JP7331737B2 - 水処理施設の運転支援装置 - Google Patents

Description

本発明は、水処理施設の運転支援装置に関する。

従来、水処理施設における水質の制御は、熟練の技術を有する運転員により、水処理施設の様々な状況を考慮して行われてきた。
これは、運転パターンが固定されない他のプラント等の監視においても同様である。

従来技術の一例である特許文献１には、機器の運転状態に関するプロセスデータを収集し、収集したプロセスデータに基づいて、ニューラルネットワーク又は深層学習によって学習した単位ごとに機器の特性についての予測モデルを構築し、プロセスデータを入力として制御データを生成して運転支援が行われる技術が開示されている。

特開２０１８－９２５１１号公報

しかしながら、上記の従来技術では、ニューラルネットワーク又は深層学習を用いているため、制御データの生成過程がブラックボックス化されており、制御データに至る根拠を明らかにすることが困難である。そのため、問題が生じた際の影響が多大である水処理施設への人工知能（ＡＩ：Artificial Intelligence）の導入が阻害されている、という問題があった。

本発明は、上記に鑑みてなされたものであって、問題が生じた際の影響が多大である水処理施設において制御対象の操作量の導出根拠を提示しつつ運転支援を行うことを可能とする技術を提供することを目的とする。

上述の課題を解決して目的を達成する本発明は、トレンドデータ及び水質データを蓄積するデータ蓄積部と、前記データ蓄積部に蓄積されたトレンドデータ及び水質データから学習対象データ及び推定対象データを選択して取得する学習対象データ及び推定対象データ取得部と、学習対象データ及び推定対象データ取得部からの前記学習対象データ及び前記推定対象データをベイジアンネットワークにおいて利用できるように加工するデータ加工部と、前記学習対象データによりベイジアンネットワークを用いて学習し、学習パラメータを記憶する学習部と、前記推定対象データ及び前記学習パラメータによりベイジアンネットワークを用いて導出した制御対象の操作量を出力するとともに、前記操作量の導出根拠を出力する運転支援部と、を備える水処理施設の運転支援装置である。

上記構成の本発明に係る水処理施設の運転支援装置において、前記学習部は、前記学習対象データのうち所定期間以上の時間が経過したデータを忘却していく忘却処理を行うことが好ましい。

上記構成の本発明に係る水処理施設の運転支援装置において、前記学習部は、導出した前記操作量と想定操作量との差に応じて学習の重みを決定することが好ましい。

本発明によれば、問題が生じた際の影響が多大である水処理施設において制御対象の操作量の導出根拠を提示しつつ運転支援を行うことができる。

図１は、実施形態１に係る運転支援装置を適用可能な水処理施設の構成を示す図である。 図２は、実施形態１に係る運転支援装置の構成を示すブロック図である。 図３は、図２に示すデータ加工部の加工例として、取得した連続値を平均値からのずれに基づいて離散化したイメージを示す図である。 図４は、ＤＯ設定変化量を導出するためのベイジアンネットワークの例を示す図である。 図５は、図２に示す学習部の処理を示すフローチャートである。 図６は、図４において親を持たないノードであるＮＨ_４濃度ノードＮの事前分布Ｐ（Ｎ）を示す図である。 図７は、図２に示す運転支援部の処理を示すフローチャートである。 図８は、図２に示す導出根拠出力部が出力する導出根拠の可視化イメージ図である。

以下、添付図面を参照して、本発明を実施するための形態について説明する。
ただし、本発明は、以下の実施形態の記載によって限定解釈されるものではない。

（実施形態１）
図１は、本実施形態に係る運転支援装置１００を適用可能な水処理施設２００の構成を示す図である。
図１に示す水処理施設２００は、最初沈殿池１と、反応槽２と、最終沈殿池３と、送風機４と、風量調整バルブ５と、散気装置６と、第１のポンプ７と、第２のポンプ８と、計測器９と、重力濃縮槽１０と、機械濃縮槽１１と、消化槽１２と、脱水槽１３と、配管２１，２２，２３，２４とを備える。

最初沈殿池１は、原水が導入される沈殿池である。
この原水は、有機物を含む排水である。
最初沈殿池１では、原水の固液分離が行われ、最初沈殿池１からの流出水は、配管２１を通して反応槽２に送られる。
最初沈殿池１に沈殿した汚泥である生汚泥は、配管２４を通して重力濃縮槽１０に送られる。

反応槽２は、微生物を含み、該微生物によって最初沈殿池１からの流出水を浄化する槽である。
反応槽２では、該微生物が最初沈殿池１からの流出水に含まれる有機物を資化することで増殖し、該微生物を用いた生物処理により活性汚泥が形成される。
反応槽２からの流出水は、配管２２を通して最終沈殿池３に送られる。

最終沈殿池３は、反応槽２からの流出水に含まれる活性汚泥を沈殿させる沈殿池である。
最終沈殿池３の上澄みは、処理水として水処理施設２００の外へ放出される。
最終沈殿池３で沈殿した汚泥の一部は、第１のポンプ７によって配管２３を通して反応槽２に戻されて再利用される。
最終沈殿池３で沈殿した残りの汚泥は、余剰汚泥として第２のポンプ８によって機械濃縮槽１１に送られる。

送風機４は、複数の散気装置６に空気を供給する。
風量調整バルブ５は、複数の散気装置６の各々に通した配管に設けられており、開閉により送風量を調整する。
複数の散気装置６は、反応槽２の下部に設けられており、風量調整バルブ５に通された配管に接続されて、風量調整バルブ５によって送風量が調整された空気を反応槽２内に供給する。
このように反応槽２への送風量が調整されると、反応槽２内の溶存酸素量であるＤＯ（Dissolved Oxygen）値が調整され、生物処理の進行が調整される。

第１のポンプ７は、最終沈殿池３で沈殿した汚泥の一部を、配管２３を通して反応槽２に送る返送汚泥ポンプである。
第２のポンプ８は、最終沈殿池３で沈殿した残りの汚泥を余剰汚泥として機械濃縮槽１１に送る余剰汚泥引抜ポンプである。

計測器９は、反応槽２の水質を示す各パラメータを計測する計測器であり、計測したパラメータである計測値データは運転支援装置１００に送られる。
ここで、水質を示す各パラメータとしては、溶存酸素量であるＤＯ値及び浮遊物質濃度であるＭＬＳＳ（Mixed Liquor Suspended Solids）値を例示することができる。
水処理施設２００の運転員は、計測器９によって計測された水質を示す各パラメータを参照することで制御対象の操作量を決定している。
ここで、制御対象の操作量としては、水処理施設２００の最終沈殿池３からの返送汚泥量を調整する第１のポンプ７の回転数、水処理施設２００の最終沈殿池３の余剰汚泥引抜量を調整する第２のポンプ８の単位時間あたりの引抜量又は余剰汚泥の引抜時間、水処理施設２００の脱水槽１３への高分子凝集剤の注入率を例示することができる。

重力濃縮槽１０は、最初沈殿池１に沈殿した生汚泥を濃縮処理する槽である。
機械濃縮槽１１は、第２のポンプ８によって最終沈殿池３から引き抜かれた余剰汚泥を濃縮処理する槽である。
重力濃縮槽１０及び機械濃縮槽１１において濃縮された汚泥は、消化槽１２に送られる。

消化槽１２は、濃縮された汚泥の消化処理を行う槽である。
ここで、消化処理は、例えば嫌気性消化処理方式によって行われるとよい。
嫌気性消化処理方式では、嫌気性微生物によって有機性の汚泥が分解される。
消化処理によって分解された汚泥は、脱水槽１３に送られる。

脱水槽１３は、消化処理によって分解された汚泥を脱水することで、汚泥の含水率を低下させて減容化を行う槽である。

配管２１は、最初沈殿池１と反応槽２との間に配置され、最初沈殿池１からの流出水を反応槽２に送る配管である。
配管２２は、反応槽２と最終沈殿池３との間に配置され、反応槽２からの流出水を最終沈殿池３に送る配管である。
配管２３は、第１のポンプ７と反応槽２との間に配置され、最終沈殿池３の汚泥の一部を反応槽２に送る配管である。
配管２４は、最初沈殿池１と重力濃縮槽１０との間に配置され、最初沈殿池１の生汚泥を重力濃縮槽１０に送る配管である。

図１に示す水処理施設２００において、主な操作項目は、最初沈殿池１から反応槽２への水量である流入量、反応槽２内に供給される空気量である送風量、第１のポンプ７によって反応槽２に返送される汚泥の量である返送汚泥量、及び第２のポンプ８によって最終沈殿池３から引き抜かれる汚泥の量である余剰汚泥引抜量である。
これらの操作項目の各々は、処理場によって設定が異なる。

反応槽２の制御は、例えば、送風量一定制御、比率一定制御及びＤＯ一定制御によって行うことが可能である。
ここで、送風量一定制御は、目標送風量値として設定された一定の送風量となるように行う制御である。
また、比率一定制御は、最初沈殿池１から反応槽２への流入量に応じた送風量となるように、すなわち流入量と送風量との比率が一定となるように行う制御である。
また、ＤＯ一定制御は、反応槽２のＤＯ値が設定された目標ＤＯ値となるように行う制御である。

また、主な操作項目は、返送汚泥量の調整では第１のポンプ７の回転数であり、余剰汚泥引抜量の調整では単位時間あたりの引抜量又は余剰汚泥の引抜時間であり、脱水処理では高分子凝集剤の注入率である。
本実施形態に係る運転支援装置１００は、これらの操作項目を導出対象とする。
そして、運転員は、運転支援装置１００によって導出された操作項目に基づいて制御対象の操作量を決定する。
このように運転支援装置１００によって制御対象の操作量が決定されることで、勘、経験及びノウハウを有していない者を運転員とすることが可能となる。

図２は、本実施形態に係る運転支援装置１００の構成を示すブロック図である。
図２に示す運転支援装置１００は、データ蓄積部１０１と、学習対象データ及び推定対象データ取得部１０２と、データ加工部１０３と、学習部１１０と、運転支援部１２０と、を備える。

データ蓄積部１０１は、計測器９により計測された計測値データを取得し、トレンドデータ及び水質データとして蓄積する。
トレンドデータとしては、流入水量、汚泥濃度、汚泥流量、送風量及び気温を例示することができる。
水質データとしては、ＮＨ_４濃度及びＮＯ_３濃度を例示することができる。
なお、データ蓄積部１０１は、半導体メモリ又は磁気ディスク等の記録媒体により実現することができる。

学習対象データ及び推定対象データ取得部１０２は、データ蓄積部１０１に蓄積されたトレンドデータ及び水質データから学習対象データ及び推定対象データを選択して取得する。
なお、学習対象データ及び推定対象データ取得部１０２は、ＭＰＵ（Micro-Processing Unit）又はＣＰＵ（Central Processing Unit）等のプロセッサと、半導体メモリ又は磁気ディスク等の記録媒体とを組み合わせて実現することができる。

データ加工部１０３は、学習対象データ及び推定対象データ取得部１０２からの学習対象データ及び推定対象データをベイジアンネットワークにおいて利用できるように加工する。
なお、データ加工部１０３は、ＭＰＵ又はＣＰＵ等のプロセッサと、半導体メモリ又は磁気ディスク等の記録媒体とを組み合わせて実現することができる。

図３は、図２に示すデータ加工部１０３の加工例として、取得した連続値を平均値からのずれに基づいて離散化したイメージを示す図である。
図３では、データ値ｘは、取得した連続値について算出された平均値及び標準偏差σを用いて、平均値からのずれと標準偏差σとの大小関係に基づいて、ｘ＜－σであればξ＝１とし、－σ≦ｘ≦０であればξ＝２とし、０＜－σであればξ＝３とし、σ＜ｘであればξ＝４として、４段階に離散化されている。
なお、図３では、データ値を正規分布としているが、本発明はこれに限定されるものではなく、例えば、所定のしきい値を設定してその大小関係で２段階に離散化、すなわち２値化することも可能である。

学習部１１０は、学習対象データ取得部１１１と、学習パラメータ更新部１１２と、学習パラメータ記憶部１１３と、を備え、学習対象データにより学習して学習パラメータを記憶する。
学習対象データ取得部１１１は、データ加工部１０３により加工された、加工済み学習対象データを取得する。
学習パラメータ更新部１１２は、学習対象データ取得部１１１からの加工済み学習対象データを用いてベイジアンネットワークにより学習し、学習パラメータを更新する。
学習パラメータ記憶部１１３は、学習パラメータ更新部１１２からの更新済み学習パラメータを記憶する。
なお、学習対象データ取得部１１１及び学習パラメータ更新部１１２は、ＭＰＵ又はＣＰＵ等のプロセッサと、半導体メモリ又は磁気ディスク等の記録媒体とを組み合わせて実現することができる。
また、学習パラメータ記憶部１１３は、半導体メモリ又は磁気ディスク等の記録媒体により実現することができる。

運転支援部１２０は、推定対象データ取得部１２１と、操作量導出部１２２と、操作量出力部１２３と、導出根拠出力部１２４と、を備え、推定対象データ及び学習パラメータを用いて導出した制御対象の操作量を出力するとともに、操作量の導出根拠を出力する。
推定対象データ取得部１２１は、データ加工部１０３により加工された、加工済み推定対象データを取得する。
操作量導出部１２２は、推定対象データ取得部１２１からの加工済み推定対象データに含まれる推定対象の説明変数と、学習パラメータ記憶部１１３に記憶された学習パラメータと、を用いてベイジアンネットワークにより制御対象の操作量を導出する。
なお、推定対象データ取得部１２１及び操作量導出部１２２は、ＭＰＵ又はＣＰＵ等のプロセッサと、半導体メモリ又は磁気ディスク等の記録媒体とを組み合わせて実現することができる。
操作量出力部１２３は、操作量導出部１２２が導出した制御対象の操作量を出力することで、運転員に制御対象の操作量を提示する。
なお、操作量出力部１２３が運転装置に対して制御対象の操作量を出力し、該運転装置がこの操作量に基づいて自動運転する構成とすることも可能である。
導出根拠出力部１２４は、学習パラメータを含む操作量導出部１２２からのデータに基づき、制御対象の操作量を導出した根拠を出力する。
なお、導出根拠出力部１２４は、例えばツリー表示された導出根拠を可視化して表示する表示部であり、導出根拠出力部１２４としてはフラットパネルディスプレイ等を例示することができる。
ただし、導出根拠出力部１２４は、これに限定されるものではなく、ツリー表示された導出根拠を印刷して出力する印刷出力部であってもよい。

次に、学習パラメータ更新部１１２及び操作量導出部１２２に適用されるベイジアンネットワークについて説明する。
図４は、ＤＯ設定変化量を導出するためのベイジアンネットワークの例を示す図である。
図４に示すように、ベイジアンネットワークでは、各変数がノードで表される。
ＮＨ_４濃度ノードＮ及び水温ノードＴは、実際に観測可能なデータを表す観測ノードである。
ＤＯ設定変化量ノードＤは、変化させるべきＤＯ設定量を表す推定対象ノードである。
硝化調整ノードＳは、制御対象の水質が硝化促進状態と硝化抑制状態とのいずれであるかを表す潜在変数ノードであり、直接に観測可能な変数を表すノードではなく、ノード間の因果関係を理解する上で必要な潜在的変数として導入されたノードである。

なお、図４には、第１の親子関係及び第２の親子関係が示されている。
第１の親子関係においては、ＮＨ_４濃度ノードＮ及び硝化調整ノードＳが親ノードであり、ＤＯ設定変化量ノードＤが子ノードである。
第２の親子関係においては、ＮＨ_４濃度ノードＮ及び水温ノードＴが親ノードであり、硝化調整ノードＳが子ノードである。

また、図４に示すベイジアンネットワークは、知識データと、取得した実データとに基づいて構築される。
ここで、知識データには、専門家のドメイン知識、現場で作業している運転員に対するヒアリング結果、又は該運転員に対するアンケート結果が含まれる。
取得した実データには、データ蓄積部１０１に蓄積されるトレンドデータ及び水質データが含まれる。
一般には、ベイジアンネットワークでは、知識データに基づいて概形が構築され、実データから得られた学習データを用いて情報量基準と照合しつつその構造が修正される。
ここで、情報量基準としては、赤池情報量基準（ＡＩＣ：Akaike's Information Criterion）を例示することができる。
このように構築した因果関係を示すネットワークは、ここでは、水処理に関するドメイン知識と、実際の運転状況及びオペレーションと、が集約された情報となり、構築されたベイジアンネットワークにより導出されたオペレーションの導出過程のトレースを可能にするものである。

図５は、図２に示す学習部１１０の処理を示すフローチャートである。
学習部１１０の学習対象データ取得部１１１は、データ加工部１０３により加工された、加工済み学習対象データを取得する（Ｓ１）。

学習部１１０の学習パラメータ更新部１１２は、学習対象データ取得部１１１からの加工済み学習対象データを用いて学習パラメータを更新する（Ｓ２）。
学習パラメータ更新部１１２は、データの出現頻度に基づいて条件付確率表及び事前分布を更新する。
学習パラメータ更新部１１２は、ベイジアンネットワークにおける１つの親子関係につき１つの条件付確率表を保持する。
ここで、下記の表１は、図４に示す第１の親子関係についての条件付確率表を示すものである。

図６は、図４において親を持たないノードであるＮＨ_４濃度ノードＮの事前分布Ｐ（Ｎ）を示す図である。
学習パラメータ更新部１１２は、図６に示すように、親を持たないＮＨ_４濃度ノードＮノードについては事前分布を保持する。

次に、条件付確率表の更新式について説明する。
下記の表２は、水質Ａを親ノード(条件)として、状態Ｂを子ノードとするネットワーク上の親子関係に対し、過去のデータの頻度（レコード数）を示すものである。

このとき、例えば、条件付き確率Ｐ（Ｂ＝高い｜Ａ＝低い）は、下記の式（１）により計算される。

すなわち、条件付き確率は、Ａ＝低いという条件を満たすレコードの出現回数の中で、さらにＢ＝高いという条件を満たすレコードがどの程度出現するのか、その出現割合として計算される。
また、学習データ数が少なく、例えば、条件を満たすレコードの出現回数が０であることが起こりうる場合には、極端な確率値が算出されることを防止するため、下記の式（２）のように、一様分布を仮定して事後確率最大化を適用して得られる確率値を使用してもよい。

なお、上式の分母に加算される「３」は、状態Ｂのとる変数が「高い」「中程度」「低い」の３値であることによるものである。

学習部１１０の学習パラメータ記憶部１１３は、学習パラメータ更新部１１２からの更新済み学習パラメータを記憶する（Ｓ３）。

図７は、図２に示す運転支援部１２０の処理を示すフローチャートである。
運転支援部１２０の推定対象データ取得部１２１は、データ加工部１０３により加工された、加工済み推定対象データを取得する（Ｓ１１）。
ここで取得する加工済み推定対象データは、推定対象時刻に対応するトレンドデータ及び水質データ等の観測可能な説明変数のデータである。

運転支援部１２０の操作量導出部１２２は、推定対象データ取得部１２１からの加工済み推定対象データに含まれる推定対象の説明変数と、学習パラメータ記憶部１１３に記憶された学習パラメータと、を用いて制御対象の操作量を導出する（Ｓ１２）。
ここで、学習パラメータは条件付確率表として記憶されている。
操作量導出部１２２は、具体的には、トレンドデータ及び水質データ等の観測ノードの持つ候補値に対し、実際に観測された値に対する確率を１００％、その他の候補値に対する確率を０％と設定して、ネットワーク上の各ノードの確率を更新し、推定対象の操作量ノードの候補値の各々の確率を算出し、最も確率の高い候補値を操作量として確定する。
ここで、確率の算出は、具体的には、各親子関係で保持している条件付確率表の数値を用いて、ネットワーク構造に従ってベイズの公式と周辺化とを繰り返すことにより得られる算出式により、推定対象のノードに対して行う。
例えば、図４において、ＮＨ_４濃度及び水温が入力されたときのＤＯ設定変化量に対する事後確率は、下記の式（３）のように計算される。

運転支援部１２０の操作量出力部１２３は、導出した制御対象の操作量を出力する（Ｓ１３）ことで、運転員又は運転装置に制御対象の操作量を提示する。
運転支援部１２０の導出根拠出力部１２４は、操作量導出部１２２からのデータに基づいて確率推論を実行し、制御対象の操作量を導出した根拠である各ノードの条件付確率表を出力する（Ｓ１４）。

図８は、図２に示す導出根拠出力部１２４が出力する導出根拠を可視化したイメージ図である。
ＮＨ_４濃度ノードＮ及び水温ノードＴ等の観測ノードについては実際に観測された値が１００％に設定され、その他の潜在変数ノード及び推定対象ノードについては確率分布が計算される。
各ノードに対して確率の高い値を辿ることで、操作量の導出根拠がトレースされることになる。
図８に示す導出根拠を可視化したイメージ図は、ＮＨ_４濃度が高く、水温がやや低い場合には、硝化促進状態である可能性が高い、と解釈される。
更には、図８に示す導出根拠の可視化イメージ図は、ＮＨ_４濃度が高いため、硝化促進状態であれば、ＤＯ設定値変化量ノードＤは０．１ｍｇ／Ｌ高くすべきである、と解釈される。

従来の水処理施設においては、最初沈殿池及び最終沈殿池における汚泥引抜量、反応槽におけるＤＯ設定値若しくは送風量又は凝集剤注入率等の運転操作は、長期にわたって構築された熟練技術者の勘、経験及びノウハウによるところが大きく、熟練の技術を有する運転員を育成するためには長い時間を要する。
他方で、このような運転員の高齢化に伴う技術の継承が急務であり、人工知能による代替が期待されている。

しかしながら、近年注目されている深層学習はブラックボックス性が高く、水処理の操作のように誤動作による社会的影響が大きい分野には適用が困難である。

そこで、本実施形態にて説明したようにベイジアンネットワークを用いることで、操作量の導出根拠を提示しつつ運転支援を行うことが可能となる。
従って、本実施形態にて説明した水処理施設の運転支援装置は、問題が生じた際の影響が多大である水処理施設にも適用することが可能である。

（実施形態２）
本実施形態では、水処理場周辺の環境及び運用方法の変化に対応するため、学習時に忘却処理を適用することにより所定期間以上の時間が経過したデータを忘却していくことで、最近の傾向をより強く反映した制御対象の操作量の導出が可能となる。
例としてｔ回目の学習時点で、条件Ａ＝ａを満たすデータ数がＮｔ、条件付確率がｐｔ（Ｂ｜Ａ＝ａ）で与えられている場合、ｔ＋１回目の学習で条件Ａ＝ａを満たし変数Ｂの値がｂ_０のデータが入力されたときの学習パラメータを以下のように更新する。

又は、学習データが少なくスムージング処理を適用する場合には下記の式（６），（７）が用いられる。

ただし、上記更新式は、変数Ｂがｍ値の変数の場合を想定したものである。
なお、ｍ値は、離散化の段階数によって異なるものであって、例えば、高い、やや高い、やや低い及び低いの４段階に離散値化する場合にはｍ＝４である。
ここでαは０＜α＜１を満たす実数であり、この値が小さいほど、過去の傾向を忘却する割合が高くなる。

（実施形態３）
本実施形態では、実際に運用を開始してからの学習を想定し、導出した操作量に応じて学習の重みを変化させる。
具体的には、以下の数式により条件付確率が更新される。

又は、学習データが少なくスムージング処理を適用する場合には、下記の式（１０），（１１）が用いられる。

ただし、上記更新式は、変数Ｂがｍ値の変数の場合を想定したものである。
ここで、学習の重みを表す重み係数αは、導出した操作量と運転員の想定した想定操作量とのずれに応じて変化し、ＤＯ設定変化量を推定対象とした場合には、例えば以下のように決定される。

これにより、運転員の想定した操作量とずれが大きいものほど強く学習され、運転員の想定に近い操作量の導出を可能とする。

なお、以上説明した本発明の実施形態１～３は、導入時においては、導出された制御対象の操作量と、その導出根拠を確認しつつ運転員が操作に介入する運用を想定している。
しかしながら、一定期間の継続運用を経て、導出された操作量の信頼性が高い場合には、運転員が介入しない自動運転に切り替えることも可能である。

なお、本実施形態の構成と実施形態２の構成とを組み合わせてもよい。
すなわち、学習時に忘却処理を適用することにより所定期間以上の時間が経過したデータを忘却するとともに、実際に運用を開始してからの学習を想定し、導出した操作量に応じて学習の重みを変化させてもよい。

なお、本発明は、上述の実施形態に限定されるものではなく、上述の構成に対して、構成要素の付加、削除又は転換を行った様々な変形例も含むものとする。

１ 最初沈殿池
２ 反応槽
３ 最終沈殿池
４ 送風機
５ 調整バルブ
６ 散気装置
７ 第１のポンプ
８ 第２のポンプ
９ 計測器
１０ 重力濃縮槽
１１ 機械濃縮槽
１２ 消化槽
１３ 脱水槽
２１，２２，２３，２４ 配管
１００ 運転支援装置
１０１ データ蓄積部
１０２ 学習対象データ及び推定対象データ取得部
１０３ データ加工部
１１０ 学習部
１１１ 学習データ取得部
１１２ 学習パラメータ更新部
１１３ 学習パラメータ記憶部
１２０ 運転支援部
１２１ 推定対象データ取得部
１２２ 操作量導出部
１２３ 操作量出力部
１２４ 導出根拠出力部
２００ 水処理施設

Claims (3)

1. トレンドデータ及び水質データを蓄積するデータ蓄積部と、
   前記データ蓄積部に蓄積された前記トレンドデータ及び前記水質データから学習対象データ及び推定対象データを選択して取得する学習対象データ及び推定対象データ取得部と、
   前記学習対象データ及び推定対象データ取得部において取得された前記学習対象データ及び前記推定対象データを、ベイジアンネットワークにおいて利用できるように加工するデータ加工部と、
   前記データ加工部において加工された前記学習対象データに基づいて、ベイジアンネットワークを用いて更新された学習パラメータを記憶する学習部と、
   前記データ加工部において加工された前記推定対象データと、前記学習部において更新された前記学習パラメータとに基づいて、ベイジアンネットワークを用いて導出した制御対象の操作量を出力するとともに、前記操作量の導出根拠を出力する運転支援部と、を備える水処理施設の運転支援装置。
2. 前記学習部は、前記学習対象データのうち所定期間以上の時間が経過したデータを忘却していく忘却処理を行うことを特徴とする請求項１に記載の水処理施設の運転支援装置。
3. 前記学習部は、導出した前記操作量と想定操作量との差に応じて学習の重みを決定することを特徴とする請求項１に記載の水処理施設の運転支援装置。

Images