JP6764486B2

JP6764486B2 - 水処理プラント

Info

Publication number: JP6764486B2
Application number: JP2018562682A
Authority: JP
Inventors: 夏美八田; 卓嗣川田; 剛若松; 健太霜田; 安永　望; 望安永
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2018-07-26
Filing date: 2018-07-26
Publication date: 2020-09-30
Anticipated expiration: 2038-07-26
Also published as: US11649183B2; US20210171383A1; WO2020021687A1; JPWO2020021687A1

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または制御操作量を変更しつつ、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変化に伴い制御目標値または制御操作量が変更されることで、水処理プラントにおいて環境変化に応じた水処理制御が行われている。

制御目標値または制御操作量の変更は、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）を用いる技術が提案されている。かかる技術では、下水処理装置内の状態を検出するセンサから出力される検出データが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技術では、ＡＩを用いた水処理制御を行うことができる。しかしながら、水処理装置、制御装置、中央監視装置などの複数の装置から水処理プラントが構成されているにもかかわらず、上述したような従来のＡＩを用いた水処理制御技術では、ＡＩの設置位置が考慮されていないため、改善の余地がある。

本発明は、上記に鑑みてなされたものであって、複数の装置を備える水処理プラントで効果的に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。

本発明に係る水処理プラントは、第１水処理装置および第２水処理装置に水処理を実行させる水処理プラントにおいて、中央監視装置と、第１制御装置と、第１センサと、第２制御装置と、第１演算部とを備える。中央監視装置は、第１水処理装置および第２制御装置を監視する。第１制御装置は、第１水処理装置に対する第１制御を行う。第１センサは、第１水処理装置の水処理環境を検出して時系列の検出データを生成する。第２制御装置は、第２水処理装置に対する第２制御を行う。第１演算部は、中央監視装置の外部に配置してあり、第１機械学習によって生成される第１計算モデルおよび第１センサが生成した時系列の検出データを用いて第１制御に関わる第１演算を行い、第１水処理装置の水処理環境の予測値の情報を取得する。第１演算部は、中央監視装置よりも第１水処理装置の近くに配置してある。第１制御装置は、中央監視装置の外部に配置してあり中央監視装置よりも第１水処理装置の近くに配置してある第１演算部が取得した第１水処理装置の水処理環境の予測値の情報を用いて第１制御を行い、第１水処理装置に水処理を実行させる。

本発明によれば、複数の装置を備える水処理プラントで効果的に水処理制御を行うことができる、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にかかる学習データ記憶部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にかかるモデル記憶部に記憶される情報の一例を示す図実施の形態１にかかる制御装置の制御部の構成例を示す図実施の形態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にかかる制御装置の学習データ記憶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水処理制御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学習モデル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ハードウェア構成の一例を示す図実施の形態２にかかる水処理プラントの構成例を示す図実施の形態３にかかる水処理プラントの構成例を示す図実施の形態４にかかる水処理プラントの概略を示す図実施の形態４にかかる水処理装置の構成例を示す図実施の形態５にかかる水処理プラントの概略を示す図実施の形態５にかかるクラウドサーバの構成例を示す図

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１００は、複数の水処理装置１_１〜１_ｎと、複数の水処理装置１_１〜１_ｎの状態を各々検出する複数のセンサ２_１〜２_ｎと、複数の水処理装置１_１〜１_ｎを各々制御する制御装置３_１〜３_ｎと、複数の水処理装置１_１〜１_ｎを監視する中央監視装置４とを備える。なお、ｎは、２以上の整数である。

制御装置３_１〜３_ｎと中央監視装置４とは、互いに通信ネットワーク５を介して通信可能に接続される。通信ネットワーク５は、例えば、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、または専用線である。

複数の水処理装置１_１〜１_ｎは、例えば、上水または下水などの水処理を行う装置である。センサ２_１は、水処理装置１_１の水処理環境を検出し、検出結果を含む検出データを制御装置３_１に出力する。制御装置３_１は、センサ２_１から出力される検出データに基づいて、水処理装置１_１を制御する。同様に、センサ２_ｎは、水処理装置１_ｎの水処理環境を検出し、検出結果を含む検出データを制御装置３_ｎに出力する。制御装置３_ｎは、センサ２_ｎから出力される検出データに基づいて、水処理装置１_ｎを制御する。水処理装置１_１〜１_ｎの水処理環境は、水処理装置１_１〜１_ｎの内部にある水処理環境および水処理装置１_１〜１_ｎの外部にある水処理環境の少なくとも一方を含む。

中央監視装置４は、制御装置３_１〜３_ｎ経由で複数のセンサ２_１〜２_ｎから出力される検出データを取得し、かかる検出データに基づいて、複数の水処理装置１_１〜１_ｎの状態を監視する。中央監視装置４は、水処理プラント１００のオペレータからの操作に基づいて、水処理装置１_１〜１_ｎを制御装置３_１〜３_ｎに各々制御させることができる。

以下、複数の水処理装置１_１〜１_ｎの各々を区別せずに示す場合、水処理装置１と記載する。また、複数のセンサ２_１〜２_ｎの各々を区別せずに示す場合、センサ２と記載する。また、複数の制御装置３_１〜３_ｎの各々を区別せずに示す場合、制御装置３と記載する。

制御装置３は、機械学習によって生成される計算モデルを用いて水処理装置１の制御に関わる演算を行う演算部３８と、演算部３８の演算結果に基づいて、水処理装置１を制御する制御部３９とを備える。演算部３８によって用いられる計算モデルは、例えば、センサ２から出力される検出データを入力し、水処理装置１の制御に関わる情報を出力する計算モデルである。制御装置３は、例えば、人工知能などと呼ばれるＡＩであり、入力された検出データに基づく機械学習を介し、水処理装置１の制御に関わる情報を出力する。

演算部３８は、例えば、センサ２から出力される検出データを入力し、センサ２で検出される水処理装置１の水処理環境の予測値の情報を出力する計算モデルを用いた演算によって、水処理装置１の水処理環境の予測値の情報を得ることができる。演算部３８は、水処理装置１の水処理環境の予測値に基づいて、水処理装置１における水処理の状態が予め設定された水処理条件を満たすように、水処理装置１を制御する制御目標値を演算する。

制御部３９は、演算部３８によって得られる制御目標値の情報に基づいて、水処理装置１を制御することができる。制御目標値は、例えば、水処理装置１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。なお、制御部３９は、演算部３８によって演算された水処理装置１の水処理環境の予測値から、水処理装置１における水処理の状態が予め設定された水処理条件を満たすように、水処理装置１を制御する構成であってもよい。

また、演算部３８は、例えば、センサ２から出力される検出データを入力し、制御対象機器の制御目標値の情報を出力する計算モデルを用いた演算によって、水処理装置１の制御目標値の情報を得ることもできる。制御部３９は、演算部３８によって得られる制御目標値の情報に基づいて、水処理装置１を制御することができる。

このように、水処理プラント１００では、水処理装置１毎に、機械学習によって生成される計算モデルを用いて水処理装置１の制御に関わる演算を行う制御装置３を有しており、ＡＩを水処理装置１の近くに配置することができる。そのため、例えば、データの伝送遅延などを抑制することができ、センサ２から出力される検出データに基づく水処理装置１の制御処理の高速化を図ることができる。したがって、複数の水処理装置を備える水処理プラントで効果的に水処理制御を行うことができる。

以下、実施の形態１にかかる水処理プラント１００について詳細に説明する。図２は、実施の形態１にかかる水処理装置の構成例を示す図である。なお、図２では、図１に示す複数の制御装置３のうち一つのみ図示している。また、以下においては、水処理装置１が行う水処理の一例として、下水処理について説明する。なお、水処理プラント１００は、複数の水処理装置１が互いに同じ種類の水処理を行う構成であってもよく、また、複数の水処理装置１の一部または全部が互いに同じ種類の水処理を行う構成であってもよい。

図２に示す水処理装置１は、被処理水として下水を処理する下水処理装置である。かかる水処理装置１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１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。

水処理プラント１００には、水処理装置１の水処理環境を各々検出する複数のセンサ２０_１〜２０_ｍを含むセンサ２が設けられる。各センサ２０_１〜２０_ｍは、例えば、水処理装置１内の状態または環境を示す特性を検出する。具体的には、センサ２０_１〜２０_４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２０_１は、流入水の流入量を検出する。センサ２０_２は、流入水のＢＯＤ（Biochemical Oxygen Demand：生物化学的酸素要求量）を検出する。センサ２０_３は、流入水の温度を検出する。センサ２０_４は、流入水のＮＨ_３の濃度、流入水のＮＨ_４ ^＋の濃度、またはアンモニア性窒素濃度を検出する。

センサ２０_５〜２０_ｍ−３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２０_５は、処理槽１２における溶存酸素量を検出する。センサ２０_６は、処理槽１２における活性微生物濃度を検出する。センサ２０_７は、処理槽１２におけるＢＯＤを検出する。センサ２０_８〜２０_ｍ−３は、例えば、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、および全リン濃度を各々検出する複数のセンサを含む。

センサ２０_ｍ−２〜２０_ｍ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。センサ２０_ｍ−２は、処理水の流出量を検出する。センサ２０_ｍ−１は、処理水のＢＯＤを検出する。センサ２０_ｍは、処理水の全窒素濃度を検出する。

なお、センサ２は、センサ２０_１〜２０_ｍのうち一部を含まない構成であってもよい。また、上述したセンサ２０_１〜２０_ｍは、水処理装置１内の状態を示す特性値を検出するが、センサ２は、撮像データを検出データとして出力する撮像装置を含んでいてもよい。

図３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３に示すように、実施の形態１にかかる制御装置３は、データ取得部３０と、データ選択部３１と、学習データ記憶部３２と、学習処理部３３と、モデル記憶部３４と、更新判定部３５と、シミュレータ部３６と、状態判定部３７と、演算部３８と、制御部３９と、通信部４０とを備える。学習処理部３３、モデル記憶部３４、および演算部３８は、ＡＩの一例である。

データ取得部３０は、センサ２から検出データを取得する。センサ２は、上述したように複数のセンサ２０_１〜２０_ｍを含んでおり、データ取得部３０は、これら複数のセンサ２０_１〜２０_ｍから出力される検出データを周期的に取得する。

データ選択部３１は、データ取得部３０によって取得された検出データのうち予め設定された条件であるデータ選択条件を満たす検出データを選択し、選択した検出データを学習データ記憶部３２に記憶する。

データ選択条件は、例えば、計算モデルの生成および更新に適した検出データを選択するという条件である。計算モデルの生成および更新に適した検出データは、例えば、水処理プラント１００を含む地域の環境が設定された環境条件を満たす状態でセンサ２から出力される検出データである。環境条件は、例えば、水処理プラント１００を含む地域において、天候が豪雨でないこと、河川が氾濫していないこと、および断水が生じていないことなどである。また、環境条件は、台風がきていないこと、および梅雨の時期でないことを含んでいてもよい。

水処理プラント１００を含む地域の環境を示す環境情報は、例えば、中央監視装置４から通信ネットワーク５および通信部４０を介してデータ選択部３１へ通知される。データ選択部３１は、中央監視装置４から通知される環境情報に基づいて、データ取得部３０によって取得された検出データのうち予め設定された条件であるデータ選択条件を満たす検出データを選択する。

また、データ選択条件は、センサ２から出力される検出データが設定範囲内であることであってもよい。この場合、設定範囲は、計算モデルの生成および更新に適した範囲であり、例えば、水処理プラント１００の平常運転時では現われない数値を示す検出データを除外するように設定される。データ選択部３１は、設定範囲内の検出データを選択し、設定範囲外の検出データを選択しない。これにより、予め設定された範囲内の検出データのみを学習データ記憶部３２に記憶することができる。

なお、データ選択条件は、中央監視装置４から設定することができる。水処理プラント１００のオペレータは、中央監視装置４を操作することで、データ選択条件の情報を中央監視装置４から制御装置３へ送信することができる。データ選択部３１は、中央監視装置４から送信されるデータ選択条件の情報を通信部４０から取得し、取得したデータ選択条件の情報に基づいて、検出データを検出する。

また、データ選択部３１は、予め設定された時間範囲を１つの単位として検出データを選択することができる。例えば、データ選択部３１は、時間単位または日単位で検出データが選択条件を満たすか否かを判定することができる。この場合、データ選択部３１は、例えば、学習データ記憶部３２に検出データを一旦記憶した後、選択条件を満たさない検出データを含む時間単位または日単位の検出データを学習データ記憶部３２から削除することができる。

また、データ選択部３１は、選択条件を満たす検出データと共に、選択条件を満たす検出データに基づいて制御部３９によって制御される制御対象機器の制御目標値の情報を、選択条件を満たす検出データと関連付けて学習データ記憶部３２に記憶することができる。

学習データ記憶部３２は、データ選択部３１によって選択された検出データと、選択条件を満たす検出データに基づいて制御部３９によって制御される制御対象機器の制御目標値の情報とを関連付けて学習データとして記憶する。

図４は、実施の形態１にかかる学習データ記憶部に記憶されるデータテーブルの一例を示す図である。図４に示すデータテーブルは、時間帯単位または日単位の検出データを含むデータテーブルである。なお、学習データ記憶部３２に記憶されるデータテーブルは、時間帯毎または日毎の検出データを含むデータテーブルに限定されない。例えば、学習データ記憶部３２に記憶されるデータテーブルは、月単位の検出データまたは年単位の検出データを含むデータテーブルであってもよい。

図４に示すデータテーブルには、時刻毎の検出データ、および制御目標値が含まれる。図４において、検出データＤ１（ｔ０），Ｄ１（ｔ１），・・・，Ｄ１（ｔｐ）は、センサ２０_１の検出データであり、センサ２０_１によって検出された流入水の流量の実測値Ｄａ１を含む。検出データＤ２（ｔ０），Ｄ２（ｔ１），・・・，Ｄ２（ｔｐ）は、センサ２０_２の検出データであり、センサ２０_２によって検出された流入水のＢＯＤの実測値Ｄａ２を含む。検出データＤ３（ｔ０），Ｄ３（ｔ１），・・・，Ｄ３（ｔｐ）は、センサ２０_３の検出データであり、センサ２０_３によって検出された流入水の温度の実測値Ｄａ３を含む。

検出データＤ４（ｔ０），Ｄ４（ｔ１），・・・，Ｄ４（ｔｐ）は、センサ２０_４の検出データであり、センサ２０_４によって検出された流入水のＮＨ_３の実測値Ｄａ４を含む。検出データＤｍ（ｔ０），Ｄｍ（ｔ１），・・・，Ｄｍ（ｔｐ）は、センサ２０_ｍの検出データであり、センサ２０_ｍによって検出された処理水の全窒素濃度の実測値Ｄａｍを含む。ｐは、例えば、３以上の整数である。

検出データＤ１（ｔ０），Ｄ２（ｔ０），Ｄ３（ｔ０），Ｄ４（ｔ０），・・・，Ｄｍ（ｔ０）は、時刻ｔ０にセンサ２から出力されるＤ（ｔ０）を構成するデータである。検出データＤ１（ｔ１），Ｄ２（ｔ１），Ｄ３（ｔ１），Ｄ４（ｔ１），・・・，Ｄｍ（ｔ１）は、時刻ｔ１にセンサ２から出力されるＤ（ｔ１）を構成するデータである。

検出データＤ１（ｔｐ），Ｄ２（ｔｐ），Ｄ３（ｔｐ），Ｄ４（ｔｐ），・・・，Ｄｍ（ｔｐ）は、時刻ｔｐにセンサ２から出力されるＤ（ｔｐ）を構成するデータである。以下、センサ２から出力される検出データＤ（ｔ０），Ｄ（ｔ１），・・・，Ｄ（ｔｐ）を各々区別せずに示す場合、検出データＤと記載する場合がある。また、検出データＤ１〜Ｄｍに各々含まれる実測値Ｄａ１〜Ｄａｍを各々区別せずに示す場合、実測値Ｄａと記載する場合がある。

また、図４に示すデータテーブルには、各時刻において演算部３８から制御部３９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４において、制御目標値ＲＶ１（ｔ０），ＲＶ１（ｔ１），・・・，ＲＶ１（ｔｐ）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（ｔｐ）は、ポンプ１５の制御目標値である。

以下、制御目標値ＲＶ１（ｔ０），ＲＶ１（ｔ１），・・・，ＲＶ１（ｔｐ）の各々を区別せずに示す場合、制御目標値ＲＶ１と記載し、制御目標値ＲＶ２（ｔ０），ＲＶ２（ｔ１），・・・，ＲＶ２（ｔｐ）の各々を区別せずに示す場合、制御目標値ＲＶ２と記載する場合がある。また、制御目標値ＲＶ１，ＲＶ２を各々区別せずに示す場合、制御目標値ＲＶと記載する場合がある。

図３に戻って、制御装置３の説明を続ける。学習処理部３３は、学習データ記憶部３２に記憶された情報に基づいて、演算部３８で用いられる計算モデルの生成および更新を行う。かかる計算モデルは、ニューラルネットワークであるが、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。

学習処理部３３は、複数種類の計算モデルの学習処理を実行することができる。計算モデルの学習処理によって、計算モデルの生成および更新が行われる。例えば、学習処理部３３は、複数の第１計算モデルＭ１_１〜Ｍ１_ｍおよび第２計算モデルＭ２の生成および更新を実行することができる。

複数の第１計算モデルＭ１_１〜Ｍ１_ｍは、センサ２から出力される検出データを入力とし、水処理装置１内の状態の予測値の情報を出力とする計算モデルである。第２計算モデルＭ２は、センサ２から出力される検出データを入力とし、複数の制御対象機器の制御目標値ＲＶ１，ＲＶ２の情報を出力とする計算モデルである。

なお、以下、第１計算モデルＭ１_１〜Ｍ１_ｍの各々を区別せずに示す場合、第１計算モデルＭ１と記載する場合がある。また、第１計算モデルＭ１および第２計算モデルＭ２の各々を区別せずに示す場合、計算モデルＭと記載する場合がある。なお、計算モデルＭの更新は計算モデルＭの再生成であり、以下、計算モデルＭの生成と更新を各々区別せずに計算モデルＭの生成と記載する場合がある。

学習処理部３３は、センサ２から出力される時系列の検出データを用いて第１計算モデルＭ１を生成することができる。例えば、学習処理部３３は、学習データ記憶部３２に記憶された時系列の検出データＤ１（ｔ０），Ｄ１（ｔ１），・・・，Ｄ１（ｔｐ）を用いて、第１計算モデルＭ１_１を生成することができる。第１計算モデルＭ１_１は、センサ２０_１から出力される時系列の検出データを入力し、将来における流入水の流入量の予測値Ｆ１のデータを出力する計算モデルである。なお、将来は、現時点から時間Ｔａ後を示す。時間Ｔａは、任意に設定することができる。

また、学習処理部３３は、学習データ記憶部３２に記憶された時系列の検出データＤ２（ｔ０），Ｄ２（ｔ１），・・・，Ｄ２（ｔｐ）を用いて、第１計算モデルＭ１_２を生成することができる。第１計算モデルＭ１_２は、センサ２０_２から出力される時系列の検出データを入力し、時間Ｔａ後における流入水のＢＯＤの予測値Ｆ２のデータを出力する計算モデルである。

また、学習処理部３３は、学習データ記憶部３２に記憶された時系列の検出データＤ３（ｔ０），Ｄ３（ｔ１），・・・，Ｄ３（ｔｐ）を用いて、第１計算モデルＭ１_３を生成することができる。第１計算モデルＭ１_３は、センサ２０_３から出力される時系列の検出データを入力し、時間Ｔａ後における流入水の温度の予測値Ｆ３のデータを出力する計算モデルである。

また、学習処理部３３は、学習データ記憶部３２に記憶された時系列の検出データＤ４（ｔ０），Ｄ４（ｔ１），・・・，Ｄ４（ｔｐ）を用いて、第１計算モデルＭ１_４を生成することができる。第１計算モデルＭ１_４は、センサ２０_４から出力される時系列の検出データを入力し、時間Ｔａ後における流入水の温度の予測値Ｆ４のデータを出力する計算モデルである。

同様に、学習処理部３３は、センサ２０_５〜２０_ｍから出力され且つ学習データ記憶部３２に記憶された時系列の検出データを各々用いて、時間Ｔａ後の予測値Ｆ５〜Ｆｍを各々出力する第１計算モデルＭ１_５〜Ｍ１_ｍを生成することができる。なお、第１計算モデルＭ１は、例えば、畳み込みニューラルネットワーク、またはリカレントニューラルネットワークである。以下、予測値Ｆ１〜Ｆｍを各々区別せずに示す場合、予測値Ｆと記載する場合がある。

上述した例では、学習処理部３３は、予測する特性の過去の実測値Ｄａのみを用いて第１計算モデルＭ１を生成したが、予測する特性の過去の実測値Ｄａ以外の特性の実測値Ｄａおよび制御目標地ＶＲを用いて第１計算モデルＭ１を生成することもできる。例えば、学習処理部３３は、時系列の検出データＤ１（ｔ０）〜Ｄ１（ｔｐ），Ｄ２（ｔ０）〜Ｄ２（ｔｐ），Ｄ３（ｔ０）〜Ｄ３（ｔｐ），Ｄ４（ｔ０）〜Ｄ４（ｔｐ）、制御部３９で用いられた時系列の制御目標値ＶＲ１，ＶＲ２を用いて、第１計算モデルＭ１_５〜Ｍ１_ｍを生成することができる。かかる第１計算モデルＭ１_５は、例えば、センサ２０_１〜２０_４から出力される時系列の検出データと時系列の制御目標値ＶＲ１，ＶＲ２を入力し、時間Ｔａ後における予測値Ｆ５〜Ｆｍのデータを出力する計算モデルである。

なお、第１計算モデルＭ１は、時系列の検出データＤに基づいて、予測値Ｆ１〜Ｆｍを出力することができる構成であればよく、上述した例に限定されない。例えば、各第１計算モデルＭ１_１〜Ｍ１_ｍは、時系列の検出データＤ１〜Ｄｍと時系列の制御目標値ＶＲ１，ＶＲ２とを入力し、予測値Ｆ１〜Ｆｍのデータを出力する計算モデルであってもよい。

また、学習処理部３３は、学習データ記憶部３２に記憶された検出データＤおよび制御目標値ＲＶ１，ＲＶ２を学習データとして用いて、第２計算モデルＭ２を生成することができる。かかる第２計算モデルＭ２は、例えば、センサ２０_１〜２０_ｍから出力される検出データを入力とし、複数の制御対象機器の制御目標値ＲＶ１，ＲＶ２を出力とする計算モデルである。

学習処理部３３は、生成した計算モデルＭをモデル記憶部３４に記憶する。図５は、実施の形態１にかかるモデル記憶部に記憶される情報の一例を示す図である。図５に示す例では、モデル記憶部３４には、複数の第１計算モデルＭ１_１，Ｍ１_２，Ｍ１_３，Ｍ１_４，Ｍ１_５〜Ｍ１_ｍ−３，Ｍ１_ｍ−２，Ｍ１_ｍ−１，Ｍ１_ｍと第２計算モデルＭ２とが記憶されている。

図３に戻って、制御装置３の説明を続ける。更新判定部３５は、演算部３８による計算モデルＭを用いた演算の結果に基づいて、演算部３８で用いる計算モデルＭの更新が必要か否かを判定する。例えば、更新判定部３５は、第１計算モデルＭ１によって予測された水処理装置１の状態とセンサ２によって検出された水処理装置１の状態との差に基づいて、第１計算モデルＭ１の更新が必要か否かを判定することができる。

例えば、更新判定部３５は、流入水の流量の将来予測を行う第１計算モデルＭ１_１を用いて演算部３８によって演算された流入水の流量の予測値Ｆ１と、センサ２によって時間Ｔａ後に検出された流入水の流量の実測値Ｄａ１との差を演算する。更新判定部３５は、予測値Ｆ１と実測値Ｄａ１の差が閾値Ｖｔｈ１以上であるか否かを判定し、予測値Ｆ１と実測値Ｄａ１の差が閾値Ｖｔｈ１以上である場合に、第１計算モデルＭ１_１の更新が必要であると判定する。更新判定部３５は、予測値Ｆ１と実測値Ｄａ１の差が閾値Ｖｔｈ１未満である場合に、第１計算モデルＭ１_１の更新が不要であると判定する。

また、更新判定部３５は、予測値Ｆ１と実測値Ｄａ１の差が閾値Ｖｔｈ１以上であるか否かを判定することに代えて、予測値Ｆ１と実測値Ｄａ１の差の移動平均が閾値Ｖｔｈ２以上であるか否かを判定することができる。この場合、更新判定部３５は、予測値Ｆ１と実測値Ｄａ１の差の移動平均が閾値Ｖｔｈ２以上である場合に、第１計算モデルＭ１_１の更新が必要であると判定する。更新判定部３５は、予測値Ｆ１と実測値Ｄａ１の差の移動平均が閾値Ｖｔｈ２未満である場合に、第１計算モデルＭ１_１の更新が不要であると判定する。

同様に、更新判定部３５は、第１計算モデルＭ１_１の場合と同様の処理によって、各第１計算モデルＭ１_２〜Ｍ１_ｍの更新が必要か否かを判定することができる。なお、更新判定部３５は、例えば、複数の第１計算モデルＭ１における予測値Ｆと実測値Ｄａとの差の合計値が閾値以上である場合に、かかる複数の第１計算モデルＭ１の更新が必要であると判定することができる。

また、更新判定部３５は、複数の第１計算モデルＭ１における予測値Ｆと実測値Ｄａとの差の合計値の移動平均が閾値以上である場合に、かかる複数の第１計算モデルＭ１の更新が必要であると判定することができる。例えば、更新判定部３５は、各第１計算モデルＭ１_１〜Ｍ１_４における予測値Ｆと実測値Ｄａとの差の合計値の移動平均が閾値以上である場合に、複数の第１計算モデルＭ１_１〜Ｍ１_４の更新が必要であると判定することができる。

また、更新判定部３５は、シミュレータ部３６によって演算される結果に基づいて、第１計算モデルＭ１による予測精度を判定し、かかる判定結果に基づいて、第１計算モデルＭ１の更新が必要であると判定することもできる。

シミュレータ部３６は、例えば、活性汚泥モデルを用いた演算を行って水処理における物理的、生物的、および科学的な挙動を模擬する活性汚泥モデルシミュレータである。かかる活性汚泥モデルは、生物反応プロセスと物質収支の水質変化などを数学的に記述したモデルであり、例えば、ＩＷＡ（International Water Association）によって発表されている。シミュレータ部３６は、例えば、活性汚泥モデルを用いた演算によって、センサ２から出力される検出データＤから処理槽内特性および処理水特性を予測することができる。

更新判定部３５は、シミュレータ部３６によって演算される処理槽内特性の予測値と、演算部３８によって演算される第１計算モデルＭ１_５〜Ｍ１_ｍ−３による予測値Ｆ４〜Ｆｍ−３とを比較することで、各第１計算モデルＭ１_５〜Ｍ１_ｍ−３の更新が必要であると判定することができる。例えば、更新判定部３５は、シミュレータ部３６によって演算される溶存酸素量の予測値と、第１計算モデルＭ１_５を用いて演算部３８によって演算された溶存酸素量の予測値Ｆ５との差ΔＦ５を演算する。更新判定部３５は、演算した差ΔＦ５が閾値Ｖｔｈ３以上である場合または演算した差ΔＦ５の移動平均値が閾値Ｖｔｈ３以上である場合に、第１計算モデルＭ１_５の更新が必要であると判定することができる。

同様に、更新判定部３５は、シミュレータ部３６によって演算される処理水特性の予測値と、演算部３８によって演算された第１計算モデルＭ１_ｍ−２，Ｍ１_ｍ−１，Ｍ１_ｍによる予測値Ｆｍ−２，Ｆｍ−１，Ｆｍとを比較することで、各第１計算モデルＭ１_ｍ−２，Ｍ１_ｍ−１，Ｍ１_ｍの更新が必要であると判定することができる。

また、更新判定部３５は、第２計算モデルＭ２を用いた演算部３８による演算によって得られる制御目標値ＲＶ１，ＲＶ２に基づいて、第２計算モデルＭ２の更新が必要であると判定することができる。例えば、更新判定部３５は、第２計算モデルＭ２を用いて演算部３８によって演算される制御目標値ＲＶ１，ＲＶ２が予め設定された範囲Ｒｔｈであるか否かを判定する。更新判定部３５は、演算部３８によって演算される制御目標値ＲＶ１，ＲＶ２が予め設定された範囲Ｒｔｈではないと判定した場合に、第２計算モデルＭ２の更新が必要であると判定する。

また、更新判定部３５は、活性汚泥モデルを用いて、センサ２から出力される検出データＤから制御目標値ＲＶを演算することができる。更新判定部３５は、活性汚泥モデルにより得られる制御目標値ＲＶと、第２計算モデルＭ２を用いた演算部３８による演算によって得られる制御目標値ＲＶとの差ΔＲＶを演算する。更新判定部３５は、差ΔＲＶが閾値ＲＶｔｈ以上である場合、または差ΔＲＶの移動平均値が閾値ＲＶｔｈ以上である場合に、第２計算モデルＭ２の更新が必要であると判定する。

なお、上述した例では、更新判定部３５は、演算部３８による計算モデルＭを用いた演算の結果に基づいて、演算部３８で用いる計算モデルＭの更新が必要か否かを判定するが、計算モデルＭの更新の要否判定は、上述した例に限定されない。例えば、更新判定部３５は、予め設定された周期毎に演算部３８で用いる計算モデルＭの更新が必要であると判定することもできる。

状態判定部３７は、更新判定部３５によって計算モデルＭの更新が必要であると判定された場合、学習処理部３３による学習処理に用いられる演算資源の負荷状態に基づいて、学習処理部３３による学習処理の可否を判定する。制御装置３内において学習処理部３３による学習処理に用いられる演算資源がＣＰＵ（Central Processing Unit）の場合、演算資源の負荷状態は、ＣＰＵの負荷状態であり、例えば、ＣＰＵの使用率である。

状態判定部３７は、演算資源がＣＰＵである場合、例えば、ＣＰＵの使用率が閾値Ｒｔｈ１未満である場合に、学習処理部３３による学習処理が可能であると判定する。また、状態判定部３７は、例えば、ＣＰＵの使用率が閾値Ｒｔｈ１以上である場合に、学習処理部３３による学習処理が不可であると判定する。

学習処理部３３は、状態判定部３７による判定結果に基づいて、学習処理を実行する、例えば、学習処理部３３は、状態判定部３７によって学習処理部３３による学習処理が可能であると判定されている状態で、学習処理を行う。また、学習処理部３３は、状態判定部３７によって学習処理部３３による学習処理が不可であると判定されている状態で、学習処理を行わない。

また、状態判定部３７は、学習処理部３３による学習処理の実行中に演算資源の負荷状態が予め設定された停止条件を満たすか否かを判定する。状態判定部３７は、演算資源がＣＰＵである場合、例えば、ＣＰＵの使用率が閾値Ｒｔｈ２以上である場合に、停止条件を満たすと判定する。なお、閾値Ｒｔｈ２は、例えば、閾値Ｒｔｈ１より小さい値である。

また、状態判定部３７は、学習処理部３３による学習処理の停止中に演算資源の負荷状態が予め設定された再開条件を満たすか否かを判定する。状態判定部３７は、演算資源がＣＰＵである場合、例えば、ＣＰＵの使用率が閾値Ｒｔｈ３未満である場合に、再開条件を満たすと判定する。なお、閾値Ｒｔｈ３は、例えば、閾値Ｒｔｈ２より小さい値である。

学習処理部３３は、学習処理の実行中に状態判定部３７によって演算資源の負荷状態が停止条件を満たすと判定された場合に、学習処理の実行を停止する。また、学習処理部３３は、学習処理の停止中に状態判定部３７によって演算資源の負荷状態が再開条件を満たすと判定された場合に、学習処理の実行を再開する。

なお、上述した例では、状態判定部３７は、更新判定部３５によって計算モデルＭの更新が必要であると判定された場合に、学習処理部３３による学習処理の可否を判定するが、学習処理の可否の判定は、上述した例に限定されない。例えば、状態判定部３７は、更新判定部３５によって計算モデルＭの更新が必要であると判定されたか否かにかかわらず、学習処理部３３による学習処理の可否を判定することもできる。この場合、制御装置３には、更新判定部３５を設けなくてもよい。また、制御装置３に状態判定部３７を設けない構成であってもよい。この場合、学習処理部３３は、更新判定部３５によって計算モデルＭの更新が必要と判定された場合に学習処理を行う。

演算部３８は、動作モードとして第１モードと第２モードとを有している。演算部３８は、動作モードが第１モードに設定されている場合、第１計算モデルＭ１を用いた演算を行う。また、演算部３８は、動作モードが第２モードに設定されている場合、第２計算モデルＭ２を用いた演算を行う。

水処理プラント１００のオペレータは、中央監視装置４を操作することで、演算部３８の動作モードの情報を中央監視装置４から制御装置３へ送信することができる。演算部３８は、中央監視装置４から送信される動作モードの情報を通信部４０から取得し、取得した動作モードの情報に基づいて、第１モードおよび第２モードの一方の動作モードで計算モデルＭを用いた演算を行うことができる。

まず、第１モードについて説明する。演算部３８は、動作モードが第１モードに設定されている場合、データ取得部３０によって取得されたセンサ２の時系列の検出データＤを取得する。演算部３８は、取得した時系列の検出データＤを入力とする複数の第１計算モデルＭ１_１〜Ｍ１_ｍを用いた演算を行い、第１計算モデルＭ１_１〜Ｍ１_ｍから出力される予測値Ｆ１〜Ｆｍを取得する。

例えば、演算部３８は、センサ２０_１から出力される時系列の検出データＤ１を入力とする第１計算モデルＭ１_１を用いた演算を行い、第１計算モデルＭ１_１の出力である流入水の流量の予測値Ｆ１を取得する。また、演算部３８は、センサ２０_２から出力される時系列の検出データＤ２を入力とする第１計算モデルＭ１_２を用いた演算を行い、第１計算モデルＭ１_２の出力である流入水のＢＯＤの予測値Ｆ２を取得する。

同様に、演算部３８は、センサ２０_３から出力される時系列の検出データＤ３を入力とする第１計算モデルＭ１_３を用いた演算を行い、第１計算モデルＭ１_３の出力である流入水の温度の予測値Ｆ３を取得する。また、演算部３８は、センサ２０_４から出力される時系列の検出データＤ４を入力とする第１計算モデルＭ１_４を用いた演算を行い、第１計算モデルＭ１_４の出力である流入水のＮＨ_３の予測値Ｆ４を取得する。

演算部３８は、第１計算モデルＭ１_１〜Ｍ１_ｍを用いた演算によって得られる予測値Ｆ１〜Ｆｍに基づいて、制御対象機器の制御目標値ＲＶ１，ＲＶ２を演算し、演算した制御目標値ＲＶ１，ＲＶ２を制御部３９へ出力する。例えば、演算部３８は、予測値Ｆ１〜Ｆｍを入力し、制御目標値ＲＶ１，ＲＶ２を出力する計算モデルを用いて、予測値Ｆ１〜Ｆｍから制御目標値ＲＶ１，ＲＶ２を演算することができる。かかる計算モデルは、例えば、学習データ記憶部３２に記憶されたデータに基づいて学習処理部３３によって生成および更新することができる。なお、演算部３８は、第１計算モデルＭ１_１〜Ｍ１_ｍがリカレントニューラルネットワークである場合、データ取得部３０によって新たに取得された検出データＤを取得する毎に予測値Ｆ１〜Ｆｍを得ることができる。

次に、第２モードについて説明する。演算部３８は、動作モードが第２モードに設定されている場合、データ取得部３０によって取得されたセンサ２の検出データＤを取得する。演算部３８は、取得した時系列の検出データＤを第２計算モデルＭ２に入力して第２計算モデルＭ２を用いた演算を行い、第２計算モデルＭ２から出力される制御目標値ＲＶ１，ＲＶ２を取得する。演算部３８は、第２計算モデルＭ２を用いた演算によって得られる制御目標値ＲＶ１，ＲＶ２を制御部３９へ出力する。

上述した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１および図３に示す制御部３９について説明する。制御部３９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１を制御することができる。例えば、制御部３９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、制御部３９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。

制御部３９は、演算部３８から出力される制御目標値ＲＶ１に基づいて、水処理装置１のブロワ１４を制御する。また、制御部３９は、演算部３８から出力される制御目標値ＲＶ２に基づいて、水処理装置１のポンプ１５を制御する。図６は、実施の形態１にかかる制御装置の制御部の構成例を示す図である。図６に示すように、制御部３９は、ブロワ制御部５１と、ポンプ制御部５２とを備える。

ブロワ制御部５１は、演算部３８から出力される制御目標値ＲＶ１を取得する。また、ブロワ制御部５１は、センサ２０_５で検出される溶存酸素量を示す数値データをセンサ２０_５から取得する。ブロワ制御部５１は、ブロワ１４の制御目標値ＲＶ１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５１は、生成した制御信号をブロワ１４へ出力する。ブロワ１４は、ブロワ制御部５１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５２は、演算部３８から出力される制御目標値ＲＶ２を取得する。また、ポンプ制御部５２は、活性汚泥の流量を検出するセンサから、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５２は、ポンプ１５の制御目標値ＲＶ２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５２は、生成した制御信号をポンプ１５へ出力する。ポンプ１５は、ポンプ制御部５２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。

通信部４０は、データ取得部３０によって取得される検出データＤ、および演算部３８によって演算される制御目標値ＲＶ，ＲＶ２などを中央監視装置４へ出力する。中央監視装置４は、通信部４０から送信される検出データＤおよび制御目標値ＲＶ，ＲＶ２などを不図示の表示部に表示する。これにより、水処理プラント１００のオペレータは、水処理装置１の状態および制御装置３による水処理制御の状態を監視することができる。

つづいて、制御装置３の動作を、フローチャートを用いて説明する。図７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３によって繰り返し実行される。

図７に示すように、制御装置３のデータ取得部３０は、センサ２から検出データＤを取得する処理を実行する（ステップＳ１０）。次に、制御装置３は、学習データ記憶処理を実行する（ステップＳ１１）。かかるステップＳ１１の処理は、図８に示すステップＳ２０，Ｓ２１の処理であり、後で詳述する。

次に、制御装置３は、水処理制御を実行する（ステップＳ１２）。かかるステップＳ１２の処理は、図９に示すステップＳ３０〜Ｓ３３の処理であり、後で詳述する。また、制御装置３は、学習モデル処理を実行する（ステップＳ１３）。かかるステップＳ１３の処理は、図１０に示すステップＳ４０〜Ｓ４８の処理であり、後で詳述する。

制御装置３は、ステップＳ１３の処理が終了した場合、図７に示す処理を終了する。なお、ステップＳ１１，Ｓ１２，Ｓ１３の処理は、上述した順序に限定されない。また、制御装置３は、ステップＳ１１，Ｓ１２，Ｓ１３の処理を並行して実行することもできる。また、制御装置３は、ステップＳ１３の処理を、ステップＳ１１，Ｓ１２の処理よりも長い周期で行うこともできる。

図８は、実施の形態１にかかる制御装置の学習データ記憶処理の一例を示すフローチャートである。図８に示すように、制御装置３のデータ選択部３１は、検出データＤが設定された選択条件を満たすか否かを判定する（ステップＳ２０）。データ選択部３１は、検出データＤが選択条件を満たすと判定した場合（ステップＳ２０：Ｙｅｓ）、選択条件を満たす検出データＤを学習データ記憶部３２に記憶する（ステップＳ２１）。

データ選択部３１は、ステップＳ２１の処理が終了した場合、または検出データＤが設定された選択条件を満たさないと判定した場合（ステップＳ２０：Ｎｏ）、図８に示す処理を終了する。

図９は、実施の形態１にかかる制御装置の水処理制御の一例を示すフローチャートである。図９に示すように、制御装置３の演算部３８は、動作モードが第１モードに設定されているか否かを判定する（ステップＳ３０）。演算部３８は、動作モードが第１モードに設定されていると判定した場合（ステップＳ３０：Ｙｅｓ）、第１モードの演算処理を行う（ステップＳ３１）。第１モードの演算処理は、上述した複数の第１計算モデルＭ１を用いた演算に基づいて、制御目標値ＲＶ１，ＲＶ２を求める処理である。

演算部３８は、動作モードが第１モードに設定されていないと判定した場合（ステップＳ３０：Ｎｏ）、第２モードの演算処理を行う（ステップＳ３２）。第２モードの演算処理は、上述した第２計算モデルＭ２を用いた演算に基づいて、制御目標値ＲＶ１，ＲＶ２を求める処理である。

制御部３９は、演算部３８による演算処理の結果に基づいて、水処理装置１を制御する（ステップＳ３３）。ステップＳ３３の処理において、制御部３９は、演算部３８によって得られる制御目標値ＲＶ１，ＲＶ２に基づいて、水処理装置１のブロワ１４およびポンプ１５を制御する。制御部３９は、ステップＳ３３の処理が終了した場合、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学習モデル処理の一例を示すフローチャートである。図１０に示す処理は、モデル記憶部３４に記憶されている計算モデル毎に行われる。以下、モデル記憶部３４に記憶される複数の第１計算モデルＭ１_１〜Ｍ１_ｍおよび第２計算モデルＭ２のうち、第１計算モデルＭ１_１についての学習モデル処理を例に挙げて説明するが、第１計算モデルＭ１_２〜Ｍ１_ｍおよび第２計算モデルＭ２についての学習モデル処理も、第１計算モデルＭ１_１についての学習モデル処理と同様に行われる。

図１０に示すように、制御装置３の状態判定部３７は、第１計算モデルＭ１_１の学習処理が実行中であるか否かを判定する（ステップＳ４０）。状態判定部３７は、第１計算モデルＭ１_１の学習処理が実行中であると判定した場合（ステップＳ４０：Ｙｅｓ）、演算資源の負荷状態が停止条件を満たすか否かを判定する（ステップＳ４１）。学習処理部３３は、状態判定部３７によって演算資源の負荷状態が停止条件を満たすと判定された場合（ステップＳ４１：Ｙｅｓ）、第１計算モデルＭ１_１の学習処理を停止する（ステップＳ４２）。

状態判定部３７は、第１計算モデルＭ１_１の学習処理が実行中ではないと判定した場合（ステップＳ４０：Ｎｏ）、第１計算モデルＭ１_１の学習処理が停止中であるか否かを判定する（ステップＳ４３）。状態判定部３７は、第１計算モデルＭ１_１の学習処理が停止中であると判定した場合（ステップＳ４３：Ｙｅｓ）、演算資源の負荷状態が再開条件を満たすか否かを判定する（ステップＳ４４）。学習処理部３３は、状態判定部３７によって演算資源の負荷状態が再開条件を満たすと判定された場合（ステップＳ４４：Ｙｅｓ）、第１計算モデルＭ１_１の学習処理を再開する（ステップＳ４５）。

更新判定部３５は、状態判定部３７によって第１計算モデルＭ１_１の学習処理が停止中ではないと判定された場合（ステップＳ４３：Ｎｏ）、第１計算モデルＭ１_１の更新が必要であるか否かを判定する（ステップＳ４６）。状態判定部３７は、更新判定部３５によって第１計算モデルＭ１_１の更新が必要であると判定された場合（ステップＳ４６：Ｙｅｓ）、演算資源の負荷状態に基づいて、第１計算モデルＭ１_１の更新が可能であるか否かを判定する（ステップＳ４７）。

学習処理部３３は、状態判定部３７によって第１計算モデルＭ１_１の更新が可能であると判定された場合（ステップＳ４７：Ｙｅｓ）、第１計算モデルＭ１_１を更新するために、第１計算モデルＭ１_１の学習処理を開始する（ステップＳ４８）。

制御装置３は、ステップＳ４２の処理が終了した場合、ステップＳ４５の処理が終了した場合、ステップＳ４８の処理が終了した場合、停止条件を満たさないと判定した場合（ステップＳ４１：Ｎｏ）、再開条件を満たさないと判定した場合（ステップＳ４４：Ｎｏ）、計算モデルＭの更新が必要でないと判定した場合（ステップＳ４６：Ｎｏ）、または計算モデルＭの更新が可能ではないと判定した場合（ステップＳ４７：Ｎｏ）、図１０に示す処理を終了する。

図１１は、実施の形態１にかかる制御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、制御装置３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４０は、インタフェイス回路１０３によって実現される。学習データ記憶部３２およびモデル記憶部３４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、データ取得部３０、データ選択部３１、学習処理部３３、更新判定部３５、シミュレータ部３６、状態判定部３７、演算部３８、および制御部３９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、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、制御装置３が専用のハードウェアで実現される場合、データ取得部３０、データ選択部３１、学習処理部３３、更新判定部３５、シミュレータ部３６、状態判定部３７、演算部３８、および制御部３９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。

なお、上述した例では、演算部３８において第１計算モデルＭ１_１〜Ｍ１_ｍの出力に基づいて制御目標値ＲＶ１，ＲＶ２を演算するが、演算部３８に代えて制御部３９が第１計算モデルＭ１_１〜Ｍ１_ｍの出力に基づいて制御目標値ＲＶ１，ＲＶ２を演算する構成であってもよい。

また、上述した例では、制御装置３によっ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、制御装置３によっ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。例えば、制御対象機器は、処理槽１２における水の温度を調整するヒータ、および処理槽１２への薬液の投入を制御する機器であってもよい。

以上のように、実施の形態１にかかる水処理プラント１００は、複数の水処理装置１を監視する中央監視装置４と、複数の水処理装置１のうち対応する水処理装置１の制御を各々実行する複数の制御装置３と、中央監視装置４の外部に配置してあり、機械学習によって生成される計算モデルＭを用いて水処理装置１に対する制御に関わる演算を行う演算部３８とを備える。このように、演算部３８を中央監視装置４の外部に配置しているため、複数の装置を備える水処理プラントで効果的に水処理制御を行うことができる。なお、例えば、水処理装置１_１が第１水処理装置に相当し、水処理装置１_ｎが第２水処理装置の一例であり、制御装置３_１が第１制御装置の一例であり、制御装置３_ｎが第２制御装置の一例である。また、例えば、制御装置３_１に含まれる演算部３８が第１演算部の一例である。制御装置３_ｎに含まれる演算部３８が第２演算部の一例である。また、制御装置３に含まれる演算部３８は、ＡＩであり、制御装置３は、例えば、ＡＩ装置である。

また、水処理プラント１００は、複数の水処理装置１のうち対応する水処理装置１の状態を各々検出する複数のセンサ２を備え、複数の制御装置３の各々は、複数のセンサ２のうち対応するセンサ２から出力される検出データＤに基づいて、複数の水処理装置１のうち対応する水処理装置１の制御を実行する。複数の制御装置３の各々は、機械学習によって生成される計算モデルＭを用いて、複数の水処理装置１のうち対応する水処理装置１の制御に関わる演算を行う演算部３８を備える。これにより、水処理制御に関わる演算を行うＡＩを水処理装置１の近くに配置することができる。そのため、例えば、データの伝送遅延などを抑制することができ、センサ２から出力される検出データＤに基づく水処理装置１の制御処理の高速化を図ることができる。したがって、複数の水処理装置１を備える水処理プラント１００において、効果的に水処理制御を行うことができる。なお、例えば、センサ２_１が第１センサの一例であり、センサ２_ｎが第２センサの一例である。また、例えば、制御装置３_１に含まれる演算部３８が用いる計算モデルＭが第１計算モデルの一例であり、制御装置３_ｎに含まれる演算部３８が用いる計算モデルＭが第２計算モデルの一例である。

また、中央監視装置４は、制御装置３に含まれる演算部３８の演算に基づく制御が行われた水処理装置１を監視する。これにより、水処理装置１における水処理制御の状態を中央監視装置４で監視することができる。

また、制御装置３は、データ選択部３１と、学習データ記憶部３２と、学習処理部３３とを備える。データ選択部３１は、検出データＤのうち予め設定された条件を満たす検出データＤを選択する。検出データＤのうち予め設定された条件を満たす検出データＤは、条件充足検出データの一例である。学習データ記憶部３２は、データ選択部３１によって選択された検出データＤを記憶する。学習処理部３３は、学習データ記憶部３２に記憶された検出データＤに基づいて、計算モデルＭの生成および更新のうち少なくとも一方を行う。このように計算モデルＭの学習処理を制御装置３で行うことから、例えば、制御装置３と中央監視装置４との通信に異常が生じた場合などにおいても、ＡＩによる水処理制御を行うことができ、効果的に水処理制御を行うことができる。また、検出データＤのうち予め設定された条件を満たす検出データＤを選択することから、検出データＤをすべて計算モデルＭの学習処理に用いる場合に比べ、学習データ記憶部３２の記憶容量を抑えることができる。なお、例えば、制御装置３_１に含まれる演算部３８が用いる計算モデルＭの機械学習が第１機械学習の一例であり、制御装置３_ｎに含まれる演算部３８が用いる計算モデルＭの機械学習が第２機械学習の一例である。

また、制御装置３は、学習処理部３３による学習処理に用いられる演算資源の負荷状態に基づいて、学習処理の可否を判定する状態判定部３７を備える。学習処理部３３は、状態判定部３７による判定結果に基づいて、学習処理を実行する。これにより、例えば、演算資源の負荷が高い場合などにおいて、学習処理が実行されることを抑制できる。そのため、例えば、制御装置３における他の処理に影響を及ぼさずに学習処理を実行することができ、制御装置３において演算資源の少ない場合であっても、学習処理を実行することができる。

また、状態判定部３７は、学習処理部３３による学習処理の実行中に負荷状態が予め設定された停止条件を満たすか否かを判定する。学習処理部３３は、学習処理を実行中に状態判定部３７によって負荷状態が停止条件を満たすと判定された場合に、学習処理の実行を停止する。これにより、学習処理を実行中において、例えば、制御装置３における他の処理に影響を及ぼすような状況を回避することができる。

また、制御装置３は、計算モデルＭを用いた演算の結果に基づいて、計算モデルＭの更新が必要か否かを判定する更新判定部３５を備える。学習処理部３３は、更新判定部３５による判定結果に基づいて、学習処理を実行する。これにより、例えば、計算モデルＭが現状の水処理装置１の状態に対する予測に適しなくなった場合に、計算モデルＭの更新を行うことができる。そのため、例えば、定期的な計算モデルＭの更新に比べ、計算モデルＭの更新の頻度を低減することが可能になる。したがって、制御装置３において演算資源の少ない場合であっても、計算モデルＭの更新を効率的に行うことができる。

また、計算モデルＭは、水処理装置１の状態の予測値Ｆを出力とするモデルである。更新判定部３５は、計算モデルＭによる予測時間においてセンサ２で検出される水処理装置１の状態の実測値Ｄａと計算モデルＭの予測値Ｆとの差に基づいて、計算モデルＭの更新が必要か否かを判定する。計算モデルＭによる予測時間は、上述した時間Ｔａ後の時間である。また、実測値Ｄａと予測値Ｆとの差は、いわゆる計算モデルＭの予測誤差である。これにより、計算モデルＭが現状の水処理装置１の状態に対する予測に適しない状態になったことを精度よく判定することができる。

また、制御装置３は、水処理装置１の状態に基づいて水処理装置１の状態の予測値を出力するシミュレータ部３６を備える。計算モデルＭは、水処理装置１の状態の予測値Ｆを出力とする計算モデルである。更新判定部３５は、シミュレータ部３６の予測値と計算モデルＭの予測値Ｆの差に基づいて、計算モデルＭの更新が必要か否かを判定する。これにより、計算モデルＭが現状の水処理装置１の状態に対する予測に適しない状態になったことを精度よく判定することができる。

また、制御装置３は、比例積分制御または比例積分微分制御によって水処理装置１の制御を行う。これにより、水処理装置１を精度よく制御することができる。

上記の実施の形態１では、演算部３８が制御目標値を演算する一例について説明した。しかしながら本発明は、当一例に限定されない。例えば、演算部３８が制御操作量を演算し、演算した制御操作量の情報に基づいて制御部３９が水処理装置１を制御するように構成してもよい。

実施の形態２．
実施の形態２では、シミュレータ部が中央監視装置に設けられている点で、シミュレータ部が制御装置に設けられている実施の形態１と異なる。以下においては、実施の形態１と同様の機能を有する構成要素については同一符号を付して説明を省略し、実施の形態１の水処理プラント１００と異なる点を中心に説明する。

図１２は、実施の形態２にかかる水処理プラントの構成例を示す図である。図１２に示すように、実施の形態２にかかる水処理プラント１００Ａは、水処理装置１と、センサ２と、制御装置３Ａと、中央監視装置４Ａとを備える。なお、図１２では、制御装置３Ａが一つのみ図示されているが、水処理プラント１００Ａは、水処理プラント１００と同様に、制御装置３Ａを複数備える。

制御装置３Ａは、シミュレータ部３６が設けられていない点で制御装置３と異なる。また、中央監視装置４Ａは、シミュレータ部４６が設けられている点で、中央監視装置４と異なる。

シミュレータ部４６は、シミュレータ部３６と同様の機能を有している。かかるシミュレータ部４６は、活性汚泥モデルを用いた演算を行う。シミュレータ部４６は、例えば、センサ２から出力される検出データＤを各制御装置３から取得し、取得した検出データＤから各水処理装置１における処理槽内特性および処理水特性を、活性汚泥モデルを用いた演算によって、予測することができる。

各制御装置３Ａの更新判定部３５は、例えば、中央監視装置４Ａからシミュレータ部４６によって演算された処理槽内特性の予測値および処理水特性の予測値を取得し、また、演算部３８によって演算された第１計算モデルＭ１による予測値Ｆを取得する。更新判定部３５は、シミュレータ部４６によって演算された予測値と第１計算モデルＭ１による予測値Ｆとを比較し、かかる比較結果に基づいて、第１計算モデルＭ１の更新が必要であると判定することができる。

実施の形態２にかかる制御装置３Ａのハードウェア構成例は、シミュレータ部３６の機能がない点以外は、実施の形態１にかかる制御装置３と同じである。また、実施の形態２にかかる中央監視装置４Ａは、図１１に示すハードウェア構成と同様の構成とすることができる。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、シミュレータ部４６の機能を実行することができる。

以上のように、実施の形態２にかかる制御装置３Ａは、シミュレータ部３６を有しておらず、中央監視装置４Ａは、シミュレータ部４６を有している。これにより、制御装置３Ａは、センサ２から出力される検出データＤに基づく水処理装置１の制御処理の高速化を図りつつも、制御装置３に比べて、構成が簡易になり、製造コストなどを低減することができる。また、複数の制御装置３Ａが互いに異なるタイミングで学習モデル処理を行うことで、一つのシミュレータ部４６を用いて効率的な処理を行うことができる。

実施の形態３．
実施の形態３では、各制御装置で用いられる計算モデルの生成および更新が中央監視装置によって行われる点で、計算モデルの生成よび更新が各制御装置によって行われる実施の形態１と異なる。以下においては、実施の形態１と同様の機能を有する構成要素については同一符号を付して説明を省略し、実施の形態１の水処理プラント１００と異なる点を中心に説明する。

図１３は、実施の形態３にかかる水処理プラントの構成例を示す図である。図１３に示すように、実施の形態３にかかる水処理プラント１００Ｂは、水処理装置１と、センサ２と、制御装置３Ｂと、中央監視装置４Ｂとを備える。なお、図１３では、制御装置３Ｂが一つのみ図示されているが、水処理プラント１００Ｂは、水処理プラント１００と同様に、制御装置３Ｂを複数備える。

制御装置３Ｂは、データ選択部３１、学習データ記憶部３２、学習処理部３３、更新判定部３５、シミュレータ部３６、および状態判定部３７が設けられていない点で制御装置３と異なる。また、中央監視装置４Ｂは、データ選択部４１、学習データ記憶部４２、学習処理部４３、更新判定部４５、シミュレータ部４６、状態判定部４７、および通信部５０が設けられている点で、中央監視装置４と異なる。

データ選択部４１、学習データ記憶部４２、学習処理部４３、更新判定部４５、シミュレータ部４６、および状態判定部４７は、データ選択部３１、学習データ記憶部３２、学習処理部３３、更新判定部３５、シミュレータ部３６、および状態判定部３７と各々同様の機能を有している。

図１３に示す例では、データ選択部４１、学習データ記憶部４２、学習処理部４３、更新判定部４５、シミュレータ部４６、および状態判定部４７は、複数の制御装置３Ｂで共通に設けられており、各制御装置３Ｂで用いられる計算モデルの生成および更新に用いられる。なお、データ選択部４１、学習データ記憶部４２、学習処理部４３、更新判定部４５、シミュレータ部４６、および状態判定部４７は、制御装置３Ｂ毎に設けられてもよい。

なお、データ選択部４１、更新判定部４５、シミュレータ部４６、および状態判定部４７は、必要なデータを各制御装置３Ｂから通信ネットワーク５および通信部５０を経由して取得する点で、データ選択部３１、更新判定部３５、シミュレータ部３６、および状態判定部３７と各々異なる。また、学習処理部４３は、生成した計算モデルＭを、通信部５０から通信ネットワーク５経由で各制御装置３Ｂへ送信する点で、学習処理部３３と異なる。各制御装置３Ｂは、中央監視装置４Ｂから送信される計算モデルＭをモデル記憶部３４に記憶する。

実施の形態３にかかる制御装置３Ｂのハードウェア構成例は、データ選択部３１、学習処理部３３、更新判定部３５、シミュレータ部３６、および状態判定部３７の機能がない点、および学習データ記憶部３２がない点以外は、実施の形態１にかかる制御装置３と同じである。また、実施の形態３にかかる中央監視装置４Ｂは、図１１に示すハードウェア構成と同様の構成とすることができる。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、データ選択部４１、学習処理部４３、更新判定部４５、シミュレータ部４６、および状態判定部４７の機能を実行することができる。また、学習データ記憶部４２は、メモリ１０２によって実現される。

以上のように、実施の形態３にかかる中央監視装置４Ｂは、各制御装置３Ｂで用いられる計算モデルＭの生成を行う。これにより、制御装置３Ｂは、センサ２から出力される検出データＤに基づく水処理装置１の制御処理の高速化を図りつつも、制御装置３に比べて、構成が簡易になり、製造コストなどを低減することができる。また、複数の制御装置３Ｂが互いに異なるタイミングで学習モデル処理を行うことで効率的な処理を行うことができる。

実施の形態４．
実施の形態４では、計算モデルの生成および更新、および計算モデルを用いた演算が中央監視装置によって行われる点で、計算モデルの生成および更新、および計算モデルを用いた演算が制御装置によって行われる実施の形態１と異なる。以下においては、実施の形態１と同様の機能を有する構成要素については同一符号を付して説明を省略し、実施の形態１の水処理プラント１００と異なる点を中心に説明する。

図１４は、実施の形態４にかかる水処理プラントの概略を示す図である。図１４に示すように、実施の形態４にかかる水処理プラント１００Ｃは、複数の水処理装置１_１〜１_ｎと、複数のセンサ２_１〜２_ｎと、複数の水処理装置１_１〜１_ｎを各々制御する制御装置３Ｃ_１〜３Ｃ_ｎと、複数の水処理装置１_１〜１_ｎを監視する中央監視装置４Ｃとを備える。なお、ｎは、２以上の整数である。以下、複数の制御装置３Ｃ_１〜３Ｃ_ｎの各々を区別せずに示す場合、制御装置３Ｃと記載する。

図１５は、実施の形態４にかかる水処理装置の構成例を示す図である。なお、図１５では、図１４に示す複数の制御装置３Ｃのうち一つの制御装置３Ｃのみを図示している。制御装置３Ｃは、データ選択部３１、学習データ記憶部３２、学習処理部３３、モデル記憶部３４、更新判定部３５、シミュレータ部３６、状態判定部３７、および演算部３８が設けられていない点で制御装置３と異なる。また、中央監視装置４Ｃは、データ選択部４１、学習データ記憶部４２、学習処理部４３、モデル記憶部４４、更新判定部４５、シミュレータ部４６、状態判定部４７、演算部４８、および通信部５０が設けられている点で、中央監視装置４と異なる。

データ選択部４１、学習データ記憶部４２、学習処理部４３、モデル記憶部４４、更新判定部４５、シミュレータ部４６、状態判定部４７、および演算部４８は、データ選択部３１、学習データ記憶部３２、学習処理部３３、モデル記憶部３４、更新判定部３５、シミュレータ部３６、状態判定部３７、および演算部３８と各々同様の機能を有している。

図１５に示す例では、データ選択部４１、学習データ記憶部４２、学習処理部４３、モデル記憶部４４、更新判定部４５、シミュレータ部４６、状態判定部４７、および演算部４８は、複数の制御装置３Ｃに対応して共通に設けられており、各制御装置３Ｃで用いられる計算モデルＭの生成および更新、かかる計算モデルＭを用いた演算に用いられる。なお、中央監視装置４Ｃにおいて、データ選択部４１、学習データ記憶部４２、学習処理部４３、モデル記憶部４４、更新判定部４５、シミュレータ部４６、状態判定部４７、および演算部４８は、制御装置３Ｃ毎に対応して設けられてもよい。

なお、データ選択部４１、更新判定部４５、およびシミュレータ部４６は、必要なデータを各制御装置３Ｃから通信ネットワーク５および通信部５０を経由して取得する点で、データ選択部３１、更新判定部３５、およびシミュレータ部３６と各々異なる。また、演算部４８は、演算結果である制御目標値ＲＶの情報を通信部５０から通信ネットワーク５経由で制御部３９へ送信する点で、演算部３８と異なる。各制御装置３Ｃは、中央監視装置４Ｃから送信される制御目標値ＲＶの情報に基づいて、水処理装置１を制御する。

実施の形態４にかかる制御装置３Ｃのハードウェア構成例は、データ選択部３１、学習データ記憶部３２、学習処理部３３、モデル記憶部３４、更新判定部３５、シミュレータ部３６、状態判定部３７、および演算部３８がない点以外は、実施の形態１にかかる制御装置３と同じである。また、実施の形態４にかかる中央監視装置４Ｃは、図１１に示すハードウェア構成と同様の構成とすることができる。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、データ選択部４１、学習処理部４３、更新判定部４５、シミュレータ部４６、状態判定部４７、および演算部４８の機能を実行することができる。また、学習データ記憶部４２およびモデル記憶部４４は、メモリ１０２によって実現される。

以上のように、実施の形態４にかかる水処理プラント１００Ｃは、複数の水処理装置１を監視する中央監視装置４Ｃと、複数の水処理装置１のうち対応する水処理装置状態を各々検出する複数のセンサ２と、複数の水処理装置１のうち対応する水処理装置１の制御を各々実行する複数の制御装置３Ｃとを備える。中央監視装置４Ｃは、機械学習によって生成される計算モデルＭを用いて、センサ２から出力される検出データＤに基づく水処理装置１毎の制御に関わる演算を行う演算部４８を備える。複数の制御装置３Ｃの各々は、中央監視装置４Ｃによる計算モデルＭを用いた演算の結果に基づいて、複数の水処理装置１のうち対応する水処理装置１の制御を実行する。これにより、例えば、水処理システムにおいて制御装置を変更することなく、ＡＩによる水処理制御を行うことができ、複数の水処理装置１を備える水処理プラント１００ＣによってＡＩによって効果的に水処理制御を行うことができる。また、中央監視装置４Ｃには、過去の種々のデータが記憶されるため、効率的に水処理制御を行うことができる。

実施の形態５．
実施の形態５では、計算モデルの生成および更新、および計算モデルを用いた演算がクラウドのサーバによって行われる点で、計算モデルの生成および更新、および計算モデルを用いた演算が制御装置または中央監視装置によって行われる実施の形態１，４と異なる。以下においては、実施の形態１，４と同様の機能を有する構成要素については同一符号を付して説明を省略し、実施の形態１，４の水処理プラント１００，１００Ｃと異なる点を中心に説明する。

図１６は、実施の形態５にかかる水処理プラントの概略を示す図である。図１６に示すように、実施の形態５にかかる水処理プラント１００Ｄは、複数の水処理装置１_１〜１_ｎと、複数のセンサ２_１〜２_ｎと、制御装置３Ｃ_１〜３Ｃ_ｎと、複数の水処理装置１_１〜１_ｎを監視する中央監視装置４Ｄとを備える。以下、複数の制御装置３Ｃ_１〜３Ｃ_ｎの各々を区別せずに示す場合、制御装置３Ｃと記載する。

中央監視装置４Ｄは、計算モデルＭの生成および更新、および計算モデルＭを用いた演算を行うクラウドサーバ６と互いに通信ネットワーク７を介して通信可能に接続される。通信ネットワーク７は、例えば、インターネットである。クラウドサーバ６は、インターネット上に配置されるサーバである。中央監視装置４Ｄは、制御装置３Ｃから取得した検出データＤを通信ネットワーク７経由でクラウドサーバ６へ送信する。

図１７は、実施の形態５にかかるクラウドサーバの構成例を示す図である。図１７に示すように、クラウドサーバ６は、データ選択部６１、学習データ記憶部６２、学習処理部６３、モデル記憶部６４、更新判定部６５、シミュレータ部６６、状態判定部６７、演算部６８、および通信部７０を有する。データ選択部６１、学習データ記憶部６２、学習処理部６３、モデル記憶部６４、更新判定部６５、シミュレータ部６６、状態判定部６７、および演算部６８は、データ選択部３１、学習データ記憶部３２、学習処理部３３、モデル記憶部３４、更新判定部３５、シミュレータ部３６、状態判定部３７、および演算部３８と各々同様の機能を有している。

図１７に示す例では、データ選択部６１、学習データ記憶部６２、学習処理部６３、モデル記憶部６４、更新判定部６５、シミュレータ部６６、状態判定部６７、演算部６８は、複数の制御装置３Ｃに対応して共通に設けられ、各制御装置３Ｃで用いられる計算モデルＭの生成および更新、および計算モデルＭを用いた演算に用いられる。なお、クラウドサーバ６において、データ選択部６１、学習データ記憶部６２、学習処理部６３、モデル記憶部６４、更新判定部６５、シミュレータ部６６、状態判定部６７、演算部６８は、制御装置３Ｃ毎に対応して設けられてもよい。

なお、データ選択部６１は、検出データＤを中央監視装置４Ｄから通信ネットワーク７を経由して取得する点で、データ選択部３１と各々異なる。また、演算部６８は、演算結果である制御目標値ＲＶの情報を通信部７０から通信ネットワーク７経由で中央監視装置４Ｄへ送信する点で、演算部３８と異なる。中央監視装置４Ｄは、クラウドサーバ６から送信される制御目標値ＲＶの情報を制御装置３Ｃの制御部３９へ送信する。制御装置３Ｃの制御部３９は、中央監視装置４Ｄから受信した制御目標値ＲＶの情報に基づいて、水処理装置１を制御する。

実施の形態５にかかるクラウドサーバ６のハードウェア構成例は、図１１に示すハードウェア構成と同様の構成とすることができる。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、データ選択部６１、学習処理部６３、更新判定部６５、シミュレータ部６６、状態判定部６７、および演算部６８の機能を実行することができる。また、学習データ記憶部６２およびモデル記憶部６４は、メモリ１０２によって実現される。

以上のように、実施の形態５にかかる水処理プラント１００Ｄは、複数の水処理装置１を監視する中央監視装置４Ｄと、複数の水処理装置１のうち対応する水処理装置１の制御を各々実行する複数の制御装置３Ｃと、中央監視装置の外部に配置してあり、機械学習によって生成される計算モデルＭを用いて水処理装置１に対する制御に関わる演算を行う演算部６８とを備える。そして、演算部６８は、クラウドサーバ６内に位置する。これにより、例えば、水処理システムにおいて制御装置を変更することなく、ＡＩによる水処理制御を行うことができ、複数の水処理装置１を備える水処理プラント１００ＤによってＡＩによって効果的に水処理制御を行うことができる。また、クラウドサーバ６は、複数の水処理プラント１００Ｄを管理することができ、複数の水処理プラント１００ＤをＡＩによって効率的に運用することができる。

また、水処理プラント１００Ｄは、複数の水処理装置１のうち対応する水処理装置１の状態を各々検出する複数のセンサ２を備える。クラウドサーバ６は、機械学習によって生成される計算モデルＭを用いた演算であってセンサ２から出力される検出データＤに基づく水処理装置１毎の制御に関わる演算を行う。制御装置３Ｃは、クラウドサーバ６に設けられる演算部６８の演算結果に基づいて、対応する水処理装置１の制御を実行する。このように、クラウドサーバ６は、計算モデルＭを用いた演算を行う。

なお、水処理プラント１００Ｄにおいて、制御装置３Ｃに代えて制御装置３Ｂを設ける構成であってもよい。この場合、クラウドサーバ６の学習処理部６３によって生成された計算モデルＭが中央監視装置４Ｄを介して制御装置３Ｂへ送信される。制御装置３Ｂは、クラウドサーバ６によって生成された計算モデルＭを用いて、水処理装置１を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。

１，１_１〜１_ｎ水処理装置、２，２_１〜２_ｎ，２０，２０_１〜２０_ｍセンサ、３，３Ａ，３Ｂ，３Ｃ，３_１〜３_ｎ，３Ｃ_１〜３Ｃ_ｎ制御装置、４，４Ａ，４Ｂ，４Ｃ，４Ｄ中央監視装置、５，７通信ネットワーク、６クラウドサーバ、１１最初沈殿槽、１２処理槽、１３最終沈殿槽、１４ブロワ、１５ポンプ、３０データ取得部、３１，４１，６１データ選択部、３２，４２，６２学習データ記憶部、３３，４３，６３学習処理部、３４，４４，６４モデル記憶部、３５，４５，６５更新判定部、３６，４６，６６シミュレータ部、３７，４７，６７状態判定部、３８，４８，６８演算部、３９制御部、４０，５０通信部、５１ブロワ制御部、５２ポンプ制御部、１００，１００Ａ，１００Ｂ，１００Ｃ，１００Ｄ水処理プラント、Ｄ，Ｄ１〜Ｄｍ検出データ、Ｍ計算モデル、Ｍ１，Ｍ１_１〜Ｍ１_ｍ第１計算モデル、Ｍ２第２計算モデル。

Claims

第１水処理装置および第２水処理装置に水処理を実行させる水処理プラントにおいて、
前記第１水処理装置および前記第２水処理装置を監視する中央監視装置と、
前記第１水処理装置に対する第１制御を行う第１制御装置と、
前記第１水処理装置の水処理環境を検出して時系列の検出データを生成する第１センサと、
前記第２水処理装置に対する第２制御を行う第２制御装置と、
前記中央監視装置の外部に配置してあり、第１機械学習によって生成される第１計算モデルおよび前記第１センサが生成した時系列の検出データを用いて前記第１制御に関わる第１演算を行い、前記第１水処理装置の水処理環境の予測値の情報を取得する第１演算部とを備え、
前記第１演算部は、前記中央監視装置よりも前記第１水処理装置の近くに配置してあり、
前記第１制御装置は、前記中央監視装置の外部に配置してあり前記中央監視装置よりも前記第１水処理装置の近くに配置してある前記第１演算部が取得した前記第１水処理装置の水処理環境の予測値の情報を用いて前記第１制御を行い、前記第１水処理装置に前記水処理を実行させる
ことを特徴とする水処理プラント。
前記中央監視装置は、前記第１センサが生成した時系列の検出データを使用する前記第１演算によって取得した前記第１水処理装置の水処理環境の予測値の情報を用いて前記第１制御が行われた前記第１水処理装置を監視する
ことを特徴とする請求項１に記載の水処理プラント。
前記第１演算部は、ＡＩである
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。
前記第１センサは、前記第１水処理装置への流入水の特性である流入水特性を検出して前記流入水特性の時系列の検出データを生成し、
前記第１計算モデルは、前記流入水特性の時系列の検出データを入力し、前記流入水特性の予測値を出力する計算モデルを含み、
前記第１演算部は、前記第１計算モデルおよび前記第１センサが生成した前記流入水特性の時系列の検出データを用いて前記第１制御に関わる第１演算を行い、前記流入水特性の予測値の情報を取得し、
前記第１制御装置は、前記第１演算部が取得した前記流入水特性の予測値の情報を用いて前記第１制御を行い、前記第１水処理装置に前記水処理を実行させる
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。
前記第１センサは、前記流入水の処理を行う処理槽内の特性である処理槽内特性を検出して前記処理槽内特性の時系列の検出データを生成するセンサと、前記第１水処理装置の処理水の特性である処理水特性を検出して前記処理水特性の時系列の検出データを生成するセンサとを含み、
前記第１計算モデルは、前記処理槽内特性の時系列の検出データを入力し、前記処理槽内特性の予測値を出力する計算モデルと、前記処理水特性の時系列の検出データを入力し、前記処理水特性の予測値を出力する計算モデルとを含み、
前記第１演算部は、前記第１計算モデルおよび前記第１センサが生成した前記時系列の検出データを用いて前記第１制御に関わる第１演算を行い、前記流入水特性の予測値の情報、前記処理槽内特性の予測値の情報、および前記処理水特性の予測値の情報を取得し、
前記第１制御装置は、前記第１演算部が取得した前記第１水処理装置の前記流入水特性の予測値の情報、前記処理槽内特性の予測値の情報、および前記処理水特性の予測値の情報を用いて前記第１制御を行い、前記第１水処理装置に前記水処理を実行させる
ことを特徴とする請求項４に記載の水処理プラント。
前記第２水処理装置の水処理環境を検出して時系列の検出データを生成する第２センサと、
前記中央監視装置の外部に配置してあり、第２機械学習によって生成される第２計算モデルおよび前記第２センサが生成した時系列の検出データを用いて前記第２制御に関わる第２演算を行い、前記第２水処理装置の水処理環境の予測値の情報を取得する第２演算部を備え、
前記第２制御装置は、前記中央監視装置の外部に配置してある前記第２演算部が取得した前記第２水処理装置の水処理環境の予測値の情報を用いて前記第２制御を行い、前記第２水処理装置に前記水処理を実行させる
ことを特徴とする請求項１から５のいずれか一つに記載の水処理プラント。
前記中央監視装置は、前記第２センサが生成した時系列の検出データを使用する前記第２演算によって取得した前記第２水処理装置の水処理環境の予測値の情報を用いて前記第２制御を行った前記第２水処理装置を監視する
ことを特徴とする請求項６に記載の水処理プラント。
前記第１制御装置は、前記第１演算部が取得した前記第１水処理装置の水処理環境の予測値の情報に基づいて第１制御目標値を生成し、生成した前記第１制御目標値に基づいて前記第１水処理装置に前記水処理を実行させ、
前記第２制御装置は、前記第２演算部が取得した前記第２水処理装置の水処理環境の予測値の情報に基づいて第２制御目標値を生成し、生成した前記第２制御目標値に基づいて前記第２水処理装置に前記水処理を実行させる
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。
前記第２演算部は、ＡＩである
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。
前記第１演算部および前記第２演算部は、クラウドサーバ内に位置する
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。
前記第１制御装置は、
前記第１センサが生成した時系列の検出データを用いて前記第１水処理装置の水処理環境の予測値の情報を取得する前記第１演算部と、
前記第１センサが生成した時系列の検出データのうち予め設定された条件を満たす条件充足検出データを選択するデータ選択部と、
前記データ選択部によって選択された前記条件充足検出データを記憶する学習データ記憶部と、
前記学習データ記憶部に記憶された前記条件充足検出データに基づいて、前記第１計算モデルの生成または更新を行う学習処理を実行する学習処理部と、を備える
ことを特徴とする請求項１から１０のいずれか一つに記載の水処理プラント。
前記第１制御装置は、
前記学習処理部による前記学習処理に用いられる演算資源の負荷状態に基づいて、前記学習処理の可否を判定する状態判定部を備え、
前記学習処理部は、
前記状態判定部による判定結果に基づいて、前記学習処理を実行する
ことを特徴とする請求項１１に記載の水処理プラント。
前記状態判定部は、
前記学習処理部による前記学習処理の実行中に前記負荷状態が予め設定された停止条件を満たすか否かを判定し、
前記学習処理部は、
前記学習処理を実行中に前記状態判定部によって前記負荷状態が前記停止条件を満たすと判定された場合に、前記学習処理の実行を停止する
ことを特徴とする請求項１２に記載の水処理プラント。
前記演算資源の負荷状態は、前記学習処理に用いられるプロセッサの使用率である
ことを特徴とする請求項１２または１３に記載の水処理プラント。
前記第１計算モデルを用いた前記第１演算の結果に基づいて、前記第１計算モデルの更新が必要か否かを判定する更新判定部を備え、
前記学習処理部は、
前記更新判定部による判定結果に基づいて、前記学習処理を実行する
ことを特徴とする請求項１１から１４のいずれか一つに記載の水処理プラント。
前記第１計算モデルは、前記第１水処理装置の状態の予測値を出力とするモデルであり、
前記更新判定部は、
前記第１センサによる前記第１水処理装置の状態の実測値と前記第１計算モデルの前記予測値との差に基づいて、前記第１計算モデルの更新が必要か否かを判定する
ことを特徴とする請求項１５に記載の水処理プラント。
前記第１センサは、前記第１水処理装置への流入水の流量を前記第１水処理装置の水処理環境として検出して前記流入水の流量の時系列の検出データを生成し、
前記第１演算部は、前記第１計算モデルは、前記流入水の流量の時系列の検出データを用いて前記第１制御に関わる第１演算を行い、前記流入水の流量の予測値の情報を取得し、
前記更新判定部は、前記流入水の流量の予測値と実測値との差に基づいて、前記第１計算モデルの更新が必要か否かを判定する
ことを特徴とする請求項１５に記載の水処理プラント。
前記更新判定部は、前記第１水処理装置の状態の実測値と前記第１計算モデルの前記予測値との差の合計値または移動平均値が閾値以上であるか否かに基づいて、前記第１計算モデルの更新が必要か否かを判定する
ことを特徴とする請求項１５に記載の水処理プラント。
前記第１水処理装置の状態に基づいて前記第１水処理装置の状態の予測値を出力するシミュレータ部を備え、
前記第１計算モデルは、前記第１水処理装置の状態の予測値を出力とするモデルであり、
前記更新判定部は、
前記シミュレータ部の前記予測値と前記第１計算モデルの前記予測値の差に基づいて、前記第１計算モデルの更新が必要か否かを判定する
ことを特徴とする請求項１５に記載の水処理プラント。
前記第１制御装置は、
比例積分制御または比例積分微分制御によって前記第１制御を行う
ことを特徴とする請求項１から１９のいずれか一つに記載の水処理プラント。
前記第１制御装置は、ＡＩ装置である
ことを特徴とする請求項１から２０のいずれか一つに記載の水処理プラント。