JPH04133164A - ニューラルネット応用運転支援システム - Google Patents
ニューラルネット応用運転支援システムInfo
- Publication number
- JPH04133164A JPH04133164A JP2256094A JP25609490A JPH04133164A JP H04133164 A JPH04133164 A JP H04133164A JP 2256094 A JP2256094 A JP 2256094A JP 25609490 A JP25609490 A JP 25609490A JP H04133164 A JPH04133164 A JP H04133164A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- driving support
- support system
- applied driving
- recall
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Devices For Executing Special Programs (AREA)
- Feedback Control In General (AREA)
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。
め要約のデータは記録されません。
Description
〔産業上の利用分野〕
本発明は、ニューラルネットを応用した運転支援システ
ムに係り、特に、定量的なガイダンスを行い、さらにそ
のガイダンスの判断根拠を提示するような支援能力の高
い運転支援システムに関する。 〔従来の技術〕 上水処理プロセス、下水処理プロセス等の運転管理には
、オペレータの経験的知識を抽出し、推論機構とともに
用いる知識工学の手法が適用されている（例えば、特開
昭６３−２４０６０１号。 特開昭６１−５９５０２号等）。 知識工学による支援システムは、推論過程が論理的に明
確であり、推論によるガイダンスの根拠が提示できるの
で、オペレータに対して説得力を持つ反面、そのような
経験的知識の獲得とメンテナンスとが煩雑である。 これらの問題への解決策として、神経回路網にニューラ
ルネット）モデルによる支援技術が導入されている（例
えば、特開平１−２２４８０４号等）。 このモデルでは、運転履歴データ中に埋もれたオペレー
タの経験や勘に相当する知識を学習し、学習後のモデル
での想起により、定量的なガイダンスのみを提示する。 これにより、運転履歴データがあれば、煩雑な知識獲得
の工程なしに、運転支援を実現できる。 〔発明が解決しようとする課題〕 このような従来の神経回路網モデルによる支援システム
には、次のような課題がある。 第一に、神経回路網モデルによる学習と想起は、運転履
歴データやモデル内のパラメータ群等の多くの数値デー
タのみを介してブラックボックス的に行われるため、モ
デル内の学習された知識や想起の根拠がオペレータから
見て分からない。そのため、想起による定量的ガイダン
スの説得力が十分でない。 第二に、階層型の神経回路網モデルで用いられている逆
誤差伝搬学習法では、モデルの内部結合状態を示すパラ
メータ群（重み係数行列）が、運転履歴データに含まれ
ていない知識（入出力間の因果関係）や想起上重要でな
い知識を含むような値に収束する場合が存在する。この
ため、想起の根拠となる知識が正しくなく、想起が十分
な精度で行われない場合がある。 本発明の目的は、想起による定量的なガイダンスだけで
なく、想起根拠も示して説得力ある運転支援システムを
提供することである。 〔課題を解決するための手段〕 本発明は、上記目的を達成するために、プロセスを管理
するオペレータに対して運転支援を行うニューラルネッ
ト応用運転支援システムにおいて、ニューラルネットの
内部結合状態を解析する手段と、ニューラルネットの想
起による定量的ガイダンスを表示するとともに内部結合
状態の解析結果を想起根拠として表示する手段とを備え
たニューラルネット応用運転支援システムを提案するも
のである。 本発明は、また、前記ニューラルネット内の因果関係の
うちで不要な関係を抑制し必要な因果関係を選択的に残
す手段を有するニューラルネット応用運転支援システム
を提案するものである。 前記ニューラルネットの内部結合状態を解析する手段と
、前記ニューラルネットの想起による定量的ガイダンス
を表示するとともに前記内部結合状態の解析結果を想起
根拠として表示する手段と、前記ニューラルネット内の
因果関係のうちで不要な関係を抑制し必要な因果関係を
選択的に残す手段とを併設することも可能である。 また、前記ニューラルネット内の因果関係を定量的に評
価する手段として１着目した入力層ニューロンから着目
した出力層ニューロンに至る全経路の結合強度の積和値
を算出する手段を有し、ニューラルネットの想起誤差が
小さくなるように。 前記積和値の自乗または着目するニューロンが異なると
きの積和値の自乗和を小さくする手段を備えることがで
きる。 この積和値算出手段と当該積和値の自乗和縮小手段とを
上記各手段と併設しても良い。 さらに、前記内部結合状態を解析する手段は、階層型ニ
ューラルネットモデルの入力層内で着目したニューロン
から中間層のニューロンを経て出力層内で着目したニュ
ーロンに到る経路の結合強度の積を中間層ニューロンの
異なる全経路について加算した値に基づいて、前記入力
層ニューロンと前記出力層ニューロンとの因果関係を評
価する手段を備えることもできる。 加えて、定量的ガイダンスと想起根拠とを表示する手段
が、学習済みニューラルネット内の入力層のニューロン
と出力層のニューロンとの因果関係をルール形式好まし
くは日本語のルール形式で表示する手段を備えることが
望ましい。 具体的応用例としては、浄水処理プロセスを管理するオ
ペレータに対して運転支援を行うニューラルネット応用
運転支援システムにおいて、階層型ニューラルネットモ
デルの入力層のニューロンに前記浄水処理プロセスから
得られる水質データおよび／または画像計測データを入
力し、出力層のニューロンに薬品注入率を出力させるモ
デルを用いることが可能である。 〔作用〕 本発明は、ニューラルネットの内部結合状態を解析して
、入出力間の因果関係に関する知識を抽出し、それを想
起の根拠として、定量的なガイダンスとともにオペレー
タに提示するものである。 一方、学習は、ニューラルネットの内部結合状態が必要
最小限の因果関係しか持たないような方法によって、運
転履歴データ内に潜在している因果関係を正確に学習す
るものである。この学習方法によるニューラルネットで
、定量的ガイダンスを想起し、内部結合状態の解析を行
う。 したがって１本発明においては、定量的ガイダンスだけ
でなく、そのガイダンスを導くに至った判断根拠を提示
することにより、オペレータに対して説得力のある支援
を実行できる。 また、必要最小限の因果関係となるような学習方法によ
り、想起が正確になり、内部結合状態の解析から得られ
る想起根拠（知識）も正確になるので、信頼性の高い支
援を実行できる。 〔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
の運転管理を知能的に支援するシステムである。したが
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、浄水処理プロセス、下水処理プロセス、化学
反応プロセス、バイオプロセス、原子力発電プロセス、
株価・為替などの金融プロセスなどに適用できる。 以下、図面を参照して、本発明の詳細な説明する。 第１図は、本発明によるニューラルネット応用運転支援
システムを浄水処理プロセスの運転管理支援システムに
適用した一実施例の全体構成を示すブロック図である。 まず、浄水処理プロセスの手順を簡単に説明する。第１
図において、河川や湖沼からの原水を着水井５に導く。 着水井５の水を導入する急速混和池１０においては、凝
集剤タンク１１の凝集剤を凝集剤注入ポンプ１２により
注入し、撹拌翼１３を撹拌機１４により駆動して撹拌す
る。ここでは、フロック形成を促進するアルカリ剤を注
入することもある。フロック形成池１５には撹拌パドル
１６を配置し緩やかに回転させる。フロックは沈殿池２
０で沈降させ、その上澄み液をろ適地２５でろ過する。 次に、計測系統について説明する。原水の水質を計測す
るために、着水井５に計測器５Ｍを設置する。計測項目
は、水温、濁度、アルカリ度、電気伝導度、ｐ）（、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１５には計測器１５Ｍを設置しである。 計測器１５Ｍは、計測器９Ｍで計測する項目に加えて、
水中カメラなどの撮像手段６０を含む。沈殿池２０には
、計測器２０Ｍを設置しである。急速混和池１０にも計
測器１５Ｍと同様の計′ＩＩＪ器１０Ｍを設置し、ろ適
地２５にも計測器２５Ｍを設置することもある。これら
の計測項目は、計測器５Ｍ、１５Ｍの計測項目と同様で
ある。 以上の計測データは、支援システム１００内の運転履歴
データベース８ｏに取り込まれる。また、撮像手段６ｏ
で得られたデータは、画像処理手段７０で処理された後
、運転履歴データベース８０に取り込まれる。 次に、運転管理支援を行う知能的運転管理支援システム
（支援システム）１００を説明する。 支援システム１００は、以下のサブシステムからなる。 （１）知識ベース応用運転支援システム（知識システム
）１１０ （２）理論モデルシミュレーションシステム１２（３）
ニューラルネット応用運転支援システムにニューロシス
テム）１５０ （４）画像処理手段７０ （５）運転履歴データベース８゜ 本発明の特徴であるニューロシステム１５０は、学習手
段１６０と、内部結合状態解析手段２００と、定量的ガ
イダンスおよび想起根拠表示手段（ガイダンス表示手段
）２５ｏと、ニューラルネットベース３００とからなる
。このうち、学習手段１６０は、因果選択・抑制手段１
８０を持つことを特徴とする。 ニューロシステム１５０は、まず、過去の履歴データの
うち有用と思われるデータを運転履歴データベース８０
から教師データとして選択する。 この教師データを学習手段１６０においてニューラルネ
ットにより学習する。この学習の際に、不要な因果関係
を抑制し、必要な因果関係を選択的に残すために、因果
選択・抑制手段１８０を用いる。これについては後述す
る。 学習後のニューラルネットは、２つの役割を持つ。１つ
の役割は、想起によって運転管理に必要な定量的ガイダ
ンスを求め、結果を表示手段２５０に送ることである。 ２つ目の役割は、学習後の重み係数行列を内部結合状態
解析手段２００に送り、重み係数行列に内包される知識
を抽出することである。ここで抽出された知識は、表示
手段２５０に送られるとともに、知識システム１１０に
送られ、推論用のルールとされる。知識の抽出方法につ
いては後述する。 表示手段２５０では、定量的ガイダンスと抽出知識とを
ＣＲＴ９０の画面上に表示する。これにより、オペレー
タはニューラルネットからのガイダンスがいかにして導
かれたかの根拠を知ることができる。 次に、支援システム１００への各種データの入出力につ
いて説明する。 まず、入力について説明する。計測器５Ｍ、１０Ｍ、２
０Ｍ、２５Ｍ、および撮像手段６０では、所定時間間隔
でデータをサンプリングする。サンプリングされたデー
タは、運転履歴データベース８０に送られて保存される
。また、計測器によるオンライン計測ができない手分析
データや目視観察データは、キーボード９５から、ＣＲ
Ｔ ９’ Ｏの画面上のメツセージを参照しながら、対
話的に入力される。 次に、出力について説明する。支援システム１００は、
入力されたデータに基づいてガイダンスする内容を決定
する。支援システム１００内の知識システム１１０およ
びニューロシステム１５０から得られたガイダンスは、
ＣＲＴ９０の画面を通してオペレータに表示される。な
お、このＣＲＴ９０は、必要に応じて撮像手段６０から
の映像を映すモニタも兼ねることができる。 オペレータはガイダンスを参考に、操作量の必要と認め
られる変更などをキーボード９５を通して、制御手段５
ｏに入力する。制御手段５０は、入力データに従ってプ
ロセスの各機器を制御する。 なお、支援システム１００からのガイダンスが直接に制
御手段５０に入力されることもある。 以上が、本実施例の全体の構成と動作の概要である。 次に、ニューロシステム１５０内で行われる神経回路網
にニューラルネット）モデルの学習および知識抽出方法
について順に説明する。 モデルの基本となっているのは、脳を構成する神経ＷＩ
Ｗ＆ にニューロン）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単体の数理モデルが広く
利用されている。 第２図は、ニューロンの基本動作を示す。図に示すモデ
ルは式（１）〜（３）のように多大カー出力系のしきい
値特性を持つ関数で表現される。 ）’ｚｘ＝ｆ （ｕｚａ） ”
’（ｔ）ｕｚｔ＝ΣＷ２ａ、１＋ ’ Ｘｌｔ
°−（２）ｆ（ｕ）＝１／ （１＋ｅｘｐ（−
ｕ十〇））−（３）ただし、ｙ２□：ニューロン２ｊの
出力信号ｕ２１：ニューロン２ｊへの入力の積和Ｗ２ａ
、１＋：ニューロン１ｊ、２ｊ間の重み係数Ｘ１＋＊ニ
ユーロン１ｊからの入力信号ｆ：シグモイド関数 θ：しきい値 つまり、他のニューロンから着目したニューロンへの信
号は、両者間の結合強度（重み係数、シナプス強度）に
応じてＷ ２ Ｊ 、□１が乗じられる。これらの重み
付き人力信号Ｗ ２ Ｊ 、 ｚ ｔ・Ｘ□！の総和ｕ
２゜があるしきい値θを越えたときに、そのニューロン
は興奮して出力信号ｙ２□を出す。このときのしきい値
特性を決定するのが式（３）のシグモイド関数である。 ニューラルネットモデルは、上述のニューロンを基本構
成要素とするネットワーク型のモデルである。モデルは
複数のものが提案されているが、本発明ではニューロン
を階層的に結合させた階層型モデル（別名、Ｒｕｍｅｌ
ｈａｒｔ型モデル）を使用する。このモデルは第３図に
示すように、入力層と中間層と出力層とからなる３層構
造である。 ニューラルネットモデルの学習は、想起誤差が減少する
ように重み係数行列を修正することにより行う。学習ア
ルゴリズムとして最も多用される従来型ＢＰ法（アルゴ
リズムの詳細は、Ｒｕｍｅｌ−ｈａｒｔ、Ｄ、Ｅ、、ｅ
ｔｃ（１９８６）Ｌｅａｒｎｉｎｇ Ｒｅｐｒｅｓｅｎ
ｔａｔｉｏｎｓ ｂｙＢａｃｋｐｒｏｐａｇａｔｉｎｇ
Ｅｒｒｏｒｓ、Ｎａｔｕｒｅ、ｖｏｌ、３２３などを
参照されたい）は、想起誤差の自乗和を評価関数と定義
し、その評価関数が減少するように重み係数行列を修正
する。ニューロシステム１５０は、想起によるガイダン
スと想起根拠の提示を目的とするので、学習に要求され
る条件は、第一に想起誤差を小さくでき、第二に入出力
データ間の因果関係を正しく抽出できるように重み係数
行列を決めることである。しかし、従来型ＢＰ法の評価
関数は、次のような問題を含んでいる。 ■重み係数行列の修正は誤差のみが反映されるため、実
際には出力に影響しない不要な因果関係が内部に残って
しまうことがある。特に、独立でないデータ項目が含ま
れている場合には、この可能性が高くなる。 ■想起誤差の自乗和に対する最急降下法（初期値から、
評価値が減少する方向にのみ修正される方法）であり、
重み係数行列の初期値に依存して収束先が変化する。こ
のため、初期値によって異なる極小値に収束し、十分な
想起精度が得られない場合がある。 本実施例では、上記の従来型ＢＰ法の課題を克服するた
めに、次のような仮説に基づいてネット内の因果関係の
総和量を抑制する評価項を加えた学習法を導入した。 つまり次のような発想に基づく学習法である。 入出力データ間の因果関係は、必要最小限の因果関係で
表現する方がより正確に表現できる。しかも、正確な因
果関係を内包するネットは、想起誤差が小さい。 この仮説に基づく学習法により。 ・不要な因果関係を抑制し、必要な因果関係を選択的に
残す学習（課題■） ・誤差に対する最急降下法を避け、初期値依存性の小さ
い学習（課題■） を行うことができる。この新しい評価項を加えたＢＰ法
を「因果選択型ＢＰ法」と呼ぶ。計算のアルゴリズムを
以下に示す。
ムに係り、特に、定量的なガイダンスを行い、さらにそ
のガイダンスの判断根拠を提示するような支援能力の高
い運転支援システムに関する。 〔従来の技術〕 上水処理プロセス、下水処理プロセス等の運転管理には
、オペレータの経験的知識を抽出し、推論機構とともに
用いる知識工学の手法が適用されている（例えば、特開
昭６３−２４０６０１号。 特開昭６１−５９５０２号等）。 知識工学による支援システムは、推論過程が論理的に明
確であり、推論によるガイダンスの根拠が提示できるの
で、オペレータに対して説得力を持つ反面、そのような
経験的知識の獲得とメンテナンスとが煩雑である。 これらの問題への解決策として、神経回路網にニューラ
ルネット）モデルによる支援技術が導入されている（例
えば、特開平１−２２４８０４号等）。 このモデルでは、運転履歴データ中に埋もれたオペレー
タの経験や勘に相当する知識を学習し、学習後のモデル
での想起により、定量的なガイダンスのみを提示する。 これにより、運転履歴データがあれば、煩雑な知識獲得
の工程なしに、運転支援を実現できる。 〔発明が解決しようとする課題〕 このような従来の神経回路網モデルによる支援システム
には、次のような課題がある。 第一に、神経回路網モデルによる学習と想起は、運転履
歴データやモデル内のパラメータ群等の多くの数値デー
タのみを介してブラックボックス的に行われるため、モ
デル内の学習された知識や想起の根拠がオペレータから
見て分からない。そのため、想起による定量的ガイダン
スの説得力が十分でない。 第二に、階層型の神経回路網モデルで用いられている逆
誤差伝搬学習法では、モデルの内部結合状態を示すパラ
メータ群（重み係数行列）が、運転履歴データに含まれ
ていない知識（入出力間の因果関係）や想起上重要でな
い知識を含むような値に収束する場合が存在する。この
ため、想起の根拠となる知識が正しくなく、想起が十分
な精度で行われない場合がある。 本発明の目的は、想起による定量的なガイダンスだけで
なく、想起根拠も示して説得力ある運転支援システムを
提供することである。 〔課題を解決するための手段〕 本発明は、上記目的を達成するために、プロセスを管理
するオペレータに対して運転支援を行うニューラルネッ
ト応用運転支援システムにおいて、ニューラルネットの
内部結合状態を解析する手段と、ニューラルネットの想
起による定量的ガイダンスを表示するとともに内部結合
状態の解析結果を想起根拠として表示する手段とを備え
たニューラルネット応用運転支援システムを提案するも
のである。 本発明は、また、前記ニューラルネット内の因果関係の
うちで不要な関係を抑制し必要な因果関係を選択的に残
す手段を有するニューラルネット応用運転支援システム
を提案するものである。 前記ニューラルネットの内部結合状態を解析する手段と
、前記ニューラルネットの想起による定量的ガイダンス
を表示するとともに前記内部結合状態の解析結果を想起
根拠として表示する手段と、前記ニューラルネット内の
因果関係のうちで不要な関係を抑制し必要な因果関係を
選択的に残す手段とを併設することも可能である。 また、前記ニューラルネット内の因果関係を定量的に評
価する手段として１着目した入力層ニューロンから着目
した出力層ニューロンに至る全経路の結合強度の積和値
を算出する手段を有し、ニューラルネットの想起誤差が
小さくなるように。 前記積和値の自乗または着目するニューロンが異なると
きの積和値の自乗和を小さくする手段を備えることがで
きる。 この積和値算出手段と当該積和値の自乗和縮小手段とを
上記各手段と併設しても良い。 さらに、前記内部結合状態を解析する手段は、階層型ニ
ューラルネットモデルの入力層内で着目したニューロン
から中間層のニューロンを経て出力層内で着目したニュ
ーロンに到る経路の結合強度の積を中間層ニューロンの
異なる全経路について加算した値に基づいて、前記入力
層ニューロンと前記出力層ニューロンとの因果関係を評
価する手段を備えることもできる。 加えて、定量的ガイダンスと想起根拠とを表示する手段
が、学習済みニューラルネット内の入力層のニューロン
と出力層のニューロンとの因果関係をルール形式好まし
くは日本語のルール形式で表示する手段を備えることが
望ましい。 具体的応用例としては、浄水処理プロセスを管理するオ
ペレータに対して運転支援を行うニューラルネット応用
運転支援システムにおいて、階層型ニューラルネットモ
デルの入力層のニューロンに前記浄水処理プロセスから
得られる水質データおよび／または画像計測データを入
力し、出力層のニューロンに薬品注入率を出力させるモ
デルを用いることが可能である。 〔作用〕 本発明は、ニューラルネットの内部結合状態を解析して
、入出力間の因果関係に関する知識を抽出し、それを想
起の根拠として、定量的なガイダンスとともにオペレー
タに提示するものである。 一方、学習は、ニューラルネットの内部結合状態が必要
最小限の因果関係しか持たないような方法によって、運
転履歴データ内に潜在している因果関係を正確に学習す
るものである。この学習方法によるニューラルネットで
、定量的ガイダンスを想起し、内部結合状態の解析を行
う。 したがって１本発明においては、定量的ガイダンスだけ
でなく、そのガイダンスを導くに至った判断根拠を提示
することにより、オペレータに対して説得力のある支援
を実行できる。 また、必要最小限の因果関係となるような学習方法によ
り、想起が正確になり、内部結合状態の解析から得られ
る想起根拠（知識）も正確になるので、信頼性の高い支
援を実行できる。 〔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
の運転管理を知能的に支援するシステムである。したが
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、浄水処理プロセス、下水処理プロセス、化学
反応プロセス、バイオプロセス、原子力発電プロセス、
株価・為替などの金融プロセスなどに適用できる。 以下、図面を参照して、本発明の詳細な説明する。 第１図は、本発明によるニューラルネット応用運転支援
システムを浄水処理プロセスの運転管理支援システムに
適用した一実施例の全体構成を示すブロック図である。 まず、浄水処理プロセスの手順を簡単に説明する。第１
図において、河川や湖沼からの原水を着水井５に導く。 着水井５の水を導入する急速混和池１０においては、凝
集剤タンク１１の凝集剤を凝集剤注入ポンプ１２により
注入し、撹拌翼１３を撹拌機１４により駆動して撹拌す
る。ここでは、フロック形成を促進するアルカリ剤を注
入することもある。フロック形成池１５には撹拌パドル
１６を配置し緩やかに回転させる。フロックは沈殿池２
０で沈降させ、その上澄み液をろ適地２５でろ過する。 次に、計測系統について説明する。原水の水質を計測す
るために、着水井５に計測器５Ｍを設置する。計測項目
は、水温、濁度、アルカリ度、電気伝導度、ｐ）（、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１５には計測器１５Ｍを設置しである。 計測器１５Ｍは、計測器９Ｍで計測する項目に加えて、
水中カメラなどの撮像手段６０を含む。沈殿池２０には
、計測器２０Ｍを設置しである。急速混和池１０にも計
測器１５Ｍと同様の計′ＩＩＪ器１０Ｍを設置し、ろ適
地２５にも計測器２５Ｍを設置することもある。これら
の計測項目は、計測器５Ｍ、１５Ｍの計測項目と同様で
ある。 以上の計測データは、支援システム１００内の運転履歴
データベース８ｏに取り込まれる。また、撮像手段６ｏ
で得られたデータは、画像処理手段７０で処理された後
、運転履歴データベース８０に取り込まれる。 次に、運転管理支援を行う知能的運転管理支援システム
（支援システム）１００を説明する。 支援システム１００は、以下のサブシステムからなる。 （１）知識ベース応用運転支援システム（知識システム
）１１０ （２）理論モデルシミュレーションシステム１２（３）
ニューラルネット応用運転支援システムにニューロシス
テム）１５０ （４）画像処理手段７０ （５）運転履歴データベース８゜ 本発明の特徴であるニューロシステム１５０は、学習手
段１６０と、内部結合状態解析手段２００と、定量的ガ
イダンスおよび想起根拠表示手段（ガイダンス表示手段
）２５ｏと、ニューラルネットベース３００とからなる
。このうち、学習手段１６０は、因果選択・抑制手段１
８０を持つことを特徴とする。 ニューロシステム１５０は、まず、過去の履歴データの
うち有用と思われるデータを運転履歴データベース８０
から教師データとして選択する。 この教師データを学習手段１６０においてニューラルネ
ットにより学習する。この学習の際に、不要な因果関係
を抑制し、必要な因果関係を選択的に残すために、因果
選択・抑制手段１８０を用いる。これについては後述す
る。 学習後のニューラルネットは、２つの役割を持つ。１つ
の役割は、想起によって運転管理に必要な定量的ガイダ
ンスを求め、結果を表示手段２５０に送ることである。 ２つ目の役割は、学習後の重み係数行列を内部結合状態
解析手段２００に送り、重み係数行列に内包される知識
を抽出することである。ここで抽出された知識は、表示
手段２５０に送られるとともに、知識システム１１０に
送られ、推論用のルールとされる。知識の抽出方法につ
いては後述する。 表示手段２５０では、定量的ガイダンスと抽出知識とを
ＣＲＴ９０の画面上に表示する。これにより、オペレー
タはニューラルネットからのガイダンスがいかにして導
かれたかの根拠を知ることができる。 次に、支援システム１００への各種データの入出力につ
いて説明する。 まず、入力について説明する。計測器５Ｍ、１０Ｍ、２
０Ｍ、２５Ｍ、および撮像手段６０では、所定時間間隔
でデータをサンプリングする。サンプリングされたデー
タは、運転履歴データベース８０に送られて保存される
。また、計測器によるオンライン計測ができない手分析
データや目視観察データは、キーボード９５から、ＣＲ
Ｔ ９’ Ｏの画面上のメツセージを参照しながら、対
話的に入力される。 次に、出力について説明する。支援システム１００は、
入力されたデータに基づいてガイダンスする内容を決定
する。支援システム１００内の知識システム１１０およ
びニューロシステム１５０から得られたガイダンスは、
ＣＲＴ９０の画面を通してオペレータに表示される。な
お、このＣＲＴ９０は、必要に応じて撮像手段６０から
の映像を映すモニタも兼ねることができる。 オペレータはガイダンスを参考に、操作量の必要と認め
られる変更などをキーボード９５を通して、制御手段５
ｏに入力する。制御手段５０は、入力データに従ってプ
ロセスの各機器を制御する。 なお、支援システム１００からのガイダンスが直接に制
御手段５０に入力されることもある。 以上が、本実施例の全体の構成と動作の概要である。 次に、ニューロシステム１５０内で行われる神経回路網
にニューラルネット）モデルの学習および知識抽出方法
について順に説明する。 モデルの基本となっているのは、脳を構成する神経ＷＩ
Ｗ＆ にニューロン）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単体の数理モデルが広く
利用されている。 第２図は、ニューロンの基本動作を示す。図に示すモデ
ルは式（１）〜（３）のように多大カー出力系のしきい
値特性を持つ関数で表現される。 ）’ｚｘ＝ｆ （ｕｚａ） ”
’（ｔ）ｕｚｔ＝ΣＷ２ａ、１＋ ’ Ｘｌｔ
°−（２）ｆ（ｕ）＝１／ （１＋ｅｘｐ（−
ｕ十〇））−（３）ただし、ｙ２□：ニューロン２ｊの
出力信号ｕ２１：ニューロン２ｊへの入力の積和Ｗ２ａ
、１＋：ニューロン１ｊ、２ｊ間の重み係数Ｘ１＋＊ニ
ユーロン１ｊからの入力信号ｆ：シグモイド関数 θ：しきい値 つまり、他のニューロンから着目したニューロンへの信
号は、両者間の結合強度（重み係数、シナプス強度）に
応じてＷ ２ Ｊ 、□１が乗じられる。これらの重み
付き人力信号Ｗ ２ Ｊ 、 ｚ ｔ・Ｘ□！の総和ｕ
２゜があるしきい値θを越えたときに、そのニューロン
は興奮して出力信号ｙ２□を出す。このときのしきい値
特性を決定するのが式（３）のシグモイド関数である。 ニューラルネットモデルは、上述のニューロンを基本構
成要素とするネットワーク型のモデルである。モデルは
複数のものが提案されているが、本発明ではニューロン
を階層的に結合させた階層型モデル（別名、Ｒｕｍｅｌ
ｈａｒｔ型モデル）を使用する。このモデルは第３図に
示すように、入力層と中間層と出力層とからなる３層構
造である。 ニューラルネットモデルの学習は、想起誤差が減少する
ように重み係数行列を修正することにより行う。学習ア
ルゴリズムとして最も多用される従来型ＢＰ法（アルゴ
リズムの詳細は、Ｒｕｍｅｌ−ｈａｒｔ、Ｄ、Ｅ、、ｅ
ｔｃ（１９８６）Ｌｅａｒｎｉｎｇ Ｒｅｐｒｅｓｅｎ
ｔａｔｉｏｎｓ ｂｙＢａｃｋｐｒｏｐａｇａｔｉｎｇ
Ｅｒｒｏｒｓ、Ｎａｔｕｒｅ、ｖｏｌ、３２３などを
参照されたい）は、想起誤差の自乗和を評価関数と定義
し、その評価関数が減少するように重み係数行列を修正
する。ニューロシステム１５０は、想起によるガイダン
スと想起根拠の提示を目的とするので、学習に要求され
る条件は、第一に想起誤差を小さくでき、第二に入出力
データ間の因果関係を正しく抽出できるように重み係数
行列を決めることである。しかし、従来型ＢＰ法の評価
関数は、次のような問題を含んでいる。 ■重み係数行列の修正は誤差のみが反映されるため、実
際には出力に影響しない不要な因果関係が内部に残って
しまうことがある。特に、独立でないデータ項目が含ま
れている場合には、この可能性が高くなる。 ■想起誤差の自乗和に対する最急降下法（初期値から、
評価値が減少する方向にのみ修正される方法）であり、
重み係数行列の初期値に依存して収束先が変化する。こ
のため、初期値によって異なる極小値に収束し、十分な
想起精度が得られない場合がある。 本実施例では、上記の従来型ＢＰ法の課題を克服するた
めに、次のような仮説に基づいてネット内の因果関係の
総和量を抑制する評価項を加えた学習法を導入した。 つまり次のような発想に基づく学習法である。 入出力データ間の因果関係は、必要最小限の因果関係で
表現する方がより正確に表現できる。しかも、正確な因
果関係を内包するネットは、想起誤差が小さい。 この仮説に基づく学習法により。 ・不要な因果関係を抑制し、必要な因果関係を選択的に
残す学習（課題■） ・誤差に対する最急降下法を避け、初期値依存性の小さ
い学習（課題■） を行うことができる。この新しい評価項を加えたＢＰ法
を「因果選択型ＢＰ法」と呼ぶ。計算のアルゴリズムを
以下に示す。
【出力層と中間層間の重み係数Ｗ ３ ｋ 、 ２ Ｊ
］△Ｗ３に、２ａＯ： （ａ Ｅ’ｅｃ、ｘｈ／
ａ Ｗ３に、ｚＪ） ”’（４）ＥＥｃ、３に＝ＥＥ
３、十Ｅｃ、Ｊｋ・・・（５）ＥＥ、３に＝０．５ （
ｙｉｈｔ ｙ３ｋ）” −（６）Ｅｃ、３ｈ ＝
Ｑ、５ ｉΣＣ３（Ｂ −（７）【中間層と入
力層間の重み係数Ｗ ２ Ｊ 、 、＋ １ｂｗ２．
、１． ＣＣ−Σ（ａ ＥＥＣ，３に／ ａ ｗｚＪ、
、ｔ）・・１８）ＥＥＣ’ ３ｍ＝ ＥＥ、３に＋
Ｅｃ ＋３ｋ ・−・（９）ＥＥ、３ｋ
＝ ＯＴ ５ （ｙａｈｔ−ｙ３＋＋）”
・・・（１０）Ｅｃ ＋ｉｋ ＝ ０ 、 ５
Ｃｆｆ（、＋ ・＝（１１）ただし
、 ・Ｃ３に、１＋：出力層ニューロン３にと入力層ニュー
ロン１１の因果性尺度 ・Ｅｃ、３ｂ ：因果抑制評価関数（出力層）・Ｅｃ
、３ｈ：因果抑制評価関数（中間層）・ＥＥ、３に
：誤差評価関数 ・ＥＥｃ、ｚｋ：因果選択型ＢＰ法の評価関数・Ｅｃ
、□に：因果選択型ＢＰ法の評価関数’ Ｗ３ｈ４Ｊ
：出力層ニューロン３にと入力層ニューロン２５間の重
み係数 ・ΔＷ３に、２． ：重み係数Ｗ３ｈ４Ｊ修正量・Ｗ２
Ｊ４ｔ：中間層ニューロン２ｊと入力層ニューロン１１
間の重み係数 ・Δｗ、ａ、、、 ：重み係数Ｗ２Ｊ４＋修正量・Ｘｌ
ｔ ：入力層ニューロン１ｊへの入力・３’ｚＪ
：中間層ニューロン２ｊの出力・ｙ３ｋ ＝出力
層ニューロン３にの出力・ｙｏ、 ：出力層ニューロン
３ｋに対する教師信号 ・ε ：因果抑制係数 式（４）と（８）は重み係数を評価関数に対する最急降
下法で行うことを意味する。式（６）と（１０）は従来
型ＢＰ法でも用いられている誤差の評価項で、公知のも
のである。 一方、式（７）と（１１）は本発明で新たに導入したも
のであり、ニューラルネットに内包される因果関係の総
和を示す評価項である。ここでＣ，に、□１は入力層ニ
ューロン１１と出力層ニューロン３に間の因果関係の強
さを示す値であり、ｒ因果性尺度」と定義する。つまり
、この因果性尺度の自乗和を因果関係の総和とする。因
果性尺度の詳細については、後の知識抽出方法のところ
で詳述する。 この項の導入により、ネット内の因果関係を減少させる
ように学習が行われる。因果抑制係数εを調整すれば、
因果抑制の度合いを変えることが可能である。浄水プロ
セスの凝集剤注入データの学習の場合では、ε＝ＩＸ１
０−’〜２Ｘ１０−’で最も想起精度が良くなる。 次に、この因果選択型ＢＰ法を使った学習手段１６０の
構成を具体的に説明する。第４図は、学習手段１６０の
工程の構成を示すブロック図である。 まず、学習パターン選択工程１６５において、学習に用
いる学習パターンを運転履歴データベース８ｏから選択
する。この工程では、プロセスの運転が良好に行われた
時のデータの中から、そのデータの学習によって以前ま
でのデータよりも想起誤差が下がるデータのみを選択す
る。また、この工程においては、オペレータが対話形式
で任意の学習パターンを選択することもできる。 続いて、学習パラメータ設定工程１７０およびネット構
造設定工程１７５で必要な条件を設定する。学習パラメ
ータとしては、誤差の反映のさせ方を調整する加速係数
ηや過去の重み係数修正分をどの程度反映させるかを調
整するスムージング係数α等がある。また、ネット構造
としては、ニューラルネットモデルの各層のニューロン
数がある。 学習工程１８５では、先の工程で設定された学習条件に
基づいて因果選択型ＢＰ法による学習を行う。因果選択
・抑制手段１８０は、先に説明した因果抑制係数εを調
整する機能である。この手段が働かない場合、つまり、
ｉ＝ｏの場合は因果抑制が全くかからない学習であるの
で、従来型ＢＰ法に相当する。 学習結果書き出し工程１９０では、学習後の重み係数行
列を数値ファイルとしてニューラルネットベース３００
に書き出して保存する。 学習手段１６０の最後は、想起工程１９５であり、ここ
で想起された値は定量的ガイダンスとして表示手段２５
０に送られる。 次に、内部結合状態解析手段２００について説明する。 ここでは、学習済のネットの重み係数行列を解析し、ネ
ット内に内包される知識（因果関係）を抽出し、想起の
根拠とする。第５図は、内部結合状態解析手段２００の
工程の構成を示すブロック図である。 まず、ネット読み込み工程２０５により、ニューラルネ
ットベース３００から学習済みの重み係数行列を読み込
む。 因果性尺度算出工程２１０では、読み込まれた重み係数
行列により、ネットの入出力間の因果関係を評価するた
めの「因果性尺度」を算出する。 ここで因果性尺度について説明する。学習済ネットが入
カバターンに対して正しい出力を想起できるのは、ネッ
ト内部に入出力間の因果関係と等価な知識を内包してい
るからである。ネット入力層の入力が圧力層の出力に及
ぼす影響の度合いは、着目したＸ□１から着目したｙ３
ｋに到るネット上の全経路の影響を合成したものである
。このうち、Ｘ１１から中間層のニューロン２ｊを通過
してｙｆｆｋに至る経路ｊ（ｊ：１〜中間層ニューロン
数）の影響は、Ｘ１ｔが変化したときのｙｆｆｋの変化
の度合い、つまり式（１２）で示す偏微分で評価する。 【Ｘ工、のｙ２にへの影響の度合い；経路ｊ】ｃｃ＜ａ
ｙ３に／ ａ Ｘ、ｔ） Ｊ −（１
２）式（１２）の偏微分はＷ３ｈ、 ２ｊ＋ Ｗ２Ｊ、
ｘｌを用いて式（１３）で表される。 Ｃａ ｙａｂ／ ａ ｘ、） ｔ”＝ ｆ ’ （ｕ３ｂ）’ ｆ ’ （ｕ、Ｊ）−
ｗ、に、 ｚＪＷ２Ｊ＋ １１・・・（１３） 式（１３）のＷ３ｂ、ｚＪおよびＷ２□９、皿は学習ネ
ットでは確定した値となるが、シグモイド関数の微分値
ｆ’（ｕ３ｋ）、ｆ ’ （ｕｚＪ）は、シグモイド関
数が非線形であるため、出力層と中間層のニューロンの
内部状態ｕ３にとｕｚＪで決まる。ｕｆｆｋとｕ２゜は
ｘ□ｔ （ｉ ： １〜大入力ニューロン数）のパター
ン□１に依存するので、代表的なＸ、Ｉのパターンが求
められれば、ｆ’（ｕ、Ｊとｆ’（ｕｚＪ）を含めて評
価できるが、実際上そのようなＸＩＩのパターンを求め
るのは困難である。 したがって、ここではｆ ’ （ｕ３ｈ）とｆ’（ｕｚ
Ｊ）は一定という条件を仮定して評価する。この仮定の
もとに、式（１２）を中間層ニューロンを通る全ての路
について合成したものが式（１４）である。これをＸ工
、と’ｊ ３にの因果関係を評価するｆ因果性尺度Ｃ３
ｈ、１ｔＪと定義する。 Ｃｒｂｔｔｔ＝ΣＷ３に、 ２□Ｗ２ｔｐｚｔ
・・・（１４）Ｃ３ｈ、ｌｔは上記の仮定によ
り、ｕ３ｂとｕｚＪの値が０に近く、シグモイド関数が
線形近似できる範囲では正しい評価がなされる。 知識変換工程２１５では、算出された因果性尺度により
、知識を求める。Ｃ３ｋｔｉｌの絶対値の大小によりｘ
ｌｌとｙ３にとの因果関係の強弱を知り、符号の正負に
より相関の正負を知ることができる。 これを利用して、Ｃ３ｋ、□、からＸ１１とｙ３ｋに関
する（１５）のような知識に変換する。 もし、データＸＬＩが高ければ、 データｙ、には高＜（ｏｒ低く）なる ・・・（１５）
ここで得られた１ｆ−ｔｈｅｎ型の知識は、ネットが行
なう想起の根拠として表示手段２５０に送られる。また
、ここで抽出された知識は知識システム１１０にも送ら
れ、オペレータにより正しいと認められた知識について
は知識システム１１０内の知識ベース（図示せず）に保
存し、推論に利用する。 本発明の特徴の一つである内部結合状態解析手段を用い
ることにより、知識工学のボトルネックである知識獲得
を支援できる。 本発明のもう一つの特徴である表示手段２５０では、第
６図に示すように、学習手段１６０からの定量ガイダン
スを定量的ガイダンス表示工程２５５で表示し、また内
部結合状態解析手段２００からの知識を想起根拠表示手
段２６０で表示する。 これまでのニューラルネットによる運転支援では、想起
根拠を示す手段がなく、定量的なガイダンスをブラック
ボックス的に提示するにとどまっていたため、オペレー
タがそのガイダンスを正しいものとして利用してよいか
どうか判断に窮することがあった。 これに対して、本発明においては、第７図のように、想
起判断根拠を日本語のルール形式で示しており、オペレ
ータにとってより使いやすく、説得力を持ったガイダン
スが可能である。 次に、本実施例のニューロシステム１５０を浄水プロセ
スで運用する場合を例に採り１本発明の学習方法につい
て説明する。 浄水プラントでは、流入水質や計測器の特性が経時的に
変化するために、これに応じて凝集剤注入方法も変化す
る。この状況変化に対応して、ニューラルネットが臨機
応変に学習していけば、自己成長性を有する運転支援が
行える。このような学習は、第８図に示すような運用手
順により行う。 この運用手順の考え方は、 ａ、処理良好でしかも過去の運転履歴と大きく矛盾しな
いデータのみをネットに反映させる。 ｂ、過去の運転履歴を尊重しつつ、新たなデータを最も
強く反映させる。 Ｃ，メンテナンスフリーで自動学習する。 ことにより、プラントデータ群の構造変化に適応して常
に最適なガイダンスを行うことである。 第８図の自動追加学習の手順に基づき、データを１日周
期で追加学習しながらガイダンスを行う。 なお１手順中の学習判定日数Ｎとは、ネット更新の条件
として履歴デー９８日分の平均想起誤差を求めるための
日数である。つまり、ネット更新は過去のＮ日分のデー
タと矛盾しない（Ｎ日分の平均想起誤差が増加しない）
場合にだけ行う。 浄水処理プロセスの凝集剤注入操作の場合、最適なＮ値
は晴天時などの流入原水が低濁度時には１日、降雨時な
どの高濁度時では７日分以上（高濁度時は平均して月に
２．３度なので１期間にして３か月分程度）であること
を確認している。 本実施例においては、定量的ガイダンスと併せて、想起
根拠を日本語の知識で示すことができ、より知能的な運
転支援が可能になる。また、ニューラルネットの学習に
おいてネット内の因果関係を適度に抑制する学習を行う
ことにより、従来の学習法以上の想起精度を達成でき、
しかも、そこから抽出される知識はより信頼性の高いも
のとなる。 本実施例では、浄水処理プロセスを対象としたが、これ
以外にもオペレータの判断が重要とされている各種プロ
セスにおいても、全く同様の効果を得ることができる。 〔発明の効果〕 本発明によれば、定量的ガイダンスとともに想起根拠を
日本語で表示する手段により、従来のニューラルネット
応用運転支援システムでは不十分であったオペレータへ
のガイダンスの説得力を高めることができる。 また、ニューラルネット内の因果関係を抑制する新しい
学習法により、想起による定量的ガイダンスの精度およ
び想起根拠として示される知識の信頼性を高めることが
できる。 その結果、オペレータ単独でプロセスの運転管理を行う
場合よりも、信頼性の高い運転を実現でき、オペレータ
の負担が軽減される。
］△Ｗ３に、２ａＯ： （ａ Ｅ’ｅｃ、ｘｈ／
ａ Ｗ３に、ｚＪ） ”’（４）ＥＥｃ、３に＝ＥＥ
３、十Ｅｃ、Ｊｋ・・・（５）ＥＥ、３に＝０．５ （
ｙｉｈｔ ｙ３ｋ）” −（６）Ｅｃ、３ｈ ＝
Ｑ、５ ｉΣＣ３（Ｂ −（７）【中間層と入
力層間の重み係数Ｗ ２ Ｊ 、 、＋ １ｂｗ２．
、１． ＣＣ−Σ（ａ ＥＥＣ，３に／ ａ ｗｚＪ、
、ｔ）・・１８）ＥＥＣ’ ３ｍ＝ ＥＥ、３に＋
Ｅｃ ＋３ｋ ・−・（９）ＥＥ、３ｋ
＝ ＯＴ ５ （ｙａｈｔ−ｙ３＋＋）”
・・・（１０）Ｅｃ ＋ｉｋ ＝ ０ 、 ５
Ｃｆｆ（、＋ ・＝（１１）ただし
、 ・Ｃ３に、１＋：出力層ニューロン３にと入力層ニュー
ロン１１の因果性尺度 ・Ｅｃ、３ｂ ：因果抑制評価関数（出力層）・Ｅｃ
、３ｈ：因果抑制評価関数（中間層）・ＥＥ、３に
：誤差評価関数 ・ＥＥｃ、ｚｋ：因果選択型ＢＰ法の評価関数・Ｅｃ
、□に：因果選択型ＢＰ法の評価関数’ Ｗ３ｈ４Ｊ
：出力層ニューロン３にと入力層ニューロン２５間の重
み係数 ・ΔＷ３に、２． ：重み係数Ｗ３ｈ４Ｊ修正量・Ｗ２
Ｊ４ｔ：中間層ニューロン２ｊと入力層ニューロン１１
間の重み係数 ・Δｗ、ａ、、、 ：重み係数Ｗ２Ｊ４＋修正量・Ｘｌ
ｔ ：入力層ニューロン１ｊへの入力・３’ｚＪ
：中間層ニューロン２ｊの出力・ｙ３ｋ ＝出力
層ニューロン３にの出力・ｙｏ、 ：出力層ニューロン
３ｋに対する教師信号 ・ε ：因果抑制係数 式（４）と（８）は重み係数を評価関数に対する最急降
下法で行うことを意味する。式（６）と（１０）は従来
型ＢＰ法でも用いられている誤差の評価項で、公知のも
のである。 一方、式（７）と（１１）は本発明で新たに導入したも
のであり、ニューラルネットに内包される因果関係の総
和を示す評価項である。ここでＣ，に、□１は入力層ニ
ューロン１１と出力層ニューロン３に間の因果関係の強
さを示す値であり、ｒ因果性尺度」と定義する。つまり
、この因果性尺度の自乗和を因果関係の総和とする。因
果性尺度の詳細については、後の知識抽出方法のところ
で詳述する。 この項の導入により、ネット内の因果関係を減少させる
ように学習が行われる。因果抑制係数εを調整すれば、
因果抑制の度合いを変えることが可能である。浄水プロ
セスの凝集剤注入データの学習の場合では、ε＝ＩＸ１
０−’〜２Ｘ１０−’で最も想起精度が良くなる。 次に、この因果選択型ＢＰ法を使った学習手段１６０の
構成を具体的に説明する。第４図は、学習手段１６０の
工程の構成を示すブロック図である。 まず、学習パターン選択工程１６５において、学習に用
いる学習パターンを運転履歴データベース８ｏから選択
する。この工程では、プロセスの運転が良好に行われた
時のデータの中から、そのデータの学習によって以前ま
でのデータよりも想起誤差が下がるデータのみを選択す
る。また、この工程においては、オペレータが対話形式
で任意の学習パターンを選択することもできる。 続いて、学習パラメータ設定工程１７０およびネット構
造設定工程１７５で必要な条件を設定する。学習パラメ
ータとしては、誤差の反映のさせ方を調整する加速係数
ηや過去の重み係数修正分をどの程度反映させるかを調
整するスムージング係数α等がある。また、ネット構造
としては、ニューラルネットモデルの各層のニューロン
数がある。 学習工程１８５では、先の工程で設定された学習条件に
基づいて因果選択型ＢＰ法による学習を行う。因果選択
・抑制手段１８０は、先に説明した因果抑制係数εを調
整する機能である。この手段が働かない場合、つまり、
ｉ＝ｏの場合は因果抑制が全くかからない学習であるの
で、従来型ＢＰ法に相当する。 学習結果書き出し工程１９０では、学習後の重み係数行
列を数値ファイルとしてニューラルネットベース３００
に書き出して保存する。 学習手段１６０の最後は、想起工程１９５であり、ここ
で想起された値は定量的ガイダンスとして表示手段２５
０に送られる。 次に、内部結合状態解析手段２００について説明する。 ここでは、学習済のネットの重み係数行列を解析し、ネ
ット内に内包される知識（因果関係）を抽出し、想起の
根拠とする。第５図は、内部結合状態解析手段２００の
工程の構成を示すブロック図である。 まず、ネット読み込み工程２０５により、ニューラルネ
ットベース３００から学習済みの重み係数行列を読み込
む。 因果性尺度算出工程２１０では、読み込まれた重み係数
行列により、ネットの入出力間の因果関係を評価するた
めの「因果性尺度」を算出する。 ここで因果性尺度について説明する。学習済ネットが入
カバターンに対して正しい出力を想起できるのは、ネッ
ト内部に入出力間の因果関係と等価な知識を内包してい
るからである。ネット入力層の入力が圧力層の出力に及
ぼす影響の度合いは、着目したＸ□１から着目したｙ３
ｋに到るネット上の全経路の影響を合成したものである
。このうち、Ｘ１１から中間層のニューロン２ｊを通過
してｙｆｆｋに至る経路ｊ（ｊ：１〜中間層ニューロン
数）の影響は、Ｘ１ｔが変化したときのｙｆｆｋの変化
の度合い、つまり式（１２）で示す偏微分で評価する。 【Ｘ工、のｙ２にへの影響の度合い；経路ｊ】ｃｃ＜ａ
ｙ３に／ ａ Ｘ、ｔ） Ｊ −（１
２）式（１２）の偏微分はＷ３ｈ、 ２ｊ＋ Ｗ２Ｊ、
ｘｌを用いて式（１３）で表される。 Ｃａ ｙａｂ／ ａ ｘ、） ｔ”＝ ｆ ’ （ｕ３ｂ）’ ｆ ’ （ｕ、Ｊ）−
ｗ、に、 ｚＪＷ２Ｊ＋ １１・・・（１３） 式（１３）のＷ３ｂ、ｚＪおよびＷ２□９、皿は学習ネ
ットでは確定した値となるが、シグモイド関数の微分値
ｆ’（ｕ３ｋ）、ｆ ’ （ｕｚＪ）は、シグモイド関
数が非線形であるため、出力層と中間層のニューロンの
内部状態ｕ３にとｕｚＪで決まる。ｕｆｆｋとｕ２゜は
ｘ□ｔ （ｉ ： １〜大入力ニューロン数）のパター
ン□１に依存するので、代表的なＸ、Ｉのパターンが求
められれば、ｆ’（ｕ、Ｊとｆ’（ｕｚＪ）を含めて評
価できるが、実際上そのようなＸＩＩのパターンを求め
るのは困難である。 したがって、ここではｆ ’ （ｕ３ｈ）とｆ’（ｕｚ
Ｊ）は一定という条件を仮定して評価する。この仮定の
もとに、式（１２）を中間層ニューロンを通る全ての路
について合成したものが式（１４）である。これをＸ工
、と’ｊ ３にの因果関係を評価するｆ因果性尺度Ｃ３
ｈ、１ｔＪと定義する。 Ｃｒｂｔｔｔ＝ΣＷ３に、 ２□Ｗ２ｔｐｚｔ
・・・（１４）Ｃ３ｈ、ｌｔは上記の仮定によ
り、ｕ３ｂとｕｚＪの値が０に近く、シグモイド関数が
線形近似できる範囲では正しい評価がなされる。 知識変換工程２１５では、算出された因果性尺度により
、知識を求める。Ｃ３ｋｔｉｌの絶対値の大小によりｘ
ｌｌとｙ３にとの因果関係の強弱を知り、符号の正負に
より相関の正負を知ることができる。 これを利用して、Ｃ３ｋ、□、からＸ１１とｙ３ｋに関
する（１５）のような知識に変換する。 もし、データＸＬＩが高ければ、 データｙ、には高＜（ｏｒ低く）なる ・・・（１５）
ここで得られた１ｆ−ｔｈｅｎ型の知識は、ネットが行
なう想起の根拠として表示手段２５０に送られる。また
、ここで抽出された知識は知識システム１１０にも送ら
れ、オペレータにより正しいと認められた知識について
は知識システム１１０内の知識ベース（図示せず）に保
存し、推論に利用する。 本発明の特徴の一つである内部結合状態解析手段を用い
ることにより、知識工学のボトルネックである知識獲得
を支援できる。 本発明のもう一つの特徴である表示手段２５０では、第
６図に示すように、学習手段１６０からの定量ガイダン
スを定量的ガイダンス表示工程２５５で表示し、また内
部結合状態解析手段２００からの知識を想起根拠表示手
段２６０で表示する。 これまでのニューラルネットによる運転支援では、想起
根拠を示す手段がなく、定量的なガイダンスをブラック
ボックス的に提示するにとどまっていたため、オペレー
タがそのガイダンスを正しいものとして利用してよいか
どうか判断に窮することがあった。 これに対して、本発明においては、第７図のように、想
起判断根拠を日本語のルール形式で示しており、オペレ
ータにとってより使いやすく、説得力を持ったガイダン
スが可能である。 次に、本実施例のニューロシステム１５０を浄水プロセ
スで運用する場合を例に採り１本発明の学習方法につい
て説明する。 浄水プラントでは、流入水質や計測器の特性が経時的に
変化するために、これに応じて凝集剤注入方法も変化す
る。この状況変化に対応して、ニューラルネットが臨機
応変に学習していけば、自己成長性を有する運転支援が
行える。このような学習は、第８図に示すような運用手
順により行う。 この運用手順の考え方は、 ａ、処理良好でしかも過去の運転履歴と大きく矛盾しな
いデータのみをネットに反映させる。 ｂ、過去の運転履歴を尊重しつつ、新たなデータを最も
強く反映させる。 Ｃ，メンテナンスフリーで自動学習する。 ことにより、プラントデータ群の構造変化に適応して常
に最適なガイダンスを行うことである。 第８図の自動追加学習の手順に基づき、データを１日周
期で追加学習しながらガイダンスを行う。 なお１手順中の学習判定日数Ｎとは、ネット更新の条件
として履歴デー９８日分の平均想起誤差を求めるための
日数である。つまり、ネット更新は過去のＮ日分のデー
タと矛盾しない（Ｎ日分の平均想起誤差が増加しない）
場合にだけ行う。 浄水処理プロセスの凝集剤注入操作の場合、最適なＮ値
は晴天時などの流入原水が低濁度時には１日、降雨時な
どの高濁度時では７日分以上（高濁度時は平均して月に
２．３度なので１期間にして３か月分程度）であること
を確認している。 本実施例においては、定量的ガイダンスと併せて、想起
根拠を日本語の知識で示すことができ、より知能的な運
転支援が可能になる。また、ニューラルネットの学習に
おいてネット内の因果関係を適度に抑制する学習を行う
ことにより、従来の学習法以上の想起精度を達成でき、
しかも、そこから抽出される知識はより信頼性の高いも
のとなる。 本実施例では、浄水処理プロセスを対象としたが、これ
以外にもオペレータの判断が重要とされている各種プロ
セスにおいても、全く同様の効果を得ることができる。 〔発明の効果〕 本発明によれば、定量的ガイダンスとともに想起根拠を
日本語で表示する手段により、従来のニューラルネット
応用運転支援システムでは不十分であったオペレータへ
のガイダンスの説得力を高めることができる。 また、ニューラルネット内の因果関係を抑制する新しい
学習法により、想起による定量的ガイダンスの精度およ
び想起根拠として示される知識の信頼性を高めることが
できる。 その結果、オペレータ単独でプロセスの運転管理を行う
場合よりも、信頼性の高い運転を実現でき、オペレータ
の負担が軽減される。
第１図は本発明によるニューラルネット応用運転支援シ
ステムを浄水処理プロセスの運転管理支援に適用した実
施例の全体構成を示すブロック図、第２図はニューラル
ネットの基本構成要素となる神経細胞にューロン）の基
本動作を示す図、第３図は本発明で用いた階層型ニュー
ラルネットモデルの構成の一例を示す図、第４図は学習
手段の動作を示すフローチャート、第５図はニューラル
ネットの内部結合状態解析手段の動作を示すフローチャ
ート、第６図はガイダンスの表示手段のフローチャート
、第７図は表示手段の画面構成例を示す図、第８図は自
動追加学習によるシステム運用を示すフローチャートで
ある。 ５・・・着水井、１０・・・急速混和池、１１・・・凝
集剤タンク、１２・・凝集剤注入ポンプ、１３・・・撹
拌翼、１４・・・撹拌機、１５・・・フロック形成池、
１６・・・撹拌パドル、５Ｍ、ＩＯＭ、１５Ｍ、２５Ｍ
・・・計測器、２０・・・沈殿池、２５・・・ろ適地、
５０・・・制御手段、６０・・・撮像手段、７０・・・
画像処理手段、８０・・・運転履歴データベース、９０
・・・ＣＲＴ、９５・・・キーボード、１００・・・支
援システム、１１０・・・知識ベース応用運転支援シス
テム、１２０・・・理論モデルシミュレーションシステ
ム、１５０・・・ニューロシステム、１６０・・・学習
手段、１８０・・・因果選択・抑制手段、 ２００・・・内部結合状態解析手段、 ２５０・・・定量的ガイダンスおよび想起根拠表示手段
、 ３００・・・ニューラルネットベース。
ステムを浄水処理プロセスの運転管理支援に適用した実
施例の全体構成を示すブロック図、第２図はニューラル
ネットの基本構成要素となる神経細胞にューロン）の基
本動作を示す図、第３図は本発明で用いた階層型ニュー
ラルネットモデルの構成の一例を示す図、第４図は学習
手段の動作を示すフローチャート、第５図はニューラル
ネットの内部結合状態解析手段の動作を示すフローチャ
ート、第６図はガイダンスの表示手段のフローチャート
、第７図は表示手段の画面構成例を示す図、第８図は自
動追加学習によるシステム運用を示すフローチャートで
ある。 ５・・・着水井、１０・・・急速混和池、１１・・・凝
集剤タンク、１２・・凝集剤注入ポンプ、１３・・・撹
拌翼、１４・・・撹拌機、１５・・・フロック形成池、
１６・・・撹拌パドル、５Ｍ、ＩＯＭ、１５Ｍ、２５Ｍ
・・・計測器、２０・・・沈殿池、２５・・・ろ適地、
５０・・・制御手段、６０・・・撮像手段、７０・・・
画像処理手段、８０・・・運転履歴データベース、９０
・・・ＣＲＴ、９５・・・キーボード、１００・・・支
援システム、１１０・・・知識ベース応用運転支援シス
テム、１２０・・・理論モデルシミュレーションシステ
ム、１５０・・・ニューロシステム、１６０・・・学習
手段、１８０・・・因果選択・抑制手段、 ２００・・・内部結合状態解析手段、 ２５０・・・定量的ガイダンスおよび想起根拠表示手段
、 ３００・・・ニューラルネットベース。
Claims (8)
- １． プロセスを管理するオペレータに対して運転支援
を行うニューラルネット応用運転支援システムにおいて
、 前記ニューラルネットの内部結合状態を解析する手段と
、 前記ニューラルネットの想起による定量的ガイダンスを
表示するとともに前記内部結合状態の解析結果を想起根
拠として表示する手段とを備えたことを特徴とするニュ
ーラルネット応用運転支援システム。 - ２． プロセスを管理するオペレータに対して運転支援
を行うニューラルネット応用運転支援システムにおいて
、 前記ニューラルネット内の因果関係のうちで不要な関係
を抑制し必要な因果関係を選択的に残す手段を有するこ
とを特徴とするニューラルネット応用運転支援システム
。 - ３． プロセスを管理するオペレータに対して運転支援
を行うニューラルネット応用運転支援システムにおいて
、 前記ニューラルネットの内部結合状態を解析する手段と
、 前記ニューラルネットの想起による定量的ガイダンスを
表示するとともに前記内部結合状態の解析結果を想起根
拠として表示する手段と前記ニューラルネット内の因果
関係のうちで不要な関係を抑制し必要な因果関係を選択
的に残す手段を有することを特徴とするニューラルネッ
ト応用運転支援システム。 - ４． プロセスを管理するオペレータに対して運転支援
を行うニューラルネット応用運転支援システムにおいて
、 前記ニューラルネット内の因果関係を定量的に評価する
手段として、着目した入力層ニューロンから着目した出
力層ニューロンに至る全経路の結合強度の積和値を算出
する手段を有し、ニューラルネットの想起誤差が小さく
なるように、前記積和値の自乗または着目するニューロ
ンが異なるときの積和値の自乗和を小さくする手段を備
えたことを特徴とするニューラルネット応用運転支援シ
ステム。 - ５． 請求項１ないし３のいずれか一項に記載のニュー
ラルネット応用運転支援システムにおいて、請求項４に
記載の積和値算出手段と当該積和値の自乗和縮小手段と
を備えたことを特徴とするニューラルネット応用運転支
援システム。 - ６． 請求項１または３または５に記載のニューラルネ
ット応用運転支援システムにおいて、 前記内部結合状態を解析する手段が、階層型ニューラル
ネットモデルの入力層内で着目したニューロンから中間
層のニューロンを経て出力層内で着目したニューロンに
到る経路の結合強度の積を中間層ニューロンの異なる全
経路について加算した値に基づいて、前記入力層ニュー
ロンと前記出力層ニューロンとの因果関係を評価する手
段を備えたことを特徴とするニューラルネット応用運転
支援システム。 - ７． 請求項４ないし６のいずれか一項に記載のニュー
ラルネット応用運転支援システムにおいて、前記定量的
ガイダンスと想起根拠とを表示する手段が、学習済みニ
ューラルネット内の入力層のニューロンと出力層のニュ
ーロンとの因果関係をルール形式で表示する手段を備え
たことを特徴とするニューラルネット応用運転支援シス
テム。 - ８． 浄水処理プロセスを管理するオペレータに対して
運転支援を行うニューラルネット応用運転支援システム
において、 階層型ニューラルネットモデルの入力層のニューロンに
前記浄水処理プロセスから得られる水質データおよび／
または画像計測データを入力し、出力層のニューロンに
薬品注入率を出力させるモデルを用いることを特徴とす
る請求項１ないし７のいずれか一項に記載のニューラル
ネット応用運転支援システム。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2256094A JP2821580B2 (ja) | 1990-09-26 | 1990-09-26 | ニューラルネット応用運転支援システム |
| US07/765,839 US5581459A (en) | 1990-09-26 | 1991-09-26 | Plant operation support system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2256094A JP2821580B2 (ja) | 1990-09-26 | 1990-09-26 | ニューラルネット応用運転支援システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH04133164A true JPH04133164A (ja) | 1992-05-07 |
| JP2821580B2 JP2821580B2 (ja) | 1998-11-05 |
Family
ID=17287812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2256094A Expired - Fee Related JP2821580B2 (ja) | 1990-09-26 | 1990-09-26 | ニューラルネット応用運転支援システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2821580B2 (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018198027A (ja) * | 2017-05-25 | 2018-12-13 | 株式会社教育ソフトウェア | 要因分析装置 |
| WO2022070231A1 (ja) * | 2020-09-29 | 2022-04-07 | 日本電気株式会社 | プラント制御支援システム、提案装置、提案方法およびプログラム記憶媒体 |
| JPWO2023162364A1 (ja) * | 2022-02-28 | 2023-08-31 | ||
| CN120065948A (zh) * | 2025-02-26 | 2025-05-30 | 北京工业大学 | 一种融合知识迁移的污水处理过程自适应评判控制方法 |
-
1990
- 1990-09-26 JP JP2256094A patent/JP2821580B2/ja not_active Expired - Fee Related
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018198027A (ja) * | 2017-05-25 | 2018-12-13 | 株式会社教育ソフトウェア | 要因分析装置 |
| WO2022070231A1 (ja) * | 2020-09-29 | 2022-04-07 | 日本電気株式会社 | プラント制御支援システム、提案装置、提案方法およびプログラム記憶媒体 |
| JPWO2022070231A1 (ja) * | 2020-09-29 | 2022-04-07 | ||
| US12547161B2 (en) | 2020-09-29 | 2026-02-10 | Nec Corporation | Plant control proposal system, method, and recording medium |
| JPWO2023162364A1 (ja) * | 2022-02-28 | 2023-08-31 | ||
| CN120065948A (zh) * | 2025-02-26 | 2025-05-30 | 北京工业大学 | 一种融合知识迁移的污水处理过程自适应评判控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2821580B2 (ja) | 1998-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5581459A (en) | Plant operation support system | |
| JP2753460B2 (ja) | プロセス運転支援方法およびシステム | |
| US5465320A (en) | Method of automated learning, an apparatus therefor, and a system incorporating such an apparatus | |
| CN102262147A (zh) | 一种废水处理系统出水cod的软测量方法和系统 | |
| CN115561416B (zh) | 污水处理厂进水水质实时检测方法和装置 | |
| CN116029612A (zh) | 一种基于深度学习的城镇污水厂外加碳源精准控制方法 | |
| CN104007243A (zh) | 应用反向传播神经网络模型评价游泳池水质的方法 | |
| CN111222798A (zh) | 一种复杂工业过程关键性指标软测量方法 | |
| CN120247207B (zh) | 基于神经网络模型的污水处理方法、系统、装置和介质 | |
| CN114420220B (zh) | 一种湿法炼锌中性浸出过程pH值的预测方法 | |
| JPH07160661A (ja) | ニューラルネットワークの教師データ自動抽出方法と、それを用いたニューラルネットワークシステム、並びに、プラント運転支援装置 | |
| Yusoff et al. | Artificial intelligence in color classification of 3D-printed enhanced adsorbent in textile wastewater | |
| Yan et al. | Water quality prediction method based on reinforcement learning graph neural network | |
| JPH04133164A (ja) | ニューラルネット応用運転支援システム | |
| US12504418B2 (en) | Method for early warning of algal bloom levels based on Ordinal Forests model | |
| CN119228617B (zh) | 一种智能化池塘生态管理方法、系统及装置 | |
| JPH05204406A (ja) | プロセス制御装置 | |
| JPH04205601A (ja) | プロセスの運転支援システム | |
| CN103675009A (zh) | 模糊方程的工业熔融指数软测量仪表及方法 | |
| CN114841416A (zh) | 基于长短期记忆网络的酱油发酵过程氨基酸态氮预测方法 | |
| CN121545625B (zh) | 一种用于污水处理中氮消减的ai监测评估方法及系统 | |
| CN112784480A (zh) | 一种油液状态自学习量化表征方法、存储介质及设备 | |
| Yang et al. | Physics-informed exogenous-input embedded LSTM method for nonlinear system identification incorporating unobserved key variable | |
| CN103630568A (zh) | Bp网络的工业熔融指数软测量仪表及方法 | |
| JP2865738B2 (ja) | プロセス制御方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |