JPH06262192A - 汚水処理プラントの送風量制御装置 - Google Patents
汚水処理プラントの送風量制御装置Info
- Publication number
- JPH06262192A JPH06262192A JP5053852A JP5385293A JPH06262192A JP H06262192 A JPH06262192 A JP H06262192A JP 5053852 A JP5053852 A JP 5053852A JP 5385293 A JP5385293 A JP 5385293A JP H06262192 A JPH06262192 A JP H06262192A
- Authority
- JP
- Japan
- Prior art keywords
- flow rate
- air flow
- concentration
- aeration tank
- rate
- 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.)
- Pending
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Landscapes
- Activated Sludge Processes (AREA)
Abstract
(57)【要約】
【目的】 急な負荷変動時においても、曝気槽内のＤＯ
値を安定的に所定値に保つこと。 【構成】 フィードバック制御器１３において、曝気槽
４内のＤＯ濃度とこの目標値に基づいて送風量偏差値が
求められる。他方、汚水の流入流量、懸濁物濃度、水
温、送風量およびＤＯ濃度に基づいて、第２演算手段１
５の第２ニューラルネットワーク機能においてＤＯ濃度
が目標値となるような送風量が予測され、予測風量と負
荷変動直前の送風量との間の補正量が求められる。第２
演算手段１５から第１演算手段１４へ、汚水の流入流
量、懸濁物濃度、水温および送風量を入力信号、送風量
補正量を出力信号とする教示信号が送られ、第１演算手
段１４の第１ニューラルネットワーク機能の学習が行な
われる。第１演算手段１４の第１ニューラルネットワー
ク機能において、汚水の流入流量、その懸濁物濃度、水
温および送風量に基づいて、負荷変動時の送風量補正量
が求められ、加算器１６においてフィードバック制御器
１３からの送風量偏差量に第１演算手段１４からの補正
量が加算される。
値を安定的に所定値に保つこと。 【構成】 フィードバック制御器１３において、曝気槽
４内のＤＯ濃度とこの目標値に基づいて送風量偏差値が
求められる。他方、汚水の流入流量、懸濁物濃度、水
温、送風量およびＤＯ濃度に基づいて、第２演算手段１
５の第２ニューラルネットワーク機能においてＤＯ濃度
が目標値となるような送風量が予測され、予測風量と負
荷変動直前の送風量との間の補正量が求められる。第２
演算手段１５から第１演算手段１４へ、汚水の流入流
量、懸濁物濃度、水温および送風量を入力信号、送風量
補正量を出力信号とする教示信号が送られ、第１演算手
段１４の第１ニューラルネットワーク機能の学習が行な
われる。第１演算手段１４の第１ニューラルネットワー
ク機能において、汚水の流入流量、その懸濁物濃度、水
温および送風量に基づいて、負荷変動時の送風量補正量
が求められ、加算器１６においてフィードバック制御器
１３からの送風量偏差量に第１演算手段１４からの補正
量が加算される。
Description
【０００１】
【産業上の利用分野】本発明は、活性汚泥を用いた汚水
処理プラントの曝気槽のＤＯ濃度を一定に保持するため
の送風量制御装置に関する。
処理プラントの曝気槽のＤＯ濃度を一定に保持するため
の送風量制御装置に関する。
【０００２】
【従来の技術】活性汚泥を用いて都市下水や工場廃水な
どの汚水を浄化する汚水処理プラントは、通常、曝気槽
と沈殿池（最終沈殿池）から構成されている。
どの汚水を浄化する汚水処理プラントは、通常、曝気槽
と沈殿池（最終沈殿池）から構成されている。
【０００３】多種多様な発生源から集められた汚水は、
沈砂、前曝気、前沈殿などの一次処理プロセスで簡易処
理されたあと、この汚水処理プラントで二次処理され
る。
沈砂、前曝気、前沈殿などの一次処理プロセスで簡易処
理されたあと、この汚水処理プラントで二次処理され
る。
【０００４】すなわち一次処理を受けた汚水は、汚泥処
理プラントの曝気槽において沈殿池から返送された返送
汚泥と混合接触する。次に曝気された汚水中の酸素と有
機物が活性汚泥（以下汚泥と略記する）に吸収されて酸
化反応が生じ、これによって汚水が浄化される。
理プラントの曝気槽において沈殿池から返送された返送
汚泥と混合接触する。次に曝気された汚水中の酸素と有
機物が活性汚泥（以下汚泥と略記する）に吸収されて酸
化反応が生じ、これによって汚水が浄化される。
【０００５】また汚泥は酸化反応によって増殖し、増殖
した汚泥は沈殿池で固液分離され、大部分は返送汚泥と
して曝気槽へ返送されるとともに、増殖による増加分は
余剰汚泥として引抜かれ、系外に排出される。
した汚泥は沈殿池で固液分離され、大部分は返送汚泥と
して曝気槽へ返送されるとともに、増殖による増加分は
余剰汚泥として引抜かれ、系外に排出される。
【０００６】上記のような水処理プラントにおいては、
曝気の条件すなわち曝気槽の溶存酸素（以下ＤＯと略記
する）濃度によって、浄化の効果と安定性および送風機
のエネルギ消費量が影響される。
曝気の条件すなわち曝気槽の溶存酸素（以下ＤＯと略記
する）濃度によって、浄化の効果と安定性および送風機
のエネルギ消費量が影響される。
【０００７】従って、浄化の効率を高め、かつ過曝気を
防止して運転の消費エネルギを節減するためには、曝気
槽のＤＯ濃度を一定の値に保つ必要がある。
防止して運転の消費エネルギを節減するためには、曝気
槽のＤＯ濃度を一定の値に保つ必要がある。
【０００８】一方、曝気槽のＤＯ濃度は、送風量のほか
に流入汚水の性質や運転の条件によって変化し、特に、
流入汚水の流量とその懸濁物濃度の負荷変動および水温
によって、大きく変化する。
に流入汚水の性質や運転の条件によって変化し、特に、
流入汚水の流量とその懸濁物濃度の負荷変動および水温
によって、大きく変化する。
【０００９】ここで図４に、流入の汚水量Ｑs が都市下
水を浄化する汚水処理プラントでステップ状に変化した
時のＤＯ濃度Ｃp の変化を測定した実験結果の一例を示
す。図４（ａ）の実線ａは汚水流量Ｑs の変化を示し、
図４（ｂ）の実線ｂは曝気槽の略中央のＤＯ濃度Ｃp 変
化を送風量と返送汚泥流量を一定で運転した場合につい
て示している。
水を浄化する汚水処理プラントでステップ状に変化した
時のＤＯ濃度Ｃp の変化を測定した実験結果の一例を示
す。図４（ａ）の実線ａは汚水流量Ｑs の変化を示し、
図４（ｂ）の実線ｂは曝気槽の略中央のＤＯ濃度Ｃp 変
化を送風量と返送汚泥流量を一定で運転した場合につい
て示している。
【００１０】図４（ａ）に示すように、汚水流量Ｑs が
増加すると懸濁物の負荷が高くなり、酸化のために酸素
が消費されてＤＯ濃度ははじめ急降下し、ある時間後す
なわちｔ1 点以降はゆっくりと低下している。これはｔ
1 点の前段と後段ではＤＯ濃度の変化する機構が異なっ
ているからである。
増加すると懸濁物の負荷が高くなり、酸化のために酸素
が消費されてＤＯ濃度ははじめ急降下し、ある時間後す
なわちｔ1 点以降はゆっくりと低下している。これはｔ
1 点の前段と後段ではＤＯ濃度の変化する機構が異なっ
ているからである。
【００１１】すなわち、前段では汚水流量Ｑs の増大に
よって懸濁物負荷量が増大し、汚泥に吸収された懸濁物
を酸化するためにＤＯ濃度が低下する。さらに図４
（ａ）に示すように、流量が増大すると、汚泥の濃度を
低下させるので、ＤＯ濃度は破線ｃ（図４（ｂ））で示
す汚泥濃度一定に補正したＤＯ濃度よりは若干低くなっ
ている。
よって懸濁物負荷量が増大し、汚泥に吸収された懸濁物
を酸化するためにＤＯ濃度が低下する。さらに図４
（ａ）に示すように、流量が増大すると、汚泥の濃度を
低下させるので、ＤＯ濃度は破線ｃ（図４（ｂ））で示
す汚泥濃度一定に補正したＤＯ濃度よりは若干低くなっ
ている。
【００１２】ｔ1 点より後段では、前段での機構に加え
てさらに次の２つの機構が働く。
てさらに次の２つの機構が働く。
【００１３】すなわちｔ1 点直後にＤＯ濃度が急激に下
がるのは、汚水流量の増大によって曝気槽の汚泥が沈殿
池に流入し、沈殿池の汚泥量が増大して返送汚泥濃度が
高くなるからである。このため高い濃度の返送汚泥が曝
気槽に流入して、曝気槽の汚泥濃度（以下ＭＬＳＳと略
記する）が高くなって、酸素の消費量が増大する機構が
働く。
がるのは、汚水流量の増大によって曝気槽の汚泥が沈殿
池に流入し、沈殿池の汚泥量が増大して返送汚泥濃度が
高くなるからである。このため高い濃度の返送汚泥が曝
気槽に流入して、曝気槽の汚泥濃度（以下ＭＬＳＳと略
記する）が高くなって、酸素の消費量が増大する機構が
働く。
【００１４】他の機構はｔ1 点より後段において、全体
的にゆっくりとＤＯ濃度が低下している現象を説明する
ものである。すなわち、懸濁物負荷の増大によって汚泥
に吸収された懸濁物が、曝気槽の滞留時間内で完全に酸
化されず、返送汚泥中にはまだ酸化されるべき懸濁物を
含み、これが次第に蓄積されるという機構が働く。また
図４（ｃ）の実線ｄは、返送汚泥の酸素消費速度（以下
Ｒr と略記する）の時間的変化を示している。
的にゆっくりとＤＯ濃度が低下している現象を説明する
ものである。すなわち、懸濁物負荷の増大によって汚泥
に吸収された懸濁物が、曝気槽の滞留時間内で完全に酸
化されず、返送汚泥中にはまだ酸化されるべき懸濁物を
含み、これが次第に蓄積されるという機構が働く。また
図４（ｃ）の実線ｄは、返送汚泥の酸素消費速度（以下
Ｒr と略記する）の時間的変化を示している。
【００１５】このように外乱（汚水流量の増大）に対し
て曝気槽のＤＯ濃度を目標の値に保つための送風量制御
装置は、ｔ1 点の前段と後段のＤＯ濃度の変化機構の双
方に対応するものでなければならない。
て曝気槽のＤＯ濃度を目標の値に保つための送風量制御
装置は、ｔ1 点の前段と後段のＤＯ濃度の変化機構の双
方に対応するものでなければならない。
【００１６】すなわち、ｔ1 点より前段の早い変化に対
応する制御と、ｔ1 点より後段の遅い変化に対応する制
御とを同時に行なう必要がある。
応する制御と、ｔ1 点より後段の遅い変化に対応する制
御とを同時に行なう必要がある。
【００１７】従来、曝気槽のＤＯ濃度を一定に保つため
の制御には、曝気槽のＤＯ濃度計の指示値とその目標値
の偏差に基づいて送風量を修正するフィードバック制御
方法や、このフィードバック制御方法においてさらに上
記偏差を汚水流量で修正するカスケード制御方法などが
用いられている。
の制御には、曝気槽のＤＯ濃度計の指示値とその目標値
の偏差に基づいて送風量を修正するフィードバック制御
方法や、このフィードバック制御方法においてさらに上
記偏差を汚水流量で修正するカスケード制御方法などが
用いられている。
【００１８】
【発明が解決しようとする課題】しかしながら、前者の
フィードバック制御において、前述のＤＯ濃度の前段の
早い変化に追随させるために制御ゲインを高くすると、
後段の遅い変化では過度の応答をしてオーバシュートや
リミットサイクル現象（振動）を生じさせる。逆に後段
の遅い変化に追随させるために制御ゲインを低くする
と、前段の早い変化に追随できず応答遅れが生ずるの
で、汚水の流入量が日間，週間および季節的に変化する
汚水処理プラントの送風量制御には不適当となる。
フィードバック制御において、前述のＤＯ濃度の前段の
早い変化に追随させるために制御ゲインを高くすると、
後段の遅い変化では過度の応答をしてオーバシュートや
リミットサイクル現象（振動）を生じさせる。逆に後段
の遅い変化に追随させるために制御ゲインを低くする
と、前段の早い変化に追随できず応答遅れが生ずるの
で、汚水の流入量が日間，週間および季節的に変化する
汚水処理プラントの送風量制御には不適当となる。
【００１９】また後者のカスケード制御においては、汚
水流量に送風量が比例して増減するので、ＤＯ濃度の早
い変化には追随できるが、大雨など汚水流量の増大時間
が長時間になった場合や、後段の遅い変化が前段の早い
変化とは時刻的に重なった場合には、後段の遅いＤＯ変
化に追随できず、過度の応答をしてオーバシュートする
原因となっている。
水流量に送風量が比例して増減するので、ＤＯ濃度の早
い変化には追随できるが、大雨など汚水流量の増大時間
が長時間になった場合や、後段の遅い変化が前段の早い
変化とは時刻的に重なった場合には、後段の遅いＤＯ変
化に追随できず、過度の応答をしてオーバシュートする
原因となっている。
【００２０】本発明はこのような点を考慮してなされた
ものであり、曝気槽内のＤＯ濃度を常に目標の範囲に保
つことができるとともに、過曝気や曝気不足を防止する
ことができる汚水処理プラントの送風量制御装置を提供
することを目的とする。
ものであり、曝気槽内のＤＯ濃度を常に目標の範囲に保
つことができるとともに、過曝気や曝気不足を防止する
ことができる汚水処理プラントの送風量制御装置を提供
することを目的とする。
【００２１】
【課題を解決するための手段】本発明は、曝気槽内のＤ
Ｏ濃度を一定値に保つよう送風機から曝気槽への送風量
を制御する汚水処理プラントの送風量制御装置におい
て、曝気槽内のＤＯ濃度とＤＯ濃度目標値とに基づいて
送風量の偏差量を出力するフィードバック制御器と、曝
気槽内に流入する汚水の流入流量、その懸濁物濃度、そ
の水温、曝気槽への送風量、および曝気槽内のＤＯ濃度
を時系列で記憶するプロセスデータ記憶装置と、プロセ
スデータ記憶装置からの汚水の流入流量、その懸濁物濃
度、その水温および曝気槽への送風量に基づいて、負荷
変動時の送風量の補正量を求める第１ニューラルネット
ワーク機能を有する第１演算手段と、汚水の流入流量、
その懸濁物濃度、その水温および曝気槽への送風量に基
づいてＤＯ濃度を求める第２ニューラルネットワーク機
能を有し、プロセスデータ記憶装置からの情報により学
習した後、ＤＯ濃度が目標値となるような送風量を予測
し、この予測風量と負荷変動直前の送風量との間の補正
量を求めるとともに、汚水の流入流量、その懸濁物濃
度、その水温および曝気槽への送風量を入力信号、送風
量の補正量を出力信号とする教示信号を第１演算手段に
出力して第１ニューラルネットワーク機能の学習を行な
う第２演算手段と、第１の演算手段からの送風機の補正
量とフィードバック制御器からの偏差量とを加算して送
風量を制御する加算器とを、備えたことを特徴とする汚
水処理プラントの送風量制御装置である。
Ｏ濃度を一定値に保つよう送風機から曝気槽への送風量
を制御する汚水処理プラントの送風量制御装置におい
て、曝気槽内のＤＯ濃度とＤＯ濃度目標値とに基づいて
送風量の偏差量を出力するフィードバック制御器と、曝
気槽内に流入する汚水の流入流量、その懸濁物濃度、そ
の水温、曝気槽への送風量、および曝気槽内のＤＯ濃度
を時系列で記憶するプロセスデータ記憶装置と、プロセ
スデータ記憶装置からの汚水の流入流量、その懸濁物濃
度、その水温および曝気槽への送風量に基づいて、負荷
変動時の送風量の補正量を求める第１ニューラルネット
ワーク機能を有する第１演算手段と、汚水の流入流量、
その懸濁物濃度、その水温および曝気槽への送風量に基
づいてＤＯ濃度を求める第２ニューラルネットワーク機
能を有し、プロセスデータ記憶装置からの情報により学
習した後、ＤＯ濃度が目標値となるような送風量を予測
し、この予測風量と負荷変動直前の送風量との間の補正
量を求めるとともに、汚水の流入流量、その懸濁物濃
度、その水温および曝気槽への送風量を入力信号、送風
量の補正量を出力信号とする教示信号を第１演算手段に
出力して第１ニューラルネットワーク機能の学習を行な
う第２演算手段と、第１の演算手段からの送風機の補正
量とフィードバック制御器からの偏差量とを加算して送
風量を制御する加算器とを、備えたことを特徴とする汚
水処理プラントの送風量制御装置である。
【００２２】
【作用】第２演算手段において、プロセスデータ記憶装
置からの汚水の流入流量、懸濁物濃度、水温、送風量お
よびＤＯ濃度に基づいて第２ニューラルネットワーク機
能を学習させた後、ＤＯ濃度が目標値となるような送風
量を予測し、この予測風量と負荷変動直前の送風量との
間の補正量を求める。次に第２演算手段から第１演算手
段へ、汚水の流入流量、懸濁物濃度、水温および送風量
を入力信号とし、送風量の補正量を出力信号とする教示
信号が送られ、この教示信号によって第１演算手段の第
１ニューラルネットワークを学習させる。次に、第１演
算手段の第１ニューラルネットワーク機能において、プ
ロセスデータ記憶装置からの汚水の流入流量、懸濁物濃
度、その水温および送風量に基づいて送風量の補正量を
求める。次に加算器において、第１演算手段からの補正
量とフィードバック制御器からの偏差量とが加算され、
この加算値に基づいて送風機が制御される。
置からの汚水の流入流量、懸濁物濃度、水温、送風量お
よびＤＯ濃度に基づいて第２ニューラルネットワーク機
能を学習させた後、ＤＯ濃度が目標値となるような送風
量を予測し、この予測風量と負荷変動直前の送風量との
間の補正量を求める。次に第２演算手段から第１演算手
段へ、汚水の流入流量、懸濁物濃度、水温および送風量
を入力信号とし、送風量の補正量を出力信号とする教示
信号が送られ、この教示信号によって第１演算手段の第
１ニューラルネットワークを学習させる。次に、第１演
算手段の第１ニューラルネットワーク機能において、プ
ロセスデータ記憶装置からの汚水の流入流量、懸濁物濃
度、その水温および送風量に基づいて送風量の補正量を
求める。次に加算器において、第１演算手段からの補正
量とフィードバック制御器からの偏差量とが加算され、
この加算値に基づいて送風機が制御される。
【００２３】
【実施例】以下、図面を参照して本発明の実施例につい
て説明する。図１乃至図３は、本発明による汚泥処理プ
ラントの送風量制御装置の一実施例を示す図である。
て説明する。図１乃至図３は、本発明による汚泥処理プ
ラントの送風量制御装置の一実施例を示す図である。
【００２４】図１において、汚水は図示しない一次処理
工程から流量計１と、水温計２と、懸濁物（以下ＳＳと
記す）濃度計３とを有する水路Ａを通って曝気槽４に流
入する。曝気槽４内において、汚水は風量計５、送風弁
６、送風機７、管路Ｂ、および散気管８を順次通って送
入された空気によって曝気され、空気中の酸素による酸
化を受けたあと水路Ｃを通って沈殿池９に導かれる。ま
た、沈殿池９内の汚泥は返送汚泥として曝気槽４内に送
られ、同時に沈殿池９内の余った汚泥は余剰汚泥として
系外に排出される。
工程から流量計１と、水温計２と、懸濁物（以下ＳＳと
記す）濃度計３とを有する水路Ａを通って曝気槽４に流
入する。曝気槽４内において、汚水は風量計５、送風弁
６、送風機７、管路Ｂ、および散気管８を順次通って送
入された空気によって曝気され、空気中の酸素による酸
化を受けたあと水路Ｃを通って沈殿池９に導かれる。ま
た、沈殿池９内の汚泥は返送汚泥として曝気槽４内に送
られ、同時に沈殿池９内の余った汚泥は余剰汚泥として
系外に排出される。
【００２５】曝気槽４には、ＤＯ濃度計１０が設置され
ている。流量計１と、水温計２と、ＳＳ濃度計３と、風
量計５と、ＤＯ濃度計１０は、本発明による汚水処理プ
ラントの送風量制御装置１１（一点鎖線で示す）のプロ
セスデータ記憶装置１２に送られ、それらの時系列デー
タとして貯えられる。
ている。流量計１と、水温計２と、ＳＳ濃度計３と、風
量計５と、ＤＯ濃度計１０は、本発明による汚水処理プ
ラントの送風量制御装置１１（一点鎖線で示す）のプロ
セスデータ記憶装置１２に送られ、それらの時系列デー
タとして貯えられる。
【００２６】次に、送風量制御装置１１について詳述す
る。送風量制御装置１１は、プロセス記憶装置１２から
の汚水の流入流量、ＳＳ濃度、水温、および曝気槽への
送風量に基づいて、負荷変動時の送風量の補正量を求め
る第１ニューラルネットワーク機能（以下、ＮＮＷ−
１）をもった第１演算手段１４を有し、この第１演算手
段１４は第２演算手段１５に接続されている。
る。送風量制御装置１１は、プロセス記憶装置１２から
の汚水の流入流量、ＳＳ濃度、水温、および曝気槽への
送風量に基づいて、負荷変動時の送風量の補正量を求め
る第１ニューラルネットワーク機能（以下、ＮＮＷ−
１）をもった第１演算手段１４を有し、この第１演算手
段１４は第２演算手段１５に接続されている。
【００２７】第２演算手段１５は、汚水の流入流量、Ｓ
Ｓ濃度、水温、および曝気槽への送風量に基づいてＤＯ
濃度を求める第２ニューラルネットワーク機能（以下、
ＮＮＷ−２）を有し、プロセス記憶装置１２からの情報
によりＮＮＷ−２の学習が行なわれた後、ＤＯ濃度が所
定値となる送風量が予測される。また第２演算手段１５
において、予測送風量と負荷変動直前の送風量との間の
補正量が求められ、汚水の流入流量、ＳＳ濃度および水
温を入力信号、送風量の補正量を出力信号とする教示信
号が第１演算手段１４に出力され、第１ニューラルネッ
トワーク機能の学習が行なわれる。
Ｓ濃度、水温、および曝気槽への送風量に基づいてＤＯ
濃度を求める第２ニューラルネットワーク機能（以下、
ＮＮＷ−２）を有し、プロセス記憶装置１２からの情報
によりＮＮＷ−２の学習が行なわれた後、ＤＯ濃度が所
定値となる送風量が予測される。また第２演算手段１５
において、予測送風量と負荷変動直前の送風量との間の
補正量が求められ、汚水の流入流量、ＳＳ濃度および水
温を入力信号、送風量の補正量を出力信号とする教示信
号が第１演算手段１４に出力され、第１ニューラルネッ
トワーク機能の学習が行なわれる。
【００２８】また、送風量制御装置１１は、曝気槽４内
のＤＯ濃度と、ＤＯ濃度目標値とに基づいて送風量の偏
差量を出力するフィードバック制御器１３を有してい
る。また、第１演算手段１４とフィードバック制御器１
３には、第１演算手段１４からの送風機の補正量とフィ
ードバック制御器１３からの偏差量とを加算する加算器
１６が接続されている。また加算器１６からの信号は、
送風弁６を設定する設定器１７に送られるようになって
いる。
のＤＯ濃度と、ＤＯ濃度目標値とに基づいて送風量の偏
差量を出力するフィードバック制御器１３を有してい
る。また、第１演算手段１４とフィードバック制御器１
３には、第１演算手段１４からの送風機の補正量とフィ
ードバック制御器１３からの偏差量とを加算する加算器
１６が接続されている。また加算器１６からの信号は、
送風弁６を設定する設定器１７に送られるようになって
いる。
【００２９】次にこのような構成からなる本実施例の作
用について説明する。
用について説明する。
【００３０】本発明は、非常時の負荷増大（または減
少）時において、曝気槽のＤＯ濃度を所定の目標に保つ
ために、通常時では十分にＤＯ濃度を所定の値に保持で
きるフィードバック制御を行なっても応答遅れによって
十分にはＤＯ濃度を所定の値に保持できない場合、従来
手動で介入していた送風量の補正量Ｇを、正しい補正を
行なった時の運転諸データを教示データＬとして学習し
たニューラルネットワークによって算出し、この補正量
Ｇに基づいてフィードバック制御を補填するようにした
ものである。
少）時において、曝気槽のＤＯ濃度を所定の目標に保つ
ために、通常時では十分にＤＯ濃度を所定の値に保持で
きるフィードバック制御を行なっても応答遅れによって
十分にはＤＯ濃度を所定の値に保持できない場合、従来
手動で介入していた送風量の補正量Ｇを、正しい補正を
行なった時の運転諸データを教示データＬとして学習し
たニューラルネットワークによって算出し、この補正量
Ｇに基づいてフィードバック制御を補填するようにした
ものである。
【００３１】まず、第１演算手段１４の作用について説
明する。図２（ａ）に示すように、ＳＳ濃度Ｓi の急上
昇による負荷増大に対し送風量Ｑa が手動で操作され、
曝気槽のＤＯ濃度Ｃp がその目標値Ｃs に十分保持され
ている場合、送風量Ｑa がそれ以前と異なる運転を始め
た時刻ｔ2 と通常の運転に復帰した時刻ｔ3 間の汚水流
入流量Ｑi および水温Ｔi （図示せず）と、図２（ａ）
に示すＳＳ濃度Ｓi および送風量Ｑa がプロセスデータ
記憶装置１２から第１演算手段１４に入力される。第１
演算手段１４において、負荷変動時の送風量補正量Ｇを
出力とするように、後述する第２演算手段１５によって
ＮＮＷ−１を学習させ、ＮＮＷ−１内の各ニューロンの
結合強度｛Ｋi ｝、｛Ｋjk｝（ここでｉはＮＮＷ−１の
入力層、ｊは中間層、ｋは出力層のニューロン番号であ
る）を決定する。図２（ｂ）は、入出力関係を概念的に
示す図である。
明する。図２（ａ）に示すように、ＳＳ濃度Ｓi の急上
昇による負荷増大に対し送風量Ｑa が手動で操作され、
曝気槽のＤＯ濃度Ｃp がその目標値Ｃs に十分保持され
ている場合、送風量Ｑa がそれ以前と異なる運転を始め
た時刻ｔ2 と通常の運転に復帰した時刻ｔ3 間の汚水流
入流量Ｑi および水温Ｔi （図示せず）と、図２（ａ）
に示すＳＳ濃度Ｓi および送風量Ｑa がプロセスデータ
記憶装置１２から第１演算手段１４に入力される。第１
演算手段１４において、負荷変動時の送風量補正量Ｇを
出力とするように、後述する第２演算手段１５によって
ＮＮＷ−１を学習させ、ＮＮＷ−１内の各ニューロンの
結合強度｛Ｋi ｝、｛Ｋjk｝（ここでｉはＮＮＷ−１の
入力層、ｊは中間層、ｋは出力層のニューロン番号であ
る）を決定する。図２（ｂ）は、入出力関係を概念的に
示す図である。
【００３２】第１ニューラルネットワーク機能（ＮＮＷ
−１）は、図２（ｂ）に示すように、負荷の増大（また
は減少）時に通常時用のフィードバック制御器１３によ
る制御を正しく補填するものであり、後述のように曝気
槽内のＤＯ濃度を目標の値に運転することに成功した場
合のデータを教示データとし複数回学習させておくこと
によって、汎化能力を持たせたものである。これによっ
て汚水流入流量、水温、ＳＳ濃度など負荷変動の原因が
いずれの場合であってもフィードバック制御器１３を正
しく補填する能力を持たせたものである。
−１）は、図２（ｂ）に示すように、負荷の増大（また
は減少）時に通常時用のフィードバック制御器１３によ
る制御を正しく補填するものであり、後述のように曝気
槽内のＤＯ濃度を目標の値に運転することに成功した場
合のデータを教示データとし複数回学習させておくこと
によって、汎化能力を持たせたものである。これによっ
て汚水流入流量、水温、ＳＳ濃度など負荷変動の原因が
いずれの場合であってもフィードバック制御器１３を正
しく補填する能力を持たせたものである。
【００３３】上記ＮＮＷ−１に十分な汎化能力を持たせ
るためには、正しく送風量が運転された場合の教示デー
タを数多く要する。しかしながら、住民の生活や工場の
稼動の様に日間または週間の繰返しの短い周期性を示す
負荷変動に対しては、運転員の日常の努力によって正し
い送風量の運転に成功する機会は多いが、年単位の周期
性を持った負荷変動や降雨などの自然条件に支配される
確率的な負荷変動に対しては、運転員が経験する機会は
少ない。このため正しく送風量が運転された場合の教示
データを得ることが非常に難しい。
るためには、正しく送風量が運転された場合の教示デー
タを数多く要する。しかしながら、住民の生活や工場の
稼動の様に日間または週間の繰返しの短い周期性を示す
負荷変動に対しては、運転員の日常の努力によって正し
い送風量の運転に成功する機会は多いが、年単位の周期
性を持った負荷変動や降雨などの自然条件に支配される
確率的な負荷変動に対しては、運転員が経験する機会は
少ない。このため正しく送風量が運転された場合の教示
データを得ることが非常に難しい。
【００３４】そこで、ＮＮＷ−２を有する第２演算手段
１５が必要となる。次に第２演算手段１５の機能につい
て述べる。
１５が必要となる。次に第２演算手段１５の機能につい
て述べる。
【００３５】第２演算手段１５は、図３（ａ）に示すよ
うに、流入流量Ｑi とＳＳ濃度Ｓiの急上昇による負荷
増大に対し、送風量Ｑa （手動または自動）が操作され
たが、曝気槽のＤＯ濃度Ｃp はその目標値Ｃs と大きく
ずれてしまった場合、大きくずれたＤＯ濃度Ｃp を目標
値Ｃs にするためには如何なる送風量であるべきかＮＮ
Ｗ−２を用いて逆解析的に予測送風量ＱA を予測する。
そのために、まずプロセスデータ記憶装置１２から汚水
流入流量Ｑi 、水温Ｔi 、ＳＳ濃度Ｓi 、ＤＯ濃度Ｃp
よび送風量Ｑa が第２演算手段１５に入力される。次に
図３（ｂ）に示すように、第２演算手段１５において、
汚水流入流量Ｑi 、水温Ｔi 、ＳＳ濃度Ｓi に対し操作
量である送風量Ｑa を定めた場合、曝気槽のＤＯ濃度が
Ｃp となるようにニューラルネットＮＮＷ−２を学習さ
せ、ニューロン間の結合強度｛Ｋ｝を決定する。次い
で、図３（ｃ）に示すように、汚水流入流量Ｑi 、水温
Ｔi、ＳＳ濃度Ｓi として同じデータを用い、出力のＤ
Ｏ濃度が目標の値Ｃs となる様な送風量ＱA を逆解析に
予測する。この解析には、従来の諸解析手法を適用でき
る。第２演算手段１５において、このように予測した送
風量ＱA と、図３（ａ）に示す時刻ｔ4 直前、すなわち
負荷の増大が発生する直前の送風量の値Ｑaoとの差Ｇ＝
ＱA −Ｑaoを計算する。この差Ｇ＝ＱA −Ｑaoが負荷変
動時に対応すべき送風量の補正量Ｇとなる。
うに、流入流量Ｑi とＳＳ濃度Ｓiの急上昇による負荷
増大に対し、送風量Ｑa （手動または自動）が操作され
たが、曝気槽のＤＯ濃度Ｃp はその目標値Ｃs と大きく
ずれてしまった場合、大きくずれたＤＯ濃度Ｃp を目標
値Ｃs にするためには如何なる送風量であるべきかＮＮ
Ｗ−２を用いて逆解析的に予測送風量ＱA を予測する。
そのために、まずプロセスデータ記憶装置１２から汚水
流入流量Ｑi 、水温Ｔi 、ＳＳ濃度Ｓi 、ＤＯ濃度Ｃp
よび送風量Ｑa が第２演算手段１５に入力される。次に
図３（ｂ）に示すように、第２演算手段１５において、
汚水流入流量Ｑi 、水温Ｔi 、ＳＳ濃度Ｓi に対し操作
量である送風量Ｑa を定めた場合、曝気槽のＤＯ濃度が
Ｃp となるようにニューラルネットＮＮＷ−２を学習さ
せ、ニューロン間の結合強度｛Ｋ｝を決定する。次い
で、図３（ｃ）に示すように、汚水流入流量Ｑi 、水温
Ｔi、ＳＳ濃度Ｓi として同じデータを用い、出力のＤ
Ｏ濃度が目標の値Ｃs となる様な送風量ＱA を逆解析に
予測する。この解析には、従来の諸解析手法を適用でき
る。第２演算手段１５において、このように予測した送
風量ＱA と、図３（ａ）に示す時刻ｔ4 直前、すなわち
負荷の増大が発生する直前の送風量の値Ｑaoとの差Ｇ＝
ＱA −Ｑaoを計算する。この差Ｇ＝ＱA −Ｑaoが負荷変
動時に対応すべき送風量の補正量Ｇとなる。
【００３６】次に汚水流入流量Ｑi 、水温Ｔi 、ＳＳ濃
度Ｓi および送風量Ｑa を入力信号とし、計算した送風
量の補正量Ｇを出力信号とする教示データＬが第２演算
手段１５から第１演算手段１４に入力され、第１演算手
段１４のＮＮＷ−１を学習させる。
度Ｓi および送風量Ｑa を入力信号とし、計算した送風
量の補正量Ｇを出力信号とする教示データＬが第２演算
手段１５から第１演算手段１４に入力され、第１演算手
段１４のＮＮＷ−１を学習させる。
【００３７】このように、ＮＮＷ−１に汎化能力を十分
に持たせ、気象条件のような確率的な負荷変動に対して
も、日間変動の様な短い周期性をもった負荷変動と同様
に正しく作動させることができる。
に持たせ、気象条件のような確率的な負荷変動に対して
も、日間変動の様な短い周期性をもった負荷変動と同様
に正しく作動させることができる。
【００３８】他方、ＤＯ濃度計の指示値ＣP がフィード
バック制御器１３に制御周期毎に取り込まれ、次に示す
式（１）（２）に基づいて送風機７の送風量の修正量で
ある出力偏差ΔＳが求められる。
バック制御器１３に制御周期毎に取り込まれ、次に示す
式（１）（２）に基づいて送風機７の送風量の修正量で
ある出力偏差ΔＳが求められる。
【００３９】 Ｅn ＝Ｃs −Ｃp ………（１） ここでＣs ：ＤＯの目標値 Ｅn ：入力偏差 Ｋp ：ｈ、Ｉは制御パラメータで比例ゲイン、制御周
期、積分時間 ΔＳ：出力偏差 である。
期、積分時間 ΔＳ：出力偏差 である。
【００４０】次に前述のように、プロセスデータ記憶装
置１２に貯えられた汚水の流入流量Ｑi と水温Ｔi とＳ
Ｓ濃度Ｓi と曝気槽への送風量Ｑa の時系列データが、
第１演算手段１４に入力される。次に第２演算手段１５
によって教示的に学習したＮＮＷ−１によって送風量の
補正量Ｇがフィードバック制御器１３の制御周期毎に求
められて出力される。
置１２に貯えられた汚水の流入流量Ｑi と水温Ｔi とＳ
Ｓ濃度Ｓi と曝気槽への送風量Ｑa の時系列データが、
第１演算手段１４に入力される。次に第２演算手段１５
によって教示的に学習したＮＮＷ−１によって送風量の
補正量Ｇがフィードバック制御器１３の制御周期毎に求
められて出力される。
【００４１】次に第１演算手段１４のＮＮＷ−１で求め
られた送風量の補正量Ｇと、フィードバック制御器１３
からの出力である出力偏差ΔＳと、風量計５の信号であ
る送風量Ｑa が、ともに加算器１６に送られる。次に加
算器１６において、送風量Ｑa 、出力偏差ΔＳ、および
補正量Ｇに基づいて、送風量の修正値であるＱs が算出
され、この修正値Ｑs が設定器１７に出力される。そし
て設定器１７からの信号に基づいて、送風弁６の開閉制
御が行なわれ、送風量が制御される。
られた送風量の補正量Ｇと、フィードバック制御器１３
からの出力である出力偏差ΔＳと、風量計５の信号であ
る送風量Ｑa が、ともに加算器１６に送られる。次に加
算器１６において、送風量Ｑa 、出力偏差ΔＳ、および
補正量Ｇに基づいて、送風量の修正値であるＱs が算出
され、この修正値Ｑs が設定器１７に出力される。そし
て設定器１７からの信号に基づいて、送風弁６の開閉制
御が行なわれ、送風量が制御される。
【００４２】以上説明したように、本実施例によれば、
ＮＮＷ−１を有する第１演算手段１４とＮＮＷ−２を有
する第２演算手段１５を用いて、フィードバック制御器
１３で求められたＤＯ濃度とＤＯ濃度目標値との偏差量
を補正することができるので、急な負荷変動時において
も、曝気槽内のＤＯ濃度を安定して所定の値に保つこと
ができる。
ＮＮＷ−１を有する第１演算手段１４とＮＮＷ−２を有
する第２演算手段１５を用いて、フィードバック制御器
１３で求められたＤＯ濃度とＤＯ濃度目標値との偏差量
を補正することができるので、急な負荷変動時において
も、曝気槽内のＤＯ濃度を安定して所定の値に保つこと
ができる。
【００４３】
【発明の効果】以上説明したように、本発明によれば、
第２ニューラルネットワーク機能を有する第２演算手段
を用いて第１演算手段の第１ニューラルネットワーク機
能を学習させ、この第１演算手段で負荷変動時の送風量
補正量を求め、この送風量補正量によってフィードバッ
ク制御器からの送風量偏差量を補正するので、急な負荷
変動時においても過曝気や曝気不足にならずに、曝気槽
内のＤＯ濃度を所定の値に安定して維持することができ
る。
第２ニューラルネットワーク機能を有する第２演算手段
を用いて第１演算手段の第１ニューラルネットワーク機
能を学習させ、この第１演算手段で負荷変動時の送風量
補正量を求め、この送風量補正量によってフィードバッ
ク制御器からの送風量偏差量を補正するので、急な負荷
変動時においても過曝気や曝気不足にならずに、曝気槽
内のＤＯ濃度を所定の値に安定して維持することができ
る。
【図１】本発明による汚泥処理プラントの送風量制御装
置の一実施例を示す概略系統図。
置の一実施例を示す概略系統図。
【図２】第１演算手段の第１ニューラルネットワーク機
能の作用説明図。
能の作用説明図。
【図３】第２演算手段の第２ニューラルネットワーク機
能の作用説明図。
能の作用説明図。
【図４】従来の汚水流入流量のステップ変動に対するＤ
Ｏ濃度の実験結果を示すタイムチャート。
Ｏ濃度の実験結果を示すタイムチャート。
１１ 送風量制御装置 １２ プロセスデータ記憶装置 １３ フィードバック制御器 １４ 第１演算手段 １５ 第２演算手段 １６ 加算器 １７ 設定器
───────────────────────────────────────────────────── フロントページの続き (72)発明者 平 本 昭 東京都港区芝浦一丁目１番１号 株式会社 東芝本社事務所内 (72)発明者 神 能 麻美子 東京都港区芝浦一丁目１番１号 株式会社 東芝本社事務所内
Claims (1)
- 【請求項１】曝気槽内のＤＯ濃度を一定値に保つよう送
風機から曝気槽内への送風量を制御する汚水処理プラン
トの送風量制御装置において、 曝気槽内のＤＯ濃度とＤＯ濃度目標値とに基づいて送風
量の偏差量を出力するフィードバック制御器と、 曝気槽内に流入する汚水の流入流量、その懸濁物濃度、
その水温、曝気槽への送風量、および曝気槽内のＤＯ濃
度を時系列で記憶するプロセスデータ記憶装置と、 プロセスデータ記憶装置からの汚水の流入流量、その懸
濁物濃度、その水温および曝気槽への送風量に基づい
て、負荷変動時の送風量の補正量を求める第１ニューラ
ルネットワーク機能を有する第１演算手段と、 汚水の流入流量、その懸濁物濃度、その水温および曝気
槽への送風量に基づいてＤＯ濃度を求める第２ニューラ
ルネットワーク機能を有し、プロセスデータ記憶装置か
らの情報により学習した後、ＤＯ濃度が目標値となるよ
うな送風量を予測し、この予測風量と負荷変動直前の送
風量との間の補正量を求めるとともに、汚水の流入流
量、その懸濁物濃度、その水温および曝気槽への送風量
を入力信号、送風量の補正量を出力信号とする教示信号
を第１演算手段に出力して第１ニューラルネットワーク
機能の学習を行なう第２演算手段と、 第１の演算手段からの送風機の補正量とフィードバック
制御器からの偏差量とを加算して送風量を制御する加算
器とを、備えたことを特徴とする汚水処理プラントの送
風量制御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5053852A JPH06262192A (ja) | 1993-03-15 | 1993-03-15 | 汚水処理プラントの送風量制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5053852A JPH06262192A (ja) | 1993-03-15 | 1993-03-15 | 汚水処理プラントの送風量制御装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06262192A true JPH06262192A (ja) | 1994-09-20 |
Family
ID=12954305
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5053852A Pending JPH06262192A (ja) | 1993-03-15 | 1993-03-15 | 汚水処理プラントの送風量制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH06262192A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018187620A (ja) * | 2017-05-01 | 2018-11-29 | 株式会社ウォーターエージェンシー | 活性汚泥法を用いる下水処理場の運転支援装置及び運転支援方法 |
| JP7209905B1 (ja) * | 2022-03-14 | 2023-01-20 | 三菱電機株式会社 | 水処理システム、曝気量制御装置及び曝気量制御方法 |
-
1993
- 1993-03-15 JP JP5053852A patent/JPH06262192A/ja active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018187620A (ja) * | 2017-05-01 | 2018-11-29 | 株式会社ウォーターエージェンシー | 活性汚泥法を用いる下水処理場の運転支援装置及び運転支援方法 |
| JP7209905B1 (ja) * | 2022-03-14 | 2023-01-20 | 三菱電機株式会社 | 水処理システム、曝気量制御装置及び曝気量制御方法 |
| WO2023175658A1 (ja) * | 2022-03-14 | 2023-09-21 | 三菱電機株式会社 | 水処理システム、曝気量制御装置及び曝気量制御方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110577275B (zh) | 一种污水处理智能化曝气控制系统及方法 | |
| DK1376276T3 (da) | Al-baseret styresystem og fremgangsmåde til behandling af kloak-/spildevand ved hjælp af et neu ralt netværk og en back-propagation-algoritme | |
| WO1990010898A1 (en) | Supporting method and system for process control | |
| WO2012042728A1 (ja) | 水処理システム及びその曝気風量制御方法 | |
| CN115557600A (zh) | 一种生化反应的人工神经网络智能曝气装置及其控制方法 | |
| JP2004171531A (ja) | プラントワイド最適プロセス制御装置 | |
| KR20060092660A (ko) | 퍼지제어를 이용한 하·폐수 처리장의 자동제어장치 및 방법 | |
| JP3487092B2 (ja) | 生物学的水処理装置の制御方法 | |
| CN111484124A (zh) | 一种污水处理智能控制与生化工艺集约方法及系统 | |
| JPH06262192A (ja) | 汚水処理プラントの送風量制御装置 | |
| Suescun et al. | Real-time control strategies for predenitrification-nitrification activated sludge plants biodegradation control | |
| CN110862141B (zh) | 溶解氧自适应控制装置及其方法 | |
| Van Nguyen et al. | Combined ILC and PI regulator for wastewater treatment plants | |
| CN116655130A (zh) | 一种控制曝气的方法、系统、装置、设备和存储介质 | |
| CN116822346A (zh) | 一种基于q学习的污水处理硝态氮浓度控制方法 | |
| JPH0852458A (ja) | 下水処理場の運転支援装置 | |
| JP2002219481A (ja) | 曝気槽の溶存酸素濃度の制御装置 | |
| JP2950661B2 (ja) | 水処理プラントの制御装置 | |
| JPH0852459A (ja) | 下水処理プロセス制御装置 | |
| JP2002177980A (ja) | 活性汚泥処理のファジィ制御装置及びその方法 | |
| JP2022039126A (ja) | 水処理施設の運転支援装置及び運転支援方法 | |
| JPH0230319B2 (ja) | ||
| Zhao et al. | Modeling of activated sludge wastewater treatment processes using integrated neural networks and a first principle model | |
| Zawadzki et al. | Nonlinear fuzzy control of the dissolved oxygen in activated sludge processes | |
| JPH04326992A (ja) | 水処理プラントの制御装置 |