JP7484578B2 - 水処理施設の運転支援装置及び運転支援方法 - Google Patents

Description

本発明は、水処理施設の運転支援装置及び運転支援方法に関する。

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いる。
しかしながら、運転員の高齢化及び当該技術の習熟に長期間を要するため、人工知能を用いて操作量を決定し、自動化したいという要請がある。
ここで、操作量は、主に、放流水に含まれるアンモニア濃度等の水質データに基づいて決定される。

従来技術の一例である特許文献１には、モデルパラメータを自動調整することにより、専門知識を持たない運転員が下水処理場を運転した場合にも運転効率、運転コストなどを大幅に低減させ、流入水の水質を規定範囲内に納めることを可能にすることを課題とし、下水処理プロセスから出力される計測データ、水質分析員などの分析動作で得られる分析データなどをデータベース装置に蓄積しながら、モデルパラメータ設定部に設定されているモデルパラメータ、プラント条件設定部に設定されているプラント条件、運転条件設定部に設定されている運転条件、データベース装置から出力されるシミュレーション用データ、パラメータ同定用データなどに基づき、プロセスシミュレータにモデルパラメータを自動調整して、下水処理プロセスのシミュレーションを実行する技術が開示されている。

特開２００７－２２９５５０号公報

しかしながら、上記の従来技術は、下水処理プロセスに設置されたセンサから得られるセンサ情報及び下水処理場において取得された水質分析結果情報等をはじめとして、シミュレーションのために、時系列に蓄えられた大量のデータを要する、という問題があった。
他方で、水処理施設における水質データを取得するための水質分析は、コスト及び時間を要するため、大量の水質データを揃えるためには多大なコストを要し、データ取得期間が長期に及んでしまう、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、蓄積されたデータ量が少ない場合であっても、高い精度で操作量の導出が可能な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の双方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からの前記学習対象データ及び前記推定対象データを学習可能に加工するデータ加工部と、前記学習対象データにより学習を行うことで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の学習により導出した制御対象の操作量を出力する運転支援部と、を備え、前記学習部は、対象とする水処理施設の同機場の他系列又は他機場において取得した他系列又は他機場学習パラメータにより生成された既存モデルをベースにし、前記データ加工部で加工済みの学習対象データを用いて学習パラメータを更新し、前記データ加工部は、対象とする水処理施設のデータを前記他系列又は他機場学習パラメータと共通する形式に加工す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、前記学習部が、前記学習パラメータの全部を更新することが好ましい。

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、前記学習部が、前記学習パラメータを部分的に更新することが好ましい。

又は、本発明は、対象とする水処理施設、及び該水処理施設の同機場の他系列又は他機場で取得した他系列又は他機場の双方からの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の双方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からの、前記対象とする水処理施設からのデータと、該水処理施設の同機場の他系列又は他機場で取得した他系列又は他機場からのデータと、を学習可能に加工及び結合するデータ加工及び結合部と、前記学習対象データにより学習を行うことで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の学習により導出した制御対象の操作量を出力する運転支援部と、を備え、前記学習部は、前記データ加工及び結合部で加工済みの学習対象データを用いてモデルを構築するとともに学習パラメータを更新し、前記データ加工及び結合部は、対象とする水処理施設のデータと前記他系列又は他機場のデータとを共通する形式に加工する水処理施設の運転支援装置である。

又は、本発明は、トレンドデータ及び水質データを蓄積すること、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の双方を選択して取得すること、前記学習対象データ及び前記推定対象データを学習可能に加工すること、前記学習対象データにより学習を行うことで学習パラメータを記憶すること、前記推定対象データ及び前記学習パラメータの学習により導出した制御対象の操作量を出力すること、を含み、前記学習は、対象とする水処理施設の同機場の他系列又は他機場において取得した他系列又は他機場学習パラメータにより生成された既存モデルをベースにし、前記加工済みの学習対象データを用いて学習パラメータを更新し、前記加工は、対象とする水処理施設のデータを前記他系列又は他機場学習パラメータと共通する形式に加工する水処理施設の運転支援方法である。

又は、本発明は、対象とする水処理施設、及び該水処理施設の同機場の他系列又は他機場で取得した他系列又は他機場の双方からのトレンドデータ及び水質データを蓄積すること、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の双方を選択して取得すること、前記対象とする水処理施設からのデータと、該水処理施設の同機場の他系列又は他機場で取得した他系列又は他機場からのデータと、を学習可能に加工及び結合すること、前記学習対象データにより学習を行うことで学習パラメータを記憶すること、前記推定対象データ及び前記学習パラメータの学習により導出した制御対象の操作量を出力すること、を含み、前記学習は、前記加工済みの学習対象データを用いてモデルを構築するとともに学習パラメータを更新し、前記加工は、対象とする水処理施設のデータと前記他系列又は他機場のデータとを共通する形式に加工する水処理施設の運転支援方法である。

本発明によれば、蓄積されたデータ量が少ない場合であっても、高い精度で操作量の導出が可能な技術を提供することができる。

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、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５は、学習パラメータ更新部における学習のイメージである。 図６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７は、実施形態２に係る運転支援装置が備える学習パラメータ更新部における学習のイメージである。 図８は、実施形態３に係る運転支援装置の構成を示すブロック図である。 図９は、対象系列のデータと、同機場の他系列又は他機場のデータと、が結合されたブロックの構成を示す図である。 図１０は、データ加工及び結合部における、対象系列のデータと、同機場の他系列又は他機場のデータと、を結合したイメージを示す図である。

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値が設定された一定の目標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により計測された対象系列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、操作量導出に用いる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学習可能に、後述する、同機場の他系列又は他機場において取得した他系列又は他機場学習パラメータと同様の形式に加工する。
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＜ｘ≦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、データ値と所定のしきい値との大小関係で２段階に離散化、すなわち２値化することも可能である。
又は、単純に正規化処理を適用して、平均値０、標準偏差１の連続値に加工してもよい。
データの加工方法は、データの分布により決定すればよい。

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、他系列又は他機場学習パラメータ記憶部１１４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、同機場の他系列又は他機場において取得した他系列又は他機場学習パラメータにより生成された既存モデルをベースにし、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全更新する。
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。
他系列又は他機場学習パラメータ記憶部１１４は、同機場の他系列又は他機場からの他系列又は他機場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及び他系列又は他機場学習パラメータ記憶部１１４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、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。
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により構築したモデルと、を用いて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してもよい。

図４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、同機場の他系列又は他機場において取得した他系列又は他機場学習パラメータにより生成された既存モデルをベースにし、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全更新する（Ｓ２）。

図５は、学習パラメータ更新部１１２における学習のイメージである。
図５においては、同機場の他系列又は他機場において取得した、他系列又は他機場学習パラメータにより生成された、他系列又は他機場で学習済みの推論モデルに対象系列データが入力されて、ニューラルネットワークによる学習が行われる。
入力される対象系列データは、上述したように、データ加工部１０３において他系列又は他機場学習パラメータと同様の形式に加工されて共通化されているため、通常の機械学習処理により学習パラメータの全部が更新される。
なお、図５には、推論モデルとしてニューラルネットを例示しているが、本発明はこれに限定されるものではなく、推論モデルは、学習パラメータを保存及び更新可能な機械学習手法を用いるものであればよい。

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６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）。

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。

このように、本実施形態によれば、蓄積されたデータ量が少ない場合であっても、他系列又は他機場のデータを転用することで、高い精度で操作量の導出が可能な技術を提供することができる。

（実施形態２）
実施形態１においては、学習パラメータ更新部が、同機場の他系列又は他機場において取得した他系列又は他機場学習パラメータにより生成された既存モデルをベースにし、学習パラメータを全更新する形態について説明したが、本発明はこれに限定されるものではない。
本実施形態では、学習パラメータ更新部が、同機場の他系列又は他機場において取得した他系列又は他機場学習パラメータにより生成された既存モデルをベースにし、一部の学習パラメータについてのみ更新を行い、他の一部の学習パラメータについては更新せずそのまま使用する形態について説明する。

なお、本実施形態に係る運転支援装置は、学習パラメータ更新部の学習パラメータの更新方法のみが異なり、その他については実施形態１と同じであるため、実施形態１の説明を援用する。

図７は、本実施形態に係る運転支援装置が備える学習パラメータ更新部における学習のイメージである。
図７に示すように、本実施形態においても、実施形態１と同様に、同機場の他系列又は他機場において取得した、他系列又は他機場学習パラメータにより生成された、他系列又は他機場で学習済みの推論モデルに対象系列データが入力されて、ニューラルネットワークによる学習が行われる。
ここで、更新せずにそのまま使用する一部の学習パラメータについては中間出力の計算のみに用い、中間出力を受け取った推論モデルの後半部分のみ学習パラメータが更新される。
すなわち、普遍的な特徴を抽出する入力層に近い部分については既存の学習済みモデルが使用され、対象の性質を強く反映する出力層に近い部分については推定対象データを用いて更新処理が行われる。

このように、本実施形態によれば、他系列又は他機場のデータを転用して学習済みモデルを構築し、対象の性質を強く反映する出力層に近い部分についてのみ推定対象データで更新処理を行うことで更新処理の負荷を低減し、蓄積されたデータ量が少ない場合であっても、高い精度で操作量の導出が可能な技術を提供することができる。

（実施形態３）
実施形態１，２においては、学習パラメータ更新部が、同機場の他系列又は他機場において取得した他系列又は他機場学習パラメータにより生成された既存モデルをベースにし、学習パラメータを更新する形態について説明したが、本発明はこれに限定されるものではない。
本実施形態では、データ加工部において対象系列計測値データと他系列又は他機場計測値データとを結合し、結合したデータを用いて推論モデルを構築する形態について説明する。

なお、本実施形態に係る運転支援装置において、実施形態１と同じ構成には同じ符号を付して実施形態１の説明を援用する。

図８は、本実施形態に係る運転支援装置１００ａの構成を示すブロック図である。
図８に示す運転支援装置１００ａは、データ蓄積部１０１ａと、学習対象データ及び推定対象データ取得部１０２ａと、データ加工及び結合部１０３ａと、学習部１１０ａと、運転支援部１２０と、を備える。
データ蓄積部１０１ａは、計測器９により計測された対象系列計測値データと、図示しない同機場の他系列又は他機場において取得した他系列又は他機場計測値データと、の双方を取得し、トレンドデータ及び水質データとして蓄積する。
なお、データ蓄積部１０１ａは、データ蓄積部１０１と同様に、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１０２ａは、データ蓄積部１０１ａに蓄積されたトレンドデータ及び水質データから、操作量導出に用いる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１０２ａは、学習対象データ及び推定対象データ取得部１０２と同様に、プロセッサと、記録媒体とを組み合わせて実現することができる。

データ加工及び結合部１０３ａは、学習対象データ及び推定対象データ取得部１０２ａからの学習対象データ及び推定対象データを学習可能に加工し、対象系列のデータと、同機場の他系列又は他機場のデータと、を結合する。
なお、データ加工及び結合部１０３ａは、データ加工部１０３と同様に、プロセッサと、記録媒体とを組み合わせて実現することができる。
ここで、データの加工方法は、実施形態１と同様であり、図３を参照した説明を援用する。

図９は、対象系列のデータと、同機場の他系列又は他機場のデータと、が結合されたブロックの構成を示す図である。
データ加工及び結合部１０３ａは、図９に示すように、推定対象系列部分に含まれる対象系列のデータｘ_Ａと、他系列又は他機場部分に含まれる同機場の他系列又は他機場のデータｘ_Ｂと、を結合することで、共通部分と、推定対象系列部分と、他系列又は他機場部分と、の３つのブロックから構成されるデータを形成する。
このように結合する際に、該当するデータが存在しない領域は、推定時に寄与又は使用しないようにするため、用いる機械学習手法に応じて０又はＮＵＬＬ値で埋める。

図１０は、データ加工及び結合部１０３ａにおける、対象系列のデータと、同機場の他系列又は他機場のデータと、を結合したイメージを示す図である。
このように、３ブロックに分けて結合することで、共通部分、推定対象系列部分、及び他系列又は他機場部分のいずれが推定に寄与する場合にも対応することが可能となり、推定に寄与しない部分については学習処理が適用されて回帰係数が小さくなる等により、自然に使用しない形が形成される。

学習パラメータ更新部１１２ａは、このように結合されたデータを用いてモデルを構築するとともに学習パラメータを更新する。

このように、本実施形態によれば、蓄積されたデータ量が少ない場合であっても、他系列又は他機場のデータを対象系列と同様に蓄積して共通の形式に加工することで、高い精度で操作量の導出が可能な技術を提供することができる。

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 風量調整バルブ
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 運転支援装置
１０１，１０１ａ データ蓄積部
１０２，１０２ａ 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
１０３ａ データ加工及び結合部
１１０，１１０ａ 学習部
１１１，１１１ａ 学習対象データ取得部
１１２，１１２ａ 学習パラメータ更新部
１１３，１１３ａ 学習パラメータ記憶部
１１４ 他系列又は他機場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
２００ 水処理施設

Claims (6)

1. 対象とする水処理施設において計測されるデータであって、流入水量、汚泥濃度、汚泥流量、送風量、及び気温を含むトレンドデータと、水質データとを含む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データから学習対象データ及び推定対象データの双方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からの前記学習対象データ及び前記推定対象データを学習可能に加工するデータ加工部と、
   前記学習対象データにより学習を行うことで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の学習により導出した制御対象の操作量を出力する運転支援部と、を備え、
   前記学習部は、前記対象とする水処理施設の同機場の他系列又は他機場において取得した他系列又は他機場学習パラメータにより生成された既存モデルをベースにし、前記データ加工部で加工済みの学習対象データを用いて学習パラメータを更新し、
   前記データ加工部は、対象とする水処理施設のデータを前記他系列又は他機場学習パラメータと共通する形式に加工する水処理施設の運転支援装置。
2. 前記学習部が、前記学習パラメータの全部を更新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。
3. 前記学習部が、前記学習パラメータを部分的に更新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。
4. 対象とする水処理施設において計測される第１データであって、流入水量、汚泥濃度、汚泥流量、送風量、及び気温を含む第１トレンドデータと、第１水質データとを含む第１データ、並びに、
   前記対象とする水処理施設の同機場の他系列又は他機場において計測される第２データであって、流入水量、汚泥濃度、汚泥流量、送風量、及び気温を含む第２トレンドデータと、第２水質データとを含む第２データ
   の双方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第１データ及び前記第２データの双方から学習対象データ及び推定対象データの双方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からの前記学習対象データ及び前記推定対象データを学習可能に加工すべく、前記対象とする水処理施設のデータと前記他系列又は他機場のデータとを結合するデータ加工及び結合部と、
   前記学習対象データにより学習を行うことで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の学習により導出した制御対象の操作量を出力する運転支援部と、を備え、
   前記学習部は、前記データ加工及び結合部で加工済みの学習対象データを用いてモデルを構築するとともに学習パラメータを更新し、
   前記データ加工及び結合部は、前記対象とする水処理施設のデータと前記他系列又は他機場のデータとを共通する形式に加工する水処理施設の運転支援装置。
5. 対象とする水処理施設において計測されるデータであって、流入水量、汚泥濃度、汚泥流量、送風量、及び気温を含むトレンドデータと、水質データとを含むデータを蓄積すること、
   前記データから学習対象データ及び推定対象データの双方を選択して取得すること、
   前記学習対象データ及び前記推定対象データを学習可能に加工すること、
   前記学習対象データにより学習を行うことで学習パラメータを記憶すること、
   前記推定対象データ及び前記学習パラメータの学習により導出した制御対象の操作量を出力すること、を含み、
   前記学習は、前記対象とする水処理施設の同機場の他系列又は他機場において取得した他系列又は他機場学習パラメータにより生成された既存モデルをベースにし、前記加工済みの学習対象データを用いて学習パラメータを更新し、
   前記加工は、対象とする水処理施設のデータを前記他系列又は他機場学習パラメータと共通する形式に加工する水処理施設の運転支援方法。
6. 対象とする水処理施設において計測される第１データであって、流入水量、汚泥濃度、汚泥流量、送風量、及び気温を含む第１トレンドデータと、第１水質データとを含む第１データ、並びに、
   前記対象とする水処理施設の同機場の他系列又は他機場において計測される第２データであって、流入水量、汚泥濃度、汚泥流量、送風量、及び気温を含む第２トレンドデータと、第２水質データとを含む第２データ
   の双方を蓄積すること、
   前記第１データ及び前記第２データの双方から学習対象データ及び推定対象データの双方を選択して取得すること、
   前記学習対象データ及び前記推定対象データを学習可能に加工すべく、前記対象とする水処理施設のデータと前記他系列又は他機場のデータとを結合すること、
   前記学習対象データにより学習を行うことで学習パラメータを記憶すること、
   前記推定対象データ及び前記学習パラメータの学習により導出した制御対象の操作量を出力すること、を含み、
   前記学習は、前記加工済みの学習対象データを用いてモデルを構築するとともに学習パラメータを更新し、
   前記加工は、前記対象とする水処理施設のデータと前記他系列又は他機場のデータとを共通する形式に加工する水処理施設の運転支援方法。

Images