KR20030097425A - 신경회로망 및 역전파 알고리즘에 의한 하폐수처리인공지능제어 시스템 및 방법 - Google Patents

신경회로망 및 역전파 알고리즘에 의한 하폐수처리인공지능제어 시스템 및 방법 Download PDF

Info

Publication number
KR20030097425A
KR20030097425A KR1020020034788A KR20020034788A KR20030097425A KR 20030097425 A KR20030097425 A KR 20030097425A KR 1020020034788 A KR1020020034788 A KR 1020020034788A KR 20020034788 A KR20020034788 A KR 20020034788A KR 20030097425 A KR20030097425 A KR 20030097425A
Authority
KR
South Korea
Prior art keywords
data
dissolved oxygen
stage
concentration
control
Prior art date
Application number
KR1020020034788A
Other languages
English (en)
Other versions
KR100456413B1 (ko
Inventor
양익배
Original Assignee
에치투엘 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 에치투엘 주식회사 filed Critical 에치투엘 주식회사
Priority to KR10-2002-0034788A priority Critical patent/KR100456413B1/ko
Priority to CNB021470413A priority patent/CN1325393C/zh
Priority to JP2002304244A priority patent/JP4401638B2/ja
Priority to DK02258239T priority patent/DK1376276T3/da
Priority to AT02258239T priority patent/ATE341021T1/de
Priority to DE2002614988 priority patent/DE60214988T2/de
Priority to EP20020258239 priority patent/EP1376276B1/en
Priority to US10/347,466 priority patent/US6808630B2/en
Publication of KR20030097425A publication Critical patent/KR20030097425A/ko
Application granted granted Critical
Publication of KR100456413B1 publication Critical patent/KR100456413B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • 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
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/006—Regulation methods for biological treatment
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/005—Processes using a programmable logic controller [PLC]
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/10—Solids, e.g. total solids [TS], total suspended solids [TSS] or volatile solids [VS]
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/14—NH3-N
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/18—PO4-P
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/22—O2
    • 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

Abstract

유입수 성상과 반응조내 상태 및 목표처리수질에 따른 용존산소 및 미생물 체류시간 등의 가변인자를 자동제어하는 인공지능제어시스템에 관한 것으로, 우리나라의 특성상 합류식 하수관거를 통하여 하수처리장에 유입되는 유동적 설계인자인 생물학적 산소요구량, 유입유량 및 수온을 자동으로 측정하여 얻어지는 데이터를 통하여 초기 설계시에 적용되는 고정인자인 각 반응조 및 침전조의 용적을 고려한 체류시간을 적용하여, 제어인자인 호기조 1단 및 호기조 2단의 용존산소량 및 미생물 체류시간과 같은 목표값을 얻어내고 또한 현재값을 통하여 공급공기 제어용밸브 및 슬러지 인발 펌프를 자동으로 제어하는 방법으로 기존의 전문가들이 가지는 지식을 수집하여 가장 적절한 지식-베이스를 작성하고, 이를 이용하여 인공지능(신경 제어기)을 학습시켜, 온도의 변화 및 농도의 변화 등에 대응하는 용존산소의 농도를 설정하고 적절한 SRT를 계산하여 잉여 슬러지 등을 제어하는 학습 방법과 제어하는 알고리즘을 이용하며, 이 인공지능제어 학습 방법은 공법간의 차이와 하수처리장 용량 및 Flow의 변화 등에도 불구하고, 약간의 수정과 새로운 데이터를 이용한 재학습과 튜닝에 의해 대부분의 하수 처리장에 적용할 수 있으며, 새로운 데이터의 축적에 의해 새롭고 더 나은 효율을 가질 수 있도록 튜닝하는 인공지능제어 시스템에 관한 것이다.

Description

신경회로망 및 역전파 알고리즘에 의한 하폐수처리 인공지능제어 시스템 및 방법{System and method for AI controlling waste-water treatment by neural network and back-propagation algorithm}
본 발명은 유입수 성상과 반응조내 상태 및 목표처리수질에 따른 용존산소 및 미생물 체류시간 등의 가변인자를 자동제어하는 인공지능제어시스템에 관한 것으로, 더욱 상세하게는 우리나라의 특성상 합류식 하수관거를 통하여 하수처리장에 유입되는 유동적 설계인자인 생물학적 산소요구량(이하, BOD라 통칭함), 유입유량 및 수온을 자동으로 측정하여 얻어지는 데이터를 통하여 초기 설계시에 적용되는 고정인자인 각 반응조 및 침전조의 용적을 고려한 체류시간을 적용하여, 제어인자인 호기조 1단 및 호기조 2단의 용존산소량(이하, 용존산소라 통칭함) 및 미생물 체류시간(이하, SRT라 통칭함)과 같은 목표값(set point; 이하, SP라 통칭함)을 얻어내고 또한 현재값(이하, PV라 통칭함)을 통하여 공급공기 제어용벨브(이하, C/V라 통칭함) 및 슬러지 인발 펌프를 자동으로 제어하는 방법으로 기존의 전문가들이 가지는 지식 (예를 들어, 유입 특성으로서 BOD, 온도, 유량과, 반응조 특성으로서 용존산소, 활성 미생물 농도(이하, MLSS로 통칭함)와, 설계요소로서 SRT와, 처리수특성으로서 총질소 농도(이하, T-N), BOD를 포함한다)을 수집하여 가장 적절한 지식-베이스를 작성하고, 이를 이용하여 인공지능(신경 제어기)을 학습시켜, 온도의 변화 및 농도의 변화 등에 대응하는 용존산소의 농도를 설정하고 적절한 SRT를 계산하여 잉여 슬러지 등을 제어하는 학습 방법과 제어하는 알고리즘을 이용하며, 이 인공지능제어 학습 방법은 공법간의 차이와 하수처리장 용량 및 Flow의 변화 등에도 불구하고, 약간의 수정과 새로운 데이터를 이용한 재학습과 튜닝에 의해 대부분의 하수 처리장에 적용할 수 있으며, 새로운 데이터의 축적에 의해 새롭고 더 나은 효율을 가질 수 있도록 튜닝하는 인공지능제어 시스템에 관한 것이다.
일반적인 하,폐수 처리장의 종래의 자동제어 시스템은 계절의 온도차이, 유입수의 BOD 농도, 유량 등을 고려한 운전자의 경험에 의존하여 SP을 설정하며, 이에 따른 PID 및 ON/OFF 제어 시스템을 주로 사용하고 있다. 여기에서 운전자는 일간의 데이터를 종합적으로 판단하여 용존산소 및 SRT를 몇일에 한번씩 SP을 변경해가며 제어하고 있는 실정이다.
그 일례로서 가장 많이 상용화되어 있는 프로그램머블 로직 콘트롤러(이하, PLC라 통칭함)를 이용한 자동제어 시스템의 경우에는:
BOD, 유입유량 및 수온과 같은 유입수의 특성 및 SP 제어를 위한 호기조 1단 용존산소, 호기조 2단 용존산소, 폭기조 MLSS, 슬러지 농도, 인발유량 또한 유출수 BOD와 같은 계측기로부터 얻어지는 데이터를 전송하며;
그 다음 PLC의 입, 출력카드(이하, 각각 A/D카드, D/A 카드라 통칭함)에서 얻어진 데이터를 소용량의 수행속도를 갖는 PLC에 내장된 CPU를 통하여 연산처리및 비례적분미분(이하, PID라 통칭함) 및 ON/OFF 제어하고, 또한 인터페이스를 통하여 RS-232C를 통신신호를 통하여 컴퓨터로 PLC에서 입,출력되는 데이터를 전송한다.
이후, 컴퓨터에서는 단순히 PLC에서 입,출력되는 데이터를 육안으로 확인이 가능한 물리량의 데이터로 환산표시 및 저장 및 관리하는 기능만을 수행하고 있는 실정이다.
이와 같은 방법에 의해 자동제어되는 시스템은 단순하지만 유동적인 유입수의 성상에 따른 연속적인 SP에 의한 용존산소 및 SRT의 제어가 어려울 뿐만 아니라 운전자의 직감에 의한 시시각각, 매일, 계절에 따른 변화를 종합적으로 적용하여 SP를 제어하는 것은 곤란하다. 또한 하, 폐수 처리효율을 증대시키는 방법으로 연속적으로 제어하는 것은 불가능한 실정이며, 운전자의 출장시나 변경시에는 기존의 처리효율을 그대로 유지하는 것 뿐만 아니라 효율을 증대하는 것은 상당히 어려운 문제점을 내포하고 있다.
본 발명은 상기와 같은 종래 기술의 문제점을 해소하기 위하여 계절변화에 따른 운전인자를 경험에 의존하기보다는, 기존의 데이터를 이용한 상관관계를 도출하며, 이에 따른 용존산소, SRT 제어를 통한 처리효율을 증대하기 위한 제어방안 및 계절별에 따른 운전제어가 가능하게 하고자 한다. 또한 운전관리의 비효율성으로 인건비, 전력비등의 운전비가 증가하는 요인을 감소시키고자 한다.
이와 같은 목적을 달성하기 위한 본 발명은, 하,폐수 처리의 제어 방법에 있어서 상기 하,폐수 처리장에 유입하는 유입수 특성과, 반응조 상태 특성과, 유출수 효율 특성의 유동적인 현재값들을 복합적으로 측정하는 단계와; 상기 측정된 유동적 현재값들의 데이터를 컴퓨터에서 수집하고 물리량 데이터로 연산처리하는 단계와; 상기 컴퓨터에서 프로그램에 의하여 상기 측정된 특성들의 현재값들을 비교하여 호기조 1단 용존 산소량 및 호기조 2단 용존산소량과 미생물 체류시간(SRT)에서의 최적의 목표값(SP)를 구하는 단계와; 구해진 최적의 목표값(SP)을 현재의 호기조 1단 및 호기조 2단 용존산소 및 미생물 체류시간(SRT)의 현재값과 비교하여 아날로그 및 디지털 제어 출력값으로 연산 처리하는 단계와; 얻어진 상기 제어출력값으로 호기조 1단 및 호기조 2단 공기 조절 밸브와 슬러지 인발 펌프를 제어하는 단계를 포함하며, 상기 프로그램은 역전파 알고리즘을 이용한 신경회로망 제어 프로그램에 의하여 상기 최적 목표값을 구하는 것을 특징으로 하고 있다.
또한, 하,폐수 처리 제어 시스템에 있어서: 상기 하,폐수 처리장에 유입하는 유입수 특성과, 반응조 상태 특성과, 유출수 효율 특성의 유동적인 현재값들을 복합적으로 측정하는 수단과; 상기 측정된 유동적 현재값들의 데이터를 수집하고 물리량 데이터로 연산 처리하며, 프로그램에 의하여 상기 측정된 특성들의 현재값들을 비교하여 호기조 1단 및 호기조 2단 용존산소량과 미생물 체류시간(SRT)에서의 최적의 목표값(SP)를 구하며, 구해진 최적의 목표값(SP)을 현재의 호기조 1단 및 호기조 2단 용존산소 및 미생물 체류시간(SRT)의 현재값과 비교하여 아날로그 및 디지털 제어 출력값으로 연산 처리하는 컴퓨터 수단과; 얻어진 상기 제어출력값으로 호기조 1단 및 호기조 2단 공기 조절 밸브와 슬러지 인발 펌프를 제어하는 수단을 포함하며, 상기 프로그램은 역전파 알고리즘을 이용한 신경회로망 제어 프로그램에 의하여 상기 최적 목표값을 구하는 것을 특징으로 하고 있다.
도 1은 본 발명의 프로그래머블 로직 콘트롤러를 이용한 인공지능제어시스템 구성을 도시한 도면.
도 2는 본 발명의 프로그래머블 로직 콘트롤러를 이용한 인공지능제어시스템의 순서도.
도 3은 본 발명에서 사용되는 프로그램의 주요한 기능을 수행하는 순서도.
도 4는 본 발명에서 사용되는 신경회로망 학습기능을 수행하는 순서도.
도 5는 본 본 발명에서 사용되는 역전파알고리즘의 체계를 도시한 도면,
도 6은 본 발명에서 사용되는 시스템의 제어기능을 수행하는 것을 도시한 블록도.
도 7은 본 시스템의 인공지능 학습 프로그램.
도 8은 본 시스템에 적용된 경험 데이터.
도 9는 본 시스템으로 입력되는 유입온도 신호 그래프.
도 10은 본 시스템으로 입력되는 유입유량 신호 그래프.
도 11은 본 시스템으로 입력되는 유입BOD 신호 그래프.
도 12는 본 시스템으로 입력되는 용적부하 신호 그래프.
도 13은 본 시스템에서 출력되는 용존산소1 출력 신호 그래프.
도 14는 본 시스템에서 출력되는 용존산소2 출력 신호 그래프.
도 15는 본 시스템에서 출력되는 SRT 출력 신호 그래프.
도 16은 본 시스템의 전체 입력/출력되는 출력 신호 그래프.
이하 첨부된 도면에 의해 본원의 구성을 상세히 설명하면 다음과 같다.
도1에서 도시한 본 발명의 제어 시스템의 전체 구성을 도시하고 있다. 구성에서 볼 수 있는 것과 같이, BOD, 유입유량 및 수온과 같은 유입수의 특성 및 SP 제어를 위한 호기조 1단 용존산소, 호기조 2단 용존산소, 폭기조 MLSS, 슬러지 농도, 인발유량 또한 유출수 BOD와 같이, 계측기(10, 11, 12)로부터 얻어지는 데이터는 PLC(14)의 A/D 카드(101)로 아날로그 신호로서 전송되게 된다.
이러한 데이터들은, 도2에서 도시하는 순서도에 따라서 시스템 단계를 구성하게된다. 프로그램이 시작되어 초기화(201)되고나면, 기존의 테이터를 수집하고(202), 데이터 여과(203) 단계를 거친 후, 계측된 유입수 특성, 반응조 상태, 유출수 특성를 입력받아(205) 현재 상태의 파악 단계(204)를 거치게 된다. 파악된 현재 값은 SP 입력값(206)과 더불어 제어출력 연산(207, 210, 211)을 행하고 각각 아날로그 및 디지털 신호로서 제어 출력(209, 212)하며 동시에 PLC(14)의 메모리에 저장(218)하게 된다. 이후 효율판단(214)에서 적합한 경우는, 이동평균의 과정을 거쳐 물리량으로 환산처리(217) 후 데이터 일자별 저장(221) 및 초기값 저장(219)을 행하며, 또한 도1에 도시된 RS232C 통신 수단(106)을 통해 인터넷 전송 제어 프로토콜/인터넷 프로토콜(이하, TCP/IP라 통칭함)로 양방향 통신 및 컴퓨터 화면에 표시(220)한다.
도 3에서는 본 발명에서 사용되는 프로그램의 주요 기능을 수행하는 순서도를 도시하고 있다. 상기 프로그램이 시작되어 초기화(301)된 후에는, 수집된 데이터(303)와 환산처리된 유입수 특성(304)에 따른 물리량 데이터들은 복합적으로 비교 연산처리하는 과정(305)을 거치게 된다. 상기 복합 비교 연산 처리과정을 통해, 온도와 유입수의 특성, 유량 등에 관계없이 일정농도이상의 탈질, 탈인을 시킬 수 있고, 수 처리 공정을 인공지능화, 자동화하여 고효율의 안정된 수 처리시스템을 구축하며, 데이터베이스 구축과 인공지능제어(신경망)로 자동화하는데 필요한 계측기의 일정성, 안전성, 자동제어시스템의 안정성 등을 확보하며, 또한 사계절의 온도나 유입수의 농도에 관계없이 처리효율을 높일 수 있는 호기조 1단 및 호기조 2단 용존산소 및 SRT 에서의 최적의 SP(306, 307)를 구하게 된다.
여기서 구해진 호기조 1단 및 호기조 2단 용존산소 및 SRT 에서의 최적의 SP는 각각 복합비교 연산처리되며(308, 309) 각각의 아날로그 제어출력(310)과 디지털 제어 출력 (313)을 위하여, 각각 아날로그 출력연산(311)과 디지털 출력 연산(312)를 행하게 되며, 또한 각각의 제어출력은 메모리에 저장되어(314) 인터넷 전송(315) 및 초기값 저장(316), 화면상의 표시(317) 일자별 텍스트 저장(318) 또는 데이터 베이스에 등록(319)등에 이용되게 된다.
여기서 사용되는 전체적인 학습과 적용 과정은 도 4에 도시되고 있다.
인공지능제어는 유입수 BOD, 반응조의 용존산소, MLSS, 처리수의 총질소 농도,BOD와 같은 전문가들의 지식 데이터를 수집 및 취득(401)하며, 이러한 데이터들을 분석하여 데이터 규칙을 작성한다(402).
이러한 데이터 규칙을 신경회로망에 의해 학습(403)되는데, 여기서 신경회로망은 역전파알고리즘(Back-Propagation)과, 수학식 1에서와 같이 Levenberg-Marquardt 방법 및 뉴우톤 방법과 최급강하법이 가능한 학습 최적화 알고리즘이 사용되며, 실제 운전 후 운전 효율을 계산하고, 높은 효율을 가지는 새로운 데이터 취득(405)에 의해 원하는 효율을 이루기 까지 단기간 적인 튜닝(407)이 이루어 진다. 이러한, 재학습의 과정을 통해 새로운 데이터 베이스가 구축되게된다(406).
( I는 Identity Matrix를 의미한다, λ = 0 : 뉴우톤 방법, λ→∞ : 최급강하법이 되며 λ는 동적으로 조절된다.)
상기 역전파 알고리즘에 있어서, 입력 학습 데이터 예로서는, 유입수 성상(유량, 온도, BOD농도), 반응조내 상태(용적부하량, SRT, 용존산소, MLSS, 암모니아성 질소 농도(이하, NH4-N), 질산성 질소농도(이하, NO3-N), 인산염인 농도(PO4-P)), 처리수질(BOD, T-N) 이 사용되며, 이 입력 데이타와 일대일 대응되는 목표 데이터는 호기조 1,2단의 용존산소와 SRT가 된다.
도 8에서 이러한 입력 학습 데이터가 예시되어 있다. 도8에 도시된 바와 같이 예시된 입력 학습 데이터는 온도가 영상 5도 ∼ 영상 38도, BOD가 0 ∼ 180㎎/ℓ, NH4는 0 ∼ 150㎎/ℓ, 용적부하량는 전체범위로 입력이 가능하며, 이에 대한 출력은 호기조 1단의 DO가 2.35 ∼ 4.3㎎/ℓ, 호기조 2단의 DO2가 1.4 ∼ 3.3㎎/ℓ, SRT는 7.55 ∼ 21.0일의 범위로 출력되게 된다.
상기 제시한 학습 데이터는 유입 NH4농도가 증가하면 MLSS를 증가시켜 유기물 대 미생물비(Food to microbes: 이하 F/M 로 통칭함)을 감소시키는 경향 또는 유입 NH4농도가 감소하면 MLSS를 감소해서 F/M을 증가시키는 경향으로, 또한, 유입수농도(BOD)가 증가시 MLSS도 증가하면 F/M을 유지하기 위한 MLSS를 감소시키며, 이와 반대로 MLSS가 감소하면 F/M을 유지하면서 잉여 슬러지 인발을 감소하는 제어 경향으로, 또한 유입수농도(BOD)가 증가시 공기 공급량을 증가하며, 유입수농도(BOD)가 감소하면 공기 공급량을 감소시키면서 잉여 슬러지 인발량을 증가하는 등 MLSS를 감소시키는 경향으로 제어되게 된다.
도5에서는 본 발명의 역전파 알고리즘의 체계를 도시하고 있다.
본 발명에서 역전파 알고리즘은 MLP(Multi-Layer Perceptron) 모델이 사용된다. MLP 모델에서는 층은 환경에서 입력을 받는 입력층(Input Layer)(503), 환경으로 출력을 내는 출력층(Output Layer)(505), 그리고 환경과 직접 상호작용하지 않으며 입력층과 출력층 사이에 존재하는 은닉층 (Hidden Layer)(504)으로 구성되어 있다. 학습은 입력층에서 출발하여 은닉층을 거쳐 출력층까지 진행된다. 뉴런은 받아들이는 입력사항들의 값을 합산하여 그 합산값이 높을 경우 은닉층내의 다음 노드로 입력사항들을 넘긴다. 입력사항들이 전달될 때 가중치 배정 혹은 가중치 강화 및 약화가 일어나며, 이 과정은 모델이 결과를 예측하는 최종 외부층(출력층)에 이를때까지 계속된다. 여기서 높은 값 패턴에 비중을 더하고 낮은 값 패턴을 무시하는 활성화 작용이 일어난다
본 발명에서는, 출력층(505)에서는 다양한 목표값을 예측하여 출력해야 하기때문에 단지 선형합(linear sum)을 활성함수로서 사용하게된다. 한편, 은닉층(504)에서는 비선형(Nonlinear) 활성함수를 사용하며, 인공지능제어(신경망)는 학습과정에서 얻은 정보를 가중치(Weight)에 축적하여 저장하는데, 이 가중치가 최적 SRT와 용존산소의 값을 얻는데 사용된다.
도5에서 도시한 본 발명의 은닉층(504)에서, 은닉층(504)의 수는 전문가의 경험적인 지식에 의해 결정되었으며, 본원 발명에서는 은닉층(504)의 수는 15 ∼ 40개 사이에서 결정이 가능하며, 이러한 은닉층(504)의 입력층(503) 및 출력층(505)으로의 자료입력과 출력 및 가중치는 수학식2 내지 수학식4에 의해서 결정된다.
(전체 error를 합한 F를 가중치에 대한 변화율로 계산한 식이며, Gradient i는 i 번째 가중치(Weight))
: SSE(square-sum error)
(error e는 목표치와 신경회로망 출력과의 차이를 의미, k는 k번째 샘플)
(Hessian matrix, F의 가중치에 대한 2계 도함수를 구한 것)
이후, 전술한 단계로부터 얻어진 각각 최적의 SP를 호기조 1단 용존산소 PV, 호기조 2단 용존산소 PV와 비교하여 아나로그 제어출력(이하, MV라 통칭함) 연산처리하여 제어인자를 얻는다. 또한 슬러지 인발유량 PV와 적산유량을 비교하여 디지털 MV를 연산처리하여 디지털 제어인자를 얻는다. 도7은 이러한 제어인자를 얻기 위한 프로그램 언어로 구현된 소프트웨어의 예시를 도시하고 있다.
또한, 본 발명은 상기 단계에서 얻어지는 일련의 데이터를 하나의 파일에 저장하고 호출하여 관리를 용이하게끔 한다.
상기 단계 후 얻어진 각각의 제어인자를 통하여 MV를 연속적으로 계산하여 D/A 카드(104)를 통하여 아날로그 신호 및 디지털 신호로 전송한다.
전송되는 신호를 각각의 C/V 및 슬러지 인발펌프의 인버터(15)를 통하여 PC 기반 직접제어를 수행한다.
또한, 상기 단계 후 반응조 상태의 SP와 PV를 비교하여 PC에서의 다중처리기능을 이용하여 상기 제어과정을 거친 하,폐수 처리장의 효율을 비교 분석하여 이를 파일에 기록할 수 있다.
또한, 일정한 제어인자 조율과정을 거쳐 처리효율이 보다 증대할 수 있는 방법으로 연속제어를 수행할 수 있으며, 현장의 자료를 실시간으로 원거리에서 모니터링하고 제어할 수 있는 원격 인공지능제어 시스템을 구축하게끔 하는 일련의 과정 역시 가능하다.
도6은 이러한 본원 발명의 제어기능의 수행을 블록화하여 도시하고 있다.
도시된 바와 같이, 유량, 유입BOD, 유입NH3, 온도와 같이 센서에서 감지되거나 측정된 데이터(601)는 데이터 수집 보드(602)에서 수집되며, 수집된 데이터는 인공 지능 신경망 제어기를 갖춘 PC와 같은 컴퓨터 수단(604)으로 전송되는 데, 이러한 컴퓨터 수단은 TCP/IP에 의하여 양방향 및 실시간으로 원격제어 및 모니터링이 가능하다(603). 전술한 바와 같은 인공 지능 신경망 제어를 거쳐 출력된 DO, SRT는 아날로그 출력 신호 보드(605)를 통해 출력되며, 이 아날로그 신호는 컨버터 및 인버터(606)를 거쳐 변환될수 있으며, 이후, DO 및 MLSS를 제어하게 된다(607).
이하에는 본 발명의 전술한 구성을 실험적으로 실시한 예를 입출력 데이터를 통해 알아본다.
본 실시예는 본 발명의 신경회로망 및 역전파알고리즘에 의한 하폐수처리 인공지능제어 시스템을 환경사업소의 1차 침전지 처리수를 이용하여 일일처리용량 50톤 규모의 실험시설 운영 실시예이다.
도 9 내지 도 12 본 실시예에서 유입수 상황 입력 및 반응조내 상황 입력을 도시하고 있다.
도 9는 본 발명의 시스템으로 입력되는 유입온도 신호 그래프를 도시하고 있으며, 유입온도는 x축은 시간축이며, 유입온도는 섭씨 21.0도 내지 21.5도에서 유동적으로 입력되고 있다. 도 10은 본 발명의 시스템으로 입력되는 유입유량 신호 그래프이며, 유입유랑은 시간에 따라, 약 49.0 내지 50.0㎥/일에서 유동적으로 입력되고 있다. 도 11은 본 발명의 시스템으로 입력되는 유입BOD 신호 그래프이며, 유입 BOD는 시간에 따라, 약 90.0 내지 92.2 ㎎/ℓ에서 유동적으로 입력되고 있다. 도 12는 본 발명의 시스템으로 입력되는 용적부하 신호 그래프이며, 반응조내 용적부하(㎏BOD/㎥.일)는 시간에 따라 용적 부하가 유동적으로 입력되고 있는 것을 도시하고 있다.
도 13은 본 시스템에서 출력되는 용존산소1 출력 신호 그래프이며, 도 14는 본 시스템에서 출력되는 용존산소2 출력 신호 그래프이며, 도 15는 본 시스템에서 출력되는 SRT 출력 신호 그래프이며, 도 16은 본 시스템의 전체 입력/출력되는 출력 신호 그래프이다.
본 실시예의 출력 그래프를 통해서, 반응조내 호기조1단(도13)과 2단의 용존산소(도14) 및 SRT(도15)를 인공지능에 의해 같은 유입조건에 대해서 고정값이 아닌 각각의 상황에 적합한 상태로 제어되고 있는 것을 나타내는 것을 관찰할 수 있다.
이와 같이, 본 발명에서 사용되는 인공지능제어 시스템은 데이터를 기초로 하여 제어를 일괄적으로 수행함으로서 운전자의 개인오차에 의한 오동작을 최소화 할 수 있을 뿐만 아니라 일관성과 신뢰성 있는 자료의 확보 및 정밀제어가 가능하다.
이상에서 상술한 바와 같은 구성에 의하여, 본 발명은 종래 기술과 달리, 좀 더 표준화된 데이터를 통하여 표준화된 공정으로 인공지능제어를 행함으로써, 운전자의 경험에 의존하지 않고, 유동적인 제어를 통한 안정적인 처리효율을 확보할 수 있을 뿐만 아니라 선진 산업화, 정보화 시대의 요구에 따른 신뢰성 있는 데이터의 확보와 더불어 운영예산의 인력비용 및 시설의 유지관리비용을 최소화 할 수 있다.또한 PC 기반 제어를 통하여 PC의 속도와 유연적인 기술을 반영하므로, 계속적인 처리효율의 증가시키도록 지원하는 것이 가능하다.

Claims (20)

  1. 하,폐수 처리의 제어 방법에 있어서:
    상기 하,폐수 처리장에 유입하는 유입수 특성과, 반응조 상태 특성과, 유출수 효율 특성의 유동적인 현재값들을 복합적으로 측정하는 단계와;
    상기 측정된 유동적 현재값들의 데이터를 컴퓨터에서 수집하고 물리량 데이터로 연산처리하는 단계와;
    상기 컴퓨터에서 프로그램에 의하여 상기 측정된 특성들의 현재값들을 비교하여 호기조 1단 용존 산소량 및 호기조 2단 용존산소량과 미생물 체류시간(SRT)에서의 최적의 목표값(SP)를 구하는 단계와;
    구해진 최적의 목표값(SP)을 현재의 호기조 1단 및 호기조 2단 용존산소 및 미생물 체류시간(SRT)의 현재값과 비교하여 아날로그 및 디지털 제어 출력값으로 연산 처리하는 단계와;
    얻어진 상기 제어출력값으로 호기조 1단 및 호기조 2단 공기 조절 밸브와 슬러지 인발 펌프를 제어하는 단계를 포함하며,
    상기 프로그램은 역전파 알고리즘을 이용한 신경회로망 제어 프로그램에 의하여 상기 최적 목표값을 구하는 것을 특징으로 하는 하폐수 처리의 제어 방법.
  2. 제 1 항에 있어서,
    상기 유입수 특성은 유입 유량, 온도, 유입수 BOD 농도를 포함하며;,
    상기 반응조 상태 특성은 용적부하량, 미생물 체류시간(SRT), 호기조 1단 용존 산소량, 호기조 2단 용존 산소량, 활성 미생물 농도(MLSS), NH4-N, NO3-N, PO4-P을 포함하며;
    상기 유출 수질 특성은 유출수 BOD 농도, 유출수 용량, T-N 을 포함하는 것을 특징으로 하는 제어 방법.
  3. 제 1 항에 있어서, 상기 신경회로망 제어프로그램은 학습 최적화 알고리즘을 사용하는 것을 특징으로 하는 제어방법.
  4. 제 2 항 또는 3항에 있어서, 신경 회로망 제어 프로그램에서 사용된 입력 학습 데이타는 유입수 특성, 반응조 상태 특성, 유출 수질 효율 특성이며, 학습과정에서 얻는 가중치에 의해 목표 데이터인 호기조 1단의 용존산소량 및 호기조 2단의 용존산소량과 미생물 체류시간(SRT)을 구하는 제어 방법.
  5. 제 4 항에 있어서, 상기 신경 회로망 제어 프로그램의 체계는 입력층, 은닉층, 출력증을 포함하며, 은닉층의 수는 15 내지 40개의 범위에서 결정되며, 상기 은닉층에서 입력층 및 출력층으로의 자료 입력 및 출력과 가중치가 결정되는 제어방법
  6. 제 5 항에 있어서, 상기 출력층에서는 활성함수로서 선형합을 사용하며, 상기 은닉층에서는 활성함수로서 비선형 함수를 사용하여 학습과정에서 얻은 정보를 가중치에 축적 및 저장함에 의해, 상기 가중치가 최적의 미생물 체류시간(SRT)과 용존산소의 목표값을 구하는 데 사용되는 제어 방법.
  7. 제 4 항에 있어서, 상기 신경회로망 제어 프로그램의 입력 학습데이터는 범위는 유입수 온도가 영상 5도 ∼ 영상 38도, BOD가 0 ∼ 180㎎/ℓ, NH3는 0 ∼ 150㎎/ℓ, 용적부하량은 전체범위이며, 출력 범위는 호기조 1단의 용존 산소량이 2.35 ∼ 4.3㎎/ℓ, 호기조 2단의 용존산소량이 1.4 ∼ 3.3㎎/ℓ, 미생물 체류시간(SRT)는 7.55 ∼ 21.0일인 것을 특징으로 하는 제어방법.
  8. 제 4 항에 있어서, 상기 신경 회로망 제어 프로그램은,
    유입하는 NH4농도가 증가하면 활성 미생물 농도(MLSS)를 증가시켜 F/M을 감소시키며, 유입NH4농도가 감소하면 활성 미생물 농도(MLSS)를 감소시켜 F/M을 증가시키며;
    유입수 BOD가 증가시 활성 미생물 농도(MLSS)도 증가하면 F/M을 유지하기 위한 활성 미생물 농도(MLSS)를 감소시키며, 활성 미생물 농도(MLSS)가 감소하면 F/M을 유지하면서 잉여 슬러지 인발을 감소시키며;
    유입수 BOD가 증가시 공기 공급량이 증가하며, 유입수 BOD가 감소하면 공기 공급량을 감소시키면서 잉여 슬러지 인발량을 증가시켜 활성 미생물 농도(MLSS)를 감소시키도록 제어하는 것을 특징으로 하는 제어 방법.
  9. 제 1 항에 있어서, 측정 및 연산처리 단계에서 구해진 데이터를 파일에 저장 및 관리하는 단계를 더 포함하는 제어 방법.
  10. 제 9 항에 있어서, 상기 데이터를 전송 제어 프로토콜/인터넷 프로토콜(TCP/IP)을 통해 컴퓨터와 양방향 통신하여 실시간 제어를 하며, 다중처리기능을 이용하여 컴퓨터에서 상기 제어 과정을 거친 하,폐수 처리장의 효율을 비교 분석하여 파일에 기록하는 단계를 더 포함하는 제어방법.
  11. 하,폐수 처리 제어 시스템에 있어서:
    상기 하,폐수 처리장에 유입하는 유입수 특성과, 반응조 상태 특성과, 유출수 효율 특성의 유동적인 현재값들을 복합적으로 측정하는 수단과;
    상기 측정된 유동적 현재값들의 데이터를 수집하고 물리량 데이터로 연산 처리하며, 프로그램에 의하여 상기 측정된 특성들의 현재값들을 비교하여 호기조 1단 및 호기조 2단 용존산소량과 미생물 체류시간(SRT)에서의 최적의 목표값(SP)를 구하며, 구해진 최적의 목표값(SP)을 현재의 호기조 1단 및 호기조 2단 용존산소 및 미생물 체류시간(SRT)의 현재값과 비교하여 아날로그 및 디지털 제어 출력값으로 연산 처리하는 컴퓨터 수단과;
    얻어진 상기 제어출력값으로 호기조 1단 및 호기조 2단 공기 조절 밸브와 슬러지 인발 펌프를 제어하는 수단을 포함하며,
    상기 프로그램은 역전파 알고리즘을 이용한 신경회로망 제어 프로그램에 의하여 상기 최적 목표값을 구하는 것을 특징으로 하는 하,폐수 처리 제어 시스템.
  12. 제 11 항에 있어서,
    상기 유입수 특성은 유입 유량, 온도, 유입수 BOD 농도를 포함하며;,
    상기 반응조 상태 특성은 용적부하량, 미생물 체류 시간(SRT), 호기조 1단 용존 산소량, 호기조 2단 용존 산소량, 활성 미생물 농도(MLSS), NH4-N, NO3-N, PO4-P을 포함하며;
    상기 유출 수질 특성은 유출수 BOD 농도, 유출수 용량, T-N 을 포함하는 것을 특징으로 하는 하폐수 처리 제어 시스템.
  13. 제 11 항에 있어서, 상기 신경회로망 제어프로그램에서 학습 최적화 알고리즘을 사용하는 것을 특징으로 하는 하,폐수 처리 제어 시스템.
  14. 제 11 항 또는 12 항에 있어서, 신경 회로망 제어 프로그램에서 사용된 입력 학습 데이타는 유입수 특성, 반응조 상태 특성, 유출 수질 효율 특성이며, 학습과정에서 얻는 가중치에 의해 목표 데이터인 호기조 1단의 용존산소량 및 호기조 2단의 용존산소량과 미생물 체류시간(SRT)을 구하는 것을 특징으로 하,폐수 처리 제어 시스템.
  15. 제 14 항에 있어서, 상기 신경 회로망 제어 프로그램의 체계는 입력층, 은닉층, 출력증을 포함하며, 은닉층의 수는 15 내지 40개의 범위에서 결정되며, 상기 은닉층에서 입력층 및 출력층으로의 자료 입력 및 출력과 가중치가 결정되는 제어 시스템.
  16. 제 15 항에 있어서, 상기 출력층에서는 활성함수로서 선형합을 사용하며, 상기 은닉층에서는 활성함수로서 비선형 함수를 사용하여 학습과정에서 얻은 정보를 가중치에 축적 및 저장함에 의해, 상기 가중치가 최적의 미생물 체류시간(SRT)과 용존산소의 목표값을 구하는 데 사용되는 제어 시스템.
  17. 제 14 항에 있어서, 상기 신경회로망 제어 프로그램의 입력 학습데이터는 범위는 유입수 온도가 영상 5도 ∼ 영상 38도, BOD가 0 ∼ 180㎎/ℓ, NH3는 0 ∼ 150㎎/ℓ, 용적부하량은 전체범위이며, 출력 범위는 호기조 1단의 용존 산소량이 2.35 ∼ 4.3㎎/ℓ, 호기조 2단의 용존산소량이 1.4 ∼ 3.3㎎/ℓ, 미생물 체류시간(SRT)는 7.55 ∼ 21.0일인 것을 특징으로 하는 하,폐수 처리 제어 시스템
  18. 제 17 항에 있어서, 상기 신경 회로망 제어 프로그램은,
    유입하는 NH4농도가 증가하면 활성 미생물 농도(MLSS)를 증가시켜 F/M을 감소시키며, 유입NH4농도가 감소하면 활성 미생물 농도(MLSS)를 감소시켜 F/M을 증가시키며;
    유입수 BOD가 증가시 활성 미생물 농도(MLSS)도 증가하면 F/M을 유지하기 위한 활성 미생물 농도(MLSS)를 감소시키며, 활성 미생물 농도(MLSS)가 감소하면 F/M을 유지하면서 잉여 슬러지 인발을 감소시키며;
    유입수 BOD가 증가시 공기 공급량을 증가하며, 유입수 BOD가 감소하면 공기 공급량을 감소시키면서 잉여 슬러지 인발량을 증가시켜 활성 미생물 농도(MLSS)를 감소시키도록 제어하는 것을 특징으로 하는 하,폐수 처리 제어 시스템
  19. 제 11 항에 있어서, 상기 측정 및 연산처리된 데이터를 파일에 저장 및 관리하는 것을 특징으로 하는 하,폐수 처리 제어 시스템.
  20. 제 19 항에 있어서, 상기 데이터를 전송 제어 프로토콜/인터넷 프로토콜(TCP/IP)을 통해 상기 컴퓨터 수단과 양방향 통신하여 실시간 제어를 하며, 다중처리기능을 이용하여 상기 컴퓨터 수단에서 상기 제어 과정을 거친 하,폐수 처리장의 효율을 비교 분석하여 파일에 기록하는 것을 특징으로 하는 하,폐수 처리 제어 시스템.
KR10-2002-0034788A 2002-06-21 2002-06-21 신경회로망 및 역전파 알고리즘에 의한 하폐수처리인공지능제어 시스템 및 방법 KR100456413B1 (ko)

Priority Applications (8)

Application Number Priority Date Filing Date Title
KR10-2002-0034788A KR100456413B1 (ko) 2002-06-21 2002-06-21 신경회로망 및 역전파 알고리즘에 의한 하폐수처리인공지능제어 시스템 및 방법
CNB021470413A CN1325393C (zh) 2002-06-21 2002-08-15 废水处理的控制方法和废水处理的控制系统
JP2002304244A JP4401638B2 (ja) 2002-06-21 2002-10-18 神経回路網及び誤差逆伝播法による下排水処理人工知能制御システム及び方法
DK02258239T DK1376276T3 (da) 2002-06-21 2002-11-29 Al-baseret styresystem og fremgangsmåde til behandling af kloak-/spildevand ved hjælp af et neu ralt netværk og en back-propagation-algoritme
AT02258239T ATE341021T1 (de) 2002-06-21 2002-11-29 Ein auf künstlicher intelligenz basierendes regelungssystem und verfahren zur abwasseraufbereitung mittels neuronalem netz und einem back-propagation algorithmus
DE2002614988 DE60214988T2 (de) 2002-06-21 2002-11-29 Ein auf künstlicher Intelligenz basierendes Regelungssystem und Verfahren zur Abwasseraufbereitung mittels neuronalem Netz und einem Back-Propagation Algorithmus
EP20020258239 EP1376276B1 (en) 2002-06-21 2002-11-29 An AI based control system and method for treating sewage/waste water by means of a neural network and a back-propagation algorithm
US10/347,466 US6808630B2 (en) 2002-06-21 2003-01-21 System and method for AI controlling waste-water treatment by neural network and back-propagation algorithm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR10-2002-0034788A KR100456413B1 (ko) 2002-06-21 2002-06-21 신경회로망 및 역전파 알고리즘에 의한 하폐수처리인공지능제어 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20030097425A true KR20030097425A (ko) 2003-12-31
KR100456413B1 KR100456413B1 (ko) 2004-11-10

Family

ID=29717715

Family Applications (1)

Application Number Title Priority Date Filing Date
KR10-2002-0034788A KR100456413B1 (ko) 2002-06-21 2002-06-21 신경회로망 및 역전파 알고리즘에 의한 하폐수처리인공지능제어 시스템 및 방법

Country Status (8)

Country Link
US (1) US6808630B2 (ko)
EP (1) EP1376276B1 (ko)
JP (1) JP4401638B2 (ko)
KR (1) KR100456413B1 (ko)
CN (1) CN1325393C (ko)
AT (1) ATE341021T1 (ko)
DE (1) DE60214988T2 (ko)
DK (1) DK1376276T3 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101993449B1 (ko) * 2019-01-17 2019-09-30 주식회사 아이씨티솔루션스 수처리시설 계장계측제어를 통한 에너지최적화시스템
CN110824914A (zh) * 2019-09-30 2020-02-21 华南师范大学 一种基于pca-lstm网络的废水处理智能监控方法
KR20220005955A (ko) * 2020-07-07 2022-01-14 주식회사 위코테크 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템
CN117342689A (zh) * 2023-12-06 2024-01-05 安徽新宇环保科技股份有限公司 一种污水厂智能脱氮方法及系统

Families Citing this family (62)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ITMI20040977A1 (it) * 2004-05-17 2004-08-17 Uni Degli Studi Brescia Mertodo e dispositivo per il controllo del processo biologico in impianti di depurazione
WO2007038843A1 (en) 2005-10-06 2007-04-12 Siemens Water Technologies Corp. Dynamic control of membrane bioreactor system
US20170046458A1 (en) 2006-02-14 2017-02-16 Power Analytics Corporation Systems and methods for real-time dc microgrid power analytics for mission-critical power systems
US20160246905A1 (en) 2006-02-14 2016-08-25 Power Analytics Corporation Method For Predicting Arc Flash Energy And PPE Category Within A Real-Time Monitoring System
US9557723B2 (en) 2006-07-19 2017-01-31 Power Analytics Corporation Real-time predictive systems for intelligent energy monitoring and management of electrical power networks
US9092593B2 (en) 2007-09-25 2015-07-28 Power Analytics Corporation Systems and methods for intuitive modeling of complex networks in a digital environment
US8246829B2 (en) 2007-05-10 2012-08-21 O'regan Jr Patrick T Systems and methods for water treatment and remediation
WO2008155510A1 (en) * 2007-06-18 2008-12-24 Olatokunbo Tox Olaopa Process control software for the control of hydraulic retention time in a biological reactor
AU2008356120A1 (en) * 2007-11-07 2009-11-12 Edsa Micro Corporation Systems and methods for real-time forecasting and predicting of electrical peaks and managing the energy, health, reliability, and performance of electrical power systems based on an artificial adaptive neural network
US20090283457A1 (en) * 2008-05-14 2009-11-19 Isos Ventures Llc Waste water management system and method
KR101187416B1 (ko) 2009-02-26 2012-10-02 광주과학기술원 예측 모델을 이용한 해수담수화 방법 및 이를 수행하는 장치
KR101108031B1 (ko) * 2009-06-30 2012-01-25 부산대학교 산학협력단 사전 예측 제어 기반 하·폐수 처리 시스템 및 하·폐수 처리 방법
CN101993151B (zh) * 2009-08-27 2012-08-29 中国科学院沈阳自动化研究所 污水生化处理过程回路控制方法
US20110082597A1 (en) 2009-10-01 2011-04-07 Edsa Micro Corporation Microgrid model based automated real time simulation for market based electric power system optimization
CN101833314B (zh) * 2010-03-30 2012-07-25 深圳达实智能股份有限公司 污水处理控制系统及污水处理控制方法
AT508613A2 (de) * 2010-09-07 2011-02-15 Gassner Kurt Ing Diskontinuierliches verfahren zur abwasserreinigung
GB2490715A (en) * 2011-05-12 2012-11-14 Univ Loughborough Process control system
DE102012202112A1 (de) * 2012-02-13 2013-08-14 Krones Ag Verfahren zur Steuerung und/oder Regelung von Filteranlagen mit einem Medienfilter
US20130233796A1 (en) * 2012-03-06 2013-09-12 Narasimha M. Rao Treatment of industrial water systems
CN102662039A (zh) * 2012-04-17 2012-09-12 戴会超 一种基于bp神经网络的水体溶解氧饱和度预测方法
US8857256B2 (en) * 2012-06-27 2014-10-14 Stantec Technology International, Inc. Micromonitoring apparatus and method
US9475715B2 (en) * 2012-11-16 2016-10-25 Xylem Water Solutions U.S.A., Inc. Optimized process and aeration performance with an advanced control algorithm
CN103064290B (zh) * 2013-01-01 2015-06-17 北京工业大学 基于自组织径向基神经网络的溶解氧模型预测控制方法
CN103116342B (zh) * 2013-01-30 2015-07-29 丁树涛 无人值守远程遥控分布污水处理控制系统
CN103197544B (zh) * 2013-02-25 2015-06-17 北京工业大学 基于非线性模型预测的污水处理过程多目标控制方法
ITRM20130346A1 (it) 2013-06-17 2014-12-18 Chemitec S R L Metodo ed apparato di controllo di un processo di trattamento biologico di acque reflue di origine civile
CN103336503B (zh) * 2013-06-24 2015-08-05 宿迁市成子湖食品有限公司 水产养殖池塘溶解氧控制系统
CN103592845B (zh) * 2013-10-27 2015-11-18 沈阳建筑大学 一种造纸行业水污染治理工艺调控方法
KR20150111675A (ko) * 2014-03-26 2015-10-06 부산대학교 산학협력단 하수처리장의 혐기성 소화조의 운영상태의 진단 및 소화가스의 발생량의 예측시스템 및 그 방법
CN105549520A (zh) * 2014-10-28 2016-05-04 兰州理工大学 明胶生产过程中配酸工序自动化控制系统
CN105549519A (zh) * 2014-10-28 2016-05-04 兰州理工大学 明胶生产过程中浸灰工序自动化控制系统
DE102015107749A1 (de) * 2015-05-18 2016-11-24 Hannelore Markgraf Verfahren und Vorrichtung zur Anreicherung von Phosphor aus Klärschlamm
CN104898723B (zh) * 2015-05-27 2017-03-15 淮阴工学院 水产养殖池塘ph值智能控制系统
CN105242656A (zh) * 2015-10-29 2016-01-13 河南大学 一种城市污泥管理系统
CN105404151B (zh) * 2015-12-12 2017-11-24 北京工业大学 污水处理过程动态多目标优化控制方法
CN105372995B (zh) * 2015-12-17 2019-01-01 镇江市高等专科学校 污水处理系统测控方法
CN105608976B (zh) * 2015-12-24 2018-12-14 中国信息安全测评中心 一种虚实结合污水处理厂测试床及其构建方法
CN105425592B (zh) * 2016-01-05 2017-12-08 大唐环境产业集团股份有限公司 一种水处理加药数字化在线控制系统
CN106354018B (zh) * 2016-11-21 2019-03-22 北京工业大学 基于rbf神经网络的溶解氧智能控制系统
CN106745707A (zh) * 2016-12-30 2017-05-31 天津创业环保集团股份有限公司 一种污水处理污泥物料平衡的控制系统及控制方法
CA3052870A1 (en) * 2017-03-08 2018-09-13 EmNet, LLC Improved fluid stream management systems and methods thereof
CN107423745A (zh) * 2017-03-27 2017-12-01 浙江工业大学 一种基于神经网络的鱼类活性分类方法
JP6766021B2 (ja) * 2017-09-20 2020-10-07 H2L株式会社 生体情報測定器
CA3078541A1 (en) 2017-10-31 2019-05-09 Luminultra Technologies Ltd. Decision support system and method for water treatment
KR102276654B1 (ko) * 2017-11-14 2021-07-13 한국 천문 연구원 Pid 제어기를 이용한 인공지능 시스템
US10619474B2 (en) 2017-11-14 2020-04-14 Saudi Arabian Oil Company Remotely operated inflow control valve
CN108469507B (zh) * 2018-03-13 2020-11-27 北京工业大学 一种基于自组织rbf神经网络的出水bod软测量方法
JP2019175409A (ja) * 2018-03-30 2019-10-10 国立大学法人横浜国立大学 水処理施設の運転制御装置及び運転制御方法
WO2020021687A1 (ja) 2018-07-26 2020-01-30 三菱電機株式会社 水処理プラント
WO2020021689A1 (ja) 2018-07-26 2020-01-30 三菱電機株式会社 水処理プラントおよび水処理プラントの運転方法
WO2020077281A1 (en) * 2018-10-12 2020-04-16 Water Solutions, Inc. Methods and systems for waste treatment management
CN109831546A (zh) * 2019-02-22 2019-05-31 江铃汽车股份有限公司 Plc交互信号转换方法、移动终端及存储介质
CN109928493A (zh) * 2019-02-25 2019-06-25 北控水务(中国)投资有限公司 一种基于大数据与进化算法的精确溶氧控制调节方法
EP3939941A4 (en) * 2019-03-11 2022-10-12 Gohda Water Treatment Technology Co., Inc. OPERATION MANAGEMENT SYSTEM FOR WASTE WATER TREATMENT PLANT
CN110487980A (zh) * 2019-06-27 2019-11-22 江苏亚寰环保科技股份有限公司 一种基于人工智能与机器学习算法的水环境监测分析系统
CN110456754A (zh) * 2019-09-11 2019-11-15 剑科云智(深圳)科技有限公司 一种污水的监控处理系统及智能分析处理方法、存储介质
CN111777138A (zh) * 2019-11-18 2020-10-16 山东新日电气设备有限公司 一种基于物联网的污水处理精细化控制系统及控制方法
CN111079350A (zh) * 2019-12-31 2020-04-28 湖州同润汇海科技有限公司 一种单塔低压酸性水汽提装置操作性能的建模方法及装置
KR102468690B1 (ko) 2020-11-27 2022-11-18 주식회사 유니온 선박용 배기가스 세정기의 모의시험 시스템
CN113830896B (zh) * 2021-09-27 2022-12-27 湖南工商大学 基于图神经网络的好氧段氧气预警方法、系统及设备
CN113845205B (zh) * 2021-10-18 2022-08-16 江苏科易达环保科技有限公司 一种高盐高氮污水智能一体化除盐脱氮控制系统
CN117105502A (zh) * 2023-10-23 2023-11-24 威海华友节能科技有限公司 基于机器学习的自适应污泥处理控制系统及控制方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03134706A (ja) * 1989-10-20 1991-06-07 Hitachi Ltd 下水処理場運転支援のための知識獲得方法
JPH0691287A (ja) * 1992-09-17 1994-04-05 Meidensha Corp 排水の生物学的処理装置の制御装置
JPH06335694A (ja) * 1993-05-31 1994-12-06 Meidensha Corp 排水の生物学的処理装置の制御装置
JP3352153B2 (ja) * 1993-06-17 2002-12-03 株式会社東芝 配水流量予測装置
JPH0968170A (ja) * 1995-08-29 1997-03-11 Hitachi Ltd 下水処理場の汚水ポンプ制御装置
US5832468A (en) * 1995-09-28 1998-11-03 The United States Of America As Represented By The Administrator Of The Environmental Protection Agency Method for improving process control by reducing lag time of sensors using artificial neural networks
US5733456A (en) * 1997-03-31 1998-03-31 Okey; Robert W. Environmental control for biological nutrient removal in water/wastewater treatment
DE19914277B4 (de) * 1999-03-20 2008-08-14 Schütz, Klaus Verfahren und Vorrichtung zur Erfassung der Klassen von System- oder Prozeßzuständen
CN2430438Y (zh) * 2000-07-12 2001-05-16 兰州英格环境工程技术有限公司 污水处理生物接触曝气槽
CN1129557C (zh) * 2000-10-27 2003-12-03 大连理工大学 垂直折流生化反应器污水好氧处理方法
KR20010069973A (ko) * 2001-05-23 2001-07-25 이용운 하수처리장치의 원격 전문가 제어 관리 시스템
KR100341387B1 (en) * 2001-11-15 2002-06-21 Vitzrosys Co Ltd Automatic system for injecting chemicals in waterworks and method thereof
US6845336B2 (en) * 2002-06-25 2005-01-18 Prasad S. Kodukula Water treatment monitoring system

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101993449B1 (ko) * 2019-01-17 2019-09-30 주식회사 아이씨티솔루션스 수처리시설 계장계측제어를 통한 에너지최적화시스템
CN110824914A (zh) * 2019-09-30 2020-02-21 华南师范大学 一种基于pca-lstm网络的废水处理智能监控方法
CN110824914B (zh) * 2019-09-30 2022-07-12 华南师范大学 一种基于pca-lstm网络的废水处理智能监控方法
KR20220005955A (ko) * 2020-07-07 2022-01-14 주식회사 위코테크 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템
CN117342689A (zh) * 2023-12-06 2024-01-05 安徽新宇环保科技股份有限公司 一种污水厂智能脱氮方法及系统
CN117342689B (zh) * 2023-12-06 2024-02-02 安徽新宇环保科技股份有限公司 一种污水厂智能脱氮方法及系统

Also Published As

Publication number Publication date
DE60214988T2 (de) 2007-01-11
CN1465534A (zh) 2004-01-07
CN1325393C (zh) 2007-07-11
ATE341021T1 (de) 2006-10-15
US6808630B2 (en) 2004-10-26
KR100456413B1 (ko) 2004-11-10
JP2004025160A (ja) 2004-01-29
DK1376276T3 (da) 2006-10-23
EP1376276A1 (en) 2004-01-02
EP1376276B1 (en) 2006-09-27
DE60214988D1 (de) 2006-11-09
JP4401638B2 (ja) 2010-01-20
US20030234218A1 (en) 2003-12-25

Similar Documents

Publication Publication Date Title
KR100456413B1 (ko) 신경회로망 및 역전파 알고리즘에 의한 하폐수처리인공지능제어 시스템 및 방법
de Canete et al. Soft-sensing estimation of plant effluent concentrations in a biological wastewater treatment plant using an optimal neural network
KR940005029B1 (ko) 프로세스 운전지원방법 및 시스템
US9747544B2 (en) Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network
FI114019B (fi) Menetelmä jätevedenpuhdistamojen ohjaamista varten käyttäen useita ohjausfunktioita
Bernardelli et al. Real-time model predictive control of a wastewater treatment plant based on machine learning
Huang et al. A fast predicting neural fuzzy model for on-line estimation of nutrient dynamics in an anoxic/oxic process
KR102440372B1 (ko) 빅데이터 및 인공지능 기반의 하수처리시설의 유입수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체
CN108562709A (zh) 一种基于卷积自编码器极限学习机的污水处理系统水质监测预警方法
US11709463B2 (en) Control method based on adaptive neural network model for dissolved oxygen of aeration system
KR102311657B1 (ko) 하폐수 처리 스마트 관리 시스템
CN108536106A (zh) 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法
CN112782975A (zh) 一种基于深度学习的污水处理曝气智能控制方法及系统
Marsili-Libelli et al. Fuzzy predictive control for nitrogen removal in biological wastewater treatment
JP4188200B2 (ja) プラントワイド最適プロセス制御装置
Baeza et al. In-line fast OUR (oxygen uptake rate) measurements for monitoring and control of WWTP
CN102778884A (zh) 一种污水处理厂用智能控制方法及智能控制系统
KR20060092660A (ko) 퍼지제어를 이용한 하·폐수 처리장의 자동제어장치 및 방법
CN114149076B (zh) 一种厌氧氨氧化污水处理系统的智能调试系统
Liu et al. Multi-objective optimization of cascade controller in combined biological nitrogen and phosphorus removal wastewater treatment plant
JPH03134706A (ja) 下水処理場運転支援のための知識獲得方法
Wang et al. Predictive modeling based on artificial neural networks for membrane fouling in a large pilot-scale anaerobic membrane bioreactor for treating real municipal wastewater
Villez et al. Online phase length optimization for a sequencing batch reactor by means of the Hotelling’s T 2 statistic
CN113222324B (zh) 一种基于pls-pso-rbf神经网络模型的污水质量监测方法
Huang et al. Improving nitrogen removal using a fuzzy neural network-based control system in the anoxic/oxic process

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
LAPS Lapse due to unpaid annual fee
FPAY Annual fee payment

Payment date: 20110722

Year of fee payment: 7

R401 Registration of restoration