KR102396986B1 - 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템 - Google Patents

머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템 Download PDF

Info

Publication number
KR102396986B1
KR102396986B1 KR1020200083782A KR20200083782A KR102396986B1 KR 102396986 B1 KR102396986 B1 KR 102396986B1 KR 1020200083782 A KR1020200083782 A KR 1020200083782A KR 20200083782 A KR20200083782 A KR 20200083782A KR 102396986 B1 KR102396986 B1 KR 102396986B1
Authority
KR
South Korea
Prior art keywords
data
water quality
treatment process
water treatment
machine learning
Prior art date
Application number
KR1020200083782A
Other languages
English (en)
Other versions
KR20220005955A (ko
Inventor
윤재성
신인호
강경수
양훈혁
박동희
Original Assignee
주식회사 위코테크
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 주식회사 위코테크 filed Critical 주식회사 위코테크
Priority to KR1020200083782A priority Critical patent/KR102396986B1/ko
Publication of KR20220005955A publication Critical patent/KR20220005955A/ko
Application granted granted Critical
Publication of KR102396986B1 publication Critical patent/KR102396986B1/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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)

Abstract

본 발명은 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템에 관한 것으로서, 본 발명의 실시예에 따르면 외부에서 수처리 공정/운영 데이터를 수집하고, 머신 런닝을 통해 예측된 수질 측정값을 기반으로 공정을 제어하기 위해 외부와 통신 가능한 외부 인터페이스(100), 상기 외부 인터페이스(100)에서 수집된 수처리 공정/운영 데이터를 가공하는 수질측정시스템(200), 상기 수질측정시스템(200)에서 가공된 가공 데이터와, 원본 데이터를 전달받아 저장하며, 상기 수질 측정값도 가공하여 빅데이터를 저장하는 NAS 서버(300), 및 상기 NAS 서버(300)에 저장된 빅데이터를 머신 러닝으로 데이터 학습을 수행하는 파이썬 기반 머신 런닝 플랫폼(400)을 포함하는 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템을 제공한다.

Description

머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템{Intelligent water treatment process management system based on machine learning platform}
본 발명의 실시예들은 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템에 관한 것으로, 더욱 상세하게는 다양한 수처리 공정 데이터의 수집, 수집 데이터의 가공 및 저장, 머신 런닝 학습을 통해 최종 방류되는 수질 및 각 처리 공정의 수질을 예측할 수 있으며, 예측된 수질 값에 따른 각 처리 공정 상태를 진단하여 최적화된 수처리 공정을 운영하기 위한 의사결정 정보를 제공할 수 있을 뿐만 아니라 의사 결정에 따라 공정의 자동 제어가 가능한 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템에 관한 것이다.
일반적으로, 하수처리장은 다양한 수처리 공정(즉, 공법)에 따라 운영되고 있다. 대표적인 예로서 A/O 공법, MLE+응집침전 공법, A2O 공법, SBR 공법, Bardenpho 5단계 공법, PID 공법, DNR 공법, P/L Ⅱ 공법 등이 소개되어 있다.
예를 들어, A2O 공법은 질소 및 인을 제거하기 위한 혐기성(Anaerobic), 무산소(Anoxic), 호기성(Oxic)조로 구성된 부유성장 처리공정을 말한다. 수처리 공정에서의 주 목적은 유기물/인/질소/부유물질의 제거이다. A2O 공법의 적용 시, 생물학적 분해 유기물은 80 내지 90%, 부유물질은 80 내지 90%, 총질소는 50 내지 70%, 총인은 50 내지 90%의 제거율을 나타낸다.
생물학적 처리 단계인 혐기조/무산소조/호기조의 수리학적 체류시간인 HRT(Hydraulic Retention Time)는 대략 5 내지 8 시간이다. 구체적인 예로서, 혐기성조는 대략 0.5 내지 1.0시간이며, 무산소조는 대략 0.5 내지 1.0시간이며, 호기성조는 대략 3.5 내지 6.0시간이 된다.
고형물 체류시간(solid retention time, SRT)는 대략 4 내지 27일, F/M(food-to-microorganism ratio) 비는 대략 0.1 내지 0.3kgBOD/MLVSS/d로 일 단위로 표기되며, 미생물량에 따라 필요한 먹이의 양이다(BOD는 유기물로 보면 됨). MLSS(Mixed liquor suspended solid)는 대략 3,000 내지 5,000mg/L으로 호기조 내의 미생물량을 나타낸다. 이때, 유입되는 하수의 유기물/총질소 비는 12 이상 요구되며, 유기물 농도가 낮을 때에는 탄소원을 공급한다.
한편, 2차 침전지에서 혐기조로 슬러지를 반송하는 슬러지반송율은 대략 25 내지 50%이며, 호기조에서 무산소조로 반송하는 내부반송율은 대략 100 내지 200% 이다.
그런데 종래의 경우 법적 규제가 있는 하수처리장 방류구만 수질 자동측정기로 수질을 모니터링하고, 각 처리 공정의 수질은 수분석으로 설정 주기(예: 1 내지 5회/주 등)에 따라 분석하여 수처리 효율을 산출하였다. 하지만, 수분석에는 수시간이 소요되기 때문에 수처리 공정을 운영하는데 있어 사전 대응이 늦어, 주로 운영자의 경험에 의해 공정이 운영되어 정확한 수처리 공정 효율 산출이 어려운 단점이 있었다. 이에 따라 효율적인 수처리 공정 관리에 어려움이 따랐다.
또한, 수처리 공정에는 수질 분석 값 외에도 다양한 인자들이 있고, 다양한 인자들이 상관성을 가지고 있으나, 이를 분석하여 효율적인 공정 관리를 하기 위해서는 고급 기술 인력이 필요한 문제점이 있었다.
통상 기존의 하수처리장은 PLC(Programmable logic controller)와 같은 프로그램과 연동하여 각 공정의 운영상태와 각 공정의 수질 측정값을 모니터링하여 공정을 자동 제어할 수 있는 시스템은 갖춰줘 있다. 하지만 현재 공정 운영 상태를 확인하면서 대응하는 수준으로 수질 및 공정 운영 상태 등의 예측을 수행할 수는 없기 때문에 사전 대응이 어려운 실정이다.
게다가 기존의 빅데이터 분석은 주로 클라우드 기반으로 데이터를 서버로 전송하고, 서버에서 빅데이터 분석을 진행하고 있다. 그런데 이러한 기존의 방식은 별도의 서버를 구축하고 분석하여 네트워크를 통해 결과를 전송해야 하기 때문에 연산 효율, 네트워크 대기 시간 등의 제약이 있었다.
대한민국 공개특허공보 제10-2000-0049958호
발명의 목적은 각 수처리 공정의 수질 측정값 및 다양한 수처리 공정인자들의 정보를 수집하고, 과거 데이터(빅데이터)로부터 각 수질 측정값과 공정 관련 인자를 도출하며, 머신 런닝 학습을 통해 각 공정의 수질 측정값을 예측하고, 예측된 수질 측정값을 기반으로 공정 관리 의사 결정 정보를 제공하며 수처리 공정을 자동으로 제어할 수 있는 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템을 제공함에 있다.
본 발명의 실시예에 따르는 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템은 외부에서 수처리 공정/운영 데이터를 수집하고, 머신 런닝을 통해 예측된 수질 측정값을 기반으로 공정을 제어하기 위해 외부와 통신 가능한 외부 인터페이스(100); 상기 외부 인터페이스(100)에서 수집된 수처리 공정/운영 데이터를 가공하는 수질측정시스템(200); 상기 수질측정시스템(200)에서 가공된 가공 데이터와, 원본 데이터를 전달받아 저장하며, 상기 수질 측정값도 가공하여 빅데이터를 저장하는 NAS 서버(300); 및 상기 NAS 서버(300)에 저장된 빅데이터를 머신 러닝으로 데이터 학습을 수행하는 파이썬 기반 머신 런닝 플랫폼(400); 을 포함한다.
상기 NAS 서버(300)는, 상기 파이썬 기반 머신 런닝 플랫폼(400)에서 데이터 학습이 수행된 후 머신 러닝을 통해 예측된 수질 측정값과, 공정/운영 인자 제어 데이터를 저장할 수 있다.
상기 NAS 서버(300)는, 저장된 데이터를 실시간으로 상기 수질측정시스템의 UI를 통해 표기하여 사용자에게 의사결정 정보를 제공하며, 또한, 수처리 공정 자동 제어 신호를 상기 외부 인터페이스(100)를 통해 전달하여 수처리 공정의 자동 제어를 지령하도록 구성될 수 있다.
상기 외부 인터페이스(100)는 외부와 통신 가능한 통신 포트를 구비하며, 상기 통신 포트는, RS-232, RS-485, TCP/IP, WLAN, 4~20mA 중 적어도 하나를 포함한다.
상기 외부 인터페이스(100)는 복수의 수처리 공정 데이터를 수집하는 동시에, 외부의 수처리 공정 중앙제어실 PLC와 연동하여 공정 운영 데이터를 수집하며, 상기 외부 인터페이스(100)는 수처리 공정의 자동 제어를 위한 출력 포트를 더 구비할 수 있다.
상기 외부 인터페이스(100)에서 수집된 데이터는 상기 수질측정시스템(200)을 거쳐 상기 NAS 서버(300)에 저장되며, 상기 NAS 서버(300)는, 상기 NAS 서버(300)에 저장된 원본 데이터의 데이터 분류 작업을 진행하여 각 공정별 수질 및 공정 인자 예측을 위한 그룹화 작업을 수행하고, 상기 그룹화 작업의 수행 이후, 각 그룹 내에 수집된 과거 데이터를 활용하여 각 수질 측정값과 공정 인자 운영 결과로부터 상관성 분석을 통해 각 수질 측정값에 영향을 주는 공정 인자를 도출할 수 있다.
상기 NAS 서버(300)는, 과거 데이터 중 비정상적인 데이터는 정상 가동 범위를 설정할 수 있도록 상기 비정상 데이터를 자동으로 제외시키도록 처리한 다음, 상기 상관성 분석을 실시하며, 과거 데이터가 없는 경우 상기 수질측정시스템(200)에서 제공하는 UI에서 운영 중인 데이터를 기반으로 각 공정 운영 값을 수동으로 입력 받아 입력 값 기반으로 수집되는 데이터에 대한 상기 상관성 분석을 실시할 수 있다.
상기 NAS 서버(300)에서 그룹화 된 과거 데이터는 파이썬 기반 머신 런닝 플랫폼(400)을 통해서 학습이 진행되고, 수질 측정값 및 공정 운영 인자 운영 값의 예측이 가능할 수 있다.
상기 파이썬 기반 머신 런닝 플랫폼(400)은, 1차적으로 회귀분석 기법을 적용하여 데이터 학습을 진행하여, 수질 측정값 및 공정 인자 예측을 수행하고, 상기 1차적으로 수행된 예측 결과에 로지스틱 회귀분석 기법을 적용하여 데이터 검증을 통해 데이터 신뢰성을 확보할 수 있다.
상기 수질측정시스템(200)은, 상기 외부 인터페이스(100)를 통해 수집된 공정 운영 인자와 수질 측정값을 가공하고, 수처리 자동 공정 제어용 UI를 제공할 수 있다.
본 발명에 의하면 다양한 수처리 공정 데이터(예: 공정 운영인자, 수질 측정데이터, 기상 데이터 등)를 수집하고, 수집한 데이터를 가공하여 자체 서버에 저장할 수 있다.
또한, 본 발명에 의하면 저장된 데이터를 머신 런닝 학습을 통해 최종 방류되는 수질 및 각 처리 공정의 수질을 예측하고, 예측된 수질 값에 따른 각 처리 공정 상태를 진단할 수 있다.
또한, 본 발명에 의하면 예측된 수질 값에 따른 각 처리 공정 상태의 진단 결과에 근거하여 최적화된 수처리 공정을 운영하기 위한 의사결정 정보를 제공할 수 있으며, 이에 따라 공정의 자동 제어가 가능한 장점이 있다.
상술한 효과와 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.
도 1은 일반적은 수처리 공정을 보여주는 개념도.
도 2는 본 발명의 실시예에 따른 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템의 개념도.
도 3은 본 발명의 실시예에 따른 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템에서 A2O 공법 그룹화 과정을 간략히 도시한 도면.
도 4는 본 발명의 실시예에 따른 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템에서 상관성 분석의 예시를 보여주는 이미지.
도 5 및 도 6은 본 발명의 실시예에 따른 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템에서 회귀분석 및 로지스틱 회귀분석의 예시를 보여주는 그래프들.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시 예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시 예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시 예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시 예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시 예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭하며, 길이 및 면적, 두께 등과 그 형태는 편의를 위하여 과장되어 표현될 수도 있다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시 예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
수처리 공정
도 1은 일반적은 수처리 공정을 보여주는 개념도이다. 도 1을 참조하여, 수처리 공정을 설명하기로 한다.
먼저, 하수처리장으로 하수가 유입된다. 유입 하수는 처리장에 따라 생활하수/분뇨/축산 폐수 등 성상이 다양할 수 있다. 예를 들어, 생활하수가 100% 유입되는 처리장이 있는 반면, 분뇨와 축산 폐수 연계처리를 하는 하수처리장도 있다. 침사지(10)는 체류시간은 약 30초 정도로 하수와 함께 유입된 흙, 모래 및 각종 찌꺼기 등 고형물을 제거한다. 돌, 모래 등 비중이 큰 물질은 침전시키고, 플라스틱 등 물에 뜨는 물질은 스크린 장치를 통해 걸러낼 수 있다. 침사지의 후단의 하수는 유입펌프를 통해 1차 침전지(20)로 이송될 수 있다. 1차 침전지(20)에서는 하수 체류시간이 대략 2 내지 3시간 정도이며, 하수중의 미세한 미립자가 침전되며, 유기물의 30% 정도, 부유물질이 35%가 제거될 수 있다.
혐기조(30)/무산소조(40)/호기조(50)는 생물학적 처리 단계로 미생물에 의해 유기물/질소/인이 제거될 수 있다.
1차 침전지(30)에서 혐기조(30)로 하수가 유입되며, 혐기조(30)에서는 미생물에 의한 인의 방출이 이루어질 수 있다. 다시 말해, 혐기조(30)에서는 미생물에 의해 쉽게 분해되는 유기물이 분해되어 인을 방출하며, 제한 인자로는 O2/NO2- /NO3- /SO3- 등이 있다.
무산소조(40)는 탈질이 이루어지는 조로서, 탈질 미생물에 의해 NO3-가 하기 식에 따라 탈질이 되어 N2 형태로 공기중으로 방출될 수 있다.
Figure 112020070661512-pat00001
탈질 작용에 관여하는 미생물은 많은 종류가 있으나 예를 들어 대표적인 미생물로는 Pseudomonas 와 Bacillus가 있다. 탈질 미생물들은 종속 영양균에 속하므로 성장을 위해 외부로부터 영양분(탄소)을 공급받아야 하는데, 외부 탄소원으로 사용 가능한 물질들은 메탄올, 아세트산, 메탄, 하수 등 유기물이 있다.
호기조(50)는 질산화가 이루어지는 조로서, 질산화 미생물에 의해서 하기 식에 따라 질산화가 진행되며, 송풍기로 충분한 산소가 공급되어야 미생물의 의해서 질산화가 원활하게 진행될 수 있다.
Figure 112020070661512-pat00002
한편, 질산화가 진행된 하수는 무산소조(40)로 반송되고, 무산소조(40)에서 탈질 된 후 공기 중으로 N2가스로 방출될 수 있다.
2차 침전지(60)에서는 생물반응조에서 처리된 혼합물을 고액 분리시켜 처리한다. 침전 슬러지는 혐기조(30)로 반송되고, 잉여 슬러지는 농축 탈수시켜 처리된다.
한편, 2차 침전지(60)에서 침전되고 남은 상등액은 방류될 수 있다. 만일, 총인이 높을 경우, 총인 고도처리시설(70)을 통해 약품 투입 후 총인을 침전시켜 상등액만 방류시킬 수 있다.
머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템
도 2는 본 발명의 실시예에 따른 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템의 개념도이다.
본 발명의 실시예에 따른 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템(1000)은 외부 인터페이스(100), 수질측정시스템(200), NAS(Network access server)서버(300), 파이썬 기반 머신 런닝 플랫폼(400)을 포함한다.
외부 인터페이스(100)는 공정 운영 데이터를 수집하고 머신 런닝을 통해 예측된 수질 측정값을 기반으로 공정을 제어할 수 있는 통신 포트로 구성될 수 있다.
외부 인터페이스(100)에 의해 외부에서 수집된 공정데이터는 수질측정시스템(200)에서 가공될 수 있다.
수질측정시스템(200)에서 가공된 데이터는 원본 데이터와 함께 NAS 서버에 저장되고, 수질 측정값도 가공되어 NAS 서버(300)에 저장될 수 있다.
NAS 서버(300)에 저장된 빅데이터는 파이썬 기반 머신 런닝 플랫폼(400)을 통해서 데이터 학습이 진행된다.
파이썬 기반 머신 런닝 플랫폼(400)을 통해 데이터 학습이 진행된 후 예측된 수질 측정값과 공정 인자 제어 데이터는 NAS 서버(300)에 저장될 수 있다.
한편, NAS 서버(300)에 저장된 데이터는 실시간으로 수질측정시스템 UI에 표기되어 사용자에게 의사결정 정보를 제공할 수 있다. 나아가, 수처리 공정 자동 제어 신호를 외부 인터페이스(100)를 통해 지령 전달하여 수처리 공정의 자동 제어가 가능할 수 있다.
이하, 본 발명의 실시예에 따른 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템(1000)을 구성하는 외부 인터페이스(100), 수질측정시스템(200), NAS(Network access server)서버(300), 파이썬 기반 머신 런닝 플랫폼(400)에 관하여 보다 상세히 설명하기로 한다.
외부 인터페이스
외부 인터페이스(100)는 다양한 통신 포트로 구성될 수 있다. 예를 들어, 외부 인터페이스(100)에 구성되는 통신 포트에는 RS-232, RS-485, TCP/IP, WLAN, 4~20mA 중 적어도 하나 이상이 포함될 수 있다. 외부 인터페이스(100)는 통신 포트를 이용하여 다양한 수처리 공정 데이터를 수집할 수 있으며, 수처리 공정 중앙제어실 PLC와 연동하여 공정 운영 자료를 수집할 수 있다.
또한, 외부 인터페이스(100)는 공정제어를 위한 적어도 하나의 출력 포트를 구비할 수 있다. 이에 따라, 수질측정시스템(200)에서 출력된 신호에 의해 자동화된 방식으로 공정 제어가 가능할 수 있다.
수질측정시스템
수질측정시스템(200)은 외부 인터페이스(100)를 통해 수집된 공정 운영 인자와 수질 측정값을 가공한다. 그리고 수질측정시스템(200)에서 가공된 데이터는 NAS 서버(300)에 저장된다.
수질측정시스템(200)은 수처리 자동 공정 제어용 UI를 제공한다. 예를 들어, 수처리 자동 공정 제어용 UI에는 다양한 수처리 공정 라이브러리가 있으며, 수처리 공정을 선택, 선택한 수처리 공정에서 각 공정 변수 선택 및 설정, 데이터 가공 변수 설정, 및 수질 측정 화면 선택 및 변수 설정이 가능한 장점이 있다.
이하, 수처리 공법 중 A2O 공법의 각 공정별 공정/운영 인자와 수질 측정항목에 관하여 살펴보기로 한다.
먼저, 유입 공정 단계에서, 공정/운영 인자에는 하수유입유량, 우수유입유량이 포함되고, 수질 측정 항목에는 TN(총질소), TP(총인), TOC(총유기탄소-유기물), pH(수소이온농도), SS(부유물질), Conductivity(전기 전도도)가 포함된다. 하수유입유량과 우수유입유량 각각은 유입 유량을 통해 수질 측정항목과 연동하여 유입 부하량 산출이 가능하고, 유입 부하량에 따라 전체 공정 운영 방향을 결정할 수 있다. 또한 TN(총질소)는 질소 유입 부하량을 파악할 수 있으며, TP(총인)는 인 유입 부하량을 파악할 수 있다. TOC(총유기탄소-유기물)는 유기물 유입 부하량을 파악할 수 있으며, pH(수소이온농도)는 적정 pH를 벗어난 폐수 유입 시 파악할 수 있다. SS(부유물질)은 부유물질 농도에 따라 1차 침전지에서 하수 체류시간을 결정하고, Conductivity(전기 전도도)는 오염원 유입 파악-공단 폐수와 음식물 처리수 유입시 전기 전도도가 일반 하수보다 높게 측정되며 생물반응조 미생물에 반응에 영향을 준다. 그리고 생물반응조 운영은 미생물 반응이므로 유입 수온을 파악하여 유입 단계 이후 공정 운영에 참고 자료로 활용할 수 있다.
다음으로, 침사지/스크린조 단계에서는, 침사지는 별다른 공정이 없으며, 큰 이물질을 스크린으로 걸러내고, 짧은 기간 하수가 체류하여 큰 돌 또는 모래 등을 침전시킨다.
다음으로, 1차 침전지 단계에서는, 공정/운영 인자에는 유입하수 체류시간(SRT), 펌프 유속, 침전 슬러지 량이 포함되고, 수질 측정 항목에는 NH3-N(암모니아성 질소), NO3-N(질산성질소), TOC(총유기탄소-유기물), pH(수소이온농도), SS(부유물질), ORP(산화환원전위), 수온이 포함된다. 유입하수 체류시간(SRT)은 유입 시설 SS를 기반으로 체류시간을 조절하여 적정하게 SS가 침전되도록 하여 유입하수가 흘러가면서 침전지에서 체류하는 시간으로 유기물과 SS가 제거된다. 펌프 유속은 침사지의 하수를 압송하여 1차 침전지로 이송하기 위해 파악될 필요성이 있다. 또한 침전 슬러지 량은 침전 슬러지 량과 실제 유기물 /SS 제거 효율을 계산하는데 필요하다. 또한 NH3-N(암모니아성 질소)는 생물반응조(혐기조/무산소조/호기조)에 유입되기 전 암모니아성 질소 농도를 파악하기 위해 필요하다. NO3-N(질산성질소)는 혐기조에 유입시 미생물 대사 방해물질로 작용하기 때문에 측정한다. TOC(총유기탄소-유기물)는 유입하수와 비교하여 침전되고 남은 유기물 농도를 파악하는데 필요하다. pH(수소이온농도)는 생물반응조에 유입하기 전에 적정 pH 확인이 요구된다. SS(부유물질)는 침전지 후단 유입시설 SS와 비교하여 SS 제거효율의 파악이 가능하게 해준다. ORP(산화환원전위)는 혐기조 유입 전 ORP를 파악하여 혐기조 유입 ORP에 따른 혐기조 미생물에 의한 인 방출에 영향정도를 확인 가능하게 해준다.
다음으로 혐기조 단계에서는 공정/운영 인자에는 체류시간(SRT), 교반 속도, 외부 슬러지 반송량이 포함되고, 수질 측정 항목에는 ORP(산화환원전위), 수온이 포함될 수 있다. 체류시간(SRT)은 하수가 혐기조, 예를 들어 산소 및 유사한 전자 수용체가 없는 조건하에서 혐기조에 흐르면서 미생물에 의해 분해되기 쉬운 유기물이 분해되면서 인이 방출되는 단계에서 하수 체류시간의 파악이 필요하다. 교반 속도는 혐기조 내 미생물이 침전을 방지하며, 유입 하수와 잘 섞여 반응이 잘 일어나도록 해준다. 외부 슬러지 반송량은 2차 침전지에서 침전된 슬러지 일부가 혐기조로 유입되며 유입 슬러지 량을 조절하여 유입하수와 섞여 적정 미생물 양을 유지하도록 한다. 또한 ORP(산화환원전위)는 혐기조 ORP를 측정하여 현재 혐기조의 산화환원 상태를 파악하게 해준다.
다음으로 무산소조 단계에서는 공정/운영 인자에는 체류시간(SRT), 내부 반송, 교반 속도, 탄소원 주입량이 포함되고, 수질 측정 항목에는 NO3-N(질산성질소), DO(용존산소), pH(수소이온농도), MLSS, ORP(산화환원전위), 수온이 포함될 수 있다. 체류시간(SRT)은 하수가 흐르면서 하수 속의 NO3-N(질산성 질소)가 미생물에 의해 N2 가스로 전환되어 공기중으로 방출되는 단계의 하수 체류시간이다. 내부 반송은 호기조에서 NO3-N화된 질소를 포함한 하수가 무산소조로 유입되는 반송 하수량이다. 교반 속도는 무산소조는 산소가 없는 조건을 조성해줘야 하기 때문에 교반 장치를 사용하여 하수와 미생물 반응이 잘 일어날 수 있도록 교반이 필요하다. 탄소원 주입양은 NO3-N을 N2로 환원시키기 위해서는 미생물 반응에 의해 진행되며, 미생물이 탄소원을 소모하여 에너지를 얻어 탈질(즉, N2로 환원)시키는데 탄소원이 부족하면 탈질이 효율이 떨어지기 때문에 조건에 따라 탄소원을 주입한다. 예를 들어, 탄소원은 아세트산, 메탄올 등이 이용될 수 있다. 또한 NO3-N(질산성질소)는 유입 및 유출 단에서의 질산성 질소 농도를 측정하여 탈질 효율을 산출한다. DO(용존산소)는 미생물에 의한 탈질을 방해하는 요인으로 하수내 산소 농도를 파악하도록 해준다. pH(수소이온농도)는 반응이 일어나는 최적 pH를 확인한다. MLSS (혼합액 현탁고형물)은 무산소조 미생물 양을 확인한다. ORP(산화환원전위)는 무산소조 ORP를 측정하여 현재 혐기조의 산화환원 상태를 파악하도록 해준다.
다음으로 호기조 단계에서는 공정/운영 인자에는 체류시간(SRT), 내부 반송, 송풍 량이 포함되고, 수질 측정 항목에는 NH3-N(암모니아성질소), DO(용존산소), MLSS, 수온이 포함될 수 있다. 체류시간(SRT)은 하수가 흐르면서 하수 속의 NH3-N(암모니아성 질소)가 미생물에 의해 NO3-N으로 전환되는 단계의 하수 체류시간이다. 내부 반송은 호기조에서 NO3-N화 된 질소를 포함한 하수가 무산소조로 유입되는 반송 하수량이다. 송풍 량은 미생물에 의해 NH3-N(암모니아성 질소)가 NO3-N으로 전환되기 위해서는 충분한 양의 산소가 필요한데, 송풍기로 송풍 량을 제어한다. 또한 NH3-N(암모니아성질소)는 유입 및 유출 단의 암모니아성 질소 농도를 측정하여 질산화 효율을 산출한다. DO(용존산소)는 호기조 내 용존 산소 농도를 파악한다. MLSS(혼합액 현탁고형물)는 호기조 내 미생물 양을 확인한다. 수온은 생물반응조 내 미생물 반응에 가장 큰 영향을 준다. 따라서 호기조 내 수온을 파악한다.
다음으로 2차 침전지 단계에서는 공정/운영 인자에는 체류시간(SRT), 외부 반송, 외부 반송량, 잉여 슬러지 양, 슬러지 계면 높이 등이 포함되고, 수질 측정 항목에는 TN(총질소), TP(총인), TOC(총유기탄소-유기물), NO3-N(질산성질소), PO4-P(인산염인), 수온이 포함될 수 있다. 체류시간(SRT)은 호기조에서 유입된 하수가 흐르면서 체류하는 시간으로 MLSS를 침전시키는 단계로 상등액은 다음 공정으로 이송되며 침전된 슬러지는 외부 반송되거나, 폐기될 수 있다. 외부 반송은 혐기조 미생물량을 유지하기 위해 혐기조로 반송되는 슬러지량/농도에 따른다. 외부 반송량은 펌프로 혐기조로 슬러지를 반송하며, 펌프 유속과 관련이 있다. 잉여 슬러지 양은 외부 반송되고 남은 슬러지는 폐기 처리되며, 이 슬러지 양/농도와 관련이 있다. 슬러지 계면 높이는 침전된 슬러지와 상층의 물이 구별되는 경계면과 관련이 있다. 또한 TN(총질소)는 생물학적 처리 후 총질소 농도를 파악하여 최초 유입시설 부하량 대비 처리 효율을 분석하는데 필요하다. TP(총인)는 생물학적 처리 후 총인 농도를 파악하여 최초 유입시설 부하량 대비 처리 효율을 분석하는데 필요하다. TOC(총유기탄소-유기물)는 생물학적 처리 후 TOC 농도를 파악하여 최초 유입시설 부하량 대비 처리 효율을 분석하는데 필요하다. NO3-N(질산성질소)은 생물학적 처리 후 2차 침전지의 질산성 질소 농도를 파악하도록 해준다. 침전된 슬러지의 외부 반송 시 질산성 질소가 혐기조로 유입되면 인방출 저해인자로 작용할 수 있다. PO4-P(인산염인)는 인산염 인 농도를 파악하여 최종 방류를 할 것인지 또는 총인 고도 처리를 진행할 것인지 결정하는데 필요하다.
다음으로, 총인 고도 처리 단계에서, 공정/운영 인자는 체류시간(SRT), 응집제 투입량, 유입 유량 등이 포함되고, 수질 측정 항목은 PO4-P(인산염인), pH, 수온 등이 포함될 수 있다. 체류시간(SRT)은 2차 침전지에서 유입되는 하수가 총인 고도 처리에서 체류하는 시간이다. 유입되는 하수의 총인 농도가 높을 경우 응집제 등의 약품을 투입하여 총인을 응집 침전시켜 하수 내 총인 농도를 저감할 수 있다. 응집제 투입량은 총인을 저감하기 위해 투입되는 응집제의 양이다. 유입 유량은 유입 유량과 인산염인 측정값을 기반으로 응집제 투입량을 결정할 수 있다. 또한 PO4-P(인산염인)은 총인 고도 처리 유입 및 유출 단 각각에서 인산염 인을 측정하여 응집제 투입량에 따른 제거효율을 산출하고, 응집제 투입량을 결정하는데 필요하다. pH는 응집제 투입에 따른 pH 변화를 확인한다. 수온은 총인 고도 처리 시설의 수온 변화를 파악하는데 필요하다.
다음으로 소독 설비 단계에서는, 공정/운영 인자는 소독제 투입량, 유입 유량, UV 램프 가동 상태/시간 등이 포함된다. 소독제 투입량은 방류 전에 하수내 미생물을 제거하기 위해 소독제를 투입한다. 그리고 유입 유량에 따라 소독제 주입량을 결정할 수 있다. 한편, UV lamp 가동 상태/시간은 소독제 대신 하수를 소독하기 위해 UV lamp를 사용하는 경우에 해당 가능하다. 그리고 방류 단계에서는, 공정/운영 인자는 방류 유량, 우수 유입 유량이 포함되고, 수질 측정 항목은 TN(총질소), TP(총인), COD(화학적산소요구량-유기물), pH, SS, 수온 등이 포함될 수 있다. TN(총질소)는 최종 방류되는 총질소 농도를 확인하여 파악한다. TP(총인)는 최종 방류되는 총인 농도를 확인하여 파악한다. COD(화학적산소요구량-유기물)는 최종 방류되는 유기물 농도 확인할 수 있다. pH는 최종 방류되는 pH를 확인하고, SS는 최종 방류되는 부유물질을 확인하며, 수온은 최종 방류되는 처리수 온도를 확인하여 파악한다. 기상정보 단계에서는 기상정보를 수집하는데, 기상 API를 통해 데이터 수집을 한다. 수집 항목에는 기온, 강수량, 강설량, 풍량, 풍속, 기압 습도가 포함될 수 있다.
NAS 서버
외부 인터페이스(100)를 통해 수집된 데이터는 수질측정시스템(200)을 통해 NAS 서버(300)에 저장된다.
NAS 서버(300)에 저장된 원본 데이터는 데이터 분류 작업이 진행되어 그룹화 작업이 진행될 수 있다. NAS 서버(300)에서는 각 공정의 수질 및 공정 인자 예측을 위해 그룹화 작업이 진행되는데, 도 3은 A2O 공법 그룹화 과정을 간략히 나타낸 것이다. 유입은 후단 공정의 영향을 받지 않기 때문에 유입과 기상 데이터를 그룹화 한다(제1 그룹). 그리고 관련 후단 공정은 서로 연관성 있는 공정끼리 그룹화 진행할 수 있다. 다만, 도 3에 도시된 A2O 공법 그룹화 과정은 바람직한 하나의 예시일 뿐, 반드시 이에 제한되지는 않으며 통상의 기술자에게 자명한 다양한 형태로 조금씩 변경되어도 무방하다.
NAS 서버(300)는 그룹화 작업의 진행 후, 각 그룹 내 수집된 과거 데이터를 활용해 각 수질 측정값과 공정 인자 운영 결과로부터 상관성 분석을 통해 각 수질 측정값에 영향을 주는 공정 인자를 도출해 낼 수 있다.
NAS 서버(300)는 과거 데이터 중 비정상적인 데이터(예: 측정값 오류, 공정 고장 등)는 정상 가동 범위를 설정할 수 있도록 하여 자동으로 비정상 데이터가 제외될 수 있도록 처리한 다음, 데이터 상관성 분석을 진행한다. 이에 따라, 상관성 있는 인자의 데이터는 그룹화 되어 NAS 서버(300)에 저장될 수 있다. 예를 들어, 상관성 분석은 다양한 수질 측정값과 공정인자를 피어슨 상관계수에 의해 산출하고, 산출된 상관계수에 따라 상관계수가 높은 공정 인자를 자동 제어 우선 순위로 설정할 수 있다.
한편, NAS 서버(300)는 과거 데이터가 없는 경우 수질측정시스템(200)에서 제공하는 UI에서 현재 운영중인 데이터를 기반으로 각 공정 운영 값을 수동으로 입력 받아 입력 값 기반으로 수집되는 데이터의 상관성 분석 및 자동 공정제어 우선 순위 결정이 가능해질 수 있다. 도 4는 본 발명의 실시예에 따른 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템에서 상관성 분석의 예시를 보여준다.
파이썬 기반 머신 런닝 플랫폼
NAS 서버(300)에서 그룹화 된 과거 데이터는 파이썬 기반 머신 런닝 플랫폼(400)을 통해서 학습이 진행되고, 수질 측정값 및 공정 운영 인자 운영 값을 예측하여 공정 자동 제어를 위한 정보를 제공할 수 있다.
한편, 수질측정시스템(200)의 UI에서 수질 측정값 목표치를 설정할 수 있으며, 수질 측정값 목표 대비 수질 예측 값에 차이가 있을 경우 머신 런닝 플랫폼(400)에서 목표 수질 측정값을 달성하기 위해 학습 데이터로부터 공정 인자 운영 값을 산출하여 제시할 수 있다. 이 공정 인자 운영 값은 수질측정시스템(200)의 UI에 산출되어 공정 운영을 위한 의사결정 정보로 제공될 수 있다. 게다가 이 정보를 기반으로 수처리 공정 인자를 자동으로 제어할 수 있다.
도 5는 본 발명의 실시예에 따른 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템에서 회귀분석의 예시를 보여준다. 파이썬 기반 머신 런닝 플랫폼(400)은 1차적으로 회귀분석 법을 적용하여 학습을 진행하여 수질 측정값 및 공정 인자 예측을 수행할 수 있다. 그리고 상기의 1차적으로 산출된 예측 값은 로지스틱 회귀분석을 통해 데이터 검증을 통해 데이터 신뢰성을 확보할 수 있다. 도 6은 본 발명의 실시예에 따른 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템에서 로지스틱 회귀분석의 예시를 보여준다.
이와 같이, 각 수처리 공정의 수질 측정값 및 다양한 수처리 공정 인자들의 정보를 수집하고, 과거 데이터(빅데이터)로부터 각 수질 측정값과 공정 관련 인자를 도출하며, 머신 런닝 학습을 통해 각 공정의 수질 측정값을 예측할 수 있다. 그리고 예측된 수질 측정값을 기반으로 공정 관리 의사 결정 정보를 제공하고, 수처리 공정을 자동으로 제어할 수 있다.
상술한 바와 같이, 본 발명의 구성 및 작용에 의하면 다양한 수처리 공정 데이터(예: 공정 운영인자, 수질 측정데이터, 기상 데이터 등)를 수집하고, 수집한 데이터를 가공하여 자체 서버에 저장할 수 있다. 그리고 저장된 데이터를 머신 런닝 학습을 통해 최종 방류되는 수질 및 각 처리 공정의 수질을 예측하고, 예측된 수질 값에 따른 각 처리 공정 상태를 진단할 수 있다. 그리고 각 처리 공정 상태의 진단 결과에 근거하여 최적화된 수처리 공정을 운영하기 위한 의사결정 정보를 제공할 수 있으며, 이에 따라 공정의 자동 제어가 가능하다.
이상과 같이 본 발명에 대해서 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상의 범위 내에서 통상의 기술자에 의해 다양한 변형이 이루어질 수 있음은 자명하다. 아울러 앞서 본 발명의 실시예를 설명하면서 본 발명의 구성에 따른 작용 효과를 명시적으로 기재하여 설명하지 않았을지라도, 해당 구성에 의해 예측 가능한 효과 또한 인정되어야 함은 당연하다.
100: 외부 인터페이스
200: 수질측정시스템
300: NAS 서버
400: 파이썬 기반 머신 런닝 플랫폼
1000: 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템

Claims (10)

  1. 외부에서 수처리 공정/운영 데이터를 수집하고, 머신 런닝을 통해 예측된 수질 측정값을 기반으로 공정을 제어하기 위해 외부와 통신 가능한 외부 인터페이스(100);
    상기 외부 인터페이스(100)에서 수집된 수처리 공정/운영 데이터를 가공하는 수질측정시스템(200);
    상기 수질측정시스템(200)에서 가공된 가공 데이터와, 원본 데이터를 전달받아 저장하며, 상기 수질 측정값도 가공하여 빅데이터를 저장하는 NAS 서버(300);
    상기 NAS 서버(300)에 저장된 빅데이터를 머신 러닝으로 데이터 학습을 수행하는 파이썬 기반 머신 런닝 플랫폼(400);을 포함하고,
    상기 NAS 서버(300)는, 상기 파이썬 기반 머신 런닝 플랫폼(400)에서 데이터 학습이 수행된 후 머신 러닝을 통해 예측된 수질 측정값과, 공정/운영 인자 제어 데이터를 저장하는 것을 특징으로 하며,
    상기 NAS 서버(300)는, 저장된 데이터를 실시간으로 상기 수질측정시스템의 UI를 통해 표기하여 사용자에게 의사결정 정보를 제공하며, 또한, 수처리 공정 자동 제어 신호를 상기 외부 인터페이스(100)를 통해 전달하여 수처리 공정의 자동 제어를 지령하는 것을 특징으로 하고,
    상기 외부 인터페이스(100)와 수질측정시스템(200)과, NAS 서버(300)와 파이썬 기반 머신 런닝 플랫폼(400)은,
    흙, 모래 및 각종 찌꺼기 등 고형물을 제거하는 침사지(10)와,
    상기 침사지(10)와 유입펌프를 통해연결되어 하수중의 미세한 미립자가 침전되며, 유기물의 30% 정도, 부유물질이 35%가 제거되도록 하는 1차 침전지(20)와,
    상기 1차 침전지(20)를 통과한 하수가 유입되어 미생물에 의한 인의 방출이 되도록 하는 혐기조(30)와,
    상기 혐기조(30)를 통과한 하수가 유입되어 탈질이 이루어지도록 하는 무산소조(40)와,
    상기 무산소조(40)를 통과한 하수가 유입되어 질산화가 이루어지도록 하는 호기조(50)와,
    상기 호기조(50)를 통과한 하수인 혼합물이 유입되어 혼합물을 고액분리시켜 처리하고, 침전 슬러지는 다시 혐기조(30)로 반송하고, 잉여 슬러지는 농축 탈수시켜 처리하는 2차 침전지(60)와,
    상기 2차 침전지(60)에서 침전되고 남은 상등액은 방류되되 총인이 설정된 값보다 높을 경우 약품을 투입하여 총인을 침전시키고 상등액만 방류시키는 총인 고도처리시설(70)을 제어하는 것을 특징으로 하는 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 외부 인터페이스(100)는 외부와 통신 가능한 통신 포트를 구비하며,
    상기 통신 포트는,
    RS-232, RS-485, TCP/IP, WLAN, 4~20mA 중 적어도 하나를 포함하는 것을 특징으로 하는,
    머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템.
  5. 제4항에 있어서,
    상기 외부 인터페이스(100)는 복수의 수처리 공정 데이터를 수집하는 동시에, 외부의 수처리 공정 중앙제어실 PLC와 연동하여 공정 운영 데이터를 수집하며,
    상기 외부 인터페이스(100)는 수처리 공정의 자동 제어를 위한 출력 포트를 더 구비하는 것을 특징으로 하는
    머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템.
  6. 제5항에 있어서,
    상기 외부 인터페이스(100)에서 수집된 데이터는 상기 수질측정시스템(200)을 거쳐 상기 NAS 서버(300)에 저장되며,
    상기 NAS 서버(300)는,
    상기 NAS 서버(300)에 저장된 원본 데이터의 데이터 분류 작업을 진행하여 각 공정별 수질 및 공정 인자 예측을 위한 그룹화 작업을 수행하고,
    상기 그룹화 작업의 수행 이후, 각 그룹 내에 수집된 과거 데이터를 활용하여 각 수질 측정값과 공정 인자 운영 결과로부터 상관성 분석을 통해 각 수질 측정값에 영향을 주는 공정 인자를 도출하는 것을 특징으로 하는
    머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템.
  7. 제6항에 있어서,
    상기 NAS 서버(300)는,
    과거 데이터 중 비정상적인 데이터는 정상 가동 범위를 설정할 수 있도록 상기 비정상 데이터를 자동으로 제외시키도록 처리한 다음, 상기 상관성 분석을 실시하며,
    과거 데이터가 없는 경우 상기 수질측정시스템(200)에서 제공하는 UI에서 운영 중인 데이터를 기반으로 각 공정 운영 값을 수동으로 입력 받아 입력 값 기반으로 수집되는 데이터에 대한 상기 상관성 분석을 실시하는 것을 특징으로 하는
    머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템.
  8. 제6항에 있어서,
    상기 NAS 서버(300)에서 그룹화 된 과거 데이터는 파이썬 기반 머신 런닝 플랫폼(400)을 통해서 학습이 진행되고, 수질 측정값 및 공정 운영 인자 운영 값의 예측이 가능한 것을 특징으로 하는
    머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템.
  9. 제8항에 있어서,
    상기 파이썬 기반 머신 런닝 플랫폼(400)은,
    1차적으로 회귀분석 기법을 적용하여 데이터 학습을 진행하여, 수질 측정값 및 공정 인자 예측을 수행하고,
    상기 1차적으로 수행된 예측 결과에 로지스틱 회귀분석 기법을 적용하여 데이터 검증을 통해 데이터 신뢰성을 확보하는 것을 특징으로 하는
    머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템.
  10. 제1항에 있어서,
    상기 수질측정시스템(200)은,
    상기 외부 인터페이스(100)를 통해 수집된 공정 운영 인자와 수질 측정값을 가공하고, 수처리 자동 공정 제어용 UI를 제공하는 것을 특징으로 하는
    머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템.
KR1020200083782A 2020-07-07 2020-07-07 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템 KR102396986B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200083782A KR102396986B1 (ko) 2020-07-07 2020-07-07 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200083782A KR102396986B1 (ko) 2020-07-07 2020-07-07 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템

Publications (2)

Publication Number Publication Date
KR20220005955A KR20220005955A (ko) 2022-01-14
KR102396986B1 true KR102396986B1 (ko) 2022-05-13

Family

ID=79343096

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200083782A KR102396986B1 (ko) 2020-07-07 2020-07-07 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템

Country Status (1)

Country Link
KR (1) KR102396986B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101479513B1 (ko) * 2014-06-17 2015-01-07 코오롱엔솔루션(주) 상관관계분석을 이용한 하·폐수처리장 통합운영 제어장치

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100384684B1 (ko) 2000-05-09 2003-05-22 주식회사 웹사랑 인터넷을 이용한 수처리 공정 관리 방법
KR100456413B1 (ko) * 2002-06-21 2004-11-10 에치투엘 주식회사 신경회로망 및 역전파 알고리즘에 의한 하폐수처리인공지능제어 시스템 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101479513B1 (ko) * 2014-06-17 2015-01-07 코오롱엔솔루션(주) 상관관계분석을 이용한 하·폐수처리장 통합운영 제어장치

Also Published As

Publication number Publication date
KR20220005955A (ko) 2022-01-14

Similar Documents

Publication Publication Date Title
KR101904985B1 (ko) 생물반응조 종합관리 자동제어 시스템을 이용하여 질소 제거 효율을 향상시킨 하수 고도처리장치 및 처리방법
CA2225456C (en) Controlling wastewater treatment by monitoring oxygen utilisation rates
US5989428A (en) Controlling wastewater treatment by monitoring oxygen utilization rates
KR20190063615A (ko) 생물반응조 종합관리 자동제어 시스템과 신재생 발전기능을 구비하여 하수 처리 및 에너지 효율을 향상시킨 하수 고도처리장치 및 하수 고도처리방법
CN110188946B (zh) 一种污水参数的预测方法及污水预测系统
Palatsi et al. Enhancement of biological nutrient removal process with advanced process control tools in full-scale wastewater treatment plant
CN110188945B (zh) 一种生产中的污水预测系统及污水预测方法
KR100661455B1 (ko) 하수처리장치 및 이를 이용한 하수처리방법
JP2004171531A (ja) プラントワイド最適プロセス制御装置
US11208339B2 (en) Treatment of wastewater
KR102396986B1 (ko) 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템
CN112573641A (zh) 一种污水处理量确定方法及装置
CN107074598A (zh) 废水处理操作方法
Devisscher et al. Feasibility of automatic chemicals dosage control–a full-scale evaluation
KR20150064574A (ko) 에너지 절감형 하폐수 처리 시스템 및 그 제어방법
Hong et al. Pilot-testing an alternative on-site wastewater treatment system for small communities and its automatic control
KR101503643B1 (ko) 질소제거와 전기전도도를 이용한 인 제거 자동제어 ｍ２ｌｅ 고도처리시스템 및 그 시스템의 작동방법
Brenner Use of computers for process design analysis and control: Sequencing batch reactor application
Phillips et al. Nitrogen and phosphorus-rich sidestreams: Managing the nutrient merry-go-round
CN112340947A (zh) 一种污水脱氮除磷调节系统及其调节方法
Haimi et al. Process automation in wastewater treatment plants: The Finnish experience
Mhlanga et al. Simulation of a wastewater treatment plant receiving industrial effluents
AU712746B2 (en) Controlling wastewater treatment by monitoring oxygen utilisation rates
KR100810960B1 (ko) 표준활성슬러지시설을 이용한 경제적인 질소, 인 제거장치
EP3052446B1 (en) Plant and method for treatment of waste water in an activated sludge plant

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant