KR20210021387A - 수처리 플랜트 및 수처리 플랜트의 운전 방법 - Google Patents

수처리 플랜트 및 수처리 플랜트의 운전 방법 Download PDF

Info

Publication number
KR20210021387A
KR20210021387A KR1020217001510A KR20217001510A KR20210021387A KR 20210021387 A KR20210021387 A KR 20210021387A KR 1020217001510 A KR1020217001510 A KR 1020217001510A KR 20217001510 A KR20217001510 A KR 20217001510A KR 20210021387 A KR20210021387 A KR 20210021387A
Authority
KR
South Korea
Prior art keywords
water treatment
calculation
control
neural network
image data
Prior art date
Application number
KR1020217001510A
Other languages
English (en)
Inventor
에이지 이마무라
유키 사토
와타루 요시다
세이지 노다
요헤이 우에노
노조무 야스나가
고 와카마츠
겐타 시모다
다쿠시 가와다
Original Assignee
미쓰비시덴키 가부시키가이샤
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 미쓰비시덴키 가부시키가이샤 filed Critical 미쓰비시덴키 가부시키가이샤
Publication of KR20210021387A publication Critical patent/KR20210021387A/ko

Links

Images

Classifications

    • 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
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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
    • C02F2209/005—Processes using a programmable logic controller [PLC]
    • C02F2209/008—Processes using a programmable logic controller [PLC] comprising telecommunication features, e.g. modems or antennas
    • 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
    • C02F2209/02—Temperature
    • 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
    • C02F2209/08—Chemical Oxygen Demand [COD]; Biological Oxygen Demand [BOD]
    • 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]
    • C02F2209/105—Particle number, particle size or particle characterisation
    • 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
    • C02F2209/15—N03-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
    • C02F2209/16—Total nitrogen (tkN-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
    • 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
    • C02F2209/40—Liquid flow rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

수처리 장치(10)를 이용하여 수처리를 행하는 수처리 플랜트(1)는, 촬상 장치(20)와, 처리 장치(30)와, 제어 장치(50)를 구비한다. 촬상 장치(20)는, 수처리 장치(10)의 수처리 환경을 촬상하고, 촬상하여 얻어지는 화상 데이터를 출력한다. 처리 장치(30)는, 기계 학습에 의해 생성되는 1 이상의 계산 모델을 이용한 연산을 행하는 연산 장치(40)에, 촬상 장치(30)로부터 출력되는 화상 데이터를 1 이상의 계산 모델의 입력 데이터로서 연산을 실행시킨다. 제어 장치(50)는, 연산의 실행에 의해 연산 장치(40)로부터 출력되는 출력 정보에 근거하여, 수처리 장치(10)를 제어한다.

Description

수처리 플랜트 및 수처리 플랜트의 운전 방법
본 발명은, 상수 또는 하수 등의 수처리를 행하는 수처리 플랜트 및 수처리 플랜트의 운전 방법에 관한 것이다.
수처리 플랜트에서는, 환경 변화에 따라 제어 목표값을 변경하면서, 수처리 제어가 행해지고 있다. 예를 들면, 계절의 온도차, 유입수의 유량, 유입수의 수질 등의 수처리 환경의 변화에 수반하여 제어 목표값이 변경됨으로써, 수처리 플랜트에 있어서 수처리 환경의 변화에 따른 수처리 제어가 행해지고 있다.
제어 목표값의 변경은, 오퍼레이터가 과거의 경험 등에 기초하여 행하고 있고, 전문성이 요구된다. 특허문헌 1에서는, 환경 변화에 따른 제어 목표값의 변경에 대해서 오퍼레이터의 경험을 반영할 수 있도록, 하수 처리 장치의 제어에 AI(Artificial Intelligent) 장치를 이용하는 기술이 제안되고 있다. 이러한 기술에서는, 하수 처리 장치에의 유입수의 유량, 온도, BOD(Biochemical Oxygen Demand: 생물 화학적 산소 요구량), 및 NH4 + 등을 검출하는 복수의 센서의 검출값이 AI 장치에 입력되고, 이러한 AI 장치의 출력에 근거하여 하수 처리 장치가 제어된다.
일본 특허공개 2004-25160호 공보
전술한 바와 같은 종래의 수처리 플랜트에서는, 유입수에 있어서의 유량, 온도, BOD, 및 NH4 +와 같은 수치를 지표로서 AI 장치를 이용한 수처리 제어가 행해지고 있다. 그러나 전술한 바와 같은 종래의 수처리 플랜트에는, 개선의 여지가 있다. 예를 들면, 전술한 바와 같은 종래의 수처리 플랜트에서는, 센서에서 검출되는 수치에는 나타나지 않은 수처리 장치의 수처리 환경의 변화에 대해서는, 효과적인 수처리 제어를 행할 수 없을 우려가 있다.
본 발명은, 상기를 감안하여 이루어진 것으로, 수처리 환경의 변화에 대해서 보다 효과적인 수처리 제어를 행할 수 있는 수처리 플랜트를 얻는 것을 목적으로 한다.
본 발명에 따른 수처리 플랜트는, 수처리 장치를 이용하여 수처리를 행하는 수처리 플랜트로서, 촬상 장치와, 처리 장치와, 제어 장치를 구비한다. 촬상 장치는, 수처리 장치의 수처리 환경을 촬상하고, 촬상하여 얻어지는 화상 데이터를 출력한다. 처리 장치는, 기계 학습에 의해 생성되는 1 이상의 계산 모델을 이용한 연산을 행하는 연산 장치에, 촬상 장치로부터 출력되는 화상 데이터를 1 이상의 계산 모델의 입력 데이터로서 연산을 실행시킨다. 제어 장치는, 연산의 실행에 의해 연산 장치로부터 출력되는 정보에 근거하여, 수처리 장치를 제어한다.
본 발명에 의하면, 수처리 환경의 변화에 대해서 보다 효과적인 수처리 제어를 행할 수 있는 수처리 플랜트를 제공할 수 있다는 효과를 발휘한다.
도 1은 실시형태 1에 따른 수처리 플랜트의 개략을 나타내는 도면이다.
도 2는 실시형태 1에 따른 수처리 플랜트의 구성예를 나타내는 도면이다.
도 3은 실시형태 1에 따른 복수의 센서군의 구성예를 나타내는 도면이다.
도 4는 실시형태 1에 따른 처리 장치의 구성예를 나타내는 도면이다.
도 5는 실시형태 1에 따른 기억 장치에 기억되는 데이터 테이블의 일례를 나타내는 도면이다.
도 6은 실시형태 1에 따른 연산 장치의 구성예를 나타내는 도면이다.
도 7은 실시형태 1에 따른 제어 장치의 구성예를 나타내는 도면이다.
도 8은 실시형태 1에 따른 처리 장치의 처리의 일례를 나타내는 플로 차트이다.
도 9는 실시형태 1에 따른 연산 장치의 처리의 일례를 나타내는 플로 차트이다.
도 10은 실시형태 1에 따른 제어 장치의 처리의 일례를 나타내는 플로 차트이다.
도 11은 실시형태 1에 따른 처리 장치의 하드웨어 구성의 일례를 나타내는 도면이다.
이하에, 본 발명의 실시형태에 따른 수처리 플랜트 및 수처리 플랜트의 운전 방법을 도면에 근거하여 상세하게 설명한다. 한편, 이 실시형태에 의해 이 발명이 한정되는 것은 아니다.
실시형태 1.
도 1은, 실시형태 1에 따른 수처리 플랜트의 개략을 나타내는 도면이다. 도 1에 나타내는 바와 같이, 실시형태 1에 따른 수처리 플랜트(1)는, 수처리 장치(10)와, 촬상 장치(20)와, 처리 장치(30)와, 연산 장치(40)와, 제어 장치(50)를 구비한다. 연산 장치(40)는, AI 장치의 일례이다.
수처리 장치(10)는, 예를 들면, 상수 또는 하수 등의 수처리를 행하는 장치이고, 수처리 상태를 제어하는 펌프 또는 블로어 등의 제어 대상 기기를 구비한다. 수처리 장치(10)의 일례로서는, 펌프 또는 블로어 등의 제어 대상 기기를 구비하는 실시형태 1에 따른 장치뿐만 아니라, 수처리 플랜트의 침사지(沈砂池), 최초 침전지, 오니 감용(減容) 장치 등을 이용해도 된다.
제어 장치(50)는, 수처리 장치(10)를 제어한다. 촬상 장치(20)는, 수처리 장치(10)의 수처리 환경을 촬상하고, 촬상하여 얻어지는 수처리 환경의 화상 데이터를 출력한다. 수처리 장치(10)의 수처리 환경은, 수처리 장치(10)의 내부에 있는 수처리 환경 및 수처리 장치(10)의 외부에 있는 수처리 환경 중 적어도 하나를 포함한다. 처리 장치(30)는, 촬상 장치(20)로부터 화상 데이터를 취득한다.
처리 장치(30)는, 취득한 화상 데이터를 입력 데이터로 하는 연산을 연산 장치(40)에 실행시키고, 연산 장치(40)의 연산 결과를 연산 장치(40)로부터 취득한다. 연산 장치(40)는, 기계 학습에 의해 생성되는 계산 모델을 갖고 있다. 이러한 계산 모델은, 예를 들면, 촬상 장치(20)의 화상 데이터를 입력하고, 제어 대상 기기의 제어 목표값의 정보를 출력한다. 제어 목표값은, 예를 들면, 수처리 장치(10)의 수처리 상태를 제어하는 펌프 또는 블로어 등의 제어 대상 기기의 제어량의 목표값이다.
연산 장치(40)는, 처리 장치(30)로부터 취득한 화상 데이터를 입력 데이터로 하는 전술의 계산 모델을 이용한 연산을 행하고, 연산 장치(40)의 연산 결과를 포함하는 정보를 처리 장치(30)에 출력한다. 처리 장치(30)는, 연산 장치(40)로부터 취득한 정보를 제어 장치(50)에 출력한다. 제어 장치(50)는, 처리 장치(30)로부터 출력된 정보에 근거하여, 수처리 장치(10)를 제어한다. 예를 들면, 제어 장치(50)는, 연산 장치(40)로부터 출력되는 정보가 제어 대상 기기의 제어 목표값의 정보인 경우, 제어 목표값을 포함하는 제어 정보를 수처리 장치(10)의 제어 대상 기기에 출력함으로써, 수처리 장치(10)를 제어할 수 있다. 연산 장치(40)는, 예를 들면, 인공 지능 등으로 불리는 AI이고, 입력된 화상 데이터에 근거하는 기계 학습을 통하여, 제어 대상 기기의 바람직한 제어 목표값의 추측에 공헌한다.
이와 같이, 수처리 플랜트(1)에서는, 수처리 장치(10)의 수처리 환경의 화상을 새로운 지표로서 연산 장치(40)를 이용하여 수처리 제어를 행할 수 있다. 그 때문에, 수처리 플랜트(1)에서는, 예를 들면, 수처리 장치(10)의 수처리 환경의 화상에 근거하여 수처리 플랜트(1)의 오퍼레이터가 과거의 경험 또는 지식에 근거하여 행하고 있던 수처리 제어를, 연산 장치(40)를 이용하여 행할 수 있고, 효과적인 수처리 제어를 행할 수 있다.
상기의 실시형태 1에서는, 처리 장치(30)를 통하여 촬상 장치(20)의 화상 데이터를 연산 장치(40)에 출력하고, 연산 장치(40)의 연산 결과를 처리 장치(30)에 출력하여 제어 장치(50)에 대한 제어를 행하는 일례에 대해 설명했다. 그러나, 본 발명은 이 일례로 한정되지 않는다. 예를 들면, 처리 장치(30)의 기능을 연산 장치(40) 및 제어 장치(50) 중 적어도 하나에 내장하여 처리 장치(30)를 생략하도록 변형해도 된다. 이 변형예에서는, 예를 들면, 연산 장치(40) 및 제어 장치(50) 중 적어도 하나와 별개의 개체의 처리 장치(30)가 생략 가능하게 되기 때문에, 장치 구성의 자유도가 높아지는 효과가 얻어진다.
이하, 실시형태 1에 따른 수처리 플랜트(1)에 대해 상세하게 설명한다. 도 2는, 실시형태 1에 따른 수처리 플랜트의 구성예를 나타내는 도면이다. 한편, 이하에 있어서는, 수처리 장치(10)가 행하는 수처리의 일례로서, 하수 처리에 대해 설명한다.
도 2에 나타내는 바와 같이, 실시형태 1에 따른 수처리 플랜트(1)는, 전술한 수처리 장치(10)와, 촬상 장치(201∼203)와, 센서군(211∼213)과, 처리 장치(30)와, 연산 장치(40)와, 제어 장치(50)와, 기억 장치(61)와, 표시 장치(62)와, 입력 장치(63)를 구비한다. 한편, 이하에 있어서, 촬상 장치(201∼203)의 각각을 구별하지 않고 나타내는 경우, 촬상 장치(20)로 기재하고, 센서군(211∼213)의 각각을 구별하지 않고 나타내는 경우, 센서군(21)으로 기재하는 경우가 있다.
처리 장치(30), 연산 장치(40), 제어 장치(50), 기억 장치(61), 표시 장치(62), 및 입력 장치(63)는, 서로 통신 네트워크(64)를 통하여 통신 가능하게 접속된다. 통신 네트워크(64)는, 예를 들면, LAN(Local Area Network), WAN(Wide Area Network), 버스, 또는 전용선이다.
도 2에 나타내는 수처리 장치(10)는, 하수를 처리하는 하수 처리 장치이다. 이러한 수처리 장치(10)는, 하수도 등으로부터의 유입수인 하수를 저류하고, 하수 중의 비교적 가라앉기 쉬운 고형물 등을 침전시키는 최초 침전조(11)와, 최초 침전조(11)의 상징수(上澄水)를 호기 처리하는 처리조(12)와, 처리조(12)로부터 유입되는 활성 오니 혼합액을 상징수와 활성 오니로 분리하는 최종 침전조(13)를 구비한다. 최종 침전조(13)의 상징수는 처리수로서 최종 침전조(13)로부터 방출된다.
처리조(12)에 있어서, 최초 침전조(11)로부터 유입되는 상징수는, 유기물을 포함하고 있고, 예를 들면, 인 축적균, 질화균, 및 탈질균과 같은 호기성 미생물의 소화에 의해 상징수에 포함되는 유기물이 처리된다.
수처리 장치(10)는, 또한, 처리조(12)에 공기를 보내서 활성 오니 혼합액 중에 공기를 용해시키는 블로어(14)와, 최종 침전조(13)와 처리조(12)를 접속하는 배관에 마련되고, 최종 침전조(13)로부터 처리조(12)에 활성 오니를 반송하는 펌프(15)를 구비한다. 블로어(14) 및 펌프(15)의 각각은, 전술한 제어 대상 기기의 일례이고, 이하, 블로어(14)와 펌프(15)를 서로 구별하지 않고 나타내는 경우, 제어 대상 기기라고 기재하는 경우가 있다.
복수의 촬상 장치(201, 202, 203)는, 수처리 장치(10)의 수처리 환경으로서 서로 상이한 피촬상 대상이 되는 수처리 환경을 촬상한다. 촬상 장치(201)는, 최초 침전조(11) 내의 피촬상 대상이 되는 수처리 환경을 촬상한다. 최초 침전조(11) 내의 피촬상 대상은, 예를 들면, 최초 침전조(11)의 물의 상태, 거품의 상태, 또는 침전물의 상태 등이다.
촬상 장치(202)는, 처리조(12) 내의 피촬상 대상이 되는 수처리 환경을 촬상한다. 처리조(12) 내의 피촬상 대상은, 예를 들면, 처리조(12)의 활성 오니의 상태, 또는 물의 상태 등이다. 활성 오니의 상태는, 예를 들면, 활성 오니의 양 또는 분포 등을 포함한다. 한편, 활성 오니의 상태는, 예를 들면, 각 미생물의 양이어도 된다.
촬상 장치(203)는, 최종 침전조(13) 내의 피촬상 대상이 되는 수처리 환경을 촬상한다. 최종 침전조(13) 내의 피촬상 대상은, 예를 들면, 최종 침전조(13)의 상징수의 상태, 또는 침전물의 상태 등이다. 한편, 이하에 있어서, 최초 침전조(11), 처리조(12), 및 최종 침전조(13)의 각각을 구별하지 않고 나타내는 경우, 조(槽)라고 기재하는 경우가 있다. 촬상 장치(20)가 촬상하는 피촬상 대상은, 전술한 예로 한정되지 않고, 촬상 장치(20)는, 조의 내벽의 상태, 또는 조의 주위의 상태 등을 피촬상 대상으로 하여 촬상할 수도 있다. 한편, 도 2에 나타내는 촬상 장치(201, 202, 203)는, 수처리 장치(10)의 수처리 환경으로서, 수처리 장치(10) 내의 상태 또는 환경을 촬상하지만, 도 2에 나타내는 수처리 장치(10)의 외부의 상태 또는 환경을 촬상하는 촬상 장치를 마련해도 된다.
촬상 장치(20)는, 예를 들면, 디지털 카메라, 또는 디지털 마이크로스코프 등이다. 촬상 장치(20)는, 예를 들면, 현미경용의 디지털 카메라여도 된다. 이 경우, 촬상 장치(20)는, 조 내의 물 등을 수처리 플랜트(1)의 오퍼레이터가 현미경에 탑재했을 때에, 현미경의 화상을 촬상할 수 있다. 한편, 촬상 장치(20)의 수는, 3개로 한정되지 않고, 2개 이하여도 되고, 4개 이상이어도 된다. 이하, 수처리 플랜트(1)의 오퍼레이터를 간단히 오퍼레이터라고 기재한다.
복수의 센서군(211∼213)은, 수처리 장치(10)의 수처리 환경을 나타내는 각종의 특성을 검출한다. 예를 들면, 센서군(211)은, 최초 침전조(11)에의 유입수의 특성인 유입수 특성을 검출한다. 센서군(212)은, 처리조(12)의 상태를 나타내는 처리조 내 특성을 검출한다. 센서군(213)은, 최종 침전조(13)로부터 방출되는 처리수의 특성인 처리수 특성을 검출한다.
도 3은, 실시형태 1에 따른 복수의 센서군의 구성예를 나타내는 도면이다. 도 3에 나타내는 바와 같이, 센서군(211)은, 유입수의 유입량을 검출하는 유량 센서(221)와, 유입수의 BOD를 검출하는 BOD 센서(222)와, 유입수의 온도를 검출하는 수온 센서(223)와, 유입수의 NH3의 농도를 검출하는 NH3 센서(224)를 포함한다. 한편, 센서군(211)은, NH3 센서(224) 대신에 또는 더하여, 유입수의 NH4 + 또는 암모니아성 질소 농도를 검출하는 센서를 포함하는 구성이어도 된다.
센서군(212)은, 처리조(12)에 있어서의 용존 산소량을 검출하는 용존 산소량 센서(231)와, 처리조(12)에 있어서의 활성 미생물 농도를 검출하는 활성 미생물 농도 센서(232)와, 처리조(12)에 있어서의 BOD를 검출하는 BOD 센서(233)를 포함한다. 또, 센서군(212)은, 암모니아성 질소 농도, 질산성 질소 농도, 전체 질소 농도, 인산성 인 농도, 또는 전체 인 농도를 각각 검출하는 복수의 센서를 더 포함한다.
센서군(213)은, 처리수의 유출량을 검출하는 유량 센서(241)와, 처리수의 BOD를 검출하는 BOD 센서(242)와, 처리수의 전체 질소 농도를 검출하는 전체 질소 농도 센서(243)를 포함한다.
한편, 센서군(211∼213)은, 전술한 피검출 대상 이외를 피검출 대상으로 하는 센서를 포함해도 되고, 또, 전술한 복수의 센서 중 일부를 포함하지 않는 구성이어도 된다. 이하, 센서군(211∼213)에 있어서의 각 센서가 검출한 수치의 데이터를 수치 데이터라고 기재한다. 또, 화상 데이터와 수치 데이터를 각각 구별하지 않고 나타내는 경우, 검출 데이터라고 기재하는 경우가 있다.
처리 장치(30)는, 촬상 장치(20)로부터 출력되는 화상 데이터 및 센서군(21)으로부터 출력되는 수치 데이터를 취득하고, 취득한 화상 데이터 및 수치 데이터를 기억 장치(61)에 기억한다. 처리 장치(30)는, 촬상 장치(20)로부터 출력되는 화상 데이터 및 센서군(21)으로부터 출력되는 수치 데이터 중 선택한 데이터를 입력 데이터로서 연산을 연산 장치(40)에 실행시키고, 연산 장치(40)의 연산 결과를 포함하는 정보를 취득한다. 처리 장치(30)는, 연산 장치(40)로부터 출력되는 정보를 제어 장치(50)에 송신하고, 또한, 연산 장치(40)로부터 출력되는 정보를 기억 장치(61)에 기억한다.
또, 처리 장치(30)는, 촬상 장치(20)로부터 출력되는 화상 데이터를 표시 장치(62)에 표시할 수 있다. 오퍼레이터는, 예를 들면, 표시 장치(62)에 표시된 조 내의 화상에 근거하여, 수처리 장치(10)에 있어서 조 내가 장래적으로 바람직하지 않은 상태가 되는 전조가 나타나 있는지 여부를 판단할 수 있다. 한편, 여기에서의 장래적이란, 예를 들면, 몇 시간 앞, 또는 하루 이상 앞을 나타낸다.
또, 조 내가 장래적으로 바람직하지 않은 상태란, 예를 들면, 유기물의 제거가 불충분하게 되는 상태, 질소의 제거가 불충분하게 되는 상태, 미도시의 여과막이 막히기 쉬워지는 상태 등이다. 또, 조 내가 장래적으로 바람직하지 않은 상태가 되는 전조는, 예를 들면, 수처리를 저해하는 미생물이 증가하고 있는 상태, 또는 수처리를 행하는 미생물의 분포가 특정한 분포가 되어 있는 상태 등이다. 실시형태 1에 따른 수처리 플랜트(1)에서는, 상기와 같은 장래적으로 바람직하지 않은 상태가 되는 전조를 촬상 장치(20)에 의한 화상 데이터에 근거하여 판단할 수 있게된다. 그 때문에, 수치 데이터만에 의한 전조 판단과 비교해, 전조 판단의 근거에 대한 다양화, 고정밀화에 공헌할 수 있다. 이하, 조 내가 장래적으로 바람직하지 않은 상태가 되는 전조를 간단히 전조라고 기재하는 경우가 있다.
오퍼레이터는, 표시 장치(62)에 표시된 조 내의 화상이 전술한 전조를 나타내고 있다고 판단한 경우, 입력 장치(63)를 조작함으로써, 전조를 나타내는 환경 변화가 생기고 있는 타이밍의 화상 데이터를 학습용 데이터로서 연산 장치(40)에 포함되는 계산 모델을 생성하거나 갱신하거나 할 수 있다.
도 4는, 실시형태 1에 따른 처리 장치의 구성예를 나타내는 도면이다. 도 4에 나타내는 바와 같이, 처리 장치(30)는, 통신부(31)와, 기억부(32)와, 제어부(33)를 구비한다. 통신부(31)는, 통신 네트워크(64)에 접속된다. 제어부(33)는, 통신부(31) 및 통신 네트워크(64)를 통하여, 연산 장치(40), 제어 장치(50), 기억 장치(61), 표시 장치(62), 및 입력 장치(63)의 각각과의 사이에서 데이터의 송수신을 행할 수 있다.
제어부(33)는, 데이터 처리부(34)와, 표시 처리부(35)와, 연산 요구부(36)와, 접수 처리부(37)와, 전환부(38)를 구비한다. 데이터 처리부(34)는, 촬상 장치(20)로부터 출력되는 화상 데이터 및 센서군(21)으로부터 출력되는 수치 데이터를 반복하여 취득하고, 취득한 화상 데이터 및 수치 데이터를 기억 장치(61)에 기억한다.
데이터 처리부(34)는, 각 촬상 장치(20)로부터 취득한 화상 데이터를 시각과 관련지어 기억 장치(61)에 기억한다. 또, 데이터 처리부(34)는, 각 센서로부터 취득한 수치 데이터를 시각과 관련지어 기억 장치(61)에 기억한다. 또, 데이터 처리부(34)는, 연산 장치(40)로부터 출력되는 정보를 취득하고, 취득한 정보를 제어 장치(50)에 출력하고, 또한, 취득한 정보를 기억 장치(61)에 기억한다.
도 5는, 실시형태 1에 따른 기억 장치에 기억되는 데이터 테이블의 일례를 나타내는 도면이다. 도 5에 나타내는 데이터 테이블에는, 시각마다의 화상 데이터, 수치 데이터, 및 제어 목표값이 포함된다. 도 5에 있어서, 화상 데이터 IM1(t0), IM1(t1), …, IM1(tm), …, IM1(tn)은, 촬상 장치(201)의 화상 데이터이다. 또, 화상 데이터 IM2(t0), IM2(t1), …, IM2(tm), …, IM2(tn)는, 촬상 장치(202)의 화상 데이터이다.
또, 화상 데이터 IM3(t0), IM3(t1), …, IM3(tm), …, IM3(tn)은, 촬상 장치(203)의 화상 데이터이다. 한편, m 및 n은, 자연수이며, n>m이다. 또, 도 5에 있어서, 하나의 센서의 수치 데이터 NU1(t0), NU1(t1), …, NU1(tm), …, NU1(tn)만을 나타내고 있지만, 나머지의 센서의 수치 데이터도 데이터 테이블에 포함된다.
또, 도 5에 나타내는 데이터 테이블에는, 각 시각에 있어서 처리 장치(30)에 의해 제어 장치(50)에 출력된 각 제어 대상 기기의 제어 목표값의 정보가 포함된다. 도 5에 있어서, 제어 목표값 RV1(t0), RV1(t1), …, RV1(tm), …, RV1(tn)은, 블로어(14)의 제어 목표값이다. 또, 제어 목표값 RV2(t0), RV2(t1), …, RV2(tm), …, RV2(tn)는, 펌프(15)의 제어 목표값이다.
도 4로 되돌아가서 제어부(33)의 설명을 계속한다. 표시 처리부(35)는, 데이터 처리부(34)에서 취득된 화상 데이터 및 수치 데이터를 표시 장치(62)에 표시한다. 또, 표시 처리부(35)는, 오퍼레이터의 입력 장치(63)에 대한 조작에 의해 입력된 정보를 기억 장치(61)로부터 취득하고, 취득한 정보를 표시 장치(62)에 표시할 수 있다.
연산 요구부(36)는, 데이터 처리부(34)에서 취득된 화상 데이터 및 수치 데이터 중, 후술하는 선택 조건을 만족시키는 계산 모델의 입력에 필요한 데이터를, 통신 네트워크(64) 경유로 연산 장치(40)에 출력한다.
예를 들면, 연산 요구부(36)는, 선택 조건을 만족시키는 계산 모델이 화상용 계산 모델인 경우, 데이터 처리부(34)에서 취득된 화상 데이터를 연산 장치(40)에 출력한다. 또, 연산 요구부(36)는, 선택 조건을 만족시키는 계산 모델이 센서용 계산 모델인 경우, 데이터 처리부(34)에서 취득된 수치 데이터를 연산 장치(40)에 출력한다.
또, 연산 요구부(36)는, 선택 조건을 만족시키는 계산 모델이 화상용 계산 모델 및 센서용 계산 모델인 경우, 데이터 처리부(34)에서 취득된 화상 데이터 및 수치 데이터를 연산 장치(40)에 출력한다. 한편, 연산 요구부(36)는, 선택 조건을 만족시키는 계산 모델의 입력에 필요한 데이터를 기억 장치(61)로부터 취득하고, 취득한 데이터를 연산 장치(40)에 출력할 수도 있다.
연산 요구부(36)는, 검출 데이터를 연산 장치(40)에 출력함으로써, 검출 데이터를 입력 데이터로 하는 연산을 연산 장치(40)에 실행시킨다. 데이터 처리부(34)는, 연산 장치(40)로부터 출력되는 연산 결과를 나타내는 정보를 취득하고, 취득한 정보를 제어 장치(50)에 출력한다. 연산 장치(40)로부터 출력되는 정보에는, 예를 들면, 제어 대상 기기의 제어 목표값을 포함하는 제어 정보가 포함되어 있고, 제어 장치(50)는, 처리 장치(30)로부터 출력되는 정보에 근거하여, 수처리 장치(10)에 마련된 제어 대상 기기를 제어함으로써, 수처리 장치(10)를 제어한다.
접수 처리부(37)는, 오퍼레이터에 의한 입력 장치(63)에 대한 조작에 근거하여, 연산 장치(40)가 갖는 복수의 계산 모델을 생성 및 갱신하기 위한 화상 데이터의 선택을 접수한다. 연산 요구부(36)는, 접수 처리부(37)에 의해 선택이 접수된 화상 데이터를 기억 장치(61)로부터 취득한다. 또, 연산 요구부(36)는, 선택된 화상 데이터가 취득된 시각에 관련지어진 각 제어 대상 기기의 제어 목표값의 정보를 기억 장치(61)로부터 취득한다.
연산 요구부(36)는, 선택된 화상 데이터와 제어 대상 데이터를 관련지은 학습 데이터를 연산 장치(40)에 통신 네트워크(64) 경유로 송신한다. 학습 데이터에 있어서, 선택된 화상 데이터와 관련되는 제어 대상 데이터는, 기억 장치(61)로부터 취득된 제어 목표값과 제어 대상 기기의 종별을 포함하는 데이터이다. 예를 들면, 선택된 화상 데이터가 도 5에 나타내는 시각 tm의 화상 데이터 IM1(tm), IM2(tm), IM3(tm)인 경우, 제어 대상 데이터에는, 도 5에 나타내는 제어 목표값 RV1(tm), RV2(tm)가 포함된다.
접수 처리부(37)는, 오퍼레이터에 의한 입력 장치(63)에 대한 조작에 근거하여, 기억 장치(61)에 기억된 시계열의 화상 데이터를 선택하기 위한 기간의 정보를 접수할 수도 있다. 예를 들면, 접수 처리부(37)는, 과거 1년간의 화상 데이터를 선택하기 위한 입력 장치(63)에 대한 조작을 접수할 수 있다.
연산 요구부(36)는, 접수 처리부(37)에 의해 접수된 기간에 촬상 장치(20)로부터 출력된 시계열의 화상 데이터를 기억 장치(61)로부터 취득한다. 또, 연산 요구부(36)는, 접수 처리부(37)에 의해 접수된 기간에 있어서 각 제어 대상 기기에 설정된 시계열의 제어 목표값의 데이터를, 기억 장치(61)로부터 취득한다. 연산 요구부(36)는, 취득한 시계열의 화상 데이터와 시계열의 제어 목표값의 데이터를 포함하는 학습용 데이터를 연산 장치(40)에 통신 네트워크(64) 경유로 송신한다.
또, 후술하는 바와 같이, 화상용 계산 모델이, 예를 들면, 전술한 전조를 나타내는 환경 변화가 생기고 있는지 여부의 정도를 나타내는 스코어의 정보를 출력하는 리커런트 뉴럴 네트워크인 경우, 오퍼레이터는, 정해(正解) 데이터와 부정해(不正解) 데이터를 선택할 수 있다. 예를 들면, 오퍼레이터는, 수처리 장치(10)에 있어서 전술한 전조가 생기고 있는 상태에서 촬상 장치(20)에 의해 촬상된 화상 데이터를 정해 데이터로서 선택할 수 있다. 또, 오퍼레이터는, 예를 들면, 전술한 전조가 생기지 않은 타이밍에서 촬상 장치(20)에 의해 촬상된 화상 데이터를 부정해 데이터로서 선택할 수 있다.
전환부(38)는, 오퍼레이터에 의한 입력 장치(63)에 대한 조작에 근거하여 선택 조건을 변경하는 수동 전환 모드에서 동작할 수 있다. 예를 들면, 전환부(38)는, 동작 모드가 수동 전환 모드인 상태에서, 접수 처리부(37)에 의해 오퍼레이터에 의한 선택 조건의 전환 조작이 접수된 경우, 기억부(32)에 설정되는 선택 조건을 변경한다.
또, 전환부(38)는, 자동적으로 선택 조건을 변경하는 자동 전환 모드에서 동작할 수도 있다. 예를 들면, 전환부(38)는, 동작 모드가 자동 전환 모드이고, 또한 선택 조건이 센서용 계산 모델에 설정되어 있는 경우, 제 1 전환 조건을 만족시키는지 여부를 판정한다. 전환부(38)는, 제 1 전환 조건을 만족시킨다고 판정한 경우, 기억부(32)에 설정되는 선택 조건을 센서용 계산 모델로부터 화상용 계산 모델로 변경한다. 이에 의해, 연산 장치(40)에서 이용되는 계산 모델이 화상용 계산 모델로 변경된다.
예를 들면, 전환부(38)는, 복수의 센서군(21)에 포함되는 특정한 1 이상의 센서의 수치 데이터로 나타나는 수치가 미리 설정된 시간 이상 계속하여 미리 설정된 범위 밖인 경우에, 제 1 전환 조건을 만족시킨다고 판정할 수 있다. 제 1 전환 조건은, 센서의 검출 결과의 조건으로 한정되지 않고, 예를 들면, 시간대, 계절, 기후, 또는 그 이외의 조건이어도 된다.
또, 전환부(38)는, 동작 모드가 자동 전환 모드이고, 또한 화상용 계산 모델이 선택 조건으로 설정되어 있는 경우, 제 2 전환 조건을 만족시키는지 여부를 판정한다. 전환부(38)는, 제 2 전환 조건을 만족시킨다고 판정한 경우, 기억부(32)에 설정되는 선택 조건을 화상용 계산 모델로부터 센서용 계산 모델로 변경한다. 이에 의해, 연산 장치(40)에서 이용되는 계산 모델이 센서용 계산 모델로 변경된다.
예를 들면, 전환부(38)는, 복수의 센서군(21)에 포함되는 특정한 1 이상의 센서의 수치 데이터로 나타나는 수치가 미리 설정된 시간 이상 계속하여 미리 설정된 범위 내가 된 경우에, 제 2 전환 조건을 만족시킨다고 판정할 수 있다. 제 2 전환 조건은, 센서의 검출 결과의 조건으로 한정되지 않고, 예를 들면, 시간대, 계절, 기후, 또는 그 이외의 조건이어도 된다.
한편, 전환부(38)의 동작 모드는, 오퍼레이터에 의한 조작에 근거하여 변경할 수 있다. 또, 전환부(38)는, 센서용 계산 모델과 화상용 계산 모델을 교대로 변경할 수도 있다. 예를 들면, 전환부(38)는, 제 1 기간 T1은, 센서용 계산 모델을 설정하고, 제 1 기간 T1과 교대로 도래하는 제 2 기간 T2는, 화상용 계산 모델을 설정할 수 있다. 한편, 이 경우, 제 2 기간 T2는, 제 1 기간 T1보다도 짧게 함으로써, 수치에 의한 수처리 제어를 주로 행하면서, 화상에 의한 수처리 제어를 행할 수 있다.
다음에, 연산 장치(40)에 대해 설명한다. 도 6은, 실시형태 1에 따른 연산 장치의 구성예를 나타내는 도면이다. 도 6에 나타내는 바와 같이, 연산 장치(40)는, 통신부(41)와, 기억부(42)와, 제어부(43)를 구비한다.
통신부(41)는, 통신 네트워크(64)에 접속된다. 제어부(43)는, 통신부(41) 및 통신 네트워크(64)를 통하여, 촬상 장치(20), 처리 장치(30), 제어 장치(50), 기억 장치(61), 및 입력 장치(63)의 각각과의 사이에서 데이터의 송수신을 행할 수 있다.
기억부(42)에는, 복수의 계산 모델이 기억된다. 기억부(42)에 기억되는 복수의 계산 모델은, 전술한 화상용 계산 모델과 센서용 계산 모델을 포함한다.
화상용 계산 모델은, 예를 들면, 복수의 촬상 장치(20)로부터 출력되는 복수의 화상 데이터를 입력으로 하고, 복수의 제어 대상 기기의 제어 목표값을 출력으로 하는 컨볼루션 뉴럴 네트워크이다. 컨볼루션 뉴럴 네트워크를 이용하는 것에 의해, 일반적인 뉴럴 네트워크를 이용하는 경우와 비교하여, 가중(weight)의 공유에 의해 화상 데이터에 대한 학습이 효율적으로 행해지고, 정밀도가 높은 결과 취득이 가능하게 된다. 한편, 시스템 구축의 다양성을 고려하여, 화상용 계산 모델은, 컨볼루션 뉴럴 네트워크 이외의 뉴럴 네트워크여도 된다.
센서용 계산 모델은, 예를 들면, 복수의 센서군(211∼213)에 마련된 복수의 센서로부터 출력되는 복수의 수치 데이터를 입력으로 하고, 복수의 제어 대상 기기의 제어 목표값을 출력으로 하는 뉴럴 네트워크이다. 센서용 계산 모델은, 화상용 계산 모델인 컨볼루션 뉴럴 네트워크와는 상이하게, 수치 데이터의 연산에 적합한 뉴럴 네트워크이다. 또, 예를 들면, 센서용 계산 모델은, 선형 회귀, 로지스틱 회귀와 같은 학습 알고리즘으로 생성되는 계산 모델이어도 된다. 한편, 센서용 계산 모델은, 장치 구성의 자유도가 높아지기 때문에, 컨볼루션 뉴럴 네트워크여도 된다.
제어부(43)는, 취득 처리부(44)와, 연산 처리부(45)와, 출력 처리부(46)와, 학습 처리부(47)를 구비한다. 취득 처리부(44)는, 통신 네트워크(64) 및 통신부(41)를 통하여 처리 장치(30)로부터의 검출 데이터를 취득한다. 처리 장치(30)로부터의 검출 데이터는, 전술한 바와 같이, 화상 데이터, 수치 데이터, 또는 화상 데이터 및 수치 데이터이다.
연산 처리부(45)는, 취득 처리부(44)에서 취득된 검출 데이터에 대응하는 계산 모델을 기억부(42)로부터 판독하고, 판독한 계산 모델에 검출 데이터를 입력하고 계산 모델을 이용한 연산을 행함으로써, 계산 모델의 출력을 취득한다. 예를 들면, 연산 처리부(45)는, 취득 처리부(44)에서 취득된 검출 데이터가 화상 데이터인 경우, 화상용 계산 모델에 화상 데이터를 입력하고 화상용 계산 모델을 이용한 연산을 행하여, 화상용 계산 모델의 출력을 취득한다.
또, 연산 처리부(45)는, 취득 처리부(44)에서 취득된 검출 데이터가 수치 데이터인 경우, 센서용 계산 모델에 수치 데이터를 입력하고 센서용 계산 모델을 이용한 연산을 행하여, 센서용 계산 모델의 출력을 취득한다.
또, 연산 처리부(45)는, 취득 처리부(44)에서 취득된 검출 데이터가 화상 데이터 및 수치 데이터인 경우, 화상용 계산 모델과 센서용 계산 모델을 모두 이용한다. 즉, 연산 처리부(45)는, 화상 데이터 및 수치 데이터 중 화상 데이터를 화상용 계산 모델에 입력하고 화상용 계산 모델을 이용한 연산을 행하여, 화상용 계산 모델로부터 출력되는 정보를 취득한다. 또, 연산 처리부(45)는, 화상 데이터 및 수치 데이터 중 수치 데이터를 센서용 계산 모델에 입력하고 센서용 계산 모델을 이용한 연산을 행하여 센서용 계산 모델로부터 출력되는 정보를 취득한다.
출력 처리부(46)는, 연산 처리부(45)에 있어서 계산 모델을 이용한 연산에 의해 취득된 정보를 연산 장치(40)의 출력 정보로서 처리 장치(30)에 통신부(41)로부터 출력한다. 계산 모델로부터 출력되는 정보는, 전술한 복수의 제어 대상 기기의 제어 목표값의 정보이다.
한편, 출력 처리부(46)는, 취득 처리부(44)에서 취득된 검출 데이터가 화상 데이터 및 수치 데이터인 경우, 센서용 계산 모델로부터 출력되는 정보 및 화상용 계산 모델로부터 출력되는 정보 중 하나를 선택하여 통신부(41)로부터 처리 장치(30)에 출력할 수 있다.
예를 들면, 출력 처리부(46)는, 화상용 계산 모델로부터 출력되는 제어 목표값과 센서용 계산 모델로부터 출력되는 제어 목표값의 차가 미리 설정된 값 이상인 경우에, 화상용 계산 모델로부터 출력되는 제어 목표값을 선택하여 처리 장치(30)에 출력한다. 또, 출력 처리부(46)는, 화상용 계산 모델로부터 출력되는 제어 목표값과 센서용 계산 모델로부터 출력되는 제어 목표값의 차가 미리 설정된 값 미만인 경우에, 센서용 계산 모델로부터 출력되는 제어 목표값을 선택하여 처리 장치(30)에 출력한다.
또, 연산 처리부(45)는, 취득 처리부(44)에서 취득된 검출 데이터가 화상 데이터 및 수치 데이터인 경우, 센서용 계산 모델로부터 출력되는 제어 목표값과 화상용 계산 모델로부터 출력되는 제어 목표값의 평균값을 제어 대상 기기마다 연산할 수 있다. 출력 처리부(46)는, 연산 처리부(45)에 의해 연산된 제어 대상 기기마다의 제어 목표값의 평균값을 포함하는 제어 정보를 출력 정보로서 출력할 수 있다.
화상용 계산 모델은, 전술한 컨볼루션 뉴럴 네트워크에 더하여, 리커런트 뉴럴 네트워크를 포함하는 구성이어도 된다. 이 경우, 연산 처리부(45)는, 리커런트 뉴럴 네트워크에 촬상 장치(20)에서 촬상된 시계열의 화상 데이터를 입력하고, 시간 Ta 후에 촬상 장치(20)에서 촬상된다고 예측되는 화상의 데이터를 리커런트 뉴럴 네트워크로부터 취득한다. 시간 Ta는, 예를 들면, 12시간 이상의 시간이다. 그리고, 연산 처리부(45)는, 시간 Ta 후에 촬상 장치(20)에서 촬상된다고 예측되는 화상의 데이터를 컨볼루션 뉴럴 네트워크에 입력하고, 컨볼루션 뉴럴 네트워크로부터 출력되는 정보를 취득한다.
또, 화상용 계산 모델은, 리커런트 뉴럴 네트워크만으로 구성되어 있어도 된다. 이러한 리커런트 뉴럴 네트워크는, 예를 들면, 촬상 장치(20)에서 촬상된 시계열의 화상 데이터를 입력하고, 전술한 전조를 나타내는 환경 변화가 생기고 있는지 여부의 정도를 나타내는 스코어의 정보를 출력으로 한다. 이러한 리커런트 뉴럴 네트워크는, 전조의 종별마다 기억부(42)에 기억된다. 기억부(42)에는, 제어 대상 기기의 종별과 제어 목표값이 서로 관련지어진 정보인 제어 정보가 전조의 종별마다 기억되어 있다. 이러한 제어 정보는, 예를 들면, 오퍼레이터가 입력 장치(63)를 조작하여 기억부(42)에 기억할 수 있다.
연산 처리부(45)는, 전조의 종별마다의 리커런트 뉴럴 네트워크에 촬상 장치(20)에서 촬상된 시계열의 화상 데이터를 입력하고, 각 리커런트 뉴럴 네트워크로부터 출력되는 스코어의 정보를 취득할 수 있다. 연산 처리부(45)는, 스코어가 임계값 이상인 전조의 종별에 관련지어진 제어 대상 기기의 종별과 제어 목표값을 포함하는 제어 정보를 기억부(42)로부터 취득한다. 또, 연산 처리부(45)는, 스코어가 임계값 이상인 전조가 복수 종류 있을 때, 가장 높은 스코어의 전조의 종별에 관련지어진 제어 대상 기기의 종별과 제어 목표값을 포함하는 제어 정보를 기억부(42)로부터 취득한다. 연산 처리부(45)는, 취득한 제어 대상 기기의 종별과 제어 목표값을 포함하는 제어 정보를 연산 장치(40)의 출력 정보로서 처리 장치(30)에 통신부(41)로부터 출력한다.
학습 처리부(47)는, 처리 장치(30)로부터 출력되는 학습용 데이터에 근거하여, 전술한 화상용 계산 모델을 생성 및 갱신할 수 있다. 학습 처리부(47)는, 생성 또는 갱신한 화상용 계산 모델을 기억부(42)에 기억한다.
예를 들면, 화상용 계산 모델이 컨볼루션 뉴럴 네트워크를 포함하는 경우, 학습 처리부(47)는, 학습용 데이터에 포함되는 화상 데이터와 제어 대상 데이터에 근거하여, 컨볼루션 뉴럴 네트워크의 최적화를 행함으로써, 화상용 계산 모델을 생성하거나 갱신하거나 할 수 있다.
또, 화상용 계산 모델이 리커런트 뉴럴 네트워크를 포함하는 경우, 학습 처리부(47)는, 시계열의 화상 데이터를 포함하는 학습용 데이터에 근거하여, 리커런트 뉴럴 네트워크의 최적화를 행함으로써, 화상용 계산 모델을 생성하거나 갱신하거나 할 수 있다.
연산 장치(40)에 있어서의 뉴럴 네트워크는, 인공 뉴럴 네트워크이다. 인공 뉴럴 네트워크는, 입력 신호의 가중합(weighted sum)을 취하고, 활성화 함수로 불리는 비선형 함수를 적용하여 출력으로 하는 퍼셉트론을 계층적으로 배치한 계산 모델이다. 퍼셉트론의 출력 out은, 입력을 X=(x1, x2, …, xn), 가중을 W=(w1, w2, …, wn), 활성화 함수를 f(·)로 하고, 또한, *를 벡터의 요소곱으로 하여 이하의 식(1)에 의해 나타낼 수 있다.
out=f(X*W)…(1)
컨볼루션 뉴럴 네트워크에 있어서, 퍼셉트론은 화상에 대응하는 2차원 신호를 입력으로 취하고, 입력의 가중합을 계산하여 다음의 층에 건네 준다. 활성화 함수에는, 시그모이드(sigmoid) 함수 또는 ReLU(Rectified Linear Unit) 함수가 이용된다.
인공 뉴럴 네트워크에는, 전술의 퍼셉트론이 계층적으로 배치되어 있고, 각 층이 입력 신호를 처리해 감으로써, 식별 결과가 계산된다. 한편, 최종층은, 예를 들면, 인공 뉴럴 네트워크에 있어서의 태스크의 종별이 회귀 태스크이면 활성화 함수의 출력을 그대로 태스크의 출력으로 하고, 태스크의 종별이 분류 태스크이면 최종층에 대해서 소프트맥스(softmax) 함수를 적용하고, 태스크의 출력으로 한다.
컨볼루션 뉴럴 네트워크의 경우, 2차원 신호의 맵으로서 인공 네트워크가 구성된다. 2차원 신호의 각각이 퍼셉트론에 대응한다고 간주할 수 있고, 전(前)층의 특징 맵에 대하여 가중합을 계산하여 활성화 함수를 적용한 결과를 출력한다.
컨볼루션 뉴럴 네트워크에 있어서, 전술의 처리는 컨볼루션 연산으로 불리고, 이 밖에 풀링 처리를 행하는 풀링층이 각 층에 삽입되는 경우가 있다. 이 풀링층은, 특징 맵에 대해서 평균값 연산 또는 최대값 연산을 행하는 것에 의해 다운 샘플링을 행한다.
이와 같은 인공 뉴럴 네트워크의 학습은, 오차 역전파에 의해 행해지는 것이고, 예를 들면, 공지의 확률적 구배 강하법이 이용된다. 오차 역전파란, 인공 뉴럴 네트워크의 출력 오차를 최종층부터 차례로 전층을 향해 전파시키고, 가중을 갱신시켜 가는 프레임워크(framework)이다.
다음에, 도 2에 나타내는 제어 장치(50)에 대해 설명한다. 제어 장치(50)는, 블로어(14) 및 펌프(15) 등을 제어함으로써, 수처리 장치(10)를 제어할 수 있다. 예를 들면, 제어 장치(50)는, 블로어(14)를 제어하여 활성 오니 혼합액 중으로 보내는 공기의 양을 조정함으로써, 활성 오니 혼합액 중의 용존 산소 농도를 제어할 수 있다. 또, 제어 장치(50)는, 펌프(15)를 제어함으로써, 최종 침전조(13)로부터 처리조(12)로 반송하는 활성 오니의 유량을 조정한다.
도 7은, 실시형태 1에 따른 제어 장치의 구성예를 나타내는 도면이다. 도 7에 나타내는 바와 같이, 제어 장치(50)는, 통신부(51)와, 기억부(52)와, 제어부(53)와, 입출력부(54)를 구비한다. 통신부(51)는, 통신 네트워크(64)에 접속된다. 제어부(53)는, 통신부(51) 및 통신 네트워크(64)를 통하여, 처리 장치(30)와의 사이에서 데이터의 송수신을 행할 수 있다.
제어부(53)는, 입력 처리부(55)와, 블로어 제어부(56)와, 펌프 제어부(57)를 구비한다. 입력 처리부(55)는, 통신부(51)를 통하여, 처리 장치(30)로부터 출력되는 제어 정보를 취득하고, 취득한 제어 정보를 기억부(52)에 기억한다. 기억부(52)에 기억되는 제어 정보는, 블로어(14)의 제어 목표값과, 펌프(15)의 제어 목표값을 포함한다.
블로어 제어부(56)는, 기억부(52)에 기억되어 있는 블로어(14)의 제어 목표값을 판독한다. 또, 블로어 제어부(56)는, 용존 산소량 센서(231)에서 검출되는 용존 산소량을 나타내는 수치 데이터를 기억 장치(61) 또는 용존 산소량 센서(231)로부터 취득한다. 블로어 제어부(56)는, 블로어(14)의 제어 목표값과 취득한 용존 산소량에 근거하여, PI(Proportional Integral) 제어 또는 PID(Proportional Integral Differential) 제어에 의해 제어 신호를 생성한다. 블로어 제어부(56)는, 생성한 제어 신호를 입출력부(54)로부터 블로어(14)에 출력한다. 블로어(14)는, 제어 장치(50)의 입출력부(54)로부터 출력되는 제어 신호에 근거하여, 처리조(12)로 보내는 공기의 양을 조정한다.
펌프 제어부(57)는, 기억부(52)에 기억되어 있는 펌프(15)의 제어 목표값을 판독한다. 또, 펌프 제어부(57)는, 입출력부(54)를 통하여 미도시의 센서로부터, 최종 침전조(13)로부터 처리조(12)로의 활성 오니의 유량을 나타내는 수치 데이터를 취득한다. 펌프 제어부(57)는, 펌프(15)의 제어 목표값과 취득한 활성 오니의 유량에 근거하여, PI 제어 또는 PID 제어에 의해 제어 신호를 생성한다. 펌프 제어부(57)는, 생성한 제어 신호를 입출력부(54)로부터 펌프(15)에 출력한다. 펌프(15)는, 제어 장치(50)의 입출력부(54)로부터 출력되는 제어 신호에 근거하여, 최종 침전조(13)로부터 처리조(12)로의 활성 오니의 유량을 조정한다.
계속해서, 수처리 플랜트(1)의 동작을, 플로 차트를 이용하여 설명한다. 도 8은, 실시형태 1에 따른 처리 장치의 처리의 일례를 나타내는 플로 차트이며, 처리 장치(30)의 제어부(33)에 의해 반복 실행된다.
도 8에 나타내는 바와 같이, 처리 장치(30)의 제어부(33)는, 오퍼레이터로부터 선택 조건의 전환 조작을 접수했는지 여부를 판정한다(스텝 S10). 제어부(33)는, 선택 조건의 전환 조작을 접수했다고 판정한 경우(스텝 S10: Yes), 기억부(32)에 기억되어 있는 선택 조건을 전환 조작에 따른 선택 조건으로 변경함으로써, 선택 조건을 전환한다(스텝 S11).
제어부(33)는, 스텝 S11의 처리가 종료된 경우, 또는 선택 조건의 전환 조작을 접수하고 있지 않다고 판정한 경우(스텝 S10: No), 오퍼레이터로부터 화상 데이터의 선택을 접수했는지 여부를 판정한다(스텝 S12). 제어부(33)는, 화상 데이터의 선택을 접수했다고 판정한 경우(스텝 S12: Yes), 선택된 화상 데이터를 포함하는 학습용 데이터를 연산 장치(40)에 출력한다(스텝 S13).
제어부(33)는, 스텝 S13의 처리가 종료된 경우, 또는 화상 데이터의 선택을 접수하고 있지 않다고 판정한 경우(스텝 S12: No), 검출 데이터를 취득했는지 여부를 판정한다(스텝 S14). 제어부(33)는, 검출 데이터를 취득했다고 판정한 경우(스텝 S14: Yes), 동작 모드가 자동 전환 모드인지 여부를 판정한다(스텝 S15).
제어부(33)는, 동작 모드가 자동 전환 모드라고 판정한 경우(스텝 S15: Yes), 자동 전환 처리를 행한다(스텝 S16). 스텝 S16에 있어서, 제어부(33)는, 센서용 계산 모델이 선택 조건으로 설정되어 있는 상태에서, 제 1 전환 조건을 만족시킨다고 판정한 경우, 화상용 계산 모델을 선택 조건으로 설정한다. 또, 제어부(33)는, 화상용 계산 모델이 선택 조건으로 설정되어 있는 상태에서, 제 2 전환 조건을 만족시킨다고 판정한 경우, 센서용 계산 모델을 선택 조건으로 설정한다.
제어부(33)는, 스텝 S16의 처리가 종료된 경우, 또는 동작 모드가 자동 전환 모드가 아니라고 판정한 경우(스텝 S15: No), 선택 조건에 대응하는 검출 데이터를 기억 장치(61)로부터 취득하고, 취득한 검출 데이터를 연산 장치(40)에 출력한다(스텝 S17). 스텝 S17에 있어서, 선택 조건에 대응하는 검출 데이터는, 예를 들면, 설정되어 있는 선택 조건이 화상용 계산 모델인 경우, 화상 데이터이다. 또, 선택 조건에 대응하는 검출 데이터는, 설정되어 있는 선택 조건이 센서용 계산 모델인 경우, 수치 데이터이다.
다음에, 제어부(33)는, 스텝 S17에 응답하여 연산 장치(40)로부터 출력되는 출력 정보를 취득하고(스텝 S18), 취득한 출력 정보를 제어 장치(50)에 출력한다(스텝 S19). 이러한 출력 정보에는, 전술한 바와 같이 제어 정보가 포함된다. 제어부(33)는, 스텝 S19의 처리가 종료된 경우, 또는 검출 데이터를 취득하고 있지 않다고 판정한 경우(스텝 S14: No), 도 8에 나타내는 처리를 종료한다.
도 9는, 실시형태 1에 따른 연산 장치의 처리의 일례를 나타내는 플로 차트이며, 연산 장치(40)의 제어부(43)에 의해 반복 실행된다.
도 9에 나타내는 바와 같이, 연산 장치(40)의 제어부(43)는, 처리 장치(30)로부터 검출 데이터를 취득했는지 여부를 판정한다(스텝 S20). 제어부(43)는, 검출 데이터를 취득했다고 판정한 경우(스텝 S20: Yes), 취득한 검출 데이터를 계산 모델의 입력으로 하고, 계산 모델을 이용한 연산 처리를 실행하고(스텝 S21), 계산 모델의 출력 정보를 처리 장치(30)에 송신한다(스텝 S22).
제어부(43)는, 스텝 S22의 처리가 종료된 경우, 또는 검출 데이터를 취득하고 있지 않다고 판정한 경우(스텝 S20: No), 학습용 데이터를 처리 장치(30)로부터 취득했는지 여부를 판정한다(스텝 S23). 제어부(43)는, 학습용 데이터를 처리 장치(30)로부터 취득했다고 판정한 경우(스텝 S23: Yes), 학습용 데이터를 이용하여 계산 모델의 학습 처리를 실행한다(스텝 S24).
제어부(43)는, 스텝 S24의 처리가 종료된 경우, 또는 학습용 데이터를 취득하고 있지 않다고 판정한 경우(스텝 S23: No), 도 9에 나타내는 처리를 종료한다.
도 10은, 실시형태 1에 따른 제어 장치의 처리의 일례를 나타내는 플로 차트이며, 제어 장치(50)의 제어부(53)에 의해 반복 실행된다.
도 10에 나타내는 바와 같이, 제어 장치(50)의 제어부(53)는, 처리 장치(30)로부터 제어 정보를 취득했는지 여부를 판정한다(스텝 S30). 제어부(53)는, 제어 정보를 취득했다고 판정한 경우(스텝 S30: Yes), 취득한 제어 정보에 근거하여 제어 대상 기기를 제어한다(스텝 S31). 제어부(53)는, 스텝 S31의 처리가 종료된 경우, 또는 제어 정보를 취득하고 있지 않다고 판정한 경우(스텝 S30: No), 도 10에 나타내는 처리를 종료한다.
도 11은, 실시형태 1에 따른 처리 장치의 하드웨어 구성의 일례를 나타내는 도면이다. 도 11에 나타내는 바와 같이, 처리 장치(30)는, 프로세서(101)와, 메모리(102)와, 인터페이스 회로(103)를 구비하는 컴퓨터를 포함한다.
프로세서(101), 메모리(102) 및 인터페이스 회로(103)는, 버스(104)에 의해 서로 데이터의 송수신이 가능하다. 통신부(31)는, 인터페이스 회로(103)에 의해 실현된다. 기억부(32)는, 메모리(102)에 의해 실현된다. 프로세서(101)는, 메모리(102)에 기억된 프로그램을 판독하여 실행하는 것에 의해, 데이터 처리부(34), 표시 처리부(35), 연산 요구부(36), 접수 처리부(37), 및 전환부(38)의 기능을 실행한다. 프로세서(101)는, 처리 회로의 일례이고, CPU(Central Processing Unit), DSP(Digital Signal Processer), 및 시스템 LSI(Large Scale Integration) 중 하나 이상을 포함한다.
메모리(102)는, RAM(Random Access Memory), ROM(Read Only Memory), 플래시 메모리, 및 EPROM(Erasable Programmable Read Only Memory) 중 하나 이상을 포함한다. 또, 메모리(102)는, 컴퓨터가 판독 가능한 전술의 프로그램이 기록된 기록 매체를 포함한다. 이러한 기록 매체는, 불휘발성 또는 휘발성의 반도체 메모리, 자기 디스크, 플렉시블 메모리, 광 디스크, 콤팩트 디스크, 및 DVD 중 하나 이상을 포함한다.
또, 처리 장치(30)의 제어부(33)가 전용의 하드웨어로 실현되는 경우, 제어부(33)는, 예를 들면, 단일 회로, 복합 회로, 프로그램화한 프로세서, 병렬 프로그램화한 프로세서, ASIC(Application Specific Integrated Circuit), FPGA(Field Programmable Gate Array), 또는 이들을 조합한 것이다.
또, 연산 장치(40)도 도 11에 나타내는 하드웨어 구성과 마찬가지의 하드웨어 구성을 갖는다. 통신부(41)는, 인터페이스 회로(103)에 의해 실현된다. 기억부(42)는, 메모리(102)에 의해 실현된다. 프로세서(101)는, 메모리(102)에 기억된 프로그램을 판독하여 실행하는 것에 의해, 취득 처리부(44), 연산 처리부(45), 출력 처리부(46), 및 학습 처리부(47)의 기능을 실행한다. 한편, 제어부(43)가 전용의 하드웨어로 실현되는 경우, 단일 회로, 복합 회로, 프로그램화한 프로세서, 병렬 프로그램화한 프로세서, ASIC, FPGA, 또는 이들을 조합한 것이다.
또, 제어 장치(50)도 도 11에 나타내는 하드웨어 구성과 마찬가지의 하드웨어 구성을 갖는다. 통신부(51) 및 입출력부(54)는, 인터페이스 회로(103)에 의해 실현된다. 기억부(52)는, 메모리(102)에 의해 실현된다. 프로세서(101)는, 메모리(102)에 기억된 프로그램을 판독하여 실행하는 것에 의해, 입력 처리부(55), 블로어 제어부(56), 및 펌프 제어부(57)의 기능을 실행한다. 한편, 제어부(53)가 전용의 하드웨어로 실현되는 경우, 단일 회로, 복합 회로, 프로그램화한 프로세서, 병렬 프로그램화한 프로세서, ASIC, FPGA, 또는 이들을 조합한 것이다.
전술한 예에서는, 연산 장치(40)로부터 출력된 정보는, 처리 장치(30)로부터 제어 장치(50)에 출력되지만, 처리 장치(30)를 통하지 않고 연산 장치(40)로부터 출력된 정보를 제어 장치(50)에 직접 입력시키는 구성이어도 된다.
또, 화상용 계산 모델은, 리커런트 뉴럴 네트워크로 구성되는 경우, 수처리 장치(10)에 있어서 조 내가 장래적으로 바람직하지 않은 상태가 되는 전조가 생기고 있는지 여부의 정도를 나타내는 스코어인 전조 스코어의 정보를 전조의 종별마다 처리 장치(30)에 출력할 수 있다. 이 경우, 처리 장치(30)의 표시 처리부(35)는, 취득한 전조의 종별마다의 전조 스코어를 표시 장치(62)에 표시할 수 있다.
또, 전술한 예에서는, 화상용 계산 모델의 예로서, 화상 데이터만을 입력 데이터로 하는 계산 모델을 설명했지만, 화상용 계산 모델은, 화상 데이터에 더하여 수치 데이터 또는 그 외의 데이터를 입력 데이터로 하는 계산 모델이어도 된다.
또, 전술에서는, 화상용 계산 모델의 일례로서, 복수의 화상 데이터를 입력으로 하고 복수의 제어 목표값을 출력으로 하는 컨볼루션 뉴럴 네트워크에 대해 설명했지만, 화상용 계산 모델은, 전술한 예로 한정되지 않는다. 예를 들면, 화상용 계산 모델로서 제어 목표값마다 컨볼루션 뉴럴 네트워크를 마련할 수도 있다. 화상용 계산 모델로서 촬상 장치(20)마다 컨볼루션 뉴럴 네트워크를 마련할 수도 있다. 또, 화상용 계산 모델로서 촬상 장치(20)마다 또한 제어 대상 기기마다 컨볼루션 뉴럴 네트워크를 마련할 수도 있다.
또, 전술한 예에서는, 화상용 계산 모델은, 리커런트 뉴럴 네트워크만으로 구성되는 경우, 제어 대상 기기의 종별과 제어 목표값이 서로 관련지어진 정보인 제어 정보가 전조의 종별마다 기억되어 있지만, 이러한 예로 한정되지 않는다. 예를 들면, 연산 장치(40)는, 기억 장치(61)에 기억된 시계열의 화상 데이터와 시계열의 제어 목표값에 근거하여 기계 학습을 행하여 리커런트 뉴럴 네트워크의 생성 또는 갱신을 할 수도 있다. 이 경우, 리커런트 뉴럴 네트워크는, 시계열의 화상 데이터로부터 제어 목표값을 출력한다. 이에 의해, 예를 들면, 수처리 플랜트(1)에 있어서, 조 내가 장래적으로 바람직하지 않은 상태가 되는 복수의 전조 중 오퍼레이터에 의해 아직 인식되어 있지 않은 전조가 생기고 있는 경우에도, 효과적인 수처리를 행할 수 있다.
또, 전술한 예에서는, 연산 장치(40)를 이용하여 제어되는 제어 대상 기기의 예로서, 블로어(14) 및 펌프(15)를 설명했지만, 연산 장치(40)를 이용하여 제어되는 제어 대상 기기는, 블로어(14) 및 펌프(15) 이외의 기기를 포함해도 된다.
이상과 같이, 실시형태 1에 따른 수처리 플랜트(1)는, 수처리를 행하는 수처리 장치(10)와, 촬상 장치(20)와, 처리 장치(30)와, 연산 장치(40)와, 제어 장치(50)를 구비한다. 촬상 장치(20)는, 수처리 장치(10)의 수처리 환경을 촬상하고, 촬상하여 얻어지는 화상 데이터를 출력한다. 처리 장치(30)는, 기계 학습에 의해 생성되는 1 이상의 계산 모델을 이용한 연산을 행하는 연산 장치(40)에, 촬상 장치(20)로부터 출력되는 화상 데이터를 1 이상의 계산 모델의 입력 데이터로서 연산을 실행시킨다. 제어 장치(50)는, 연산의 실행에 의해 연산 장치(40)로부터 출력되는 출력 정보에 근거하여, 수처리 장치(10)를 제어한다. 그 때문에, 수처리 플랜트(1)에서는, 예를 들면, 수처리 장치(10)의 수처리 환경의 화상에 근거하여 수처리 플랜트(1)의 오퍼레이터가 과거의 경험 또는 지식에 근거하여 행하고 있던 수처리 제어를, 연산 장치(40)를 이용하여 행할 수 있다. 따라서, 수처리 환경의 변화에 대해서 보다 효과적인 수처리 제어를 행할 수 있다.
또, 1 이상의 계산 모델은, 화상 데이터를 입력 데이터로 하는 컨볼루션 뉴럴 네트워크를 포함한다. 처리 장치(30)는, 컨볼루션 뉴럴 네트워크를 이용한 연산을 연산 장치(40)에 실행시킨다. 컨볼루션 뉴럴 네트워크는, 화상용 계산 모델의 일례이다. 이와 같이, 화상 데이터를 입력 데이터로 하는 컨볼루션 뉴럴 네트워크를 준비하고, 촬상 장치(20)로부터 출력되는 화상 데이터에 대해서 컨볼루션 뉴럴 네트워크를 이용한 연산을 연산 장치(40)에 실행시킴으로써, 수처리 장치(10)를 정밀도 좋게 제어할 수 있다.
또, 수처리 플랜트(1)는, 수처리 장치(10)의 수처리 환경을 나타내는 특성을 검출하고, 검출한 특성의 수치 데이터를 출력하는 센서를 구비한다. 연산 장치(40)는, 센서로부터 출력되는 수치 데이터를 입력 데이터로 하는 센서용 뉴럴 네트워크를 포함한다. 센서용 뉴럴 네트워크는, 전술한 센서용 계산 모델의 일례이다. 처리 장치(30)는, 센서용 뉴럴 네트워크를 이용한 연산을 연산 장치(40)에 실행시킨다. 이와 같이, 수처리 장치(10)의 수처리 환경을 나타내는 특성을 센서(2)로 검출하고, 검출한 특성의 수치 데이터를 센서(2)로부터 출력하고, 센서(2)로부터 출력되는 수치 데이터를 입력 데이터로 하는 센서용 뉴럴 네트워크를 준비하고, 센서(2)로부터 출력되는 수치 데이터에 대해 센서용 뉴럴 네트워크를 이용한 연산을 연산 장치(40)에 실행시킴으로써, 센서에 의한 검출 결과를 이용하여 수처리 장치(10)를 제어할 수 있다.
또, 처리 장치(30)는, 컨볼루션 뉴럴 네트워크의 사용과 센서용 뉴럴 네트워크의 사용을 전환하여 연산 장치(40)에 연산을 실행시키는 전환부(38)를 구비한다. 이에 의해, 예를 들면, 촬상 장치(20)에서 촬상된 화상을 이용한 수처리 제어와 센서에 의한 검출 결과를 이용한 수처리 제어를 상황에 따라 전환함으로써, 수처리 장치(10)를 정밀도 좋게 제어할 수 있다.
또, 처리 장치(30)는, 촬상 장치(20)에 의해 촬상된 복수의 화상 데이터 중에서 하나 이상의 화상 데이터의 선택을 접수하는 접수 처리부(37)를 구비한다. 연산 장치(40)는, 접수 처리부(37)에 의해 접수된 1 이상의 화상 데이터에 근거하여, 1 이상의 계산 모델의 기계 학습을 실행한다. 이에 의해, 예를 들면, 연산 장치(40)가 갖는 계산 모델을 갱신할 수 있고, 수처리 장치(10)를 정밀도 좋게 제어할 수 있다.
또, 제어 장치(50)는, 수처리 장치(10)에 마련된 제어 대상 기기를 비례 적분 제어 또는 비례 적분 미분 제어에 의해 제어한다. 이에 의해, 수처리 장치(10)를 정밀도 좋게 제어할 수 있다.
또, 수처리 장치(10)는, 제어 장치(50)의 제어 대상이 되는 제어 대상 기기를 구비한다. 처리 장치(30)는, 연산 장치(40)에 연산을 실행시켜 제어 대상 기기의 제어 목표값 RV1, RV2를 생성시킨다. 제어 장치(50)는, 처리 장치(30)가 생성시킨 제어 목표값 RV1, RV2를 출력 정보로서 수처리 장치(10)를 제어한다. 이에 의해, 수처리 장치(10)에 마련된 제어 대상 기기를 정밀도 좋게 제어할 수 있다.
이상의 실시형태에 나타낸 구성은, 본 발명의 내용의 일례를 나타내는 것이고, 다른 공지의 기술과 조합하는 것도 가능하며, 본 발명의 요지를 일탈하지 않는 범위에서, 구성의 일부를 생략, 변경하는 것도 가능하다.
1: 수처리 플랜트, 10: 수처리 장치, 11: 최초 침전조, 12: 처리조, 13: 최종 침전조, 14: 블로어, 15: 펌프, 20, 201, 202, 203: 촬상 장치, 21, 211, 212, 213: 센서군, 221: 유량 센서, 222: BOD 센서, 223: 수온 센서, 224: NH3 센서, 231: 용존 산소량 센서, 232: 활성 미생물 농도 센서, 233: BOD 센서, 241: 유량 센서, 242: BOD 센서, 243: 전체 질소 농도 센서, 30: 처리 장치, 31, 41, 51: 통신부, 32, 42, 52: 기억부, 33, 43, 53: 제어부, 34: 데이터 처리부, 35: 표시 처리부, 36: 연산 요구부, 37: 접수 처리부, 38: 전환부, 40: 연산 장치, 44: 취득 처리부, 45: 연산 처리부, 46: 출력 처리부, 47: 학습 처리부, 50: 제어 장치, 54: 입출력부, 55: 입력 처리부, 56: 블로어 제어부, 57: 펌프 제어부, 61: 기억 장치, 62: 표시 장치, 63: 입력 장치, 64: 통신 네트워크.

Claims (16)

  1. 수처리 장치를 이용하여 수처리를 행하는 수처리 플랜트에 있어서,
    상기 수처리 장치의 수처리 환경을 촬상하고, 촬상하여 얻어지는 화상 데이터를 출력하는 촬상 장치와,
    기계 학습에 의해 생성되는 1 이상의 계산 모델을 이용한 연산을 행하는 연산 장치에, 상기 촬상 장치로부터 출력되는 상기 화상 데이터를 상기 1 이상의 계산 모델의 입력 데이터로서 상기 연산을 실행시키는 처리 장치와,
    상기 연산의 실행에 의해 상기 연산 장치로부터 출력되는 출력 정보에 근거하여, 상기 수처리 장치를 제어하는 제어 장치
    를 구비하는 것을 특징으로 하는 수처리 플랜트.
  2. 제 1 항에 있어서,
    상기 연산 장치는, 상기 화상 데이터를 입력 데이터로 하는 컨볼루션 뉴럴 네트워크를 상기 계산 모델로서 포함하고,
    상기 처리 장치는, 상기 촬상 장치가 출력한 상기 화상 데이터에 대해서 상기 컨볼루션 뉴럴 네트워크를 이용한 연산을 상기 연산 장치에 실행시키는
    것을 특징으로 하는 수처리 플랜트.
  3. 제 2 항에 있어서,
    상기 수처리 장치의 수처리 환경을 나타내는 특성을 검출하고, 검출한 특성의 수치 데이터를 출력하는 센서를 구비하고,
    상기 연산 장치는, 상기 센서로부터 출력되는 수치 데이터를 입력 데이터로 하는 센서용 뉴럴 네트워크를 포함하고,
    상기 처리 장치는,
    상기 센서로부터 출력되는 상기 수치 데이터에 대해서 상기 센서용 뉴럴 네트워크를 이용한 연산을 상기 연산 장치에 실행시키는
    것을 특징으로 하는 수처리 플랜트.
  4. 제 3 항에 있어서,
    상기 처리 장치는,
    상기 컨볼루션 뉴럴 네트워크의 사용과 상기 센서용 뉴럴 네트워크의 사용을 전환하여 상기 연산 장치에 상기 연산을 실행시키는 전환부를 구비하는
    것을 특징으로 하는 수처리 플랜트.
  5. 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
    상기 처리 장치는,
    상기 촬상 장치에 의해 촬상된 복수의 화상 데이터 중에서 1 이상의 화상 데이터의 선택을 접수하는 접수 처리부를 구비하고,
    상기 연산 장치는,
    상기 접수 처리부가 접수한 상기 1 이상의 화상 데이터에 근거하여, 상기 1 이상의 계산 모델의 기계 학습을 실행하는
    것을 특징으로 하는 수처리 플랜트.
  6. 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
    상기 제어 장치는,
    상기 수처리 장치에 마련된 제어 대상 기기를 비례 적분 제어 또는 비례 적분 미분 제어에 의해 제어하는
    것을 특징으로 하는 수처리 플랜트.
  7. 제 1 항 내지 제 6 항 중 어느 한 항에 있어서,
    상기 연산 장치는, AI인
    것을 특징으로 하는 수처리 플랜트.
  8. 제 1 항 내지 제 7 항 중 어느 한 항에 있어서,
    상기 수처리 장치는, 상기 제어 장치의 제어 대상이 되는 제어 대상 기기를 구비하고,
    상기 처리 장치는, 상기 연산 장치에 상기 연산을 실행시켜 상기 제어 대상 기기의 제어 목표값을 생성시키고,
    상기 제어 장치는, 상기 처리 장치가 생성시킨 상기 제어 목표값을 상기 출력 정보로서 상기 수처리 장치를 제어하는
    것을 특징으로 하는 수처리 플랜트.
  9. 수처리 장치를 이용하여 수처리를 행하는 수처리 플랜트의 운전 방법에 있어서,
    상기 수처리 장치의 수처리 환경을 촬상하고, 촬상하여 얻어지는 화상 데이터를 출력하는 촬상 스텝과,
    기계 학습에 의해 생성되는 1 이상의 계산 모델을 이용한 연산을 행하는 연산 장치에, 상기 촬상 스텝에서 출력된 상기 화상 데이터를 상기 1 이상의 계산 모델의 입력 데이터로서 상기 연산을 실행시키는 처리 스텝과,
    상기 연산의 실행에 의해 상기 연산 장치로부터 출력되는 출력 정보에 근거하여, 상기 수처리 장치를 제어하는 제어 스텝
    을 포함하는 것을 특징으로 하는 수처리 플랜트의 운전 방법.
  10. 제 9 항에 있어서,
    상기 연산 장치에 대해, 상기 화상 데이터를 입력 데이터로 하는 컨볼루션 뉴럴 네트워크를 상기 계산 모델로서 준비하는 컨볼루션 뉴럴 네트워크 준비 스텝과,
    상기 촬상 스텝에서 출력한 상기 화상 데이터에 대해서 상기 컨볼루션 뉴럴 네트워크를 이용한 연산을 상기 연산 장치에 실행시키는 컨볼루션 뉴럴 네트워크 실행 스텝
    을 포함하는 것을 특징으로 하는 수처리 플랜트의 운전 방법.
  11. 제 10 항에 있어서,
    상기 수처리 장치의 수처리 환경을 나타내는 특성을 센서로 검출하고, 검출한 특성의 수치 데이터를 출력하는 수치 데이터 출력 스텝과,
    상기 연산 장치에 대해, 상기 수치 데이터 출력 스텝에서 출력되는 상기 수치 데이터를 입력 데이터로 하는 센서용 뉴럴 네트워크를 상기 계산 모델로서 준비하는 센서용 뉴럴 네트워크 준비 스텝과,
    상기 수치 데이터 출력 스텝에서 출력되는 상기 수치 데이터에 대해 상기 센서용 뉴럴 네트워크를 이용한 연산을 상기 연산 장치에 실행시키는 센서용 뉴럴 네트워크 실행 스텝
    을 포함하는 것을 특징으로 하는 수처리 플랜트의 운전 방법.
  12. 제 11 항에 있어서,
    상기 연산 장치가 사용하는 상기 컨볼루션 뉴럴 네트워크와 상기 센서용 뉴럴 네트워크를 전환하여 상기 연산 장치에 상기 연산을 실행시키는 전환 스텝
    을 포함하는 것을 특징으로 하는 수처리 플랜트의 운전 방법.
  13. 제 9 항 내지 제 12 항 중 어느 한 항에 있어서,
    상기 촬상 스텝에서 촬상된 복수의 화상 데이터 중에서 1 이상의 화상 데이터의 선택을 접수하는 선택 스텝과,
    상기 선택 스텝에서 선택된 상기 1 이상의 화상 데이터에 근거하여, 상기 1 이상의 계산 모델의 기계 학습을 실행하는 기계 학습 실행 스텝
    을 포함하는 것을 특징으로 하는 수처리 플랜트의 운전 방법.
  14. 제 9 항 내지 제 13 항 중 어느 한 항에 있어서,
    상기 제어 스텝에서는,
    상기 수처리 장치에 마련된 제어 대상 기기를 비례 적분 제어 또는 비례 적분 미분 제어에 의해 제어하는
    것을 특징으로 하는 수처리 플랜트의 운전 방법.
  15. 제 9 항 내지 제 14 항 중 어느 한 항에 있어서,
    상기 연산 장치로서 AI를 준비하는 AI 준비 스텝
    을 포함하는 것을 특징으로 하는 수처리 플랜트의 운전 방법.
  16. 제 9 항 내지 제 15 항 중 어느 한 항에 있어서,
    상기 수처리 장치는, 제어 대상이 되는 제어 대상 기기를 구비하고 있고,
    상기 연산의 실행에 의해 상기 연산 장치로부터 출력되는 출력 정보로서 상기 제어 대상 기기의 제어 목표값을 생성시키는 제어 목표값 생성 스텝과,
    상기 제어 목표값 생성 스텝에서 생성시킨 상기 제어 목표값을 상기 출력 정보로서 상기 수처리 장치를 제어하는 제어 목표값 제어 스텝
    을 포함하는 것을 특징으로 하는 수처리 플랜트의 운전 방법.
KR1020217001510A 2018-07-26 2018-07-26 수처리 플랜트 및 수처리 플랜트의 운전 방법 KR20210021387A (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/028153 WO2020021689A1 (ja) 2018-07-26 2018-07-26 水処理プラントおよび水処理プラントの運転方法

Publications (1)

Publication Number Publication Date
KR20210021387A true KR20210021387A (ko) 2021-02-25

Family

ID=67212133

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217001510A KR20210021387A (ko) 2018-07-26 2018-07-26 수처리 플랜트 및 수처리 플랜트의 운전 방법

Country Status (6)

Country Link
US (1) US20210133575A1 (ko)
JP (1) JP6541913B1 (ko)
KR (1) KR20210021387A (ko)
CN (1) CN112424126B (ko)
SG (1) SG11202012657RA (ko)
WO (1) WO2020021689A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021163207A (ja) * 2020-03-31 2021-10-11 月島機械株式会社 制御装置、制御方法、及びプログラム

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004025160A (ja) 2002-06-21 2004-01-29 H2L Co Ltd 神経回路網及び逆転波アルゴリズムによる下排水処理人工知能制御システム及び方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06304546A (ja) * 1993-04-21 1994-11-01 Hitachi Ltd 上水道プラントの運用制御装置
JPH0852459A (ja) * 1994-08-11 1996-02-27 Toshiba Corp 下水処理プロセス制御装置
JP2005242524A (ja) * 2004-02-25 2005-09-08 Ebara Corp 処理プラント設備の運転制御方法及び運転制御装置
JP5184824B2 (ja) * 2007-06-15 2013-04-17 キヤノン株式会社 演算処理装置及び方法
CN101369135B (zh) * 2007-08-14 2010-11-10 上海大地自动化系统工程有限公司 污水处理智能管理系统
JP5859866B2 (ja) * 2012-02-07 2016-02-16 メタウォーター株式会社 監視対象量予測方法及び監視対象量予測装置
JP5783935B2 (ja) * 2012-03-06 2015-09-24 株式会社東芝 ポンプ運転計画支援装置及び水処理システム
JP6431363B2 (ja) * 2014-12-25 2018-11-28 川崎重工業株式会社 水処理システムおよびその曝気風量制御方法
JP6059375B1 (ja) * 2016-02-09 2017-01-11 ファナック株式会社 生産制御システムおよび統合生産制御システム
JP6422901B2 (ja) * 2016-02-12 2018-11-14 株式会社東芝 管理支援システム、管理支援方法及び管理支援プログラム
JP6562883B2 (ja) * 2016-09-20 2019-08-21 株式会社東芝 特性値推定装置および特性値推定方法
CN107741738A (zh) * 2017-10-20 2018-02-27 重庆华绿环保科技发展有限责任公司 一种污水处理过程监控智能预警云系统及污水处理监测预警方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004025160A (ja) 2002-06-21 2004-01-29 H2L Co Ltd 神経回路網及び逆転波アルゴリズムによる下排水処理人工知能制御システム及び方法

Also Published As

Publication number Publication date
SG11202012657RA (en) 2021-02-25
US20210133575A1 (en) 2021-05-06
JPWO2020021689A1 (ja) 2020-08-06
JP6541913B1 (ja) 2019-07-10
CN112424126A (zh) 2021-02-26
WO2020021689A1 (ja) 2020-01-30
CN112424126B (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
Bagheri et al. Modeling and optimization of activated sludge bulking for a real wastewater treatment plant using hybrid artificial neural networks-genetic algorithm approach
KR100456413B1 (ko) 신경회로망 및 역전파 알고리즘에 의한 하폐수처리인공지능제어 시스템 및 방법
Dalmau et al. Comparison of a deterministic and a data driven model to describe MBR fouling
US20210263490A1 (en) Water treatment plant and method of operating water treatment plant
Kovacs et al. Membrane fouling prediction and uncertainty analysis using machine learning: A wastewater treatment plant case study
US11649183B2 (en) Water treatment plant
CN115108617B (zh) 混凝加药方法及系统
JP2019215743A (ja) データベースの製造方法、及び水処理または汚泥処理システム
Simsek Mathematical modeling of wastewater-derived biodegradable dissolved organic nitrogen
KR20210021387A (ko) 수처리 플랜트 및 수처리 플랜트의 운전 방법
JP4188200B2 (ja) プラントワイド最適プロセス制御装置
JP7000063B2 (ja) 洗浄風量制御装置及び洗浄風量制御方法
JPH0852459A (ja) 下水処理プロセス制御装置
RU2758854C1 (ru) Способ определения концентрации веществ в системе биологической очистки сточных вод
Szeląg et al. A data mining approach to the prediction of food-to-mass ratio and mixed liquor suspended solids.
JP6643086B2 (ja) 活性汚泥法を用いた監視制御システム
JP4327013B2 (ja) プラントワイド最適プロセス制御装置
Asrav et al. Physics-informed Neural Network based Modeling of an Industrial Wastewater Treatment Unit
JP2021137748A (ja) 水処理施設の運転支援装置
Beltrán et al. On-line estimation of suspended solids in biological reactors of WWTPs using a Kalman observer
JPH06335694A (ja) 排水の生物学的処理装置の制御装置
KR102641807B1 (ko) 센서보정장치 및 센서보정장치의 동작 방법
Alharbi et al. Adaptive neural network based monitoring of wastewater treatment plants
Sarabia et al. Artificial Intelligence hybrid model applied to wastewater treatment
JP2022046278A (ja) 下水処理プラントの異常予測方法及び装置並びに相関データベース

Legal Events

Date Code Title Description
A201 Request for examination
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
X601 Decision of rejection after re-examination
J201 Request for trial against refusal decision