JP2019175409A - 水処理施設の運転制御装置及び運転制御方法 - Google Patents

Abstract

【課題】監視画面から水処理施設の制御量を決定する運転制御装置及び運転制御方法を提供すること。
【解決手段】水処理施設の監視端末の表示画像から運用ノウハウ及び暗黙知を運転情報として抽出する運転情報抽出部と、この抽出した運転情報に基づいて、ニューラルネットワークを用いて水処理施設の制御量を学習して学習モデルを作成する学習モデル作成部と、この学習モデルを用いて、他の表示画像を入力して水処理施設の制御量を決定する学習モデル実行部と、を備えた。
【選択図】図２

Description

本発明は、監視画面を使用した水処理施設の運転制御装置及び運転制御方法に関する。

従来から、水処理施設では、一定の水質を維持するため、様々な制御を行っている。そして、制御の方法の１つとして、ニューラルネットワーク（ＮＮ）を用いた方法が検討されている。

ニューラルネットワークを用いた制御方法として、例えば、特許文献１及び２には、地震波形及び電磁波データをグラフ化し、これをパターンとしニューラルネットワークで学習させて、異常な波形と正常な波形を分別する方法が開示されている。

また、特許文献３には、プラントの制御信号やプロセスデータを学習して、運転支援する方法が開示されている。本方法では、グラフ化をせず、信号を直接ニューラルネットワークで学習させている。

特開２００３−８４０７０号公報 特開２００３−１６１７８２号公報 特開平１１−２４２５０３号公報

しかしながら、特許文献１及び２の方法では、グラフ化する際に縦軸と横軸のスケール値や、表示方法によってグラフ形状の特徴が変わるので、現場の地盤などに合わせて、波形をグラフ化させる専門的な知識が必要となる。

また、特許文献３の方法では、現地や現場固有のドメイン知識を運転支援に反映させるため、現場の専門知識を有する設計者によって、現場データの選別や、データから特徴抽出する必要がある。さらに、現場によってデータの特徴が異なるので、現場ごとに専門の知識を有する設計者が、データを特徴抽出する必要がある。

そして、水処理施設では、生息する微生物の種類が嫌気性や好気性など、水処理施設ごとに特性が異なるため、現場ごとのノウハウや経験をもとに操作員が制御量の設定や調整などを行っている。すなわち現場ごとに異なった特徴を抽出する煩雑な作業が必要で、共通した操作方法に基づく制御が困難である。

本発明は、上記に鑑みてなされたものであって、監視画面を入力としてニューラルネットワークで予め運転量や制御量を学習させておき、水処理施設の運転中の監視画面から水処理施設の制御量を決定する水処理施設の運転制御装置及び運転制御方法を提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明における水処理施設の運転制御装置は、水処理施設の監視端末の表示画像から運用ノウハウ及び暗黙知を運転情報として抽出する運転情報抽出部と、この抽出した運転情報に基づいて、ニューラルネットワークを用いて水処理施設の制御量を学習して学習モデルを作成する学習モデル作成部と、この学習モデルを用いて、他の表示画像を入力して水処理施設の制御量を決定する学習モデル実行部と、
を備えたこと、を特徴とする。

また、本発明の一実施態様では、前記監視端末の表示画像には、水処理施設に設置された計測器やセンサからの測定データが表示されていること、を特徴とする。

また、本発明の一実施態様では、前記計測器や前記センサは、水処理施設の反応槽内の溶存酸素濃度、又は、アンモニア濃度を測定すること、を特徴とする。

また、本発明の一実施態様では、前記制御量は、反応槽内への空気の送風量であること、を特徴とする。

また、本発明における水処理施設の運転制御方法は、水処理施設の監視端末の表示画像から運用ノウハウ及び暗黙知を運転情報として抽出し、この抽出した運転情報に基づいて、ニューラルネットワークを用いて水処理施設の制御量を学習して学習モデルを作成し、この学習モデルを用いて、他の表示画像を入力して水処理施設の制御量を決定すること、を含むこと、を特徴とする。

本発明によれば、監視端末の表示画像から抽出した運転情報に基づいて、ニューラルネットワークによって水処理施設の制御量を学習して学習モデルをあらかじめ作成しておく。そして、水処理施設を運転中の監視端末の表示画像を学習モデルに入力することにより、水処理施設の制御量を決定する。このため、監視端末の表示画像から水処理施設の制御量を決定することができるという効果を奏する。

本実施の形態に係る水処理施設の概要を表す図である。 本実施の形態に係る運転制御装置を示すブロック図である。 監視画面表示部に表示される画面の一例を示す図である 本実施の形態に係る運転制御装置を用いた学習モデルの作成方法を示すフローチャートである。 本実施の形態に係る運転制御装置を用いた制御量の決定方法を示すフローチャートである。

以下、添付図面を参照して、本発明による水処理施設の運転制御装置及び運転制御方法を実施するための形態について、図面に基づいて説明する。図１は、本実施の形態に係る水処理施設１の概要を表す図である。

水処理施設１は、最初沈殿池２、最初沈殿池計測器３、反応槽４、反応槽センサ５、最終沈殿池６、散気板７、ブロア８、ばっ気調整バルブ９、最終沈殿池計測器１０、返送汚泥ポンプ１１、返送汚泥計測器１２、汚泥引抜ポンプ１３、余剰汚泥計測器１４、運転制御装置１５、及び、配管Ｌ１、Ｌ２、Ｌ３、Ｌ４、Ｌ５を備えている。

最初沈殿池２には、有機物を含む排水が原水として導入され、原水の大まかな固液分離が行われる。最初沈殿池計測器３は、最初沈殿池２の流入部に設置され、最初沈殿池の原水流量、及び、最初沈殿池の原水流入濃度を計測する。計測された原水流量、及び、原水流入濃度は、運転制御装置１５へ送信される。配管Ｌ１は、最初沈殿池１からの流出水を反応槽４に送る。

反応槽４では、微生物により排水が生物処理され浄化される。このときに微生物が有機物を資化することに伴い増殖しこれが活性汚泥を形成する。反応槽センサ５は、反応槽４内に設置され、反応槽４のアンモニア、リン酸、硝酸等の濃度、反応槽４の溶存酸素濃度（ＤＯ）、及び、反応槽４のＭＬＳＳ濃度（浮遊物質濃度）を計測する。計測された溶存酸素濃度を含め計測値は、運転制御装置１５へ送信される。配管Ｌ２は、反応槽４からの流出水を最終沈殿池６に送る。

反応槽４内の下部には、散気板７が複数設けられ、ブロア８から空気が供給されるようになっている。各散気板７に通じる配管Ｌ３には、ばっ気調整バルブ９が設けられ、そのバルブの開閉によりばっ気量を調整できるようになっている。ばっ気量を調整することにより反応槽４の溶存酸素濃度が調整され、生物処理の進み具合が調整される。ブロア８の吐出圧（または回転数）、反応槽４への送風量、及び、ばっ気調整バルブ９の弁開度(バルブの開き具合)は、各々センサにて運転制御装置１５へ送信される。

最終沈殿池６では、反応槽４からの流出水に含まれる活性汚泥を沈殿させる。最終沈殿池計測器１０は、最終沈殿池６内に設置され、最終沈殿池６の汚泥濃度、及び、最終沈殿池６の汚泥界面（堆積汚泥と上澄みとの境界の水深位置）を計測する。計測された汚泥濃度、及び、汚泥界面は、運転制御装置１５へ送信される。最終沈殿池６での上澄みは処理水として系外に放流される。

最終沈殿池６で沈殿した汚泥の一部は、返送汚泥ポンプ１１により配管Ｌ４を通じて再び反応槽４に戻され、排水処理に再利用される。返送汚泥計測器１２は、配管Ｌ４内に設置され、返送汚泥濃度、及び、返送汚泥流量を計測する。計測された返送汚泥濃度、及び、返送汚泥流量は、運転制御装置１５へ送信される。また、返送汚泥ポンプ１１の回転数も、センサにて運転制御装置１５へ送信される。

一方、残りの汚泥は余剰汚泥として汚泥引抜ポンプ１３により汚泥処理施設等に送られ処理される。余剰汚泥計測器１４は、配管Ｌ５内に設置され、余剰汚泥濃度、及び、余剰汚泥引抜量を計測する。計測された返送汚泥濃度、及び、返送汚泥流量は、運転制御装置１５へ送信される。

なお、最初沈殿池での沈殿汚泥の引抜量の調整などを行うための機器や付属配管なども、通常の水処理施設と同じく水処理施設１に備えているが、図中の記載ならびに説明については省略している。

（運転制御装置）
運転制御装置１５は、水処理施設１を制御する制御量を決定し、水処理施設１を制御する。なお、水処理施設１の制御量として、ブロア８の吐出圧（または回転数）、ばっ気調整バルブ９の弁開度、返送汚泥ポンプ１１の回転数などが候補として挙げられる。

図２は、本実施の形態に係る運転制御装置１５を示すブロック図である。運転制御装置１５は、監視画面表示部２１、監視画面記録部２２、運転情報抽出部２３、学習モデル作成部２４、学習モデル記録部２５、学習モデル実行部２６、制御量記録部２７、及び、制御量表示・設定部２８を備えている。

監視画面表示部２１には、水処理施設１に備えられた各計測器、及び、各センサから運転制御装置１５に送られた測定値や制御量などの運転情報が、デジタル数字や、チャートのグラフの形式で表示される。監視画面表示部２１は、例えば液晶等のディスプレイである。なお、監視画面表示部２１は、水処理施設１を監視する監視端末の画面と同じである。

図３は、監視画面表示部２１に表示される画面の一例を示す図である。図３の左図は反応槽４の水質に係る計測値の時間推移を表示する画面であり、右図は反応槽４の生物処理に影響を及ぼす計測値および制御量の時間推移を表示する画面である。

図３の左図の水質に係る計測値の時間推移を表示する画面では、反応槽センサ５から送られた、反応槽４のアンモニア濃度、溶存酸素濃度、及び、ＭＬＳＳ濃度が、下部のデジタル数字と、横軸は時間、縦軸は各濃度とするチャートのグラフの形式とで表示される。具体的には、反応槽４のアンモニア濃度、溶存酸素濃度、及び、ＭＬＳＳ濃度の最新値が下部にデジタル数値で表示され、同じく最新値が各折れ線グラフの右端にプロットされ、これらは順次、最新データで更新される。

また、図３の右図の反応槽４の生物処理に影響を及ぼす計測値および制御量を表示する画面では、各センサにより計測された、ブロア８の吐出圧（または回転数）、反応槽４への送風量、及び、ばっ気調整バルブ９の弁開度のデータが、図３の左図と同じく下部のデジタル数字とチャートのグラフの形式で表示される。そして、各画面ともに縦軸と横軸のレンジ幅は、操作員が最も判断しやすい状態で表示されている。

なお、グラフとして表示する測定値は、現場の操作員（オペレータ）が最も判断しやすい値が用いられるため、図３で例示した表示項目以外の測定値や制御量などの運転情報が監視画面表示部２１に表示される場合もある。

反応槽４の溶存酸素濃度は、３時間くらいで変動するので、グラフの横軸はそれに対応する時間ｈで表示される。なお、監視画面表示部２１に表示される画面は、２４時間を３交代で操作員が閲覧するので、人が変わっても操作が変わらないように、表示項目や画面の縦軸と横軸のレンジ幅などの表示方法や、表示位置は常時固定化されている。従って、この表示画面に基づいて、時間と計測値および制御量との関連付けが可能となる。

監視画面記録部２２は、監視画面表示部２１に表示された画面を画像として記録する。監視画面表示部２１に表示された画面は、スクリーンショットなどで容易に画像として取得することができる。なお、監視画面表示部２１では、画面表示以外に、運転制御装置１５で収集される測定値や制御量などの運転情報を利用することで図３の表示画面に相当する図作成機能を有しており、この機能を利用して作製した図情報を画像として監視画面記録部２２で記録することも可能である。監視画面記録部２２は、例えば半導体メモリや磁気ディスク等の記録媒体である。

運転情報抽出部２３は、監視画面表示部２１に表示される画面から運転情報を抽出する。監視画面表示部２１に表示される画面は、オンラインでの監視画面、又は、監視画面記録部２２に記録された監視画面である。監視画面の画像には、既に運用のノウハウや、暗黙知としての運転情報が含まれている。運転情報抽出部２３は、例えばプロセッサーである。

学習モデル作成部２４は、抽出した運転情報に基づいて、ニューラルネットワークを用いて水処理施設の制御量を学習して学習モデルを作成する。学習モデル作成部２４は、例えばプロセッサーである。なお、学習モデルの作成方法については、後ほど詳細に説明する。

学習モデル記録部２５は、作成された学習モデルを記録する。学習モデル記録部２５は、例えば半導体メモリや磁気ディスク等の記録媒体である。

学習モデル実行部２６は、作成された学習モデルを用いて、その後、監視画面表示部２１に表示される画面から抽出された運転情報から水処理施設１の制御量を決定する。なお、制御量の決定方法については、後ほど詳細に説明する。学習モデル実行部２６は、例えばプロセッサーである。

制御量記録部２７は、監視画面表示部２１に表示される画面の画像と決定した制御量とを関連付けて記録する。制御量記録部２７は、例えば半導体メモリや磁気ディスク等の記録媒体である。そして、記録されたデータは、別途、より正確な学習モデルの作成に利用することも可能である。

制御量表示・設定部２８は、決定した制御量を表示する。制御量表示・設定部２８は、例えば液晶等のディスプレイ、タッチパネル、キーボードなどから構成される。そして、操作員が、表示された制御量に基づき設定値の入力が可能となっている。なお、制御量表示・設定部２８は、その制御量の表示機能と設定機能とを各々分離して制御量表示部と制御量設定部としてもよい。

なお、監視画面表示部２１と制御量表示・設定部２８とが、１つのディスプレイで構成されてもよい。また、監視画面記録部２２と、学習モデル記録部２５と、制御量記録部２７とが、１つの記録媒体で構成されてもよい。また、運転情報抽出部２３と学習モデル作成部２４と学習モデル実行部２６とが、制御部として１つのプロセッサーで構成されてもよい。

（学習モデルの作成方法）
次に、本実施の形態に係る運転制御装置１５を用いた学習モデルの作成方法について説明する。前述したように、制御量の決定に学習モデルを用いるため、事前にニューラルネットワークによって学習モデルを作成する必要がある。図４は、本実施の形態に係る運転制御装置１５を用いた学習モデルの作成方法を示すフローチャートである。

初めに、水処理施設１に備えられた各計測器、及び、各センサから運転制御装置１５に送られた測定値や制御量などの運転情報が、デジタル数字や、チャートのグラフの形式で監視画面表示部２１に表示される。（ステップＳ１０１）。なお、現場の操作のために画面が切り替わる懸念がある場合は、予め監視画面記録部２２に記録された、監視画面表示部２１に表示された画面が表示される。また、各計測器、及び、各センサは、既に水処理施設１に備えられた物を使用するため、新たに用意する必要はない。

次に、運転情報抽出部２３が、監視画面表示部２１に表示される画面から運転情報を抽出する（ステップＳ１０２）。

次に、学習モデル作成部２４は、抽出した運転情報に基づいて、ニューラルネットワークによって水処理施設の制御量を学習して学習モデルを作成する（ステップＳ１０３）。

最後に、学習モデル記録部２５が、作成された学習モデルを記録し（ステップＳ１０４）、学習モデルの作成が終了する。

ここで、一般的な画像処理による学習モデルの作成方法と、本実施の形態による学習モデルの作成方法との違いについて説明する。一般的な画像処理による学習モデルの作成では、画像から特徴を抽出する手段や、画像から有意な領域を抽出する手段で、多種多様な画像から、特徴抽出や領域分割をしている。

一方、本実施の形態による学習モデルの作成では、操作員が監視している監視端末のトレンドの画面を切り抜いて、この画像で学習することが特徴であり、この画像には、運転情報として既に運用のノウハウや、暗黙知が入っており、各計測値の変化と制御量との関係が反映されている。

例えば、反応槽４では、反応槽４に生息する微生物が水中の有機物を取り込み、固まりに変えている。微生物の増殖や呼吸によって反応槽４の溶存酸素量が下がるので、反応槽４の溶存酸素量の下方にブロア８から空気を吹き込むことにより酸素量を調整している。水処理施設１において、多くの電力量はこの送風ブロアで消費されるので、過不足のない送風量制御が求められる。

反応槽４の溶存酸素量は、３〜５時間くらいで変動し、この変動は１日周期、週周期、年周期で変動する。また、酸素量の多い雨水が水道に流れ込む合流式の場合は、さらに溶存酸素量が急激に変動するので、操作員は溶存酸素濃度を予測しながら、送風量の増減を制御する必要がある。

さらに、水処理施設１に流入する原水の流入量は、例えば商業地区では夜間でも多い一方、住宅地区では夜間は少ない特徴がある。水処理施設１が抱える都市の都市化レベルの違いで、原水の流入量や水質が異なるため、現場ごとに、独自でかつ異なった制御が必要となる。また、反応槽４では微生物により排水が生物処理されるが、気候の違いで微生物の棲息種が異なるので、地域の気候によっても、異なった制御が必要となる。

これに対して、反応槽４の容量による物理式や、微生物の化学反応式によって、概算の制御量は作成できる。しかしながら、前述した様に、住民や微生物の地域ごとの特性に違いがあるので、現場ごとに制御量の微調整が必要である。この微調整は、水処理施設１に備えられた各計測器、及び、各センサによる測定値と実際に操作員が制御した結果との経験則で得ることができる。操作員が経験則を得た後は、監視端末の画面に、経験則となる水処理施設１に備えられた各計測器、及び、各センサによる測定値を表すトレンドグラフを表示して、トレンドグラフの数値から制御する。

そして、水処理施設の監視端末は、水質に係る計測値などの他、各種の運転量や制御量を選択して数値やグラフを表示し、さらに、このグラフの横軸縦軸のスケールを拡大または縮小するなど変更して表示する機能を有する。

水処理施設の運転状態が変化するなどして制御量の調整や変更が必要とする場合、操作員は、数値やグラフなどによって監視端末の画面に表示される情報に基づいて、現時点までの運転状態を理解した上で、現時点における制御量を設定することになる。この時、操作員が表示する監視端末の画面は、現場の制御量を決めるために必要なデータが、過不足なく表示された、制御量決定のために選択された画面となっている。なお、この監視画面に表示されるグラフは、一種類のグラフに限定されず、複数の場合もある。

また、水処理施設は複数の操作員が交代にて監視して、各操作員が制御量を決めるので、監視端末に表示される画面は、他の操作員が判断に困らないように、共通したものとし、各操作員が視覚的にわかりやすく、判断しやすくする必要がある。そのため、前記の制御量決定のために選択された画面には、表示されるグラフ種類やそのグラフの縦軸横軸の範囲も固定された状態で表示され、制御量の決定に最も即した形で表示される。

この制御量決定のために選択された画面の種類やその表示方法が、暗黙知であり、現場ごとのノウハウとなる。本実施の形態による学習モデルの作成では、この制御量決定のために選択された画面の画像を学習することによって専門のドメイン知識が無くても、現場ごとに異なる運用ノウハウ及び暗黙知を学習することができる。

（制御量の決定方法）
次に、本実施の形態に係る運転制御装置１５を用いた制御量の決定方法について説明する。図５は、本実施の形態に係る運転制御装置１５を用いた制御量の決定方法を示すフローチャートである。

初めに、水処理施設１に備えられた各計測器、及び、各センサから運転制御装置１５に送られた測定値や制御量などの運転情報が、デジタル数字や、チャートのグラフの形式で監視画面表示部２１に表示される（ステップＳ２０１）。

次に、運転情報抽出部２３が、監視画面表示部２１に表示される画面から運転情報を抽出する（ステップＳ２０２）。

次に、学習モデル実行部２６が、作成された学習モデルを用いて、抽出した運転情報から制御量を決定する（ステップＳ２０３）。

次に、制御量記録部２７が、監視画面表示部２１に表示される画面の画像と決定した制御量とを関連付けて記録し、制御量表示・設定部２８が決定した制御量を表示する（ステップＳ２０４）。そして、監視画面表示部２１に表示される現在の制御量と、制御量表示・設定部２８で表示された制御量とを比較し、その偏差が一定以上の数値になった場合など必要に応じて、操作員は、水処理施設１を制御するための制御量を設定する。なお、前記偏差が所定値以上なった場合には、警報などを発する機能を付加させることで操作員へ注意を促し、安定した水処理施設のための運転支援が可能となる。

このように、本実施の形態に係る水処理施設の運転制御装置によれば、監視端末の表示画像から抽出した運転情報に基づいて、ニューラルネットワークを用いて水処理施設の制御量を学習して学習モデルをあらかじめ作成しておく。そして、水処理施設を運転中の監視端末の表示画像から抽出した運転情報を学習モデルに入力することにより、水処理施設の制御量を決定する。このため、監視端末の表示画像から水処理施設の制御量を決定することが可能となる。

また、本実施の形態では、運転制御装置１５において学習モデルを作成しているが、監視画面記録部２２に記録された、監視画面表示部２１に表示された画面を、別の場所にある学習モデル作成機能（運転情報抽出部２３、学習モデル作成部２４）を有するパソコン等でニューラルネットワークを用いて学習モデルを作成し、作成された学習モデルを運転制御装置１５の学習モデル実行部２６で実行させるようにしてもよい。その場合、運転制御装置１５には、学習モデル作成部２４はなくてもよく、全体として運転制御装置を構成する形となる。

以上、本発明の実施形態を説明したが、上記の説明は本発明を限定するものではなく、本発明の技術的範囲において、構成要素の削除、追加、置換を含む様々な変形例が考えられる。

１ 水処理施設
２ 最初沈殿池
３ 最初沈殿池計測器
４ 反応槽
５ 反応槽センサ
６ 最終沈殿池
７ 散気板
８ ブロア
９ ばっ気調整バルブ
１０ 最終沈殿池計測器
１１ 返送汚泥ポンプ
１２ 返送汚泥計測器
１３ 汚泥引抜ポンプ
１４ 余剰汚泥計測器
１５ 運転制御装置
２１ 監視画面表示部
２２ 監視画面記録部
２３ 運転情報抽出部
２４ 学習モデル作成部
２５ 学習モデル記録部
２６ 学習モデル実行部
２７ 制御量記録部
２８ 制御量表示・設定部
Ｌ１、Ｌ２、Ｌ３、Ｌ４、Ｌ５ 配管

Claims (5)

1. 水処理施設の監視端末の表示画像から運用ノウハウ及び暗黙知を運転情報として抽出する運転情報抽出部と、
   この抽出した運転情報に基づいて、ニューラルネットワークを用いて水処理施設の制御量を学習して学習モデルを作成する学習モデル作成部と、
   この学習モデルを用いて、他の表示画像を入力して水処理施設の制御量を決定する学習モデル実行部と、
   を備えたこと、を特徴とする水処理施設の運転制御装置。
2. 前記監視端末の表示画像には、水処理施設に設置された計測器やセンサからの測定データが表示されていること、を特徴とする請求項１に記載の水処理施設の運転制御装置。
3. 前記計測器や前記センサは、水処理施設の反応槽内の溶存酸素濃度、又は、アンモニア濃度を測定すること、を特徴とする請求項２に記載の水処理施設の運転制御装置。
4. 前記制御量は、反応槽内への空気の送風量であること、を特徴とする請求項３に記載の水処理施設の運転制御装置。
5. 水処理施設の監視端末の表示画像から運用ノウハウ及び暗黙知を運転情報として抽出し、
   この抽出した運転情報に基づいて、ニューラルネットワークを用いて水処理施設の制御量を学習して学習モデルを作成し、
   この学習モデルを用いて、他の表示画像を入力して水処理施設の制御量を決定すること、
   を含むこと、を特徴とする水処理施設の運転制御方法。

Images