JP6714491B2

JP6714491B2 - DECISION SUPPORT SYSTEM AND DECISION SUPPORT METHOD

Info

Publication number: JP6714491B2
Application number: JP2016202757A
Authority: JP
Inventors: 高行秋山
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2016-10-14
Filing date: 2016-10-14
Publication date: 2020-06-24
Anticipated expiration: 2036-10-14
Also published as: JP2018063656A

Description

本発明は、意思決定支援システムおよび意思決定支援方法に関する。 The present invention relates to a decision support system and a decision support method.

近年、上下水道プラント等の水処理施設に関する監視制御システムは、人員削減や情報集約等の観点から、制御対象となる多数の設備を遠隔地から集中的に監視する遠隔監視システムに置き換えられている。遠隔監視システムでは、各プラントに設置された監視端末やセンサから受け取った情報を中央監視センタで表示し、監視制御や保守作業を行う。中央監視センタでは、時々刻々集約される情報を基に、各浄水場に最適な制御を実施する。 In recent years, the monitoring control system for water treatment facilities such as water and sewage plants has been replaced with a remote monitoring system that centrally monitors a large number of controlled facilities from a remote location from the viewpoint of personnel reduction and information aggregation. .. In the remote monitoring system, the information received from the monitoring terminals and sensors installed in each plant is displayed at the central monitoring center for monitoring control and maintenance work. The central monitoring center implements optimal control for each water purification plant based on the information that is collected from moment to moment.

特許文献１では、水処理施設で発生した事象および操作情報が格納された履歴情報から、条件を満たす情報を抽出し、対象設備を制御している。また、特許文献２では、作業者にとって被監視対象の適切な監視制御を容易に行うことを目的として、ログインした作業者の権限に合わせて、表示装置に情報を表示させ、プラントやシステムを制御している。また、特許文献３では、導送配水ポンプ号機ごとの機器特性と運転方式などを記憶し、機器特性と制御ルールをもとに構築したコストモデルを用いて、運用コストを最小とする水道運用計画データを作成し、制御対象を制御している。 In Patent Document 1, information that satisfies a condition is extracted from history information that stores events and operation information that have occurred in a water treatment facility, and the target facility is controlled. Further, in Patent Document 2, for the purpose of facilitating appropriate supervisory control of a monitored target for a worker, information is displayed on a display device in accordance with the authority of the logged-in worker to control a plant or system. doing. Further, in Patent Document 3, a water supply operation plan that minimizes the operation cost is stored by using the cost model that is stored based on the device characteristics and the control rules by storing the device characteristics and the operation method of each of the water delivery and distribution pumps. Data is created and the controlled object is controlled.

特開２０１６−１２２０２号公報JP, 2016-12202, A 特開２０１４−２６５４７号公報JP, 2014-26547, A 特開２０１２−１９７６２９号公報JP2012-197629A

しかしながら、従来技術では、監視対象が多数になった場合や、監視員が少ない場合には、浄水場等の水処理施設に設けられた設備の制御変数を人手で決定することが困難となる場合がある。このような問題に対して、機械学習により過去の運転履歴から制御変数の決定モデルを学習することも考えられる。しかし、決定モデルを学習した場合であっても、必ずしもその決定モデルが高精度で最適なモデルとなるわけではなく、最終的には人間の判断が必要となっていた。そこで、機械学習により情報量を抑えながら、人間の意思決定をシステムが支援する技術が求められていた。 However, in the conventional technology, when the number of monitoring targets is large, or when the number of monitoring personnel is small, it is difficult to manually determine the control variable of the equipment provided in the water treatment facility such as the water treatment plant. There is. For such a problem, it is possible to learn a decision model of a control variable from past driving history by machine learning. However, even when a decision model is learned, the decision model does not always become a highly accurate and optimal model, and ultimately human judgment is required. Therefore, there has been a demand for a technology in which a system supports human decision making while suppressing the amount of information by machine learning.

本発明は、上記に鑑みてなされたものであって、機械学習により情報量を抑えながら、人間の意思決定をシステムが支援することが可能な意思決定支援システムおよび意思決定支援方法を提供することを目的とする。 The present invention has been made in view of the above, and provides a decision support system and a decision support method by which the system can support human decision making while suppressing the amount of information by machine learning. With the goal.

上記課題を解決し、目的を達成するために、本発明にかかる意思決定支援システムは、水処理施設が備える設備の制御に用いられる制御パラメータの決定を支援する意思決定支援システムであって、前記設備の過去の観測値を観測したときに用いられた第１の制御パラメータと、前記第１の制御パラメータにより前記設備を制御してＫＰＩ値を予測するための制御決定モデルとに基づいて、前記第１の制御パラメータのＫＰＩ値を予測し、ＫＰＩ値の高い所定数の前記第１の制御パラメータを、予測された前記第１の制御パラメータの中から抽出する制御パラメータ決定部と、前記設備の過去の観測値を観測したときに熟練者により用いられた第２の制御パラメータと、前記第２の制御パラメータにより前記設備を制御する確率を算出するための選択確率モデルとに基づいて、選択確率の高い所定数の前記第２の制御パラメータを、算出された前記第２の制御パラメータの中から抽出する選択確率算出部と、前記制御パラメータ決定部が抽出した前記第１の制御パラメータと、前記選択確率算出部が抽出した前記第２の制御パラメータとに基づいて、ユーザに推薦する制御パラメータを決定するパラメータ推薦部と、を備えることを特徴とする意思決定支援システムとして構成される。 In order to solve the above problems and achieve an object, a decision support system according to the present invention is a decision support system that supports the determination of a control parameter used for controlling equipment provided in a water treatment facility, Based on a first control parameter used when observing past observation values of equipment and a control decision model for controlling the equipment by the first control parameter to predict a KPI value, A KPI value of the first control parameter is predicted, and a predetermined number of the first control parameters having a high KPI value are extracted from the predicted first control parameters; Based on a second control parameter used by a skilled person when observing past observation values and a selection probability model for calculating the probability of controlling the equipment by the second control parameter, the selection probability Of a predetermined number of the second control parameters having a high value among the calculated second control parameters, a selection probability calculation unit, the first control parameter extracted by the control parameter determination unit, and A parameter recommendation unit that determines a control parameter recommended to the user based on the second control parameter extracted by the selection probability calculation unit, and is configured as a decision support system.

また、本発明は、上記水処理意思決定支援システムで用いられる意思決定支援方法としても把握される。 The present invention is also understood as a decision support method used in the water treatment decision support system.

本発明によれば、機械学習により情報量を抑えながら、人間の意思決定をシステムが支援することができる。 According to the present invention, the system can support human decision making while suppressing the amount of information by machine learning.

実施例１における情報処理装置の構成例を示す図である。FIG. 3 is a diagram showing a configuration example of an information processing device in Embodiment 1. 制御パラメータの例を示す図である。It is a figure which shows the example of a control parameter. 観測データの例を示す図である。It is a figure which shows the example of observation data. 制御決定モデルの例を示す図である。It is a figure which shows the example of a control determination model. 選択確率モデルの例を示す図である。It is a figure which shows the example of a selection probability model. パラメータ推薦処理の処理手順を示すフローチャートである。It is a flow chart which shows a processing procedure of parameter recommendation processing. 実施例２における情報処理装置の構成例を示す図である。FIG. 9 is a diagram illustrating a configuration example of an information processing device in a second embodiment. 制御パラメータログの例を示す図である。It is a figure which shows the example of a control parameter log. 選択確率モデル学習処理の処理手順を示すフローチャートである。It is a flow chart which shows a processing procedure of selection probability model learning processing. 実施例３における情報処理装置の構成例を示す図である。FIG. 14 is a diagram illustrating a configuration example of an information processing device in a third embodiment. 制御ログの例を示す図である。It is a figure which shows the example of a control log. 制御決定モデル学習処理の処理手順を示すフローチャートである。It is a flow chart which shows a processing procedure of control decision model learning processing. 実施例４における情報処理装置の構成例を示す図である。FIG. 14 is a diagram illustrating a configuration example of an information processing device in a fourth embodiment. モデル更新処理の処理手順を示すフローチャートである。It is a flow chart which shows a processing procedure of model update processing. 実施例５における情報処理装置の構成例を示す図である。FIG. 16 is a diagram illustrating a configuration example of an information processing device in a fifth embodiment. パラメータ推薦プログラムが出力したパラメータセット、そのパラメータセットを用いて算出される予測ＫＰＩ値、観測データを表示する表示部の例を示す図である。It is a figure which shows the example of the display part which displays the parameter set which the parameter recommendation program output, the prediction KPI value calculated using the parameter set, and observation data. 複数の情報処理装置の間で制御決定モデル、選択確率モデルを共有する構成例を示す図である。It is a figure showing the example of composition which shares a control decision model and a selection probability model among a plurality of information processors. 共通制御決定モデルの例を示す図である。It is a figure which shows the example of a common control determination model. 共通選択確率モデルの例を示す図である。It is a figure which shows the example of a common selection probability model.

以下に添付図面を参照して、本発明にかかる意思決定支援システムおよび意思決定支援方法の実施の形態を詳細に説明する。以下では、意思決定支援システムが１つのコンピュータである情報処理装置で行われる場合について説明しているが、本システムを実現する機能が複数のコンピュータにより実現されてもよい。 Embodiments of a decision support system and a decision support method according to the present invention will be described in detail below with reference to the accompanying drawings. Although the case where the decision support system is performed by the information processing device which is one computer is described below, the function that implements the present system may be implemented by a plurality of computers.

（実施例１）
図１は、実施例１における情報処理装置１００の構成例を示す図である。図１に示すように、情報処理装置１００は、プロセッサ１０１と、メモリ１０２と、補助記憶装置１０３とを有している。情報処理装置１００は、ハードウェアとしては、サーバやＰＣ（Personal Computer）等の一般的なコンピュータにより構成される。 (Example 1)
FIG. 1 is a diagram illustrating a configuration example of the information processing device 100 according to the first embodiment. As shown in FIG. 1, the information processing device 100 includes a processor 101, a memory 102, and an auxiliary storage device 103. The information processing apparatus 100 includes, as hardware, a general computer such as a server or a PC (Personal Computer).

プロセッサ１０１は、メモリ１０２に記憶されているプログラムを読み出して実行する演算装置である。メモリ１０２は、本システムで用いられる各種プログラムを記憶する記憶媒体である。補助記憶装置１０３は、本システムで用いられる各種パラメータや各種モデルを記憶する記憶装置である。 The processor 101 is an arithmetic unit that reads out and executes a program stored in the memory 102. The memory 102 is a storage medium that stores various programs used in this system. The auxiliary storage device 103 is a storage device that stores various parameters and various models used in this system.

メモリ１０２は、パラメータ推薦プログラム１０２１と、ＫＰＩ観測プログラム１０２２と、制御パラメータ決定プログラム１０２３と、選択確率算出プログラム１０２４とを記憶する。 The memory 102 stores a parameter recommendation program 1021, a KPI observation program 1022, a control parameter determination program 1023, and a selection probability calculation program 1024.

パラメータ推薦プログラム１０２１は、制御パラメータ決定プログラム１０２３が水処理施設の各設備の運転履歴から予測した水処理制御のＫＰＩ（Key Performance Indicators）値を最大にする制御パラメータ、および選択確率算出プログラム１０２４が水処理施設の各設備の運転履歴から熟練者が選択する可能性が最も高い制御パラメータの中から、ユーザに推薦する制御パラメータを抽出するプログラムである。 The parameter recommendation program 1021 is a control parameter that maximizes the KPI (Key Performance Indicators) value of water treatment control predicted from the operation history of each facility of the water treatment facility by the control parameter determination program 1023, and the selection probability calculation program 1024 is water. This is a program for extracting control parameters recommended to the user from the control parameters most likely to be selected by an expert from the operation history of each facility of the processing facility.

なお、水処理施設とは、例えば、河川等の水源から上水道に水を供給する浄水場である。また、各設備とは、例えば、取水塔、薬品混和池、塩素注入設備、配水池等の上記浄水場を構成する設備である。また、制御パラメータとは、上記各設備を制御するためのパラメータであり、例えば、取水量、配水量、薬品量を設定するパラメータである。 The water treatment facility is, for example, a water purification plant that supplies water to a water supply from a water source such as a river. Further, each facility is, for example, a facility that constitutes the above water purification plant such as a water intake tower, a chemical mixing pond, a chlorine injection facility, and a distribution reservoir. In addition, the control parameter is a parameter for controlling each of the above facilities, and is, for example, a parameter for setting a water intake amount, a water distribution amount, and a chemical amount.

ＫＰＩ観測プログラム１０２２は、パラメータ推薦プログラム１０２１によって抽出された制御パラメータの中からユーザが選択した制御パラメータにより各設備が水処理制御されたときの観測値を観測するプログラムである。 The KPI observation program 1022 is a program for observing an observation value when each facility is subjected to water treatment control by the control parameter selected by the user from the control parameters extracted by the parameter recommendation program 1021.

制御パラメータ決定プログラム１０２３は、水処理施設の各設備の運転履歴から予測した水処理制御のＫＰＩ値を最大にする制御パラメータを出力するプログラムである。 The control parameter determination program 1023 is a program that outputs a control parameter that maximizes the KPI value of water treatment control predicted from the operation history of each facility of the water treatment facility.

選択確率算出プログラム１０２４は、水処理施設の各設備の運転履歴から熟練者により選択される制御パラメータの選択確率を算出し、最も高い選択確率で選択された制御パラメータを出力するプログラムである。 The selection probability calculation program 1024 is a program that calculates the selection probability of the control parameter selected by the expert from the operation history of each facility of the water treatment facility, and outputs the control parameter selected with the highest selection probability.

補助記憶装置１０３は、制御パラメータ１０３１と、観測データ１０３２と、制御決定モデル１０３３と、選択確率モデル１０３４とを記憶する。 The auxiliary storage device 103 stores a control parameter 1031, observation data 1032, a control decision model 1033, and a selection probability model 1034.

制御パラメータ１０３１は、水処理施設の各設備を制御するパラメータである。図２は、制御パラメータ１０３１の例を示す図である。図２（ａ）は、制御パラメータの値が具体的に定められている場合の例であり、図２（ｂ）は、制御パラメータの値の上下限の値が定められている場合の例を示している。 The control parameter 1031 is a parameter that controls each facility of the water treatment facility. FIG. 2 is a diagram showing an example of the control parameter 1031. FIG. 2A shows an example in which the values of the control parameters are specifically set, and FIG. 2B shows an example in which the upper and lower limits of the values of the control parameters are set. Shows.

図２（ａ）では、Ｎｏ１〜７までの７つのレベルに対応づけて、４００、５００、６００、７００、８００、９００、１０００が、制御パラメータの候補の値として定められていることを示している。また、図２（ｂ）では、制御パラメータの上限（Ｍａｘ）と下限（Ｍｉｎ）が定められ、それぞれ、２００、１５００が、制御パラメータの上下限値として定められていることを示している。図２（ａ）の例では、ユーザはあらかじめ定められた候補の中から制御パラメータの値を選択することができ、また、図２（ｂ）の例では、ユーザは設定された上下限値の範囲内で任意の値を設定することができる。制御パラメータ１０３１は、本システムの管理者により、設備ごとにあらかじめ設定される。 In FIG. 2A, it is shown that 400, 500, 600, 700, 800, 900, and 1000 are defined as candidate values of the control parameter in association with the seven levels No1 to No7. There is. In addition, FIG. 2B shows that the upper limit (Max) and the lower limit (Min) of the control parameter are set, and 200 and 1500 are set as the upper and lower limit values of the control parameter, respectively. In the example of FIG. 2A, the user can select the value of the control parameter from among the predetermined candidates, and in the example of FIG. 2B, the user can select the upper and lower limit values that have been set. You can set any value within the range. The control parameter 1031 is preset by the administrator of this system for each facility.

観測データ１０３２は、水処理施設の各設備の運転履歴を示すデータである。図３は、観測データ１０３２の例を示す図である。図３に示すように、観測データ１０３２は、時刻と観測値とが対応付けて記憶されている。図３では、例えば、２０１５年９月１５日には、取水塔のセンサから得られた値が０．２（取水量）、ろ過池のセンサから得られた値が０．１（濁度）、薬品注入設備のセンサから得られた値が０．９（薬品量）、浄水池のセンサから得られた値が２５（水温）、配水池のセンサから得られた値がＳｕｎｎｙ（天候）であったことがわかる。このように、観測データには、水処理施設の各設備に設けられた様々なセンサから得られたデータが観測値として時系列に蓄積されている。図３では、時刻と観測値とが対応付けられているが、実際には、その観測値が得られたときの制御パラメータの値が、これらの情報に対応付けられている。 The observation data 1032 is data indicating the operation history of each facility of the water treatment facility. FIG. 3 is a diagram showing an example of the observation data 1032. As shown in FIG. 3, the observation data 1032 stores time and observation values in association with each other. In FIG. 3, for example, on September 15, 2015, the value obtained from the sensor of the intake tower is 0.2 (water intake amount), and the value obtained from the sensor of the filter is 0.1 (turbidity). The value obtained from the sensor of the chemical injection facility is 0.9 (chemical amount), the value obtained from the sensor of the water purification reservoir is 25 (water temperature), and the value obtained from the sensor of the distribution reservoir is Sunny (weather). I know there was. As described above, in the observation data, data obtained from various sensors provided in each facility of the water treatment facility are accumulated in time series as observation values. Although the time and the observed value are associated with each other in FIG. 3, the value of the control parameter when the observed value is obtained is actually associated with these pieces of information.

制御決定モデル１０３３は、水処理施設の各設備の運転履歴から水処理制御のＫＰＩ値を最大にする制御パラメータを予測するためのモデルである。図４は、制御決定モデル１０３３の例を示す図である。図４（ａ）〜４（ｃ）は、制御決定モデルの相関表であり、図４（ｄ）は、その相関表を用いて生成されるモデルを示している。図４（ａ）〜４（ｃ）に示すように、相関表では、モデルを構成するレイヤごとに制御パラメータに対する重み値が記憶されている。 The control determination model 1033 is a model for predicting a control parameter that maximizes the KPI value of water treatment control from the operation history of each facility of the water treatment facility. FIG. 4 is a diagram showing an example of the control decision model 1033. 4(a) to 4(c) are correlation tables of the control decision model, and FIG. 4(d) shows a model generated using the correlation table. As shown in FIGS. 4A to 4C, in the correlation table, the weight value for the control parameter is stored for each layer constituting the model.

図４（ａ）では、例えば、レイヤ１（１）の値４０１とレイヤ２（１）の値４０３との間の重み付けＷ１１の値が０．２であり、レイヤ１（２）の値４０２とレイヤ２（１）の値４０３との間の重み付けｗ２１の値が０．３であることを示している。また、レイヤ１（１）の値４０１とレイヤ２（２）の値４０４との間の重み付けｗ１２の値が０．５であることを示している。以降、同様に全てのレイヤの値について重み付けの値が定められている。図４（ｄ）では、図２に示した５つのセンサが観測したときの制御パラメータがレイヤ１に入力されることを示している。重み付けされた制御パラメータは、例えば、レイヤ１（１）の値４０１をｘ１、レイヤ１（２）の値４０２をｘ２、レイヤ２（１）の値４０３をｚ１とすると、算式ｚ１＝ｘ１×ｗ１１＋ｘ２×ｗ２１により求めることができる。以降、同様の算式により全てのレイヤについて制御パラメータを重み付けすることができる。 In FIG. 4A, for example, the value of the weight W11 between the value 401 of the layer 1(1) and the value 403 of the layer 2(1) is 0.2, and the value 402 of the layer 1(2) is It indicates that the value of the weighting w21 with the value 403 of the layer 2(1) is 0.3. Also, it is shown that the value of the weighting w12 between the value 401 of the layer 1(1) and the value 404 of the layer 2(2) is 0.5. After that, similarly, the weighting values are set for the values of all layers. FIG. 4D shows that the control parameters observed by the five sensors shown in FIG. 2 are input to the layer 1. The weighted control parameter is, for example, when the value 401 of the layer 1(1) is x1, the value 402 of the layer 1(2) is x2, and the value 403 of the layer 2(1) is z1, the formula z1=x1×w11+x2. It can be determined by xw21. After that, the control parameters can be weighted for all layers by the same formula.

すなわち、図４では、観測値が得られたときの制御パラメータをレイヤ１（１）〜レイヤ１（５）の入力とし、レイヤ２、レイヤ３と進むに従って、制御パラメータが重み付けされる。その中で最も重み付けされている制御パラメータが出力され、その制御パラメータにより制御されたときのＫＰＩ値を予測ＫＰＩ値とする。図４（ｄ）では、５つの制御パラメータを入力して最も重み付けされた２つの制御パラメータを出力し、それぞれの制御パラメータを用いたときの予測ＫＰＩ値が出力される例を示しているが、その数は任意に定めることができる。 That is, in FIG. 4, the control parameters when the observed values are obtained are input to Layer 1 (1) to Layer 1 (5), and the control parameters are weighted in the order of Layer 2 and Layer 3. The most weighted control parameter among them is output, and the KPI value when controlled by the control parameter is set as the predicted KPI value. FIG. 4D shows an example in which five control parameters are input, the two most weighted control parameters are output, and the predicted KPI value when each control parameter is used is output. The number can be set arbitrarily.

選択確率モデル１０３４は、水処理施設の各設備の運転履歴から熟練者により最も選択されやすい制御パラメータの選択確率を求めるためのモデルである。図５は、選択確率モデル１０３４の例を示す図である。図５（ａ）〜５（ｃ）は、選択確率モデルの相関表であり、図５（ｄ）は、その相関表を用いて生成されるモデルを示している。図５（ａ）〜５（ｃ）に示すように、相関表では、モデルを構成するレイヤごとに制御パラメータに対する重み値が記憶されている。 The selection probability model 1034 is a model for obtaining the selection probability of the control parameter that is most easily selected by the expert from the operation history of each facility of the water treatment facility. FIG. 5 is a diagram showing an example of the selection probability model 1034. 5(a) to 5(c) are correlation tables of the selection probability model, and FIG. 5(d) shows a model generated using the correlation table. As shown in FIGS. 5A to 5C, in the correlation table, the weight value for the control parameter is stored for each layer constituting the model.

図５（ａ）では、例えば、レイヤ１（１）の値５０１とレイヤ２（１）の値５０３との間の重み付けＷ１１の値が０．１であり、レイヤ１（２）の値５０２とレイヤ２（１）の値５０３との間の重み付けｗ２１の値が０．３であることを示している。また、レイヤ１（１）の値５０１とレイヤ２（２）の値５０４との間の重み付けｗ１２の値が０．５であることを示している。以降、同様に全てのレイヤの値について重み付けの値が定められている。図５（ｄ）では、図２に示した５つのセンサが観測したときに熟練者により選択された制御パラメータがレイヤ１に入力されることを示している。図５の場合も図４の場合と同様の算式を用いて、全てのレイヤについて制御パラメータを重み付けすることができる。 In FIG. 5A, for example, the value of the weight W11 between the value 501 of the layer 1(1) and the value 503 of the layer 2(1) is 0.1, and the value 502 of the layer 1(2) is The value of the weighting w21 with the value 503 of the layer 2(1) is 0.3. It also indicates that the value of the weighting w12 between the value 501 of layer 1(1) and the value 504 of layer 2(2) is 0.5. After that, similarly, the weighting values are set for the values of all layers. FIG. 5D shows that the control parameters selected by the expert when the five sensors shown in FIG. 2 are observed are input to the layer 1. Also in the case of FIG. 5, the control parameters can be weighted for all layers using the same formula as in the case of FIG.

すなわち、図５では、観測値が得られたときに熟練者により選択された制御パラメータをレイヤ１（１）〜レイヤ１（５）の入力とし、レイヤ２、レイヤ３と進むに従って、制御パラメータが重み付けされる。その中で最も重み付けされている制御パラメータを最も選択されやすく選択確率の高い制御パラメータとし、その制御パラメータにより制御されたときのＫＰＩ値を出力する。図５（ｄ）では、５つの制御パラメータを入力して最も選択されやすい２つの制御パラメータを出力し、それぞれの制御パラメータを用いたときのＫＰＩ値が出力される例を示しているが、その数は任意に定めることができる。 That is, in FIG. 5, the control parameters selected by the expert when the observed values are obtained are input to layers 1(1) to 1(5), and the control parameters are changed as the layers 2 and 3 proceed. Weighted. The most weighted control parameter among them is set as the control parameter that is most easily selected and has a high selection probability, and the KPI value when controlled by the control parameter is output. FIG. 5D shows an example in which five control parameters are input, the two control parameters that are most easily selected are output, and the KPI value when each control parameter is used is output. The number can be set arbitrarily.

なお、熟練者が制御パラメータを選択したか否かを判定する方法は以下のようにすればよい。例えば、ユーザが本システムにログインしたときのユーザＩＤをメモリ１０２に記憶しておき、そのユーザＩＤがあらかじめ熟練者として登録されているユーザＩＤである場合、そのユーザが熟練者であると判定すればよい。 The method for determining whether or not the expert has selected the control parameter may be as follows. For example, if the user ID when the user logs in to the present system is stored in the memory 102 and the user ID is a user ID registered in advance as a skilled person, it may be determined that the user is a skilled person. Good.

図６は、実施例１で行われる処理（パラメータ推薦処理）の処理手順を示すフローチャートである。パラメータ推薦処理は、パラメータ推薦プログラム１０２１、制御パラメータ決定プログラム１０２３、選択確率算出プログラム１０２４により実行される。 FIG. 6 is a flowchart illustrating a processing procedure of processing (parameter recommendation processing) performed in the first embodiment. The parameter recommendation process is executed by the parameter recommendation program 1021, the control parameter determination program 1023, and the selection probability calculation program 1024.

図６に示すように、選択確率算出プログラム１０２４は、図５に示した選択確率モデル１０３４から選択確率の高い制御パラメータを含む制御パラメータの組であるパラメータセットの上位３件（ｓｅｔＡ）を抽出する（ステップＳ６０１）。本例では上位３件としているが、その数は任意に定めることができる。 As shown in FIG. 6, the selection probability calculation program 1024 extracts the top three items (setA) of the parameter set, which is a set of control parameters including control parameters having a high selection probability, from the selection probability model 1034 shown in FIG. (Step S601). In this example, the top three cases are set, but the number can be set arbitrarily.

制御パラメータ決定プログラム１０２３は、図４に示した制御決定モデル１０３３から予測ＫＰＩ値の高い制御パラメータを含む制御パラメータの組であるパラメータセットの上位３件（ｓｅｔＢ）を抽出する（ステップＳ６０２）。本例では上位３件としているが、その数は任意に定めることができる。 The control parameter determination program 1023 extracts the top three cases (setB) of the parameter set, which is the set of control parameters including the control parameter having the high predicted KPI value, from the control determination model 1033 shown in FIG. 4 (step S602). In this example, the top three cases are set, but the number can be set arbitrarily.

パラメータ推薦プログラム１０２１は、ステップＳ６０１で抽出したパラメータセット（ｓｅｔＡ）と、ステップＳ６０２で抽出したパラメータセット（ｓｅｔＢ）とを比較し、両者の類似度を算出する（ステップＳ６０３）。類似度とは、ステップＳ６０１で得られたパラメータセットに含まれる制御パラメータと、ステップＳ６０２で得られたパラメータセットに含まれる制御パラメータの一致度である。例えば、ステップＳ６０１で得られたパラメータセットに３つの制御パラメータが含まれ、ステップＳ６０２で得られたパラメータセットに３つの制御パラメータが含まれており、そのうちの２つが一致している場合、類似度は２／３となる。 The parameter recommendation program 1021 compares the parameter set (setA) extracted in step S601 with the parameter set (setB) extracted in step S602, and calculates the degree of similarity between them (step S603). The degree of similarity is the degree of coincidence between the control parameter included in the parameter set obtained in step S601 and the control parameter included in the parameter set obtained in step S602. For example, when the parameter set obtained in step S601 includes three control parameters and the parameter set obtained in step S602 includes three control parameters, and two of them match, the similarity is calculated. Is 2/3.

パラメータ推薦プログラム１０２１は、算出した類似度が所定値（例えば、１／２）よりも高いか否かを判定し（ステップＳ６０４）、算出した類似度が所定値よりも高いと判定した場合（ステップＳ６０４；Ｙｅｓ）、ステップＳ６０１で得られたパラメータセット（ｓｅｔＡ）の中から１つ、ステップＳ６０２で得られたパラメータセット（ｓｅｔＢ）の中から２つを抽出する（ステップＳ６０５）。類似度が所定値よりも高い場合ということは、熟練者が選択した制御パラメータに似ていることを意味するため、ステップＳ６０５では、実際にＫＰＩ値を求めたｓｅｔＢの中からより多い数の制御パラメータを抽出する。 The parameter recommendation program 1021 determines whether the calculated similarity is higher than a predetermined value (for example, 1/2) (step S604), and when the calculated similarity is higher than the predetermined value (step S604). S604; Yes), one from the parameter set (setA) obtained in step S601 and two from the parameter set (setB) obtained in step S602 are extracted (step S605). If the degree of similarity is higher than the predetermined value, it means that the degree of similarity is similar to the control parameter selected by the expert. Therefore, in step S605, a larger number of controls are selected from the setB for which the KPI value is actually obtained. Extract the parameters.

一方、パラメータ推薦プログラム１０２１は、算出した類似度が所定値以下と判定した場合（ステップＳ６０４；Ｎｏ）、ステップＳ６０１で得られたパラメータセット（ｓｅｔＡ）の中から２つ、ステップＳ６０２で得られたパラメータセット（ｓｅｔＢ）の中から１つを抽出する（ステップＳ６０６）。類似度が所定値以下の場合ということは、熟練者が選択した制御パラメータに似ていないことを意味するため、ステップＳ６０６では、熟練者が選択する可能性の高いｓｅｔＡの中からより多い数の制御パラメータを抽出している。 On the other hand, when the parameter recommendation program 1021 determines that the calculated similarity is less than or equal to the predetermined value (step S604; No), two parameters are obtained from the parameter set (setA) obtained in step S601 and obtained in step S602. One is extracted from the parameter set (setB) (step S606). The case where the degree of similarity is equal to or less than the predetermined value means that the control parameter is not similar to the control parameter selected by the expert. Therefore, in step S606, a larger number of setA that the expert is likely to select is selected. Extracting control parameters.

パラメータ推薦プログラム１０２１は、ステップＳ６０５またはＳ６０６で抽出した件数のパラメータセットを出力し、ユーザに提示する（ステップＳ６０７）。ユーザへの具体的な提示方法については実施例５で説明する。ステップＳ６０７の処理が終了すると、図６に示したパラメータ推薦処理が終了する。以降、ユーザに提示され、その後選択された制御パラメータにより水処理制御されたときの観測値が、ＫＰＩ観測プログラム１０２２により観測され、観測データ１０３２に記憶されることとなる。 The parameter recommendation program 1021 outputs the parameter set of the number extracted in step S605 or S606 and presents it to the user (step S607). A specific presentation method to the user will be described in the fifth embodiment. When the process of step S607 ends, the parameter recommendation process illustrated in FIG. 6 ends. After that, the observed value when it is presented to the user and then the water treatment is controlled by the selected control parameter is observed by the KPI observation program 1022 and stored in the observation data 1032.

このように、実施例１では、水処理施設の各設備に設けられたセンサから得られた情報から、各制御パラメータの予測ＫＰＩ値と熟練者によって制御パラメータの選択確率を算出し、算出された予測ＫＰＩ値と選択確率に基づき生成された制御パラメータリストをユーザに提示し、選択させる。したがって、従来に比べ、機械学習により情報量を抑えながら、ＫＰＩ値の予測精度を上げ、その結果、少数の熟練監視者による多数のプラントの監視の効率化を図ることができる。 As described above, in the first embodiment, the predicted KPI value of each control parameter and the probability of selection of the control parameter by an expert are calculated and calculated from the information obtained from the sensor provided in each facility of the water treatment facility. The control parameter list generated based on the predicted KPI value and the selection probability is presented to the user for selection. Therefore, compared to the conventional technique, the accuracy of KPI value prediction can be increased while suppressing the amount of information by machine learning, and as a result, the efficiency of monitoring a large number of plants by a small number of skilled monitor personnel can be improved.

なお、図６では、パラメータ推薦プログラム１０２１が、選択確率（ｓｅｔＡ）と予測ＫＰＩ値（ｓｅｔＢ）との類似度を算出することによりパラメータセットをユーザに提示することとした。しかし、類似度を算出するまでもなく、どちらのモデルを用いることが望ましいことがあらかじめわかっている場合には、制御決定モデル、選択確率モデルのいずれかから抽出したパラメータセットをユーザに提示してもよい。 In FIG. 6, the parameter recommendation program 1021 presents the parameter set to the user by calculating the degree of similarity between the selection probability (setA) and the predicted KPI value (setB). However, if it is known in advance that which model should be used without calculating the similarity, a parameter set extracted from either the control decision model or the selection probability model is presented to the user. Good.

例えば、図３に示した観測データ１０３２に台風（ｓｔｏｒｍ）など、あらかじめ定められた異常状況を示す情報が含まれているか否かを判定し、上記異常状況を示す情報が含まれていると判定した場合には、熟練者が選択した制御パラメータにより水処理施設の各設備を制御するほうが精度よく制御できる可能性が高い。このような場合には、パラメータ推薦プログラム１０２１は、制御決定モデル１０３３と比較することなく選択確率モデル１０３４の中から抽出したパラメータセットをユーザに提示してもよい。このような処理を実行することにより、天候不良等の異常状況が観測された場合であっても水処理施設の各設備を高精度に制御することができる。 For example, it is determined whether or not the observation data 1032 illustrated in FIG. 3 includes information indicating a predetermined abnormal situation such as a typhoon (storm), and it is determined that the information indicating the abnormal situation is included. In such a case, it is highly possible that the equipment of the water treatment facility can be controlled more accurately by the control parameters selected by the expert. In such a case, the parameter recommendation program 1021 may present the parameter set extracted from the selection probability model 1034 to the user without comparing it with the control decision model 1033. By executing such processing, each equipment of the water treatment facility can be controlled with high accuracy even when an abnormal situation such as bad weather is observed.

（実施例２）
実施例１では、予測ＫＰＩ値の高い制御パラメータと熟練者の選択確率が高い制御パラメータの類似度に基づいて、ユーザに提示する制御パラメータを含むパラメータセットを抽出した。過去に各設備を制御したときの操作履歴と選択確率モデルとを用いて、どのような状況下でどのような制御パラメータが熟練者による選択確率が高い制御パラメータであるのかを学習することができるため、以下では、その例について説明する。 (Example 2)
In the first embodiment, the parameter set including the control parameter to be presented to the user is extracted based on the similarity between the control parameter having the high predicted KPI value and the control parameter having the high selection probability of the expert. By using the operation history and the selection probability model when controlling each facility in the past, it is possible to learn what kind of control parameter under which situation is a control parameter with a high probability of selection by an expert. Therefore, an example will be described below.

図７は、実施例２における情報処理装置１００の構成例を示す図である。図７では、図１に示した情報処理装置１００に対して、メモリ１０２に選択確率モデル学習プログラム１０２５が記憶され、補助記憶装置１０３に制御パラメータログ１０３５が記憶されている点で実施例１と異なっている。以下では、実施例１と同一の構成要素には同一の符号を付してその説明を省略している。 FIG. 7 is a diagram illustrating a configuration example of the information processing device 100 according to the second embodiment. 7, the selection probability model learning program 1025 is stored in the memory 102 and the control parameter log 1035 is stored in the auxiliary storage device 103 for the information processing apparatus 100 shown in FIG. Different. In the following, the same components as those of the first embodiment are designated by the same reference numerals and the description thereof is omitted.

選択確率モデル学習プログラム１０２５は、制御パラメータログ１０３５に記憶されている制御パラメータと、熟練者により選択される確率の高い制御パラメータとを比較し、その結果に応じて選択確率モデル１０３４を更新するプログラムである。 The selection probability model learning program 1025 compares a control parameter stored in the control parameter log 1035 with a control parameter having a high probability of being selected by an expert, and updates the selection probability model 1034 according to the result. Is.

制御パラメータログ１０３５は、水処理施設の各設備を制御したときに実際に選択された制御パラメータの履歴を示すデータである。 The control parameter log 1035 is data indicating a history of control parameters actually selected when controlling each facility of the water treatment facility.

図８は、制御パラメータログ１０３５の例を示す図である。図８に示すように、制御パラメータログ１０３５は、熟練者が水処理施設の各設備を制御した日時とそのときに選択された制御パラメータの値とが対応付けて記憶されている。図８では、例えば、２０１５年９月２０日には、値が５６０である制御パラメータが選択されたことを示している。 FIG. 8 is a diagram showing an example of the control parameter log 1035. As shown in FIG. 8, the control parameter log 1035 stores the date and time when the expert controls each facility of the water treatment facility and the value of the control parameter selected at that time in association with each other. In FIG. 8, for example, on September 20, 2015, a control parameter having a value of 560 is selected.

図９は、実施例２で行われる処理（選択確率モデル学習処理）の処理手順を示すフローチャートである。本処理は、選択確率算出プログラム１０２４、選択確率モデル学習プログラム１０２５により実行される。 FIG. 9 is a flowchart illustrating a processing procedure of processing (selection probability model learning processing) performed in the second embodiment. This processing is executed by the selection probability calculation program 1024 and the selection probability model learning program 1025.

図９に示すように、選択確率モデル学習プログラム１０２５は、図８に示した制御パラメータログ１０３５からｔ番目のレコードを抽出する（ステップＳ９０１）。 As shown in FIG. 9, the selection probability model learning program 1025 extracts the t-th record from the control parameter log 1035 shown in FIG. 8 (step S901).

選択確率算出プログラム１０２４は、抽出されたレコードに含まれる時刻に対応する観測データ１０３２を入力として制御パラメータを推定する（ステップＳ９０２）。具体的には、選択確率算出プログラム１０２４は、制御パラメータログ１０３５に記憶されている日時と同じ日時の観測データ１０３２を読み出し、読み出した観測データ１０３２が得られたときの制御パラメータを含むパラメータセットを入力として、図５に示した選択確率モデル１０３４により熟練者により選択される可能性の高い制御パラメータを推定する。 The selection probability calculation program 1024 inputs the observation data 1032 corresponding to the time included in the extracted record and estimates the control parameter (step S902). Specifically, the selection probability calculation program 1024 reads the observation data 1032 at the same date and time as the date and time stored in the control parameter log 1035, and sets the parameter set including the control parameter when the read observation data 1032 is obtained. As an input, a control parameter that is likely to be selected by an expert is estimated by the selection probability model 1034 shown in FIG.

選択確率モデル学習プログラム１０２５は、ステップＳ９０２で推定された制御パラメータと、ステップＳ９０１で抽出した制御パラメータログ１０３５のレコードに記憶されている制御パラメータとを比較し（ステップＳ９０３）、両者が同じであるか否かを判定する（ステップＳ９０４）。 The selection probability model learning program 1025 compares the control parameter estimated in step S902 with the control parameter stored in the record of the control parameter log 1035 extracted in step S901 (step S903), and both are the same. It is determined whether or not (step S904).

選択確率モデル学習プログラム１０２５は、ステップＳ９０２で推定された制御パラメータと、ステップＳ９０１で抽出した制御パラメータログ１０３５のレコードに記憶されている制御パラメータとが同じであると判定した場合（ステップＳ９０４；Ｙｅｓ）、選択確率モデル１０３４を更新せずにステップＳ９０７に進む（ステップＳ９０５）。 When the selection probability model learning program 1025 determines that the control parameter estimated in step S902 and the control parameter stored in the record of the control parameter log 1035 extracted in step S901 are the same (step S904; Yes). ), the process proceeds to step S907 without updating the selection probability model 1034 (step S905).

一方、選択確率モデル学習プログラム１０２５は、ステップＳ９０２で推定された制御パラメータと、ステップＳ９０１で抽出した制御パラメータログ１０３５のレコードに記憶されている制御パラメータとが同じでないと判定した場合（ステップＳ９０４；Ｎｏ）、補助記憶装置１０３に記憶されている選択確率モデル１０３４を更新する（ステップＳ９０６）。具体的には、選択確率モデル学習プログラム１０２５は、ステップＳ９０２で推定された制御パラメータを含むパラメータセットが出力されるように、図５に示した選択確率モデル１０３４の相関表の重み値およびモデルを更新する。ステップＳ９０６の処理が終了すると、ステップＳ９０７に進む。 On the other hand, when the selection probability model learning program 1025 determines that the control parameter estimated in step S902 is not the same as the control parameter stored in the record of the control parameter log 1035 extracted in step S901 (step S904; No), the selection probability model 1034 stored in the auxiliary storage device 103 is updated (step S906). Specifically, the selection probability model learning program 1025 sets the weight value and model of the correlation table of the selection probability model 1034 shown in FIG. 5 so that the parameter set including the control parameter estimated in step S902 is output. Update. When the process of step S906 ends, the process proceeds to step S907.

ステップＳ９０７では、選択確率モデル学習プログラム１０２５は、制御パラメータログ１０３５に記憶されている全てのレコード（Ｔ）について、ステップＳ９０２〜Ｓ９０６の処理を実行したか否かを判定し、全てのレコードについて処理を実行していないと判定した場合（ステップＳ９０７；Ｎｏ）、ステップＳ９０１に戻って、ステップＳ９０２〜Ｓ９０６までの各処理を実行する。 In step S907, the selection probability model learning program 1025 determines whether or not the processes of steps S902 to S906 have been executed for all the records (T) stored in the control parameter log 1035, and processes all the records. When it is determined that the process has not been executed (step S907; No), the process returns to step S901 and the processes of steps S902 to S906 are executed.

一方、選択確率モデル学習プログラム１０２５は、全てのレコードについて処理を実行したと判定した場合（ステップＳ９０７；Ｙｅｓ）、図９に示した学習処理を終了させる。 On the other hand, when the selection probability model learning program 1025 determines that the processing has been executed for all the records (step S907; Yes), it terminates the learning processing shown in FIG.

このように、本実施例では、過去の各設備を制御したときの操作履歴から得られる制御パラメータと、その操作履歴と同じ観測データが得られたときの制御パラメータを含むパラメータセットを入力として選択確率モデル１０３４により推定される制御パラメータとを比較し、両者が異なる場合、選択確率モデル１０３４により推定される制御パラメータを含むパラメータセットが出力されるように、補助記憶装置１０３に記憶されている選択確率モデル１０３４を更新する。したがって、精度よく熟練者による選択確率の高い制御パラメータを含むパラメータセットを出力することができる。 As described above, in the present embodiment, the control parameter obtained from the operation history when controlling each past facility and the parameter set including the control parameter when the same observation data as the operation history are obtained are selected as input. The selection parameter stored in the auxiliary storage device 103 is compared so that the control parameter estimated by the probability model 1034 is compared, and if they are different, a parameter set including the control parameter estimated by the selection probability model 1034 is output. The probabilistic model 1034 is updated. Therefore, it is possible to accurately output a parameter set including a control parameter that is highly likely to be selected by an expert.

（実施例３）
実施例２では、過去に各設備を制御したときの操作履歴と選択確率モデルとを用いて、熟練者による選択確率が高い制御パラメータであるのかを学習することとした。制御決定モデルについても選択確率モデルと同様に、過去に各設備を制御したときの操作履歴を用いて、どのような状況下でどのような制御パラメータが、ＫＰＩ値が高い制御パラメータであるのかを学習することができる。そこで、以下では、その例について説明する。 (Example 3)
In the second embodiment, it is decided to learn whether the control parameter has a high selection probability by an expert by using the operation history and the selection probability model when each facility is controlled in the past. As with the selection probability model, the control decision model also uses operation histories when each facility was controlled in the past to determine what kind of control parameter is under which situation and which control parameter has a high KPI value. You can learn. Therefore, an example thereof will be described below.

図１０は、実施例３における情報処理装置１００の構成例を示す図である。図１０では、図１に示した情報処理装置１００に対して、メモリ１０２に制御決定モデル学習プログラム１０２６が記憶され、補助記憶装置１０３に制御ログ１０３６が記憶されている点で実施例１と異なっている。以下では、実施例１と同一の構成要素には同一の符号を付してその説明を省略する。 FIG. 10 is a diagram illustrating a configuration example of the information processing device 100 according to the third embodiment. 10 differs from the information processing apparatus 100 shown in FIG. 1 in that the control determination model learning program 1026 is stored in the memory 102 and the control log 1036 is stored in the auxiliary storage device 103. ing. In the following, the same components as those in the first embodiment will be designated by the same reference numerals and the description thereof will be omitted.

制御決定モデル学習プログラム１０２６は、制御ログ１０３６に記憶されている制御パラメータの選択回数から求められた信頼度とＫＰＩ値の期待値とにより制御パラメータの評価値を算出し、評価値が最大となる制御パラメータのＫＰＩ値と、制御ログ１０３６に記憶されているＫＰＩ値とを比較し、その結果に応じて選択確率モデル１０３４を更新するプログラムである。 The control decision model learning program 1026 calculates the evaluation value of the control parameter based on the reliability calculated from the number of times of selection of the control parameter stored in the control log 1036 and the expected value of the KPI value, and the evaluation value becomes maximum. This program compares the KPI value of the control parameter with the KPI value stored in the control log 1036, and updates the selection probability model 1034 according to the result.

制御ログ１０３６は、水処理施設の各設備を制御したときに実際に選択された制御パラメータと、そのパラメータが選択されたときに観測されたＫＰＩ値の履歴を示すデータである。 The control log 1036 is data indicating a control parameter actually selected when controlling each facility of the water treatment facility and a history of KPI values observed when the parameter is selected.

図１１は、制御ログ１０３６の例を示す図である。図１１に示すように、制御ログ１０３６は、図８に示した制御パラメータログ１０３５と同様の日時および制御パラメータの値に対応付けて、その制御パラメータが選択されたときに実際に観測されたＫＰＩ値とが対応付けて記憶されている。図１１では、例えば、２０１５年９月２０日には、値が５６０である制御パラメータが選択され、そのときのＫＰＩ値が０．９であったことを示している。 FIG. 11 is a diagram showing an example of the control log 1036. As shown in FIG. 11, the control log 1036 is associated with the same date and time as the control parameter log 1035 shown in FIG. 8 and the value of the control parameter, and the KPI actually observed when the control parameter is selected. The values are stored in association with each other. In FIG. 11, for example, on September 20, 2015, the control parameter having a value of 560 is selected, and the KPI value at that time is 0.9.

図１２は、実施例３で行われる処理（制御決定モデル学習処理）の処理手順を示すフローチャートである。本処理は、制御パラメータ決定プログラム１０２３、制御決定モデル学習プログラム１０２６により実行される。 FIG. 12 is a flowchart illustrating a processing procedure of processing (control decision model learning processing) performed in the third embodiment. This processing is executed by the control parameter determination program 1023 and the control determination model learning program 1026.

図１２に示すように、制御決定モデル学習プログラム１０２６は、図１１に示した制御ログ１０３６からｔ番目のレコードを抽出する（ステップＳ１２０１）。 As shown in FIG. 12, the control decision model learning program 1026 extracts the t-th record from the control log 1036 shown in FIG. 11 (step S1201).

制御決定モデル学習プログラム１０２６は、抽出したレコードに含まれる制御パラメータの選択回数から信頼度（confidence level）を算出する（ステップＳ１２０２）。具体的には、制御決定モデル学習プログラム１０２６は、制御ログ１０３５のレコード総数（totalCount）と、制御パラメータの選択回数Ciとを算出し、以下の算式を用いて信頼度を算出する。なお、ｃは定数である。 The control decision model learning program 1026 calculates the confidence level from the number of times the control parameter is included in the extracted record (step S1202). Specifically, the control determination model learning program 1026 calculates the total number of records (totalCount) in the control log 1035 and the control parameter selection count Ci, and calculates the reliability using the following formula. Note that c is a constant.

例えば、図１１に示したレコード総数が７の制御ログ１０２６の中で、５６０の値の制御パラメータが２回選択されているため、Ciを２、totalCountを７としたときの上記算式の値が信頼度となる。このように信頼度は、制御ログ１０３６の中で制御パラメータが選択される確率をあらわしている。なお、riはステップＳ１２０３で用いる期待値である。 For example, in the control log 1026 in which the total number of records shown in FIG. 11 is 7, since the control parameter having the value of 560 is selected twice, the value of the above formula when Ci is 2 and totalCount is 7 It becomes a reliability. Thus, the reliability represents the probability that the control parameter will be selected in the control log 1036. Note that ri is the expected value used in step S1203.

制御決定モデル学習プログラム１０２６は、ＫＰＩ値の期待値riと上記信頼度との和を求めて制御パラメータの評価値を算出する（ステップＳ１２０３）。例えば、制御ログ１０３６に記憶されている制御パラメータが５６０である場合、そのときのＫＰＩ値は０．６、０．９であるため、期待値は、０．７５となる。制御決定モデル学習プログラム１０２６は、この期待値と信頼度との和を当該制御パラメータの評価値とする。 The control determination model learning program 1026 calculates the evaluation value of the control parameter by obtaining the sum of the expected value ri of the KPI value and the reliability (step S1203). For example, when the control parameter stored in the control log 1036 is 560, the KPI values at that time are 0.6 and 0.9, so the expected value is 0.75. The control decision model learning program 1026 sets the sum of the expected value and the reliability as the evaluation value of the control parameter.

制御決定モデル学習プログラム１０２６は、ステップＳ１２０３で算出した評価値が最大となる制御パラメータを制御ログ１０３６の中から選択する（ステップＳ１２０４）。 The control determination model learning program 1026 selects the control parameter having the maximum evaluation value calculated in step S1203 from the control log 1036 (step S1204).

制御パラメータ決定プログラム１０２３は、その制御パラメータを含むパラメータセットを入力として、予測ＫＰＩ値が高い制御パラメータと予測ＫＰＩ値とを出力する（ステップＳ１２０５）。具体的には、制御パラメータ決定プログラム１０２３は、評価値が最大となる制御パラメータが制御ログ１０３６に記憶されている日時と同じ日時の観測データ１０３２を読み出し、読み出した観測データ１０３２が得られたときの制御パラメータを含むパラメータセットを入力として、図４に示した制御決定モデル１０３３により予測ＫＰＩ値が高い制御パラメータを出力する。 The control parameter determination program 1023 inputs the parameter set including the control parameter, and outputs the control parameter having a high predicted KPI value and the predicted KPI value (step S1205). Specifically, the control parameter determination program 1023 reads the observation data 1032 at the same date and time as the date and time when the control parameter having the maximum evaluation value is stored in the control log 1036, and when the read observation data 1032 is obtained. By inputting a parameter set including the control parameter of, the control parameter having a high predicted KPI value is output by the control determination model 1033 shown in FIG.

制御決定モデル学習プログラム１０２６は、ステップＳ１２０５で出力された制御パラメータを用いたときの予測ＫＰＩ値と、制御ログ１０３６に記憶されている制御パラメータに対応するＫＰＩ値とを比較し、両者が同じであるか否かを判定する（ステップＳ１２０６）。 The control determination model learning program 1026 compares the predicted KPI value when the control parameter output in step S1205 is used with the KPI value corresponding to the control parameter stored in the control log 1036, and the two are the same. It is determined whether there is any (step S1206).

制御決定モデル学習プログラム１０２６は、ステップＳ１２０５で出力された制御パラメータを用いたときの予測ＫＰＩ値と、制御ログ１０３６に記憶されている制御パラメータに対応するＫＰＩ値とが同じであると判定した場合（ステップＳ１２０６；Ｙｅｓ）、制御決定モデル１０３３を更新せずにステップＳ１２０９に進む（ステップＳ１２０７）。 When the control determination model learning program 1026 determines that the predicted KPI value when the control parameter output in step S1205 is used and the KPI value corresponding to the control parameter stored in the control log 1036 are the same. (Step S1206; Yes), the process proceeds to step S1209 without updating the control determination model 1033 (step S1207).

一方、制御決定モデル学習プログラム１０２６は、ステップＳ１２０５で出力された制御パラメータを用いたときの予測ＫＰＩ値と、制御ログ１０３６に記憶されている制御パラメータに対応するＫＰＩ値とが同じでないと判定した場合（ステップＳ１２０６；Ｎｏ）、補助記憶装置１０３に記憶されている制御決定モデル１０３３を更新する（ステップＳ１２０８）。具体的には、制御決定モデル学習プログラム１０２６は、ステップＳ１２０５の制御パラメータが出力されるように、図４に示した制御決定モデル１０３３の相関表の重み値およびモデルを更新する。ステップＳ１２０８の処理が終了すると、ステップＳ１２０９に進む。 On the other hand, the control decision model learning program 1026 determines that the predicted KPI value when the control parameter output in step S1205 is used and the KPI value corresponding to the control parameter stored in the control log 1036 are not the same. In the case (step S1206; No), the control determination model 1033 stored in the auxiliary storage device 103 is updated (step S1208). Specifically, the control decision model learning program 1026 updates the weight value and model of the correlation table of the control decision model 1033 shown in FIG. 4 so that the control parameter of step S1205 is output. When the process of step S1208 ends, the process proceeds to step S1209.

ステップＳ１２０９では、制御決定モデル学習プログラム１０２６は、制御ログ１０３６に記憶されている全てのレコード（Ｔ）について、ステップＳ１２０２〜Ｓ１２０８の処理を実行したか否かを判定し、全てのレコードについて処理を実行していないと判定した場合（ステップＳ１２０９；Ｎｏ）、ステップＳ１２０１に戻って、ステップＳ１２０２〜Ｓ１２０８までの各処理を実行する。 In step S1209, the control decision model learning program 1026 determines whether or not the processes of steps S1202 to S1208 have been executed for all the records (T) stored in the control log 1036, and processes all the records. When it determines with not having performed (step S1209; No), it returns to step S1201 and performs each process of step S1202-S1208.

一方、制御決定モデル学習プログラム１０２６は、全てのレコードについて処理を実行したと判定した場合（ステップＳ１２０９；Ｙｅｓ）、図１２に示した学習処理を終了させる。 On the other hand, when the control decision model learning program 1026 determines that the processing has been executed for all the records (step S1209; Yes), the learning processing shown in FIG. 12 is ended.

このように、本実施例では、過去の各設備を制御したときの操作履歴から得られる制御パラメータにより観測されたＫＰＩ値と、操作履歴の中で評価値が最も高い制御パラメータを含むパラメータセットを入力として制御決定モデル１０３３により出力される制御パラメータを用いたときの予測ＫＰＩ値とを比較し、両者が異なる場合、制御決定モデル１０３３により出力される制御パラメータが出力されるように、補助記憶装置１０３に記憶されている制御決定モデル１０３３を更新する。したがって、精度よくＫＰＩ値の高い制御パラメータを含むパラメータセットを出力することができる。 As described above, in this embodiment, the KPI value observed by the control parameter obtained from the operation history when controlling each past facility and the parameter set including the control parameter having the highest evaluation value in the operation history are set. The auxiliary storage device compares the predicted KPI value when the control parameter output by the control decision model 1033 is used as an input and outputs the control parameter output by the control decision model 1033 when the two differ. The control decision model 1033 stored in 103 is updated. Therefore, it is possible to accurately output a parameter set including a control parameter having a high KPI value.

（実施例４）
実施例１〜３では、制御決定モデルおよび選択確率モデルを用いて制御パラメータを出力したり、制御決定モデルおよび選択確率モデルを学習する場合について説明したが、以下では、実際にシステムが運用された後の処理について説明する。 (Example 4)
In the first to third embodiments, the case where the control parameter is output using the control decision model and the selection probability model and the control decision model and the selection probability model are learned has been described, but in the following, the system was actually operated. The subsequent processing will be described.

図１３は、実施例４における情報処理装置１００の構成例を示す図である。図１３では、図１に示した情報処理装置１００に対して、メモリ１０２に選択確率モデル更新プログラム１０２７と、制御決定モデル更新プログラム１０２８とが記憶されている点で実施例１と異なっている。以下では、実施例１と同一の構成要素には同一の符号を付してその説明を省略する。 FIG. 13 is a diagram illustrating a configuration example of the information processing device 100 according to the fourth embodiment. 13 differs from the information processing apparatus 100 shown in FIG. 1 in that a selection probability model update program 1027 and a control decision model update program 1028 are stored in the memory 102. In the following, the same components as those in the first embodiment will be designated by the same reference numerals and the description thereof will be omitted.

選択確率モデル更新プログラム１０２７は、選択された制御パラメータを含むパラメータセットを入力として選択確率モデル１０３４を更新するプログラムである。 The selection probability model update program 1027 is a program that updates the selection probability model 1034 with a parameter set including the selected control parameter as an input.

制御決定モデル更新プログラム１０２８は、算出された予測ＫＰＩ値で用いられた制御パラメータを含むパラメータセットを入力として制御決定モデル１０３３を更新するプログラムである。 The control decision model update program 1028 is a program that updates the control decision model 1033 with a parameter set including the control parameters used in the calculated predicted KPI value as an input.

図１４は、実施例４で行われる処理（モデル更新処理）の処理手順を示すフローチャートである。本処理は、ＫＰＩ観測プログラム１０２２、制御パラメータ決定プログラム１０２３、選択確率算出プログラム１０２４、選択確率モデル更新プログラム１０２７、制御決定モデル更新プログラム１０２８により実行される。なお、以下では熟練者であるユーザが本システムにログインして実行しているものとする、熟練者であるか否かは、実施例１に示したように判定すればよい。 FIG. 14 is a flowchart illustrating a processing procedure of processing (model update processing) performed in the fourth embodiment. This processing is executed by the KPI observation program 1022, the control parameter determination program 1023, the selection probability calculation program 1024, the selection probability model update program 1027, and the control determination model update program 1028. In the following description, it is assumed that a user who is an expert logs in to the system and executes it. Whether or not the user is an expert can be determined as shown in the first embodiment.

図１４に示すように、ＫＰＩ観測プログラム１０２２は、観測データ１０３２を呼び出す（ステップＳ１４０１）。制御パラメータ決定プログラム１０２３は、ユーザから、制御パラメータ１０３１の中から制御パラメータの選択を受け付ける（ステップＳ１４０２）。受け付けられた制御パラメータは水処理施設の各設備に送信され、各設備がその制御パラメータにより水処理制御を実行する（ステップＳ１４０３）。 As shown in FIG. 14, the KPI observation program 1022 calls the observation data 1032 (step S1401). The control parameter determination program 1023 receives the selection of the control parameter from the control parameters 1031 from the user (step S1402). The received control parameter is transmitted to each equipment of the water treatment facility, and each equipment executes the water treatment control according to the control parameter (step S1403).

ＫＰＩ観測プログラム１０２２は、ステップＳ１４０３で行われた制御結果を計測し、時刻とその観測値とを観測データ１０３２として記録する（ステップＳ１４０４）。制御パラメータ決定プログラム１０２３は、ＫＰＩ観測プログラム１０２２により記録された観測データ１０３２を観測したときの制御パラメータを含むパラメータセットを入力として、ステップＳ１４０２でその制御パラメータが選択されたときの実際のＫＰＩ値を算出する（ステップＳ１４０５）。ＫＰＩ値は、図４に示した制御決定モデル１０３３に従って算出される。 The KPI observation program 1022 measures the control result performed in step S1403, and records the time and its observation value as observation data 1032 (step S1404). The control parameter determination program 1023 inputs the parameter set including the control parameter when the observation data 1032 recorded by the KPI observation program 1022 is observed, and shows the actual KPI value when the control parameter is selected in step S1402. It is calculated (step S1405). The KPI value is calculated according to the control decision model 1033 shown in FIG.

制御決定モデル更新プログラム１０２８は、算出された実際のＫＰＩ値を用いて制御決定モデル１０３３を更新する（ステップＳ１４０６）。具体的には、制御決定モデル更新プログラム１０２８は、ステップＳ１４０２で選択された制御パラメータが出力されるように、図４に示した制御決定モデル１０３３の相関表の重み値およびモデルを更新する。 The control decision model update program 1028 updates the control decision model 1033 using the calculated actual KPI value (step S1406). Specifically, the control decision model update program 1028 updates the weight value and model of the correlation table of the control decision model 1033 shown in FIG. 4 so that the control parameter selected in step S1402 is output.

選択確率モデル更新プログラム１０２７は、選択された制御パラメータを用いて選択確率モデル１０３４を更新する(ステップＳ１４０６）。具体的には、選択確率モデル更新プログラム１０２７は、ステップＳ１４０２で選択された制御パラメータが出力されるように、図５に示した選択確率モデル１０３４の相関表の重み値およびモデルを更新する。ステップＳ１４０７の処理が終了すると、図１４に示したモデル更新処理が終了する。 The selection probability model update program 1027 updates the selection probability model 1034 using the selected control parameter (step S1406). Specifically, the selection probability model update program 1027 updates the weight value and model of the correlation table of the selection probability model 1034 shown in FIG. 5 so that the control parameter selected in step S1402 is output. When the process of step S1407 ends, the model update process illustrated in FIG. 14 ends.

このように、本実施例では、実運用時において、熟練者が選択した制御パラメータを含むパラメータセットを入力として制御決定モデル１０３３、選択確率モデル１０３４を更新するので、実運用時においても、精度よく熟練者による選択確率の高い制御パラメータを含むパラメータセットやＫＰＩ値の高い制御パラメータを含むパラメータセットを出力することができる。 As described above, in this embodiment, since the control decision model 1033 and the selection probability model 1034 are updated by inputting the parameter set including the control parameters selected by the expert during the actual operation, the accuracy can be improved even during the actual operation. It is possible to output a parameter set including a control parameter with a high probability of selection by an expert and a parameter set including a control parameter with a high KPI value.

（実施例５）
実施例１では、推薦する制御パラメータの組であるパラメータセットを出力してユーザに提示することとしたが、以下では、その提示方法について説明する。 (Example 5)
In the first embodiment, a parameter set, which is a set of recommended control parameters, is output and presented to the user, but the presentation method will be described below.

図１５は、実施例５における情報処理装置１００の構成例を示す図である。図１５では、図１に示した情報処理装置１００に対して、メモリ１０２に制御表示プログラム１０２９が記憶され、表示部１０４を備えている点で実施例１と異なっている。以下では、実施例１と同一の構成要素には同一の符号を付してその説明を省略する。 FIG. 15 is a diagram illustrating a configuration example of the information processing device 100 according to the fifth embodiment. 15 differs from the information processing apparatus 100 shown in FIG. 1 in that the control display program 1029 is stored in the memory 102 and the display unit 104 is provided. In the following, the same components as those in the first embodiment will be designated by the same reference numerals and the description thereof will be omitted.

制御表示プログラム１０２９は、パラメータ推薦プログラム１０２１が出力したパラメータセット、そのパラメータセットを用いて算出される予測ＫＰＩ値、観測データ１０３２を表示部１０４に表示する。 The control display program 1029 displays the parameter set output by the parameter recommendation program 1021, the predicted KPI value calculated using the parameter set, and the observation data 1032 on the display unit 104.

表示部１０４は、例えば、ＬＣＤ（Liquid Crystal Display）等のディスプレイや、ユーザから操作を受け付けるタッチパネルから構成される。 The display unit 104 includes, for example, a display such as an LCD (Liquid Crystal Display) and a touch panel that receives an operation from a user.

図１６は、パラメータ推薦プログラム１０２１が出力したパラメータセット、そのパラメータセットを用いて算出される予測ＫＰＩ値、観測データ１０３２を表示する表示部１０４の例を示す図である。図１６に示すように、観測データ１０３２を表示する現況表示部１０４１および天気予報表示部１０４２、パラメータ推薦プログラム１０２１が出力したパラメータセットである推薦パラメータセット表示部１０４３、推薦パラメータセット１０４３を用いて算出される予測ＫＰＩ値表示部１０４４が表示されている。また、推薦パラメータセット表示部１０４３および予測ＫＰＩ値表示部１０４４にはラジオボタン１０４５が表示され、ユーザがいずれかの推薦パラメータセットおよび予測ＫＰＩ値の組を選択することができるようになっている。 FIG. 16 is a diagram showing an example of the display unit 104 that displays the parameter set output by the parameter recommendation program 1021, the predicted KPI value calculated using the parameter set, and the observation data 1032. As shown in FIG. 16, calculation is performed using a current condition display unit 1041 that displays observation data 1032, a weather forecast display unit 1042, a recommended parameter set display unit 1043 that is a parameter set output by the parameter recommendation program 1021, and a recommended parameter set 1043. The predicted KPI value display portion 1044 is displayed. A radio button 1045 is displayed on the recommended parameter set display unit 1043 and the predicted KPI value display unit 1044 so that the user can select any recommended parameter set and predicted KPI value set.

図１６では、気象センサによる検知結果が晴れを示す「Ｓｕｎｎｙ」であり、他のセンサによる検知結果が時系列にグラフ形式で現況部１０４１に表示されていることがわかる。これらの検知結果は観測データ１０３２から得ることができる。また、複数の推薦パラメータセットおよび予測ＫＰＩ値の組のうち、上から３番目の推薦パラメータセットおよび予測ＫＰＩ値がユーザにより選択されていることがわかる。 In FIG. 16, it can be seen that the detection result by the weather sensor is “Sunny” indicating that the weather is fine, and the detection results by the other sensors are displayed in chronological order in the present state portion 1041. These detection results can be obtained from the observation data 1032. It can also be seen that the user selects the third recommended parameter set and predicted KPI value from the top among the plurality of recommended parameter set and predicted KPI value pairs.

このように、本実施例では、パラメータ推薦プログラム１０２１が出力したパラメータセット、そのパラメータセットを用いて算出される予測ＫＰＩ値、観測データ１０３２を表示部１０４に表示するので、ユーザは推薦されるパラメータセットを一目で確認し、選択することができる。 As described above, in this embodiment, the parameter set output by the parameter recommendation program 1021, the predicted KPI value calculated using the parameter set, and the observation data 1032 are displayed on the display unit 104, so that the user recommends the parameter. You can check the set at a glance and select it.

（実施例６）
実施例１では、ある情報処理装置１００が、その情報処理装置１００に接続されている水処理施設の各設備を制御するための制御決定モデル、選択確率モデルを用いて制御パラメータや予測ＫＰＩ値を提示することとした。しかし、実際には、複数の情報処理装置１００が互いにネットワークで接続され、制御決定モデルや選択確率モデルを共有する場合もある。そこで、以下では、制御決定モデル、選択確率モデルを共有する場合の例について説明する。 (Example 6)
In the first embodiment, an information processing device 100 uses a control determination model and a selection probability model for controlling each facility of a water treatment facility connected to the information processing device 100 to obtain control parameters and predicted KPI values. I decided to present it. However, in practice, a plurality of information processing apparatuses 100 may be connected to each other via a network and share a control decision model or a selection probability model. Therefore, an example of sharing the control decision model and the selection probability model will be described below.

図１７は、複数の情報処理装置１００の間で制御決定モデル、選択確率モデルを共有する構成例を示す図である。図１７に示すように、本例では、複数の情報処理装置１００と、これらの情報処理装置１００を管理する管理サーバ２００とがネットワークＮを介して接続されている。なお、ネットワークＮは、インターネット等の一般的な公衆回線網である。図１７に示す情報処理装置１００は、図１に示した情報処理装置と同様であるため、ここでは管理サーバ２００について説明する。 FIG. 17 is a diagram showing a configuration example in which the control decision model and the selection probability model are shared between the plurality of information processing apparatuses 100. As shown in FIG. 17, in this example, a plurality of information processing devices 100 and a management server 200 that manages these information processing devices 100 are connected via a network N. The network N is a general public line network such as the Internet. Since the information processing apparatus 100 shown in FIG. 17 is the same as the information processing apparatus shown in FIG. 1, the management server 200 will be described here.

図１７に示すように、管理サーバ２００は、プロセッサ２０１と、メモリ２０２と、補助記憶装置２０３とを有して構成されている。 As illustrated in FIG. 17, the management server 200 includes a processor 201, a memory 202, and an auxiliary storage device 203.

プロセッサ２０１は、メモリ２０２に記憶されているプログラムを読み出して実行する演算装置である。メモリ２０２は、本システムで用いられる各種プログラムを記憶する記憶媒体である。補助記憶装置２０３は、本システムで用いられる各種パラメータや各種モデルを記憶する記憶装置である。 The processor 201 is an arithmetic unit that reads out and executes a program stored in the memory 202. The memory 202 is a storage medium that stores various programs used in this system. The auxiliary storage device 203 is a storage device that stores various parameters and various models used in this system.

メモリ２０２は、モデル抽出プログラム２０２１、共通制御パラメータ決定プログラム２０２２、共通選択確率算出プログラム２０２３を記憶する。 The memory 202 stores a model extraction program 2021, a common control parameter determination program 2022, and a common selection probability calculation program 2023.

共通制御決定モデル２０３１は、それぞれの情報処理装置１００に記憶されている制御決定モデル１０３３から算出された平均的な制御決定モデルである。 The common control determination model 2031 is an average control determination model calculated from the control determination models 1033 stored in each information processing device 100.

共通選択確率モデル２０３２は、それぞれの情報処理装置１００に記憶されている選択確率モデル１０３４から算出された平均的な選択確率モデルである。 The common selection probability model 2032 is an average selection probability model calculated from the selection probability models 1034 stored in each information processing device 100.

図１８は、共通制御決定モデル２０３１の例を示す図である。図１８（ａ）は、共通制御決定モデル２０３１の相関表であり、図１８（ｂ）は、その相関表を生成するためのモデルを示している。本例ではレイヤ１についての相関表を示しているが、図４の場合と同様に、レイヤ２、レイヤ３についての相関表が記憶されている。 FIG. 18 is a diagram showing an example of the common control determination model 2031. 18A is a correlation table of the common control determination model 2031, and FIG. 18B shows a model for generating the correlation table. In this example, the correlation table for layer 1 is shown, but as in the case of FIG. 4, the correlation table for layers 2 and 3 is stored.

モデル抽出プログラム２０２１は、複数の情報処理装置１００に記憶されている制御決定率モデル１０３３を、ネットワークＮを介して取得し、それぞれの制御決定モデル１０３３に含まれる相関表を構成する重み値の平均値を算出し、共通制御決定モデル２０３１の相関表に記憶する。 The model extraction program 2021 acquires the control determination rate models 1033 stored in the plurality of information processing apparatuses 100 via the network N, and averages the weight values forming the correlation table included in each control determination model 1033. The value is calculated and stored in the correlation table of the common control determination model 2031.

共通制御パラメータ決定プログラム２０２２は、図１８（ｂ）に示すように、共通制御決定モデル２０３１を用いて予測ＫＰＩ値を算出する。予測ＫＰＩ値の算出方法については図４の場合と同様であるためここではその説明を省略する。 The common control parameter determination program 2022 calculates the predicted KPI value using the common control determination model 2031 as shown in FIG. The method of calculating the predicted KPI value is the same as in the case of FIG. 4, and therefore its explanation is omitted here.

図１９は、共通選択確率モデル２０３２の例を示す図である。図１９（ａ）は、共通選択確率モデル２０３２の相関表であり、図１９（ｂ）は、その相関表を生成するためのモデルを示している。本例ではレイヤ１についての相関表を示しているが、図５の場合と同様に、レイヤ２、レイヤ３についての相関表が記憶されている。 FIG. 19 is a diagram showing an example of the common selection probability model 2032. FIG. 19A shows a correlation table of the common selection probability model 2032, and FIG. 19B shows a model for generating the correlation table. Although the correlation table for layer 1 is shown in this example, the correlation tables for layers 2 and 3 are stored as in the case of FIG.

モデル抽出プログラム２０２１は、複数の情報処理装置１００に記憶されている選択確率モデル１０３４を、ネットワークＮを介して取得し、それぞれの選択確率モデル１０３４に含まれる相関表を構成する重み値の平均値を算出し、共通選択確率モデル２０３２の相関表に記憶する。 The model extraction program 2021 acquires the selection probability models 1034 stored in the plurality of information processing apparatuses 100 via the network N, and averages the weight values that form the correlation table included in each selection probability model 1034. Is calculated and stored in the correlation table of the common selection probability model 2032.

共通選択確率算出プログラム２０２３は、図１９（ｂ）に示すように、共通選択確率モデル２０３２を用いて選択確率を算出する。選択確率の算出方法については図５の場合と同様であるためここではその説明を省略する。 The common selection probability calculation program 2023 calculates the selection probability using the common selection probability model 2032, as shown in FIG. The calculation method of the selection probability is the same as that in the case of FIG. 5, and therefore its explanation is omitted here.

このように、管理サーバ２００が、それぞれの情報処理装置１００から取得した制御決定モデル、選択確率モデルを用いてシステムに共通する制御決定モデル、選択確率モデルを生成するので、システムとして平均的な制御決定モデル、選択確率モデルを得ることができ、例えば、新たに情報処理装置１００を追加して運用を開始する場合にこれらのモデルの雛形として利用することができる。 In this way, the management server 200 generates a control decision model and a selection probability model common to the system by using the control decision model and the selection probability model acquired from the respective information processing apparatuses 100, so that an average control as a system A decision model and a selection probability model can be obtained, and can be used as a model of these models when the information processing apparatus 100 is newly added and operation is started.

なお、本システムで実行される各処理は、実際には、各装置にインストールされたプログラムを実行することにより実現される。上記プログラムは、ＲＯＭ等に予め組み込まれて提供されたり、インストール可能な形式又は実行可能な形式のファイルで記録媒体に記録して提供したり、配布してもよい。 Note that each processing executed in this system is actually realized by executing a program installed in each device. The program may be provided by being pre-installed in a ROM or the like, or may be provided by being recorded as a file in an installable format or an executable format on a recording medium and provided.

１００情報処理装置
１０１プロセッサ
１０２メモリ
１０２１パラメータ推薦プログラム
１０２２ＫＰＩ観測プログラム
１０２３制御パラメータ決定プログラム
１０２４選択確率算出プログラム
１０２５選択確率モデル学習プログラム
１０２６制御決定モデル学習プログラム
１０２７選択確率モデル更新プログラム
１０２８制御決定モデル更新プログラム
１０２９制御表示プログラム
１０３補助記憶装置
１０３１制御パラメータ
１０３２観測データ
１０３３制御決定モデル
１０３４選択確率モデル
１０４表示部
２００管理サーバ
２０１プロセッサ
２０２メモリ
２０２１モデル抽出プログラム
２０２２共通制御パラメータ決定プログラム
２０２３共通選択確率算出プログラム
２０３補助記憶装置
２０３１共通制御決定モデル
２０３２共通選択確率モデル
Ｎネットワーク。 100 information processing device 101 processor 102 memory 1021 parameter recommendation program 1022 KPI observation program 1023 control parameter determination program 1024 selection probability calculation program 1025 selection probability model learning program 1026 control determination model learning program 1027 selection probability model update program 1028 control determination model update program 1029 control display program 103 auxiliary storage device 1031 control parameter 1032 observation data 1033 control determination model 1034 selection probability model 104 display unit 200 management server 201 processor 202 memory 2021 model extraction program 2022 common control parameter determination program 2023 common selection probability calculation program 203 auxiliary Storage device 2031 Common control decision model 2032 Common selection probability model N network.

Claims

A decision support system that assists in the determination of control parameters used to control the equipment of a water treatment facility,
Based on a first control parameter used when observing past observation values of the equipment, and a control decision model for predicting a KPI value by controlling the equipment with the first control parameter, A control parameter determination unit that predicts a KPI value of the first control parameter and extracts a predetermined number of the first control parameters having a high KPI value from the predicted first control parameters;
Based on a second control parameter used by a skilled person when observing past observation values of the equipment, and a selection probability model for calculating a probability of controlling the equipment with the second control parameter. A selection probability calculation unit that extracts a predetermined number of the second control parameters having a high selection probability from the calculated second control parameters,
A parameter recommending unit that determines a control parameter recommended to the user based on the first control parameter extracted by the control parameter determining unit and the second control parameter extracted by the selection probability calculating unit;
A decision support system comprising:

The control parameter determination unit calculates the degree of similarity between the first control parameter and the second control parameter, and when the degree of similarity is higher than a threshold value, the number of the control parameters is larger than that of the second control parameter. The first control parameter is determined as a control parameter recommended to the user, and when the degree of similarity is equal to or less than a threshold value, a second control parameter of a larger number than the first control parameter is recommended to the user. Determined as a control parameter,
The decision support system according to claim 1, wherein:

The parameter recommendation unit determines whether or not the observation value includes information indicating a predetermined abnormal situation, and when it is determined that the observation value includes information indicating a predetermined abnormal situation, the Determining a second control parameter as a control parameter recommended to the user,
The decision support system according to claim 1, wherein:

A KPI observation unit for observing an observation value when the equipment is controlled based on the second control parameter selected by the expert;
A model updating unit that updates the control decision model and the selection probability model so that the second control parameter when the KPI observing unit observes the observed value is output.
The decision support system according to claim 1, further comprising:

The selection probability calculating unit selects the control parameter and the selection when the observation value at the same date and time as the date and time stored in the control parameter log storing the history of the first control parameter or the second control parameter is observed. Based on the stochastic model, estimates the control parameters that are likely to be selected by the expert,
It is determined whether the estimated control parameter and the control parameter stored in the control parameter log are the same, and if they are not the same, the estimated control parameter is output. As described above, a selection probability model learning unit that updates the selection probability model,
The decision support system according to claim 1, further comprising:

Stored in a control log that stores the history of the first control parameter or the second control parameter and the history of the KPI value when controlled by the first control parameter or the second control parameter in association with each other. A control decision model learning unit for calculating an evaluation value based on the reliability of the control parameter and the expected value of the KPI value,
The control parameter determination unit uses the KPI based on the control parameter and the control determination model when observing an observation value at the same date and time as the date and time when the control parameter having the maximum evaluation value is stored in the control log. Outputs control parameters with high values,
The control decision model learning unit determines whether the KPI value when a control parameter having a high KPI value is used and the KPI value stored in the control log are the same, and the two are not the same. When it is determined that the control decision model is updated so that the control parameter having a high KPI value is output,
The decision support system according to claim 1, wherein:

The recommended control parameter determined by the parameter recommendation unit, the KPI value predicted by the recommended control parameter and the control determination model, and the observed value are displayed on the display unit, and the recommended control parameter is displayed. And a control display unit that receives a selection of a KPI value predicted by the control determination model from a user,
The decision support system according to claim 1, further comprising:

A decision support method for supporting the determination of control parameters used to control equipment provided in a water treatment facility,
Based on a first control parameter used when observing past observation values of the equipment, and a control decision model for predicting a KPI value by controlling the equipment with the first control parameter, Predicting a KPI value of the first control parameter, extracting a predetermined number of the first control parameters having a high KPI value from the predicted first control parameters,
Based on a second control parameter used by a skilled person when observing past observation values of the equipment, and a selection probability model for calculating a probability of controlling the equipment with the second control parameter. , Extracting a predetermined number of the second control parameters with high selection probability from the calculated second control parameters,
Recommended to the user based on the first control parameter extracted from the predicted first control parameters and the second control parameter extracted from the calculated second control parameters Determine the control parameters to
A decision support method characterized by the above.