JPH0315902A - 知識抽出方法およびプロセス運転支援システム - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 ［産業上の利川分野］ 本発明は、時間と共に変化する現象を取り扱うプロセス
全般の運転を支援する方法及びシステムに関する。

［従来の技術］ 水処理プロセス、河川情報処理プロセス、気象情報処理
プロセス、火力・電子力・水力・発電プロセス、熱電併
給プロセス、化学プロセス、バイオプロセス，証券・為
替情報処理プロセス、銀行管理情報プロセスなど、時間
と共に変化する現象を取り扱う各種プロセスの従来の運
転（運用）方法は、これらのプロセスを記述する数式モ
デルを用い，このモデルに基づいて行うものであった．
［発明が解決しようとする課題コ しかし、これらのプロセスを記述する変数群の因果関係
が解明されていない場合には、数式モデル化が不可能で
ある。一方、数式モデルを用いずにｒｉｆｔｈａｎＪル
ールなどの論理モデルを用いる場合には原因と結果との
因果関係が明らかになっていなければ、論理モデルの適
用は不可能である。

他方，数式モデルと論理モデルとを組み合わせたファジ
一方式でも、両モデルの記述ができなければ、適用が不
能であることはいうまでもない．したがって、このよう
な場合には、人間が過去の前例や経験に照らして判断・
運転（運用）していた。

すなわち、原因と結果とが不明の異常時などには、オヘ
レータは過去の現象履歴やその記憶に基づいて運転して
いた．このため、常に良好な運転を行うことは困難であ
った． さらに、これらの方式では、モデルの構造や要素（ルー
ルなど）を変更することは一般的には自動化するには至
っていない．したがって、実際の現象が変化する場合に
はこれに柔軟に対応することは困難であった． 本発明の目的は、これまで効果的に利用されていなかっ
た過去のｆｆ歴を有効に利用することにより、定常時あ
るいは，非定常時・異常時の運転を支援することができ
るプロセス運転支援方法およびシステムを提供すること
にある． 本発明の他の目的は、学習された神経回路モデルから入
出力変数間の因果関係等の知識を自動的に抽出する方法
を提供することにある．ＣｔＪ＆Ｍを解決するための手
段コ 上記目的を達戒するために，本発明によるプロセス運転
支援方法は、時間と共に変化する複数の入力変数値に応
じて，制御対象を目標状態とする当該制御対象の制御変
数値を求めるプロセス運転支援方法であって、入力層、
少なくとも１Ｍの中間層、および出力層からなる階層構
造の神経回路モデルを用い，プロセスの過去の運転履歴
情報のうち、異なる時点の複数の入力変数値の代表的な
パターンを入力信号とすると共に当該代表的なパターン
に対応する制御変数値を教師信号として，前記神経回路
モデルに学習させ，該学習した神経回路モデルに前記入
力変数値として未学習のパターンを入力することにより
該パターンに対する制御変数値を求めるようにしたもの
である。

本発明によるプロセス運転支援方法は、他の見地によれ
ば、時間と共に変化する複数の入力変数値に応じて、少
なくとも１個の制御対象が目標状態となるような当該制
御対象の制御変数値を求めるプロセス運転支援方法であ
って．入方層，少なくとも１層の中間層，および出カ層
からなる階層構造の神経回路モデルを用い、前記制御対
象を目標状態とする制御が達成されたときの前記複数の
入力変数値のパターンを入力信号とすると共に当該パタ
ーンに対応する￥Ａ＃変数値を教師信号として、複数の
パターンについて順次前記神経回路モデルに学習させ，
該学習した神経回路モデルに前記入力変数値として任意
の入力変数値パターンを入力することにより該パターン
に対する制御変数値を求めるようにしたものである。

これらのプロセス運転支援方法において、前記神経回路
モデルの学習時に、或る時点の入力変数値パターンと該
或る時点の一定時間前の時点の入力変数値パターンとを
同時に入力信号として用いるとともに前記或る時点の制
御変数値を教師信号として用い，複数の入力信号につい
て学習した後，該神経回路モデルに現時点の入力変数値
パターンおよび現時点より一定時間前の時点の入力変数
値パターンを同時に入力することにより現時点の制御変
数値を求めることもできる。

本発明によるプロセス運転支援方法は、さらに他の見地
によれば、時間と共に変化する複数の入力変数値に応じ
て、制御対象が目標状態となるような当該制御対象の制
御変数値を求めるプロセス運転支援方法であって、入力
層，少なくとも１層の中間溜，および出力層からなる階
Ｎ構造の神経回路モデルを用い、或る時点の入力変数値
パターン，該或る時点の一定時間前の時点の入力変数値
パターン、両時点の入力変数値の偏差のパターンのうち
２個以上のパターンを同時に入力信号として用いるとと
もに、前記或る時点の＄１１御変数値を教師信号として
，複数の入力信号について前記神経回路モデルに学習さ
せ，該学習した神経回路モデルに現時点の前記２個以上
のパターンを同時に入力することにより現時点の制御変
数値を求めるようにしたものである． 好ましくは、前記神経回路モデルの学習した結果に基づ
いて、前記各入力変数と各制御変数との間の因果関係を
抽出し、該因果関係に基づいて前記プロセスの運転を支
援する。

前記神経回路モデルは、例えば，複数のニュ−ロン素子
モデルからなる入力層と、該入力層の各ニューロン素子
モデルの出力をそれぞれ受ける複数のニューロン素子モ
デルからなる少なくとも１層の中間層と、最終の中間層
の各ニューロンの出力を受ける少なくとも１個のニュー
ロン素子モデルからなる出力層とを有し、前記入力層の
各ニューロン素子モデルに入力変数を対応させるととも
に前記出力層の各ニューロン素子モデルに各制御変数を
対応させ、前記学習は前記各ニューロン素子モデル間の
連結部に付与された重み係数を制御することにより行う
。

また、前記神経回路モデルの学習した結果に基づいて、
前記各入力変数と各制御変数との間の結合強度を求め、
該結合強度の大きさに基づいて前記神経回路モデルの回
路構造を変更するようにしてもよい．この場合において
、特定の一入力変数と特定の一制御変数との結合強度は
、当該一入力変数に対応する前記入力層のニューロン素
子モデルから前記中間層の各ニューロン素子モデルを経
て当該一制御変数に対応する前記出力層のニューロン素
子モデルに至る各経路の重み係数の積和で定義すること
ができる。

前記学習を有限回実行し，その結果得られた前記重み係
数の値の統計的出現頻度分布パターンに基づいて，前記
神経回路モデルの構造を変更することも可能である． 前記神経回路モデルの構造の変更は、特定のニューロン
素子モデル間の連結を削除したり，前記中間層の階層数
を変更したりすることにより行える。

また，定常時の履歴情報を学習した神経回路モデルと非
定常時の履歴情報を学習した神経回路モデルとを別個に
用意し、運転支援時に、定常時と非定常時とで神経回路
モデルを切り換えて使用することも可能である． あるいは、入力変数値のパターンの変化状態に応じて，
別個の履歴情報を学習した神経回路モデルを複数個用意
し、運転支援時に、前記入力変数値のパターンの変化状
態に応じて使用する神経回路モデルを切り換えることも
可能である。

本発明による知識抽出方法は、入力層、中間層および出
力層の異なる層間で連結されたニューロン素子モデル対
間の重み係数が決定されることにより学習を有限回実行
した階層構造の神経回路モデルから，該神経回路モデル
の入力変数と出力変数との間の因果関係を知識として抽
出する知識抽出方法であって、特定の一入力変数に対応
する入力層のニューロン素子モデルから前記中間層の各
ニューロン素子モデルを経て，特定の一出力変数に対応
する出力層のニューロン素子モデルに至る複数の経路に
ついて、各経路の重み係数の積を求め、複数の経路につ
いて該積を加算し、該加算値を当該一入力変数と一出力
変数との間の因果関係を定める尺度とするものである。

本発明による他の知識抽出方法は、入力層，中間層およ
び出力層の異なる層間で連結されたニューロン素子モデ
ル対間の重み係数が決定されることにより学習を有限回
実行した階層構造の神経回路モデルから、該神経回路モ
デルの入力変数と出力変数との間の因果関係を知識とし
て抽出する知識抽出方法であって、特定の一入力変数に
対応する入力層のニューロン素子モデルから前記中間層
の各ニューロン素子モデルを経て，特定の一出力変数に
対応する出力層のニューロン素子モデルに至る複数の経
路について，前記有限回の学習の結果得られた重み係数
の値の統計的出現頻度分布パターンを求め，該統計的出
現頻度パターンに基づいて当該一入力変数と一出力変数
との間の因果関係の再現性を定量化するものである。

好ましくは、前者の知識抽出方広により得られた入力変
数と出力変数との間の因果関係の尺度に対して、後者の
知識抽出方法により当該入力変数と出力変数について得
られた再現性の程度を加味することにより、当該因果関
係を知識として採用するか否かを決定する。逆に、再現
性により知識を抽出した後，因果関係の尺度にてらして
採用の可否を決定してもよい。

本発明によるプロセス運転支援システムは，時間と共に
変化する複数の入力変数値に応じて、制御対象を目標状
態とする当該制御対象の制御変数値を求めるプロセス運
転支援システムであって、入力層、中間層および出力層
からなる階層構造の神経回路モデルを有し，該神経回路
モデルに過去の運転履歴情報を入力信号および教師信号
として用いて過去の運転実績を学習させた処理手段と，
前記制御対象から前記神経回路モデルに入力する入力変
数値を得る入力手段と、前記学習した神経回路モデルか
ら知識を抽出する知識抽出手段と、該知識抽出手段によ
り得られた知識を蓄積する知識ベースと、該知識ベース
に蓄積された知識からプロセス運転支援情報を得る推論
機構と、前記処理手段の出力および／または前記推論機
構の出力に応じて前記制御対象の制御のガイダンスを行
うガイダンス手段とを備えたものである．なお，本明Ｊ
ｌｌ書において、ｒプロセスノとは、時間と共に変化す
る現象を取り扱う各種プロセスを包含し、ｒ運転』とは
，Ｍ用、管理、制御等を意味する広い概念をいうものと
する。また、「運転支援」とは、狭義にはオペレータに
対してプロセスの運転を援助することをいうが，広義に
はオペレータを介在せず直接プロセスを制御することも
含むものとする． ［作　用］ 本発明は、神経回路モデルのもつ学習機能を、（イ）プ
ロセスの運転履歴情報からの学習、（口）Ｊ３！歴情報
の知識獲得、（ハ）Ｍ歴情報を記述するモデルの自動生
成に適用するものである。

神経回路モデルの学習の際には，運転が成功した代表的
なパターンのみを学習させることにより、神経回路モデ
ルは経験豊富なオペレータと同等の判断能力を具有し、
現実の任意の入力変数値パターンに対して過去の実績と
前例に即した適切な支援を行うことができる．しかも、
実際のプロセス運転開始後にも学習を継統することによ
り、神経回路モデルの能力を現実に即して次第に成長さ
せることもできる．したがって、最終的には、個々のオ
ペレータの経験，能力、資質等によらず，均質かつ最適
な運転を目指すことができる。

また，プロセスによっては，同一の入力変数値パターン
に対する場合であっても、各入力変数値の上昇時と下降
時とでは最適な制御変数値が異なる場合がある。このよ
うな事情に鑑み、学習時の入力変数値パターンとして、
１時点の履歴情報のみを用いるのではなく、一定時間前
の過去の履歴情報，さらには両者の偏差情報をも同時に
用いることにより、プロセスの変化状態に応じた適切な
運転支援が可能になる。さらに，定常時、異常時等の履
歴情報をそれぞれ学習した別個の神経回路モデルを設け
ることにより、一層効果的な運転支援を行うことができ
る． また，過去の履歴情報には，オペレータが，ｔｆｆｉし
ない因果関係等の知識が内包されている可能性がある．
しかし，多数の入力変数と制御変数との間の因果関係は
必ずしも判然としない。そこで、本発明では，既に学習
を行った神経回路モデルの重み係数の大小，あるいは結
合状態に着目して、原因と結果との関係を自動的に，抽
出・獲得することができるようにした．これによって、
履歴情報に埋もれた知識を自動的に、あるいは半自動的
に順次データベース化あるいは知識ベース化することが
できる．ここで、半自動的とはオペレータとの対話を意
味する．この知識ベースによっても，時間と共に変化す
る現象を取り扱う各種プロセスの運転を支援することが
できる。

（以下，余白） ［実施例コ 本発明は、時間と共に変化する多数の入力変数値のパタ
ーンの中で，異なる時間の代表的なパターンを、（１）
神経回路モデル（ニューラルプロセッサ）により学習、
（２）学習結果に基づいて運転を支援、（３）学習結果
からの知識の獲得及び知識候補の蓄積、（４）知識候補
の知識としての妥当性診断、（５）知識と推論に基づく
運転支援、等を行うものである。パターンは多変数の過
去の履歴、あるいは現在のパターンである。これらの詳
細説明は後述するが、ここで、多変数とは，時間的に変
化するすべての変数を対象にする。したがって、本発明
は、各種の情報処理プロセスあるいはプラントに適用で
きる。ここでは、一実施例として浄水場の運転支援に利
用した場合を第ｌ図を用いて以下に説明する。

最初に、第ｌ図全体の構或と動作を説明する。

まず、浄水場のフローを説明する。第１図において着水
井９には、河川や湖沼（図示せず）から導かれた原水が
導かれる。原水は着水井９から急速混和池１０へ導かれ
、急速混和池１０では、凝集剤タンク１１．Ａの中の液
体状の凝集剤（ポリ塩化アルミニウム、硫酸アルミニウ
ムなど）が凝集剤注入ポンプ１２Ａで注入される。フロ
ック形或を促進するために，水酸化カルシウムまたは炭
酸ナトリウムなどのアルカリ剤がアルカリ剤タンク１１
Ｂからアルカリ剤注入ポンプ１２Ｂにより注入される。

急速混和池１０内は，撹拌ｇｌ４が撹拌機１３により撹
拌され，Ｍ水中の０．０１ｎｎ前後の懸濁微粒子を０．
１　ｔｍ前後のマイクロフロックとする。この水はフロ
ック形或池１５に導かれフロックに戒長ずる．フロック
形成池１５は複数の池１５Ａ，１５Ｂ及び１５Ｃからな
り、各池に撹拌パドル１７Ａ，１７Ｂ及び１７Ｃが設置
され，これらが緩やかに回転する．この撹拌により粒径
が１１ｍ前後のフロックに或長する．成長したフロック
は沈殿池１６で沈降して上澄み液が濾過池ｌ７で濾過さ
れる。濾過池１７には、洗浄水タンク１８からポンプ１
９により逆洗水が間欠的に噴射され、濾床を洗浄する．
ｉ１１過水は、浄水池２０と配水池２１に一旦貯留され
、ポンプ２２により配管網２４を介して需要家へ送水さ
れる。圧力と流量との制御のためにバルブ２３Ａ，２３
Ｂ，２３Ｃが設置される。なお、殺菌のために塩素容器
２５の塩素が塩素注入機２６により着水井９と浄水池２
０とに適量注入される。

次に、計測器について説明する。原水の水質を計測する
ために、着水井９に計測器５Ａが設置される。計測項目
は、水温、濁度、アルカリ度、ｐＨ，電気伝導度、残留
塩素濃度，塩素要求量、水量、水位などである。フロッ
ク形成池１５Ｃには、水中カメラなどの撮像手段５Ｂが
設置され、必要に応じて急速混和池１０やフロック形或
池１５Ａ，１５Ｂ、並びに沈殿池１６にも設置する。

沈殿池１６には，濁度計５０が設置される。濾過池１７
の計測器５Ｄの計測項目は，損失水頭、水位，濁度，残
留塩素濃度．ｐＨ、濁度，流量などである。浄水池２０
及び配水池２１での計測器５Ｅと５Ｆの計測項目は，水
位、濁度、残留塩素濃度、ｐＨ、濁度、流量、水圧、水
温などである。

配管網２４に設置される計測器５Ｇの計測項目は、濁度
、残留塩素濃度、ｐＨ、流量、水圧、水温などである。

次に、これら計測値のコンピュータシステム８０への入
力処理と記憶について説明する。

前述した各種計測器のデータはコンピュータシステム８
０に入力される。計測器５Ａ，５Ｃ，５Ｄ，５Ｅ，５Ｆ
，５Ｇで得られた各種のデータは、所定の時間間隔（１
分ないし１時間）毎にサンプリングされる。これらの各
信号５ＡＳ，５ＣＳ，５ＤＳ，５ＥＳ，５ＦＳ，５ＧＳ
は、入力ポート５６Ａを通じ、システムバス５２を経て
記憶装置５４に格納される。同時に、記憶装置５４はシ
ステムプロセッサ（ＳＰ）４２で処理された各種処理デ
ータも格納する。なお、撮像手段５Ｂから得られたフロ
ックの濃淡画像のアナログ電気信号５ＢＳは，画像処理
装置４０においてディジタル信号に変換後、画像処理さ
れる。モニタ５０は画像処理装置４０の処理状況を出力
する。

ここで，画像処理装置４０の機能は、発明者らがこれま
で提案（例えば特願昭６１−８２９５２号）してきた各
種の処理を行うものであり、以下に概略を説明する．撮
像手段５Ｂで得たｍ淡画像を２値化して２値画像に変換
し、２値画像からフロックの各々の面積，体積、代表直
径、形状などを計算する。ついで、粒径分布、個数、分
布の統計的代表粒径、分布の幅（標準偏差など），フロ
ックの形状特性，フロック形成量、フロック輝度、背景
の輝度，フロックの密度などの特徴量を計算する。

必要に応じて、計測器５Ａ，５Ｇの値を使用して総合的
に処理状況を把握する． 続いて、コンピュータシステム８０の構戒をさらに説明
する．システムバス５２にはシステムプロセッサ４２、
画像処理装置４０，記憶装置５４，ニューラルプロセッ
サ（ＮＰ）７０、知識ベース６０Ａ．知識候補ベース６
０Ｂ，推論機構６１が各々接続されている．システムプ
ロセッサ（ｓ　ｐ）４２にはキーボニド４４とディスプ
レイ４６とが接続される．キーボード４４からの入力項
目は，（１）画像処理装Ｗ１４０の操作条件、（２）ニ
ューラルプロセッサ７０の計算条件，（３）オペレータ
が水質情報と画像情報とについて持っている知識などで
ある．なお，（１）画像処理装置４０の操作条件の設定
のために専用のキーボードを設置する場合もある．シス
テムプロセッサ４２はこれらの（１）（２）　（３）の
条件を統括制御し、必要に応じて推論機［６１の動作を
制御する． 次に、コンピュータシステム８０からの出力を説明する
．コンピュータシステム８０での処理結果は、出力ポー
ト５６Ｂを通じて、凝集剤注入ポンプ１２Ａ，アルカリ
剤注入ポンプ１２Ｂ，撹拌機１３、撹拌パドル１７Ａ，
１７Ｂ，１７Ｇ、ポンプ１９，塩素注入機２６、ポンプ
２２、バルブ２３Ａ，２３Ｂ，２３Ｃなどに対して、制
御用の出力信号１２ＡＳ，１２ＢＳ，１３Ｓ，１７ＡＳ
，１７ＢＳ，１７ｃｓ，１９Ｓ，２６Ｓ，２２Ｓ，２３
ＡＳ，２３ＢＳ，２３ＣＳとして送信される。

これらの信号は前記各機器の動作を制御する．各機器で
行う制御項目を以下に説明する。

凝集剤注入ポンプ１２Ａでは凝集剤注入制御、アルカリ
剤注入ポンプ１２Ｂではアルカリ剤注入制御，撹拌機１
３では急速撹拌制御，撹拌パドル１７Ａ，１７Ｂ，１７
Ｃでは緩速撹拌制御，ポンプ１９では逆洗制御、塩素注
入機２６では前塩素注入制御と後塩素注入制御、ボンブ
２２とバルブ２３Ａ，２３Ｂ，２３Ｃでは、配水流量制
御と配水圧力制御である。この他、詳細は省略するが，
流量や水位制御など浄水場の維持管理に係る各種の制御
を実行する． 制御方式の概略を以下に説明する。制御方式は（【）計
測情報に基づき、計測情報間、あるいは計測情報と出力
情報（制御情報）との関係をモデル化し、このモデルに
基づいて出力を制御する従来の制御方式と，（■）履歴
の学習に基づく支援方式とに分けられる．ここでいう「
制御」とは，オペレータへの問い合わせなく実行される
自動操作を指し、「支援』とはオペレータガイダンスを
意味し、主としてディスプレイ４６など（処理に応じて
音声を用いる〉を用いて参考データ及び運転ガイダンス
を報知した上で，オペレータの了解が得られた場合だけ
制御を行う操作を指す。

次に、（ｎ）を実行する場合の手順の概略を以下に説明
する。（ＩＩ）の支援は，本実施例では，（１）各種の
計測情報の履歴をニューラルプロセッサ７０により学習
，（２）学習した結果に基づいて運転を支援，（３）学
習した結果の中から知識及び知識候補を抽出、（４）知
識候補の知識としての妥当性診断、（５）知識と推論に
基づく運転支援、の５段階からなる．ここで，「知識」
とは，Ｎ因と結果を関連づける一定のルールを指し、知
識には経験的知識と科学的知識とがある．一方，ｒ知識
候補」とは，ある事象Ａとある事象Ｂとの対（事ｉＡが
或り立つ時に事象Ｂが生じた）を表わす。

このような事象の対は偶然発生することもあり、必然的
あるいは経験的な知識といえない場合が多いが、中には
知識とみなせるものもある。したがって、知識とは認知
されないが、多数回起きる場合には知識となるような事
象を指す。これら知識あるいは知識候補は，各々知識ベ
ース６０Ａと知識候補ベース６０Ｂに格納される． なお、場合によっては、前記学習工程および支援工程の
みを利用することも可能である。

次に，各制御方式の具体的手順について説明する。まず
、（１）変数間の関係を現象論的に表わすモデルに基づ
く制御方式について説明する。これは、従来の方式であ
るが，例えば計測器５Ａで原水の水質（水温、濁度，ア
ルカリ度、ｐＨ．電気伝導度、残留塩素濃度，塩素要求
量、水量，水位）及び、撮像手段５Ｂと画像処理装ｆｆ
４０で計測したフロック形成状況を入力変数とし、これ
ら変数の関数として凝集剤注入量を決定する。決定のた
めのモデルは実験的にあるいは経験的に明らかになった
式を適用する。例えば、濁度については濁度が高い程、
凝集剤注入量を増加させる。この制御操作は，オペレー
タへの問い合わせなく実行される。なお、この方式は従
来公知の技術であるので（例えば、水道協会雑誌、第４
３１号、第２８頁、昭和４５年８月発行を参照）、詳細
な説明は省略する。

次に、本発明に関する（ＩＩ）履歴の学習に基づく支援
方式と手順の詳細について説明する。その前提として、
本発明における「支援」の考え方を説明する。

本発明の支援方法は、運転員が過去の履歴情報を思いだ
して、この記憶に基づいて運転した場合と同等の結果を
得るために、運転員に対してグラフ表示によりガイダン
スしたり、自動的に運転を行うものである。たとえば，
運転員は、経験的に複数の変数Ｘｉの表れ方の代表的な
パターンをよく覚えている．ここで、「パターン」とは
、ある時刻における変数Ｘ１の値Ｙｉの集合をさす。他
方、ある変数Ｘｉについて普通でない異常な事象が起こ
った場合、このこともよく覚えている，また、この時，
同時に他の変数Ｘｊについても普通でない（異常な）事
象が起こっていたら、これらの原因をあれこれ考える．
もし、ある変数Ｘｉが制御したい変数であり、他の変数
Ｘｊが制御変数である場合に、過去の異常時において変
数Ｘｊの操作により変数Ｘｉをうまく制御できた経験が
あるな碕ら、この過去の経験を参考にして、あるいは同
じ？うな操作方法で運転するであろう。変数ｘｉの表れ
方がまったく同じならばそのまま制御すればよいが、実
際には変数Ｘｉの表れ方は微妙に異なる。したがって、
良好な結果を得るように操作することは、人間には可能
であるが、人工的にこれを実現することは困難であった
。人間は、過去の履歴を経験としてもっており、この経
験から総合的に状況を判断する。本方法はこのような運
転を自動的に行う方法を提供するものである。本実施例
では浄水場運転の全般について説明する。

続いて、（ｎ）ＪｉＩ歴の学習に基づく支援方式と手順
の詳細について第２図を用いて以下に説明していく。

（■）の支援は、前述したように、（１）〜（５）のス
テップからなる。（１）の学習工程７１では，各種の計
測情報の履歴パターンＰ■（ｔエＬ　ｐｚ（ｔｚ），・
・・（Ｐｉ　（ｔｉ）の説明は後述する）をパターンフ
ァイル７１Ｓからニューラルプロセッサ７０により学習
するものである。学習すべき履歴パターンの選択法につ
いては後述する．　（２）の支援工程７２では学習した
結果に基づいて運転を支援する。（３）の知識抽出工程
７３では学習した結果の中から知識及び知識候補を抽出
する。（４）の知識診断工程７４では知識候補が知識と
して妥当であるか否かを診断する。（５）の運転支援工
程７５では、本学習で得られた知識群とあらかじめ入力
された知識群に基づき運転支援を行う。これら（２）〜
（５）の工程はシステムプロセッサ４２により行い、必
要に応じて，キーボード４４，ディスプレイ４１を操作
すると共に、知識ベース６０Ａと知識候補べ一ス６０Ｂ
にアクセスする。

なお、ここで知識とは「もし・・・ならば、・・・であ
る」という型式のルールである。

以下に、各工程の内容を詳細に説明する。

（１）の学習工８７１を以下に説明する。ここで、履歴
情報として取り扱う変数は、データとして記憶される総
ての変数が対象となるので、これについてまず説明する
。すなわち、ここでいう変数とは計測器５Ａで計測した
水温，濁度，アルカリ度，ｐＨ，電気伝導度，残留塩素
濃度，塩素要求量，？量，水位，撮像手段５Ｂと画像処
理装置４ｏで計算したフロック粒径分布，個数，分布の
統計的代表粒径，分布の幅，フロック形状特性，フロッ
ク形成量，フロック輝度，背景輝度，フロック密度，濁
度計５Ｃで計測した濁度、計測器５Ｄで計測した損失水
頭，水位，濁度，残留塩素濃度，Ｐ　Ｈ　ｒ流量、浄水
池２０及び配水池２ｌの計測器５Ｅと５Ｆで計測した水
位，濁度，残留塩素濃度，Ｐ　Ｈ　＋流量，水圧，水温
，配管網２４の計測器５Ｇで計測した濁度，残留塩素濃
度＋　ｐＨ＋流量．水圧，水温など，入力ポート５６Ａ
から入力される変数である．これらの変数をＸｉと表わ
すことにする。また、ある時刻ｔ■におけるこれら変数
Ｘｉのとる値Ｙｉの集合をパターン１としてＰ，（Ｙ、
Ｄｔ）＋　Ｙｉ（ｊｚ）ｐ・・・Ｙ．（ｔ　ｌ））と表
す。略記する時はＰエ（ｔ１）とする。異なる時刻にお
けるパターンＰ，（ｔ■），Ｐｇ（ｔｚ）ｒ・・・を学
習させる。

なお、本実施例では，一般化した説明を行うために，こ
れら変数全てを入力して学習するが．目的に応じて変数
を取捨選択することはいうまでもない． これらの変数の値はニューラルプロセッサ７０の中で処
理（学習）されるが、この処理方法を第３図を用いて説
明する． まず、記号を説明する。第３図で、記号″○″はニュー
ロン素子モデル７０１であり，′○″と″○″とを連結
する実線７０２はニューロン素子モデル７０１間の情報
のやりとりがあることを示す．また．ニューラルプロセ
ッサ７０は入力層７１０と中間層７２０と出力層７３０
とからなる。

ここで，各層は有限数のニューロン素子モデルからなり
、隣接する各層のニューロン素子モデル間が連結される
。中間層７２０は複数層あってよいが、本実施例では説
明の簡略化のため中間層の数が一つの例を示す。なお、
第３図は学習時の構造を示し、第６図は学習後の利用時
の構或を示しており，これらの構或をニューラルネット
ワーク（神経回路モデルまたは神経回路網）と称する。

ここで、入力層７１０と出力Ｍ７３０との変数設定につ
いて説明する。入力Ｍ７１０には原因となる変数を付与
し、一方、出力層７３０には，これら原因に基づいて決
められる制御変数（制御したい変数）を付与する。つま
り、出力／［１７３０の変数として、本実施例では制御
変数を設定する．以下に，さらに具体的に説明する。ま
ず，入力ＪＷ７１０の各ニューロン素子モデルには前述
したパターンｐｔ（ｔｔ）をパターンファイル７１Ｓか
ら入力する。これらの値は最小値をＩＩ　Ｏ　Ｉ＋以上
、最大値を″１″″以下にするように、スケールを調整
しておくことが望ましい。他方、出力層７３０の各ニュ
ーロン素子モデル及び，教師信号層７５０には出力ポー
ト５６Ｂから出力される信号を設定する。すなわち，こ
れらの信号は，凝集剤注入ポンプ１２Ａ制御のための信
号１２ＡＳ、アルカリ剤注入ポンプ１２Ｂ制御のための
信号１２ＢＳ、撹拌機１３制御のための信号１３Ｓ、撹
拌パドル１７Ａ，１７Ｂ及び１７Ｃ制御のための信号１
７ＡＳ，１７ＢＳ及びｌ７ＣＳ．ポンプ１９制御のため
の信号１９Ｓ、塩素注入機２６制御のための信号２６Ｓ
，ポンプ２２制御のための信号２２Ｓ、バルブ２３Ａ，
２３Ｂ及び２３Ｃ制御のための信号２３ＡＳ，２３ＢＳ
及び２３ＣＳである．これらの信号の値からなる目標パ
ターンをＣ　（ｐｉ（ｔｉ））と記す． ここで、ニューロン素子モデル７０１の基本演算につい
て第４図を用いて説明していく。ここでは、ｎ個の変数
（Ｘエ〜Ｘｆｉ）が入力される例を示す．ある時刻ｔエ
における変数Ｘ１〜Ｘ６の各信号の値をＹエ（ｔ１）〜
Ｙ．（ｔ。）とする。

まず、時刻ｔ１の設定法について説明する。時刻ｔ１の
パターンをＰエ（１．）とする。時刻ｔエはオペレータ
が選択する場合と、自動的に選択する場合がある．オペ
レータが選択する場合とは、後で運転に反映させたいと
考えるような、代表的なパターンＰエ（１１）や、後日
参考にしたい異常時のパターンである．これらをパター
ンファイルＰｌ（１．）に格納する。結果的に，ニュー
ラルネットワークはこれら学習した内容に応じてふるま
うので、この選択は重要である。オペレータに選択をま
かせるのは，このオペレータの持つ経験的で総合的なデ
ータ判断能力に頼るもの・である。この場合、学習させ
るパターンは、異なる時間における複数のパターンＰ　
ｉ（ｔｔＬ　Ｐ２（ｔ２）ｌ・・・であり、これら複数
のパターンを繰返し学習させる。これにより、オペレー
タの過去の経験に匹敵するパターン把握能力をニューラ
ルネットワークが身につける。オペレータによる学習は
キーボード４４とディスプレイ４６とを介するマンマシ
ン会話により行う。

他方、自動的に行う場合には，事前にデータ列の統計解
析を必要とする。すなわち，最も発生頻度が高い場合を
統計解析により求めて定常時とみなしてこれを学習させ
，一方で、発生頻度が低い場合を異常時とみなしてこれ
を学習させる．具体的なパターンの選択法としては、以
下の方法も有効である。

（１）処理が或功したとき（例えば、沈殿池濁度がＩｍ
ｇ／　Ｑ以下）：このときの条件を自動的にまたはオペ
レータに問いあわせを行った後、神経回路モデルに学習
させる。

（２）処理が失敗したとき：このときの条件は学習しな
いようにする。

これら（１）　，　（２）の操作を繰返し行うことによ
って、処理が戒功した場合だけを選択的に学習すること
ができる。したがって、学習内容が次第に追加されてい
くにつれて、神経回路モデルが賢明になる効果がある．
すなわち、後述する想起誤差が次第に減少して精度が向
上していく効果がある。

以下では、しばらく、任意のパターンを学習させる方法
について説明する。

また、後で詳細に説明するが、これら異なる時刻での変
数のパターンＰエ（ｔエＬ　Ｐｚ（ｔｚ）＋・・を同時
に入力層に入力すること、さらに変数の時間的偏差ｐ１
（ｔｉ）一Ｐｊ　（ｔｊ）をも入力すること、並びに定
常時と非定常時とを別々のニューラルネットワークに学
習させること等により，本発明の目−的はさらに効果的
に達威される。

ニューラルネットワークでの基本的な計算方法を以下に
説明する。まず，設定された信号値Ｙ１〜Ｙ，の各々に
重み係数Ｗｊｉを乗じ、さらにこれらを加算する演算（
積和演算）が次式で計算される。

Ｚｊ（２）−ΣＷｊｉ　（２←１）・Ｙｉ　（１）　　
　　　・・・■ｔｅｌ ここで、Ｙｉ（１）：入力層（第１層）のＸｉの値、Ｗ
ｊｉ（２←１）：入力層（第１１）のｉ番目の変数から
中間層（第２層）のｊ番目のニューロン素子モデルへの
重み係数、Ｚｊ（２）：中間層（第２Ｎ）のｊ番目のニ
ューロン素子モデルへの入力総和値、である。

ニューロン素子モデル７０１では、Ｚ　ｊ　（２）の大
小に応じてここでの出力値が次式で計算される。

■式の計算内容は第５図のような関係である。

すなわち、同図のグラフに示すように、Ｚ　ｊ　（２）
の値に応じて″０′″から″１′″までの間の値がＹｊ
（２）として得られる。計算値Ｙ　ｊ　（２）は，さら
に出力層へ送られ、出力層でも同様の計算が実行される
。

次に、ニューラルネットワークでの計算方法の概要につ
いて説明する。前述した変数Ｘｉの値Ｙｉ（１）は第３
図の入力層に入力され、この信号（値）は中間層のニュ
ーロン素子モデルに出力される。

中間層のニューロン素子モデルではこれら出力値Ｙ　ｉ
　（１）と重み係数Ｗｉｊ　（２　４−１）　ト（７）
積和Ｚｊ（２）ヲ■式で計算し、この大小に応じて出力
層への出力値Ｙｊ（２）を■式で決定する。同様にして
、中間層の出力値Ｙｊ（２）はさらに中間Ｍ（第２層）
と出力層（第３層）との重み係数Ｗｉｊ（３←２）との
積和Ｚｊ（３）を次式で計算する。

Ｚｊ（３）＝ΣＷｊｉ　（３←２）・Ｙｉ（２）　　　
・・■五呵 （以下、余白） ココテ、Ｙｉ（２）：中ＭＭＣ第２層）の値、Ｗｊｉ（
３←２）：中間層（第２Ｎ）のｉ番目の変数から出力層
（第３層）のｊ番目のニューロン素子モデルへの重み係
数、Ｚｊ（３）：出力Ｍ（第３／Ｗ）のｊ番目のニュー
ロン素子モデルへの入力総和値、である． さらに、Ｚ　ｊ　（３）の大小に応じて出力層７３０へ
の出力値Ｙ　ｊ　（３）を次式で計算する．このように
して、出力層の計算値Ｙ　ｊ　（３）が得られる． ニューラルネットでの学習を実行するには、出力／ｉＦ
７３０の後に、さらに第３図に示すように、比較層７４
０と教師信号層７５０とを設け，出力層７３０の信号７
３０Ｓと教師信号７５０の教師信号７５０Ｓとが比較層
７４０に入力され、ここで出力信号７３０Ｓと教師信号
７５０Ｓとが比較される．この誤差が小さくなるように
．重み係数Ｗｊｉ（３←２）及びＷｊｉ（２←１）の大
きさを修正する。

この修正値を用いて再度，■〜■式の計算並びに教師信
号との比較を行うと、同様に誤差がでてくる．この誤差
が小さくなるように再度重み係数Ｗｊｉ（３←２）及び
Ｗｊｉ（２←１）の大きさを修正する。

このようにして、重み係数Ｗｊｊを繰返し修正していき
、誤差が十分小さくなるまで続ける。最初は重み係数は
ランダムに（乱数で発生）与えるので、誤差は当然大き
いが．出力信号値は次第に教師信号値に近づいてい＜．
シたがって，入力Ｍ７１０の変数Ｘｉから出力層７３０
の変数Ｘｊがいかに決定されたかが、重み係数Ｗｊｉの
分布に反映されていく． このように誤差を修正していく方法は誤差逆伝搬法とよ
ばれ、Ｒｕｍｅｌｈａｒｔらによって考案された公知技
術を利用する。詳細は文献（Ｒｕｍｅｌｈａｒｔ　：Ｐ
ａｒａｌｌｅｌ　　Ｄｉｓｔｒｉｂｕｔｅｄ　　Ｐｒｏ
ｃｅｓｓｉｎｇ，　ＭＩＴ　　Ｐｒｅｓｓ，Ｖｏ１．１
，（１９８６））を参照されたい．このような学習その
ものは公知であるが．本発明は，特に，異なる時刻にお
ける変数群の複数個のパターンを繰返し学習させて、゛
これにより，オペレータの過去の経験と同等の作用を持
たせるようにした点に特徴を有する．複数個のパターン
とは，オペレータが過去において重要と判断したパター
ンｐｔ（ｔｔ）である。これによりオペレータの過去の
経験に匹敵するパターン把握能力がニューラルネットの
重み係数Ｗｊｉの分布に反映，蓄積，記憶されていく． なお、本実施例ではこの計算はニューラルプロセッサ７
０で行う例を説明したが，システムプロセッサ４２で行
うこともできる．いずれにせよ，本発明は、運転支援に
ニューラルネットを適用するものであるから、機能的に
はこれまで説明したニューラルプロセッサ７０の機能を
持たねばならない． 次に，第２図の支援工程７２を説明する。ここでは学習
工程７１での学習結果に基づいて運転を支援する．前述
したように，ニューラルネットには過去の経験が重み係
数Ｗｉｊの値の分布に付与されている．そこで、現時刻
ｔの変数Ｘｉの値Ｙｉ（ｔ，）からなるパターンｐ＋（
ｔｉ）を入力層に入力することにより、結果として出力
層として設定された制御変数Ｘｊの値が計算される。

この３ｔ算は第６図に示すように，入力層７　１　０．
中間層７’２０、出力層７３０からなるニューラルネッ
トワーク（第３図の一部である）を用いて計算する。

この計算は学習して決められた重み係数Ｗｉｊの下で，
現時刻でのパターンｐ．（ｔ）を用いて■〜■式を計算
するものであり、この計算を「想起」ということにする
， 想起した結果をディスプレイ４６に表示し運転を支援す
る．すなわち，オペレータはこの表示結果を参考にして
運転できる。自動的に行う場合には、パターンＰ　Ｌ　
（ｔ）の時の想起結果に応じた目標パターンＣ　（Ｐｉ
　（ｔ）　）になるように，各制御信号５６ＢＳを設定
する．なお、想起による計算値は，学習したパターンに
依存するので．学習パターンは異なる時刻での代表的な
パターン，あるいは注目すべき異常時のパターンでなけ
ればならないことは前述した通りである． 続いて、知識抽出工程７３を説明する。この知識抽出工
程７３では、学習した結果の中から知識及び知識候補を
抽出する。抽出法は３段階になっているが、まず、重み
係数に着目した抽出法を説明する。入力層７１０に設定
する変数Ｘｉと出力層７３０に設定する変数Ｘｊとの関
係は、変数Ｘｉが原因で、変数Ｘｊが結果とみなせる。

したがって，変数Ｘｉから変数Ｘｊを導く想起の計算で
は、変数Ｘｊに影響する変数Ｘｉの数は限られる。影響
の度合いは重み係数Ｗｉｊにあるので、重み係数Ｗｉｊ
の絶対値が大きいほど影響の度合いが大きいことになる
。しかし、変数Ｘ１から変数Ｘｊを想起するには複層か
らなるニューラルネットワークの計算式■〜■を、Ｗｊ
ｉ（２←１）とＷｊｉ（３←２）とを用いて実行しなけ
ればならず，いずれの重み係数が効いているかあからさ
まには見えない。そこで、変数Ｘｉ（原因）と変数Ｘｊ
　（結果）との関係を総合的に評価する指標として、次
式で定義される「因果性尺度ＪＩｊｉを用いる。

Ｉｊｉ＝Σｌ　Ｗｊｋ（３←２）Ｗｋｉ（２＋１）　Ｉ
　　　・・・■ｋｆｉｌ ここで、ｍは中間層のニューロン素子モデル数である。

これは変数Ｘ１から変数Ｘｊにいたるすべての重み係数
の積和をとったものであるから、変数Ｘｉから変数Ｘｊ
への影響度合いを示す。知識抽出工程７３では、まず■
式の計算を行う。因果性尺度Ｉｊｉが大きな値をとれば
，変数Ｘｉと変数Ｘｊとの因果関係がある可能性が高い
．そこで、この関係を後述の知識診断工程７４において
知識または知識候補として、知識ベース６０Ａまたは知
識候補ベース６０Ｂに登録する。判定基準値をＩ＊とし
、Ｗｊｋ（３←２）・Ｗｋｉ（２←１）の符号をＱとす
ると、次式に示すように、Ｑが正ならば正の因果関係が
、逆に、負ならば負の因果関係があるとみなせる。

例えば， Ｃ知ｒａ　１　］　　Ｉ　ｊｉ＞　Ｉ　本，Ｑ　＞　Ｏ
　ノ時は変数Ｘｉが増加したら，変数Ｘｊも増加する。

・・・・・・■ ［知識２］　　Ｉｊｉ＞Ｉ＊，Ｑ＜Ｏの時は変数Ｘｉが
増加したら、変数Ｘｊは減少する。・・・・・■ なお、工ｊｉ≦■＊のときは、変数Ｘｉと変数Ｘｊとの
因果関係はないものとみなす。また、詳細な説明は省略
するが、判定基準値１本との比較だけで判定せずに、Ｉ
ｊｉ値の大きさをファジー推論のメンバーシップ関数と
して利用すれば，さらにきめこまかな対応が可能である
。すなわち、メンバーシップ関数の自動生戊法として利
用できる。

続いて、第２段階の知識抽出方法は、重み係数のバラツ
キに着目した方法である。まず、考え方を説明する。学
習の過程では重み係数の初期値を乱数で設定する。また
、数多くの重み係数があるので，学習後の重み係数の収
束値は学習毎に若干異なる。したがって、一回の学習（
空く数の繰返し演算を伴う）の結果重み係数Ｗｊｉの値
が大きいからといって，この値がいつも大きいとは限ら
ない６つまり、変数Ｘｉと変数Ｘｊとの関係が密接であ
るとは必ずしも限らない．このあいまいさをよリ確かな
ものにするために，本発明では「再現性尺度」を導入す
る． 再現性尺度の定義を第７図を用いて以下に説明する．再
現性尺度とは、複数回の学習を行った時に．Ｗｊｉの値
の再現性（バラッキの度合い）を指し、Ｓｊｉ（ｋ←１
）と表わす。この記号はＱ層からｋ層への重み係数Ｗｊ
ｉの再現性を表わし、複数回の学習を行ったときの、Ｗ
ｊｉの頻度分布の幅の狭さを表わす。

次に、Ｓｊｉ（ｋ４−Ｑ）の計算方法について以下に説
明する。まず、学習工程７１をＮ回実行すると、一つの
ＷｊｉについてＮ個の値が得られる。この値の頻度分布
をとると．第７図（ａ）または（ｂ）の図が得られる．
第７図（ａ）は．Ｗｊｉのバラッキが小さく、初期値に
かかわらず再現性がある（確実である）といえる．一方
，第７図（ｂ）は、Ｗｊｉのバラツキが大きく，初期値
によって値が変化するので再現性がないといえる。そこ
で，まず、頻度分布の標準偏差σｊｉを計算し、この逆
数をとって再現性尺度Ｓｊｉを次式で定義する。

Ｓｊｉ（ｋ＋息）＝ｌ／σｉｊ　　　　　　　　・・・
■標準偏差σｊｉが小さいとき，再現性尺度Ｓｊｉ（ｋ
←党）は大になるので，変数Ｘｉと変数Ｘｊとの関係は
確かに密接であるといえる．つまり、上記関係■や■で
記述される知識はより確実といえる，この値′が判定値
Ｓ本より大きいか否かで、知識または知識候補として採
用するか否かを判定する．この判定あるいは診断は、後
述の知識診断工程７４において行い，知識と診断された
ら知識べ一ス６０Ａへ，一方、知識候補と診断されたら
知識候補ベース６０Ｂに各々登録する。

なお、第１段階の因果性尺度に基づく方法と第２段階の
再現性尺度に基づく方法とは各々独立した評価尺度であ
るので，実行順番は、どちらが先でもよく，また並行し
て行ってもよい．続いて、因果性尺度と再現性尺度とを
組み合わせた「重要性尺度」Ｊｊｉについて説明する。

この考え方は，因果性が強くてかつ再現性のある変数Ｘ
ｉと変数Ｘｊとは，知識である可能性がより高いので，
これを評価しようとするものである。重要性尺度Ｊｊｉ
は、次式で定義する． Ｊｊｉ＝［ΣＳｊｋ　（３←２）・ｓｋｉ　（２←１）
］・Ｉｊｉ　　　・・・■一１ 変数Ｘｉと変数Ｘｊとについて、確かな知識でかつ影響
の度合いが高い因果関係に対して、重要性尺度Ｊｊｉに
は大きな値が付与される。したがって、Ｊｊｉ値が判定
値Ｊ＊より大きいか否かで，知識または知識候補として
採用するか否かを判定する。

この判定（診断）は、後述の知識診断工程７４において
行い、知識と診断されたら知識ベース６０Ａへ．一方、
知識候補と診断されたら知識候補ベース６０Ｂに各々登
録する． 以上のようにして，因果性尺度Ｉｊｉ、再現性尺度Ｓｊ
ｉ、重要性尺度Ｊｊｉを用いて、原因となる変数Ｘｉと
結果となる変数Ｘｊとの因果関係の度合いを測り，これ
に基づいて知識あるいは知識候補としての妥当性を診断
する． 次に，知識診断工程７４を説明する。知識診断工程７４
では知識候補が知識として妥当であるか否かを診断する
．具体的には、前述の知識抽出工程７３の結果をオペレ
ータに間い合わせ、知識と診断されたら知識ベース６０
Ａへ，一方、知識候補と診断されたら知識候補ベース６
０Ｂに各々登録する．なお，知識候補ベース６０Ｂに登
録された知識候補は，その事象が複数回発生するようで
あれば，再度オペレータに問い合わせ．知識候補が知識
として妥当であるか否かを診断する。これらのオペレー
タへの問い合わせは、原則としてキーボード４４とディ
スプレイ４６とを介するオペレータとのマンマシン会話
により行う。以下に，診断（問い合わせ）の内容を具体
的に説明する。

（ａ）因果性尺度の問い合わせ： （ａｌ）　　Ｉ　ｊｉ＞　Ｉネならば ＸｉとＸｊとの関係（例えば■，■の関係）をオペレー
タに問い合わせ、因果関係があると判断したら、これを
、知識ベース６０Ａへ登録する．因果関係がないと判断
したら、これを，知識候補ベース６０Ｂへ登録する． （ａ２）　　Ｉ　ｊｉ（　Ｉ　＊ならばＸｉとＸｊとの
関係はオペレータへの問い合わせなしに知識候補ベース
６０Ｂに登録するか、場合によっては棄却する。

（ｂ）再現性尺度の問い合わせ： （ｂｌ）　　Ｓ　ｊｉ＞　Ｓ　＊ならばＸｉとＸｊとの
関係をオペレータに問い合わせ、因果関係があると判断
したら、これを，知識ベース６０Ａへ登録する６因果関
係がないと判断したら、これを知識候補ベース６０Ｂへ
ＳＩ　Ｒする． （ｂ２）　　Ｓ　ｊｉ＜　Ｓ本ならば ＸｉとＸｊとの関係はオペレータへの問い合わせなしに
知識候補ベース６０Ｂに登録するか，場合によっては棄
却する． （ｃ）重要性尺度の問い合わせ： （ｃｌ）　　Ｊ　ｊｉ＞　Ｊ　＊ならばＸｉとＸｊとの
関係をオペレータに問い合わせ、因果関係があると判断
したら、これを，知識べ一ス６０Ａへ登録する．因果関
係がないと判断したら、これを、知識候補ベース６０Ｂ
へ登録する。

（ｃ２）　　Ｊ　ｊｉ＜　Ｊ車ならば ＸｉとＸｊとの関係はオペレータへの問い合わせなしに
知識候補ベース６０Ｂに登録するか，場合によっては棄
却する。

Ｉｊｉ（Ｉ本又は、Ｓｊｉ＜Ｓ本又は，Ｊｊｉ＜Ｊ＊の
場合には変数ＸｉとＸｊとを結ぶ線７０２を削除するこ
とにより、結線構造を簡略化することができる。この場
合，計算速度が向上する効果がある。

また，中間層の数自体を変更することも考えられる。こ
のような．構造の変更は，有限回の学習後に行うことが
好ましい。

なお、各判定に基づいてオペレータへの問い合わせをせ
ずに、自動的にこれらの操作を行うことも可能である。

この場合には、以下の様になる。

（ａ）因果性尺度の問い合わせ： （ａｔ）　　Ｉ　ｊｉ＞　Ｉ　＊ならばＸｉとＸｊとの
関係を知識ベース６０Ａへ登録する。

（ａ２）　　Ｉ　ｊｉ＜　Ｉ　＊ならばＸｉとＸｊとの
関係を知識候補ベース６０Ｂに登録する。

（ｂ）再現性尺度の問い合わせ： （ｂｌ）　　’Ｓ　ｉｊ＞　Ｓ　＊ならばＸｉとＸｊと
の関係を知識ベース６０Ａへ登録する。

（ｂ２）　　Ｓ　ｊｉ（　Ｓ　＊ならばＸｉとＸｊとの
関係を知識候補ベース６０Ｂに登録する。

（ｃ）重要性尺度の問い合わせ： （ｃｌ）　　Ｊ　ｊｉ＞　Ｊ　＊ならばＸｉとＸｊとの
関係を知識ベース６０Ａへ登録する。

（ｃ２）　　Ｊ　ｊｉ＜　Ｊ　＊ならばＸｉとＸｊとの
関係を知識候補ベース６０Ｂに登録する． 以上の様にして知識と知識候補とを分類するが，知識候
補と診断されても、その知識候補は実際にはオペレータ
が意識していない知識である可能性もある。そこで，知
識候補ベース６０Ｂに登録された知識候補は、その事象
が複数回発生するようであれば、再度オペレータに間い
合わせ、知識候補が知識として妥当であるか否かを診断
する。

運転支援工程７５では、知識ベース６０Ａにあらかじめ
入力された知識群も含めて運転支援を行う。すなわち、
知識ベース６０Ａには、予め，明らかになっている知識
（経験的、科学的知識など）を格納しておく．シたがっ
て、知識ベース６０Ａには、各種の知識が多数格納され
ていく。これらに基づいて推論機構６１を雌動させ、結
論を導き、ディスプレイ４６に表示する。必要に応じて
記憶装置５４のデータも利用する。推論方法は前向き推
論と後向き推論など従来の技術が適用できる。

結果を用いて、目標パターンＣ　（Ｐｉ（ｔｉ））を定
める信号５６Ｂを出力する。

以上のようにして，本発明では、過去の異なる時刻での
運転履歴を必要に応じてニューラルネットワークに学習
させ、過去の運転と同様な運転を支援することができる
。さらに、知識の獲得をオペレータとの対話を通じてあ
るいは自動的に行うことができる。この方法は、過去の
運転と同様の運転を行うことが可能であるばかりでなく
、知識が時間と共に増大するので、オペレータと同様、
ニューラルネットワークも実績と経験とを積むことによ
り，次第に賢明になる機能を有する。

次に，他の実施例を第８図を用いて説明する。

この実施例は先に説明した第２図の実施例と同様の構成
であるが、以下（ａ）　（ｂ）　（ｃ）の３点が異なる
。

（ａ）．入力層に入力するパターンとして異なる時間の
パターンＰ　ｘ　（ｔｘＬ　Ｐ　２　（ｊ２）を同時に
用いること、 （ｂ）、パターン間の偏差Ｐｉ＋ｚ（ｊよ＋ｚ）＝　Ｐ
　ｔ（ｔｘ）−ｐｚ（ｔｚ）を用いること、 （Ｃ），パターン学習させるニューラルネットワークを
機能別に（例えば定常時のパターンと非定常時のパター
ン）複数設けること である。

パターンファイル７１Ｓには、第８図に示すように、Ｐ
　ｉ（ｔｉ），Ｐ　ｚ（ｔｚ）及びＰｘ＋ｚ（ｊｘ，ｚ
）から構或される一つの新たなパターンを格納し、これ
を学習工程７１で学習する．ここで、ｔエとｔ２どの時
間間隔で（＝１エーｔｚ）は、対象とするプロセスの時
間変化特性及び制御特性によって異なる値を設定する．
学習の方法は第２図の説明で前述した通りである． 支援工程７２では学習した結果に基づいて運転を支援す
る。ここでは現時刻のパターンｐｔ（ｔ＋）とτ時間前
のパターンＰ　ｔ−ｌ（ｔ＋−＋）、及び両者の偏差Ｐ
　Ｉ−１ｙｌ（ｔ１−［．ｔ）を受けて、想起の計算を
実行する．計算方法は第２図の説明で前述した通りであ
る． 知識抽出工程７３、知識診断工程７４、運転支援工程７
５の動作は第２図の説明で前述した通りである． 第ｌ図及び第２図の実施例では，長期間のＨ歴を学習す
る効果があるが、第８図で説明した実施例の効果は、（
ａ）短期間（τ時間のオーダー）で変動する現象の学習
を効果的に行える、（ｂ）学習させる内容を目的とする
機能別に分類したニューラルネットワークを用いること
によりオペレータの意図を効果的に反映できる，の２点
である。すなわち、（ａ）については、変数Ｘｉの値Ｙ
ｉ（ｔ　）が増加している場合と減少している場合とで
、制御変数Ｘｊを異なった方法で制御する場合に特に効
果的である．例えば、プラントのスタートアップ時や停
止時の制御、あるいは、非定常時や異常時の制御を支援
するのに有効である。（ｂ）については，プラントの運
転形態が状況（変数Ｘｉのパターン）に応じて異なる場
合に特に有効である。例えば、定常時と非定常時との運
転は通常異なる指針と方法とで行われる。このような場
合には，定常時のニューラルネットワークと非定常時の
ニューラルネットワークを別々に用意し、状況に応じて
使いわけると効果的である． 以上のようにして、本実施例では、状況の異なる過去の
運転履歴を学習し、過去の運転と同様な運転を支援する
ことができる。また、知識の獲得については，短期間で
変動する因果関係をも獲得することが可能であるので、
プラントの運転をオペレータがきめこまかに行うように
支援することが可能である。

（以下、余白） 以上、本発明を浄水場への適用を例に一般的な形で説明
したが，具体的な支援・制御内容を以下の具体例で説明
する。

入力項目として、計ｆＩｒｌ器５Ａの計測項目である水
温、濁度、アルカリ度、ｐＨ．電気伝導度、残留塩素濃
度、塩素要求量，水量，水位，並びに撮像手段５Ｂと画
像処理装１４０の計測項目であるフロック特徴量、さら
に濁度計５Ｃの濁度を入力層に入力して、教師信号とし
て，凝集剤注入ポンプ制御信号１２ＡＳ、アルカリ剤注
入ポンプ制御信号１２ＢＳ．Ｉ拌機１３制御信号１３Ｓ
．撹拌パドル制御信号１７ＡＳ，１７ＢＳ及び１　７Ｃ
Ｓを設定すれば，凝集沈殿プロセス運転支援制御システ
ムとなる。このシステムは凝集剤注入運転支援制御，ア
ルカリ剤注入運転支援制御、急速撹拌運転支援制御、緩
速撹拌運転支援制御、などから構成される．なお、撮像
手段５Ｂは急速混和池１０、沈殿池ｌ６または濾過池１
７に接地して、その画像処理結果を利用することもでき
る。

ここで、本発明を浄水場の凝集剤注入に適用した具体例
とその効果についてを説明する。

この例における神経回路モデルの構或を第９図（第３図
に対応している）に示す。この神経回路の入力層７１０
はニューロン素子モデル７０１を５個有し、代表的な日
と時間における原水水温，濁度，アルカリ度、ｐＨ、及
び流量を入力する。

また，中間層７２０はニューロン素子モデルを３個から
なり、出力Ｎ７３０と教師信号層７３０とはそれぞれ１
個のニューロン素子モデルからなり、ここには凝集剤注
入率を設定する。学習工程において、予め選択された日
（時間は一定の時間に予め決めておく）の水質を入力し
て学習させる。この学習工程は，第２図で説明した学習
工程７１に対応する。学習に際し、まず、運転支援を行
う目的で参考にすべき（学習すべき）日を設定する。

処理に失敗した日を学習させると誤った学習になるので
、処理に或功した日を学習させることが重要である。次
に、学習すべき日の設定も重要であり、特に，浄水場で
は１年間（３６５日）の水質の変動や季節の変動が処理
性能に大きく影響するので，１年間の変動をまんべんな
く取り込むような代表的な日（処理条件）を選択する。

例えば、１カ月に１日を学習パターンに選ぶ。この選択
の基準を以下に示す。

（１）処理結果が良好な場合、すなわち、浄水場の実施
例では沈殿濁度が１，Ｏｍｇ／Ｍ以下の日、（２）水質
が年間変動する中で代表的な日、すなわち，浄水場での
実施例では春夏秋冬の代表的な日、 を少なくとも１日以上選ぶ． この例では、１年間（３６５日）の運転履歴の中から処
理が或功した（すなわち沈殿濁度が所定値以下の）とき
の日として１０日分（１日工条件）の水質を入力し、他
方、教師信号として対応する凝集剤注入率を学習させる
。学習日数は５日ないし３０日分が適している。

学習が終了した後，次に、この第９図の学習済みニュー
ラルネットに未学習（３５５日）の条件を入力し、凝集
剤注入率を想起させた。想起する場合には、第９図の中
で比較層７４０と教師信号層７５０とを削除した構或（
第６図の構或に相当）で行う。その結果、想起誤差（想
起と実測値との差の平均値で定義する）は約２０％であ
った。凝集剤注入率に換算すると約３ｍｇ／Ｑになるが
、浄水場での運転支援には実用できる。この具体例によ
れば、ｌ年間の中での僅かな日数の学習で長期間の種々
の水質の日の凝集剤注入率を想起することができた。

次に、第１０図に、ニューラルネットの入力として，ｌ
日のある時点の代表水質だけでなく、他の時間における
水質をも同時に利用する場合のニューラルネットの構成
例を示す。この構成は，第８図で説明した入力パターン
のうち偏差を利用しない場合に相当する。前記「他の時
間」は、ｌ時点でも複数時点でもよいが、この例では１
時点の場合を説明する．すなわち，入力ＪＩＦ７１０に
は現在の値と過去（ある時間前）の値とについて、それ
ぞれ原水水温，濁度、アルカリ度，ＰＨ、及び流量を入
力する。したがって、入力層７１０のニューロン素子モ
デルは１０個必要であり、中間層７２０には５個用いた
。出力Ｎ７３０および教師信号層７５０には、それぞれ
１個のニューロン素子モデルを用い、第９図の場合と同
様、凝集剤注入率を設定する。入力層に入力する現在の
水質がｐｉ（ｔ＋）、過去の水質がｐｉ（ｔａ）にそれ
ぞれ対応する。

この過去の値として、この例では５時間前の水質情報を
用いる。したがって、この場合には、学習する各時点の
水質と５時間前の水質の両方を考慮して、その時点の凝
集剤注入率をいかに設定すべきを学習することになる。

過去の時間としては、５時間に限るものではなく、ｌ時
間前あるいは１２時間前等の値であってもよい。この方
法により、１０日分の水質と凝集剤注入率を学習させた
結果、想起誤差は１７％であった。第９図の例より誤差
が改善された理由は、水質の時間的変動を入力層として
考慮したからである。

第１１図のニューラルネットは、入力情報として、さら
に時間偏差情報を用いる場合を示し、第８図で説明した
ものに相当する。この例では、水質の時間的変動を偏差
として明示的に入力するものである。すなわち、入力層
７１０には、同時に■現在の値、■過去の値、■現在と
過去の値の偏差、の各々について５原水水温、濁度、ア
ルカリ度．ｐＨ、及び流量を入力する。第８図に対応さ
せれば、Ｐエ（ｔｌ）が現在の水質、Ｐｉ　（ｔ．）が
過去の水質、Ｐ＋＋ｘ（ｔＸ＋ｘ）”Ｐ＋　（ｔｔ）−
Ｐｇ（ｔｚ）が両者の偏差である。この場合、ニューロ
ン素子モデルは人力層７１０に１５個、中間層７２０に
７個を用いる。前記同様、出力暦７３０および教師信号
層７５０には１個用い、凝集剤注入率を設定する。先の
例と同様にして学習させた結果，１年間の想起誤差は，
１２％にまで改善された。すなわち、この例では，水質
の時間変化状況を偏差の値として明示的に入力情報に用
いた結果、例えば、降雨開始時と終了時のように、水質
変動が激しい場合の注入率をより的確に予測できるよう
になった。

なお，過去の値として凝集剤注入率も付加すれば、精度
がさらに向上する． さらに，図示しないが、定常時としての晴天時（原水濁
度がｌｏｎｇ／　Ｑ以下）の場合と、非定常時としての
降雨時（原水濁度が１０ｍｇ／　１２以上）の場合につ
いて、第１ｌ図のニューラルネットを別個に２個用意し
，各々独立して学習させ、続いて、前記と同様に想起さ
せた。その結果，想起誤差は７％にまで改善された。こ
のことは，降雨時と晴天時，あるいは降雨開始時と終了
時とを考慮したことにより，経験豊富なオペレータの運
転法をより忠実に再現できたものである。このように、
時間偏差情報をも考慮すること、並びに、機能別のニュ
ーラルネットを複数個使用することにより，想起誤差（
運転支援時のガイダンス誤差）がより小さくなる効果が
ある。

次に，前述した従来の、計測情報（原水水質）と出力情
報＜ｍ集剤注入率）との関係をモデル化する方法と本実
施例による効果を具体的に比較する．従来法として、標
準的な重回帰分析法を採用した．この方法は，１年間の
すべての原水水質と凝集剤注入率のデータを用いて、原
水水質と凝集剤注入率のデータを用いて，原水水質と凝
集剤注入率との関係を数式で表わすものである．この方
法でｌ年間の凝集剤注入率の誤差を計算したところ、約
１４％の誤差があった．本実施例では、計２０日のデー
タしか使用していないが、第１１図以降の具体例によれ
ば、１年間のデータを用いるこの従来法と同等以上の効
果があることになる。

なお、本実施例では説明しなかったが，フロック形成状
況などを画像監視した情報を入力すれば、さらに効果が
ある．その他、詳述しないが、入力パターンの組合せと
しては、前記のものに限らず、現在値と偏差の組合せ、
あるいは過去値と偏差の組合せ等も考えられる。

第１図のシステムにおける本発明の適用例としては、そ
の他、入力項目として、計測器５Ａの計測項目である水
温、濁度，アルカリ度、ｐＨ．電気伝導度，残留塩素濃
度、塩素要求量、水量，水位、並びに撮像手段５Ｂと画
像処理装置４０の計測項目であるフロック特徴量、さら
に濁度計５Ｃの濁度，計測器５Ｄの計測項目である損失
木頭、水位、濁度，残留塩素濃度．ＰＨ，流量、計測器
５Ｅと５Ｆの計測項目である水位，濁度、残留塩素濃度
、ｐＨ、流量、水圧，水温を入力層に入力して、教師信
号として、塩素注入機制御信号２６Ｓ，を設定すれば，
塩素注入運転支援制御システムとなり，一方、教師信号
として、ポンプ制御信号１９Ｓを設定すれば、濾過プロ
セス運転支援制御システムとなる。

さらに、入力項目として、計測器５Ｅと５Ｆの計測項目
である水位、濁度、残留塩素濃度、ｐＨ、濁度、流量、
水圧，水温、及び、計測器５Ｇの計測項目である瀾度、
残留塩素濃度、ＰＨ．流量，水圧，水温を入力層に入力
して５教師信号としてはポンプ制御信号２２Ｓ、バルブ
制御信号２３ＡＳ，２３ＢＳ及び２３ＣＳを設定すれば
、配管網の水質と水量を制御するための支援制御システ
ムとなる。本システムは，配水流量運転支援制御と配水
圧力運転支援制御のためのである。

これらの実施例は、いずれも過去のＨ歴や運転実績に応
じて運転がなされており，従来の自動制御や知識工学適
用の運転支援システムが苦手とした，実績と前例に即し
た運転と、知識の自動獲得と、支援制御内容が次第に或
長ずる機能を有するという効果がある。

この他、詳細は省略するが，水位制御など浄水場の維持
管理に係る各種の制御を実行できることはいうまでもな
い。

以上、本発明の実施例を浄水場に限って詳細に説明した
が、本発明の基本思想は、時間と共に変動する現象を取
り扱うプロセス，例えば下廃水処理プロセス、河川情報
処理プロセス、熱電併給システム、ビル管理システム、
空調等の屋内環境制御システム、エレベータ管理システ
ム、気象情報処理プロセス、火力・原子力・水力・発電
プロセス、列車など輸送運航管理システム、地図情報シ
ステムなどの公共システム、化学プロセス、バイオプロ
セス、半導体製造プロセス、食品製造プロセスなどの製
造プロセス、証券・為替情報処理プロセス、銀行管理情
報プロセスなどの情報システム、コンピュータ管理シス
テム，端末管理システム．コンピュータネットワーク管
理システムなどに適用できる。

［発明の効果コ 本発明によれば、プロセスの運転支援に神経回路モデル
を用いることにより，比較的簡単に精度の高い運転支援
システムを構築することができる。

また、学習を行った神経回路モデルから，過去の運転履
歴情報内に埋もれた知識を容易に抽出し，その結果を運
転支援に利用することができる。

【図面の簡単な説明】

第工図は本発明を浄水場の運転支援に適用した実施例の
構或を示すブロック図、第２図は実施例での具体的手順
のフローの説明図、第３図はニューラルネットワークを
示す模式図、第４図はニューロン素子モデルを示す模式
図、第５図はニューロン素子モデルでの信号変換を示す
グラフ、第６図は想起に用いるニューラルネットワーク
を示す模式図、第７図は知識獲得の詳細を説明するため
のグラフ、第８図は本発明の他の実施例の説明図，第９
図〜第１１図はそれぞれ本発明を凝集剤注入に適用した
ニューラルネッ１へワークの構成例を示す模式図である
。 ５・・・水質計、１０・・・急速混和池、１５・・・フ
ロック形或池，４０・・・画像処理装置、４２・・・シ
ステムプロセッサ，４６・・ディスプレイ、４４・・・
キーボード，５２・・・システムバス、５４・・・記憶
装置、５６Ａ・・・入力ボート、５６Ｂ・・・出力ポー
ト、６０Ａ・・・知識ベース、６０Ｂ・・・知識候補ベ
ース、６工・・・推論機構、７０・・・ニューラルプロ
セッサ。

Claims (1)

1. 【特許請求の範囲】 １．時間と共に変化する複数の入力変数値に応じて、制
   御対象を目標状態とする当該制御対象の制御変数値を求
   めるプロセス運転支援方法であって、 入力層、少なくとも１層の中間層、および出力層からな
   る階層構造の神経回路モデルを用い、プロセスの過去の
   運転履歴情報のうち、異なる時点の複数の入力変数値の
   代表的なパターンを入力信号とすると共に当該代表的な
   パターンに対応する制御変数値を教師信号として、前記
   神経回路モデルに学習させ、 該学習した神経回路モデルに前記入力変数値として未学
   習のパターンを入力することにより目的の制御変数値を
   求めることを特徴とするプロセス運転支援方法。 ２．時間と共に変化する複数の入力変数値に応じて、少
   なくとも１個の制御対象が目標状態となるような当該制
   御対象の制御変数値を求めるプロセス運転支援方法であ
   って、 入力層、少なくとも１層の中間層、および出力層からな
   る階層構造の神経回路モデルを用い、前記制御対象を目
   標状態とする制御が達成されたときの前記複数の入力変
   数値のパターンを入力信号とすると共に当該パターンに
   対応する制御変数値を教師信号として、複数のパターン
   について順次前記神経回路モデルに学習させ、該学習し
   た神経回路モデルに前記入力変数値として任意の入力変
   数値パターンを入力することにより該パターンに対する
   制御変数値を求めることを特徴とするプロセス運転支援
   方法。 ３．前記神経回路モデルの学習時に、或る時点の入力変
   数値パターンと該或る時点の一定時間前の時点の入力変
   数値パターンとを同時に入力信号として用いるとともに
   前記或る時点の制御変数値を教師信号として用い、複数
   の入力信号について学習した後、該神経回路モデルに現
   時点の入力変数値パターンおよび現時点より一定時間前
   の時点の入力変数値パターンを同時に入力することによ
   り現時点の制御変数値を求めることを特徴とする請求項
   １または２記載のプロセス運転支援方法。 ４．時間と共に変化する複数の入力変数値に応じて、制
   御対象が目標状態となるような当該制御対象の制御変数
   値を求めるプロセス運転支援方法であって、 入力層、少なくとも１層の中間層、および出力層からな
   る階層構造の神経回路モデルを用い、或る時点の入力変
   数値パターン、該或る時点の一定時間前の時点の入力変
   数値パターン、両時点の入力変数値の偏差のパターンの
   うち２個以上のパターンを同時に入力信号として用いる
   とともに、前記或る時点の制御変数値を教師信号として
   、複数の入力信号について前記神経回路モデルに学習さ
   せ、 該学習した神経回路モデルに現時点の前記２個以上のパ
   ターンを同時に入力することにより現時点の制御変数値
   を求めることを特徴とするプロセス運転支援方法。 ５．前記神経回路モデルの学習した結果に基づいて、前
   記各入力変数と各制御変数との間の因果関係を抽出し、
   該因果関係に基づいて前記プロセスの運転を支援する請
   求項１、２、３または４記載のプロセス運転支援方法。 ６．前記神経回路モデルは、複数のニューロン素子モデ
   ルからなる入力層と、該入力層の各ニューロン素子モデ
   ルの出力をそれぞれ受ける複数のニューロン素子モデル
   からなる少なくとも１層の中間層と、最終の中間層の各
   ニューロンの出力を受ける少なくとも１個のニューロン
   素子モデルからなる出力層とを有し、前記入力層の各ニ
   ューロン素子モデルに入力変数を対応させるとともに前
   記出力層の各ニューロン素子モデルに各制御変数を対応
   させ、前記学習は前記各ニューロン素子モデル間の連結
   部に付与された重み係数を制御することにより行うこと
   を特徴とする請求項１、２、または４記載のプロセス運
   転支援方法。 ７．前記神経回路モデルの学習した結果に基づいて、前
   記各入力変数と各制御変数との間の結合強度を求め、該
   結合強度の大きさに基づいて前記神経回路モデルの回路
   構造を変更することを特徴とする請求項６記載のプロセ
   ス運転支援方法。 ８．特定の一入力変数と特定の一制御変数との結合強度
   は、当該一入力変数に対応する前記入力層のニューロン
   素子モデルから前記中間層の各ニューロン素子モデルを
   経て当該一制御変数に対応する前記出力層のニューロン
   素子モデルに至る各経路の重み係数の積和で定義するこ
   とを特徴とする請求項７記載のプロセス運転支援方法。 ９．前記学習を有限回実行し、その結果得られた前記重
   み係数の値の統計的出現頻度分布パターンに基づいて、
   前記神経回路モデルの構造を変更することを特徴とする
   請求項６記載のプロセス運転支援方法。 １０．前記神経回路モデルの構造の変更は、特定のニュ
   ーロン素子モデル間の連結の削除である請求項７または
   ９記載のプロセス運転支援方法。 １１．前記神経回路モデルの構造の変更は、前記中間層
   の階層数の変更である請求項７または９記載のプロセス
   運転支援方法。 １２．定常時の履歴情報を学習した神経回路モデルと非
   定常時の履歴情報を学習した神経回路モデルとを別個に
   用意し、運転支援時に、定常時と非定常時とで神経回路
   モデルを切り換えて使用することを特徴とする請求項１
   、２または４記載のプロセス運転支援方法。１３．入力
   変数値のパターンの変化状態に応じて、別個の履歴情報
   を学習した神経回路モデルを複数個用意し、運転支援時
   に、前記入力変数値のパターンの変化状態に応じて使用
   する神経回路モデルを切り換えることを特徴とする請求
   項１、２または４記載のプロセス運転支援方法。 １４．入力層、中間層および出力層の異なる層間で連結
   されたニューロン素子モデル対間の重み係数が決定され
   ることにより学習を有限回実行した階層構造の神経回路
   モデルから、該神経回路モデルの入力変数と出力変数と
   の間の因果関係を知識として抽出する知識抽出方法であ
   って、特定の一入力変数に対応する入力層のニューロン
   素子モデルから前記中間層の各ニューロン素子モデルを
   経て、特定の一出力変数に対応する出力層のニューロン
   素子モデルに至る複数の経路について、各経路の重み係
   数の積を求め、複数の経路について該積を加算し、該加
   算値を当該一入力変数と一出力変数との間の因果関係を
   定める尺度とすることを特徴とする知識抽出方法。 １５．入力層、中間層および出力層の異なる層間で連結
   されたニューロン素子モデル対間の重み係数が決定され
   ることにより学習を有限回実行した階層構造の神経回路
   モデルから、該神経回路モデルの入力変数と出力変数と
   の間の因果関係を知識として抽出する知識抽出方法であ
   って、特定の一入力変数に対応する入力層のニューロン
   素子モデルから前記中間層の各ニューロン素子モデルを
   経て、特定の一出力変数に対応する出力層のニューロン
   素子モデルに至る複数の経路について、前記有限回の学
   習の結果得られた重み係数の値の統計的出現頻度分布パ
   ターンを求め、該統計的出現頻度パターンに基づいて当
   該一入力変数と一出力変数との間の因果関係の再現性を
   定量化することを特徴とする知識抽出方法。１６．請求
   項１４の知識抽出方法により得られた入力変数と出力変
   数との間の因果関係の尺度に対して、請求項１５の知識
   抽出方法により当該入力変数と出力変数について得られ
   た再現性の程度を加味することにより、当該因果関係を
   知識として採用するか否かを決定することを特徴とする
   知識抽出方法。 １７．時間と共に変化する複数の入力変数値に応じて、
   制御対象を目標状態とする当該制御対象の制御変数値を
   求めるプロセス運転支援システムであって、 入力層、中間層および出力層からなる階層構造の神経回
   路モデルを有し、該神経回路モデルに過去の運転履歴情
   報を入力信号および教師信号として用いて過去の運転実
   績を学習させた処理手段と、 前記制御対象から前記神経回路モデルに入力する入力変
   数値を得る入力手段と、 前記学習した神経回路モデルから知識を抽出する知識抽
   出手段と、 該知識抽出手段により得られた知識を蓄積する知識ベー
   スと、 該知識ベースに蓄積された知識からプロセス運転支援情
   報を得る推論機構と、 前記処理手段の出力および／または前記推論機構の出力
   に応じて前記制御対象の制御のガイダンスを行うガイダ
   ンス手段と を備えたことを特徴とするプロセス運転支援システム。