JPH04205601A - プロセスの運転支援システム - 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、ニューラルネットを応用した運転支援システ
ムおよびそのデータ選択方法に係り、特に、多数のプロ
セスデータ項目の中から、プロセスの運転層操作量や運
転状態評価量に対して影響の大きい項目を時々刻々評価
して選択しながら、オペレータに対して必要なデータの
みを表示するような支援能力の高い運転支援システムお
よびそれ用いがプロセス制御システム、並びに、これら
の実現に好適な入出力データの因果関係判定方法に関す
る。

〔従来の技術〕

上水処理プロセス、下水処理プロセス、化学反応プロセ
ス等の運転管理には、プロセスの多数のデータ項目をオ
ンラインてａ１測し、時々刻々変化するプロセスの状態
を評価し、適切な操作量を法定することが重要である。

これらのプロセスから得られるオンラインデータは多数
であるため、オペレータがそれらのデータの全てを一度
に参照して判断を行うことは困難である。そのために、
各時点で操作量や状態に影響が大きく、真に判断材料と
なるもののみを、選択的にオペレータに表示することが
重要である。

これらの問題点に対する解決策として、知識工学による
方法が行われている（例えば、特開昭６４−８８７１３
号公報など）。この方法では、操作量や状態評価量と各
データとの関係を、オペレータのヒユーリスティックス
に基づいてルール形式で記述し、統計的な演算によって
求めて、その関係が強いもののみを選択的に表示するこ
とかできる。

これにより、オペレータがプロセスの状態を評価し、適
切な操作量を決定するだめの運転支援を実現することが
できる。

また、データの選択という観点ては、メモリ内のデータ
ベースから、指定された条件を満足するデータのみを取
り出す技術として、時開＋＋（４６］−２２３９４４号
公報上記載されるものがある。この技術は、設定条件を
個別に蓄える複数の条件レジスタと、この条件レジスタ
の設定条件を個別に受け、選択対象データが含まれるデ
ータを保存するメモリのデータを共通に受けて、上記デ
ータ中から上記設定条件を満足するデータを判断する複
数の比較器と、この比較器の出力を受けて、論理和また
は論理積演算し、その演算結果値に従い、上記メモリよ
り対応データを取り出すものである。

これにより、入力データ順序を保証しつつ、所望する条
件を満足するデータのみを選択的に取り出すことができ
る。

〔発明が解決しようとする問題〕

かかる従来の方法においては、次のような課題がある。

第１に、知識工学によるデータの選択を行うには、選択
の基準となるルールをオペレータの経験に基づいて作成
する必要があるため、煩雑な知識獲得を行わなければな
らないという課題を有している。

第２に、知識工学による方法では、データ選択と併せて
プロセスの操作量や状態評価量を決定しようとすると、
データ選択のための推論とは別の推論を行わなければな
らないので、処理が煩雑になるという課題を有する。し
かも、データ選択のロジックと、操作量、状態評価量を
決定するロジックとを統一的に扱えないという課題も有
する。

また、論理演算による方法では、単に、同−項目内のデ
ータ列から、指定され条件のデータを論理演算により選
択する方法を示すのみで、そのデ−タの選択がオペレー
タにとって必要か否かなどの評価を行なうものではない
。さらに、プロセスの操作量や状態評価量の決定を合わ
せて行なう機能もない。

本発明の目的は、知識獲得などの煩雑な手続きを行うこ
となく、プロセスの履歴データに基づいて客観的なデー
タ選択手段によって必要なデータを効果的に表示できる
運転支援システムを提供することにある。

本発明の他の目的は、プロセスの操作量や状態評価量の
決定とデータ選択を統一的な１つのロジックで実行し、
オペレータに対して判り易く、かつ説得力のある運転支
援方法を提供することにある。

〔課題を解決するための手段〕

本発明は、ニューラルネッ１−によってプロセスの履歴
データを学習し、この学習結果から因果関係の評価尺度
を算出することにより、煩雑な知識獲得を行うことなく
、過去の実績を尊重したデータ選択を行うものである。

また、ここで用いるニューラルネットの出力にプロセス
の操作量や状態評価量を対応させ、入力にはプロセスデ
ータを対応させて学習することにより、操作量や状態評
価量の決定とデータ選択とを１つのニューラルネットて
同時に行うものである。　　４ 本発明の一態様よれば、プロセスの状態を示す情報を取
り込む状態情報取得手段と、上記プロセスの状態を示す
情報の全部または一部の入力に対して、出力が該プロセ
スの運転操作量および／または運転状態評価量であるよ
うなニューラルネジ１〜ワークと、上記ニューラルネッ
トワークの出力データの中から、該ニューラルネットワ
ークの入力と出力との因果関係の大きさを求めて、この
因果関係が予め定めた基準より大きいデータを選択する
データ選択手段と、」−記選択されたデータを表示する
データ表示手段とを備えることを特徴とするプロセスの
運転支援システムが提供される。

また、本発明の他の態様によれば、制御対象となるプロ
セスの状態を示す情報に基づいて、予め設定したモデル
に従って操作量を決定して、上記プロセスの運転を制御
する制御手段と、上記プロセスの状態を示す情報の中か
ら、運転操作への影響が大きいデータを選択して、表示
できるプロセス運転支援システムとを備え、上記プロセ
ス運転支援システムは、入出力関係が上記モデルの動作
に対応するように機能するニューラルネットワークと、
制御対象となるプロセスの状態を示す情報をこのニュー
ラルネジ１〜ワークに入力させて、出力を想起させる手
段と、該ニューラルネットワークの入力と出力との因果
関係の大きさを求めて、この因果関係が予め定めた基準
より大きいデータを運転操作への影響が大きいデータと
して選択する手段と有することを特徴とするプロセス制
御システムが提供される。

さらに、本発明の他の態様によれば、プロセスを管理す
るオペレータに対して支援を行う運転支援方法において
、プロセスの状態を示す情報の全部または一部の入力に
対して、出力が該プロセスの運転操作量および／または
運転状態評価量てあるようなニューラルネットワークに
、プロセスの゛状態を示す情報の全部または一部を入力
させて得られる出力データの中から、該ニューラルネッ
トワークの入力と出力との因果関係の大きさを求め、こ
の因果関係が予め設定した基準より大きいデータを選択
し、上記選択されたデータを表示することを特徴とする
プロセスの運転支援方法が提供される。

また、本発明は、入力層、中間層および出力層構成する
ニューロンを有するニューラルネットワークを用いて得
られる出力データについて、該ニューラルネジ１〜ワー
クの入力データ項目のうち、着目した出力層ニューロン
に至る経路の結合強度と通過するニューロンで行われる
変換関数の微分値の積を、中間層ニューロンの異なる経
路の分だけ合成した値の絶対値を求めて、入出力の因果
関係の大きさを判定することを特徴とする、入出力デー
タの因果関係判定方法が提供される。

〔作　用〕

本発明によれば、多数のプロセスデータの中から、オペ
レータの判断のために重要なデータのみを選択して表示
し、効果的な運転支援を行うことが可能である。

また、ニューラルネットの学習・想起能力を用いること
により、データの選択と同時にプロセスの操作量や状態
評価量の決定も行える。

（以下余白） 〔実施例〕 本発明は、オペレータによる判断を必要とするプロセス
の運転管理を知能的に支援するものである。従って、本
発明は、オペレータが介在する各種のプロセス、例えば
、浄水処理プロセス、下水処理プロセス、化学反応プロ
セス、バイオプロセス、原子カプロセス、株価・為替な
との金融プロセスなどに適用できる。

以下、本発明の実施例について、図面を参照して説明す
る。

第１図は、本発明を浄水処理プロセスの運転管理支援に
適用した場合の実施例の全体の構成図である。

本実施例は、浄水処理プロセスと、その運転管理支援を
行う計算機システム（知能的運転管理支援システム、以
下、支援システムと略す）１００と、プロセスを制御す
る制御手段５０とを含む。

本実施例が適用される浄水処理プロセスは、着水井５、
急速混和池１０、フロック形成池１５、沈殿池２０およ
びろ適地２５を、順次に配置すると共に、このプロセス
の動作を制御する制御手段５０を俺ｉえて構成される。

また、急速混和池］Ｏには、凝集剤タンク］１および凝
集剤注入ポンプ１２と、攪拌翼１３および攪拌機］４が
設けられている。フロック形成池」５には、攪拌パ１く
ル１６が設けられている。

次に、浄水処理プロセスのフローを簡単に説明する。

第１図において、着水井５に、河川や湖沼から原水が導
かれる。急速混和池１０では、着水井５の水を受け、凝
集剤タンク１１の凝集剤が凝集剤注入ポンプ１２によっ
て注入され、攪拌翼１３が攪拌機１４により攪拌される
。また、フロック形成を促進するアルカリ剤が注入され
ることもある。

フロック形成池１５では、攪拌パ１〜ル１６が緩やかに
回転する。フロックは、沈殿池２０で沈降して、上澄み
液がろ適地２５でろ過される。

次に、浄水プロセスで用いられる計測器について説明す
る。

原水の水質を副側するために、着水井５に計」リ−１５
〜 器５Ｍが設置される。計測項目は、水温、濁度、アルカ
リ度、ｐｌ＋、電気伝導度、残留塩素濃度、塩素要求量
、水量、水位などである。

フロック形成池１５には、計測器１．５Ｍが設置される
。計測器１５Ｍは、前記副側器５Ｍで計測する項目に加
えて、水中カメラなどの撮像手段６０を含む。沈殿池２
０には、計測器２０Ｍを設置する。また、必要に応じて
、急速混和池１０に１５Ｍと同様の計測器］、ＯＭを設
置し、ろ適地２５には計測器２５Ｍを設置する。これら
の計測項目は、前記計測器５Ｍ、１．５Ｍと同様である
。

以上の計測器の計測データは、支援システム１００内の
運転履歴データベース８０に取り込まれる。また、撮像
手段６０で得られたデータは、画像処理手段７０で処理
された後、運転履歴データベース８０に取り込まれる。

次に、支援システム１００の構成について説明する。

支援システム１００は、（１）知識ベース応用運転支援
システム（以下、知識システムと略す）−１６＝ １１０、（２）理論モデルシミュレーションシステム１
２０、（３）ニューラルネッ１〜ワーク応用運転支援シ
ステム（以下、ニューロシステムと略す）１５０、（４
）画像処理手段７０、（５）運転履歴データベース８０
とから構成される。

本システムの構成に用いられるハードウェアのシステム
構成の一例を第１１図に示す。

本システムは、対象プロセス５００の状態を示す情報を
、センサ５Ｍから２５Ｍと、画像処理手段７０を介して
撮像手段６０とから受けて格納する運転履歴データベー
ス８０と、このデータベース８０と接続されて、該デー
タの処理を実行する計算機システム４００とを備える。

そして、この計算機システム４００には、対象プロセス
５００を制御する制御手段５０と、表示装置として機能
するＣＲＴデイスプレィ（以下ＣＲＴと略記する）９ｏ
と、キーボード４２０とが接続される。この他に、入力
手段として、マウス等を接続してもよし）。

割算機システム４００には、図示していないが、中央処
理ユニット（ＣＰＵ）と、主記憶と、外部記憶装置とを
少なくとも有する。そして、これらのハードウェアに、
オペレーティングシステム（ＯＳ）と、上位のアプリケ
ーションラフ１−ウェアとが搭載され、さらに、これら
の環境において実行される、知識システム］、］、Ｏ１
理論モデルシミュレーションシステム１２０およびニュ
ーロシステム１５０が搭載される。

上記外部記憶手段としては、例えば、磁気ディスク装置
を用いることができる。また、運転履歴データベース８
０も、データの蓄積を行なう手段として、同様に、磁気
ディスク装置を用いることができる。なお、これらは、
同一に装置を共用する構成としてもよい。

制御手段５０は、これも言」算機システムにより構成さ
れ、キーボード９５が接続されている。

本発明の特徴であるニューロシステム１５０は、学習手
段１６０、データ選択手段２００、データ表示手段２５
０、ニューラルネットワークベース３００、データ予測
手段３１０、ガイダンス手段３２０から構成される。こ
のうち、データ表示手段２５０は、自然言語表示手段２
６０と操作量・状態評価量表示手段２９０とから構成さ
れる。さらに、自然言語表示手段２６０は、統計的定性
化手段２７０と、ファジィ定性化手段２８０とかＪＬ構
成される。

このニューロシステム１５０の動作について、説明する
。

ます、運転履歴データベース８０から過去の履歴データ
のうち、有用と思われるデータを教師データとして選択
する。この選択は、例えば、履歴データをＣＲＴ９０に
表示させ、これに対するオペレータからの指示をキーボ
ー１−：’　４２０等で受はイ」けることにより行なう
ことができる。

この教師データを用いて、学習手段１６０において、ニ
ューラルネジ１〜ワークに学習させる。この学習の際に
は、不要な因果関係を抑制し、かつ、必要な因果関係を
選択的に残すための因果選択型の学習法を用いる。これ
については後述する。

学習後のニューラルネットワークは、２つの役−１９＝ 割を持つ。１つは、想起によって、プロセスの運転に必
要な定量的ガイダンスを求め、結果をデータ表示手段２
５０やデータ予測手段３１０に送ることである。データ
予測手段３　］、　Ｏの結果は、ガイダンス手段３２０
に送られ、今後採るへき操作量（運転スケジュール）や
状態評価量の変化（異常の予知）に関する予知情報が、
データ表示手段２５０に送られる。また、２つめの役割
は、学習後の重み係数行列をデータ選択手段２００に送
り。

データの重要度を評価することである。ここで行ったデ
ータの選択結果は、データ表示手段２５０に送られる。

データ表示手段２５０では、データ選択手段２００によ
って、プロセス操作量や状態評価量と因果関係が強いた
め、オペレータの判断にとって重要とみなされて、選択
されたデータを、重要度の順に、トレンドグラフやヒス
１ヘゲラムなどで、時々刻々ＣＲ’Ｔ９０に表示する。

また、選択されたデータを定性的に評価して、日本語な
どの自然言語で判り易く表示する。さらに、こユーラル
ネノドワークの想起によって得られたプロセス操作量や
状態評価量を操作量・状態評価量表示手段２９０によっ
て表示する。

データ予測手段３１０では、ニューラルネソ１へワーク
ベース３００の学習済のネッＩ−ワークを用いて、仮想
的な入力データを入力して出力を想起し、操作量や状態
評価量の予測値を求める。ここでの予測結果は、ガイダ
ンス手段３２０に送られ、操作量を今後どのように変更
していくべきかの運転スケジュールとして示したり、状
態評価量の変動予測により異常の早期予知に関する情報
を示したりする。この際に、必要に応して理論モデルシ
ミュレータシステム１１０や知識システム１２０を起動
して結果を求めたりする。

次に、支援システム１００への各種データの入出力につ
いて説明する。

まず、データ入力について説明する。

前記の計測器５Ｍ、ＩＯＭ、２０Ｍ、２５Ｍ、および、
撮像手段６０ては、一定の時間間隔でデータのサンプリ
ングが行われる。サンプリングされたデータは、運転履
歴データヘース８０に送られて保存される。また、泪測
器によるオンライン計測が出来ない手分析データや目視
観察データは、キーボー１へ４２０または９５から、Ｃ
ＲＴ９０を参照しながら対話的に入力される。

次に、データの出力について説明する。

支援システム１００は、入力されたデータに基づいてガ
イダンスする内容を決定する。支援システム１００内の
知識システム１　］−０およびニューロシステム１５０
から得られたガイダンスは、ＣＲＴ９０を通してオペレ
ータに表示される。なお、このＣＲＴ９０は、必要に応
して撮像手段６０からの映像を映すモニターも兼ねるこ
とができる。

オペレータは、ガイダンスを参考にし、必要と認められ
た操作景の変更などを、キーボード９５を通して、制御
手段５０に入力する。制御手段５０は、入力データに従
ってプロセスの各機器の制御を行う。なお、支援システ
ム１００からのガイダンスが直接に制御手段５０に入力
されるようにしでもよい。

以」二が、本実施例の全体構成である。

次に、ニューロシステム１５０内で行われる神経回路網
にューラルネッ１〜ワーク）モデルの学習およびデータ
選択方法について順に説明する。

モデルの基本となっているのは、脳を構成する神！　！
１１１　胞にニューロン）である。このニューロンの生
理学的な知見を反映したニューロン単体の数理モデルが
広く利用されている。

第２図は、ニューロンの基本動作を示す。図に示すモデ
ルは式（１）〜（３）のように多大カー出力系のしきい
値特性を持つ関数で表現される。

ｙ２ａ：　ｆ　（ｕｚｘ）　　　　　　　　・（＋）ｕ
、ｊ”ΣＷ２ｊ　、□、・Ｘよ、　　　・・・（２）ｆ
　（ｕ）　＝１／　（１＋ｅｘｐ　（−ｕ＋（１）　）
　−４３）但し、ｙ２．：ニューロン２３の出力信号ｕ
ｚｊ　　　：ニューロン２ｊへの入力の積和Ｗ２ｊ＋、
ｌ：ニューロンＨ，２ｊ間の重み係数Ｘ１．：ニューロ
ン１ｊからの入力信号ｆ　　　：シグモイド関数 ０　　　：しきい値 ２３一 つまり、イ也のニューロンから着目したニューロンへの
信号は、両者間の結合強度（重み係数、シナプス強度）
に応じてｗ２ｊ、　ｌｉが乗ぜられる。これらの重み付
き入力信号ｗ２ｊ、　ｌｉ・ｘｌｉの総和ｕ２ｊが、あ
るしきい値θを越えたときに、そのニューロンは興奮し
て出力信号ｙ２ｊを出す。このときのしきい値特性を決
定するのが、式（３）のシグモイド関数である。

ニューラルネットワークモデルは、上述のニューロンを
基本構成要素とするネットワーク型のモデルである。モ
デルは複数のものか提案されているが、本発明では、ニ
ューロンを階層的に結合させた階層型モデル（別名、Ｒ
ｕｍｅｌ、ｈａｒｔ型モデル）を使用する。このモデル
は、第３図に示すように、入力層、中間層、出力層から
なる３Ｍ構造である。

ニューラルネジ１〜ワークモデルの学習は、想起誤差が
減少するように、重み係数行列を修正することによって
行う。学習アルゴリズムとして最も多用される従来型Ｂ
Ｐ法（アルゴリズムの詳細は、Ｒｕｍｅｌｈａｒｔ、Ｄ
、Ｅ、、ｅｔｃ　（１９８６）　ＬｅａｒｎｉｎｇＲｅ
ｐｒｅｓｅｎｔａｔｉｏｎｓ　　ｂｙ　　Ｂａｃｋｐｒ
ｏｐａｇａｔｊｎｇ　　Ｅｒｒｏｒｓ。

Ｎａｔｕｒｅ、ｖｏｌ、３２３などを参照されたい）は
、想起誤差の自乗和を評価関数と定義し、その評価関数
が減少するように重み係数行列を修正する。

ニューロシステム１５０は、想起によるガイダンスと因
果関係の評価に基づくデータ選択を目的とするので、学
習に要求される条件は、第１に想起誤差を小さくでき、
第２に入出力データ間の因果関係を正しく評価できるよ
うに、重み係数行列を決めることである。しかし、従来
型ＢＰ法の評価関数は、次のような課題を含む。

■　重み係数行列の修正は誤差のみが反映されるため、
実際には出力に影響しない不要な因果関係が内部に残っ
てしまうことがある。特に、独立でないデータ項目が含
まれている場合には、この可能性が高くなる。

■　想起誤差の自乗和に対する最急降下法（初期値から
、評価値が減少する力面にのみ修正される方法）であり
、重み係数行列の初期値に依存して収束先が変化する。

このため、初期値によって異なる極小値に収束し、充分
な想起精度が得られない場合がある。

本実施例では、上記の従来型ＢＰ法の課題を克服するた
めに、次のような仮説に基づいてネット内の因果関係の
総和量を抑制する評価項を加えた学習法を導入した。

入出力データ間の因果関係は、必要最小限の因果関係で
表現する方がより正確に表現でき、かつ。

正確な因果関係を内包するネットは、想起誤差が小さい
と考えた。

この仮説に基づく学習法により、 ・不要な因果関係を抑制し、必要な因果関係を選択的に
残す学習（課題■） ・誤差に対する最急降下法を避け、初期値依存性の小さ
い学習（課題■） を行うことができる。この新しい評価項を加えたＢＰ法
を「因果選択型ＢＰ法」と呼ぶ。計算のアルゴリズムを
以下に示す。

【出力層と中間層間の重み係数Ｗ３に、２Ｊｌ△Ｗ　３
　ｋ、　２３　”　　（δＥ、ＥＣ５３ｘ／　ａ　Ｗ３
に、２ｐ）　−（４）Ｅｘｃ、３＋ｔ：Ｅｘ、３に＋Ｅ
ｃ、３ｈ　　　　　　　　−・（ｓ）ＥＥ、３に＝０．
５Σ（３’３ｋｔ　　ｙａｂ）２　　　　　・・（６）
ＥＣ，３，：０．５ＥΣΣＣ３，、１１”　　　　　　
　”’（７）［中間層と入力層間の重み係数Ｗ　２　ｊ
　、　Ｌ　ｌ　］］△ｗ２１，１Ｌ＝伏−ΣａＥＥｃｍ
、３ｈ／ａＷｚｐ、１ｃ）−（８）ＥＥＣ・、ａｋ：Ｅ
ｇ、３ｈ＋Ｅｃ・、３１、　　　　　　　・・・（９）
Ｅｇ、３に＝０．５Σ（ｙ３ｈｔ　　Ｍ３ｋ）２　　　
　　　・・・（１０）Ｅ６・、、、＝０．５ΣΣＣ３２
，□、′　　　　　　・・・（１１）但し、 ・ｃ３に、　ｔＬ　：出力層ニューロン３にと入力層ニ
ューロンｌｉの因果性尺度 ・ＥＣ，３ｋ　　：因果抑制評価関係（出力層）・Ｅｃ
・、３に：因果抑制評価関数（中間層）・Ｅ、、３ｋ　
：誤差評価関数 ・ＥＥＣ１３に＝因果選択型ＢＰ法の評価関数・Ｅ、！
。・、３に：因果選択型ＢＰ法の評価関数・ｗ３ｈ、２
ｊ：出力層ニューロン３にと中間層ニューロン２ｊ間の
重み係数 ・ΔＷ３　ｈ、　２　Ｊ”重み係数Ｗ３に、２Ａ修正量
・ｗ２　Ｊ　、１ｉ　　：中間層ニューロン２ｊと入力
層ニューロンｌｉ間の重み係数 ・６ｗ２．，１．　：重み係数Ｗ２ｊ、１１修正量・Ｘ
工、　　　：入力層ニューロン１１への入力、　　・ｙ
ｚＪ　　　　：中間層ニューロン２ｊの出力・ｙ３．：
出力層ニューロン３にの出力・ｙ３ｋｔ：出力層ニュー
ロン３ｋに対する教師信号 ：因果抑制係数 式（４）と（８）は重み係数を評価関数に対する最急降
下法で行うことを意味する。式（６）と（１０）は従来
型ＢＰ法でも用いられている誤差の評価項で、公知のも
のである。

一方、′式（７）と（１１）は本発明で新たに導入した
ものであり、ニューラルネットワークに内包される因果
関係の総和を示す評価項である。ここでＣ３に、　ｌｉ
は、入力層ニューロンｌｉと出力層ニューロン３に間の
因果関係の強さを示す値であり、「因果性尺度」と定義
する。つまり、この因果性尺度の自乗和を因果関係の総
和とする。因果性尺度の詳細については、後のデータ選
択方法のところで詳述する。

この項の導入により、ネット内の因果関係を減少させる
ように学習が行われる。因果抑制係数Ｅを調整すれば、
因果抑制の度合いを変えることが可能である。浄水プロ
セスの凝集剤注入データの学習の場合では、ε＝ＩＸ１
０’〜２　Ｘ　１０’で最も想起精度が良くなる。

次に、この因果選択型ＢＰ法を使った学習手段１６０の
手段を具体的に説明する。第４図は、学習手段１６０の
工程を示す。

まず、学習パターン選択工程１６５において、学習に用
いる学習パターンを運転履歴データベース８０から選択
する。この工程では、プロセスの運転が良好に行われた
時のデータの中から、そのデータの学習によって以前ま
でのネットよりも想起誤差が下がるデータのみを選択す
る。また、この工程は、オペレータが対話形式で任意の
学習パターンを選択することもできる。

続いて学習パラメータ設定工程１７０およびネッ１へ構
造設定工程１７５て必要な条件の設定を行う。学習パラ
メータとしては、誤差の反映のさせ方を調整する加速係
数ηや過去の重み係数修正分をどの程度反映させるかを
：Ａ整するスムージング係数α等がある。また、ネッ１
〜構造としてはニューラルネジ１−ワークモデルの各層
のニューロン数がある。

学習工程１８５では、先の工程で設定された学習条件に
基づいて因果選択型ＢＰ法による学習を行う。因果選択
・抑制手段１８０は、先に説明した因果抑制係数εを調
整する機能である。この手段が働かない場合、つまり、
Ｅ＝Ｏの場合は、因果抑制が全くかからない学習である
ので、従来型ＢＰ法に相当する。

学習結果書き出し工程１９０では、学習後の重み係数行
列を数値ファイルとしてニューラルネットワークベース
３００に書き出して保存する。

学習手段１６０の最後は、想起工程１９５であり、ここ
で想起された値は定量的ガイダンスとしてデータ表示手
段２５０に送られる。以」二が学習手段１６０の具体的
な工程である。

次に、データ選択手段２００について説明する。

ここでは、学習済のネッ１−の重み係数行列を解析し、
各時刻の入力データの中で出力との因果関係が大きいデ
ータを選択する。第５図は、データ選択手段２００の工
程を示す。

まず、ネット読み込み］工程２０５により、ニューラル
ネットワークベース３００より学習済の重み係数行列を
読み込む。

因果性尺度算出工程２１０ては、読み込まれた重み係数
行列によって、ネットの入出力間の因果関係を評価する
ための「因果性尺度」を算出する。

ここで、因果性尺度について説明する。学習済ネットが
入カバターンに対して正しい出力を想起できるのは、ネ
ット内部に入出力間の因果関係と等価な知識を内包して
いるからである。ネジ１〜入力層の入力が出力層の出力
に及ぼす影響の度合いは、着目したＸｌ、ｉから着目し
た’Ｊｓｈに至るネソｌ〜上の全経路の影響を合成した
ものである。このうち、Ｘｌｉから中間層のニューロン
２ｊを通過してｙ＋＋ｔに到る経路ｊ（ｊ：１〜中間層
ニューロン数）の影響は、Ｘｌｌが変化したときのｙ３
にの変化の度合い、つまり式（１２）で示す偏微分で評
価する。

［Ｘ　Ｉｔのｙ３にへの影響の度合い；経路ｊｌｏ＝（
ａ　ｙ３ｈ／ａｘｔｔ）　ｊ　　　　　　”’（１２）
式（１２）の偏微分はＷ：＋ｈ、２Ｊ、ＷｚＪ、□１を
用いて式（１３）で表される。

（ａ　ｙａｋ／　ａ　ｘｔｔ）　ｓ＝ ｆ’（ｕ３ｂ）　・ｆ’（ｕｚｐ）　’Ｗ、＋に、ｚｘ
Ｗｚａ、Ｉｔ　　　　−ｏ３）式（１３）のＷ３に、２
ａおよびＷ２４，１（は、学習済ネッｌ〜では確定した
値であるが、シグモイド関数の微分値ｆ　’　（ｕ　３
ｈ）およびｆ’（ｕｚａ）は、シグモイド関数が非線形
であるため、出力層と中間層のニューロンの内部状態ｕ
、ｌｋとｕ２Ｊで決まる。ｕ３にとｕ２Ｊは、Ｘ工（（
ｉ：　１〜大入力ニューロン数）のパターンに依存する
ので、ｘｔｔのパターンが与えられれば、ｆ’（ｕｓｈ
）とｆ’（ｕ２Ｊ）を含めた評価が可能である。

式（１２）を中間層ニューロンを通る全ての経路に−９
９−八 ３２一 ついて合成したものが式（１４）であり、これをＸｌ、
（とｙｌにの因果関係を評価する「因果性尺度Ｃ３，。

１、」　と定義する。

Ｃｓｈ、　、、＝ｌ　ｆ　’　（ｕ　３ｈ）　・ｆ　’
　（ｕ　ｚ、＋）　’　Ｗ３１＋、　、ｊＷ２ａ、　＋
＋−（１４）各時点でのプロセスデータｘｉｉを入力し
てｕ３にとｕ２ｊを求めて因果性尺度を算出することに
より、時々刻々変化するデータのうちで、どのデータが
出力に対して大きな因果関係を持つかを知ることができ
る。

データ選択工程２１５では、算出された因果性尺度によ
りデータを選択する。Ｃ，、、、、の絶対値の大小によ
りｘｔｔとｙ、にとの因果関係の強弱を、また符号の正
負により相関の正負を知ることができる。これを利用し
て、因果性尺度の絶対値が所定の値を超えたデータのみ
を現時点で重要なデータとみなして選択し、データ項目
名をデータ表示手段２５０に送る。

データ表示手段２５０では、データ選択手段２００から
の送られたデータ項目のデータを重要度の順にトレンド
グラフやヒストグラムなどで表示する。

（以下余白） また、ニューラルネットベース３００での想起で得ら九
た操作量（浄水プロセスでは凝集剤注入率や塩素注入率
など、下水処理プロセスでは曝気風量や返送汚泥量など
）や状態評価量（浄水処理プロセスでは処理水濁度など
、下水処理プロセスでは汚泥容量指標（ＳＶＩ）など）
を操作量・状態評価量表示手段２９０で表示する。

さらに、データ表示手段２５０内の自然言語表示手段２
６０では、選択されたデータ項目のデータを定性化して
自然言語で表示する。

統計的定性化手段２７０では、各データ項目ごとの頻度
分布の情報を持っており、第６図に示すように現時点の
データがどの位置に属するかを判定し、「いつもより高
い」、「いつもより低い」などの定性化を行う。

ファジィ定性化手段２８０では、各データ項目ごとのメ
ンバシップ関数を持っており第７図に示すように各ファ
ジィ変数（「高い」、「低い」など）のメンバシップ値
を算出し、この値が最も大きいファジィ変数によって定
性化を行う。

データ表示手段２５０によるデータ表示画面の例を第８
図と第９図に示す。

これらの画面では、因果性尺度のレベルに応じて入力層
ニューロンを濃淡表示し、出力との因果関係の強弱を視
覚的に判り易くしている。第８図では、予め定められた
データ項目、例えば、Ｐ　Ａ　Ｃ（Ｐｏｌｙ　Ａｌｍｊ
ｎｉｕｍ　Ｃｈｌｏｒｉｄｅ）注入率と併せて、データ
選択手段２００で選択されたデータ項目のデータトレン
ドを示し、現時点のデータまでの変動傾向がわかるよう
にしている。さらに、データ予測手段３１０で予測され
た値を表示し、今後の運転スケジュールを示すことがで
きる。第９図では、ヒストグラムを示し、現時点のデー
タがどのレベルに位置するかが分かるようにしている。

次に、本実施例のニューロシステム１５０を浄水プロセ
スで運用する場合の学習方法について説明する。

浄水プラントでは、流入水質や計測器の特性が経時的に
変化するために、これに応じて凝集剤注入方法も変化す
る。この状況変化に対応して、ニー３６＝ ユーラルネッ１−ワークが臨機応変に学習していけば、
自己成長性を有する運転支援が行える。

このような学習は、第１０図に示すような運用フローに
よって行う。このフローの考え方は、・処理良好でかつ
過去の運転履歴と大きく矛盾しないデータのみをネット
に反映させる；・過去の運転履歴を尊重しつつ、新たな
データを最も強く反映させる； ・メンテナンスフリーで自動学習する；ことにより、プ
ラントデータ群の構造変化に適応して、常に最適なガイ
ダンスを行うことである。

第１０図の自動追加学習のフローに基づき、データを１
日周期で追加学習しながらガイダンスを行う。なお、フ
ロー中の学習判定日数（以下Ｎと略す）とは、ネット更
新の条件として履歴データＮ自分の平均想起誤差を求め
るための日数である。

つまり、ネット更新は、過去のＮ自分データと矛盾しな
い（Ｎ自分の平均想起誤差が増加しない）場合にだけ行
う。

浄水処理プロセスの凝集剤注入操作の場合、最適なＮ値
は晴天時などの流入原水が低濁度時には、１日、降雨時
などの高濁度時ては７日分以上（高濁度時は平均し、て
月に２，３度なので、期間にして３か月分程度）でるあ
ことを確認している。

以上が本実施例の詳細である。上記のごとく操作量や状
態評価量に関する定量的ガイダンスと併せて、各時点で
影響の大きいデータ項目のみを表示することにより、多
数のプロセスデータからオペレータにとって必要な情報
のみを示すことができ、オペレータの運転時の判断を効
果的に支援することができる。

本実施例では、浄水処理プロセスを対象としたが、これ
以外にもオペレータの判断が重要とされている、下水処
理プロセス、化学反応プロセス、金融・証券プロセスな
どの各種プロセスにおいてもデータの項目が異なるだけ
なので、本実施例と同じ方法によって、同様の効果を得
ることができる。

以上に述べた実施例では、プロセスの処理における入力
データと出力データの因果関係の大きさを求めて、重要
度の判定を行なっているが、このような判定は、プロセ
スデータに限られない。データ間の因果関係を調べる場
合にも適用可能である。すなわち、入出力データの因果
関係判定方法として用いることができる。

〔発明の効果〕

以上述べたように本発明によれば、操作量や状態評価量
に関する定量的ガイダンスと併せて、各時点で影響の大
きいデータ項目のみを選択して表示することにより、多
数のプロセスデータの中からオペレータにとって必要な
情報のみを示すことができ、オペレータの運転時の判断
を効果的に支援することができる。

これにより、オペレータ単独でプロセスの運転管理を行
う場合よりも、信頼性の高い運転ができると共にオペレ
ータの負担を軽減できる。

【図面の簡単な説明】

第１−図は本発明の実施例の全体構成を示す概略図、第
２図はニューラルネットワークの基本構成要素となる神
経細胞にューロン）の基本動作を示す説明図、第３図は
本発明で用いた階層型ニューラルネットワークモデルの
構成図、第４図は学習手段の動作を示すフロー図、第５
図はニューラルネットワークによるデータ選択手段の動
作を示すフロー図、第６図は統計的定性化手段を説明す
る説明図、第７図はファジィ定性化手段を説明する説明
図、第８図および第９図はデータ表示手段の画面構成例
を示す説明図、第１０図は自動追加学習によるシステム
運用フロー図、第１１図は本発明の実施例において用い
られるハードウェアシステムのシステム構成の一例を示
すブロック図である。 ５・・・着水井、１０・・急速混和池、１１・・・凝集
剤タンク、１２・・・凝集剤注入ポンプ、１３・・攪拌
翼１３．１４・・・攪拌機、１５・・フロック形成池、
１６・・攪拌パドル、２０・・沈殿池、２５・・ろ適地
、５０・・制御手段、６０・・撮像手段、７０・・・画
像処理手段、８０・・運転履歴データベース、９０゜４
、２０・・・ＣＲＴ、９５　キーボード、１００・・支
援システム、１１０・・理論モデルシミュレータシステ
ム、１２０・知識システム、１５０　　ニューロシステ
ム、１６０・・・学習手段、２００・・・データ選択手
段、２５０　・表示手段、２６０・・自然言語表示手段
、２７０・・・統計的定性化手段、２８０・・・ファジ
ィ定性化手段、２９０・・・操作量・状態評価量表示手
段、３００・・・ニューラルネットワークベース、３１
０・・・データ予測手段、３２０・・・ガイダンス手段
、４００・計算機システム、４１０・・・オペレーティ
ングシステム。

Claims (1)

1. 【特許請求の範囲】 １、プロセスの状態を示す情報を取り込む状態情報取得
   手段と、 上記プロセスの状態を示す情報の全部または一部の入力
   に対して、出力が該プロセスの運転操作量および／また
   は運転状態評価量であるようなニューラルネットワーク
   と、 上記ニユーラルネットワークの出力データの中から、該
   ニューラルネットワークの入力と出力との因果関係の大
   きさを求めて、因果関係が予め設定した基準より大きい
   データを選択するデータ選択手段と、 上記選択されたデータを表示するデータ表示手段とを備
   えることを特徴とするプロセスの運転支援システム。 ２、上記状態情報取得手段は、プロセスの状態を表わす
   情報を、履歴情報として蓄積するデータベースを有する
   、請求項１記載のプロセスの運転支援方法。 ３、上記データ表示手段は、選択されたデータを重要度
   順に表示する機能を有するものである、請求項１記載の
   プロセスの運転支援システム。 ４、プロセスの運転操作量および／または運転状態評価
   量を予測するデータ予測手段と、 該データ予測手段によって予測した結果に基づいて、プ
   ロセスの運転状態に関する予知情報を得て、これを上記
   データ表示手段に送って表示させるガイダンス手段とを
   備える請求項１、２または３記載のプロセスの運転支援
   システム。 ５、上記ガイダンス手段は、プロセスの運転状態に関す
   る予知情報として、運転スケジュールおよび異常予知情
   報の少なくとも一方を出力するものである、請求項４記
   載のプロセスの運転支援システム。 ６、上記データ予測手段は、上記データ選択手段と同一
   のニューラルネットワークを用いて上記予知情報を得る
   ものである、請求項４または５記載のプロセスの運転支
   援システム。 ７、上記データ表示手段は、上記データ選択手段で選択
   されたデータ項目を定性的に評価する機能を備える、請
   求項１、２または３記載のプロセスの運転支援システム
   。 ８、上記データ表示手段は、データ項目を定性的に評価
   する機能として、各データを、母集団に対して統計的に
   解析する機能を有するものである、請求項７記載のプロ
   セスの運転支援システム。 ９、上記データ表示手段は、データ項目を定性的に評価
   する機能として、各データについて、予め与えられたメ
   ンバシップ関数を用いて適合度を求める機能を有するも
   のである、請求項７記載のプロセスの運転支援システム
   。 １０、制御対象となるプロセスの状態を示す情報に基づ
   いて、予め設定したモデルに従って操作量を決定して、
   上記プロセスの運転を制御する制御手段と、上記プロセ
   スの状態を示す情報の中から、運転操作への影響が大き
   いデータを選択して、表示できるプロセス運転支援シス
   テムとを備え、 上記プロセス運転支援システムは、入出力関係が上記モ
   デルの動作に対応するように機能するニューラルネット
   ワークと、制御対象となるプロセスの状態を示す情報を
   このニューラルネットワークに入力させて、出力を想起
   させる手段と、該ニューラルネットワークの入力と出力
   との因果関係の大きさを求めて、因果関係が予め設定し
   た基準より大きいデータを運転操作への影響が大きいデ
   ータとして選択するデータ選択手段とを有することを特
   徴とするプロセス制御システム。 １１、制御対象となる浄水処理プロセスと、該浄水処理
   プロセスを制御する請求項１０記載のプロセス制御シス
   テムとを備える浄水処理システム。 １２、制御対象となる下水処理プロセスと、該下水処理
   プロセスを制御する請求項１０記載のプロセス制御シス
   テムとを備える下水処理システム。 １３、上記データ選択手段は、ニューラルネットワーク
   の入力データ項目のうち、着目した出力層ニューロンに
   至る経路の結合強度と通過するニューロンで行なわれる
   変換関数の微分値の積を、中間層ニューロンの異なる経
   路の分だけ合成した値の絶対値が所定値以上となったデ
   ータ項目を、因果関係の大きいものとして選択するもの
   である、請求項１、２、３、４、５、６、７、８もしく
   は９記載のプロセスの運転支援システム、請求項１０記
   載のプロセス制御システム、請求項１１記載の浄水処理
   システム、または、請求項１２記載の下水処理システム
   。 １４、プロセスを管理するオペレータに対して支援を行
   う運転支援方法において、 プロセスの状態を示す情報の全部または一部の入力に対
   して、出力が該プロセスの運転操作量および／または運
   転状態評価量であるようなニューラルネットワークに、
   プロセスの状態を示す情報の全部または一部を入力させ
   て得られる出力データの中から、該ニューラルネットワ
   ークの入力と出力との因果関係の大きさを求め、この因
   果関係が予め設定した基準より大きいデータを選択し、
   上記選択されたデータを表示することを特徴とするプロ
   セスの運転支援方法。 １５、入力層、中間層および出力層を構成するニューロ
   ン群を有するニューラルネットワークを用いて得られる
   出力データについて、 該ニューラルネットワークの入力データ項目のうち、着
   目した出力層ニューロンに至る経路の結合強度と通過す
   るニューロンで行われる変換関数の微分値の積を、中間
   層ニューロンの異なる経路の分だけ合成した値の絶対値
   を求めて、入出力の因果関係の大きさを判定することを
   特徴とする、入出力データの因果関係判定方法。