JPH0395603A - 多元判断によるプロセスの運転支援方法 - Google Patents

Abstract

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

Description

【発明の詳細な説明】

〔産業上の利用分野〕 本発明はオペレータによる判断が必要なプロセス全般の
運転管理において，オペレータの判断をより効果的に支
援する方法． 〔従来の技術〕 浄水処理プロセス、下水処理プロセスなどでは、プロセ
スの挙動を数理モデルによって決定論的に記述出来ない
ために、数理モデルを用いた計算機による自動制御が難
しい。そのため，それらのプロセスの運転管理には、 （１）経験を持ったオペレータのノウハウに基づいた状
況の監視と判断 （２）プロセスの過去の運転履歴を反映した状況の監視
と判断 が不可欠となっている。 これらに対する計算機支援の方法として、前者には主に
知識工学的手法の導入が進んでおり、後者には神経回路
網モデルによる学習の手法が導入されつつある● 知識工学的手法は、専門家やオペレータの経験的な知識
を宣言的な知識（ＩＦ−ＴＨＥＮ型ファジィルールやＦ
ＲＡＭＥ型ルールなど）として抽出し，推論機構と共に
用いることにより、オペレータの監視と判断の一部を計
真機上で再現し、オペレータとの代替、若しくは支援を
行うものである。（例えば、特開昭６３−２４０６０１
号や特開昭６１−５９５０２号など） また、神経回路網モデルでは、宣言的な知識によらず、
プロセス運転のＢ歴データの学習によって、モデル中の
パラメータのマトリックスという形の分散的表現の知識
として用いている。これにより、オペレータが言葉（宣
言的表現）として表現出来ないような直感的な判断を行
うことが出来る。 更に，これらの両者の融合して、両方のメリットを得て
、しかも各々のデメリットを互いに補うための試みがな
されている．従来行われている両者の融合方法は、 （１）宣言的なルールを神経回路網モデルに実装して使
用する方法 （２）知識工学システムから神経回路網モデルをサブル
ーチンとしてコールする方法 が試みられている。（詳細は、日経コンピュータ１９８
９年１月２日号Ｐ５３〜Ｐ６１，”ＥＳとの組み合わせ
で実用化が見えてきたニューロ″などに詳しい。） 〔発明が解決しようとする課題〕 かかる従来の知識工学的手法と神経回路網モデルの融合
方法においては、次のような課題がある。 まず第一に、宣言的なルールを神経回路網モデルに実装
する（モデル内のパラメータ群に分散的表現させる）こ
とによって、宣言的なルールが本来持っている論理的な
明確さを損なうことになり、支援システムを使用するオ
ペレータにとって内容が理解し難い知識になるという欠
点を有する。 また第二に、知識工学的手法から神経回路網モデルをサ
ブルーチンとして一方的にコールする方法では、神経回
路網モデル側から宣言的なルールを能動して、能動的に
データを得ることができないという欠点を有する。また
、この方法は、オペレータの判断が右脳（論理的判断）
と左脳（直感的判断）のインタラクティブな働きで行わ
れているということを十分に模擬出来ていないという課
題も有する。 本発明の目的は、上記課題を同時に解決するような、知
識工学的手法と神経回路網モデルの融合方法を導入する
ことによって、より効果的なプロセスの運転支援方法を
実現することにある。 〔課題を解決するための手段〕 本発明では、上記目的を達或するために、プロセスに関
するファジィルールと、神経回路網モデルによって表現
したニューラルネットルールとの両方について、通常の
前向き推論や後向き推論を行えるような推論機構を用い
る。この推論機構は、ルールの結論部の成立する度合い
の演算方法が異なる以外は、ファジィルールもニューラ
ルネットルールも区別なく扱うものである。 また、目的別のニューラルネットルールを準備し、これ
らのルールを状況に応じて選択して、プロセスの操作量
などを定量的に算出して、ガイダンスするものである。 〔作用〕 本発明によれば、ファジィルールによって表現された、
オペレータの経験に基づく論理的な判断と、神経回路網
モデルによるニューラルネットルールで表現された、履
歴データに基づく直感的な判断との間で、判断結果（ま
たは、データ）の交換が自由に行えるようになり、論理
的判断と直感的判断の両方の知的能力の相乗効果を得る
ことができる。これにより、対象プロセスに対して、よ
り知的な支援を行うことが可能になる。 〔実施例〕 本発明は、オペレータによる判断を必要とするプロセス
の運転管理を知的に支援するものである．従って、本発
明は、オペレータが介在する各種のプロセス、例えば、
下水処理プロセス、浄水処理プロセス、化学反応プロセ
ス、バイオプロセス、原子力プロセス，株価・為替など
の金融プロセス、などに適用できる。 以下、本発明の実施例を説明する。 第ｌ図は、本発明を下水処理プロセスの運転管理に適用
した場合の全体構或図である。 まず、下水処理プロセスのフローを簡単に説明する。な
お、図中の実線は物質の流れ（またはシステムの実行の
流れ）を、点線は信号の流れ（またはデータの流れ）を
示す。 最初沈殿池５には、下水流入管２０より下水が流入する
．最初沈殿池５では、下水中の挟雑物及び浮遊物質の一
部が重力沈降によって除去される．曝気１１０には，最
初沈殿池５から越流した下水と返送汚泥管４０からの返
送汚泥が流入する。曝気槽１０では，ブロワー５０から
散気装置６５を通して送風が行われ、下水と返送汚泥が
混合かくはん状態にある。ここで返送汚泥，すなわち活
性汚泥は、供給された空気中の酸素を吸収し、下水中の
溶解性有機物を好気性代謝により分解し、炭酸ガスと水
に分解する．除去された有機物の一部は、活性汚泥の増
殖に充てられる．活性汚泥と有機物を除去された下水は
、最終沈殿池ｌ５に導かれる。 最終沈殿池１５では、活性汚泥の重力沈降により、活性
汚泥と処理下水とに固液分離され、処理下水は処理水放
流管３０を経て放流される．一方、最終沈殿池１５内に
沈降した活性汚泥は、汚泥引き抜き管３５から引き抜か
れ、増殖分は余剰汚泥として余剰汚泥ポンプ６０により
排出される。残りの活性汚泥は、返送汚泥として返送汚
泥ポンプ５５から返送汚泥管４０を通して再び曝気槽１
０に戻される。 次に、下水処理プロセスの計測器について説明する。流
入下水の水質などを計測するために、下水流入管２０に
計測器７０が設置される。計測項目は、流入下水量、浮
遊物質濃度，化学的酸素要求量、ｐＨ．窒素濃度、リン
濃度、ノルマルヘキサン抽出物濃度，シアン化合物濃度
などである。 最初沈殿池５にも計測器７５が設置され、計測器７０と
同様の水質項目の他に、沈降した汚泥の界面高さなどが
計測される。 また、曝気槽１０には、計測器８０と水中カメラなどの
画像情報計測装置８５とが設置される。 計測器８０では，計測器７０と同様の水質項目の他に、
溶存酸素濃度などが計測される。画像情報計測装置８５
では、曝気槽１０中の活性汚泥の分布や色、活性汚泥を
構或する凝集性微生物（フロック）の大きさや、糸状性
微生物および原生動物の形や量を計測する。 最終沈殿池１５には、計測器９０と画像情報計測装置９
５とが設置される．計測器９０では、計測器７０と同様
な水質項目の他に、重力沈降した活性汚泥の界面高さな
どが計測される．画像情報計測装置９５では、画像情報
計測装置８５と同様な計測項目の他に、最終沈殿池１５
の水面上に疎水性の微生物膜（スカム）の存在の有無な
どを計測する。また、処理水放流管３０には、計測器１
００が設置され、処理水について計測器と同様な水質項
目が計測される． 次に，運転管理支援を行うコンピュータシステム（多元
判断型運転管理支援システム、以下、支援システムと略
す）１１０の構戊を説明する。 支援システム１１０は、（１）監視モジュール１２０、
（２）異常時対策モジュール２００、（３）維持管理モ
ジュール３００、（４）データベースモジュール３５０
、（５）画像処理モジュール３７０から構威される。 本発明の特徴である異常時対策モジュール２００は、推
論機構２１０とルールベース２５０から構成されており
、更にルールベース２５０は、論理的判断ルールベース
２６ｏと直感的判断ルールベース２８０とから構威され
ている．これらの詳細は、後述する。 次に、支援システム１１０への各種計測データの入出力
，及びオペレータとの対話型によるデータ入出力につい
て説明する。 まず、入力について説明する。前記の計測泰７０，７５
，８０、９０、１００、及び画像情報計測装置８５、９
５では一定の時間間隔でデータのサンプリングが行われ
る。これらアナログ信号のオンラインデータは、入出力
装置１０１に取り込まれ、ディジタル信号に変換された
後、入力ポート１０２を通して支援システム１１０に取
り込まれる．一方、（１）オンライン計測が出来ない手
分析データ，（２）画像情報計測機器による計測が出来
ない（データ、及び（３）支援システムが特に必要と認
めたデータの入力は支援システム１１０に接続されたキ
ーボード３５０によって、ＣＲＴ３６０を参照しながら
対話的に行われる。 次に，出力について説明する。支援システム１１０は、
入力された情報に基づいてガイダンス内容を決定する。 このガイダンスは，ＣＲＴ３６０を通じてオペレータに
表示される．なお、このＣＲＴ３６０は、必要に応じて
画像情報計測装置８５、９５からの映像を映すモニター
も兼ねることが出来る。 また、プロセスの制御を行うための機器であるブロワー
５０、返送汚泥ポンプ５５、余剰汚泥ポンプ６０の目標
値、及び操作量の変更は、キーボード３５０から行われ
、支援システム１１０に記録されたのち、出力ポート１
０４から制御装置１０３に送られる。制御信号は、制御
装置１０３から各機器に対して送られる。 以上が、本実施例の全体構成である。 次に、本実施例の支援システム１１０の具体的な動作を
第２図によって説明する。第２図では、実線はモジュー
ル間の起動の流れを、点線はデータの流れを示す。 下水処理プロセスの運転管理において、オペレ−タが行
う業務の種類と順序を思考過程に模擬させてモデル化（
管理業務モデル）すると、第２図のように （１）監視モジュール１２０ （２）異常時対策モジュール２００ （３）維持管理モジュール３００ （４）データベースモジュール３５０ （５）画像処理モジュール３７０ という構戒である。 発明者らが作成した上記の管理業務モデルの各モジュー
ルの関係及び実行順序は，次のとおりである． まず、監視モジュール１２０が起動され、データベース
モジュール３５０から所定の周期でオンラインのデータ
を読み込み、さらに必要な場合には、ＣＲＴ３９０を通
して、オペレータにデータ入力を要求し，キーボード３
８０からの入力を受ける．監視モジュール１２０は，こ
のデータに基づいて，常にプロセスの運転状況の監視を
行う。 監視結果はＣＲＴ　３　９　０に表示すると共に，判定
部１９９へ送る。判定部１９９で運転状況の異常の可能
性が認められた場合には、異常時対策モジュール２００
が起動される。 異常時対策モジュール２００は、データベースモジュー
ル３５０とキーボード３８０からのデータに基づいて、
異常の同定とその原因、及びそのための対策（定量的な
操作量など）を決定する。 推論結果は、ＣＲＴ３９０を通じてガイダンス表示する
． 維持管理モジュール３００は、監視モジュール１２０と
異常時対策モジュール２００から随時起動することがで
きる。実行は、起動元のプログラムからオペレータとの
対話権を移して行う。このモジュールでは、支援システ
ム１１０のメンテナンスのための各種ツールや，日常の
維持管理業務において必要な維持管理指針などのマニュ
アル的な知識の表示，過去の運転履歴の検索・表示、及
び季節変動戒分の抽出や各種データのファジィ論理にお
けるメンバシップ関数定義などの演算用ツール、さらに
各種シミュレータなどをキーボード３８０とＣＲＴ３９
０を通して対話的に実行する機能を提供する。 データベースモジュール３５０は、入力ポート１０２を
通じて支援システム１１０に読み込まれる全てのデータ
を構造化して保存する。また、キーボード３８０からの
入カデータ，各モジュールでの実行結果も，必要に応じ
てデータベースモジュール３５０に保存する。 画像処理モジュール３７０は、入力ポート１０２から読
み込まれるデータのうち、第ｌ図に示した画像情報計測
装置８５、９５からのデータのみを取り込んで、必要々
処理を行った後、データベースモジュール３５０に保存
する。 上記のような管理業務モデルを導入することにより、オ
ペレータの業務に密着し、親和性の高い支援が可能にな
る。 さらに、各モジュール内の詳細な動作を順に説明する。 まず、監視モジュール１２０の具体的な手順を第３図を
用いて説明する。 第３図は、監視モジュール１２０の動作を示すフローチ
ャートである。監視モジュール１２０は、支援システム
１１０実行中は、所定の周期でデータベースモジュール
３５０からオンラインデータを読み込み、必要に応じて
オペレータから対話的にキーボード３８０で入力を行う
． これらデータは、データ入力工程１３０で、所定の形式
に変換され、データ評価工程１４０で評価する．評価に
関する知識は、監視用知識ベース１２１に保存されてお
り、必要に応じて参照する。 ここでの評価により、プロセスのいくつかの運転状況（
正常、バルキング、硝化、汚泥腐敗など）の中から可能
性のある運転状況を選択する。結果は、判定部１９９に
送られる．選択された運転状況（正常を除く）が少なく
ともひとつあれば、異常時対策モジュール２００が起動
される。 データ評価工８１４０の実現方法として、ここでは知識
工学と、公知技術であるファジィ論理によるファジィ推
論を用いている。つまり，状況判断に関するオペレータ
の経験的な知識をファジィルールとして記述し、これを
入力データによって能動する方法である。ファジィ推論
に関する詳細は，他の参考文献（西田，竹田（１９７８
）数学ライブラリ４８ファジィ集合とその応用、森北出
版など）に譲るが、基本は式（１）、（２）によって結
論部のメンバシップ関数を求め、さらにその関数形の重
心計算によって結論部の定量値を求めることにある。 ・ルール条件部ＡとＢが論理的ａｎｄ結合の場合ＭＦ（
Ａ，Ｂ）　＝：　ｍｉｎ｛ＭＦ（Ａ），ＭＦ（Ｂ））　
　−式（１）・ルール条件部ＡとＢが論理的ｏｒ結合の
場合ＭＦ（Ａ，Ｂ）　＝　ｎ＋ａｘ（ＭＦ（Ａ），ＭＦ
（Ｂ）｝　　−式（２）この場合、データ入力工程ｔ３
０では、数値データがメンバシップ関数によって、定性
的なデータ（ファジィ変数とその値、及びそのメンバシ
ップ値。例えば，水温＝高い、０．８５７’．ｊど）に
変換される。 また、別の実現方法として，プロセスの現象モデルに基
づく、シミュレータを用いることも出来る．例えば、処
理水質に関するモデルを準備し、これに実測データを入
力して、処理水質をシミュレート（主に今後の予測）し
、許容範囲内の値であるかを調べるようにする． さらに別の実現方法として、神経回路網モデルに過去の
運転状況に関する履歴データを学習させる方法を用いる
こともできる。学習した運転状況と同じ状況が起こって
いないかどうかを、実測値による想起によって判定する
ものである。ある実測値の入力値に対するモデルの想起
値が，どれも所定の値に達しない場合には，この状況が
過去に起こったことがない（または未学習）と判断し、
新規に学習を行うものとする［学習型・自己成長支援シ
ステムの実現］．ここで用いる神経回路網モデルとその
学習アルゴリズムについては、後述する。 以上が監視モジュール１２０の動作である．このモジュ
ールからの運転状況監視結果は、判定部１９９に送られ
、可能性のある異常状態が少なくとも１つ認められた場
合には、異常時対策モジュール２００が起動される。そ
うでない場合には、結果がデータベースモジュール３５
０に保存され、次の監視モジュール実行を繰り返す。 次に異常時対策モジュール２００を第４図で説明する． 第４図は、異常時対策モジュール２００の動作を示すフ
ローチャートである。先の監視モジュール１２０がオン
ラインデータ中心に翻動されていたのに対し、このモジ
ュールは対話型で入力するデータが多くなっている。 このモジュールが起動されると、まずファジィ・ニュー
ロ推論工程２１１を行う。この工程では，監視モジュー
ル１２０で可能性ありと判断された運転状況について、
優先順位の高い（例えば、メンバシップ値が大きい）順
に後向き推論を行い．どの運転状況が本当に確からしい
かを決定する。 なお、ここで用いるファジィ・ニューロ推論のアルゴリ
ズムは、確信度付きルール，またはファジィルールで利
用していた推論（公知技術：　Ｗｉｎｓｔｏｎ＋Ｐ．｝
ｌ．（１９７７）Ａｒｔｉｆｉｃｉａｌ　　Ｉｎｔｅｌ
ｌｉｇｅｎｃｅ，ＡｄｄｉｓｏｎＩｉｅｓｌｅｙなどを
参照されたい。）を、ニューラルネットルールも開動で
きるように拡張したものである。 ファジィ・ニューロ推論を説明する前に、神経回路網モ
デルの概略を簡単に説明する。 神経回路網モデルの基本となっているのは．ｒｑをｔｆ
ｙｔＩｉする神経細胞（ニューロン）である。このニュ
ーロンの生理学的な知見を反映したニューロンの単体の
数理モデルが広く利用されている。第５図に示すモデル
は、式（３）に示すような、多大力一出力のしきい値特
性を持つ関数で表現される。 ｙ＝ｆ　（Σｗｉ−ｘｉ−θ）・・・式（３）但し、ｙ
：ニューロンの出力信号強度 ｗｉ：ｉ番目の入力の重み係数 ｘｉ：ｉ番目の入力の信珍強度 θ：しきい値 つまり、他のニューロンｉから，注目するニューロンへ
の信号ｘｉは、両者間の結合強度（重み係数、シナプス
強度）に応じてｗｉが乗ぜられる。これらの重み付き入
力信号ｗｉ−ｘｉの全結合分の総和Σｗｉ−ｘｉが、あ
るしきい値θ以上のとき、そのニューロンは興奮して出
力信号ｙを出すというイメージである。このときのしき
い値特性を決定する関数ｆとしては、式（４）に示すシ
グモイド関数を使用する。 ｆ　（ｕ）＝Ｌ／　（１＋ｅ−υ）・・・式（４）神経
回路網モデルは、上記のニューロンを基本素子とする回
路モデルである．モデルの種類としては、ニューロンを
階層的に結合させた階層型モデルと，ネットワーク状に
結合させた相互結合型モデルの２種類が広く知られてい
る。本発明では、前者の階層型モデル（別名．　Ｒｕｌ
ｅｍｈａｒｔ型モデル）を使用する。このモデルは、第
６図に示すように、入力層，中間層、出力層からなる３
層構造である。 学習は、入力層に学習パターンを入力したときの出力層
からの信号（想起値）と教師信号との誤差が小さくなる
ように重み係数を出力層から入力層に向かって修正して
い＜ＢＰ法（アルゴリズムの詳細は、Ｒｕｍｅｌｈａｒ
ｔ，Ｄ．Ｅ．，　ａｔｅ　（１９８６）　Ｌｅａｒｎｉ
ｎｇＲｅｐｒｅｓｅｎｔａｔｉｏｎｓ　ｂｙ　Ｂａｃｋ
Ｐｒｏｐａｇａｔｉｎｇ　Ｅｒｒｏｒｓ，Ｎａｔｕｒｅ
，ｖｏｌ．３２３などを参照されたい）を採用している
。 ファジィ・ニューロ推論では、ルールベース２５０中の
論理的判断ルールベース２６０．直感的判断ルールベー
ス２８０に保存されているルールを扱う。両ルールベー
スのそれぞれのルールは、第７図に示すようなＩＦ−Ｔ
ＨＥＮ型の同じフォーマットで記述されており、どちら
のルールベースのルールであってもほとんど区別なく、
推論することができる。つまり，ファジィルールがニュ
ーラルネットルールを能動したり，ニューラルネットル
ールの推論結果を利用して推論を進めることが出き、そ
の逆も可能である。 両ルールの扱いで、唯一異なっているのは５ルール結論
部の成立の度合いの算出手段である。 論理的判断ルールベース２６０中のファジィルールの場
合、第８図に示すような、公知技術のファジイ推論を用
いて算出する。つまり、条件部のメンバシップ関数の論
理積（ｍｉｎ演算）を取り、結論部のメンバシップ関数
とし、このメンバシップ関数の重心をとって、その度合
いとする計算である。 直感的判断ルールベース２８０中のニューラルネットル
ールは、オペレータや専門家が明確に意識するに至って
いないようなデータ間の因果関係を、神経回路網モデル
による履歴データの学習によってルール化したものであ
る。 第９図に示すように、ルール条件部を入力層のニューロ
ンに、結論部を出力層のニューロンに対応させている。 結論部の成立の度合いの算出には、神経回路網モデルに
よる想起を行う。想起の際には、入力層にデータベース
モジュール３５０やファジィルールから導出された、下
の例のような［ファジィ変数］

【ファジィ変数の値】 〔発明の効果〕

以上述べたように、本発明によれば、従来法では不十分
であった、論理的判断（左脳：知識工学及びファジィ論
理）と直感的判断（右脳：神経回路網モデル）との融合
をよりインタラクティブにすることが出来る。このこと
は、プロセスの専門家やオペレータの判断形態を正確に
模擬することになり、計算機による支援をより知的にす
るものである。これにより、オペレータ単独の場合よリ
も，質の高い運転が出来ると共に、オペレータの負担を
軽減することができる。

【図面の簡単な説明】

第１図は本発明の実施例の全体構成を示す概略図、第２
図は実施例での支援システムの構成図、第３図は監視を
支援するモジュールの動作を示すフローチャート、第４
図はプロセス異常時の対策の支援を行うモジュールのフ
ローチャート、第５図は神経細胞の単体モデルの概略図
、第６図は階層型神経回路網モデルを示す構或図、第７
図は支援システム中で使用するルールのフォーマットを
示す図、第８図はファジィ推論を説明するフロー図、第
９図はニューラルネットルールを説明する概念図、第１
０図は維持管理支援するモジュールの構成図、第１１図
は画像処理を行うモジュールのフローチャートである。 ５・・・最初沈殿池、１０・・・曝気槽．１５・・・最
終沈殿池、５０・・・ブロワー　５５・・・返送汚泥ポ
ンプ、６０・・・余剰汚泥ポンプ、６５・・・散気装置
、７０，７５，８０，９０，１００・・・計測機、８５
．９５・・画像情報計測装置、１０１・・・入出力装置
、１０３・・・制御装置、１１０・・・支援システム、
１２０・・・監視モジュール、２００・・・異常時対策
モジュール、２１０・・・推論機４ｔ．２５０・．．ル
ールベース，２６０・・・論理的判断ルールベース、２
８０・・・直感的判断ルールベース，３００・・・維持
管理モジュール、３５０・・・データベースモジュール
、第１図 −２１ 第 ５ 図 第６図 ｒ盲４ト６ネヂネそ占蚤ナＸモテ゜ノレ第３図 ｌ９’１ 第４図 第７図 第８図 第９図 Ｆ＋＝η Ｆｘ−Ｖエ Ｆ，＝　ｖ， 第工１図 ３５０

Claims (1)

1. 【特許請求の範囲】 １、オペレータの判断を必要とするプロセスの運転管理
   において、少なくとも、プロセスに関するファジィルー
   ルからなる論理的判断ルールベースと、プロセスに関し
   て学習可能な神経回路網モデルによるニューラルネット
   ルールからなる直感的判断ルールベースを持ち、これら
   両方のルールベース間で相互にルールの駆動が可能な推
   論機構を持つことを特徴とする、多元判断によるプロセ
   スの運転支援方法。 ２、請求項１において、直感的判断ルールベースは、少
   なくとも、結論部がプロセスの操作量に関しているニュ
   ーラルネットルールを含み、推論機構で推定されたプロ
   セスの状態に最も適した該ニューラルネットルールを選
   択して実行することにより、定量的な操作量をガイダン
   スできることを特徴とする、多元判断によるプロセスの
   運転支援方法。 ３、請求項１、または２において、推論機構は、ルール
   結論部の成立する度合いを算出する手段として、ファジ
   ィルールについては、メンバシップ関数の論理演算を用
   い、ニューラルネットルールについては、ニューロン間
   の積和演算を用いることを特徴とする、多元判断による
   プロセスの運転支援方法。 ４、請求項１において、神経回路網モデルの学習アルゴ
   リズムは、出力と出力に対する教師信号との誤差が小さ
   くなるように回路網内の結合強度分布を修正する方法で
   あることを特徴とする、多元判断によるプロセスの運転
   支援方法。