KR940005029B1 - 프로세스 운전지원방법 및 시스템 - Google Patents

Abstract

내용 없음.

Description

프로세서 운전지원방법 및 시스템

제1도는 본 발명을 정수장의 운전지원에 적용한 실시예의 구성을 표시하는 블럭도.

제2도는 실시예에서의 구체적인 수순의 플로우의 설명도.

제3도는 뉴럴네트워크를 표시하는 모식도.

제4도는 뉴론소자모델을 표시하는 모식도.

제5도는 뉴론소자모델의 신호변환을 표시하는 그래프.

제6도는 상기(想起)에 사용하는 뉴럴네트워크를 표시하는 모식도.

제7도는 본 발명의 다른 실시예의 설명도.

제8도∼제10도는 각각 본 발명을 응집제(凝集劑)주입에 적용한 뉴럴네트워크의 구성예를 표시하는 모식도.

제11도∼제13도는 본 발명의 다시금 다른 실시예의 설명도.

제14도는 본 발명의 별도의 실시예의 설명도.

제15도는 본 발명의 다시금 별도의 실시예의 설명도.

제16도 및 제17도는 본 발명의 지금의 한 개의 실시예의 설명도.

제18도 및 제19도는 다른 실시예의 설명도.

* 도면의 주요 부분에 대한 부호의 설명

9 : 집수정 10 : 급속혼화지

11A : 응집제 탱크 11B : 제탱크

12A : 응집제 주입펌프 12B : 알카리제 주입펌프

15 : 플로크형성지 16 : 침전지

17 : 여과지 18 : 세정수탱크

19, 22 : 펌프 21 : 배수지

24 : 배관망 25 : 염소용기

26 : 염소주입기 40 : 화상처리장치

42 : 시스템 프로세서 44 : 키보드

46 : 교신수단 61 : 추론기구

70 : 뉴럴프로세서 80 : 컴퓨터 시스템

701 : 뉴론소자모델 702 : 실선

710 : 입력층 720 : 중간층

730 : 출력층 740 : 비교층

750 : 교사신호층

본 발명은 시간과 더불어 변화하는 현상을 취급하는 프로세스전반의 운전을 지원하는 방법 및 시스템에 관한다.

수처리(水處理)프로세스, 하천정보처리 프로세스, 기상정보처리 프로세스, 화력, 원자력, 수력, 발전프로세스, 열전병급(熱電倂給)프로세스, 화학프로세스, 바이오프로세스, 증권, 어음정보프로세스, 은행관리프로세스, 등 시간과 더불어 변화하는 현상을 취급하는 각종 프로세스의 종래의 운전(운용)방법은, 이것들의 프로세스를 기술하는 수식모델을 사용하여, 이 모델에 의거하여 행하는 것이었다.

그러나, 이것들의 프로세스를 기술하는 변수군의 인과관계가 해명되어 있지 않았을 경우에는, 수식모델화가 불가능하다. 한편, 수식모델을 사용하지 않고 「if then」 룰 (Rule)등의 논리모델을 사용할 경우에는 원인과 결과와의 인과관계가 명백하지 않으면, 논리모델의 적용은 불가능하다.

다른 한편, 수식모델과 논리모델과를 조합한 퍼지(Fuzzy)방식에서도 양모델의 기술을 할 수 없으면 적용이 불가능하다는 것은 두말할 필요도 없다.

따라서, 이와 같은 경우에는 인간이 과거의 전예나 경험에 비추어서 판단, 운전(운용)하고 있었다.

즉, 원인과 결과가 불명인 이상시 등에는, 오퍼레이터는 과거의 현상이력이나 그 기억에 의거하여 운전하고 있었다. 그러므로 항상 양호한 운전을 행하는 것은 곤란하였었다. 다시금, 이것들의 방식으로는, 모델의 구조나 요소(룰등)를 변경하는 것은 일반적으로 자동화하기에는 이르지 않고 있다.

따라서, 실제의 현상이 변화할 경우에는 이것에 유연하게 대응하는 것은 곤란하였다.

본 발명의 목적은 지금까지 효과적으로 이용되고 있지 않았던 과거의 이력을 유효하게 이용하는 것에 의하여, 정상시(定常時) 비정상시, 이상시의 운전을 지원할 수 있는 프로세스 운전지원방법 및 시스템을 제공하는 것이다.

본 발명의 다른 목적은, 학습된 신경회로 모델로부터 입출력 변수간의 인과관계 등의 지식을 자동적으로 추출하는 방법을 제공하는 것이다.

본 발명에 의한 프로세스운전 지원방법은, 시간과 더불어 변화하는 복수의 입력수치에 응하여, 제어대상을 목표상태로 하는 해당 제어대상의 제어변수치를 구하는 프로세스운전지원방법이고, 입력층, 적어도 1층의 중간층 및 출력층으로 이루어지는 층계구조의 신경회로 모델을 사용하고, 프로세스의 과거의 운전이력정보 중 틀린 시점의 복수의 입력변수치의 대표적인 패턴을 입력신호로 함과 아울러 당해 대표적인 패턴에 대응하는 제어변수치를 교사(敎師)신호로 하여, 상기 신경회로모델에 학습시켜, 해당 학습한 신경회로모델에 상기 입력변수치로서 미학습의 패턴을 입력하는 것에 의하여 해당패턴에 대한 제어변수치를 구하도록 한 것이다.

본 발명에 의한 프로세스 운전지원방법은, 다른 견지(見地)에 의하면, 시간과 더불어 변화하는 복수의 입력변수치에 응하여, 적어도 한 개의 제어대상이 목표상태로 되는 것과 같은 당해 제어대상의 제어변수치를 구하는 프로세스 운전지원방법이고, 입력층, 적어도 1층의 중간층 및 출력층으로 이루어지는 계층구조의 신경회로모델을 사용하여, 상기 제어대상을 목표상태로 하는 제어가 달성되었을 때의 상기 복수의 입력변수치의 패턴을 입력신호로 하는 것과 아울러 당해 패턴에 대응하는 제어변수치를 교사신호로 하여, 복수의 패턴에 관하여 순차로 상기 신경회로모델에 학습시켜, 해당 학습한 신경회로모델에 상기 입력변수치로서 임의의 입력변수치패턴을 입력하는 것에 의하여 해당 패턴에 대한 제어변수치를 구하도록 한 것이다.

이것들의 프로세스 운전지원방법에 있어서, 상기 신경회로모델의 학습시에 어느 시점의 입력변수치 패턴과 해당 어느 시점의 일정시간전의 시점의 입력변수치 패턴과를 동시에 입력신호로서 사용함과 아울러 상기 어느 시점의 제어변수치를 교사신호로서 사용하고, 복수의 입력신호에 관하여 학습한 후, 해당 신경회로모델에 현시점의 입력변수치 패턴 및 현시점에서 일정 시간전의 시점의 입력변수치 패턴을 동시에 입력하는 것에 의하여 현시점의 제어변수치를 구할 수도 있다.

본 발명에 의한 프로세스 운전지원방법은, 다시금 다른 견지에 의하면, 시간과 더불어 변화하는 복수의 입력변수치에 응하며, 제어대상이 목표상태로 되는 것과 같은 당해 제어대상의 제어변수치를 구하는 프로세스 운전지원방법이고, 입력층, 적어도 1층의 중간층 및 출력층으로 이루어지는 계층구조의 신경회로모델을 사용하고, 어느 시점의 입력변수치패턴, 해당 어느 시점의 일정 시간전의 시점의 입력변수치패턴, 양시점의 입력변수치수치의 편차의 패턴 중 2개 이상의 패턴을 동시에 입력신호로서 사용함과 동시에 입력신호로서 사용함과 아울러, 상기 어느 시점의 제어변수치를 교사신호로 하여, 복수의 입력신호에 관하여 상기 신경회로모델에 학습시켜, 해당 학습한 신경회로모델에 현시점의 상기 2개 이상의 패턴을 동시에 입력하는 것에 의하여 현시점의 제어변수치를 구하도록 한 것이다.

바람직한 것은, 상기 신경회로모델의 학습한 결과에 의거하여, 상기 각 입력변수와 각 제어변수와의 사이의 인과관계를 추출하여, 해당 인과관계에 의거하여 상기 프로세스의 운전을 지원한다.

상기 신경회로모델은, 예를 들면, 복수의 뉴론소자모델로 이루어지는 입력층과, 해당 입력층의 각 뉴론소자모델의 출력을 각각 받는 복수의 뉴론소자모델로 이루어지는 적어도 1층의 중간층과 최종의 중간층의 각 뉴론의 출력을 받는 적어도 1개의 뉴론소자모델로 이루어지는 출력층과를 가지고 있고 상기 입력층의 각 뉴론소자모델에 입력변수를 대응시킴과 아울러 상기 출력층의 각 뉴론소자모델에 각 제어변수를 대응시켜, 상기 학습은 상기 각 뉴론소자모델간의 연결부에 부여된 중량계수를 제어하는 것에 의하여 행한다.

또, 상기 신경회로모델의 학습한 결과에 의거하여, 상기 각 입력변수와 각 제어변수와의 사이의 결합강도를 구하고, 해당 결합강도의 크기에 의거하여 상기 신경회로모델의 구조를 변경하도록 하여도 좋다.

이 경우에 있어서, 특정의 한 입력변수와 특정의 한 제어변수와의 결합강도는 당해 한 입력변수에 대응하는 상기 입력층의 뉴론소자모델로부터 상기 중간층의 각 뉴론소자모델을 거쳐서 당해 한 제어 변수에 대응하는 상기 출력층의 뉴론소자모델에 이르는 각 경로의 중량계수의 승산합(乘算合)으로 정의 할 수가 있다.

상기 신경회로모델의 구조의 변경은, 특정의 뉴론소자모델간의 연결을 삭제하거나, 상기 중간층의 계층수를 변경하던 하는 것에 의하여 행하여진다.

또, 정상시의 이력정보를 학습한 신경회로모델과 비정상시의 이력정보를 학습한 신경회로모델과를 별개로 준비하여, 운전지원시에, 정상시와 비정상시에서 신경회로모델을 전환하여 사용하는 것도 가능하다.

혹은, 입력변수치의 패턴의 변화상태에 응하여, 별개의 이력정보를 학습한 신경회로모델을 복수개를 준비하여, 운전지원시에, 상기 입력변수치의 패턴의 변화상태에 응하여 사용하는 신경회로모델을 전환하는 것도 가능하다.

본 발명에 의한 지식추출방법은, 입력층, 중간층 및 출력층이 틀린 층간에서 연결된 뉴론소자모델 대간(對間)의 중량계수가 결정되는 것에 의하여 학습을 유한회(有限回)실행한 계층구조로의 신경회로모델로부터, 해당신경회로모델의 입력변수와 출력변수와의 사이의 인과관계를 지식으로 하여 추출하는 지식추출방법이고, 특정한 한 입력변수에 대응하는 입력층의 뉴론소자모델로부터 상기 중간층의 각 뉴론소자모델을 거쳐서 특정의 한 출력변수에 대응하는 출력층의 뉴론소자모델에 이르는 복수의 경로에 관하여 각 경로의 주량계수의 곱셈값을 구하고, 복수의 경로에 관하여 해당 곱셈값을 가산하여 해당 가산치를 당해 한 입력변수와 한 출력변수와의 인과관계를 정하는 척도로 하는 것이다.

본 발명에 의한 프로세스 운전지원시스템은 시간과 더불어 변화하는 복수의 입력변수치에 응하여, 제어대상을 목표상태로 하는 당해 제어대상의 제어변수치를 구하는 프로세스 운전지원시스템이고, 입력층, 중간층 및 출력층으로 이루어지는 계층구조의 신경회로모델을 가지고 있고, 해당신경회로모델에 과거의 운전이력정보를 입력신호 및 교사신호로서 사용하여 과거의 운전실적을 학습시키는 처리수단과, 상기 제어대상으로부터 상기 신경회로모델에 입력하는 입력변수치를 얻는 입력수단과, 상기 학습한 신경회로모델로부터 지식을 추출하는 지식추출수단과, 해당 지식추출수단에 의하여 얻어진 지식을 축적하는 지식 베이스와, 해당 지식베이스에 축적된 지식으로부터 프로세스 운전지원정보를 얻는 추론(推論)기구와, 상기 처리수단의 출력 및/또는 상기 추론기구의 출력에 응하여 상기 제어대사의 제어 가이던스(guidance)를 행하는 가이던스 수단과를 구비한 것이다.

또한 본 명세서에 있어서, 「프로세스」란 , 시간과 더불어 변화하는 현상을 취급하는 각종 프로세스를 포함하고, 「운전」이란, 운용, 관리, 제어 등을 의미하는 넓은 개념을 말하는 것으로 한다.

또, 「운전지원」이란, 협의(狹義)에서는 오퍼레이터에 대하여 프로세스의 운전을 원조하는 것을 말하지만, 넓은 의미에서는 오퍼레이터를 개재치 않고 직접 프로세스를 제어하는 것도 포함하는 것으로 한다.

본 발명은, 신경회로모델이 갖는 학습기능을 (가) 프로세스의 운전이력정보로부터의 학습, (나) 이력정보의 지식획득, (다) 이력정보를 기술하는 모델의 자동생성에 적용하는 것이다.

신경회로모델의 학습에 즈음하여서는, 운전이 성공한 대표적인 패턴만을 학습시키는 것에 의하여, 신경회로모델은 경험이 풍부한 오퍼레이터와 동등한 판단능력을 구유(具有)하고, 현실의 임의의 입력변수치패턴에 대하여 과거의 실적과 전 예에 걸맞는 적절한 지원을 행할 수가 있다.

더우기, 실제의 프로세스운전개시 후에도 학습을 계속하는 것에 의하여, 신경회로모델의 능력을 현실에 꼭 맞게 차차로 성장시킬 수 도 있다.

따라서, 최종적으로는 개개의 오퍼레이터의 경험, 능력, 자질 등에 의지하지 않고, 균질 또한 최적한 운전을 목표로 할 수가 있다.

또, 프로세스에 의해서는, 동일한 입력변수치패턴에 대한 경우도 있어서도, 각 입력변수치의 상승시와 하강시에서는 최적한 제어변수치가 틀릴 경우가 있다.

이와 같은 시점에 비추어, 학습시의 입력수치패턴으로서, 1시점의 이력정보만을 사용하는 것은 아니며, 일정시간전의 과거의 이력정보, 혹은 양자의 편차정보도 동시에 사용하는 것에 의하여, 프로세스의 변화상태에 응한 적절한 운전지원이 가능하게 된다.

다시금, 정상시, 이상시 등의 이력정보를 각각 학습한 별개의 신경회로모델을 설치하는 것에 의하여, 한층 효과적인 운전지원을 행할 수가 있다.

또, 과거의 이력정보에는, 오퍼레이터가 의식하지 않는 인과관계 등의 지식이 내포되어 있는 가능성이 있다.

그러나, 다수의 입력변수와 제어변수와의 사이의 인과관계는 꼭 판연한 것은 아니다.

그래서 본 발명에서는 이미 학습을 행한 신경회로모델의 중량계수의 대소, 혹은 결합상태에 착안하여, 원인과 결과와의 관계를 자동적으로 추출, 획득할 수 있도록 하였다. 이것에 의하여, 이력정보에 묻혀진 지식을 자동적으로, 혹은 반자동적으로 데이터베이스화 혹은 지식베이스화 할 수가 있다.

여기서, 반자동적이란, 오퍼레이터와의 대화를 의미한다. 이 지식베이스에 의하여서도, 시간과 더불어 변화하는 현상을 취급하는 각종 프로세스의 운전을 지원할 수가 있다. 본 발명은, 시간과 더불어 변화하는 다수의 입력변수치의 패턴 중에서, 다른 시간의 대표적인 패턴을 (1) 신경회로모델(뉴럴프로세스)에 의하여 학습, (2) 학습결과에 의거하여 운전을 지원, (3) 학습결과로부터의 지식의 획득 및 지식 정보의 축적, (4) 지식후보의 지식으로서의 타당성 진단, (5) 지식과 추론에 의거한 운전지원 등을 행하는 것이다.

패턴은 다변수의 과거이력, 혹은 현재의 패턴이다. 이것들의 상세설명은 후술하지만 여기서 다변수란 시간적으로 변화하는 모든 변수를 대상으로 한다.

따라서, 본 발명은 각종의 정보처리 프로세스 혹은 프랜트에 적용할 수 있다.

여기에서는, 한 실시예로서 정수장의 운전지원에 이용한 경우를 제1도를 사용하며 아래에 설명한다.

최초로, 제1도 전체의 구성과 동작을 설명한다.

우선, 정수장의 플로우를 설명한다.

제1도에 있어서 집수정(9)에서는, 하천이나 호소(湖沼)(도시하지 않음)로부터 원수가 유도된다.

원수는 집수정(9)으로부터 급속 혼화지(混和地)(10)로 인도되고, 급속혼화지(10)에서는 응집제탱크(11A) 중의 액체상의 응집제(폴리염화알미늄, 유산알미늄)가 응집제 주입펌프(12A)로 주입된다.

플로크(Floc)형성을 속진하기 위하여, 수산화칼슘 또는 탄산나트리움 등의 알카리제가 알카리제탱크(11B)로부터 알카리제 주입펌프(12B)에 의하여 주입된다.

급속혼화지(10)내는, 교반익(攪拌翼)(14)이 교반기(13)에 의하여 교반되고, 원수 중의 0. 01㎜전후의 현탁미입자를 0. 1㎜전후의 마이크로 플로크로 한다.

이 물은 플로크형성지(15)로 인도되어 프로그로 성장한다. 플로크형성지(15)는 복수의 연못(15A, 5B 및 15C)으로 이루어지며, 각 연못은 교반패들(Paddle)(17A, 17B 및 17C)이 설치되고, 이것들이 천천히 회전한다.

이 교반에 의하여 입(粒)지름이 1㎜전후의 플로크로 성장한다.

성장한 플로크는 침전지(16)에서 침강(沈降)하여 위의 맑은 액이 여과지(17)에서 여과된다.

여과지(17)에는 세정수탱크(18)로부터 펌프(19)에 의하여 역세수(逆洗水)가 간헐적(間歇的)으로 분사되어 여상(濾床)을 세정(洗淨)한다.

여과수, 정수지(20)와 배수지(21)에 일단 저수되고, 펌프(22)에 의하여 배관망(24)을 사이에 두고 수용가로 송수된다.

압력과 유량과의 제어를 위하여 밸브(23A, 23B, 23C)가 설치된다.

또한 살균을 위하여 염소용기(25)의 염소가 염소주입기(26)에 의하여 집수정(9)과 정수지(20)와에 적량 주입된다.

다음에 계측기에 관하여 설명한다.

원수의 수질을 계측하기 위하여, 집수정(9)에 계측기(5A)가 설치된다.

계측항목은 수온, 탁도, 알카리도, PH, 전기전도도, 잔류염소농도, 염소요구량, 수량, 수위 등이다.

계측항목은, 수온, 탁도, 알카리도, PH, 전기전도도, 잔류염소농도, 염소요구량, 수량, 수위등이다.

플로크형성지(15C)에는 수중카메라등의 촬상수단(5B)이 설치되고, 필요에 응하여 급속혼화지(10)나 플로크형성지(15A, 15B) 및 침전지(16)에도 설치한다.

침전지(16)에는, 탁도계(5C)가 설치된다.

여과지(17)의 계측기(5D)의 계측항목은, 손실수두(水頭), 수위, 탁도, 잔류염소농도, PH, 탁도, 유량등이다.

정수지(20) 및 배수지(21)에서의 계측기(5E와 5F)의 계측항목은 수위, 탁도, 잔류염소농도, PH, 탁도, 유량, 수압, 수온 등이다.

배관망(24)에 설치되는 계측기(5G)의 계측항목은 탁도, 잔류염소농도, PH, 유량, 수압, 수온 등이다.

다음에 이것들 계측치의 컴퓨터시스템(80)으로의 입력처리와 입력에 관하여 설명한다.

상술한 각종 계측기의 데이터는 컴퓨터시스템(80)에 입력된다.

계측기(5A, 5C, 5D, 5E, 5F, 5G)로 얻어진 각종의 데이터는 소정의 시간간격(1분 내지1시간)마다에 샘플링된다.

이것들의 각 신호(5AS, 5CS, 5DS, 5ES, 5FS, 5GS)는 입력포트(56A)를 통하여, 시스템버스(52)를 거쳐 기억장치(54)에 격납된다.

동시에, 기억장치(54)는 시스템프로세서(SP)(42)로 처리된 각종처리 데이터도 격납한다.

또한 촬상수단(5B)으로부터 얻어진 플로크의 농담(濃淡)화상의 아날로그전기신호(5BS)는, 화상처리장치(40)에 있어서 디지털신호로 변환 후 화상처리 된다.

모니터(50)는 화상처리장치(40)의 처리 상황을 출력한다. 여기서, 화상처리장치(40)의 기능은, 발명자 등이 이제까지 제안(예를 들면 특원소 61-82952호)하여 온 각종처리를 행하는 것이며, 아래에 개략을 설명한다.

촬상수단(5B)으로 얻은 농담화상을 2치화(2値化)하여 2치화상으로 변환하여, 2치화상으로부터 플로크의 각각의 면적, 체적, 대표직경, 형성들을 계산한다.

이어서 입지름분포, 개수, 분포의 통계적 대표입지름, 분포의 폭(표준편차 등), 플로크의 형상특성, 플로크형성량, 플로크휘도, 배경의 휘도, 플로크의 밀도 등의 특징 량을 계산한다.

필요에 응하여, 계측기(5A, 5C)의 값을 사용하여 총합적으로 처리상황을 파악한다.

이어서 컴퓨터시스템(80)의 구성을 다시금 설명한다.

시스템버스(52)에서는 시스템프로세서(42), 화상처리장치(40), 기억장치(54), 뉴럴프로세서(NP)(70), 지식베이스(60A), 지시후보베이스(60B), 추론기구(61)가 각각 접속되어 있다.

시스템프로세서(SP)(42)에는 키보드(44)와 디스플레이(46)과가 접촉된다.

키보드(44)로부터의 입력항목은 (1) 화상처리장치(40)의 조작조건, (2) 뉴럴프로세서(70)의 계산조건, (3) 오퍼레이터가 수질정보와 화상정보에 관해서 갖고 있는 지식 등이다.

또한 (1) 화상처리장치(40)의 조작조건의 설정을 위하여 전용의 키보드를 설치하는 경우도 있다.

시스템프로세서(42)는 이것들의 (1), (2), (3)의 조건을 통괄제어하고, 필요에 응하여 추론기구(61)의 동작을 제어한다.

다음에, 컴퓨터시스템(80)으로부터의 출력을 설명한다.

컴퓨터시스템(80)에서의 처리결과는 출력포트(56B)를 통하여, 응집제주입펌프(12A), 알카리제주입펌프(12B), 교반기(13), 교반패돌(17A, 17B, 17C), 펌프(19), 염소주입기(26), 펌프(22), 밸브(23A, 23B, 23C)등에 대하여, 제어용의 출력신호(12AS, 12BS, 13S, 17AS, 17BS, 17CS, 19S, 26S, 22S, 23AS, 23BS, 23CS)로서 송신된다.

이것들의 신호는 상기 각 기기의 동작을 제어한다.

각 기기로 행하는 제어항목을 아래에 설명한다.

응집제주입펌프(12A)에서는, 응집제주입제어, 알카리제주입펌프(12B)로서는 알카리제주입제어, 교반기(13)로서는 급속교반제어, 교반패돌(17A, 17B, 17C)로서는 완속교반제어, 펌프(19)로서는 역세제어, 염소주입기(26)로서는 전(前)염소주입제어와 후(後)염소주입제어, 펌프(22)와 밸브(23A, 23B, 23C)로서는, 배수유량제어와 배수압력제어를 한다.

이외에 상세한 것은 생략하지만 유량이나 수위제어 등 정수장의 유지관리에 관한 각종의 제어를 실행한다.

제어방식의 개략을 아래에 설명한다.

제어방식은 (Ⅰ) 계측정보에 의거하여, 계측정보간, 혹은 계측정보와 출력정보(제어정보)와의 관계를 모델화하여, 이 모델에 의거하여 출력을 제어하는 종래의 제어방식과, (Ⅱ) 이력의 학습에 의거한 지원방식으로 나누어진다.

여기서 말하는「제어」란 오퍼레이터으로의 문의 없이 실행되는 자동조작을 말하고, 「지원」이란 오퍼레이터가이던스를 의미하고 주로 디스플레이(46)등(처리에 응하여 음성을 사용한다)을 사용하여 참고 데이터 및 운전가이던스를 통지하는 것, 및 오퍼레이터의 양해가 얻어진 경우만 제어를 행하는 조작을 말한다.

다음에 (Ⅱ)를 실행할 경우의 순서의 개략을 아래에 설명한다.

(Ⅱ)의 지원은, 본 실시예에서는, (1) 각종의 계측정보의 이력을 뉴럴프로세서(70)에 의하여 학습, (2) 학습한 결과에 의거하여 운전을 지원, (3) 학습한 결과 중에서 지식 및 지식후보를 추출, (4) 지식후보의 지식으로서의 타당성진단, (5) 지식과 추론에 의거한 운전지원의 5단계로 이루어진다. 여기서 「지식」이란 원인과 결과를 관련시키는 일정한 룰(Rule)을 말하고, 지식에는 경험적 지식과 과학적 지식이 있다.

한편, 「지식후보」란 어느 사상(事象)(4)과 어느 사상(B)과의 쌍(사상(A)가 성립할 때에 사상(B)이 생겼다)를 표시한다.

이와 같은 사상의 쌍은 우연히 발생하는 것도 있으며, 필연적 혹은 경험적인 지식이라 말할 수 없는 경우가 많지만, 그 중에는 지식이라고 간주할 수 있는 것도 있다.

따라서, 지식이라고는 인지되지 않지만, 다수회 일어날 경우에는 지식으로 되는 것과 같은 사상을 말한다.

이것들 지식 혹은 지식후보는 각각 지식 베이스(60A)와 지식후보베이스(60B)에 격납된다.

또한, 경우에 따라서는 상기 학습공정 및 지원공정만을 이용하는 것도 가능하다.

다음에, 각 제어방식의 구체적인 순서에 관하여 설명한다.

우선 (Ⅰ) 변수간의 관계를 현상 논리적으로 표시하는 모델에 의거한 제어방식에 관하여 설명한다.

이것은 종래의 방식이지만, 예를 들면 계측기(5A)로 원수의 수질(수온, 탁도, 알카리도, PH, 전기전도도, 전류염소농도, 염소요구량, 수량, 수위) 및 촬상수단(5B)과 화상처리장치(40)에서 계측한 플로크형성상황을 입력변수로 하여, 이것들 변수의 함수로서 응집제주입량을 결정한다.

결정을 위한 모델은 실험적으로 혹은 경험적으로 분명하게 되어 있는 식을 적용한다.

예를 들면, 탁도에 관하여서는 탁도가 높을 수록 응집제주입량을 증가시킨다.

이 제어조작은, 오퍼레이터와의 문의 없이 실행된다.

또한, 이 방식은 종래 공지의 기술이므로(예를 들면, 수도협회잡지, 제431호, 제28면, 소자회로 45년 8월 발행을 참조) 상세한 설명은 생략한다.

다음에 본 발명에 관한 (Ⅱ) 이력의 학습에 의거하는 지원방식과, 순서의 상세에 관하여 설명한다.

그 전제로서 본 발명에 있어서의 「지원」의 생각을 설명한다.

본 발명의 지원방법은 운전원이 과거의 이력정보를 생각하여 이 기억에 의거하여 운전한 경우와 동등한 결과를 얻기 위하여 운전원에 대하여 그래프 표시에 의하여 가이던스 하거나, 자동적으로 운전을 행하는 것이다.

예를 들면, 운전원은 경험적으로 복수의 변수(Xi)의 표시방법의 대표적인 패턴을 잘 기억하고 있다.

여기서 「패턴」이란 어느 시각에 있어서 변수(Xi)의 값(Yi)의 집합을 말한다.

다른 한편, 어느 변수(Xi)에 관하여 보통이 아닌 이상한 사상이 일어났을 경우, 이러한 것도 잘 기억하고 있다.

또, 이때 동시에 다른 변수(Xi)에 관해서도 보통이 아닌(이상한) 사상이 일어나 있으면, 이것들의 원인을 이것저것 생각한다.

만일 어느 변수(Xi)가 제어하고자 하는 변수이며, 다른 변수(Xj)가 변수(Xi)를 제어하는 변수일 경우에는 과거의 이상시에 있어서 변수(Xj)의 조작에 의하여 변수(Xi)를 훌륭히 제어한 경험이 있으면, 이 과거의 경험을 참고로 하여, 혹은 마찬가지의 조작방법으로 운전할 것이다.

변수(Xi)의 표시방법이 전혀 같으면 그대로 제어하면 좋지만, 실제에는 변수(Xi)의 표시방법은 미묘하게 다르다.

따라서, 양호한 결과를 얻도록 조작하는 일은, 인간에게는 가능하지만, 인공적으로 이것을 실현하는 것은 곤란하였었다. 인간은 과거의 이력을 경험으로 가지고 있으며, 이 경험으로부터 총합적으로 상황을 판단한다.

본 방법은 이와 같은 운전을 자동적으로 행하는 방법을 제공하는 것이다.

본 실시예에서는 정수장 운전의 전반에 관하여 설명한다.

이어서, (Ⅱ) 이력의 학습에 의거하는 지원방식과 순서의 상세에 관하여 제2도를 사용하여 아래에 설명하여 간다.

(Ⅱ)의 지원은, 상술한 바와 같이 (1)∼(5)의 스텝으로 이루어진다.

(1)의 학습공정(71)에서는 각종의 계측정보(5)의 이력패턴[P₁(t₁), P₂(t₂)]…(Pi(ti)의 설명은 후술한다)를 패턴파일(71S)로부터 뉴럴프로세서(70)에서 학습하는 것이다.

학습하여야할 이력패턴의 선택법에 관해서는 후술한다.

(2)의 지원공정(720)에서는 학습한 결과에 의거하여 지원한다. (3)의 지식추출공정(73)에서는 학습한 결과 중에서 지식 및 지식후보를 추출한다.

(4)의 지식진단공정(74)에서는 지식후보가 지식으로서 타당한가 아닌가를 진단한다.

(5)의 운전지원공정(75)에서는 본 학습으로 얻어진 지식군과 미리 입력된 지식군에 의거하여 운전지원을 행한다.

이것들 (2)∼(5)의 공정은 시스템프로세서(42)에 의하여 행하고, 필요에 응하여, 키보드(44), 디스플레이(41)를 조작하는 것과 아울러, 지식베이스(60A)와 지시후보베이스(60B)에 액세스한다.

또한 여기서 지식이란 「만일…이면…이다」라고 하는 형식이 룰이다.

아래에 각 공정의 내용을 상세하게 설명한다.

(1)의 학습공정(71)을 아래에 설명한다.

여기서 이력정보로서 취급하는 변수는, 데이터로서 기억되는 모든 변수가 대상으로 되므로, 이것에 관하여 우선 설명한다.

즉, 여기서 말하는 변수라는 것은 계측기(5A)로 계측한 수온, 탁도, 알카리도, PH, 전기전도도, 잔류염소농도, 염소요구량, 수량, 수위, 촬상수단(5B)과 화상처리장치(40)에서 계산한 플로크입지름분포, 개수, 분포의 통계적대표입지름, 분포의 폭, 플로크형상특성, 플로크형성량, 플로크휘도, 배경휘도, 플로크밀도, 탁도계(5C)로 계측한 탁도, 계측기(5D)로 계측한 손실수두, 수위, 탁도, 잔류염소농도, PH, 유량, 정수지(20) 및 배수지(21)의 계측기(5E와 5F)로 계측한 수위, 탁도, 잔류염소농도, PH, 유량, 수압, 수온, 배관망(24)의 계측기(5G)로 계측한 탁도, 잔류염소농도, PH, 유량, 수압, 수온등, 입력포트(56A)로 부터 입력되는 변수이다.

이것들의 변수를 Xi로 표시하는 것으로 한다.

또, 어느 시각(t₁)에 있어서의 이들 변수(Xi)를 취하는 값(Yi)의 집합을 패턴(1)으로서 P₁(Y₁(t₁), Y₂(t₁)…Yn(t₁))라고 표시한다.

약기할 때는 P₁(t₁)으로 한다.

틀린 시각에 있어서는 패턴(P₁(t₁), P₂(t₁), …)을 학습시킨다.

또한 본 실시예에서는 일반화된 설명을 행하기 위하여, 이것들 변수에 모든 것을 입력하여 학습하지만, 목적에 응하여 변수를 취사선택하는 것은 말할 나위가 없다.

이것들의 변수의 값은 뉴럴프로세서(70) 중에서 처리(학습)되지만, 이 처리방법을 제3도를 사용하여 설명한다.

우선, 기호를 설명한다.

제3도에서, 기호 “○”는 뉴론소자모델(701)이며, “○”과“○”과를 연결하는 실선(702)은 뉴론소자모델(701)간의 정보의 주고받는 것이 있는 것을 표시한다.

또, 뉴럴프로세서(70)에서는 입력층(720)과 출력층(730)으로 이루어진다.

여기서 각층은 유한수(有限數)의 뉴론소자모델로부터 이루어지며, 인접하는 각 층의 뉴론소자모델간이 연결된다.

중간층(720)은 복수 층으로서도 좋지만, 본 실시예에서는 설명의 간략화를 위하여 중간층의 수가 하나의 예를 표시한다.

또한 제3도는 학습시의 구조를 표시하고, 제6도는 학습 후의 이용시의 구성을 표시하고 있으며, 이것들의 구성을 뉴럴네트워크(신경회로모델 또는 신경회로망)라고 칭한다.

여기서, 입력층(710)과 출력층(730)과의 변수 설정에 관하여 설명한다.

입력층(710)에는 원인으로 되는 변수를 부여하고 한편, 출력층(730)에는, 이것들 원인에 의거하여 결정되는 제어변수(제어하고자하는 변수)를 부여한다.

즉, 출력층(730)변수로서 본 실시예에서는 제어변수를 설정한다.

아래에 다시금 구체적으로 설명한다.

우선, 입력층(710)의 각 뉴론소자모델에는 상술한 패턴(P₁(t₁))을 패턴파일(71S)로부터 입력한다.

이것들의 값은 최소치를 “0”이상, 최대치를 "1"이하로 하도록 스케일을 조정하여 두는 것이 바람직하다.

다른 한편, 출력층(730)의 각 뉴론소자모델 및 교사신호층(750)에는 출력포트(56B)로부터 출력되는 신호를 출력되는 신호를 설정한다.

즉, 이것들의 신호는, 응집제주입펌프(12A)제어를 위한 신호(12AS), 알카리제주입펌프(12S)제어를 위한 신호(12BS), 교반기(13)제어를 위한 신호(13S), 교반패돌(17A, 17B 및 17C)제어를 위한 신호(17AS, 17BS, 및 17CS), 펌프(19)제어를 위한 신호(19S), 염소주입기(26)제어를 위한 신호(26S), 펌프(22)제어를 위한 신호(22S), 밸브(23A, 23B, 및 23C)제어를 위한 신호(23AS, 23BS 및 23CS)이다.

이것들의 신호의 값으로 이루어지는 목표패턴을 C(Pi(ti))로 표기한다.

여기서, 뉴론소자모델(701)의 기본연산에 관하여 제4도를 사용하여 설명한다.

여기서는 n개의 변수(X₁∼Xn)가 입력되는 예를 표시한다.

어느 시각(t₁)에 있어서는 변수(X₁∼Xn)의 각 신호의 값을 Y₁(t₁)∼Yn(t₁)이라고 한다.

우선, 시각(t₁)의 패턴을 P₁(t₁)이라 한다.

시각(t₁)은 오퍼레이터가 선택할 경우와, 자동적으로 선택할 경우가 있다.

오퍼레이터가 선택하는 경우라는 것은, 후에 운전에 반영시키고 싶다고 생각하는 것과 같은, 대표적인 패턴(P₁(T₁))이나, 후일 참고로 하고 싶은 이상시의 패턴이다.

이것들을 패턴파일(P₁(t₁))에 격납한다.

결과적으로, 뉴럴네트워크는 이것들 학습한 내용에 응하여 동작하므로, 이 선택은 중요하다.

오퍼레이터에 선택을 맡기는 것은, 이 오퍼레이터가 갖는 경험적이고 총합적인 데이터판단능력에 의지하는 것이다.

이 경우, 학습시키는 패턴은, 틀린 시간에 있어서의 복수의 패턴(P₁(t₁), P₂(t₂), …)이며, 이것들 복수의 패턴을 반복하여 학습시킨다.

이것에 의하여, 오퍼레이터의 과거의 경험에 버금가는 패턴 파악능력을 뉴럴네트워크가 몸에 익힌다.

오퍼레이터에 의한 학습은 키보드(44)와 디스플레이(46)를 사이에 두는 맨머신회화에 의하여 행한다.

다른 한편, 자동적으로 행할 경우에는, 사전에 데이터열의 통계해석을 필요로 한다.

즉, 가장 발생빈도가 높은 경우를 통계해석에 의하여 구하여 정상시라고 간주하고 이것을 학습시키고, 한편에서 발생빈도가 낮은 경우를 이상시라고 간주하여 이것을 학습시킨다.

구체적인 패턴의 선택 법으로서는, 아래의 방법도 유효하다.

(1) 처리가 성공하였을 때(예를 들면 침전지 탁도가 1㎎/ℓ이하) : 이때의 조건을 자동적으로 또는 오퍼레이터와 문의를 한 후 신경회로모델에 학습시킨다.

(2) 처리가 실패하였을 때 : 이때의 조건은 학습하지 않도록 한다.

이것들 (1), (2)의 조작을 반복하여 행하는 것에 의하여, 처리가 성공하였을 경우만을 선택적으로 학습할 수가 있다.

따라서, 학습내용이 차차로 추가되어 가는데 따라서 신경회로모델이 현명하게 되는 효과가 있다.

즉, 후술하는 상기오차(想起誤差)가 점점 감소하여 정밀도가 향상하여 가는 효과가 있다.

아래에서는 잠시 임의의 패턴을 학습시키는 방법에 관하여 설명한다.

또, 후에 상세하게 설명하지만, 이것들 틀린 시각에서의 변수의 패턴(P₁(t₁), P₂(t₂)(P₁(t₁), …)를 동시에 입력층에 입력할 것, 다시금 변수의 시간적 편차(P₁(t₁)-Pj(tj))도 입력할 것, 및 정상시와 비정상시와를 따로 따로의 뉴럴네트워크에 학습시키는 일 등에 의하여, 본 발명의 목적은 다시금 효과적으로 달성된다.

뉴럴네트워크에서의 기본적인 계산방법을 아래에 설명한다.

우선, 설정된 신호치(Y₁∼Yn)의 각각에 중량계수(Wji)를 곱하고, 다시금 이것들을 가산하는 연산(곱셈 더하기 연산)이 다음식으로 계산된다.

여기서 Yi(1) : 입력층(제1층)의 Xi값, Wji(2←1) : 입력층(제1층)의 i번째의 변수로부터 중간층(제2층)의 j번째의 뉴론소자모델로의 중량계수, Zj(2) : 중간층(제2층)의 j번째의 뉴론소자모델로의 입력 총합치이다.

뉴론소자모델(710)에서는 Zj(2)의 대소의 응하여 여기서의 출력치가 다음 식으로 계산된다.

(ii)식의 계산내용은 제5도와 같은 관계이다.

즉, 동도면의 그래프에 표시하는 바와 같이 Zj(2)의 값에 응하여 "0"에서 "1"까지의 사이의 값이 Yj(2)로서 얻어진다.

계산치(Yj(2))는, 다시금 출력층으로 보내지고, 출력층에서도 마찬가지의 계산이 실행된다.

다음에, 뉴럴네트워크에서의 계산방법의 개요에 관하여 설명한다.

상술한 변수(Xi)의 값(Yi(1)는 제3도의 입력층에 입력되고, 이 신호(값)는 중간층의 뉴론소자모델에 출력된다.

중간층의 뉴론소자모델로는 이것들 출력치(Yi(1)와 중량계수(Wji(2←1)와의 곱셈합(Zj(2)를 (i)식으로 계산하고, 이 대소에 응하여 출력치(Yj(2))를 (ii)로 결정한다.

마찬가지로 하여, 중간층의 출력치(Yj(2)는 다시금 중간층(제2층)과 출력층(제3층)과의 중량계수(Wji(3←2))과의 곱셈합(Zi(3))을 다음 식으로 계산한다.

여기서, Yi(2) : 중간층(제2층)의 값, (Wji(3←2) : 중간층(제2층)의 i번째의 변수로부터 출력층(제3층)의 j번째의 뉴론소자모델로의 중량계수, Zj(3) : 출력층(제3층)의 j번째의 뉴론소자모델로의 입력총합치.

다시금, Zj(3)의 대소에 응하여 출력층(730)으로의 출력치(Yj(3))를 다음식 계산한다.

이와 같이하여 출력층의 계산치 (Yj(3))가 얻어진다.

뉴럴네트워크에서의 학습을 실행하는 데에는 출력층(730)의 뒤에, 다시금 제3도에 표시하는 바와 같이, 비교층(740)과 교사신호층(750)과를 설치하고, 출력층(730)의 신호(730S)와 교사신호(750)의 교사신호(750S)와가 비교층(740)에 입력되고, 여기서 출력신호(730S)와 교사신호층(750S)와가 비교된다.

이 오차가 적게되도록 중량계수[Wji(3←2) 및 Wji(2←1)]의 크기를 수정한다.

이 수정치를 사용하여 재차, (i)∼(iv)식의 계산 및 교사신호와 비교를 행하면, 마찬가지로 오차가 나온다.

이 오차가 작게되도록 재차 중량계수{Wji(3←2) 및 Wji(2←1)}의 크기를 수정한다.

이와 같이하여 중량계수(Wji)를 반복하여 수정하여가며, 오차가 충분히 작게 되기까지 계속한다.

최초에는 중량계수는 랜덤으로(난수로 발생)주어지므로, 오차는 당연히 크지만, 출력신호치는 점점 교사신호치에 가까이 간다.

따라서, 입력층(710)의 변수(Xi)로부터 출력층(730)의 변수(Xj)가 여하히 결정되었는가가, 중량계수(Wji)의 분포에 반영되어 간다.

이와 같이 오차를 수정하여 가는 방법은 오차역전반법(誤差逆轉搬法)이라고 불려지고, Rumelhart등에 의하여 고안된 공지기술을 이용한다.

상세는 문헌(Rumelhart : Parallel Distributed Processing, MIT Press, Vol. 1. (1986))을 참고하기 바란다.

이와 같은 학습 그 자체는 공지된 것이지만, 본 발명은, 특히 틀린 시각에 있어서의 변수군의 복수개의 패턴을 반복하여 학습시켜서 이것에 의하여 오퍼레이터의 과거의 경험과 동등의 작용을 갖게 하도록 한 점에 특징을 가진다.

복수개의 패턴이란, 오퍼레이터가 과거에 있어서 중요하다고 판단한 패턴(P₁(t₁))이다.

이것에 의하여 오퍼레이터의 과거의 경험에 필적하는 패턴 파악능력이 뉴럴네트의 중량계수(Wji)의 분포에 반영, 축적, 기억되어 간다.

또한, 본 실시예에서는 이 계산은 뉴럴프로세서(70)로 행하는 예를 설명하였으나, 시스템프로세서(42)로 행할 수도 있다.

어느 것이건 간에, 본 발명은 운전지원에 뉴럴네트를 적용하는 것이기 때문에, 기능적으로는 이제까지 설명한 뉴럴프로세서(70)의 기능을 갖게 하지 않으면 아니 된다.

다음에 제2도의 지원공정(72)을 설명한다.

여기서는 학습공정(71)에서의 학습결과에 의거하여 운전을 지원한다.

상술한 바와 같이 뉴럴네트에는 과거의 경험이 중량계수(Wji)의 값의 분포에 부여되어 있다.

거기서 현시각(t)의 변수(Xi)의 값(Yi(t))으로 이루어지는 패턴(P₁(t))을 입력층에 입력하는 것에 의하여, 결과로서 출력층으로서 설정된 제어변수(Xi)의 값이 계산된다.

이 계산은 제6도에 표시하는 바와 같이 입력층(710), 중간층(720), 출력층(730)으로 이루어지는 뉴럴네트워크(제3도의 일부이다)를 사용하여 계산한다.

이 계산은 학습하여 결정된 중량계수(Wji)하에서, 현시각(t)에서의 패턴(P₁(t))을 사용하여 (i)∼(iv)식을 계산하는 것이며, 이 계산을 「상기」(想起)라고 하기도 한다.

상기로한 결과를 디스플레이(46)에 표시하고 운전을 지원한다.

즉, 오퍼레이터는 이 표시결과를 참고로 하여 운전할 수 있다.

자동적으로 행할 경우에는 패턴(P₁)(t) 일 때의 상기 결과를 목표로 하여, 이 목표패턴{C(P₁)(t)}으로 되도록, 각 제어신호(56BS)를 설정한다.

또한 상기의 의한 계산치는 학습한 패턴에 의존하므로, 학습패턴을 틀린 시각에서의 대표적인 패턴, 혹은 주목하여야할 이상치의 패턴이 되지 않으면 아니 된다는 것은 상술한 것과 같다.

이어서 지식추출공정(73)을 설명한다.

이 지식추출공정(73)에서는 학습한 결과 중에서 지식 및 지식후보를 추출한다.

추출법은 3단계로 되어 왔으나, 우선 중량계수에 착안한 추출법을 설명한다.

입력층(710)에 설정하는 변수(Xi)와 출력층(730)에 설정하는 변수(Xj)와의 관계는 변수(Xi)가 원인으로 변수(Xj)가 결과로 간주된다.

따라서 변수(Xi)로부터 변수(Xj)를 유도하는 상기의 계산에서는 변수(Xj)에 있으므로, 중량계수(Wji)의 절대치가 클수록 영향의 정도가 크게된다.

그러나 변수(Xi)로부터 변수(Xj)를 상기 하는데에는 복층(複層)으로 되는 뉴럴네트워크의 계산식(i)∼(iv)를, Wji(2←1)과를 사용하여 실행하지 않으면 아니 되며, 어떠한 중량계수가 효율이 되는지는 분명하게는 보이지 않는다.

그래서, 변수(Xi)(원인)와 변수(Xj)(결과)와의 관계를 총합적으로 평가하는 지표로서, 다음 식으로 정의되는 「인과성척도」를 사용한다.

여기서, m : 중간층의 뉴럴소자모델수, 이것은 변수(Xi)로부터 변수(Xj)에 이르는 모든 중량계수의 곱셈합을 취한 것이기 때문에 변수(Xi)로부터 변수(Xj)로의 영향정도를 표시한다.

지식추출공정(73)에서는 우선(v)식의 계산을 행한다.

인과성척도(Iji)를 큰 값으로 하면, 변수(Xi)와 변수(Xj)와의 인과관계가 있을 가능성이 높다.

그래서, 이 관계를 후술하는 지식진단공정(74)에 있어서 지식 또는 지식후보로서, 지식베이스(60A) 또는 지시부호베이스(60B)에 등록한다.

판정기준치를 I*로 하고, Wjk(3←2)·Wki(2←1)의 부호를 Q하고 하면, 다음 식으로 표시하는 바와 같이, Q가 양이면 양의 인과관계가 역으로 음이면 음의 인과관계가 있다고 간주된다. 예를 들면

또한, Iji≤I*일 때는 변수(Xi)와 변수(Xj)와의 인과관계는 없는 것으로 본다.

또, 상세한 설명은 생략하지만, 판정기준치(I)와의 비교만으로는 판정하지 않고, Iji치의 크기를 퍼지추론의 멤버십함수로서 이용하면 다시금 마음속으로 결정하는 대응이 가능하다.

즉, 멤버쉽함수의 자동생성법으로서 이용할 수 있다.

아래에 진단(문의)의 내용을 구체적으로 설명한다.

(a) 인과성척도의 협의 : (al) Iji>I*이면 Xi와 Xj와의 관계(예를 들면 (vi), (vii)와의 관계)를 오퍼레이터에 문의하여 인과관계가 있다고 판단하면, 이것을 지식베이스(60A)에 등록한다. 인과관계가 없다고 판단하면, 이것을 지식후보베이스(60B)에 등록한다.

(a2) Iji<I*이면 Xi와 Xj와의 관계는 오퍼레이터에의 문의없이 지식후보베이스(60B)에 등록하든지, 경우에 따라서는 기각한다.

Iji<I*의 경우에는 변수(Xi와 Xj)와의 맺은 선(702)을 삭제하는 것에 의하여 결선구조를 간략화 할 수가 있다. 이 경우, 계산속도가 향상하는 효과가 있다. 또, 중간층의 수자체를 변경하는 것도 고려된다.

이와 같은 구조의 변경은 유한회의 학습회에 행하는 것이 바람직하다.

또한 각 판정에 의거하여 오퍼레이터로의 문의 없이, 자동적으로 이것들의 조작을 행하는 것도 가능하다. 이 경우에는 아래와 같이 된다.

(a) 인과성척도의 문의 :

(a1) Kji>I*이면 Xi와 Xj와의 관계를 지식베이스(60A)에 등록한다.

(a2) Kji<I*이면 Xi와 Xj와의 관계를 지식후보베이스(60B)에 등록한다.

이상과 같이하여 지식과 지식후보와를 분류하지만, 지시후보로 진단되어도, 그 지식후보는 실제에는 오퍼레이터가 의식하고 있지 않은 지식일 가능성도 있다. 그래서 지식후보베이스(60B)에 등록된 지식후보는 그 사상이 복수회 발생할 것 같으면, 재차 오퍼레이터에 문의하여 지시후보가 지식으로서 타당한가 아닌가를 진단한다. 운전지원공정(75)에서는, 지식베이스(60A)에 미리 입력된 지식군도 포함하여 운전지원을 행한다.

즉, 지식베이스(60A)에서는 미리 분명하게 되어 있는 지식(경험적, 과학적지식등)을 격납하여 둔다. 따라서 지식베이스(60A)에는, 각종의 지식이 다수격납 되어간다.

이것들에 의거하여 추론기구(61)를 구동시켜서, 결론을 유도하고 디스플레이(46)에 표시한다. 필요에 응하여 기억장치(54)의 데이터도 이용한다. 추론방법은 전향추론과 후향추론 등 종래의 기술이 될 수 있다. 결과를 이용하여, 목표패턴(C)(Pi(ti))을 정하는 신호(56B)를 출력한다.

이상과 같이하여, 본 발명에서는 과거의 틀린 시각에서의 운전이력을 필요에 응하여 뉴럴네트워크에 학습시켜서, 과거의 운전과 마찬가지로 운전을 지원할 수가 있다.

다시금, 지식의 획득을 오퍼레이터와의 대화를 통하여 혹은 자동적으로 행할 수가 있다.

이 방법은, 과거의 운전과 마찬가지의 운전을 행하는 것이 가능할 뿐만 아니라, 지식이 시간과 더불어 증대하므로 오퍼레이터와 마찬가지로, 뉴럴네트워크도 실적과 경험과를 쌓는 것에 의하여, 차차로 현명하게 되는 기능을 가진다.

다음에 다른 실시예를 제7도를 사용하여 설명한다.

이 실시예는 먼저 설명한 제2도의 실시예와 마찬가지의 구성이지만 아래(a)(b)(c) 3군데가 틀린다.

(a) 입력층에 입력하는 패턴으로는 틀린 시간의 패턴으로 틀린 시간의 패턴(P₁(t₁), P₂(t₂))을 동시에 사용하는 것.

(b) 패턴간의 편차(P_{1, 2}(t_{1, 2})) = P₁(t₁) - P₂(t₂)를 사용하는 것.

(c) 패턴 학습시키는 뉴럴네트워크를 기능별로 (예를 들면 정상시의 패턴과 비정상시의 패턴) 복수설치하는 것이다.

패턴파일(71S)에는 제7도에 표시하는 것과 같이, P₁(t₁), P₂(t₂) 및 P_{1, 2}(t_{1, 2})로 이루어지는 한 개의 새로운 패턴을 격납하고, 이것을 학습공정(71)에서 학습한다.

여기서 t₁과 t₂와의 시간간격(r(=t₁-t₂))은 대상으로 하는 프로세스의 시간변화특성 및 제어특성에 의하여 틀리는 값을 설정한다.

학습의 방법은 제2도의 설명에서 상술한 것과 같다.

지원공정(72)에서는 학습한 결과에 의거하여 운전을 지원한다. 여기에서는 현시각의 패턴(P₁(t₁))과 r시간전의 패턴(P_1-1(t_1-1)), 및 양자의 편차(P_{1-1. 1}(t_{1-1. 1}))를 받아서 상기의 계산을 실행한다.

계산방법은 제2도의 설명에서 상술한 것과 같다.

지식추출공정(73), 지식진단공정(74), 운전지원공정(75)의 동작은 제2도의 설명에서 상술한 것과 같다.

제1도 및 제2도의 실시예에서는 장기간이 이력을 학습하는 효과가 있지만, 제7도에서 설명한 실시예의 효과는 (a) 단기간(r시간의 오더)에서 변동하는 현상의 학습을 효과적으로 행할 수 있다.

(b) 학습시키는 내용을 목적으로 하는 기능별로 분리한 뉴럴네트워크를 사용하는 것에 의하여 오퍼레이터의 의도를 효과적으로 반영할 수 있는 두점이 있다.

즉, (a)에 관해서는 변수(Xi)의 값 yi(t)가 증가하고 있을 경우와 감소하고 있을 경우에서, 제어변수(Xj)를 틀린 방법으로 제어할 경우에는 특히 효과적이다.

예를 들면 플랜트의 스타트업시나 정지시의 제어, 혹은 비정상시와 이상시의 제어를 지원하는데 에 유효하다. (b)에 관해서는 프랜트의 운전형태가 상황(변수(Xi)의 패턴)에 응하여 틀린 경우에는 특히 유효하다.

예를 들면 정상시와 비정상시의 운전은 통상 틀린 지점과 방법으로 행하여진다.

이와 같은 경우에는 정상시의 뉴럴네트워크와 비정상시의 뉴럴네트워크를 따로 따로 준비하고, 상황을 응하여 적절히 사용하면 효과적이다.

이상과 같이 하여 본 실시예에서는 상황이 틀린 과거의 운전이력을 학습하여, 과거의 운전과 마찬가지로 운전을 지원할 수가 있다.

또 지식의 획득에 관해서는 단기간으로 변동하는 인과관계도 획득하는 것이 가능하므로, 프랜트의 운전을 오퍼레이터가 결정하여 세밀하게 행할 수 있도록 지원하는 것이 가능하다.

이상, 본 발명은 정수장으로의 적용을 예로 일반적인 형태로 설명하였으나, 구체적인 지원, 제어내용을 아래 구체예로 설명한다.

입력항목으로서, 계측기(5A)의 계측항목인 수온, 탁도, 알카리도, PH, 전기전도도, 잔류염소농도, 염소요구량 수량, 수위 및 촬상수단(5B)과 화상처리장치(40)의 계측항목인 프로크특징량, 다시금 탁도계(5C)의 탁도를 입력측에 입력하여, 교사신호로서, 응집제주입펌프제어신호(12AS), 알카리제입력펌프제어신호(12BS), 교반기(13) 제어신호(13S), 교반패들제어신호(17AS, 17BS 및 17CS)를 설정하면 응집침전 프로세스 운전지원제어시스템으로 된다.

이 시스템은 응집제주입운전지원제어, 알카리제주입운전지원제어, 금속교반운전지원제어, 완속교반운전지원제어, 등으로 구성된다.

또한, 촬상수단(5B)은 급속혼화지(10), 침전지(16) 또는 여과지(17)에 접지하여, 그 화상처리결과를 이용할 수도 있다.

여기서, 본 발명을 정수장의 응집제주입에 적용한 구체예와 그 효과에 관하여 설명한다.

이 예에 있어서의 신경회로모델의 구성을 제8도(제3도에 대응하고 있다)에 표시한다.

이 신경회로의 입력층(710)은 뉴론소자모델(701)을 5개 가지고 있고, 대표적인 날짜와 시간에 있어서의 원수수온, 탁도, 알카리도, PH, 및 유량을 입력한다.

또, 중간층(720)은 뉴론소자모델을 3개로 이루어지고, 출력층(730)과 교차신호층(730)과는 각각 1개의 뉴론소자모델로 이루어지며, 여기에는 응집제주입율을 설정한다.

학습공정에 있어서, 미리 선택된 날짜(시간은 일정한 시간으로 미리 결정하여 둔다)의 수질을 입력하여 학습시킨다. 이 학습공정은, 제2도에서 설명한 학습공정(71)에 대응한다.

학습에 즈음하여 우선, 운전지원을 행할 목적으로 참고로 하여야 할 (학습하여야 할)날짜를 설정한다.

정수처리에 실패한 날을 학습시키면 잘못된 학습으로 되므로, 정수처리에 성공한 날을 학습시키는 것이 중요하다.

다음에 학습하여야 할 날의 설정도 중요하며 특히, 정수장에서는 일년간(365일)의 수질의 변동이나 계절의 변동이 처리성능에 크게 영향하므로, 일년간의 변동을 철저하게 빼어내도록 대표적인 날(처리조건)을 선택한다.

예를 들면 일 개월에 일일을 학습패턴으로 선택한다. 이 선택의 기준을 아래에 표시한다.

(1) 처리결과가 양호한 경우, 즉 정수장의 실시예에서는 침전탁도가 1. 0㎎/1 이하의 날

(2) 수질이 년간 변동하는 중에서 대표적인 날, 즉 정수장에서의 실시예에서는 춘하추동의 대표적인 날을 적어도 1일 이상 선택한다.

이 예에서는, 일년간(365일)의 운전이력 중에서 처리가 성공한(즉 침전탁도가 소정치 이하의)때의 날로서 10일분(1일 1조건)의 수질을 입력하고 다른 한편 교사신호로서 대응하는 응집제주입율을 학습시킨다. 학습 일수는 5일 내지 30일분이 적당하다.

학습이 종료한 후, 다음에 이 제8도의 학습필 뉴럴네트에 미학습(365일)이 조건을 입력하고, 응집제주입율을 상기시켰다.

상기하는 경우에는, 제8도 중에서 비교층(740)과 교사신호층(750)과를 삭제한 구성(제6도의 구성에 상당)으로 행한다.

그 결과, 상기 오차(상기와 실측치와의 차의 평균 차로 정의한다)는 약 20%였었다. 응집제주입율로 환산하면 약 3mg/1로 되지만, 정수장에서의 운전지원에는 실용할 수 있다.

이 구체예에 의하면, 일년간 중에서의 근소한 일수의 학습으로 장기간의 여러 가지의 수질의 날의 응집제주입율을 상기할 수가 있었다.

다음에 제9도에서 뉴럴네트의 입력으로서, 1일의 어느 시점의 대표수질 뿐만 아니라, 다른 시간에 있어서의 수질도 동시에 이용할 경우의 뉴럴네트의 구성예를 표시한다.

이 구성은, 제8도에서 설명한 입력패턴 중 편차를 이용하지 않을 경우에 상당한다.

상기「다른 시간」은 1시점에서도 복수시점에서도 좋지만, 이 예에서는 1시점의 경우를 설명한다.

즉, 입력층(710)에는 현재의 값과 과거(어느 시간 전)의 값에 관하여, 각각 원수수온, 탁도, 알카리도, PH, 및 유량을 입력한다.

따라서, 입력층(710)의 뉴론소자모델은 10개 필요하며, 중간층(720)에는 5개 사용하였다. 출력층(730) 및 교사신호층(750)에는, 각각 1개의 뉴론소자모델을 사용하여 제8도의 경우와 마찬가지로 응집제주입율을 설정한다. 입력층에 입력하는 현재의 수질이 P₁(t₁), 과거의 수질이 P₂(t₂)에 각각 대응한다.

이 과거의 값으로서, 이 예에서는, 5시간 전의 수질정보를 사용한다. 따라서, 이 경우에는 학습하는 각 시점의 수질과 5시간 전의 수질의 양쪽을 고려하여, 그 시점의 응집제주입율을 여하히 설정하여야 하는가를 학습하게 된다.

과거의 시간으로서는 5시간에 한정되는 것은 아니고, 1시간 전 혹은 12시간 전 등의 값으로 있어도 좋다.

이 방법에 의하여, 10일 여분의 수질과 응집제주입율을 학습시킨 결과, 상기 오차는 17%였었다.

제8도의 예에서 오차가 개선된 이유는, 수질의 시간적인 변동을 입력층으로서 고려하였기 때문이다.

제10도의 뉴럴네트는, 입력정보로서, 다시금 시간편차 정보를 사용하는 경우를 표시하고, 제7도에서 설명한 것에 상당한다.

이 예에서는, 수질의 시간적 변동을 편차로서 명시적으로 입력하는 것이다.

즉, 입력층(710)에는 동시에 ① 현재의 값, ② 과거의 값, ③ 현재와 과거의 값의 편차의 각각에 관해서 원수수온, 탁도, 알카리도, PH 및 유량을 입력한다.

제7도에 대응시키면, P₁(t₁)이 현재의 수질, P₂(t₂)가 과거의 수질 P₁,₂(t₁,₂) = P₁(t₁)-P₂(t₂)가 양자의 편차이다.

이 경우, 뉴론소자모델은 입력층(710)에 15개, 중간층(720)에 7개를 사용한다.

상기와 마찬가지로 출력층(730) 및 교사신호층(750)에는 1개 사용하고, 응집제주입률을 설정한다.

먼저의 예와 마찬가지로 하여 학습시킨 결과, 1년간의 상기 오차는 12%까지 개선되었다.

즉, 이 예에서는 수질의 시간변화 상황을 편차의 값으로서 명시적으로 입력정보에 사용한 결과, 예를 들면 강우개시시와 같이 수질변동이 심한 경우의 주입량을 보다 정확하게 예측할 수 있도록 되었다.

또한, 과거의 값으로서 응집제주입율도 부가하면, 정밀도가 다시금 향상한다.

다시금, 도시하지 않으나 정상시로서의 청천(晴天)시(원수 탁도가 10mg/1 이하)의 경우와, 비정상시로서의 강우시(원수 탁도가 10mg/1)의 경우에 관하여, 제10도와 뉴럴네트를 별개로 2개 준비하고, 각각 독립하여 학습시켜, 이어서 상기와 마찬가지로 상기시켰다.

그 결과, 상기 오차는 7%까지 개선되었다.

이러한 것은, 강우시와 청천시, 혹은 강우개시시와 종료시와를 고려한 것에 의하여, 경험이 풍부한 오퍼레이터의 운전법에 의하여 충실하게 실현할 수 있었다.

이와 같이 시간 편차정보도 고려하는 것 및 기능별의 뉴럴네트를 복수개 사용하는 것에 의하여, 상기 오차(운전지원시의 가이던스오차)가 보다 작게 되는 효과가 있다.

다음에, 상술한 종래의 계측정보(원수수질)와 출력정보(응집제주입율)와의 관계를 모델화 하는 방법과 본 실시예에 의한 효과를 구체적으로 비교한다.

종래 법으로서, 표준적인 중회귀분석법(重回歸分析法)을 채용하였다.

이 방법은 1년간의 모든 원수수질과 주입율의 데이터를 사용하여, 원수수질과 집제주입율의 데이터를 사용하여, 원수수질과 응집제주입율과의 관계를 수식으로 표시한 것이다.

이 방법으로 1년간의 응집제주입율의 오차를 계산한 결과, 약 14%의 오차가 있었다.

본 실시예에서는, 계 20일의 데이터밖에 사용하고 있지 않으나, 제10도 이후의 구체예에 의하면, 1년간의 데이터를 사용하는 이 종래 법과 동등 이상의 효과가 있게 된다.

또한, 본 실시예에 설명하지 않았으나, 프로크형성상황 등을 화상감시한 정보를 입력하면, 더욱이 효과가 있다.

기타, 상술하지 않았으나, 입력패턴의 조합으로서는 상기의 것에 한정하지 않고, 현재 치와 편차의 조합, 혹은 과거치와 편차의 조합 등도 고려된다.

제1도의 시스템에 있어서의 본 발명의 적용예로서는 기타 입력항목으로서 계측기(5A)의 계측항목인 수온, 탁도, 알카리도, PH, 전기전도도, 잔류염소농도, 염소요구량, 수량, 수위, 및 촬상수단(5B)과 화상처리장치(40)의 계측항목인 프로크특징량, 다시금 탁도계(5C)의 탁도, 계측기(5D)의 계측항목인 손실수두, 수위, 탁도, 잔류염소농도, PH, 유량, 계측기(5E와 5F)의 계측항목인 수위, 탁도, 잔류염소농도, PH, 유량, 수압, 수온을 입력층으로 입력하여, 교사신호로서 염소주입기제어신호(26S)를 설정하면 염소주입 운전지원 제어시스템으로 되고, 한편 교사신호로서 펌프제어신호(19S)를 설정하면, 여과프로세스 운전지원 제어시스템으로 된다.

다시금 입력항목으로서, 계측기(5E와 5F)의 계측항목인 수위, 탁도, 잔류염소농도, PH, 탁도, 유량, 수압, 수온 및 계측기(5G)의 계측항목인 탁도, 잔류염소농도, PH, 유량, 수압, 수온을 입력층에 입력하여, 교사신호로서는 펌프제어신호(22S), 밸브제어신호(23AS, 23BS 및 23CS)를 설정하면, 배관망의 수질과 수량을 제어하기 위한 지원제어시스템으로 된다.

본 시스템은 배수유량 운전지원제어와 배수압력 운전지원제어를 위한 것이다.

이것들의 실시예는, 어떠한 것도 과거의 이력이나 운전실적에 응하여 운전이 되고 있으며, 종래의 자동제어나 지식공학적용의 운전지원시스템이 어려웠던 실적과, 전 예에 꼭 맞는 운전과, 지식의 자동획득과 지원제어 내용이 차차 성장하는 기능을 가진다는 효과가 있다.

기타 상세는 생략하지만, 수위 제어등 정수장의 유지관리에 관한 각종의 제어를 실행할 수 있는 것은 말할나위 없다.

다음에, 본 발명의 별도의 실시예를 설명한다. 적용대상은, 먼저 실시예와 마찬가지로, 정수장의 운전지원이다.

본 실시예는, 뉴럴네트에 과거의 ①날씨, ②계절과 시각과 계측된 일조량 ③계측된 수량, 수질, 수온 ④염소주입량 또는 농도, 이상 ①~④의 과거이력패턴을 복수예, 뉴럴네트를 사용하여 학습 후, 학습필의 뉴럴네트(예측용 뉴럴네트)에 당일의 ①~③을 입력하고, 미지의 ④를 예측시켜서 전염소주입량 또는 농도를 제어하는 것이다.

실행 공정은, ① 학습용 신경회로모델(학습용 뉴럴네트)에 의한 학습공정, ②학습필 뉴럴네트(예측용 뉴럴네트)의 연상(蓮想)에 의한 염소주입량 또는 농도의 예측공정, ③예측결과에 의거하는 염소주입량 또는 농도의 제어공정으로 이루어진다.

제11도의 실시예에서 구성과 동작을 설명한다.

우선, 정수장의 플로우를 설명한다.

동도면에 있어서 집수정(9)에는, 하천이나 호소(도시하지 않음)부터 유도된 원수가 유도된다,

급속혼화지(10)에서는 집수정(9)의 물을 유도하고, 응집제탱크(11A)로부터 응집제가 주입되고, 교반기(13)에 의하여 교반하여 원수중의 현탁미립자(懸濁微粒子)를 응집시킨다.

도시는 생략하지만, 필요에 응하여 알카리제가 주입된다. 프로크형성지(15) (복수의 연못이 있으나 생략하여 한 개의 연못만 도시)에서는 교반패들(17A)의 교반에 의하여 프로크(응집피(愧))가 성장한다.

성장한 프로크는 침전지(16)에서 침강하여 위의 맑은 액이 여과지(17)에서 여과된다.

여과수는, 정수지(20)와 배수지(21)에 일단 저류되고, 펌프(22)에 의하여 배관망(24)에 의하여 수용가로 송수된다. 살균을 위한 염소저류조(25)(액체염소자 차아(次亞)염소산 나트리움등을 저류)의 염소가 염소주입펌프(26A와 26B)로부터 집수정(9)과 정수지(20)로 적량 주입된다. 집수정(9)에 주입하는 염소를 「전(前)염소」라고 말하고, 정수지(20)에서 주입하는 염소를 「후(後)염소」라고 말한다.

집수정(9), 프로크형성지(15), 침전지(16), 여과지(17)출구, 정수지(20), 배수지(21)에는 각각 계측기(9M, 15M, 16M, 17M, 20M, 21M)가 설치된다.

계측항목은 수온, 탁도, 알카리도 PH, 전기전도도, 잔류염소농도, 염소요구량, 유기물, 철, 망간, 암모니아성 질소, 유기성 질소, 수량, 수위, 손실수두등이다.

또 일조량(일조강도나 자외선강도등)을 계측하는 일조계(8M)가 설정된다.

이어서, 예측운전장치(80)의 구성을 설명하면, 예측운전제어장치(80)는 컴퓨터시스템이며 본 발명의 설명을 용이하게 하기 위하여 제11도에는 처리의 플로우도를 표시하고 있다.

또한 도면중 네트워크라고 기재되어 있는 부분은 제4도의 실선(702)에 상당하는 다수의 배선(또는 정보의 연락경로)를 표시한다.

우선, 예측운전제어장치(80)중의 이력패턴데이터파일(71F)은, ① 오퍼레이터(101)가 교신수산(46)으로 입력한 날씨, ② 계절과 시각과, 일조계(8M)로 계측한 일조량, ③ 계측기(9M, 15M, 16M, 17M, 20M, 21M)로 계측한 수량, 수질, 수온, ④ 염소주입펌프(26A)에서의 염소주입량 또는 농도(주입후의 평균 염소 농도), 이상 ①~④의 시(時)계열데이터가 기억된다.

이력패턴데이터파일(17F)중에서 자동적으로 또는 교신수단(46)으로부터의 지시(71S)에 의하여 ① 날씨의 선택된 데이터열(T)과, ② 계절과 시각과 일조량의 선택된 데이터열(N)과, ③ 수량, 수질, 수온의 선택된 데이터열(C)과, ④ 염소주입량 또는 농도의 선택된 데이터열(Q)과가, 각각 학습용 뉴럴네트(71)로 출력된다.

이것들 데이터(T, N, C, Q)를 사용하여 학습이 실행되고, 실행결과(71S1과 71S2)가 예측용 뉴럴네트(72)로 출력된다. 예측용 뉴럴네트(72)에서는, 이력패턴데이터파일(71F)중에서 예측에 필요한 데이터(T, N, C, Q)를 선택하여 예측에 사용한다.

예측결과는, 예측신호(72S)로서 교신수단(46)에 표시함과아울러 운전제어공정(75)으로 출력한다.

운전제어공정(75)은 예측신호(72S)를 받아서 염소주입량의 목표치신호(75S)를 염소주입펌프(26A)로 출력하여 주입량을 제어한다.

동시에, 목표치의 주입량 목표치신호(75S)를 교신수단(46)으로 표시하여, 필요에 응하여 오퍼레이터(101)의 선택에 의하여 실제의 주입량을 보정한다.

보정치는 재차 주입량 목표치신호(75S)로서 염소 주입펌프(26A)로 출력한다.

다음에, 제11도의 실시예의 동작을 설명한다.

설명에서는, 염소주입량을 조작하는 실시예에 관하여 설명하지만, 염소 주입후의 평균 염소농도의 경우에도 마찬가지로 실시할 수 있다.

우선, 이력패턴데이터파일(71F)에 데이터를 기억하는 방법에 관하여 설명한다.

시각(t=0)의 이력패턴데이터는, ①날씨(T)(0, 1)과 , ②계절, 시각, 일조량의 N(0, 1), N(0, 2), N(0, 3) 과 ③ 수량, 수질, 수온의 C(0, 1), C(0, 2), C(0, 3)과, ④ 염소주입량Q(0, 1)이다.

수질(C(0, 2)은 각각 시각 T=0에서의 상술한 복수의 계측량이며, 이것들 모든 것을 사용하면 정도(精度)가 향상되는 것은 말할 필요가 없으며, 복수의 경우의 구체적인 설명은 생략한다.

본 실시예에서는 일괄하여 기호로 C(0, 2)라고 표시한다.

이것들 T, N, C, Q의 데이터를 이력패턴데이터파일(71F)에 기억한다. 이것을 반복하면, T=0, -1, -2, …의 데이터가 순차롤 기억되어간다.

이 시간간격은 본 실시예에서는 1시간의 경우를 설명하지만, 1시간보다 짧게도 길게도 본 발명의 실시는 제약을 받지 않는다.

이어서, 학습공정에 있어서의 학습용 뉴럴네트(71)의 동작을 아래에 설명한다.

학습용 뉴럴네트(71)에서는, 입력패턴데이터파일(71F)중에서 선택된 데이터를 받아서 학습을 실행한다. 이 데어터 선택과 학습방법을 아래에 제11도와 제12도를 사용하여 설명한다. 제12도는 표시하는 바와 같이, ① 날씨 T(0, 1)와, ② 계절, 시각, 일조량의 N(0, 1), N(0, 2), N(0, 3)과 ③수량, 수질, 수온의 C(0, 1), C(0, 2), C(0, 3)와, ④염소주입량 Q(0, 1)에 관하여 임의의 시각(t=t₁)을 기준으로 하여 과거로 소급하여 t₁-1, t₁-2, …를 우선 학습한다.

마찬가지로, t=t₂(t_2≠t1)를 기준으로 하여 t₂-1, t₂-2, …의 패턴데이터를 학습하고, 합계 q개의 패턴데이터를 학습한다. 학습은 이것들의 데이터를 입력용 데이터와 교사용 데이터로 나누어서 행한다.

제1도에 표시하는 바와 같이, 입력층(710)에는 (1)임의의 시각 t(t=t₁, t₁, …)에 있어서의 T(t, 1), N(t, 1), N(t, 2), N(t, 3), C(t, 1), C(t, 2), C(t, 3)과 시각(t)에서 과거로 소급하여 T(t-1, 1), N(t-1, 1), N(t-1, 2), N(t-1, 3), C(t-1, 1), C(t-1, 2), C(T-1, 3), Q(t-1, 1)를 순차적으로 입력한다. Q(t-1, 1)가 추가되어 있는 것에 주의하기 바란다.

한편, 교사층(750)에는, Q(t, 1)를 입력한다. 학습은, 입력층(710), 중간층(720), 출력층(730), 비교층(740), 교사층(750)으로 이루어지는 구성의 학습용 뉴럴네트(71) (제3도에 상당)에서 행한다.

다음에, 예측용 뉴럴네트(72)에 의한 예측공정을 설명한다, 예측용 뉴럴네트(2)의 구성은 제6도의 것에 상당한다.

제11도에 표시하는 바와 같이, 예측용 뉴럴네트(72)에서는 학습용 뉴럴네트(71)에서의 학습결과, 즉, 중량계수치(Wji)의 분포에 의거하여 염소주입량을 예측하는 것이다.

학습의 결과 얻어진 중량계수 (Wji(3←2) 및 Wj(2←1))의 값이 신호 (71SI와 71S2)로서 예측용 뉴럴네트(72)로 출력된다.

이것들을 사용하여 예측을 행한다.

또한, 제11도에서는 학습용 뉴럴네트(71)와 예측용 뉴럴네트(72)와는 편의상 따로따로 기재되어 있지만, 동일한 뉴럴네트를 사용하여도 좋은 것은 물론이다.

다음에, 예측용 뉴럴네트(72)의 동작을 제6도와 제13도를 사용하여 설명한다.

제6도에 표시하는 바와 같이, 예측용 뉴럴네트(72)는 학습용 뉴럴네트(71)로부터 비교층(740)과 교사층(750)을 제외한 구성이다.

예측용 뉴럴네트(72)에서 행하는 것은, 현시점에서 예측할 수 있는가 아니면 기지인 ① 날씨(T), ② 계절, 시각, 일조량(N), ③ 수량, 수질, 수온(C), 에 의거하여, 미지의 ④ 염소주입량 (Q)을 예측하는 것이다. 그러므로, 우선 입력층(710)에 입력층패턴으로서, t=0을 기준으로 설정한 변수치(Yi)를 입력층(710)에 입력한다.

이 변수치(Yi)는 제11도 또는 제13도에 표시하는 바와 같이, (1) 현시점에서 기지의 ① 날씨 T(0, 1)와 ②계절, 시각, 일조량의 N(0, 1), N(0, 2), N(0, 3)과, ③수량, 수질, 수온의 C(0, 1), C(0, 2), C(0, 3)과 (2)과거 (t=-1)에 있어서의 ①~③의 데이터와 ④염소주입량(W(-1, 1))이다.

이 외에, t=-2의 T, N, C, Q의 값을 넣어도 좋다, 이것들은 모든 실적치 혹은 기지의 데이터이다. 이것들의 값에 의거하여 현재 얼마만큼 염소를 주입하여야 하는가, 즉 미지의 주입목표치 Q(0, 1)*를 예측한다. 결과는 출력층(730)으로 출력한다.

출력까지의 계산방법은 상기(i) ~(iv)식을 사용한 상술과 마찬가지로 계산을 실행한다. 염소주입목표치 Q(0, 1)*는 신호(72S)이다. 운전제어공정(75)을 아래에 설명한다.

운전제어공정(75)에서는 이 Q(0, 1)*의 신호 (72S)를 받아서, 염소주입량의 목표치신호(75S)를 염소주입펌프(26A)로 출력하여 유량을 제어한다.

신호Q(0, 1)* 의 계산 빈도는 통상 1시간마다이지만, 이 시간단위는 임의로 설정할 수있다.

물론 시간간격이 작으면 예측정밀도는 향상한다.

설정한 시간간격 (본 실시예에서는 1시간)이 길기 때문에 짧은 시간 (예를들면 1분간)의 염소중비량을 예측할 수 없을 경우에는 수학적인 보간(補間)에 의하여 예측한다.

동시에 목표치(예측결과)의 주입량목표치신호(75S)를 교신수단(46)으로 표시하고, 필요에 응하여 오퍼레이터(101)의 선택에 의하여 실제의 유량을 보정한다.

예를 들면, 예측유량에 대하여 비례계수(K₁)을 곱하여, 정수(K₂)를 가산하는 등의 보정을 행하다.

이 보정치를 재차 주입량 목표치신호(75S)로서 염소주입펌프(26A)로 출력하여, 이 유량만큼 염소주입펌프(26A)가 집수정(9)에 염소를 주입한다.

또한, 본 실시예의 설명에서는 실제로 조작하는 염소주입량을 목표치로 하여 설명하였으나 목적은 정수장내에 있어서의 수중염소농도를 제어하는 것이므로, 주입후의 염소농도를 목표로 하는 방법이 실용적이다.

이 경우에는 염소주입량 (Q(t1, )1)대신에, 다음식으로 계산할 수 있는 주입후의 평균염소농도를 사용한다.

여기서, Q_D(0)은 처리유량이다.

구체적인 방법은, 이제까지 Q(t, 1)로 설명한 대신에 Q_C(0)을 사용하여 행한다. 다음에 본 발명의 별도의 실예에 관하여 설명한다.

본 실시예는, 뉴럴네트에 과거의 외란인자(外亂因子)와 실적 수요패턴을 복수예를 학습시켜서, 학습필 뉴럴네트에 당일의 외란인자를 입력하여 당일의 수요패턴을 영상시키도록 한 것이다.

실행공정은, (1) 학습용 신경회로모델(학습용 뉴럴네트)에 의한 학습공정, (2)학습필 뉴럴네트(예측용 뉴럴네트)의 연상에 의한 수요패턴의 예측공정, (3) 예측결과에 의거한 공급량의 운전제어공정으로 이루어진다.

적용선방은 정수장의 물수요패턴예측, 하수처리장의 유입하수유량패턴예측, 발전플랜트나 중앙 급전지령소에 있어서의 전력수요패턴예측, 지역냉난방 플랜트의 내열/온열수요패턴 예측, 코제네 플랜트(Co-Gene -Plant)의 전력/온열/냉열수요패턴 예측등이다.

여기서는, 정수장의 물수요패턴 예측을 예로 제14도의 실시예에서는 구성과 동작을 설명한다. 우선, 제14도전체의 구성을 설명한다.

동도에 있어서의 정수장에서 제조된 염소주입필의 정수가 배수지(21)에 저류된다. 배수지(21)의 정수는 배관 (21P1)에 의하여 펌프(22)로 보내지고, 다음에 배관(21P2)에 의하여 수용가로 배수된다.

또한 도시하지 않으나 배관(21P₂)에는 압력과 유량과의 제어를 위한 밸브를 설치한다.

펌프(22)의 운전데이터인 유량의 시계열 데이터는, 예측운전제어장치(80)중의 이력패턴데이터파일(71F)에 순차로 기억된다.

예측운전제어장치(80)는 컴퓨터시스템이고 본 발명의 설명을 용히하게 하기 위하여 제14도에는 처리의 플로우도를 표시하고 있다.

또, 도면중 네트워크라고 기재되어 있는 부분은 제4도의 실선(702)에 상당한다. 유량신호(220)의 시계열은 1시간마다의 적산량을 22Q로서 값Q(t, I) (여기서, t :날, I : 시간)를 기억한다.

한편, 오퍼레이터(101)는 디스플레이와 키보드, 또는 음성 입출력장치 등으로 이루어지는 교신수단(46)을 통하여, 날씨, 요일, 평균기온, 최고기온, 대표시간에서의 기온, 일조량, 이벤트의 유무나 그 정도등을 외란(外亂) 신호(46G)로서, 예측 운전제어장치(80)중의 이력패턴데이터파일(71F)에 입력한다.

또, 교신수단(46)에는 통신선(46I)을 통하여 외부에서 상기 날씨등의 데이터신호를 입력할 수도 있다.

또한, 외란신호(46G)가 자동계측기로 계측될 경우에는 자동 입력하는 것은 물론이다.

이와 같이 하여서, 유량신호(22Q)와 외란신호(46G)는 이력패턴데이터파일(71F)에 순차로 기억된다.

이력패턴데이터파일(71F)중에서 자동적으로 또는 교신수단(46)으로부터의 지시(71S)에 의하여, 유량신호(22Q)의 선택된 데이터열(Q)과 외란신호(46G)의 선택된 데이터열(G)결과가 각각 학습용 뉴럴네트(71)로 출력된다.

이것들 데이터(Q와 G)를 사용하여 학습이 실행되고, 실행결과 (71S1 과 71S2)가 예측용 뉴럴네트(72)로 출력된다. 예측용 뉴럴네트, (72)에서는 실행결과 (71S1과 71S2)를 받는 것과 아울러, 이력패턴데이터파일(71F)중에서 예측에 필요한 유량신호(22Q)의 데이터열과 외란신호(46G)의 데이터열을 선택하여 예측으로 사용한다.

예측결과는 예측신호(72S)로서 교신수단(46)으로 표시하는 것과 아울러, 운전제어공정(75)으로 출력한다. 운전제어공정(75)은 예측신호(72S)를 받아서 유량의 목표치신호(75S)를 펌프(22)로 출력하여 유량을 제어한다.

동시에, 목표치의 유량신호(75S)를 교신수단(46)으로 표시하여, 필요에 응하여 오퍼레이터(101)의 선택에 의하여 실제의 유량을 보정한다. 보정치는 재차 유량신호(75S)로서 펌프(22)로 출력한다. 다음에, 제14도를 사용하여 본 발명의 동작을 설명한다.

우선, 이력패턴 데이터를 이력패턴 데이터파일(71F)에 기억하는 방법에 관하여 설명한다.

이력패턴 데이터는 유량신호(22Q)의 외란신호(46G)로 이루어진다. 펌프(22)의 유량신호(22Q)를 Q(t, i) (여기서, t :날, i : 시간)로 하면, 당일(t=0)의 1시에서 24시까지 (i=1~24)의 데이터는 Q(0, 1), Q(0, 2), Q(0, 3), …, Q(0, 24)로 된다. 이것들이 데이터를 이력패턴 데이터파일(71F)로 출력한다.

이것을 매일 반복하면, t=0, -1, -2, …의 데이터가 순차로 기억되어 간다.

한편, 교신수단(46)을 통하여 입력되는 외란신호(46G)를 G(t, j) (여기서, t : 날, j : 외란의 번호)로 하면, 당일(t=0)의 날씨 G=(0, 1), 요일G(0, 2), 평균기온 =G(0, 3), 최고기온(또는 최저기온)=G(0, 4), 대표시간에서의 기온 = G(0, 5), 일조량=G(0, 6), 이벤트의 유무= G(0, 7)와 정도=G(0, 8)등이 수치화되고, 이것들의 데이터를 이력패턴 데이터파일(71F)로 출력한다.

이어서, 학습공정에 있어서의 학습용 뉴럴네트(71)의 동작을 아래에 설명한다.

학습용 뉴럴네트(71)에서는, 이력패턴 데이터파일(71F)중에서 선택된 데이터를 받는다. 이 데이터 선택방법을 아래에 설명한다.

외란신호(G(t, , j))에 관해서는, 제14도의 학습용뉴럴네트(71)의 블록과 선택된 시간(날) t=t₁, t₂, t₃…에 관하여, t에서 과거로 소급하여 임의의 일수분을 사용한다. 날(t) (t=t₁, t₂, t₃, …)에 있어서는 입력층(710)에 G(t, 1), …, G(t, 8)를 입력하여, 전일에 관하여는 G(t-1, 1), …, G(t-1, 8)를 입력한다.

단, 날씨 G(0, 1), 요일 G(0, 2) 이벤트의 유무 G(0, 7)나 이벤트의 정도 G(0, 8)에 관해서는, 기호화 또는 수치화를 행하고 입력한다.

다른 한편, 유량(Q(t, i))에 관해서는 날(t) (t=t, t₂, t₃, …)에 있어서의 24시간 분의 유량(Q(t, 1), …, Q(t, 24)은 교사신호층(750)에 입력한다.

한편, 입력층(710)에 대하여는 전일(t=-1)의 값 Q(t-1, 1), …Q(t-1, 24)과 전일 이전의 값을 과거로 소급하여 임의의 일수분(p)을 입력한다.

이 일수(p)가 많으면 예측정도가 향상하지만, 실용적으로는 전일(t=-1)의 데이터로 좋다. 또 과거의 q 개로 이루어지는 복수시점을 t=t₁, t₂, t₃, …, tq라고 하면, 학습하는 패턴데이터를 시각(t₁(: i =1, 2, …, tq))에 관하여 입력한다.

다음에, 예측용 뉴럴네트(72)에 의한 예측공정을 설명한다.

예측용 뉴럴네트(72)의 구성은 제6도에 표시한 것과 마찬가지이다.

제14도에 표시한 것과 같이, 예측용 뉴럴네트(72)에서는 학습용 뉴럴네트(71)에서의 학습결과, 즉, 중량계수치(Wji)의 분포에 의거하여 수요패턴을 예측하는 것이다.

학습의 결과, 얻어진 중량계수(Wji(3←2) 및 Wji92←1)의 값이 예측용 뉴럴네트(72)로 출력된다. 이것을 사용하여 예측을 행한다.

우선 입력층(710)에 입력층패턴으로서 당일(t=0)을 기준으로 설정한 변수치(Yi)(G의 당일 예상치와, G와 Q와의 전일, 전전일의 값)를 입력층(710)에 입력한다.

다음에, (i) ~(iv), 식을 사용한 계산에 의하여 출력층(730)에 수요패턴이 출력층패턴으로서 출력된다.

수요패턴이란 제14도중의 출력층(730)의 Q(0, i)* (단 I=1-24)이다.

본 실시예에서는, 이 계산을 「예측」이라고 말한다.

예측에 의한 계산치는, 학습한 패턴에 의존하므로, 학습하는 패턴은 틀린시각에 있어서 대표적인 패턴, 혹은 주목하여야할 이상시의 패턴이라야 된다는 것은 상술한 것과 같다.

이 예측조작은, 당일의 운전개시전(보통은 전일)에 행한다.

즉, 전전일까지의 Q와 G와의 패턴을 2일분과, 당일의 외란인자의 예측치와를 입력하면, 당일의 수요패턴이 뉴럴네트에 의하여 예측된다.

운전제어공정(75)에서는, 이 수용패턴Q(0, i)* (단 I=1-24)의 신호(72S)를 받아서, 유량의 목표치신호 (75S)를 펌프(2)로 출력하여 유량을 제어한다.

수요패턴 Q(0, i)*는 본 실시예에서는 1시간마다의 유량이지만, 이시간단위는 임의로 설정할 수 있다.

물론, 시간간격이 작으면 예측정도는 향상한다. 설정한 시간간격( 본실시예에서는 1시간)이 길기 때문에 짧은 시간(예를 들면 1분간)의 유량을 예측할 수 없는 경우에는, 수학적인 보간에 의하여 예측한다.

동시에, 목표치(예측결과)의 유량신호(75S)를 교신수단(46)으로 표시하여, 필요에 응하여 오퍼레이터(101)의 선택에 의하여 실제의 유량을 보정한다.

예를 들면, 예측유량에 대하여 비례계수(K₁)를 곱하여, 정수(K₂)를 가산하는 등의 보정을 행하여, 이 보정치를 재차 유량신호(75S)로서 펌프(22)로 출력하고, 이 유량만큼 펌프(22)가 물을 공급한다.

제15도에 의하여 다시금 별도의 실시예를 설명한다. 또한 본 실시예는 하수처리에 관한 것이다.

본 실시예는, 하수처리장 ① 유입수의 물리적, 화학적, 생물적특성, ②플랜트의 상태량, ③계절과 시간, ④ 플랜트 상태의 평가량, ⑤ 플랜드 조작량, 이상①②③④⑤의 과거 이력을 뉴럴네트에 학습시켜서, ①②③과 ④와에 관하는 지식 및 ①②③과 ⑤와에 관하는 지식을 자동적으로 획득하는 것과 아울러, 학습필의 뉴럴네트의 연산작용에 의하여, 플랜트의 운전조작(제어포함)을 가이던수하는 것이다.

실행공정은 (1)학습용 신경회로모델(학습용 뉴럴네트)에 의한 학습공정, (2)지식획득공정, (3)지식진단공정(74), (4)추론공정, (5)학습필 뉴럴네트(예측용 뉴럴네트)의 연상예측공정, (6)플랜트 운전조작 제어공정으로 이루어진다.

제15도의 실시예로 구성과 동작을 설명한다.

우선, 하수처리프로세스의 플로우를 아래에 설명한다.

최초 침전지(9)에서는, 유입하수중의 부유물질의 일부가 중력 침강에 의하여 제거되다. 폭기조(暴氣槽)(15)에는 최초임전지(9)에서 넘쳐 흐른 하수와 반송오니관(返送汚泥管) (16P1)에서의 반송오니가 유입한다. 폭기조(15)에는 불로워(17Z)로부터 제어밸브(17X, 17Y)를 거쳐서 공기가 공급되고, 하수와 반송오니가 혼합교반된다. 반송오니(활성오니)는 공급된 공기중의 산소를 흡수하여, 하수중의 유기물이 분해되어서 최종침전지(16)으로 유도된다.

최종침전지(16)에서는 활성오니의 중력침강에 의하여 활성오니가 침강하여 위의 맑은 물은 방류된다.

최종침전지(16)내애 침강한 활성오니는 빼내어져서, 일부는 잉여오니(剩餘汚泥)로서 잉여오니관(16P2)과 펌프(16C2)에 의하여 배출된다.

배출되지 않은 나머지 대부분의 활성오니는, 반송오니로서 반송오니펌프(16C1)에서 반송오니관(16P1)을 통하여 폭기조(15)로 반송된다.

다음에 계측기에 관하여 설명한다.

최초침전지(9), 폭기조(15), 최종침전지(16)에는 각각 계측기(9M, 15M, 16M)가 설치된다.

계측항목은, 유입하수량, 부유물질농도, 화학적 산소요구량, PH, 질소농도, 암모니아농도, 초산성질소 농도, 아초산성질소농도, 인농도, 용존산소농도, 오니계면높이(SVI l : Sludge Volume Index, 등) 및 미생물이나 부유성물질의 화상정보 등이다.

이어서, 예측운전제어장치(80)의 구성을 설명한다. 예측운전 제어장치(80)는 컴퓨터시스템이고 본 발명의 설명을 용이하게 하기 위하여 제15도에는 처리의 플로우도로 표시하고 있다.

또한, 도면중 네트워크라고 기재되어 있는 부분은 제4도의 실전(702)에 상당하는 다수의 배선 (또는 정보의 연락경로)을 표시한다.

이력패텬 데이터파일(71F)은, ① 계측기(9M)로 계측한 유입수 특성, ② 계측기(15M, 16M)로 계측한 플랜트상태량, ③ 계절과 시간, ④ 계측기(15M, 16M)의 계측량의 일부인 플랜트 상태평가량, ⑤ 펌프(16C2), 반송오니펌프(16C1), 블러워(17Z), 제어밸브(17X, 17Y)등의 플랜트 조작량, 이상 ①~⑤의 시계열 데이터가 기억된다.

학습용 뉴럴네트(71)에는, 이력패턴 데이터파일(71F) 중에서 자동적으로 또는 교신수단(46)으로부터의 지시(71S)에 의하여, ① 유입수특성의 선택된 데이터열(D1), ② 플랜트 상태량의 선택된 데이터열(D2), ③계절과 시간의 선택된 데이터열(D3), ④ 플랜트상태평가량의 선택된 데이터열(D4), ⑤ 플랜트조작량의 선택된 데이터열(D5)이 각각 출력된다.

또한, 각 데이터열은 실제에는 복수의 항목을 포함하나, 본 실시예에서는 설명을 용이하게 하기 위하여 대표의 기호(D1~D5)로 표시하는 것으로 한다.

학습용 뉴럴네트(71)에서는 데이터(D1, D2, D3, D4, D5)를 사용하여 학습이 실행되고, 실행결과 71S1가 71S2과가 지식획득 공정(73)과 예측용 뉴럴네트(72)로 출력된다.

지식획득공정(73)에서는 71S1과 71S2에 의거하여 상기 ①②③과 ④, 또는 ①②③과 ⑤에 관한 지식을 기호 또는 언어로 변환한다.

지식진단공정(74)에서는, 지식획득공정(73)에서 얻은 지식을 교신수단(46)으로부터의 지시(도시생략)에 의하여 지식후보 베이스(60B) 또는 지식베이스(60A)에 격납한다.

추론기구(61)는 지식베이스(60A)와, 미리 입력한 지식베이스(60C)를 받아서 추론을 실행하여, 운전제어 공정(75)으로 신호(61S)를 출력한다.

한편, 예측용 뉴럴네트(72)에서는 이력패턴 데이터파일(71F)중에서 예측에 필요한 데이터를 선택하여 예측에 사용한다.

예측결과는 예측신호(72S)로서 교신수단(46)에 표시함과 아울러, 운전제어공정(75)으로 출력한다. 운전제어공정(75)은 예측신호(72S)와 신호(61S)를 받아, 신호(75S)를 출력하여 ⑤ 펌프(16C2), 반송오니펌프(16C1), 불로워(17Z), 제어밸브 (17X, 17Y)등의 플랜트조작량을 제어한다.

동시에, 제어 목표치 신호(75S)를 교신수단(46)에 표시하여, 필요에 응하여 오퍼레이터(101)의 선택에 의하여 실제의 제어량을 보정한다.

보정치는 재차 출력한다.

다음에, 제15도는 사용하여 본 발명의 동작을 설명한다.

우선, 이력패턴 데이터파일(71F)에 데이터를 기억하는 방법에 관하여 설명한. 시각(t=0)의 이력패턴데이터(D1(0) ~D5(0))을 이력패턴 데이터 파일(17F)에 기억한다.

이것을 반복하여 t=0, -1, -2 …의 데이터를 순차로 기억한다. 시간간은 본 실시예에서는 한 예로서 1시간의 경우를 설명하지만, 이 시간설정에 의하여 본 발명의 실시는 계약을 받지 않는다.

이어서, 학습공정에 있어서의 학습용 뉴럴네트(71)의 동작을 아래에 설명한다.

학습용 뉴럴네트(71)에서는, 이력패턴 데이터파일(71F)중에서 선택된 데이터를 받아서 학습을 실행한다. 이 데이터선택과 학습방법을 아래에 설명한다. D1~D5에 관하여 임의의 시각 t=t₁을 기준으로 과거로 소급하여 t₁-1, t₁-2, …를 우선 학습한다.

마찬가지로, t=t₂(t₂≠t₁)를 기준으로서 t₂-1 , t₂-2, …의 패턴데이터를 학습하고, 함께 q개의 패턴데이터를 학습한다.

q개의 패턴의 선택은 과거의 대표적인 패턴이 바람직하다. 학습은 이것들 1군(群)의 데이터를 입력용 데이터와 교사용 데이터를 나누어서 행한다.

제15도에 표시하는 바와 같이 , 입력층(710)에는 임의의 시각 t(t=t₁, t₂…)에 있어서의 D1(t)~D3(t)와, 시각(t)에서 과거로 소급하여 D1(t-1) ~D5(t-1)를 순차로 입력한다.

여기서, D4(t-1_, D5(t-1)추가되는 것에 주의하기 바란다.

이하 t=t-2, t-3, …에 관해서도 마찬가지이다.

한편, 교사층(750)에는 D4(t) D5(t)를 입력한다. 학습은, 입력층(710), 중간층(720), 출력층(730), 비교층(740), 교사층(750)으로 이루어지는 구성의 학습용 뉴럴네트(71)로 행한다.

학습용 뉴럴네트(72)에서는, 상기 ①②③에 대응하여, 미지의 상기④⑤를 예측하는 것이다.

이것 때문에, 우선 입력층(710)에 입력층패턴으로서, t=0을 기준으로 설정한 변수치 [Yi(D1(0)∼D3(0))〕과, t=-1, -2, …를 기준으로 설정한 변수치〔Yi(D1(i) ~D5(i), I=-1, 2…)〕를 입력층(710)에 입력한다.

이 변수치(Yi)는 제1도에 표시하는 바와 같이, (1) 현시점에서 기지의 ①②③, (2)과거(t=-1, -2…)에 있어서의 ①~⑤이다.

이것들은 전부 실적치 혹은 기지의 테이터인것에 주의하기 바란다.

이것들의 값에 의거하여 상술한 (i) ~(iv) 식의 계산을 실행하고, 미지의 ④ 플랜트 상태 평가량(처리수질)D4*(0)과 ⑤플랜트 조작량(반송/잉여오니량, 폭기공기량) D5*(0)과를 출력층(730)으로 출력한다.

상기 ④에 관해서는 교신수단(46)에 가이던스표시를 하고, ⑤에 관해서는 제어신호(72S)를 운전제어공정(75)으로 출력한다.

이어서 운전제어공정(75)을 아래에 설명한다.

운전제어공정(75)에서는, D5*(0)의 신호(72S)와 추론기구(61)의 결과신호(61S)를 받아서, 우선 양자의 꼭맞춤성을 조사한다. 신호(72S)가 61S와 모순되지 않으면, 플랜트조작량의 목표치로서 신호(75S)를 펌프(16C2), 반송오니펌프(16C1), 블러워 (17=Z), 제어벨브(17X, 17Y)등으로 출력한다.

역으로, 모순되면 교신수단(46)을 통하여 오퍼레이터(101)에 통보하여, 수정을 가한다.

또한 제어빈도는 본 실시예에서는 1시간마다이나, 이 사간단위는 임의로 설정할 수 있다.

물론, 시간 간격이 작으면 예측정도는 향상한다.

설정한 시간간격( 본 실시예에서는 1시간)이 길기 때문에 짧은 시간 (예를 들면 1분간)의 플랜트 조작량을 예측할 수 없는 경우에는, 수학적인 보간에 의하여 예측한다. 동시에, 목표치(예측결과)의 플랜트조작량 목표치신호(75S)를 교신수단(46)으로 표시하여, 필요에 응하여 오퍼레이터(101)의 선택에 의하여 실제의 조작을 보정한다.

제16도에 별도의 실시예를 표시한다.

본 실시예는 프로세스의 관측량에 의거하여 선견적 모델에 의하여 제어목표치를 출력하는 방법에 관한다.

본 실시예에서의 선견적(先見的)모델이란, 대상프로세스에 관하여 미리 기지의 프로세스모델이나 제어모델을 말한다.

본 실시예는, 선견적 모델로부터 출력되는 오차를 예측하기 위한 「오차예측모델」을 자동생성하는 방법과, 선견적 모델의 파라미터를 적정화하기 위한 「파라미터조정 모델」을 자동생성하는 방법과를 포함한다.

양모델은 공히 오퍼레이터가 보정하는 것에 의해서, 본 실시예에서는 양모델을 「오퍼레이터모델」이라고 말한다.

우선, 전자의 실시예를 제16도를 사용하여 설명후, 후자를 설명한다.

제16도는 정수프로세스의 응집제주입제어에 적용한 실시예이다.

우선, 정수장의 플로우를 설명한다.

동도면에 있어서 집수정(9)에 하천이나 호소(도시하지 않음)로부터 원수가 유도된다. 급속혼화지(10)는 집수정(9)의 물을 받아서, 응집제탱크(11)의 응집제가 응집제주입펌프(12)로 주입되고, 교반익(翼)(14)이 교반기(13)에 의하여 교반된다. 프로크형성을 촉진하는 알카리제가 주입되는 경우도 있으나 생략한다.

프로크형성지(15)는 급속혼화지(10)의 물을 받아서 프로크(미입자의 응집괴)를 형성시킨다. 프로크형성지(15)(통상 복수지 혹은 본 실시예에서는 생략한다)에 교반패들(17A)이 설치되어 천천히 회전한다. 프로크는 침전지(16)에서 첨강하여 위의 맑은 액이 여과지(17)에서 여과된다.

또한, 살균을 위하여 염소용기(25)의 염소가 염소주입기(26)에 의하여 집수정(9)과 정수지(도시하지 않음)에 적량주입된다.

다음에 계측기에 관하여 설명한다.

원수의 수질을 계측하기 위하여, 집수정(9)에 계측기(9M)가 설치된다.

계측항목은, 수온, 탁도, 알카리도, PH, 전기전도도, 잔류 염소농도, 염소요구량, 수온, 수위등이다.

프로크형성지(15)에는 계측기(15M)가 설치된다.

계측기(15M)는 상기 계측기(9M)로 계측하는 항목에 가하여 수중카메라등의 수중영상 촬상수단이나 화상 처리수단을 포함한다.

침전지(16)에는 계측기(16M)를 설치한다. 필요에 응하여 급속혼화지(10)에 15M와 마찬가지의 계측기(10M)를 설치하여, 여과지(17)에 계측기(17M)를 설치한다. 이것들의 계측항목은, 상기 9M, 15M과 마찬가지이다.

이상의 계측항목과, 조작인자(응집제주입 펌프(12), 교반기(13), 교반패들(17A)), 및 오퍼레이터모델 구성량(후술하는 예측오차와 선견적 모델의 파라미터를 포함함)을 본 실시예에서는 관측량이라고 말한다.

이어서, 운전제어장치(80)의 구성과 동작의 개요를 설명한다. 운전제어장치(80)는 컴퓨터시스템이고 본 발명의 설명을 용이하게 하기 위하여 제16도에는 처리의 플로우도를 표시하고 있다.

선견적모델 계산공정(65)은, 관측량(계측기(9M, 15M, 16M), 응집제주입 펌프(12), 교반기(13), 교반패들(17A), 예측오차(En(t)), 선견적모델의 파라미터(Pi)의 데이터를 받아서 신호(Sc)를 제어량 계산공정(67)으로 출력한다.

다른한편, 이력패턴 데이터파일(71F)은 관측량의 데이터를 순차로 기억한다.

오퍼레이터모델(73)에서는, 우선 학습용 뉴럴네트(71)가 이력패턴 데이터파일(71F)의 선택된 데이터열을 받아서 학습을 행한다.

예측용 뉴럴네트(72)는 학습용 뉴럴네트(71)로부터 신호(71S1과 71S2)를 받아서 신호(EN˚(t))를 출력한다. 제어량 계산공정(67)은 신호(EN˚(t))또는 오퍼레이터(101)의 보정량(EN(t))과, 신호(Sc)를 받아서 St를 출력한다. 운전제어공정(75)은 St를 받아서 신호(75S)를 출력하여, 응집제주입펌프(12), 교반기(13), 교반패들(17A)을 제어한다, 교신수단(46)은 오퍼레이터(101)의 기재에 의하여 이력패턴 데이터파일(17F), 선견적모델 계산공정(65), 학습용 뉴럴네트(71), 예측용 뉴럴네트(72), 및 운전제어공정(75)과 교신한다.

또한, 학습용 뉴럴네트(71), 예측용 뉴럴네트(72)의 구조는 제3도, 제6도에 각각 표시한 것과 같다.

다음에, 운전제어장치(80)의 동작을 상세하게 설명한다.

우선, 선견적 모델 계산공정(65)은 관측량의 데이터를 받아서 피드포워드(Feed Forword)제어모델(이하 「FF모델」이라고 약칭함)(65F)과 피드백(Feed Back)제어모델(이하 「FB모델」이라고 약칭함)(65B)에 신호를 입력한다.

여기서, FF모델(65F) 및 RB모델(65B)는 선견적 모델의 예시이고, 피드백/피드포워드이외의 선견적모델이라도 좋은 것은 더말할 나위없다.

FF모델(65F) 및 FB모델(65B)은 , 관측량(Xi(t))을 얻어서 응집제주입제어를 위한 신호를 각각 출력한다. FF모델(65F)의 일반식은 다음식으로 표시된다.

여기서, Sf : FF모델(65F)의 출력신호, Xi(t)의 관측량, Pi : FF모델의 파라임터이다. (xi)식의 구체적 수식모델에는 다음식이다.

여기서, X₁(t) : 원수의 탁도, P_1,P_2,P₃: 파라미터이다.

FB모델(65B)의 일반식은 다음식으로 표시된다.

여기서 S_b: FB모델(65B)의 출력신호, Xi(t) : 시각(t)의 관측량, Pi : FB모델의 파라미터이다. (xⅱ)식의 구체적 수식모델에는 다음식이다.

여기서, X₂(t):시각 (t)의 침전지 출구탁도, X₂(t-τ):시간(t-τ)의 침전지 출구탁도, P₁:파라미터이다.

(xii)(xⅳ)식의 우변에는 X₁(t)과 X₂(t)밖에 예측되어 있지 않으나, 다른 관측량을 사용하여도 좋다는 것은 더말할 나위없다.

모델출력치 계산공정(65A)은 신호(S₁와 S_b)를 받아서 신호(Sc)를 제어량 계산치공정(67)으로 출력한다. 이 일반식은 다음식으로 표시된다.

(xv)식의 구체적 수식모델에는 다음식이다.

따라서, 선견적 모델 (65)은 관측량 (Xi(t)) (i=1∼n)에 의거하여 응집제주입량을 예측하는 신호(Sc)를 출력한다.

이 예측치 (Sc)와 과거의 실적치(오퍼레이터의 보정치 (E(t))를 가산한 값이며, 선견적 모델의 예측보다 적정한 것에 주의하기 바람) 과에는 어긋남이 생기므로, 이 「예측 오차」(오퍼레이터의 보정량)를 오퍼레이터의 대신에 뉴럴 네트에서 출력한다.

다음에, 관측량을 이력패턴 데이터파일(71F)에 기억하는 방법에 관하여 설명한다.

시각(t=0)의 관측량(Xi(0) (i=1∼n))를 이력패턴 데이터파일(71F)에 기억한다. 이것을 반복하여 t=0, -1, -2, . . . 의 Xi(0)를 순차로 기억한다.

시간간격은 예를들면 1시간이지만 이 간격설정에 의하여 본 발명의 실시는 제약을 받지 않는다. 이어서, 오퍼레이터모델(73)을 아래에 설명한다. 우선 학습공정에 있어서의 학습용 뉴럴네트(71)의 동작을 아래에 설명한다.

학습용 뉴럴네트(71)에 있어서의 데이터선택과 학습방법을 설명한다.

Xi(t) (i=1∼n)에 관하여 임이의 시각(t=t₁)을 기준으로 과거로 소급하여 t₁-1, t₁-2, . . . 를 우선 학습한다. t₁-k의 k값은 임의로 선택한다.

마찬가지로, t=t₂(t_2≠t₁)를 기준으로하여 t₂-1, t₂-2, . . . 의 패턴데이터를 학습하여, 합계 q개의 패턴데이터를 학습한다. q개의 패턴의 선택은 과거의 대표적인 패턴이 바람직하다. 시각(t₁)은 임의의 시각이므로 상시학습하면 상황변화에 대응하기 쉽게 되는 효과가 있다.

학습은 이것들 1군의 데이터를 입력용과 교사용 데이터로 나누어서 행한다.

입력용 데이터와는 관측량중에서 응집제주입량 예측오차에 영향하는 인자를 지시하고, 교사용 데이터와는 예측오차(En(t))를 지시한다.

또 입력용 데이터는 오퍼레이터가 판단근거로 하는 인자이며, 교사용 데이터는 오퍼레이터가 조작하는 인자(본 실시예에서는 응집제주입량의 선견적 모델의 예측치와 실측치와의 예측오차(En(T))이다.

입력용 데이터의 값을 Xi(t) (i=1∼n-1)로 하고, 편의적으로 교사용 데이터가 Xn(t) 즉 예측오차(En(t))뿐인 것으로 한다. En(t)는 오퍼레이터가 선견적모델예측치에 대하여 보정한 량인 것에 주의하기 바란다.

또한, 이들 입출력데이터의 조합은 목적에 응하여 임의로 설정할 수 있다.

교사층(750)에는 시각(t=t₁)에서의 예측오차(En(t₁))를 입력한다.

입력층(710)에는 Xi(ti)(i=1∼n-1)와 , t=t₁-1, t₁-2, …에 있어서의 Xi(t₁)(i=1∼n)를 입력한다.

후술하는 바와 같이, 학습은, 입력층(710), 중간층(720), 출력층(730), 비교층(740), 교사층(750)으로 이루어지는 구성의 학습용 뉴럴네트(71)에서 실행한다.

이러한 것은 시각(t=t₁)의 예측오차가 그 시점과 과거의 관측량, 및 과거의 예측오차의 영향을 받는 것을 모의하는 것이다.

학습은, 임의의 시각(t)(단 t=t₁, t₂, …)에 있어서 마찬가지로 행한다.

다음에, 예측용 뉴럴네트(72)의 동작을 설명한다.

예측용 뉴럴네트(72)에서는, 우선 입력층(710)에 입력층패턴으로서, 현시점(t=0)을 기준으로 설정한 변수치(Yi(i=1∼p))를 입력층(710)에 입력한다.

이것들은 모든 실적치 혹은 기지의 데이터인 것에 주의하기 바란다.

이것들의 값에 의거하여 상술의 (i)∼(iv)식의 계산을 실행하여, t=0의 예측오차(EN*(0))가 출력층(730)으로부터 출력된다.

즉, 오퍼레이터의 예측오차(보정량 En(0))에 대신하여 En*(0)를 출력한다.

제어량 계산공정(67)은, 신호(En*(0))과 신호(Sc)를 받아서 St를 (xvii)식으로 계산하여 출력한다.

즉, 선격적모델의 예측치(Sc)에 오퍼레이터 모델(63)(뉴럴네트)의 예측오차(En*(0))를 가한 값을 사용한다.

예측오차(En*(0))는 오퍼레이터의 과거의 운전패턴을 학습하고 있으므로, (xvii)식에 의하여 오퍼레이터에 버금가는 제어를 행하게 된다.

이어서, 운전제어공정(75)을 아래에 설명한다.

운전제어공정(75)에서는 신호(St)를 받아 신호(75S)를 출력하여, 응집제주입 펌프(12), 교반기(13), 교반패들(17A)을 제어한다.

제어빈도는 본 실시예에서는 1시간마다이지만, 이 시간단위는 임의로 설정할 수 있다.

물론, 시간간격이 작으면 예측정도는 향상한다.

설정한 시간간격(본 실시예에서는 1시간)이 길기 때문에 짧은 시간(예를 들면 1분간)을 예측할 수 없을 경우에는, 수학적인 보간을 행한다.

교신수단(64)은 오퍼레이터(101)의 개재에 의하여 이력패턴 데이터파일(71F)의 파일링 방법, 선격적모델 계산공정(65)의 모델변경, 학습용 뉴럴네트(71) 4 및 예측용 뉴럴네트(72)의 경과와 결과의 표시 및 운전제어공정(75)의 신호(75S)의 보정을 행한다.

제16도의 실시예의 결과는, 선격적모델의 오차를 뉴럴네트의 실적학습에 의하여, 인간의 개재없이 항상 적게할 수 있고, 또한 종래법에 비하여 제어정도를 향상시킬 수가 있다.

이상 설명한 제16도의 실시예에서는, 선격적모델의 오차(오퍼레이터보정량)를 예측하기 위한 오차예측모델을, 뉴럴네트에서 자동생성하는 방법을 설명하였다.

여기서, 오퍼레이터모델(63)은 오차예측모델이였었다.

다음에, 오퍼레이터모델(63)에 있어서, 선격적모델의 파라미터를 적정화하기 위한 「파라미터조정 모델」을 자동생성하는 방법을 설명한다.

이 실시예는, 오퍼레이터가 선격적모델 계산공정(65)의 출력(Sc)을 보아서, FF모델(65F) 및 FB모델(65B)의 파라미터(Pi)를 조정하는 작업을 인공적으로 행하는 것에 필적한다.

제16도의 실시예와의 틀린점은, 교사신호에 선격적모델의 파라미터(Pi)를 입력하여, Pi의 적정치를 예측하는 것이다. 이 실시예를 제17도로 설명한다.

제17도의 실시예에서는, FF모델(65F)및 FB모델(65B)의 파라미터(Pi)가 오퍼레이터(101)에 의하여 교신수단(46)을 통하여 설정된다.

설정된 Pi값은, 선격적모델 계산공정(65)으로부터 관측량의 하나로서 파라미터(Pi)(신호 65S)가 이력패턴 데이터파일(71F)에 입력되어서 기억한다.

학습용 뉴럴네트(71)의 교사신호로서, 이 오퍼레이터가 부여한 실적(Pi)치를 사용하여, 제16도의 실시예와 마찬가지의 순서로 과거의 실적을 학습한다.

예측용 뉴럴네트(72)로부터는 이 Pi 값의 예측치(Pi*)가 출력되고, FF모델(65F) 및 FB모델(65B)의 파라미터(Pi)로서 오퍼레이터의 개재없이 사용한다.

FF모델(65F) 및 FB모델(65B)은 예측치(Pi*)를 사용하여 (xi)∼(xix)식의 계산을 행하고, 신호(S_f와 S_b)를 각각 출력한다. 모델출력치 계산공정(65A)은 신호(S_f와 S_b)를 받아서 신호(Sc)를 운전제어공정(75)으로 출력한다.

운전제어공정(75)은 신호(Sc)를 받아 신호(75S)를 출력하여, 응집제주입 펌프(12), 교반기(13), 교반패들(17A)을 제어한다. 제17도의 실시예의 효과는, 선격적모델의 조정가능한 파라미터를 뉴럴네트의 실적학습에 의하여, 인간의 개재없이 항상 적정하게 설정할 수가 있고, 또한 종래법에 비하여 제어정도를 향상시킬수가 있다.

이상, 본 발명을 정수프로세스를 실시예로 설명하였으나, 일반의 다른 프로세스에도 적용할 수 있는 것은 더 말할 나위 없다.

제18도의 실시예는, 우선 과거의 복수시점에서의 ① 외란, ② 프로세스상태랑, ③평가량, ④프로세스조작량을 미리 설정한 멤버쉽함수로 멥버쉽값으로 변환하여, 이 변환치를 뉴럴네트에 입력하여 ①∼④의 관계를 학습한다.

학습필 뉴럴네트의 중량계수 분포로부터, 확신도가 붙어있는 퍼지룰을 도출하여, 이것에 의하여 추론을 실행하여 운전조작을 지원 또는 제어하는 것이다.

이 실행공정은 아래와 같다.

(1) 맴버수비함수로 ①∼④ 의 값을 맴버쉽값으로 변환

(2) 학습용 뉴럴네트에 의한 학습공정

(3) 학습필 뉴럴네트로부터의 확신도가 붙어있는 퍼지를 획득 공정

(4) 퍼지룰진단공정

(5) 퍼지추론 공정

(6) 학습필 뉴럴네트로부터의 예측공정

(7) 프로세스 운전조작 제어공정으로 이루어진다.

본 발명을 하수처리프로세스에 적용한 실시예를 제18도를 사용하여 설명한다.

하수처리프로세스의 구성과 동작을 아래에 설명한다.

최초침전지(9)에서는, 유입하수중의 부유물질의 일부가 중력침강에 의하여 제거된다.

폭기조(15)에는 최초침전지(9)에서 넘쳐흐른 하수와 반송오니관(P1)에서의 반송오니가 유입한다.

폭기조(15)에는 불러워(Z)로부터 제어벨브(17X, 17Y)를 거쳐서 공기가 공급되고, 하수와 반송오니가 혼합교반된다.

반송오니(활성오니)는 공급된 공기중의 산소를 흡수하여, 하수중의 유기물이 분해되어서 최종침전지(16)로 유도된다. 최종침전지(16)에서는 활성오니의 중력침강에 활성오니가 침강하여 위의 맑은 물은 방류된다.

최종침전지(16)내에 침강한 활성오니는 빼내어져서, 대부분의 활성오니는, 반송오니로서 반송오니펌프(16 C1)로부터 반송오니관(16P1)을 통하여 폭기조(15)로 반송된다.

찌꺼기는 잉여오니로서 잉여오니관(16P2)에 의하여 배출된다.

다음에 계측기에 관하여 설명한다.

최초침전지(9), 포기조(15), 최종침전지(16)에는 각각 계측기(9M, 15M, 16M)가 설치된다.

계측항목은, 유입하수량, 부유물질 농도, 화학적 산소요구량, PH, 질소농도, 암모니아농도, 초산성질소농도, 아초산성질소농도, 인농도, 용존산소농도, 오니계면높이(SVI : Sludge Volume Index 등) 및 미생물이나 부유성 물질의 화상정보 등이다.

이어서, 예측운전제어장치(80)의 구성을 설명한다.

예측운전제어장치(80)는 컴퓨터시스템이고 본 발명의 설명을 용이하게 하기 위하여 제18도에는 처리의 플로우도를 표시하고 있다.

우선, 이력패턴 데이터파일(71F)은 계측기(9M, 15M, 16M)의 데이터를 순차로 기억하여, 선택된 데이터열을 멤버쉽변환공정(69)으로 출력한다.

멤버쉽변환공정(69)은 ①∼④의 값을 멤버쉽값으로 변환하여 이 신호를 학습용 뉴럴네트(71)로 출력한다.

예측용 뉴럴네트(72)는 학습용 뉴럴네트(71)로부터 신호(71S1과 71S2)를 받아서 신호(72S)를 출력한다.

한편 퍼지룰획득공정(73)은 학습용 뉴럴네트(71)로부터 신호(71S1과 71S2)를 받는다.

퍼지룰진단공정(74)은 교신수단(46)으로부터의 신호와 퍼지룰획득공정(73)에서 신호를 받아, 퍼지룰후보베이스(60B) 또는 퍼지룰베이스(60A)에 기억한다.

퍼지추론기구(61)는 퍼지룰베이스(60A, 60C)로부터의 신호를 받아 운전제어공정(75)으로 신호(61S)를 출력한다.

운전제어공정(75)은 신호(61S)와 신호(72S)를 받아서 신호(75S)를 출력하여, 잉여오니펌프(16C2), 반송오니펌프(16C1), 블러워(17Z), 제어벨브(17X, 17Y)를 제어한다.

교신수단(46)은 오퍼레이터(101)의 개재에 의하여 이력패턴 데이터파일(17F), 학습용 뉴럴네트(71), 예측용 뉴럴네트(72), 운전제어공정(75) 및 퍼지룰진단공정(74)과 교신한다.

또한, 도면중「네트워크」라고 기재되어 있는 부분은 제4도에 표시한 실선(702)에 상당하는 다수의 배선(또는 정보의 연락경로)을 표시한다.

다음에, 예측운전제어장치(80)의 동작을 설명한다.

이력패턴 데이터파일(71F)은 ⓛ 계측기(9M)로 계측한 외란특성, ② 계측기(15M)로 계측한 프로세스상태량, ③ 계측기(16M)로 계측한 프로세스평가량, ④ 잉여오니펌프(16C2), 반송오니펌프(16C1), 블러워(17Z), 제어벨브(17X, 17Y) 등의 프로세스조작량, 이상 ①∼④의 시계열 데이터를 기억한다.

멤버쉽변환공정(69)은, 이력패턴 데이터파일(71F)중에서 자동적으로 또는 교신수단(46)으로부터의 지시(71S)에 의하여, ① 외란특성, ② 프로세스상태량, ③ 프로세스평가량, ④ 프로세스조작량, 이상 ①∼④ 의 각각으로부터 선택된 데이터열(D1, D2, D3, D4)을 받아, 멤버쉽값으로 변환한다.

각 데이터열은 실제에는 복수의 항목을 포함하나, 본 실시예에서는 설명을 용이하게 하기위하여 대표의 기호(D1∼D4)로 표시하는 것으로 한다.

학습용 뉴럴네트(71)는 변환된 멤버쉽값을 사용하여 학습을 실행하여, 실행결과(71S1, 71S2)가, 퍼지룰획득공정 (73)과 예측용 뉴럴네트(72)로 출력된다.

퍼지룰진단공정(73)에서는, 71S1과 71S2에 의거하여 상기 ①∼④에 관한 퍼지룰후보로 기호 또는 언어로 변환한다.

퍼지룰획득공정 (74)에서는, 퍼지룰획득공정(73)에서 얻은 퍼지룰을 교신수단(46)으로부터의 지시에 의하여 퍼지룰후보베이스(60B)또는 퍼지룰베이스(60A)에 격납한다.

퍼지추론기구(61)는 퍼지룰베이스(60A)와 미리 입력한 퍼지룰베이스(60C)를 받아서 추론을 실행하여, 운전제어공정(75)으로 신호(61S)를 출력한다.

한편, 예측용 뉴럴네트(72)에서는 이력패턴 데이터파일(71F)중에서 예측에 필요한 데이터를 선택하여 예측에 사용한다. 예측결과의 신호(72S)는 교신수단(46)으로 표시함과 아울러 운전제어공정(75)으로 출력한다.

운전제어공정(75)은 예측신호(72S)와 신호(61S)를 받아, 신호(75S)를 출력하여 ④ 잉여오니펌프(16C2), 반송오니펌프(16C1), 블러워 (17Z), 제어벨브(17X, 17Y) 등의 프로세스조작량을 제어하다.

동시에, 제어목표치 신호(75S)를 교신수단(46)으로 표시하여, 필요에 응하여 오퍼레이터(101)의 선택에 의하여 실제의 제어량을 보정한다.

보정치는 재차 출력한다.

다음에, 제18도를 사용하여 본 발명의 동작을 상세하게 설명한다.

우선, 데이터를 이력패턴 데이터파일(71F)에 기억하는 방법에 관하여 설명한다.

시각(t=0)의 이력패턴 데이터(D1(0)∼D4(0))를 이력패턴 데이터파일(71F)에 기억한다.

이것을 반복하여 t=0, -1, -2, … 의 데이터를 순차로 기억한다.

시간간격은 예를들면 1시간이지만 이 시간설정에 의하여 본 발명의 실시는 제약을 받지 않는다.

멤버쉽변환공정(69)을 제19도를 사용하여 설명한다.

동도는 미리 설정한 멤버쉽함수의 변환예를 표시한다.

동도면에서는 D2의 대표가 용존산소농도(이하 D0로 약칭한다)의 경우를 예시하여, D0의 「높음」「보통」「낮음」이라는 상태를 각각 멤버쉽변환기능(691H, 691M, 691L)으로 변환하여 변환치(D2H, D2M, D2L)로 한다.

또한, 변환치(D2H, D2M, D2L)를 일괄총칭하여 기호로 DF2라고 기록한다.

각 변환기능의 가로축은 ② 프로세스상태량인 D0를 표시하고, 세로축은 그 정도를 0∼1의 값으로 표시한다.

일예로서 멤버쉽변환기능(691L)에 관하여 설명하면, D0값=0. 5의 멤버쉽값=0. 9이고, 이러한 것은, D0값=0. 5이면 0. 9의 정도(멤버쉽값)로 「D0가 낮음」인 것을 표시한다.

이와같이하여, 모든 변수에 관하여 멤버쉽함수를 미리 정의하여 두고, 데이터열(D1, D2, D3, D4)을 멤버쉽값으로 변환하여 DF2, DF3, DF4를 얻는다.

또한, 본 예에서는 「높음」「보통」「낮음」의 3개로 분류하였으나 분류수는 임의이다.

이어서, 학습공정에 있어서의 학습용 뉴럴네트(71)의 동작을 아래에 설명한다.

학습용 뉴럴네트(71)는 멤버쉽값을 받아서 학습을 실행한다. 이 데이터선택과 학습방법을 아래에 설명한다.

DF1(즉 D1H, D1M, D1L)∼DF4(즉 D4H, D4M, D4L)에 관하여 임의의 시각(t=t₁)를 기준으로 과거로 소급하여 t₁-1, t₂-2, …를 우선 학습한다.

마찬가지로 t=t₂(t₂≠t₁)를 기준으로하여 t₂-1, t₂-2, …의 패턴데이터를 학습하여, 합계 q개의 패터데이터를 학습한다. q개의 패턴의 선택은 과거의 대표적인 패턴이 바람직하다. 시각(t₁)은 임의의 시각이므로, 상시 학습을 행하면 새로운 상황에 대응하는 새로운 퍼지룰을 자동획득할 수 있다.

학습은 이것들 1군의 데이터를 입력용 데이터와 교사용 데이터로 나누어서 행한다.

입력층(710)에는 임의의 시각(t)(단 t=t₁, t₂, …)에 있어서의 DF1(t), DF2(t)와 시각(t)으로부터 과거로 소급하여 DF1(t-1)∼DF4(t-1)을 순차로 입력한다.

여기서, DF3(t-1), DF4(t-1)가 추가되는 것에 주의하기 바란다.

이하(t)=t-2, t-3, …에 관해서도 마찬가지이다.

한편, 교사층(750)에는, DF3(t), DF4(t)를 입력한다.

본 실시예에서는 ③ DF3(t), ④ DF4(t)를 교사층에 입력하였으나, ①∼④의 어느것을 교사층에 입력하여도 본 실시예의 효과는 실효되지 않는다.

학습은, 입력층(710), 중간층(720), 출력층(730), 비교층(740), 교사층(750)으로 이루어지는 구성의 학습용 뉴럴네트(71)에서 행한다.

펴지룰획득공정(73)에서는 71S1과 71S2에 의거하여 ①②③④간의 퍼지룰을 기호 또는 언어로 변환한다.

입력층(710)에 설정하는 변수(Xi)와 출력층(730)에 설정하는 변수(Xi)에 관한 룰의 확신도를 다음식(상기(v)식과 마찬가지다)으로 계산한다.

또한 이 식은 수학적인 해석에 의하여 독자적으로 유도된 것이다.

여기서, I'ji는 상기식(v)에서는 「인과성척도」라고 불렀으나, 본 실시예의 Iji는 「확신도」라고 호칭한다. m은 중간층의 뉴론소자모델수이다.

(xvii)식의 계산은, 입력층으로부터 출력층에 이르는 모든 경로의 중량계수의 곱셈합을 취하는 계산이다.

i번째의 입력과 j번째의 출력과의 관계를 표시하는 룰은 Iji의 확신도에 대응하여 그 룰이 성립하다.

입력층과 출력층과의 모든 조합에 관해서 Iji를 계산하고, 결과를 퍼지룰후보로서 일본어로 변환한다.

예를 들면, 「퍼지룰후보」:「i번째의 입력치가 크면 j번째의 출력치는 확신도 Iji에서 크다」이 변환은 확신도 Iji가 큰 룰로부터 순서로 출력하여, 다음에 표시하는 바와 같이 조합한 룰후보로 변환할 수도 있다.

「퍼지룰후보」:「i번째의 입력치가 크고, 또한 K번째의 입력치도 크면 J번째의 출력치는 확신도=(Iji+Ijk)/2로 크다」퍼지룰진단공정(74)에서는 퍼지룰획득공정(73)에서 얻은 퍼지룰후보를 오퍼레이터(101)와 교신수단(46)으로부터 지시에 의하여 타당성을 판정하여, 타당과 판정된 상기 퍼지룰후보는 퍼지룰베이스(60A)에 기억하여, 그렇지 않은 룰은 퍼지룰후보베이스(60B)에 기억한다.

일단, 퍼지룰후보베이스(60B)에 기억된 퍼지룰후보에서도 복수회가 일어날 경우에는, 생기(生起)회수를 카운터하여 소정 회수(예를들면 2회)를 넘으면, 교신수단(46)에 의하여 오퍼레이터(101)에 재차 문의하여, 퍼지룰진단공정(74)을 반복한다.

본 실시예의 퍼지룰베이스로서는, 어느 ①외란, ②프로세스상태량에 대하여, ③ 평가량은 어떻게 되며, 결과로서 ④ 프로세스를 어떻게 조작하면 좋은가라는 관계가 얻어지지만, 입력층과 출력층과에 배치하는 조합에 의하여 ①∼④의 임의의 조합으로 퍼지룰을 추출할 수 있다.

퍼지추론기구(61)는 퍼지룰베이스(60A)와 퍼지룰베이스(60C)와를 받아서 추론을 실행하여, 운전제어공정(75)으로 신호(61S)를 출력한다.

퍼지룰베이스(60C)는 오퍼레이터(101)에 대하여 종래 수법인 인터뷰에 의하여 미리 획득한 프로덕션룰 혹은 퍼지룰을 기억하여 두고 필요에 응하여 보조적으로 이용한다. 퍼지추론기구(61)는 룰에 의거한 전향 또는 추향추론을 실행한다.

다음에, 예측용 뉴럴네트(72)에 의한 예측공정을 설명한다. 예측용 뉴럴네트(72)의 구성은 제6도에 표시한 것과 같다.

제18도에 표시하는 바와같이, 예측용 뉴럴네트(72)에서는 학습용 뉴럴네트(71)에서의 학습결과, 즉, 중량계수치(Wji(3←2) 및 Wji(2←1))의 값을 신호(71S1과 71S2)로서 받는다.

또한, 제18도에서는 학습용 뉴럴네트(71)와 예측용 뉴럴네트(72)와는 처리플로우의 설명을 위하여 따로따로 기재되어 있다. 예측용 뉴럴네트(72)는 학습용 뉴럴네트(71)부터 비교층(740)과 교사층(750)을 제외한 구성이므로, 동일한 뉴럴네트를 사용하여서 좋은 것은 물론이다.

다음에, 예측용 뉴럴네트(72)의 동작을 설명한다.

예측용 뉴럴네트(72)에서는 상기 ①②에 대응하여 미지의 상기 ③④를 예측하는 것이다.

그러므로, 우선 입력층 (710)에 입력층패턴으로서, t=0을 기준으로 설정한 변수치(Yi(DF1(0) DF2(0)))와, t=-1, -2, …를 기준으로 설정한 변수치(Yi(DF1(i)∼DF5(i), i=-1, -2, …))를 입력층(710)에 입력한다.

이 변수치(Yi)는 (1)는 현시점에서 기지의 ①②, (2) 과거(t=-1, -2, …)에 있어서의 ①∼④이다.

이것들은 모든 실적치 혹은 기지의 데이터인 것에 주의하기 바란다.

이것들의 값에 의거하여 상술의(i)∼(vi)식의 계산을 실행하여, 미지의 ④ 프로세스상태평가량(처리수질)(DF4(0^*))와 ⑤ 프로세스조작량 (반송/잉여오니량, 폭기공기량)(DF5(0^*))과를 출력층(730)으로 출력한다.

상기 ③에 관해서는 교신수단(46)에 가이던스를 표시하고, ④에 관해서는 제어신호(72S)를 운전제어공정(75)으로 출력한다. 이어서 운전제어공정(75)을 아래에 설명한다.

운전제어공정(75)에서는, DF5(0)^*의 신호(72S)와 퍼지추론기구(61)의 신호(61S)를 받아서, 우선 양자의 꼭맞춤성을 조사한다.

신호(72S)가 61S와 모순되지 않으면, 프로세스조작량의 목표치로서 신호(75S)를 잉여오니펌프(16C2), 반송오니펌프(61C1), 불러워(17Z). 제어벨브(17X, 17Y) 등으로 출력한다.

역으로 모순되면 교신수단(46)을 통하여 오퍼레이터(101)에 통보하여 수정을 가한다.

또한, 제어빈도는 본 실시예에서는 1시간마다이지만 이 시간단위는 임의로 설정할 수 있다.

물론, 시간간격이 작으면 예측정도는 향상한다.

설정한 시간간격(본 실시예에서는 1시간)이 길기 때문에 짧은 시간(예를들면 1분간)의 프로세스조작량을 예측할 수 없을 경우에는, 수학적인 보간에 의하여 예측한다.

동시에, 목표치(예측결과)의 프로세스조작량 목표치신호(75S)를 교신수단(46)으로 표시하여, 필요에 응하여 오퍼레이터(101)의 선택에 의하여 실제의 조작을 보정한다.

또한, 본 발명을 하수처리프로세스 실시예로 설명하였으나, 일반의 프로세스에 적용할 수 있는 것은 더 말할나위 없다.

본 실시예에 의하면, 과거의 실적데이터로부터 퍼지룰을 자동획득하고, 또한, 뉴럴네트의 예측에 의하여 운전가이던스 및 제어를 행할 수있다.

따라서, 보다작은 노동력으로, 오퍼레이터가 실시하고 있는 「실적과 전예에 꼭맞은, 그러나 불확실한 운전」을 공학적으로 용이하게 행할 수가 있다.

또, 학습을 수시로 행하는 것이 가능하므로, 상황의 변화에 신속하게 추수(追隨)하여 학습하고 또한 제어할 수 있다.

이상, 본 발명의 각 실시예를 정수장에 한하여 상세하게 설명하였으나, 본 발명의 기본사상은, 시간과 더불어 변동하는 현상을 취급하는 프로세스, 예를들면, 하폐수(下廢水) 처리 프로세스, 하천 정보처리 프로세스, 열전병급(熱電倂給)시스템, 빌딩관리 시스템, 공조(空調)등의 옥내환경 제어시스템, 엘리베이터 관리시스템, 기상정보처리 프로세스, 화력·원자력·수력·발전 프로세스, 열차등 수송운항관리 시스템, 지도정보 시스템 등의 공공시스템, 화학프로세스, 바이오프로세스, 반도체제조 프로세스, 식품제조 프로세스 등의 제조프로세스, 증권, 어음정보처리 프로세스, 은행관리 정보 프로세스 등의 정보시스템, 컴퓨터관리 시스템, 단말관리 시스템, 컴퓨터 네트워크관리 시스템 등에 적용할 수 있다.

본 발명에 의하면, 프로세스의 운전지원에 신경회로모델을 사용하는 것에 의하여, 비교적 간단하게 정도가 높은 운전지원시스템을 구축할 수가 있다.

또, 학습을 행한 신경회로모델로부터 과거의 운전이력정보내에 묻어진 지식을 용이하게 추출하여, 그 결과를 운전지원에 이용할 수가 있다.

Claims (19)

1. 시간과 더불어 변화하는 복수의 입력변수치에 응하여, 제어대상을 목표상태에 가까이 하여 당해 제어대상의 제어변수치를 구하는 프로세스 운전지원방법에 있어서, 입력층, 적어도 1층의 중간층 및 출력층으로 이루어지는 계층구조의 신경회로모델을 사용하고, 프로세스의 과거의 이력정보중, 틀린 시점의 복수의 입력변수치의 대표적인 패턴을 입력신호로 하는 것과 아울러 당해 대표적인 패턴에 대응하는 제어변수치를 교사 신호로 하여, 상기 신경회로모델에 학습시키며, 해당 학습한 신경회로모델에 상기 입력변수치로서 미학습의 패턴을 입력하는 것에 의하여 목적의 제어변수치를 구하는 것을 특징으로 하는 프로세스 운전지원방법.
2. 시간과 더불어 변화하는 복수의 입력변수치에 응하여, 적어도 1개의 제어대상이 목표상태로 되는 것과 같은 당해 제어대상의 제어변수치를 구하는 프로세스 운전지원방법에 있어서, 입력층, 적어도 1층의 중간층 및 출력층으로 이루어지는 계층구조의 신경회로모델을 사용하고, 상기 제어대상을 목표상태로 하는 제어가 달성되었을때의 상기 복수의 입력변수치의 패턴을 입력신호로 하는 것과 아울러, 당해 패턴에 대응하는 제어변수치를 교사신호로 하여, 복수의 패턴에 관하여 순차로 상기 신경회로모델에 학습시키며, 해당 학습신경회로모델에 상기 입력변수치로서 임의의 입력변수치 패턴을 입력하는 것에 의하여 해당 패턴에 대한 제어변수치를 구하는 것을 특징으로 하는 프로세스 운전지원방법.
3. 제1항에 있어서, 상기 신경회로모델의 학습시에, 어느시점의 입력변수치 패턴과 해당하는 어느시점의 일정시간전의 시점의 입력변수치 패턴과를 동시에 입력신호로서 사용하는 것과 아울러 상기 어느시점의 제어변수치를 교사신호로서 사용하여, 복수의 입력신호에 관하여 학습한 후, 해당 신경회로모델에 현시점의 입력변수치 패턴 및 현시점에서 일정시간전의 시점의 입력변수치 패턴을 동시에 입력하는 것에 의하여 현시점의 제어변수치를 구하는 것을 특징으로 하는 프로세스 운전지원방법.
4. 시간과 더불어 변화하는 복수의 입력변수치에 대응하여, 제어대상이 목표상태에 가까이 하는 것과 같은 당해 제어변수치를 구하는 프로세스 운전지원방법에 있어서, 입력층, 적어도 1층의 중간층 및 출력층으로 이루어지는 계층구조의 신경회로모델을 사용하고, 어느시점의 입력변수치 패턴, 해당하는 어느시점의 일정시간전의 시점이 입력변수치 패턴, 양 시점의 입력변수치의 편차의 패턴 중 2개 이상의 패턴을 동시에 입력신호로서 사용하는 것과 아울러, 상기 어느시점의 제어변수치를 교사신호로 하여, 복수의 입력신호에 관하여 상기 신경회로모델에 학습시키며, 해당 학습한 신경회로모델에 현시점의 상기 2개 이상의 패턴을 동시에 입력하는 것에 의하여 현시점의 제어변수치를 구하는 것을 특징으로 하는 프로세스 운전지원방법.
5. 제1항에 있어서, 상기 신경회로모델의 학습한 결과에 의거하여, 상기 각 입력변수와 각 제어변수와의 사이의 인과관계를 추출하고, 해당 인과관계에 의거하여 상기 프로세스의 운전을 지원하는 프로세스 운전지원방법.
6. 제1항에 있어서, 상기 신경회로모델은, 복수의 뉴론소자모델로부터 이루어지는 입력층과, 해당 입력층의 각 뉴론소자모델의 출력을 각각 받는 복수의 뉴론소자모델로 이루어지는 적어도 1층의 중간층과, 최종의 중간층의 각 뉴론의 출력을 받는 적어도 1개의 뉴론소자모델로 이루어지는 출력층과를 가지고 있고, 상기 입력층의 각 뉴론소자모델에 입력변수를 대응시킴과 아울러 상기 출력층의 각 뉴론소자모델에 각 제어변수를 대응시켜서, 상기 학습은 상기 각 뉴론소자모델간의 연결부에 부여된 중량계수를 제어하는 것에 의하여 행하는 것을 특징으로 하는 프로세스 운전지원방법.
7. 제6항에 있어서, 상기 신경회로모델의 학습한 결과에 의거하여, 상기 입력변수와 각 제어변수와의 사이의 결합강도를 구하고, 해당 결합강도의 크기에 의거하여 상기 신경회로모델의 회로구조를 변경하는 것을 특징으로 하는 프로세스 운전지원방법.
8. 제7항에 있어서, 특정의 한 입력변수와 특정의 한 제어변수와의 결합강도는 당해 한 입력변수에 대응하는 상기 입력층의 유론소자모델로부터 상기 중간층의 각 뉴론소자모델을 거쳐서 당해 한 제어변수에 대응하는 상기 출력층의 뉴론소자모델에 이르는 각 경로의 중량계수의 곱셈합으로 정의하는 것을 특징으로 하는 프로세스 운전지원방법.
9. 제7항에 있어서, 상기 신경회로모델의 구조의 변경은, 특정의 뉴론소자모델간의 연결의 삭제인 프로세스 운전지원방법.
10. 제7항에 있어서, 상기 신경회로모델의 구조의 변경은, 상기 중간층의 계층수의 변경인 프로세스 운전지원방법.
11. 제1항에 있어서, 정상시의 이력정보를 학습한 신경회로모델과 비정상시의 이력정보를 학습한 신경회로모델과를 별개로 준비하여, 운전지원시에, 정상시와 비정상시에서 신경회로모델을 전환하여 사용하는 것을 특징으로 하는 프로세스 운전지원방법.
12. 제1항에 있어서, 입력변수치의 패턴의 변화상태에 응하여, 별개의 이력정보를 학습한 신경회로모델을 복수개를 준비하고, 운전지원시에, 상기 입력변수치의 패턴의 변화상태에 응하여 사용하는 신경회로모델을 전환하는 것을 특징으로 하는 프로세스 운전지원방법.
13. 제1항에 있어서, 입력층, 중간층 및 출력층이 틀린 층간에서 연결된 뉴론소자모델대간(對間)의 중량계수가 결정되는 것에 의하여 학습을 유한회 실행한 계층구조의 신경회로모델로부터, 해당 신경회로모델의 입력변수와 출력변수와의 사이의 인과관계를 지식으로서 추출하는 지식추출방법이고, 특정의 한 입력변수에 대응하는 입력층의 뉴론소자모델로부터 상기 중간층의 각 뉴론소자모델을 거쳐서, 특정의 한 출력변수에 대응하는 출력층의 뉴론소자모델에 이르는 복수의 경로에 관하여, 각 경로의 중량계수의 곱셈값을 구하고, 복수의 경로에 관하여 해당 곱셈값을 가산하여, 해당가산치를 당해 한 입력변수와 한 출력변수와의 사이의 인과관계를 정하는 척도로 하는 것을 특징으로 하는 프로세스 운전지원방법.
14. 시간과 더불어 변화하는 복수의 입력변수치에 응하여, 재어대상을 목표상태에 가까이 하는 당해 제어 대상의 제어변수치를 구하는 프로세스 운전지원시스템에 있어서, 입력층, 중간층 및 출력층으로 이루어지는 계층구조의 신경회로모델을 가지고 있고, 해당 신경회로모델에 과거의 운전이력 정보를 입력신호 및 교사신호로서 사용하여 과거의 운전실적을 학습시킨 처리수단과, 상기 제어대상으로부터 상기 신경회로모델에 입력하는 입력변수치를 얻는 입력수단과, 상기 학습한 신경회로모델로부터 지식을 추출하는 지식추출수단과, 해당 지식추출수단에 의하여 얻어진 지식을 축적하는 지식베이스와, 해당 지식베이스에 축적된 지식으로부터 프로세스 운전지원정보를 얻는 추론기구와, 상기 처리수단의 출력 및 상기 추론기구출력의 적어도 1개에 응하여 상기 제어대상의 제어의 가이던스를 행하는 가이던스수단과를 구비한 것을 특징으로 하는 프로세스 운전지원방법.
15. 프로세스의 관측량에 의거하여 제어량의 목표치를 출력하기 위한 선격적모델을 사용한 프로세스 운전지원방법에 있어서, 해당 선격적모델의 출력치와 제어량의 실측치와의 오차를 계산하고, 입력층, 적어도 1층의 중간층, 출력층 및 교사층으로 이루어지는 계층구조의 신경회로모델을 사용하여, 과거의 복수시점에서의 상기 관측량을 입력층에 입력하고, 또한, 대응하는 상기 오차를 교사층에 입력하는 것에 의하여, 상기 관측량과 상기 오차와의 관계를 학습하고, 학습필 신경회로모델에, 임의시점에서의 상기 관측량을 입력하여 대응하는 시점에서의 오차를 예측시킴과 아울러, 상기 선격적모델의 출력치와 상기 학습필 신경회로모델의 예측치와에 의하여, 제어량의 목표치를 출력하도록 한 것을 특징으로 하는 프로세스 운전지원방법.
16. 프로세스의 관측량에 의거하여 제어량의 목표치를 출력하는 목적으로 조정가능한 파라미터를 가지는 선견적모델을 사용한 프로세스 운전지원방법에 있어서, 해당 선격적모델의 출력치와 제어량의 실측치와의 오차를 계산하고, 입력층, 적어도 1층의 중간층, 출력층 및 교사층으로 이루어지는 계층구조의 신경회로모델을 사용하여, 과거의 복수시점에서의 상기 관측량을 입력층에 입력하고, 또한, 대응하는 시점에서의 상기 선견적모델의 조정가능한 파라미터치를 교사층에 입력하는 것에 의하여, 상기 관측량과 상기 파라미터치와의 관계를 학습하고, 학습필 신경회로모델에, 임의시점에서의 상기 관측량을 입력하여 대응하는 시점에서의 상기 파라미터치를 예측시킴과 아울러, 상기 학습필 신경회로모델로부터 예측된 파라미터 예측치를 사용하여 상기 선견적모델의 출력치를 얻고, 해당 출력치에 의거하여 제어량의 목표치를 출력하도록 한 것을 특징으로 하는 프로세스 운전지원방법.
17. 시간과 더불어 변화하는 프로세스로부터 상태량간의 지식을 획득하고, 이것을 이용하여 해당 프로세스의 운전을 지원하는 프로세스 운전지원방법에 있어서, ① 외란과 ② 프로세스상태량 및 ③ 평가량에 대하여 ④ 프로세스의 조작량을 출력하는 것에 있어, 입력층, 적어도 1층의 중간층 및 출력층으로 이루어지는 계층구조의 신경회로모델을 사용하고, 과거의 복수시점에서의 상기 ①, ②, ③ 및 ④중의 적어도 한 개를, 미리 설정한 멤버쉽함수에 의하여 변환하도록 하고, 상기 ①, ②, ③ 및 ④중 적어도 ① 또는 ②를 상기 입력층에 입력하는 것과 아울러, 당해 입력과에 대응하는 상기 ①, ②, ③ 및 ④중 적어도 한 개를 상기 출력층의 교사패턴으로서 상기 신경회로모델에 학습시키는 것에 의하여, 상기 ①②③④의 사이의 적어도 두 개의 관계를 기술하기 위한 확신도부(付) 퍼지룰을 출력하고, 해당 확신도부 퍼지룰을 이용하여 프로세스 운전을 지원 또는 제어하는 것을 특징으로 하는 프로세스 운전지원방법.
18. 입력층, 적어도 1층의 중간층 및 출력층으로 이루어지는 계층구조의 신경회로모델을 사용하고, 프로세스의 과거의 당해 입력에 대응하는 실적수요패턴을 교사패턴으로 하여, 상기 신경회로모델에 학습시키, 해당 학습한 신경회로모델에, 미학습의 복수의 외란변수의 예상치를 입력하는 것에 의하여, 대응하는 수요패턴을 예측하고, 해당 예측한 수요패턴을 목표패턴으로서 프로세스의 제어에 제공하는 것을 특징으로 하는 프로세스 운전지원방법.
19. 입력층, 적어도 1층의 중간층 및 출력층으로 이루어지는 계층구조의 신경회로모델을 사용하고, 과거의 복수시점에서의 날씨 및 일조량을 포함하는 기상조건과 추량(推量), 수온, 수질중의 적어도 한 개를 포함하는 수질조건과를 입력함과 아울러, 당해 입력에 대응하는 염소주입량 또는 농도를 교사패턴으로 하여 상기 신경회로모델에 학습시키며, 해당 학습한 신경회로모델에 현시점 또는 장래 예상시키는 상기 기상조건과 상기 수질조건과를 입력하여, 당해 입력에 대응하는 염소주입량 또는 농도를 예측시키고, 해당 예측치에 의거하여 염소주입량 또는 농도를 결정하는 것을 특징으로 하는 프로세스 운전지원방법.