JP6693902B2

JP6693902B2 - 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

Info

Publication number: JP6693902B2
Application number: JP2017056064A
Authority: JP
Inventors: 岳志山川; 築井　良治; 良治築井
Original assignee: Swing Corp
Current assignee: Swing Corp
Priority date: 2017-03-22
Filing date: 2017-03-22
Publication date: 2020-05-13
Anticipated expiration: 2037-03-22
Also published as: JP2018158284A

Description

本発明は、機械学習アルゴリズムを用いて水処理や汚泥処理における予測値を取得するためのモデルを構築する際に用いて好適な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に関するものである。

近年、コンピュータ計算能力の飛躍的向上や通信インフラ環境の整備、解析アルゴリズムの進化によって、第３次の人工知能ブームとなっている。通信インフラ環境の整備によって、大量のデータを容易に取得することが可能となり、これまでの人工知能ブームとは異なって、実社会での活用期待が高まっている。

機械学習／人工知能は、様々な分野への適用が期待されており、水処理／汚泥処理分野でも、その活用方法の模索がなされている。機械学習／人工知能の水処理／汚泥処理分野での活用方法の一つに、未知の環境、例えば、時間的に将来における目的変数の予測が挙げられる。未知の環境における目的変数の予測方法の一つに、解析的なアプローチがあり、これは物理現象を理論的に解析し、それを方程式化するものである。一方で、機械学習／人工知能による未知の環境における目的変数の予測は、入力と出力間の自然法則に則った理論的な関係の解析を行わないままに、入力と出力間の相関関係を統計的に分析し、関係式の例として回帰式を作成するものである。

水処理／汚泥処理分野では、起きている現象を理論的に解析することが難しい場合もあり、理論的な背景を解明しないままに、入力から出力を予測することができる機械学習／人工知能は、有効に活用できる局面が多くあることが予想される。

人工知能ブーム自体は前記の通り、今回で３度目のブームを迎えている。１９８０年代後半に起きた第二次人工知能ブームの主役アルゴリズムは、ニューラルネットワークだった。第一次人工知能ブームの際には、入力層と出力層のみで構成されていたパーセプトロンに隠れ層を追加することと、「誤差逆伝播法」と呼ばれる学習方法の確立によって、第二次の人工知能ブームとなった。結局、第二次人工知能ブームは廃れることとなるが、課題によっては満足な予測精度を得られなかったことが要因の一つだったと言われている。今回の第三次の人工知能ブームは、ニューラルネットワークの隠れ層を多層化したDeep Learning（深層学習）が主役であり、学習アルゴリズムの進歩などによって、適用する課題によっては高い精度を発揮できるようになったことがブームの一因である。本明細書では、入力層と一層の隠れ層と出力層の三層のみで構成されるものをニューラルネットワーク、隠れ層が二層以上のものをDeep Learningとして区別して扱うこととする。また、人工知能と機械学習では、人工知能の方がより広い概念であり、人工知能を作成するための手段の一つとして機械学習がある。

特開２００９−６７２号公報特開２０１３−９４６８６号公報特開平６−３２８０９２号公報

水処理／汚泥処理分野でも、機械学習／人工知能の活用には前記のような利点がある。機械学習／人工知能で入力から出力を得るモデルを作成する際に重要なことは、学習データに対してのみ高い精度を与える過学習（オーバーフィッティング）を避けることである。ここで、学習データは教師データ・トレーニングデータと同義である。機械学習／人工知能に求められるのは、学習データ以外のデータ（テストデータ）に対して高い予測精度を得られることであり、過学習を避ける方法の一つに十分に大量の学習データを用意することが挙げられる。Deep Learningによって再び注目を集めることとなった人工知能だが、その要因の一つは予測精度の高さにあり、それには通信インフラ環境の整備等によって、大量のデータを容易に集めることが可能になったことも大きく貢献している。

つまり、再び注目されるようになった機械学習／人工知能で、実用レベルのモデルを構築するには、大量のデータを有するデータベースの構築が必要不可欠であると言える。Deep Learningを例に取ると、ニューラルネットワークの隠れ層を多層化したため、最適化する必要のあるパラメータが増えており、学習データが少ないと過学習を起こす可能性がある。したがって、大量のデータを有するデータベースの必要性は、第二次人工知能ブーム時代には見られなかった新たな課題であると言える。

しかし、今般の機械学習／人工知能への注目度の再度の高まりや通信インフラ環境の充実度の高まりは、近年のことであるため、今般の機械学習／人工知能の活用を想定してこなかった水処理／汚泥処理分野では、モデル構築に必要なデータを取っていない、あるいは、取っているが頻度が著しく低い（例えば、１回／日）、モデル構築に必要なデータの種類は十分で頻度も十分だが、データを貯め始めて日が浅いため、データセット数が足りないなど、現状のままでは、機械学習／人工知能で精度の高い回帰式を作成することが不可能な場合が多く見受けられる。

さらに、データから予測式（＝回帰式）を作成するという観点から、従来発明の問題点を下記する。
特許文献１では、浄水場における凝集剤の注入率を決定するために、原水を分岐して凝集分析装置に導入して、装置内でジャーテストを行い、凝集剤注入率と集塊化開始時間の相関を求めている。この発明では、出力変数：凝集剤注入率に対する入力変数は、集塊化開始時間の一つのみであり、このような単回帰の場合は、少ないデータ数で回帰式を作成することが可能である。その一方で、凝集に大きな影響を与える原水ｐＨや原水アルカリ度等の影響を考慮することはできないというデメリットがある。また、この発明は、背景技術（その段落「００１１」）に記載される通り、大量のデータを有するデータベースの作成を必要としない方法を提供することを目的とされており、機械学習／人工知能の適用を考えた発明ではない。

特許文献２では、浄水場における最適な凝集剤の注入率を決定するために、原水水質を測定し、凝集剤注入率を目的変数とする重回帰分析を実施することが記載されている。その際に、過去の水質データと凝集剤注入率はデータベースに蓄積されることが示されている。しかし、この発明には二つの課題がある。一つ目は機械学習アルゴリズムが重回帰分析であることである。重回帰分析は説明変数間に共線性（相関）がある場合には、得られる回帰式が安定しないことが一般的に知られている。また、重回帰分析は線形回帰手法であることから、説明変数群と目的変数間に非線形の関係があった場合には、精度の良い回帰式を得ることができないという問題がある。さらに、この発明では、重回帰分析を行うための十分なデータを貯めるために多くの時間を要するという課題がある。実プラントでデータを蓄積しながら回帰式を更新していくため、例えば新設の設備ではデータベース自体が存在しないため、供用開始当初には制御することができない問題点を抱えている。

特許文献３では、実プラントを用いてニューラルネットの教師データ（学習データ）を蓄積する方法が開示されている。しかし、この発明も、実プラントを用いているため、データを集積するために時間が掛かる点や新設プラントの稼働時には、そもそもデータが無いため、制御できない問題点を有する。さらに、機械学習アルゴリズムも隠れ層が１層のニューラルネットであるため、その精度に課題があることは前記の通りである。

本発明は上述の点に鑑みてなされたものであり、その目的は、機械学習アルゴリズムを用いて水処理又は汚泥処理における任意の予測値を取得するためのモデルを構築する際に用いるデータベースとして、精度の高い出力を返すことができるモデルを短期間に構築することができる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を提供することにある。

本発明は、機械学習アルゴリズムを用いて、水処理又は汚泥処理における任意の予測値を取得するためのモデルを構築する際に用いる学習データ用のデータベースの製造方法であって、実原水あるいは実汚泥を用いた回分試験又はパイロット試験によって、目的変数と説明変数の一対の組からなるデータセットを取得する工程を、当該データセット数が学習データの外挿範囲を低減するのに必要な数になるまで複数回行なって、当該複数のデータセットからなる学習データ用のデータベースを、前記モデル構築前に事前に取得することを特徴としている。
即ち、本発明では、実際の原水や汚泥を用いた回分試験、あるいは、実際のプラントの近傍等に設置されて実際の原水や汚泥を用いて運転するパイロットプラントによるパイロット試験により、事前にデータベース構築用のデータを取得する。
ここで上記予測値を取得しようとする予測対象には、プロセスにおいて重要なパラメータを選ぶことができる。水処理システムであれば、凝集剤の注入率、汚泥処理プロセスであれば、メタンガスの発生量等である。予測対象は、プロセスにおいて予め知ることに価値のあるパラメータであれば何でもよく、対象プロセスあるいは予測目的等に応じて、その都度自由に設定することができる。
本発明を用いれば、回分試験やパイロット試験によって、多くの設定を試行することができ、且つ、実プラントでデータを蓄積することに比べ、短時間で、且つ、大量にデータを取得することができる。
また、回分試験やパイロット試験によってデータベースを作成するので、特に回分試験では一度に多くの条件を振ることができ、また実プラントではないので処理性能への影響を気にすることなく、幅広い条件を設定することができる。
即ち、データセット数が十分ではない状況において、十分なデータセット数を持ったデータベースを製造することができる。
ここでデータセットとは、目的変数と説明変数群の一対の組を言い、データセットの集合がデータベースとなる。各種データはデータセットを構成する要素となる。
これによって、学習データの外挿範囲を低減することが可能となり、より多くの状況において精度の高い出力を返すモデルの構築が可能となる。
即ち、機械学習／人工知能が有する原理的な課題に、外挿データの予測がほぼ不可能というものがある。外挿データとは学習データの範囲を超えるデータのことで、例えば、あるパラメータの学習データとして採用した範囲が、０から１０だった場合、−１や１１は学習データ範囲外となって外挿データとなる。あるいは、学習データの範囲が０から１０だったとしても、５から７の範囲にデータが無い場合は、やはり５から７は外挿データとなる。実プラントで得たデータのみで、モデル構築用学習データのデータベースを構築しようとすると、外挿データが発生し易くなり、これまでにデータが得られたことの無い状況に実原水や実汚泥がなった場合、信頼度に劣る出力がなされることとなる。近年は、ゲリラ豪雨に代表される天候の急変が良くあり、通常時の制御に加え、突発的に生じる異常時においても、良好な制御ができるように備えることが時代の必然である。本発明を用いれば、上述のようにその可能性を高めることができる。

また本発明は、上記特徴に加えて、前記実原水又は前記実汚泥を処理する実プラントの運転から得られたデータも、前記データベースに加えることを特徴としている。
実プラントで得られるデータも、このデータベースに加えることにより、さらに精度を高めることが可能になる。

また本発明は、上記特徴に加えて、前記回分試験又は前記パイロット試験で測定又は条件として設定する項目は、実プラントに設置されるセンサで測定できる項目であることを特徴としている。
回分試験又はパイロット試験によって取得する学習データと、実プラントの運転から得られるデータが一致し、両者を合わせてより有効なデータベースとすることができる。

ところで、前記データベースを用いてモデルを構築する際に用いる機械学習アルゴリズムとしては、ＳＶＲ法（サポートベクター回帰法）、ＰＬＳ法（部分最小二乗法：Partial Least Squares）、Deep Learning法、ランダムフォレスト法、又は決定木法等が好ましい。従来の、隠れ層が１層のニューラルネットワークや重回帰分析を用いないで、上記各方法を用いれば、精度の高い出力を返すモデルを構築することが可能となる。

また本発明は、上記データベースの製造方法で製造されたデータベースを基に構築されたモデルを制御に使用する制御部を有することを特徴とする水処理又は汚泥処理システムにある。

本発明にかかるデータベースの製造方法によれば、機械学習アルゴリズムを用いて水処理又は汚泥処理における任意の予測値を取得するためのモデルを構築する際に用いるデータベースとして、精度の高い出力を返すことができるモデルを短期間に構築することができるデータベースを取得することができる。

回分試験によるモデル構築用学習データのデータベース作成手順を示す図である。６条件の１例を示す図である。構築済みのモデルを用いて構成した浄水場１−１の全体概略構成図である。構築済みのモデルを用いて構成した消化槽設備１−２の全体概略構成図である。回分試験によるモデル構築用学習データのデータベース作成手順を示す図である。パイロットプラントによるモデル構築用学習データのデータベース作成手順を示す図である。

以下、本発明の実施形態を図面を参照して詳細に説明する。
〔第１実施形態〕
図１は本発明の第１実施形態にかかる学習データ用データベースの製造方法を示す図であり、回分試験によるモデル構築用学習データのデータベース作成手順を示す図である。具体的には、浄水場における最適な凝集剤注入率を予測するためのモデルを構築する際に用いる学習用データベースの作成手順の一例を示している。

本実施形態においては、まず、実際の浄水場の着水井に導入される実際の原水（実原水）を入手する（ステップ１−１）。

次に（又は前記実原水の入手に先立って）、前記実原水について、説明変数の候補となるパラメータで多くの条件を設定する。設定するパラメータとしては、凝集に影響を与えると考えられる多くのパラメータ、例えば、水温、アルカリ度、ｐＨ値、等を設定する（ステップ１−２）。

次に、前記各設定条件を用いてジャーテストを実施し、各条件での最適凝集剤注入率を決める（ステップ１−３）。ここでジャーテストでは、例えば、実原水を複数のビーカーに入れ、ジャーテスターによって撹拌条件や凝集剤の添加タイミングを同一にして、凝集試験を行う。これを、凝集剤の添加量や撹拌条件等の何通りもの組み合わせで行なう。これによって、多くの条件での最適凝集剤注入率を決めることができる。

次に、上記で定めた説明変数の設定条件とその条件下での最適凝集剤注入率を１つのデータセットとして、モデル構築用学習データのデータベースに加える（ステップ１−４）。

一定の頻度（例えば４時間毎）、又は十分に原水水質が変化したと考えられるタイミング等で、実原水を再度採取する（ステップ１−５）。

再度採取した実原水を用いて、再度上記ステップ１−２〜ステップ１−４を行い、モデル構築用学習データのデータベースに蓄えるデータセットを蓄積していく作業を繰り返す（ステップ１−６）。

所定量のデータセットを蓄えることによって、モデル構築用学習データのデータベースが完成する（ステップ１−７）。

そして、上記回分試験によって完成したデータベースを用いて、機械学習アルゴリズムによって、予測モデルを構築する（ステップ１−８）。この際に用いる機械学習アルゴリズムとしては、ＳＶＲ法（サポートベクター回帰法）、又はＰＬＳ法（部分最小二乗法：Partial Least Squares）、又はDeep Learning法、又はランダムフォレスト法、又は決定木法等を用いる。そして、上記構築された予測モデルを実際に浄水場の凝集剤注入率を制御する制御部に導入し、実際の浄水場での凝集剤注入率の制御を開始する。実際の凝集剤注入率の制御によって得られる実際の各種データも、前記データベースに蓄積していく。これによって、より精度の高い制御を行うことができる。なお、実際の制御を開始した後においても、継続的に上記回分試験を実施して、得られるデータセットを前記データベースに加え、モデルを更新していくようにすれば、継続的に精度の高い制御を行っていくことができる。

（実施例１）
浄水場における最適な凝集剤注入率を決定するために、最適凝集剤注入率を出力するモデルを構築し、制御に用いることを試みた。

機械学習モデルによる制御開始予定日の２か月前から、前記ジャーテストを用いたデータベースの構築を開始した。原水（前記実原水）は６時間毎に、あるいは、前回サンプリングから６時間以内でも水質が大きく変動した場合はその時に、採取した。

採取した原水を複数に分け、M−アルカリ度を２種類（10mg/Lと20mg/L）、ｐＨを３種類（6.7と7と7.3）の計６種類の性状を有する試料水を作成した。即ち例えば、原水のＭ−アルカリ度が10mg/Lであった場合は、これに炭酸系の塩を添加してＭ−アルカリ度が20mg/Lの試料水を作成し、原水のｐＨが7であった場合は、これに酸又はアルカリを添加してｐＨが6.7と7.3の試料水を作成した。そして、各試料水に対して、凝集剤注入率を４点（6mg/Lと10mg/Lと15mg/Lと20mg/L）設定してジャーテストを実施した。凝集剤にはＰＡＣ（ポリ塩化アルミニウム）を使用した。一定時間経過後の上澄水の濁度を測定し、各試料水条件における最適な凝集剤注入率を決定した。１回の原水サンプリングで６条件に対する最適凝集剤注入率をそれぞれ得た。図２は、前記６条件の１例を示す図である。この例の場合、６種類の性状を有する試料水ａ−１〜ａ−６それぞれについて、それぞれ４種類の凝集剤注入率についてのジャーテストを実施でき、それら４種類の凝集剤注入率の中の何れの凝集剤注入率が最適な凝集剤注入率であるかを決定することができる。つまり、各試料水ａ−１〜ａ−６について、１つずつのデータセット、全体で６つのデータセットを得ることができる。なお、前記データセットには、前記３つの条件（原水濁度、Ｍ−アルカリ度、ｐＨ）の他に、実原水の原水温度、原水ＴＯＣ濃度、原水色度等の原水の他の性状も説明変数とすることが、より多くの状況において精度の高い出力を返すモデルを構築する上で、より好ましい。なお、上記ジャーテストで設定する項目、引いてはモデルの説明変数は、実プラントに設置されるセンサで測定できる項目であることが、好ましい（下記する実施例等でも同様）。

この作業を繰り返して、最適凝集剤注入率決定用のデータベースを完成させ、このデータベースをモデル構築用学習データとし、機械学習用アルゴリズムとしてＰＬＳ法を用いてモデルを構築した。

図３は、前記構築済みのモデルを用いて構成した浄水場（水処理システム）１−１の全体概略構成図である。同図に示すように、ダムや河川等から取り入れた原水は、浄水場の着水井１１に導入される。次に、着水井１１において、この着水井１１に設置した濁度センサ２３ＡとＭ−アルカリ度センサ２３ＢとｐＨセンサ２３Ｃによって、原水の濁度とＭ−アルカリ度とｐＨの数値がそれぞれ検出される。検出された各検出値は、前記構築済みのモデルを導入した制御部２５に送信される。

制御部２５は、前記構築済みのモデルを用いて、その原水に対する最適凝集剤注入率となるように、凝集剤注入ポンプ２７に指令を出す。凝集剤注入ポンプ２７は、着水井１１から混和槽１３に移送された原水に対して、前記指令された凝集剤注入率となるように、凝集剤を添加する。この混和槽１３では、凝集剤が添加された原水を、急速撹拌する。凝集剤が撹拌された原水は、次に、フロック形成槽１５で緩速撹拌を行ってフロックを形成し、次に、沈澱池１７において大きくなったフロックを沈殿させ、次に、ろ過池１９でろ過を行って小さな汚れを取り除いた後、浄水池２１に移送される。

前記構築済みのモデルを用いた制御部２５によって前記浄水場１−１での制御を開始した後、１か月間の予測精度は、以下の通りであった。予測精度の評価として決定係数Ｒ^２値を用いた。実際の最適凝集剤注入率は、実原水によるジャーテストによって決定したものを正解とした。

〔制御開始後、１か月間のＲ^２値〕：０．７９

ここで決定係数Ｒ^２は、モデルの予測精度を評価する指標の一つであり、以下の「数１」の数式で定義される。決定係数Ｒ^２の値は１が最大値であり、１に近いほど、モデルの予測精度が高いことになる。

以上の結果より、制御開始日当日からモデルを使用した制御が可能となった。本発明を用いなかった場合は、実プラントの実際の運転条件と実プラントのセンサから得た情報のみをデータベース構築用に用いることになるため、そもそも制御開始予定日には、制御することができない。本発明によれば、実プラントで得られるデータ以外に、予めデータベース構築用に実施したジャーテスト（回分試験）によって、早期の且つ精度の高い制御立ち上げが可能となった。

〔第２実施形態〕
図５は本発明の第２実施形態にかかる学習データ用データベースの製造方法を示す図であり、回分試験によるモデル構築用学習データのデータベース作成手順を示す図である。具体的には、消化槽設備における最適な界面活性剤注入率を決定するために利用するモデルを構築する際に用いる学習用データベースの作成手順の一例を示している。

本実施形態においては、まず、実際の消化槽設備の実汚泥及び／又は有機性廃棄物（以下「実汚泥等」という）を入手する（ステップ２−１）。

次に（又は前記実汚泥等の入手に先立って）、前記実汚泥等について、バイアルによる試験に供する汚泥量及び／又は有機性廃棄物量、界面活性剤投入量、複数原料の場合は投入原料の比率等、ガス発生量に影響を与えることが予想されるパラメータを、説明変数に選び、多くの条件を設定する（ステップ２−２）。

次に、前記各設定条件を用いてバイアルによるメタン発酵試験を実施し、各条件でのガス発生量を得る（ステップ２−３）。

次に、上記で定めた説明変数の設定条件とその条件下でのガス発生量を１つのデータセットとして、多数のデータセットを、モデル構築用学習データのデータベースに加える（ステップ２−４）。

所定量のデータセットを蓄えることによって、モデル構築用学習データのデータベースが完成する（ステップ２−５）。

そして、上記バイアル試験（回分試験）によって完成したデータベースを用いて、機械学習アルゴリズムによって、予測モデルを構築する（ステップ２−６）。この際に用いる機械学習アルゴリズムとしては、第１実施形態の場合と同様に、ＳＶＲ法、又はＰＬＳ法、又はDeep Learning法、又はランダムフォレスト法、又は決定木法等を用いる。そして、上記構築されたモデルを実際に消化槽設備の界面活性剤注入率を制御する制御部に導入し、実際の消化槽設備での界面活性剤注入率の制御を開始する。実際の界面活性剤注入率の制御によって得られる実際の各種データも、前記データベースに蓄積していく。これによって、より精度の高い制御を行うことができる。

さらに、実際の制御を開始した後においても、消化槽設備に投入される実汚泥等の性状（例えば季節によって変化する）や受け入れバイオマスの種類（例えば、コーヒー粕の種類）が変更になった場合は、上記ステップ２−２〜ステップ２−６を繰り返してバイアル試験（回分試験）を実施し、得られるデータセットを前記データベースに加え、モデルを更新していく（ステップ２−７）。これによって、継続的に精度の高い制御を行っていくことができる。

（実施例２）
複数の有機性廃棄物を混合消化する消化槽設備で、ガス発生量を予測するモデル構築を試みた。混合消化する実汚泥等として、下水汚泥とコーヒー粕を用いた。下水汚泥とコーヒー粕の割合を、１：９、２：８、３：７、４：６、５：５、６：４、７：３、８：２、９：１に設定し、それぞれに対して複数の界面活性剤注入率を設定して、バイアルによるメタンガス発生試験を実施した。コーヒー粕と下水汚泥は、試験前に粉砕した。試験開始後３０日にガス発生量を測定した。

１つのデータセットは、説明変数として、下水汚泥とコーヒー粕それぞれのＴＳ（Total Solids：総固形物量）、ＳＳ（Suspended Solids：懸濁物質量）、ＶＴＳ（Volatile Total Solids：総揮発性物質量）、ＶＳＳ（Volatile Suspended Solids：揮発性懸濁物質量）、下水汚泥とコーヒー粕の混合比、界面活性剤注入率を持つものとし、目的変数として、ガス発生量を持つものとした。

下水汚泥又はコーヒー粕の性状が変化したと考えられる度に、原料を採取し、上記のバイアル試験を繰り返して、ガス発生量予測用のデータベースを完成させ、このデータベースをモデル構築用学習データとし、機械学習用アルゴリズムとしてＳＶＲ法を用いてモデルを構築した。

図４は、前記構築済みのモデルを用いて構成した消化槽設備（汚泥処理システム）１−２の全体概略構成図である。同図に示すように、この消化槽設備１−２においては、下水汚泥貯槽３１とコーヒー粕貯槽３３にそれぞれ貯留している下水汚泥とコーヒー粕を、それぞれ所定量ずつ取り出して、混合・粉砕設備３５に供給する。このとき、下水汚泥貯槽３１から取り出される下水汚泥の量と濃度を、供給量センサ４１と濃度センサ４３によって測定し、前記構築済みのモデルを用いた制御部４９に送信する。同時に、コーヒー粕貯槽３３から取り出されるコーヒー粕の量を、供給量センサ４５によって測定し、前記構築済みのモデルを用いた制御部４９に送信する。

混合・粉砕設備３５で混合・粉砕された下水汚泥とコーヒー粕の混合・粉砕物は、消化槽３７に連続投入される。このとき同時に、前記制御部４９は、前記各センサ４１，４３，４５から受信したデータによって、消化槽３７に投入された混合・粉砕物に最適と判断する注入率の界面活性剤を、消化槽３７に供給するように、界面活性剤注入ポンプ５１に指令を出す。界面活性剤注入ポンプ５１は、前記指令に基づいて界面活性剤を消化槽３７に供給する。消化槽３７では、前記混合・粉砕物と界面活性剤が混合される。

消化槽３７内では混合・粉砕物が消化され、消化ガス（メタンガス）が発生するので、これを回収する。消化ガスの発生量と濃度は、消化槽３７から消化ガスを排出する配管に取り付けられた発生量センサ５３と濃度センサ５５によって検出され、検出された各数値は、前記制御部４９に送信される。制御部４９は、前記各センサ４１，４３，４５，５３，５５によって得られた検出データを、前記データベースに加え、モデルを更新していく。

前記構築済みのモデルを用いた制御部４９による前記消化槽設備１−２での制御を開始した後、２か月間の予測精度は、予測精度の評価として決定係数Ｒ^２値を用い、以下の通りであった。実際のガス発生量は、上記実プラントで測定されたガス発生量を正解として、決定係数Ｒ^２の値を算出した。

〔制御開始後、２か月間のＲ^２値〕：０．７６

以上の結果より、実際のガス発生量は、概ね予測することが可能だった。本発明を用いなかった場合は、実プラントの実際の運転条件と実プラントのセンサから得た情報のみをデータベース構築用に用いることになるため、モデル構築が可能となるだけデータを蓄積するには、特に滞留時間が長い消化槽設備では、１年以上の運転が必要になることが予想される。これに対して、本発明によれば、実プラントで得られるデータ以外に、予めデータベース構築用に実施したバイアル試験（回分試験）によって、早期のモデル構築が可能となった。

〔第３実施形態〕
図６は本発明の第３実施形態にかかる学習データ用データベースの製造方法を示す図であり、パイロットプラントによるモデル構築用学習データのデータベース作成手順を示す図である。具体的には、浄水場における最適な凝集剤注入率を予測するためのモデルを構築する際に用いる学習用データベースの作成手順の一例を示している。

本実施形態においては、まず、実際の浄水場の着水井に導入される実原水を、複数台のパイロットプラントに導入する（ステップ３−１）。

次に（又は前記実原水の導入に先立って）、前記各パイロットプラントの実原水に対して投入する凝集剤の注入率に複数の条件を設定し（ステップ３−２）、投入する。また実原水の性状（原水濁度、アルカリ度、ｐＨ値、水温、ＴＯＣ濃度、色度等）も測定しておく。

次に、各パイロットプラントにおける混和槽、フロック形成槽、沈澱池のそれぞれの滞留時間を経過した後の、各パイロットプラントにおける沈殿水濁度を測定する（ステップ３−３）。

次に、上記実原水の性状と各設定凝集剤注入率を説明変数、測定した沈殿水濁度を目的変数とし、これらを１つのデータセットとして、モデル構築用学習データのデータベースに加える（ステップ３−４）。

原水性状が大きく変わった場合に、上記ステップ３−２〜ステップ３−４を繰り返し行い、モデル構築用学習データに蓄えるデータセットを蓄積していく（ステップ３−５）。

所定量のデータセットを蓄えることによって、モデル構築用学習データのデータベースが完成する（ステップ３−６）。

そして、上記パイロットプラントによって完成したデータベースを用いて、機械学習アルゴリズムによって、モデルを構築する（ステップ３−７）。この際に用いる機械学習アルゴリズムとしては、ＳＶＲ法、又はＰＬＳ法、又はDeep Learning法、又はランダムフォレスト法、又は決定木法等を用いる。そして、上記構築されたモデルを実際に浄水場の凝集剤注入率を制御する制御部に導入し、例えば上述した図３に示す実際の浄水場１−１での凝集剤注入率の制御を開始する。実際の凝集剤注入率の制御によって得られる実際の各種データも、前記データベースに蓄積していく。これによって、より精度の高い制御を行うことができる。なお、実際の制御を開始した後においても、継続的にパイロットプラントによる試験（パイロット試験）を実施して、得られるデータセットを前記データベースに加え、モデルを更新していくようにすれば、継続的に精度の高い制御を行っていくことができる。

以上本発明の実施形態を説明したが、本発明は上記実施形態に限定されるものではなく、特許請求の範囲、及び明細書と図面に記載された技術的思想の範囲内において種々の変形が可能である。なお直接明細書及び図面に記載がない何れの構成や材料であっても、本願発明の作用・効果を奏する以上、本願発明の技術的思想の範囲内である。例えば、上記実施例では、水処理システムの例として浄水場１−１の例を示し、また汚泥処理システムの例として下水処理場に設置される消化槽設備１−２の例を示したが、例えば食品工場等に設置される廃棄物処理用の消化槽設備等、その他の各種水処理または汚泥処理用の設備であっても本発明を適用することができる。また、上記記載及び各図で示した実施形態は、その目的及び構成等に矛盾がない限り、互いの記載内容を組み合わせることが可能である。また、上記記載及び各図の記載内容は、その一部であっても、それぞれ独立した実施形態になり得るものであり、本発明の実施形態は上記記載及び各図を組み合わせた一つの実施形態に限定されるものではない。

１−１浄水場（水処理システム）
１１着水井
１３混和槽
１５フロック形成槽
１７沈澱池
１９ろ過池
２１浄水池
２３Ａ濁度センサ
２３ＢＭ−アルカリ度センサ
２３ＣｐＨセンサ
２５制御部
２７凝集剤注入ポンプ
１−２消化槽設備（汚泥処理システム）
３１下水汚泥貯槽
３３コーヒー粕貯槽
３５混合・粉砕設備
３７消化槽
４１供給量センサ
４３濃度センサ
４５供給量センサ
４９制御部
５１界面活性剤注入ポンプ
５３発生量センサ
５５濃度センサ

Claims

機械学習アルゴリズムを用いて、水処理又は汚泥処理における任意の予測値を取得するためのモデルを構築する際に用いる学習データ用のデータベースの製造方法であって、
実原水あるいは実汚泥を用いた回分試験又はパイロット試験によって、目的変数と説明変数の一対の組からなるデータセットを取得する工程を、当該データセット数が学習データの外挿範囲を低減するのに必要な数になるまで複数回行なって、当該複数のデータセットからなる学習データ用のデータベースを、前記モデル構築前に事前に取得することを特徴とするデータベースの製造方法。
請求項１に記載のデータベースの製造方法であって、
前記実原水又は前記実汚泥を処理する実プラントの運転から得られたデータも、前記データベースに加えることを特徴とするデータベースの製造方法。
請求項１又は２に記載のデータベースの製造方法であって、
前記回分試験又は前記パイロット試験で測定又は条件として設定する項目は、実プラントに設置されるセンサで測定できる項目であることを特徴とするデータベースの製造方法。
請求項１乃至３の内の何れかに記載のデータベースの製造方法で製造されたデータベースを用いて構築したモデルを制御に使用する制御部を有することを特徴とする水処理又は汚泥処理システム。