KR20230106775A - 화학제 주입 최적화를 위한 최적의 수처리모델을 선정하기 위한 장치 및 이를 위한 방법 - Google Patents

화학제 주입 최적화를 위한 최적의 수처리모델을 선정하기 위한 장치 및 이를 위한 방법 Download PDF

Info

Publication number
KR20230106775A
KR20230106775A KR1020220002171A KR20220002171A KR20230106775A KR 20230106775 A KR20230106775 A KR 20230106775A KR 1020220002171 A KR1020220002171 A KR 1020220002171A KR 20220002171 A KR20220002171 A KR 20220002171A KR 20230106775 A KR20230106775 A KR 20230106775A
Authority
KR
South Korea
Prior art keywords
model
evaluation
data
optimal
champion
Prior art date
Application number
KR1020220002171A
Other languages
English (en)
Inventor
나상건
김현식
유준우
Original Assignee
두산에너빌리티 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 두산에너빌리티 주식회사 filed Critical 두산에너빌리티 주식회사
Priority to KR1020220002171A priority Critical patent/KR20230106775A/ko
Priority to US18/068,036 priority patent/US20230212030A1/en
Publication of KR20230106775A publication Critical patent/KR20230106775A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D35/00—Filtering devices having features not specifically covered by groups B01D24/00 - B01D33/00, or for applications not specifically covered by groups B01D24/00 - B01D33/00; Auxiliary devices for filtration; Filter housing constructions
    • B01D35/28—Strainers not provided for elsewhere
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/52—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities
    • C02F1/5209—Regulation methods for flocculation or precipitation
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/52—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities
    • C02F1/5236—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities using inorganic agents
    • C02F1/5245—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities using inorganic agents using basic salts, e.g. of aluminium and iron
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F9/00—Multistage treatment of water, waste water or sewage
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/001—Processes for the treatment of water whereby the filtration technique is of importance
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/001—Processes for the treatment of water whereby the filtration technique is of importance
    • C02F1/004—Processes for the treatment of water whereby the filtration technique is of importance using large scale industrial sized filters
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/24—Treatment of water, waste water, or sewage by flotation
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/44—Treatment of water, waste water, or sewage by dialysis, osmosis or reverse osmosis
    • C02F1/441—Treatment of water, waste water, or sewage by dialysis, osmosis or reverse osmosis by reverse osmosis
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/44—Treatment of water, waste water, or sewage by dialysis, osmosis or reverse osmosis
    • C02F1/444—Treatment of water, waste water, or sewage by dialysis, osmosis or reverse osmosis by ultrafiltration or microfiltration
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/66—Treatment of water, waste water, or sewage by neutralisation; pH adjustment
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/001—Upstream control, i.e. monitoring for predictive control
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/003—Downstream control, i.e. outlet monitoring, e.g. to check the treating agents, such as halogens or ozone, leaving the process
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/005—Processes using a programmable logic controller [PLC]
    • C02F2209/006—Processes using a programmable logic controller [PLC] comprising a software program or a logic diagram
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/005—Processes using a programmable logic controller [PLC]
    • C02F2209/008—Processes using a programmable logic controller [PLC] comprising telecommunication features, e.g. modems or antennas
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/02—Temperature
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/03—Pressure
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/05—Conductivity or salinity
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/06—Controlling or monitoring parameters in water treatment pH
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/11—Turbidity
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/40—Liquid flow rate
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/42—Liquid level

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Hydrology & Water Resources (AREA)
  • Environmental & Geological Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Organic Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Inorganic Chemistry (AREA)
  • Feedback Control In General (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

최적의 모델을 선정하기 위한 장치는 시드모델을 저장하는 시드모델저장소와, 기존의 최적모델을 저장하는 최적모델저장소를 포함하는 모델저장부와, 학습 데이터를 이용하여 가변모델을 생성하는 모델생성부와, 평가 데이터를 마련하고, 상기 평가 데이터를 이용하여 상기 시드모델, 상기 기존의 최적모델 및 상기 가변모델을 포함하는 복수의 평가대상모델을 평가하여 챔피언모델을 선정하는 모델평가부를 포함한다.

Description

화학제 주입 최적화를 위한 최적의 수처리모델을 선정하기 위한 장치 및 이를 위한 방법{Apparatus for selecting an optimal water treatment model for optimizing chemical injection and method therefor}
본 발명은 최적의 수처리모델을 선정하기 위한 기술에 관한 것으로, 더욱 상세하게는, 화학제 주입 최적화를 위한 최적의 수처리모델을 선정하기 위한 장치 및 이를 위한 방법에 관한 것이다.
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.
한국등록특허 제2016-0027815호 (2016년03월10일 공개)
본 발명의 목적은 화학제 주입 최적화를 위한 최적의 수처리모델을 선정하기 위한 장치 및 이를 위한 방법을 제공함에 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 최적의 모델을 선정하기 위한 장치는 시드모델을 저장하는 시드모델저장소와, 기존의 최적모델을 저장하는 최적모델저장소를 포함하는 모델저장부와, 학습 데이터를 이용하여 가변모델을 생성하는 모델생성부와, 평가 데이터를 마련하고, 상기 평가 데이터를 이용하여 상기 시드모델, 상기 기존의 최적모델 및 상기 가변모델을 포함하는 복수의 평가대상모델을 평가하여 챔피언모델을 선정하는 모델평가부를 포함한다.
상기 모델평가부는 평가 시점을 기준으로 소정 기간 이내에 수신된 원시 데이터로부터 생성된 학습 데이터를 수신하고, 수신된 학습 데이터로부터 입력 데이터 및 상기 입력 데이터에 대응하는 출력 데이터를 검출하고, 상기 출력 데이터를 기댓값으로 설정하고, 상기 입력 데이터 및 상기 기댓값을 평가 데이터로 설정하는 것을 특징으로 한다.
상기 모델평가부는 상기 복수의 평가대상모델 각각에 상기 입력 데이터를 입력하고, 복수의 평가대상모델 각각이 상기 입력 데이터에 대해 연산을 수행하여 예측값을 산출하면, 상기 복수의 평가대상모델 각각의 상기 예측값과 상기 기댓값의 차이를 상기 복수의 평가대상모델 각각의 오차로 산출하고, 상기 복수의 평가대상모델 중 상기 오차가 최소인 평가대상모델을 챔피언모델로 선정하는 것을 특징으로 한다.
상기 장치는 상기 선정된 챔피언모델이 가변모델이면, 챔피언모델로 선정된 가변모델을 FIFO 방식으로 상기 최적모델저장소에 최적 모델로 저장하는 모델관리부를 더 포함한다.
상기 장치는 상기 선정된 챔피언모델이 가변모델이고 상기 최적모델저장소의 저장공간이 부족하면, FIFO 방식에 따라 우선 저장된 순서에 따라 기존의 최적모델을 삭제한 후, 챔피언모델로 선정된 가변모델을 상기 최적모델저장소에 FIFO 방식으로 최적 모델로서 저장하는 모델관리부를 더 포함한다.
상기 장치는 상기 선정된 챔피언모델이 기존의 최적모델이면, 챔피언모델로 선정된 기존의 최적모델을 상기 최적모델저장소에서 추출하여 FIFO 방식으로 최적모델저장소에 다시 저장하는 모델관리부를 더 포함한다.
상기 장치는 상기 선정된 챔피언모델이 시드모델이면, 챔피언모델로 선정된 시드모델이 시드모델저장소에 저장된 상태를 유지하는 모델관리부를 더 포함한다.
상기 모델생성부는 시드모델의 설계정보를 기초로 하며, 생성 시점을 기준으로 소정 기간 이내에 수집된 원시 데이터로부터 생성된 학습 데이터를 이용한 학습을 통해 생성하는 것을 특징으로 한다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 최적의 모델을 선정하기 위한 장치는 가변모델이 생성되면, 시드모델저장소에 저장된 시드모델, 최적모델저장소에 저장된 기존의 최적모델 및 생성된 가변모델을 포함하는 복수의 평가대상모델을 평가 데이터를 이용하여 평가하여 챔피언모델을 선정하는 모델평가부와, 상기 챔피언모델을 상기 최적모델저장소에 저장하는 모델관리부를 포함한다.
상기 모델평가부는 평가 시점을 기준으로 소정 기간 이내에 수신된 원시 데이터로부터 생성된 학습 데이터를 수신하고, 수신된 학습 데이터로부터 입력 데이터 및 상기 입력 데이터에 대응하는 출력 데이터를 검출하고, 상기 출력 데이터를 기댓값으로 설정하고, 상기 입력 데이터 및 상기 기댓값을 평가 데이터로 설정하는 것을 특징으로 한다.
상기 모델평가부는 상기 복수의 평가대상모델 각각에 상기 입력 데이터를 입력하고, 복수의 평가대상모델 각각이 상기 입력 데이터에 대해 연산을 수행하여 예측값을 산출하면, 상기 복수의 평가대상모델 각각의 상기 예측값과 상기 기댓값의 차이를 상기 복수의 평가대상모델 각각의 오차로 산출하고, 상기 복수의 평가대상모델 중 상기 오차가 최소인 평가대상모델을 챔피언모델로 선정하는 것을 특징으로 한다.
상기 모델관리부는 상기 선정된 챔피언모델이 가변모델이고 상기 최적모델저장소의 저장공간이 부족하면, FIFO 방식에 따라 우선 저장된 순서에 따라 기존의 최적모델을 삭제한 후, 챔피언모델로 선정된 가변모델을 상기 최적모델저장소에 FIFO 방식으로 최적 모델로서 저장하는 것을 특징으로 한다.
상기 모델관리부는 상기 선정된 챔피언모델이 기존의 최적모델이면, 챔피언모델로 선정된 기존의 최적모델을 상기 최적모델저장소에서 추출하여 FIFO 방식으로 상기 최적모델저장소에 다시 저장하는 모델관리부를 더 포함한다.
상기 장치는 시드모델의 설계정보를 기초로 하며, 생성 시점을 기준으로 소정 기간 이내에 수집된 원시 데이터로부터 생성된 학습 데이터를 이용한 학습을 통해 생성하는 모델생성부를 더 포함한다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 최적의 모델을 선정하기 위한 방법은 시드모델이 시드모델저장소에 저장되고, 기존의 최적모델이 최적모델저장소에 저장된 상태가 유지되는 단계와, 모델생성부가 학습 데이터를 이용하여 가변모델을 생성하는 단계와, 모델평가부가 평가 데이터를 마련하는 단계와, 상기 모델평가부가 상기 평가 데이터를 이용하여 상기 시드모델, 상기 기존의 최적모델 및 상기 가변모델을 포함하는 복수의 평가대상모델을 평가하여 챔피언모델을 선정하는 단계를 포함한다.
상기 평가 데이터를 마련하는 단계는 상기 모델평가부가 평가 시점을 기준으로 소정 기간 이내에 수신된 원시 데이터로부터 생성된 학습 데이터를 수신하는 단계와, 상기 모델평가부가 수신된 학습 데이터로부터 입력 데이터 및 상기 입력 데이터에 대응하는 출력 데이터를 검출하는 단계와, 상기 모델평가부가 상기 출력 데이터를 기댓값으로 설정하는 단계와, 상기 모델평가부가 상기 입력 데이터 및 상기 기댓값을 평가 데이터로 설정하는 단계를 포함한다.
상기 챔피언모델을 선정하는 단계는 상기 모델평가부가 상기 복수의 평가대상모델 각각에 상기 입력 데이터를 입력하는 단계와, 상기 복수의 평가대상모델 각각이 상기 입력 데이터에 대해 연산을 수행하여 예측값을 산출하는 단계와, 상기 모델평가부가 상기 복수의 평가대상모델 각각의 상기 예측값과 상기 기댓값의 차이를 상기 복수의 평가대상모델 각각의 오차로 산출하는 단계와, 상기 모델평가부가 상기 복수의 평가대상모델 중 상기 오차가 최소인 평가대상모델을 챔피언모델로 선정하는 단계를 포함한다.
상기 방법은 상기 선정된 챔피언모델이 가변모델이면, 모델관리부가 챔피언모델로 선정된 가변모델을 FIFO 방식으로 상기 최적모델저장소에 저장하는 단계를 더 포함한다.
상기 방법은 상기 선정된 챔피언모델이 가변모델이고 상기 최적모델저장소의 저장공간이 부족하면, 모델관리부가 FIFO 방식에 따라 우선 저장된 순서에 따라 기존의 최적모델을 삭제한 후, 챔피언모델로 선정된 가변모델을 상기 최적모델저장소에 FIFO 방식으로 저장하는 단계를 더 포함한다.
상기 방법은 상기 선정된 챔피언모델이 기존의 최적모델이면, 모델관리부가 챔피언모델로 선정된 기존의 최적모델을 상기 최적모델저장소에서 추출하여 FIFO 방식으로 최적모델저장소에 다시 저장하는 단계를 더 포함한다.
상기 방법은 상기 선정된 챔피언모델이 시드모델이면, 모델관리부가 챔피언모델로 선정된 시드모델이 시드모델저장소에 저장된 상태를 유지하는 단계를 더 포함한다.
상기 가변모델을 생성하는 단계는 상기 모델생성부가 시드모델의 설계정보를 기초로 하며, 생성 시점을 기준으로 소정 기간 이내에 수집된 원시 데이터로부터 생성된 학습 데이터를 이용한 학습을 통해 생성하는 것을 특징으로 한다.
본 발명에 따르면, 새로운 수처리모델인 가변모델이 생성될 때마다, 평가를 통해 챔피언모델을 선정하고, 이를 최적모델로 이용하여 화학제주입최적화를 수행함으로써 수처리플랜트의 환경 변화에 적응적으로 대응할 수 있다.
도 1은 본 발명의 실시예에 따른 수처리 시스템의 구성을 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 화학제주입최적화장치의 구성을 설명하기 위한 블록도이다.
도 3, 도 4, 및 도 5는 화학제 주입 최적화를 위한 수처리모델을 생성하기 위한 장치의 세부적인 구성을 설명하기 위한 블록도이다.
도 6은 본 발명의 실시예에 따른 화학제 주입 최적화를 위한 최적의 수처리모델을 선정하기 위한 장치의 구성을 설명하기 위한 도면이다.
도 7은 본 발명의 실시예에 따른 화학제 주입 최적화를 위한 최적의 수처리모델의 저장 구조를 설명하기 위한 도면이다.
도 8은 본 발명의 실시예에 따른 수처리 플랜트에서 화학제 주입 최적화를 위한 방법을 설명하기 위한 흐름도이다.
도 9는 본 발명의 추가적인 실시예에 따른 수처리 플랜트에서 화학제 주입 최적화를 위한 방법을 설명하기 위한 흐름도이다.
도 10은 화학제 주입 최적화를 위한 수처리모델을 생성하기 위한 방법을 설명하기 위한 흐름도이다.
도 11은 본 발명의 실시예에 따른 화학제 주입 최적화를 위한 최적의 수처리모델을 선정하기 위한 방법을 설명하기 위한 흐름도이다.
도 12는 본 발명의 실시예에 따른 챔피언 모델을 선정하는 방법을 설명하기 위한 흐름도이다.
도 13은 본 발명의 실시예에 따른 컴퓨팅 장치를 나타내는 도면이다.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
데이터전처리부(200)는 원시 데이터를 입력 받는다. 이때, 원시 데이터는 전처리부(200)는 수처리플랜트(1) 및 수처리제어장치(2) 중 적어도 하나로부터 수신되는 운전 데이터 및 상태 데이터를 포함한다. 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.
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.
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.
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 ±4로 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.
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.
전술한 바와 같이, 모델생성관리부(20)는 자동모델링처리부(500), 모델생성부(600) 및 모델선정부(700)를 포함한다.
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.
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.
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 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.
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.
다음으로, 본 발명의 실시예에 따른 화학제 주입 최적화를 위한 수처리모델을 생성하기 위한 장치의 세부적인 구성에 대해서 설명하기로 한다. 도 3, 도 4, 및 도 5는 화학제 주입 최적화를 위한 수처리모델을 생성하기 위한 장치의 세부적인 구성을 설명하기 위한 블록도이다.
도 3을 참조하면, 자동모델링처리부(500)는 모델 형식, 모델 구조, 모델의 입력 및 출력, 그리고, 모델의 변수를 포함하는 설계정보를 생성하고, 생성된 설계정보를 모델생성부(600)에 제공하기 위한 것이다. 이러한 자동모델링처리부(500)는 형식설계부(510), 구조설계부(520), 입출력설계부(530) 및 변수설계부(540)를 포함한다.
형식설계부(510)는 수처리모델의 모델 형식을 설정한다. 이러한 모델의 형식은 ARX(Auto-regressive Exogenous), FIR(Finite Impulse Response), NN(neural network), SS(State space) 등을 예시할 수 있다. 일 실시예에 따르면, 형식설계부(510)는 최적화된 화학제 주입량을 도출하기 위한 제어기가 결정되면, 결정된 제어기의 형식에 적합한 모델 형식을 설정할 수 있다. 다른 실시예에 따르면, 형식설계부(510)는 기 저장된 복수의 시드모델 중 어느 하나의 시드모델의 모델 형식을 수처리모델의 모델 형식으로 채택할 수 있다. 여기서, 시드모델은 수처리모델 중 전문가에 의해 생성된 모델이다. 또 다른 실시예에 따르면, 사용자의 입력에 따라 모델 형식을 채택할 수 있다.
구조설계부(520)는 모델 구조를 설정한다. 모델 구조는 수처리모델의 출력당 서브모델의 수를 나타낸다. 예컨대, 하나의 입력과, 하나의 출력을 가지는 하나의 모델을 가지는 구조로 설정하거나, 하나의 입력이 제1 서브모델에 입력되고, 제1 서브모델의 출력이 제2 서브모델에 입력되며, 제2 서브모델의 출력이 최종 출력이 되는 구조로 설정할 수 있다. 일 실시예에 따르면, 구조설계부(520)는 기 저장된 복수의 시드모델 중 어느 하나의 시드모델의 모델 구조를 수처리모델의 모델 구조로 채택할 수 있다. 다른 실시예에 따르면, 구조설계부(520)는 사용자의 입력에 따라 모델 구조를 채택할 수 있다.
입출력설계부(530)는 수처리모델의 입력 및 출력을 설정한다. 예컨대, 입력은 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, 출력은 처리수의 산성도 혹은 산성도 변화량, 탁도 혹은 탁도 변화량, 잔류철 혹은 잔류철 변화량 등을 예시할 수 있다. 일 실시예에 따르면, 입출력설계부(530)는 기 저장된 복수의 시드모델 중 어느 하나의 시드모델에 적용된 입력 및 출력을 동일하게 수처리모델의 입력 및 출력으로 채택할 수 있다. 다른 실시예에 따르면, 구조설계부(520)는 사용자의 입력에 따라 수처리모델의 입력 및 출력을 설정할 수 있다.
변수설계부(540)는 수처리모델의 변수를 설정한다. 이러한 변수는 선형성, 지수 및 지연 시간을 결정하는 변수가 될 수 있다. 일 실시예에 따르면, 입출력설계부(530)는 기 저장된 복수의 시드모델 중 어느 하나의 시드모델에 적용된 변수를 수처리모델의 변수로 채택할 수 있다. 다른 실시예에 따르면, 구조설계부(520)는 사용자의 입력에 따라 수처리모델의 변수를 설정할 수 있다.
도 4를 참조하면, 모델생성부(600)는 본 발명의 실시예에 따른 수처리모델을 학습시키기 위한 것이다.
예컨대, 설계정보에 따르면, 수처리모델의 모델 형식이 NN이며, 하나의 입력과, 하나의 출력을 가지는 모델 구조이고, 수처리모델의 입력은 유입수의 유량, 온도, 전도도, 산성도(pH), 탁도, 유량, 유입수에 대한 처리량(단위 시간 당), 유입수에 대한 주입제 주입 농도이고, 출력은 처리수의 산성도 변화량 및 탁도 변화량이라고 가정한다.
모델생성부(600)는 학습 데이터를 이용하여 수처리모델을 학습시킴으로써, 수처리플랜트(1)를 모사하여 수처리플랜트(1)에 대한 유입수의 상태에 따라 처리수의 상태를 예측하는 수처리모델을 생성한다. 모델생성부(600)는 학습 데이터 중 입력에 해당하는 입력 데이터(IN)를 수처리모델에 입력하고, 수처리모델이 연산을 통해 예측값(OUT)을 산출하면, 손실함수(LOSS FUNCTION)을 통해 목표값(Target)으로 사용되는 출력 데이터와의 차이인 손실(LOSS)을 산출하고, 산출된 손실(LOSS)이 최소가되도록 예컨대, 역전파(backpropagation) 알고리즘을 통해 수처리모델의 파라미터를 갱신하는 최적화를 수행한다. 이러한 최적화의 반복을 통해 수처리모델이 생성될 수 있다.
모델선정부(700)는 모델생성부(600)에 의해 생성된 수처리모델의 성능을 평가하고, 평가에 따라 적합한 수처리모델을 저장하고, 화학제주입최적화부(300)에 제공할 수 있다. 이러한 모델선정부(700)는 모델평가부(710) 및 모델관리부(720)를 포함한다.
모델평가부(710)는 모델생성부(600)에 의해 생성된 수처리모델의 성능을 평가하기 위한 것이다. 모델평가부(710)는 평가 데이터를 수집하고, 수집된 평가 데이터를 이용하여 수처리모델의 성능을 평가한다. 평가 데이터는 입력 데이터와 그 입력 데이터에 대응하는 출력 데이터를 포함한다. 모델평가부(710)는 수처리장치로부터 수집된 평가 데이터를 이용하여 생성된 수처리모델 중 수처리플랜트와의 유사도가 가장 높은 수처리모델을 선정할 수 있다.
모델관리부(720)는 모델평가부(710)의 평가 결과, 최적의 수처리모델이 선정되면, 선정된 수처리모델을 소정의 저장공간에 저장한다. 모델관리부(720)는 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.
다음으로, 본 발명의 실시예에 따른 화학제 주입 최적화를 위한 최적의 수처리모델을 선정하기 위한 장치에 대해서 설명하기로 한다. 도 6은 본 발명의 실시예에 따른 화학제 주입 최적화를 위한 최적의 수처리모델을 선정하기 위한 장치의 구성을 설명하기 위한 도면이다. 도 7은 본 발명의 실시예에 따른 화학제 주입 최적화를 위한 최적의 수처리모델의 저장 구조를 설명하기 위한 도면이다.
도 6을 참조하면, 본 발명의 실시예에 따른 화학제 주입 최적화를 위한 최적의 수처리모델을 선정하기 위한 장치는 모델생성부(600) 및 모델선정부(700)를 포함하며, 모델선정부(700)는 모델평가부(710), 모델관리부(720) 및 모델저장부(730)를 포함한다.
모델생성부(600)는 시드모델의 설계정보를 기초로 학습 데이터를 이용하여 가변모델을 생성할 수 있다. 생성된 가변모델은 모델평가부에 제공된다.
모델선정부(700)의 모델평가부(710)는 평가 데이터를 이용하여 시드모델저장소(731)에 저장된 시드모델, 최적모델저장소(733)에 저장된 기존의 최적모델 및 생성된 가변모델을 포함하는 복수의 평가대상모델을 평가하여 챔피언모델을 선정한다. 선정된 챔피언모델은 최적화부(10) 및 모델관리부(720)에 제공된다. 평가 데이터는 평가 시점을 기준으로 소정 기간 이내에 수신된 원시 데이터로부터 추출된 학습 데이터를 이용하여 생성된다. 모델평가부(710)는 데이터전처리부(200)로부터 평가 시점을 기준으로 소정 기간 이내에 수신된 원시 데이터로부터 추출된 학습 데이터를 수신하고, 수신된 학습 데이터의 입력 데이터와, 그 입력 데이터에 대응하는 출력 데이터를 추출하고, 추출된 출력 데이터를 기댓값으로 설정하여 평가 데이터를 마련한다. 모델평가부(710)는 시드모델, 기존의 최적모델 및 가변모델을 포함하는 복수의 평가대상모델 각각에 평가 데이터의 입력 데이터를 입력한다. 그러면, 복수의 평가대상모델 각각은 입력 데이터에 대해 연산을 수행하여 예측값을 산출할 것이다. 그러면, 모델평가부(710)는 복수의 평가대상모델 각각의 예측값과 기댓값의 차이를 복수의 평가대상모델 각각의 오차로 산출한다. 그런 다음, 모델평가부(710)는 복수의 평가대상모델 중 오차가 최소인 평가대상모델을 챔피언모델로 선정한다.
모델관리부(720)는 챔피언모델로 선정된 수처리모델을 저장 및 관리하기 위한 것이다. 모델관리부(720)는 선정된 챔피언모델이 가변모델인 경우, 챔피언모델로 선정된 가변모델을 최적모델저장소(733)에 FIFO 방식으로 저장한다. 이에 따라, 저장된 챔피언모델은 최적모델이 된다. 이때, 최적모델저장소(733)의 저장공간이 부족하면, 도 7의 (A)에 도시된 바와 같이, FIFO 방식에 따라 우선 저장된 순서에 따라 최적모델저장소(733)에 저장된 기존의 최적모델을 삭제한 후, 챔피언모델로 선정된 가변모델을 최적모델저장소(733)에 FIFO 방식으로 저장한다. 모델관리부(720)는 선정된 챔피언모델이 기존의 최적모델인 경우, 도 7의 (B)에 도시된 바와 같이, 챔피언모델로 선정된 기존의 최적모델을 최적모델저장소(733)에서 추출한 후, FIFO 방식으로 최적모델저장소(733)에 다시 저장한다. 모델관리부(720)는 선정된 챔피언모델이 시드모델이면, 챔피언모델로 선정된 시드모델이 시드모델저장소(731)에 저장된 상태를 유지한다. 따라서 도 7의 (C)에 도시된 바와 같이, 아무런 변화도 없다.
모델저장부(730)는 수처리모델을 저장하기 위한 것이며, 시드모델저장소(731) 및 최적모델저장소(733)를 포함한다. 시드모델은 전문가에 의해 생성되어 저장된 수처리모델이며, 시드모델저장소(731)는 모델저장부(730)에서 이러한 시드모델이 저장되도록 할당된 영역이다. 챔피언모델이 선정될 때마다 최적모델저장소(733)에 저장되어, 챔피언모델은 최적모델이 되며, 최적모델저장소는 모델저장부(730)에서 최적모델이 저장되도록 할당된 영역이다.
다음으로, 본 발명의 실시예에 따른 수처리 플랜트에서 화학제 주입 최적화를 위한 방법에 대해서 설명하기로 한다. 도 8은 본 발명의 실시예에 따른 수처리 플랜트에서 화학제 주입 최적화를 위한 방법을 설명하기 위한 흐름도이다.
도 8을 참조하면, 전처리부(200)는 S110 단계에서 원시 데이터를 입력 받는다. 이때, 원시 데이터는 전처리부(200)는 수처리플랜트(1) 및 수처리제어장치(2) 중 적어도 하나로부터 운전 데이터 및 상태 데이터를 포함한다. 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.
원시 데이터가 수집되면, 전처리부(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.
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 수처리장치(2)와의 유사도가 가장 높은 수처리모델을 선정한다. 이와 같이, 선정된 수처리모델을 최적화부(10)의 화학제주입최적화부(300)에 제공된다.
다음으로, 본 발명의 추가적인 실시예에 따른 수처리 플랜트에서 화학제 주입 최적화를 위한 방법에 대해서 설명하기로 한다. 도 9는 본 발명의 추가적인 실시예에 따른 수처리 플랜트에서 화학제 주입 최적화를 위한 방법을 설명하기 위한 흐름도이다.
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.
한편, 앞서 도 6에서 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.
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.
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.
다음으로, 본 발명의 실시예에 따른 화학제 주입 최적화를 위한 수처리모델을 생성하기 위한 방법을 설명하기로 한다. 도 10은 화학제 주입 최적화를 위한 수처리모델을 생성하기 위한 방법을 설명하기 위한 흐름도이다.
도 10을 참조하면, 자동모델링처리부(500)의 형식설계부(510)는 S310 단계에서 수처리모델의 모델 형식을 설정한다. 이러한 모델의 형식은 ARX(Auto-regressive Exogenous), FIR(Finite Impulse Response), NN(neural network), SS(State space) 등을 예시할 수 있다. 일 실시예에 따르면, 형식설계부(510)는 최적화된 화학제 주입량을 도출하기 위한 제어기가 결정되면, 결정된 제어기의 형식에 적합한 모델 형식을 설정할 수 있다. 다른 실시예에 따르면, 형식설계부(510)는 기 저장된 복수의 시드모델 중 어느 하나의 시드모델의 모델 형식을 수처리모델의 모델 형식으로 채택할 수 있다. 여기서, 시드모델은 수처리모델 중 전문가에 의해 생성된 모델이다. 또 다른 실시예에 따르면, 사용자의 입력에 따라 모델 형식을 채택할 수 있다.
다음으로, 자동모델링처리부(500)의 구조설계부(520)는 S320 단계에서 모델 구조를 설정한다. 모델 구조는 수처리모델의 출력당 서브모델의 수를 나타낸다. 예컨대, 하나의 입력과, 하나의 출력을 가지는 하나의 모델을 가지는 구조로 설정하거나, 하나의 입력이 제1 서브모델에 입력되고, 제1 서브모델의 출력이 제2 서브모델에 입력되며, 제2 서브모델의 출력이 최종 출력이 되는 구조로 설정할 수 있다. 일 실시예에 따르면, 구조설계부(520)는 기 저장된 복수의 시드모델 중 어느 하나의 시드모델의 모델 구조를 수처리모델의 모델 구조로 채택할 수 있다. 다른 실시예에 따르면, 구조설계부(520)는 사용자의 입력에 따라 모델 구조를 채택할 수 있다.
자동모델링처리부(500)의 입출력설계부(530)는 S330 단계에서 수처리모델의 입력 및 출력을 설정한다. 예컨대, 입력은 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, 출력은 처리수의 산성도 혹은 산성도 변화량, 탁도 혹은 탁도 변화량, 잔류철 혹은 잔류철 변화량 등을 예시할 수 있다. 일 실시예에 따르면, 입출력설계부(530)는 기 저장된 복수의 시드모델 중 어느 하나의 시드모델에 적용된 입력 및 출력을 동일하게 수처리모델의 입력 및 출력으로 채택할 수 있다. 다른 실시예에 따르면, 구조설계부(520)는 사용자의 입력에 따라 수처리모델의 입력 및 출력을 설정할 수 있다.
자동모델링처리부(500)의 변수설계부(540)는 S340 단계에서 수처리모델의 변수를 설정한다. 이러한 변수는 선형성, 지수 및 지연 시간을 결정하는 변수가 될 수 있다. 일 실시예에 따르면, 입출력설계부(530)는 기 저장된 복수의 시드모델 중 어느 하나의 시드모델에 적용된 변수를 수처리모델의 변수로 채택할 수 있다. 다른 실시예에 따르면, 구조설계부(520)는 사용자의 입력에 따라 수처리모델의 변수를 설정할 수 있다.
이와 같이, S310 단계 내지 S340 단계를 거쳐 모델 형식, 모델 구조, 모델의 입력 및 출력, 그리고, 모델의 변수를 포함하는 설계정보가 생성되며, 생성된 설계정보는 모델생성부(600)에 제공된다.
모델생성부(600)는 S350 단계에서 설계정보를 기초로 학습 데이터를 이용하여 수처리모델을 학습시킴으로써, 수처리플랜트(1)를 모사하여 수처리플랜트(1)에 대한 유입수의 상태에 따라 처리수의 상태를 예측하는 수처리모델을 생성한다.
모델선정부(700)의 모델평가부(710)는 S360 단계에서 모델생성부(600)에 의해 생성된 수처리모델의 성능을 평가한다. 모델평가부(710)는 평가 데이터를 수집하고, 수집된 평가 데이터를 이용하여 수처리모델의 성능을 평가한다. 평가 데이터는 입력 데이터와 그 입력 데이터에 대응하는 출력 데이터를 포함한다. 모델평가부(710)는 수처리장치로부터 수집된 평가 데이터를 이용하여 생성된 수처리모델 중 수처리플랜트(1)와의 유사도가 가장 높은 수처리모델을 선정할 수 있다.
모델선정부(700)의 모델관리부(720)는 S360 단계에서 모델평가부(710)의 평가 결과, 최적의 수처리모델이 선정되면, 선정된 수처리모델을 소정의 저장공간에 저장하고, 최적화부(10)의 화학제주입최적화부 (300)에 제공한다. 모델관리부(720)는 수처리모델을 저장할 때, 수처리모델을 저장하는 저장공간의 저장용량이 부족한 경우, 선정되지 않은 수처리모델 중 생성된 시기가 빠른 순서에 따라 해당하는 수처리모델을 순차로 삭제할 수 있다.
다음으로, 본 발명의 실시예에 따른 화학제 주입 최적화를 위한 최적의 수처리모델을 선정하기 위한 방법에 대해서 설명하기로 한다. 도 11은 본 발명의 실시예에 따른 화학제 주입 최적화를 위한 최적의 수처리모델을 선정하기 위한 방법을 설명하기 위한 흐름도이다.
도 11을 참조하면, 모델저장부(730)가 S410 단계에서 시드모델저장소(731)에 시드모델을 저장하고, 최적모델저장소(733)에 기존의 최적모델을 저장한 상태를 상정한다. 시드모델은 전문가에 의해 생성되어 저장된 수처리모델이며, 시드모델저장소는 모델저장부(730)에서 이러한 시드모델이 저장되도록 할당된 영역이다. 최적모델이 선정될 때마다 최적모델저장소에 저장되며, 최적모델저장소는 모델저장부(730)에서 최적모델이 저장되도록 할당된 영역이다.
모델생성부(600)는 S420 단계에서 학습 데이터를 이용하여 가변모델을 생성한다. 가변모델은 시드모델의 설계정보를 기초로 하며, 생성 시점을 기준으로 소정 기간 이내에 수집된 원시 데이터로부터 생성된 학습 데이터를 이용한 학습을 통해 생성되는 수처리모델이다. 가변모델이 생성되면, 생성된 가변모델은 모델평가부(710)에 제공된다.
모델평가부(710)는 S430 단계에서 평가 데이터를 이용하여 시드모델저장소(731)에 저장된 시드모델, 최적모델저장소(733)에 저장된 기존의 최적모델 및 가변모델을 포함하는 복수의 평가대상모델을 평가하여 챔피언모델을 선정한다. 선정된 챔피언모델은 최적화부(10) 및 모델관리부(720)에 제공된다.
모델관리부(720)는 S440 단계에서 상기 선정된 챔피언모델이 가변모델인지 여부를 판별한다. S440 단계의 판별 결과, 선정된 챔피언모델이 가변모델이면, 모델관리부(720)는 S450 단계에서 챔피언모델로 선정된 가변모델을 최적모델저장소(733)에 FIFO 방식으로 최적 모델로 저장한다. 이러한 S450 단계에서 최적모델저장소(733)의 저장공간이 부족하면, 도 7의 (A)에 도시된 바와 같이, FIFO 방식에 따라 우선 저장된 순서에 따라 최적모델저장소(733)에 저장된 기존의 최적모델을 삭제한 후, 챔피언모델로 선정된 가변모델을 최적모델저장소(733)에 FIFO 방식으로 최적 모델로 저장한다.
반면, S440 단계의 판별 결과, 선정된 챔피언모델이 가변모델이 아니면, 모델관리부(720)는 S460 단계에서 상기 선정된 챔피언모델이 기존의 최적모델인지 여부를 판별한다.
S460 단계의 판별 결과, 선정된 챔피언모델이 기존의 최적모델이면, 모델관리부(720)는 도 7의 (B)에 도시된 바와 같이, 챔피언모델로 선정된 기존의 최적모델을 최적모델저장소(733)에서 추출한 후, FIFO 방식으로 최적모델저장소에 다시 저장한다.
반면, S460 단계의 판별 결과, 선정된 챔피언모델이 기존의 최적모델이 아니면, 모델관리부(720)는 S480 단계에서 선정된 챔피언모델이 시드모델인지 여부를 판별한다.
S480 단계의 판별 결과, 선정된 챔피언모델이 시드모델이면, 모델관리부(720)는 S490 단계에서 챔피언모델로 선정된 시드모델이 시드모델저장소에 저장된 상태를 유지한다. 반면, S480 단계의 판별 결과, 선정된 챔피언모델이 시드모델이 아니면, 프로세스를 종료한다.
그러면, 전술한 S430 단계의 챔피언 모델을 선정하는 방법에 대해서 보다 상세하게 설명하기로 한다. 도 12는 본 발명의 실시예에 따른 챔피언 모델을 선정하는 방법을 설명하기 위한 흐름도이다. 강조하면, 도 12는 S430 단계의 상세한 설명을 위한 것이다.
도 12를 참조하면, 모델평가부(710)는 데이터전처리부(200)가 평가 시점을 기준으로 소정 기간 이내에 수신된 최신의 원시 데이터로부터 생성한 학습 데이터를 평가 데이터로 이용한다. 보다 구체적으로, 모델평가부(710)는 S510 단계에서 데이터전처리부(200)로부터 평가 시점을 기준으로 소정 기간 이내에 수신된 원시 데이터로부터 생성된 학습 데이터를 수신한다. 그러면, 모델평가부(710)는 S520 단계에서 수신된 학습 데이터의 입력 데이터와, 그 입력 데이터에 대응하는 출력 데이터를 추출하고, 추출된 출력 데이터를 기댓값으로 설정하여 평가 데이터를 마련한다.
다음으로, 모델평가부(710)는 S530 단계에서 시드모델, 기존의 최적모델 및 가변모델을 포함하는 복수의 평가대상모델 각각에 입력 데이터를 입력한다. 그러면, 복수의 평가대상모델 각각은 S540 단계에서 입력 데이터에 대해 연산을 수행하여 예측값을 산출한다.
이어서, 모델평가부(710)는 S550 단계에서 복수의 평가대상모델 각각의 예측값과 기댓값의 차이를 복수의 평가대상모델 각각의 오차로 산출한다. 그러면, 모델평가부(710)는 S560 단계에서 복수의 평가대상모델 중 오차가 최소인 평가대상모델을 챔피언모델로 선정한다.
도 13은 본 발명의 실시예에 따른 컴퓨팅 장치를 나타내는 도면이다. 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 장치(예, 수처리제어장치(2) 및 화학제주입최적화장치(3) 등) 일 수 있다.
도 13의 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.
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.
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.
송수신 장치(TN120)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다. 송수신 장치(TN120)는 네트워크에 연결되어 통신을 수행할 수 있다.
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.
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.

Claims (22)

  1. 시드모델을 저장하는 시드모델저장소와, 기존의 최적모델을 저장하는 최적모델저장소를 포함하는 모델저장부;
    학습 데이터를 이용하여 가변모델을 생성하는 모델생성부; 및
    평가 데이터를 마련하고,
    상기 평가 데이터를 이용하여 상기 시드모델, 상기 기존의 최적모델 및 상기 가변모델을 포함하는 복수의 평가대상모델을 평가하여 챔피언모델을 선정하는 모델평가부;
    를 포함하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 장치.
  2. 제1항에 있어서,
    상기 모델평가부는
    평가 시점을 기준으로 소정 기간 이내에 수신된 원시 데이터로부터 생성된 학습 데이터를 수신하고,
    수신된 학습 데이터로부터 입력 데이터 및 상기 입력 데이터에 대응하는 출력 데이터를 검출하고,
    상기 출력 데이터를 기댓값으로 설정하고,
    상기 입력 데이터 및 상기 기댓값을 평가 데이터로 설정하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 장치.
  3. 제2항에 있어서,
    상기 모델평가부는
    상기 복수의 평가대상모델 각각에 상기 입력 데이터를 입력하고,
    복수의 평가대상모델 각각이 상기 입력 데이터에 대해 연산을 수행하여 예측값을 산출하면,
    상기 복수의 평가대상모델 각각의 상기 예측값과 상기 기댓값의 차이를 상기 복수의 평가대상모델 각각의 오차로 산출하고,
    상기 복수의 평가대상모델 중 상기 오차가 최소인 평가대상모델을 챔피언모델로 선정하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 장치.
  4. 제1항에 있어서,
    상기 선정된 챔피언모델이 가변모델이면,
    챔피언모델로 선정된 가변모델을 FIFO 방식으로 상기 최적모델저장소에 최적 모델로 저장하는 모델관리부;
    를 더 포함하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 장치.
  5. 제1항에 있어서,
    상기 선정된 챔피언모델이 가변모델이고 상기 최적모델저장소의 저장공간이 부족하면,
    FIFO 방식에 따라 우선 저장된 순서에 따라 기존의 최적모델을 삭제한 후,
    챔피언모델로 선정된 가변모델을 상기 최적모델저장소에 FIFO 방식으로 최적 모델로서 저장하는 모델관리부;
    를 더 포함하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 장치.
  6. 제1항에 있어서,
    상기 선정된 챔피언모델이 기존의 최적모델이면,
    챔피언모델로 선정된 기존의 최적모델을 상기 최적모델저장소에서 추출하여 FIFO 방식으로 최적모델저장소에 다시 저장하는 모델관리부;
    를 더 포함하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 장치.
  7. 제1항에 있어서,
    상기 선정된 챔피언모델이 시드모델이면,
    챔피언모델로 선정된 시드모델이 시드모델저장소에 저장된 상태를 유지하는 모델관리부;
    를 더 포함하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 장치.
  8. 제1항에 있어서,
    상기 모델생성부는
    시드모델의 설계정보를 기초로 하며,
    생성 시점을 기준으로 소정 기간 이내에 수집된 원시 데이터로부터 생성된 학습 데이터를 이용한 학습을 통해 생성하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 장치.
  9. 가변모델이 생성되면, 시드모델저장소에 저장된 시드모델, 최적모델저장소에 저장된 기존의 최적모델 및 생성된 가변모델을 포함하는 복수의 평가대상모델을 평가 데이터를 이용하여 평가하여 챔피언모델을 선정하는 모델평가부; 및
    상기 챔피언모델을 상기 최적모델저장소에 저장하는 모델관리부;
    를 포함하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 장치.
  10. 제9항에 있어서,
    상기 모델평가부는
    평가 시점을 기준으로 소정 기간 이내에 수신된 원시 데이터로부터 생성된 학습 데이터를 수신하고,
    수신된 학습 데이터로부터 입력 데이터 및 상기 입력 데이터에 대응하는 출력 데이터를 검출하고,
    상기 출력 데이터를 기댓값으로 설정하고,
    상기 입력 데이터 및 상기 기댓값을 평가 데이터로 설정하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 장치.
  11. 제10항에 있어서,
    상기 모델평가부는
    상기 복수의 평가대상모델 각각에 상기 입력 데이터를 입력하고,
    복수의 평가대상모델 각각이 상기 입력 데이터에 대해 연산을 수행하여 예측값을 산출하면,
    상기 복수의 평가대상모델 각각의 상기 예측값과 상기 기댓값의 차이를 상기 복수의 평가대상모델 각각의 오차로 산출하고,
    상기 복수의 평가대상모델 중 상기 오차가 최소인 평가대상모델을 챔피언모델로 선정하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 장치.
  12. 제9항에 있어서,
    상기 모델관리부는
    상기 선정된 챔피언모델이 가변모델이고 상기 최적모델저장소의 저장공간이 부족하면,
    FIFO 방식에 따라 우선 저장된 순서에 따라 기존의 최적모델을 삭제한 후,
    챔피언모델로 선정된 가변모델을 상기 최적모델저장소에 FIFO 방식으로 최적 모델로서 저장하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 장치.
  13. 제9항에 있어서,
    상기 모델관리부는
    상기 선정된 챔피언모델이 기존의 최적모델이면,
    챔피언모델로 선정된 기존의 최적모델을 상기 최적모델저장소에서 추출하여 FIFO 방식으로 상기 최적모델저장소에 다시 저장하는 모델관리부;
    를 더 포함하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 장치.
  14. 제9항에 있어서,
    시드모델의 설계정보를 기초로 하며, 생성 시점을 기준으로 소정 기간 이내에 수집된 원시 데이터로부터 생성된 학습 데이터를 이용한 학습을 통해 생성하는 모델생성부;
    를 더 포함하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 장치.
  15. 시드모델이 시드모델저장소에 저장되고, 기존의 최적모델이 최적모델저장소에 저장된 상태가 유지되는 단계;
    모델생성부가 학습 데이터를 이용하여 가변모델을 생성하는 단계;
    모델평가부가 평가 데이터를 마련하는 단계; 및
    상기 모델평가부가 상기 평가 데이터를 이용하여 상기 시드모델, 상기 기존의 최적모델 및 상기 가변모델을 포함하는 복수의 평가대상모델을 평가하여 챔피언모델을 선정하는 단계;
    를 포함하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 방법.
  16. 제15항에 있어서,
    상기 평가 데이터를 마련하는 단계는
    상기 모델평가부가 평가 시점을 기준으로 소정 기간 이내에 수신된 원시 데이터로부터 생성된 학습 데이터를 수신하는 단계;
    상기 모델평가부가 수신된 학습 데이터로부터 입력 데이터 및 상기 입력 데이터에 대응하는 출력 데이터를 검출하는 단계;
    상기 모델평가부가 상기 출력 데이터를 기댓값으로 설정하는 단계; 및
    상기 모델평가부가 상기 입력 데이터 및 상기 기댓값을 평가 데이터로 설정하는 단계;
    를 포함하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 방법.
  17. 제16항에 있어서,
    상기 챔피언모델을 선정하는 단계는
    상기 모델평가부가 상기 복수의 평가대상모델 각각에 상기 입력 데이터를 입력하는 단계;
    상기 복수의 평가대상모델 각각이 상기 입력 데이터에 대해 연산을 수행하여 예측값을 산출하는 단계;
    상기 모델평가부가 상기 복수의 평가대상모델 각각의 상기 예측값과 상기 기댓값의 차이를 상기 복수의 평가대상모델 각각의 오차로 산출하는 단계; 및
    상기 모델평가부가 상기 복수의 평가대상모델 중 상기 오차가 최소인 평가대상모델을 챔피언모델로 선정하는 단계;
    를 포함하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 방법.
  18. 제15항에 있어서,
    상기 선정된 챔피언모델이 가변모델이면,
    모델관리부가 챔피언모델로 선정된 가변모델을 FIFO 방식으로 상기 최적모델저장소에 저장하는 단계;
    를 더 포함하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 방법.
  19. 제15항에 있어서,
    상기 선정된 챔피언모델이 가변모델이고 상기 최적모델저장소의 저장공간이 부족하면,
    모델관리부가 FIFO 방식에 따라 우선 저장된 순서에 따라 기존의 최적모델을 삭제한 후,
    챔피언모델로 선정된 가변모델을 상기 최적모델저장소에 FIFO 방식으로 저장하는 단계;
    를 더 포함하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 방법.
  20. 제15항에 있어서,
    상기 선정된 챔피언모델이 기존의 최적모델이면,
    모델관리부가 챔피언모델로 선정된 기존의 최적모델을 상기 최적모델저장소에서 추출하여 FIFO 방식으로 최적모델저장소에 다시 저장하는 단계;
    를 더 포함하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 방법.
  21. 제15항에 있어서,
    상기 선정된 챔피언모델이 시드모델이면,
    모델관리부가 챔피언모델로 선정된 시드모델이 시드모델저장소에 저장된 상태를 유지하는 단계;
    를 더 포함하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 방법.
  22. 제15항에 있어서,
    상기 가변모델을 생성하는 단계는
    상기 모델생성부가
    시드모델의 설계정보를 기초로 하며,
    생성 시점을 기준으로 소정 기간 이내에 수집된 원시 데이터로부터 생성된 학습 데이터를 이용한 학습을 통해 생성하는 것을 특징으로 하는
    최적의 모델을 선정하기 위한 방법.
KR1020220002171A 2022-01-06 2022-01-06 화학제 주입 최적화를 위한 최적의 수처리모델을 선정하기 위한 장치 및 이를 위한 방법 KR20230106775A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220002171A KR20230106775A (ko) 2022-01-06 2022-01-06 화학제 주입 최적화를 위한 최적의 수처리모델을 선정하기 위한 장치 및 이를 위한 방법
US18/068,036 US20230212030A1 (en) 2022-01-06 2022-12-19 Device and method for selecting optimal water treatment model for chemical dosing optimization

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220002171A KR20230106775A (ko) 2022-01-06 2022-01-06 화학제 주입 최적화를 위한 최적의 수처리모델을 선정하기 위한 장치 및 이를 위한 방법

Publications (1)

Publication Number Publication Date
KR20230106775A true KR20230106775A (ko) 2023-07-14

Family

ID=86992342

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220002171A KR20230106775A (ko) 2022-01-06 2022-01-06 화학제 주입 최적화를 위한 최적의 수처리모델을 선정하기 위한 장치 및 이를 위한 방법

Country Status (2)

Country Link
US (1) US20230212030A1 (ko)
KR (1) KR20230106775A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160027815A (ko) 2014-09-02 2016-03-10 창원대학교 산학협력단 수처리 시스템의 퍼지추정모델링을 이용한 제어방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160027815A (ko) 2014-09-02 2016-03-10 창원대학교 산학협력단 수처리 시스템의 퍼지추정모델링을 이용한 제어방법

Also Published As

Publication number Publication date
US20230212030A1 (en) 2023-07-06

Similar Documents

Publication Publication Date Title
CN111985638A (zh) 生成对抗网络、训练方法、计算机程序、存储介质和设备
Ramasso et al. Remaining useful life estimation by classification of predictions based on a neuro-fuzzy system and theory of belief functions
CN110231156B (zh) 基于时序特征的服务机器人运动系统故障诊断方法及装置
CN112292642B (zh) 用于控制技术系统的控制装置和用于配置控制装置的方法
KR101889510B1 (ko) 심층 신경망을 이용한 정수 처리에서의 응집제 주입률 예측 방법
KR102229859B1 (ko) 기계 학습 및 전이 학습을 이용한 공정 관리 방법, 장치 및 시스템
US11526687B2 (en) Apparatus for generating learning data for combustion optimization and method therefor
US9613316B2 (en) Method for improving efficiency in an optimizing predictive model using stochastic gradient descent
KR20230106775A (ko) 화학제 주입 최적화를 위한 최적의 수처리모델을 선정하기 위한 장치 및 이를 위한 방법
KR20230106366A (ko) 수처리플랜트를 모사하는 수처리모델을 생성하기 위한 장치 및 이를 위한 방법
KR101827124B1 (ko) 운전자의 주행 패턴 인식 시스템 및 방법
US11761623B2 (en) Apparatus for combustion optimization and method therefor
KR20220150037A (ko) 수처리 시설의 공정별 수질 예측 시스템 및 방법
KR20230106779A (ko) 인공신경망 기반의 수처리플랜트를 모사하는 수처리모델을 생성하기 위한 장치 및 이를 위한 방법
KR20230106780A (ko) 화학제 주입 최적화를 위한 수처리모델을 생성하기 위한 장치 및 이를 위한 방법
KR20230106781A (ko) 수처리 플랜트에서 화학제 주입 최적화를 제어하기 위한 장치 및 이를 위한 방법
KR20230106368A (ko) 화학제 주입 최적화를 위한 최적의 제어값을 산출하기 위한 장치 및 이를 위한 방법
KR20230106776A (ko) 수처리플랜트의 화학제 주입 최적화를 위한 출력을 제어하기 위한 장치 및 이를 위한 방법
KR20230106778A (ko) 수처리 플랜트에서 화학제 주입 최적화를 위한 장치 및 이를 위한 방법
KR20230106777A (ko) 수처리플랜트의 화학제 주입 최적화를 관리하기 위한 장치 및 이를 위한 방법
KR20230106367A (ko) 화학제 주입 최적화를 위한 학습 데이터를 생성하기 위한 장치 및 이를 위한 방법
CN113111588B (zh) 一种燃气轮机nox排放浓度预测方法及装置
CN115712874A (zh) 基于时间序列特征的热能动力系统故障诊断方法及装置
CN114530163A (zh) 基于密度聚类的采用声音识别设备生命周期的方法及系统
US11629856B2 (en) Apparatus for managing combustion optimization and method therefor

Legal Events

Date Code Title Description
E902 Notification of reason for refusal