JP2020114570A - 操作値算出装置 - Google Patents
操作値算出装置 Download PDFInfo
- Publication number
- JP2020114570A JP2020114570A JP2019005985A JP2019005985A JP2020114570A JP 2020114570 A JP2020114570 A JP 2020114570A JP 2019005985 A JP2019005985 A JP 2019005985A JP 2019005985 A JP2019005985 A JP 2019005985A JP 2020114570 A JP2020114570 A JP 2020114570A
- Authority
- JP
- Japan
- Prior art keywords
- data
- unit
- operation value
- explanatory variable
- random forest
- 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.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 31
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000007637 random forest analysis Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 16
- 239000010802 sludge Substances 0.000 claims description 43
- 238000009795 derivation Methods 0.000 claims description 11
- 238000013500 data storage Methods 0.000 claims description 8
- 230000018044 dehydration Effects 0.000 claims description 7
- 238000006297 dehydration reaction Methods 0.000 claims description 7
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- 229920000642 polymer Polymers 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000004062 sedimentation Methods 0.000 claims description 2
- 238000007493 shaping process Methods 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000006243 chemical reaction Methods 0.000 description 27
- 238000003066 decision tree Methods 0.000 description 10
- 230000029087 digestion Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000005484 gravity Effects 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 7
- 208000005156 Dehydration Diseases 0.000 description 6
- 230000008719 thickening Effects 0.000 description 5
- 230000003442 weekly effect Effects 0.000 description 5
- 238000005273 aeration Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 244000005700 microbiome Species 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000000701 coagulant Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000006228 supernatant Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Activated Sludge Processes (AREA)
Abstract
【課題】水処理に際して最適な運転操作を行うことが可能な技術を提供する。【解決手段】取得周期の異なるデータを一定周期で平均化して整形して周期別のデータに加工するデータ加工部（１１１）と、データ加工部により加工された周期別のデータを蓄積するデータ蓄積部（１１２）と、データ加工部により加工された周期別のデータを用いて、ランダムフォレストのモデル生成と説明変数の重要度算出とを繰り返し、寄与度の高い説明変数を選定する説明変数選定部（１１３）と、説明変数選定部により選定された説明変数を用いてランダムフォレストを構築し、構築したランダムフォレストのモデルパラメータを算出して更新するモデルパラメータ更新部（１１４）と、モデルパラメータ更新部によって更新されたランダムフォレストのモデルパラメータを用いて運転操作値を算出する操作値算出部（１２２）とを備える操作値算出装置（１００）とする。【選択図】図２
Description
本発明は、水処理に適用可能な操作値算出装置に関する。
従来、水処理において水質を制御するために、熟練の技術を有する運転員は、水質についての日単位若しくは週単位又はそれ以上の長周期で考慮すべき項目と、１時間又はそれ以下の短周期で考慮すべき項目との双方を考慮して水処理装置の運転操作値を決定していたが、各項目について考慮すべき周期は対象とする運転操作及び水処理場の状況によっても異なる。
また、対象となる水処理システム内において、トレンドデータは１分間隔で取得可能であるが、水質データについては取得に時間及びコストを要し、１日に１回又は週に１回の頻度でしか取得できないデータもあり、取得周期は項目によって異なる。
従って、熟練の技術を有する運転員と同様の判断に基づいた運転操作値の導出モデルを構築するためには、取得周期の異なる様々な項目の中から、状況に応じて説明変数を適切に選定することを要する。
また、対象となる水処理システム内において、トレンドデータは１分間隔で取得可能であるが、水質データについては取得に時間及びコストを要し、１日に１回又は週に１回の頻度でしか取得できないデータもあり、取得周期は項目によって異なる。
従って、熟練の技術を有する運転員と同様の判断に基づいた運転操作値の導出モデルを構築するためには、取得周期の異なる様々な項目の中から、状況に応じて説明変数を適切に選定することを要する。
従来技術の一例である特許文献１には、水処理システムに対して決定木学習アルゴリズムを用いて予測モデルを構築し、全データを入力した学習による説明変数の絞込みと、直近データのみを入力した学習による説明変数の絞込みとを行い、説明変数の絞込みを２段階で行うことにより、直近のデータの傾向を予測に反映させる技術が開示されている。
しかしながら、上記の従来技術では、直近のデータの傾向を反映させるに留まり、各項目について考慮すべき周期の差異までも考慮して、熟練の技術を有する運転員のように最適な運転操作値を導出することは困難である、という問題があった。
本発明は、上記に鑑みてなされたものであって、水処理に際して最適な運転操作を行うことが可能な技術を提供することを目的とする。
上述の課題を解決して目的を達成する本発明は、計測値データが入力される学習部と、該学習部の学習結果から操作値を導出する操作値導出部とを備え、前記学習部は、取得周期の異なるデータを一定周期で平均化して整形することで周期別のデータに加工するデータ加工部と、前記データ加工部により加工された周期別のデータを蓄積するデータ蓄積部と、前記データ加工部により加工された周期別のデータを用いて、ランダムフォレストのモデル生成と説明変数の重要度算出とを繰り返し、寄与度の高い説明変数を選定する説明変数選定部と、前記説明変数選定部により選定された前記説明変数を用いてランダムフォレストを構築し、構築したランダムフォレストのモデルパラメータを算出して更新するモデルパラメータ更新部と、前記説明変数選定部により選定された前記説明変数及び前記モデルパラメータ更新部により算出されたランダムフォレストのモデルパラメータを記憶する学習パラメータ記憶部とを備え、前記操作値導出部は、前記モデルパラメータ更新部によって更新されたランダムフォレストの前記モデルパラメータを用いて運転操作値を算出する操作値算出部を備えることを特徴とする操作値算出装置である。
上記操作値算出装置において、前記運転操作値は、対象となる水処理システムの最終沈殿池からの返送汚泥量を調整する返送汚泥ポンプの回転数とすることができる。
上記操作値算出装置において、前記運転操作値は、対象となる水処理システムの最終沈殿池の余剰汚泥量を調整する余剰汚泥ポンプの単位時間あたりの引抜量又は余剰汚泥の引抜時間とすることができる。
上記操作値算出装置において、前記運転操作値は、対象となる水処理システムの脱水槽への高分子凝集剤の注入率とすることができる。
本発明によれば、水処理に際して最適な運転操作を行うことができる、という効果を奏する。
以下、添付図面を参照して、本発明を実施するための形態について説明する。
ただし、本発明は、以下の実施形態の記載によって限定解釈されるものではない。
ただし、本発明は、以下の実施形態の記載によって限定解釈されるものではない。
＜実施形態＞
図１は、本実施形態に係る操作値算出装置１００を適用可能な水処理システム２００の構成を示す図である。
図１に示す水処理システム２００は、最初沈殿池１と、反応槽２と、最終沈殿池３と、ブロア４と、調整バルブ５と、散気板６と、第１のポンプ７と、第２のポンプ８と、計測器９と、重力濃縮槽１０と、機械濃縮槽１１と、消化槽１２と、脱水槽１３と、配管２１，２２，２３，２４とを備える。
図１は、本実施形態に係る操作値算出装置１００を適用可能な水処理システム２００の構成を示す図である。
図１に示す水処理システム２００は、最初沈殿池１と、反応槽２と、最終沈殿池３と、ブロア４と、調整バルブ５と、散気板６と、第１のポンプ７と、第２のポンプ８と、計測器９と、重力濃縮槽１０と、機械濃縮槽１１と、消化槽１２と、脱水槽１３と、配管２１，２２，２３，２４とを備える。
最初沈殿池１は、原水が導入される沈殿池である。
この原水は、有機物を含む排水である。
最初沈殿池１では、原水の固液分離が行われ、最初沈殿池１からの流出水は、配管２１を通して反応槽２に送られる。
最初沈殿池１に沈殿した汚泥である生汚泥は、配管２４を通して重力濃縮槽１０に送られる。
この原水は、有機物を含む排水である。
最初沈殿池１では、原水の固液分離が行われ、最初沈殿池１からの流出水は、配管２１を通して反応槽２に送られる。
最初沈殿池１に沈殿した汚泥である生汚泥は、配管２４を通して重力濃縮槽１０に送られる。
反応槽２は、微生物を含み、該微生物によって最初沈殿池１からの流出水を浄化する槽である。
反応槽２では、該微生物が最初沈殿池１からの流出水に含まれる有機物を資化することで増殖し、該微生物を用いた生物処理により活性汚泥を形成する。
反応槽２からの流出水は、配管２２を通して最終沈殿池３に送られる。
反応槽２では、該微生物が最初沈殿池１からの流出水に含まれる有機物を資化することで増殖し、該微生物を用いた生物処理により活性汚泥を形成する。
反応槽２からの流出水は、配管２２を通して最終沈殿池３に送られる。
最終沈殿池３は、反応槽２からの流出水に含まれる活性汚泥を沈殿させる沈殿池である。
最終沈殿池３の上澄みは、処理水として水処理システム２００の外へ放出される。
最終沈殿池３で沈殿した汚泥の一部は、第１のポンプ７によって配管２３を通して反応槽２に戻されて再利用される。
最終沈殿池３で沈殿した残りの汚泥は、余剰汚泥として第２のポンプ８によって機械濃縮槽１１に送られる。
最終沈殿池３の上澄みは、処理水として水処理システム２００の外へ放出される。
最終沈殿池３で沈殿した汚泥の一部は、第１のポンプ７によって配管２３を通して反応槽２に戻されて再利用される。
最終沈殿池３で沈殿した残りの汚泥は、余剰汚泥として第２のポンプ８によって機械濃縮槽１１に送られる。
ブロア４は、複数の散気板６に空気を供給する。
調整バルブ５は、複数の散気板６の各々に通した配管に設けられたばっ気調整バルブであり、ばっ気量を調整する。
複数の散気板６は、反応槽２の下部に設けられており、調整バルブ５に通した配管に接続されて、調整バルブ５によってばっ気量が調整された空気を反応槽２内に供給する。
このように反応槽２へのばっ気量が調整されると、反応槽２内の溶存酸素量であるＤＯ（Dissolved Oxygen）値が調整され、生物処理の進行が調整される。
調整バルブ５は、複数の散気板６の各々に通した配管に設けられたばっ気調整バルブであり、ばっ気量を調整する。
複数の散気板６は、反応槽２の下部に設けられており、調整バルブ５に通した配管に接続されて、調整バルブ５によってばっ気量が調整された空気を反応槽２内に供給する。
このように反応槽２へのばっ気量が調整されると、反応槽２内の溶存酸素量であるＤＯ（Dissolved Oxygen）値が調整され、生物処理の進行が調整される。
第１のポンプ７は、最終沈殿池３で沈殿した汚泥の一部を、配管２３を通して反応槽２に戻す返送汚泥ポンプである。
第２のポンプ８は、最終沈殿池３で沈殿した残りの汚泥を余剰汚泥として機械濃縮槽１１に送る余剰汚泥引抜ポンプである。
第２のポンプ８は、最終沈殿池３で沈殿した残りの汚泥を余剰汚泥として機械濃縮槽１１に送る余剰汚泥引抜ポンプである。
計測器９は、水質を示す各パラメータを計測する計測器であり、計測したパラメータは操作値算出装置１００に送られる。
ここで、水質を示す各パラメータとしては、溶存酸素量であるＤＯ値及び浮遊物質濃度であるＭＬＳＳ（Mixed Liquor Suspended Solids）値を例示することができる。
従来の水処理システムにおいては、運転員が計測器９によって計測された水質を示す各パラメータを参照して運転操作量を決定していた。
ここで、水質を示す各パラメータとしては、溶存酸素量であるＤＯ値及び浮遊物質濃度であるＭＬＳＳ（Mixed Liquor Suspended Solids）値を例示することができる。
従来の水処理システムにおいては、運転員が計測器９によって計測された水質を示す各パラメータを参照して運転操作量を決定していた。
重力濃縮槽１０は、最初沈殿池１に沈殿した生汚泥を濃縮する槽である。
機械濃縮槽１１は、第２のポンプ８によって引き抜かれた余剰汚泥を濃縮処理する槽である。
重力濃縮槽１０及び機械濃縮槽１１において濃縮された汚泥は、消化槽１２に送られる。
機械濃縮槽１１は、第２のポンプ８によって引き抜かれた余剰汚泥を濃縮処理する槽である。
重力濃縮槽１０及び機械濃縮槽１１において濃縮された汚泥は、消化槽１２に送られる。
消化槽１２は、濃縮された汚泥の消化処理を行う槽である。
ここで、消化処理は、例えば嫌気性消化処理方式によって行われればよい。
嫌気性消化処理方式では、嫌気性微生物によって有機性の汚泥が分解される。
消化処理によって分解された汚泥は、脱水槽１３に送られる。
ここで、消化処理は、例えば嫌気性消化処理方式によって行われればよい。
嫌気性消化処理方式では、嫌気性微生物によって有機性の汚泥が分解される。
消化処理によって分解された汚泥は、脱水槽１３に送られる。
脱水槽１３は、消化処理によって分解された汚泥を脱水することで、汚泥の含水率を低下させて減容化を行う槽である。
配管２１は、最初沈殿池１と反応槽２との間に配置され、最初沈殿池１からの流出水を反応槽２に送る配管である。
配管２２は、反応槽２と最終沈殿池３との間に配置され、反応槽２からの流出水を最終沈殿池３に送る配管である。
配管２３は、第１のポンプ７と反応槽２との間に配置され、最終沈殿池３の汚泥の一部を反応槽２に送る配管である。
配管２４は、最初沈殿池１と重力濃縮槽１０との間に配置され、最初沈殿池１の生汚泥を重力濃縮槽１０に送る配管である。
配管２２は、反応槽２と最終沈殿池３との間に配置され、反応槽２からの流出水を最終沈殿池３に送る配管である。
配管２３は、第１のポンプ７と反応槽２との間に配置され、最終沈殿池３の汚泥の一部を反応槽２に送る配管である。
配管２４は、最初沈殿池１と重力濃縮槽１０との間に配置され、最初沈殿池１の生汚泥を重力濃縮槽１０に送る配管である。
図１に示す水処理システム２００において、主な操作項目は、最初沈殿池１から反応槽２への水量である流入量、反応槽２内に供給される空気量である風量、第１のポンプ７によって反応槽２に送られる汚泥の量である返送汚泥量、及び第２のポンプ８によって機械濃縮槽１１に送られる汚泥の量である余剰汚泥引抜量である。
これらの操作項目の各々は、処理場によって設定が異なる。
反応槽２は、例えば、風量一定制御、比率一定制御及びＤＯ一定制御によって制御することが可能である。
ここで、風量一定制御は、目標風量値として設定された一定の風量となるように行う制御である。
また、比率一定制御は、最初沈殿池１から反応槽２への流出水の流入量に応じた風量となるように、すなわち流入量と風量との比率が一定となるように行う制御である。
また、ＤＯ一定制御は、反応槽２のＤＯ値が設定された目標ＤＯ値となるように行う制御である。
反応槽２は、例えば、風量一定制御、比率一定制御及びＤＯ一定制御によって制御することが可能である。
ここで、風量一定制御は、目標風量値として設定された一定の風量となるように行う制御である。
また、比率一定制御は、最初沈殿池１から反応槽２への流出水の流入量に応じた風量となるように、すなわち流入量と風量との比率が一定となるように行う制御である。
また、ＤＯ一定制御は、反応槽２のＤＯ値が設定された目標ＤＯ値となるように行う制御である。
また、主な操作項目は、返送汚泥量の調整では第１のポンプ７の回転数であり、余剰汚泥の引抜量の調整では単位時間あたりの引抜量又は余剰汚泥の引抜時間であり、脱水処理では高分子凝集剤の注入率である。
本実施形態に係る操作値算出装置１００は、これらの操作項目についての操作値を算出する。
本実施形態に係る操作値算出装置１００は、これらの操作項目についての操作値を算出する。
図２は、本実施形態に係る操作値算出装置１００の構成を示すブロック図である。
図２に示す操作値算出装置１００は、学習部１１０と操作値導出部１２０とを備え、計測器９によって計測された計測値データから操作値を算出して出力する。
この算出された操作値は、当該操作値で操作を行う装置に出力される。
例えば、返送汚泥量の調整においては第１のポンプ７の回転数を操作するため、第１のポンプ７に操作値を出力し、第１のポンプ７は当該操作値で動作することで最終沈殿池３に沈殿した汚泥の一部を反応槽２に戻す。
図２に示す操作値算出装置１００は、学習部１１０と操作値導出部１２０とを備え、計測器９によって計測された計測値データから操作値を算出して出力する。
この算出された操作値は、当該操作値で操作を行う装置に出力される。
例えば、返送汚泥量の調整においては第１のポンプ７の回転数を操作するため、第１のポンプ７に操作値を出力し、第１のポンプ７は当該操作値で動作することで最終沈殿池３に沈殿した汚泥の一部を反応槽２に戻す。
図３は、図２に示す学習部１１０の動作の概要を示すフローチャートである。
学習部１１０は、まず、取得したデータについてデータ加工を行い（Ｓ１）、加工したデータから説明変数の選定を行い（Ｓ２）、選定された説明変数を用いて学習を行い（Ｓ３）、得られた学習パラメータを記憶する（Ｓ４）。
学習部１１０は、まず、取得したデータについてデータ加工を行い（Ｓ１）、加工したデータから説明変数の選定を行い（Ｓ２）、選定された説明変数を用いて学習を行い（Ｓ３）、得られた学習パラメータを記憶する（Ｓ４）。
図２に示す学習部１１０は、データ加工部１１１と、データ蓄積部１１２と、説明変数選定部１１３と、モデルパラメータ更新部１１４と、学習パラメータ記憶部１１５とを備える。
データ加工部１１１は、計測器９によって計測された計測値データを入力とし、加工されたデータを出力とする。
データ加工部１１１は、計測器９によって計測された計測値データを取得周期別に加工する。
データ加工部１１１は、ＭＰＵ（Micro-Processing Unit）又はＣＰＵ（Central Processing Unit）等のプロセッサと、半導体メモリ又は磁気ディスク等の記録媒体とを組み合わせて実現することができる。
データ加工部１１１は、計測器９によって計測された計測値データを取得周期別に加工する。
データ加工部１１１は、ＭＰＵ（Micro-Processing Unit）又はＣＰＵ（Central Processing Unit）等のプロセッサと、半導体メモリ又は磁気ディスク等の記録媒体とを組み合わせて実現することができる。
図４は、図２に示すデータ加工部１１１が行うデータ加工のイメージを示す図である。
データ加工部１１１は、具体的には、図４に示すように、まず、トレンドデータのうち取得周期の短いデータを一定周期で平均化して整形する。
そして、データ加工部１１１は、この整形したデータとは別に、日毎のデータである日報データ及び週毎のデータである週報データを取得する。
更には、データ加工部１１１は、整形したデータと、日報データと、週報データとを統合し、時間単位、日単位、週単位といった周期ごとにデータを整理する。
データ加工部１１１は、具体的には、図４に示すように、まず、トレンドデータのうち取得周期の短いデータを一定周期で平均化して整形する。
そして、データ加工部１１１は、この整形したデータとは別に、日毎のデータである日報データ及び週毎のデータである週報データを取得する。
更には、データ加工部１１１は、整形したデータと、日報データと、週報データとを統合し、時間単位、日単位、週単位といった周期ごとにデータを整理する。
データ蓄積部１１２は、データ加工部１１１により加工されたデータを蓄積する。
データ蓄積部１１２は、半導体メモリ又は磁気ディスク等の記録媒体により実現することができる。
データ蓄積部１１２は、半導体メモリ又は磁気ディスク等の記録媒体により実現することができる。
説明変数選定部１１３は、データ蓄積部１１２に蓄積されたデータを入力とし、選定した説明変数を出力とする。
説明変数選定部１１３は、データ蓄積部１１２に蓄積された周期別のデータを用いて、ランダムフォレストのモデル生成と説明変数の重要度算出とを繰り返し、寄与度の高い説明変数を選定する。
説明変数選定部１１３は、ＭＰＵ又はＣＰＵ等のプロセッサと、半導体メモリ又は磁気ディスク等の記録媒体とを組み合わせて実現することができる。
説明変数選定部１１３は、データ蓄積部１１２に蓄積された周期別のデータを用いて、ランダムフォレストのモデル生成と説明変数の重要度算出とを繰り返し、寄与度の高い説明変数を選定する。
説明変数選定部１１３は、ＭＰＵ又はＣＰＵ等のプロセッサと、半導体メモリ又は磁気ディスク等の記録媒体とを組み合わせて実現することができる。
ここで、説明変数選定部１１３が行う説明変数の選定について説明する。
図５は、ランダムフォレストのイメージを示す図である。
図６は、ランダムフォレストのフローを示す図である。
ランダムフォレストは、交差検証法をベースとするシミュレーション法によって実行される。
図５は、ランダムフォレストのイメージを示す図である。
図６は、ランダムフォレストのフローを示す図である。
ランダムフォレストは、交差検証法をベースとするシミュレーション法によって実行される。
まず、説明変数選定部１１３は、全体から一定の割合、例えば全体の２／３程度の学習用データからＭ個のブートストラップ標本の抽出を行う(Ｓ１０１)。
そして、残りの学習用データ、すなわち全体の１／３程度の学習用データは、評価及び検証用データであるＯＯＢ（Out Of Bag）として保持する。
次に、説明変数選定部１１３は、Ｍ個のブートストラップ標本の各々において、全ての変数のうちから指定した個数の説明変数をランダムに選択し、計算負荷の低い決定木を生成し、この決定木の機械学習アルゴリズムを用いて学習モデルを生成する（Ｓ１０２）。
そして、説明変数選定部１１３は、得られた各決定木の結果を単純に平均化し、これを推定結果とする（Ｓ１０３）。
そして、残りの学習用データ、すなわち全体の１／３程度の学習用データは、評価及び検証用データであるＯＯＢ（Out Of Bag）として保持する。
次に、説明変数選定部１１３は、Ｍ個のブートストラップ標本の各々において、全ての変数のうちから指定した個数の説明変数をランダムに選択し、計算負荷の低い決定木を生成し、この決定木の機械学習アルゴリズムを用いて学習モデルを生成する（Ｓ１０２）。
そして、説明変数選定部１１３は、得られた各決定木の結果を単純に平均化し、これを推定結果とする（Ｓ１０３）。
ここで、Ｓ１０２において、ブートストラップサンプリングにより説明変数間の相関が低い決定木群を作成することで、学習の偏りを避けることができる。
また、Ｓ１０２における決定木の生成では、指定した個数の説明変数のみが使用されるため、説明変数の数が膨大であっても問題は生じない。
更には、サブサンプル毎の決定木の学習は完全に独立しているため、並列処理が可能であり、高速に実行することができる。
説明変数選定部１１３は、評価及び検証用データであるＯＯＢに対して、学習用データで構築したモデルを当てはめて、平均二乗誤差等の推定誤差を求め、この推定誤差から説明変数の重要度を求める。
また、Ｓ１０２における決定木の生成では、指定した個数の説明変数のみが使用されるため、説明変数の数が膨大であっても問題は生じない。
更には、サブサンプル毎の決定木の学習は完全に独立しているため、並列処理が可能であり、高速に実行することができる。
説明変数選定部１１３は、評価及び検証用データであるＯＯＢに対して、学習用データで構築したモデルを当てはめて、平均二乗誤差等の推定誤差を求め、この推定誤差から説明変数の重要度を求める。
図７は、図２に示す説明変数選定部１１３が行う説明変数の選定のフローを示す図である。
また、図８は、図２に示す説明変数選定部１１３が行う説明変数の選定のイメージを示す図である。
また、図８は、図２に示す説明変数選定部１１３が行う説明変数の選定のイメージを示す図である。
説明変数選定部１１３は、まず、データ加工部１１１で整理した周期ごとにランダムフォレストのモデル生成を行い（Ｓ２０１）、生成した複数のモデルの各々から条件を満たす重要度の算出を行い（Ｓ２０２）、重要度の高い項目を説明変数の候補として選定する（Ｓ２０３）。
Ｓ２０２の条件には、「重要度の一番高い説明変数と比較して一定割合以上の重要度を有すること」を例示することができる。
Ｓ２０２の条件には、「重要度の一番高い説明変数と比較して一定割合以上の重要度を有すること」を例示することができる。
次に、説明変数選定部１１３は、周期ごとに選定した説明変数を用いて、ランダムフォレストのモデル生成を再度行い（Ｓ２０４）、生成したモデルから説明変数の重要度の算出を行う（Ｓ２０５）。
このとき、データの周期に関わりなく、選定された説明変数の候補の全てを入力として用いる。
その後、説明変数が条件を満たすか否かを判定し（Ｓ２０６）、説明変数が条件を満たす場合（Ｓ２０６：Ｙ）には処理を終了し、説明変数が条件を満たさない場合（Ｓ２０６：Ｎ）にはＳ２０４に戻ることで、説明変数が条件を満たすまでモデルの生成と重要度の算出とを繰り返す。
Ｓ２０６の条件には、「モデルを構成する全ての説明変数が、最大重要度の説明変数と比較して一定割合以上の重要度を有し、又は、説明変数の個数が一定数未満になる直前であること」を例示することができる。
このようにして、説明変数選定部１１３は説明変数の選定を行うことができる。
このとき、データの周期に関わりなく、選定された説明変数の候補の全てを入力として用いる。
その後、説明変数が条件を満たすか否かを判定し（Ｓ２０６）、説明変数が条件を満たす場合（Ｓ２０６：Ｙ）には処理を終了し、説明変数が条件を満たさない場合（Ｓ２０６：Ｎ）にはＳ２０４に戻ることで、説明変数が条件を満たすまでモデルの生成と重要度の算出とを繰り返す。
Ｓ２０６の条件には、「モデルを構成する全ての説明変数が、最大重要度の説明変数と比較して一定割合以上の重要度を有し、又は、説明変数の個数が一定数未満になる直前であること」を例示することができる。
このようにして、説明変数選定部１１３は説明変数の選定を行うことができる。
モデルパラメータ更新部１１４は、説明変数を入力とし、ランダムフォレストのモデルパラメータを出力とする。
モデルパラメータ更新部１１４は、説明変数選定部１１３により選定された説明変数を用いてランダムフォレストを構築し、構築したランダムフォレストのモデルパラメータを算出して更新する。
モデルパラメータ更新部１１４は、ＭＰＵ又はＣＰＵ等のプロセッサと、半導体メモリ又は磁気ディスク等の記録媒体とを組み合わせて実現することができる。
モデルパラメータ更新部１１４は、説明変数選定部１１３により選定された説明変数を用いてランダムフォレストを構築し、構築したランダムフォレストのモデルパラメータを算出して更新する。
モデルパラメータ更新部１１４は、ＭＰＵ又はＣＰＵ等のプロセッサと、半導体メモリ又は磁気ディスク等の記録媒体とを組み合わせて実現することができる。
学習パラメータ記憶部１１５は、説明変数選定部１１３により選定された説明変数と、モデルパラメータ更新部１１４により算出されたランダムフォレストのモデルパラメータとを記憶する。
学習パラメータ記憶部１１５は、半導体メモリ又は磁気ディスク等の記録媒体により実現することができる。
学習パラメータ記憶部１１５は、半導体メモリ又は磁気ディスク等の記録媒体により実現することができる。
このように、学習部１１０の学習結果から操作値導出部１２０が操作値を導出する。
図９は、図２に示す操作値導出部１２０の動作の概要を示すフローチャートである。
操作値導出部１２０は、まず、データ蓄積部１１２から推定に必要な説明変数である推定入力データの取得を行い（Ｓ１１）、運転操作値の算出を行う（Ｓ１２）。
図９は、図２に示す操作値導出部１２０の動作の概要を示すフローチャートである。
操作値導出部１２０は、まず、データ蓄積部１１２から推定に必要な説明変数である推定入力データの取得を行い（Ｓ１１）、運転操作値の算出を行う（Ｓ１２）。
図２に示す操作値導出部１２０は、推定入力データ取得部１２１と、操作値算出部１２２とを備える。
推定入力データ取得部１２１は、学習パラメータ記憶部１１５に記憶されている、選定された説明変数の選定結果に基づいて推定に必要な説明変数をデータ蓄積部１１２から取得する。
推定入力データ取得部１２１は、ＭＰＵ（Micro-Processing Unit）又はＣＰＵ（Central Processing Unit）等のプロセッサと、半導体メモリ又は磁気ディスク等の記録媒体とを組み合わせて実現することができる。
推定入力データ取得部１２１は、ＭＰＵ（Micro-Processing Unit）又はＣＰＵ（Central Processing Unit）等のプロセッサと、半導体メモリ又は磁気ディスク等の記録媒体とを組み合わせて実現することができる。
操作値算出部１２２は、推定入力データ取得部１２１から取得したデータを入力として、学習パラメータ記憶部１１５に記憶されているランダムフォレストのモデルパラメータを用いて、最適な運転操作値を算出して操作値を出力する。
操作値算出部１２２は、ＭＰＵ（Micro-Processing Unit）又はＣＰＵ（Central Processing Unit）等のプロセッサと、半導体メモリ又は磁気ディスク等の記録媒体とを組み合わせて実現することができる。
操作値算出部１２２は、ＭＰＵ（Micro-Processing Unit）又はＣＰＵ（Central Processing Unit）等のプロセッサと、半導体メモリ又は磁気ディスク等の記録媒体とを組み合わせて実現することができる。
以上説明したように本実施形態によれば、水処理に際して最適な操作を行うための操作値を算出することができる。
従来の水処理システムにおいては、最初沈殿池及び最終沈殿池における汚泥引抜量、反応槽におけるＤＯ値若しくは送風量又は凝集剤注入率等の運転操作値は、長期にわたって構築された熟練技術者の勘、経験及びノウハウによるところが大きく、熟練の技術を有する運転員を育成するためには長い時間を要する。
他方で、このような運転員の高齢化に伴う技術の継承が急務であり、人工知能（ＡＩ：Artificial Intelligence）による代替が期待されている。
他方で、このような運転員の高齢化に伴う技術の継承が急務であり、人工知能（ＡＩ：Artificial Intelligence）による代替が期待されている。
他方で、近年注目されている深層学習には大量のデータセットが必要であるため水質データの取得に長期間を要する、という問題がある。
更には、近年注目されている深層学習はブラックボックス性が高く、水処理の操作のように誤動作による社会的影響が大きい分野には適用が困難である。
更には、近年注目されている深層学習はブラックボックス性が高く、水処理の操作のように誤動作による社会的影響が大きい分野には適用が困難である。
そこで、本実施形態にて説明したように決定木ベースのアルゴリズムを用いて学習を行う。
この決定木ベースのアルゴリズムは、基本的には単純な条件分岐の繰り返しにより構成される。
従って、学習データが少ない場合においても適用可能であり、また説明変数に対して重要度が算出可能であるため、結果に対する可読性が高い。
更には、ランダムフォレストについて設定するパラメータは、「ランダムフォレストに含まれる決定木の個数」及び「１つの決定木に対する説明変数の上限」の２つのみと少ないため、パラメータ調整も容易である。
この決定木ベースのアルゴリズムは、基本的には単純な条件分岐の繰り返しにより構成される。
従って、学習データが少ない場合においても適用可能であり、また説明変数に対して重要度が算出可能であるため、結果に対する可読性が高い。
更には、ランダムフォレストについて設定するパラメータは、「ランダムフォレストに含まれる決定木の個数」及び「１つの決定木に対する説明変数の上限」の２つのみと少ないため、パラメータ調整も容易である。
なお、本発明は、上述の実施形態に限定されるものではなく、上述の構成に対して、構成要素の付加、削除又は転換を行った様々な変形例も含むものとする。
１ 最初沈殿池
２ 反応槽
３ 最終沈殿池
４ ブロア
５ 調整バルブ
６ 散気板
７ 第１のポンプ
８ 第２のポンプ
９ 計測器
１０ 重力濃縮槽
１１ 機械濃縮槽
１２ 消化槽
１３ 脱水槽
２１，２２，２３，２４ 配管
１００ 操作値算出装置
１１０ 学習部
１１１ データ加工部
１１２ データ蓄積部
１１３ 説明変数選定部
１１４ モデルパラメータ更新部
１１５ 学習パラメータ記憶部
１２０ 操作値導出部
１２１ 推定入力データ取得部
１２２ 操作値算出部
２００ 水処理システム
２ 反応槽
３ 最終沈殿池
４ ブロア
５ 調整バルブ
６ 散気板
７ 第１のポンプ
８ 第２のポンプ
９ 計測器
１０ 重力濃縮槽
１１ 機械濃縮槽
１２ 消化槽
１３ 脱水槽
２１，２２，２３，２４ 配管
１００ 操作値算出装置
１１０ 学習部
１１１ データ加工部
１１２ データ蓄積部
１１３ 説明変数選定部
１１４ モデルパラメータ更新部
１１５ 学習パラメータ記憶部
１２０ 操作値導出部
１２１ 推定入力データ取得部
１２２ 操作値算出部
２００ 水処理システム
Claims (4)
- 計測値データが入力される学習部と、該学習部の学習結果から操作値を導出する操作値導出部とを備え、
前記学習部は、
取得周期の異なるデータを一定周期で平均化して整形することで周期別のデータに加工するデータ加工部と、
前記データ加工部により加工された周期別のデータを蓄積するデータ蓄積部と、
前記データ加工部により加工された周期別のデータを用いて、ランダムフォレストのモデル生成と説明変数の重要度算出とを繰り返し、寄与度の高い説明変数を選定する説明変数選定部と、
前記説明変数選定部により選定された前記説明変数を用いてランダムフォレストを構築し、構築したランダムフォレストのモデルパラメータを算出して更新するモデルパラメータ更新部と、
前記説明変数選定部により選定された前記説明変数及び前記モデルパラメータ更新部により算出されたランダムフォレストのモデルパラメータを記憶する学習パラメータ記憶部とを備え、
前記操作値導出部は、
前記モデルパラメータ更新部によって更新されたランダムフォレストの前記モデルパラメータを用いて運転操作値を算出する操作値算出部を備えることを特徴とする操作値算出装置。 - 前記運転操作値は、対象となる水処理システムの最終沈殿池からの返送汚泥量を調整する返送汚泥ポンプの回転数であることを特徴とする請求項１に記載の操作値算出装置。
- 前記運転操作値は、対象となる水処理システムの最終沈殿池の余剰汚泥量を調整する余剰汚泥ポンプの単位時間あたりの引抜量又は余剰汚泥の引抜時間であることを特徴とする請求項１に記載の操作値算出装置。
- 前記運転操作値は、対象となる水処理システムの脱水槽への高分子凝集剤の注入率であることを特徴とする請求項１に記載の操作値算出装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019005985A JP2020114570A (ja) | 2019-01-17 | 2019-01-17 | 操作値算出装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019005985A JP2020114570A (ja) | 2019-01-17 | 2019-01-17 | 操作値算出装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2020114570A true JP2020114570A (ja) | 2020-07-30 |
Family
ID=71778871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019005985A Pending JP2020114570A (ja) | 2019-01-17 | 2019-01-17 | 操作値算出装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2020114570A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113031991A (zh) * | 2021-04-13 | 2021-06-25 | 南京大学 | 一种嵌入式系统的远程自适应升级方法及其装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000348015A (ja) * | 1999-06-07 | 2000-12-15 | Ibm Japan Ltd | 経時的に変動しうる評価対象の評価項目を評価するためのシステム、方法および記録媒体 |
| KR20170078252A (ko) * | 2015-12-29 | 2017-07-07 | 삼성에스디에스 주식회사 | 시계열의 데이터를 모니터링 하는 방법 및 그 장치 |
| JP2017123088A (ja) * | 2016-01-08 | 2017-07-13 | 安川情報システム株式会社 | 決定木学習アルゴリズムを用いた予測プログラム、装置及び方法 |
| JP2017140595A (ja) * | 2016-02-12 | 2017-08-17 | 株式会社東芝 | 管理支援システム、管理支援方法及び管理支援プログラム |
| JP2018158284A (ja) * | 2017-03-22 | 2018-10-11 | 水ｉｎｇ株式会社 | データベースの製造方法、及び水処理又は汚泥処理システム |
-
2019
- 2019-01-17 JP JP2019005985A patent/JP2020114570A/ja active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000348015A (ja) * | 1999-06-07 | 2000-12-15 | Ibm Japan Ltd | 経時的に変動しうる評価対象の評価項目を評価するためのシステム、方法および記録媒体 |
| KR20170078252A (ko) * | 2015-12-29 | 2017-07-07 | 삼성에스디에스 주식회사 | 시계열의 데이터를 모니터링 하는 방법 및 그 장치 |
| JP2017123088A (ja) * | 2016-01-08 | 2017-07-13 | 安川情報システム株式会社 | 決定木学習アルゴリズムを用いた予測プログラム、装置及び方法 |
| JP2017140595A (ja) * | 2016-02-12 | 2017-08-17 | 株式会社東芝 | 管理支援システム、管理支援方法及び管理支援プログラム |
| JP2018158284A (ja) * | 2017-03-22 | 2018-10-11 | 水ｉｎｇ株式会社 | データベースの製造方法、及び水処理又は汚泥処理システム |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113031991A (zh) * | 2021-04-13 | 2021-06-25 | 南京大学 | 一种嵌入式系统的远程自适应升级方法及其装置 |
| CN113031991B (zh) * | 2021-04-13 | 2023-11-17 | 南京大学 | 一种嵌入式系统的远程自适应升级方法及其装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA2980041C (en) | Ammonia-based aeration control with srt control | |
| KR101729932B1 (ko) | 실시간 수처리 설비 감시 자동 제어 시스템 | |
| Piotrowski et al. | Nonlinear fuzzy control system for dissolved oxygen with aeration system in sequencing batch reactor | |
| Piotrowski et al. | Mixed integer nonlinear optimization of biological processes in wastewater sequencing batch reactor | |
| Piotrowski | Supervisory fuzzy control system for biological processes in sequencing wastewater batch reactor | |
| JP2020114570A (ja) | 操作値算出装置 | |
| JP6655975B2 (ja) | 曝気制御装置及び曝気制御方法 | |
| Hirsch et al. | Supervisory control system for adaptive phase and work cycle management of sequencing wastewater treatment plant | |
| Alsaeed | Modelling turbidity removal by poly-aluminium chloride coagulant using gene expression | |
| Hirsch et al. | Two-step model based adaptive controller for Dissolved Oxygen control in Sequencing Wastewater Batch Reactor | |
| JP7484578B2 (ja) | 水処理施設の運転支援装置及び運転支援方法 | |
| JP2021137747A (ja) | 水処理施設の操作量導出装置 | |
| Ludwig et al. | Simulation and optimization of an experimental membrane wastewater treatment plant using computational intelligence methods | |
| Cámara et al. | Neural network modelling and prediction of an Anaerobic Filter Membrane Bioreactor | |
| JP7331737B2 (ja) | 水処理施設の運転支援装置 | |
| Holenda | Development of modelling, control and optimization tools for the activated sludge process | |
| KR102679484B1 (ko) | 인공지능을 이용한 송풍제어장치 및 송풍제어장치의 동작 방법 | |
| JP7375616B2 (ja) | 水処理施設の運転操作量説明変数選定装置 | |
| Somathilake et al. | On the stability of a mathematical model for coral growth in a tank | |
| JP7494631B2 (ja) | 水処理施設の運転支援装置 | |
| Drejer et al. | GHG simulations and controller optimizations of the deammonification process | |
| WO2023181276A1 (ja) | 水処理制御システムおよび水処理装置の制御方法 | |
| KR102641807B1 (ko) | 센서보정장치 및 센서보정장치의 동작 방법 | |
| Barbu et al. | Results regarding the control of the dissolved oxygen concentration in wastewater treatment processes | |
| JP2022027462A (ja) | 汚水処理施設の運転操作量推論根拠出力装置及び運転操作量推論根拠出力方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210805 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220610 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220809 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20221004 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221102 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230228 |