JP2021094523A - 学習モデル生成装置および推定装置 - Google Patents
学習モデル生成装置および推定装置 Download PDFInfo
- Publication number
- JP2021094523A JP2021094523A JP2019227618A JP2019227618A JP2021094523A JP 2021094523 A JP2021094523 A JP 2021094523A JP 2019227618 A JP2019227618 A JP 2019227618A JP 2019227618 A JP2019227618 A JP 2019227618A JP 2021094523 A JP2021094523 A JP 2021094523A
- Authority
- JP
- Japan
- Prior art keywords
- precipitation
- sewage
- injection rate
- sludge
- water content
- 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
- 238000001556 precipitation Methods 0.000 claims abstract description 209
- 238000002347 injection Methods 0.000 claims abstract description 203
- 239000007924 injection Substances 0.000 claims abstract description 203
- 239000010865 sewage Substances 0.000 claims abstract description 154
- 239000010802 sludge Substances 0.000 claims abstract description 151
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 116
- 239000000701 coagulant Substances 0.000 claims description 19
- 238000002844 melting Methods 0.000 claims description 7
- 230000008018 melting Effects 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims 2
- 239000000126 substance Substances 0.000 abstract description 68
- 239000000243 solution Substances 0.000 abstract 1
- 239000003814 drug Substances 0.000 description 76
- 229940079593 drug Drugs 0.000 description 76
- 208000005156 Dehydration Diseases 0.000 description 29
- 230000018044 dehydration Effects 0.000 description 29
- 238000006297 dehydration reaction Methods 0.000 description 29
- 238000000034 method Methods 0.000 description 27
- 238000003860 storage Methods 0.000 description 26
- 238000012937 correction Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 230000005484 gravity Effects 0.000 description 9
- 239000004744 fabric Substances 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 230000000087 stabilizing effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 239000004576 sand Substances 0.000 description 4
- 239000005421 sedimentary organic matter Substances 0.000 description 4
- 238000004062 sedimentation Methods 0.000 description 4
- 238000003756 stirring Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000155 melt Substances 0.000 description 3
- 239000000725 suspension Substances 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000005273 aeration Methods 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000005119 centrifugation Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001687 destabilization Effects 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000004065 wastewater treatment Methods 0.000 description 1
Images
Landscapes
- Treatment Of Sludge (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
<下水処理場の概要>
図1は、本実施形態に係る下水処理場90の一構成例を示す概要図である。図1に示すように、下水処理場90は、沈砂池91、最初沈澱池92、反応タンク93、最終沈澱池94、重力濃縮槽95、機械濃縮機96、脱水機97および焼却炉98を備えている。なお、下水処理場90が備える設備は、この例に限定されない。
<薬注率推定システムの要部構成>
図2は薬注率推定システム100の要部構成の一例を示す機能ブロック図である。薬注率推定システム100は、下水処理場90の脱水機97において、濃縮汚泥に注入される凝集剤の注入率(以下、薬注率と称する)を推定するシステムである。具体的には、薬注率推定システム100は、脱水処理により生成されるケーキの含水率が適切な範囲内となる薬注率を推定するシステムである。
学習モデル生成装置1は、濃縮汚泥への薬注率を推定するための学習モデルを生成する。学習モデル生成装置1は制御部10を備えている。制御部10は、学習モデル生成装置1の各部を統括して制御するものであり、一例として、プロセッサおよびメモリにより実現される。この例において、プロセッサは、ストレージ(不図示)にアクセスし、ストレージに格納されているプログラム(不図示)をメモリにロードし、当該プログラムに含まれる一連の命令を実行する。これにより、制御部10の各部が構成される。
図3は、教師データ群51の一具体例を示す図である。図3では、教師データ群51は、複数の教師データ(データセット)を含み、当該教師データの各々は、総降水量(降水情報)、脱水機パラメータ、薬注率およびケーキ含水率からなる。
図4は、下水処理場90へ接続する下水道99の一例を示す概略図であり、下水道99へ降水が流入する地域を示す図である。下水道へ降水が流入する地域は、一例として、1km四方のメッシュに分割されて特定される。すなわち、総降水量は、特定された1km四方のメッシュにおける総降水量である。
上述したとおり、本開示の各実施形態に係る脱水機パラメータは、スクリュー回転数、フロキュレータ回転数、投入圧およびプレッサ圧を含む。
推定装置2は、現流入下水から生成される濃縮汚泥への薬注率を推定する。推定装置2は制御部20を備えている。制御部20は、推定装置2の各部を統括して制御するものであり、一例として、プロセッサおよびメモリにより実現される。この例において、プロセッサは、ストレージ(不図示)にアクセスし、ストレージに格納されているプログラム(不図示)をメモリにロードし、当該プログラムに含まれる一連の命令を実行する。これにより、制御部20の各部が構成される。
図8は学習モデル生成装置1が実行する学習モデル生成処理の流れの一例を示すフローチャートである。
学習部102は、定期的に学習モデル52の更新(自動更新)を行うことが好ましい。教師データ群51には、ケーキ含水率が適正範囲内となった脱水処理が行われる度に、教師データが格納される。
図9は、推定装置2が実行する薬注率推定処理の流れの一例を示すフローチャートである。
以上のように、本実施形態に係る学習モデル生成装置1は、ケーキの含水率が適正範囲内となるときの、流入下水から生成された濃縮汚泥への薬注率と、当該濃縮汚泥の脱水処理時の脱水機パラメータと、当該流入下水が下水道を流れていた期間の総降水量とを教師データとして機械学習を行う。これにより、学習モデル生成装置1は、現流入下水が下水道を流れていた期間の総降水量であって、降水が現流入下水に流入する地域の総降水量(以下、「現流入水に対応する総降水量」と記載する場合がある)および現在の脱水機パラメータを入力として、薬注率を出力する学習モデル52を生成する。
本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。
図10は本実施形態に係る薬注率推定システム200の要部構成の一例を示す機能ブロック図である。以下、薬注率推定システム200の各部材については、薬注率推定システム100の同名の部材との相違点のみを説明する。
学習モデル生成装置1aの制御部10aは、学習部102aを含んでいる点が学習モデル生成装置1と異なる。
図11は、教師データ群51aの一具体例を示す図である。なお、ここでは、教師データ群51aと教師データ群51との相違点のみを説明する。
推定装置2aは、入力データ取得部201aと、推定部202aと、薬注率修正部203(決定部)とを含んでいる点が、推定装置2と異なる。
図12は学習モデル生成装置1aが実行する学習モデル生成処理の流れの一例を示すフローチャートである。
図13は、推定装置2aが実行する薬注率推定処理の流れを示すフローチャートである。
以上のように、本実施形態に係る学習モデル生成装置1aは、流入下水から生成された濃縮汚泥への薬注率と、当該濃縮汚泥の脱水処理時の脱水機パラメータと、当該脱水処理により生成されたケーキの含水率と、当該流入下水に対応する総降水量とを教師データとして機械学習を行う。これにより、学習モデル生成装置1aは、現流入下水に対応する総降水量、現在の脱水機パラメータおよび予定している薬注率を入力として、ケーキの含水率を出力する学習モデル52aを生成する。
本開示の実施形態1〜3では、重力濃縮槽95と機械濃縮機96を経た濃縮汚泥が、脱水機97で脱水されていたが、脱水機97に供給される汚泥としては重力濃縮槽95や機械濃縮機96を経ない汚泥であってもよい。
2 推定装置
102、102a 学習部
202、202a 推定部
203 薬注率修正部(決定部)
51、51a 教師データ
52、52a 学習モデル
53 適正含水率(含水率の目標値)
Claims (9)
- 下水道からの下水が流入する下水処理場で発生する汚泥に凝集剤を注入して脱水することにより生成され、生成後に焼却または溶融される脱水汚泥の含水率が所定範囲の値となるときの、前記汚泥へ注入した凝集剤の注入率と、当該注入以前の所定期間における、前記下水道へ降水が流入する地域の降水量を含む降水情報とを教師データとして機械学習を行うことにより、対象期間における前記降水情報を入力として、前記注入率を出力する学習モデルを生成する学習部を備える学習モデル生成装置。
- 下水道からの下水が流入する下水処理場で発生する汚泥に凝集剤を注入して脱水することにより生成され、生成後に焼却または溶融される脱水汚泥を生成するために、前記汚泥へ注入する凝集剤の注入率を推定する推定装置であって、
前記脱水汚泥の含水率が所定範囲の値となるときの、前記汚泥へ注入した凝集剤の注入率と、当該注入以前の所定期間における、前記下水道へ降水が流入する地域の降水量を含む降水情報とを教師データとして機械学習を行うことにより生成された学習モデルを用いて、対象期間の前記降水情報を入力として、前記注入率を推定する推定部を備える推定装置。 - 前記含水率の前記所定範囲は、凝集剤の注入以前の前記所定期間における、前記下水道へ降水が流入する前記地域の降水量が0であるときに生成された前記脱水汚泥の含水率に基づき定められる、請求項2に記載の推定装置。
- 下水道からの下水が流入する下水処理場で発生する汚泥に凝集剤を注入して脱水することにより生成され、生成後に焼却または溶融される脱水汚泥の含水率と、前記汚泥へ注入した凝集剤の注入率と、当該注入以前の所定期間における、前記下水道へ降水が流入する地域の降水量を含む降水情報とを教師データとして機械学習を行うことにより、対象期間における前記降水情報と前記注入率とを入力として、前記含水率を出力する学習モデルを生成する学習部を備える学習モデル生成装置。
- 下水道からの下水が流入する下水処理場で発生する汚泥に凝集剤を注入して脱水することにより生成され、生成後に焼却または溶融される脱水汚泥の含水率を推定する推定装置であって、
前記脱水汚泥の含水率と、前記汚泥へ注入した凝集剤の注入率と、当該注入以前の所定期間における、前記下水道へ降水が流入する地域の降水量を含む降水情報とを教師データとして機械学習を行うことにより生成された学習モデルを用いて、対象期間における前記降水情報と所定の前記注入率とを入力として、前記含水率を推定する推定部を備える推定装置。 - 前記推定された含水率と、目標とする含水率との差分に基づいて、前記汚泥へ注入する前記注入率を決定する決定部をさらに備える、
請求項5に記載の推定装置。 - 前記目標とする含水率は、凝集剤の注入以前の前記所定期間における、前記下水道へ降水が流入する前記地域の降水量が0であるときに生成された前記脱水汚泥の含水率に基づき定められる、請求項6に記載の推定装置。
- 前記教師データとしての前記降水情報に含まれる降水量は、
前記下水道へ降水が流入する前記地域の各々の降水量であって、当該地域から前記下水処理場へ下水が到達するのに要する時間だけ前記凝集剤の注入時から過去に遡った時点の降水量の合計である、請求項1または4に記載の学習モデル生成装置。 - 前記教師データとしての前記降水情報および前記推定部に入力される前記降水情報に含まれる降水量は、
前記下水道へ降水が流入する前記地域の各々の降水量であって、当該地域から前記下水処理場へ下水が到達するのに要する時間だけ前記凝集剤の注入時から過去に遡った時点の降水量の合計である、請求項2、3、5〜7のいずれか1項に記載の推定装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019227618A JP7325320B2 (ja) | 2019-12-17 | 2019-12-17 | 学習モデル生成装置および推定装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019227618A JP7325320B2 (ja) | 2019-12-17 | 2019-12-17 | 学習モデル生成装置および推定装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021094523A true JP2021094523A (ja) | 2021-06-24 |
JP7325320B2 JP7325320B2 (ja) | 2023-08-14 |
Family
ID=76430315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019227618A Active JP7325320B2 (ja) | 2019-12-17 | 2019-12-17 | 学習モデル生成装置および推定装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7325320B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113912255A (zh) * | 2021-11-05 | 2022-01-11 | 烟台清泉实业有限公司 | 一种污泥半干化处理系统及处理方法 |
KR20230105496A (ko) * | 2022-01-04 | 2023-07-11 | (주)유천엔지니어링 | 머신러닝기반의 ai를 이용한 벨트프레스식 탈수기의 자동운전시스템 및 방법 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09290273A (ja) * | 1996-04-26 | 1997-11-11 | Kurita Water Ind Ltd | 凝集剤添加量調整方法及び装置 |
JP2007283274A (ja) * | 2006-04-20 | 2007-11-01 | Hitachi Ltd | 下水処理場およびその制御装置 |
JP2018111065A (ja) * | 2017-01-11 | 2018-07-19 | 巴工業株式会社 | Ai制御方式の遠心分離装置 |
JP2019051458A (ja) * | 2017-09-13 | 2019-04-04 | 水ing株式会社 | 脱水システム |
-
2019
- 2019-12-17 JP JP2019227618A patent/JP7325320B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09290273A (ja) * | 1996-04-26 | 1997-11-11 | Kurita Water Ind Ltd | 凝集剤添加量調整方法及び装置 |
JP2007283274A (ja) * | 2006-04-20 | 2007-11-01 | Hitachi Ltd | 下水処理場およびその制御装置 |
JP2018111065A (ja) * | 2017-01-11 | 2018-07-19 | 巴工業株式会社 | Ai制御方式の遠心分離装置 |
JP2019051458A (ja) * | 2017-09-13 | 2019-04-04 | 水ing株式会社 | 脱水システム |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113912255A (zh) * | 2021-11-05 | 2022-01-11 | 烟台清泉实业有限公司 | 一种污泥半干化处理系统及处理方法 |
CN113912255B (zh) * | 2021-11-05 | 2023-05-02 | 烟台清泉实业有限公司 | 一种污泥半干化处理系统及处理方法 |
KR20230105496A (ko) * | 2022-01-04 | 2023-07-11 | (주)유천엔지니어링 | 머신러닝기반의 ai를 이용한 벨트프레스식 탈수기의 자동운전시스템 및 방법 |
KR102664265B1 (ko) | 2022-01-04 | 2024-05-09 | (주)유천엔지니어링 | 머신러닝기반의 ai를 이용한 벨트프레스식 탈수기의 자동운전시스템 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
JP7325320B2 (ja) | 2023-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5208061B2 (ja) | 凝集剤注入制御システム | |
US20180037471A1 (en) | Wastewater treatment system | |
JP7325320B2 (ja) | 学習モデル生成装置および推定装置 | |
KR20190063615A (ko) | 생물반응조 종합관리 자동제어 시스템과 신재생 발전기능을 구비하여 하수 처리 및 에너지 효율을 향상시킨 하수 고도처리장치 및 하수 고도처리방법 | |
JP2000218263A (ja) | 水質制御方法及びその装置 | |
CN201749385U (zh) | 前馈-反馈复合控制的水厂投药控制系统 | |
Comas et al. | Knowledge-based system for automatic MBR control | |
KR101197400B1 (ko) | 유입 원수와 여과수 탁도 측정을 통한 약품 주입량 최적화 시스템 | |
JP2019175409A (ja) | 水処理施設の運転制御装置及び運転制御方法 | |
JP5010848B2 (ja) | 下水処理場およびその制御装置 | |
JP4900556B2 (ja) | 排水処理プラントの運転管理方法 | |
JP6103231B2 (ja) | 下水汚泥の脱水方法及び脱水システム | |
JP2009195818A (ja) | 浄水膜ろ過設備の運転方法 | |
JP3707083B2 (ja) | 硝化処理装置及び硝化処理装置の運転方法 | |
JPH05146608A (ja) | 凝集剤の注入制御方法及び装置 | |
WO2017006988A1 (ja) | 排水処理制御装置及び排水処理システム | |
JP6298791B2 (ja) | 汚泥脱水装置及び汚泥脱水方法 | |
JPH09290273A (ja) | 凝集剤添加量調整方法及び装置 | |
JP2009195893A (ja) | 浄水膜ろ過設備の運転方法 | |
CN116161824B (zh) | 一种清淤尾水处理装置、系统及处理方法 | |
JP2002224687A (ja) | 汚水処理設備の運転制御システムおよび方法ならびにプログラム | |
JP2007007601A (ja) | 浄水処理方法及び浄水処理システム | |
JP2018176085A (ja) | 有機物処理システム及び有機物処理方法 | |
JPH06304414A (ja) | 浄水場における凝集沈澱プロセスの制御装置 | |
JP7303101B2 (ja) | モデル生成装置、推定装置、モデル生成方法および推定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220623 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230329 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230509 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230613 |
|
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: 20230704 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230801 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7325320 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |