KR20230106367A

KR20230106367A - Apparatus for generating training data for optimizing chemical injection and method therefor

Info

Publication number: KR20230106367A
Application number: KR1020220002177A
Authority: KR
Inventors: 나상건; 유준우; 김현식
Original assignee: 두산에너빌리티 주식회사
Priority date: 2022-01-06
Filing date: 2022-01-06
Publication date: 2023-07-13

Abstract

A device for generating learning data comprises: a preprocessing part that performs preprocessing that aligns in accordance with synchronization with input attribute data and output attribute data corresponding to the input attribute data, when receiving raw data comprising the input attribute data and the output attribute data; a cluster part that clusters raw data according to a correlation of a property of raw data; and a sampling part that generates learning data by sampling the clustered raw data.

Description

Apparatus for generating training data for optimizing chemical injection and method therefor}

본 발명은 학습 데이터 생성 기술에 관한 것으로, 더욱 상세하게는, 화학제 주입 최적화를 위한 학습 데이터를 생성하기 위한 장치 및 이를 위한 방법에 관한 것이다. The present invention relates to learning data generation technology, and more particularly, to an apparatus for generating learning data for optimizing chemical injection and a method therefor.

해수담수 플랜트의 전처리의 경우, 고형물질 같은 부유물질을 제거하기 위해 DAF(Dissolved Air Flotation) 공정 전단 pH 조절제 및 응집제와 같은 화학 약품을 사용하는데, 기존 방법에서는 적절한 화학 약품을 주입하기 위해 샘플링 실험 및 운전자의 노우하우(know-how)에 의지하였으나, 해수, 오폐수 등의 유입수의 실시간 상태 변화를 반영하여 제어하는 것이 어려운 실정이다. In the case of pre-treatment of seawater desalination plants, chemicals such as pH adjusters and coagulants are used before the DAF (Dissolved Air Flotation) process to remove suspended solids such as solids. In the existing method, sampling experiments and Although it relied on the driver's know-how, it is difficult to control by reflecting real-time state changes of inflow water such as seawater and wastewater.

한국공개특허 제2016-0027815호 (2016년03월10일 공개)Korean Patent Publication No. 2016-0027815 (published on March 10, 2016)

본 발명의 목적은 화학제 주입 최적화를 위한 학습 데이터를 생성하기 위한 장치 및 이를 위한 방법을 제공함에 있다. An object of the present invention is to provide an apparatus and method for generating learning data for optimizing chemical injection.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 학습 데이터를 생성하기 위한 장치는 입력 속성 데이터와 출력 속성 데이터를 포함하는 원시 데이터를 수신하면, 상기 입력 속성 데이터와 상기 입력 속성 데이터에 대응하는 상기 출력 속성 데이터를 동기에 맞춰 정렬하는 전처리를 수행하는 전처리부와, 원시 데이터의 속성의 상관관계에 따라 원시 데이터를 클러스터링하는 클러스터부와, 클러스터링된 원시 데이터를 샘플링하여 학습 데이터를 생성하는 샘플링부를 포함한다. In order to achieve the above object, the apparatus for generating learning data according to a preferred embodiment of the present invention receives raw data including input attribute data and output attribute data, the input attribute data and the input attribute data. A preprocessing unit that performs preprocessing to align the output attribute data corresponding to synchronously, a cluster unit that clusters the raw data according to the correlation of attributes of the raw data, and samples the clustered raw data to generate training data. It includes a sampling unit that

상기 전처리부는 소정 주기로 수신된 복수의 원시 데이터를 병합하여 상기 복수의 원시 데이터의 평균값을 가지는 원시 데이터를 생성하는 것을 특징으로 한다. The pre-processing unit may generate raw data having an average value of the plurality of raw data by merging a plurality of raw data received at a predetermined period.

상기 전처리부는 용존공기부상장치의 수리학적체류시간에 따라, 용존공기부상장치에 입력되는 유입수와 관련된 데이터인 입력 속성 데이터와, 상기 용존공기부상장치에서 처리되어 유출되는 처리수와 관련된 데이터인 출력 속성 데이터의 동기를 맞춰 정렬하는 것을 특징으로 한다. According to the hydraulic residence time of the dissolved air flotation unit, the pre-processing unit includes input attribute data, which is data related to the inflow water input to the dissolved air flotation device, and output attributes, which is data related to the treated water that is processed and discharged from the dissolved air flotation device. It is characterized by aligning the data in synchronization.

상기 전처리부는 수질 이상이 발생한 시간 구간의 원시 데이터를 제거하는 것을 특징으로 한다. The pre-processing unit is characterized in that it removes the raw data of the time section in which the water quality abnormality occurred.

상기 전처리부는 상기 원시 데이터에서 최소 및 최대 범위를 벗어나는 이상값을 제거하는 것을 특징으로 한다. The pre-processing unit may remove outliers out of minimum and maximum ranges from the raw data.

상기 전처리부는 대역필터를 이용한 필터링을 통해 원시 데이터 중 수질 속성을 가지는 원시 데이터의 노이즈를 제거하는 것을 특징으로 한다. The pre-processing unit is characterized in that it removes noise of raw data having a water quality attribute among raw data through filtering using a bandpass filter.

상기 전처리부는 하나 또는 2 이상의 속성의 원시 데이터를 이용하여 새로운 속성의 원시 데이터를 생성하는 것을 특징으로 한다. The pre-processing unit is characterized in that it generates raw data of a new attribute by using raw data of one or two or more attributes.

상기 샘플링부는 원시 데이터의 속성에 따라, 원시 데이터로부터 수처리모델에 입력되는 입력 데이터를 추출하고, 상기 입력 데이터가 수처리모델에 입력되었을 때 수처리모델로부터 출력되는 출력 데이터를 추출하고, 추출된 입력 데이터와 추출된 출력 데이터를 매핑하여 학습 데이터를 생성하는 것을 특징으로 한다. The sampling unit extracts input data input to the water treatment model from raw data according to the properties of the raw data, extracts output data output from the water treatment model when the input data is input to the water treatment model, and extracts the extracted input data and Characterized in that the extracted output data is mapped to generate learning data.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 학습 데이터를 생성하기 위한 방법은 전처리부가 입력 속성 데이터와 출력 속성 데이터를 포함하는 원시 데이터를 수신하는 단계와, 전처리부가 상기 입력 속성 데이터와 상기 입력 속성 데이터에 대응하는 상기 출력 속성 데이터를 동기에 맞춰 정렬하는 전처리를 수행하는 단계와, 클러스터부가 원시 데이터의 속성의 상관관계에 따라 원시 데이터를 클러스터링하는 단계와, 샘플링부가 클러스터링된 원시 데이터를 샘플링하여 학습 데이터를 생성하는 단계를 포함한다. A method for generating learning data according to a preferred embodiment of the present invention for achieving the above object includes the step of receiving raw data including input attribute data and output attribute data by a preprocessor, and the input attribute data by a preprocessor. Performing pre-processing of aligning data and the output attribute data corresponding to the input attribute data in synchronization; clustering the raw data according to the correlation of attributes of the raw data by a cluster unit; and clustering the raw data by a sampling unit. and generating training data by sampling the data.

상기 전처리를 수행하는 단계는 상기 전처리부가 소정 주기로 수신된 복수의 원시 데이터를 병합하여 상기 복수의 원시 데이터의 평균값을 가지는 원시 데이터를 생성하는 단계를 더 포함한다. The performing of the preprocessing may further include generating, by the preprocessor, raw data having an average value of the plurality of raw data by merging the plurality of raw data received at a predetermined period.

상기 전처리를 수행하는 단계는 상기 전처리부가 용존공기부상장치의 수리학적체류시간에 따라, 용존공기부상장치에 입력되는 유입수와 관련된 데이터인 입력 속성 데이터와, 상기 용존공기부상장치에서 처리되어 유출되는 처리수와 관련된 데이터인 출력 속성 데이터의 동기를 맞춰 정렬하는 것을 특징으로 한다. The step of performing the preprocessing may include input attribute data, which is data related to the inflow water input to the dissolved air flotation device, and processing processed and outflowed by the dissolved air flotation device according to the hydraulic residence time of the dissolved air flotation device by the preprocessor. It is characterized by aligning the output attribute data, which is data related to numbers, in synchronization.

상기 전처리를 수행하는 단계는 상기 전처리부가 수질 이상이 발생한 시간 구간의 원시 데이터를 제거하는 단계를 더 포함한다. The performing of the preprocessing may further include removing, by the preprocessor, raw data of a time section in which the water quality abnormality occurred.

상기 전처리를 수행하는 단계는 상기 전처리부가 상기 원시 데이터에서 최소 및 최대 범위를 벗어나는 이상값을 제거하는 단계를 더 포함한다. The performing of the preprocessing may further include removing, by the preprocessor, outliers out of minimum and maximum ranges from the raw data.

상기 전처리를 수행하는 단계는 상기 전처리부가 대역필터를 이용한 필터링을 통해 원시 데이터 중 수질 속성을 가지는 원시 데이터의 노이즈를 제거하는 단계를 더 포함한다. The performing of the preprocessing may further include, by the preprocessor, removing noise of the raw data having a water quality attribute from among the raw data through filtering using a bandpass filter.

상기 전처리를 수행하는 단계는 상기 전처리부가 하나 또는 2 이상의 속성의 원시 데이터를 이용하여 새로운 속성의 원시 데이터를 생성하는 단계를 더 포함한다. The performing of the preprocessing may further include generating, by the preprocessor, raw data of a new attribute by using raw data of one or two or more attributes.

상기 원시 데이터를 샘플링하여 학습 데이터를 생성하는 단계는 상기 샘플링부가 원시 데이터의 속성에 따라, 원시 데이터로부터 수처리모델에 입력되는 입력 데이터를 추출하고, 상기 입력 데이터가 수처리모델에 입력되었을 때 수처리모델로부터 출력되는 출력 데이터를 추출하고, 추출된 입력 데이터와 추출된 출력 데이터를 매핑하여 학습 데이터를 생성하는 것을 특징으로 한다. In the step of generating learning data by sampling the raw data, the sampling unit extracts input data input to the water treatment model from the raw data according to the attributes of the raw data, and when the input data is input to the water treatment model, the water treatment model It is characterized in that output data is extracted, and learning data is generated by mapping the extracted input data and the extracted output data.

본 발명에 따르면, 원시 데이터를 가공하여 수처리플랜트를 모사하는 수처리모델을 생성하기 위한 학습 데이터를 도출함으로써 도출된 학습 데이터를 이용하여 생성된 수처리모델의 성능이 향상될 수 있다. According to the present invention, by processing raw data to derive learning data for generating a water treatment model that simulates a water treatment plant, the performance of the water treatment model generated using the derived learning data can be improved.

도 1은 본 발명의 실시예에 따른 수처리 시스템의 구성을 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 화학제주입최적화장치의 구성을 설명하기 위한 블록도이다.
도 3은 본 발명의 실시예에 따른 화학제주입최적화를 위한 학습 데이터를 생성하기 위한 장치의 구성을 설명하기 위한 도면이다.
도 4는 본 발명의 실시예에 따른 화학제주입최적화를 위한 학습 데이터를 생성하기 위한 수질 이상을 탐지하기 위한 구성을 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따른 수처리 플랜트에서 화학제 주입 최적화를 위한 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 추가적인 실시예에 따른 수처리 플랜트에서 화학제 주입 최적화를 위한 방법을 설명하기 위한 흐름도이다.
도 7은 본 발명의 실시예에 따른 화학제 주입 최적화를 위한 학습 데이터를 생성하기 위한 방법을 설명하기 위한 흐름도이다.
도 8은 본 발명의 실시예에 따른 학습 데이터를 생성하기 위한 전처리 중 이상값을 소거하는 방법을 설명하기 위한 도면이다.
도 9는 본 발명의 실시예에 따른 학습 데이터를 생성하기 위한 전처리 중 필터링 방법을 설명하기 위한 도면이다.
도 10은 본 발명의 실시예에 따른 컴퓨팅 장치를 나타내는 도면이다. 1 is a diagram for explaining the configuration of a water treatment system according to an embodiment of the present invention.
2 is a block diagram for explaining the configuration of an apparatus for optimizing chemical injection according to an embodiment of the present invention.
3 is a diagram for explaining the configuration of an apparatus for generating learning data for optimizing chemical injection according to an embodiment of the present invention.
4 is a diagram for explaining a configuration for detecting water quality abnormalities for generating learning data for optimizing chemical injection according to an embodiment of the present invention.
5 is a flowchart illustrating a method for optimizing chemical agent injection in a water treatment plant according to an embodiment of the present invention.
6 is a flowchart illustrating a method for optimizing chemical agent injection in a water treatment plant according to a further embodiment of the present invention.
7 is a flowchart illustrating a method for generating learning data for chemical agent injection optimization according to an embodiment of the present invention.
8 is a diagram for explaining a method of canceling outliers during preprocessing for generating learning data according to an embodiment of the present invention.
9 is a diagram for explaining a filtering method during preprocessing for generating learning data according to an embodiment of the present invention.
10 is a diagram illustrating a computing device according to an embodiment of the present invention.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예를 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Since the present invention can apply various transformations and have various embodiments, specific embodiments will be exemplified and described in detail in the detailed description. However, it should be understood that this is not intended to limit the present invention to specific embodiments, and includes all transformations, equivalents, and substitutes included in the spirit and scope of the present invention.

본 발명에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 발명에서, '포함하다' 또는 '가지다' 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. Terms used in the present invention are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In the present invention, terms such as 'include' or 'having' are intended to designate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, but one or more other features It should be understood that the presence or addition of numbers, steps, operations, components, parts, or combinations thereof is not precluded.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이 때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음에 유의한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 개략적으로 도시되었다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. At this time, it should be noted that in the accompanying drawings, the same components are indicated by the same reference numerals as much as possible. In addition, detailed descriptions of well-known functions and configurations that may obscure the gist of the present invention will be omitted. For the same reason, in the accompanying drawings, some components are exaggerated, omitted, or schematically illustrated.

먼저, 본 발명의 실시예에 따른 수처리 시스템에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 수처리 시스템의 구성을 설명하기 위한 도면이다. 도 1을 참조하면, 본 발명의 실시예에 따른 수처리 시스템은 수처리플랜트(1), 수처리제어장치(2) 및 화학제주입최적화장치(3)를 포함한다. First, a water treatment system according to an embodiment of the present invention will be described. 1 is a diagram for explaining the configuration of a water treatment system according to an embodiment of the present invention. Referring to FIG. 1 , a water treatment system according to an embodiment of the present invention includes a water treatment plant 1 , a water treatment control device 2 and a chemical injection optimization device 3 .

수처리플랜트(1)는 수처리플랜트(1)로 유입되는 유입수 ①를 목적에 적합하도록 처리하여 처리수 ④를 방류하는 수처리를 위한 것이다. 이러한 수처리는 용수 처리, 폐수 처리, 해수담수화 처리 등을 예시할 수 있다. 수처리플랜트(1)는 용존공기부상장치(DAF: dissolved air flotation), 자동여과장치(AS: Auto Strainer), 한외여과장치(UF: Ultrafiltration) 및 역삼투압장치(RO: Reverse Osmosis)를 포함한다. The water treatment plant 1 is for water treatment in which inflow water ① flowing into the water treatment plant 1 is treated to suit the purpose and treated water ④ is discharged. Such water treatment may be exemplified by water treatment, wastewater treatment, seawater desalination treatment, and the like. The water treatment plant 1 includes a dissolved air flotation (DAF) device, an auto strainer (AS), an ultrafiltration device (UF), and a reverse osmosis (RO) device.

용존공기부상장치(DAF)는 용존공기부상법(dissolved air flotation)에 따라 유입수 ②를 처리한다. 자동여과장치(AS)는 용존공기부상장치(DAF)에 의해 처리된 유입수 ③에 잔류하는 고형물을 제거하여 이물질이 유입하는 것을 방지한다. 한외여과장치(UF)는 각각이 한외여과막(Ultrafiltration Membrane)을 가지는 복수의 한외여과유닛을 포함한다. 한외여과장치(UF)는 복수의 한외여과유닛의 한외여과막을 이용하여 유입수 ③에 잔류하는 불순물을 필터링하기 한외여과(Ultrafiltration) 공정을 수행한다. 한외여과장치(UF)는 복수의 한외여과유닛의 한외여과막(Ultrafiltration Membrane)에 처리수를 통과시켜 처리수에 잔류하는 불순물을 필터링할 수 있다. 역삼투압장치(RO)는 각각이 역삼투막(Reverse Osmosis Membrane)을 가지는 복수의 트레인을 포함한다. 역삼투압장치(RO)는 복수의 트레인의 역삼투막을 이용하여 유입수 ③에 잔류하는 불순물을 필터링하는 역삼투압(Reverse Osmosis) 공정을 수행한다. 역삼투압장치(RO)는 복수의 트레인의 역삼투막(Reverse Osmosis Membrane)에 처리수를 통과시켜 역삼투 원리에 따라 유입수 ③에 잔류하는 불순물을 필터링한 후, 처리수 ④를 방류한다. The dissolved air flotation device (DAF) treats influent ② according to the dissolved air flotation method. The automatic filter (AS) removes the solids remaining in the influent ③ treated by the dissolved air flotation device (DAF) to prevent inflow of foreign substances. The ultrafiltration device (UF) includes a plurality of ultrafiltration units each having an ultrafiltration membrane. The ultrafiltration device (UF) performs an ultrafiltration process to filter out impurities remaining in the influent ③ using ultrafiltration membranes of a plurality of ultrafiltration units. The ultrafiltration device (UF) may filter impurities remaining in the treated water by passing the treated water through the ultrafiltration membranes of the plurality of ultrafiltration units. The reverse osmosis system (RO) includes a plurality of trains each having a reverse osmosis membrane. The reverse osmosis device (RO) performs a reverse osmosis process of filtering impurities remaining in the influent ③ using a plurality of trains of reverse osmosis membranes. The reverse osmosis device (RO) passes the treated water through a plurality of trains of reverse osmosis membranes, filters impurities remaining in the inflow water ③ according to the reverse osmosis principle, and then discharges the treated water ④.

수처리제어장치(2)는 기본적으로, 수처리플랜트(1)를 제어하기 위한 것이다. 특히, 수처리플랜트(1)의 전단 공정에서 화학제를 주입하며(⑤), 수처리제어장치(2)는 화학제의 주입량을 제어할 수 있다. 보다 구체적으로 설명하면, 수처리플랜트(1)의 전단 공정 시, 예컨대, 수소이온농도(pH) 조절제(예컨대, H2SO4 및 응집제(예컨대, FeCl3)와 같은 화학제를 주입한다. 수처리제어장치(2)는 이러한 화학제의 주입 및 주입량을 제어할 수 있다. The water treatment control device 2 is basically for controlling the water treatment plant 1 . In particular, the chemical agent is injected in the front stage of the water treatment plant 1 (⑤), and the water treatment control device 2 can control the injection amount of the chemical agent. More specifically, during the front-end process of the water treatment plant 1, chemicals such as, for example, a hydrogen ion concentration (pH) regulator (eg, H2SO4 and a coagulant (eg, FeCl3) are injected. Water treatment control device (2) can control the injection and injection amount of these chemicals.

화학제주입최적화장치(3)는 화학제주입최적화를 위한 것이다. 전술한 바와 같이, 수처리제어장치(2)는 수처리플랜트(1)의 화학제 주입 및 그 주입량을 제어한다. 이때, 수처리에 의한 처리수의 상태가 정상 범위를 유지하면서 유입수에 최소의 화학제 주입량을 사용할 수 있도록 하는 화학제주입최적화가 요구된다. 다만, 화학제의 주입량은 후단 공정을 수행하는 자동여과장치(AS), 한외여과장치(UF) 및 역삼투압장치(RO)의 차압(DP: Differential Pressure)에도 영향을 미치기 때문에 이러한 차압을 고려하여 화학제주입최적화가 이루어져야 한다. 화학제주입최적화장치(3)는 수처리제어장치(2)를 제어 혹은 가이드함으로써 이러한 화학제주입최적화를 수행하기 위한 것이다. The chemical injection optimization device 3 is for optimizing chemical injection. As described above, the water treatment control device 2 controls the injection of chemicals into the water treatment plant 1 and the injection amount thereof. At this time, it is required to optimize chemical injection so that the minimum chemical injection amount can be used in influent water while maintaining the state of treated water by water treatment within a normal range. However, since the injected amount of chemicals also affects the differential pressure (DP) of the automatic filter (AS), ultrafilter (UF) and reverse osmosis (RO) that perform the subsequent process, Optimization of chemical injection should be made. The chemical injection optimization device 3 is for optimizing chemical injection by controlling or guiding the water treatment control device 2 .

다음으로, 본 발명의 실시예에 따른 화학제주입최적화장치(3)의 구성에 대해서 설명하기로 한다. 도 2는 본 발명의 실시예에 따른 화학제주입최적화장치의 구성을 설명하기 위한 블록도이다. 도 2를 참조하면, 본 발명의 실시예에 따른 화학제주입최적화장치(3)는 화학제주입관리부(100, DAF Chemical Dosing Management), 데이터전처리부(200, Data Pre-Processing), 최적화부(10, Chemical Dosing Optimization), 모델생성관리부(20, DAF Model Generation and Management) 및 후공정보호부(800, Post Process Protection Logic)를 포함한다. 또한, 최적화부(10)는 화학제주입최적화부(300, Chemical Dosing Optimization Algorithm) 및 화학제주입출력제어부(400, Chemical Dosing Output Controller)를 포함한다. 그리고 모델생성관리부(20)는 자동모델링처리부(500, Auto Modeling Processor for DAF Model), 모델생성부(600, DAF Model Candidate Generator) 및 모델선정부(700, DAF Model Selection & Management Processor)를 포함한다. Next, the configuration of the chemical agent injection optimization device 3 according to an embodiment of the present invention will be described. 2 is a block diagram for explaining the configuration of an apparatus for optimizing chemical injection according to an embodiment of the present invention. Referring to FIG. 2, the chemical injection optimization device 3 according to an embodiment of the present invention includes a chemical injection management unit 100 (DAF Chemical Dosing Management), a data pre-processing unit 200 (Data Pre-Processing), an optimization unit ( 10, Chemical Dosing Optimization), model generation management unit (20, DAF Model Generation and Management), and post process protection unit (800, Post Process Protection Logic). In addition, the optimization unit 10 includes a chemical injection optimization unit 300 (Chemical Dosing Optimization Algorithm) and a chemical injection output control unit 400 (Chemical Dosing Output Controller). And the model generation management unit 20 includes an automatic modeling processing unit 500 (Auto Modeling Processor for DAF Model), a model generation unit 600 (DAF Model Candidate Generator), and a model selection unit 700 (DAF Model Selection & Management Processor). .

화학제주입관리부(100)는 화학제주입최적화 프로세스를 관리하기 위한 것이다. 화학제주입관리부(100)는 수처리플랜트(1) 및 수처리제어장치(2) 중 적어도 하나로부터 운전 데이터 및 상태 데이터를 포함하는 실시간 데이터를 수신하고, 이를 분석하여 화학제주입최적화 프로세스의 수행 여부를 결정한다. 실시간 데이터는 실시간으로 측정되거나 도출된 운전 데이터 및 상태 데이터를 의미한다. 본 발명의 실시예에서, 운전데이터는 용존공기부상장치(DAF), 자동여과장치(AS), 한외여과장치(UF) 및 역삼투압장치(RO)에 의한 공정을 제어하기 위해 입력하거나, 그 공정에 대해 측정한 값, 즉, 설정치(SV: Set Value, 또는 목표치 SP: Set Point), 측정치(PV: Process Variable, 또는 CV: Current Value), 조작치(MV: Manipulate Variable)를 포함하는 모든 데이터를 운전데이터라고 한다. 여기서, 설정치(SV 또는 SP)는 제어 대상의 제어 목표를 설정하는 값이며, 측정치(PV 또는 CV)는 제어 대상을 측정한 센싱값이고, 조작치(MV)는 제어 대상이 측정치에서 설정치가 되도록 조작하는 제어값을 의미한다. 설정치 및 측정치는 유량, 압력, 수위, 온도 등을 예시할 수 있다. 조작치는 개도량, 모터의 RPM 속도, 전압, 전류 등을 예시할 수 있다. 운전 데이터는 각각의 목적에 따라 가공을 하여 분석에 활용 할 수 있다. 본 발명의 실시예에서 운전데이터를 분석을 위해 도출되거나 가공된 데이터를 상태 데이터라고 칭하기로 한다. 예컨대, 한외여과장치(UF) 및 역삼투압장치(RO)의 입력 및 출력 단의 차압(differential pressure)을 측정한 데이터를 운전 노하우(know-how)를 통해 도출한 로직을 통해 가공한 값들을 예시할 수 있다. The chemical injection management unit 100 is for managing the chemical injection optimization process. The chemical injection management unit 100 receives real-time data including operation data and state data from at least one of the water treatment plant 1 and the water treatment control device 2, and analyzes it to determine whether the chemical injection optimization process is performed. Decide. Real-time data refers to driving data and state data measured or derived in real time. In an embodiment of the present invention, operation data is input to control the process by the dissolved air flotation device (DAF), automatic filtering device (AS), ultrafiltration device (UF) and reverse osmosis device (RO), or the process All data including the measured value for , that is, set value (SV: Set Value, or target value, SP: Set Point), measured value (PV: Process Variable, or CV: Current Value), and manipulated value (MV: Manipulate Variable) is called driving data. Here, the set value (SV or SP) is a value for setting the control target of the control target, the measured value (PV or CV) is a sensing value obtained by measuring the control target, and the operating value (MV) is the set value of the control target from the measured value. Indicates the control value to be manipulated. Setpoints and measured values may include flow rate, pressure, water level, temperature, and the like. The operating value may include an opening amount, RPM speed of the motor, voltage, current, and the like. Operation data can be processed according to each purpose and used for analysis. In an embodiment of the present invention, data derived or processed for analysis of driving data will be referred to as state data. For example, examples of values processed through logic derived from operation know-how of data obtained by measuring the differential pressure of input and output stages of ultrafiltration devices (UF) and reverse osmosis devices (RO) are exemplified. can do.

데이터전처리부(200)는 원시 데이터를 입력 받는다. 이때, 원시 데이터는 수처리플랜트(1) 및 수처리제어장치(2) 중 적어도 하나로부터 수신되는 운전 데이터 및 상태 데이터를 포함한다. 즉, 원시 데이터는 수처리플랜트(1) 및 수처리제어장치(2)로부터 수집되는 운전 데이터 및 상태 데이터가 누적되어 저장된 것이다. 따라서, 이러한 원시 데이터는 실시간으로 수집되는 운전 데이터 및 상태 데이터를 포함하는 실시간 데이터가 포함될 수 있다. 또한, 원시 데이터는 서로 다른 속성을 가지는 복수의 종류의 데이터를 포함한다. 이러한 원시 데이터는 수처리플랜트(1) 혹은 수처리제어장치(2)로부터 시간 상 지속적으로 수신된다. 특히, 원시 데이터는 입력 속성을 가지는 입력 속성 데이터와, 출력 속성을 가지는 출력 속성 데이터를 포함한다. 입력 속성 데이터는 수처리플랜트(1), 특히, 용존공기부상장치(DAF)로 유입되는 유입수와 관련된 운전 데이터 및 상태 데이터를 포함한다. 이러한 입력 속성 데이터는 예컨대, 유입수의 유량, 온도, 전도도, 산성도(혹은 수소이온농도), 탁도, 유량, 유입수에 대한 처리량(단위 시간 당), 유입수에 대한 화학제 주입량, 화학제 주입 농도 등을 예시할 수 있다. 출력 속성 데이터는 용존공기부상장치(DAF)에 의해 수처리된 처리수와 관련된 운전 데이터 및 상태 데이터를 포함한다. 출력 속성 데이터는 처리수의 산성도(혹은 수소이온농도, pH) 혹은 산성도 변화량, 탁도 혹은 탁도 변화량, 잔류철 등을 예시할 수 있다. 원시 데이터가 수집되면, 전처리부(200)는 전처리부가 원시 데이터를 전처리하여 학습 데이터를 생성한다. 학습 데이터는 용도에 따른 구분으로, 학습용 데이터 및 검증용 데이터를 포함한다. 또한, 학습 데이터는 속성에 따른 구분으로 입력 데이터 및 출력 데이터를 포함한다. 학습 데이터는 모델생성관리부(20)에 제공된다. 또한, 데이터전처리부(200)는 실시간 데이터를 전처리하여 전처리된 실시간 데이터를 최적화부(10)에 제공할 수 있다. 데이터전처리부(200)는 데이터의 속성을 나타내는 태그를 이용하여 실시간 데이터를 포함하는 원시 데이터를 분석하여 전처리를 수행한다. 이러한 전처리는 신호 처리, 정상 데이터 처리(기반 지식 기반/데이터 기반), 이상치(Outlier) 제거 등을 통해, 노이즈를 제거하거나, 수행하여 데이터 내의 노이즈를 제거하거나 DAF 모델 생성이나 제어기를 설계를 함에 있어 악영향을 미칠 수 있는 데이터 등을 제거할 수 있도록 한다. The data pre-processing unit 200 receives raw data. At this time, the raw data includes operation data and state data received from at least one of the water treatment plant 1 and the water treatment control device 2 . That is, raw data is accumulated and stored operation data and state data collected from the water treatment plant 1 and the water treatment control device 2 . Accordingly, the raw data may include real-time data including driving data and state data collected in real time. In addition, raw data includes a plurality of types of data having different properties. Such raw data is continuously received over time from the water treatment plant 1 or the water treatment control device 2 . In particular, raw data includes input attribute data having input attributes and output attribute data having output attributes. The input attribute data includes operation data and state data related to inflow water flowing into the water treatment plant 1, in particular, the dissolved air flotation device (DAF). Such input attribute data includes, for example, influent flow rate, temperature, conductivity, acidity (or hydrogen ion concentration), turbidity, flow rate, influent throughput (per unit time), chemical injection amount into influent, chemical injection concentration, etc. can be exemplified. The output attribute data includes operation data and status data related to treated water treated by the dissolved air flotation device (DAF). The output attribute data may include acidity (or hydrogen ion concentration, pH) or change in acidity, turbidity or change in turbidity, residual iron, and the like of the treated water. When the raw data is collected, the pre-processing unit 200 generates learning data by pre-processing the raw data. Learning data is classified according to use, and includes learning data and verification data. In addition, the training data includes input data and output data classified according to attributes. The learning data is provided to the model creation management unit 20 . In addition, the data pre-processing unit 200 may pre-process the real-time data and provide the pre-processed real-time data to the optimization unit 10 . The data pre-processing unit 200 analyzes raw data including real-time data using tags representing data attributes and performs pre-processing. This pre-processing removes noise through signal processing, normal data processing (based knowledge-based/data-based), and outlier removal, etc. It allows you to remove data that may have adverse effects.

최적화부(10)는 실시간 데이터를 분석하여 화학제 주입량을 최적화하기 위한 제어값을 도출하는 역할을 수행한다. 이러한 최적화부(10)는 전술한 바와 같이, 화학제주입최적화부(300) 및 화학제주입출력제어부(400)를 포함한다. The optimizer 10 analyzes real-time data and serves to derive a control value for optimizing an injection amount of a chemical agent. As described above, the optimizing unit 10 includes the chemical agent injection optimizing unit 300 and the chemical agent injection output control unit 400 .

화학제주입최적화부(300)는 현재 데이터에 대하여 분석하고, 이 결과를 바탕으로 기존에 만들어진 복수의 제어기 중에서 최적의 제어기를 선정하고, 최적의 케미컬 주입 제어 값을 탐색하는 역할을 한다. 최적 제어값 탐색에는 최적화 설계 정보, 즉, 목적 함수(objective function), 제약 조건(constraint), 조절 변수(Moderator Variable), 탐색 영역(searching range) 등이 필요하다. 이때, 화학제주입최적화부(300)는 하나 이상의 수처리모델을 통해 실시간 데이터를 분석하여 수처리플랜트(1)의 처리수의 상태(예컨대, 탁도, PH 등)를 예측하는 예측값을 도출한다. 그리고 화학제주입최적화부(300)는 하나 이상의 제어기를 통해 예측값을 기초로 수처리플랜트(1)의 처리수의 상태가 정상 범위를 유지하면서 최소의 화학제 주입량이 주입되도록 하는 제어값을 도출한다. The chemical injection optimization unit 300 analyzes the current data, selects an optimal controller from among a plurality of previously made controllers based on the current data, and serves to search for an optimal chemical injection control value. Optimal control value search requires optimization design information, that is, an objective function, constraints, moderator variables, and a searching range. At this time, the chemical injection optimization unit 300 analyzes real-time data through one or more water treatment models to derive predicted values for predicting the state (eg, turbidity, PH, etc.) of the treated water of the water treatment plant 1. In addition, the chemical injection optimization unit 300 derives a control value for injecting a minimum chemical injection amount while maintaining the state of the treated water of the water treatment plant 1 in a normal range based on the predicted value through one or more controllers.

화학제주입출력제어부(400)는 기본적으로, 화학제주입관리부(100)의 관리 명령 및 현재 상태 중 적어도 하나에 따라 화학제주입최적화부(300)가 도출한 제어값을 제공하거나, 제공하지 않도록 최종적으로 결정하기 위한 것이다. 화학제주입출력제어부(400)가 화학제주입최적화부(300)로부터 제공받은 제어값은 화학제주입최적화부(300)가 실시간 데이터를 이용하여 도출하였지만, 화학제주입출력제어부(400)가 처리하는 시간을 현재라고 했을 때, 화학제주입최적화부(300)가 그 제어값을 탐색하는 시간, 예컨대, 1분 또는 5분 이전의 과거의 데이터이다. 따라서 화학제주입출력제어부(400)는 해당 제어값을 산출의 기초가 되는 운전 데이터 및 상태 데이터와, 현재의 운전 데이터 및 상태 데이터와 비교하여 차이가 기준치 이상인 경우, 제어값을 보정하거나, 제어값의 출력을 정지(HOLD)시키거나, 중단(STOP)시킬 수 있다. 화학제주입출력제어부(400)는 제어값을 제공하는 경우, 화학제주입관리부(100)의 관리 명령에 따라 수처리제어장치(2)가 자동으로 제어값을 적용하도록 하거나, 제어값을 가이드 형식으로 제공하여 제어값의 적용 여부는 수처리제어장치(2)에 의해 결정되도록 하는 가이드 방식으로 제공할 수 있다. 또한, 화학제주입출력제어부(400)는 후공정보호부(800)로부터 후공정 보호 로직에 따라 도출된 보정바이어스(Bias)값을 이용하여 제어값을 보정할 수 있다. 특히, 화학제주입출력제어부(400)는 제어값을 수처리제어장치(2)가 안정적으로 동작할 수 있도록 수처리제어장치(2)의 제어 주기 및 제어 범위에 따라 변환하여, 변환된 제어값을 수처리제어장치(2)에 제공하는 역할을 수행한다. 본 발명의 실시예에 따르면, 화학제주입출력제어부(400)는 제어값을 수처리제어장치(2)에 적용 가능한 범위로 분할하여 적용제어값을 산출한다. 즉, 화학제주입출력제어부(400)는 화학제주입최적화부(300)에 의한 제어값의 도출 주기 대비 수처리제어장치(2)의 제어 주기 및 제어 범위에 맞춰 제어값을 분할하여 적용제어값을 산출한다. 예를 들면, 화학제주입최적화부(300)의 최적의 제어값을 탐색하는 시간 주기, 즉, 제어값의 도출 주기가 1분이고, 수처리제어장치(2)의 제어 주기가 10초이고, 제어 범위가 ±4라면, 제어값을 제어값의 도출 주기가 1분인 제어값을 수처리제어장치(2)의 제어 주기인 10초 간격 그리고 제어 범위인 ±4으로 분할하여 적용제어값을 산출한다. 구체적으로, 제어값이 기존값에서 20 증가하도록 하는 한 경우, 적용제어값은 매 10초마다 4씩 증가하여 +4, +8, +12, +16, +20, +20이 되도록 하는 값을 제공한다. The chemical injection input/output control unit 400 basically provides the control value derived by the chemical injection optimization unit 300 according to at least one of the management command and the current state of the chemical injection management unit 100, or provides a final final value not to be provided. is to determine Although the control value provided by the chemical injection input/output control unit 400 from the chemical injection optimization unit 300 is derived by the chemical injection optimization unit 300 using real-time data, the chemical injection input/output control unit 400 processes the time When is referred to as the present, the time at which the chemical injection optimization unit 300 searches for the control value, for example, is past data of 1 minute or 5 minutes ago. Therefore, the chemical input/output control unit 400 compares the control value with the operation data and state data that are the basis for calculating the current operation data and state data, and when the difference is greater than the reference value, the control value is corrected, or the control value Output can be stopped (HOLD) or stopped (STOP). When the chemical injection control unit 400 provides the control value, the water treatment control device 2 automatically applies the control value according to the management command of the chemical injection management unit 100 or provides the control value in the form of a guide. Accordingly, whether or not the control value is applied may be provided in a guide method to be determined by the water treatment control device 2 . In addition, the chemical injection input/output controller 400 may correct the control value using a correction bias value derived from the post-process protection unit 800 according to the post-process protection logic. In particular, the chemical injection control unit 400 converts the control value according to the control cycle and control range of the water treatment control device 2 so that the water treatment control device 2 can operate stably, and converts the converted control value to the water treatment control device 2. It serves to provide the device (2). According to an embodiment of the present invention, the chemical agent injection output control unit 400 divides the control value into a range applicable to the water treatment control device 2 to calculate the applied control value. That is, the chemical injection input/output control unit 400 calculates the application control value by dividing the control value according to the control period and control range of the water treatment control device 2 compared to the derivation period of the control value by the chemical injection optimization unit 300. do. For example, the time period for searching for the optimal control value of the chemical injection optimization unit 300, that is, the derivation period of the control value is 1 minute, the control period of the water treatment control device 2 is 10 seconds, and the control range If is ±4, the control value is calculated by dividing the control value in which the derivation period of the control value is 1 minute into the control period of the water treatment control device 2, which is a control period of 10 seconds, and the control range, which is ± 4. Specifically, if the control value is increased by 20 from the existing value, the applied control value is increased by 4 every 10 seconds to +4, +8, +12, +16, +20, +20. to provide.

모델생성관리부(20)는 학습을 통해 하나 이상의 수처리모델을 자동으로 생성하기 위한 것이다. 수처리모델은 적어도 하나의 인공신경망(Artificial Neural Network)을 포함하는 알고리즘이며, 유입수에 대한 수처리(예컨대, DAF)를 통해 처리수를 생성하는 수처리플랜트(1)를 모사한다. 이에 따라, 수처리모델은 유입수의 상태를 나타내는 각 종 정보를 입력 받고, 학습된 바에 따라 유입수의 상태에 대해 연산을 수행하여 처리수의 상태를 예측하는 예측값을 산출한다. 여기서, 유입수의 상태는 예컨대, 유입수의 유량, 온도, 전도도, 산성도(혹은 수소이온농도), 탁도, 유량, 유입수에 대한 처리량(단위 시간 당), 유입수에 대한 화학제 주입량, 화학제 주입 농도 등을 예시할 수 있다. 또한, 처리수의 상태는 처리수의 산성도 혹은 산성도 변화량, 탁도 혹은 탁도 변화량, 잔류철 등을 예시할 수 있다. The model generation management unit 20 is for automatically generating one or more water treatment models through learning. The water treatment model is an algorithm including at least one artificial neural network, and simulates a water treatment plant 1 generating treated water through water treatment (eg, DAF) for influent water. Accordingly, the water treatment model receives various types of information indicating the state of influent, and calculates a predicted value predicting the state of treated water by performing an operation on the state of influent according to the learning. Here, the state of the influent is, for example, the flow rate of the influent, temperature, conductivity, acidity (or hydrogen ion concentration), turbidity, flow rate, the amount of treatment for the influent (per unit time), the amount of chemicals injected into the influent, the concentration of chemicals injected, etc. can be exemplified. In addition, the state of the treated water can be exemplified by the acidity or acidity change amount of the treated water, turbidity or turbidity change amount, residual iron, and the like.

전술한 바와 같이, 모델생성관리부(20)는 자동모델링처리부(500), 모델생성부(600) 및 모델선정부(700)를 포함한다. As described above, the model generation management unit 20 includes an automatic modeling processing unit 500, a model generation unit 600, and a model selection unit 700.

자동모델링처리부(500)는 새로 생성될 수처리모델을 설계하여 모델설계정보를 생성한다. 자동모델링처리부(500)는 수처리모델의 형식, 구조, 입출력, 변수 등을 설계한다. 일 실시예에 따르면, 자동모델링처리부(500)는 수처리모델의 형식, 구조, 입출력, 변수 등의 모델설계정보를 입력 받아 결정할 수 있다. 다른 실시예에 따르면, 자동모델링처리부(500)는 기 저장된 복수의 시드모델 중 어느 하나로부터 모델설계정보를 추출하여, 추출된 모델설계정보에 따라 수처리모델을 설계할 수 있다. 시드모델은 수처리모델 중 전문가에 의해 생성된 모델이다. 자동모델링처리부(500)는 새로 생성될 수처리모델에 적용하기 위해 시드모델의 형식, 구조, 입출력, 변수 중 적어도 하나를 포함하는 모델설계정보를 추출한다. 추출된 모델설계정보는 새로 생성될 수처리모델에 적용된다. The automatic modeling processing unit 500 creates model design information by designing a water treatment model to be newly created. The automatic modeling processing unit 500 designs the form, structure, input/output, variables, etc. of the water treatment model. According to an embodiment, the automatic modeling processing unit 500 may receive and determine model design information such as the form, structure, input/output, and variables of the water treatment model. According to another embodiment, the automatic modeling processing unit 500 may extract model design information from any one of a plurality of pre-stored seed models and design a water treatment model according to the extracted model design information. The seed model is a model created by experts among water treatment models. The automatic modeling processing unit 500 extracts model design information including at least one of the form, structure, input/output, and variables of the seed model to be applied to a newly created water treatment model. The extracted model design information is applied to the newly created water treatment model.

모델생성부(600)는 자동모델링처리부(500)로부터 모델설계정보를 제공받고, 모델설계정보를 기초로 학습 데이터를 이용하여 학습을 통해 수처리모델을 생성한다. 즉, 모델생성부(600)는 학습용 데이터 및 검증용 데이터를 포함하는 학습 데이터를 이용하여 학습을 통해 수처리플랜트를 모사하여 수처리플랜트에 대한 유입수의 상태에 따라 처리수의 상태를 예측하는 복수의 수처리모델을 생성한다. 학습용 데이터 및 검증용 데이터를 포함하는 학습 데이터는 입력 데이터와 그 입력 데이터에 대응하는 출력 데이터를 포함한다. 예컨대, 입력 데이터는 유입수의 유량, 온도, 전도도, 산성도(혹은 수소이온농도), 탁도, 유량, 유입수에 대한 처리량(단위 시간 당), 유입수에 대한 주입제 주입 농도 등을 예시할 수 있다. 또한, 출력 데이터는 처리수의 산성도 혹은 산성도 변화량, 탁도 혹은 탁도 변화량 등을 예시할 수 있다. 여기서, 학습 시, 출력 데이터는 입력 데이터에 대응하는 목표값(Target)으로 사용된다. The model generating unit 600 receives model design information from the automatic modeling processing unit 500 and generates a water treatment model through learning using learning data based on the model design information. That is, the model generator 600 simulates a water treatment plant through learning using learning data including learning data and verification data, and predicts the state of treated water according to the state of inflow water to the water treatment plant. create a model The training data including training data and verification data includes input data and output data corresponding to the input data. For example, the input data may include influent flow rate, temperature, conductivity, acidity (or hydrogen ion concentration), turbidity, flow rate, influent throughput (per unit time), and injection concentration of influent. In addition, the output data may exemplify acidity or change in acidity, turbidity or change in turbidity of the treated water. Here, during learning, the output data is used as a target value corresponding to the input data.

모델선정부(700)는 모델생성부(600)가 생성한 수처리모델과, 기 저장된 수처리모델을 비교 평가하여 최적의 수처리모델을 선정하기 위한 것이다. 이를 위하여, 평가 시점의 수처리장치(1)를 나타내는 평가 데이터를 이용하여 복수의 수처리모델에 대한 평가를 수행한다. 평가 데이터는 학습 데이터 및 검증 데이터와 마찬가지로, 입력 데이터와 그 입력 데이터에 대응하는 출력 데이터를 포함한다. 즉, 모델선정부(700)는 평가 시점에 수처리장치(1)로부터 수집된 데이터를 이용하여 평가 데이터를 생성하고, 생성된 평가 데이터를 이용하여 평가를 수행한다. 즉, 모델선정부(700)는 평가 시점의 수처리장치로부터 수집된 평가 데이터를 이용하여 복수의 수처리모델에 대한 평가를 수행한다. 그리고 모델선정부(700)는 평가 결과, 복수의 수처리모델 중 평가 시점의 수처리장치(1)와의 유사도가 가장 높은 수처리모델을 선정한다. 그리고 모델선정부(700)는 선정된 수처리모델을 화학제주입최적화부(300)에 제공한다. 또한, 모델선정부(700)는 평가가 종료될 때마다, 생성된 순서에 따라 수처리모델을 정렬하고, 수처리모델을 저장하는 저장공간의 저장용량이 부족한 경우, 선정되지 않은 수처리모델 중 생성된 시기가 빠른 순서에 따라 해당하는 수처리모델을 순차로 삭제할 수 있다. The model selection unit 700 is for selecting an optimal water treatment model by comparing and evaluating the water treatment model generated by the model generator 600 and the previously stored water treatment model. To this end, evaluation of a plurality of water treatment models is performed using evaluation data representing the water treatment device 1 at the time of evaluation. Evaluation data includes input data and output data corresponding to the input data, as well as training data and verification data. That is, the model selection unit 700 generates evaluation data using data collected from the water treatment device 1 at the time of evaluation, and performs evaluation using the generated evaluation data. That is, the model selection unit 700 evaluates a plurality of water treatment models using evaluation data collected from the water treatment device at the time of evaluation. And, as a result of the evaluation, the model selection unit 700 selects a water treatment model having the highest similarity with the water treatment device 1 at the time of evaluation among the plurality of water treatment models. And the model selection unit 700 provides the selected water treatment model to the chemical injection optimization unit 300 . In addition, the model selection unit 700 sorts the water treatment models according to the order of creation whenever the evaluation is finished, and when the storage space for storing the water treatment models is insufficient, the time when the water treatment models were not selected. It is possible to sequentially delete the corresponding water treatment models according to the order of priority.

후공정보호부(800)는 수처리플랜트(1)의 후단 공정, 즉, 자동여과장치(AS), 한외여과장치(UF) 및 역삼투압장치(RO)에 의한 공정의 운전 데이터 및 상태 데이터를 포함하는 후공정 데이터를 수신하고, 수신된 후공정 데이터를 분석하여 후단 공정에 피해, 예컨대, 파울링(Fouling)이 발생하는 상황을 방지하기 위한 후공정 보호 로직에 따라 후공정을 보호하기 위한 보정바이어스값을 도출한다. 여기서, 파울링은 유입수 속의 오염물질에 의해 막이 막히는 현상을 의미한다. 보정바이어스값은 화학제주입출력제어부(400)에 제공된다. The post-process protection unit 800 includes operation data and state data of the post-process of the water treatment plant 1, that is, the process by the automatic filter (AS), ultrafilter (UF) and reverse osmosis (RO). Compensation bias for protecting the post-process according to the post-process protection logic for preventing damage to the post-process, for example, fouling, by receiving post-process data received and analyzing the received post-process data derive a value Here, fouling means a phenomenon in which the membrane is clogged by contaminants in the influent. The correction bias value is provided to the chemical agent injection input/output controller 400 .

다음으로, 본 발명의 실시예에 따른 화학제주입최적화를 위한 학습 데이터를 생성하기 위한 장치에 대해서 설명하기로 한다. 도 3은 본 발명의 실시예에 따른 화학제주입최적화를 위한 학습 데이터를 생성하기 위한 장치의 구성을 설명하기 위한 도면이다. 도 4는 본 발명의 실시예에 따른 화학제주입최적화를 위한 학습 데이터를 생성하기 위한 수질 이상을 탐지하기 위한 구성을 설명하기 위한 도면이다. 도 3을 참조하면, 데이터전처리부(200)는 전처리부(210) 및 데이터생성부(220)를 포함한다. 여기서, 데이터생성부(220)는 클러스터부(211) 및 샘플링부(222)를 포함한다. Next, an apparatus for generating learning data for optimizing chemical injection according to an embodiment of the present invention will be described. 3 is a diagram for explaining the configuration of an apparatus for generating learning data for optimizing chemical injection according to an embodiment of the present invention. 4 is a diagram for explaining a configuration for detecting water quality abnormalities for generating learning data for optimizing chemical injection according to an embodiment of the present invention. Referring to FIG. 3 , the data preprocessor 200 includes a preprocessor 210 and a data generator 220 . Here, the data generator 220 includes a cluster unit 211 and a sampling unit 222 .

전처리부(210)는 원시 데이터를 수신하여 전처리를 수행한다. 이러한 원시 데이터는 수처리플랜트(1) 혹은 수처리제어장치(2)로부터 시간 상 지속적으로 수신된다. 원시 데이터는 서로 다른 속성을 가지는 복수의 종류의 데이터를 포함한다. 특히, 원시 데이터는 입력 속성을 가지는 입력 속성 데이터와, 출력 속성을 가지는 출력 속성 데이터를 포함한다. 입력 속성 데이터는 수처리플랜트(1), 특히, 용존공기부상장치(DAF)로 유입되는 유입수와 관련된 운전 데이터 및 상태 데이터를 포함한다. 이러한 입력 속성 데이터는 예컨대, 유입수의 유량, 온도, 전도도, 산성도(혹은 수소이온농도), 탁도, 유량, 유입수에 대한 처리량(단위 시간 당), 유입수에 대한 화학제 주입량, 화학제 주입 농도 등을 예시할 수 있다. 출력 속성 데이터는 용존공기부상장치(DAF)에 의해 수처리된 처리수와 관련된 운전 데이터 및 상태 데이터를 포함한다. 출력 속성 데이터는 처리수의 산성도(혹은 수소이온농도, pH) 혹은 산성도 변화량, 탁도 혹은 탁도 변화량, 잔류철 등을 예시할 수 있다. The pre-processing unit 210 receives raw data and performs pre-processing. Such raw data is continuously received over time from the water treatment plant 1 or the water treatment control device 2 . Raw data includes a plurality of types of data having different properties. In particular, raw data includes input attribute data having input attributes and output attribute data having output attributes. The input attribute data includes operation data and state data related to inflow water flowing into the water treatment plant 1, in particular, the dissolved air flotation device (DAF). Such input attribute data includes, for example, influent flow rate, temperature, conductivity, acidity (or hydrogen ion concentration), turbidity, flow rate, influent throughput (per unit time), chemical injection amount into influent, chemical injection concentration, etc. can be exemplified. The output attribute data includes operation data and status data related to treated water treated by the dissolved air flotation device (DAF). The output attribute data may include acidity (or hydrogen ion concentration, pH) or change in acidity, turbidity or change in turbidity, residual iron, and the like of the treated water.

전처리부(210)는 원시 데이터의 결측값을 복원할 수 있다. 이때, 전처리부(210)는 입력되는 결측값을 가지는 원시 데이터의 시간 상의 이웃하는 주변의 복수의 원시 데이터의 평균값, 중앙값 및 최빈값 중 어느 하나로 결측값을 대체함으로써 결측값을 복원할 수 있다. The pre-processing unit 210 may restore missing values of raw data. In this case, the preprocessor 210 may restore the missing value by replacing the missing value with one of an average value, a median value, and a mode value of a plurality of raw data neighboring in time of the input raw data having the missing value.

또한, 전처리부(210)는 소정 주기 마다 시간 상 연속된 원시 데이터의 평균값을 산출하여 산출된 평균값을 가지는 하나의 원시 데이터로 병합할 수 있다. 예를 들면, 소정 주기가 1분이라면, 입력되는 원시 데이터의 1분 동안의 평균값을 가지는 1개의 원시 데이터로 병합한다. 이러한 주기는 화학제주입최적화장치(3)의 제어 주기와 일치할 수 있다. In addition, the pre-processing unit 210 may calculate an average value of the raw data consecutive in time at each predetermined period and merge them into one raw data having the calculated average value. For example, if the predetermined period is 1 minute, input raw data are merged into one raw data having an average value for 1 minute. This cycle may coincide with the control cycle of the chemical injection optimization device 3.

특히, 전처리부(210)는 원시 데이터 중 입력 속성을 가지는 입력 속성 데이터와 입력 속성 데이터에 대응하는 출력 속성을 가지는 출력 속성 데이터를 동기에 맞춰 정렬한다. 전술한 바와 같이, 입력 속성 데이터는 용존공기부상장치(DAF)로 유입되는 유입수와 관련된 데이터이며, 출력 속성 데이터는 용존공기부상장치(DAF)의 수처리를 거친 후, 방출되는 처리와 관련된 데이터이다. 유입수는 용존공기부상장치(DAF)의 처리조 및 배관을 거쳐 처리수로 유출되기 때문에 유입수에 대한 화학제 주입에 따른 효과를 확인할 수 있는 처리수는 수리학적체류시간(HRT, Hydraulic Retention Time) 만큼의 차이가 발생한다. 따라서 본 발명은 수리학적체류시간(HRT)을 고려하여 입력 속성 데이터와 출력 속성 데이터의 동기를 맞춰 정렬한다. 즉, 전처리부(210)는 용존공기부상장치(DAF)로 유입되는 유입수의 유량, 용존공기부상장치(DAF)의 처리조의 크기, 배관의 길이 및 직경을 고려하여 용존공기부상장치(DAF)에 의한 수리학적체류시간(HRT)을 산출하고, 산출된 수리학적체류시간(HRT)에 따라 입력 속성 데이터와 출력 속성 데이터의 동기를 맞춰 정렬한다. In particular, the pre-processor 210 aligns input attribute data having an input attribute among raw data and output attribute data having an output attribute corresponding to the input attribute data according to synchronization. As described above, the input attribute data is data related to the inflow water flowing into the dissolved air flotation device (DAF), and the output attribute data is data related to the discharged water after water treatment of the dissolved air floatation device (DAF). Since the influent flows out to the treated water through the treatment tank and piping of the dissolved air flotation device (DAF), the treated water, which can confirm the effect of chemical injection into the influent, is equal to the Hydraulic Retention Time (HRT). difference occurs. Therefore, according to the present invention, input attribute data and output attribute data are synchronized and aligned in consideration of the hydraulic residence time (HRT). That is, the preprocessing unit 210 considers the flow rate of the inflow water flowing into the dissolved air flotation device (DAF), the size of the treatment tank of the dissolved air flotation device (DAF), and the length and diameter of the pipe to the dissolved air flotation device (DAF). The hydraulic residence time (HRT) is calculated, and the input attribute data and the output attribute data are synchronized and aligned according to the calculated hydraulic residence time (HRT).

또한, 전처리부(210)는 수질 이상이 발생한 시간 구간의 원시 데이터를 소거한다. 이를 위하여, 도 4에 도시된 바와 같이, 전처리부(210)는 수질이상판단부(211)를 포함할 수 있다. 수질 이상이 있는 시간 구간은 수질이상감시시스템(ADS)에 의해 수질 정보를 분석된 결과에 따라 실시간으로 도출될 수 있다. 수질이상감시시스템(ADS)은 실시간으로 수처리플랜트(1)의 수질 정보를 입력 받고, 이를 분석하여 수질 이상 여부를 판별할 수 있다. 수질 정보는 예컨대, 용존산소량, 질소, 수은, 인, 탁도, 이산화탄소, 수소 농도 등이 될 수 있다. 수질이상감시시스템(ADS)은 수질 이상이 발생한 경우, 수질이상판단부(211)에 수질 이상이 발생한 시간 기간을 알리는 이상수질정보를 제공할 수 있다. 또한, 수질 이상이 있는 시간 구간은 수질을 관리하는 관리자가 직접 수질을 검사하고, 그 검사 결과에 따라 관리자가 수질 이상이 발생한 시간 기간을 입력함으로써 결정될 수 있다. 즉, 수질이상판단부(211)는 관리자의 입력을 수신하여 수질 이상이 발생한 시간 기간을 인식할 수 있다. In addition, the pre-processing unit 210 erases the raw data of the time section in which the water quality abnormality occurred. To this end, as shown in FIG. 4 , the preprocessing unit 210 may include a water quality abnormality determination unit 211 . The time interval with the water quality abnormality may be derived in real time according to the result of analyzing the water quality information by the water quality abnormality monitoring system (ADS). The water quality abnormality monitoring system (ADS) receives water quality information of the water treatment plant 1 in real time and analyzes it to determine whether there is an abnormality in water quality. The water quality information may be, for example, the amount of dissolved oxygen, nitrogen, mercury, phosphorus, turbidity, carbon dioxide, and hydrogen concentration. When the water quality abnormality occurs, the water quality abnormality monitoring system ADS may provide abnormal water quality information notifying the water quality abnormality determination unit 211 of the time period in which the water quality abnormality occurred. Also, the time period in which the water quality abnormality occurs may be determined by a manager who manages the water quality directly inspecting the water quality, and the manager inputs a time period in which the water quality abnormality occurs according to the inspection result. That is, the water quality abnormality determining unit 211 may receive the administrator's input and recognize the time period during which the water quality abnormality occurred.

전처리부(210)는 원시 데이터에서 기 설정된 최소 및 최대 범위(MAX, MIN)를 벗어나는 이상값(outlier)을 소거한다. 즉, 전처리부(210)는 원시 데이터에서 기 설정된 최소값(MIN) 및 최대값(MAX)을 벗어나는 범위의 이상값(outlier)을 소거하여 최소값(MIN) 및 최대값(MAX) 범위 내에 있는 정상값만을 추출한다. The pre-processing unit 210 removes outliers outside of preset minimum and maximum ranges (MAX, MIN) from raw data. That is, the pre-processing unit 210 removes outliers outside the preset minimum (MIN) and maximum (MAX) ranges from the raw data to obtain normal values within the minimum (MIN) and maximum (MAX) ranges. extract only

전처리부(210)는 대역필터를 이용한 필터링을 통해 원시 데이터 중 수질 속성을 가지는 원시 데이터의 노이즈를 제거한다. 여기서, 대역 필터는 저역통과필터(low-pass filter), 대역통과필터(band-pass filter), 노치필터(notch filter) 등을 예시할 수 있다. The pre-processing unit 210 removes noise from raw data having a water quality attribute among raw data through filtering using a bandpass filter. Here, the band filter may include a low-pass filter, a band-pass filter, a notch filter, and the like.

전처리부(210)는 하나 또는 2 이상의 속성의 원시 데이터를 이용하여 새로운 속성의 원시 데이터를 생성할 수 있다. 이때, 속성의 변화에 따라 원시 데이터의 값의 단위를 변환할 수 있다. 일례로, 원시 데이터 중 유입수의 탁도 및 처리수의 탁도를 이용하여 유입수의 탁도 및 처리수의 탁도의 차이를 나타내는 탁도의 변화율을 속성으로 하는 원시 데이터를 생성할 수 있다. 다른 예로, 원시 데이터 중 화학제의 농도를 기초로 화학제가 주입된 처리수의 유량으로 변환할 수 있다. 처리수의 유량의 단위는 농도(ppm)를 기초로 시간당 처리용량(L/h)으로 변환할 수 있다. The pre-processing unit 210 may generate raw data of a new attribute by using raw data of one or two or more attributes. At this time, the unit of the value of the raw data may be converted according to the change of the attribute. For example, raw data having a turbidity change rate representing a difference between the turbidity of the influent and the turbidity of the treated water as an attribute may be generated using the turbidity of the influent and the turbidity of the treated water among the raw data. As another example, the raw data may be converted into a flow rate of treated water into which the chemical is injected based on the concentration of the chemical. The unit of the flow rate of the treated water can be converted to the treatment capacity per hour (L/h) based on the concentration (ppm).

전술한 바와 같이, 데이터생성부(220)는 클러스터부(211) 및 샘플링부(222)를 포함한다. As described above, the data generator 220 includes a cluster unit 211 and a sampling unit 222 .

클러스터부(221)는 원시 데이터의 속성의 상관관계에 따라 원시 데이터를 클러스터링한다. 이때, 속성의 상관도가 소정 수치 이상인 정규 데이터를 그룹화할 수 있다. 추가적인 실시예에 따르면, 유사도가 소정 수치 이상인 패턴을 가지는 원시 데이터를 그룹화할 수 있다. 특히, 원시 데이터는 입력 속성을 가지는 입력 속성 데이터와, 출력 속성을 가지는 출력 속성 데이터를 포함한다. 입력 속성 데이터는 수처리플랜트(1), 특히, 용존공기부상장치(DAF)로 유입되는 유입수와 관련된 운전 데이터 및 상태 데이터를 포함한다. 이러한 입력 속성 데이터는 예컨대, 유입수의 유량, 온도, 전도도, 산성도(혹은 수소이온농도), 탁도, 유량, 유입수에 대한 처리량(단위 시간 당), 유입수에 대한 화학제 주입량, 화학제 주입 농도 등을 예시할 수 있다. 출력 속성 데이터는 용존공기부상장치(DAF)에 의해 수처리된 처리수와 관련된 운전 데이터 및 상태 데이터를 포함한다. 출력 속성 데이터는 처리수의 산성도(혹은 수소이온농도, pH) 혹은 산성도 변화량, 탁도 혹은 탁도 변화량, 잔류철 등을 예시할 수 있다. 클러스터부(221)는 원시 데이터의 속성의 상관관계에 따라 원시 데이터를 클러스터링하되, 입력 속성 데이터와, 입력 속성 데이터와 상관도가 소정 수치 이상인 출력 속성 데이터를 클러스터링할 수 있다. 이러한 속성의 상관관계에 따라 클러스터링이 이루어지고, 학습 데이터가 생성되어, 후속 절차에서, 이를 이용하여 학습을 수행함으로써, 수처리모델의 생성 시, 그 성능이 향상될 수 있다. The cluster unit 221 clusters the raw data according to the correlation of attributes of the raw data. In this case, normal data having a correlation of attributes equal to or greater than a predetermined value may be grouped. According to an additional embodiment, raw data having a pattern having a similarity higher than a predetermined value may be grouped. In particular, raw data includes input attribute data having input attributes and output attribute data having output attributes. The input attribute data includes operation data and state data related to inflow water flowing into the water treatment plant 1, in particular, the dissolved air flotation device (DAF). Such input attribute data includes, for example, influent flow rate, temperature, conductivity, acidity (or hydrogen ion concentration), turbidity, flow rate, influent throughput (per unit time), chemical injection amount into influent, chemical injection concentration, etc. can be exemplified. The output attribute data includes operation data and status data related to treated water treated by the dissolved air flotation device (DAF). The output attribute data may include acidity (or hydrogen ion concentration, pH) or change in acidity, turbidity or change in turbidity, residual iron, and the like of the treated water. The cluster unit 221 clusters the raw data according to the correlation between the attributes of the raw data, and clusters the input attribute data and the output attribute data having a correlation with the input attribute data equal to or greater than a predetermined value. Clustering is performed according to the correlation of these attributes, learning data is generated, and learning is performed using this in a subsequent procedure, so that when a water treatment model is created, its performance can be improved.

샘플링부(222)는 클러스터링된 원시 데이터의 속성에 따라, 원시 데이터를 샘플링하여 학습 데이터를 생성한다. 클러스터링된 원시 데이터는 입력 속성 데이터 및 출력 속성 데이터를 포함한다. 수처리모델은 수처리플랜트를 모사하여 유입수의 상태 및 유입수에 주입되는 화학제에 따라 수치러플랜트(1)의 수처리를 통해 유출되는 처리수의 상태를 예측한다. 따라서 수처리모델의 학습 데이터로 사용되는 입력 데이터는 유입수 및 화학제와 관련된 속성, 즉, 전술한 입력 속성을 가지는 입력 속성 데이터가 될 수 있다. 출력 데이터는 처리수의 상태와 관련된 속성, 즉, 출력 속성을 가지는 출력 속성 데이터가 될 수 있다. 이에 따라, 샘플링부(222)는 수처리모델에 입력되는 입력 데이터를 추출하고, 그 입력 데이터가 수처리모델에 입력되었을 때 출력되는 출력 데이터를 추출하고, 추출된 입력 데이터 및 추출된 출력 데이터를 매핑하여 학습 데이터를 생성할 수 있다. 다른 말로, 샘플링부(222)는 입력 속성 데이터를 샘플링하여 입력 데이터로 추출하고, 출력 속성 데이터를 샘플링하여 출력 데이터로 추출할 수 있다. The sampling unit 222 generates learning data by sampling the raw data according to the attributes of the clustered raw data. The clustered raw data includes input attribute data and output attribute data. The water treatment model simulates the water treatment plant and predicts the state of the treated water flowing out through the water treatment of the water treatment plant 1 according to the state of the influent and the chemicals injected into the influent. Accordingly, input data used as learning data of the water treatment model may be properties related to influent and chemicals, that is, input property data having the above-described input properties. The output data may be output attribute data having an attribute related to the state of the treated water, that is, an output attribute. Accordingly, the sampling unit 222 extracts input data input to the water treatment model, extracts output data output when the input data is input to the water treatment model, and maps the extracted input data and the extracted output data to training data can be generated. In other words, the sampling unit 222 may sample input attribute data to extract input data, and sample output attribute data to extract output data.

다음으로, 본 발명의 실시예에 따른 수처리 플랜트에서 화학제 주입 최적화를 위한 방법에 대해서 설명하기로 한다. 도 5는 본 발명의 실시예에 따른 수처리 플랜트에서 화학제 주입 최적화를 위한 방법을 설명하기 위한 흐름도이다. Next, a method for optimizing chemical injection in a water treatment plant according to an embodiment of the present invention will be described. 5 is a flowchart illustrating a method for optimizing chemical agent injection in a water treatment plant according to an embodiment of the present invention.

도 5를 참조하면, 데이터전처리부(200)는 S110 단계에서 원시 데이터를 입력 받는다. 원시 데이터는 수처리플랜트(1) 및 수처리제어장치(2) 중 적어도 하나로부터 수집된 운전 데이터 및 상태 데이터를 포함한다. 즉, 원시 데이터는 시간 상 수처리플랜트(1) 및 수처리제어장치(2)로부터 수집되는 운전 데이터 및 상태 데이터가 누적되어 저장된 것이다. 따라서, 이러한 원시 데이터는 실시간으로 수집되는 운전 데이터 및 상태 데이터를 포함하는 실시간 데이터가 포함될 수 있다. 특히, 또한, 원시 데이터는 서로 다른 속성을 가지는 복수의 종류의 데이터를 포함한다. 이러한 원시 데이터는 수처리플랜트(1) 혹은 수처리제어장치(2)로부터 시간 상 지속적으로 수신된다. 특히, 원시 데이터는 입력 속성을 가지는 입력 속성 데이터와, 출력 속성을 가지는 출력 속성 데이터를 포함한다. 입력 속성 데이터는 수처리플랜트(1), 특히, 용존공기부상장치(DAF)로 유입되는 유입수와 관련된 운전 데이터 및 상태 데이터를 포함한다. 이러한 입력 속성 데이터는 예컨대, 유입수의 유량, 온도, 전도도, 산성도(혹은 수소이온농도), 탁도, 유량, 유입수에 대한 처리량(단위 시간 당), 유입수에 대한 화학제 주입량, 화학제 주입 농도 등을 예시할 수 있다. 출력 속성 데이터는 용존공기부상장치(DAF)에 의해 수처리된 처리수와 관련된 운전 데이터 및 상태 데이터를 포함한다. 출력 속성 데이터는 처리수의 산성도(혹은 수소이온농도, pH) 혹은 산성도 변화량, 탁도 혹은 탁도 변화량, 잔류철 등을 예시할 수 있다. Referring to FIG. 5 , the data pre-processing unit 200 receives raw data in step S110. The raw data includes operation data and state data collected from at least one of the water treatment plant 1 and the water treatment control device 2 . That is, the raw data is accumulated and stored operation data and state data collected from the time constant water treatment plant 1 and the water treatment control device 2. Accordingly, the raw data may include real-time data including driving data and state data collected in real time. In particular, the raw data also includes a plurality of types of data having different attributes. Such raw data is continuously received over time from the water treatment plant 1 or the water treatment control device 2 . In particular, raw data includes input attribute data having input attributes and output attribute data having output attributes. The input attribute data includes operation data and state data related to inflow water flowing into the water treatment plant 1, in particular, the dissolved air flotation device (DAF). Such input attribute data includes, for example, influent flow rate, temperature, conductivity, acidity (or hydrogen ion concentration), turbidity, flow rate, influent throughput (per unit time), chemical injection amount into influent, chemical injection concentration, etc. can be exemplified. The output attribute data includes operation data and status data related to treated water treated by the dissolved air flotation device (DAF). The output attribute data may include acidity (or hydrogen ion concentration, pH) or change in acidity, turbidity or change in turbidity, residual iron, and the like of the treated water.

원시 데이터가 수집되면, 데이터전처리부(200)는 S120 단계에서 원시 데이터를 전처리하여 학습 데이터를 생성한다. 학습 데이터는 그 용도에 따른 구분으로, 학습용 데이터 및 검증용 데이터를 포함한다. 또한, 학습 데이터는 그 속성에 따른 구분으로, 입력 데이터 및 출력 데이터를 포함한다. 입력 데이터는 입력 속성 데이터를 전처리하여 도출되며, 출력 데이터는 출력 속성 데이터를 전처리하여 도출된다. 입력 데이터는 유입수의 유량, 온도, 전도도, 산성도(혹은 수소이온농도), 탁도, 유량, 유입수에 대한 처리량(단위 시간 당), 유입수에 대한 화학제 주입량, 화학제 주입 농도 등을 예시할 수 있다. 출력 데이터는 처리수의 산성도(혹은 수소이온농도, pH) 혹은 산성도 변화량, 탁도 혹은 탁도 변화량, 잔류철 등을 예시할 수 있다. 특히, 데이터전처리부(200)는 전처리 시, 원시 데이터의 속성의 상관관계에 따라 원시 데이터를 클러스터링하되, 입력 속성 데이터와, 입력 속성 데이터와 상관도가 소정 수치 이상인 출력 속성 데이터를 클러스터링하여 학습 데이터를 생성한다. 학습 데이터는 용도에 따른 구분으로, 학습용 데이터 및 검증용 데이터를 포함한다. 또한, 학습 데이터는 속성에 따른 구분으로 입력 데이터 및 출력 데이터를 포함한다. 이러한 속성의 상관관계에 따라 학습 데이터를 생성하고, 후속 절차에서, 이를 이용하여 학습을 수행함으로써, 수처리모델의 생성 시, 그 성능이 향상될 수 있다. When the raw data is collected, the data pre-processing unit 200 pre-processes the raw data in step S120 to generate learning data. Learning data is classified according to its purpose and includes learning data and verification data. Further, the learning data is classified according to its properties and includes input data and output data. Input data is derived by preprocessing input attribute data, and output data is derived by preprocessing output attribute data. Input data may include influent flow rate, temperature, conductivity, acidity (or hydrogen ion concentration), turbidity, flow rate, influent throughput (per unit time), chemical injection amount into influent, chemical injection concentration, etc. . The output data may include acidity (or hydrogen ion concentration, pH) or change in acidity, turbidity or change in turbidity, residual iron, and the like of the treated water. In particular, the data pre-processing unit 200 clusters the raw data according to the correlation of the attributes of the raw data during preprocessing, and clusters the input attribute data and the output attribute data having a correlation with the input attribute data of a predetermined value or more to obtain learning data. generate Learning data is classified according to use, and includes learning data and verification data. In addition, the training data includes input data and output data classified according to attributes. By generating learning data according to the correlation of these attributes and performing learning using this in a subsequent procedure, when a water treatment model is created, its performance can be improved.

그러면, 자동모델링처리부(500), 모델생성부(600) 및 모델선정부(700)를 포함하는 모델생성관리부(20)는 학습 데이터를 제공 받고, S130 단계에서 학습 데이터를 이용하여 수처리모델을 생성한다. 이러한 S130 단계에서, 자동모델링처리부(500)는 수처리모델을 설계한다. 수처리모델의 설계는 모델의 형식, 하나의 모델에 속하는 서브 모델의 수, 입력, 출력 및 변수를 지정하는 것을 의미한다. 그러면, 모델생성부(600)는 설계된 수처리모델에 대해 학습용 데이터 중 학습용 데이터를 이용하여 학습을 수행함으로써, 수처리플랜트(1)를 모사하여 수처리플랜트(1)에 대한 유입수의 상태에 따라 처리수의 상태를 예측하는 수처리모델을 생성한다. 그런 다음, 모델선정부(700)는 학습용 데이터 중 검증용 데이터를 이용하여 복수의 수처리모델 중 수처리플랜트(1)와의 유사도가 가장 높은 수처리모델을 선정한다. 이와 같이, 선정된 수처리모델을 최적화부(10)의 화학제주입최적화부(300)에 제공된다. Then, the model generation management unit 20 including the automatic modeling processing unit 500, the model generation unit 600, and the model selection unit 700 receives the learning data and generates a water treatment model using the learning data in step S130. do. In this step S130, the automatic modeling processing unit 500 designs a water treatment model. Designing a water treatment model means specifying the model format, the number of submodels belonging to one model, and the inputs, outputs, and variables. Then, the model generator 600 performs learning for the designed water treatment model using the learning data among the learning data, thereby simulating the water treatment plant 1 and generating the number of treated water according to the state of the inflow water to the water treatment plant 1. Create a water treatment model that predicts the condition. Then, the model selection unit 700 selects a water treatment model having the highest similarity with the water treatment plant 1 from among a plurality of water treatment models by using the verification data among the learning data. In this way, the selected water treatment model is provided to the chemical injection optimization unit 300 of the optimization unit 10.

다음으로, 본 발명의 추가적인 실시예에 따른 수처리 플랜트에서 화학제 주입 최적화를 위한 방법에 대해서 설명하기로 한다. 도 6은 본 발명의 추가적인 실시예에 따른 수처리 플랜트에서 화학제 주입 최적화를 위한 방법을 설명하기 위한 흐름도이다. Next, a method for optimizing chemical injection in a water treatment plant according to a further embodiment of the present invention will be described. 6 is a flowchart illustrating a method for optimizing chemical agent injection in a water treatment plant according to a further embodiment of the present invention.

도 6을 참조하면, 화학제주입관리부(100)는 S210 단계에서 운전 데이터 및 상태 데이터를 포함하는 실시간 데이터를 입력 받는다. 그러면, 화학제주입관리부(100)는 S220 단계에서 실시간 데이터를 분석하여 수처리플랜트(1)에 이상이 있는지 여부를 판별하여, 화학제 주입량을 최적화하기 위한 화학제주입최적화 수행 여부를 결정한다. 수처리플랜트(1)에 이상이 없어 화학제주입최적화 수행이 결정되면, 전처리부(200)는 S230 단계에서 실시간 데이터에 대한 전처리를 수행하여 전처리된 실시간 데이터를 화학제주입최적화부(300) 및 화학제주입출력제어부(400)를 포함하는 최적화부(10)에 제공한다. Referring to FIG. 6, the chemical injection management unit 100 receives real-time data including operation data and state data in step S210. Then, the chemical injection management unit 100 determines whether or not there is an abnormality in the water treatment plant 1 by analyzing the real-time data in step S220, and determines whether to perform chemical injection optimization to optimize the chemical injection amount. If there is no problem in the water treatment plant 1 and it is determined that chemical injection optimization is performed, the pre-processing unit 200 performs pre-processing on the real-time data in step S230 to transfer the pre-processed real-time data to the chemical injection optimization unit 300 and the chemical injection optimization unit 300. It is provided to the optimization unit 10 including the Jeju I/O control unit 400.

한편, 앞서 도 5에서 설명된 바와 같이, 최적화부(10)는 모델생성관리부(20)로부터 수처리모델을 제공 받을 수 있다. 이에 따라, 최적화부(10)의 화학제주입최적화부(300)는 S240 단계에서 하나 이상의 수처리모델 및 하나 이상의 제어기를 통해 실시간 데이터를 분석하여 수처리플랜트의 처리수의 상태가 정상 범위를 유지하면서 최소의 화학제 주입량이 주입되도록 하는 제어값을 도출한다. 여기서, 제어기는 탐색 알고리즘이다. 또한, 처리수의 상태는 탁도, 산성도, 잔류철 등을 예시할 수 있다. 이러한 S240 단계에서, 하나 이상의 수처리모델은 제어기로부터 입력에 따라 실시간 데이터를 분석하여 수처리플랜트의 처리수의 상태를 예측하는 예측값을 도출하며, 하나 이상의 제어기는 수처리모델의 예측값이 처리수의 상태가 정상 범위를 유지하면서 최소의 화학제 주입량이 주입되도록 하는 제어값을 탐색하여 도출한다. 즉, 제어기는 수처리플랜트를 모사하는 수처리모델을 통해 수처리플랜트의 처리수의 상태를 예측하는 시뮬레이션을 수행함으로써, 최적의 제어값을 도출할 수 있다. Meanwhile, as previously described with reference to FIG. 5 , the optimization unit 10 may receive a water treatment model from the model generation management unit 20 . Accordingly, the chemical injection optimization unit 300 of the optimization unit 10 analyzes the real-time data through one or more water treatment models and one or more controllers in step S240 to maintain the state of the treated water in the water treatment plant within the normal range while maintaining the minimum Deriving a control value that allows the injected amount of chemical agent to be injected. Here, the controller is a search algorithm. In addition, the state of treated water can be exemplified by turbidity, acidity, residual iron, and the like. In this step S240, one or more water treatment models analyze real-time data according to the input from the controller to derive a predicted value for predicting the state of the treated water of the water treatment plant, and the one or more controllers determine that the predicted value of the water treatment model is normal A control value that allows the minimum amount of chemical injection to be injected while maintaining the range is searched for and derived. That is, the controller may derive an optimal control value by performing a simulation to predict the state of the treated water of the water treatment plant through a water treatment model that simulates the water treatment plant.

한편, 후공정보호부(800)는 S250 단계에서 수처리플랜트(1)의 후단 공정, 즉, 자동여과장치(AS), 한외여과장치(UF) 및 역삼투압장치(RO)에 의한 공정의 운전 데이터 및 상태 데이터를 포함하는 후공정 데이터를 수신하고, S260 단계에서 수신된 후공정 데이터를 분석하여 후단 공정에 피해, 예컨대, 파울링(Fouling)이 발생하는 상황을 방지하기 위한 후공정 보호 로직에 따라 후공정을 보호하기 위한 보정바이어스값을 도출하여, 화학제주입출력제어부(400)에 제공한다. On the other hand, the post-process protection unit 800 is the operation data of the subsequent process of the water treatment plant 1 in step S250, that is, the process by the automatic filter (AS), ultra-filter (UF) and reverse osmosis (RO). And post-process data including state data is received, and the post-process data received in step S260 is analyzed to prevent damage to the subsequent process, for example, fouling, according to a post-process protection logic for preventing a situation in which fouling occurs. A correction bias value for protecting the subsequent process is derived and provided to the chemical agent input/output control unit 400.

화학제주입출력제어부(400)는 S270 단계에서 보정바이어스값, 수처리제어장치(2)의 제어 주기 및 제어 범위에 따라 제어값을 수정할 수 있다. 그런 다음, 화학제주입출력제어부(400)는 S280 단계에서 화학제주입관리부(100)의 관리 명령 및 현재 상태 중 적어도 하나에 따라 화학제주입최적화부(300)가 도출한 제어값을 수처리제어장치(2)에 제공한다. 이때, 화학제주입출력제어부(400)는 관리 명령 및 현재 상태 중 적어도 하나에 따라 제어값을 수처리제어장치(2)에 제공하지 않을 수 있다.The chemical injection input/output control unit 400 may modify the control value according to the correction bias value, the control cycle and the control range of the water treatment control device 2 in step S270. Then, the chemical injection input/output control unit 400 converts the control value derived by the chemical injection optimization unit 300 according to at least one of the management command and the current state of the chemical injection management unit 100 in step S280 to the water treatment control device ( 2) is provided. At this time, the chemical injection input/output control unit 400 may not provide a control value to the water treatment control device 2 according to at least one of a management command and a current state.

다음으로, 본 발명의 실시예에 따른 화학제 주입 최적화를 위한 학습 데이터를 생성하기 위한 방법에 대해서 설명하기로 한다. 도 7은 본 발명의 실시예에 따른 화학제 주입 최적화를 위한 학습 데이터를 생성하기 위한 방법을 설명하기 위한 흐름도이다. 도 8은 본 발명의 실시예에 따른 학습 데이터를 생성하기 위한 전처리 중 이상값을 소거하는 방법을 설명하기 위한 도면이다. 도 9는 본 발명의 실시예에 따른 학습 데이터를 생성하기 위한 전처리 중 필터링 방법을 설명하기 위한 도면이다. Next, a method for generating learning data for optimizing chemical agent injection according to an embodiment of the present invention will be described. 7 is a flowchart illustrating a method for generating learning data for chemical agent injection optimization according to an embodiment of the present invention. 8 is a diagram for explaining a method of canceling outliers during preprocessing for generating learning data according to an embodiment of the present invention. 9 is a diagram for explaining a filtering method during preprocessing for generating learning data according to an embodiment of the present invention.

데이터전처리부(200)의 전처리부(210)는 S410 단계에서 원시 데이터를 수신할 수 있다. 수신되는 원시 데이터는 서로 다른 속성을 가지는 복수의 종류의 데이터를 포함한다. 이러한 원시 데이터는 수처리플랜트(1) 혹은 수처리제어장치(2)로부터 시간 상 지속적으로 수신된다. 특히, 원시 데이터는 입력 속성을 가지는 입력 속성 데이터와, 출력 속성을 가지는 출력 속성 데이터를 포함한다. 입력 속성 데이터는 수처리플랜트(1), 특히, 용존공기부상장치(DAF)로 유입되는 유입수와 관련된 운전 데이터 및 상태 데이터를 포함한다. 이러한 입력 속성 데이터는 예컨대, 유입수의 유량, 온도, 전도도, 산성도(혹은 수소이온농도), 탁도, 유량, 유입수에 대한 처리량(단위 시간 당), 유입수에 대한 화학제 주입량, 화학제 주입 농도 등을 예시할 수 있다. 출력 속성 데이터는 용존공기부상장치(DAF)에 의해 수처리된 처리수와 관련된 운전 데이터 및 상태 데이터를 포함한다. 출력 속성 데이터는 처리수의 산성도(혹은 수소이온농도, pH) 혹은 산성도 변화량, 탁도 혹은 탁도 변화량, 잔류철 등을 예시할 수 있다. The pre-processing unit 210 of the data pre-processing unit 200 may receive raw data in step S410. The received raw data includes a plurality of types of data having different properties. Such raw data is continuously received over time from the water treatment plant 1 or the water treatment control device 2 . In particular, raw data includes input attribute data having input attributes and output attribute data having output attributes. The input attribute data includes operation data and state data related to inflow water flowing into the water treatment plant 1, in particular, the dissolved air flotation device (DAF). Such input attribute data includes, for example, influent flow rate, temperature, conductivity, acidity (or hydrogen ion concentration), turbidity, flow rate, influent throughput (per unit time), chemical injection amount into influent, chemical injection concentration, etc. can be exemplified. The output attribute data includes operation data and status data related to treated water treated by the dissolved air flotation device (DAF). The output attribute data may include acidity (or hydrogen ion concentration, pH) or change in acidity, turbidity or change in turbidity, residual iron, and the like of the treated water.

전처리부(210)는 S420 단계에서 수신되는 원시 데이터의 결측값을 복원할 수 있다. 이때, 전처리부(210)는 입력되는 결측값을 가지는 원시 데이터의 시간 상의 이웃하는 주변의 복수의 원시 데이터의 평균값, 중앙값 및 최빈값 중 어느 하나로 결측값을 대체함으로써 결측값을 복원할 수 있다. The pre-processing unit 210 may restore missing values of raw data received in step S420. In this case, the preprocessor 210 may restore the missing value by replacing the missing value with one of an average value, a median value, and a mode value of a plurality of raw data neighboring in time of the input raw data having the missing value.

다음으로, 전처리부(210)는 S430 단계에서 소정 주기 마다 시간 상 연속된 원시 데이터의 평균값을 산출하여 산출된 평균값을 가지는 하나의 원시 데이터로 병합한다. 예를 들면, 소정 주기가 1분이라면, 입력되는 원시 데이터의 1분 동안의 평균값을 가지는 1개의 원시 데이터로 병합한다. Next, the pre-processing unit 210 calculates the average value of the raw data consecutive in time at each predetermined period in step S430 and merges them into one raw data having the calculated average value. For example, if the predetermined period is 1 minute, input raw data are merged into one raw data having an average value for 1 minute.

다음으로, 전처리부(210)는 S440 단계에서 원시 데이터 중 입력 속성을 가지는 입력 속성 데이터와 입력 속성 데이터에 대응하는 출력 속성을 가지는 출력 속성 데이터를 동기에 맞춰 정렬한다. 전술한 바와 같이, 입력 속성 데이터는 용존공기부상장치(DAF)로 유입되는 유입수와 관련된 데이터이며, 출력 속성 데이터는 용존공기부상장치(DAF)의 수처리를 거친 후, 방출되는 처리와 관련된 데이터이다. 유입수는 용존공기부상장치(DAF)의 처리조 및 배관을 거쳐 처리수로 유출되기 때문에 유입수에 대한 화학제 주입에 따른 효과를 확인할 수 있는 처리수는 수리학적체류시간(HRT, Hydraulic Retention Time) 만큼의 차이가 발생한다. 따라서 본 발명은 수리학적체류시간(HRT)을 고려하여 입력 속성 데이터와 출력 속성 데이터의 동기를 맞춰 정렬한다. 즉, 전처리부(210)는 용존공기부상장치(DAF)로 유입되는 유입수의 유량, 용존공기부상장치(DAF)의 처리조의 크기, 배관의 길이 및 직경을 고려하여 용존공기부상장치(DAF)에 의한 수리학적체류시간(HRT)을 산출하고, 산출된 수리학적체류시간(HRT)에 따라 입력 속성 데이터와 출력 속성 데이터의 동기를 맞춰 정렬한다. Next, in step S440, the pre-processing unit 210 aligns input attribute data having an input attribute among raw data and output attribute data having an output attribute corresponding to the input attribute data according to synchronization. As described above, the input attribute data is data related to the inflow water flowing into the dissolved air flotation device (DAF), and the output attribute data is data related to the discharged water after water treatment of the dissolved air floatation device (DAF). Since the influent flows out to the treated water through the treatment tank and piping of the dissolved air flotation device (DAF), the treated water, which can confirm the effect of chemical injection into the influent, is equal to the Hydraulic Retention Time (HRT). difference occurs. Therefore, according to the present invention, input attribute data and output attribute data are synchronized and aligned in consideration of the hydraulic residence time (HRT). That is, the preprocessing unit 210 considers the flow rate of the inflow water flowing into the dissolved air flotation device (DAF), the size of the treatment tank of the dissolved air flotation device (DAF), and the length and diameter of the pipe to the dissolved air flotation device (DAF). The hydraulic residence time (HRT) is calculated, and the input attribute data and the output attribute data are synchronized and aligned according to the calculated hydraulic residence time (HRT).

이어서, 전처리부(210)는 S450 단계에서 수질 이상이 발생한 시간 구간의 원시 데이터를 소거한다. 이때, 수질 이상이 있는 시간 구간은 수질이상감시시스템에 의해 수질 정보를 분석된 결과에 따라 실시간으로 도출될 수 있다. 또한, 수질 이상이 있는 시간 구간은 수질을 관리하는 관리자가 직접 수질을 검사하고, 그 검사 결과에 따라 관리자가 수질 이상이 발생한 시간을 입력함으로써 결정될 수 있다. Subsequently, the pre-processing unit 210 erases the raw data of the time section in which the water quality abnormality occurred in step S450. In this case, the time interval in which the water quality abnormality occurs may be derived in real time according to the result of analyzing the water quality information by the water quality abnormality monitoring system. In addition, the time period in which the water quality abnormality occurs may be determined by a manager who manages the water quality directly inspecting the water quality, and the manager inputs the time when the water quality abnormality occurs according to the inspection result.

이어서, 전처리부(210)는 S460 단계에서 원시 데이터에서 기 설정된 최소 및 최대 범위(MAX, MIN)를 벗어나는 이상값(outlier)을 소거한다. 즉, 전처리부(210)는 도 8의 (a)에 도시된 바와 같이, 원시 데이터에서 기 설정된 최소값(MIN) 및 최대값(MAX)을 벗어나는 범위의 이상값(outlier)을 소거하여 도 8의 (b)에 도시된 바와 같이, 최소값(MIN) 및 최대값(MAX) 범위 내에 있는 정상값만을 추출한다. Next, the pre-processing unit 210 removes outliers out of the preset minimum and maximum ranges (MAX, MIN) from the raw data in step S460. That is, as shown in (a) of FIG. 8 , the pre-processing unit 210 removes outliers outside of the preset minimum value (MIN) and maximum value (MAX) in the raw data, and As shown in (b), only normal values within the range of the minimum value (MIN) and maximum value (MAX) are extracted.

전술한 S430 단계 내지 S460 단계는 선택적으로 그 순서를 변경할 수 있다. The order of steps S430 to S460 described above may be selectively changed.

다음으로, 전처리부(210)는 S470 단계에서 대역필터를 이용한 필터링을 통해 원시 데이터 중 수질 속성을 가지는 원시 데이터의 노이즈를 제거한다. 여기서, 대역 필터는 저역통과필터(low-pass filter), 대역통과필터(band-pass filter), 노치필터(notch filter) 등을 예시할 수 있다. 즉, 전처리부(210)는 도 9의 (a)에 도시된 바와 같이, 수질 속성을 가지는 원시 데이터에서 대역필터를 이용하여 도 9의 (b)에 도시된 바와 같이, 노이즈를 제거한다. Next, the pre-processing unit 210 removes noise from raw data having a water quality attribute among raw data through filtering using a bandpass filter in step S470. Here, the band filter may include a low-pass filter, a band-pass filter, a notch filter, and the like. That is, as shown in (a) of FIG. 9 , the pre-processing unit 210 removes noise from raw data having water quality attributes using a bandpass filter as shown in (b) of FIG. 9 .

다음으로, 전처리부(210)는 S480 단계에서 하나 또는 2 이상의 속성의 원시 데이터를 이용하여 새로운 속성의 원시 데이터를 생성할 수 있다. 이때, 속성의 변화에 따라 원시 데이터의 값의 단위를 변환할 수 있다. 일례로, 원시 데이터 중 유입수의 탁도 및 처리수의 탁도를 이용하여 유입수의 탁도 및 처리수의 탁도의 차이를 나타내는 탁도의 변화율을 속성으로 하는 원시 데이터를 생성할 수 있다. 다른 예로, 원시 데이터 중 화학제의 농도를 기초로 화학제가 주입된 처리수의 유량으로 변환할 수 있다. 처리수의 유량의 단위는 농도(ppm)를 기초로 시간당 처리용량(L/h)으로 변환할 수 있다. Next, the pre-processing unit 210 may generate raw data of a new attribute by using raw data of one or two or more attributes in step S480. At this time, the unit of the value of the raw data may be converted according to the change of the attribute. For example, raw data having a turbidity change rate representing a difference between the turbidity of the influent and the turbidity of the treated water as an attribute may be generated using the turbidity of the influent and the turbidity of the treated water among the raw data. As another example, the raw data may be converted into a flow rate of treated water into which the chemical is injected based on the concentration of the chemical. The unit of the flow rate of the treated water can be converted to the treatment capacity per hour (L/h) based on the concentration (ppm).

다음으로, 클러스터부(221)는 원시 데이터의 속성의 상관관계에 따라 원시 데이터를 클러스터링한다. 이때, 속성의 상관도가 소정 수치 이상인 정규 데이터를 그룹화할 수 있다. 추가적인 실시예에 따르면, 유사도가 소정 수치 이상인 패턴을 가지는 원시 데이터를 그룹화할 수 있다. 특히, 원시 데이터는 입력 속성을 가지는 입력 속성 데이터와, 출력 속성을 가지는 출력 속성 데이터를 포함한다. 입력 속성 데이터는 수처리플랜트(1), 특히, 용존공기부상장치(DAF)로 유입되는 유입수와 관련된 운전 데이터 및 상태 데이터를 포함한다. 이러한 입력 속성 데이터는 예컨대, 유입수의 유량, 온도, 전도도, 산성도(혹은 수소이온농도), 탁도, 유량, 유입수에 대한 처리량(단위 시간 당), 유입수에 대한 화학제 주입량, 화학제 주입 농도 등을 예시할 수 있다. 출력 속성 데이터는 용존공기부상장치(DAF)에 의해 수처리된 처리수와 관련된 운전 데이터 및 상태 데이터를 포함한다. 출력 속성 데이터는 처리수의 산성도(혹은 수소이온농도, pH) 혹은 산성도 변화량, 탁도 혹은 탁도 변화량, 잔류철 등을 예시할 수 있다. 클러스터부(221)는 원시 데이터의 속성의 상관관계에 따라 원시 데이터를 클러스터링하되, 입력 속성 데이터와, 입력 속성 데이터와 상관도가 소정 수치 이상인 출력 속성 데이터를 클러스터링할 수 있다. 이러한 속성의 상관관계에 따라 클러스터링이 이루어지고, 학습 데이터가 생성되어, 후속 절차에서, 이를 이용하여 학습을 수행함으로써, 수처리모델의 생성 시, 그 성능이 향상될 수 있다. Next, the cluster unit 221 clusters the raw data according to the correlation of attributes of the raw data. In this case, normal data having a correlation of attributes equal to or greater than a predetermined value may be grouped. According to an additional embodiment, raw data having a pattern having a similarity higher than a predetermined value may be grouped. In particular, raw data includes input attribute data having input attributes and output attribute data having output attributes. The input attribute data includes operation data and state data related to inflow water flowing into the water treatment plant 1, in particular, the dissolved air flotation device (DAF). Such input attribute data includes, for example, influent flow rate, temperature, conductivity, acidity (or hydrogen ion concentration), turbidity, flow rate, influent throughput (per unit time), chemical injection amount into influent, chemical injection concentration, etc. can be exemplified. The output attribute data includes operation data and status data related to treated water treated by the dissolved air flotation device (DAF). The output attribute data may include acidity (or hydrogen ion concentration, pH) or change in acidity, turbidity or change in turbidity, residual iron, and the like of the treated water. The cluster unit 221 clusters the raw data according to the correlation between the attributes of the raw data, and clusters the input attribute data and the output attribute data having a correlation with the input attribute data equal to or greater than a predetermined value. Clustering is performed according to the correlation of these attributes, learning data is generated, and learning is performed using this in a subsequent procedure, so that when a water treatment model is created, its performance can be improved.

샘플링부(222)는 S510 단계에서 클러스터링된 원시 데이터의 속성에 따라, 원시 데이터를 샘플링하여 학습 데이터를 생성한다. 구체적으로, 샘플링부(222)는 수처리모델에 입력되는 입력 데이터를 추출하고, 그 입력 데이터가 수처리모델에 입력되었을 때 출력되는 출력 데이터를 추출하고, 추출된 입력 데이터 및 추출된 출력 데이터를 매핑하여 학습 데이터를 생성한다. 클러스터링된 원시 데이터는 입력 속성 데이터 및 출력 속성 데이터를 포함한다. 수처리모델은 수처리플랜트를 모사하여 유입수의 상태 및 유입수에 주입되는 화학제에 따라 수치러플랜트(1)의 수처리를 통해 유출되는 처리수의 상태를 예측한다. 따라서 수처리모델의 학습 데이터로 사용되는 입력 데이터는 유입수 및 화학제와 관련된 속성, 즉, 전술한 입력 속성을 가지는 입력 속성 데이터가 될 수 있다. 출력 데이터는 처리수의 상태와 관련된 속성, 즉, 출력 속성을 가지는 출력 속성 데이터가 될 수 있다. 다른 말로, 샘플링부(222)는 입력 속성 데이터를 샘플링하여 입력 데이터로 추출하고, 출력 속성 데이터를 샘플링하여 출력 데이터로 추출할 수 있다. The sampling unit 222 generates learning data by sampling the raw data according to the attributes of the raw data clustered in step S510. Specifically, the sampling unit 222 extracts input data input to the water treatment model, extracts output data output when the input data is input to the water treatment model, and maps the extracted input data and the extracted output data to Generate training data. The clustered raw data includes input attribute data and output attribute data. The water treatment model simulates the water treatment plant and predicts the state of the treated water flowing out through the water treatment of the water treatment plant 1 according to the state of the influent and the chemicals injected into the influent. Accordingly, input data used as learning data of the water treatment model may be properties related to influent and chemicals, that is, input property data having the above-described input properties. The output data may be output attribute data having an attribute related to the state of the treated water, that is, an output attribute. In other words, the sampling unit 222 may sample input attribute data to extract input data, and sample output attribute data to extract output data.

도 10은 본 발명의 실시예에 따른 컴퓨팅 장치를 나타내는 도면이다. 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 장치(예컨대, 수처리제어장치(2) 및 화학제주입최적화장치(3) 등) 일 수 있다. 10 is a diagram illustrating a computing device according to an embodiment of the present invention. The computing device TN100 may be any of the devices described herein (eg, the water treatment control device 2 and the chemical injection optimization device 3).

도 10의 실시예에서, 컴퓨팅 장치(TN100)는 적어도 하나의 프로세서(TN110), 송수신 장치(TN120), 및 메모리(TN130)를 포함할 수 있다. 또한, 컴퓨팅 장치(TN100)는 저장 장치(TN140), 입력 인터페이스 장치(TN150), 출력 인터페이스 장치(TN160) 등을 더 포함할 수 있다. 컴퓨팅 장치(TN100)에 포함된 구성 요소들은 버스(bus)(TN170)에 의해 연결되어 서로 통신을 수행할 수 있다.In the embodiment of FIG. 10 , the computing device TN100 may include at least one processor TN110, a transceiver TN120, and a memory TN130. In addition, the computing device TN100 may further include a storage device TN140, an input interface device TN150, and an output interface device TN160. Elements included in the computing device TN100 may communicate with each other by being connected by a bus TN170.

프로세서(TN110)는 메모리(TN130) 및 저장 장치(TN140) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(TN110)는 중앙 처리 장치(CPU: central processing unit), 그래픽 처리 장치(GPU: graphics processing unit), 또는 본 발명의 실시예에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 프로세서(TN110)는 본 발명의 실시예와 관련하여 기술된 절차, 기능, 및 방법 등을 구현하도록 구성될 수 있다. 프로세서(TN110)는 컴퓨팅 장치(TN100)의 각 구성 요소를 제어할 수 있다. The processor TN110 may execute program commands stored in at least one of the memory TN130 and the storage device TN140. The processor TN110 may mean a central processing unit (CPU), a graphics processing unit (GPU), or a dedicated processor on which methods according to embodiments of the present invention are performed. Processor TN110 may be configured to implement procedures, functions, methods, and the like described in relation to embodiments of the present invention. The processor TN110 may control each component of the computing device TN100.

메모리(TN130) 및 저장 장치(TN140) 각각은 프로세서(TN110)의 동작과 관련된 다양한 정보를 저장할 수 있다. 메모리(TN130) 및 저장 장치(TN140) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(TN130)는 읽기 전용 메모리(ROM: read only memory) 및 랜덤 액세스 메모리(RAM: random access memory) 중에서 적어도 하나로 구성될 수 있다. Each of the memory TN130 and the storage device TN140 may store various information related to the operation of the processor TN110. Each of the memory TN130 and the storage device TN140 may include at least one of a volatile storage medium and a non-volatile storage medium. For example, the memory TN130 may include at least one of read only memory (ROM) and random access memory (RAM).

송수신 장치(TN120)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다. 송수신 장치(TN120)는 네트워크에 연결되어 통신을 수행할 수 있다.The transmitting/receiving device TN120 may transmit or receive a wired signal or a wireless signal. The transmitting/receiving device TN120 may perform communication by being connected to a network.

한편, 전술한 본 발명의 실시예에 따른 다양한 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.On the other hand, the various methods according to the above-described embodiments of the present invention may be implemented in the form of programs readable by various computer means and recorded on a computer-readable recording medium. Here, the recording medium may include program commands, data files, data structures, etc. alone or in combination. Program instructions recorded on the recording medium may be those specially designed and configured for the present invention or those known and usable to those skilled in computer software. For example, recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magneto-optical media such as floptical disks ( magneto-optical media), and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of the program command may include a high-level language that can be executed by a computer using an interpreter, as well as a machine language generated by a compiler. These hardware devices may be configured to act as one or more software modules to perform the operations of the present invention, and vice versa.

이상, 본 발명의 일 실시예에 대하여 설명하였으나, 해당 기술 분야에서 통상의 지식을 가진 자라면 특허청구범위에 기재된 본 발명의 사상으로부터 벗어나지 않는 범위 내에서, 구성 요소의 부가, 변경, 삭제 또는 추가 등에 의해 본 발명을 다양하게 수정 및 변경시킬 수 있을 것이며, 이 또한 본 발명의 권리범위 내에 포함된다고 할 것이다. Although one embodiment of the present invention has been described above, those skilled in the art can add, change, delete, or add components within the scope not departing from the spirit of the present invention described in the claims. The present invention can be variously modified and changed by the like, and this will also be said to be included within the scope of the present invention.

Claims

a pre-processing unit configured to align the input attribute data and the output attribute data corresponding to the input attribute data in synchronism when raw data including input attribute data and output attribute data is received;
a cluster unit clustering the raw data according to correlations of attributes of the raw data; and
a sampling unit for generating learning data by sampling the clustered raw data;
characterized in that it includes
A device for generating training data.

According to claim 1,
The pre-processing unit
Characterized in that by merging a plurality of raw data received at a predetermined period to generate raw data having an average value of the plurality of raw data
A device for generating training data.

According to claim 1,
The pre-processing unit
According to the hydraulic residence time of the dissolved air flotation device, synchronization of input attribute data, which is data related to the inflow water input to the dissolved air flotation device, and output attribute data, which is data related to the treated water that is processed and discharged from the dissolved air flotation device, characterized by aligning
A device for generating training data.

According to claim 1,
The pre-processing unit
Characterized in that the raw data of the time section in which the water quality abnormality occurred is removed
A device for generating training data.

According to claim 1,
The pre-processing unit
Characterized in that to remove outliers outside the minimum and maximum ranges from the raw data
A device for generating training data.

According to claim 1,
The pre-processing unit
Characterized in that noise of raw data having water quality properties among raw data is removed through filtering using a band filter
A device for generating training data.

According to claim 1,
The pre-processing unit
Characterized in that raw data of a new attribute is created using raw data of one or more attributes.
A device for generating training data.

According to claim 1,
the sampling unit
Depending on the nature of the raw data,
Extract the input data input to the water treatment model from the raw data,
Extracting output data output from the water treatment model when the input data is input to the water treatment model;
Characterized in that the training data is generated by mapping the extracted input data and the extracted output data.
A device for generating training data.

receiving raw data including input attribute data and output attribute data by a pre-processing unit;
performing pre-processing in which a pre-processor aligns the input attribute data and the output attribute data corresponding to the input attribute data in synchronization;
clustering, by a cluster unit, the raw data according to correlations of attributes of the raw data;
generating training data by sampling the clustered raw data;
characterized in that it includes
A method for generating training data.

According to claim 9,
The step of performing the preprocessing is
generating raw data having an average value of the plurality of raw data by merging the plurality of raw data received at a predetermined period by the pre-processing unit;
characterized in that it further comprises
A method for generating training data.

According to claim 9,
The step of performing the preprocessing is
According to the hydraulic residence time of the dissolved air flotation unit, the pre-processing unit includes input attribute data, which is data related to the inflow water input to the dissolved air flotation device, and output attribute data, which is data related to the treated water that is processed and discharged from the dissolved air flotation device. Characterized by aligning the data synchronously
A method for generating training data.

According to claim 9,
The step of performing the preprocessing is
removing, by the pre-processing unit, raw data of a time interval in which the water quality abnormality occurred;
characterized in that it further comprises
A method for generating training data.

According to claim 9,
The step of performing the preprocessing is
removing, by the pre-processing unit, outliers out of minimum and maximum ranges from the raw data;
characterized in that it further comprises
A method for generating training data.

According to claim 9,
The step of performing the preprocessing is
removing noise from raw data having a water quality attribute among raw data through filtering using a bandpass filter by the pre-processing unit;
characterized in that it further comprises
A method for generating training data.

According to claim 9,
The step of performing the preprocessing is
generating raw data of a new attribute by using raw data of one or two or more attributes by the pre-processing unit;
characterized in that it further comprises
A method for generating training data.

According to claim 9,
The step of generating training data by sampling the raw data
The sampling unit according to the properties of the raw data,
Extract the input data input to the water treatment model from the raw data,
Extracting output data output from the water treatment model when the input data is input to the water treatment model;
Characterized in that the training data is generated by mapping the extracted input data and the extracted output data.
A method for generating training data.