JP7388249B2 - 汚水処理施設の運転操作量導出装置及び運転操作量導出方法 - Google Patents

汚水処理施設の運転操作量導出装置及び運転操作量導出方法 Download PDF

Info

Publication number
JP7388249B2
JP7388249B2 JP2020038478A JP2020038478A JP7388249B2 JP 7388249 B2 JP7388249 B2 JP 7388249B2 JP 2020038478 A JP2020038478 A JP 2020038478A JP 2020038478 A JP2020038478 A JP 2020038478A JP 7388249 B2 JP7388249 B2 JP 7388249B2
Authority
JP
Japan
Prior art keywords
operation amount
driving operation
image
learning
sewage treatment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2020038478A
Other languages
English (en)
Other versions
JP2021140523A (ja
Inventor
雄喜 木村
正一 鮫島
正佳 ▲高▼倉
信彰 高▲瀬▼
誠 庭川
寛修 深井
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Meidensha Corp
Original Assignee
Meidensha Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Meidensha Corp filed Critical Meidensha Corp
Priority to JP2020038478A priority Critical patent/JP7388249B2/ja
Publication of JP2021140523A publication Critical patent/JP2021140523A/ja
Application granted granted Critical
Publication of JP7388249B2 publication Critical patent/JP7388249B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Feedback Control In General (AREA)

Description

本発明は、汚水処理施設の運転操作量導出装置及び運転操作量導出方法に関する。
従来より、例えば下水処理施設等の汚水処理施設において、活性汚泥処理によって汚水を浄化することが、広く行われている。活性汚泥処理においては、汚水を貯留した反応槽において、汚水を曝気等により送風された空気に晒し、好気的な微生物に汚濁物質を分解させて活性汚泥を生成し、活性汚泥を増殖させて沈降分離することで、汚水が浄化される。
このような汚水処理施設では、汚泥引抜量、反応層における溶存酸素量や送風量等を、作業員が決定し、汚水処理施設中の様々な設備を操作することで、日々の運転がなされている。
上記のような設備を操作するに際し、設備の運転操作量の決定は、熟練した作業員の勘や経験、ノウハウに依るところが大きく、非常に難易度が高い作業である。このため、熟練した作業員に依らずとも運転操作量を決定可能とすることが、望まれている。
上記のような、運転操作量の決定においては、例えばニューラルネットワーク等の深層学習手法を適用し、熟練した作業員の運転操作をモデル化することが考えられる。
例えば特許文献１には、過去のある時点から現在までに汚水貯留施設へ入ってきた実績流入量と、プラントデータをもとに、現在より先のある一定時間内に流入する汚水量を予測し、予め設定されたポンプ吐出量の目標値と、予測流入量と、実績流入量と、現在の貯蔵量と、現在のポンプ吐出量の情報より演算される情報を入力とし、予め決定されたメンバーシップ関数・ルールに従い、ファジィ推論によりポンプの目標吐出量を決定する、下水処理場の汚水ポンプ制御装置が開示されている。
特許文献１の装置には、ニューラルネットワークが用いられている。このニューラルネットワークは、入力としてポンプ井水位、除塵流入ゲート開度、汚水ポンプ吐出量、実績流入量等の時系列データを与えると、予測流入量を出力する。
特開平９－６８１７０号公報
一般に、上記のような深層学習手法を適用する場合、そのブラックボックス性が問題となり得る。人の脳内のニューロンの繋がりを模したニューラルネットワークは、多数のニューロンの線形結合と非線形関数による活性化の多層構造で表現され、その推論の結果に対して説明を与えることが難しい。下水処理施設等の汚水処理施設においては、特に公共性が非常に高いため、何らかの問題が生じた際に汚水処理施設の運営企業や当該施設の使用者に致命的な損害を与え得る。したがって、ブラックボックス性のある深層学習手法を汚水処理施設に導入するためには、特に問題発生時の解析性等の観点において、非常に高い障壁を乗り越えなければならない。
例えば、上記のような特許文献１においては、ニューラルネットワーク等の入力となるのは時系列のデータである。このようなデータは、一般に、一見して理解できるような構造とはなっておらず、かつ一覧性が低いため、視認性が低く、ニューラルネットワーク等にどのようなデータが与えられたのかを理解するのが容易ではない。このため、何らかの問題が生じた際に、例えばそれが入力データ中の特にどの部分に起因したものなのかを解析することも難しい。
本発明が解決しようとする課題は、深層学習により運転操作値を導出するに際し、入力となる時系列データの視認性及び解析性を向上可能な、汚水処理施設の運転操作量導出装置及び運転操作量導出方法を提供することである。
本発明は、上記課題を解決するため、以下の手段を採用する。すなわち、本発明は、汚水処理施設の運転状況を、水質の改善を目的として変更するに際し、前記汚水処理施設内の設備の運転操作量を導出する、汚水処理施設の運転操作量導出装置であって、前記運転状況に関連する複数の施設パラメータの各々に対し、当該施設パラメータの推移を関数で表現したときに、異なる複数の時間間隔において前記関数をそれぞれ複数の周波数成分に分解し、当該複数の周波数成分の各々に対する振幅に基づく値が、一方の軸を前記複数の時間間隔の各々とし他方の軸を前記複数の周波数成分の各々とした画像の画素値として設定された、変換画像を生成する、変換画像生成部と、機械学習器を備え、前記複数の施設パラメータの各々に対応する前記変換画像または前記変換画像を基にした画像を入力とし、前記変換画像に対応する運転操作量データを教師データとして前記機械学習器を深層学習し、前記運転操作量の導出に関するモデルパラメータを生成する、運転操作量学習部と、前記モデルパラメータを用いて構築した学習モデルにより前記運転操作量を導出する、運転操作量導出部と、を備えている、汚水処理施設の運転操作量導出装置を提供する。
また、本発明は、汚水処理施設の運転状況を、水質の改善を目的として変更するに際し、前記汚水処理施設内の設備の運転操作量を導出する、汚水処理施設の運転操作量導出方法であって、前記運転状況に関連する複数の施設パラメータの各々に対し、当該施設パラメータの推移を関数で表現したときに、異なる複数の時間間隔において前記関数をそれぞれ複数の周波数成分に分解し、当該複数の周波数成分の各々に対する振幅に基づく値が、一方の軸を前記複数の時間間隔の各々とし他方の軸を前記複数の周波数成分の各々とした画像の画素値として設定された、変換画像を生成し、前記複数の施設パラメータの各々に対応する前記変換画像または前記変換画像を基にした画像を入力とし、前記変換画像に対応する運転操作量データを教師データとして機械学習器を深層学習し、前記運転操作量の導出に関するモデルパラメータを生成し、前記モデルパラメータを用いて構築した学習モデルにより前記運転操作量を導出する、汚水処理施設の運転操作量導出方法を提供する。
本発明によれば、深層学習により運転操作値を導出するに際し、入力となる時系列データの視認性及び解析性を向上可能な、汚水処理施設の運転操作量導出装置及び運転操作量導出方法を提供することができる。
本発明の第１実施形態における汚水処理施設のブロック図である。 上記汚水処理施設に設けられた運転操作量導出装置のブロック図である。 上記汚水処理施設に関連する施設パラメータの説明図である。 上記施設パラメータを変換した変換画像の説明図である。 上記運転操作量導出装置の運転操作量学習部を実現する、機械学習器のブロック図である。 上記運転操作量導出装置を用いた、（ａ）は学習時の、（ｂ）は運転操作量導出時の、及び（ｃ）は導出根拠抽出表示時の、各々におけるフローチャートである。 上記第１実施形態の変形例における運転操作量導出装置の説明図である。 本発明の第２実施形態における運転操作量導出装置のブロック図である。 上記第２実施形態における運転操作量導出装置のＡＥ学習部及び運転操作量学習部を実現する、ＡＥ機械学習器の説明図である。 上記ＡＥ機械学習器のブロック図である。 上記第２実施形態における運転操作量導出装置を用いた、（ａ）は学習時の、（ｂ）は運転操作量導出時の、及び（ｃ）は導出根拠抽出表示時の、各々におけるフローチャートである。
以下、本発明の実施形態について図面を参照して詳細に説明する。
［第１実施形態］
図１は、第１実施形態における汚水処理施設のブロック図である。汚水処理施設１は、反応槽３に貯留された汚水を微生物により浄化処理する。
汚水処理施設１は、最初沈殿池２、反応槽３、計測器４、最終沈殿池５、散気板６、ブロア７、曝気調整バルブ８、返送汚泥ポンプ９、余剰汚泥引抜ポンプ１０、重力濃縮槽１１、機械濃縮槽１２、消化槽１３、脱水槽１４、運転操作量導出装置２０、及び第１～第８配管Ｌ１、Ｌ２、Ｌ３、Ｌ４、Ｌ５、Ｌ６、Ｌ７、Ｌ８を備えている。
最初沈殿池２には、有機物を含む汚水が原水として導入される。最初沈殿池２においては、導入された汚水内の小さなゴミや砂等が取り除かれて、大まかな固液分離が行われる。ゴミ等が取り除かれた汚水は、第１配管Ｌ１を介して、反応槽３に送られる。最初沈殿池２に沈殿した汚泥、いわゆる生汚泥は、第２配管Ｌ２を介して、重力濃縮槽１１に送られる。
反応槽３では、微生物により汚水が生物処理され、浄化される。浄化の際に、汚水は曝気等により空気に晒されて、好気的な微生物が、有機物を分解するとともに、有機物を資化することに伴って増殖することにより、活性汚泥が形成される。活性汚泥処理された水は、第３配管Ｌ３を介して、最終沈殿池５に送られる。
反応槽３内の下部には、ブロア７から第６配管Ｌ６を介して空気が供給される。第６配管Ｌ６の、ブロア７と反応槽３との間には、曝気調整バルブ８が設けられている。曝気調整バルブ８を開閉すると、曝気量（以下においては送風量と記載する）が変化し、これにより反応槽３内の溶存酸素量が調整されて、微生物による生物処理の進行度合いが制御される。反応槽３の、第６配管Ｌ６により空気が供給される部分には、酸素の溶解効率を高めるための散気板６が設けられている。
反応槽３には、溶存酸素量（ＤＯ）、浮遊物質濃度（ＭＬＳＳ）、ＮＨ４濃度、及びＮＯ３濃度等の、様々な水質データを計測する計測器４が設けられている。図１においては、計測器は反応槽３に設けられているが、実際には計測器は、汚水処理施設１内の様々な場所に設けられており、場合によってはこれら複数の計測器による計測結果が総括されて処理系全体での水質データとして、運転操作等の各作業や判断に使用される。後に説明するトレンドデータについても同様である。
最終沈殿池５では、反応槽３から送られた活性汚泥処理された水に含まれる活性汚泥が沈殿されて、汚水が浄化される。最終沈殿池５で活性汚泥が分離された上澄みは、処理水として系外に放流される。
最終沈殿池５で沈殿した汚泥の一部は、返送汚泥ポンプ９により第４配管Ｌ４を通じて再び反応槽３に戻され、活性汚泥処理に再利用される。残りの汚泥は余剰汚泥として汚泥引抜ポンプ１０により第５配管Ｌ５を通じて排出されて、機械濃縮槽１２に送られる。
重力濃縮槽１１と機械濃縮槽１２の各々は、最初沈殿池２から送られた生汚泥と、余剰汚泥引抜ポンプ１０を介して最終沈殿池５から送られた余剰汚泥の各々を濃縮処理する。重力濃縮槽１１と機械濃縮槽１２により濃縮された汚泥は、第７配管Ｌ７を通じて消化槽１３へ送られる。
消化槽１３は、濃縮された汚泥を、例えば嫌気性消化方式により、嫌気性微生物の働きによって有機性汚泥を分解し、消化処理する。分解された汚泥は、第８配管Ｌ８を通じて脱水槽１４に送られる。
脱水槽１４は、分解された汚泥の含水率を下げ、減容化する。減容化された汚泥は焼却処理される。
本第１実施形態における運転操作量導出装置２０は、上記のような汚水処理施設１を対象としており、汚水処理施設１の運転状況を、水質の改善を目的として変更するに際し、汚水処理施設１内の設備の運転操作量を導出する。
図２は、運転操作量導出装置２０のブロック図である。運転操作量導出装置２０は、データ蓄積部２４、変換画像生成部２５、変換画像蓄積部２６、運転操作量学習部２７、モデルパラメータ記憶部２８、運転操作量導出部２９、及び注視領域抽出部３０を備えている。
これら運転操作量導出装置２０の構成要素のうち、変換画像生成部２５、運転操作量学習部２７、運転操作量導出部２９、及び注視領域抽出部３０は、例えば上記情報処理装置内のＣＰＵにより実行されるソフトウェア、プログラムであってよい。また、データ蓄積部２４、変換画像蓄積部２６、及びモデルパラメータ記憶部２８は、上記情報処理装置内外に設けられた半導体メモリや磁気ディスクなどの記憶装置により実現されていてよい。
運転操作量導出装置２０の入力は、汚水処理施設１の運転状況に関連する、汚泥濃度や汚泥流量、水温等のトレンドデータ２１を含む。これらトレンドデータ２１の各々は、最初沈殿池２、反応槽３、最終沈殿池５等の各々において取得した値を個別に用いてもよいし、これらの値から汚水処理施設１の処理系全体として総括された値を導出し、これを用いても構わない。
また、運転操作量導出装置２０の入力は、既に説明したような、溶存酸素量（ＤＯ）、浮遊物質濃度（ＭＬＳＳ）、ＮＨ４濃度、及びＮＯ３濃度等の水質データ２２を含む。
運転操作量導出装置２０の入力の一つである運転操作量データ２３については、後に説明する。
運転操作量導出装置２０の出力は、上記のように、各設備の運転操作量３１である。運転操作量３１は、本第１実施形態においては、最初沈殿池２から反応槽３へと流入する汚水の流入量、送風量、最終沈殿池５から返送汚泥ポンプ９を介して反応槽３へと返送される返送汚泥の量である返送汚泥量、最終沈殿池５から余剰汚泥引抜ポンプ１０を介して機械濃縮槽１２へと送られる余剰汚泥の量である余剰汚泥引抜量を含む。
本第１実施形態においては、例えば、反応槽３内の溶存酸素量を一定以上にするために、送風量が目標値として設定されている。しかし、例えば反応槽３内の溶存酸素量自体に目標値を設定して、溶存酸素量が当該目標値以上となるように風量を調整する処理系も想定される。この場合においては、例えば運転操作量３１として、送風量に替えて、溶存酸素量を出力するようにしてもよい。
返送汚泥量は、より詳細には、例えば返送汚泥ポンプ９の回転数であり得る。
余剰汚泥引抜量は、より詳細には、例えば余剰汚泥引抜ポンプ１０による余剰汚泥の引抜時間であり得る。
また、本第１実施形態においては、運転操作量３１は、脱水槽１４での脱水処理において注入される高分子凝集剤の注入率を含む。
運転操作量導出装置２０は、上記のようなトレンドデータ２１及び水質データ２２が入力されると、これに対応する、すなわち入力されたトレンドデータ２１と水質データ２２に表されるような状況下においてこれに対応して実行すべき、運転操作量３１を導出する。この導出を効果的に行うために、運転操作量導出装置２０は、運転操作量学習部２７に設けられた機械学習器４０を機械学習することにより生成された学習モデル５０を備えている。より詳細には、運転操作量学習部２７は、トレンドデータ２１及び水質データ２２を含む学習データを機械学習器４０に入力して機械学習を行い、運転操作量３１の導出に関するモデルパラメータを生成する。
すなわち、運転操作量導出装置２０は、運転操作量３１の学習と、運転操作量３１の導出を行う。また、本第１実施形態においては、運転操作量導出装置２０はこれに加えて、運転操作量３１の導出に際し、入力されたデータ中の特にどの部分が導出に大きな影響を与えたか、その根拠を解析して抽出し、結果を注視、強調表示する。説明を簡単にするために、以下ではまず、運転操作量３１の学習時における、運転操作量導出装置２０の各構成要素の説明をした後に、運転操作量３１の導出時での各構成要素の挙動について説明し、更に、導出根拠抽出表示時の各構成要素の挙動について説明する。
運転操作量３１の学習時には、学習データを基に、運転操作量学習部２７が機械学習器４０を機械学習させる。この機械学習器４０が深層学習されることにより、学習モデル５０が生成される。
学習データは、運転操作量導出装置２０が運転操作量３１を導出する際に入力されるトレンドデータ（施設パラメータ）２１と水質データ（施設パラメータ）２２である。より詳細には、学習データは、運転操作量３１を学習する時刻を基準時刻とすると、この学習時における基準時刻より前に実際の汚水処理施設１において計測、記録されたトレンドデータ２１と水質データ２２である。これらトレンドデータ２１と水質データ２２は、時間の経過とともにその推移が記録された、時系列データである。
トレンドデータ２１と水質データ２２が学習データとして機械学習器４０に入力されて機械学習器４０を機械学習する際に、機械学習器４０は、学習の中途段階において、学習データに対して適していると考えられる運転操作量３１を導出する。この、機械学習器４０が出力した運転操作量３１は、運転操作量データ２３と比較される。運転操作量データ２３は、汚水処理施設１が、学習データとして機械学習器４０に入力されたトレンドデータ２１と水質データ２２に示される状況下にあると想定したときに、熟練した作業員が汚水処理施設１の設備に対して実施すると考えられる、実際の運転の操作量である。機械学習器４０の出力である運転操作量３１は、入力された学習データに対応する運転操作量データ２３と比較され、この比較結果を反映するように機械学習器４０が機械学習される。すなわち、運転操作量データ２３は、学習データとして機械学習器４０に入力されたトレンドデータ２１と水質データ２２に対応する、教師データである。
このようにして、機械学習器４０は、運転操作量データ２３に近い運転操作量３１を出力するように学習される。
データ蓄積部２４は、機械学習器４０の学習に使用される、トレンドデータ２１、水質データ２２、及び運転操作量データ２３を記憶、蓄積する。
変換画像生成部２５は、データ蓄積部２４から、トレンドデータ２１、水質データ２２、及び運転操作量データ２３を取得する。変換画像生成部２５は、トレンドデータ２１と水質データ２２の各々から、個別に、変換画像を生成する。
図３は、トレンドデータ２１及び水質データ２２に対するデータ加工の説明図である。図４は、変換画像の説明図である。
既に説明したように、トレンドデータ２１と水質データ２２として記録された各施設パラメータ２１、２２の各々は、時系列データであり、その各々が、横軸を時間軸として、縦軸をその値として示した際に、図３に示されるような関数ｆとして表現される。説明を簡単にするため、ここでは、施設パラメータ２１、２２のうち、水温２１Ａを例にとり説明する。
変換画像生成部２５は、まず、図３に示されるような、学習時における基準時刻ＳＰより前の時系列データである水温２１Ａの関数ｆを、異なる複数の時間間隔Ｉ１～Ｉ５６でそれぞれ切り出し、関数ｆ１～ｆ５６を生成する。
本第１実施形態においては、変換画像生成部２５は、基準時刻ＳＰから１２時間ごと遡った各時刻において、当該時刻の４週間前から当該時刻までの複数の時間間隔Ｉ１～Ｉ５６において関数ｆを切り出す。本第１実施形態においては、トレンドデータ２１と水質データ２２は１時間刻みで計測されている。このため、各時間間隔Ｉ１～Ｉ５６のレコード数は、４（週間）×７（日）×２４（時間）＝６７２となる。本第１実施形態においては、６７２を１２で除算した値である５６を、時間間隔Ｉ１～Ｉ５６の数とした。
このように、変換画像生成部２５は、関数ｆを切り出して、複数の関数ｆ１～ｆ５６を生成する。
次に、変換画像生成部２５は、これらの切り出した複数の関数ｆ１～ｆ５６の各々に対し、フーリエ変換を適用し、周波数と時間の２軸のスペクトログラム表現に変換する。本第１実施形態においては、各関数ｆ１～ｆ５６を、１／１２、１／２４、１／３６と、分母を１２刻みで大きくし、１／６７２までの、計５６種類の周波数成分に分解するように設定した。
図４に示される変換画像４９は、各関数ｆ１～ｆ５６を上記のようにスペクトログラム表現して縦方向に積層したものである。変換画像４９は、５６×５６の解像度の画像である。変換画像４９は１チャネルの画像であり、各画素は、例えば画素値が８ビットで表現される場合には、０から２５５までの値を取り得る。変換画像４９の各行４９ａは、複数の時間間隔Ｉ１～Ｉ５６の中の１つの時間間隔に対応する、関数ｆ１～ｆ５６の各々のスペクトログラム表現である。各列４９ｂは、フーリエ変換時の各周波数成分に対応する。例えば、変換画像４９のｉ行目のｊ列目の画素は、対応する関数ｆｉをフーリエ変換した際の、ｊ番目の周波数成分に対応する振幅に基づく値を、画素値として有している。
変換画像４９の各画素には、対応する振幅の値を、例えば画素値が８ビットで表現される場合には、０から２５５までの値に正規化した値として設定され得る。振幅の値に上限及び下限を設けて、振幅の値として、極端に大きな、あるいは小さな値が導出され得る場合には、振幅をこれら上限あるいは下限として設定するようにしてもよい。
変換画像生成部２５は、このように、運転状況に関連する複数の施設パラメータ２１、２２の各々に対し、当該施設パラメータ２１、２２の推移を関数ｆで表現したときに、異なる複数の時間間隔Ｉ１～Ｉ５６において関数ｆをそれぞれ複数の周波数成分に分解し、当該複数の周波数成分の各々に対する振幅に基づく値が、一方の軸を複数の時間間隔Ｉ１～Ｉ５６の各々とし他方の軸を複数の周波数成分の各々とした画像４９の画素値として設定された、変換画像４９を生成する。
変換画像生成部２５は、複数の基準時刻ＳＰに対して、複数のトレンドデータ２１、水質データ２２の各々に対して、複数の変換画像４９を生成する。変換画像生成部２５は、基準時刻ＳＰごとに、各トレンドデータ２１、水質データ２２の変換画像４９と、当該基準時刻ＳＰにおける運転操作量データ２３とを、それぞれ対応付けて、変換画像蓄積部２６に記憶、蓄積する。
運転操作量学習部２７は、変換画像蓄積部２６から、互いに関連付けられた複数の変換画像４９と、運転操作量データ２３を取得する。
トレンドデータ２１と水質データ２２の総数が複数個ある場合には、複数個の、１チャネルの変換画像４９が互いに関連付けられている。運転操作量学習部２７は、これら複数個の変換画像４９を積層し、１個の複数チャネルの変換画像４９Ｓを生成する。
運転操作量学習部２７は、この積層した変換画像４９Ｓを機械学習器４０に入力する。図５は、機械学習器４０のブロック図である。本第１実施形態においては、機械学習器４０は、画像を入出力とした場合の処理と相性の良い畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、以下ＣＮＮと記載する）により実現されている。
機械学習器４０は、畳み込み処理部４１と全結合部４２を備えている。畳み込み処理部４１は、複数の畳み込み層４４を備えている。全結合部４２は、入力層４６、中間層４７、及び出力層４８を備えている。
運転操作量学習部２７は、積層した変換画像４９Ｓを初段の畳み込み層４４Ａへ入力する。
畳み込み層４４Ａは、所定の数のフィルタを備えている。機械学習器４０は、各フィルタに対し、これを変換画像４９Ｓ上に位置付け、フィルタ内の変換画像４９Ｓの各画素の画素値に対して、フィルタ内に画素位置に対応して設定された重みを付けて和を計算することで、畳み込みフィルタ処理を実行する。これにより、畳み込み層４４Ａにおける１つの画素の画素値が演算される。機械学習器４０は、フィルタを変換画像４９Ｓ上で所定の解像度刻みで移動させつつ、このような畳み込みフィルタ処理を実行することで複数の画素値を演算し、これを並べて、フィルタに対応した１枚の画像を生成する。
機械学習器４０は、この処理を、畳み込み層４４Ａの全てのフィルタに対して実行し、フィルタの数に応じた特徴量マップ４５Ａを生成する。
特徴量マップ４５Ａに対しては、必要に応じて、バッチ正規化処理やプーリング処理、活性化関数が実行される。
畳み込み層４４Ａにおいて生成された特徴量マップ４５Ａは、次段の畳み込み層４４の入力画像となる。
複数の畳み込み層４４の各々において、上記のような特徴量マップ４５の生成と次段の畳み込み層４４への入力を繰り返す。
各フィルタの重みは、機械学習により調整される。
最終段の畳み込み層４４Ｂの出力である特徴量マップ４５Ｂは、入力層４６への入力となる。
入力層４６は、所定の数の入力ノード４６ｎを備えている。各入力ノード４６ｎは、特徴量マップ４５Ｂの全ての画素値と結合しており、層間に結合荷重を備えている。入力層４６においては、この結合荷重に基づいて、特徴量マップ４５Ｂの各画素値情報に対して重み付け和を演算し、その結果にＲｅＬＵ（Ｒｅｃｔｉｆｉｅｄ Ｌｉｎｅｒ Ｕｎｉｔ）等の出力関数を適用した値が、各入力ノード４６ｎに格納される。
本第１実施形態においては、出力層４８の有する出力ノード４８ｎの数は１個である。すなわち、本第１実施形態においては、運転操作量学習部２７は、導出対象となる運転操作量３１が複数存在する場合には、この各々に対応する機械学習器４０を備えており、複数の機械学習器４０の各々が、対応する運転操作量３１に特化して学習される。
中間層４７は、入力層４６と出力層４８の間に設けられており、隣接する層間においては全てのノード同士が全結合し、ノード間に結合荷重を備えた構成となっている。中間層４７及び出力層４８の各々のノードにおいては、この結合荷重に基づいて、前段の層の各ノードに対して重み付け和を演算し、その結果に出力関数を適用した値が格納される。
機械学習器４０においては、入力された変換画像４９が、上記のような畳み込み処理部４１と全結合部４２において処理され、出力ノード４８ｎに処理結果が格納される。運転操作量学習部２７は、この処理結果と、機械学習器４０に入力された変換画像４９に対応する運転操作量データ２３との２乗誤差等により表されるコスト関数を小さくするように、誤差逆伝搬法、確率的勾配降下法等により、畳み込み処理部４１の各フィルタの重みの値、全結合部４２の各結合荷重の値等を調整することで、機械学習器４０を機械学習する。
結果として、機械学習器４０は、変換画像４９が入力されたときに、これに対応する運転操作量データ２３に近い運転操作量３１を出力するように学習される。学習が終了した時点の特徴量マップ４５Ｂは、畳み込み処理部４１により変換画像４９に関する特徴が抽出されて反映されたものとなっている。
運転操作量学習部２７は、学習が終了すると、調整が終了した、特徴量マップ４５すなわち各フィルタの重みの値や、全結合部４２における結合荷重等のパラメータを、モデルパラメータとして、モデルパラメータ記憶部２８に記憶する。モデルパラメータ記憶部２８に記憶されたモデルパラメータは、後に説明する運転操作量導出部２９において取得され、運転操作量３１を推定する学習モデル５０が構築される。
すなわち、運転操作量学習部２７は、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される、適切な学習パラメータが学習された学習済みの学習モデル５０を生成するものである。
このように、運転操作量学習部２７は、機械学習器４０を備え、複数の施設パラメータ２１、２２の各々に対応する変換画像４９を入力とし、変換画像４９に対応する運転操作量データ２３を教師データとして機械学習器４０を深層学習し、運転操作量３１の導出に関するモデルパラメータを生成する。
次に、運転操作量３１の導出時での各構成要素の挙動について説明する。
変換画像生成部２５は、データ蓄積部２４から、運転操作量３１を導出したい時刻、例えば現在の時刻における、トレンドデータ２１と水質データ２２を取得する。変換画像生成部２５は、これらトレンドデータ２１と水質データ２２の各々に対し、学習時と同様に、複数の変換画像４９を生成する。
変換画像生成部２５は、これら複数の変換画像４９を互いに対応付けて、変換画像蓄積部２６に記憶、蓄積する。
運転操作量導出部２９は、変換画像蓄積部２６から、互いに関連付けられた複数の変換画像４９を取得する。
運転操作量導出部２９は、運転操作量学習部２７と同様に、複数の１チャネルの変換画像４９を積層し、複数チャネルの変換画像４９Ｓを生成する。
運転操作量導出部２９はまた、モデルパラメータ記憶部２８からモデルパラメータを取得し、学習モデル５０を構築する。学習モデル５０は、図５に示される機械学習器４０と略同等の構造を備えている。運転操作量導出部２９は、この学習モデル５０を、例えばＣＰＵ上でプログラムとして実行することで、運転操作量３１を導出する。
運転操作量導出部２９が学習モデル５０に積層した変換画像４９Ｓを入力すると、学習モデル５０は、畳み込み処理部４１と全結合部４２を順に辿りながら、運転操作量学習部２７における機械学習器４０と同様な計算処理を実行する。最終的に出力ノード４８ｎから、変換画像４９Ｓに対応する運転操作量３１が出力される。
既に説明したように、運転操作量学習部２７は、導出対象となる運転操作量３１が複数存在する場合には、この各々に対応する機械学習器４０を備えており、複数の機械学習器４０の各々が、対応する運転操作量３１に特化して学習される。運転操作量導出部２９も、複数の機械学習器４０の各々に対応して、複数の学習モデル５０を構築し、この各々に対して積層した変換画像４９Ｓを入力することで、各学習モデル５０に対応する運転操作量３１を導出する。
次に、導出根拠抽出表示時での各構成要素の挙動について説明する。
導出根拠抽出表示時においては、注視領域抽出部３０は、運転操作量３１の導出に際して学習モデル５０へ入力された変換画像４９の中の、特にどの部分が導出に大きな影響を与えたか、その根拠を解析して抽出し、結果を注視、強調表示する。ここでは、運転操作量３１が複数ある場合において、この中の任意の１つの運転操作量３１に対して注視、強調表示を行うことを想定して説明する。
注視領域抽出部３０は、変換画像蓄積部２６から、運転操作量３１の導出時に入力として用いた複数の変換画像４９を取得する。
注視領域抽出部３０は、運転操作量学習部２７と同様に、複数の１チャネルの変換画像４９を積層し、複数チャネルの変換画像４９Ｓを生成する。
注視領域抽出部３０はまた、モデルパラメータ記憶部２８から、解析対象の運転操作量３１に対応する学習モデル５０のモデルパラメータを取得する。
注視領域抽出部３０は、まず、出力層４８の出力ノード４８ｎに格納される運転操作量３１、すなわち目的変数の値をワンホット表現する。
例えば、目的変数ｙがｎ種類の値をとる変数とする場合には、目的変数ｙは次式のように表現される。
Figure 0007388249000001
 このように、目的変数ｙはｎ次元のベクトルにより表現され、ｙの値がｋ（１≦ｋ≦ｎ）番目の値を取るとき、第ｋ成分のみ１で、他の成分は０となる。
運転操作量３１がスカラー値であり、その下限と上限が規定されるものである場合には、例えば、ｙ１として運転操作量３１が下限の値をとる場合とし、ｙｎとして運転操作量３１が上限の値をとる場合とすることができる。この場合においては、例えば、下限から上限までの数値範囲を所定の間隔でｎ－１個の領域に分割し、この領域を分割する閾値となる値を、ｙ２～ｙｎ－１とすることができる。
この場合においては、運転操作量３１がｙｋ（１≦ｋ≦ｎ）のいずれにも一致しない場合は、運転操作量３１に最も近いｙｋ（１≦ｋ≦ｎ）の値が適用され得る。
ここで、図５に示されるように、学習モデル５０における畳み込み処理部４１の処理結果、すなわち最終段の特徴量マップ４５Ｂの、チャネル数がｍ、及び縦と横の大きさが共にｌであるものとする。この場合には、最終段の特徴量マップ４５ＢはＡｉｊ ｃ（１≦ｃ≦ｍ、１≦ｉ≦ｌ、１≦ｊ≦ｌ）として表すことができる。
このとき、注視領域抽出部３０は、ｃ（１≦ｍ≦ｃ）番目のチャネルに対する重みａｃ ｋを、モデルパラメータ記憶部２８から取得した、学習モデル５０のモデルパラメータに基づいて、次式により算出する。
Figure 0007388249000002
 上式において、Ｚは正規化係数である。
上記のように、注視領域抽出部３０は、運転操作量３１の導出に際して学習モデル５０へ入力された変換画像４９の中の、特にどの部分が導出に大きな影響を与えたか、その根拠を解析する。本第１実施形態においては、目的変数ｙへの影響が大きい変換画像４９の部分を、微分係数を平均化することにより特定する。ここでは、微分係数は、数式２に示されるように、目的変数ｙの特徴量マップ４５Ｂの値Ａｉｊ ｃによる偏微分により表される。すなわち、目的変数ｙへの影響が大きい変換画像４９の部分は、変換画像４９内の当該部分に微小な変化を加えた場合の、目的変数ｙに生じる影響が大きくなるため、微分係数も大きくなる。
この考え方に基づき、注視領域抽出部３０は変換画像４９の注視、強調表示するべき注視領域を抽出する。
注視領域抽出部３０は、次に、上記の重みａｃ ｋを用いて、特徴量マップ４５Ｂの全てのチャネルを総合的に考慮した、特徴量マップ４５Ｂの重みＢｉｊ ｋ（１≦ｉ≦ｌ、１≦ｊ≦ｌ）を、次式により計算する。
Figure 0007388249000003
注視領域抽出部３０は、上記のように計算された、特徴量マップ４５Ｂの重みＢｉｊ ｋを、変換画像４９の画像の大きさ、本第１実施形態においては５６×５６の解像度へと引き延ばし、拡大する。この拡大は、例えば、５６×５６の大きさの画像内に、ｌ×ｌの要素数を有する重みＢｉｊ ｋの値の各々を、互いに所定の間隔をあけてコピーしたうえで、コピーされた画素間に位置する画素の画素値を、これら重みＢｉｊ ｋの値がコピーされた画素の画素値を基に、例えばバイリニアで補完することにより行われ得る。あるいは、拡大は、５６×５６の大きさの画像を、ｌ×ｌの数の、略同等な大きさの画素領域に分割したうえで、各画素領域内の全ての画素の画素値を、対応する重みＢｉｊ ｋの値に設定することによっても行われ得る。
このようにして、注視領域抽出部３０は、ｌ×ｌの要素数を有する重みＢｉｊ ｋの値を変換画像４９の大きさへと拡大した画像である注視領域画像を生成する。上記のような数式１～３により計算された重みＢｉｊ ｋの値は、変換画像４９の、目的変数ｙすなわち運転操作量３１への影響が大きい注視領域において大きな値となるため、注視領域画像においては、注視領域が明るくなるように強調表示されている。
注視領域抽出部３０は、注視領域画像を、積層した変換画像４９Ｓに重ね合わせることで、注視領域が明るく強調表示された注視領域強調画像３２を生成する。
実際には、運転操作量３１の導出に際して学習モデル５０へ入力された変換画像４９の中の導出に大きな影響を与えた部分を解析する際には、例えば運転操作量３１が２番目の値であるｙ２をとることがありその理由を解析したい場合には、上式においてｋを２と設定した状態で注視領域画像を生成する。このように、値ｋを任意に変更することで、運転操作量３１のワンホット表現された値の各々における注視領域画像を生成することができる。
次に、図１～図５、及び図６を用いて、上記の汚水処理施設の運転操作量導出装置２０を用いた運転操作量導出方法を説明する。図６（ａ）は学習時の、図６（ｂ）は運転操作量導出時の、及び図６（ｃ）は導出根拠抽出表示時の、各々におけるフローチャートである。
運転操作量３１の学習時には、まず、データ蓄積部２４は、機械学習器４０の学習に使用される、トレンドデータ２１、水質データ２２、及び運転操作量データ２３を記憶、蓄積する（ステップＳ１）。
変換画像生成部２５は、データ蓄積部２４から、トレンドデータ２１、水質データ２２、及び運転操作量データ２３を取得する。変換画像生成部２５は、トレンドデータ２１と水質データ２２の各々から、個別に、変換画像を生成する（ステップＳ３）。
より詳細には、変換画像生成部２５は、運転状況に関連する複数の施設パラメータ２１、２２の各々に対し、当該施設パラメータ２１、２２の推移を関数ｆで表現したときに、異なる複数の時間間隔Ｉ１～Ｉ５６において関数ｆをそれぞれ複数の周波数成分に分解し、当該複数の周波数成分の各々に対する振幅に基づく値が、一方の軸を複数の時間間隔Ｉ１～Ｉ５６の各々とし他方の軸を複数の周波数成分の各々とした画像４９の画素値として設定された、変換画像４９を生成する。
変換画像生成部２５は、複数の基準時刻ＳＰに対して、複数のトレンドデータ２１、水質データ２２の各々に対して、複数の変換画像４９を生成する。変換画像生成部２５は、基準時刻ＳＰごとに、各トレンドデータ２１、水質データ２２の変換画像４９と、当該基準時刻ＳＰにおける運転操作量データ２３とを、それぞれ対応付けて、変換画像蓄積部２６に記憶、蓄積する。
運転操作量学習部２７は、変換画像蓄積部２６から、互いに関連付けられた複数の変換画像４９と、運転操作量データ２３を取得する。
運転操作量学習部２７は、複数の施設パラメータ２１、２２の各々に対応する変換画像４９を入力とし、変換画像４９に対応する運転操作量データ２３を教師データとして機械学習器４０を深層学習し、運転操作量３１の導出に関するモデルパラメータを生成する（ステップＳ５）。
運転操作量学習部２７は、生成したモデルパラメータを、モデルパラメータ記憶部２８に記憶する（ステップＳ７）。
運転操作量３１の導出時には、変換画像生成部２５は、データ蓄積部２４から、運転操作量３１を導出したい時刻、例えば現在の時刻における、トレンドデータ２１と水質データ２２を取得する（ステップＳ１１）。変換画像生成部２５は、これらトレンドデータ２１と水質データ２２の各々に対し、学習時と同様に、複数の変換画像４９を生成する（ステップＳ１３）。
変換画像生成部２５は、これら複数の変換画像４９を互いに対応付けて、変換画像蓄積部２６に記憶、蓄積する。
運転操作量導出部２９は、変換画像蓄積部２６から、互いに関連付けられた複数の変換画像４９を取得する。
運転操作量導出部２９は、運転操作量学習部２７と同様に、複数の１チャネルの変換画像４９を積層し、複数チャネルの変換画像４９Ｓを生成する。
運転操作量導出部２９はまた、モデルパラメータ記憶部２８からモデルパラメータを取得し、学習モデル５０を構築する（ステップＳ１５）。
運転操作量導出部２９が学習モデル５０に積層した変換画像４９Ｓを入力すると、学習モデル５０は、畳み込み処理部４１と全結合部４２を順に辿りながら、運転操作量学習部２７における機械学習器４０と同様な計算処理を実行する。最終的に出力ノード４８ｎから、変換画像４９Ｓに対応する運転操作量３１が出力される（ステップＳ１７）。
導出根拠抽出表示時には、注視領域抽出部３０は、変換画像蓄積部２６から、運転操作量３１の導出時に入力として用いた複数の変換画像４９を取得する（ステップＳ２１）。
注視領域抽出部３０は、運転操作量学習部２７と同様に、複数の１チャネルの変換画像４９を積層し、複数チャネルの変換画像４９Ｓを生成する。
注視領域抽出部３０はまた、モデルパラメータ記憶部２８から、解析対象の運転操作量３１に対応する学習モデル５０のモデルパラメータを取得する。
注視領域抽出部３０は、数式１～３に基づいて、重みＢｉｊ ｋの値を計算し、ｌ×ｌの要素数を有する重みＢｉｊ ｋの値を変換画像４９の大きさへと拡大した画像である注視領域画像を生成する（ステップＳ２３）。
注視領域抽出部３０は、注視領域画像を、積層した変換画像４９Ｓに重ね合わせることで、注視領域が明るく強調表示された注視領域強調画像３２を生成する（ステップＳ２５）。
次に、上記の汚水処理施設の運転操作量導出装置及び運転操作量導出方法の効果について説明する。
本実施形態の汚水処理施設１の運転操作量導出装置２０は、汚水処理施設１の運転状況を、水質の改善を目的として変更するに際し、汚水処理施設１内の設備の運転操作量３１を導出する、汚水処理施設１の運転操作量導出装置２０であって、運転状況に関連する複数の施設パラメータ２１、２２の各々に対し、当該施設パラメータ２１、２２の推移を関数ｆで表現したときに、異なる複数の時間間隔Ｉ１～Ｉ５６において関数ｆをそれぞれ複数の周波数成分に分解し、当該複数の周波数成分の各々に対する振幅に基づく値が、一方の軸を複数の時間間隔Ｉ１～Ｉ５６の各々とし他方の軸を複数の周波数成分の各々とした画像の画素値として設定された、変換画像４９を生成する、変換画像生成部２５と、機械学習器４０を備え、複数の施設パラメータ２１、２２の各々に対応する変換画像４９を入力とし、変換画像４９に対応する運転操作量データ２３を教師データとして機械学習器４０を深層学習し、運転操作量３１の導出に関するモデルパラメータを生成する、運転操作量学習部２７と、モデルパラメータを用いて構築した学習モデル５０により運転操作量３１を導出する、運転操作量導出部２９と、を備えている。
また、本実施形態の汚水処理施設１の運転操作量導出方法は、汚水処理施設１の運転状況を、水質の改善を目的として変更するに際し、汚水処理施設１内の設備の運転操作量３１を導出する、汚水処理施設１の運転操作量導出方法であって、運転状況に関連する複数の施設パラメータ２１、２２の各々に対し、当該施設パラメータ２１、２２の推移を関数ｆで表現したときに、異なる複数の時間間隔Ｉ１～Ｉ５６において関数ｆをそれぞれ複数の周波数成分に分解し、当該複数の周波数成分の各々に対する振幅に基づく値が、一方の軸を複数の時間間隔Ｉ１～Ｉ５６の各々とし他方の軸を複数の周波数成分の各々とした画像の画素値として設定された、変換画像４９を生成し、複数の施設パラメータ２１、２２の各々に対応する変換画像４９を入力とし、変換画像４９に対応する運転操作量データ２３を教師データとして機械学習器４０を深層学習し、運転操作量３１の導出に関するモデルパラメータを生成し、モデルパラメータを用いて構築した学習モデル５０により運転操作量３１を導出する。
上記のような構成によれば、時系列データとして与えられた施設パラメータ２１、２２が変換画像４９に変換され、これが機械学習器４０の学習、及び学習モデル５０による運転操作量３１の導出に入力として使用される。すなわち、機械学習器４０や学習モデル５０の入力が、一覧性が高く、一見してデータの傾向を理解し得る画像であるため、機械学習器４０や学習モデル５０にどのようなデータが与えられたかを理解するのが容易である。このため、何らかの問題が生じた際に、例えばそれが入力データのどの部分に起因したものなのかを解析することも容易である。
これにより、入力となる時系列データの視認性及び解析性を向上可能な、汚水処理施設１の運転操作量導出装置２０及び運転操作量導出方法を提供可能である。
汚水処理においては、熟練した作業員が運転操作量３１を決定する際に、１週間先、２週間先等の、長期的な視点で注目している施設パラメータ２１、２２もあれば、数時間先、１日先等の、短期的な視点で注目している施設パラメータ２１、２２もあり、考慮すべきタイムスケールは、対象となる運転操作量３１や、その折々の汚水処理施設１の状況によっても異なる。
特に本実施形態においては、このような熟練した作業員の、経験や勘、ノウハウに基づく高度な状況判断を、高精度にモデル化するため、時系列データを時間と周波数の２軸でスペクトログラム表現した変換画像４９を入力としている。これにより、熟練した作業員が過去、どの程度の時間を遡って、かつ、どの程度のタイムスケールで汚水処理施設１の状況を把握して、運転操作量３１を決定しているのかを、可視化することができる。
また、運転操作量学習部２７は、機械学習器４０に変換画像４９を入力し、モデルパラメータは、変換画像４９に関する特徴を特徴量マップ４５Ｂとして有し、当該特徴量マップ４５Ｂを基に、学習モデル５０に入力される変換画像４９の、学習モデル５０が出力する運転操作量３１への影響が大きい注視領域を抽出した注視領域画像を生成し、注視領域画像を変換画像４９に重ね合わせて、注視領域が強調表示された注視領域強調画像３２を生成する、注視領域抽出部３０を備えている。
上記のような構成によれば、変換画像４９の、学習モデル５０が出力する運転操作量３１への影響が大きい注視領域を抽出することができるため、運転操作量３１の導出に際して学習モデル５０へ入力された変換画像４９の中の、特にどの部分が導出に大きな影響を与えたか、その根拠を解析して抽出し、結果を注視、強調表示することができる。
このため、例えば機械学習器４０の教師データである運転操作量データ２３を熟練した作業員が作成した場合においては、熟練した作業員の運転操作量３１を決定する際の根拠、すなわち、熟練した作業員であればどのような状況に着目してどのように汚水処理施設１を運転操作するのかを、明確に認識し、理解することができる。
また、注視領域抽出部３０は、注視領域に相当する画素が強調表示された、変換画像４９と同じ解像度の注視領域画像を生成し、当該注視領域画像を変換画像４９に重ね合わせることで、注視領域が強調表示された注視領域強調画像３２を生成する。
上記のような構成によれば、注視領域が強調表示された注視領域強調画像３２を閲覧することで、変換画像４９中の注視領域を簡単かつ明確に視認することができる。
また、複数の運転操作量３１を対象とし、運転操作量学習部２７は、各運転操作量３１に応じた複数の機械学習器４０を備え、複数の機械学習器４０の各々は、畳み込み処理部４１と全結合部４２を備えるＣＮＮで実現されており、全結合部４２の出力層４８は、複数の運転操作量３１の中の１つに対応する、１つの出力ノード４８ｎを備えている。
複数の運転操作量３１に対して、これらの導出を１つの学習モデル５０で行う場合においては、これに対応する数だけの出力ノード４８ｎを、学習モデル５０の出力層４８が有する構成となる。このような場合において、機械学習器４０の、特徴量マップ４５Ｂをはじめとするモデルパラメータは、複数の運転操作量３１の各々を考慮して、これら全てに影響されるように、機械学習器４０は機械学習される。このため、モデルパラメータを用いて注視領域を抽出しても、学習モデル５０における運転操作量３１の各々に関する導出根拠がわかりにくくなる。
これに対し、上記のような構成によれば、運転操作量学習部２７は、各運転操作量３１に応じた複数の機械学習器４０を備え、各機械学習器４０は対応した運転操作量３１を出力する出力ノード４８ｎを１つのみ備えている。したがって、機械学習器４０のモデルパラメータは、対応する運転操作量３１のみを考慮するように、機械学習器４０は機械学習される。このため、モデルパラメータを用いて注視領域を抽出した場合に、運転操作量３１の導出根拠を明確に認識することができる。
また、複数の施設パラメータ２１、２２は、汚泥濃度及び汚泥流量を含むトレンドデータ２１と、汚水処理施設において処理される水の水質データ２２を含む。
上記のような構成によれば、汚泥濃度及び汚泥流量を含むトレンドデータ２１と、汚水処理施設において処理される水の水質データ２２に対応する変換画像４９の中の、特にどの部分が導出に大きな影響を与えたか、その根拠を解析して抽出し、結果を注視、強調表示することができる。
［第１実施形態の変形例］
次に、図７を用いて、上記実施形態として示した汚水処理施設の運転操作量導出装置及び運転操作量導出方法の変形例を説明する。図７は、本変形例における機械学習器６０及び学習モデル７０の説明図である。本変形例における運転操作量導出装置は、上記実施形態の運転操作量導出装置２０とは、機械学習器６０及び学習モデル７０の構造が異なっている。
上記第１実施形態においては、運転操作量学習部２７は、複数のトレンドデータ２１と水質データ２２の各々に対応する、複数個の、１チャネルの変換画像４９を積層し、１個の複数チャネルの変換画像４９Ｓを生成して、これを機械学習器４０への入力としていた。運転操作量導出部２９も同様に、複数チャネルの変換画像４９Ｓを生成して、これを学習モデル５０への入力としていた。これに伴い、機械学習器４０及び学習モデル５０は、１つの畳み込み処理部４１を備えた構成となっていた。
これに対し、本変形例における機械学習器６０と学習モデル７０は、トレンドデータ２１と水質データ２２の数に対応した、複数の畳み込み処理部６１を備えており、トレンドデータ２１と水質データ２２の各々に対応する、複数個の、１チャネルの変換画像４９は、積層されずにそのまま、対応する畳み込み処理部６１へと入力される。
機械学習器６０と学習モデル７０の全結合部６２の数は、上記第１実施形態と同様に１個である。全結合部６２の入力層６６においては、全ての畳み込み処理部６１の最終段の特徴量マップ６５Ｂが入力ノード６６ｎに入力され、この値が中間層６７を伝搬して出力層６８の出力ノード６８ｎに格納される。
このように、本変形例においては、複数の施設パラメータ２１、２２の各々に対して、特徴量マップ６５Ｂを備えている。
注視領域抽出部３０は、変換画像蓄積部２６から、運転操作量３１の導出時に入力として用いた複数の変換画像４９を、及びモデルパラメータ記憶部２８から、解析対象の運転操作量３１に対応する学習モデル６０のモデルパラメータを取得する。このモデルパラメータには、上記の複数の特徴量マップ６５Ｂが含まれる。
注視領域抽出部３０は、複数チャネルの変換画像４９Ｓを生成せずに、トレンドデータ２１と水質データ２２の各々に対応する変換画像４９に対し、個別に、対応する特徴量マップ６５Ｂの値に基づき数式１～３によって重みＢｉｊ ｋの値を計算する。結果として、注視領域抽出部３０は、トレンドデータ２１と水質データ２２の各々に対応した注視領域画像を生成する。注視領域抽出部３０は、複数の注視領域画像の各々を、対応する変換画像４９に重ね合わせることで、各変換画像４９に対して、個別に注視領域が強調表示された注視領域強調画像３２を生成する。
本変形例が、既に説明した第１実施形態と同様な効果を奏することは言うまでもない。
特に本変形例においては、モデルパラメータは、特徴量マップ６５Ｂを、複数の施設パラメータ２１、２２の各々に対して有しており、注視領域抽出部３０は、複数の施設パラメータ２１、２２の各々に対して、当該施設パラメータ２１、２２に対応する特徴量マップ６５Ｂを基に、個別に注視領域を抽出して注視領域画像を生成する。
上記のような構成によれば、複数の施設パラメータ２１、２２の各々に対して、個別に、注視領域を抽出して注視領域画像を生成することができる。このため、入力となる時系列データの視認性及び解析性をより向上可能な、汚水処理施設１の運転操作量導出装置及び運転操作量導出方法を提供可能である。
［第２実施形態］
次に、第２実施形態における汚水処理施設１の運転操作量導出装置を説明する。本第２実施形態においては、上記第１実施形態と共通する構成については図中に同じ符号を付して説明を省略する。図８は、本第２実施形態における運転操作量導出装置８０のブロック図である。本第２実施形態は、特に、運転操作量学習部８７、モデルパラメータ記憶部８８、運転操作量導出部８９、及び注視領域抽出部９０の動作が上記第１実施形態とは異なっている。更に、本第２実施形態の運転操作量導出装置８０は、ＡＥ学習部９１を備えている。特に本第２実施形態においては、これら各部の動作を中心に説明する。
運転操作量導出装置８０は、第１実施形態における運転操作量導出装置２０と同様に、図１を用いて説明した汚水処理施設１に用いられている。
第１実施形態と同様に、以下では、運転操作量３１の学習時における、運転操作量導出装置８０の各構成要素の説明をした後に、運転操作量３１の導出時での各構成要素の挙動について説明し、更に、導出根拠抽出表示時の各構成要素の挙動について説明する。
運転操作量導出装置８０は、ＡＥ学習部９１を備えている。ＡＥ学習部９１は、畳み込みオートエンコーダ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ａｕｔｏｅｎｃｏｄｅｒ）により実現された、ＡＥ機械学習器１００を備えている。ＡＥ機械学習器１００は、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される、適切な学習パラメータが学習された学習済みモデルを生成するものである。
運転操作量３１の学習時には、変換画像生成部２５が、複数のトレンドデータ２１、水質データ２２の各々に対して、複数の変換画像４９を生成し、変換画像蓄積部２６に記憶、蓄積した後に、ＡＥ学習部９１がＡＥ機械学習器１００を学習させる。
図９は、ＡＥ機械学習器１００と、機械学習器４０の間の処理の流れに関する説明図である。図１０は、ＡＥ機械学習器１００のブロック図である。
ＡＥ機械学習器１００は、畳み込み処理部１０１、全結合層１０２、及び逆畳み込み処理部１０３を備えている。
ＡＥ学習部９１は、変換画像蓄積部２６から変換画像４９を取得し、これを一枚ずつ、畳み込み処理部１０１へ入力する。畳み込み処理部１０１の各畳み込み層は、機械学習器４０の畳み込み処理部４１と同様な処理を実行した後、これを全結合層１０２へ入力する。全結合層１０２においても、機械学習器４０の全結合部４２と同様な処理が実行される。全結合層１０２における実行結果は、逆畳み込み処理部１０３に入力される。
逆畳み込み処理部１０３においては、畳み込み処理部１０１と対称的な処理が実行される。すなわち、変換画像４９は畳み込み処理部１０１により全結合層１０２に至るまでに低次元に圧縮されたが、逆畳み込み処理部１０３においては、低次元に圧縮された状態から復元されるように動作する。これにより、変換画像４９と同じ解像度を備える出力画像１１１が生成される。
ＡＥ機械学習器１００においては、この生成された画像１１１が、変換画像４９を再現した再現画像１１１となるように、機械学習が行われる。
ＡＥ機械学習器１００の学習が終了すると、ＡＥ学習部９１は、ＡＥ機械学習器１００のモデルパラメータをモデルパラメータ記憶部８８に記憶する。
運転操作量学習部８７は、モデルパラメータ記憶部８８からＡＥ機械学習器１００のモデルパラメータを取得し、ＡＥ学習モデル１１０を構築する。ＡＥ学習モデル１１０は、ＡＥ機械学習器１００と略同等の構造を備えている。運転操作量学習部８７は、このＡＥ学習モデル１１０を、例えばＣＰＵ上でプログラムとして実行することで、次のように差分画像１１２を生成する。
運転操作量学習部８７は、変換画像蓄積部２６から、互いに関連付けられた複数の変換画像４９と、運転操作量データ２３を取得し、複数の変換画像４９の各々を、個別にＡＥ学習モデル１１０に入力することで、各変換画像４９に対応した出力画像１１１を生成する。運転操作量学習部８７は、各変換画像４９と、対応する出力画像１１１との差分を取ることで、差分画像１１２を生成する。
運転操作量学習部８７は、この差分画像１１２を積層し、１個の複数チャネルの差分画像１１２Ｓを生成し、これを用いて機械学習器４０を機械学習する。
汚水処理において、熟練した作業員が運転操作量３１を変更するのは、入力データ、すなわちトレンドデータ２１や水質データ２２が、普段の運転状態と異なっている場合に対処するときである。すなわち、オートエンコーダに通常の変換画像４９を学習させておくと、通常とは異なる、すなわち何らかの運転操作量３１の変更を要する状態に相当する変換画像４９に対しては、出力となる再現画像１１１が、通常とは異なり、特に通常時に対して変化が顕著な部分については、入力された変換画像４９とは異なる画像が出力される。本第２実施形態においては、これらの差分を取ることにより、学習モデル５０が出力する運転操作量３１への影響が大きい注視領域を抽出することを意図している。
機械学習器４０の機械学習は、上記第１実施形態と同様に実行されるため、説明を省略する。機械学習器４０は、上記のような、何らかの運転操作量３１の変更が必要となる状態が反映された差分画像１１２を入力として機械学習されるため、第１実施形態において変換画像４９を入力とした場合と同様に、効果的に運転操作量３１を出力するように学習可能である。
運転操作量学習部８７は、学習が終了すると、調整が終了した、特徴量マップ４５すなわち各フィルタの重みの値や、全結合部４２における結合荷重等のパラメータを、モデルパラメータとして、モデルパラメータ記憶部８８に記憶する。
すなわち、運転操作量学習部８７は、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される、適切な学習パラメータが学習された学習済みの学習モデル５０を生成するものである。
次に、運転操作量３１の導出時での各構成要素の挙動について説明する。
運転操作量導出部８９は、変換画像蓄積部２６から、互いに関連付けられた複数の変換画像４９を取得する。
運転操作量導出部８９は、モデルパラメータ記憶部８８から、機械学習器４０及びＡＥ機械学習器１００のモデルパラメータを取得し、学習モデル５０とＡＥ学習モデル１１０を構築する。学習モデル５０は、図５に示される機械学習器４０と略同等の構造を備えている。運転操作量導出部８９は、この学習モデル５０を、例えばＣＰＵ上でプログラムとして実行することで、運転操作量３１を導出する。
運転操作量導出部８９は、ＡＥ学習モデル１１０に複数の変換画像４９を個別に入力して、各変換画像４９に対応した出力画像１１１を生成する。運転操作量導出部８９は、各変換画像４９と、対応する出力画像１１１との差分を取ることで、差分画像１１２を生成する。
運転操作量導出部８９は、この差分画像１１２を積層し、１個の複数チャネルの差分画像１１２Ｓを生成する。運転操作量導出部８９は、学習モデル５０に積層した差分画像１１２Ｓを入力すると、学習モデル５０は、畳み込み処理部４１と全結合部４２を順に辿り、出力ノード４８ｎに、差分画像１１２Ｓに対応する運転操作量３１を出力する。
上記の第１実施形態と同様に、運転操作量学習部８７は、導出対象となる運転操作量３１が複数存在する場合には、この各々に対応する機械学習器４０を備えており、複数の機械学習器４０の各々が、対応する運転操作量３１に特化して学習される。運転操作量導出部８９も、複数の機械学習器４０の各々に対応して、複数の学習モデル５０を構築し、この各々に対して対応する差分画像１１２Ｓを入力することで、各学習モデル５０に対応する運転操作量３１を導出する。
運転操作量導出部８９は、差分画像１１２の各々を、当該差分画像１１２を生成した際のＡＥ学習モデル１１０への入力となった変換画像４９に対応付けて、変換画像蓄積部２６に記憶、蓄積する。
次に、導出根拠抽出表示時での各構成要素の挙動について説明する。
注視領域抽出部９０は、変換画像蓄積部２６から、変換画像４９と、これに対応付けられた差分画像１１２を取得する。
上記のように、差分画像１１２は、変換画像４９と出力画像１１１の差分を取ることにより生成されている。すなわち、差分画像１１２は、何らかの運転操作量３１の変更を要する状態に相当する変換画像４９に対して、特に通常時に対して変化が顕著な部分が強調表示されたものであり、上記第１実施形態における注視領域画像に相当する。
したがって、注視領域抽出部９０は、この注視領域画像を変換画像４９に重ね合わせることにより、注視領域が強調表示された注視領域強調画像３２を生成する。
次に、図８～図１０、及び図１１を用いて、上記の汚水処理施設の運転操作量導出装置８０を用いた運転操作量導出方法を説明する。図１１（ａ）は学習時の、図１１（ｂ）は運転操作量導出時の、及び図１１（ｃ）は導出根拠抽出表示時の、各々におけるフローチャートである。
運転操作量３１の学習時には、変換画像生成部２５が、複数のトレンドデータ２１、水質データ２２の各々に対して、複数の変換画像４９を生成し、変換画像蓄積部２６に記憶、蓄積した（ステップＳ３）後に、ＡＥ学習部９１がＡＥ機械学習器１００を学習させる（ステップＳ３４）。
ＡＥ機械学習器１００においては、変換画像４９を入力して生成された画像１１１が、変換画像４９を再現した再現画像１１１となるように、機械学習が行われる。
ＡＥ機械学習器１００の学習が終了すると、ＡＥ学習部９１は、ＡＥ機械学習器１００のモデルパラメータをモデルパラメータ記憶部８８に記憶する。
運転操作量学習部８７は、モデルパラメータ記憶部８８からＡＥ機械学習器１００のモデルパラメータを取得し、ＡＥ学習モデル１１０を構築する。
運転操作量学習部８７は、変換画像蓄積部２６から、互いに関連付けられた複数の変換画像４９と、運転操作量データ２３を取得し、複数の変換画像４９の各々を、個別にＡＥ学習モデル１１０に入力することで、各変換画像４９に対応した出力画像１１１を生成する。運転操作量学習部８７は、各変換画像４９と、対応する出力画像１１１との差分を取ることで、差分画像１１２を生成する。
運転操作量学習部８７は、この差分画像１１２を積層し、１個の複数チャネルの差分画像１１２Ｓを生成し、これを用いて機械学習器４０を機械学習する（ステップＳ３５）。
運転操作量学習部８７は、学習が終了すると、調整が終了した、特徴量マップ４５すなわち各フィルタの重みの値や、全結合部４２における結合荷重等のパラメータを、モデルパラメータとして、モデルパラメータ記憶部８８に記憶する（ステップＳ３７）。
運転操作量３１の導出時には、変換画像生成部２５が変換画像４９を生成し（ステップＳ１３）、変換画像蓄積部２６に互いに関連付けられた複数の変換画像４９を記憶、蓄積すると、運転操作量導出部８９は、変換画像蓄積部２６からこれを取得する。
運転操作量導出部８９は、モデルパラメータ記憶部８８から、機械学習器４０及びＡＥ機械学習器１００のモデルパラメータを取得し、学習モデル５０とＡＥ学習モデル１１０を構築する（ステップＳ４４、Ｓ４５）。
運転操作量導出部８９は、ＡＥ学習モデル１１０に複数の変換画像４９を個別に入力して、各変換画像４９に対応した出力画像１１１を生成する。運転操作量導出部８９は、各変換画像４９と、対応する出力画像１１１との差分を取ることで、差分画像１１２を生成する。
運転操作量導出部８９は、この差分画像１１２を積層し、１個の複数チャネルの差分画像１１２Ｓを生成する。運転操作量導出部８９は、学習モデル５０に積層した差分画像１１２Ｓを入力すると、学習モデル５０は、畳み込み処理部４１と全結合部４２を順に辿り、出力ノード４８ｎに、差分画像１１２Ｓに対応する運転操作量３１を出力する（ステップＳ４７）。
運転操作量導出部８９は、差分画像１１２の各々を、当該差分画像１１２を生成した際のＡＥ学習モデル１１０への入力となった変換画像４９に対応付けて、変換画像蓄積部２６に記憶、蓄積する。
導出根拠抽出表示時には、注視領域抽出部９０は、変換画像蓄積部２６から、変換画像４９と、これに対応付けられた差分画像１１２を取得する（ステップＳ５１）。
注視領域抽出部９０は、この差分画像１１２を注視領域画像として変換画像４９に重ね合わせることにより、注視領域が強調表示された注視領域強調画像３２を生成する（ステップＳ５３）。
次に、上記の汚水処理施設１の運転操作量導出装置及び運転操作量導出方法の効果について説明する。
本実施形態の汚水処理施設１の運転操作量導出装置８０は、汚水処理施設１の運転状況を、水質の改善を目的として変更するに際し、汚水処理施設１内の設備の運転操作量３１を導出する、汚水処理施設１の運転操作量導出装置８０であって、運転状況に関連する複数の施設パラメータ２１、２２の各々に対し、当該施設パラメータ２１、２２の推移を関数ｆで表現したときに、異なる複数の時間間隔Ｉ１～Ｉ５６において関数ｆをそれぞれ複数の周波数成分に分解し、当該複数の周波数成分の各々に対する振幅に基づく値が、一方の軸を複数の時間間隔Ｉ１～Ｉ５６の各々とし他方の軸を複数の周波数成分の各々とした画像の画素値として設定された、変換画像４９を生成する、変換画像生成部２５と、機械学習器４０を備え、複数の施設パラメータ２１、２２の各々に対応する差分画像１１２（変換画像４９を基にした画像）を入力とし、変換画像４９に対応する運転操作量データ２３を教師データとして機械学習器４０を深層学習し、運転操作量３１の導出に関するモデルパラメータを生成する、運転操作量学習部８７と、モデルパラメータを用いて構築した学習モデル５０により運転操作量３１を導出する、運転操作量導出部８９と、を備えている。
また、本実施形態の汚水処理施設１の運転操作量導出方法は、汚水処理施設１の運転状況を、水質の改善を目的として変更するに際し、汚水処理施設１内の設備の運転操作量３１を導出する、汚水処理施設１の運転操作量導出方法であって、運転状況に関連する複数の施設パラメータ２１、２２の各々に対し、当該施設パラメータ２１、２２の推移を関数ｆで表現したときに、異なる複数の時間間隔Ｉ１～Ｉ５６において関数ｆをそれぞれ複数の周波数成分に分解し、当該複数の周波数成分の各々に対する振幅に基づく値が、一方の軸を複数の時間間隔Ｉ１～Ｉ５６の各々とし他方の軸を複数の周波数成分の各々とした画像の画素値として設定された、変換画像４９を生成し、複数の施設パラメータ２１、２２の各々に対応する差分画像１１２（変換画像４９を基にした画像）を入力とし、変換画像４９に対応する運転操作量データ２３を教師データとして機械学習器４０を深層学習し、運転操作量３１の導出に関するモデルパラメータを生成し、モデルパラメータを用いて構築した学習モデル５０により運転操作量３１を導出する。
上記のような構成によれば、時系列データとして与えられた施設パラメータ２１、２２が変換画像４９に変換され、これを基にした差分画像１１２が機械学習器４０の学習、及び学習モデル５０による運転操作量３１の導出に入力として使用される。すなわち、機械学習器４０や学習モデル５０の入力が、一覧性が高く、一見してデータの傾向を理解し得る画像であるため、機械学習器４０や学習モデル５０にどのようなデータが与えられたかを理解するのが容易である。このため、何らかの問題が生じた際に、例えばそれが入力データのどの部分に起因したものなのかを解析することも容易である。
これにより、入力となる時系列データの視認性及び解析性を向上可能な、汚水処理施設１の運転操作量導出装置８０及び運転操作量導出方法を提供可能である。
汚水処理においては、熟練した作業員が運転操作量３１を決定する際に、１週間先、２週間先等の、長期的な視点で注目している施設パラメータ２１、２２もあれば、数時間先、１日先等の、短期的な視点で注目している施設パラメータ２１、２２もあり、考慮すべきタイムスケールは、対象となる運転操作量３１や、その折々の汚水処理施設１の状況によっても異なる。
特に本実施形態においては、このような熟練した作業員の、経験や勘、ノウハウに基づく高度な状況判断を、高精度にモデル化するため、時系列データを時間と周波数の２軸でスペクトログラム表現した変換画像４９を基にした差分画像１１２を入力としている。これにより、熟練した作業員が過去、どの程度の時間を遡って、かつ、どの程度のタイムスケールで汚水処理施設１の状況を把握して、運転操作量３１を決定しているのかを、可視化することができる。
また、運転操作量学習部８７は、変換画像４９と、当該変換画像４９に畳み込みオートエンコーダを適用した出力画像１１１との差分画像１１２を、機械学習器４０に入力し、差分画像１１２を変換画像４９に重ね合わせることで、差分画像１１２中の学習モデル５０が出力する運転操作量３１への影響が大きい注視領域が抽出され強調表示された注視領域強調画像３２を生成する、注視領域抽出部９０を備えている。
上記のような構成によれば、既に説明したように、差分画像１１２により、学習モデル５０が出力する運転操作量３１への影響が大きい注視領域が抽出されるため、変換画像４９の中の、特にどの部分が導出に大きな影響を与えたか、その根拠を解析して抽出し、結果を注視、強調表示することができる。
このため、例えば機械学習器４０の教師データである運転操作量データ２３を熟練した作業員が作成した場合においては、熟練した作業員の運転操作量３１を決定する際の根拠、すなわち、熟練した作業員であればどのような状況に着目してどのように汚水処理施設１を運転操作するのかを、明確に認識し、理解することができる。
また、複数の運転操作量３１を対象とし、運転操作量学習部８７は、各運転操作量３１に応じた複数の機械学習器４０を備え、複数の機械学習器４０の各々は、畳み込み処理部４１と全結合部４２を備えるＣＮＮで実現されており、全結合部４２の出力層４８は、複数の運転操作量３１の中の１つに対応する、１つの出力ノード４８ｎを備えている。
複数の運転操作量３１に対して、これらの導出を１つの学習モデル５０で行う場合においては、これに対応する数だけの出力ノード４８ｎを、学習モデル５０の出力層４８が有する構成となる。このような場合において、機械学習器４０の、特徴量マップ４５Ｂをはじめとするモデルパラメータは、複数の運転操作量３１の各々を考慮して、これら全てに影響されるように、機械学習器４０は機械学習される。このため、モデルパラメータを用いて注視領域を抽出しても、学習モデル５０における運転操作量３１の各々に関する導出根拠がわかりにくくなる。
これに対し、上記のような構成によれば、運転操作量学習部８７は、各運転操作量３１に応じた複数の機械学習器４０を備え、各機械学習器４０は対応した運転操作量３１を出力する出力ノード４８ｎを１つのみ備えている。したがって、機械学習器４０のモデルパラメータは、対応する運転操作量３１のみを考慮するように、機械学習器４０は機械学習される。このため、モデルパラメータを用いて注視領域を抽出した場合に、運転操作量３１の導出根拠を明確に認識することができる。
また、複数の施設パラメータ２１、２２は、汚泥濃度及び汚泥流量を含むトレンドデータ２１と、汚水処理施設において処理される水の水質データ２２を含む。
上記のような構成によれば、汚泥濃度及び汚泥流量を含むトレンドデータ２１と、汚水処理施設において処理される水の水質データ２２に対応する変換画像４９の中の、特にどの部分が導出に大きな影響を与えたか、その根拠を解析して抽出し、結果を注視、強調表示することができる。
なお、本発明の汚水処理施設の運転操作量導出装置及び運転操作量導出方法は、図面を参照して説明した上述の各実施形態及び変形例に限定されるものではなく、その技術的範囲において他の様々な変形例が考えられる。
例えば、上記各実施形態及び変形例において、トレンドデータ２１を汚水処理施設１の運転状況に関連する、汚泥濃度や汚泥流量、水温等としたが、トレンドデータ２１は、運転操作量３１として導出される値、例えば送風量を含んでも構わない。運転操作量３１の要素、例えば送風量がトレンドデータ２１に含まれた場合には、トレンドデータ２１としての送風量は、運転操作量３１としての送風量を導出する際には使用されないが、送風量以外の他の運転操作量３１を導出する際の入力としては使用され得る。
また、上記第２実施形態においては、複数の、トレンドデータ２１と水質データ２２の各々に対応する変換画像４９は、１つの、すなわち共通のＡＥ機械学習器１００及びＡＥ学習モデル１１０に入力されていたが、これに替えて、トレンドデータ２１と水質データ２２の各々に対応して、個別に、ＡＥ機械学習器及びＡＥ学習モデルが備えられていてもよい。
これ以外にも、本発明の主旨を逸脱しない限り、上記各実施形態及び変形例で挙げた構成を取捨選択したり、他の構成に適宜変更したりすることが可能である。
例えば、上記第２実施形態の運転操作量導出装置８０において、機械学習器４０及び学習モデル５０が、上記第１実施形態の変形例の機械学習器６０及び学習モデル７０のように、トレンドデータ２１と水質データ２２の数に対応した、複数の畳み込み処理部６１を備え、この各々に、対応する差分画像１１２が入力されるように構成されていてもよい。
１ 汚水処理施設
２０、８０ 運転操作量導出装置
２１ トレンドデータ（施設パラメータ）
２２ 水質データ（施設パラメータ）
２３ 運転操作量データ
２４ データ蓄積部
２５ 変換画像生成部
２６ 変換画像蓄積部
２７、８７ 運転操作量学習部
２８、８８ モデルパラメータ記憶部
２９、８９ 運転操作量導出部
３０、９０ 注視領域抽出部
３１ 運転操作量
３２ 注視領域強調画像
４０、６０ 機械学習器
４９ 変換画像
５０、７０ 学習モデル
４５、４５Ｂ、６５Ｂ、Ａｉｊ ｃ 特徴量マップ
９１ ＡＥ学習部
１００ ＡＥ機械学習器（畳み込みオートエンコーダ）
１１０ ＡＥ学習モデル（畳み込みオートエンコーダ）
１１１ 出力画像
１１２ 差分画像（変換画像を基にした画像）
ｆ 関数
Ｉ１～Ｉ５６ 時間間隔

Claims (6)

  1. 汚水処理施設の運転状況を、水質の改善を目的として変更するに際し、前記汚水処理施設内の設備の運転操作量を導出する、汚水処理施設の運転操作量導出装置であって、
    前記運転状況に関連する複数の施設パラメータの各々に対し、当該施設パラメータの推移を関数で表現したときに、異なる複数の時間間隔において前記関数をそれぞれ複数の周波数成分に分解し、当該複数の周波数成分の各々に対する振幅に基づく値が、一方の軸を前記複数の時間間隔の各々とし他方の軸を前記複数の周波数成分の各々とした画像の画素値として設定された、変換画像を生成する、変換画像生成部と、
    機械学習器を備え、前記複数の施設パラメータの各々に対応する前記変換画像または前記変換画像を基にした画像を入力とし、前記変換画像に対応する運転操作量データを教師データとして前記機械学習器を深層学習し、前記運転操作量の導出に関するモデルパラメータを生成する、運転操作量学習部と、
    前記モデルパラメータを用いて構築した学習モデルにより前記運転操作量を導出する、運転操作量導出部と、
    を備えている、汚水処理施設の運転操作量導出装置。
  2. 前記運転操作量学習部は、前記機械学習器に前記変換画像を入力し、
    前記モデルパラメータは、前記変換画像に関する特徴を特徴量マップとして有し、
    当該特徴量マップを基に、前記学習モデルに入力される前記変換画像の、前記学習モデルが出力する前記運転操作量への影響が大きい注視領域を抽出した注視領域画像を生成し、当該注視領域画像を前記変換画像に重ね合わせて、前記注視領域が強調表示された注視領域強調画像を生成する、注視領域抽出部を備えている、請求項１に記載の汚水処理施設の運転操作量導出装置。
  3. 前記モデルパラメータは、前記特徴量マップを、前記複数の施設パラメータの各々に対して有しており、
    前記注視領域抽出部は、前記複数の施設パラメータの各々に対して、当該施設パラメータに対応する前記特徴量マップを基に、個別に前記注視領域を抽出して前記注視領域画像を生成する、請求項２に記載の汚水処理施設の運転操作量導出装置。
  4. 前記運転操作量学習部は、前記変換画像と、当該変換画像に畳み込みオートエンコーダを適用した出力画像との差分画像を、前記機械学習器に入力し、
    前記差分画像を前記変換画像に重ね合わせることで、前記差分画像中の前記学習モデルが出力する前記運転操作量への影響が大きい注視領域が抽出され強調表示された注視領域強調画像を生成する、注視領域抽出部を備えている、請求項１に記載の汚水処理施設の運転操作量導出装置。
  5. 前記複数の施設パラメータは、汚泥濃度及び汚泥流量を含むトレンドデータと、前記汚水処理施設において処理される水の水質データを含む、請求項１から４のいずれか一項に記載の汚水処理施設の運転操作量導出装置。
  6. 汚水処理施設の運転状況を、水質の改善を目的として変更するに際し、前記汚水処理施設内の設備の運転操作量を導出する、汚水処理施設の運転操作量導出方法であって、
    前記運転状況に関連する複数の施設パラメータの各々に対し、当該施設パラメータの推移を関数で表現したときに、異なる複数の時間間隔において前記関数をそれぞれ複数の周波数成分に分解し、当該複数の周波数成分の各々に対する振幅に基づく値が、一方の軸を前記複数の時間間隔の各々とし他方の軸を前記複数の周波数成分の各々とした画像の画素値として設定された、変換画像を生成し、
    前記複数の施設パラメータの各々に対応する前記変換画像または前記変換画像を基にした画像を入力とし、前記変換画像に対応する運転操作量データを教師データとして機械学習器を深層学習し、前記運転操作量の導出に関するモデルパラメータを生成し、
    前記モデルパラメータを用いて構築した学習モデルにより前記運転操作量を導出する、汚水処理施設の運転操作量導出方法。

JP2020038478A 2020-03-06 2020-03-06 汚水処理施設の運転操作量導出装置及び運転操作量導出方法 Active JP7388249B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020038478A JP7388249B2 (ja) 2020-03-06 2020-03-06 汚水処理施設の運転操作量導出装置及び運転操作量導出方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020038478A JP7388249B2 (ja) 2020-03-06 2020-03-06 汚水処理施設の運転操作量導出装置及び運転操作量導出方法

Publications (2)

Publication Number Publication Date
JP2021140523A JP2021140523A (ja) 2021-09-16
JP7388249B2 true JP7388249B2 (ja) 2023-11-29

Family

ID=77668691

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020038478A Active JP7388249B2 (ja) 2020-03-06 2020-03-06 汚水処理施設の運転操作量導出装置及び運転操作量導出方法

Country Status (1)

Country Link
JP (1) JP7388249B2 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115166176B (zh) * 2022-06-24 2024-03-26 山东科技大学 一种基于tcn模型的池塘溶解氧浓度预测方法
CN116228176B (zh) * 2023-05-10 2023-07-18 安徽皖欣环境科技有限公司 一种基于数据处理的污水处理数据高效管理系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019167651A1 (ja) 2018-03-01 2019-09-06 国立大学法人北海道大学 汚水越流検知装置、汚水越流検知方法、プログラム、及び汚水処理装置
CN110515411A (zh) 2019-09-05 2019-11-29 江苏环保产业技术研究院股份公司 一种水处理加药量控制方法及系统
JP2019209271A (ja) 2018-06-06 2019-12-12 株式会社明電舎 汚水処理施設の水質判定装置及び水質判定方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019167651A1 (ja) 2018-03-01 2019-09-06 国立大学法人北海道大学 汚水越流検知装置、汚水越流検知方法、プログラム、及び汚水処理装置
JP2019209271A (ja) 2018-06-06 2019-12-12 株式会社明電舎 汚水処理施設の水質判定装置及び水質判定方法
CN110515411A (zh) 2019-09-05 2019-11-29 江苏环保产业技术研究院股份公司 一种水处理加药量控制方法及系统

Also Published As

Publication number Publication date
JP2021140523A (ja) 2021-09-16

Similar Documents

Publication Publication Date Title
JP7388249B2 (ja) 汚水処理施設の運転操作量導出装置及び運転操作量導出方法
KR940005029B1 (ko) 프로세스 운전지원방법 및 시스템
Olsson et al. Instrumentation, control and automation in wastewater–from London 1973 to Narbonne 2013
US5581459A (en) Plant operation support system
JP2007065883A (ja) プロセス監視装置及びその方法
Faísca et al. A multi-parametric programming approach for multilevel hierarchical and decentralised optimisation problems
Abonyi et al. Incorporating prior knowledge in fuzzy model identification
Wen et al. Applying hybrid artificial intelligence techniques in wastewater treatment
Assawinchaichote et al. Fuzzy control and filter design for uncertain fuzzy systems
CN105550492B (zh) 用于预测废水处理过程的参数的系统和方法
JP2019175409A (ja) 水処理施設の運転制御装置及び運転制御方法
JPH03259302A (ja) 情報処理システム
JPH03134706A (ja) 下水処理場運転支援のための知識獲得方法
Ordace et al. Predictive control of anaerobic digestion of wastewater sludge. A feasibility study
JP6541913B1 (ja) 水処理プラントおよび水処理プラントの運転方法
JP7331737B2 (ja) 水処理施設の運転支援装置
JP2006095440A (ja) 下水処理場の運転管理システム
WO2023181276A1 (ja) 水処理制御システムおよび水処理装置の制御方法
Necoara et al. Model predictive control for perturbed continuous piecewise affine systems with bounded disturbances
JP7484578B2 (ja) 水処理施設の運転支援装置及び運転支援方法
JP2022027462A (ja) 汚水処理施設の運転操作量推論根拠出力装置及び運転操作量推論根拠出力方法
Francisco et al. Multi-model approaches for integrated design of wastewater treatment plants with model predictive control
Crowe et al. On-line model-free methods
Barnett Dynamics and control of wastewater systems
JPH04205601A (ja) プロセスの運転支援システム

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: 20230926

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: 20231017

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231030

R150 Certificate of patent or registration of utility model

Ref document number: 7388249

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150