
や新たな状態量３０３Ｓの追加または削除に対して柔軟
に対応できる。この対応は自己組織化的に行われる。

このように、対象モデル生成機構３１０では状態量３０
３Ｓと指令３０２Ｓとの過去の履歴を学習したモデルを
自動生成することができるので、このモデルにより制御
目標値や操作条件の自動設定を行うことができる。前述
したように、第４６図に示したニューラルネットには過
去の経験が重み係数Ｗ　Ｉ　Ｊの値の分布に付与されて
いる。そこで、現時刻の状態量３０３Ｓの値Ｙ、を入力
層に入力することにより、予め学習によって決められた
重み係数Ｗ　Ｉ　Ｊを用いた計算により出力層に指令値
３０２Ｓが出力される。本実施例ではこの計算を「想起
」という。このようにして想起により、指令値３０２Ｓ
を制御装置３０２に出力することができる。

次に、（ｉｉ）〜（ｉｖ）の機能を説明する。（ｉｉ）
〜（ｉｖ）の機能は、戦略決定を支援するためのもので
ある。まず、関連知識の検索・表示機能３２１０は、下
水処理プロセスの運転管理において必要な各種のマニュ
アル、文献などをオペレータが必要なときに適切な形式
で表示する機能である。この機能は、（１）各データ項
目に関する詳細な内容表示機能、（２）各運転状況に関
する詳細な解説・原因・対策の表示機能、（３）日常の
維持管理業務のためのマニュアル表示機能、の３つのメ
ニューから成る。これらの作業にはデータベース３２４
０を利用する。

（用）演算機能３２２０は、自己組織化機構３０１に関
与する知識ベース３０４に、３０５Ｋ。

３０７に、３０９にのルール作成に必要な各種演算のた
めの機能を提供する。この機能は、（４）汚泥体積指標
（ＳＶＩ）、汚泥滞留時間（ＳＲＴ）などのように、い
くつかのデータから演算して求めるデータ項目の算出機
能、（５）データ評価工程３１２５で使用する年間変動
成分Ｒｙの算出機能、（６）定性化工程３１４５で使用
するメンバシップ関数の定義を行うための機能の３つの
メニューから成る。

（ｉｖ）運転履歴データ検索・表示機能３２３０は、（
７）指定日時の運転ＨＨデータ検索表示機能、（８）指
令日時前後のデータの変動傾向のグラフィック表示機能
、（９）指定した運転状態が起こった日時とそのときの
各データ値の検索・表示機能の３つのメニューから成る
。これらの作業にはデータベース３２４０を利用する。

（Ｖ）構造変化機構では、（１）対象システムの物理的
構造が変化した場合、（２）対象システムをサブシステ
ムに分割あるいは他のシステムとの統合が行われた場合
、などに新たに対応する機能である。（１）に対応する
ためには（ｉ）と同様対象モデル生成機構３１０を利用
して、物理構造が変更された場合に対応する新たなモデ
ルを自動生成することにより制御戦略を決定する。一方
、（２）に対応するためには戦略決定用知識ベース３０
９Ｋに予め記憶されたサブシステム分割統合ルールを駆
動させ、原因３０７Ｓに対応じたサブシステムの分割統
合を行う。この操作が終了したら、（ｉ）制御方式決定
機能３２０５を駒動させ、指令３０２Ｓを出力する。

以上に本実施例の詳細な動作を示した。本実施例では、
下水処理プロセス制御のために、特徴抽出→問題認知→
原因同定→対象モデル生成→戦略決定による問題解決を
行うことができる。このため、新たな問題発生に対応じ
てそのモデルを自動生成して解決戦略を自動設定するこ
とができる。

したがって、システムの拡張や方式変更により、制御シ
ステムをリプレースする必要がなく、しかも制御システ
ムが自己成長する機能を有する。

このような本発明の効果は、下水処理プロセスに適用し
た場合に限ったものではなく、プロセス状況の監視と判
断が必要なプロセス全般について適用可能である。

更に、本発明の他の実施例を第５０図により説明する。

システムは、交信手段４１０と複数個のサブシステム４
１１とから構成される。システムは、入出力インタフェ
ース４１２を介して、外部との情報のやりとりが可能で
ある。それぞれのサブシステムには、他のサブシステム
や外部との協調をとるための協調機構４１３と、サブシ
ステムの機能を果たすためのアプリケーションプログラ
ム４１４゜データベース４１５がある。また、自己組織
化を行うための問題認識機構４１６．自己組織化設計機
構４１７．自己組織化実行機構４１８を備えている。

自己組織化設計機構４１７には、第５１図に示すように
、自己組織化方法決定部４２０２問題解決案作戊部４２
１．実現可能性判定部４２２９問題解決案評価都々２３
９問題解決協調部４２４がある。

このシステムを電力系統の監視システムに応用し、系統
構成の変更に対応じて事故復旧サブシステムのデータベ
ースを変更する例について説明する。

電力系統の監視制御システムには、系統監視。

操作、記録など様々な機能があり、それぞれの機能を個
々のサブシステム４１１が実行している。

事故復旧はその中の一つで、事故発生時の復旧手順を作
成するものである。復旧手順は、系統構成に依存するた
め、系統構成が変化すれば当然手順も変わる。そこで、
スイッチの開閉など常時の変更に対しては、それを考慮
して手順を作成する。

本実施例では、送電線の新設など恒久的な構成変更に対
しても、自己組織化機能により、対応するデータを自動
的に変更する。

入出力インタフェース４１２を介して、例えば、送電線
Ａが系統に追加されたことに関する情報が入力されたと
する。事故復旧サブシステム４１１の協調機構４１３は
、交信手段４１０を介してその情報を取り込み、送電線
Ａの追加に対応することを目標のひとつとして解釈する
。そして、自己組織化機能により、自らのデータベース
の内容を変更して、その目標を達成する。

第５２図は、自己組織化の手順を示したものである。以
下、この図に従って説明する。

まず、問題認識機構４１６が、自己組織化すべき問題が
発生しているかどうかを判定する（４３０）。

この場合、送電線Ａの追加に対応するという目標をまだ
達成していないことから、自己組織化すべきと判定し、
問題の種類として「系統構成の変更」を、問題の内容と
して「送電線Ａの追加Ｊを自己組織化設計機構４１７に
送る。

問題解決案作成部４２１は、問題を解決するための方法
の案を作成する（４３１）。この場合、問題解決案作成
部４２１が持つ知識、 「系統構成の変更に対しては、系統構成を記述するデー
タベースを変更する。」 を利用して、「系統構成を記述するデータベースを変更
する」という解決案を作成する。

次に、実現可能性判定部４２２が、解決案が実現可能か
どうかを判定する（４３２）。この場合、協調機構４１
３を介して、自己組織化実行機構４１８がデータベース
の変更手段を持っているかどうかを調べ、持っているの
で可能と判断する。

実現可能な案があれば、問題解決案評価部４２３が解決
案を評価しく４３３）、問題解決協調部４２４が他のサ
ブシステムの解決案との調整を行い（４３４）、自己組
織化方法決定部４２０が最終的な解決方法を決定する（
４３５）、この場合、解決案は一つしかなく、他のサブ
システムとの関係もないので簡単に決定できる。

次に、自己組織化実行機構４１８が、解決方法を実行す
る（４３６）。この場合、データベース４１５内の系統
構成に関する部分を取り出し、送電線Ａの追加に相当す
る部分を変更して、データベース４１５内に格納する。

送ｆｔＭＡの追加に関して、どの変電所のどの母線にど
う接続されるかといった詳細な情報が交信手段４１０を
介して協調機構４１３に取り込まれており、データベー
ス変更の際には、それらの詳細情報を用いる。データベ
ースの変更が完了したら、問題が解決したことを協ＭＡ
機構４１３に知らせる。

本実施例によれば、送電線の追加などの電力系統の恒久
的な構成変更の際に、変更に関する情報を入力するだけ
でよく、対応するデータベースを修正する必要がないと
いう効果がある。

次に、本発明を電力系統の監視制御システムに応用し、
系統の状態変化に対応じて、周波数の分散制御における
系統の分割を変更する例について説明する。

電力系統の周波数制御は、変動する電力需要に対して周
波数が常に一定になるよう発電機の出力を調整するもの
である。大規模な系統の場合、系統をいつくかの部分系
統に分割し、分散制御する方法がある。例えば、田村坦
之編「大規模システム」昭晃堂発行の３３頁から３９頁
に記載されているような方法である。

分割は、同じ様なふるまいをする発電機を同じグループ
にするのが良いが、系統の状態によって最適な分割が変
わる可能性がある。本実施例では、自己組織化機能を用
いて、系統の状態変化に対応じた、最適な分割を行う。

第５３図（ａ）は、分散制御の機能階層構成例を示した
もので、制御ステーションＡ４４１が発電機１〜３を、
制御ステーションＢ４４２が発電機４〜６を制御し、統
括制御ステーション４４０が二つの制御ステーションを
統括している。第５４図はシステム構成を示したもので
、三つの制御ステーション（サブシステム）が交信手段
４１０を介して結ばれている。

統括制御ステーション４４０の問題認識機構４１６は、
入出力インタフェース４１２を介して電力系統の情報を
取り込み、固有値解析などの手法を用いて最適な分割を
求める。そして、現場の分割が最適な分割と異なるとき
には、問題が発生していると判断する。

自己組織化設計機４！１４ｉ７は、問題解決の方法とし
て、例えば、「制御ステーションＡが発電機１〜２を、
制御ステーションＢが発電機３〜６を制御するように機
能階層構成を変更する。」という案を作成する。

自己組織化実行機構４１８は、各制御ステーションに対
して、制御する発電機を変更するよう指令を出す。制御
ステーションＡの自己組織化実行機構４１８は、指令に
基づき、対応するデータベースを変更する。制御ステー
ションＢも同様である。変更後の機能階層構成を第５３
図（ｂ）に示す。

本実施例によれば、周波数の分散制御システムにおいで
、常に系統の状態変化に応じた最適な分割になり、制御
性能が向上する効果がある。

本発明は、地域ごとにいくつかの監視制御システムが設
置されている電力系統において、新しい監視制御システ
ムを増設する際に、増設に伴う制御体系の変更を、自己
組織化機能によって自動的に行う場合にも適用できる。

また、本発明は、送電線の事故などにより系統が二つの
分離されたときに、集中制御系から分割制御系に自動的
に変更する場合にも適用できる。

また、本発明を電力系統の計画運用システムに応用し、
線形計画法を用いた発電機の負荷配分計算において、系
統の拡大に伴い、Ｄａｎｔｚｉｇ−リｏｌｆｅの分解原
理を用いて問題を分割して解くように、自動的に計算方
法を変更することも可能である。

また、本発明は、複数個の計算機が複数個のサブシステ
ムの処理を分担するシステムにおいて、保守点検や増設
などによって計算機が追加あるいは削除される際に、常
に最適な分担になるようサブシステムを再配分する場合
にも適用できる。

また、本発明は、複数個の計算機と、複数個の機能を持
つサブシステムとが与えられたとき、システムの目標を
外部から与えるだけで、サブシステム間の最適な機能階
層構成と、計算機への最適配分とを、自己組織化機能に
よって自動的に行う場合にも適用できる。

種々な適用例、変形例を述べてきたが、本発明は具体的
な実施例に限定されるものではなく、大規模システム、
例えば、電カドータルシステム。

新都市システム、高速交通システム等に広く適用可能で
ある。

〔発明の効果〕

以上述べてきた自己組織化機構を、複数のサブシステム
から構成されるシステムに付加することで対象及び環境
の変化し二対して、人手を介さず、より幅広い範囲に渡
って自らそれを検出してそれに適合するように適応じて
いくことが可能となり、信頼性、柔軟性の点で優れたシ
ステム構築・運用ができる。

【図面の簡単な説明】

第１図は本発明の一実施例の構成を示すブロック図、第
２図はサブシステムの構成図、第３図はサブシステム群
の構成図、第４図及び第５図は第１図で説明した実施例
の変形例を示す構成図、第６図は第１図に示された自己
組織化機構を構成する特徴抽出機構の構成図、第７図は
第１図に示された自己組織化機構を構成する間Ｍ認知機
構の構成図、第８図は第１図に示された自己組織化機構
を構成する原因同定機構の構成図、第９図は第１図に示
された自己組織化機構を構成する戦略決定機構の構成図
、第１０図は第９図に示された戦略決定機構を構成する
パラメータ変更機構の構成図、第１１図は第９図に示さ
れた戦略決定機構を構成する方式変更機構の構成図、第
１２図はｆｆ５９図に示された戦略決定機構を構成する
機能変更機構の構成図、第１３図は圧延機システムに適
用した一実施例にかかる全体構成図、第１４図は特徴抽
出機構の構成図、第１５図は評価機構の構成図、第１６
図は第ｎ評価要素の処理概要を示す図、第１７図は推論
機構の処理概要を示す図、第１８図はフォワード推論の
処理を示す図、第１９図はフォワード推論ループの処理
を示す図、第２０図はバックワード推論の処理を示す図
、第２１図はバンクワード推論ループの処理を示す図、
第２２図は問題認知機構の処理を示す図、第２３図は問
題認知機構で用いる知識ベースを示す図、第２４図は自
己組織化設計機構の処理を示す図、第２５図は制御方索
変更の推論処理に用いる知識ベースを示す図、第２６図
は機能変更用の知識ベースを示す図、第２７図は圧延機
の１スタンド分の板厚制御系のブロック線図の一例、第
２８図は母材外乱と板厚偏差及び圧下指令と板厚の関係
を示す図、第２９図及び第３０図は圧延機システムの処
理の動きを説明する図、第３１図はロール偏心の発生し
た場合のブロック線図、第３２図は母材板厚偏差がステ
ップ状に変化した場合のロール直下の板厚偏差等との関
係を示す図、第３３図及び第３４図は圧延機システムの
処理の動きを説明する図、第３５図は板厚偏差を入力と
して偏心量を周波数。 位相、振幅で検出する偏心量検出機構を設けた場合のブ
ロック線図、第３６図は下水処理プロセスの運転管理に
適用した他の実施例にかかる全体構成図、第３７図は特
徴抽出機構の処理を示す図、第３８図はデータ評価工程
の処理を示す図、第３９図は計測器チエツク工程の処理
を示す図、第４０図及び第４１図は計測器の変動パター
ンを示す図、第４２図はメンバシップ関数を示す図、第
４３図は問題認知機構の処理を示す図、第４４図はデー
タパターンを示す図、第４５図は原因同定機構の処理を
示す図、第４６図はニューラルネットワークを示す図、
第４７図はニューロン素子モデルの基本演算を説明する
ための図、第４８図はニューロン素子モデルの計算値と
入力総和値の関係を示す図、第４９図は戦略規定機構の
処理を示す図、第５０図は他の実施例にかかる複数のサ
ブシステムからなる情報処理システムの構成図、第５工
図は自己組織化設計機構の構成図、第５２図は自己組織
化の実行手順を示すブロック図、第５３図は分散制御の
機能階層構成図、第５４図は電力系統の周波数制御シス
テムの構成図である。 １００・１００Ｂ・１００Ｃ・・・サブシステム群、１
０１、ｌ０ＩＡ−１０１Ｂ−１０ＩＣ・・・自己組織化
機構、１０２・１０２Ａ１・１０２Ａ２・１０２Ｂ１・
１０２Ｂ２・・・サブシステム、１０３・・・特徴抽出
機構、１０４・・・問題認知機構、１０５・・・原因同
定機構、１０６・・・戦略決定ｆｉ構、１０７・特徴の
知識、１０８・・問題の知識、１０９・・・原因の知識
、１１０・・・戦略決定の知識、１１１・・・知第 ２ 図 第 図 第１０図 第１２図 第１１ 図 第１４図 状態量　　５２００ 情？Ｂ量 第１５図 第１８ 図 第２０図 第２２図 第２３図 第２８図 （ａ） 第２９ 図 第３０図 ○ ０ 第３２図 （ａ）母材外乱 （ｂ１口 ルａＩし・ 第３４図 第３３ 図 第３７ 図 第３８図 第３９ 図 ３１４６へ 第４３図 第４４図 （ａ） Ｔゎ （ｂ） Ｉ Ｔ。 第４０図 第４１ 図 第４２図 時間 ０００ ２５００＋ｍｇ／ｌ） 第４５図 ３０９へ 入力層 第 ６ 図 第 ７ 図 第５０図 １８ 第 １ 図 第５２図 第５３ 図 （ａ）

Claims (1)

1. 【特許請求の範囲】 １、情報処理システムにおいて、システムの特徴を抽出
   する機構と、特徴量から問題発生を認知する機構と、問
   題の原因を同定する機構と、原因よりそれを解決する戦
   略を決定する機構とを有する自己組織化機構を備えたこ
   とを特徴とする情報処理システム。 ２、特許請求の範囲第１項において、システムからの情
   報を検出し、それを変換した特徴量を評価することによ
   つて問題発生を認知し、その原因を同定した後、その問
   題を解決するための戦略を決定し、自らその戦略を実行
   して適応していくような自己組織化機構を備えたことを
   特徴とする情報処理システム。 ３、特許請求の範囲第１項において、システムが互いに
   交信し合う複数のサブシステムから構成されることを特
   徴とする情報処理システム。 ４、特許請求の範囲第３項において、特許請求の範囲第
   １項における自己組織化機構を複数のサブシステムのそ
   れぞれが備えたことを特徴とする情報処理システム。 ５、特許請求の範囲第３項において、特許請求の範囲第
   １項における自己組織化機構を複数のサブシステムで共
   有することを特徴とする情報処理システム。 ６、特許請求の範囲第１項における自己組織化機構にお
   いて、それを構成するシステムの特徴を抽出する機構、
   特徴量から問題発生を認知する機構、問題の原因を同定
   する機構及び原因よりそれを解決する戦略を決定する機
   構のうち少なくとも１つは自己の機構を実行するための
   知識を有することを特徴とする情報処理システム。 ７、特許請求の範囲第６項におけるそれぞれの機構が有
   する知識を統括して管理する機構を有することを特徴と
   する情報処理システム。 ８、特許請求の範囲第６項における知識をそれぞれ別々
   の装置内で記憶しておくことを特徴とする情報処理シス
   テム。 ９、特許請求の範囲第６項における知識を１つの装置内
   に記憶しておくことを特徴とする情報処理システム。 １０、特許請求の範囲第６項において、上記知識を自己
   組織化機構間で移動させる機能を有することを特徴とす
   る情報処理システム。 １１、特許請求の範囲第１項における自己組織化機構に
   おいて、システムの特徴を抽出する機構及び特徴量から
   問題発生を認知する機構の２つの機構を合わせた機構を
   有することを特徴とする情報処理システム。 １２、特許請求の範囲第１項における自己組織化機構に
   おいて、問題発生を認知する機構において問題発生が認
   知された段階で原因同定機構及び戦略決定機構を起動す
   ることを特徴とする情報処理システム。 １３、互いに交信し合う複数のサブシステムから構成さ
   れる情報処理システムにおいて、システムの動的な変化
   を検出し、その変化の度合に応じて処理方式あるいは処
   理そのものを動的に切り替えることによつて、自らを適
   応させていく機構を有することを特徴とする情報処理シ
   ステム。 １４、伝送路を介して相互に交信し、その機能に応じた
   処理を行う複数個のサブシステムから成る情報処理シス
   テムにおいて、 上記サブシステムのうちの少なくとも１つは、他のサブ
   システムあるいはシステムの外部から設定される目標と
   、当該サブシステムの処理能力あるいは処理結果とを比
   較して自己組織化を必要とする問題が発生しているかど
   うかを判定する問題認識機構と、 その内部に設けた問題解決案作成部を用いてその問題を
   解決するための自己組織化方法を設計する自己組織化設
   計機構と、 その設計された方法に従つて自己組織化を実行する自己
   組織化実行機構を有することを特徴とする情報処理シス
   テム。 １５、特許請求の範囲第１４項において、上記自己組織
   化設計機構が設計する自己組織化方法の一つとして、当
   該サブシステムの機能の実現方法を変更することを含み
   、上記自己組織化実行機構が当該サブシステムの機能の
   実現方法を変更する手段を有することを特徴とする情報
   処理システム。 １６、特許請求の範囲第１４項において、上記自己組織
   化設計機構が設計する自己組織化方法の一つとして、他
   のサブシステムの機能の実現方法を変更することを含み
   、上記自己組織化実行機構が他のサブシステムの機能の
   実現方法を変更する手段を有することを特徴とする情報
   処理システム。 １７、特許請求の範囲第１４項において、上記自己組織
   化設計機構が設計する自己組織化方法の一つとして、他
   のサブシステムの機能の実現方法を変更することを含み
   、上記自己組織化実行機構が他のサブシステムへ機能の
   実現方法を変更するように指令を出し、他のサブシステ
   ムの上記自己組織化実行機構がその指令に基づいて自サ
   ブシステムの機能の実現方法を変更する手段を有するこ
   とを特徴とする情報処理システム。 １８、特許請求の範囲第１４項において、上記自己組織
   化設計機構が設計する自己組織化方法の一つとして、当
   該サブシステムと他のサブシステムとの協調方法を変更
   することを含み、上記自己組織化実行機構が当該サブシ
   ステムの他のサブシステムとの協調方法を変更する手段
   を有することを特徴とする情報処理システム。 １９、特許請求の範囲第１８項において、上記自己組織
   化実行機構が他のサブシステムの当該サブシステムとの
   協調方法を変更する手段を有することを特徴とする情報
   処理システム。 ２０、特許請求の範囲第１８項において、上記自己組織
   化実行機構が他のサブシステムへ当該サブシステムとの
   協調方法を変更するよう指令を出し、他のサブシステム
   の上記自己組織化実行機構がその指令に基づいて自サブ
   システムと当該サブシステムとの協調方法を変更する手
   段を有することを特徴とする情報処理システム。 ２１、特許請求の範囲第１４項において、上記自己組織
   化設計機構が設計する自己組織化方法の一つとして、必
   要な機能を持つサブシステムを生成することを含み、上
   記自己組織化実行機構がサブシステムを生成する手段を
   有することを特徴とする情報処理システム。 ２２、特許請求の範囲第１４項において、上記自己組織
   化設計機構が設計する自己組織化方法の一つとして、不
   必要なサブシステムを抹消することを含み、上記自己組
   織化実行機構がサブシステムを抹消する手段を有するこ
   とを特徴とする情報処理システム。 ２３、特許請求の範囲第１４項において、上記自己組織
   化設計機構の内部に、上記問題解決案作成部が作成した
   案が実現可能かを判定する実現可能性判定部を設け、も
   し実現不可能な場合には上記問題解決案作成部が別の案
   を作成することを特徴とする情報処理システム。 ２４、特許請求の範囲第１４項において、上記自己組織
   化設計機構の内部に、上記問題解決案作成部が作成した
   案を評価する問題解決案評価部を設け、上記問題解決案
   作成部がその評価結果を用いて最も良い解決案を選定す
   ることを特徴とする情報処理システム。 ２５、特許請求の範囲第１４項において、上記自己組織
   化設計機構の内部に、当該サブシステムの作成した問題
   解決案と他のサブシステムの作成した問題解決案との協
   調をとるための問題解決協調部を設けたことを特徴とす
   る情報処理システム。 ２６、伝送路を介して相互に交信し、その機能に応じた
   処理を行う複数個のサブシステムから成り、複数個の計
   算機がそれらサブシステムの処理を分担する情報処理シ
   ステムにおいて、上記複数の計算機のうち少なくとも一
   つが、それぞれの計算機の分担が最適になるようサブシ
   ステムを再配分する機能を有することを特徴とする情報
   処理システム。 ２７、特許請求の範囲第２６項において、上記再配分す
   る際に、サブシステム間の通信量と各計算機の負荷率と
   システム全体の処理性とを総合的に判断することを特徴
   とする情報処理システム。 ２８、圧延機及びその圧延機を制御する制御装置を備え
   た情報処理システムにおいて、上記圧延機より状態量を
   入力し特徴量を抽出する特徴抽出機構と、上記特徴量を
   用いて評価を行ない評価結果を出力する評価機構と、上
   記特徴量及び評価結果を用いて問題発生を認知する問題
   認知機構と、上記問題認知機構にて認知された問題のタ
   イプに応じて、制御方策、機能、及び構造のうち少なく
   とも１つを変更し、設計結果を上記制御装置に出力する
   自己組織化設計機構を有する自己組織化機構を備えたこ
   とを特徴とする情報処理システム。 ２９、特許請求の範囲第２８項において、上記制御装置
   からの指令、上記状態量、及び上記特徴量のうち少なく
   とも１つを用いて制御対象のモデルを生成するモデル生
   成機構を備え、上記自己組織化設計機構に制御対象のモ
   デルを入力することを特徴とする情報処理システム。 ３０、特許請求の範囲第２９項において、上記モデル及
   び上記制御装置の特性を組合せ、設計結果の可否を判定
   するシミュレータを備えたことを特徴とする情報処理シ
   ステム。 ３１、特許請求の範囲第２８項において、上記特徴抽出
   機構、上記評価機構、上記問題認知機構及び上記自己組
   織化設計機構のうち少なくとも１つは自己の機構を実行
   するための知識を有することを特徴とする情報処理シス
   テム。 ３２、下水処理プロセス及びそのプロセスを制御する制
   御装置を備えた情報処理システムにおいて、上記プロセ
   スの状態量を入力し特徴量を抽出する特徴抽出機構と、
   上記特徴量を用いて問題発生を認知する問題発生認知機
   構と、認知結果を用いて問題の原因を同定をする原因同
   定機構と、原因よりそれを解決するための戦略を上記制
   御装置に出力する戦略決定機構を有する自己組織化機構
   を備えたことを特徴とする情報処理システム。 ３３、特許請求の範囲第３２項において、上記制御装置
   からの指令、上記状態量上記特徴量のうち少なくとも１
   つを用いて対象モデルを生成する対象モデル生成機構を
   備え、上記戦略決定機構に対象モデルを入力することを
   特徴とする情報処理システム。 ３４、特許請求の範囲第３３項において、上記対象モデ
   ルを受けて上記戦略の可否を判定するシミュレータを備
   えたことを特徴とする情報処理システム。 ３５、特許請求の範囲第３２項において、上記特徴抽出
   機構、上記問題発生認知機構、原因同定機構、上記戦略
   決定機構のうち少なくとも１つは自己の機構を実行する
   ための知識を有することを特徴とする情報処理システム
   。