JP2004025160A - 神経回路網及び逆転波アルゴリズムによる下排水処理人工知能制御システム及び方法 - Google Patents
神経回路網及び逆転波アルゴリズムによる下排水処理人工知能制御システム及び方法 Download PDFInfo
- Publication number
- JP2004025160A JP2004025160A JP2002304244A JP2002304244A JP2004025160A JP 2004025160 A JP2004025160 A JP 2004025160A JP 2002304244 A JP2002304244 A JP 2002304244A JP 2002304244 A JP2002304244 A JP 2002304244A JP 2004025160 A JP2004025160 A JP 2004025160A
- Authority
- JP
- Japan
- Prior art keywords
- dissolved oxygen
- concentration
- control
- stage
- aerobic tank
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/006—Regulation methods for biological treatment
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/005—Processes using a programmable logic controller [PLC]
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/10—Solids, e.g. total solids [TS], total suspended solids [TSS] or volatile solids [VS]
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/14—NH3-N
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/18—PO4-P
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/22—O2
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Abstract
【解決手段】合流式下水管渠を通じて下水処理場に流入する流動的設計因子である生物学的酸素要求量、流入流量及び水温を自動に測定して得られるデータを通じて初期設計時に適用される固定因子である各反応槽及び沈殿槽の容積を考慮した滞留時間を適用して、制御因子の好気槽1段及び好気槽2段の溶存酸素量及び微生物滞留時間等の目標値を求め、また現在値を通じて供給空気制御用弁及びスラッジ引抜ポンプの自動制御方法により、既存の専門家の知識を収集して最適な知識−ベースを作成し、これを用いて人工知能(神経制御器)を学習させ、温度の変化及び濃度の変化などに対応する溶存酸素の濃度を設定し、適切なSRTを算出して剰余スラッジ等を制御する学習方法と制御するアルゴリズムを用いる下排水処理の制御方法。
【選択図】 図1
Description
【発明の目的】
【発明の属する技術分野及びその分野の従来技術】
本発明は、流入水の性状と反応槽内の状態及び目標処理水質に基づく溶存酸素並びに微生物の滞留時間などの可変因子を自動制御する人工知能制御システムに関するものであって、更に詳しくは、韓国の特性上、合流式下水管渠を通じて下水処理場に流入される流動的設計因子である生物学的酸素要求量(以下、BODという)、流入流量及び水温を自動に測定して得られるデータを通じて初期設計時に適用される固定因子である各反応槽及び沈殿槽の容積を考慮した滞留時間を適用して、制御因子の好気槽1段及び好気槽2段の溶存酸素量(以下、溶存酸素量という)及び微生物滞留時間(以下、SRTという)といった目標値(setpoint;以下、SPという)を求め、また現在値(以下、PVという)を通じて供給空気制御用弁(以下、C/Vという)及びスラッジ引抜ポンプを自動に制御する方法により、既存の専門家達の知識[例えば、流入特性としてBOD、温度、流量と、反応槽の特性として溶存酸素、活性微生物濃度(以下、MLSSという)と、設計要素としてSRTと、処理水特性として総窒素濃度(以下、T−Nという)、BODを含む]を収集して最適な知識−ベースを作成し、これを用いて人工知能(神経制御器)を学習させ、温度の変化及び濃度の変化などに対応する溶存酸素の濃度を設定し、適切なSRTを算出して剰余スラッジなどを制御する学習方法と制御するアルゴリズムを用い、この人工知能制御学習方法は工法間の違いと下水処理場の容量及びフロー(flow)の変化などにもかかわらず、若干の修正と新しいデータを用いた再学習とチューニングにより大部分の下水処理場に適用することができ、新しいデータの蓄積によって、新しく、より良い効率を有するようにチューニングする人工知能制御システムに関するものである。
【0002】
一般的な下排水処理場の従来の自動制御システムは、季節の温度差、流入水のBOD濃度、流量などを考慮した運転者の経験に頼ってSPを設定し、これに基づくPID及びON/OFF制御システムを主に使用している。ここで運転者は、一日のデータを総合的に判断し、溶存酸素及びSRTを数日に一度ずつSPを変更しながら制御している実情である。
【0003】
その一例として最も常用化しているプログラマブルロジックコントローラー(以下、PLCという)を利用した自動制御システムの場合には:
BOD、流入流量及び水温といった流入水の特性及びSP制御のための好気槽1段の溶存酸素、好気槽2段の溶存酸素、曝気槽MLSS、スラッジ濃度、引抜流量または流出水BODといった計測器から得られるデータを伝送し;
次いで、PLCの入出力カード(以下、それぞれA/Dカード、D/Aカードという)から得られたデータを小容量の遂行速度を有するPLCに内蔵されたCPUを介して演算処理及び比例積分微分(以下、PIDという)及びON/OFF制御し、且つ、インターフェースを介してRS−232Cを通信信号を通じてコンピュータへ、PLCから入出力されるデータを伝送する。
【0004】
以降、コンピュータでは単にPLCから入出力されるデータを肉眼にて確認可能な物理量のデータに換算表示及び貯蔵並びに管理する機能だけを行っている実情である。
【0005】
斯かる方法によって自動制御されるシステムは単純であるが、流動的な流入水の性状に基づく連続的なSPによる溶存酸素及びSRTの制御が難しいだけでなく、運転者の直感による時時刻刻、毎日、季節に応じた変化を総合的に適用してSPを制御することは困難である。また、下排水の処理効率を増大させる方法により連続的に制御することは不可能な実情であり、運転者の出張時や変更時には既存の処理効率をそのまま維持するだけでなく、効率を増大することは相当難しい問題点を有している。
【0006】
【発明が解決しようとする技術的課題】
本発明は、前記のような従来技術の問題点を解消するために、季節変化に応じた運転因子を経験に頼るというよりは、既存のデータを用いた相関関係を導き出し、これに基づく溶存酸素、SRT制御を通じた処理効率を増大するための制御案及び季節別に応じた運転制御を可能とする。また、運転管理の非効率性により人件費、電力費などの運転費が増加する要因を減少させようとするものである。
【0007】
斯かる目的を達成するための本発明は、下排水処理の制御方法において、前記下排水処理場に流入する流入水特性と、反応槽状態特性と、流出水効率特性の流動的な現在値を複合的に測定する段階と;前記測定された流動的現在値のデータをコンピュータで収集し、物理量データに演算処理する段階と;前記コンピュータにおいてプログラムによって前記測定された特性の現在値を比較して、好気槽1段の溶存酸素量及び好気槽2段の溶存酸素量と微生物滞留時間(SRT)における最適の目標値(SP)を求める段階と;求められた最適の目標値(SP)を現在の好気槽1段及び好気槽2段の要存酸素及び微生物滞留時間(SRT)の現在値と比較してアナログ及びディジタル制御出力値に演算処理する段階と、得られた前記制御出力値により好気槽1段及び好気槽2段の空気調節弁とスラッジ引抜ポンプを制御する段階とを含み、前記プログラムは逆転波アルゴリズムを用いた神経回路網制御プログラムによって前記最適目標値を求めることを特徴としている。
【0008】
また、下排水処理制御システムにおいて;前記下排水処理場に流入する流入水特性と、反応槽状態特性と、流出水効率特性の流動的な現在値を複合的に測定する段階と;前記測定された流動的現在値のデータを収集し、物理量データに演算処理し、プログラムによって前記測定された特性の現在値を比較して、好気槽1段及び好気槽2段の溶存酸素量と微生物滞留時間(SRT)における最適の目標値(SP)を求め、求められた最適の目標値(SP)を現在の好気槽1段及び好気槽2段の溶存酸素及び微生物滞留時間(SRT)の現在値と比較してアナログ及びディジタル制御出力値に演算処理するコンピュータ手段と;得られた前記制御出力値により好気槽1段及び好気槽2段の空気調節弁とスラッジ引抜ポンプを制御する手段とを含み、前記プログラムは逆転波アルゴリズムを用いた神経回路網制御プログラムによって前記最適目標値を求めることを特徴としている。
【0009】
【発明の構成】
以下添付の図面に基づいて本願の構成を詳細に説明すると以下の通りである。
【0010】
図1は本発明の制御システムの全体構成を示している。構成から分かるように、BOD、流入流量及び水温といった流入水の特性およびSP制御のための好気槽1段の溶存酸素、好気槽2段の溶存酸素、曝気槽MLSS、スラッジ濃度、引抜流量又は流出水BODのように、計測器(10、11、12)から得られるデータはPLC(14)のA/Dカード(101)へアナログ信号として伝送される。
【0011】
このデータは、図2にて示す順序図によりシステム段階を構成する。プログラムが始まって初期化(201)すれば既存のデータを収集し(202)、データ濾過(203)段階を経て、計測した流入水の特性、反応槽の状態、流出水の特性が入力されて(205)現状態の把握段階(204)を経る。把握された現在値はSP入力値(206)とともに、制御出力演算(207、210、211)を行い、それぞれアナログ及びディジタル信号として制御出力(209、212)し、同時にPLC(14)のメモリに貯蔵(218)する。以後、効率判断(214)において適している場合は、移動平均の過程を経て物理量に換算処理(217)した後、データ日付別貯蔵(221)及び初期値貯蔵(219)を行い、また図1に示すRS232C通信手段(106)を通じてインターネット伝送制御プロトコル/インターネットプロトコル(以下、TCP/IPという)で両方向通信及びコンピュータ画面に表示(220)する。
【0012】
図3では本発明に用いられるプログラムの主要機能を行う順序図を示している。前記プログラムが始まって初期化(301)された後は、収集されたデータ(303)と換算処理された流入水の特性(304)に基づく物理量データは複合的に比較演算処理する過程(305)を経る。前記複合比較演算処理過程を通じて、温度と流入水の特性、流量などに関係なく、一定濃度以上の脱窒、脱リンを行うことができ、水処理工程を人工知能化、自動化して高効率の安定した水処理システムを構築し、データベースの構築と人工知能制御(神経網)で自動化するのに必要な計測器の一定性、安全性、自動制御システムの安定性などを確保し、また、四季の温度や流入水の濃度に関係なく処理効率を高めることのできる好気槽1段及び好気槽2段の溶存酸素並びにSRTでの最適のSP(306、307)を求める。
【0013】
ここで求められた好気槽1段及び好気槽2段−溶存酸素及びSRTでの最適のSPはそれぞれ複合比較演算処理し(308、309)、それぞれのアナログ制御出力(310)とディジタル制御出力(313)のために、それぞれアナログ出力演算(311)とディジタル出力演算(312)を行い、また、各制御出力はメモリに貯蔵され(314)、インターネット伝送(315)及び初期値の貯蔵(316)、画面上の表示(317)の日付別テキストの貯蔵(318)又はデータベースへの登録(319)などに利用される。
【0014】
ここで用いられる全体的な学習と適用過程は図4に示されている。
人工知能制御は流入水BOD、反応槽の溶存酸素、MLSS、処理水の総窒素濃度、BODのような専門家の知識データを収集及び取得(401)し、このデータを分析してデータ規則を作成する(402)。
【0015】
該データ規則を神経回路網によって学習(403)されるが、ここで神経回路網は逆転波アルゴリズム(Back−Propagation)と、数学式1でのようにLevenberg−Marquardt方法及びニュートン方法と最急降下法の可能な学習最適化アルゴリズムが用いられ、実際の運転後、運転効率を算出し、高い効率を有する新しいデータの取得(405)によって所望の効率に至るまで、短期間的なチューニング(407)が行われる。このような再学習の過程を通じて新しいデータベースが構築される(406)。
【0016】
【数1】
【0017】
(IはIdentity Matrixを意味する。λ=0:ニュートン方法、λ→∞:最急降下法となり、λは動的に調節される。)
前記逆転波アルゴリズムにおいて、入力学習データの例としては、流入水の性状(流量、温度、BOD濃度)、反応槽内の状態(容積負荷量、SRT、溶存酸素、MLSS、アンモニア性窒素濃度(以下、NH4−N)、窒酸性窒素濃度(以下、NO3−N)、リン酸塩−リン濃度(PO4−P)、処理水質(BOD、T−N)が用いられ、該入力データと一対一対応する目標データは好気槽1、2段の溶存酸素とSRTとなる。
【0018】
図8にこの入力学習データが例示されている。図8に示されている通り、例示された入力学習データは温度が零上5度〜零上38度、BODが0〜180mg/l、NH4は0〜150mg/l、容積負荷量は全体範囲に入力が可能であり、これに対する出力は好気槽1段のDOが2.35〜4.3mg/l、好気槽2段のDO2が1.4〜3.3mg/l、SRTは7.55〜21.0の範囲に出力される。
【0019】
前記提示した学習データは、流入NH4濃度が増加すればMLSSを増加させ有機物対微生物比(Food to microbes:以下、F/Mという)を減少させる傾向又は流入NH4濃度が減少すればMLSSを減少させF/Mを増加させる傾向に、また、流入水濃度(BOD)の増加時、MLSSも増加すればF/Mを維持するためのMLSSを減少させ、これと逆に、MLSSが減少すればF/Mを維持しながら剰余スラッジ引抜を減少させる制御傾向に、又は流入水濃度(BOD)が増加すれば、空気供給量を増加させ、流入水濃度(BOD)が減少すれば空気供給量を減少させながら剰余スラッジ引抜量を増加させるなど、MLSSを減少させる傾向に制御される。
【0020】
図5では本発明の逆転波アルゴリズムの体系を示している。
本発明において逆転波アルゴリズムはMLP(Multi−Layer Perceptron)モデルが用いられる。MLPモデルでは、層は環境から入力される入力層(Input Layer)(503)、環境に出力を出す出力層(Output Layer)(505)、そして環境と直接相互作用せず、入力層と出力層との間に存在する隠匿層(Hidden Layer)(504)からなっている。学習は入力層から始まって、隠匿層を経て出力層まで進行する。ニューロンは受け入れる入力事項の値を合算して、その合算値が高い場合、隠匿層内の次のノードに入力事項を渡す。入力事項が伝達される際に、加重値の割当てあるいは加重値の強化及び弱化が起こり、この過程はモデルが結果を予測する最終外部層(出力層)に至るまで続く。ここで高い値のパターンに比重を加え、低い値のパターンを無視する活性化作用が起こる。
【0021】
本発明では、出力層(505)では多様な目標値を予測して出力しなければならないため、単に線形和(linear sum)を活性関数として用いる。一方、隠匿層(504)では非線形(Nonlinear)活性関数を用い、人工知能制御(神経網)は学習過程から得られた情報を加重値(Weight)に蓄積して貯蔵するが、この加重値が最適SRTと溶存酸素の値を得るのに用いられる。
【0022】
図5に示す本発明の隠匿層(504)において、隠匿層(504)の数は専門家の経験的知識によって決定され、本願発明では隠匿層(504)の数は15〜40個の間で決定可能であり、このような隠匿層(504)と入力層(503)及び出力層(505)への資料入力と出力並びに加重値は数学式2〜数学式4によって決定される。
【0023】
【数2】
【0024】
(全体errorを合わせたFを加重値に対する変化率で計算した式であり、Gradient iはi番目加重値(Weight))
【0025】
【数3】
【0026】
(error eは目標値と神経回路網の出力との差を意味、kはk番目サンプル)
【0027】
【数4】
【0028】
(Hessian matrix、Fの加重値に対する2階導関数を求めたもの)
以後、前述した段階から得られたそれぞれの最適のSPを好気槽1段の溶存酸素PV、好気槽2段の溶存酸素PVと比較して、アナログ制御出力(以下、MVという)演算処理して制御因子を得る。また、スラッジ引抜流量PVと積算流量を比較して、ディジタルMV演算処理してディジタル制御因子を得る。図7はこの制御因子を得るためのプログラム言語として具現したソフトウェアの例を示している。
【0029】
また、本発明は前記段階から得られる一連のデータを一つのファイルに貯蔵し、呼び出して管理を容易にする。
【0030】
前記段階後、得られたそれぞれの制御因子を通じてMVを連続的に計算し、D/Aカード(104)を介してアナログ信号及びディジタル信号に伝送する。
【0031】
伝送される信号を各C/V及びスラッジ引抜ポンプのインバータ(15)を介してPC基盤の直接制御を行う。
【0032】
また、前記段階の後、反応槽状態のSPとPVとを比較して、PCでの多重処理機能を利用して前記制御過程を経た下排水処理場の効率を比較分析して、これをファイルに記録することができる。
【0033】
また、一定した制御因子の調律過程を経て、処理効率がより増大できる方法で連続制御を行うことができ、現場の資料を実時間で遠距離からモニタリングし制御することのできる遠隔人工知能制御システムを構築する一連の過程もまた可能である。
【0034】
図6はこのような本願発明の制御機能の遂行をブロック化して示している。
示されているように、流量、流入BOD、流入NH3、温度のようにセンサで感知され、若しくは測定されたデータ(601)はデータ収集ボード(602)に収集され、収集されたデータは人工知能神経網制御器を有するPCのようなコンピュータ手段(604)へ伝送されるが、このコンピュータ手段はTCP/IPによって両方向及び実時間で遠隔制御及びモニタリングが可能である(603)。前述のような人工知能神経網制御を介して出力されたDO.SRTはアナログ出力信号ボード(605)を介して出力され、該アナログ信号はコンバータ及びインバータ(606)を介して変換することができ、以後、DO及びMLSSを制御する(607)。
【0035】
以下では本発明の前述の構成を実験的に実施した例を入出力データを通じて以下の通り調べてみる。
【0036】
本実施例では本発明の神経回路網及び逆転波アルゴリズムによる下排水処理人工知能制御システムを環境事業所の1次沈殿地の処理水を用いて一日処理容量50トン規模の実験施設の運営の実施例である。
【0037】
図9〜図12は、本実施例において流入水の状況の入力及び反応槽内の状況の入力を示している。
【0038】
図9は本発明のシステムに入力される流入温度信号グラフを示しており、流入温度はx軸は時間軸であり、摂氏流入温度は21.0℃〜21.5℃で流動的に入力されている。図10は本発明のシステムに入力される流入流量信号グラフであり、流入流量は時間に応じて、約49.0〜50.0m3/日で流動的に入力されている。図11は本発明のシステムに入力される流入BOD信号グラフであり、流入BODは時間に応じて、約90.0〜92.2mg/lで流動的に入力されている。
【0039】
図12は、本発明のシステムに入力される容積負荷信号グラフであり、反応槽内の容積負荷(kgBOD/m3/日)は時間に応じて容積負荷が流動的に入力されていることを示している。
【0040】
図13は本システムから出力される溶存酸素1の出力信号グラフであり、図14は本システムから出力される溶存酸素2の出力信号グラフであり、図15は本システムから出力されるSRT出力信号グラフであり、図16は本システムの全体入力/出力される出力信号グラフである。
【0041】
本実施例の出力グラフを通じて、反応槽内の好気槽1段(図13)と2段の溶存酸素(図14)及びSRT(図15)を人工知能によって同じ流入条件に対して固定値でなく、それぞれ状況に適した状態に制御されていることが観察できる。
【0042】
このように、本発明で用いられる人工知能制御システムは、データに基づき制御を一括的に行うことによって、運転者の個人誤差による誤動作を最小化することができるだけでなく、一貫性と信頼性のある資料の確保及び精密制御が可能である。
【0043】
【発明の効果】
以上にて説明したような構成により、本発明は従来技術と異なって、より標準化したデータを通じて標準化した工程で人工知能制御を行うことにより、運転者の経験に頼らずに、流動的な制御を通じた安定した処理効率を確保することができるだけでなく、先進産業化、情報化時代の要求に応じた信頼性のあるデータの確保とともに、運営予算の労働費用及び施設の維持管理費用を最少化することができる。
【0044】
また、PC基盤制御を通じてPCの速度や柔軟な技術を反映するので、継続して処理効率を増加させるように支援することが可能である。
【図面の簡単な説明】
【図1】図1は本発明のプログラマブルロジックコントローラーを用いた人工知能制御システム構成を示す図面。
【図2】図2は本発明のプログラマブルロジックコントローラーを用いた人工知能制御システムの順序図。
【図3】図3は本発明に用いられるプログラムの主要な機能を行う順序図。
【図4】図4は本発明に用いられる神経回路網学習機能を行う順序図。
【図5】図5は本発明に用いられる逆転波アルゴリズムの体系を示す図面。
【図6】図6は本発明に用いられるシステムの制御機能を行うことを示すブロック図。
【図7】図7は本システムの人工知能学習プログラム。
【図8】図8は本システムに適用された経験データ。
【図9】図9は本システムに入力される流入温度信号グラフ。
【図10】図10は本システムに入力される流入流量信号グラフ。
【図11】図11は本システムに入力される流入BOD信号グラフ。
【図12】図12は本システムに入力される容積負荷信号グラフ。
【図13】図13は本システムから出力される溶存酸素1の出力信号グラフ。
【図14】図14は本システムから出力される溶存酸素2の出力信号グラフ。
【図15】図15は本システムから出力されるSRT出力信号グラフ。
【図16】図16は本システムの全体入力/出力される出力信号グラフ。
【符号の説明】
10,11,12 計測器、13 中央コンピュータ、14 PLC、15 ディジタル信号、16 アナログ信号、17 スラッジポンプ、101 A/Dカード、102 中央処理装置、103 ディジタルカード、104 D/Aカード、105 インターフェース、106 RS−232C通信、107 インターフェース、108 表示装置、109 記録装置、110 中央処理装置。
Claims (20)
- 下排水処理の制御方法において;
前記下排水処理場に流入する流入水特性と、反応槽状態特性と、流出水効率特性の流動的な現在値を複合的に測定する段階と;
前記測定された流動的現在値のデータをコンピュータで収集し、物理量データに演算処理する段階と;
前記コンピュータにおいてプログラムによって前記測定された特性の現在値を比較して、好気槽1段の溶存酸素量及び好気槽2段の溶存酸素量と微生物滞留時間(SRT)における最適の目標値(SP)を求める段階と;
求められた最適の目標値(SP)を現在の好気槽1段及び好気槽2段の溶存酸素及び微生物滞留時間(SRT)の現在値と比較してアナログ及びディジタル制御出力値に演算処理する段階と;
得られた前記制御出力値で好気槽1段及び好気槽2段の空気調節弁とスラッジ引抜ポンプを制御する段階とを含み、
前記プログラムは逆転波アルゴリズムを用いた神経回路網制御プログラムによって前記最適目標値を求めることを特徴とする下排水処理の制御方法。 - 前記流入水特性は流入流量、温度、流入水のBOD濃度を含み;
前記反応槽状態特性は容積負荷量、微生物滞留時間(SRT)、好気槽1段の溶存酸素量、好気槽2段の溶存酸素量、活性微生物濃度(MLSS)、NH4−N、NO3−N、PO4−Pを含み;
前記流出水質の特性は流出水BOD濃度、流出水容量、T−Nを含むことを特徴とする、請求項1記載の制御方法。 - 前記神経回路網制御プログラムは学習最適化アルゴリズムを用いることを特徴とする、請求項1記載の制御方法。
- 神経回路網制御プログラムに用いられる入力学習データは流入水特性、反応槽状態特性、流出水質効率特性であり、学習過程から得る加重値により目標データである好気槽1段の溶存酸素量及び好気槽2段の溶存酸素量と微生物滞留時間(SRT)を求める、請求項2または3に記載の制御方法。
- 前記神経回路網制御プログラムの体系は、入力層、隠匿層、出力層を含み、隠匿層の数は15〜40個の範囲で決定され、前記隠匿層から入力層及び出力層への資料入力及び出力と加重値が決定される、請求項4記載の制御方法。
- 前記出力層では活性関数として線形和を用い、前記隠匿層では活性関数として非線形関数を用いて学習過程から得た情報を加重値に蓄積及び貯蔵することにより、前記加重値が最適の微生物滞留時間(SRT)と溶存酸素の目標値を求めるのに用いられる、請求項5記載の制御方法。
- 前記神経回路網制御プログラムの入力学習データの範囲は、流入水温度が零上5度〜零上38度、BODが0〜180mg/l、NH4は0〜150mg/l、容積負荷量は全体範囲であり、出力範囲は好気槽1段の溶存酸素量が2.35〜4.3mg/l、好気槽2段の溶存酸素量が1.4〜3.3mg/l、微生物滞留時間(SRT)は7.55〜21.0日であることを特徴とする、請求項4記載の制御方法。
- 前記神経回路網制御プログラムは、
流入するNH4濃度が増加すれば活性微生物濃度(MLSS)を増加させF/Mを減少させ、流入NH4濃度が減少すれば活性微生物濃度(MLSS)を減少させF/Mを増加させ;
流入水BODの増加時、活性微生物濃度(MLSS)も増加すればF/Mを維持するための活性微生物濃度(MLSS)を減少させ、活性微生物濃度(MLSS)が減少すればF/Mを維持すると共に、剰余スラッジ引抜を減少させ;
流入水BODの増加時、空気供給量が増加し、流入水BODが減少すれば空気供給量を減少させると共に、剰余スラッジ引抜量を増加させ、活性微生物濃度(MLSS)を減少させるように制御することを特徴とする、請求項4記載の制御方法。 - 測定及び演算処理段階で求められたデータをファイルに貯蔵及び管理する段階を更に含む、請求項1記載の制御方法。
- 前記データを伝送制御プロトコル/インターネットプロトコル(TCP/IP)を介してコンピュータと両方向通信により実時間制御を行い、多重処理機能を用いてコンピュータで前記制御過程を経た後、下排水処理場の効率を比較分析してファイルに記録する段階を更に含む、請求項9記載の制御方法。
- 下排水処理制御システムにおいて;
前記下排水処理場に流入する流入水特性と、反応槽状態特性と、流出水効率特性の流動的な現在値を複合的に測定する手段と;
前記測定された流動的現在値のデータを収集し、物理量データで演算処理し、プログラムによって前記測定された特性の現在値を比較して、好気槽1段及び好気槽2段の溶存酸素量と微生物滞留時間(SRT)における最適の目標値(SP)を求め、求められた最適の目標値(SP)を現在の好気槽1段及び好気槽2段の溶存酸素及び微生物滞留時間(SRT)の現在値と比較して、アナログ及びディジタル制御出力値に演算処理するコンピュータ手段と;
得られた前記制御出力値で好気槽1段及び好気槽2段の空気調節弁とスラッジ引抜ポンプを制御する手段とを含み;
前記プログラムは逆転波アルゴリズムを用いた神経回路網制御プログラムによって前記最適目標値を求めることを特徴とする下排水処理制御システム。 - 前記流入水特性は流入流量、温度、流入水BOD濃度を含み;
前記反応槽の状態特性は容積負荷量、微生物滞留時間(SRT)、好気槽1段の溶存酸素量、好気槽2段の溶存酸素量、活性微生物濃度(MLSS)、NH4−N、NO3−N、PO4−Pを含み;
前記流出水質特性は流出水BOD濃度、流出水容量、T−Nを含むことを特徴とする、請求項1記載の下排水処理制御システム。 - 前記神経回路網制御プログラムにおいて学習最適化アルゴリズムを用いることを特徴とする、請求項11記載の下排水処理制御システム。
- 前記神経回路網制御プログラムに用いられる入力学習データは流入水特性、反応槽状態特性、流出水質効率特性であり、学習過程から得る加重値により目標データである好気槽1段の溶存酸素量及び好気槽2段の溶存酸素量と微生物滞留時間(SRT)を求めることを特徴とする、請求項11または12記載の下排水処理制御システム。
- 前記神経回路網制御プログラムの体系は入力層、隠匿層、出力層を含み、隠匿層の数は15〜40個の範囲で決定され、前記隠匿層で入力層及び出力層への資料入力及び出力と加重値が決定される、請求項14記載の制御システム。
- 前記出力層では活性関数として線形和を用い、前記隠匿層では活性関数として非線形関数を用いて学習過程から得た情報を加重値に蓄積及び貯蔵することにより、前記加重値が最適の微生物滞留時間(SRT)と溶存酸素の目標値を求めるのに用いられる、請求項15記載の制御システム。
- 前記神経回路網制御プログラムの入力学習データの範囲は、流入水温度が零上5度〜零上38度、BODが0〜180mg/l、NH4は0〜150mg/l、容積負荷量は全体範囲であり、出力範囲は好気槽1段の溶存酸素量が2.35〜4.3mg/l、好気槽2段の溶存酸素量が1.4〜3.3mg/l、微生物滞留時間(SRT)は7.55〜21.0日であることを特徴とする、請求項14記載の下排水処理制御システム。
- 前記神経回路網制御プログラムは、
流入するNH4濃度が増加すれば活性微生物濃度(MLSS)を増加させF/Mを減少させ、流入NH4濃度が減少すれば活性微生物濃度(MLSS)を減少させF/Mを増加させ;
流入水BODの増加時、活性微生物濃度(MLSS)も増加すればF/Mを維持するための活性微生物濃度(MLSS)を減少させ、活性微生物濃度(MLSS)が減少すればF/Mを維持すると共に、剰余スラッジ引抜を減少させ;
流入水BODの増加時、空気供給量が増加し、流入水BODが減少すれば空気供給量を減少させると共に、剰余スラッジ引抜量を増加させ活性微生物濃度(MLSS)を減少させるように制御することを特徴とする、請求項17記載の下排水処理制御システム。 - 前記測定及び演算処理されたデータをファイルに貯蔵及び管理することを特徴とする、請求項11記載の下排水処理制御システム。
- 前記データを伝送制御プロトコル/インターネットプロトコル(TCP/IP)を介して前記コンピュータ手段と両方向通信により実時間制御を行い、多重処理機能を用いて前記コンピュータ手段で前記制御過程を経た後、下排水処理場の効率を比較分析してファイルに記録することを特徴とする、請求項19記載の下排水処理制御システム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2002-0034788A KR100456413B1 (ko) | 2002-06-21 | 2002-06-21 | 신경회로망 및 역전파 알고리즘에 의한 하폐수처리인공지능제어 시스템 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2004025160A true JP2004025160A (ja) | 2004-01-29 |
JP4401638B2 JP4401638B2 (ja) | 2010-01-20 |
Family
ID=29717715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2002304244A Expired - Fee Related JP4401638B2 (ja) | 2002-06-21 | 2002-10-18 | 神経回路網及び誤差逆伝播法による下排水処理人工知能制御システム及び方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US6808630B2 (ja) |
EP (1) | EP1376276B1 (ja) |
JP (1) | JP4401638B2 (ja) |
KR (1) | KR100456413B1 (ja) |
CN (1) | CN1325393C (ja) |
AT (1) | ATE341021T1 (ja) |
DE (1) | DE60214988T2 (ja) |
DK (1) | DK1376276T3 (ja) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009509756A (ja) * | 2005-10-06 | 2009-03-12 | シーメンス・ウォーター・テクノロジーズ・コーポレーション | 膜バイオリアクタシステムの動的制御 |
CN101833314A (zh) * | 2010-03-30 | 2010-09-15 | 深圳达实智能股份有限公司 | 污水处理控制系统及污水处理控制方法 |
WO2015147351A1 (ko) * | 2014-03-26 | 2015-10-01 | 부산대학교 산학협력단 | 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템 및 그 방법 |
CN105404151A (zh) * | 2015-12-12 | 2016-03-16 | 北京工业大学 | 污水处理过程动态多目标优化控制方法 |
CN105425592A (zh) * | 2016-01-05 | 2016-03-23 | 大唐环境产业集团股份有限公司 | 一种水处理加药数字化在线控制系统 |
CN106745707A (zh) * | 2016-12-30 | 2017-05-31 | 天津创业环保集团股份有限公司 | 一种污水处理污泥物料平衡的控制系统及控制方法 |
KR20190054541A (ko) * | 2017-11-14 | 2019-05-22 | 한국 천문 연구원 | Pid 제어기를 이용한 인공지능 시스템 |
JP2019175409A (ja) * | 2018-03-30 | 2019-10-10 | 国立大学法人横浜国立大学 | 水処理施設の運転制御装置及び運転制御方法 |
KR20210021387A (ko) | 2018-07-26 | 2021-02-25 | 미쓰비시덴키 가부시키가이샤 | 수처리 플랜트 및 수처리 플랜트의 운전 방법 |
CN113830896A (zh) * | 2021-09-27 | 2021-12-24 | 湖南工商大学 | 基于图神经网络的好氧段氧气预警方法、系统及设备 |
US11649183B2 (en) | 2018-07-26 | 2023-05-16 | Mitsubishi Electric Corporation | Water treatment plant |
Families Citing this family (55)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ITMI20040977A1 (it) * | 2004-05-17 | 2004-08-17 | Uni Degli Studi Brescia | Mertodo e dispositivo per il controllo del processo biologico in impianti di depurazione |
US20170046458A1 (en) | 2006-02-14 | 2017-02-16 | Power Analytics Corporation | Systems and methods for real-time dc microgrid power analytics for mission-critical power systems |
US9557723B2 (en) | 2006-07-19 | 2017-01-31 | Power Analytics Corporation | Real-time predictive systems for intelligent energy monitoring and management of electrical power networks |
US9092593B2 (en) | 2007-09-25 | 2015-07-28 | Power Analytics Corporation | Systems and methods for intuitive modeling of complex networks in a digital environment |
US20160246905A1 (en) | 2006-02-14 | 2016-08-25 | Power Analytics Corporation | Method For Predicting Arc Flash Energy And PPE Category Within A Real-Time Monitoring System |
EP2158165A4 (en) | 2007-05-10 | 2012-04-18 | Patrick T O'regan Jr | SYSTEMS, METHODS AND COMPONENTS FOR WATER TREATMENT AND CORRECTIVE ACTION |
WO2008155510A1 (en) * | 2007-06-18 | 2008-12-24 | Olatokunbo Tox Olaopa | Process control software for the control of hydraulic retention time in a biological reactor |
EP2223260A2 (en) * | 2007-11-07 | 2010-09-01 | EDSA Micro Corporation | Systems and methods for real-time forecasting and predicting of electrical peaks and managing the energy, health, reliability, and performance of electrical power systems based on an artificial adaptive neural network |
US20090283457A1 (en) * | 2008-05-14 | 2009-11-19 | Isos Ventures Llc | Waste water management system and method |
KR101187416B1 (ko) | 2009-02-26 | 2012-10-02 | 광주과학기술원 | 예측 모델을 이용한 해수담수화 방법 및 이를 수행하는 장치 |
KR101108031B1 (ko) * | 2009-06-30 | 2012-01-25 | 부산대학교 산학협력단 | 사전 예측 제어 기반 하·폐수 처리 시스템 및 하·폐수 처리 방법 |
CN101993151B (zh) * | 2009-08-27 | 2012-08-29 | 中国科学院沈阳自动化研究所 | 污水生化处理过程回路控制方法 |
US20110082597A1 (en) | 2009-10-01 | 2011-04-07 | Edsa Micro Corporation | Microgrid model based automated real time simulation for market based electric power system optimization |
AT508613A2 (de) * | 2010-09-07 | 2011-02-15 | Gassner Kurt Ing | Diskontinuierliches verfahren zur abwasserreinigung |
GB2490715A (en) * | 2011-05-12 | 2012-11-14 | Univ Loughborough | Process control system |
DE102012202112A1 (de) * | 2012-02-13 | 2013-08-14 | Krones Ag | Verfahren zur Steuerung und/oder Regelung von Filteranlagen mit einem Medienfilter |
US20130233796A1 (en) * | 2012-03-06 | 2013-09-12 | Narasimha M. Rao | Treatment of industrial water systems |
CN102662039A (zh) * | 2012-04-17 | 2012-09-12 | 戴会超 | 一种基于bp神经网络的水体溶解氧饱和度预测方法 |
US8857256B2 (en) * | 2012-06-27 | 2014-10-14 | Stantec Technology International, Inc. | Micromonitoring apparatus and method |
US9475715B2 (en) | 2012-11-16 | 2016-10-25 | Xylem Water Solutions U.S.A., Inc. | Optimized process and aeration performance with an advanced control algorithm |
CN103064290B (zh) * | 2013-01-01 | 2015-06-17 | 北京工业大学 | 基于自组织径向基神经网络的溶解氧模型预测控制方法 |
CN103116342B (zh) * | 2013-01-30 | 2015-07-29 | 丁树涛 | 无人值守远程遥控分布污水处理控制系统 |
CN103197544B (zh) * | 2013-02-25 | 2015-06-17 | 北京工业大学 | 基于非线性模型预测的污水处理过程多目标控制方法 |
ITRM20130346A1 (it) | 2013-06-17 | 2014-12-18 | Chemitec S R L | Metodo ed apparato di controllo di un processo di trattamento biologico di acque reflue di origine civile |
CN103336503B (zh) * | 2013-06-24 | 2015-08-05 | 宿迁市成子湖食品有限公司 | 水产养殖池塘溶解氧控制系统 |
CN103592845B (zh) * | 2013-10-27 | 2015-11-18 | 沈阳建筑大学 | 一种造纸行业水污染治理工艺调控方法 |
CN105549520A (zh) * | 2014-10-28 | 2016-05-04 | 兰州理工大学 | 明胶生产过程中配酸工序自动化控制系统 |
CN105549519A (zh) * | 2014-10-28 | 2016-05-04 | 兰州理工大学 | 明胶生产过程中浸灰工序自动化控制系统 |
DE102015107749A1 (de) * | 2015-05-18 | 2016-11-24 | Hannelore Markgraf | Verfahren und Vorrichtung zur Anreicherung von Phosphor aus Klärschlamm |
CN104898723B (zh) * | 2015-05-27 | 2017-03-15 | 淮阴工学院 | 水产养殖池塘ph值智能控制系统 |
CN105242656A (zh) * | 2015-10-29 | 2016-01-13 | 河南大学 | 一种城市污泥管理系统 |
CN105372995B (zh) * | 2015-12-17 | 2019-01-01 | 镇江市高等专科学校 | 污水处理系统测控方法 |
CN105608976B (zh) * | 2015-12-24 | 2018-12-14 | 中国信息安全测评中心 | 一种虚实结合污水处理厂测试床及其构建方法 |
CN106354018B (zh) * | 2016-11-21 | 2019-03-22 | 北京工业大学 | 基于rbf神经网络的溶解氧智能控制系统 |
EP3593211B1 (en) * | 2017-03-08 | 2023-08-02 | Xylem Vue Inc. | Improved fluid stream management systems and methods thereof |
CN107423745A (zh) * | 2017-03-27 | 2017-12-01 | 浙江工业大学 | 一种基于神经网络的鱼类活性分类方法 |
JP6766021B2 (ja) * | 2017-09-20 | 2020-10-07 | H2L株式会社 | 生体情報測定器 |
US11365140B2 (en) | 2017-10-31 | 2022-06-21 | Luminultra Technologies Ltd. | Decision support system and method for water treatment |
US10619474B2 (en) | 2017-11-14 | 2020-04-14 | Saudi Arabian Oil Company | Remotely operated inflow control valve |
CN108469507B (zh) * | 2018-03-13 | 2020-11-27 | 北京工业大学 | 一种基于自组织rbf神经网络的出水bod软测量方法 |
WO2020077281A1 (en) * | 2018-10-12 | 2020-04-16 | Water Solutions, Inc. | Methods and systems for waste treatment management |
KR101993449B1 (ko) * | 2019-01-17 | 2019-09-30 | 주식회사 아이씨티솔루션스 | 수처리시설 계장계측제어를 통한 에너지최적화시스템 |
CN109831546A (zh) * | 2019-02-22 | 2019-05-31 | 江铃汽车股份有限公司 | Plc交互信号转换方法、移动终端及存储介质 |
CN109928493A (zh) * | 2019-02-25 | 2019-06-25 | 北控水务(中国)投资有限公司 | 一种基于大数据与进化算法的精确溶氧控制调节方法 |
WO2020183576A1 (ja) * | 2019-03-11 | 2020-09-17 | 株式会社 ゴーダ水処理技研 | 排水処理施設の運転管理システム |
CN110487980A (zh) * | 2019-06-27 | 2019-11-22 | 江苏亚寰环保科技股份有限公司 | 一种基于人工智能与机器学习算法的水环境监测分析系统 |
CN110456754A (zh) * | 2019-09-11 | 2019-11-15 | 剑科云智(深圳)科技有限公司 | 一种污水的监控处理系统及智能分析处理方法、存储介质 |
CN110824914B (zh) * | 2019-09-30 | 2022-07-12 | 华南师范大学 | 一种基于pca-lstm网络的废水处理智能监控方法 |
CN111777138A (zh) * | 2019-11-18 | 2020-10-16 | 山东新日电气设备有限公司 | 一种基于物联网的污水处理精细化控制系统及控制方法 |
CN111079350A (zh) * | 2019-12-31 | 2020-04-28 | 湖州同润汇海科技有限公司 | 一种单塔低压酸性水汽提装置操作性能的建模方法及装置 |
KR102396986B1 (ko) * | 2020-07-07 | 2022-05-13 | 주식회사 위코테크 | 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템 |
KR102468690B1 (ko) | 2020-11-27 | 2022-11-18 | 주식회사 유니온 | 선박용 배기가스 세정기의 모의시험 시스템 |
CN113845205B (zh) * | 2021-10-18 | 2022-08-16 | 江苏科易达环保科技有限公司 | 一种高盐高氮污水智能一体化除盐脱氮控制系统 |
CN117105502A (zh) * | 2023-10-23 | 2023-11-24 | 威海华友节能科技有限公司 | 基于机器学习的自适应污泥处理控制系统及控制方法 |
CN117342689B (zh) * | 2023-12-06 | 2024-02-02 | 安徽新宇环保科技股份有限公司 | 一种污水厂智能脱氮方法及系统 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03134706A (ja) * | 1989-10-20 | 1991-06-07 | Hitachi Ltd | 下水処理場運転支援のための知識獲得方法 |
JPH0691287A (ja) * | 1992-09-17 | 1994-04-05 | Meidensha Corp | 排水の生物学的処理装置の制御装置 |
JPH06335694A (ja) * | 1993-05-31 | 1994-12-06 | Meidensha Corp | 排水の生物学的処理装置の制御装置 |
JP3352153B2 (ja) * | 1993-06-17 | 2002-12-03 | 株式会社東芝 | 配水流量予測装置 |
JPH0968170A (ja) * | 1995-08-29 | 1997-03-11 | Hitachi Ltd | 下水処理場の汚水ポンプ制御装置 |
US5832468A (en) * | 1995-09-28 | 1998-11-03 | The United States Of America As Represented By The Administrator Of The Environmental Protection Agency | Method for improving process control by reducing lag time of sensors using artificial neural networks |
US5733456A (en) * | 1997-03-31 | 1998-03-31 | Okey; Robert W. | Environmental control for biological nutrient removal in water/wastewater treatment |
DE19914277B4 (de) * | 1999-03-20 | 2008-08-14 | Schütz, Klaus | Verfahren und Vorrichtung zur Erfassung der Klassen von System- oder Prozeßzuständen |
CN2430438Y (zh) * | 2000-07-12 | 2001-05-16 | 兰州英格环境工程技术有限公司 | 污水处理生物接触曝气槽 |
CN1129557C (zh) * | 2000-10-27 | 2003-12-03 | 大连理工大学 | 垂直折流生化反应器污水好氧处理方法 |
KR20010069973A (ko) * | 2001-05-23 | 2001-07-25 | 이용운 | 하수처리장치의 원격 전문가 제어 관리 시스템 |
KR100341387B1 (en) * | 2001-11-15 | 2002-06-21 | Vitzrosys Co Ltd | Automatic system for injecting chemicals in waterworks and method thereof |
US6845336B2 (en) * | 2002-06-25 | 2005-01-18 | Prasad S. Kodukula | Water treatment monitoring system |
-
2002
- 2002-06-21 KR KR10-2002-0034788A patent/KR100456413B1/ko not_active IP Right Cessation
- 2002-08-15 CN CNB021470413A patent/CN1325393C/zh not_active Expired - Fee Related
- 2002-10-18 JP JP2002304244A patent/JP4401638B2/ja not_active Expired - Fee Related
- 2002-11-29 AT AT02258239T patent/ATE341021T1/de not_active IP Right Cessation
- 2002-11-29 DE DE2002614988 patent/DE60214988T2/de not_active Expired - Lifetime
- 2002-11-29 DK DK02258239T patent/DK1376276T3/da active
- 2002-11-29 EP EP20020258239 patent/EP1376276B1/en not_active Expired - Lifetime
-
2003
- 2003-01-21 US US10/347,466 patent/US6808630B2/en not_active Expired - Lifetime
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009509756A (ja) * | 2005-10-06 | 2009-03-12 | シーメンス・ウォーター・テクノロジーズ・コーポレーション | 膜バイオリアクタシステムの動的制御 |
CN101833314A (zh) * | 2010-03-30 | 2010-09-15 | 深圳达实智能股份有限公司 | 污水处理控制系统及污水处理控制方法 |
WO2015147351A1 (ko) * | 2014-03-26 | 2015-10-01 | 부산대학교 산학협력단 | 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템 및 그 방법 |
CN105404151B (zh) * | 2015-12-12 | 2017-11-24 | 北京工业大学 | 污水处理过程动态多目标优化控制方法 |
CN105404151A (zh) * | 2015-12-12 | 2016-03-16 | 北京工业大学 | 污水处理过程动态多目标优化控制方法 |
CN105425592A (zh) * | 2016-01-05 | 2016-03-23 | 大唐环境产业集团股份有限公司 | 一种水处理加药数字化在线控制系统 |
CN106745707A (zh) * | 2016-12-30 | 2017-05-31 | 天津创业环保集团股份有限公司 | 一种污水处理污泥物料平衡的控制系统及控制方法 |
KR20190054541A (ko) * | 2017-11-14 | 2019-05-22 | 한국 천문 연구원 | Pid 제어기를 이용한 인공지능 시스템 |
KR102276654B1 (ko) | 2017-11-14 | 2021-07-13 | 한국 천문 연구원 | Pid 제어기를 이용한 인공지능 시스템 |
JP2019175409A (ja) * | 2018-03-30 | 2019-10-10 | 国立大学法人横浜国立大学 | 水処理施設の運転制御装置及び運転制御方法 |
KR20210021387A (ko) | 2018-07-26 | 2021-02-25 | 미쓰비시덴키 가부시키가이샤 | 수처리 플랜트 및 수처리 플랜트의 운전 방법 |
US11649183B2 (en) | 2018-07-26 | 2023-05-16 | Mitsubishi Electric Corporation | Water treatment plant |
CN113830896A (zh) * | 2021-09-27 | 2021-12-24 | 湖南工商大学 | 基于图神经网络的好氧段氧气预警方法、系统及设备 |
CN113830896B (zh) * | 2021-09-27 | 2022-12-27 | 湖南工商大学 | 基于图神经网络的好氧段氧气预警方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
EP1376276B1 (en) | 2006-09-27 |
EP1376276A1 (en) | 2004-01-02 |
CN1325393C (zh) | 2007-07-11 |
DE60214988T2 (de) | 2007-01-11 |
KR20030097425A (ko) | 2003-12-31 |
ATE341021T1 (de) | 2006-10-15 |
US20030234218A1 (en) | 2003-12-25 |
US6808630B2 (en) | 2004-10-26 |
DK1376276T3 (da) | 2006-10-23 |
KR100456413B1 (ko) | 2004-11-10 |
CN1465534A (zh) | 2004-01-07 |
DE60214988D1 (de) | 2006-11-09 |
JP4401638B2 (ja) | 2010-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2004025160A (ja) | 神経回路網及び逆転波アルゴリズムによる下排水処理人工知能制御システム及び方法 | |
Schmitt et al. | Development of artificial neural networks to predict membrane fouling in an anoxic-aerobic membrane bioreactor treating domestic wastewater | |
KR940005029B1 (ko) | 프로세스 운전지원방법 및 시스템 | |
Bagheri et al. | Modeling and optimization of activated sludge bulking for a real wastewater treatment plant using hybrid artificial neural networks-genetic algorithm approach | |
Mannina et al. | A practical protocol for calibration of nutrient removal wastewater treatment models | |
Mingzhi et al. | Control rules of aeration in a submerged biofilm wastewater treatment process using fuzzy neural networks | |
Ingildsen et al. | Dissolved oxygen controller based on on-line measurements of ammonium combining feed-forward and feedback | |
KR102311657B1 (ko) | 하폐수 처리 스마트 관리 시스템 | |
CN106745739A (zh) | 一种基于神经网络模型预测pH变化实现SBR短程硝化的方法 | |
CN108536106A (zh) | 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法 | |
Do et al. | A design of higher-level control based genetic algorithms for wastewater treatment plants | |
Nawaz et al. | Intelligent Human–Machine Interface: An Agile Operation and Decision Support for an ANAMMOX SBR System at a Pilot-Scale Wastewater Treatment Plant | |
Djeddou et al. | The use of a neural network technique for the prediction of sludge volume index in municipal wastewater treatment plant | |
Yazdani et al. | Evaluating the performance of a sequencing batch reactor for sanitary wastewater treatment using artificial neural network | |
JP4188200B2 (ja) | プラントワイド最適プロセス制御装置 | |
Türkmenler et al. | Performance assessment of advanced biological wastewater treatment plants using artificial neural networks | |
JP2003245653A (ja) | 処理装置の運転支援方法、水処理装置の運転支援方法及びその装置 | |
Lee et al. | Advances in distributed parameter approach to the dynamics and control of activated sludge processes for wastewater treatment | |
KR20060092660A (ko) | 퍼지제어를 이용한 하·폐수 처리장의 자동제어장치 및 방법 | |
Liu et al. | Multi-objective optimization of cascade controller in combined biological nitrogen and phosphorus removal wastewater treatment plant | |
CN116969616A (zh) | 基于软测量的一体化污水处理设施控制方法、装置及设备 | |
JPH03134706A (ja) | 下水処理場運転支援のための知識獲得方法 | |
Villez et al. | Online phase length optimization for a sequencing batch reactor by means of the Hotelling’s T 2 statistic | |
Haimi et al. | Advanced operation and control methods of municipal wastewater treatment processes in Finland | |
Jeppsson | A simplified control-oriented model of the activated sludge process |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070116 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070405 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080212 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20080509 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20080514 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20080611 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20080616 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20080714 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20080717 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080812 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090609 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090826 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20090929 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20091028 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121106 Year of fee payment: 3 |
|
LAPS | Cancellation because of no payment of annual fees |