JP6541913B1 - 水処理プラントおよび水処理プラントの運転方法 - Google Patents

水処理プラントおよび水処理プラントの運転方法 Download PDF

Info

Publication number
JP6541913B1
JP6541913B1 JP2019504146A JP2019504146A JP6541913B1 JP 6541913 B1 JP6541913 B1 JP 6541913B1 JP 2019504146 A JP2019504146 A JP 2019504146A JP 2019504146 A JP2019504146 A JP 2019504146A JP 6541913 B1 JP6541913 B1 JP 6541913B1
Authority
JP
Japan
Prior art keywords
water treatment
control
neural network
sensor
control target
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.)
Active
Application number
JP2019504146A
Other languages
English (en)
Other versions
JPWO2020021689A1 (ja
Inventor
英二 今村
英二 今村
祐樹 佐藤
祐樹 佐藤
航 吉田
航 吉田
野田　清治
清治 野田
洋平 上野
洋平 上野
安永　望
望 安永
剛 若松
剛 若松
健太 霜田
健太 霜田
卓嗣 川田
卓嗣 川田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Application granted granted Critical
Publication of JP6541913B1 publication Critical patent/JP6541913B1/ja
Publication of JPWO2020021689A1 publication Critical patent/JPWO2020021689A1/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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
    • C02F2209/005—Processes using a programmable logic controller [PLC]
    • C02F2209/008—Processes using a programmable logic controller [PLC] comprising telecommunication features, e.g. modems or antennas
    • 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
    • C02F2209/02—Temperature
    • 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
    • C02F2209/08—Chemical Oxygen Demand [COD]; Biological Oxygen Demand [BOD]
    • 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]
    • C02F2209/105—Particle number, particle size or particle characterisation
    • 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
    • C02F2209/15—N03-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
    • C02F2209/16—Total nitrogen (tkN-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
    • 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
    • C02F2209/40—Liquid flow rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Organic Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Hydrology & Water Resources (AREA)
  • Environmental & Geological Engineering (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Medical Informatics (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Microbiology (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)

Abstract

水処理装置（１０）を用いて水処理を行う水処理プラント（１）は、撮像装置（２０）と、処理装置（３０）と、制御装置（５０）とを備える。撮像装置（２０）は、水処理装置（１０）の水処理環境を撮像し、撮像して得られる画像データを出力する。処理装置（３０）は、機械学習によって生成される１以上の計算モデルを用いた演算を行う演算装置（４０）に、撮像装置（３０）から出力される画像データを１以上の計算モデルの入力データとして演算を実行させる。制御装置（５０）は、演算の実行によって演算装置（４０）から出力される出力情報に基づいて、水処理装置（１０）を制御する。

Description

本発明は、上水または下水などの水処理を行う水処理プラントおよび水処理プラントの運転方法に関する。
水処理プラントでは、環境変化に応じて制御目標値を変更しつつ、水処理制御が行われている。例えば、季節の温度差、流入水の流量、流入水の水質などの水処理環境の変化に伴い制御目標値が変更されることで、水処理プラントにおいて水処理環境の変化に応じた水処理制御が行われている。
制御目標値の変更は、オペレータが過去の経験などに基づいて行っており、専門性が要求される。特許文献１では、環境変化に応じた制御目標値の変更に対してオペレータの経験を反映できるように、下水処理装置の制御にＡＩ（Artificial Intelligent）装置を用いる技術が提案されている。かかる技術では、下水処理装置への流入水の流量、温度、ＢＯＤ（Biochemical Oxygen Demand：生物化学的酸素要求量）、およびＮＨ４ ＋などを検出する複数のセンサの検出値がＡＩ装置に入力され、かかるＡＩ装置の出力に基づいて下水処理装置が制御される。
特開２００４−２５１６０号公報
上述したような従来の水処理プラントでは、流入水における流量、温度、ＢＯＤ、およびＮＨ４ ＋といった数値を指標としてＡＩ装置を用いた水処理制御が行われている。しかしながら上述したような従来の水処理プラントには、改善の余地が有る。例えば、上述したような従来の水処理プラントでは、センサで検出される数値には表れないような水処理装置の水処理環境の変化に対しては、効果的な水処理制御を行うことができない虞がある。
本発明は、上記に鑑みてなされたものであって、水処理環境の変化に対してより効果的な水処理制御を行うことができる水処理プラントを得ることを目的とする。
本発明にかかる水処理プラントは、水処理装置を用いて水処理を行う水処理プラントであって、撮像装置と、センサと、処理装置と、制御装置とを備える。撮像装置は、水処理装置の水処理環境を撮像し、撮像して得られる画像データを出力する。センサは、水処理装置の水処理環境を示す特性を検出し、検出した特性の数値データを出力する。処理装置は、畳み込みニューラルネットワークおよび畳み込みニューラルネットワークとは異なるセンサ用ニューラルネットワークを含む１以上の計算モデルを用いた演算を行う演算装置に、撮像装置から出力される画像データを畳み込みニューラルネットワークの入力データとして演算を実行させ、センサから出力される数値データをセンサ用ニューラルネットワークの入力データとして演算を実行させる。制御装置は、演算の実行によって演算装置から出力される情報に基づいて、水処理装置を制御する。処理装置は、畳み込みニューラルネットワークの使用とセンサ用ニューラルネットワークの使用とを切り替えて演算装置に演算を実行させる切替部を備える。
本発明によれば、水処理環境の変化に対してより効果的な水処理制御を行い得る水処理プラントを提供することができる、という効果を奏する。
実施の形態１にかかる水処理プラントの概略を示す図 実施の形態１にかかる水処理プラントの構成例を示す図 実施の形態１にかかる複数のセンサ群の構成例を示す図 実施の形態１にかかる処理装置の構成例を示す図 実施の形態１にかかる記憶装置に記憶されるデータテーブルの一例を示す図 実施の形態１にかかる演算装置の構成例を示す図 実施の形態１にかかる制御装置の構成例を示す図 実施の形態１にかかる処理装置の処理の一例を示すフローチャート 実施の形態１にかかる演算装置の処理の一例を示すフローチャート 実施の形態１にかかる制御装置の処理の一例を示すフローチャート 実施の形態１にかかる処理装置のハードウェア構成の一例を示す図
以下に、本発明の実施の形態にかかる水処理プラントおよび水処理プラントの運転方法を図面に基づいて詳細に説明する。なお、この実施の形態によりこの発明が限定されるものではない。
実施の形態１．
図１は、実施の形態１にかかる水処理プラントの概略を示す図である。図１に示すように、実施の形態１にかかる水処理プラント１は、水処理装置１０と、撮像装置２０と、処理装置３０と、演算装置４０と、制御装置５０とを備える。演算装置４０は、ＡＩ装置の一例である。
水処理装置１０は、例えば、上水または下水などの水処理を行う装置であり、水処理状態を制御するポンプまたはブロワなどの制御対象機器を備える。水処理装置１０の一例としては、ポンプまたはブロワなどの制御対象機器を備える実施の形態１にかかる装置だけでなく、水処理プラントの沈砂池、最初沈殿池、汚泥減容装置などを用いてもよい。
制御装置５０は、水処理装置１０を制御する。撮像装置２０は、水処理装置１０の水処理環境を撮像し、撮像して得られる水処理環境の画像データを出力する。水処理装置１０の水処理環境は、水処理装置１０の内部にある水処理環境および水処理装置１０の外部にある水処理環境の少なくとも一つを含む。処理装置３０は、撮像装置２０から画像データを取得する。
処理装置３０は、取得した画像データを入力データとする演算を演算装置４０に実行させ、演算装置４０の演算結果を演算装置４０から取得する。演算装置４０は、機械学習によって生成される計算モデルを有している。かかる計算モデルは、例えば、撮像装置２０の画像データを入力し、制御対象機器の制御目標値の情報を出力する。制御目標値は、例えば、水処理装置１０の水処理状態を制御するポンプまたはブロワなどの制御対象機器の制御量の目標値である。
演算装置４０は、処理装置３０から取得した画像データを入力データとする上述の計算モデルを用いた演算を行い、演算装置４０の演算結果を含む情報を処理装置３０へ出力する。処理装置３０は、演算装置４０から取得した情報を制御装置５０へ出力する。制御装置５０は、処理装置３０から出力された情報に基づいて、水処理装置１０を制御する。例えば、制御装置５０は、演算装置４０から出力される情報が制御対象機器の制御目標値の情報である場合、制御目標値を含む制御情報を水処理装置１０の制御対象機器へ出力することで、水処理装置１０を制御することができる。演算装置４０は、例えば、人工知能等と呼ばれるＡＩであり、入力された画像データに基づく機械学習を介し、制御対象機器の好ましい制御目標値の推測に貢献する。
このように、水処理プラント１では、水処理装置１０の水処理環境の画像を新たな指標として演算装置４０を用いて水処理制御を行うことができる。そのため、水処理プラント１では、例えば、水処理装置１０の水処理環境の画像に基づいて水処理プラント１のオペレータが過去の経験または知識に基づいて行っていた水処理制御を、演算装置４０を用いて行うことができ、効果的な水処理制御を行うことができる。
上記の実施の形態１では、処理装置３０を介して撮像装置２０の画像データを演算装置４０へ出力し、演算装置４０の演算結果を処理装置３０に出力して制御装置５０に対する制御を行う一例について説明した。しかしながら、本発明はこの一例に限定されない。例えば、処理装置３０の機能を演算装置４０および制御装置５０の少なくとも一つに組み込んで処理装置３０を省略するように変形してもよい。この変形例では、例えば、演算装置４０および制御装置５０の少なくとも一つと別体の処理装置３０が省略可能となるため、装置構成の自由度が高まる効果が得られる。
以下、実施の形態１にかかる水処理プラント１について詳細に説明する。図２は、実施の形態１にかかる水処理プラントの構成例を示す図である。なお、以下においては、水処理装置１０が行う水処理の一例として、下水処理について説明する。
図２に示すように、実施の形態１にかかる水処理プラント１は、上述した水処理装置１０と、撮像装置２０１〜２０３と、センサ群２１１〜２１３と、処理装置３０と、演算装置４０と、制御装置５０と、記憶装置６１と、表示装置６２と、入力装置６３とを備える。なお、以下において、撮像装置２０１〜２０３の各々を区別せずに示す場合、撮像装置２０と記載し、センサ群２１１〜２１３の各々を区別せずに示す場合、センサ群２１と記載する場合がある。
処理装置３０、演算装置４０、制御装置５０、記憶装置６１、表示装置６２、および入力装置６３は、互いに通信ネットワーク６４を介して通信可能に接続される。通信ネットワーク６４は、例えば、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、バス、または専用線である。
図２に示す水処理装置１０は、下水を処理する下水処理装置である。かかる水処理装置１０は、下水道などからの流入水である下水を貯留し、下水中の比較的沈みやすい固形物などを沈殿させる最初沈殿槽１１と、最初沈殿槽１１の上澄み水を好気処理する処理槽１２と、処理槽１２から流入する活性汚泥混合液を上澄み水と活性汚泥とに分離する最終沈殿槽１３とを備える。最終沈殿槽１３の上澄み水は処理水として最終沈殿槽１３から放出される。
処理槽１２において、最初沈殿槽１１から流入する上澄み水は、有機物を含んでおり、例えば、りん蓄積菌、硝化菌、および脱窒菌といった好気性微生物の消化によって上澄み水に含まれる有機物が処理される。
水処理装置１０は、さらに、処理槽１２に空気を送り込んで活性汚泥混合液中に空気を溶解させるブロワ１４と、最終沈殿槽１３と処理槽１２とを接続する配管に設けられ、最終沈殿槽１３から処理槽１２に活性汚泥を返送するポンプ１５とを備える。ブロワ１４およびポンプ１５の各々は、上述した制御対象機器の一例であり、以下、ブロワ１４とポンプ１５とを互いに区別せずに示す場合、制御対象機器と記載する場合がある。
複数の撮像装置２０１，２０２，２０３は、水処理装置１０の水処理環境であって互いに異なる被撮像対象となる水処理環境を撮像する。撮像装置２０１は、最初沈殿槽１１内の被撮像対象となる水処理環境を撮像する。最初沈殿槽１１内の被撮像対象は、例えば、最初沈殿槽１１の水の状態、泡の状態、または沈殿物の状態などである。
撮像装置２０２は、処理槽１２内の被撮像対象となる水処理環境を撮像する。処理槽１２内の被撮像対象は、例えば、処理槽１２の活性汚泥の状態、または水の状態などである。活性汚泥の状態は、例えば、活性汚泥の量または分布などを含む。なお、活性汚泥の状態は、例えば、各微生物の量であってもよい。
撮像装置２０３は、最終沈殿槽１３内の被撮像対象となる水処理環境を撮像する。最終沈殿槽１３内の被撮像対象は、例えば、最終沈殿槽１３の上澄み水の状態、または沈殿物の状態などである。なお、以下において、最初沈殿槽１１、処理槽１２、および最終沈殿槽１３の各々を区別せずに示す場合、槽と記載する場合がある。撮像装置２０が撮像する被撮像対象は、上述した例に限定されず、撮像装置２０は、槽の内壁の状態、または槽の周囲の状態などを被撮像対象として撮像することもできる。なお、図２に示す撮像装置２０１，２０２，２０３は、水処理装置１０の水処理環境として、水処理装置１０内の状態または環境を撮像するが、図２に示す水処理装置１０の外部の状態または環境を撮像する撮像装置を設けてよい。
撮像装置２０は、例えば、デジタルカメラ、またはデジタルマイクロスコープなどである。撮像装置２０は、例えば、顕微鏡用のデジタルカメラであってもよい。この場合、撮像装置２０は、槽内の水などを水処理プラント１のオペレータが顕微鏡に載置したときに、顕微鏡の画像を撮像することができる。なお、撮像装置２０の数は、３つに限定されず、２つ以下であってもよく、４つ以上であってもよい。以下、水処理プラント１のオペレータを単にオペレータと記載する。
複数のセンサ群２１１〜２１３は、水処理装置１０の水処理環境を示す各種の特性を検出する。例えば、センサ群２１１は、最初沈殿槽１１への流入水の特性である流入水特性を検出する。センサ群２１２は、処理槽１２の状態を示す処理槽内特性を検出する。センサ群２１３は、最終沈殿槽１３から放出される処理水の特性である処理水特性を検出する。
図３は、実施の形態１にかかる複数のセンサ群の構成例を示す図である。図３に示すように、センサ群２１１は、流入水の流入量を検出する流量センサ２２１と、流入水のＢＯＤを検出するＢＯＤセンサ２２２と、流入水の温度を検出する水温センサ２２３と、流入水のＮＨ３の濃度を検出するＮＨ３センサ２２４とを含む。なお、センサ群２１１は、ＮＨ３センサ２２４に代えてまたは加えて、流入水のＮＨ４ ＋またはアンモニア性窒素濃度を検出するセンサを含む構成であってもよい。
センサ群２１２は、処理槽１２における溶存酸素量を検出する溶存酸素量センサ２３１と、処理槽１２における活性微生物濃度を検出する活性微生物濃度センサ２３２と、処理槽１２におけるＢＯＤを検出するＢＯＤセンサ２３３とを含む。また、センサ群２１２は、さらに、アンモニア性窒素濃度、硝酸性窒素濃度、全窒素濃度、リン酸性リン濃度、または全リン濃度を各々検出する複数のセンサを含む。
センサ群２１３は、処理水の流出量を検出する流量センサ２４１と、処理水のＢＯＤを検出するＢＯＤセンサ２４２と、処理水の全窒素濃度を検出する全窒素濃度センサ２４３とを含む。
なお、センサ群２１１〜２１３は、上述した被検出対象以外を被検出対象とするセンサを含んでもよく、また、上述した複数のセンサのうち一部を含まない構成であってもよい。以下、センサ群２１１〜２１３における各センサが検出した数値のデータを数値データと記載する。また、画像データと数値データとを各々区別せずに示す場合、検出データと記載する場合がある。
処理装置３０は、撮像装置２０から出力される画像データおよびセンサ群２１から出力される数値データを取得し、取得した画像データおよび数値データを記憶装置６１に記憶する。処理装置３０は、撮像装置２０から出力される画像データおよびセンサ群２１から出力される数値データのうち選択したデータを入力データとして演算を演算装置４０に実行させ、演算装置４０の演算結果を含む情報を取得する。処理装置３０は、演算装置４０から出力される情報を制御装置５０へ送信し、また、演算装置４０から出力される情報を記憶装置６１に記憶する。
また、処理装置３０は、撮像装置２０から出力される画像データを表示装置６２に表示することができる。オペレータは、例えば、表示装置６２に表示された槽内の画像に基づいて、水処理装置１０において槽内が将来的に好ましくない状態になる前兆が現われているか否かを判断することができる。なお、ここでの将来的とは、例えば、数時間先、または１日以上先を示す。
また、槽内が将来的に好ましくない状態とは、例えば、有機物の除去が不十分になる状態、窒素の除去が不十分になる状態、不図示の濾過膜が詰まりやすくなる状態などである。また、槽内が将来的に好ましくない状態になる前兆は、例えば、水処理を阻害する微生物が増加している状態、または水処理を行う微生物の分布が特定の分布になっている状態などである。実施の形態１にかかる水処理プラント１では、上記のような将来的に好ましくない状態になる前兆を撮像装置２０による画像データに基づいて判断し得るようになる。そのため、数値データのみによる前兆判断と比較し、前兆判断の根拠に対する多様化、高精度化に貢献し得る。以下、槽内が将来的に好ましくない状態になる前兆を単に前兆と記載する場合がある。
オペレータは、表示装置６２に表示された槽内の画像が上述した前兆を示していると判断した場合、入力装置６３を操作することで、前兆を示す環境変化が生じているタイミングの画像データを学習用データとして演算装置４０に含まれる計算モデルを生成したり更新したりすることができる。
図４は、実施の形態１にかかる処理装置の構成例を示す図である。図４に示すように、処理装置３０は、通信部３１と、記憶部３２と、制御部３３とを備える。通信部３１は、通信ネットワーク６４に接続される。制御部３３は、通信部３１および通信ネットワーク６４を介し、演算装置４０、制御装置５０、記憶装置６１、表示装置６２、および入力装置６３の各々との間でデータの送受信を行うことができる。
制御部３３は、データ処理部３４と、表示処理部３５と、演算要求部３６と、受付処理部３７と、切替部３８とを備える。データ処理部３４は、撮像装置２０から出力される画像データおよびセンサ群２１から出力される数値データを繰り返し取得し、取得した画像データおよび数値データを記憶装置６１に記憶する。
データ処理部３４は、各撮像装置２０から取得した画像データを時刻と関連付けて記憶装置６１に記憶する。また、データ処理部３４は、各センサから取得した数値データを時刻と関連付けて記憶装置６１に記憶する。また、データ処理部３４は、演算装置４０から出力される情報を取得し、取得した情報を制御装置５０に出力し、また、取得した情報を記憶装置６１に記憶する。
図５は、実施の形態１にかかる記憶装置に記憶されるデータテーブルの一例を示す図である。図５に示すデータテーブルには、時刻毎の画像データ、数値データ、および制御目標値が含まれる。図５において、画像データＩＭ１（ｔ０），ＩＭ１（ｔ１），・・・，ＩＭ１（ｔｍ），・・・，ＩＭ１（ｔｎ）は、撮像装置２０１の画像データである。また、画像データＩＭ２（ｔ０），ＩＭ２（ｔ１），・・・，ＩＭ２（ｔｍ），・・・，ＩＭ２（ｔｎ）は、撮像装置２０２の画像データである。
また、画像データＩＭ３（ｔ０），ＩＭ３（ｔ１），・・・，ＩＭ３（ｔｍ），・・・，ＩＭ３（ｔｎ）は、撮像装置２０３の画像データである。なお、ｍおよびｎは、自然数であり、ｎ＞ｍである。また、図５において、一つのセンサの数値データＮＵ１（ｔ０），ＮＵ１（ｔ１），・・・，ＮＵ１（ｔｍ），・・・，ＮＵ１（ｔｎ）のみを示しているが、残りのセンサの数値データもデータテーブルに含まれる。
また、図５に示すデータテーブルには、各時刻において処理装置３０により制御装置５０に出力された各制御対象機器の制御目標値の情報が含まれる。図５において、制御目標値ＲＶ１（ｔ０），ＲＶ１（ｔ１），・・・，ＲＶ１（ｔｍ），・・・，ＲＶ１（ｔｎ）は、ブロワ１４の制御目標値である。また、制御目標値ＲＶ２（ｔ０），ＲＶ２（ｔ１），・・・，ＲＶ２（ｔｍ），・・・，ＲＶ２（ｔｎ）は、ポンプ１５の制御目標値である。
図４に戻って制御部３３の説明を続ける。表示処理部３５は、データ処理部３４で取得された画像データおよび数値データを表示装置６２に表示する。また、表示処理部３５は、オペレータの入力装置６３への操作によって入力された情報を記憶装置６１から取得して、取得した情報を表示装置６２に表示することができる。
演算要求部３６は、データ処理部３４で取得された画像データおよび数値データのうち、後述する選択条件を満たす計算モデルの入力に必要なデータを、通信ネットワーク６４経由で演算装置４０へ出力する。
例えば、演算要求部３６は、選択条件を満たす計算モデルが画像用計算モデルである場合、データ処理部３４で取得された画像データを演算装置４０へ出力する。また、演算要求部３６は、選択条件を満たす計算モデルがセンサ用計算モデルである場合、データ処理部３４で取得された数値データを演算装置４０へ出力する。
また、演算要求部３６は、選択条件を満たす計算モデルが画像用計算モデルおよびセンサ用計算モデルである場合、データ処理部３４で取得された画像データおよび数値データを演算装置４０へ出力する。なお、演算要求部３６は、選択条件を満たす計算モデルの入力に必要なデータを記憶装置６１から取得し、取得したデータを演算装置４０へ出力することもできる。
演算要求部３６は、検出データを演算装置４０へ出力することで、検出データを入力データとする演算を演算装置４０に実行させる。データ処理部３４は、演算装置４０から出力される演算結果を示す情報を取得し、取得した情報を制御装置５０へ出力する。演算装置４０から出力される情報には、例えば、制御対象機器の制御目標値を含む制御情報が含まれており、制御装置５０は、処理装置３０から出力される情報に基づいて、水処理装置１０に設けられた制御対象機器を制御することで、水処理装置１０を制御する。
受付処理部３７は、オペレータによる入力装置６３への操作に基づいて、演算装置４０が有する複数の計算モデルを生成および更新するための画像データの選択を受け付ける。演算要求部３６は、受付処理部３７によって選択が受け付けられた画像データを記憶装置６１から取得する。また、演算要求部３６は、選択された画像データが取得された時刻に関連付けられた各制御対象機器の制御目標値の情報を記憶装置６１から取得する。
演算要求部３６は、選択された画像データと制御対象データとを関連付けた学習データを演算装置４０へ通信ネットワーク６４経由で送信する。学習データにおいて、選択された画像データと関連付けられる制御対象データは、記憶装置６１から取得された制御目標値と制御対象機器の種別を含むデータである。例えば、選択された画像データが図５に示す時刻ｔｍの画像データＩＭ１（ｔｍ），ＩＭ２（ｔｍ），ＩＭ３（ｔｍ）である場合、制御対象データには、図５に示す制御目標値ＲＶ１（ｔｍ），ＲＶ２（ｔｍ）が含まれる。
受付処理部３７は、オペレータによる入力装置６３への操作に基づいて、記憶装置６１に記憶された時系列の画像データを選択するための期間の情報を受け付けることもできる。例えば、受付処理部３７は、過去１年間の画像データを選択するための入力装置６３への操作を受け付けることができる。
演算要求部３６は、受付処理部３７によって受け付けられた期間に撮像装置２０から出力された時系列の画像データを記憶装置６１から取得する。また、演算要求部３６は、受付処理部３７によって受け付けられた期間において各制御対象機器に設定された時系列の制御目標値のデータを、記憶装置６１から取得する。演算要求部３６は、取得した時系列の画像データと時系列の制御目標値のデータとを含む学習用データを演算装置４０へ通信ネットワーク６４経由で送信する。
また、後述するように、画像用計算モデルが、例えば、上述した前兆を示す環境変化が生じているか否かの程度を示すスコアの情報を出力するリカレントニューラルネットワークである場合、オペレータは、正解データと不正解データを選択することができる。例えば、オペレータは、水処理装置１０において上述した前兆が生じている状態で撮像装置２０によって撮像された画像データを正解データとして選択することができる。また、オペレータは、例えば、上述した前兆が生じていないタイミングで撮像装置２０によって撮像された画像データを不正解データとして選択することができる。
切替部３８は、オペレータによる入力装置６３への操作に基づき選択条件を変更する手動切替モードで動作することができる。例えば、切替部３８は、動作モードが手動切替モードである状態で、受付処理部３７によってオペレータによる選択条件の切替操作が受け付けられた場合、記憶部３２に設定される選択条件を変更する。
また、切替部３８は、自動的に選択条件を変更する自動切替モードで動作することもできる。例えば、切替部３８は、動作モードが自動切替モードであり、かつ選択条件がセンサ用計算モデルに設定されている場合、第１切替条件を満たすか否かを判定する。切替部３８は、第１切替条件を満たすと判定した場合、記憶部３２に設定される選択条件をセンサ用計算モデルから画像用計算モデルに変更する。これにより、演算装置４０で用いられる計算モデルが画像用計算モデルに変更される。
例えば、切替部３８は、複数のセンサ群２１に含まれる特定の１以上のセンサの数値データで示される数値が予め設定された時間以上継続して予め設定された範囲外である場合に、第１切替条件を満たすと判定することができる。第１切替条件は、センサの検出結果の条件に限定されず、例えば、時間帯、季節、天候、またはそれ以外の条件であってもよい。
また、切替部３８は、動作モードが自動切替モードであり、かつ画像用計算モデルが選択条件に設定されている場合、第２切替条件を満たすか否かを判定する。切替部３８は、第２切替条件を満たすと判定した場合、記憶部３２に設定される選択条件を画像用計算モデルからセンサ用計算モデルに変更する。これにより、演算装置４０で用いられる計算モデルがセンサ用計算モデルに変更される。
例えば、切替部３８は、複数のセンサ群２１に含まれる特定の１以上のセンサの数値データで示される数値が予め設定された時間以上継続して予め設定された範囲内になった場合に、第２切替条件を満たすと判定することができる。第２切替条件は、センサの検出結果の条件に限定されず、例えば、時間帯、季節、天候、またはそれ以外の条件であってもよい。
なお、切替部３８の動作モードは、オペレータによる操作に基づき変更することができる。また、切替部３８は、センサ用計算モデルと画像用計算モデルとを交互に変更することもできる。例えば、切替部３８は、第１期間Ｔ１は、センサ用計算モデルを設定し、第１期間Ｔ１と交互に到来する第２期間Ｔ２は、画像用計算モデルを設定することができる。なお、この場合、第２期間Ｔ２は、第１期間Ｔ１よりも短くすることで、数値による水処理制御を主として行いつつ、画像による水処理制御を行うことができる。
次に、演算装置４０について説明する。図６は、実施の形態１にかかる演算装置の構成例を示す図である。図６に示すように、演算装置４０は、通信部４１と、記憶部４２と、制御部４３とを備える。
通信部４１は、通信ネットワーク６４に接続される。制御部４３は、通信部４１および通信ネットワーク６４を介し、撮像装置２０、処理装置３０、制御装置５０、記憶装置６１、および入力装置６３の各々との間でデータの送受信を行うことができる。
記憶部４２には、複数の計算モデルが記憶される。記憶部４２に記憶される複数の計算モデルは、上述した画像用計算モデルとセンサ用計算モデルとを含む。
画像用計算モデルは、例えば、複数の撮像装置２０から出力される複数の画像データを入力とし、複数の制御対象機器の制御目標値を出力とする畳み込みニューラルネットワークである。畳み込みニューラルネットワークを用いることにより、一般的なニューラルネットワークを用いる場合と比較し、重みの共有によって画像データに対する学習が効率的に行われ、精度の高い結果取得が可能となる。なお、システム構築の多様性を考慮し、画像用計算モデルは、畳み込みニューラルネットワーク以外のニューラルネットワークであってもよい。
センサ用計算モデルは、例えば、複数のセンサ群２１１〜２１３に設けられた複数のセンサから出力される複数の数値データを入力とし、複数の制御対象機器の制御目標値を出力とするニューラルネットワークである。センサ用計算モデルは、画像用計算モデルである畳み込みニューラルネットワークとは異なり、数値データの演算に適したニューラルネットワークである。また、例えば、センサ用計算モデルは、線形回帰、ロジスティック回帰といった学習アルゴリズムで生成される計算モデルであってもよい。なお、センサ用計算モデルは、装置構成の自由度が高まるため、畳み込みニューラルネットワークであってもよい。
制御部４３は、取得処理部４４と、演算処理部４５と、出力処理部４６と、学習処理部４７とを備える。取得処理部４４は、通信ネットワーク６４および通信部４１を介して処理装置３０からの検出データを取得する。処理装置３０からの検出データは、上述したように、画像データ、数値データ、または画像データおよび数値データである。
演算処理部４５は、取得処理部４４で取得された検出データに対応する計算モデルを記憶部４２から読み出し、読み出した計算モデルに検出データを入力して計算モデルを用いた演算を行うことで、計算モデルの出力を取得する。例えば、演算処理部４５は、取得処理部４４で取得された検出データが画像データである場合、画像用計算モデルに画像データを入力して画像用計算モデルを用いた演算を行い、画像用計算モデルの出力を取得する。
また、演算処理部４５は、取得処理部４４で取得された検出データが数値データである場合、センサ用計算モデルに数値データを入力してセンサ用計算モデルを用いた演算を行い、センサ用計算モデルの出力を取得する。
また、演算処理部４５は、取得処理部４４で取得された検出データが画像データおよび数値データである場合、画像用計算モデルとセンサ用計算モデルとを共に用いる。すなわち、演算処理部４５は、画像データおよび数値データのうち画像データを画像用計算モデルに入力して画像用計算モデルを用いた演算を行い、画像用計算モデルから出力される情報を取得する。また、演算処理部４５は、画像データおよび数値データのうち数値データをセンサ用計算モデルに入力してセンサ用計算モデルを用いた演算を行いセンサ用計算モデルから出力される情報を取得する。
出力処理部４６は、演算処理部４５において計算モデルを用いた演算によって取得された情報を演算装置４０の出力情報として処理装置３０へ通信部４１から出力する。計算モデルから出力される情報は、上述した複数の制御対象機器の制御目標値の情報である。
なお、出力処理部４６は、取得処理部４４で取得された検出データが画像データおよび数値データである場合、センサ用計算モデルから出力される情報および画像用計算モデルから出力される情報のうち一つを選択して通信部４１から処理装置３０へ出力することができる。
例えば、出力処理部４６は、画像用計算モデルから出力される制御目標値とセンサ用計算モデルから出力される制御目標値との差が予め設定された値以上である場合に、画像用計算モデルから出力される制御目標値を選択して処理装置３０へ出力する。また、出力処理部４６は、画像用計算モデルから出力される制御目標値とセンサ用計算モデルから出力される制御目標値との差が予め設定された値未満である場合に、センサ用計算モデルから出力される制御目標値を選択して処理装置３０へ出力する。
また、演算処理部４５は、取得処理部４４で取得された検出データが画像データおよび数値データである場合、センサ用計算モデルから出力される制御目標値と画像用計算モデルから出力される制御目標値との平均値を制御対象機器毎に演算することができる。出力処理部４６は、演算処理部４５によって演算された制御対象機器毎の制御目標値の平均値を含む制御情報を出力情報として出力することができる。
画像用計算モデルは、上述した畳み込みニューラルネットワークに加え、リカレントニューラルネットワークを含む構成であってもよい。この場合、演算処理部４５は、リカレントニューラルネットワークに撮像装置２０で撮像された時系列の画像データを入力し、時間Ｔａ後に撮像装置２０で撮像されると予測される画像のデータをリカレントニューラルネットワークから取得する。時間Ｔａは、例えば、１２時間以上の時間である。そして、演算処理部４５は、時間Ｔａ後に撮像装置２０で撮像されると予測される画像のデータを畳み込みニューラルネットワークに入力し、畳み込みニューラルネットワークから出力される情報を取得する。
また、画像用計算モデルは、リカレントニューラルネットワークのみで構成されていてもよい。かかるリカレントニューラルネットワークは、例えば、撮像装置２０で撮像された時系列の画像データを入力し、上述した前兆を示す環境変化が生じているか否かの程度を示すスコアの情報を出力とする。かかるリカレントニューラルネットワークは、前兆の種別毎に記憶部４２に記憶される。記憶部４２には、制御対象機器の種別と制御目標値とが互いに関連付けられた情報である制御情報が前兆の種別毎に記憶されている。かかる制御情報は、例えば、オペレータが入力装置６３を操作して記憶部４２に記憶することができる。
演算処理部４５は、前兆の種別毎のリカレントニューラルネットワークに撮像装置２０で撮像された時系列の画像データを入力し、各リカレントニューラルネットワークから出力されるスコアの情報を取得することができる。演算処理部４５は、スコアが閾値以上である前兆の種別に関連付けられた制御対象機器の種別と制御目標値を含む制御情報を記憶部４２から取得する。また、演算処理部４５は、スコアが閾値以上である前兆が複数種類あるとき、最も高いスコアの前兆の種別に関連付けられた制御対象機器の種別と制御目標値を含む制御情報を記憶部４２から取得する。演算処理部４５は、取得した制御対象機器の種別と制御目標値を含む制御情報を演算装置４０の出力情報として処理装置３０へ通信部４１から出力する。
学習処理部４７は、処理装置３０から出力される学習用データに基づいて、上述した画像用計算モデルを生成および更新することができる。学習処理部４７は、生成または更新した画像用計算モデルを記憶部４２に記憶する。
例えば、画像用計算モデルが畳み込みニューラルネットワークを含む場合、学習処理部４７は、学習用データに含まれる画像データと制御対象データに基づいて、畳み込みニューラルネットワークの最適化を行うことで、画像用計算モデルを生成したり更新したりすることができる。
また、画像用計算モデルがリカレントニューラルネットワークを含む場合、学習処理部４７は、時系列の画像データを含む学習用データに基づいて、リカレントニューラルネットワークの最適化を行うことで、画像用計算モデルを生成したり更新したりすることができる。
演算装置４０におけるニューラルネットワークは、人工ニューラルネットワークである。人工ニューラルネットワークは、入力信号の重み付き和を取り、活性化関数と呼ばれる非線形関数を適用して出力とするパーセプトロンを階層的に配置した計算モデルである。パーセプトロンの出力ｏｕｔは、入力をＸ＝（ｘ１，ｘ２，・・・，ｘｎ）、重みをＷ＝（ｗ１，ｗ２，・・・，ｗｎ）、活性化関数をｆ（・）とし、かつ、＊をベクトルの要素積として以下の式（１）により表すことができる。
ｏｕｔ＝ｆ（Ｘ＊Ｗ）・・・（１）
畳み込みニューラルネットワークにおいて、パーセプトロンは画像に対応する２次元信号を入力にとり、入力の重み付き和を計算して次の層に渡す。活性化関数には、シグモイド関数またはＲｅＬＵ（Rectified Linear Unit）関数が用いられる。
人工ニューラルネットワークには、上述のパーセプトロンが階層的に配置されており、各層が入力信号を処理していくことで、識別結果が計算される。なお、最終層は、例えば、人工ニューラルネットワークにおけるタスクの種別が回帰タスクであれば活性化関数の出力をそのままタスクの出力とし、タスクの種別が分類タスクであれば最終層についてソフトマックス関数を適用し、タスクの出力とする。
畳み込みニューラルネットワークの場合、２次元信号のマップとして人工ネットワークが構成される。２次元信号の各々がパーセプトロンに対応するとみなすことができ、前層の特徴マップに対し重み付き和を計算して活性化関数を適用した結果を出力する。
畳み込みニューラルネットワークにおいて、上述の処理は畳み込み演算と呼ばれ、このほかにプーリング処理を行うプーリング層が各層に挿入される場合がある。このプーリング層は、特徴マップに対して平均値演算または最大値演算を行うことによりダウンサンプリングを行う。
このような人工ニューラルネットワークの学習は、誤差逆伝播により行われるものであり、例えば、公知の確率的勾配降下法が用いられる。誤差逆伝播とは、人工ニューラルネットワークの出力誤差を最終層から順に前の層に向かって伝播させ、重みを更新させていく枠組みのことである。
次に、図２に示す制御装置５０について説明する。制御装置５０は、ブロワ１４およびポンプ１５などを制御することで、水処理装置１０を制御することができる。例えば、制御装置５０は、ブロワ１４を制御して活性汚泥混合液中に送り込む空気の量を調整することで、活性汚泥混合液中の溶在酸素濃度を制御することができる。また、制御装置５０は、ポンプ１５を制御することで、最終沈殿槽１３から処理槽１２に返送する活性汚泥の流量を調整する。
図７は、実施の形態１にかかる制御装置の構成例を示す図である。図７に示すように、制御装置５０は、通信部５１と、記憶部５２と、制御部５３と、入出力部５４とを備える。通信部５１は、通信ネットワーク６４に接続される。制御部５３は、通信部５１および通信ネットワーク６４を介し、処理装置３０との間でデータの送受信を行うことができる。
制御部５３は、入力処理部５５と、ブロワ制御部５６と、ポンプ制御部５７とを備える。入力処理部５５は、通信部５１を介して、処理装置３０から出力される制御情報を取得し、取得した制御情報を記憶部５２に記憶する。記憶部５２に記憶される制御情報は、ブロワ１４の制御目標値と、ポンプ１５の制御目標値とを含む。
ブロワ制御部５６は、記憶部５２に記憶されているブロワ１４の制御目標値を読み出す。また、ブロワ制御部５６は、溶存酸素量センサ２３１で検出される溶存酸素量を示す数値データを記憶装置６１または溶存酸素量センサ２３１から取得する。ブロワ制御部５６は、ブロワ１４の制御目標値と取得した溶存酸素量とに基づいて、ＰＩ（Proportional Integral）制御またはＰＩＤ（Proportional Integral Differential）制御によって制御信号を生成する。ブロワ制御部５６は、生成した制御信号を入出力部５４からブロワ１４へ出力する。ブロワ１４は、制御装置５０の入出力部５４から出力される制御信号に基づいて、処理槽１２へ送り込む空気の量を調整する。
ポンプ制御部５７は、記憶部５２に記憶されているポンプ１５の制御目標値を読み出す。また、ポンプ制御部５７は、入出力部５４を介して不図示のセンサから、最終沈殿槽１３から処理槽１２への活性汚泥の流量を示す数値データを取得する。ポンプ制御部５７は、ポンプ１５の制御目標値と取得した活性汚泥の流量とに基づいて、ＰＩ制御またはＰＩＤ制御によって制御信号を生成する。ポンプ制御部５７は、生成した制御信号を入出力部５４からポンプ１５へ出力する。ポンプ１５は、制御装置５０の入出力部５４から出力される制御信号に基づいて、最終沈殿槽１３から処理槽１２への活性汚泥の流量を調整する。
つづいて、水処理プラント１の動作を、フローチャートを用いて説明する。図８は、実施の形態１にかかる処理装置の処理の一例を示すフローチャートであり、処理装置３０の制御部３３によって繰り返し実行される。
図８に示すように、処理装置３０の制御部３３は、オペレータから選択条件の切替操作を受け付けたか否かを判定する（ステップＳ１０）。制御部３３は、選択条件の切替操作を受け付けたと判定した場合（ステップＳ１０：Ｙｅｓ）、記憶部３２に記憶されている選択条件を切替操作に応じた選択条件に変更することで、選択条件を切り替える（ステップＳ１１）。
制御部３３は、ステップＳ１１の処理が終了した場合、または選択条件の切替操作を受け付けていないと判定した場合（ステップＳ１０：Ｎｏ）、オペレータから画像データの選択を受け付けたか否かを判定する（ステップＳ１２）。制御部３３は、画像データの選択を受け付けたと判定した場合（ステップＳ１２：Ｙｅｓ）、選択された画像データを含む学習用データを演算装置４０へ出力する（ステップＳ１３）。
制御部３３は、ステップＳ１３の処理が終了した場合、または画像データの選択を受け付けていないと判定した場合（ステップＳ１２：Ｎｏ）、検出データを取得したか否かを判定する（ステップＳ１４）。制御部３３は、検出データを取得したと判定した場合（ステップＳ１４：Ｙｅｓ）、動作モードが自動切替モードであるか否かを判定する（ステップＳ１５）。
制御部３３は、動作モードが自動切替モードであると判定した場合（ステップＳ１５：Ｙｅｓ）、自動切替処理を行う（ステップＳ１６）。ステップＳ１６において、制御部３３は、センサ用計算モデルが選択条件に設定されている状態で、第１切替条件を満たすと判定した場合、画像用計算モデルを選択条件に設定する。また、制御部３３は、画像用計算モデルが選択条件に設定されている状態で、第２切替条件を満たすと判定した場合、センサ用計算モデルを選択条件に設定する。
制御部３３は、ステップＳ１６の処理が終了した場合、または動作モードが自動切替モードではないと判定した場合（ステップＳ１５：Ｎｏ）、選択条件に対応する検出データを記憶装置６１から取得し、取得した検出データを演算装置４０へ出力する（ステップＳ１７）。ステップＳ１７において、選択条件に対応する検出データは、例えば、設定されている選択条件が画像用計算モデルである場合、画像データである。また、選択条件に対応する検出データは、設定されている選択条件がセンサ用計算モデルである場合、数値データである。
次に、制御部３３は、ステップＳ１７に応答して演算装置４０から出力される出力情報を取得し（ステップＳ１８）、取得した出力情報を制御装置５０へ出力する（ステップＳ１９）。かかる出力情報には、上述したように制御情報が含まれる。制御部３３は、ステップＳ１９の処理が終了した場合、または検出データを取得していないと判定した場合（ステップＳ１４：Ｎｏ）、図８に示す処理を終了する。
図９は、実施の形態１にかかる演算装置の処理の一例を示すフローチャートであり、演算装置４０の制御部４３によって繰り返し実行される。
図９に示すように、演算装置４０の制御部４３は、処理装置３０から検出データを取得したか否かを判定する（ステップＳ２０）。制御部４３は、検出データを取得したと判定した場合（ステップＳ２０：Ｙｅｓ）、取得した検出データを計算モデルの入力として、計算モデルを用いた演算処理を実行し（ステップＳ２１）、計算モデルの出力情報を処理装置３０へ送信する（ステップＳ２２）。
制御部４３は、ステップＳ２２の処理が終了した場合、または検出データを取得していないと判定した場合（ステップＳ２０：Ｎｏ）、学習用データを処理装置３０から取得したか否かを判定する（ステップＳ２３）。制御部４３は、学習用データを処理装置３０から取得したと判定した場合（ステップＳ２３：Ｙｅｓ）、学習用データを用いて計算モデルの学習処理を実行する（ステップＳ２４）。
制御部４３は、ステップＳ２４の処理が終了した場合、または学習用データを取得していないと判定した場合（ステップＳ２３：Ｎｏ）、図９に示す処理を終了する。
図１０は、実施の形態１にかかる制御装置の処理の一例を示すフローチャートであり、制御装置５０の制御部５３によって繰り返し実行される。
図１０に示すように、制御装置５０の制御部５３は、処理装置３０から制御情報を取得したか否かを判定する（ステップＳ３０）。制御部５３は、制御情報を取得したと判定した場合（ステップＳ３０：Ｙｅｓ）、取得した制御情報に基づいて制御対象機器を制御する（ステップＳ３１）。制御部５３は、ステップＳ３１の処理が終了した場合、または制御情報を取得していないと判定した場合（ステップＳ３０：Ｎｏ）、図１０に示す処理を終了する。
図１１は、実施の形態１にかかる処理装置のハードウェア構成の一例を示す図である。図１１に示すように、処理装置３０は、プロセッサ１０１と、メモリ１０２と、インタフェイス回路１０３とを備えるコンピュータを含む。
プロセッサ１０１、メモリ１０２およびインタフェイス回路１０３は、バス１０４によって互いにデータの送受信が可能である。通信部３１は、インタフェイス回路１０３によって実現される。記憶部３２は、メモリ１０２によって実現される。プロセッサ１０１は、メモリ１０２に記憶されたプログラムを読み出して実行することによって、データ処理部３４、表示処理部３５、演算要求部３６、受付処理部３７、および切替部３８の機能を実行する。プロセッサ１０１は、処理回路の一例であり、ＣＰＵ（Central Processing Unit）、ＤＳＰ（Digital Signal Processer）、およびシステムＬＳＩ（Large Scale Integration）のうち一つ以上を含む。
メモリ１０２は、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ、およびＥＰＲＯＭ（Erasable Programmable Read Only Memory）のうち一つ以上を含む。また、メモリ１０２は、コンピュータが読み取り可能な上述のプログラムが記録された記録媒体を含む。かかる記録媒体は、不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルメモリ、光ディスク、コンパクトディスク、およびＤＶＤのうち一つ以上を含む。
また、処理装置３０の制御部３３が専用のハードウェアで実現される場合、制御部３３は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）、またはこれらを組み合わせたものである。
また、演算装置４０も図１１に示すハードウェア構成と同様のハードウェア構成を有する。通信部４１は、インタフェイス回路１０３によって実現される。記憶部４２は、メモリ１０２によって実現される。プロセッサ１０１は、メモリ１０２に記憶されたプログラムを読み出して実行することによって、取得処理部４４、演算処理部４５、出力処理部４６、および学習処理部４７の機能を実行する。なお、制御部４３が専用のハードウェアで実現される場合、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、またはこれらを組み合わせたものである。
また、制御装置５０も図１１に示すハードウェア構成と同様のハードウェア構成を有する。通信部５１および入出力部５４は、インタフェイス回路１０３によって実現される。記憶部５２は、メモリ１０２によって実現される。プロセッサ１０１は、メモリ１０２に記憶されたプログラムを読み出して実行することによって、入力処理部５５、ブロワ制御部５６、およびポンプ制御部５７の機能を実行する。なお、制御部５３が専用のハードウェアで実現される場合、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、またはこれらを組み合わせたものである。
上述した例では、演算装置４０から出力された情報は、処理装置３０から制御装置５０へ出力されるが、処理装置３０を介さずに演算装置４０から出力された情報を制御装置５０へ直接入力させる構成であってもよい。
また、画像用計算モデルは、リカレントニューラルネットワークで構成される場合、水処理装置１０において槽内が将来的に好ましくない状態になる前兆が生じているか否かの程度を示すスコアである前兆スコアの情報を前兆の種別毎に処理装置３０へ出力することができる。この場合、処理装置３０の表示処理部３５は、取得した前兆の種別毎の前兆スコアを表示装置６２に表示することができる。
また、上述した例では、画像用計算モデルの例として、画像データのみを入力データとする計算モデルを説明したが、画像用計算モデルは、画像データに加え数値データまたはその他のデータを入力データとする計算モデルであってもよい。
また、上述では、画像用計算モデルの一例として、複数の画像データを入力とし複数の制御目標値を出力とする畳み込みニューラルネットワークについて説明したが、画像用計算モデルは、上述した例に限定されない。例えば、画像用計算モデルとして制御目標値毎に畳み込みニューラルネットワークを設けることもできる。画像用計算モデルとして撮像装置２０毎に畳み込みニューラルネットワークを設けることもできる。また、画像用計算モデルとして撮像装置２０毎かつ制御対象機器毎に畳み込みニューラルネットワークを設けることもできる。
また、上述した例では、画像用計算モデルは、リカレントニューラルネットワークのみで構成される場合、制御対象機器の種別と制御目標値とが互いに関連付けられた情報である制御情報が前兆の種別毎に記憶されているが、かかる例に限定されない。例えば、演算装置４０は、記憶装置６１に記憶された時系列の画像データと時系列の制御目標値に基づいて機械学習を行ってリカレントニューラルネットワークの生成または更新をすることもできる。この場合、リカレントニューラルネットワークは、時系列の画像データから制御目標値を出力する。これにより、例えば、水処理プラント１において、槽内が将来的に好ましくない状態になる複数の前兆のうちオペレータによってまだ認識されていない前兆が生じている場合にも、効果的な水処理を行うことができる。
また、上述した例では、演算装置４０を利用して制御される制御対象機器の例として、ブロワ１４およびポンプ１５を説明したが、演算装置４０を利用して制御される制御対象機器は、ブロワ１４およびポンプ１５以外の機器を含んでもよい。
以上のように、実施の形態１にかかる水処理プラント１は、水処理を行う水処理装置１０と、撮像装置２０と、処理装置３０と、演算装置４０と、制御装置５０とを備える。撮像装置２０は、水処理装置１０の水処理環境を撮像し、撮像して得られる画像データを出力する。処理装置３０は、機械学習によって生成される１以上の計算モデルを用いた演算を行う演算装置４０に、撮像装置２０から出力される画像データを１以上の計算モデルの入力データとして演算を実行させる。制御装置５０は、演算の実行によって演算装置４０から出力される出力情報に基づいて、水処理装置１０を制御する。そのため、水処理プラント１では、例えば、水処理装置１０の水処理環境の画像に基づいて水処理プラント１のオペレータが過去の経験または知識に基づいて行っていた水処理制御を、演算装置４０を用いて行うことができる。したがって、水処理環境の変化に対してより効果的な水処理制御を行うことができる。
また、１以上の計算モデルは、画像データを入力データとする畳み込みニューラルネットワークを含む。処理装置３０は、畳み込みニューラルネットワークを用いた演算を演算装置４０に実行させる。畳み込みニューラルネットワークは、画像用計算モデルの一例である。このように、画像データを入力データとする畳み込みニューラルネットワークを準備し、撮像装置２０から出力される画像データに対して畳み込みニューラルネットワークを用いた演算を演算装置４０に実行させることで、水処理装置１０を精度よく制御することができる。
また、水処理プラント１は、水処理装置１０の水処理環境を示す特性を検出し、検出した特性の数値データを出力するセンサを備える。演算装置４０は、センサから出力される数値データを入力データとするセンサ用ニューラルネットワークを含む。センサ用ニューラルネットワークは、上述したセンサ用計算モデルの一例である。処理装置３０は、センサ用ニューラルネットワークを用いた演算を演算装置４０に実行させる。このように、水処理装置１０の水処理環境を示す特性をセンサ２で検出し、検出した特性の数値データをセンサ２から出力し、センサ２から出力される数値データを入力データとするセンサ用ニューラルネットワークを準備し、センサ２から出力される数値データに対しセンサ用ニューラルネットワークを用いた演算を演算装置４０に実行させることで、センサによる検出結果を用いて水処理装置１０を制御することができる。
また、処理装置３０は、畳み込みニューラルネットワークの使用とセンサ用ニューラルネットワークの使用とを切り替えて演算装置４０に演算を実行させる切替部３８を備える。これにより、例えば、撮像装置２０で撮像された画像を用いた水処理制御とセンサによる検出結果を用いた水処理制御とを状況に応じて切り替えることで、水処理装置１０を精度よく制御することができる。
また、処理装置３０は、撮像装置２０によって撮像された複数の画像データの中から１以上の画像データの選択を受け付ける受付処理部３７を備える。演算装置４０は、受付処理部３７によって受け付けられた１以上の画像データに基づいて、１以上の計算モデルの機械学習を実行する。これにより、例えば、演算装置４０が有する計算モデルを更新することができ、水処理装置１０を精度よく制御することができる。
また、制御装置５０は、水処理装置１０に設けられた制御対象機器を比例積分制御または比例積分微分制御によって制御する。これにより、水処理装置１０を精度よく制御することができる。
また、水処理装置１０は、制御装置５０の制御対象となる制御対象機器を備える。処理装置３０は、演算装置４０に演算を実行させて制御対象機器の制御目標値ＲＶ１，ＲＶ２を生成させる。制御装置５０は、処理装置３０が生成させた制御目標値ＲＶ１，ＲＶ２を出力情報として水処理装置１０を制御する。これにより、水処理装置１０に設けられた制御対象機器を精度よく制御することができる。
以上の実施の形態に示した構成は、本発明の内容の一例を示すものであり、別の公知の技術と組み合わせることも可能であるし、本発明の要旨を逸脱しない範囲で、構成の一部を省略、変更することも可能である。
１ 水処理プラント、１０ 水処理装置、１１ 最初沈殿槽、１２ 処理槽、１３ 最終沈殿槽、１４ ブロワ、１５ ポンプ、２０，２０１，２０２，２０３ 撮像装置、２１，２１１，２１２，２１３ センサ群、２２１ 流量センサ、２２２ ＢＯＤセンサ、２２３ 水温センサ、２２４ ＮＨ３センサ、２３１ 溶存酸素量センサ、２３２ 活性微生物濃度センサ、２３３ ＢＯＤセンサ、２４１ 流量センサ、２４２ ＢＯＤセンサ、２４３ 全窒素濃度センサ、３０ 処理装置、３１，４１，５１ 通信部、３２，４２，５２ 記憶部、３３，４３，５３ 制御部、３４ データ処理部、３５ 表示処理部、３６ 演算要求部、３７ 受付処理部、３８ 切替部、４０ 演算装置、４４ 取得処理部、４５ 演算処理部、４６ 出力処理部、４７ 学習処理部、５０ 制御装置、５４ 入出力部、５５ 入力処理部、５６ ブロワ制御部、５７ ポンプ制御部、６１ 記憶装置、６２ 表示装置、６３ 入力装置、６４ 通信ネットワーク。

Claims (10)

  1. 水処理装置を用いて水処理を行う水処理プラントにおいて、
    前記水処理装置の水処理環境を撮像し、撮像して得られる画像データを出力する撮像装置と、
    前記水処理装置の水処理環境を示す特性を検出し、検出した特性の数値データを出力するセンサと、
    畳み込みニューラルネットワークおよび前記畳み込みニューラルネットワークとは異なるセンサ用ニューラルネットワークを含む１以上の計算モデルを用いた演算を行う演算装置に、前記撮像装置から出力される前記画像データを前記畳み込みニューラルネットワークの入力データとして前記演算を実行させ、前記センサから出力される前記数値データを前記センサ用ニューラルネットワークの入力データとして前記演算を実行させる処理装置と、
    前記演算の実行によって前記演算装置から出力される出力情報に基づいて、前記水処理装置を制御する制御装置と、
    を備え、
    前記処理装置は、
    前記畳み込みニューラルネットワークの使用と前記センサ用ニューラルネットワークの使用とを切り替えて前記演算装置に前記演算を実行させる切替部を備える
    ことを特徴とする水処理プラント。
  2. 前記処理装置は、
    前記撮像装置によって撮像された複数の画像データの中から１以上の画像データの選択を受け付ける受付処理部を備え、
    前記演算装置は、
    前記受付処理部が受け付けた前記１以上の画像データに基づいて、前記１以上の計算モデルの機械学習を実行する
    ことを特徴とする請求項１に記載の水処理プラント。
  3. 前記制御装置は、
    前記水処理装置に設けられた制御対象機器を比例積分制御または比例積分微分制御によって制御する
    ことを特徴とする請求項１または２に記載の水処理プラント。
  4. 前記演算装置は、ＡＩである
    ことを特徴とする請求項１から３のいずれか一つに記載の水処理プラント。
  5. 前記水処理装置は、前記制御装置の制御対象となる制御対象機器を備え、
    前記処理装置は、前記演算装置に前記演算を実行させて前記制御対象機器の制御目標値を生成させ、
    前記制御装置は、前記処理装置が生成させた前記制御目標値を前記出力情報として前記水処理装置を制御する
    ことを特徴とする請求項１から４のいずれか一つに記載の水処理プラント。
  6. 水処理装置を用いて水処理を行う水処理プラントの運転方法において、
    前記水処理装置の水処理環境を撮像し、撮像して得られる画像データを出力する撮像ステップと、
    前記水処理装置の水処理環境を示す特性をセンサで検出し、検出した特性の数値データを出力する数値データ出力ステップと、
    畳み込みニューラルネットワークおよび前記畳み込みニューラルネットワークとは異なるセンサ用ニューラルネットワークを含む１以上の計算モデルを用いた演算を行う演算装置に、前記撮像ステップで出力された前記画像データを前記畳み込みニューラルネットワークの入力データとして前記演算を実行させ、前記センサから出力される前記数値データを前記センサ用ニューラルネットワークの入力データとして前記演算を実行させる処理ステップと、
    前記演算の実行によって前記演算装置から出力される出力情報に基づいて、前記水処理装置を制御する制御ステップと、
    前記演算装置が使用する前記畳み込みニューラルネットワークと前記センサ用ニューラルネットワークとを切り替えて前記演算装置に前記演算を実行させる切替ステップと、
    を含むことを特徴とする水処理プラントの運転方法。
  7. 前記撮像ステップで撮像された複数の画像データの中から１以上の画像データの選択を受け付ける選択ステップと、
    前記選択ステップで選択された前記１以上の画像データに基づいて、前記１以上の計算モデルの機械学習を実行する機械学習実行ステップと
    を含むことを特徴とする請求項６に記載の水処理プラントの運転方法。
  8. 前記制御ステップでは、
    前記水処理装置に設けられた制御対象機器を比例積分制御または比例積分微分制御によって制御する
    ことを特徴とする請求項６または７に記載の水処理プラントの運転方法。
  9. 前記演算装置としてＡＩを準備するＡＩ準備ステップ
    を含むことを特徴とする請求項６から８のいずれか一つに記載の水処理プラントの運転方法。
  10. 前記水処理装置は、制御対象となる制御対象機器を備えており、
    前記演算の実行によって前記演算装置から出力される出力情報として前記制御対象機器の制御目標値を生成させる制御目標値生成ステップと、
    前記制御目標値生成ステップで生成させた前記制御目標値を前記出力情報として前記水処理装置を制御する制御目標値制御ステップと
    を含むことを特徴とする請求項６から９のいずれか一つに記載の水処理プラントの運転方法。
JP2019504146A 2018-07-26 2018-07-26 水処理プラントおよび水処理プラントの運転方法 Active JP6541913B1 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/028153 WO2020021689A1 (ja) 2018-07-26 2018-07-26 水処理プラントおよび水処理プラントの運転方法

Publications (2)

Publication Number Publication Date
JP6541913B1 true JP6541913B1 (ja) 2019-07-10
JPWO2020021689A1 JPWO2020021689A1 (ja) 2020-08-06

Family

ID=67212133

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019504146A Active JP6541913B1 (ja) 2018-07-26 2018-07-26 水処理プラントおよび水処理プラントの運転方法

Country Status (6)

Country Link
US (1) US20210133575A1 (ja)
JP (1) JP6541913B1 (ja)
KR (1) KR20210021387A (ja)
CN (1) CN112424126B (ja)
SG (1) SG11202012657RA (ja)
WO (1) WO2020021689A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021163207A (ja) * 2020-03-31 2021-10-11 月島機械株式会社 制御装置、制御方法、及びプログラム

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06304546A (ja) * 1993-04-21 1994-11-01 Hitachi Ltd 上水道プラントの運用制御装置
JPH0852459A (ja) * 1994-08-11 1996-02-27 Toshiba Corp 下水処理プロセス制御装置
JP2013161336A (ja) * 2012-02-07 2013-08-19 Metawater Co Ltd 監視対象量予測方法及び監視対象量予測装置
JP2013185320A (ja) * 2012-03-06 2013-09-19 Toshiba Corp ポンプ運転計画支援装置及び水処理システム
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
JP2017142595A (ja) * 2016-02-09 2017-08-17 ファナック株式会社 生産制御システムおよび統合生産制御システム

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100456413B1 (ko) * 2002-06-21 2004-11-10 에치투엘 주식회사 신경회로망 및 역전파 알고리즘에 의한 하폐수처리인공지능제어 시스템 및 방법
JP2005242524A (ja) * 2004-02-25 2005-09-08 Ebara Corp 処理プラント設備の運転制御方法及び運転制御装置
JP5184824B2 (ja) * 2007-06-15 2013-04-17 キヤノン株式会社 演算処理装置及び方法
CN101369135B (zh) * 2007-08-14 2010-11-10 上海大地自动化系统工程有限公司 污水处理智能管理系统
JP6431363B2 (ja) * 2014-12-25 2018-11-28 川崎重工業株式会社 水処理システムおよびその曝気風量制御方法
JP6562883B2 (ja) * 2016-09-20 2019-08-21 株式会社東芝 特性値推定装置および特性値推定方法
CN107741738A (zh) * 2017-10-20 2018-02-27 重庆华绿环保科技发展有限责任公司 一种污水处理过程监控智能预警云系统及污水处理监测预警方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06304546A (ja) * 1993-04-21 1994-11-01 Hitachi Ltd 上水道プラントの運用制御装置
JPH0852459A (ja) * 1994-08-11 1996-02-27 Toshiba Corp 下水処理プロセス制御装置
JP2013161336A (ja) * 2012-02-07 2013-08-19 Metawater Co Ltd 監視対象量予測方法及び監視対象量予測装置
JP2013185320A (ja) * 2012-03-06 2013-09-19 Toshiba Corp ポンプ運転計画支援装置及び水処理システム
JP2017142595A (ja) * 2016-02-09 2017-08-17 ファナック株式会社 生産制御システムおよび統合生産制御システム
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吉倉 大智: "機械学習による水処理施設の運転制御", 電気学会研究会資料, JPN6019005542, 2 June 2018 (2018-06-02), JP, pages 5 - 8, ISSN: 0003980456 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021163207A (ja) * 2020-03-31 2021-10-11 月島機械株式会社 制御装置、制御方法、及びプログラム

Also Published As

Publication number Publication date
CN112424126A (zh) 2021-02-26
CN112424126B (zh) 2022-12-27
KR20210021387A (ko) 2021-02-25
SG11202012657RA (en) 2021-02-25
JPWO2020021689A1 (ja) 2020-08-06
WO2020021689A1 (ja) 2020-01-30
US20210133575A1 (en) 2021-05-06

Similar Documents

Publication Publication Date Title
Bagheri et al. Modeling and optimization of activated sludge bulking for a real wastewater treatment plant using hybrid artificial neural networks-genetic algorithm approach
JP6764487B2 (ja) 水処理プラントおよび水処理プラントの運転方法
Yang et al. Fuzzy model-based predictive control of dissolved oxygen in activated sludge processes
KR100456413B1 (ko) 신경회로망 및 역전파 알고리즘에 의한 하폐수처리인공지능제어 시스템 및 방법
JP2533942B2 (ja) 知識抽出方法およびプロセス運転支援システム
Kovacs et al. Membrane fouling prediction and uncertainty analysis using machine learning: A wastewater treatment plant case study
Souza et al. A multilayer-perceptron based method for variable selection in soft sensor design
CN115108617B (zh) 混凝加药方法及系统
US11649183B2 (en) Water treatment plant
JP6541913B1 (ja) 水処理プラントおよび水処理プラントの運転方法
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
Alharbi et al. Sliding window neural network based sensing of bacteria in wastewater treatment plants
JP4146610B2 (ja) 濁度予測システム、濁度制御システムおよび濁度管理システム
Wang et al. Predictive modeling based on artificial neural networks for membrane fouling in a large pilot-scale anaerobic membrane bioreactor for treating real municipal wastewater
JP2021140523A (ja) 汚水処理施設の運転操作量導出装置及び運転操作量導出方法
RU2758854C1 (ru) Способ определения концентрации веществ в системе биологической очистки сточных вод
JPH0852459A (ja) 下水処理プロセス制御装置
JP4327013B2 (ja) プラントワイド最適プロセス制御装置
JP2022039126A (ja) 水処理施設の運転支援装置及び運転支援方法
JP2021137748A (ja) 水処理施設の運転支援装置
JPH06335694A (ja) 排水の生物学的処理装置の制御装置
TWI813437B (zh) 水處理控制系統及水處理裝置之控制方法
JP2010088988A (ja) 曝気槽制御方法および装置
JP2022146606A (ja) 解析装置、解析方法及びプログラム
Beltrán et al. On-line estimation of suspended solids in biological reactors of WWTPs using a Kalman observer

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190125

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190125

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20190125

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20190206

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20190226

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190424

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: 20190514

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190611

R150 Certificate of patent or registration of utility model

Ref document number: 6541913

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250