KR102131847B1 - 기계학습을 이용한 수처리 자율 제어 시스템 및 그 방법 - Google Patents

기계학습을 이용한 수처리 자율 제어 시스템 및 그 방법 Download PDF

Info

Publication number
KR102131847B1
KR102131847B1 KR1020200043133A KR20200043133A KR102131847B1 KR 102131847 B1 KR102131847 B1 KR 102131847B1 KR 1020200043133 A KR1020200043133 A KR 1020200043133A KR 20200043133 A KR20200043133 A KR 20200043133A KR 102131847 B1 KR102131847 B1 KR 102131847B1
Authority
KR
South Korea
Prior art keywords
data
real
time
water level
machine learning
Prior art date
Application number
KR1020200043133A
Other languages
English (en)
Inventor
이상범
Original Assignee
현시스메틱 주식회사
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 현시스메틱 주식회사 filed Critical 현시스메틱 주식회사
Priority to KR1020200043133A priority Critical patent/KR102131847B1/ko
Application granted granted Critical
Publication of KR102131847B1 publication Critical patent/KR102131847B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Feedback Control In General (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

수처리 설비의 펌프나 모터, 밸브와 같은 각종 구동장치류를 자동 제어할 수 있고, 디지털 트윈을 통한 비전문가의 의사결정을 지원할 수 있는 기계학습을 이용한 수처리 자율 제어 시스템 및 그 방법이 개시된다. 기계학습을 이용한 수처리 자율 제어 시스템은, 수처리 계측장치로부터 획득된 과거 데이터를 저장하는 과거 데이터 저장부 제어-기계학습부와 예측-기계학습부를 포함하고, 상기 과거 데이터를 통해 제어-학습모형 및 예측-학습모형 각각을 학습시키는 기계학습부 수위계, 압력계, 유량계 및 수질계를 포함하는 계측센서류로부터 실시간 수위 데이터, 실시간 압력 데이터, 실시간 유량 데이터 및 실시간 수질 데이터를 포함하는 실시간 계측 데이터를 수집하고, 각종 구동장치로부터 실시간 구동 데이터를 수집하는 실시간 데이터 수집부 상기 실시간 데이터 수집부에 의해 수집된 실시간 계측 데이터를 상기 제어-학습모형에 입력하여 얻은 제어명령과 상기 실시간 계측 데이터를 상기 예측-학습모형에 입력하여 미래 시점을 예측하여 비전문가의 의사결정을 지원하는 디지털 트윈부 및 실시간 계측 데이터를 상기 제어-학습모형에 입력하여 실시간 제어명령을 생성하는 실시간 제어부를 포함한다.

Description

기계학습을 이용한 수처리 자율 제어 시스템 및 그 방법{SYSTEM AND METHOD FOR AUTOMATICALLY CONTROL OF WATER TREATMENT USING MACHINE LEARNING}
본 발명은 기계학습을 이용한 수처리 자율 제어 시스템 및 그 방법에 관한 것으로, 보다 상세하게는 수처리 설비의 펌프나 모터, 밸브와 같은 각종 구동장치류를 자동 제어할 수 있고, 디지털 트윈을 통한 비전문가의 의사결정을 지원할 수 있는 기계학습을 이용한 수처리 자율 제어 시스템 및 그 방법에 관한 것이다.
종래의 수처리 계측 제어 장치는 룰(조건)을 기반으로 수처리 설비의 펌프나 모터, 밸브와 같은 각종 구동장치류를 제어한다. 즉, 수위, 압력, 유량, 수질 등과 같은 계측되는 값이 임의의 목적값에 도달하거나 조건에 맞으면 구동장치류에 제어명령을 보내 자동화를 실현하였고, 임계치를 벗어나거나 구동장치류의 고장이 발생하면 운영자에게 알려줌으로 장애를 조치할 수 있게 하였다.
하지만, 종래의 룰 기반의 수처리 계측 제어장치 기법은 이러한 장애의 발생, 운전 조건을 벗어나는 시점, 복합적인 상황에서의 자동 운전은 정지하게 되고, 정상화에 전문가가 관여하여 의사결정을 수행하고 또 다른 조건식을 생산하기 위한 비용이 발생할 수 있다.
한국등록특허 제10-2037720호(2019. 10. 23.)(지능형 펌프 제어장치) 한국등록특허 제10-1914285호(2018. 10. 26.)(수처리시설의 통합 계장 계측 제어시스템) 한국등록특허 제10-1187416호(2012. 09. 25.)(예측 모델을 이용한 해수담수화 방법 및 이를 수행하는 장치) 한국등록특허 제10-0573189호(2006. 04. 17.)(신경망 2자 유도 PID 제어기의 튜닝방법을 이용한 정수처리 시스템의 pH 제어 방법 및 그 장치)
이에 본 발명의 기술적 과제는 이러한 점에 착안한 것으로, 본 발명의 목적은 수처리 제어 시스템의 복합적인 상황을 기계학습 모형에 학습시키고, 학습된 기계학습 모형을 이용하여 수처리 설비의 펌프나 모터, 밸브와 같은 각종 구동장치류를 자동 제어할 수 있고, 디지털 트윈을 통한 비전문가의 의사결정을 지원할 수 있는 기계학습을 이용한 수처리 자율 제어 시스템을 제공하는 것이다.
본 발명의 다른 목적은 상기한 기계학습을 이용한 수처리 자율 제어 시스템을 이용한 수처리 자율 제어 방법을 제공하는 것이다.
상기한 본 발명의 목적을 실현하기 위하여 일실시예에 따른 기계학습을 이용한 수처리 자율 제어 시스템은, 수처리 계측장치로부터 획득된 과거 데이터를 저장하는 과거 데이터 저장부 제어-기계학습부와 예측-기계학습부를 포함하고, 상기 과거 데이터를 통해 제어-학습모형 및 예측-학습모형 각각을 학습시키는 기계학습부 수위계, 압력계, 유량계 및 수질계를 포함하는 계측센서류로부터 실시간 수위 데이터, 실시간 압력 데이터, 실시간 유량 데이터 및 실시간 수질 데이터를 포함하는 실시간 계측 데이터를 수집하고, 각종 구동장치로부터 실시간 구동 데이터를 수집하는 실시간 데이터 수집부 상기 실시간 데이터 수집부에 의해 수집된 실시간 계측 데이터를 상기 제어-학습모형에 입력하여 얻은 제어명령과 상기 실시간 계측 데이터를 상기 예측-학습모형에 입력하여 미래 시점을 예측하여 비전문가의 의사결정을 지원하는 디지털 트윈부 및 실시간 계측 데이터를 상기 제어-학습모형에 입력하여 실시간 제어명령을 생성하는 실시간 제어부를 포함한다.
일실시예에서, 상기 제어-기계학습부는, 저장된 과거 데이터를 이용하여 상기 제어-학습모형을 기계학습하되, 수위 데이터, 압력 데이터, 유량 데이터, 수질 데이터를 포함하는 과거 계측데이터를 상기 제어-학습모형에 학습시켜 제어명령을 상기 디지털 트윈부 및 상기 실시간 제어부에 출력할 수 있다.
일실시예에서, 상기 예측-기계학습부는, 저장된 과거 데이터를 이용하여 상기 예측-학습모형을 기계학습하되, 동일한 시점의 수위 데이터, 압력 데이터, 유량 데이터, 수질 데이터를 포함하는 계측데이터 및 제어명령을 상기 예측-학습모형에 학습시켜 다음 시점의 계측데이터를 상기 디지털 트윈부에 출력할 수 있다.
일실시예에서, 상기 실시간 데이터 수집부는 상기 실시간 제어부로부터 실시간 제어명령을 제공받아 각종 구동장치에 출력할 수 있다.
상기한 본 발명의 다른 목적을 실현하기 위하여 일실시예에 따른 기계학습을 이용한 수처리 자율 제어 방법은, (i) 자동 운전이 시작됨에 따라, 수위계, 압력계, 유량계, 수질계를 포함하는 계측센서류로부터 실시간 데이터를 수집하여 모니터 화면에 표시하는 단계 (ii) 수집된 실시간 데이터를 과거 데이터로서 저장하는 단계 (iii) 저장된 과거 데이터에 기반하는 복합적인 상황을 기계학습 모형에 학습시키는 단계 (iv) 기계학습 처리된 과거 데이터에 대해 자동 운전 조건을 변경하는 단계 (v) 자동 운전 조건이 만족하는지의 여부를 체크하는 단계 (vi) 자동 운전 조건이 만족되지 않은 것으로 체크되면, 단계(ii)로 피드백하는 단계 및 (vii) 자동 운전 조건이 만족되면 기계 동작을 명령한 후 단계(i)로 피드백하는 단계를 포함한다.
일실시예에서, 상기 단계(iii)는, (iii-1) 저장된 과거 데이터에 기반하는 복합적인 상황을 자동에 의한 예측-기계학습 처리하는 단계 및 (iii-2) 저장된 과거 데이터에 기반하는 복합적인 상황을 자동에 의한 제어-기계학습 처리하는 단계를 포함할 수 있다.
일실시예에서, 상기 단계(iii)는, (iii-3) 저장된 과거 데이터에 기반하는 복합적인 상황을 수동에 의한 예측-기계학습 처리하는 단계 및 (iii-4) 저장된 과거 데이터에 기반하는 복합적인 상황을 수동에 의한 제어-기계학습 처리하는 단계를 더 포함할 수 있다.
이러한 기계학습을 이용한 수처리 자율 제어 시스템 및 방법에 의하면, 과거 데이터에 기반하는 수처리 제어 시스템의 복합적인 상황을 기계학습 모형에 학습시키고, 학습된 기계학습 모형을 이용한 장치 자동 제어 및 디지털 트윈을 통한 비전문가의 의사결정 지원을 제공할 수 있다. 또한 여러 계측값을 토대로 구동장치들을 제어하고, 구동장치 동작에 의한 미래의 계측값을 분석 및 학습하여 자동 운전 조건을 상황에 맞게 변동하여 운영할 수 있게 구성되어 있다. 또한 디지털 트윈 엔진을 통해 가까운 미래 시점의 계측값을 예측하고, 이를 분석 및 학습하여 상황에 맞게 최적의 자동 운전 조건을 도출하여, 기계를 직접제어 또는 설정값(예를 들어, 가동 수위, 목표 유량, 시간, 횟수 등)을 변경하여 관리자의 관여를 최소한으로 하여 최적화된 운영을 도출할 수 있다.
도 1은 본 발명의 일실시예에 따른 기계학습을 이용한 수처리 자율 제어 시스템을 개략적으로 설명하기 위한 구성도이다.
도 2는 도 1에 도시된 제어-기계학습부의 동작을 설명하기 위한 구성도이다.
도 3은 도 1에 도시된 예측-기계학습부의 동작을 설명하기 위한 구성도이다.
도 4는 도 1에 도시된 디지털 트윈부의 동작을 설명하기 위한 구성도이다.
도 5는 도 1에 도시된 실시간 제어부의 동작을 설명하기 위한 구성도이다.
도 6은 본 발명의 일실시예에 따른 기계학습을 이용한 수처리 자율 제어 방법을 개략적으로 설명하기 위한 흐름도이다.
이하, 첨부한 도면들을 참조하여, 본 발명을 보다 상세하게 설명하고자 한다. 본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 첨부된 도면에 있어서, 구조물들의 치수는 본 발명의 명확성을 기하기 위하여 실제보다 확대하여 도시한 것이다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 발명의 일실시예에 따른 기계학습을 이용한 수처리 자율 제어 시스템(100)을 개략적으로 설명하기 위한 구성도이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 기계학습을 이용한 수처리 자율 제어 시스템(100)은 과거 데이터 저장부(110), 기계학습부(120), 실시간 데이터 수집부(130), 디지털 트윈부(140) 및 실시간 제어부(150)를 포함하여 상하수도 설비와 같은 수처리 설비의 펌프나 모터, 밸브와 같은 각종 구동장치류를 자동 제어하고, 디지털 트윈을 통한 비전문가의 의사결정을 지원한다. 본 실시예에서, 수처리 자율 제어 시스템(100)은 과거 데이터 저장부(110), 기계학습부(120), 디지털 트윈부(140) 및 실시간 제어부(150)로 구성된 것을 설명하였으나, 이는 설명의 편의를 위해 논리적으로 구분하였을 뿐 하드웨어적으로 구분한 것은 아니다.
과거 데이터 저장부(110)는 상하수도 설비와 같은 수처리 설비에 의해 운용되는 수처리 시설에 배치되는 수처리 계측장치(200)로부터 실시간으로 획득되는 데이터를 과거 데이터로서 저장한다. 수처리 계측장치(200)는 수위, 압력, 유량, 수질 등과 같은 데이터들을 실시간으로 계측하고 계측된 데이터를 과거 데이터 저장부(110)에 제공하도록 구성될 수 있다.
기계학습부(120)는 제어-기계학습부(122)와 예측-기계학습부(124)를 포함하고, 과거 데이터 저장부(110)에 저장된 과거 데이터에 기반하는 복합적인 상황을 제어-학습모형 및 예측-학습모형 각각에 자동으로 또는 사용자 조작에 의한 수동으로 학습시킨다.
실시간 데이터 수집부(130)는 수위계, 압력계, 유량계, 수질계 등과 같은 계측센서류로부터 실시간 수위 데이터, 실시간 압력 데이터, 실시간 유량 데이터, 실시간 수질 데이터를 수집하여 디지털 트윈부(140)에 제공한다. 또한 실시간 데이터 수집부(130)는 각종 구동장치로부터 실시간 구동 데이터를 수집하여 디지털 트윈부(140)에 제공한다. 또한 실시간 데이터 수집부(130)는 실시간 제어부(150)로부터 실시간 제어명령을 제공받아 각종 구동장치에 출력한다.
디지털 트윈부(140)는 학습된 상기 제어-학습모형에 실시간 계측정보를 입력하여 얻은 제어명령과 실시간 계측정보를 학습된 상기 예측-학습모형에 입력하여 미래 시점을 예측하여 비전문가의 의사결정을 지원한다. 디지털 트윈부(140)를 사용하여 조건식(프로그램)을 생산, 수정하기 위한 방법으로 계측값과 기계의 환경에 맞게 조건식을 변경하여 시뮬레이션한다.
실시간 제어부(150)는 실시간 계측 데이터를 상기 학습된 제어-학습모형에 입력하여 실시간 제어명령을 생성하고, 생성된 실시간 제어명령을 이용하여 수처리 설비의 구동장치류, 예를 들어, 펌프나 모터, 밸브 등을 자동 제어한다.
본 실시예에서, 기계학습부(120) 및 디지털 트윈부(140) 각각은 하나 이상의 고성능 장치일 수 있고, 실시간 제어부(150)는 현장의 수처리 설비의 구동장치류의 제어를 위해 제어모듈을 탑재한 현장 장치일 수 있다.
이상에서 설명된 바와 같이, 본 발명에 따르면 저장된 과거 데이터에 기반하는 복합적인 상황을 기계학습 모형에 학습시키고, 학습된 기계학습 모형인 제어-학습모형 및 예측-학습모형을 이용하여 장치를 자동 제어할 수 있고, 디지털 트윈을 통해 비전문가의 의사결정 지원을 제공할 수 있다.
도 2는 도 1에 도시된 제어-기계학습부(122)의 동작을 설명하기 위한 구성도이다.
도 1 및 도 2를 참조하면, 제어-기계학습부(122)는, 과거 데이터 저장부(110)에 저장된 과거 데이터에 기반하는 복합적인 상황을 제어-학습모형(122a)을 기계학습하되, 수위, 압력, 유량, 수질, 부가 데이터를 포함하는 과거 계측데이터에 기반하는 복합적인 상황을 상기 제어-학습모형(122a)에 학습시켜 제어명령을 디지털 트윈부(140) 및 실시간 제어부(150)에 출력한다.
예를 들어, 과거 데이터는 아래의 표 1과 같이 수집되어 저장될 수 있다.
[표 1]
Figure 112020036825011-pat00001
표 1에 나타낸 바와 같이, 시간 01:00에서 수위 데이터, 압력 데이터, 유량 데이터 및 수질 데이터는 각각 10, 12, 4, 5이고, 제어명령은 펌프 가동이다. 시간 02:00에서 수위 데이터, 압력 데이터, 유량 데이터 및 수질 데이터는 각각 9, 3, 5, 6이고, 제어명령은 없다. 시간 03:00에서 수위 데이터, 압력 데이터, 유량 데이터 및 수질 데이터는 각각 5, 4, 6, 7이고, 제어명령은 없다. 시간 04:00에서 수위 데이터, 압력 데이터, 유량 데이터 및 수질 데이터는 각각 6, 5, 7, 8이고, 제어명령은 밸브개방이다. 시간 05:00에서 수위 데이터, 압력 데이터, 유량 데이터 및 수질 데이터는 각각 8, 6, 8, 9이고, 제어명령은 없다.
제어-학습모형(122a)은 인공 신경망, 선형회귀(linear regressions), 순환인공신경망, LSTM, 랜덤포레스트(random forest), 큐비스트(cubist), 등의 기계학습 모델 적용이 가능하다. 상세하게는, 선형회귀 모델은 선형성이라는 기본 가정이 충족된 상태에서 독립변수와 종속변수의 관계를 예측하는 통계방법이다. 랜덤 포레스트 모델은 분류, 회귀분석 등에 사용되는 앙상블 학습 방법의 일종으로써, 훈련과정에서 구성한 다수의 결정 트리로부터 분류 또는 평균 회귀분석을 출력한다. 큐비스트 모델은 여러 다른 방법으로 이루어진 규칙기반 모델이다. 큐비스트 모델의 조정가능한 파라미터는 커미티(committee)와 네이버(neighbor)를 포함하고, 최종적으로 각각 100과 0의 값을 갖는다.
본 실시예에서, 제어-학습모형(122a)은 예로서 인공 신경망으로 구현된 것이 도시된다. 도 2에 도시된 바와 같이, 본 실시예에서, 인공 신경망은 입력 계층(Input Layer), 2개의 은닉 계층(Hidden Layer) 및 출력 계층(Output Layer)으로 구성된 다중 계층 퍼셉트론(Multi-Layer Perceptron; MLP)의 구조를 갖는다.
퍼셉트론 알고리즘을 요약하면 다음과 같다.
입력되는 특성값에 곱해지는 가중치들을 모두 0 또는 작은 값으로 무작위 할당하고, 임계값을 정의한다. 보통 임계값은 0으로 정의한다. 이어, 트레이진 데이터 샘플을 순입력 함수을 이용해 가중치와 각각 곱한 후 그 총합을 구한다. 이어, 활성 함수를 이용해 트레이닝 데이터 샘플에 대한 예측값을 -1 또는 1로 결과가 나오게 한다. 이어, 트레이닝 데이터 샘플의 실제 결과값에 대한 활성 함수 리턴값과 상기한 트레이닝 데이터 샘플에 대한 예측값의 결과 즉, -1 또는 1을 비교한다. 상기한 비교 결과 예측값과 결과값이 다르면 모든 가중치을 업데이트하고 상기한 총합을 구하는 과정을 다시 시작하고, 예측값과 결과값이 동일하게 나오면 패스한다.
위와 같은 절차로 입력값(즉 트레이닝 데이터)까지 모든 출력값(즉 예측값)이 실제 결과값과 동일해질 때까지 반복한다. 트레이닝 데이터까지 예측값에 대한 활성 함수 리턴값이 실제 결과값의 활성 함수 리턴값과 동일하면 퍼셉트론 학습은 종료된다.
본 실시예에서, 입력 계층은 최소 5개의 노드, 첫번째 은닉 계층은 7개의 노드, 두번째 은닉 계층은 4개의 노드, 출력 계층은 1개의 노드로 구성되어 있다. 여기서, 입력 계층 및 출력 계층의 활성함수로는 선형 함수(Linear Function)를, 은닉 계층의 활성함수로는 시그모이드 함수(Sigmoid Function) 등의 비선형 함수(Nonlinear Function)를 사용할 수 있다. 시그모이드 함수는 활성화 함수로 많이 사용되며, 모든 실수값을 0과 1 사이의 값으로 변환시킨다. 입력값과 각각의 입력값에 대한 가중치 세타값으로 계산된 결과를 시그모이드 함수에 입력하여 0과 1 사이의 값으로 바꾸며, 보통 0.5를 기준으로 0.5 미만은 0, 0.5 이상은 1에 대응되도록 하여 활성화 함수로 사용한다.
은닉 계층의 수는 학습 시간 및 예측 정확도 등을 고려하여 결정할 수 있는데, 본 실시예에서는 2개의 은닉 계층을 사용한다. 은닉 계층 노드의 수는 경험적으로 또는 테스트에 의하여 정해질 수 있다.
학습 데이터는 입력 계층의 노드 수 및 출력 계층의 노드 수에 대응되는 형태를 가진다. 학습 데이터 중 입력 데이터는 수위 데이터, 압력 데이터, 유량 데이터, 수질 데이터, 부가 데이터로 구성되고, 출력 데이터는 제어명령으로 구성된다.
도 3은 도 1에 도시된 예측-기계학습부(124)의 동작을 설명하기 위한 구성도이다.
도 1 및 도 3을 참조하면, 예측-기계학습부(124)는, 과거 데이터 저장부(110)에 저장된 과거 데이터에 기반하는 복합적인 상황을 예측-학습모형(122b)을 기계학습하되, 동일한 시점(예를 들어, 시간 t-1)의 수위 데이터, 압력 데이터, 유량 데이터, 수질 데이터, 부가 데이터를 포함하는 계측데이터 및 제어명령에 기반하는 복합적인 상황을 상기 예측-학습모형(122b)에 학습시켜 다음 시점(예를 들어, 시간 t)의 계측데이터로서 수위 데이터, 압력 데이터, 유량 데이터, 수질 데이터를 디지털 트윈부(140)에 출력한다.
예측-학습모형(122b)은 인공신경망, 선형회귀, 순환인공신경망, LSTM, 랜덤포레스트 등의 기계학습 모델 적용이 가능하다. 본 실시예에서, 예측-학습모형(122b)은 예로서 인공 신경망으로 구현된 것이 도시된다.
도 3에 도시된 바와 같이, 본 실시예에서, 인공 신경망은 입력 계층, 1개의 은닉 계층 및 출력 계층으로 구성된 다중 계층 퍼셉트론(MLP)의 구조를 갖는다. 입력 계층은 6개의 노드, 은닉 계층은 7개의 노드, 출력 계층은 4개의 노드로 구성되어 있다. 여기서, 입력 계층 및 출력 계층의 활성함수로는 선형 함수를, 은닉 계층의 활성함수로는 시그모이드 함수 등의 비선형 함수를 사용할 수 있다. 은닉 계층의 수는 학습 시간 및 예측 정확도 등을 고려하여 결정할 수 있는데, 본 실시예에서는 1개의 은닉 계층을 사용한다. 은닉 계층의 노드 수는 경험적으로 또는 테스트에 의하여 정해질 수 있다.
학습 데이터는 입력 계층의 노드 수 및 출력 계층의 노드 수에 대응되는 형태를 가진다. 학습 데이터 중 입력 데이터는 이전 시간(t-1)에 대응하여 제어명령, 수위 데이터, 압력 데이터, 유량 데이터, 수질 데이터, 부가 데이터로 구성되고, 출력 데이터는 현재 시간(t)에 대응하여 수위 데이터, 압력 데이터, 유량 데이터, 수질 데이터로 구성된다.
예를 들어, 예측-학습모형(122b)의 입력 계층에는 표 1에 나타낸 시간 01:00에 대응하는 수위 데이터, 압력 데이터, 유량 데이터 및 수질 데이터 각각에 대응하여 10, 12, 4, 5이 입력되고, 펌프 가동이라는 제어명령이 입력되면, 표 1에 나타낸 시간 02:00에 대응하여 수위 데이터, 압력 데이터, 유량 데이터 및 수질 데이터 각각에 대응하여 9, 3, 5, 6이 출력되고, 제어명령은 출력되지 않는다.
본 실시예에서, 예측-기계학습부(124)는 구동장치 동작에 의해 변동되는 실시간 계측값들을 수집하여 수집된 데이터를 기반으로 펌프 등 구동장치가 동작함에 따른 미래의 계측값 변화를 예측하는 시스템이다.
예를 들어, 예측-기계학습은 아래 표 2와 같다. 아래의 표 2에서 단위는 미터(m)이다.
[표 2]
Figure 112020036825011-pat00002
표 2를 참조하면, 유입펌프가 가동되어 현재수위가 1.74m였을 때, 10분 후 수위는 1.85m로 측정되었고, 20분 후 수위는 1.96m으로 측정되었으며, 30분 후 수위는 2.04m로 측정되었다. 유입펌프가 가동되어 현재수위가 1.32m였을 때, 10분 후 수위는 1.41m로 측정되었고, 20분 후 수위는 1.53m으로 측정되었으며, 30분 후 수위는 1.62m로 측정되었다. 유입펌프가 가동되어 현재수위가 0.31m였을 때, 10분 후 수위는 0.4m로 측정되었고, 20분 후 수위는 0.52m로 측정되었으며, 30분 후 수위는 0.62m로 측정되었다.
한편, 유출펌프가 가동되어 현재수위가 2.94m였을 때, 10분 후 수위는 2.83m으로 측정되었고, 20분 후 수위는 2.74m로 측정되었으며, 30분 후 수위는 2.65m로 측정되었다. 유출펌프가 가동되어 현재수위가 2.12m였을 때, 10분 후 수위는 2.01m로 측정되었고, 20분 후 수위는 1.93m으로 측정되었으며, 30분 후 수위는 1.81m로 측정되었다. 유출펌프가 가동되어 현재수위가 1.65m였을 때, 10분 후 수위는 1.55m로 측정되었고, 20분 후 수위는 1.43m으로 측정되었으며, 30분 후 수위는 1.34m로 측정되었다.
이처럼 수집된 데이터를 토대로 유입펌프가 동작하였을 때 수위의 변화값을 수집하여 유입펌프가 동작하였을 때 아래의 수식 1과 같은 산술 평균을 통해 수위값의 미래값을 예측할 수 있다.
[수식 1]
Figure 112020036825011-pat00003
여기서, FLIP은 유입펌프(Inflow pump) 가동에 의한 미래 수위 예측값이고, Lc은 현재 수위이고, L10min은 10분 후 수위이고, L20min은 20분 후 수위이고, L30min은 30분 후 수위이다.
또한 유출펌프가 동작하였을 때 아래의 수식 2와 같은 산술 평균을 통해 수위값의 미래값을 예측할 수 있다.
[수식 2]
Figure 112020036825011-pat00004
여기서, FLOP은 유출펌프(Outflow pump) 가동에 의한 미래 수위 예측값이고, Lc은 현재 수위이고, L10min은 10분 후 수위이고, L20min은 20분 후 수위이고, L30min은 30분 후 수위이다.
유입펌프 가동시, 1.74m에서 10분 후 1.85m로 0.11m가 상승하였고, 20분 후 1.96m로 0.11m 상승하였고, 30분후 2.04m로 0.08m 상승하였다. 1.32m에서 10분 후 1.41m로 0.9m가 상승하였고, 20분후 1.53m로 0.12m 상승하였고, 30분후 1.62m로 0.09m 상승하였다. 0.31m에서 10분 후 0.4m로 0.09m가 상승하였고, 20분후 0.52m로 0.12m 상승하였고, 30분후 0.62m로 0.1m 상승하였다.
해당 데이터를 상기한 수식 1에 대입하였을 때 유입펌프 가동시 10분당 0.101m의 수위 상승이 예측된다.
한편, 유출펌프 가동시, 2.94m에서 10분 후 2.83m로 0.11m가 하강하였고, 20분후 2.74m로 0.09m, 30분후 0.09m 하강하였다. 2.12m에서 10분 후 2.01m로 0.11m가 하강하였고, 20분후 1.93m로 0.08m, 30분후 1.81m로 0.12m 하강하였다. 1.65m에서 10분 후 1.55m로 0.1m가 하강하였고, 20분후 1.43m로 0.12m, 30분후 1.34m로 0.09m 하강하였다.
해당 데이터를 상기한 수식 2에 대입하였을 때 유출펌프 가동시 10분당 0.101m의 수위 하강이 예측된다.
이처럼 수위 데이터들을 수집하고 분석하여 구동장치 동작시 변경되는 계측 값을 예측할 수 있다.
도 4는 도 1에 도시된 디지털 트윈부(140)의 동작을 설명하기 위한 구성도이다.
도 1 및 도 4를 참조하면, 디지털 트윈부(140)는 예측-기계학습부(124)에 의해 학습된 예측-학습모형(122b)에 실시간 계측정보를 입력하여 얻은 결과(즉, 제어명령)와 실시간 계측정보를 상기 학습된 예측-학습모형(122b)에 입력하여 미래시점을 예측함으로써, 비전문가의 의사결정을 지원한다. 즉, 실시간 제어부(150)를 통해 구동장치류에 제어명령을 보내기에 앞서 디지털 트윈부(140)는 현재 계측된 데이터와 제어명령을 예측-학습모형(122b)에 입력하여 미래의 수위, 압력, 유량, 수질 등을 가늠할 수 있게 한다.
구체적으로, 디지털 트윈부(140)는 실시간 데이터 수집부(130)에 의해 수집된 시간 t의 실시간 데이터인 수위 데이터, 압력 데이터, 유량 데이터, 수질 데이터, 부가 데이터 등을 예측-학습모형(122b)의 입력 계층 노드에 각각 입력한다. 또한 디지털 트윈부(140)는 예측-학습모형(122b)의 입력 계층 노드에 제어명령을 입력한다. 여기서, 제어명령은 제어-기계학습부(122)에 의해 학습된 제어-학습모형(122a)의 출력 계층에서 출력될 수 있다.
예측-학습모형(122b)의 입력 계층에 시간 t의 실시간 데이터와 제어명령이 입력됨에 따라, 시간 t+1의 예측 데이터인 수위 데이터, 압력 데이터, 유량 데이터, 수질 데이터가 예측-학습모형(122b)의 출력 계층 노드들을 통해 출력된다.
도 5는 도 1에 도시된 실시간 제어부(150)의 동작을 설명하기 위한 구성도이다.
도 5를 참조하면, 실시간 제어부(150)는 실시간 데이터 수집부(130)에 의해 수집된 실시간 계측 데이터를 제어-기계학습부(122)에 의해 학습된 제어-학습모형(122a)에 입력하여 실시간 제어명령을 생성한다. 제어-기계학습부(122)에 의해 학습된 제어-학습모형(122a)은 도 2에 도시된 바 있으므로 그 설명을 생략한다.
구체적으로, 실시간 제어부(150)는 실시간 데이터 수집부(130)에 의해 수집된 실시간 수위 데이터, 실시간 압력 데이터, 실시간 유량 데이터, 실시간 수질 데이터, 실시간 부가 데이터를 제어-학습모형(122a)의 입력 계층 노드에 입력한다.
제어-학습모형(122a)의 입력 계층에 상기한 실시간 계측 데이터가 입력됨에 따라, 실시간 제어명령이 제어-학습모형(122a)의 출력 계층 노드를 통해 출력된다.
도 6은 본 발명의 일실시예에 따른 기계학습을 이용한 수처리 자율 제어 방법을 개략적으로 설명하기 위한 흐름도이다.
도 6을 참조하면, 펌프나 모터, 밸브와 같은 각종 구동장치류를 통해 수처리 동작을 제어하는 수처리 설비의 자동 운전을 시작한다(단계 S110).
이어, 수처리 설비의 자동 운전이 시작됨에 따라 수처리 계측장치로부터 실시간 데이터를 수집하고 수집된 실시간 데이터를 모니터에 표시하는 동작을 반복한다(단계 S120).
이어, 단계 S120에서 수집되는 실시간 데이터를 과거 데이터로서 과거 데이터 저장부(110, 도 1에 도시됨)에 저장한다(단계 S130).
이어, 단계 S130에서 저장된 과거 데이터에 기반하는 복합적인 상황을 기계학습모형에 학습시키는 기계학습 처리하는 과정을 기계학습부(120, 도 1에 도시됨)를 통해 수행한다(단계 S140). 즉, 저장된 과거 데이터에 기반하는 복합적인 상황을 예측-기계학습 처리하는 과정과 저장된 과거 데이터에 기반하는 복합적인 상황을 제어-기계학습 처리하는 과정을 수행한다. 상기한 예측-기계학습 및 제어-기계학습 각각은 자동에 의해 수행될 수도 있고, 사용자의 조작에 응답하는 수동에 의해 수행될 수 있다.
예를 들어, 펌프 가동 및 펌프 정지를 사용자의 수동 조작에 의해 이루어질 때, 기계학습 처리를 아래의 표 3을 이용하여 설명한다.
[표 3]
Figure 112020036825011-pat00005
표 3을 참조하면, 사용자의 수동 조작1에 대응하여 펌프 가동 명령시 수위는 3.4이고, 펌프 정지 명령시 수위는 1.24이면, 기계학습 처리한다. 사용자의 수동 조작2에 대응하여 펌프 가동 명령시 수위는 3.5이고, 펌프 정지 명령시 수위는 1.17이면, 기계학습 처리한다. 사용자의 수동 조작3에 대응하여 펌프 가동 명령시 수위는 3.74이고, 펌프 정지 명령시 수위는 1.35이면, 기계학습 처리한다. 사용자의 수동 조작5에 대응하여 펌프 가동 명령시 수위는 3.34이고, 펌프 정지 명령시 수위는 1.33이면, 기계학습 처리한다. 사용자의 수동 조작6에 대응하여 펌프 가동 명령시 수위는 3.41이고, 펌프 정지 명령시 수위는 1.17이면, 기계학습 처리한다.
하지만, 사용자의 수동 조작4에 대응하여 펌프 가동 명령시 수위는 2.3이고, 펌프 정지 명령시 수위는 0.3이면, 기계학습에서 제외한다. 조작4의 경우 평소 패턴에서 많이 벗어난 데이터이기 때문이다.
즉, 조작1 내지 조작6에 대응하여, 수동 펌프 가동명령시 수위들의 산출평균치는 대략 3.28이고, 수동 펌프 정지명령시 수위들의 산출평균치는 대략 1.09이다. 수동 펌프 가동명령시 조작1, 조작2, 조작3, 조작5 및 조작6 각각에 대응하는 수위에서 수동 펌프 가동명령시 수위들의 산출평균값을 차감한 값은 0.12, 0.22, 0.46, 0.06 및 0.13인 반면, 조작4에 대응하는 수위에서 산출평균값을 차감한 값은 -0.98이다. 또한, 수동 펌프 정지명령시 조작1, 조작2, 조작3, 조작5 및 조작6 각각에 대응하는 수위에서 수동 펌프 정지명령시 수위들의 산출평균값을 차감한 값은 0.15, 0.08, 0.26, 0.24 및 0.08인 반면, 조작4에 대응하는 수위에서 산출평균값을 차감한 값은 -0.79이다.
이처럼, 평소 패턴에서 많이 벗어난 데이터를 제외한 제어 당시 계측값을 수집하여 분석에 추가한다.
상기한 표 3에 따라 펌프 가동 수위는 아래의 수식 3의 산술 평균을 통해 획득될 수 있다.
[수식 3]
Figure 112020036825011-pat00006
즉, 평소 패턴에서 많이 벗어난 데이터인 사용자의 수동 조작4에 대응하는 데이터를 제외한 제어 당시 계측값을 산출 평균하여 수위 3.347을 펌프 가동 수위로 기계학습 처리한다.
한편, 펌프 정지 수위는 아래의 수식 4의 산술 평균을 통해 획득될 수 있다.
[수식 4]
Figure 112020036825011-pat00007
즉, 평소 패턴에서 많이 벗어난 데이터인 사용자의 수동 조작4에 대응하는 데이터를 제외한 제어 당시 계측값을 산출 평균하여 수위 1.252를 펌프 정지 수위로 기계학습 처리한다.
상기한 기계학습 과정을 수행됨에 따라 자동 운전 설정을 변경한다(단계 S150).
단계 S140에서 기계학습이 처리된 후 또는 단계 S150에서 자동 운전 설정이 변경된 후, 자동 운전 조건이 만족되는지의 여부를 체크한다(단계 S160).
단계 S160에서 자동 운전 조건이 만족되지 않으면 단계 S130으로 피드백하여 실시간으로 수집되는 데이터를 과거 데이터로서 저장하는 과정을 수행한다.
단계 S160에서 자동 운전 조건이 만족되면 기계 동작 명령을 수행한 후(단계 S170), 단계 S110으로 피드백한다.
기존의 수처리 계측 제어 방식은, 자동 운전이 시작됨에 따라, 실시간 데이터를 수집하여 모니터 화면에 표시하고, 실시간 수집된 데이터 또는 사용자에 의해 설정 변경된 데이터가 자동 운전 조건에 맞는지의 여부를 체크하여, 자동 운전 조건에 맞는 것으로 체크되면 기계 동작을 명령하는 명령어를 제공한다.
한편, 본 발명에 따른 수처리 계측 제어 방식은, 자동 운전이 시작됨에 따라, 실시간 데이터를 수집하여 모니터 화면에 표시하고, 실시간 수집된 데이터를 과거 데이터로서 저장한다. 이어, 저장된 과거 데이터를 이용하여 예측-기계학습 및 제어-기계 학습을 처리한다. 기계학습 처리된 데이터 또는 사용자에 의해 설정 변경된 데이터가 자동 운전 조건에 맞는지의 여부를 체크하여, 자동 운전 조건에 맞는 것으로 체크되면 기계 동작을 명령하는 명령어를 제공한다.
이상에서 설명된 바와 같이, 본 발명에 따르면, 수처리 제어 시스템의 복합적인 상황을 기계학습 모형에 학습시키고, 학습된 기계학습 모형을 이용한 장치 자동 제어 및 디지털 트윈을 통한 비전문가의 의사결정 지원을 제공할 수 있다.
또한, 본 발명에 따르면, 여러 계측값을 토대로 구동장치들을 제어하고, 구동장치 동작에 의한 미래의 계측값을 분석 및 학습하여 자동 운전 조건을 상황에 맞게 변동하여 운영할 수 있게 구성되어 있다.
또한, 본 발명에 따르면, 디지털 트윈 엔진을 통해 가까운 미래 시점의 계측값을 예측하고, 이를 분석 및 학습하여 상황에 맞게 최적의 자동 운전 조건을 도출하여, 기계를 직접제어 또는 설정값(예를 들어, 가동 수위, 목표 유량, 시간, 횟수 등)을 변경하여 관리자의 관여를 최소한으로 하여 최적화된 운영을 도출할 수 있다.
이상에서는 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100 : 수처리 자율 제어 시스템 110 : 과거 데이터 저장부
120 : 기계학습부 122 : 제어-기계학습부
122a : 제어-학습모형 122b : 예측-학습모형
124 : 예측-기계학습부 130 : 실시간 데이터 수집부
140 : 디지털 트윈부 150 : 실시간 제어부

Claims (7)

  1. 수처리 계측장치로부터 획득된 과거 데이터를 저장하는 과거 데이터 저장부
    제어-학습모형을 학습시키는 제어-기계학습부와 예측-학습모형을 학습시키는 예측-기계학습부를 포함하고, 상기 과거 데이터에 기반하는 복합적인 상황을 상기 제어-학습모형 및 상기 예측-학습모형에 학습시키는 기계학습부
    수위계, 압력계, 유량계 및 수질계를 포함하는 계측센서류로부터 실시간 수위 데이터, 실시간 압력 데이터, 실시간 유량 데이터 및 실시간 수질 데이터를 포함하는 실시간 계측 데이터를 수집하고, 각종 구동장치로부터 실시간 구동 데이터를 수집하는 실시간 데이터 수집부
    상기 실시간 데이터 수집부에 의해 수집된 실시간 계측 데이터를 상기 제어-학습모형에 입력하여 얻은 제어명령과 상기 실시간 계측 데이터를 상기 예측-학습모형에 입력하여 미래 시점을 예측하여 비전문가의 의사결정을 지원하는 디지털 트윈부 및
    실시간 계측 데이터를 상기 제어-학습모형에 입력하여 실시간 제어명령을 생성하고, 생성된 실시간 제어명령을 이용하여 수처리 설비의 구동장치류를 자동 제어하는 실시간 제어부를 포함하되,
    상기 예측-기계학습부는 구동장치 동작에 의해 변동되는 실시간 계측값들을 수집하여 수집된 데이터를 기반으로 유입펌프 및 유출펌프를 포함하는 구동장치의 동작에 따른 미래의 계측값 변화를 예측하되,
    상기 유입펌프 가동에 의한 미래 수위 예측값(FLIP)은,
    Figure 112020065874950-pat00014
    (여기서, Lc은 현재 수위, L10min은 10분 후 수위, L20min은 20분 후 수위, L30min은 30분 후 수위)를 통해 예측되고,
    상기 유출펌프 가동에 의한 미래 수위 예측값(FLOP)은,
    Figure 112020065874950-pat00015
    (여기서, Lc은 현재 수위, L10min은 10분 후 수위, L20min은 20분 후 수위, L30min은 30분 후 수위)를 통해 예측되는 것을 특징으로 하는 기계학습을 이용한 수처리 자율 제어 시스템.
  2. 제1항에 있어서, 상기 제어-기계학습부는, 저장된 과거 데이터에 기반하는 복합적인 상황을 상기 제어-학습모형에 기계학습하되, 수위 데이터, 압력 데이터, 유량 데이터, 수질 데이터를 포함하는 과거 계측데이터에 기반하는 복합적인 상황을 상기 제어-학습모형에 학습시켜 제어명령을 상기 디지털 트윈부 및 상기 실시간 제어부에 출력하는 것을 특징으로 하는 기계학습을 이용한 수처리 자율 제어 시스템.
  3. 제1항에 있어서, 상기 예측-기계학습부는, 저장된 과거 데이터에 기반하는 복합적인 상황을 상기 예측-학습모형에 기계학습하되, 동일한 시점의 수위 데이터, 압력 데이터, 유량 데이터, 수질 데이터를 포함하는 계측데이터 및 제어명령에 기반하는 복합적인 상황을 상기 예측-학습모형에 학습시켜 다음 시점의 계측데이터를 상기 디지털 트윈부에 출력하는 것을 특징으로 하는 기계학습을 이용한 수처리 자율 제어 시스템.
  4. 제1항에 있어서, 상기 실시간 데이터 수집부는 상기 실시간 제어부로부터 실시간 제어명령을 제공받아 각종 구동장치에 출력하는 것을 특징으로 하는 기계학습을 이용한 수처리 자율 제어 시스템.
  5. (i) 자동 운전이 시작됨에 따라, 수위계, 압력계, 유량계, 수질계를 포함하는 계측센서류로부터 실시간 데이터를 수집하여 모니터 화면에 표시하는 단계
    (ii) 수집된 실시간 데이터를 과거 데이터로서 저장하는 단계
    (iii) 저장된 과거 데이터에 기반하는 복합적인 상황을 제어-기계학습부를 통해 제어-학습모형을 학습시키고, 예측-기계학습부를 통해 예측-학습모형을 학습시키는 단계
    (iv) 기계학습 처리된 과거 데이터에 대해 자동 운전 설정을 변경하는 단계
    (v) 상기 변경된 자동 운전 설정이 자동 운전 조건을 만족하는지의 여부를 체크하는 단계
    (vi) 자동 운전 조건이 만족되지 않은 것으로 체크되면, 단계(ii)로 피드백하는 단계 및
    (vii) 자동 운전 조건이 만족되면 기계 동작을 명령한 후 단계(i)로 피드백하는 단계를 포함하되,
    상기 예측-기계학습부는 구동장치 동작에 의해 변동되는 실시간 계측값들을 수집하여 수집된 데이터를 기반으로 유입펌프 및 유출펌프를 포함하는 구동장치의 동작에 따른 미래의 계측값 변화를 예측하되,
    상기 유입펌프 가동에 의한 미래 수위 예측값(FLIP)은,
    Figure 112020065874950-pat00016
    (여기서, Lc은 현재 수위, L10min은 10분 후 수위, L20min은 20분 후 수위, L30min은 30분 후 수위)를 통해 예측되고,
    상기 유출펌프 가동에 의한 미래 수위 예측값(FLOP)은,
    Figure 112020065874950-pat00017
    (여기서, Lc은 현재 수위, L10min은 10분 후 수위, L20min은 20분 후 수위, L30min은 30분 후 수위)를 통해 예측되는 것을 특징으로 하는 기계학습을 이용한 수처리 자율 제어 방법.
  6. 제5항에 있어서, 상기 단계(iii)는,
    (iii-1) 저장된 과거 데이터에 기반하는 복합적인 상황을 자동에 의한 예측-기계학습 처리하는 단계 및
    (iii-2) 저장된 과거 데이터에 기반하는 복합적인 상황을 자동에 의한 제어-기계학습 처리하는 단계를 포함하는 것을 특징으로 하는 기계학습을 이용한 수처리 자율 제어 방법.
  7. 제6항에 있어서, 상기 단계(iii)는,
    (iii-3) 저장된 과거 데이터에 기반하는 복합적인 상황을 수동에 의한 예측-기계학습 처리하는 단계 및
    (iii-4) 저장된 과거 데이터에 기반하는 복합적인 상황을 수동에 의한 제어-기계학습 처리하는 단계를 더 포함하는 것을 특징으로 하는 기계학습을 이용한 수처리 자율 제어 방법.
KR1020200043133A 2020-04-09 2020-04-09 기계학습을 이용한 수처리 자율 제어 시스템 및 그 방법 KR102131847B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200043133A KR102131847B1 (ko) 2020-04-09 2020-04-09 기계학습을 이용한 수처리 자율 제어 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200043133A KR102131847B1 (ko) 2020-04-09 2020-04-09 기계학습을 이용한 수처리 자율 제어 시스템 및 그 방법

Publications (1)

Publication Number Publication Date
KR102131847B1 true KR102131847B1 (ko) 2020-07-09

Family

ID=71602209

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200043133A KR102131847B1 (ko) 2020-04-09 2020-04-09 기계학습을 이용한 수처리 자율 제어 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR102131847B1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112417619A (zh) * 2020-11-23 2021-02-26 江苏大学 一种基于数字孪生的泵机组优化运行调节系统及方法
CN114420220A (zh) * 2022-01-25 2022-04-29 湖南株冶有色金属有限公司 一种湿法炼锌中性浸出过程pH值的预测方法
KR20220063041A (ko) * 2020-11-09 2022-05-17 한국전기연구원 인공지능을 이용한 전력시스템 자율운전방법 및 그 장치
KR102561410B1 (ko) * 2022-07-19 2023-07-31 주식회사 동양이엔씨 Ai 기반의 자율제어 통합 빌딩 자동제어 시스템
KR102565529B1 (ko) 2022-07-19 2023-08-14 주식회사 동양이엔씨 자율제어기반의 수처리 제어시스템 및 그 방법
KR102582270B1 (ko) 2022-09-16 2023-09-25 주식회사 이현정보 인공지능 기반의 자율 제어형 수처리 제어시스템
KR102632300B1 (ko) * 2023-08-30 2024-02-01 (주)잇츠솔루션 뉴럴 네트워크를 기반으로 기업의 환경 분야와 관련된 정보를 관리하는 방법 및 시스템

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0241913B2 (ko) * 1984-02-14 1990-09-19
KR100573189B1 (ko) 2003-12-30 2006-04-24 김동화 신경망 2자 유도 PID 제어기의 튜닝방법을 이용한정수처리 시스템의 pH 제어 방법 및 그 장치
KR101187416B1 (ko) 2009-02-26 2012-10-02 광주과학기술원 예측 모델을 이용한 해수담수화 방법 및 이를 수행하는 장치
KR101629240B1 (ko) * 2013-06-04 2016-06-10 전남대학교산학협력단 진화적 예측모델 생성 인공지능 프로그램이 결합된 수처리장의 인공지능 통합 제어시스템
JP2018092511A (ja) * 2016-12-07 2018-06-14 三菱重工業株式会社 運用支援装置、機器運用システム、運用方法、制御方法及びプログラム
KR101914285B1 (ko) 2018-05-15 2018-11-01 주식회사 코비 수처리시설의 통합 계장 계측 제어시스템
KR102037720B1 (ko) 2019-05-21 2019-11-26 에스텍아이앤씨(주) 지능형 펌프 제어장치

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0241913B2 (ko) * 1984-02-14 1990-09-19
KR100573189B1 (ko) 2003-12-30 2006-04-24 김동화 신경망 2자 유도 PID 제어기의 튜닝방법을 이용한정수처리 시스템의 pH 제어 방법 및 그 장치
KR101187416B1 (ko) 2009-02-26 2012-10-02 광주과학기술원 예측 모델을 이용한 해수담수화 방법 및 이를 수행하는 장치
KR101629240B1 (ko) * 2013-06-04 2016-06-10 전남대학교산학협력단 진화적 예측모델 생성 인공지능 프로그램이 결합된 수처리장의 인공지능 통합 제어시스템
JP2018092511A (ja) * 2016-12-07 2018-06-14 三菱重工業株式会社 運用支援装置、機器運用システム、運用方法、制御方法及びプログラム
KR101914285B1 (ko) 2018-05-15 2018-11-01 주식회사 코비 수처리시설의 통합 계장 계측 제어시스템
KR102037720B1 (ko) 2019-05-21 2019-11-26 에스텍아이앤씨(주) 지능형 펌프 제어장치

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220063041A (ko) * 2020-11-09 2022-05-17 한국전기연구원 인공지능을 이용한 전력시스템 자율운전방법 및 그 장치
KR102534183B1 (ko) * 2020-11-09 2023-05-18 한국전기연구원 인공지능을 이용한 전력시스템 자율운전방법 및 그 장치
CN112417619A (zh) * 2020-11-23 2021-02-26 江苏大学 一种基于数字孪生的泵机组优化运行调节系统及方法
CN112417619B (zh) * 2020-11-23 2021-10-08 江苏大学 一种基于数字孪生的泵机组优化运行调节系统及方法
CN114420220A (zh) * 2022-01-25 2022-04-29 湖南株冶有色金属有限公司 一种湿法炼锌中性浸出过程pH值的预测方法
KR102561410B1 (ko) * 2022-07-19 2023-07-31 주식회사 동양이엔씨 Ai 기반의 자율제어 통합 빌딩 자동제어 시스템
KR102565529B1 (ko) 2022-07-19 2023-08-14 주식회사 동양이엔씨 자율제어기반의 수처리 제어시스템 및 그 방법
KR102582270B1 (ko) 2022-09-16 2023-09-25 주식회사 이현정보 인공지능 기반의 자율 제어형 수처리 제어시스템
KR102632300B1 (ko) * 2023-08-30 2024-02-01 (주)잇츠솔루션 뉴럴 네트워크를 기반으로 기업의 환경 분야와 관련된 정보를 관리하는 방법 및 시스템

Similar Documents

Publication Publication Date Title
KR102131847B1 (ko) 기계학습을 이용한 수처리 자율 제어 시스템 및 그 방법
JP4722388B2 (ja) 統合型モデル予測制御機能ブロックおよびオプチマイザ機能ブロックのための設定および閲覧用表示画面
CN1969239B (zh) 用于检测与控制回路的过程增益相关的异常状况的系统和方法
Zhang et al. Recurrent neuro-fuzzy networks for nonlinear process modeling
CN109407654B (zh) 一种基于稀疏深度神经网络的工业数据非线性因果分析方法
US5859773A (en) Residual activation neural network
US10353351B2 (en) Machine learning system and motor control system having function of automatically adjusting parameter
JPH04127205A (ja) プロセス制御装置
JP2016006699A (ja) プロセス分析モデルと実際のプロセス動作とのオンライン整合
KR20000010791A (ko) 예측, 제어 및 최적화를 위한 동적 및 정상-상태 프로세스를 모델링하는 방법 및 장치
CN113837356A (zh) 基于融合神经网络的污水处理智能预测方法
CN101533261A (zh) 用于过程控制系统中的智能控制和监控的方法和设备
US9952574B2 (en) Machine learning device, motor control system, and machine learning method for learning cleaning interval of fan motor
CN109884892A (zh) 基于交叉相关时滞灰色关联分析的流程工业系统预测模型
EP3667439A1 (en) Predictions for a process in an industrial plant
US20180300442A1 (en) Circuit configuration optimization apparatus and machine learning device
CN116224947B (zh) 可主动融入领域规则知识的深度学习工业控制系统
Lindemann et al. Adaptive Quality Control for discrete large-scale Manufacturing Systems subjected to Disturbances
US20230229144A1 (en) Safety Interlock Recommendation System
CN116880191A (zh) 一种基于时序预测的过程工业生产系统的智能控制方法
US20140052425A1 (en) Method and apparatus for evaluating a model of an industrial plant process
EP2386987A1 (en) A method of reinforcement learning, corresponding computer program product, and data storage device therefor
JP2004293199A (ja) 水位制御方法および水位制御支援方法
KR100310609B1 (ko) 퍼지전문가장치를이용한피아이디제어기의계수조정장치및그의제어방법
JP2019184575A (ja) 測定動作パラメータ調整装置、機械学習装置及びシステム

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant