JPH07160661A

JPH07160661A - ニューラルネットワークの教師データ自動抽出方法と、それを用いたニューラルネットワークシステム、並びに、プラント運転支援装置

Info

Publication number: JPH07160661A
Application number: JP30255393A
Authority: JP
Inventors: Nobuyoshi Yamakoshi; 信義山越; Naoki Hara; 直樹原; Mikio Yoda; 幹雄依田; Shoji Watanabe; 昭二渡辺; Toshio Yahagi; 捷夫矢萩
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1993-12-02
Filing date: 1993-12-02
Publication date: 1995-06-23

Abstract

(57)【要約】【目的】ネット再構築の教師データを効率良く自動抽
出して想起誤差の少ない自己成長型のニューラルネット
ワークを用い、プラント運転支援装置を実現する。【構成】制御手段１５０により浄水処理プラントの操
作を制御するオペレータに対し、複数の入力パラメータ
からプラント出力予測値をニューラルネットワークを用
いて算出し、これを定量的ガイダンスとして表示手段１
９０のＣＲＴ上に表示し、プラントを管理するオペレー
タに対してプラント運転支援を行うことが可能なプラン
ト運転支援装置は、ニューロシステム２３０をニューラ
ルネットワークの自動追加学習構築により最新教師デー
タを追加学習する自己成長型のニューラルネットワーク
とし、かつ、自己追加学習のための教師データを保存す
るの教師データベース１８５は、制御結果に基づいて抽
出され、かつ、入力の状態に対応して複数のパターンに
分類しており、これにより高効率でのネットの再構築を
可能にするための多重系の教師データベースとなってい
る。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、ニューラルネットワー
クの自動追加学習における教師データを自動的に抽出し
て随時好適な最新を追加学習する自己成長型のネットワ
ークを構築するニューラルネットワークの教師データ自
動抽出方法と、さらに、それを用いたニューラルネット
ワークシステム、並びに、プラント運転支援装置に係わ
る。

【０００２】

【従来の技術】上水処理プロセス、下水処理プロセスな
どをはじめとする各種プラントの運転管理には、熟練者
による運転管理のノウハウが必要であった。しかし、近
年、熟練者の不足と若手運転管理者の経験不足などの理
由からオペレータの経験的知識を抽出し、推論機構と共
に用いる知識工学（ＡＩ）の手法が頻繁に適用されるよ
うになってきている。この知識工学の手法を用いた運転
支援システムは、推論過程が論理的に明確であり、推論
によるガイダンスの根拠が提示できるため、オペレータ
に対して説得力を持つが、その反面、そのような経験的
知識の獲得とメンテナンスとが煩雑であるという問題が
ある。

【０００３】この知識工学（ＡＩ）の手法を用いた運転
支援システムとしては、その代表的なものとして、ニュ
ーラルネットワーク（神経回路網）を用いたものが既に
知られており、かかるニューラルネットワークを用いた
プラント運転支援システムは、過去の履歴（経験）を基
に学習することでネットワーク（神経網）を構築してい
く。そして、その過去の経験から構築されたニューラル
ネットワークで想起を行うことによって予測結果を算出
する。つまり、人間のように新しいネット構成を学習す
る毎に少しずつ過去のネット構成の影響が薄れ（忘
却）、また、繰り返し学習されるパターンについては因
果関係の強いニューラルネットワークを構成していくも
のである。

【０００４】このようなニューラルネットワークモデル
による運転支援システムでは、運転履歴データ中に埋も
れたオペレータの経験や勘に相当する知識を学習し、そ
の学習によって得られたネットワークを想起することに
より、定量的なガイダンスのみを提示することができ
る。例えば、特開平４−１３３１６４号公報に記載され
ているように、運転履歴データがあれば、煩雑な知識獲
得の工程なしに、運転支援を実現することができる。

【０００５】一方、入出力値のパターンに従って複数の
ネットワークを事前に構築し、その事前に構築されたネ
ットワーク（再構築が行われない）を想起する場合、ネ
ットワーク構築時には経験のない入出力値になった時の
予測精度は落ちる。そこで、教師データを自動的に選定
し、再学習を行うことによってネットワークを再構築す
ることでネットワークが成長する、いわゆる、自動追加
学習方法が提案されている。

【０００６】従来、ニューラルネットワークモデルにお
ける自動追加学習方法として、例えば特開平３-１０５
６６２号公報に記載されているように、入力パターンと
出力パターンとを対応させて入出力パターンを作成し、
これを教師データとして使用することが既に提案されて
いる。

【０００７】

【発明が解決しようとする課題】しかしながら、その反
面、上記の従来技術においては、特に、ニューラルネッ
トワークモデルにおける教師データの抽出方法におい
て、次のような課題があった。すなわち、上記従来技術
の自動追加学習方法においては、ニューラルネットワー
ク再構築のための教師データの抽出において、最新デー
タを教師データとして追加してネットワークの再構築を
行う場合には、最新データに無節操に追従するネットワ
ークを構築する、あるいは、制御結果の善し悪しにかか
わらずネットワークを構築するため、誤ったネットワー
クを再構築するという危険性があった。また、入出力結
果、あるいは、制御結果のみを評価して教師データを抽
出する場合、例えば、制御結果が同じく良好な場合で
も、入出力は異なる。また、教師データが多数ある場合
には、学習時における選定や学習に多くの時間が必要と
なり、非効率である。

【０００８】一方、これに対して、教師データとして、
オペレータによって抽出された異常な、あるいは、一定
の教師データだけを用いる場合には、オペレータによる
教師データの抽出頻度が少ないことから、ネットワーク
がなかなか成長しないと言う問題があった。また、オペ
レータなどの操作によって教師データの抽出を行う場
合、抽出した教師データが必ずしも豊富な経験や物理的
制御結果に基づいた操作でない場合もある。特に、ＡＩ
技術を用いた運転支援ガイダンスが使用される背景とし
て、従来技術で述べたように熟練者の不足などが挙げら
れる。これらの問題を考慮する場合、上述の誤ったオペ
レータなどの操作による不適切なネットワークの構築、
つまり、不適切な運転支援を行う危険性が十分に考えら
れる。

【０００９】さらには、特に上記特開平３-１０５６６
２号公報により知られるような、入出力パターンを抽出
してこれを教師データとして使用する方法では、入出力
パターンの変化によって教師データが抽出されるが、こ
れでは最終的な制御結果を反映していないため、間違っ
た教師データを抽出してしまい、これによって不適切な
ネットワークを構築する危険があった。

【００１０】そこで、本発明では、ニューラルネットワ
ーク再構築のための教師データを物理的制御結果に基ず
いて行い、有効な教師データを自動抽出することにより
自己成長型のネットワークの再構築が可能であり、常に
有効で信頼性の高いニューラルネットワークの構築が現
実の装置でも実現可能なニューラルネットワークの教師
データ自動抽出方法と、それを用いたニューラルネット
ワークシステムを提供することを目的とする。

【００１１】さらに、本発明によれば、かかるニューラ
ルネットワークシステムを採用して自己成長型のネット
ワークを構築することにより、実質的にメンテナンスフ
リーで想起誤差の少ない予測値を出力することの可能な
プラント運転支援装置を提供することにある。

【００１２】

【課題を解決するための手段】上記の本発明の目的を達
成するため、本発明によれば、まず、自動学習により最
新教師データを追加学習する自己成長型のニューラルネ
ットワークを構築して、複数の入力パラメータから出力
予測値を算出する想起を行うニューラルネットワークに
おいて、制御結果に基づいて教師データを抽出し、当該
教師データを前記各入力パラメータのパターン毎に分類
し、それぞれのデータベースを構成するニューラルネッ
トワークの教師データ自動抽出方法が提案される。

【００１３】また、上記の本発明の目的を達成するた
め、本発明によれば、自動学習により最新教師データを
追加学習する自己成長型のニューラルネットワークを用
いて制御装置の複数の入力パラメータから出力予測値を
算出して表示することにより、オペレータに対して運転
支援を行うことが可能なニューラルネットワークにおい
て、前記ニューラルネットワークは、前記各入力パラメ
ータのパターン毎に、それぞれの教師データを制御結果
に基づいて作成し、それぞれのデータベースを構成する
ことにより教師データを自動抽出する機能を備えている
ニューラルネットワークシステムが提案される。

【００１４】さらに、本発明によれば、上記の本発明を
プラントの運転支援装置に適用したものとして、ニュー
ラルネットワークを用いてプラント制御装置の複数のプ
ラント入力パラメータからプラント出力予測値を算出し
て表示することにより、プラントを管理するオペレータ
に対してプラント運転支援を行うことが可能なプラント
運転支援装置において、前記ニューラルネットワーク
を、ニューラルネットワークの自動追加学習構築により
最新教師データを追加学習する自己成長型のニューラル
ネットワークとし、かつ、制御結果に基づいて得られる
教師データのための多重系の教師データベースを備えて
いるプラント運転支援装置が提案される。

【００１５】

【作用】前記本発明で提案した本発明のニューラルネッ
トワークの教師データ自動抽出方法、及び、それを用い
たニューラルネットワークシステムによれば、制御結果
に基づいて得られる教師データを、複数の入力パラメー
タのパターン毎に分類して多重系の教師データベースを
備えるようにしたことから、有効な教師データを自動抽
出することにより自己成長型のネットワークの再構築が
可能であり、かつ、そのための処理量も少なく、有効で
信頼性の高いニューラルネットワークの構築が現実の装
置でも実現可能となる。また、本発明を適用したプラン
トの運転支援装置によれば、オペレータなどの入力処理
や操作を介することなく、ニューラルネットワークの教
師データの自動抽出が可能になることから、ニューラル
ネットワークの自動学習をメンテナンスフリーで実用レ
ベルで行うことが可能となる。そして、多重系の教師デ
ータを有することにより、状況変化に対応したネットワ
ークを効率よく、また、精度のよい好適な予測ガイダン
スが提供できる。

【００１６】すなわち、上記の本発明では、上述の従来
技術における情事に鑑み、物理的にも経済的にも最適な
教師データを、現実の装置でも教師データの自動抽出す
ることを可能にし、自己成長型のネットワーク構築を実
現可能にすることにより、実質的にメンテナンスフリー
な自動学習が実現可能な自己成長型のニューラルネット
ワークを構築可能にするものである。また、本発明の具
体的応用例としては、浄水処理プロセスを管理するオペ
レータに対する運転支援システムをはじめとする各種プ
ラント運転システムにおいて、階層型ニューラルネット
モデルの入力層に計器などから得られるデータを入力す
ることによって、出力層に平均想起誤差の少ない予測値
を出力させるモデルなどに用いることが可能である。

【００１７】

【実施例】本発明の実施例を説明する前に、まず、本発
明になる自己成長型ニューラルネットワークの構築につ
いて要約して説明すると、ニューラルネットワークの教
師データの自動抽出において、上記の諸問題を解決する
手段として、物理的な制御結果の善し悪しを判定するロ
ジック（判定値を設定するなど）を用いることにより、
制御結果の良好な制御時のデータを教師データとして自
動抽出し、自己成長型のネットワークを構築する手段を
提案するものである。また、良好な制御結果のみでな
く、諸状況データの変化量によって、多重系の教師デー
タ群に分類することによって、外乱状況の傾向によっ
て、教師データを切り換えて使用することによって、よ
り有効で高効率な予測算出を行うことが可能となる。

【００１８】次に、教師データの自動抽出方法の手段と
しては、制御対象物の後段の制御結果を、常時、監視す
る。その制御結果が目標値になっているかどうか（制御
操作の善し悪し）を判定するロジックを設置し、制御結
果が好適（制御操作が良好）な場合、その制御操作量、
及び、入力状況等のニューラルネットワークの教師デー
タ項目を教師データとして自動抽出する。

【００１９】さらに、自己成長型のニューラルネットワ
ークを構築する手段として、上述の教師データ自動抽出
の手段を一定周期毎に用い、教師データ群（ＤＢ）に追
加する。この教師データ自動抽出、及び、教師データ群
（ＤＢ）への最新教師データ追加処理によって、状況変
化に対応した経験を有する自己成長型のニューラルネッ
トワークを構築することが可能となる。

【００２０】また、多重系の教師データ群（ＤＢ）を状
況変化に応じて、切り換えて使用する手段において、教
師データを自動抽出する際、制御結果、制御操作に対応
する諸入力状況変化量によって、諸入力状況のマクロな
変化、例えば、上昇、下降、安定、異常などによって、
教師データ群を分類して追加格納を行う。この多重系の
教師データ群を諸入力状況のマクロな変化に応じて切り
換えて用い、追加学習、想起行うことにより、有効で、
高効率な予測算出を行うことが可能となる。

【００２１】以上のことにより、教師データの自動抽出
を好適に行うことによって、諸入力状況の変化に対応し
た多重系の教師データ（ＤＢ）を用いることにより、高
効率で有効なネットワークを構築することが可能とな
り、ニューラルネットワークの教師データ自動抽出及び
自動学習、想起を実現することでメンテナンスフリーな
自動追加学習の自己成長型ニューラルネットワークが構
築できる。

【００２２】以下、本発明の実施例について添付の図面
を参照しながら詳細に説明する。なお、以下に詳細に説
明する実施例は、本発明を、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において、知能的支援の手
法としてニューラルネットワークを用いた場合の支援シ
ステムに適用した一例である。従って、本発明は、ニュ
ーラルネットワークを用いた各種の支援システム、特
に、オペレータが介在する各種プロセス、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、原子力発電プロセス、株価・為替など
の金融プロセスなどにも適用することができる。

【００２３】図１は、本発明の一実施例になるプラント
運転支援システムを、浄水処理プロセスの運転管理に適
用した場合の全体構成を示したブロック図である。ま
ず、浄水処理プロセスの手順を簡単に説明する。図１に
おいて、河川や湖沼などの水源からの原水を着水丼１０
０に導く。次に、着水丼１００の水を導入する急速混和
池１１０において、凝集剤タンク１１１の凝集剤を凝集
剤注入ポンプ１１２により注入し、撹拌翼１１３を撹拌
機１１４により駆動して撹拌する。なお、ここでは、フ
ロック形成を促進するアルカリ剤を注入することもあ
る。さらに、フロック形成池１２０には撹拌バドル１２
１を配置して緩やかに回転させる。これにより形成され
たフロックは、続く沈殿池１３０で沈殿させ、さらに、
その上澄み液をろ過池１４０でろ過する。

【００２４】次に、計測系統について説明する。原水の
水質を計測するために、着水丼１００に計測器１００Ｍ
を設置する。この計測器による計測項目は、水温、濁
度、アルカリ度、電気伝導度、ｐＨ、残留塩素度、塩素
要求度、水量、水位などである。続いて、フロック形成
池１２０には、計測器１２０Ｍを設置してある。この計
測器１２０Ｍは、上記の計測器１００Ｍで計測する項目
に加えて、さらに水中カメラなどの撮像手段１６０を含
んでいる。さらに、沈殿池１３０には、計測器１３０Ｍ
を設置してある。なお、上記の急速混和池１１０にも上
記計測器１２０Ｍと同様の計測器１１０Ｍを設置し、さ
らに、ろ過池１４０にも計測器１４０Ｍを設置すること
もある。これら計測器の計測項目は、上記の計測器１０
０Ｍ、１２０Ｍによる計測項目と同様である。

【００２５】以上の計測器を含む計測系統により計測さ
れた計測データは、まず、支援システム２００内の運転
履歴データベース１８０に取り込まれる。また、水中カ
メラなどの撮像手段１６０で得られたデータは、一旦、
画像処理手段１７０で処理された後、やはり、支援シス
テム２００内の運転履歴データベース１８０に取り込ま
れる。

【００２６】次に、プロセスのオペレータに対して運転
管理支援を行う知能的運転管理支援システム、すなわ
ち、支援システム２００について説明する。まず、この
支援システム２００は、以下のサブシステムからなる。（１）ニューラルネット応用支援システム（ニューロシ
ステム）２３０（２）画像処理手段１７０（３）運転履歴データベース１８０（４）教師データベース１８５特に、本発明の特徴部分を構成しているニューロシステ
ム２３０は、さらに、教師データ抽出手段２７０と、学
習手段２８０と、定量的ガイダンス及び表示手段（ガイ
ダンス表示手段）３８０と、ニューラルネットベース４
００とからなる。

【００２７】以上に述べた構成において、ニューロシス
テム２３０は、まず、過去の履歴データの内、有効と思
われるデータを運転履歴データベース１８０から、制御
結果の好適であったデータを教師データとして自動抽出
する。この抽出した教師データを学習手段２５０におい
てニューラルネットにより学習し、想起を行う。この学
習後のニューラルネットの役割は、想起によって運転管
理に必要な定量的ガイダンスを求め、結果をニューラル
ネットベース４００に送ることである。また、ここで抽
出された知識は、ガイダンス表示手段３８０を介して、
表示手段１９０に送られる。この表示手段１９０では、
定量的ガイダンスと抽出知識とをそのＣＲＴ画面上に表
示する。

【００２８】次に、上記の支援システム２００への各種
データの入出力について説明する。まず、入力について
説明すると、上記の各計測器１００Ｍ、１１０Ｍ、１２
０Ｍ、１３０Ｍ、１４０Ｍ、及び、撮像手段１６０で
は、所要時間間隔でデータをサンプリングされたデータ
は、運転履歴データベース１８０に送られて保存され
る。また、計測器によるオンライン計測ができない手分
析データや、目視観察データは、キーボード１９５か
ら、表示手段１９０のＣＲＴ画面上のメッセージを参照
しながら、対話的に入力される。

【００２９】続いて、出力について説明すると、支援シ
ステム２００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。この支援システム２００内の
ニューロシステム２３０から得られたガイダンスは、表
示手段１９０のＣＲＴ画面を通じてオペレータに表示さ
れる。なお、この表示手段１９０のＣＲＴ画面は、必要
に応じて撮像手段１６０から映像を映すモニタとしての
機能をも兼ねることができる。

【００３０】オペレータは、表示手段１９０のＣＲＴ画
面上に表示されたガイダンスを参考に、操作量の必要と
認められる変更等を、キーボード１９５を通して、制御
手段１５０に入力する。制御手段１５０は、キーボード
１９５から入力された入力データに従って、プロセスの
各機器を制御する。なお、支援システム２００からのガ
イダンスが、直接、上記制御手段に入力されることもあ
る。

【００３１】以上が、本実施例の支援システムの全体の
構成と動作の概要であり、次に、上記のニューロシステ
ム２３０内で行われるニューラルネット（神経回路網）
モデルの教師データ抽出、学習及び知識抽出（想起）方
法について順に説明する。

【００３２】まず、ニューラルネットモデルの学習は、
平均想起誤差が減少するように、重み係数行列を修正す
ることにより行う。学習アルゴリズムとしては最も多用
されている従来型ＢＰ法を用いており、この方法では、
平均想起誤差の二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。

【００３３】次に、本実施例のニューロシステム２３０
を、オペレータが介在するプロセスの一つである浄水プ
ロセスで運用する場合を例にとり、本発明の特徴をなす
学習手段２５０の動作を、その構成と共に、具体的に説
明する。まず、本実施例の浄水プラントでは、流入水質
や計測器の特性が経時的に変化するため、これに応じて
凝集剤注入方法も変化する。一方、この状況変化に対応
して、ニューラルネットワークが臨機応変に追加学習し
ていけば、自己成長性を有する運転支援が行えることと
なる。このような自動追加学習方法の概略を、添付の図
２に示す。

【００３４】運用前の段階では、新規ニューラルネット
を構築する（ステップ２６０）。次に、実機運用後（自
動学習）の段階では、教師データの抽出を行い（ステッ
プ２７０）、学習手段による学習を行なう（ステップ２
８０）。その後、ガイダンス周期か否かを判定し（ステ
ップ３７０）、判定の結果、ガイダンス周期になってい
れば（Ｙｅｓ）、ガイダンス内容を表示し（ステップ３
８０）、再び、教師データの抽出を行うステップ２７０
へ戻る。他方、ガイダンス周期になっていなければ（Ｎ
ｏ）、ガイダンス内容の表示を行わずに教師データの抽
出を行うステップ２７０へ戻ることとなる。

【００３５】なお、この浄水プロセスでの運用手順の考
え方は、以下の通りである。１．処理が良好で、しかも、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ワークに反映させる。２．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。３．メンテナンスフリーで自動学習する。すなわち、ことような考え方により、プラントデータ群
の構造変化に適応して、常に、最適な予測ガイダンスを
行うことである。

【００３６】ここで、上記の図２において符号２６０で
示した、新規ニューラルネットワーク構築のステップの
詳細なフロー図を、添付の図３によって示す。まず、図
において符号２６１と２６３とで示すステップでは、任
意の初期値にて既存データを用いて学習・想起を行い
（ステップ２６１）、さらに、平均想起誤差が目標誤差
よりも小さくなるまで学習・想起を繰り返す（すなわ
ち、判定ステップ２６３において「Ｎｏ」の場合には、
再びステップ２６１へ戻る）。その後、ステップ２６５
では、平均想起誤差が十分に小さくなったネットワーク
を、ニューラルネットベース４００に格納する。さら
に、ステップ２６８では、前段のステップ２６５までで
構築されたネットワークにより、学習周期と学習判定日
数の組み合わせによって学習・想起を行い、正常時／異
常時などのケース毎に平均想起誤差が最小となる学習周
期と学習判定日数の最適な組み合わせを設定する。この
学習周期と学習判定日数の設定は、後で述べる処理切り
換えで切り換えを行う。

【００３７】次に、図２において符号２７０で示す教師
データ抽出、符号２８０で示す学習手段、及び、符号３
８０で示すガイダンス表示の部分は、実機運用後の手順
により示す。なお、本実施例においては、ニューラルネ
ットワークの追加学習方法として、自動追加学習を行う
ものとする。

【００３８】まず、本発明の第一の特徴である教師デー
タの自動抽出（すなわち、図２の教師データ抽出２７
０）の原理について、図４により浄水プラントの凝集剤
注入率制御を用いて説明すると、この浄水プラントにお
いては、凝集剤注入率制御の制御結果（目標値）の指標
の代表的なものとして、フロック形成池に於けるフロッ
ク形成状態が挙げられる。つまり、良好なフロック形成
状態が最終的な制御目標となる。

【００３９】ここで、上述の「良好なフロック形成状
態」について簡単に説明すると、フロック形成状態の監
視手段として画像処理を用いる場合、監視画像を解析す
ることにより、処理水単位体積あたりのフロック体積、
フロック平均径、フロック径標準偏差などの情報を得る
ことが可能である。（例えば、フロック粒径とフロック
体積の分布の一例を図５に示す。）そこで、熟練者のオ
ペレータあるいは水質担当者などの意見を踏まえ、各浄
水プラントにおけるフロック形成状態良好時の処理水単
位体積当たりのフロック体積、フロック平均径、フロッ
ク径標準偏差などの評価値を決定する。そして、制御結
果がこの評価値内に納まっている場合を「良好なフロッ
ク形成状態」とし、これを教師データ自動抽出の判定基
準とする。

【００４０】これを具体的に、図４（ａ）〜（ｃ）に示
した浄水プラントモデルにおいて、ニューラルネットワ
ークを用いた凝集剤注入率制御を行う場合の動作を説明
する。まず、入力値（教師データ入力層項目）となる原
水温度、原水流量などのデータは、図４（ａ）に示すよ
うに、時刻Ｔ0において、着水井１００のグレーの部分
となる。その原水は、ある遅延時間経過後、例えば図４
（ｃ）に示す時刻Ｔ1において、急速混和池１１０で凝
集剤タンク１１１から凝集剤が注入され、この凝集剤注
入率が制御操作予測値（教師データ出力層項目）とな
る。さらに、その凝集剤が混和された水が、ある遅延時
間経過後、例えば図４（ｃ）に示す時刻Ｔ2において、
フロック形成池１２０でフロックが形成される。このフ
ロック形成状態の善し悪しを画像処理装置などを用いて
観測し、時刻Ｔ0での原水に対する時刻Ｔ1での制御操作
量が好適であるかどうかを判定するための指標とする。

【００４１】ここで、上記図４（ｃ）の時刻Ｔ2に於け
るフロック形成池１２０でのフロック形成状態が良好で
ある場合、図４（ａ）の時刻Ｔ0での原水状況をニュー
ラルネットワークの入力値として、また、図４（ｂ）の
時刻Ｔ1に於ける凝集剤注入量をニューラルネットワー
ク出力層として、これを教師データに用いる。このよう
に、教師データの更新を行うことにより、図６に示すよ
うに、レベル（１）の以上レベルから、レベル（２）あ
るいはレベル（３）のように異常レベルが変動してもこ
れに対応することが可能になる。なお、このとき、本発
明では、入力パターン、すなわち、入力値の変化量（エ
ッジセンス及びレベルセンス）を判定し、多重系の教師
データとして場合分けをして、データベースに格納す
る。これは、例えば、図７に示すように、入力値レベル
がマクロ的にみて変化する場合、様々な入力値レベルに
おいて、同様のフロック形成状態が良好な場合でも、制
御操作量は入力値の変化に応じて、当然異なる。また、
入力値レベルが同様な場合（図７のＡ点、Ｂ点）でも、
その入力値の変化に応じて制御量は異なる。従って、教
師データ抽出の際に、制御結果と共に、複数の入力パラ
メータのパターン、すなわち、入力値レベル、あるい
は、入力値の変化量に応じて、教師データを分類して格
納することにより、自動追加学習及び、想起においても
処理効率を高め、想起誤差の少ない教師データの抽出が
可能となる。

【００４２】このことを詳細に説明するため、以下の３
つの場合を想定して説明を行う。（イ）複数のネットワークを、追加学習せずに入力状況
の変化によって切り換えて使用する場合で、一つのネッ
トワークを使って教師データの自動抽出、自動追加学習
を行う時。（ロ）自動抽出した教師データベースを一つの教師デー
タベースに格納し、追加学習を行う場合。（ハ）自動抽出した教師データベースを複数のパターン
別の教師データベースに格納し、入力状況の変化によっ
て切り替えながら追加学習を行う場合。すなわち、これらの３つの処理体系での違いを比較し、
本発明で提案している（ハ）の場合の効果について検討
を加える。なお、ここでは、これら（イ）、（ロ）、
（ハ）の場合において、変化値の大きさ（目標値）が１
であって、良好な予測を行えるネットワークが存在する
過程で、変化量が急激な２である場合の予測誤差の比較
において検討する。また、追加学習におけるネットワー
クの自己成長性の違いを見るために、同様の急激な２の
変化について、１度目と２度目の予測誤差にも注目す
る。

【００４３】まず、上記（イ）の場合を図８に示す。こ
の図７（ａ）は、複数のネットワークの中で、適用する
ネットワークの構築時に変化値が１の経験を持つ場合、
１の変化値に対して良好な予測を行うことを示してい
る。しかしながら、この（イ）の場合には、ネットワー
クの再構築が行われないため、図８（ｂ）と（ｃ）で示
されるように、全てのネットワーク構築時に未経験な変
化値に対しては良好な予測が困難となる。また、ネット
ワークの再構築が行われないため、図８（ｂ）と（ｃ）
からも明らかなように、図８（ｂ）での経験が図８
（ｃ）に反映されることは望めない。

【００４４】次に、上記（ロ）の場合の例を図９及び図
１０に示す。まず、図９（ａ）は、前回までのネットワ
ーク構築時に変化値が１の経験を持つ場合、この１の変
化値に対しては良好な予測を行うことを示している。次
に、図９（ｂ）は未経験な変化量２が初めての場合であ
り、初めは予測値に誤差があるが、ネットワークの再構
築を繰り返すに従い徐々に良好な予測を行う。図９
（ｃ）では、前回（図９（ｂ））の経験によってネット
ワークが再構築されているため、図９（ｂ）に較べ、初
めから良好な予測が可能となる。しかしながら、ここで
問題となるのは、教師データを複数のパターンに分類せ
ずに学習するため、教師データのなかに現在の変化値に
マッチしない教師データが存在し、その影響によって予
測誤差が生じることである。また、図１０（ａ）と
（ｂ）は、図９（ｂ）と（ｃ）の出現頻度の多少によっ
て、同様な変化値が２度目である図９（ｃ）の予測に及
ぼす影響について説明するものである。すなわち、上記
（ロ）の処理体系を用いる場合、図１０（ａ）に示され
るように、同様の変化の発生頻度が多い場合、２度目の
発生時には、ネットワークが良好に改善されているため
（現在の変化値以外のパターンの影響が小）、良好な予
測が行える。しかしながら、図１０（ｂ）のように発生
頻度が少ないときには、現在の変化値以外のパターンに
よってネットワークが現在のパターンに適さない別のパ
ターンのネットワークが構築されているため、前回の経
験が有効に反映されていない。

【００４５】そこで、本発明によって提案する上記
（ハ）の場合の処理体系を図１１に示す。この図１１
（ａ）は、上記（ハ）の場合の処理体系が、上記（ロ）
の処理体系と同様に、前回までのネットワークの構築時
に変化値が１の経験を持つ場合、１の変化値に対しては
良好な予測を行うことを示している。次に、図１１
（ｂ）は、未経験な変化値２が初めての場合であるが、
現在の変化値にマッチしない教師データが存在しないた
め、上記図９（ｂ）に較べ、より速く良好な予測が可能
となる。また、図１１（ｃ）でも、１度目よりもより迅
速に良好な予測が可能となり、パターン別の教師データ
に分類し、適切な教師データベースを用いるため、上記
図１０（ｃ）で示したような別パターンデータによる外
乱の影響が少ないことから、予測、想起の制度向上に役
立つ。そして、上記図１０で問題になった、同様な変化
値の発生頻度の違いによる予測制度の影響は、本発明の
上記（ハ）の場合の処理体系では、複数のパターン別教
師データに分類格納し、その教師データを切り替えなが
ら追加学習を行うため、別教師パターンデータによるネ
ットワーク再構築への悪影響はなく、発生頻度に関係な
く、同様な変化値を経験する毎に予測制度が向上すると
いうメリットがある。

【００４６】このように、上記（ロ）と（ハ）の場合の
処理体系の違いにより、予測誤差が許容誤差値に達する
までの学習効果の違いを、添付の図１２を用いて説明す
る。なお、ここでは、教師データがＡ、Ｂ、Ｃの３つの
パターンに分類される場合であり、図１２（ｂ）に示す
ように、本発明になる上記（ハ）の処理体系では、これ
らの教師データをＡ、Ｂ、Ｃの３つの教師データベース
に格納し、これら３つの教師データベースを切り替えな
がら追加学習していくこととなる。これに対し、上記
（ロ）の場合の処理体系では、図１２（ａ）に示すよう
に、これらＡ、Ｂ、Ｃのパターンのデータは１つの教師
データベースにまとめて格納することとなる。このこと
により、上記（ハ）の処理体系で、教師データベース
Ａ、Ｂ、Ｃ夫々の教師データ数が１０であるとする場合
には、上記（ロ）の場合の処理体系では教師データ数が
３０となり多くなってしまう。（ここで、上記（ロ）の
場合の教師データ数を少なくすることが考えられるが、
しかしながら、このことは、ネットワーク再構築時の経
験を少なくすることともなるので、これを上記（ハ）の
処理体系での処理と単純に比較することは出来ない。）

【００４７】また、図１３に示すグラフからも分かるよ
うに、上記（ロ）の場合、本発明の上記（ハ）の処理体
系に較べてデータ数が多いために、学習において多くの
処理が必要とされ（すなわち、学習回数が同じときに
は、データ数が多いために処理量が増大するため）、収
束時間が増大してしまう。また、上記（ロ）の場合に
は、ネットワークの再構築時に、現在の変化値にマッチ
しない別のパターンデータが教師データベース上に存在
することにより、外乱の影響でなかなか収束しないとい
う問題が起こる。これに対して、上記（ハ）の本発明の
処理体系では、現在の変化値にマッチしたパターンデー
タのみが教師データベース上に存在することにより、外
乱が少なく、処理すべきデータ数も少なくなり、収束時
間も減少する。しかし、ネットワークの再構築時に有効
なデータ数は上記（ロ）の場合と同様であり、このこと
からも、データを効率良く学習することが出来る、処理
の負担も小さくすることが出来るというメリットがあ
る。

【００４８】以上に詳述した本発明になる教師データの
自動抽出方法を実際に実行するため、すなわち、上記の
実施例において、図２において符号２７０で示した教師
データ抽出処理の具体的な内容を、図１４に示すフロー
チャートを用いて詳細に説明する。まず、この教師デー
タ注出処理では、履歴データベース４００内のデータを
学習周期毎に取り込みを行い、制御結果の判定を行う
（２７１）。すなわち、上記の図４で説明したように、
操作量である制御操作予測値（時刻Ｔ1に於ける凝集剤
注入量）に対する制御結果（時刻Ｔ２に於けるフロック
形成状態の判断）を用いて行う。この判定の結果、制御
結果が良好な場合に、滞留時間（時刻T１から時刻T２）
を考慮した教師データを運転データベース４００から抽
出する（２７２）。

【００４９】さらに、入力値判定ロジック（２７３）で
は、マクロ的にみた入力値の変化に判断し、対応したフ
ラグ（トリガスイッチ）をセットする。すなわち、安定
としている場合には安定フラグを（２７４）、異常と判
断される場合には異常フラグを（２７５）、入力が上昇
している場合には上昇フラグを（２７６）、そして、入
力が下降していると判定された場合には下降フラグをセ
ットする（２７７）。その後、教師データは、各フラグ
に従って、各パターン毎に教師データベース１８５内の
複数のデータベースに分類して追加格納される（２７
８）。

【００５０】なお、上記の実施例では、教師データを教
師データベース１８５内に格納する際、入出力パターン
にマッチしたフラグにより分類して格納する方法を説明
したが、しかしながら、この方法のみに限らず、例えば
教師データの各系のデータベースは一つの場合でもよ
く、その場合、ネットワークを再構築する際に、入出力
パターンにマッチした教師データを抽出するためのフィ
ルターを設けても同様の効果が得られる。しかしなが
ら、処理工程数を考慮した場合には、上記に提案したよ
うに、複数のデータベースを備えたほうが有利である。

【００５１】次に、上記教師データ自動抽出２７０と共
に、図２に符号２８０で示された学習手段の部分の概略
を添付の図１５のブロック図に示す。この図から明らか
なように、この学習手段は、計器で一定周期計測された
データ（履歴データ内データベース）の取り込みから、
学習・想起の一連の処理を含んでいる。

【００５２】まず、教師データ自動抽出２７０では、入
力データとして履歴データベース（図１４の符号４０
０）内のデータを学習周期毎に取り込んで上述の方法に
より教師データの自動抽出を行い、その内部の入力値判
定ロジック（２７３）では、入力値の急激な変化に対応
したニューラルネットワークを再構築するため、入力値
の変化に対応したフラグ（トリガスイッチ）を設け、フ
ラグによって学習周期の処理切り換えを行う。なお、上
記図１４では、教師データ自動抽出２７０の入力値判定
ロジック（２７３）では、入力値の変化に対応して４種
類のフラグ（すなわち、安定フラグ、異常フラグ、上昇
フラグ、そして下降フラグ）を設けた場合について説明
を行ったが、ここでは、説明を簡単にするため、このフ
ラグを２値、すなわち、安定フラグと異常フラグとに設
定するものとして説明する。

【００５３】次に、ニューラルネットワーク追加学習処
理２８０では、前回の処理の良し悪しを判定し、良好で
あった場合には現ネットワークの初期値として前回デー
タの追加学習を行い、新ネットワークとし、現ネットワ
ークと新ネットワークの両方を学習判定日数Ｎ日分で想
起を行い、新ネットワークの平均想起誤差の小さい場合
には、新ネットワークを現ネットワークとしてニューラ
ルネットベースに格納する。

【００５４】さらに、現在の操作量の想起３３０では、
現ネットワークで計測器などから得られたデータを基に
して操作量などを想起し、ガイダンス表示を行う。

【００５５】次いで、想起判定ロジック３４０では、入
力値判定ロジック（図１４の符号２７３）と同様に、想
起値の急激な変化などによって処理切り換えを行うため
のフラグの設定を行う。最後に、スイッチ（SW）３５０
では、上述の入力値判定ロジック２７３及び想起値判定
ロジック３４０で設定されたフラグを参照して安定／異
常時に応じた処理切り換え（学習周期と学習判定日数の
セット）を行い、自動追加学習を行う。

【００５６】以上に概略を説明した学習手段２８０のさ
らに詳細な処理内容について、添付の図１６を参照しな
がら説明する。図において、ニューラルネット追加学習
処理３００では、前回の処理の良悪を判定して良好であ
った場合は、現ネットの初期値として前回データの追加
学習を行い、学習結果を新ネットとし（３０５）、現ネ
ットと新ネットの両方を学習判定日数Ｎ日分で想起を行
い（３１０）、新ネットの平均想起誤差の方が小さいか
否かを判定し（３１５）、その結果「Ｙｅｓ」と判断さ
れた場合には、現ネットを放棄し、新たに新ネットを現
ネットとしてニューラルネットベース４００に格納（３
２０）し、他方、判定の結果「Ｎｏ」と判定された場合
にはそのまま次の処理へ移行する。

【００５７】次の処理では、現ネットでの現在の操作量
の想起を行い（３３０）、すなわち、現ネットで計測器
などから得られたデータを基にして操作量などを想起
し、さらにはガイダンス表示を行う。

【００５８】さらに、想起判定ロジック３４０では、入
力値判定ロジック（図１４の符号２７３）と同様に、想
起値の急激な変化などによって処理切り換えを行うため
のＳＷのセット／リセットを行う。具体的には、図にも
示すように、まず、想起値が安定しているか否かを判定
し（３４１）、安定している（「Ｙｅｓ」の）場合には
安定フラグをセットし（３４３）、不安定な（「Ｎｏ」
の）場合には異常フラグをセットする（３４５）。

【００５９】最後に、スイッチ切り換え３５０では、入
力値判定ロジック２７３及び想起値判定ロジック３４０
でセット／リセットされたフラグを参照し、安定／異常
に応じた処理切り換え（学習周期と学習判定日数のセッ
ト）を行い、自動追加学習を行う。具体的には、入力値
と想起値が安定か否かを判定し（３６０）、その結果、
安定（「Ｙｅｓ」）と判断された場合には安定時ネット
処理を行い（３６３）、異常時（「Ｎｏ」）と判断され
た場合には異常時ネット処理を行う（３６５）。

【００６０】これらの手順において、先に述べた教師デ
ータ自動抽出、自動追加学習周期、学習判定日数、多重
系ネットワークの処理切り換えを行うことによって、ニ
ューラルネットワークの再構築の特徴を踏まえ、学習効
率を向上させハードウェアへの負担を小さくすると共
に、入力値などの急激な変化にも迅速に対応したネット
ワークを再構築することが可能となり、常に最適な信頼
性の高いガイダンス表示の可能な支援システムを確立で
きる。

【００６１】また、特に教師データの自動抽出により、
実用レベルでのニューラルネットワークの自動学習を実
現することが出来、これにより、オペレータなどの操作
量の低減にも役立つ。なお、本実施例では、浄水処理プ
ロセスを対象にして本発明を適用したが、これ以外に
も、本発明はこれのみに限定されることなく、オペレー
タの判断が重要とされている各種プロセスにおいても適
用することが可能であり、上記と同様の効果を得ること
が期待できることは言うまでもない。

【００６２】以上に述べたように、従来のニューラルネ
ットワークシステムでは、教師データの抽出などにオペ
レータへの煩わしい操作などが存在したことから、実用
レベルでのニューラルネットワークの自動学習が困難で
あったが、上述した手段により、教師データを自動抽出
することによって、オペレータの操作量の低減および実
用レベルでのニューラルネットワークの自動学習が可能
となった。また、好適な教師データを抽出することによ
り、オペレータの誤操作や予測算出ミスに伴う不適切な
ネットワークを構築する危険性をも減少させることも可
能となる。そして、随時好適な最新教師データを追加学
習することにより、新たな物理的制御結果を強く反映し
た自己成長型のネットワークを構築することをメンテナ
ンスフリーで実現できる。

【００６３】さらに、センサ入力状況変化に応じて多重
系の教師データベースに分類格納しその変化に応じた教
師データベースを選択することによって、高効率なネッ
トワークの再構築が可能となり、ハードウェアへの負担
も軽減できる。その結果、ニューラルネットワークの自
動追加学習による予測算出の長所を最大限に発揮するこ
とができ、プラント運転支援システムとして高い信頼性
を有する予測ガイダンスを提供できるプラント運転支援
システムを構築することができる。

【００６４】

【発明の効果】以上の詳細な説明からも明らかなよう
に、本発明になるニューラルネットワークの教師データ
自動抽出方法とそれを用いたニューラルネットワークシ
ステム、並びに、プラント運転支援装置によれば、ニュ
ーラルネットワーク再構築のための教師データを、物理
的制御結果を反映しながら効率良く自動抽出することを
可能にしたことにより、ニューラルネットワークの自動
学習を現実の装置でも実現可能とすることにより、効率
良くかつ平均想起誤差の少ない予測を実現する自己成長
型のニューラルネットワークを、オペレータの手を煩わ
すことなく構築することを可能とし、さらには、これに
より、常に最適な想起予測を行い、定量的で誤差の少な
い予測ガイダンスを行うことにより信頼性の高い予測ガ
イダンスを行うことの可能なニューラルネットワークの
手法を用いたプラント運転支援装置を実現することが出
来るという優れた効果を発揮する。

【図面の簡単な説明】

【図１】本発明の教師データ自動抽出方法を用いたニュ
ーラルネットワークによるプラント運転支援システムを
浄水処理プラントの運転管理支援装置に適用した実施例
の全体構成を示すブロック図である。

【図２】本発明になる教師データ自動抽出方法の処理概
略を示すフローを示す図である。

【図３】上記概略フローの新規ニューラルネット構築の
詳細処理内容を示すフローチャートある。

【図４】上記浄水処理プラントにおける教師データの自
動抽出の原理を説明する図である。

【図５】上記浄水処理プラントにおけるフロック粒径分
布特性（フロック粒径とフロック体積の関係）の一例を
示す図である。

【図６】本発明により教師データを抽出する自己成長型
ニューラルネットの効果を説明する図である。

【図７】上記浄水処理プラントにおける教師データの具
体的な自動抽出方法を説明する図である。

【図８】本発明との対比のため、追加学習を行なわない
ニューラルネットによる予測精度（自己成長性）を説明
する図である。

【図９】やはり、本発明との対比のため、自動抽出され
た教師データによる予測精度（自己成長性）を説明する
図である。

【図１０】上記図９に示した教師データの自動抽出処理
における問題点を説明するための図である。

【図１１】本発明のニューラルネットの教師データ抽出
方法による予測精度（自己成長性）を説明する図であ
る。

【図１２】ニューラルネットの処理体系の違いを説明す
る図である。

【図１３】上記ニューラルネットの処理体系の違いによ
る学習効率の違いを説明する図である。

【図１４】上記概略フローの新規ニューラルネット構築
の教師データ抽出処理の具体的な内容を示すフローチャ
ートである。

【図１５】本発明における処理切り換えのための概略構
成を示すブロック図である。

【図１６】上記概略フローの新規ニューラルネット構築
の学習手段の具体的な内容を示すフローチャートであ
る。

【符号の説明】

１００着水丼１１０急速混和池１１１凝集剤タンク１１２凝集剤注入ポンプ１１３撹拌翼１１４撹拌機１２０フロック形成池１２１撹拌パドル１３０沈殿池１４０ろ過池１００Ｍ、１１０Ｍ、１２０Ｍ、１３０Ｍ、１４０Ｍ
計測器１５０制御手段１６０撮像手段１７０画像処理手段１８０運転履歴データベース１８５教師データベース２００支援システム２３０ニューロシステム２７０教師データ抽出手段２８０学習手段３８０定量的ガイダンスおよび表示手段４００ニューラルネットベース

フロントページの続き (72)発明者渡辺昭二茨城県日立市大みか町五七丁目１番１号株式会社日立製作所日立研究所内 (72)発明者矢萩捷夫茨城県日立市大みか町五七丁目１番１号株式会社日立製作所日立研究所内

Claims

【特許請求の範囲】

【請求項１】自動学習により最新教師データを追加学
習する自己成長型のニューラルネットワークを構築し
て、複数の入力パラメータから出力予測値を算出する想
起を行うニューラルネットワークにおいて、制御結果に
基づいて教師データを抽出し、当該教師データを前記各
入力パラメータのパターン毎に分類し、それぞれのデー
タベースを構成することを特徴とするニューラルネット
ワークの教師データ自動抽出方法。
【請求項２】前記請求項１のニューラルネットワーク
の教師データ自動抽出方法において、前記各入力パラメ
ータは、その入力値レベルのマクロ的な変化値に応じて
パターン毎に分類され、前記教師データとして抽出され
ることを特徴とするニューラルネットワークの教師デー
タ自動抽出方法。
【請求項３】前記請求項１のニューラルネットワーク
の教師データ自動抽出方法において、前記各入力パラメ
ータのパターン毎に教師データを抽出する際、さらに、
前記想起による出力予測値をも参照することを特徴とす
るニューラルネットワークの教師データ自動抽出方法。
【請求項４】自動学習により最新教師データを追加学
習する自己成長型のニューラルネットワークを用いて制
御装置の複数の入力パラメータから出力予測値を算出し
て表示することにより、オペレータに対して運転支援を
行うことが可能なニューラルネットワークにおいて、前
記ニューラルネットワークは、前記各入力パラメータの
パターン毎に、それぞれの教師データを制御結果に基づ
いて作成し、それぞれのデータベースを構成することに
より教師データを自動抽出する機能を備えていることを
特徴とするニューラルネットワークシステム。
【請求項５】前記請求項４のニューラルネットワーク
システムにおいて、前記ニューラルネットワークは、そ
れぞれのデータベース毎に構成された教師データに基づ
いて、入力パラメータの状況によって切り換えながら追
加学習する機能を備えていることを特徴とするニューラ
ルネットワークシステム。
【請求項６】前記請求項４のニューラルネットワーク
システムにおいて、前記ニューラルネットワークは、前
記各入力パラメータの入力値レベルのマクロ的な変化値
に応じて、教師データをパターン毎に分類する機能を備
えていることを特徴とするニューラルネットワークシス
テム。
【請求項７】前記請求項６のニューラルネットワーク
システムにおいて、前記ニューラルネットワークは、前
記各入力パラメータの入力値レベルから、少なくとも、
入力が安定か異常かを判定する機能を備えていることを
特徴とするニューラルネットワークシステム。
【請求項８】ニューラルネットワークを用いてプラン
ト制御装置の複数のプラント入力パラメータからプラン
ト出力予測値を算出して表示することにより、プラント
を管理するオペレータに対してプラント運転支援を行う
ことが可能なプラント運転支援装置において、前記ニュ
ーラルネットワークを、ニューラルネットワークの自動
追加学習構築により最新教師データを追加学習する自己
成長型のニューラルネットワークとし、かつ、制御結果
に基づいて得られる教師データのための多重系の教師デ
ータベースを備えていることを特徴とするプラント運転
支援装置。
【請求項９】前記請求項８のプラント運転支援装置に
おいて、前記ニューラルネットワークは、前記各プラン
ト入力パラメータのパターン毎に、それぞれの教師デー
タを作成し、それぞれのデータベースを構成することに
より、多重系教師データベースの教師データを自動抽出
する機能を備えていることを特徴とするプラント運転支
援装置。
【請求項１０】前記請求項９のプラント運転支援装置
において、前記ニューラルネットワークは、前記自動抽
出した多重系教師データベースの教師データを、プラン
ト入力パラメータのパターンにより切り換えてニューラ
ルネットワークの自動追加学習構築を行うことを特徴と
するプラント運転支援装置。
【請求項１１】前記請求項８のプラント運転支援装置
において、前記ニューラルネットワークは、さらに、過
去のプラント運転の入力及び出力を記憶する運転履歴デ
ータベースを備えていることを特徴とするプラント運転
支援装置。
【請求項１２】前記請求項８のプラント運転支援装置
において、前記ニューラルネットワークは、教師データ
を、前記各プラント入力パラメータの入力値レベルのマ
クロ的な変化値に応じて、入力が安定か異常かを判定し
てパターン毎に分類する機能を備えていることを特徴と
するプラント運転支援装置。