JPH07244502A - 制御装置 - Google Patents
制御装置Info
- Publication number
- JPH07244502A JPH07244502A JP3497894A JP3497894A JPH07244502A JP H07244502 A JPH07244502 A JP H07244502A JP 3497894 A JP3497894 A JP 3497894A JP 3497894 A JP3497894 A JP 3497894A JP H07244502 A JPH07244502 A JP H07244502A
- Authority
- JP
- Japan
- Prior art keywords
- oxygen concentration
- dissolved oxygen
- amount
- treatment process
- virtual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Landscapes
- Biological Treatment Of Waste Water (AREA)
- Activated Sludge Processes (AREA)
- Feedback Control In General (AREA)
- Control Of Non-Electrical Variables (AREA)
Abstract
(57)【要約】
【目的】 制御量に影響を与えるパラメータが急激に変
化したとしても、繰り返し回数の少ない計算で制御量を
正確に修正できる制御装置の提供。 【構成】 ４は計測制御量６及び目標制御量７に基づき
仮想操作量８を算出する。５は、計測された制御量６、
仮想の操作量８及び過去の操作量に基づき所定時間後の
制御量９を予測する予測手段１０と、予測制御量９及び
目標制御量７に基づき仮想操作量８を修正する修正手段
１１とを備える。そして、これらの予測及び修正を少な
くとも１回行って得られた操作量を制御対象１への操作
量３として入力する。
化したとしても、繰り返し回数の少ない計算で制御量を
正確に修正できる制御装置の提供。 【構成】 ４は計測制御量６及び目標制御量７に基づき
仮想操作量８を算出する。５は、計測された制御量６、
仮想の操作量８及び過去の操作量に基づき所定時間後の
制御量９を予測する予測手段１０と、予測制御量９及び
目標制御量７に基づき仮想操作量８を修正する修正手段
１１とを備える。そして、これらの予測及び修正を少な
くとも１回行って得られた操作量を制御対象１への操作
量３として入力する。
Description
【０００１】
【産業上の利用分野】本発明は、例えば下水処理施設の
曝気槽内の溶存酸素濃度を一定値に制御する制御装置に
関する。
曝気槽内の溶存酸素濃度を一定値に制御する制御装置に
関する。
【０００２】
【従来の技術】従来、下水処理施設の曝気槽内の溶存酸
素濃度制御は、観測された下水の溶存酸素濃度と目標溶
存酸素濃度との誤差から曝気風量を決定するフィードバ
ック制御を行っているが、降雨等により、下水流入量が
急激に変化すると、フィードバック制御では正確な制御
ができなくなり、監視員が手作業で曝気風量を調節しな
ければならない。また、下水流入量の変化などによる溶
存酸素濃度の急激な変化だけでなく、季節によって下水
処理プロセスの特性が大きく変化するため、フィードバ
ック制御のゲイン定数を調整しなければならないのが現
状である。
素濃度制御は、観測された下水の溶存酸素濃度と目標溶
存酸素濃度との誤差から曝気風量を決定するフィードバ
ック制御を行っているが、降雨等により、下水流入量が
急激に変化すると、フィードバック制御では正確な制御
ができなくなり、監視員が手作業で曝気風量を調節しな
ければならない。また、下水流入量の変化などによる溶
存酸素濃度の急激な変化だけでなく、季節によって下水
処理プロセスの特性が大きく変化するため、フィードバ
ック制御のゲイン定数を調整しなければならないのが現
状である。
【０００３】また、下水処理プロセスの特性を数式モデ
ルに表現する研究がこれまでに行われてきたが、下水処
理プロセスは微生物の生物化学反応性イオンを利用する
様々な要因が関わった複雑なプロセスなので、パラメー
タの調整が難しく、良い結果は得られていない。
ルに表現する研究がこれまでに行われてきたが、下水処
理プロセスは微生物の生物化学反応性イオンを利用する
様々な要因が関わった複雑なプロセスなので、パラメー
タの調整が難しく、良い結果は得られていない。
【０００４】
【発明が解決しようとする課題】このように、従来、下
水処理プロセスにおける溶存酸素濃度制御で行われてい
るフィードバック制御では、降雨などによる下水流入量
の急激な変化には対応できず、また、季節単位ほどの穏
やかな特性の変化に対してゲイン定数を調整する必要が
ある。
水処理プロセスにおける溶存酸素濃度制御で行われてい
るフィードバック制御では、降雨などによる下水流入量
の急激な変化には対応できず、また、季節単位ほどの穏
やかな特性の変化に対してゲイン定数を調整する必要が
ある。
【０００５】本発明は、上記のような従来技術の欠点を
除去し、降雨などによる下水流入量の急激な変化に対
し、繰り返し回数の少ない計算で溶存酸素濃度を一定値
に制御し、季節単位ほどの緩やかな下水処理プロセスの
特性変化にも適応する制御装置を提供するものである。
除去し、降雨などによる下水流入量の急激な変化に対
し、繰り返し回数の少ない計算で溶存酸素濃度を一定値
に制御し、季節単位ほどの緩やかな下水処理プロセスの
特性変化にも適応する制御装置を提供するものである。
【０００６】
【課題を解決するための手段】上記目的を達成するた
め、請求項１記載の発明は、制御対象に入力される操作
量を変化させることで制御対象の制御量を制御する制御
装置において、前記制御対象において計測された制御量
及び目標とする制御量に基づき、仮想の操作量を算出す
る仮想操作量算出手段と、前記制御対象において計測さ
れた制御量、前記仮想操作量算出手段により算出された
仮想の操作量及び過去の操作量に基づき、所定時間後の
制御量を予測する予測手段と、この予測手段により予測
された所定時間後の制御量及び目標とする制御量に基づ
き、前記仮想操作量算出手段により算出された仮想の操
作量を修正する修正手段とを備え、これら予測手段によ
る予測及び修正手段による修正を少なくとも１回行って
得られた操作量を前記制御対象に入力する操作量補正手
段とを具備する。
め、請求項１記載の発明は、制御対象に入力される操作
量を変化させることで制御対象の制御量を制御する制御
装置において、前記制御対象において計測された制御量
及び目標とする制御量に基づき、仮想の操作量を算出す
る仮想操作量算出手段と、前記制御対象において計測さ
れた制御量、前記仮想操作量算出手段により算出された
仮想の操作量及び過去の操作量に基づき、所定時間後の
制御量を予測する予測手段と、この予測手段により予測
された所定時間後の制御量及び目標とする制御量に基づ
き、前記仮想操作量算出手段により算出された仮想の操
作量を修正する修正手段とを備え、これら予測手段によ
る予測及び修正手段による修正を少なくとも１回行って
得られた操作量を前記制御対象に入力する操作量補正手
段とを具備する。
【０００７】請求項２記載の発明は、請求項１記載の制
御装置において、前記予測手段が、学習機能を持つ関数
近似装置から構成され、前記操作量補正手段が、前記制
御対象において計測された過去の制御量及び前記制御対
象に入力された過去の操作量に基づき、前記関数近似装
置を学習する学習手段をさらに具備する。
御装置において、前記予測手段が、学習機能を持つ関数
近似装置から構成され、前記操作量補正手段が、前記制
御対象において計測された過去の制御量及び前記制御対
象に入力された過去の操作量に基づき、前記関数近似装
置を学習する学習手段をさらに具備する。
【０００８】請求項３記載の発明は、下水処理プロセス
に入力される曝気風量を変化させることで下水処理プロ
セスの溶存酸素濃度を制御する下水処理プロセスにおけ
る溶存酸素濃度の制御装置において、前記下水処理プロ
セスにおいて計測された計測データ及び目標とする溶存
酸素濃度に基づき、仮想の曝気風量を算出する仮想曝気
風量算出手段と、学習機能を持つ関数近似装置から構成
され、前記下水処理プロセスにおいて計測された計測デ
ータ、前記仮想曝気風量算出手段により算出された仮想
の曝気風量及び過去の曝気風量に基づき、所定時間後の
溶存酸素濃度を予測する予測手段と、この予測手段によ
り予測された所定時間後の溶存酸素濃度及び目標とする
溶存酸素濃度に基づき、前記仮想曝気風量算出手段によ
り算出された仮想の曝気風量を修正する修正手段と、前
記下水処理プロセスにおいて計測された過去の計測デー
タ及び前記水処理プロセスに入力された過去の曝気風量
に基づき、前記関数近似装置を学習する学習手段を備
え、これら予測手段による予測及び修正手段による修正
を少なくとも１回行って得られた曝気風量を前記下水処
理プロセスに入力する曝気風量補正手段とを具備する。
に入力される曝気風量を変化させることで下水処理プロ
セスの溶存酸素濃度を制御する下水処理プロセスにおけ
る溶存酸素濃度の制御装置において、前記下水処理プロ
セスにおいて計測された計測データ及び目標とする溶存
酸素濃度に基づき、仮想の曝気風量を算出する仮想曝気
風量算出手段と、学習機能を持つ関数近似装置から構成
され、前記下水処理プロセスにおいて計測された計測デ
ータ、前記仮想曝気風量算出手段により算出された仮想
の曝気風量及び過去の曝気風量に基づき、所定時間後の
溶存酸素濃度を予測する予測手段と、この予測手段によ
り予測された所定時間後の溶存酸素濃度及び目標とする
溶存酸素濃度に基づき、前記仮想曝気風量算出手段によ
り算出された仮想の曝気風量を修正する修正手段と、前
記下水処理プロセスにおいて計測された過去の計測デー
タ及び前記水処理プロセスに入力された過去の曝気風量
に基づき、前記関数近似装置を学習する学習手段を備
え、これら予測手段による予測及び修正手段による修正
を少なくとも１回行って得られた曝気風量を前記下水処
理プロセスに入力する曝気風量補正手段とを具備する。
【０００９】請求項４記載の発明は、下水処理プロセス
に入力される曝気風量を変化させることで下水処理プロ
セスの溶存酸素濃度を制御する下水処理プロセスにおけ
る溶存酸素濃度の制御装置において、前記下水処理プロ
セスにおいて計測された下水流入量及び溶存酸素濃度並
びに目標とする溶存酸素濃度に基づき、仮想の曝気風量
を算出する仮想曝気風量算出手段と、学習機能を持つ関
数近似装置から構成され、前記下水処理プロセスにおい
て計測された溶存酸素濃度、前記仮想曝気風量算出手段
により算出された仮想の曝気風量及び過去の曝気風量に
基づき、所定時間後の溶存酸素濃度を予測する予測手段
と、この予測手段により予測された所定時間後の溶存酸
素濃度及び目標とする溶存酸素濃度に基づき、前記仮想
曝気風量算出手段により算出された仮想の曝気風量を修
正する修正手段と、前記下水処理プロセスにおいて計測
された過去の下水流入量及び溶存酸素濃度並びに前記水
処理プロセスに入力された過去の曝気風量に基づき、前
記関数近似装置を学習する学習手段を備え、これら予測
手段による予測及び修正手段による修正を少なくとも１
回行って得られた曝気風量を前記下水処理プロセスに入
力する曝気風量補正手段とを具備する。
に入力される曝気風量を変化させることで下水処理プロ
セスの溶存酸素濃度を制御する下水処理プロセスにおけ
る溶存酸素濃度の制御装置において、前記下水処理プロ
セスにおいて計測された下水流入量及び溶存酸素濃度並
びに目標とする溶存酸素濃度に基づき、仮想の曝気風量
を算出する仮想曝気風量算出手段と、学習機能を持つ関
数近似装置から構成され、前記下水処理プロセスにおい
て計測された溶存酸素濃度、前記仮想曝気風量算出手段
により算出された仮想の曝気風量及び過去の曝気風量に
基づき、所定時間後の溶存酸素濃度を予測する予測手段
と、この予測手段により予測された所定時間後の溶存酸
素濃度及び目標とする溶存酸素濃度に基づき、前記仮想
曝気風量算出手段により算出された仮想の曝気風量を修
正する修正手段と、前記下水処理プロセスにおいて計測
された過去の下水流入量及び溶存酸素濃度並びに前記水
処理プロセスに入力された過去の曝気風量に基づき、前
記関数近似装置を学習する学習手段を備え、これら予測
手段による予測及び修正手段による修正を少なくとも１
回行って得られた曝気風量を前記下水処理プロセスに入
力する曝気風量補正手段とを具備する。
【００１０】請求項５記載の発明は、請求項３または４
記載の下水処理プロセスにおける溶存酸素濃度の制御装
置において、前記予測手段が、神経回路モデルから構成
され、前記修正手段が、神経回路モデルの誤差逆伝播計
算により実現されることを特徴とする。
記載の下水処理プロセスにおける溶存酸素濃度の制御装
置において、前記予測手段が、神経回路モデルから構成
され、前記修正手段が、神経回路モデルの誤差逆伝播計
算により実現されることを特徴とする。
【００１１】請求項６記載の発明は、請求項３乃至５記
載の下水処理プロセスにおける溶存酸素濃度の制御装置
において、前記曝気風量補正手段が、前記予測手段によ
り予測された所定時間後の溶存酸素濃度と目標とする溶
存酸素濃度との誤差が定められた誤差範囲以内になるま
で、または前記予測手段により予測された所定時間後の
溶存酸素濃度の変化分が定められた回数もしくは定めら
れた範囲内になるまで、前記予測手段による予測及び前
記修正手段による修正を繰り返すことを特徴とする。
載の下水処理プロセスにおける溶存酸素濃度の制御装置
において、前記曝気風量補正手段が、前記予測手段によ
り予測された所定時間後の溶存酸素濃度と目標とする溶
存酸素濃度との誤差が定められた誤差範囲以内になるま
で、または前記予測手段により予測された所定時間後の
溶存酸素濃度の変化分が定められた回数もしくは定めら
れた範囲内になるまで、前記予測手段による予測及び前
記修正手段による修正を繰り返すことを特徴とする。
【００１２】
【作用】本発明の制御装置では、予測手段が少なくとも
仮想操作量算出手段により算出された仮想の操作量及び
過去の操作量に基づき、所定時間後の制御量を予測す
る。また、修正手段が予測手段により予測された所定時
間後の制御量及び目標とする制御量に基づき、仮想の操
作量の修正量を計算する。そして、このような予測手段
による予測と修正手段による修正とを繰り返し、その結
果の仮想の操作量を制御対象の操作量として入力する。
これにより、制御量に影響を与えるパラメータが急激に
変化したとしても、制御量を正確に修正することができ
る。また、仮想操作量算出手段により算出された仮想の
操作量を、予測手段の初期値とすることにより、制御量
を大きく変化させる場合にも繰り返し回数の少ない計算
で制御量を修正することができる。さらに、予測手段が
学習機能を持つ関数近似装置から構成され、学習手段に
よってこの関数近似装置を制御対象において計測された
過去の制御量及び前記制御対象に入力された過去の操作
量に基づき学習し続けることにより、パラメータの急激
な変化ばかりでなく、パラメータの緩やかな変化に対し
ても適応することができる。
仮想操作量算出手段により算出された仮想の操作量及び
過去の操作量に基づき、所定時間後の制御量を予測す
る。また、修正手段が予測手段により予測された所定時
間後の制御量及び目標とする制御量に基づき、仮想の操
作量の修正量を計算する。そして、このような予測手段
による予測と修正手段による修正とを繰り返し、その結
果の仮想の操作量を制御対象の操作量として入力する。
これにより、制御量に影響を与えるパラメータが急激に
変化したとしても、制御量を正確に修正することができ
る。また、仮想操作量算出手段により算出された仮想の
操作量を、予測手段の初期値とすることにより、制御量
を大きく変化させる場合にも繰り返し回数の少ない計算
で制御量を修正することができる。さらに、予測手段が
学習機能を持つ関数近似装置から構成され、学習手段に
よってこの関数近似装置を制御対象において計測された
過去の制御量及び前記制御対象に入力された過去の操作
量に基づき学習し続けることにより、パラメータの急激
な変化ばかりでなく、パラメータの緩やかな変化に対し
ても適応することができる。
【００１３】
【実施例】図１は本発明の原理を説明するためのブロッ
ク図である。同図において、１は制御対象である。制御
対象１の制御量は、制御装置２から入力される操作量３
を変化させることで制御される。制御装置２は、仮想操
作量算出手段４と操作量補正手段５とを備える。仮想操
作量算出手段４は、制御対象１において計測された制御
量６及び目標とする制御量７に基づき、仮想の操作量８
を算出する。操作量補正手段５は、制御対象１において
計測された制御量６、仮想操作量算出手段４により算出
された仮想の操作量８及び過去の操作量に基づき、所定
時間後の制御量９を予測する予測手段１０と、予測手段
１０により予測された所定時間後の制御量９及び目標と
する制御量７に基づき、仮想操作量算出手段４により算
出された仮想の操作量８を修正する修正手段１１とを備
える。操作量補正手段５は、予測手段１０による予測及
び修正手段１１による修正を少なくとも１回行って得ら
れた操作量を制御対象１への操作量３として入力する。
ク図である。同図において、１は制御対象である。制御
対象１の制御量は、制御装置２から入力される操作量３
を変化させることで制御される。制御装置２は、仮想操
作量算出手段４と操作量補正手段５とを備える。仮想操
作量算出手段４は、制御対象１において計測された制御
量６及び目標とする制御量７に基づき、仮想の操作量８
を算出する。操作量補正手段５は、制御対象１において
計測された制御量６、仮想操作量算出手段４により算出
された仮想の操作量８及び過去の操作量に基づき、所定
時間後の制御量９を予測する予測手段１０と、予測手段
１０により予測された所定時間後の制御量９及び目標と
する制御量７に基づき、仮想操作量算出手段４により算
出された仮想の操作量８を修正する修正手段１１とを備
える。操作量補正手段５は、予測手段１０による予測及
び修正手段１１による修正を少なくとも１回行って得ら
れた操作量を制御対象１への操作量３として入力する。
【００１４】これにより、本発明では、制御量に影響を
与えるパラメータが急激に変化したとしても、制御量を
正確に修正することができる。また、仮想操作量算出手
段４により算出された仮想の操作量８を予測手段１０の
初期値とすることにより、制御量を大きく変化させる場
合にも繰り返し回数の少ない計算で制御量を修正するこ
とができる。
与えるパラメータが急激に変化したとしても、制御量を
正確に修正することができる。また、仮想操作量算出手
段４により算出された仮想の操作量８を予測手段１０の
初期値とすることにより、制御量を大きく変化させる場
合にも繰り返し回数の少ない計算で制御量を修正するこ
とができる。
【００１５】さらに、上述した予測手段１０を学習機能
を持つ関数近似装置により構成し、この関数近似装置を
制御対象において計測された過去の制御量及び制御対象
に入力された過去の操作量に基づき学習し続けることに
より、パラメータの急激な変化ばかりでなく、パラメー
タの緩やかな変化に対しても適応することができる。次
に、本発明を下水処理プロセスの溶存酸素濃度を制御す
る下水処理プロセスにおける溶存酸素濃度の制御装置に
適用した実施例を説明する。
を持つ関数近似装置により構成し、この関数近似装置を
制御対象において計測された過去の制御量及び制御対象
に入力された過去の操作量に基づき学習し続けることに
より、パラメータの急激な変化ばかりでなく、パラメー
タの緩やかな変化に対しても適応することができる。次
に、本発明を下水処理プロセスの溶存酸素濃度を制御す
る下水処理プロセスにおける溶存酸素濃度の制御装置に
適用した実施例を説明する。
【００１６】図２はその制御装置の構成を示すブロック
図であり、図中１２は制御対象である下水処理プロセ
ス、１３はフィードバック制御器、１４は曝気風量補正
器、１５はフィードバックループである。
図であり、図中１２は制御対象である下水処理プロセ
ス、１３はフィードバック制御器、１４は曝気風量補正
器、１５はフィードバックループである。
【００１７】下水処理プロセス１２には、操作量である
曝気風量baq がサンプリング時間Δt 毎に入力され、制
御量である溶存酸素濃度doと制御量に影響を与えるパラ
メータである下水流入量iqがサンプリング時間Δt 毎に
計測される。添字のn は時刻ｎΔt を示し、例えば baq
n は時刻ｎΔt に下水処理プロセスに入力される曝気風
量、don は時刻ｎΔt に観測される溶存酸素濃度という
意味を持つ。以後も同様の意味で添字を使用する。フィ
ードバック制御器１３は、観測された溶存酸素濃度don
と目標溶存酸素濃度dod からフィードバック曝気風量 b
aqf n を計算する。曝気風量補正器１４は、定められた
時間後の溶存酸素濃度を予測する予測モデルと、予測さ
れた溶存酸素濃度と目標溶存酸素濃度dod との誤差を用
いて曝気風量の修正量を計算する曝気風量修正量計算器
を備える。曝気風量補正器１４は、観測された溶存酸素
濃度don 、下水流入量iqn 、目標溶存酸素濃度dod 、フ
ィードバック曝気風量 baqf n が入力され、フィードバ
ック曝気風量 baqf n を初期値として繰り返し修正され
た仮想曝気風量が曝気風量 baqn として出力される。フ
ィードバックループ１５は計測された溶存酸素濃度don
をフィードバック制御器１３と曝気風量補正器１４にフ
ィードバックするループである。
曝気風量baq がサンプリング時間Δt 毎に入力され、制
御量である溶存酸素濃度doと制御量に影響を与えるパラ
メータである下水流入量iqがサンプリング時間Δt 毎に
計測される。添字のn は時刻ｎΔt を示し、例えば baq
n は時刻ｎΔt に下水処理プロセスに入力される曝気風
量、don は時刻ｎΔt に観測される溶存酸素濃度という
意味を持つ。以後も同様の意味で添字を使用する。フィ
ードバック制御器１３は、観測された溶存酸素濃度don
と目標溶存酸素濃度dod からフィードバック曝気風量 b
aqf n を計算する。曝気風量補正器１４は、定められた
時間後の溶存酸素濃度を予測する予測モデルと、予測さ
れた溶存酸素濃度と目標溶存酸素濃度dod との誤差を用
いて曝気風量の修正量を計算する曝気風量修正量計算器
を備える。曝気風量補正器１４は、観測された溶存酸素
濃度don 、下水流入量iqn 、目標溶存酸素濃度dod 、フ
ィードバック曝気風量 baqf n が入力され、フィードバ
ック曝気風量 baqf n を初期値として繰り返し修正され
た仮想曝気風量が曝気風量 baqn として出力される。フ
ィードバックループ１５は計測された溶存酸素濃度don
をフィードバック制御器１３と曝気風量補正器１４にフ
ィードバックするループである。
【００１８】次に、予測モデルが多層神経回路モデルか
ら構成される曝気風量補正器１４について説明する。図
３は曝気風量補正器１４の構成図であり、図中１６は予
測モデル、１７は曝気風量修正量計算器、１８は第１の
スイッチ、１９は第２のスイッチ、２０は時間遅れ要
素、２１は加算器である。
ら構成される曝気風量補正器１４について説明する。図
３は曝気風量補正器１４の構成図であり、図中１６は予
測モデル、１７は曝気風量修正量計算器、１８は第１の
スイッチ、１９は第２のスイッチ、２０は時間遅れ要
素、２１は加算器である。
【００１９】予測モデル１６は、時刻（ｎ−ｍdo）Δt
から時刻ｎΔt までの溶存酸素濃度（don -mdo,do
n-mdo+1 , …,do n ）、時刻（ｎ−ｍiq）Δt から時刻
ｎΔt までの下水流入量(iq n-miq ,iq n-miq+1 , …iq
n ) 、時刻（ｎ−ｍbaq ）Δt から時刻ｎΔt までの、
曝気風量(baqn-mbaq,baqn-mbaq+1, …,baqn ) が入力さ
れると、時刻（ｎ＋１）Δt の予測溶存酸素濃度を出力
するように学習が行われた神経回路モデルとする。この
学習方法については、後で説明する。ｍdo，ｍiq，ｍ
baq は正の整数である。さて、曝気風量補正器１４に入
力された溶存酸素濃度don と下水流入量iqn 及び曝気風
量 baqn-1 は多段に組まれた時間遅れ要素２０を通し
て、時間を遅らせて予測モデル１６に入力される。予測
モデル１６には、その他に仮想曝気風量 baq（ハット）
n が入力される。
から時刻ｎΔt までの溶存酸素濃度（don -mdo,do
n-mdo+1 , …,do n ）、時刻（ｎ−ｍiq）Δt から時刻
ｎΔt までの下水流入量(iq n-miq ,iq n-miq+1 , …iq
n ) 、時刻（ｎ−ｍbaq ）Δt から時刻ｎΔt までの、
曝気風量(baqn-mbaq,baqn-mbaq+1, …,baqn ) が入力さ
れると、時刻（ｎ＋１）Δt の予測溶存酸素濃度を出力
するように学習が行われた神経回路モデルとする。この
学習方法については、後で説明する。ｍdo，ｍiq，ｍ
baq は正の整数である。さて、曝気風量補正器１４に入
力された溶存酸素濃度don と下水流入量iqn 及び曝気風
量 baqn-1 は多段に組まれた時間遅れ要素２０を通し
て、時間を遅らせて予測モデル１６に入力される。予測
モデル１６には、その他に仮想曝気風量 baq（ハット）
n が入力される。
【００２０】予測モデル１６は、これら入力信号から時
刻（ｎ＋１）Δt の溶存酸素濃度の予測値do（〜）n+1
を計算する。この計算は、神経回路モデルの前向き計算
によって行われる。神経回路モデルの前向き計算につい
ては後で説明する。予測モデル１６で求められた時刻
（ｎ＋１）Δt の溶存酸素濃度の予測値do（〜）n+1 は
曝気風量修正量計算器１７に入力される。
刻（ｎ＋１）Δt の溶存酸素濃度の予測値do（〜）n+1
を計算する。この計算は、神経回路モデルの前向き計算
によって行われる。神経回路モデルの前向き計算につい
ては後で説明する。予測モデル１６で求められた時刻
（ｎ＋１）Δt の溶存酸素濃度の予測値do（〜）n+1 は
曝気風量修正量計算器１７に入力される。
【００２１】曝気風量修正量計算器１７では、予測モデ
ル１６によって予測された溶存酸素濃度do（〜）n+1 と
目標溶存酸素濃度dod とが入力されると、予測溶存酸素
濃度do（〜）n+1 が目標溶存酸素濃度dod に一致するよ
うに、仮想曝気風量の修正量Δbaq n が計算される。こ
の計算は、予測モデル１６が多層神経回路モデルの場合
には、誤差逆伝播計算によって、修正量が計算できる。
多層神経回路モデルの誤差逆伝播計算については前向き
計算とともに後で説明する。
ル１６によって予測された溶存酸素濃度do（〜）n+1 と
目標溶存酸素濃度dod とが入力されると、予測溶存酸素
濃度do（〜）n+1 が目標溶存酸素濃度dod に一致するよ
うに、仮想曝気風量の修正量Δbaq n が計算される。こ
の計算は、予測モデル１６が多層神経回路モデルの場合
には、誤差逆伝播計算によって、修正量が計算できる。
多層神経回路モデルの誤差逆伝播計算については前向き
計算とともに後で説明する。
【００２２】曝気風量修正量計算器１７から出力された
仮想曝気風量の修正量Δbaq n は、加算器２１により仮
想曝気風量baq （ハット）n に加算される。
仮想曝気風量の修正量Δbaq n は、加算器２１により仮
想曝気風量baq （ハット）n に加算される。
【００２３】第１のスイッチ１８は、サンプリング時刻
には下側に閉じ、フィードバック制御器１３（図２参
照）から出力されたフィードバック曝気風量 baqf n が
仮想曝気風量baq （ハット）n として予測モデル１６に
入力される。その後、第１のスイッチ１８は、次のサン
プリング時刻まで上側に閉じて、修正された仮想曝気風
量baq n （ハット）が予測モデル１６入力される。
には下側に閉じ、フィードバック制御器１３（図２参
照）から出力されたフィードバック曝気風量 baqf n が
仮想曝気風量baq （ハット）n として予測モデル１６に
入力される。その後、第１のスイッチ１８は、次のサン
プリング時刻まで上側に閉じて、修正された仮想曝気風
量baq n （ハット）が予測モデル１６入力される。
【００２４】第２のスイッチ１９は、サンプリング時刻
に閉じられ、仮想曝気風量baq （ハット）n が時刻ｎΔ
t の曝気風量baq n として、曝気風量補正器１４から下
水処理プロセス１２（図２参照）に出力される。
に閉じられ、仮想曝気風量baq （ハット）n が時刻ｎΔ
t の曝気風量baq n として、曝気風量補正器１４から下
水処理プロセス１２（図２参照）に出力される。
【００２５】次に、制御装置全体の計算手順を図４に示
す流れ図を参照して説明する。同図では、時刻０からＮ
Δt まで制御するように書いているが、この計算手順は
各サンプリング時刻毎に同じ手続きが繰り返されるの
で、ここでは時刻ｎΔt における曝気風量を求める手続
きを示す。
す流れ図を参照して説明する。同図では、時刻０からＮ
Δt まで制御するように書いているが、この計算手順は
各サンプリング時刻毎に同じ手続きが繰り返されるの
で、ここでは時刻ｎΔt における曝気風量を求める手続
きを示す。
【００２６】(a) 前もって設定された目標溶存酸素濃度
dod と観測された溶存酸素濃度don がフィードバック制
御器１３に入力され、フィードバック曝気風量 baqf n
が出力される。
dod と観測された溶存酸素濃度don がフィードバック制
御器１３に入力され、フィードバック曝気風量 baqf n
が出力される。
【００２７】(b) 曝気風量補正器１４では、第１のスイ
ッチ１８が下側に閉じ、(a) で求められたフィードバッ
ク曝気風量 baqf n が仮想曝気風量baq （ハット）n と
なる。 (c) 仮想曝気風量baq （ハット）n の他に、時刻（ｎ−
ｍ）Δt から時刻ｎΔtまでの溶存酸素濃度（don-m ,do
n-m+1 , …,do n ）、時刻（ｎ−ｍ）Δt から時刻ｎ
Δt までの下水流入量（iqn-miq ,iq n-miq+1 , …, iq
n ）、時刻（ｎ−ｍ）Δt から時刻（ｎ−１）Δt まで
の曝気風量（baq n-mbaq,baq n-mbaq+1 ,…,baqn-1 ）
が予測モデル１６に入力され、サンプリング時間Δt 後
の予測溶存酸素濃度do（〜）n+1 が出力される。
ッチ１８が下側に閉じ、(a) で求められたフィードバッ
ク曝気風量 baqf n が仮想曝気風量baq （ハット）n と
なる。 (c) 仮想曝気風量baq （ハット）n の他に、時刻（ｎ−
ｍ）Δt から時刻ｎΔtまでの溶存酸素濃度（don-m ,do
n-m+1 , …,do n ）、時刻（ｎ−ｍ）Δt から時刻ｎ
Δt までの下水流入量（iqn-miq ,iq n-miq+1 , …, iq
n ）、時刻（ｎ−ｍ）Δt から時刻（ｎ−１）Δt まで
の曝気風量（baq n-mbaq,baq n-mbaq+1 ,…,baqn-1 ）
が予測モデル１６に入力され、サンプリング時間Δt 後
の予測溶存酸素濃度do（〜）n+1 が出力される。
【００２８】(d) 曝気風量修正量計算器１７では、この
予測溶存酸素濃度do（〜）n+1 と目標溶存酸素濃dod と
から誤差関数
予測溶存酸素濃度do（〜）n+1 と目標溶存酸素濃dod と
から誤差関数
【数１】 の値を求める。
【００２９】(e) 誤差関数値が０に近付くように逆伝播
計算を行い、予測モデル１６の入力信号である仮想曝気
風量baq （ハット）n の修正量Δbaq n を計算する。
計算を行い、予測モデル１６の入力信号である仮想曝気
風量baq （ハット）n の修正量Δbaq n を計算する。
【００３０】(f) 加算器２１により修正量Δbaq n を仮
想曝気風量baq （ハット）n に加算する。
想曝気風量baq （ハット）n に加算する。
【００３１】(g) 誤差関数が定められた誤差範囲内にな
る、または予測溶存酸素濃度の修正量が定められた回数
もしくは定められた範囲内になるまで、第１のスイッチ
１８が上側で閉じ、修正された仮想曝気風量baq （ハッ
ト）n が再び予測モデル１６に入力され、(c) から(f)
までの手続きが繰り返される。
る、または予測溶存酸素濃度の修正量が定められた回数
もしくは定められた範囲内になるまで、第１のスイッチ
１８が上側で閉じ、修正された仮想曝気風量baq （ハッ
ト）n が再び予測モデル１６に入力され、(c) から(f)
までの手続きが繰り返される。
【００３２】(h) サンプリング時刻になると第２のスイ
ッチ１９が閉じ、仮想曝気風量baq（ハット）n が曝気
風量baq n として下水処理プロセス１２に入力される。
ッチ１９が閉じ、仮想曝気風量baq（ハット）n が曝気
風量baq n として下水処理プロセス１２に入力される。
【００３３】以上の(a) 〜(h) までの手続きがサンプリ
ング時刻毎に繰り返される。
ング時刻毎に繰り返される。
【００３４】次に、上述した神経回路モデルの前向き計
算、誤差逆伝播計算及び学習計算について詳しく説明す
る。予測モデル１６が多層神経回路モデルから構成され
る場合、予測計算は多層神経回路モデルの前向き計算で
行われ、曝気風量の修正量の計算は多層神経回路モデル
の誤差逆伝播計算で行われる。
算、誤差逆伝播計算及び学習計算について詳しく説明す
る。予測モデル１６が多層神経回路モデルから構成され
る場合、予測計算は多層神経回路モデルの前向き計算で
行われ、曝気風量の修正量の計算は多層神経回路モデル
の誤差逆伝播計算で行われる。
【００３５】では、まず前向き計算について説明する。
前向き計算とは、神経回路モデルに入力信号が与えられ
たときに、出力信号を求める計算である。ここでは多層
神経回路モデルのうち、最も一般的に利用される３層型
神経回路モデルを利用して説明する。
前向き計算とは、神経回路モデルに入力信号が与えられ
たときに、出力信号を求める計算である。ここでは多層
神経回路モデルのうち、最も一般的に利用される３層型
神経回路モデルを利用して説明する。
【００３６】図５は３層型神経回路モデルから構成され
る予測モデル１６の構成図である。図中２３、２４、２
５に示す円がユニットと呼ばれる神経細胞モデルで、ユ
ニット２３、２４、２５間を結び付けている線分はユニ
ット２３、２４、２５間の信号を伝達する結合である。
ユニット２３、２４、２５は左から入力層、中間層、出
力層の３層に分かれて並べられている。入力層のユニッ
ト２３と中間層のユニット２４の間、中間層のユニット
２４と出力層のユニット２５の間で結合が張られてい
る。ユニット２３、２４、２５間の結合は信号伝達に方
向性を持ち、前向き計算では入力層ユニット２３から中
間層ユニット２４へ、中間層ユニット２４から出力層ユ
ニット２５への一方向にだけ信号は伝達される。
る予測モデル１６の構成図である。図中２３、２４、２
５に示す円がユニットと呼ばれる神経細胞モデルで、ユ
ニット２３、２４、２５間を結び付けている線分はユニ
ット２３、２４、２５間の信号を伝達する結合である。
ユニット２３、２４、２５は左から入力層、中間層、出
力層の３層に分かれて並べられている。入力層のユニッ
ト２３と中間層のユニット２４の間、中間層のユニット
２４と出力層のユニット２５の間で結合が張られてい
る。ユニット２３、２４、２５間の結合は信号伝達に方
向性を持ち、前向き計算では入力層ユニット２３から中
間層ユニット２４へ、中間層ユニット２４から出力層ユ
ニット２５への一方向にだけ信号は伝達される。
【００３７】入力層のユニット２３には、仮想曝気風量
baq （ハット）n 、時刻（ｎ−ｍdo）Δt からｎΔt ま
での溶存酸素濃度(do n-mdo ,do n-mdo+1 , …,do n )
、時刻（ｎ−ｍiq）Δt からｎΔt までの下水流入量
(iq n-miq ,iq n-miq+1 , …,iqn ) 、時刻（ｎ−ｍ
baq ）Δt から時刻（ｎ−１）Δt までの曝気風量(baq
n- mbaq,baqn-mbaq+1, …,baqn-1 ) が１ユニットに１信
号ずつ入力され、時刻（ｎ＋１）Δt の溶存酸素濃度の
予測値が出力される。ここでｍdo, ｍiq, ｍbaq は各々
正の整数を表す。この入力信号から出力信号を計算する
前向き計算を式に示す。 ｘｉi を入力層の第ｉ番目の
ユニット２３の入力値とすると、
baq （ハット）n 、時刻（ｎ−ｍdo）Δt からｎΔt ま
での溶存酸素濃度(do n-mdo ,do n-mdo+1 , …,do n )
、時刻（ｎ−ｍiq）Δt からｎΔt までの下水流入量
(iq n-miq ,iq n-miq+1 , …,iqn ) 、時刻（ｎ−ｍ
baq ）Δt から時刻（ｎ−１）Δt までの曝気風量(baq
n- mbaq,baqn-mbaq+1, …,baqn-1 ) が１ユニットに１信
号ずつ入力され、時刻（ｎ＋１）Δt の溶存酸素濃度の
予測値が出力される。ここでｍdo, ｍiq, ｍbaq は各々
正の整数を表す。この入力信号から出力信号を計算する
前向き計算を式に示す。 ｘｉi を入力層の第ｉ番目の
ユニット２３の入力値とすると、
【数２】 入力層ユニット２３の入出力関数は恒等関数とする。入
力層ユニット２３の出力ｙｉi （ｉ＝1,…, Ｎｉ）は次
のように表される。
力層ユニット２３の出力ｙｉi （ｉ＝1,…, Ｎｉ）は次
のように表される。
【００３８】
【数３】 Ｎｉは入力層ユニット数である（Ｎｉ＝ｍdo＋ｍiq＋ｍ
baq ＋３）。次に、中間層の第ｊ番目のユニット２４へ
の入力値ｘh j は入力層ユニット２３の出力値を入力−
中間層間の結合荷重で重み付けした合計から中間層ユニ
ット２４の閾値thhj を引いた値になる。Ｎh は中間層
のユニット２４を表す。
baq ＋３）。次に、中間層の第ｊ番目のユニット２４へ
の入力値ｘh j は入力層ユニット２３の出力値を入力−
中間層間の結合荷重で重み付けした合計から中間層ユニ
ット２４の閾値thhj を引いた値になる。Ｎh は中間層
のユニット２４を表す。
【００３９】
【数４】 ω１j,i は入力層第ｉ番目のユニット２３−中間層第ｊ
番目のユニット２４間の結合荷重、 thhj は中間層第ｊ
番目のユニット２４の閾値、Ｎh は中間層のユニット２
４を表す。
番目のユニット２４間の結合荷重、 thhj は中間層第ｊ
番目のユニット２４の閾値、Ｎh は中間層のユニット２
４を表す。
【００４０】中間層ユニット２４の入出力関数をシグモ
イド型関数
イド型関数
【数５】 とすると、中間ユニット２４の出力値ｙ hj は入力値ｘ
hj を使い、
hj を使い、
【数６】 と表せる。ｙ hj は中間層第ｊ番目のユニット２４の出
力値である。出力層の第ｋ番目のユニット２５への入力
値ｘ ok （ｋ＝１）は中間層にユニット２４の出力値を
中間−出力層間の結合荷重で重み付けした合計から出力
層ユニット２５の閾値を引いた値になる。
力値である。出力層の第ｋ番目のユニット２５への入力
値ｘ ok （ｋ＝１）は中間層にユニット２４の出力値を
中間−出力層間の結合荷重で重み付けした合計から出力
層ユニット２５の閾値を引いた値になる。
【００４１】
【数７】 ω２k,i は中間層第ｊ番目のユニット２４−出力層の第
ｋ番目のユニット２５間の結合荷重、th ok は出力層の
第ｋ番目のユニット２５の閾値である。出力層ユニット
２５の入出力関数は恒等関数とする。
ｋ番目のユニット２５間の結合荷重、th ok は出力層の
第ｋ番目のユニット２５の閾値である。出力層ユニット
２５の入出力関数は恒等関数とする。
【００４２】
【数８】 この出力層ユニット２５の出力値が予測溶存酸素濃度do
（〜）n+1 である。
（〜）n+1 である。
【００４３】
【数９】 以上が３層型神経回路モデルの前向き計算の計算式であ
る。
る。
【００４４】なお、図５では入力層、中間層、出力層の
３層からなる神経回路モデルを予測モデル１６として示
しているが、２層以上から構成される神経回路モデルを
予測モデル１６として利用してもよい。
３層からなる神経回路モデルを予測モデル１６として示
しているが、２層以上から構成される神経回路モデルを
予測モデル１６として利用してもよい。
【００４５】次に、誤差逆伝播計算について説明する。
上述したように曝気風量修正量計算器１７は、予測モデ
ル１６によって予測された溶存酸素濃度do（ハット）
n+1 と目標溶存酸素濃度dod とを入力すると、仮想曝気
風量の修正量Δbaq n を計算して出力する。この計算
は、予測モデル１６が神経回路モデルから構成される場
合には、誤差逆伝播計算によって行うことができる。こ
の曝気風量修正量計算器１７による誤差逆伝播計算の計
算式を以下に示す。
上述したように曝気風量修正量計算器１７は、予測モデ
ル１６によって予測された溶存酸素濃度do（ハット）
n+1 と目標溶存酸素濃度dod とを入力すると、仮想曝気
風量の修正量Δbaq n を計算して出力する。この計算
は、予測モデル１６が神経回路モデルから構成される場
合には、誤差逆伝播計算によって行うことができる。こ
の曝気風量修正量計算器１７による誤差逆伝播計算の計
算式を以下に示す。
【００４６】まず、予測モデル１６によって予測された
溶存酸素濃度do（ハット）n+1 と、目標溶存酸素濃度do
d との誤差から誤差関数Ｅを次のように定義する。
溶存酸素濃度do（ハット）n+1 と、目標溶存酸素濃度do
d との誤差から誤差関数Ｅを次のように定義する。
【００４７】
【数１０】 次に、この誤差関数を減少させるユニット出力値の修正
量を、出力層から入力層へと層毎に順に求めていき、最
終的には入力信号の修正量を求める。まず、出力層ユニ
ットの出力値の修正量は、正の定数ηを使って
量を、出力層から入力層へと層毎に順に求めていき、最
終的には入力信号の修正量を求める。まず、出力層ユニ
ットの出力値の修正量は、正の定数ηを使って
【数１１】 と計算される。次に、中間層ユニットの出力値の修正量
は、出力値ユニットの修正量を使って次にように表され
る。
は、出力値ユニットの修正量を使って次にように表され
る。
【００４８】
【数１２】 同様に入力層ユニットの出力値の修正量は、中間ユニッ
トの修正量を使って、
トの修正量を使って、
【数１３】 と表される。ｆ´（ｘ）は、シグモイド関数ｆ´（ｘ）
の導関数を表していて、具体的には、
の導関数を表していて、具体的には、
【数１４】 と表される。入力層ユニットの入出力関数は恒等関数で
あるから、出力値の修正量はそのまま入力値の修正量に
なり、仮想曝気風量baq （ハット）n の修正量Δbaq
（ハット）n は、
あるから、出力値の修正量はそのまま入力値の修正量に
なり、仮想曝気風量baq （ハット）n の修正量Δbaq
（ハット）n は、
【数１５】 と表現される。この修正量が加算器２１により仮想曝気
風量baq （ハット）n に加算される。
風量baq （ハット）n に加算される。
【００４９】以上が誤差逆伝播計算とその計算によって
実現される仮想曝気風量の修正である。
実現される仮想曝気風量の修正である。
【００５０】次に、多層神経回路モデルの学習について
図６に基づき説明する。学習は下水処理プロセスの緩や
かな特性変化に対して予測モデル１６が適応するために
行われる。本実施例では学習データは、過去の溶存酸素
濃度、下水流入量、曝気風量から生成される。図６にお
いて、２６は過去の観測データ及び曝気風量を保持して
いるデータベース、２７は減算器、２８は誤差逆伝播学
習器、２９は神経回路モデルの入力層ユニットの出力が
誤差逆伝播学習器に入力されることを示す矢印、３０は
神経回路モデルの中間層ユニットの出力が誤差逆伝播学
習器に入力されることを示す矢印、３１は神経回路モデ
ルの中間層−出力層間の結合荷重が誤差逆伝播学習器に
入力されることを示す矢印、３２は誤差逆伝播学習器で
計算された入力層−中間層の結合荷重の修正量を各結合
荷重に出力し、各結合荷重の修正を行なうことを示す矢
印、３３は誤差逆伝播学習器で計算された中間層−出力
層間の結合荷重の修正量を各結合荷重に出力し、各結合
荷重の修正を行うことを示す矢印である。
図６に基づき説明する。学習は下水処理プロセスの緩や
かな特性変化に対して予測モデル１６が適応するために
行われる。本実施例では学習データは、過去の溶存酸素
濃度、下水流入量、曝気風量から生成される。図６にお
いて、２６は過去の観測データ及び曝気風量を保持して
いるデータベース、２７は減算器、２８は誤差逆伝播学
習器、２９は神経回路モデルの入力層ユニットの出力が
誤差逆伝播学習器に入力されることを示す矢印、３０は
神経回路モデルの中間層ユニットの出力が誤差逆伝播学
習器に入力されることを示す矢印、３１は神経回路モデ
ルの中間層−出力層間の結合荷重が誤差逆伝播学習器に
入力されることを示す矢印、３２は誤差逆伝播学習器で
計算された入力層−中間層の結合荷重の修正量を各結合
荷重に出力し、各結合荷重の修正を行なうことを示す矢
印、３３は誤差逆伝播学習器で計算された中間層−出力
層間の結合荷重の修正量を各結合荷重に出力し、各結合
荷重の修正を行うことを示す矢印である。
【００５１】過去のある時刻 lΔt について、時刻（ l
−ｍdo）ΔT から時刻 lΔt 間での溶存酸素濃度（ｄｏ
l-mdo , ｄｏl-mdo +1，…ｄｏl ）、時刻（l −ｍiq）
Δtから時刻 lΔt までの下水流入量（iql-miq , iq
l-miq+1 ，…iql)、時刻(l−ｍbag Δt から時刻 lΔt
までの曝気風量（baq l-mbaq,baql-mbaq+1，…，baql）
が入力信号として、また、時刻(l+1）Δt の溶存酸素濃
度dol+1 が教師信号として、データベース２６から神経
回路モデルに出力される。神経回路モデルでは入力信号
に対し、前向き計算を行い、出力信号dol+1 を出力す
る。減算器２７では、教師信号dol+1 と神経回路モデル
の出力信号dol+1 との誤差信号が求められる。誤差信号
は、誤差逆伝播学習器２８に入力される。誤差逆伝播学
習器２８には、誤差信号の他に、神経回路モデルの各入
力層ユニットの出力２９、各中間層ユニットの出力３
０、各中間層−出力層間の結合荷重３１が入力され、結
合荷重の修正量３２、３３が計算される。この誤差逆伝
播学習器２８での修正量の計算を、時刻Ｌ1 Δt から時
刻Ｌ2 Δt までの過去のデータから学習データを作成し
たと仮定して説明する。
−ｍdo）ΔT から時刻 lΔt 間での溶存酸素濃度（ｄｏ
l-mdo , ｄｏl-mdo +1，…ｄｏl ）、時刻（l −ｍiq）
Δtから時刻 lΔt までの下水流入量（iql-miq , iq
l-miq+1 ，…iql)、時刻(l−ｍbag Δt から時刻 lΔt
までの曝気風量（baq l-mbaq,baql-mbaq+1，…，baql）
が入力信号として、また、時刻(l+1）Δt の溶存酸素濃
度dol+1 が教師信号として、データベース２６から神経
回路モデルに出力される。神経回路モデルでは入力信号
に対し、前向き計算を行い、出力信号dol+1 を出力す
る。減算器２７では、教師信号dol+1 と神経回路モデル
の出力信号dol+1 との誤差信号が求められる。誤差信号
は、誤差逆伝播学習器２８に入力される。誤差逆伝播学
習器２８には、誤差信号の他に、神経回路モデルの各入
力層ユニットの出力２９、各中間層ユニットの出力３
０、各中間層−出力層間の結合荷重３１が入力され、結
合荷重の修正量３２、３３が計算される。この誤差逆伝
播学習器２８での修正量の計算を、時刻Ｌ1 Δt から時
刻Ｌ2 Δt までの過去のデータから学習データを作成し
たと仮定して説明する。
【００５２】時刻l Δt の入力信号に対し、神経回路モ
デルの出力がdo（〜）l+1 であったとすると、誤差関数
Ｅは
デルの出力がdo（〜）l+1 であったとすると、誤差関数
Ｅは
【数１６】 と定義され、誤差逆伝播学習法に従って、神経回路モデ
ルの結合荷重、閾値の修正量は次のように計算される。
ルの結合荷重、閾値の修正量は次のように計算される。
【００５３】
【数１７】 である。
【００５４】神経回路モデルでは、これらの修正量を基
に、結合荷重、閾値が修正される。このように本実施例
の制御装置では、フィードバック制御器１３により得ら
れた仮想曝気風量と観測された下水流入量と溶存酸素濃
度、過去の曝気風量から、予測モデルによりある定めら
れた時間後の溶存酸素濃度が予測できる。また、曝気風
量修正量計算器１７により、溶存酸素濃度の予測値と目
標溶存酸素濃度とから仮想曝気風量の修正量が計算でき
る。そして、このような予測モデル１６による定められ
た時間後の溶存酸素濃度の予測と、曝気風量修正量計算
器１７による仮想曝気風量の修正量の計算と、この修正
量による仮想曝気風量の修正とを繰り返し、その結果の
仮想曝気風量を曝気風量として下水処理プロセス１２に
入力することにより、下水流入量の急激な変化に対し
て、溶存酸素濃度を目標値に制御することができる。
に、結合荷重、閾値が修正される。このように本実施例
の制御装置では、フィードバック制御器１３により得ら
れた仮想曝気風量と観測された下水流入量と溶存酸素濃
度、過去の曝気風量から、予測モデルによりある定めら
れた時間後の溶存酸素濃度が予測できる。また、曝気風
量修正量計算器１７により、溶存酸素濃度の予測値と目
標溶存酸素濃度とから仮想曝気風量の修正量が計算でき
る。そして、このような予測モデル１６による定められ
た時間後の溶存酸素濃度の予測と、曝気風量修正量計算
器１７による仮想曝気風量の修正量の計算と、この修正
量による仮想曝気風量の修正とを繰り返し、その結果の
仮想曝気風量を曝気風量として下水処理プロセス１２に
入力することにより、下水流入量の急激な変化に対し
て、溶存酸素濃度を目標値に制御することができる。
【００５５】また、フィードバック制御器１３によって
算出された曝気風量を予測モデル１６の仮想曝気風量の
初期値とすることにより、曝気風量を大きく変化させる
場合にも、少ない繰り返し回数で溶存酸素濃度の予測値
は目標溶存酸素濃度に一致する。
算出された曝気風量を予測モデル１６の仮想曝気風量の
初期値とすることにより、曝気風量を大きく変化させる
場合にも、少ない繰り返し回数で溶存酸素濃度の予測値
は目標溶存酸素濃度に一致する。
【００５６】さらに、予測モデルが学習機能を持つ関数
近似装置から構成され、図６に示した学習手段によって
この関数近似装置を観測データを利用した学習を行い続
けることにより、緩やかな特性変化に適応できる。
近似装置から構成され、図６に示した学習手段によって
この関数近似装置を観測データを利用した学習を行い続
けることにより、緩やかな特性変化に適応できる。
【００５７】すなわち、従来の下水処理施設の曝気槽内
の溶存酸素濃度制御は、観測された下水中の溶存酸素濃
度と目標溶存酸素濃度との誤差から曝気風量を決定する
フィードバック制御を行なっているが、降雨などによ
り、下水流入量が急激に変化すると、フィードバック制
御では正確な制御ができなくなり、監視員が手作業で曝
気風量を調節しなければならなかった。また、下水流入
量の変化などによる溶存酸素濃度の急激な変化だけでな
く、季節によって下水処理プロセスの特性が大きく変化
するため、フィードバック制御のゲイン定数を調整しな
ければならないのが現状であった。また、下水処理プロ
セスの特性を数式モデルに表現する研究がこれまでに行
われてきたが、下水処理プロセスは微生物の生物化学反
応を利用する様々な要因が関わった複雑なプロセスなの
で、パラメータの調整が難しく、良い結果は得られてい
なかった。
の溶存酸素濃度制御は、観測された下水中の溶存酸素濃
度と目標溶存酸素濃度との誤差から曝気風量を決定する
フィードバック制御を行なっているが、降雨などによ
り、下水流入量が急激に変化すると、フィードバック制
御では正確な制御ができなくなり、監視員が手作業で曝
気風量を調節しなければならなかった。また、下水流入
量の変化などによる溶存酸素濃度の急激な変化だけでな
く、季節によって下水処理プロセスの特性が大きく変化
するため、フィードバック制御のゲイン定数を調整しな
ければならないのが現状であった。また、下水処理プロ
セスの特性を数式モデルに表現する研究がこれまでに行
われてきたが、下水処理プロセスは微生物の生物化学反
応を利用する様々な要因が関わった複雑なプロセスなの
で、パラメータの調整が難しく、良い結果は得られてい
なかった。
【００５８】また、このような下水処理施設の曝気槽内
の溶存酸素濃度制御に本発明者が提案した特願平3-2044
94号に記載した発明（従来の技術参照）を適用すること
が考えられるが、この特願平3-204494号に記載した発明
では、第１の工程から第３の工程を繰り返す時の操作量
の初期値については、１サンプリング時間前の操作量を
利用しているため、下水流入量の急激な変化に対して曝
気風量値の大きな変化が必要である場合に、正確な操作
量に修正される前に局所的な解に止まって修正されなく
なるおそれがある。また、正確な解まで修正が行われる
場合でも、第１から第３の工程の繰り返しを多くの回数
行う必要がある。
の溶存酸素濃度制御に本発明者が提案した特願平3-2044
94号に記載した発明（従来の技術参照）を適用すること
が考えられるが、この特願平3-204494号に記載した発明
では、第１の工程から第３の工程を繰り返す時の操作量
の初期値については、１サンプリング時間前の操作量を
利用しているため、下水流入量の急激な変化に対して曝
気風量値の大きな変化が必要である場合に、正確な操作
量に修正される前に局所的な解に止まって修正されなく
なるおそれがある。また、正確な解まで修正が行われる
場合でも、第１から第３の工程の繰り返しを多くの回数
行う必要がある。
【００５９】そこで、本発明をこのような下水処理施設
の曝気槽内の溶存酸素濃度制御に適用すれば、下水流入
量の急激な変化に対しても、溶存酸素濃度を一定値に制
御することができ、曝気風量値が大きく変化する場合に
も、少ない繰り返し回数で溶存酸素濃度を一定値にする
曝気風量を求めることができ、さらに緩やかな特性変化
にも適用できるのである。
の曝気槽内の溶存酸素濃度制御に適用すれば、下水流入
量の急激な変化に対しても、溶存酸素濃度を一定値に制
御することができ、曝気風量値が大きく変化する場合に
も、少ない繰り返し回数で溶存酸素濃度を一定値にする
曝気風量を求めることができ、さらに緩やかな特性変化
にも適用できるのである。
【００６０】次に、本実施例の計算機シミレーション結
果を示す。このシミレーションでは、下水処理プロセス
と予測モデルに入力数の異なる神経回路モデルを利用し
ている。サンプリング時間は0.25時間で、目標溶存酸素
濃度を1.6(mg/l) とし、誤差範囲を0.1(mg/l) としてシ
ミュレーションを行った。図７は下水流入量(m 3/min)
、図８は曝気風量補正器から出力された曝気風量(m 3/
min) 、図９は予測モデルが予測した溶存酸素濃度（mg/
l）、図１０は下水処理プロセスモデルから出力された
溶存酸素濃度（mg/l）の各々時間変化を示している。横
軸は時間で単位は時間である。この結果から、下水流入
量が急激に変化しても、溶存酸素濃度は大きく変化する
ことなく制御できていることがわかる。比較のため、曝
気風量補正器を利用しないで、フィードバック制御器だ
けによる制御シミュレーション結果を図１１〜図１３に
示す。図１１は下水流入量（m 3 /min) 図７と等しい。
図１２はフィードバック制御器から出力された曝気風量
（m 3 /min) 、図１３は下水処理プロセスモデルから出
力された溶存酸素濃度（mag/l)である。フィードバック
制御器だけによる制御結果に比べ、曝気風量補正器を利
用した制御結果では、溶存酸素濃度の振動が小さくなっ
ていることがわかる。さらに、予測モデルである神経回
路モデルが下水処理プロセスの特性を十分に学習すれ
ば、結果が良くなることが期待できる。
果を示す。このシミレーションでは、下水処理プロセス
と予測モデルに入力数の異なる神経回路モデルを利用し
ている。サンプリング時間は0.25時間で、目標溶存酸素
濃度を1.6(mg/l) とし、誤差範囲を0.1(mg/l) としてシ
ミュレーションを行った。図７は下水流入量(m 3/min)
、図８は曝気風量補正器から出力された曝気風量(m 3/
min) 、図９は予測モデルが予測した溶存酸素濃度（mg/
l）、図１０は下水処理プロセスモデルから出力された
溶存酸素濃度（mg/l）の各々時間変化を示している。横
軸は時間で単位は時間である。この結果から、下水流入
量が急激に変化しても、溶存酸素濃度は大きく変化する
ことなく制御できていることがわかる。比較のため、曝
気風量補正器を利用しないで、フィードバック制御器だ
けによる制御シミュレーション結果を図１１〜図１３に
示す。図１１は下水流入量（m 3 /min) 図７と等しい。
図１２はフィードバック制御器から出力された曝気風量
（m 3 /min) 、図１３は下水処理プロセスモデルから出
力された溶存酸素濃度（mag/l)である。フィードバック
制御器だけによる制御結果に比べ、曝気風量補正器を利
用した制御結果では、溶存酸素濃度の振動が小さくなっ
ていることがわかる。さらに、予測モデルである神経回
路モデルが下水処理プロセスの特性を十分に学習すれ
ば、結果が良くなることが期待できる。
【００６１】なお、本発明は前記実施例に限定されるこ
となく、本発明の要旨を逸脱しない範囲において種々変
形可能であることは勿論である。例えば、前記実施例で
は、予測モデルとして３層型神経回路モデルを例に挙げ
たが、多層の神経回路モデルで同様に適用可能であり、
さらには、学習機能を持つ関数近似モデルであれば、同
様に適用できる。また、予測モデルの入出力について
も、実施例では、過去と現在の溶存酸素濃度、下水流入
量、曝気風量からサンプリング時間後の溶存酸素濃度を
予測しているが、予測が可能な範囲であれば、入力信号
を減らすことや別の観測量を入力することも考えられ
る。また出力信号についても、サンプリング時間後の溶
存酸素濃度を予測するだけでなく、２サンプリング時間
後の溶存酸素濃度を予測するなど、更に先の時間の溶存
酸素濃度を予測し、その予測溶存酸素濃度と目標溶存酸
素濃度との誤差から仮想曝気風量の修正量をもとること
もできる。
となく、本発明の要旨を逸脱しない範囲において種々変
形可能であることは勿論である。例えば、前記実施例で
は、予測モデルとして３層型神経回路モデルを例に挙げ
たが、多層の神経回路モデルで同様に適用可能であり、
さらには、学習機能を持つ関数近似モデルであれば、同
様に適用できる。また、予測モデルの入出力について
も、実施例では、過去と現在の溶存酸素濃度、下水流入
量、曝気風量からサンプリング時間後の溶存酸素濃度を
予測しているが、予測が可能な範囲であれば、入力信号
を減らすことや別の観測量を入力することも考えられ
る。また出力信号についても、サンプリング時間後の溶
存酸素濃度を予測するだけでなく、２サンプリング時間
後の溶存酸素濃度を予測するなど、更に先の時間の溶存
酸素濃度を予測し、その予測溶存酸素濃度と目標溶存酸
素濃度との誤差から仮想曝気風量の修正量をもとること
もできる。
【００６２】
【発明の効果】請求項１記載の発明では、予測手段によ
る予測と修正手段による修正とを繰り返し、その結果の
仮想の操作量を制御対象の操作量として入力することに
より、制御量に影響を与えるパラメータが急激に変化し
たとしても、制御量を正確に修正することができ、ま
た、想操作量算出手段により算出された仮想の操作量
を、予測手段の初期値とすることにより、制御量を大き
く変化させる場合にも繰り返し回数の少ない計算で制御
量を修正することができる。
る予測と修正手段による修正とを繰り返し、その結果の
仮想の操作量を制御対象の操作量として入力することに
より、制御量に影響を与えるパラメータが急激に変化し
たとしても、制御量を正確に修正することができ、ま
た、想操作量算出手段により算出された仮想の操作量
を、予測手段の初期値とすることにより、制御量を大き
く変化させる場合にも繰り返し回数の少ない計算で制御
量を修正することができる。
【００６３】請求項２記載の発明では、上述した請求項
１に記載した発明の効果に加え、学習手段によってこの
関数近似装置を制御対象において計測された過去の制御
量及び前記制御対象に入力された過去の操作量に基づき
学習し続けることにより、パラメータの急激な変化ばか
りでなく、パラメータの緩やかな変化に対しても適応す
ることができる。
１に記載した発明の効果に加え、学習手段によってこの
関数近似装置を制御対象において計測された過去の制御
量及び前記制御対象に入力された過去の操作量に基づき
学習し続けることにより、パラメータの急激な変化ばか
りでなく、パラメータの緩やかな変化に対しても適応す
ることができる。
【００６４】請求項３、４、６記載の発明では、下水流
入量の急激な変化に対しても、溶存酸素濃度を一定値に
制御することができ、曝気風量値が大きく変化する場合
にも、少ない繰り返し回数で溶存酸素濃度を一定値にす
る曝気風量を求めることができる。
入量の急激な変化に対しても、溶存酸素濃度を一定値に
制御することができ、曝気風量値が大きく変化する場合
にも、少ない繰り返し回数で溶存酸素濃度を一定値にす
る曝気風量を求めることができる。
【００６５】請求項５記載の発明では、緩やかな特性変
化にも適用できる下水処理プロセスにおける溶存酸素濃
度制御装置を提供することができる。
化にも適用できる下水処理プロセスにおける溶存酸素濃
度制御装置を提供することができる。
【図１】図１は本発明の原理を説明するためのブロック
図である。
図である。
【図２】本発明の一実施例のブロック図である。
【図３】第１図における曝気風量補正器を詳細に表した
図である。
図である。
【図４】制御装置全体の計算手順を説明するための流れ
図である。
図である。
【図５】実施例として予測モデルに利用する３層の神経
回路モデルを表す図である。
回路モデルを表す図である。
【図６】予測モデルである３層神経回路モデルの学習を
説明する図である。
説明する図である。
【図７】本発明の作用効果を説明するため、実施例の計
算機シミュレーションの結果を表した図である。
算機シミュレーションの結果を表した図である。
【図８】本発明の作用効果を説明するため、実施例の計
算機シミュレーションの結果を表した図である。
算機シミュレーションの結果を表した図である。
【図９】本発明の作用効果を説明するため、実施例の計
算機シミュレーションの結果を表した図である。
算機シミュレーションの結果を表した図である。
【図１０】本発明の作用効果を説明するため、実施例の
計算機シミュレーションの結果を表した図である。
計算機シミュレーションの結果を表した図である。
【図１１】フィードバック制御器だけによる制御シミュ
レーションの結果を表した図である。
レーションの結果を表した図である。
【図１２】フィードバック制御器だけによる制御シミュ
レーションの結果を表した図である。
レーションの結果を表した図である。
【図１３】フィードバック制御器だけによる制御シミュ
レーションの結果を表した図である。
レーションの結果を表した図である。
１…制御対象、２…制御装置、４…仮想操作量算出手
段、５…操作量補正手段５、１０…予測手段、１１…修
正手段、１２…下水処理プロセス、１３…フィードバッ
ク制御器、１４…曝気風量補正器、１５…フィードバッ
クループ、１６…予測モデル、１７…曝気風量修正量計
算器。
段、５…操作量補正手段５、１０…予測手段、１１…修
正手段、１２…下水処理プロセス、１３…フィードバッ
ク制御器、１４…曝気風量補正器、１５…フィードバッ
クループ、１６…予測モデル、１７…曝気風量修正量計
算器。
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ０５Ｄ 21/00 Ｂ 7609−3Ｈ (72)発明者 三浦 良輔 東京都府中市東芝町１番地 株式会社東芝 府中工場内
Claims (6)
- 【請求項１】 制御対象に入力される操作量を変化させ
ることで制御対象の制御量を制御する制御装置におい
て、 前記制御対象において計測された制御量及び目標とする
制御量に基づき、仮想の操作量を算出する仮想操作量算
出手段と、 前記制御対象において計測された制御量、前記仮想操作
量算出手段により算出された仮想の操作量及び過去の操
作量に基づき、所定時間後の制御量を予測する予測手段
と、この予測手段により予測された所定時間後の制御量
及び目標とする制御量に基づき、前記仮想操作量算出手
段により算出された仮想の操作量を修正する修正手段と
を備え、これら予測手段による予測及び修正手段による
修正を少なくとも１回行って得られた操作量を前記制御
対象に入力する操作量補正手段とを具備することを特徴
とする制御装置。 - 【請求項２】 請求項１記載の制御装置において、 前記予測手段が、学習機能を持つ関数近似装置から構成
され、 前記操作量補正手段が、前記制御対象において計測され
た過去の制御量及び前記制御対象に入力された過去の操
作量に基づき、前記関数近似装置を学習する学習手段を
さらに具備することを特徴とする制御装置。 - 【請求項３】 下水処理プロセスに入力される曝気風量
を変化させることで下水処理プロセスの溶存酸素濃度を
制御する下水処理プロセスにおける溶存酸素濃度の制御
装置において、 前記下水処理プロセスにおいて計測された計測データ及
び目標とする溶存酸素濃度に基づき、仮想の曝気風量を
算出する仮想曝気風量算出手段と、 学習機能を持つ関数近似装置から構成され、前記下水処
理プロセスにおいて計測された計測データ、前記仮想曝
気風量算出手段により算出された仮想の曝気風量及び過
去の曝気風量に基づき、所定時間後の溶存酸素濃度を予
測する予測手段と、この予測手段により予測された所定
時間後の溶存酸素濃度及び目標とする溶存酸素濃度に基
づき、前記仮想曝気風量算出手段により算出された仮想
の曝気風量を修正する修正手段と、前記下水処理プロセ
スにおいて計測された過去の計測データ及び前記水処理
プロセスに入力された過去の曝気風量に基づき、前記関
数近似装置を学習する学習手段を備え、これら予測手段
による予測及び修正手段による修正を少なくとも１回行
って得られた曝気風量を前記下水処理プロセスに入力す
る曝気風量補正手段とを具備することを特徴とする下水
処理プロセスにおける溶存酸素濃度の制御装置。 - 【請求項４】 下水処理プロセスに入力される曝気風量
を変化させることで下水処理プロセスの溶存酸素濃度を
制御する下水処理プロセスにおける溶存酸素濃度の制御
装置において、 前記下水処理プロセスにおいて計測された下水流入量及
び溶存酸素濃度並びに目標とする溶存酸素濃度に基づ
き、仮想の曝気風量を算出する仮想曝気風量算出手段
と、 学習機能を持つ関数近似装置から構成され、前記下水処
理プロセスにおいて計測された溶存酸素濃度、前記仮想
曝気風量算出手段により算出された仮想の曝気風量及び
過去の曝気風量に基づき、所定時間後の溶存酸素濃度を
予測する予測手段と、この予測手段により予測された所
定時間後の溶存酸素濃度及び目標とする溶存酸素濃度に
基づき、前記仮想曝気風量算出手段により算出された仮
想の曝気風量を修正する修正手段と、前記下水処理プロ
セスにおいて計測された過去の下水流入量及び溶存酸素
濃度並びに前記水処理プロセスに入力された過去の曝気
風量に基づき、前記関数近似装置を学習する学習手段を
備え、これら予測手段による予測及び修正手段による修
正を少なくとも１回行って得られた曝気風量を前記下水
処理プロセスに入力する曝気風量補正手段とを具備する
ことを特徴とする下水処理プロセスにおける溶存酸素濃
度の制御装置。 - 【請求項５】 請求項３または４記載の下水処理プロセ
スにおける溶存酸素濃度の制御装置において、 前記予測手段が、神経回路モデルから構成され、 前記修正手段が、神経回路モデルの誤差逆伝播計算によ
り実現されることを特徴とする下水処理プロセスにおけ
る溶存酸素濃度の制御装置。 - 【請求項６】 請求項３乃至５記載の下水処理プロセス
における溶存酸素濃度の制御装置において、 前記曝気風量補正手段が、前記予測手段により予測され
た所定時間後の溶存酸素濃度と目標とする溶存酸素濃度
との誤差が定められた誤差範囲以内になるまで、または
前記予測手段により予測された所定時間後の溶存酸素濃
度の変化分が定められた回数もしくは定められた範囲内
になるまで、前記予測手段による予測及び前記修正手段
による修正を繰り返すことを特徴とする下水処理プロセ
スにおける溶存酸素濃度の制御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3497894A JP3260538B2 (ja) | 1994-03-04 | 1994-03-04 | 制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3497894A JP3260538B2 (ja) | 1994-03-04 | 1994-03-04 | 制御装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH07244502A true JPH07244502A (ja) | 1995-09-19 |
| JP3260538B2 JP3260538B2 (ja) | 2002-02-25 |
Family
ID=12429242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3497894A Expired - Fee Related JP3260538B2 (ja) | 1994-03-04 | 1994-03-04 | 制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3260538B2 (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000010098A1 (fr) * | 1998-08-12 | 2000-02-24 | Sony Corporation | Machine de traitement des donnees, technique de traitement des donnees et support correspondant |
| JP2014238652A (ja) * | 2013-06-06 | 2014-12-18 | 横河電機株式会社 | プロセス制御量設定装置 |
| CN104614990A (zh) * | 2014-12-25 | 2015-05-13 | 北京桑德环境工程有限公司 | 一种利用数学模型动态精确控制生化池鼓风供气量的方法 |
| CN108614422A (zh) * | 2018-05-23 | 2018-10-02 | 中国农业大学 | 陆基工厂循环水养殖中溶解氧优化控制方法、装置及系统 |
-
1994
- 1994-03-04 JP JP3497894A patent/JP3260538B2/ja not_active Expired - Fee Related
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000010098A1 (fr) * | 1998-08-12 | 2000-02-24 | Sony Corporation | Machine de traitement des donnees, technique de traitement des donnees et support correspondant |
| JP2014238652A (ja) * | 2013-06-06 | 2014-12-18 | 横河電機株式会社 | プロセス制御量設定装置 |
| CN104614990A (zh) * | 2014-12-25 | 2015-05-13 | 北京桑德环境工程有限公司 | 一种利用数学模型动态精确控制生化池鼓风供气量的方法 |
| CN104614990B (zh) * | 2014-12-25 | 2017-09-29 | 北京桑德环境工程有限公司 | 一种利用数学模型动态精确控制生化池鼓风供气量的方法 |
| CN108614422A (zh) * | 2018-05-23 | 2018-10-02 | 中国农业大学 | 陆基工厂循环水养殖中溶解氧优化控制方法、装置及系统 |
| CN108614422B (zh) * | 2018-05-23 | 2020-07-31 | 中国农业大学 | 陆基工厂循环水养殖中溶解氧优化控制方法、装置及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3260538B2 (ja) | 2002-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108053054B (zh) | 一种河流水质预测方法 | |
| CN111815053B (zh) | 一种针对工业时序数据的预测方法及系统 | |
| CN106873379A (zh) | 一种基于迭代adp算法的污水处理最优控制方法 | |
| JPH04127205A (ja) | プロセス制御装置 | |
| JP3242950B2 (ja) | 予測制御方法 | |
| CN114216256B (zh) | 离线预训练-在线学习的通风系统风量控制方法 | |
| CN110824915A (zh) | 基于ga-dbn网络的废水处理智能监控方法及系统 | |
| CN106991493A (zh) | 基于灰色神经网络组合模型的污水处理出水参数预测方法 | |
| CN111399375A (zh) | 一种基于非线性系统的神经网络预测控制器 | |
| CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
| CN107255920A (zh) | 基于网络优化算法的pid控制方法和装置及系统 | |
| CN113448245A (zh) | 一种基于深度学习的污水处理过程溶解氧控制方法及系统 | |
| JPWO2020021688A1 (ja) | 水処理プラントおよび水処理プラントの運転方法 | |
| JPH05127706A (ja) | ニユーラルネツト型シミユレータ | |
| CN108717506A (zh) | 一种预测焦炭热态强度的方法 | |
| CN112330012A (zh) | 一种基于迁移学习的建筑能耗预测方法及设备 | |
| CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| JPH07244502A (ja) | 制御装置 | |
| CN112000004B (zh) | 一种利用迭代二次启发式规划的污水处理浓度控制方法 | |
| CN110851911A (zh) | 终端状态计算模型训练方法、控制序列搜索方法及装置 | |
| JP3515267B2 (ja) | 多層神経回路網学習装置 | |
| CN110322342B (zh) | 借贷风险预测模型的构建方法、系统及借贷风险预测方法 | |
| CN116880191A (zh) | 一种基于时序预测的过程工业生产系统的智能控制方法 | |
| JPH09114503A (ja) | 制御装置 | |
| CN114911157A (zh) | 基于部分可观测强化学习的机器人导航控制方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20011127 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071214 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081214 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091214 Year of fee payment: 8 |
|
| LAPS | Cancellation because of no payment of annual fees |