JP7375616B2 - Operation variable explanatory variable selection device for water treatment facilities - Google Patents
Operation variable explanatory variable selection device for water treatment facilities Download PDFInfo
- Publication number
- JP7375616B2 JP7375616B2 JP2020038481A JP2020038481A JP7375616B2 JP 7375616 B2 JP7375616 B2 JP 7375616B2 JP 2020038481 A JP2020038481 A JP 2020038481A JP 2020038481 A JP2020038481 A JP 2020038481A JP 7375616 B2 JP7375616 B2 JP 7375616B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- operation amount
- estimated
- driving operation
- explanatory variable
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims description 71
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 9
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 239000010802 sludge Substances 0.000 description 39
- 238000006243 chemical reaction Methods 0.000 description 27
- 238000000034 method Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 17
- 230000029087 digestion Effects 0.000 description 9
- 230000008719 thickening Effects 0.000 description 9
- 230000005484 gravity Effects 0.000 description 7
- 238000004062 sedimentation Methods 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 7
- 244000005700 microbiome Species 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 238000005273 aeration Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000018044 dehydration Effects 0.000 description 2
- 238000006297 dehydration reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000006228 supernatant Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
Description
本発明は、水処理施設の運転操作量説明変数選定装置に関する。 The present invention relates to an operation control variable explanatory variable selection device for water treatment facilities.
従来、水処理施設における水質の制御は、水処理施設の様々な状況を考慮して熟練の技術を有する運転員の操作により行われており、運転員の高齢化及び当該技術の習熟に長期間を要することから、人工知能を用いた自動化の要請がある。
人工知能を用いた水質制御の自動化に際しては、水処理施設における運転操作値の予測モデルを構築し、当該予測モデルにおける説明変数の選定を要する。
Conventionally, water quality control in water treatment facilities has been carried out by operators with experienced skills, taking into account the various conditions of the water treatment facility. There is a need for automation using artificial intelligence.
When automating water quality control using artificial intelligence, it is necessary to construct a predictive model for operating values in water treatment facilities and select explanatory variables in the predictive model.
従来技術の一例である特許文献1には、分析値と相関の大きい運転変数を主成分分析により選定し、選定された運転変数のうち、少なくとも1以上の運転変数と分析値との関係をニューラルネットワークで置き換え、置き換えられた運転変数以外の運転変数から、ニューラルネットワークの出力として与えられる推定値と、実測による分析値との推定誤差が最小となる運転変数の組み合わせを、遺伝的アルゴリズムに基づいて探索することにより、分析値を推定する技術が開示されている。
しかしながら、上記の従来技術では、推定値と実測による分析値とは一対一であり、時系列による変化が考慮されておらず、水処理施設のように時系列で変化する系への適用が困難である、という問題があった。 However, in the above-mentioned conventional technology, the estimated value and the actually measured analytical value are one-to-one, and changes over time are not taken into account, making it difficult to apply to systems that change over time, such as water treatment facilities. There was a problem that.
本発明は、上記に鑑みてなされたものであって、時系列で変化する系の説明変数を選定する技術を提供することを目的とする。 The present invention has been made in view of the above, and an object of the present invention is to provide a technique for selecting explanatory variables of a system that changes over time.
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、遺伝的アルゴリズムによって説明変数を生成し、生成された説明変数の組み合わせのデータを取得する説明変数選定及び説明変数データ取得部と、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、推定モデルの作成に必要な運転操作量設定値のデータを取得する運転操作量データ取得部と、前記説明変数データ取得部が取得した説明変数のデータと、前記運転操作量データ取得部が取得した運転操作量のデータと、を用いて推定モデルを作成する推定モデル作成部と、前記推定モデル作成部に作成された推定モデルのパラメータを記憶する推定モデルパラメータ記憶部と、前記説明変数データ取得部によって生成された説明変数の組み合わせのデータと、前記推定モデルパラメータ記憶部に記憶された推定モデルのパラメータと、を用いて、所定期間の運転操作量推定値を出力する運転操作量推定部と、前記運転操作量設定値と前記運転操作量推定値との誤差に応じた前記運転操作量推定値の精度である推定精度を計算する推定精度計算部と、を備える水処理施設の運転操作量説明変数選定装置である。 The present invention, which solves the above-mentioned problems and achieves the purpose, includes a data storage unit that stores trend data and water quality data, and uses a genetic algorithm to determine explanatory variables from the trend data and water quality data stored in the data storage unit. an explanatory variable selection and explanatory variable data acquisition unit that acquires data on combinations of generated explanatory variables, and operation operations necessary for creating an estimation model from the trend data and water quality data accumulated in the data storage unit; A driving operation amount data acquisition unit that acquires data on the quantity setting value, explanatory variable data acquired by the explanatory variable data acquisition unit, and driving operation amount data acquired by the driving operation amount data acquisition unit. an estimation model creation unit that creates an estimation model using the estimated model creation unit; an estimation model parameter storage unit that stores the parameters of the estimation model created in the estimation model creation unit; a driving operation amount estimation unit that outputs an estimated driving operation amount for a predetermined period using the data and parameters of the estimated model stored in the estimated model parameter storage unit; An operating amount explanatory variable selection device for a water treatment facility, comprising: an estimation accuracy calculation unit that calculates an estimation accuracy that is the accuracy of the estimated operating amount according to an error with the estimated operating amount.
上記構成の本発明に係る水処理施設の運転操作量説明変数選定装置において、前記所定期間の運転操作量推定値の時間変化のタイミングを実際の運転操作量の時間変化のタイミングに基づいて調整するアラインメント適用部を更に備えることが好ましい。 In the operation variable explanatory variable selection device for a water treatment facility according to the present invention having the above configuration, the timing of a change over time in the estimated value of the operation input during the predetermined period is adjusted based on the timing of a change over time in the actual operation input. It is preferable to further include an alignment application section.
上記構成の本発明に係る水処理施設の運転操作量説明変数選定装置において、前記推定精度計算部は、時間に伴って増加していき、現時点に近いほど大きな値となる時間変化係数を前記誤差に乗算して前記推定精度を計算することが好ましい。 In the operation variable explanatory variable selection device for a water treatment facility according to the present invention having the above-mentioned configuration, the estimation accuracy calculation unit calculates the time-varying coefficient that increases with time and becomes larger as the value approaches the current time. It is preferable to calculate the estimation accuracy by multiplying by .
本発明によれば、時系列で変化する系の説明変数を選定することができる。 According to the present invention, explanatory variables of a system that change over time can be selected.
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。
DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, embodiments for carrying out the present invention will be described with reference to the accompanying drawings.
However, the present invention is not limited to the description of the embodiments below.
(実施形態1)
図1は、本実施形態に係る水処理施設の運転操作量説明変数選定装置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。
(Embodiment 1)
FIG. 1 is a diagram showing the configuration of a
The
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。
The
This raw water is wastewater containing organic matter.
In the
Raw sludge, which is the sludge initially settled in the
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。
The
In the
Outflow water from the
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。
The
The supernatant of the
A part of the sludge settled in the
The remaining sludge settled in the
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。
The blower 4 supplies air to the plurality of
The air volume adjustment valve 5 is provided in a pipe that passes through each of the plurality of
The plurality of
When the amount of air blown to the
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。
The first pump 7 is a return sludge pump that sends a portion of the sludge settled in the
The second pump 8 is a surplus sludge drawing pump that sends the remaining sludge settled in the
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操作量説明変数選定装置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。
The
Here, as each parameter indicating water quality, the DO value, which is the amount of dissolved oxygen, and the MLSS (Mixed Liquor Suspended Solids) value, which is the concentration of suspended solids, can be exemplified.
The operator of the
Here, the manipulated variables to be controlled include the rotation speed of the first pump 7 that adjusts the amount of sludge returned from the
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。
The gravity thickening
The
The sludge concentrated in the gravity thickening
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。
The
Here, the digestion process is preferably performed by, for example, an anaerobic digestion process.
In the anaerobic digestion treatment method, organic sludge is decomposed by anaerobic microorganisms.
The sludge decomposed by the digestion process is sent to the
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。
The
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。
The
The
The
The
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。
In the
Settings for each of these operation items differ depending on the processing plant.
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。
The
Here, the constant air volume control is control performed so that the air volume is constant, which is set as the target air volume value.
Further, constant ratio control is control performed so that the amount of air blown is in accordance with the amount of inflow from the
Further, the constant DO control is control performed so that the DO value of the
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操作量説明変数選定装置100は、これらの操作項目を決める際の説明変数及び説明変数を決定するための推定精度を導出対象とする。
そして、運転員は、水処理施設の運転操作量説明変数選定装置100によって導出された説明変数及び説明変数を決定するための推定精度により制御対象の操作量である運転操作量設定値を決定する。
このように運転操作量説明変数選定装置100を用いて制御対象の運転操作量設定値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。
In addition, the main operation items are the rotation speed of the first pump 7 for adjusting the amount of returned sludge, the amount of extracted sludge per unit time or the time for extracting excess sludge for adjusting the amount of excess sludge extracted, and the main operation items for adjusting the amount of returned sludge. This is the injection rate of polymer flocculant.
The driving operation amount explanatory
Then, the operator determines the operation amount setting value, which is the operation amount of the controlled object, based on the explanatory variables derived by the operation amount explanatory
In this way, by using the driving operation amount explanatory
図2は、本実施形態に係る水処理施設の運転操作量説明変数選定装置100の構成を示すブロック図である。
図2に示す水処理施設の運転操作量説明変数選定装置100は、データ蓄積部101と、説明変数選定及び説明変数データ取得部102と、運転操作量データ取得部103と、推定モデル作成部104と、推定モデルパラメータ記憶部105と、運転操作量推定部106と、推定精度計算部107と、出力部108と、を備える。
FIG. 2 is a block diagram showing the configuration of the operation amount explanatory
The operating operation amount explanatory
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、NH4濃度及びNO3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。
The
Examples of trend data include inflow water volume, sludge concentration, sludge flow rate, air flow volume, and temperature.
Examples of water quality data include NH 4 concentration and NO 3 concentration.
Note that the
説明変数選定及び説明変数データ取得部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、遺伝的アルゴリズムによって説明変数を生成(選定)し、生成された説明変数の組み合わせのデータを取得する。
なお、説明変数選定及び説明変数データ取得部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。
The explanatory variable selection and explanatory variable
Note that the explanatory variable selection and explanatory variable
運転操作量データ取得部103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、推定モデルの作成に必要な運転操作量設定値のデータを取得する。
なお、運転操作量データ取得部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。
The driving operation amount
Note that the driving operation amount
推定モデル作成部104は、説明変数選定及び説明変数データ取得部102が取得した説明変数のデータと、運転操作量データ取得部103が取得した運転操作量設定値のデータと、を用いて推定モデルを作成する。
ここで、推定モデルの作成手法については特に限定されるものではないが、例えばニューラルネットワーク又はランダムフォレスト等を用いることができる。
なお、推定モデル作成部104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。
The estimation
Here, the method for creating the estimation model is not particularly limited, but for example, a neural network or random forest can be used.
Note that the estimation
推定モデルパラメータ記憶部105は、推定モデル作成部104で作成された推定モデルのパラメータを記憶する。
なお、推定モデルパラメータ記憶部105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。
The estimated model
Note that the estimated model
運転操作量推定部106は、説明変数選定及び説明変数データ取得部102によって取得された説明変数の組み合わせのデータと、推定モデルパラメータ記憶部105に記憶された推定モデルのパラメータと、を用いて、所定期間についての運転操作量推定値を出力する。
なお、運転操作量推定部106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。
The driving operation
Note that the driving operation
推定精度計算部107は、運転操作量データ取得部103からの運転操作量設定値と、運転操作量推定部106からの運転操作量推定値と、を用いて、運転操作量推定値の精度である推定精度を計算する。
ここで、推定精度は、所定期間において、例えば、運転操作量推定値と、運転員が操作した実際の運転操作量設定値との二乗平均平方根誤差(RMSE:Root Mean Squared Error)を計算することで評価される。
なお、推定精度計算部107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。
The estimation
Here, the estimation accuracy is defined as, for example, calculating the root mean squared error (RMSE) between the estimated driving operation amount and the actual driving operation amount setting value operated by the operator during a predetermined period. It is evaluated by
Note that the estimation
出力部108は、説明変数選定及び説明変数データ取得部102からの説明変数と、推定精度計算部107からの推定精度と、を出力する。
出力された説明変数及び推定精度の一方又は双方は、例えば水処理施設の運転装置に対して出力され、当該運転装置の制御に寄与することになる。
The
One or both of the outputted explanatory variables and estimation accuracy is outputted to, for example, an operating device of a water treatment facility, and contributes to the control of the operating device.
図3は、図2に示す説明変数選定及び説明変数データ取得部102において用いられる、遺伝的アルゴリズムによる説明変数データの取得処理手順を示すフローチャートである。
説明変数選定及び説明変数データ取得部102は、まず、説明変数の組み合わせの初期集団を生成する(S1)。
なお、このときの世代数は1とされ、終了世代数が定められる。
次に、説明変数選定及び説明変数データ取得部102は、S1で生成された説明変数の組み合わせの初期集団を用いて運転操作値を推定し、適応度を算出することで推定精度の評価を行う(S2)。
次に、説明変数選定及び説明変数データ取得部102は、S2の評価結果に基づいて推定精度の高いものが次世代に残るように説明変数を選択する(S3)。
次に、説明変数選定及び説明変数データ取得部102は、交叉又は突然変異により新たな説明変数の組み合わせを生成する(S4)。
次に、説明変数選定及び説明変数データ取得部102は現在の世代数の判定を行い(S5)、現在の世代数が予め定められた終了世代数に達していない場合(S5:N)には、説明変数選定及び説明変数データ取得部102は、世代数を増やして(S6)S2に戻り、増やした世代数について適応度の評価から再度処理を行っていく。
又は、現在の世代数が予め定められた終了世代数に達している場合(S5:Y)には、説明変数選定及び説明変数データ取得部102は、処理を終了する。
図3に示すフローチャートによれば、交叉又は突然変異により用いる説明変数を変化させているので、世代を経るにつれて、推定精度の高い説明変数が選択されることになる。
FIG. 3 is a flowchart showing a processing procedure for acquiring explanatory variable data using a genetic algorithm, which is used in the explanatory variable selection and explanatory variable
The explanatory variable selection and explanatory variable
Note that the number of generations at this time is 1, and the number of ending generations is determined.
Next, the explanatory variable selection and explanatory variable
Next, the explanatory variable selection and explanatory variable
Next, the explanatory variable selection and explanatory variable
Next, the explanatory variable selection and explanatory variable
Alternatively, if the current number of generations has reached the predetermined end generation number (S5: Y), the explanatory variable selection and explanatory variable
According to the flowchart shown in FIG. 3, since the explanatory variables used are changed by crossover or mutation, explanatory variables with high estimation accuracy are selected as generations pass.
図4は、図2に示す説明変数選定及び説明変数データ取得部102における遺伝的アルゴリズムによる説明変数の選択方法の説明図である。
図4に示すように、説明変数の個数がNである(Nは自然数)ときには、遺伝的アルゴリズムの要素をN個として、各要素の状態には、0又は1が入力される。
各要素の状態が0の場合には、その要素の説明変数を不使用とし、各要素の状態が1の場合には、その要素の説明変数を使用するとし、推定に使用する説明変数の組み合わせが決定される。
従って、図4に示す例では、NH4濃度及びpH値は説明変数として不使用であり、水温及びMLSS値は説明変数として使用されることになる。
FIG. 4 is an explanatory diagram of a method for selecting explanatory variables using a genetic algorithm in the explanatory variable selection and explanatory variable
As shown in FIG. 4, when the number of explanatory variables is N (N is a natural number), the number of elements of the genetic algorithm is N, and 0 or 1 is input to the state of each element.
When the state of each element is 0, the explanatory variable of that element is not used, and when the state of each element is 1, the explanatory variable of that element is used.The combination of explanatory variables used for estimation. is determined.
Therefore, in the example shown in FIG. 4, the NH 4 concentration and pH value are not used as explanatory variables, and the water temperature and MLSS value are used as explanatory variables.
従来の水処理施設においては、運転員は、少なくとも、流入水量、汚泥濃度、汚泥流量、送風量及び気温等のトレンドデータと、NH4濃度及びNO3濃度等の水質データと、を含む様々な項目に基づいて、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設定値の決定を行っている。
このような運転操作設定値の決定は、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、人工知能の機械学習等による代替が望まれている。
In conventional water treatment facilities, operators have to collect various data including at least trend data such as inflow water volume, sludge concentration, sludge flow rate, air flow rate, and temperature, and water quality data such as NH4 concentration and NO3 concentration. Based on the items, operational setting values such as the amount of sludge drawn out in the initial settling tank and the final settling tank, the DO set value or air blowing rate in the reaction tank, or the flocculant injection rate are determined.
Determination of such operating operation setting values largely depends on the intuition, experience, and know-how of skilled engineers built up over a long period of time, and it takes a long time to train operators with skilled techniques.
On the other hand, with the aging of operators, there is an urgent need to pass on the technology, and a replacement using artificial intelligence (machine learning) is desired.
機械学習によって過去の運転を再現する場合には、これらの多種多様な項目の中から説明変数とする組み合わせを決定して、学習モデルを構築する。
また、水処理の運転操作の学習モデルは、ある時点のみに対する推定により構築するものではなく、数か月又は数年といった所定期間の推定により構築されるものである。
そのため、推定に用いる説明変数も一時点での評価ではなく、所定期間の評価に基づき、所定期間全体で精度の高い結果が導出されるべきである。
従って、推定精度は、所定期間における運転操作量設定値と運転操作量推定値との累計誤差による評価を要する。
本実施形態においては、運転操作量設定値と運転操作量推定値との累計誤差を用いて、時系列データとして評価し、説明変数が選定される。
このとき、学習モデルの構築に用いる説明変数により運転操作値の推定精度は大きく異なるため、説明変数の選定は重要である。
しかしながら、説明変数の個数をn(nは自然数)とし、説明変数の全ての組み合わせを試行すると、試行回数が2n-1となるため、説明変数の組み合わせの探索には効率化が求められる。
本実施形態にて説明したように、遺伝的アルゴリズムを用いることにより、時系列で変化する系であっても精度の高い説明変数を効率的に選定することが可能となる。
When reproducing past driving using machine learning, a learning model is constructed by determining combinations of explanatory variables from among these various items.
Furthermore, the learning model for water treatment operation is not constructed by estimation only at a certain point in time, but by estimation over a predetermined period such as several months or years.
Therefore, explanatory variables used for estimation should not be evaluated at a single point in time, but based on evaluation over a predetermined period of time, so that highly accurate results can be derived over the entire predetermined period.
Therefore, the estimation accuracy requires evaluation based on the cumulative error between the driving operation amount set value and the driving operation amount estimated value over a predetermined period.
In this embodiment, the cumulative error between the driving operation amount set value and the driving operation amount estimated value is evaluated as time series data, and explanatory variables are selected.
At this time, the selection of explanatory variables is important because the accuracy of estimating driving operation values varies greatly depending on the explanatory variables used to construct the learning model.
However, if the number of explanatory variables is n (n is a natural number) and all combinations of explanatory variables are tried, the number of trials will be 2 n -1, so efficiency is required in searching for combinations of explanatory variables.
As described in this embodiment, by using a genetic algorithm, it is possible to efficiently select explanatory variables with high accuracy even in a system that changes over time.
(実施形態2)
本実施形態では、実施形態1の構成に対して、アラインメント適用部109を追加した形態について説明する。
図5は、本実施形態に係る水処理施設の運転操作量説明変数選定装置100aの構成を示すブロック図である。
図5に示す水処理施設の運転操作量説明変数選定装置100aは、図2に示す水処理施設の運転操作量説明変数選定装置100における運転操作量推定部106と推定精度計算部107との間にアラインメント適用部109が追加された構成であり、その他の構成は実施形態1と同じであるため、その説明を援用する。
(Embodiment 2)
In this embodiment, a configuration in which an
FIG. 5 is a block diagram showing the configuration of the operation amount explanatory
The water treatment facility operating amount explanatory
運転操作量推定部106は、実施形態1と同様に、説明変数選定及び説明変数データ取得部102によって生成された説明変数の組み合わせのデータと、推定モデルパラメータ記憶部105に記憶された推定モデルのパラメータと、を用いて、所定期間の運転操作量推定値を出力する。
そして、推定精度計算部107は、実施形態1と同様に、推定した運転操作量の精度である推定精度を計算し、推定精度に基づいて説明変数を選定する。
ここで、推定精度は、所定期間において、推定した運転操作量の推定値と、運転員が操作した運転操作量との二乗平均平方根誤差(RMSE:Root Mean Squared Error)を計算することで評価される。
そして、推定精度が高い説明変数が選定される。
Similarly to the first embodiment, the driving operation
Then, as in the first embodiment, the estimation
Here, the estimation accuracy is evaluated by calculating the root mean squared error (RMSE) between the estimated value of the estimated driving operation amount and the driving operation amount operated by the operator during a predetermined period. Ru.
Then, explanatory variables with high estimation accuracy are selected.
図6は、本実施形態において、横軸を時間tとし、縦軸を運転操作値とした運転操作値の時間変化を示す図である。
図6(A)は、実際の運転操作値の時間変化の波形を示す図であり、図6(B)は、運転操作量推定値の時間変化の波形を示す図である。
図6(A)に示す波形と図6(B)に示す波形とを比較すると、形状は類似しているものの、運転操作値の変化するタイミングが相異する。
推定精度計算部107が、図6(A)に示す波形と図6(B)に示す波形との二乗平均平方根誤差(RMSE:Root Mean Squared Error)を計算すると、誤差が生じ、推定精度の低下を招くことになる。
しかしながら、水処理のデータは時系列であり、急激な変化は生じないため、データの時間方向の厳密な正確さは要求されない。
FIG. 6 is a diagram showing temporal changes in driving operation values, with the horizontal axis representing time t and the vertical axis representing driving operation values, in this embodiment.
FIG. 6(A) is a diagram showing a waveform of a time change in an actual driving operation value, and FIG. 6(B) is a diagram showing a waveform of a time change in an estimated driving operation amount.
Comparing the waveform shown in FIG. 6(A) and the waveform shown in FIG. 6(B), although the shapes are similar, the timing at which the driving operation value changes is different.
When the estimation
However, since water treatment data is time-series and does not undergo sudden changes, strict accuracy in the time direction of the data is not required.
そこで、アラインメント適用部109は、運転操作量推定部106が推定した所定期間の運転操作量である運転操作量推定値の波形にアラインメントを適用する。
ここで、具体的には、アラインメント適用部109は、運転操作量推定値の波形において傾きが変化するタイミングが実際の運転操作値の波形と一致するように波形を伸縮させる。
ここで、波形の伸縮方法としては、動的時間伸縮法を例示することができる。
図6(C)は、アラインメント適用後の実際の運転操作値の時間変化の波形を示す図であり、図6(D)は、アラインメント適用後の運転操作量推定値の時間変化の波形を示す図である。
このように、アラインメント適用部109を用いることで、運転操作量推定値の波形が実際の運転操作量設定値の波形と類似し、且つ時間方向にずれを含む場合であっても、アラインメント後の波形の推定値を用いることで、推定精度の低下を抑えて水処理施設に対して適切な説明変数を得ることができる。
Therefore, the
Specifically, the
Here, as the waveform expansion/contraction method, a dynamic time expansion/contraction method can be exemplified.
FIG. 6(C) is a diagram showing the waveform of the time change of the actual driving operation value after alignment is applied, and FIG. 6(D) is a diagram showing the waveform of the time change of the estimated driving operation amount after alignment is applied. It is a diagram.
In this way, by using the
(実施形態3)
実施形態1では、所定期間における運転操作量推定値の推定精度を評価する形態について説明したが、実際の水処理施設における運転操作の自動化に際しては、直近に導入した運用方法を適用することが好ましい。
そこで、本実施形態においては、現在に近い時刻の精度を重視した形態について説明する。
(Embodiment 3)
In
Therefore, in this embodiment, a mode will be described in which emphasis is placed on accuracy of time close to the current time.
図7は、本実施形態に係る水処理施設の運転操作量説明変数選定装置100bの構成を示すブロック図である。
図7に示す水処理施設の運転操作量説明変数選定装置100bは、実施形態1に係る水処理施設の運転操作量説明変数選定装置100の推定精度計算部107に代えて推定精度計算部107bを備える点のみが異なり、その他の構成は実施形態1と同じであるため、その説明を援用する。
FIG. 7 is a block diagram showing the configuration of the operation amount explanatory
The water treatment facility operation amount explanatory
図7に示す推定精度計算部107bは、現時点に近い時刻の推定誤差の影響をより大きくするために、推定精度の計算に際して、時間に伴って増加していき、現時点に近いほど大きな値となる時間変化係数atを用いる。
ここで、時間変化係数atは、時間t及び推定対象のデータ数Tを用いた下記の式(1)により定義することができる。
The estimation
Here, the time change coefficient a t can be defined by the following equation (1) using time t and the number T of data to be estimated.
そして、下記の式(2)に示すように、現時点に近い時刻の推定誤差の影響をより大きくするために、誤差に時間変化係数atを乗算する。
ここで、ytは実際の運転操作量を表し、ハットを付したytは運転操作量推定値を表す。
Then, as shown in equation (2) below, the error is multiplied by a time change coefficient at in order to increase the influence of the estimation error at a time close to the current time.
Here, yt represents the actual amount of driving operation, and yt with a hat represents the estimated value of the amount of driving operation.
上記の式(2)を用いることにより、推定精度に現在の運用方法を強く反映させることが可能になる。 By using the above equation (2), it becomes possible to strongly reflect the current operating method in the estimation accuracy.
本実施形態によれば、現在の運用方法の影響を強く反映した説明変数を得ることが可能になる。 According to this embodiment, it is possible to obtain explanatory variables that strongly reflect the influence of the current operating method.
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。
Note that the configuration of this embodiment and the configuration of
また、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。 Further, the present invention is not limited to the above-described embodiments, but also includes various modifications in which components are added, deleted, or converted to the above-described configuration.
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
100,100a,100b 水処理施設の運転操作量説明変数選定装置
101 データ蓄積部
102 説明変数選定及び説明変数データ取得部
103 運転操作量データ取得部
104 推定モデル作成部
105 推定モデルパラメータ記憶部
106 運転操作量推定部
107,107b 推定精度計算部
108 出力部
109 アラインメント適用部
200 水処理施設
1
Claims (3)
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、遺伝的アルゴリズムによって説明変数を生成し、生成された説明変数の組み合わせのデータを取得する説明変数選定及び説明変数データ取得部と、
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、推定モデルの作成に必要な運転操作量設定値のデータを取得する運転操作量データ取得部と、
前記説明変数データ取得部が取得した説明変数のデータと、前記運転操作量データ取得部が取得した運転操作量のデータと、を用いて推定モデルを作成する推定モデル作成部と、
前記推定モデル作成部に作成された推定モデルのパラメータを記憶する推定モデルパラメータ記憶部と、
前記説明変数データ取得部によって生成された説明変数の組み合わせのデータと、前記推定モデルパラメータ記憶部に記憶された推定モデルのパラメータと、を用いて、所定期間の運転操作量推定値を出力する運転操作量推定部と、
所定期間の前記運転操作量設定値と所定期間の前記運転操作量推定値との累計誤差に応じた前記運転操作量推定値の精度である推定精度を計算する推定精度計算部と、を備える水処理施設の運転操作量説明変数選定装置。 A data storage unit that stores trend data and water quality data;
an explanatory variable selection and explanatory variable data acquisition unit that generates explanatory variables using a genetic algorithm from the trend data and water quality data accumulated in the data accumulation unit, and acquires data on combinations of the generated explanatory variables;
a driving operation amount data acquisition unit that acquires data of driving operation amount setting values necessary for creating an estimation model from the trend data and water quality data accumulated in the data storage unit;
an estimation model creation unit that creates an estimation model using explanatory variable data acquired by the explanatory variable data acquisition unit and driving operation amount data acquired by the driving operation amount data acquisition unit;
an estimated model parameter storage unit that stores parameters of the estimated model created in the estimated model creation unit;
An operation that outputs an estimated driving operation amount for a predetermined period using data of a combination of explanatory variables generated by the explanatory variable data acquisition unit and parameters of the estimated model stored in the estimated model parameter storage unit. a manipulated variable estimator;
an estimated accuracy calculation unit that calculates an estimation accuracy that is the accuracy of the estimated driving operation amount according to a cumulative error between the operating amount set value for a predetermined period and the estimated driving operation amount for a predetermined period. A device for selecting explanatory variables for operation amount of treatment facilities.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020038481A JP7375616B2 (en) | 2020-03-06 | 2020-03-06 | Operation variable explanatory variable selection device for water treatment facilities |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020038481A JP7375616B2 (en) | 2020-03-06 | 2020-03-06 | Operation variable explanatory variable selection device for water treatment facilities |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021137749A JP2021137749A (en) | 2021-09-16 |
JP7375616B2 true JP7375616B2 (en) | 2023-11-08 |
Family
ID=77667272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020038481A Active JP7375616B2 (en) | 2020-03-06 | 2020-03-06 | Operation variable explanatory variable selection device for water treatment facilities |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7375616B2 (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000167585A (en) | 1998-12-08 | 2000-06-20 | Yaskawa Electric Corp | Sewage treatment process simulator |
JP2002373002A (en) | 2001-06-14 | 2002-12-26 | Toshiba Corp | Device and method for process simulater application and control |
JP2007229550A (en) | 2006-02-27 | 2007-09-13 | Toshiba Corp | Sewage treatment plant operation support arrangement |
JP2008112428A (en) | 2006-10-02 | 2008-05-15 | Shinko Electric Co Ltd | Method and apparatus for statistically predicting quality of inflow water in water disposal facility |
-
2020
- 2020-03-06 JP JP2020038481A patent/JP7375616B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000167585A (en) | 1998-12-08 | 2000-06-20 | Yaskawa Electric Corp | Sewage treatment process simulator |
JP2002373002A (en) | 2001-06-14 | 2002-12-26 | Toshiba Corp | Device and method for process simulater application and control |
JP2007229550A (en) | 2006-02-27 | 2007-09-13 | Toshiba Corp | Sewage treatment plant operation support arrangement |
JP2008112428A (en) | 2006-10-02 | 2008-05-15 | Shinko Electric Co Ltd | Method and apparatus for statistically predicting quality of inflow water in water disposal facility |
Also Published As
Publication number | Publication date |
---|---|
JP2021137749A (en) | 2021-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5022610B2 (en) | Sewage treatment plant operation support equipment | |
Ingildsen et al. | Dissolved oxygen controller based on on-line measurements of ammonium combining feed-forward and feedback | |
JP4746385B2 (en) | Flocculant injection control device applied to water treatment plant | |
JP6655975B2 (en) | Aeration control device and aeration control method | |
JP7375616B2 (en) | Operation variable explanatory variable selection device for water treatment facilities | |
JP7400553B2 (en) | Manipulated amount derivation device for water treatment facilities | |
Hirsch et al. | Supervisory control system for adaptive phase and work cycle management of sequencing wastewater treatment plant | |
TWI813437B (en) | Water treatment control system and control method of water treatment device | |
JP7484578B2 (en) | Operation support device and operation support method for water treatment facility | |
JP7272750B2 (en) | Operation state determination device and operation state determination method for sewage treatment system | |
JP2020114570A (en) | Operation value calculation device | |
JP7494631B2 (en) | Operation support device for water treatment facilities | |
JP2021137748A (en) | Operation support device for water treatment facility | |
JPS60106590A (en) | Controller of sewage treatment | |
CN113620411B (en) | Constant water level control method and device for biological filter | |
JP7170949B1 (en) | Aeration amount control device and aeration amount control method | |
JP2023043413A (en) | Water quality prediction device and water quality prediction method | |
JP6430324B2 (en) | Waste water treatment method and waste water treatment apparatus | |
JPS62180796A (en) | Control device for amount of sludge for activated sludge treatment plant | |
US20230212030A1 (en) | Device and method for selecting optimal water treatment model for chemical dosing optimization | |
Richards | Qualitative models as a basis for case indices | |
JP6655847B2 (en) | How to control the amount of sludge returned and excess sludge from the final sedimentation basin | |
JP2022027462A (en) | Drive operation amount deduction basis output device of sewage treatment facility and drive operation amount deduction basis output method | |
JPH04367795A (en) | Operation supporting device of sewage treatment station | |
Amerlinck et al. | A practical and sound calibration procedure applied to the WWTP of Eindhoven |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220922 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230531 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230613 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230809 |
|
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: 20230926 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231009 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7375616 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |