KR20120117045A - 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템 및 그 방법 - Google Patents
단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템 및 그 방법 Download PDFInfo
- Publication number
- KR20120117045A KR20120117045A KR1020110034543A KR20110034543A KR20120117045A KR 20120117045 A KR20120117045 A KR 20120117045A KR 1020110034543 A KR1020110034543 A KR 1020110034543A KR 20110034543 A KR20110034543 A KR 20110034543A KR 20120117045 A KR20120117045 A KR 20120117045A
- Authority
- KR
- South Korea
- Prior art keywords
- unit
- real
- model
- evaluation
- performance evaluation
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 258
- 230000008569 process Effects 0.000 title claims abstract description 234
- 238000004148 unit process Methods 0.000 title claims abstract description 102
- 238000004458 analytical method Methods 0.000 title claims abstract description 68
- 239000003651 drinking water Substances 0.000 title 1
- 235000020188 drinking water Nutrition 0.000 title 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 175
- 238000011156 evaluation Methods 0.000 claims abstract description 108
- 238000000746 purification Methods 0.000 claims abstract description 34
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims description 62
- 238000004886 process control Methods 0.000 claims description 46
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 239000008213 purified water Substances 0.000 claims description 19
- 238000013480 data collection Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 7
- 239000003814 drug Substances 0.000 claims description 6
- 229940079593 drug Drugs 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 4
- 238000013179 statistical model Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 67
- OSVXSBDYLRYLIG-UHFFFAOYSA-N dioxidochlorine(.) Chemical compound O=Cl=O OSVXSBDYLRYLIG-UHFFFAOYSA-N 0.000 description 40
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 32
- 238000004659 sterilization and disinfection Methods 0.000 description 28
- 239000007924 injection Substances 0.000 description 27
- 238000002347 injection Methods 0.000 description 27
- 241000223935 Cryptosporidium Species 0.000 description 26
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 24
- 239000000460 chlorine Substances 0.000 description 24
- 239000004155 Chlorine dioxide Substances 0.000 description 20
- 235000019398 chlorine dioxide Nutrition 0.000 description 20
- 238000006243 chemical reaction Methods 0.000 description 17
- 230000002779 inactivation Effects 0.000 description 17
- 229910052801 chlorine Inorganic materials 0.000 description 13
- 239000006227 byproduct Substances 0.000 description 12
- 238000001914 filtration Methods 0.000 description 12
- 229910001902 chlorine oxide Inorganic materials 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 10
- 241000224466 Giardia Species 0.000 description 10
- 238000005374 membrane filtration Methods 0.000 description 9
- 239000000126 substance Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 241000588724 Escherichia coli Species 0.000 description 7
- 239000000645 desinfectant Substances 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000009287 sand filtration Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 238000005189 flocculation Methods 0.000 description 6
- 230000016615 flocculation Effects 0.000 description 6
- 238000002156 mixing Methods 0.000 description 6
- 238000011112 process operation Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004062 sedimentation Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 241000700605 Viruses Species 0.000 description 3
- SXDBWCPKPHAZSM-UHFFFAOYSA-M bromate Inorganic materials [O-]Br(=O)=O SXDBWCPKPHAZSM-UHFFFAOYSA-M 0.000 description 3
- SXDBWCPKPHAZSM-UHFFFAOYSA-N bromic acid Chemical compound OBr(=O)=O SXDBWCPKPHAZSM-UHFFFAOYSA-N 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 244000005700 microbiome Species 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- XTEGARKTQYYJKE-UHFFFAOYSA-M Chlorate Chemical compound [O-]Cl(=O)=O XTEGARKTQYYJKE-UHFFFAOYSA-M 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000004090 dissolution Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000001802 infusion Methods 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000000813 microbial effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- CPELXLSAUQHCOX-UHFFFAOYSA-M Bromide Chemical compound [Br-] CPELXLSAUQHCOX-UHFFFAOYSA-M 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- -1 and the like Substances 0.000 description 1
- 239000000701 coagulant Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000007435 diagnostic evaluation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003250 oocyst Anatomy 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/30—Treatment of water, waste water, or sewage by irradiation
- C02F1/32—Treatment of water, waste water, or sewage by irradiation with ultraviolet light
- C02F1/325—Irradiation devices or lamp constructions
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/50—Treatment of water, waste water, or sewage by addition or application of a germicide or by oligodynamic treatment
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2201/00—Apparatus for treatment of water, waste water or sewage
- C02F2201/002—Construction details of the apparatus
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2303/00—Specific treatment goals
- C02F2303/04—Disinfection
-
- 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
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Treatment Of Water By Oxidation Or Reduction (AREA)
- Separation Of Suspended Particles By Flocculating Agents (AREA)
Abstract
정수처리 공정의 각 단위공정에 대해 단위공정 해석 모델을 이용하여 공정능력지수(PRI)에 따라 정수처리 단위공정의 성능을 평가하고, 각 단위공정의 기능을 실시간으로 진단함으로써, 단위공정 제어의 이상 유무와 공정운전 상태를 실시간으로 평가 및 진단하며 제어인자 주입여부에 대한 의사결정을 효율적으로 지원할 수 있는, 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템 및 그 방법이 제공된다. 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템은, 정수처리 단위공정의 공정 제어인자 및 수량/수질 데이터를 수집하기 위한 데이터 수집부; 유입원수의 분류조건별 성능평가 목표값을 설정하고, 수집된 공정 제어인자 및 수량/수질 데이터를 입력하며, 선택적으로 입력된 공정 제어인자 및 수량/수질 데이터에 대해 성능평가 목표값을 기준으로 공정모사 모델을 해석하여 성능평가 예측값을 산출하여 출력하는 공정모사 모델 선택부; 및 성능평가 목표값 및 성능평가 예측값에 따라 공정능력지수(PRI)와 생산가능 유량을 산출하여 공정 제어인자의 적합성 여부를 판단하는 공정 평가부를 포함한다.
Description
본 발명은 정수처리 공정의 평가에 관한 것으로, 보다 구체적으로, 정수처리 공정의 각 단위공정에 대해 단위공정 해석 모델을 이용하여 공정능력지수(Process Performance Index: PRI)에 따라 정수처리 단위공정의 성능을 평가하고, 각 단위공정의 기능을 실시간으로 진단하는 시스템 및 그 방법에 관한 것이다. 여기서, 단위공정은 혼화, 응집, 침전, 모래여과, 막여과, 오존처리, 활성탄, 염소 소독처리, 이산화염소 소독처리 등으로 구성되거나 그 조합으로 구성되고, 본 발명은 이러한 단위공정을 각각 실시간으로 평가하는 정수처리 시스템 및 그 방법에 관한 것이다.
최근 정수처리시설의 자동화(현대화) 사업이 가속화되고 있는 추세에 있다. 예를 들면, 수처리 공정에 대한 기능 및 성능을 진단하여, 효율적이고 계획적인 생산 및 운영을 위한 단위시설의 자동운전 및 자동화(현대화) 계획을 정립하고, 통합운영을 위한 자동화 공정의 표준화 및 공정제어가 이루어지도록 계획함으로써, 대시민 급수 서비스 향상 및 수질 향상을 도모하며, 이에 따라 수도의 맑은 물 공급에 따른 신뢰회복을 이루려는 시도가 이루어지고 있다.
이러한 상수도시설의 자동화(현대화) 사업의 핵심은 정수처리 자동화를 통한 통합운영 시스템을 구축하는 것이다. 이러한 통합운영 시스템은 정수처리 전반에 걸쳐 계측, 제어, 감시의 자동정수 공정을 구축하게 된다. 다시 말하면, 이러한 통합운영 시스템은 정수처리 공정의 운전, 감시, 제어 및 유지관리를 위한 정보처리를 다루는 기술 및 설비를 말한다. 이러한 통합운영 시스템을 통해서, 보다 신속하고 정확하게 공정의 동특성을 알아낼 수 있고, 또한, 어떠한 상황에서도 기존 방식에 비하여 수돗물 품질을 향상시킬 수 있도록 적절한 제어알고리즘을 적용함으로써 정수처리의 성능뿐만 아니라 정수장의 경쟁력을 향상시킬 수 있다.
특히, 최근 정수처리 자동화를 위해 운영자 경험에 의존하기 보다는 단위공정의 수학적 모델과 운영자 경험을 기계적 학습을 통한 비선형 모델을 구축하고 있다. 이에 따라 각종 시뮬레이션 프로그램을 이용하여 과거의 원수의 수질자료를 바탕으로 현재 정수처리 처리 성능을 평가하고, 처리되고 있는 수질 특성을 예측할 수 있다. 이를 통해서 정수처리 진단, 평가 및 비상시 운전대책을 세우는 등의 정수장 운영자에게 유용한 정보를 제공할 수 있다.
그러나 종래의 기술에 따르면, 다년간 종사한 운영자 경험에 의하거나, 실험실 규모의 테스트를 거쳐 약품주입 조건을 산출하기 때문에 신뢰하기 어렵다는 문제점이 있다. 또한, 종래의 기술에 따르면, 법적인 기준에 의해 5년에 1회씩 종합적인 진단업무를 수행하여 공정 이상 유무 등에 대한 진단을 실시하거나, 관리 감독기관의 정기적인 현장조사에 의하여 공정 운영 상태를 파악하기 때문에, 자동화된 시스템의 문제 오류에 대한 자기 능력 판단 및 자기 복구 능력이 없다는 문제점이 있다. 또한, 종래의 기술에 따르면, 이상 수질 유입 시기나 공정 비상시 이에 대한 대책을 운전자 경험에만 의존하고 있다는 문제점이 있다.
전술한 문제점을 해결하기 위한 본 발명이 이루고자 하는 기술적 과제는, 정수처리 공정의 각 단위공정에 대해 단위공정 해석 모델을 이용하여 공정능력지수(PRI)에 따라 정수처리 단위공정의 성능을 평가하고, 각 단위공정의 기능을 실시간으로 진단할 수 있는, 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템 및 그 방법을 제공하기 위한 것이다.
본 발명이 이루고자 하는 다른 기술적 과제는, 정수처리공정에서 약품 주입, 수위 제어 등 각종 제어를 수행하기 전에 단위공정의 통합모델에 제어값을 입력하여 추론함으로써, 최상의 공정운영 상태의 편차를 최소화하여 수량과 수질의 변동에 대한 통합 자동제어 시스템의 안정성을 확보할 수 있는, 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템 및 그 방법을 제공하기 위한 것이다.
전술한 기술적 과제를 달성하기 위한 수단으로서, 본 발명에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템은, 정수처리 단위공정의 공정 제어인자 및 수량/수질 데이터를 수집하기 위한 데이터 수집부; 유입원수의 분류조건별 성능평가 목표값을 설정하고, 상기 수집된 공정 제어인자 및 수량/수질 데이터를 입력하며, 상기 선택적으로 입력된 공정 제어인자 및 수량/수질 데이터에 대해 상기 성능평가 목표값을 기준으로 공정모사 모델을 해석하여 성능평가 예측값을 산출하여 출력하는 공정모사 모델 선택부; 및 상기 성능평가 목표값 및 성능평가 예측값에 따라 공정능력지수(PRI)와 생산가능 유량을 산출하여 상기 공정 제어인자의 적합성 여부를 판단하는 공정 평가부를 포함하여 구성된다.
여기서, 상기 공정 평가부는, 유입원수 및 각 공정의 유출수의 수질 계측 정보를 입력값으로 받아 수질조합 코드로 분류하고, 이를 등급화하여 정상 운전상태 결과로부터의 통계적 편차값을 산출하여 관리수준을 평가하고, 상기 단위공정의 수학적 모델 및 통계학적 모델이 조합된 하이브리드 모델에 의하여 상기 단위공정의 수질 처리 상태를 실시간으로 진단하는 것을 특징으로 한다.
여기서, 상기 공정 평가부는, 상기 공정모사 모델 선택부의 해석 결과에 따라 상기 단위공정 각각의 성능과 생산 가능유량의 결과값을 나타내고, 상기 단위공정별로 운영자에 정해진 목표값에 만족 여부를 판단하고, 상기 성능평가 목표값에 따른 통계적 편차를 계산하여 단위공정 각각의 안정성을 나타내는 공정능력지수(Process Performance Index: PRI)로 나타내는 것을 특징으로 한다.
여기서, 상기 공정모사 모델 선택부는, 상기 공정모사 모델을 적용할 때, 입력층과 출력층 간에 은닉층을 두는 다층구조에서 데이터를 훈련시키는 다층 퍼셉트론 인공신경망 모델을 이용하는 것을 특징으로 한다.
한편, 전술한 기술적 과제를 달성하기 위한 다른 수단으로서, 본 발명에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 방법은, 데이터 수집부, 공정모사 모델 선택부 및 공정 평가부를 구비한 실시간 정수처리 공정 평가 시스템이 수행하는 실시간 정수처리 공정 평가 방법에 있어서, a) 상기 데이터 수집부가 정수처리 시스템의 해석 대상인 단위공정에 대해서 공정 제어인자 및 수량/수질 데이터를 수집하는 단계; b) 유입원수의 분류조건별 성능평가 목표값을 설정하는 단계; c) 상기 공정모사 모델 선택부가 상기 수집된 공정 제어인자 및 수량/수질 데이터를 입력하는 단계; d) 상기 선택적으로 입력된 공정 제어인자 및 수량/수질 데이터에 대해 상기 성능평가 목표값을 기준으로 공정모사 모델을 해석하여 성능평가 예측값을 산출하여 출력하는 단계; e) 상기 공정 평가부가 상기 성능평가 목표값 및 성능평가 예측값에 따라 공정능력지수(PRI)와 생산가능 유량을 산출하는 단계; 및 f) 상기 공정 평가부가 상기 공정능력지수(PRI)와 생산가능 유량에 근거하여 주입 가능한 약품 주입량을 산출하고 현재의 약품 주입량과 비교하여 상기 공정 제어인자의 적합성 여부를 판단하는 단계를 포함하여 이루어진다.
본 발명에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 방법은, g) 상기 공정 평가부가 상기 공정 제어인자의 적합성 여부에 따른 결과를 통합운전 시스템에 피드백(Feedback) 전달하는 단계를 추가로 포함할 수 있다.
여기서, 상기 e) 단계는, 상기 단위공정별로 운영자에 정해진 목표값에 만족 여부를 판단하고, 상기 성능평가 목표값에 따른 통계적 편차를 계산하여 단위공정 각각의 안정성을 나타내는 공정능력지수(Process Performance Index: PRI)로 나타내는 것을 특징으로 한다.
여기서, 상기 d) 단계는, 상기 공정모사 모델을 적용할 때, 입력층과 출력층 간에 은닉층을 두는 다층구조에서 데이터를 훈련시키는 다층 퍼셉트론을 이용하며, 상기 예측값 및 상기 실제값에 대한 오차를 감소시키는 방향으로 상기 인공신경망 모델의 연결강도를 조절할 수 있다.
본 발명에 따르면, 정수처리 공정의 각 단위공정에 대해 단위공정 해석 모델을 이용하여 공정능력지수(PRI)에 따라 정수처리 단위공정의 성능을 평가하고, 각 단위공정의 기능을 실시간으로 진단함으로써, 단위공정 제어의 이상 유무와 공정운전 상태를 실시간으로 평가 및 진단하며 제어인자 주입여부에 대한 의사결정을 효율적으로 지원할 수 있다.
본 발명에 따르면, 정수처리공정에서 약품 주입, 수위 제어 등 각종 제어를 수행하기 전에 단위공정의 통합모델에 제어값을 입력하여 추론함으로써, 최상의 공정운영 상태의 편차를 최소화하여 수량과 수질의 변동에 대한 통합 자동제어 시스템의 안정성을 확보와 운영자 경험을 기계적으로 데이터베이스로 축적하고, 이를 추론함으로써 비상시 운영 대응능력을 향상시킬 수 있다.
도 1은 본 발명의 실시예에 따른 실시간 정수처리 공정 평가 시스템과 대상공정들 간의 네트워크 구성도이다.
도 2는 본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템의 개략적인 구성도이다.
도 3은 본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 방법의 동작흐름도이다.
도 4는 본 발명의 실시예에 따라 혼화/응집/침전 공정 및 모래여과 공정 처리수질의 탁도 예측을 위한 다층퍼셉트론 인공신경망 모델이 적용된 공정모사 모델 해석부를 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따라 혼화/응집/침전 공정 및 막여과 공정 처리수질 탁도와 막간차압(TMP) 예측을 위한 다층퍼셉트론 인공신경망 모델을 구현하는 방법을 나타내는 동작흐름도이다.
도 6은 본 발명의 실시예에 따라 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 방법에서 불활성화도와 공정능력지수 계산 방법을 나타내는 동작흐름도이다.
도 7은 본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템이 구현된 메인 화면을 나타내는 도면이다.
도 8은 본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템이 적용된 출력 결과를 나타내는 도면이다.
도 9 및 도 9b는 본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템이 적용된 공정별 진단 결과를 예시하는 도면이다.
도 2는 본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템의 개략적인 구성도이다.
도 3은 본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 방법의 동작흐름도이다.
도 4는 본 발명의 실시예에 따라 혼화/응집/침전 공정 및 모래여과 공정 처리수질의 탁도 예측을 위한 다층퍼셉트론 인공신경망 모델이 적용된 공정모사 모델 해석부를 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따라 혼화/응집/침전 공정 및 막여과 공정 처리수질 탁도와 막간차압(TMP) 예측을 위한 다층퍼셉트론 인공신경망 모델을 구현하는 방법을 나타내는 동작흐름도이다.
도 6은 본 발명의 실시예에 따라 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 방법에서 불활성화도와 공정능력지수 계산 방법을 나타내는 동작흐름도이다.
도 7은 본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템이 구현된 메인 화면을 나타내는 도면이다.
도 8은 본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템이 적용된 출력 결과를 나타내는 도면이다.
도 9 및 도 9b는 본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템이 적용된 공정별 진단 결과를 예시하는 도면이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
먼저, 관련 기술로서, 본 발명의 동일 출원인에 의해 출원되어 공개된 대한민국 공개특허번호 제2010-0124511호에는 "인공신경망을 이용한 소독부산물의 생성결과 예측 장치 및 그 방법"이라는 명칭의 발명이 개시되어 있다.
이러한 인공신경망을 이용한 소독부산물의 생성결과 예측 장치는, 소독공정의 공정 제어인자 및 수량/수질 데이터를 수집하기 위한 데이터 수집부; 상기 공정 제어인자 및 수량/수질 데이터를 입력받아, 미리 구비되어 있는 적어도 하나 이상의 인공신경망 모델 대상 중 어느 하나를 인공신경망 모델로 적용하기 위한 인공신경망 모델부; 및 '상기 인공신경망 모델을 통해 출력된 소독부산물의 예측값'과 '정수처리시스템에서 실제로 확인된 소독부산물의 실제값'에 대한 오차와 기설정된 임계값의 비교결과에 따라 최적 인공신경망 모델을 선택하기 위한 피드백을 수행한 후 소독부산물의 생성결과를 예측하기 위한 피드백 제어부를 포함한다.
이러한 인공신경망을 이용한 소독부산물의 생성결과 예측 장치에 따르면, 정수처리시스템에서 소독부산물의 예측값 및 실제값에 대한 오차와 임계값의 비교결과에 따라 비선형적 최적 인공신경망 모델을 선택하여 소독부산물의 생성결과를 미리 예측할 수 있다. 또한, 복잡한 반응과 관계의 비선형적 특성을 설명할 수 있는 인공신경망 모델을 적용함으로써, 단일 소독 공정뿐만 아니라 복합소독 공정을 통해 생성되는 소독부산물을 예측할 수 있다. 또한, 인공신경망에 의해 정확하게 예측된 소독부산물의 생성결과를 이용하여 소독제 주입량을 조절함으로써 소독제를 절감할 수 있다.
한편, 본 발명의 실시예에 따른 실시간 정수처리 공정 평가 시스템은, 기존의 정수장의 통합운영시스템의 단위공정을 제어하는 HMI(Human Machine Interface) 제어기와 정수처리 공정의 각종 데이터들이 실시간으로 저장되는 데이터베이스 서버와 연동하여, 응집제, 염소, 오존 등 약품주입량과 같은 공정제어인자 값을 사전에 모델부에 입력하여 현재의 대상 시스템으로 처리결과를 추론하여, 단위공정 제어의 이상 유무와 공정운전 상태를 실시간으로 진단하고, 평가하며 제어인자 주입여부에 대한 의사결정을 지원하게 된다.
도 1은 본 발명의 실시예에 따른 실시간 정수처리 공정 평가 시스템과 대상공정들 간의 네트워크 구성도이다.
도 1에 도시된 바와 같이, 정수처리 시스템은 대상 공정(10), 공정별 자동제어 시스템(20), 수질/수량 감시 시스템(30) 및 통합 관리 시스템(40)을 포함한다.
대상 공정(10)은 응집, 침전, 모래여과, 막여과, 오존/고도산화처리(AOP), 활성탄, 염소 소독처리, 이산화염소 소독처리, 자외선(UV) 소독처리 등의 단위공정일 수 있다.
공정별 자동제어 시스템(20)은 상기 대상 공정(10) 각각에 대해 자동제어를 수행한다. 즉, 상기 공정별 자동제어 시스템(20)은 혼화, 응집, 침전, 모래여과, 막여과, 오존, 활성탄, 염소 소독처리, 이산화염소 소독처리, UV 소독처리 등의 대상 공정들(10)을 각각 자동제어할 수 있다.
수질/수량 감시 시스템(30)은 유량, pH, 온도, 알칼리도, 용존유기물 농도, UV 흡수물질, 오존 주입량, 잔류오존 농도, 염소 주입량, 잔류염소 농도, 응집제 주입량, 이산화염소 주입량, 잔류이산화염소 농도 등을 감시한다. 여기서, 상기 수질/수량 감시 시스템(30)은 PLC 네트워크를 통해 공정별 자동제어 시스템(20)과 데이터를 송수신할 수 있다.
통합 관리 시스템(40)은 통합 운전 시스템(41) 및 데이터베이스 서버(42)를 포함하며, 본 발명의 실시예에 따른 실시간 정수처리 공정 평가 시스템(100)을 추가로 포함한다. 상기 통합 관리 시스템(40)은 SCADA 네트워크를 통해 상기 수질/수량 감시 시스템(30)과 데이터를 송수신할 수 있다.
본 발명의 실시예에 따른 실시간 정수처리 공정 평가 시스템(100)은 단위공정을 제어하는 공정별 자동제어 시스템(20), 즉, HMI(Human Machine Interface) 제어기와 정수처리 공정의 각종 데이터들이 실시간으로 저장되는 데이터베이스 서버(42)와 연동하며, 예를 들면, 유입원수의 수질(크립토스포리디움 존재 여부 등)에 따라 전체 정수처리 시스템의 대장균, 지아디아, 크립토스포리디움 제거 목표값(분류조건별 목표값)을 설정할 수 있다.
또한, 본 발명의 실시예에 따른 실시간 정수처리 공정 평가 시스템(100)은 유량, 응집제, 염소, 오존 등의 약품 주입량과 같은 공정 제어인자 값을 사전에 모델부에 입력하여 현재 대상시스템으로 처리 결과를 추론하여, 혼화/응집/침전/모래여과 탁도 처리수질을 막여과 공정으로 구성된 정수처리 시스템에서는 탁도와 막간차압(TMP)을 기계적 학습 알고리즘으로 추론하여, 탁도 처리수질에 따른 대장균, 지아디아, 크립토스포리디움 제거 가능 공정능력지수를 부여하게 된다.
또한, 본 발명의 실시예에 따른 실시간 정수처리 공정 평가 시스템(100)은 오존공정, 염소, 이산화염소 공정에서는 소독제의 소비속도 인자를 통해 대장균, 지아디아, 크립토스포리디움의 제거 가능 공정능력지수를 부여하고, 동시에 브로메이트, 클로레이트 등과 같은 부산물 농도를 예측하여 목표값과의 비교 등 공정별로 운영자에 정해진 목표값에 만족여부를 결정한다. 이에 따라 본 발명의 실시예에 따른 실시간 정수처리 공정 평가 시스템(100)은 목표값에 따른 통계적 편차를 계산하여 공정 운전에 관한 이상 유무와 앞으로의 생산 가능유량을 단위공정별로 결과값을 나타내주는 자가진단을 실시할 수 있다.
이하, 설명의 이해를 돕기 위해 대표적인 단위공정별로 "공정능력지수"와 "생산가능 유량"에 대한 정수처리 공정 평가 방법을, 도 2 내지 도 6을 참조하여 구체적으로 설명하기로 한다.
도 2는 본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템의 개략적인 구성도이다.
도 2를 참조하면, 본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템(100)은, 데이터 수집부(110), 공정모사 모델 선택부(120) 및 공정 평가부(130)를 포함한다. 이때, 상기 공정모사 모델 선택부(120)는 목표값 입력부(121), 모델 입력부(122), 공정모사 모델 해석부(123) 및 모델 출력부(124)를 포함할 수 있다. 또한, 상기 공정 평가부(130)는 공정능력지수 계산부(131), 공정 제어인자 판단부(132) 및 피드백 제어부(133)를 포함할 수 있다.
먼저, 단위공정은 혼화, 응집, 침전, 모래여과, 막여과, 오존, 활성탄, 염소 소독처리, 이산화염소 소독처리 또는 UV 소독처리 공정일 수 있다.
데이터 수집부(110)는 데이터베이스 서버(42)로부터 정수처리 단위공정의 공정 제어인자 및 수량/수질 데이터를 수집한다. 여기서, 공정 제어인자로는 유량, 반응조 크기, 정수지 거리, 소독제 종류 및 주입량, 시설 제원, 도류벽 조건 등이 있고, 수량/수질 데이터에는 산성도(pH), 온도, 용존유기탄소(DOC: Dissolved Organic Carbon), 흡광도값(UV), 반응시간, 잔류염소 등이 있다. 이러한 공정 제어인자 및 수량/수질 데이터는 대상 공정에 영향을 미치는 인자로서, 정수처리시스템에서 소정의 주기 또는 실시간으로 수집되거나, 사용자의 조작에 의해 수집될 수도 있다. 다시 말하면, 상기 데이터 수집부(110)는, 상기 공정 제어인자 및 수량/수질 데이터를 통합 운전 시스템에서 수집하여 데이터베이스를 구축하며, 이때, 상기 데이터베이스는 실시간으로 측정된 상기 단위공정 각각의 약품주입농도, 수량정보, 수위정보 및 수질 정보가 저장된다.
공정모사 모델 선택부(120)는 상기 공정 제어인자 및 수량/수질 데이터를 입력받아, 미리 구비되어 있는 적어도 하나 이상의 공정모사 모델 대상 중 어느 하나를 공정모사 모델로 적용한다. 구체적으로, 상기 공정모사 모델 선택부(120)는 유입원수의 분류조건별 성능평가 목표값을 설정하고, 상기 수집된 공정 제어인자 및 수량/수질 데이터를 입력하며, 상기 선택적으로 입력된 공정 제어인자 및 수량/수질 데이터에 대해 상기 성능평가 목표값을 기준으로 공정모사 모델을 해석하여 성능평가 예측값을 산출하여 출력한다.
또한, 상기 공정모사 모델 선택부(120)는 입력층과 출력층 간에 은닉층(중간층)을 두는 다층구조에서 데이터를 훈련시키는 다층 퍼셉트론(Multilayer Perceptron)을 이용하여 기계적 학습을 수행한다. 즉, 상기 공정모사 모델 선택부(120)는, 상기 공정모사 모델을 적용할 때, 입력층과 출력층 간에 은닉층을 두는 다층구조에서 데이터를 훈련시키는 다층 퍼셉트론 인공신경망 모델을 이용하며, 상기 성능평가 예측값 및 실제로 확인된 실제값에 대한 오차를 감소시키는 방향으로 상기 다층 퍼셉트론 인공신경망 모델의 연결강도를 조절할 수 있다.
구체적으로, 공정모사 모델 선택부(120)는 데이터 수집부(110)로부터 인공신경망 모델 대상에 속하는 공정 및 수량/수질 데이터가 선택되어 입력될 수 있도록 하기 위한 모델 입력부(122), 모델 입력부(122)에서 입력된 공정 및 수량/수질 데이터를 이용하여 트리할로메탄의 생성결과를 예측할 수 있는 인공신경망이 구축된 공정모사 모델 해석부(123), 상기 공정모사 모델 해석부(123)에서 예측된 트리할로메탄의 생성결과(즉, 예측값)를 출력하는 모델 출력부(123)를 포함한다. 여기서, 공정모사 모델 해석부(123)는 입력층(123-1), 은닉층(123-2), 출력층(123-3)으로 구성되며, 입력층(123-1)이 모델 입력부(122)에 연결되고, 출력층(123-3)이 모델 출력부(124)에 연결된다. 여기서, 공정모사 모델 선택부(120)는 예측값 및 오차값의 차이인 오차를 감소시키는 방향으로 공정모사 모델 해석부(123)의 은닉층(123-2)의 수, 연결강도(connection weight)를 갱신한다. 예를 들면, 이는 은닉층(123-2)의 수를 고정할 경우에, 연결강도를 조절하기 위해 오차를 감소시키는 방향으로 연결강도를 조절하고, 상위층에서 역전파하여 하위층에서 이를 근거로 다시 자기층의 연결강도를 조절해나간다.
공정 평가부(130)는 상기 성능평가 목표값 및 성능평가 예측값에 따라 공정능력지수(PRI)와 생산가능 유량을 산출하여 상기 공정 제어인자의 적합성 여부를 판단한다. 구체적으로, 상기 공정 평가부(130)는 유입원수 및 각 공정의 유출수의 수질 계측 정보를 입력값으로 받아 수질조합 코드로 분류하고, 이를 등급화하여 정상 운전상태 결과로부터의 통계적 편차값을 산출하여 관리수준을 평가하고, 상기 단위공정의 수학적 모델 및 통계학적 모델이 조합된 하이브리드 모델에 의하여 상기 단위공정의 수질 처리 상태를 실시간으로 진단할 수 있다.
또한, 상기 공정 평가부(130)는, 상기 공정모사 모델 선택부(120)의 해석 결과에 따라 상기 단위공정 각각의 성능과 생산 가능유량의 결과값을 나타내고, 상기 단위공정별로 운영자에 정해진 목표값에 만족 여부를 판단하고, 상기 성능평가 목표값에 따른 통계적 편차를 계산하여 단위공정 각각의 안정성을 나타내는 공정능력지수(Process Performance Index: PRI)로 나타낼 수 있다. 또한, 상기 공정 평가부(130)는 상기 공정모사 모델 선택부(120)의 해석 결과에 따라 응집제, 오존, 염소, 이산화염소를 포함하는 약품주입량을 결정할 수 있다.
본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템(100)에 따르면, 정수처리 공정의 각 단위공정에 대해 단위공정 해석 모델을 이용하여 공정능력지수(PRI)에 따라 정수처리 단위공정의 성능을 평가하고, 각 단위공정의 기능을 실시간으로 진단함으로써, 단위공정 제어의 이상 유무와 공정운전 상태를 실시간으로 평가 및 진단하며 제어인자 주입여부에 대한 의사결정을 효율적으로 지원할 수 있다.
또한, 본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템(100)에 따르면, 정수처리공정에서 약품 주입, 수위 제어 등 각종 제어를 수행하기 전에 단위공정의 통합모델에 제어값을 입력하여 추론함으로써, 최상의 공정운영 상태의 편차를 최소화하여 수량과 수질의 변동에 대한 통합 자동제어 시스템의 안정성을 확보와 운영자 경험을 기계적으로 데이터베이스로 축적하고, 이를 추론함으로써 비상시 운영 대응능력을 향상시킬 수 있다.
한편, 도 3은 본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 방법의 동작흐름도이다.
도 2 및 도 3을 참조하면, 본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 방법은, 먼저, 상기 데이터 수집부(110)가 정수처리 시스템의 해석 대상 공정에 대해서 상기 데이터베이스 서버(42)로부터 공정 제어인자 및 수량/수질 데이터를 수집한다(S110).
다음으로, 유입원수의 농도조건, 예를 들면, 크립토스포리디움 농도조건을 입력하여 분류조건별 성능평가 목표값을 설정하여 입력한다(S120).
예를 들면, 분류조건별 성능평가 목표값은 유입원수 또는 공정 유출수에서 크립토스포리디움 농도조건(Oocysts/L)과 여과 방식의 종류에 따라 다음과 같이 결정될 수 있다. 구체적으로, 정수처리 시스템의 대상 공정이 급속 여과가 포함된 경우의 전체 목표값은, 급속 여과(3 log) + {(크립토스포리디움 농도조건이 0.075 이하인 경우, 0 log 추가) 또는 (크립토스포리디움 농도조건이 0.075 이상 1.0 이하인 경우, 1 log 추가) 또는 (크립토스포리디움 농도조건이 1.0 이상 3.0 이하인 경우, 2 log 추가) 또는 (크립토스포리디움 농도조건이 3.0 이상인 경우, 2.5 log 추가)}로 주어질 수 있다.
또한, 정수처리 시스템의 대상 공정에 직접 여과가 포함된 경우의 전체 목표값은, 직접 여과(2.5 log) + {(크립토스포리디움 농도조건이 0.075 이하인 경우, 0 log 추가) 또는 (크립토스포리디움 농도조건이 0.075 이상 1.0 이하인 경우, 1.5 log 추가) 또는 (크립토스포리디움 농도조건이 1.0 이상 3.0 이하인 경우, 2.5 log 추가) 또는 (크립토스포리디움 농도조건이 3.0 이상인 경우, 3.0 log 추가)}로 주어질 수 있다.
또한, 정수처리 시스템의 대상 공정에 완속 여과가 포함된 경우의 전체 목표값은, 완속 여과(2.5 log) + {(크립토스포리디움 농도조건이 0.075 이하인 경우, 0 log 추가) 또는 (크립토스포리디움 농도조건이 0.075 이상 1.0 이하인 경우, 1.0 log 추가) 또는 (크립토스포리디움 농도조건이 1.0 이상 3.0 이하인 경우, 2.0 log 추가) 또는 (크립토스포리디움 농도조건이 3.0 이상인 경우, 2.5 log 추가)}로 주어질 수 있다.
또한, 정수처리 시스템의 대상 공정에 막여과 등의 대체 여과가 포함된 경우의 전체 목표값은, 여과방식별 인증값 또는 {크립토스포리디움 농도조건이 0.075 이상 1.0 이하인 경우, (4 - 여과방식별 인증값) 추가} 또는 {크립토스포리디움 농도조건이 1.0이상 3.0 이하인 경우, (5 - 여과방식별 인증값) 추가} 또는 {크립토스포리디움 농도조건이 3.0 이상인 경우, (5.5 - 여과방식별 인증값) 추가}로 주어질 수 있다.
다음으로, 해당 프로그램의 아이콘으로 해석 대상 공정의 노드를 연결하고, 연결된 노드의 이상 유무를 확인한다(S130).
다음으로, 상기 공정모사 모델 선택부(120)의 모델 입력부(122)가 상기 수집된 공정 제어인자 및 수량/수질 데이터를 입력한다(S140). 예를 들면, 탁도에 대한 공정모사 모델의 해석을 위해서는 응집제 주입량, 유량, 온도, pH 및 알칼리도를 선택하여 입력한다.
다음으로, 상기 공정모사 모델 선택부(120)의 공정모사 모델 해석부(123)가 상기 모델 입력부(122)로부터 선택적으로 입력된 공정 제어인자 및 수량/수질 데이터에 대해 상기 성능평가 목표값을 기준으로 공정모사 모델을 해석하여 성능평가 예측값을 산출한다(S150). 예를 들면, 상기 응집제 주입량, 유량, 온도, pH 및 알칼리도 등의 데이터에 대응하여 탁도 예측값을 산출한다.
다음으로, 상기 공정모사 모델 선택부(120)의 모델 출력부(124)는 상기 공정모사 모델 해석부(123)에서 예측된 성능평가 예측값을 출력한다(S160).
다음으로, 상기 공정 평가부(130)의 공정능력지수 계산부(131)가 상기 성능평가 목표값 및 성능평가 예측값에 따라 공정능력지수(PRI)와 생산가능 유량을 산출한다(S170). 이때, 상기 단위공정별로 운영자에 정해진 목표값에 만족 여부를 판단하고, 상기 성능평가 목표값에 따른 통계적 편차를 계산하여 단위공정 각각의 안정성을 나타내는 공정능력지수(Process Performance Index: PRI)로 나타낸다.
다음으로, 상기 공정 평가부(130)의 공정 제어인자 판단부(132)가 상기 공정능력지수(PRI)와 생산가능 유량에 근거하여 주입 가능한 약품 주입량을 산출하고 현재의 약품 주입량과 비교함으로써 공정 제어인자의 적합성 여부를 판단한다(S180).
다음으로, 상기 공정 평가부(130)의 피드백 제어부(133)가 상기 공정 제어인자의 적합성 여부에 따른 결과를 상기 통합운전 시스템(41)에 피드백 전달함으로써 운영자의 공정제어 의사결정을 지원한다(S190).
한편, 도 4는 본 발명의 실시예에 따라 혼화/응집/침전 공정 및 모래여과 공정 처리수질의 탁도 예측을 위한 다층퍼셉트론 인공신경망 모델이 적용된 공정모사 모델 해석부를 설명하기 위한 도면이다.
도 4를 참조하면, 본 발명의 실시예에 따른 공정모사 모델 선택부(120)의 공정모사 모델 해석부(123)는, 입력층(123-1), 은닉층(중간층)(123-2) 및 출력층(123-3)을 포함하는 다층퍼셉트론 인공신경망 모델로 구현되며, 예를 들면, 혼화/응집/침전 공정 및 모래여과 공정 또는 막여과 공정의 처리수질 탁도의 예측, 및 막여과 공정의 경우에 한해서 막간차압(TMP)의 예측을 수행한다. 여기서, 입력층(123-1)이 상기 모델 입력부(122)에 연결되고, 출력층(123-3)이 상기 모델 출력부(124)에 연결된다.
본 발명의 실시예에 따른 공정모사 모델 해석부(123)는 입력층(123-1) 및 출력층(123-3) 사이에 은닉층(123-2)을 둔 다층구조에서 데이터를 훈련시키는 알고리즘을 내포하는 다층 퍼셉트론을 이용한 기계적 학습을 통해 이루어진다. 이에 따라, 공정모사 모델 해석부(123)는 입력층(123-1), 은닉층(123-2), 출력층(123-3)을 포함한다. 여기서, 입력층(123-1)은 적어도 하나 이상의 입력노드를 조절할 수 있고, 은닉층(123-2)은 입력노드 수에 따라 공정모사 모델 해석부(123)를 연산하는 은닉노드를 가지며, 출력층(123-3)은 입력조건을 은닉층(123-2)의 연산에 따라 적어도 하나 이상의 출력결과를 갖는다. 바람직하게는 은닉층(123-2)의 수는 미리 설정되어 있다.
입력층(123-1)에서는 모델 입력부(122)로부터 소정의 입력조건이 입력되고, 출력층(123-3)에서는 분류된 결과를 모델 출력부(123)로 출력한다. 또한, 은닉층(123-2)은 입력층(123-1) 및 출력층(123-3) 사이에 적어도 하나 이상의 계층이 존재할 수 있다.
공정모사 모델 해석부(123)는, 입력조건이 입력층(123-1)에 입력되면, 은닉층(123-2)에 있는 노드에 의해 수행된 연산결과가 다음 레벨에 있는 노드의 입력값이 되며, 이러한 과정을 출력층(123-3)까지 수행하여 최종 결과를 도출한다. 이때, 각 층에 있는 노드를 연결시켜 주는 역할을 수행하는 것이 연결강도이다. 이 연결은 같은 층에 있는 노드를 연결할 수 없고 다른 층에 있는 노드를 연결할 수 있으며, 일반적으로 하나의 노드는 다음 층에 있는 모든 노드와 연결된다.
공정모사 모델 해석부(123)에서 바이어스(Bias)와 함께 입력의 가중합을 활성화 함수(또는 전달함수)에 전달하여 결과를 출력할 수 있다.
구체적으로, 다층퍼셉트론 인공신경망 모델 해석을 위해서 공정별 탁도 처리수질을 예측할 때 필요한 수량, 응집제 주입량, pH, 탁도, 온도, 알칼리도 수량/수질 데이터가 상기 모델 입력부(122)로부터 선택되어 상기 입력층(123-1)에 입력된다.
예를 들면, 상기 공정모사 모델 해석부(123)는 성능평가 예측값 및 실제값의 차이인 오차를 감소시키는 방향으로 다층퍼셉트론 인공신경망 모델의 은닉층(123-2)의 수 및 연결강도를 갱신한다. 구체적으로, 상기 공정모사 모델 해석부(123)는 예측값 및 실제값을 비교하여 오차가 작은 방향으로 노드간의 연결강도를 조절한다. 즉, 상기 공정모사 모델 해석부(123)는 입력층(123-1)의 각 노드에 입력조건이 입력되면, 각 노드에서 변환되어 은닉층(123-2)에 전달되고 최후에 출력층(123-3)에서 성능평가 예측값을 출력한다.
또한, 상기 공정모사 모델 해석부(123)는 예측값 및 실제값을 비교하여 차이를 줄여나가는 방향으로 연결강도를 조절하고, 상위층에서 하위층으로 역전파하여 하위층에서 이를 근거로 다시 자기층의 연결강도를 조절하도록 한다.
구체적으로, 상기 공정모사 모델 해석부(123)는 p번째의 입력패턴 및 출력 패턴이 제시되는 경우, 노드 i에서 노드 j로의 연결강도를 다음의 수학식 1을 이용하여 조절할 수 있다.
여기서, 
는 p번째 목표패턴의 j 성분이고, 
는 p번째 입력패턴에서 상기 공정모사 모델 해석부(123)가 계산한 출력패턴의 j 성분이고, 
는 p번째 입력패턴의 i 성분이고, 
는 목표패턴과 실제패턴의 차이(오차)를 나타낸다.
한편, 도 5는 본 발명의 실시예에 따라 혼화/응집/침전 공정 및 막여과 공정 처리수질 탁도와 막간차압(TMP) 예측을 위한 다층퍼셉트론 인공신경망 모델을 구현하는 방법을 나타내는 동작흐름도로서, 오존처리에 따른 대장균과 지아디아, 크립토스포리디움 불활성화도와 공정능력지수 계산 방법을 나타낸다.
도 5를 참조하면, 본 발명의 실시예에 따른 단위공정이 오존 공정인 경우, 여러 단의 격벽으로 나누워진 반응조로 구성된 접촉설비에서 격벽을 기준에서 오존가스 산기관을 통해 주입되어 유입원수가 반응하는 오존 용해조, 및 상기 오존 용해조 이후의 반응구역을 오존 반응조로 구분한다(S210).
다음으로, 온도, pH 및 수량 값을 모델 입력부(122)에서 입력하고, 반응영역의 체류시간동안 분해되는 오존 소비반응속도를 계산하여 입력한다(S220).
다음으로, 대상 반응영역의 격벽을 기준으로 반응영역 유출부의 잔류 오존농도와 체류시간을 다음의 수학식 2와 같이 계산한다(S230). 즉, 용해조를 제외한 오존 반응조의 잔류 오존농도 및 이론적 체류시간을 계산한다.
여기서, HDT는 Vx/Q로 주어지고, 
는 [반응영역 구간의 격벽 기준별 x 실 출구 잔류오존농도](단위: mg/L)로 주어지며, 
는 오존 소비반응 속도상수(단위: min-1)를 나타낸다. 또한, 
는 초기 오존주입농도(단위: mg/L)를 나타내고, 
는 반응 구역 입구와 
실 출구 사이의 수리학적 체류시간(단위: 분)을 나타내고, 
는 반응 구역 입구와 
실 출구 사이의 격실 수를 나타낸다. 또한, Vx는 반응영역 구간의 격벽 기준별 
실의 용량을 나타내고, Q는 유량을 나타낸다.
다음으로, 오존에 의한 대장균, 지아디아 등 미생물 불활성화 속도상수를 다음의 수학식 3 및 수학식 4와 같이 계산한다(S240).
여기서, 
는 로그 불활화성화 지수를 나타내며, 
는 로그 불활성화율 속도상수로서, 예를 들면, 지아디아인 경우 kg로 나타내고, 바이러스인 경우 kv로 나타내며, 크립토스포리디움인 경우 kc로 나타낸다. 또한, 
는 소독값을 나타낸다.
여기서, c는 바이러스인 경우 2.174이고, 지아디아인 경우 1.038로 주어진다. 또한, d는 바이러스인 경우 0.070이고, 지아디아인 경우 0.0714로 주어진다. 또한, Temp는 수온(단위: ℃)을 나타낸다.
다음으로, 상기 계산된 각각의 인자를 통하여 다음의 수학식 5 및 수학식 6에 의해서 대상 반응조의 미생물 불활성화 지수를 계산하고(S250), 이후, 오존에 의한 브로메이트 예측 농도 또는 생성가능 유량을 계산한다(S260). 즉, 크립토스포리디움인 경우의 로그 불활성화지수(kc)는 다음의 수학식 5와 같고, 그 로그 불활성화 지수는 다음의 수학식 6과 같이 주어질 수 있다.
여기서, g는 0.0397이고, h는 1.09757이며, Temp는 수온(단위: ℃)을 나타낸다.
여기서, Log I는 로그 불활성화 지수(Log Inactivation)를 나타내고, Cchar는 격실 반응조 전체에 특징적인 잔류오존농도(단위: mg/L)를 나타내고, HDT는 격실(CSTR)별 수리학적 체류 시간(단위: 분)을 나타내며, kc는 크립토스포리디움 제거 불활성화 속도상수(단위: Log/CT)를 나타낸다.
또한, 다음의 수학식 7과 같이 브로메이트 예측 농도(
)를 구할 수 있다.
대상 원수의 수소이온농도를 의미하며, Br-은 대상 원수에 포함되어 있는 브롬 이온농도를 나타태고, t는 체류시간을 나타낸다.
다음으로, 수학식 8 및 수학식 9에 의해서 오존 반응조의 공정능력지수와 생산가능 유량을 산출하여 출력한다(S270). 이때, 공정능력지수(Process Performance Index: PRI)는 다음의 수학식 8과 같이 주어지고, 생산가능 유량은 다음의 수학식 9와 같이 주어질 수 있다.
여기서, Log I는 로그 불활성화 지수(Log Inactivation)를 나타낸다.
여기서, PRI는 공정능력지수(PRI)를 나타낸다.
다음으로, 상기 공정 평가부(130)의 공정 제어인자 판단부(132)가 상기 공정능력지수(PRI)와 생산가능 유량에 근거하여 주입 가능한 오존 주입 농도를 산출하고 현재의 오존 주입 농도와 비교함으로써 공정 제어인자의 적합성 여부를 판단한다(S280).
다음으로, 상기 공정 평가부(130)의 피드백 제어부(133)가 상기 공정 제어인자의 적합성 여부에 따른 결과, 예를 들면, 주입 가능한 오존 주입 농도를 상기 통합운전 시스템(41)에 피드백 전달함으로써 운영자의 공정제어 의사결정을 지원한다(S290).
한편, 도 6은 본 발명의 실시예에 따라 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 방법에서 불활성화도와 공정능력지수 계산 방법을 나타내는 동작흐름도로서, 염소 또는 이산화염소처리에 따른 대장균과 지아디아, 크립토스포리디움 불활성화도와 공정능력지수 계산을 위한 방법을 나타낸다.
도 6을 참조하면, 본 발명의 실시예에 따른 단위공정이 염소 또는 이산화염소 소독처리인 경우, 먼저, 해석 대상인 반응조 영역을 염소 또는 이산화염소 가스주입 부분을 기준으로 용해조와 반응조로 구분한다(S310).
다음으로, 염소 또는 이산화염소 주입농도와 온도, pH 및 수량 값을 모델 입력부에서 입력한다(S320). 즉, 데이터 수집부에서 수집된 염소 또는 이산화염소 주입농도와 온도, pH 및 수량 값을 상기 모델 입력부에서 입력한다.
다음으로, 반응조에서 원수 유동특성을 나타내는 분산상수 값을 측정계산 입력하고(S330), 이후, 염소 또는 이산화염소 소비반응속도를 입력한다(S340).
다음으로, 염소 또는 이산화염소에 의한 대장균, 지아디아 등 미생물 불활성화 속도를 입력한다(S350).
다음으로, 계산된 각각의 인자를 통합한 다음의 수학식 10 내지 수학식 12에 의해 대상 반응조의 미생물 불활성화 지수를 시간에 따라 계산한다(S360).
여기서, 
는 염소 또는 이산화염소 소비 속도상수를 나타내고, 
는 미생물 불활성화 속도상수를 나타내며, 
는 체류시간(= V/Q)을 나타낸다. 이때, V는 반응조 용량을 나타내고, Q는 유량을 나타낸다. 또한, d는 분산상수 값(Dispersion Coefficient)으로 유동 특성값인 Pe(Peclet 상수)에 반비례하는 값으로, 사용자가 임의의 상수값을 입력하고, 
는 무차원 상수값으로 추적자 시험에 의한 이론적 체류시간인 t를 평균 체류시간인 τ로 나눈 값으로 사용자 입력값이다. 또한, 
및 
은 HOM 소독모델 상수로서, 그 기본값은 1로 지정되며, 사용자 별도의 경험적 실험 결과를 통해 HOM 소독모델 상수를 지정할 수도 있다.
다음으로, 염소 또는 이산화염소도 오존 처리와 마찬가지로, 전술한 수학식 8 및 수학식 9에 의해서 공정능력지수와 생산가능 유량을 산출하여 출력한다(S370).
다음으로, 상기 공정 평가부(130)의 공정 제어인자 판단부(132)가 상기 공정능력지수(PRI)와 생산가능 유량에 근거하여 주입 가능한 염소 또는 이산화염소 농도범위를 산출하고 현재의 주입 가능한 염소 또는 이산화염소 농도와 비교함으로써 공정 제어인자의 적합성 여부를 판단한다(S380).
다음으로, 상기 공정 평가부(130)의 피드백 제어부(133)가 상기 공정 제어인자의 적합성 여부에 따른 결과, 예를 들면, 주입 가능한 염소 또는 이산화염소 농도범위를 상기 통합운전 시스템(41)에 피드백 전달함으로써 운영자의 공정제어 의사결정을 지원한다(S390).
한편, 도 7은 본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템이 구현된 메인 화면을 나타내는 도면이이고, 도 8은 본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템이 적용된 출력 결과를 나타내는 도면이다.
본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템이 구현된 메인 화면은, 도 7에 도시된 바와 같이, 해석 대상시스템의 공정구성에 따라 공정선택을 위한 아이콘 창과 이를 선택하여 배열시키고 연결선으로 각각의 노드를 연결하고, 각각의 단위공정의 입력정보를 다이얼로그 박스에 입력하고 속성값을 나타낸다.
예를 들면, 본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템은, 도 7에 도시된 바와 같이 구현될 수 있으며, 이때, 도면부호 710은 메인 메뉴를 나타내고, 도면부호 720은 툴바(Toolbar)를 나타낸다.
또한, 도면부호 730은 메인 창(Main View)을 나타내며, 상기 메인 창(730) 내에 아이콘(Icon: 731), 대화창(Dialog View: 732) 및 특성창(Property View: 733) 등이 구현될 수 있고, 상기 아이콘(731)은 선택 가능한 단위공정을 의미하며, 이러한 단위공정을 메인 창(730) 화면에서 드래그 앤 드롭(drag and drop) 방식으로 나열한 다음에 연결선으로 단위공정의 노드를 연결함으로써, 공정 구성과 연결선의 이상 유무를 확인할 수 있다.
이러한 단위공정의 노드는 자동적으로 공정의 배열 위치에 상관없이 자동적으로 직선 또는 꺽인 선으로 표시되어 연결되며, 공정 배열 구성에 이상이 있을 경우, 적색 선으로 표시되어 에러 메시지를 나타내며, 공정 구성이 완료되면, 대상 시스템의 목표 생산유량과 단위공정별 체류시간을 입력함으로써, 공정 진단 평가시 이에 대한 적합 여부를 판단할 수 있다.
또한, 본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템이 적용된 출력 결과는, 도 8에 도시된 바와 같이, 해석대상 시스템의 단위공정의 흐름에 따라 진단평가 인자를 각각 출력하여 보여줄 수 있다.
한편, 도 9 및 도 9b는 본 발명의 실시예에 따른 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템이 적용된 공정별 진단 결과를 예시하는 도면으로서, 구체적으로, 도 9a는 공정별 불활성화 지수의 결과, 즉, 공정별 Log 불화성화율 변화를 보여주고 있고, 도 9b는 온도 영향에 대한 대상 시스템의 해석결과, 즉, 온도에 따른 Log 제거율 변화를 보여주고 있다.
본 발명의 실시예에 따르면, 정수처리 공정의 각 단위공정에 대해 단위공정 해석 모델을 이용하여 공정능력지수(PRI)에 따라 정수처리 단위공정의 성능을 평가하고, 각 단위공정의 기능을 실시간으로 진단할 수 있고, 또한, 정수처리공정에서 약품 주입, 수위 제어 등 각종 제어를 수행하기 전에 단위공정의 통합모델에 제어값을 입력하여 추론함으로써, 최상의 공정운영 상태의 편차를 최소화하여 수량과 수질의 변동에 대한 통합 자동제어 시스템의 안정성을 확보와 운영자 경험을 기계적으로 데이터베이스로 축적할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10: 대상 공정
20: 공정별 자동제어 시스템
30: 수량/수질 감시 시스템
40: 통합 관리 시스템
41: 통합 운전 시스템
42: 데이터베이스 서버
100: 실시간 정수처리 공정 평가 시스템
110: 데이터 수집부(정수처리 제어인자, 수량/수질 데이터)
120: 공정모사 모델 선택부
130: 공정 평가부
121: 목표값 입력부
122: 모델 입력부
123: 공정모사 모델 해석부
124: 모델 출력부
131: 공정능력지수 계산부
132: 공정 제어인자 판단부
133: 피드백 제어부
20: 공정별 자동제어 시스템
30: 수량/수질 감시 시스템
40: 통합 관리 시스템
41: 통합 운전 시스템
42: 데이터베이스 서버
100: 실시간 정수처리 공정 평가 시스템
110: 데이터 수집부(정수처리 제어인자, 수량/수질 데이터)
120: 공정모사 모델 선택부
130: 공정 평가부
121: 목표값 입력부
122: 모델 입력부
123: 공정모사 모델 해석부
124: 모델 출력부
131: 공정능력지수 계산부
132: 공정 제어인자 판단부
133: 피드백 제어부
Claims (8)
- 정수처리 단위공정의 공정 제어인자 및 수량/수질 데이터를 수집하기 위한 데이터 수집부;
유입원수의 분류조건별 성능평가 목표값을 설정하고, 상기 수집된 공정 제어인자 및 수량/수질 데이터를 입력하며, 상기 선택적으로 입력된 공정 제어인자 및 수량/수질 데이터에 대해 상기 성능평가 목표값을 기준으로 공정모사 모델을 해석하여 성능평가 예측값을 산출하여 출력하는 공정모사 모델 선택부; 및
상기 성능평가 목표값 및 성능평가 예측값에 따라 공정능력지수(PRI)와 생산가능 유량을 산출하여 상기 공정 제어인자의 적합성 여부를 판단하는 공정 평가부를 포함하는 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템. - 제1항에 있어서,
상기 공정 평가부는, 유입원수 및 각 공정의 유출수의 수질 계측 정보를 입력값으로 받아 수질조합 코드로 분류하고, 이를 등급화하여 정상 운전상태 결과로부터의 통계적 편차값을 산출하여 관리수준을 평가하고, 상기 단위공정의 수학적 모델 및 통계학적 모델이 조합된 하이브리드 모델에 의하여 상기 단위공정의 수질 처리 상태를 실시간으로 진단하는 것을 특징으로 하는 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템. - 제1항에 있어서,
상기 공정 평가부는, 상기 공정모사 모델 선택부의 해석 결과에 따라 상기 단위공정 각각의 성능과 생산 가능유량의 결과값을 나타내고, 상기 단위공정별로 운영자에 정해진 목표값에 만족 여부를 판단하고, 상기 성능평가 목표값에 따른 통계적 편차를 계산하여 단위공정 각각의 안정성을 나타내는 공정능력지수(Process Performance Index: PRI)로 나타내는 것을 특징으로 하는 실시간 정수처리 공정 평가 시스템. - 제1항에 있어서,
상기 공정모사 모델 선택부는, 상기 공정모사 모델을 적용할 때, 입력층과 출력층 간에 은닉층을 두는 다층구조에서 데이터를 훈련시키는 다층 퍼셉트론 인공신경망 모델을 이용하는 것을 특징으로 하는 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템. - 데이터 수집부, 공정모사 모델 선택부 및 공정 평가부를 구비한 실시간 정수처리 공정 평가 시스템이 수행하는 실시간 정수처리 공정 평가 방법에 있어서,
a) 상기 데이터 수집부가 정수처리 시스템의 해석 대상인 단위공정에 대해서 공정 제어인자 및 수량/수질 데이터를 수집하는 단계;
b) 유입원수의 분류조건별 성능평가 목표값을 설정하는 단계;
c) 상기 공정모사 모델 선택부가 상기 수집된 공정 제어인자 및 수량/수질 데이터를 입력하는 단계;
d) 상기 선택적으로 입력된 공정 제어인자 및 수량/수질 데이터에 대해 상기 성능평가 목표값을 기준으로 공정모사 모델을 해석하여 성능평가 예측값을 산출하여 출력하는 단계;
e) 상기 공정 평가부가 상기 성능평가 목표값 및 성능평가 예측값에 따라 공정능력지수(PRI)와 생산가능 유량을 산출하는 단계; 및
f) 상기 공정 평가부가 상기 공정능력지수(PRI)와 생산가능 유량에 근거하여 주입 가능한 약품 주입량을 산출하고 현재의 약품 주입량과 비교하여 상기 공정 제어인자의 적합성 여부를 판단하는 단계를 포함하는 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 방법. - 제5항에 있어서,
g) 상기 공정 평가부가 상기 공정 제어인자의 적합성 여부에 따른 결과를 통합운전 시스템에 피드백(Feedback) 전달하는 단계를 추가로 포함하는 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 방법. - 제5항에 있어서,
상기 e) 단계는, 상기 단위공정별로 운영자에 정해진 목표값에 만족 여부를 판단하고, 상기 성능평가 목표값에 따른 통계적 편차를 계산하여 단위공정 각각의 안정성을 나타내는 공정능력지수(Process Performance Index: PRI)로 나타내는 것을 특징으로 하는 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 방법. - 제5항에 있어서,
상기 d) 단계는, 상기 공정모사 모델을 적용할 때, 입력층과 출력층 간에 은닉층을 두는 다층구조에서 데이터를 훈련시키는 다층 퍼셉트론을 이용하는 것을 특징으로 하는 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020110034543A KR101269056B1 (ko) | 2011-04-14 | 2011-04-14 | 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템 및 그 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020110034543A KR101269056B1 (ko) | 2011-04-14 | 2011-04-14 | 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템 및 그 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20120117045A true KR20120117045A (ko) | 2012-10-24 |
| KR101269056B1 KR101269056B1 (ko) | 2013-05-29 |
Family
ID=47285067
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020110034543A KR101269056B1 (ko) | 2011-04-14 | 2011-04-14 | 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템 및 그 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101269056B1 (ko) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318325A (zh) * | 2014-10-14 | 2015-01-28 | 广东省环境监测中心 | 多流域实时智能水质预测方法及系统 |
| KR101912239B1 (ko) * | 2018-07-04 | 2018-10-26 | 선점수 | 모바일 단말을 이용하여 실시간 기술 진단 평가가 가능한 여과수 처리 시설의 기술 진단 시스템 |
| WO2021251580A1 (ko) * | 2020-06-08 | 2021-12-16 | (주)한국워터테크놀로지 | 머신 러닝을 이용한 전기 삼투식 슬러지 처리 시스템 및 이의 제어방법 |
| KR20230065016A (ko) | 2021-11-04 | 2023-05-11 | 주식회사 도화엔지니어링 | 원수수질 분석의 오류 검증방법 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230168714A (ko) | 2022-06-08 | 2023-12-15 | 한국건설기술연구원 | 기계학습 기반의 적정 응집제 주입량 자동제어 시스템 및 그 방법 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4334317B2 (ja) | 2003-10-23 | 2009-09-30 | 株式会社東芝 | 下水処理システム |
| KR100912032B1 (ko) | 2008-05-19 | 2009-08-12 | 효성에바라엔지니어링 주식회사 | 활성 슬러지 공정을 위한 제어 장치 및 방법 |
-
2011
- 2011-04-14 KR KR1020110034543A patent/KR101269056B1/ko active IP Right Grant
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318325A (zh) * | 2014-10-14 | 2015-01-28 | 广东省环境监测中心 | 多流域实时智能水质预测方法及系统 |
| CN104318325B (zh) * | 2014-10-14 | 2017-11-07 | 广东省环境监测中心 | 多流域实时智能水质预测方法及系统 |
| KR101912239B1 (ko) * | 2018-07-04 | 2018-10-26 | 선점수 | 모바일 단말을 이용하여 실시간 기술 진단 평가가 가능한 여과수 처리 시설의 기술 진단 시스템 |
| WO2021251580A1 (ko) * | 2020-06-08 | 2021-12-16 | (주)한국워터테크놀로지 | 머신 러닝을 이용한 전기 삼투식 슬러지 처리 시스템 및 이의 제어방법 |
| KR20230065016A (ko) | 2021-11-04 | 2023-05-11 | 주식회사 도화엔지니어링 | 원수수질 분석의 오류 검증방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR101269056B1 (ko) | 2013-05-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101269056B1 (ko) | 단위공정 해석 모델을 이용한 실시간 정수처리 공정 평가 시스템 및 그 방법 | |
| CN102807301B (zh) | 再生水厂出水水质在线监测与实时预测系统及其控制方法 | |
| US6845336B2 (en) | Water treatment monitoring system | |
| KR101133664B1 (ko) | 분리막을 이용한 수처리 시스템에서 유전자 알고리즘/프로그래밍을 이용한 막오염지수 예측모델 기반 완화 세정 방법 및 시스템 | |
| CN117171661B (zh) | 一种化工厂污水处理监控方法及系统 | |
| CN101944275B (zh) | 中空纤维设备的膜污染诊断与预警决策方法 | |
| CN107949814A (zh) | 用于废水处理工艺控制的系统和方法 | |
| JP6661426B2 (ja) | プロセス診断装置、プロセス診断方法及びコンピュータプログラム | |
| CN105425592A (zh) | 一种水处理加药数字化在线控制系统 | |
| KR101237444B1 (ko) | 하폐수 처리장의 공정진단 시스템 및 방법 | |
| CN101551663A (zh) | 一种裂解炉裂解反应的预警方法 | |
| US20200331783A1 (en) | Decision support system and method for watertreatment | |
| JP4469305B2 (ja) | 水質管理システム | |
| Bouchard et al. | Multicriteria decision analysis for the selection of a small drinking water treatment system | |
| KR100834187B1 (ko) | 베이지안 네트워크를 이용한 하ㆍ폐수 처리공정의 진단시스템 | |
| KR101963124B1 (ko) | 도서지에 분산 설치된 소규모 담수화장치의 원격 진단관리 시스템 및 그 방법 | |
| Carvajal et al. | Virus removal by ultrafiltration: understanding long-term performance change by application of Bayesian analysis | |
| JP2006223951A (ja) | 水道水の水質管理方法及び水質管理システム | |
| JP4718873B2 (ja) | 膜濾過設備の制御装置 | |
| Heo et al. | Digitally-transformed early-warning protocol for membrane cleaning based on a fouling-cumulative sum chart: Application to a full-scale MBR plant | |
| JPH0839065A (ja) | 造水プラントの運転制御装置 | |
| Reynaert et al. | Predicting microbial water quality in on-site water reuse systems with online sensors | |
| Brauns et al. | On the concept of a supervisory, fuzzy set logic based, advanced filtration control in membrane bioreactors | |
| CN112884197B (zh) | 一种基于双模型的水华预测方法和装置 | |
| Han et al. | Knowledge-based fuzzy broad learning algorithm for warning membrane fouling |
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 | ||
| FPAY | Annual fee payment |
Payment date: 20160603 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20170508 Year of fee payment: 5 |
|
| FPAY | Annual fee payment |
Payment date: 20180502 Year of fee payment: 6 |
|
| FPAY | Annual fee payment |
Payment date: 20190513 Year of fee payment: 7 |