KR20230134054A - 인공지능 기반 막 수명 진단방법, 막 교체 시기 파악을 위한 예측유지관리방법 및 시스템 - Google Patents
인공지능 기반 막 수명 진단방법, 막 교체 시기 파악을 위한 예측유지관리방법 및 시스템 Download PDFInfo
- Publication number
- KR20230134054A KR20230134054A KR1020220030740A KR20220030740A KR20230134054A KR 20230134054 A KR20230134054 A KR 20230134054A KR 1020220030740 A KR1020220030740 A KR 1020220030740A KR 20220030740 A KR20220030740 A KR 20220030740A KR 20230134054 A KR20230134054 A KR 20230134054A
- Authority
- KR
- South Korea
- Prior art keywords
- membrane
- functional
- chemical
- life
- functional parameters
- Prior art date
Links
- 239000012528 membrane Substances 0.000 title claims abstract description 407
- 238000012423 maintenance Methods 0.000 title claims abstract description 116
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims description 11
- 239000000126 substance Substances 0.000 claims abstract description 107
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 26
- 238000003745 diagnosis Methods 0.000 claims abstract description 20
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 239000003599 detergent Substances 0.000 claims abstract description 6
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims description 6
- 238000002405 diagnostic procedure Methods 0.000 claims description 2
- SUKJFIGYRHOWBL-UHFFFAOYSA-N sodium hypochlorite Chemical compound [Na+].Cl[O-] SUKJFIGYRHOWBL-UHFFFAOYSA-N 0.000 description 61
- 229910019093 NaOCl Inorganic materials 0.000 description 60
- 238000004140 cleaning Methods 0.000 description 53
- 230000032683 aging Effects 0.000 description 34
- 238000009285 membrane fouling Methods 0.000 description 32
- 238000011109 contamination Methods 0.000 description 30
- 230000035699 permeability Effects 0.000 description 22
- 230000002427 irreversible effect Effects 0.000 description 19
- 239000000356 contaminant Substances 0.000 description 17
- 230000008569 process Effects 0.000 description 17
- 230000000903 blocking effect Effects 0.000 description 16
- 230000003247 decreasing effect Effects 0.000 description 13
- 238000005086 pumping Methods 0.000 description 12
- 238000001914 filtration Methods 0.000 description 11
- 230000005856 abnormality Effects 0.000 description 10
- 238000011066 ex-situ storage Methods 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 8
- 238000005406 washing Methods 0.000 description 8
- 238000009825 accumulation Methods 0.000 description 7
- 230000007423 decrease Effects 0.000 description 6
- 206010011906 Death Diseases 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 239000011148 porous material Substances 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 239000003153 chemical reaction reagent Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 239000002351 wastewater Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 239000010865 sewage Substances 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000010802 sludge Substances 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 238000004065 wastewater treatment Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000005708 Sodium hypochlorite Substances 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000003181 biological factor Substances 0.000 description 1
- 230000008827 biological function Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005202 decontamination Methods 0.000 description 1
- 230000003588 decontaminative effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000010612 desalination reaction Methods 0.000 description 1
- 230000001614 effect on membrane Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002209 hydrophobic effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005374 membrane filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D65/00—Accessories or auxiliary operations, in general, for separation processes or apparatus using semi-permeable membranes
- B01D65/10—Testing of membranes or membrane apparatus; Detecting or repairing leaks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D65/00—Accessories or auxiliary operations, in general, for separation processes or apparatus using semi-permeable membranes
- B01D65/10—Testing of membranes or membrane apparatus; Detecting or repairing leaks
- B01D65/109—Testing of membrane fouling or clogging, e.g. amount or affinity
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D65/00—Accessories or auxiliary operations, in general, for separation processes or apparatus using semi-permeable membranes
- B01D65/02—Membrane cleaning or sterilisation ; Membrane regeneration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D65/00—Accessories or auxiliary operations, in general, for separation processes or apparatus using semi-permeable membranes
- B01D65/08—Prevention of membrane fouling or of concentration polarisation
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/02—Aerobic processes
- C02F3/12—Activated sludge processes
- C02F3/1236—Particular type of activated sludge installations
- C02F3/1268—Membrane bioreactor systems
- C02F3/1273—Submerged membrane bioreactors
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2321/00—Details relating to membrane cleaning, regeneration, sterilization or to the prevention of fouling
- B01D2321/40—Automatic control of cleaning processes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Organic Chemistry (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Evolutionary Biology (AREA)
- Hydrology & Water Resources (AREA)
Abstract
본 발명은 인공지능 기반 MBR 막 수명 진단방법, 막 교체 시기 파악을 위한 예측유지관리방법 및 시스템에 관한 것으로, 보다 상세하게는 막간차압, 화학세정제 사용량 정보로부터 막 수명 관련 생물학적, 화학적, 물리적 정보를 추출하여 상기 기능적 매개변수를 설정; 생물학적, 화학적, 물리적 기능적 매개 변수들을 functional machine learning(FML)을 활용해 숨겨진 패턴과 추세 및 매개 변수들 사이의 관계를 해석하는 단계; 및 상기 해석데이터를 기반으로 막 수명을 추정하는 단계; 인공지능(AI) functional profile monitoring(FPM) 모델을 생성하는 단계; 생성된 FPM 모델을 통해 막 수명 주요 영향 functional 매개 변수들을 막 교체 규칙(MRR, Membrane replacement rule)에 따라 막 교체 시기를 제안하는 것을 특징으로 하는 인공지능 기반 막 교체 시기 파악을 위한 예측유지관리방법에 관한 것이다.
Description
본 발명은 인공지능 기반 MBR 막 교체시기 파악방법, 막 교체 시기 파악을 위한 예측유지관리방법 및 시스템에 관한 것이다.
막 생물 반응기(MBR) 시스템은 활성 슬러지 및 막 여과에 의한 물리적 막 분리를 포함하는 기존의 생물학적 처리 공정이 결합되어 있다. MBR은 더 작은 부지 점유, 더 나은 폐수 품질 및 제어 가능한 분리 공정과 같은 기존 폐수 처리 공정에 비해 장점으로 인해 폐수 처리에 널리 사용되었습니다. 이러한 장점에도 불구하고 높은 운영 비용은 MBR 시스템의 광범위한 구현을 제한했다. 특히, 멤브레인의 수명에 대한 정보가 제한되어 있어 멤브레인 교체 시기를 결정하는 것이 어렵다는 점은 운영 효율성 및 비용 측면에서 중요한 문제이다.
막 교체 시기는 종래기술에서 TMP(Transmembrane Pressure)를 기반으로 결정되었다. TMP는 막 오염의 지표로 사용되어 왔으며, 이는 오염 축적이 막의 기공을 차단하기 때문에 막 수명에 직접적인 영향을 미치며, 이로 인해 TMP가 기하급수적으로 증가하고 막 노화가 가속화된다. 따라서 MBR 운영자는 TMP를 모니터링하여 멤브레인 교체 시기를 결정했다. TMP가 일정 수준에 도달하거나 멤브레인 세척에도 불구하고 TMP 감소가 비효율적이면 멤브레인 교체가 필요하다. 멤브레인 상태는 측정된 TMP에 의해 쉽게 반영될 수 있지만 획득한 정보는 멤브레인의 실제 오염 상태를 완전히 나타내지 않을 수 있다. 이는 측정 시 물리적 매개변수인 TMP 하나만 고려하기 때문이다. 따라서 본 발명의 실시예에서는 기존의 TMP의 물리적 매개변수로 식별하는 것 외에도 화학 시약의 투여량과 오염 계수를 오염 지표로 사용하여 화학적 및 생물학적 매개변수를 추출했습니다.
차아염소산나트륨(NaOCl)은 일반적으로 막 오염을 제거하기 위한 화학적 세정에 사용되며, 오염 계수의 생물학적 매개변수는 결합된 오염 메커니즘 모델을 사용하여 계산됩니다. 생물학적-화학적-물리적 기능 매개변수는 TMP의 숨겨진 패턴과 막 오염에 대한 NaOCl의 용량을 해석하여 막 수명을 추정할 수 있습니다. MBR 공정에서 막 오염 및 노화는 생물학적, 화학적 및 물리적 요인의 영향을 받습니다. 막의 기공을 막아 TMP를 증가시키는 회복가능한 오염물의 침착은 물리적인 변수이고, 생물막의 생성에 의해 형성되는 회복 불가능한 오염물은 생물학적인 변수이다. 또한 생물학적으로 형성된 오염을 제거하는 NaOCl의 투여량은 화학적 매개변수입니다. 이 연구에서 우리는 막 상태의 보다 정확한 모니터링을 위해 TMP의 물리적 매개변수와 생물학적 및 화학적 매개변수를 활용했습니다. 본 발명의 실시예에서는 MBR 공정의 효율적이고 경제적인 운영을 위한 적절한 멤브레인 교체 시기를 결정하는 데 활용될 멤브레인의 노화 및 수명을 해석하고 진단하는 것을 목적으로 한다.
이전 연구에서 멤브레인 노화 또는 수명은 멤브레인 섬유 파손, 기계적 고장 및 멤브레인 투과성과 같은 다양한 수명 종료 트리거를 기반으로 추정되었다. 무결성 및 투과성을 포함한 주요 물리적 멤브레인 특성은 일반적으로 멤브레인 상태를 추정하는 데 사용된다. 멤브레인 섬유 파손 및 세척 빈도 증가와 같은 MBR 플랜트의 실제 운영 경험을 기반으로 멤브레인 수명의 중요한 요소를 제안했다. 또한 투과 흐름 처리량, 투과성 감소, 화학 물질에 의한 노화, 에너지 비용 및 기계적 응력에 의한 노화를 포함하여 멤브레인 수명을 추정하는 데 사용된 멤브레인의 5가지 수명 종료 트리거가 제안되었다. 또한, 이전 연구에서 도입된 멤브레인의 수명 종료 트리거를 비교했다. 여러 연구에서 멤브레인의 중요한 요소와 수명 종료 트리거를 성공적으로 제안했지만 멤브레인 교체 시기를 결정하기 위한 멤브레인 수명을 명확하게 추정하기가 어려웠다. 특히, 파울링 진행을 진단하는 것은 회복 불가능한 파울링을 포함한다. 회복 불가능한 오염은 막 노화의 중요한 원인이며 결국 막 교체로 이어진다. 따라서 회복 불가능한 오염 진행 진단을 포함하는 멤브레인 수명 추정이 수행되어야 한다. 본 발명의 실시예에서 멤브레인 수명은 복구 불가능한 오염의 기능적 매개변수 간의 관계를 반영하는 기능적 기계 학습(functional machine learning, FML)을 사용하여 추정되었다.
이전 연구에서는 FPM(Functional Profile Monitoring) 방법을 사용하여 오염 단계 또는 멤브레인 화학 세척 간격을 결정하는 데 필요한 매개변수를 모니터링했다. TMP의 2차 도함수는 TMP의 증가를 감지하고 생물학적 오염 단계를 결정하기 위한 물리적 기능 매개변수로 활용되었다. 동적 오염 모델의 계수 및 절편과 같은 다른 물리적 매개변수는 멤브레인 화학적 세척 간격을 결정하기 위해 모니터링되었다. 본 발명의 실시예에서는 막 교체에 관한 통합 정보의 정확한 모니터링을 가능하게 하기 위해 FPM에서 생물학적-화학적-물리적 기능 매개변수를 사용했다.
즉, MBR(Membrane Bio-reactor)은 활성슬러지법에 국한되지 않고 일반적인 생물 반응조와 분리막 공정을 조합시킨 것으로, 적은 부지 점유율과 효율적인 하수처리 및 높은 방류수 품질 등 다양한 장점 덕분에 널리 사용되고 있다. 하지만 막 오염 현상으로 인한 막 유지관리를 위해 상당한 운영 비용이 발생하며 막 수명 정보가 제한된 상태에서 운영 효율 및 비용적 측면에서 적절한 막 교체 시기를 결정하기 어려운 실정이다.
따라서 본 발명은 상기와 같은 종래의 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 실시예에 따르면, MBR(Membrane Bio-Reactor) 하수처리장에 유입되는 오염물질에 의한 막 수명을 진단하고 적절한 막 교체 시기를 조기에 인지하여 제안할 수 있도록 functional machine learning 및 인공지능(AI) 기반 functional profile monitoring을 활용한 예측 유지관리 시스템을 제공하는데 그 목적이 있다.
본 발명의 실시예에 따르면, 생물-화학-물리적 functional 매개 변수를 사용하는 functional machine learning을 통한 막 수명 추정 방법과 인공지능 기반 functional profile monitoring을 활용하여 적절한 막 교체 시기 파악을 위한 예측 유지관리 시스템을 제공하는데 그 목적이 있다.
그리고 본 발명의 실시예에 따르면, 세부 기술 원리로는 분리막의 막간차압 및 화학 세정제 사용량 정보로부터 막 수명 관련 생물학적, 화학적, 물리적 정보를 추출하여 functional 매개 변수들을 설정하고, 이를 바탕으로 functional machine learning을 활용하여 functional 매개 변수들에 숨겨진 패턴과 추세 및 매개 변수들 사이의 관계를 해석하여 막 수명을 추정하며, 이에 functional profile monitoring을 활용해 막 수명에 큰 영향을 미치는 functional 매개 변수들을 모니터링하여 막 교체 규칙(MRR, Membrane replacement rule)에 따라 막 교체 시기를 제안할 수 있는, 인공지능 기반 MBR 막 수명 진단방법, 막 교체 시기 파악을 위한 예측유지관리방법 및 시스템을 제공하는데 그 목적이 있다.
본 발명의 실시예에 따르면, 102kWh의 펌핑 에너지를 절약하였으며 화학 세정제 사용 비용을 3.55% 저감할 수 있고, functional machine learning과 인공지능(AI) 기반 functional profile monitoring 기술을 활용하여 다양한 종류의 유입수 오염물질의 농도에 따른 막 오염에 의한 막 교체에도 전략 수립이 가능하여 사업화 가능성이 매우 높고, 환경/화학/반도체 폐수/배기 산업체 공정에 확장 가능하며 국내외 화학 및 수처리 기업 등과 사업화 가능한, 인공지능 기반 MBR 막 수명 진단방법, 막 교체 시기 파악을 위한 예측유지관리방법 및 시스템을 제공하는데 그 목적이 있다.
한편, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 제1목적은 MBR 막의 수명을 진단하기 위한 방법으로서, 막 수명 관련 기능적 매개변수들을 추출하는 단계; 상기 매개변수들을 해석하여 해석데이터를 생성하는 단계; 및 상기 해석데이터를 기반으로 막 수명을 추정하는 단계;를 포함하는 것을 특징으로 하는 인공지능 기반 MBR 막 수명 진단방법으로서 달성될 수 있다.
그리고 상기 기능적 매개변수를 추출하는 단계는, 막간차압, 화학세정제 사용량 정보로부터 막 수명 관련 생물학적, 화학적, 물리적 정보를 추출하여 상기 기능적 매개변수를 설정하는 것을 특징으로 할 수 있다.
또한 상기 해석데이터를 생성하는 단계는, 생물학적, 화학적, 물리적 기능적 매개 변수들을 functional machine learning(FML)을 활용해 숨겨진 패턴과 추세 및 매개 변수들 사이의 관계를 해석하는 것을 특징으로 할 수 있다.
본 발명의 제2목적은 막 교체 시기 파악을 위한 예측유지관리방법으로서, 앞서 언급한 제 1목적에 따른 진단방법에 의해 막 수명을 진단하는 단계; 기능적 매개변수들을 모니터링하여 막교체 규칙(MRR, Membrane replacement rule)을 생성하는 단계; 및 상기 막교체 규칙에 따라 막 교체시기를 판단하는 단계;를 포함하는 것을 특징으로 하는 막 교체 시기 파악을 위한 예측 유지관리방법으로서 달성될 수 있다.
그리고 상기 생성하는 단계 전에, 인공지능(AI) functional profile monitoring(FPM) 모델을 생성하는 단계를 더 포함하고, 상기 생성하는 단계와 판단하는 단계는, 생성된 FPM 모델을 통해 막 수명 주요 영향 functional 매개 변수들을 막 교체 규칙(MRR, Membrane replacement rule)에 따라 막 교체 시기를 제안하는 것을 특징으로 할 수 있다.
본 발명의 제3목적은 MBR 막의 수명을 진단하기 위한 시스템으로서, 막 수명 관련 기능적 매개변수들을 추출하는 매개변수 설정부; 상기 매개변수들을 해석하여 해석데이터를 생성하는 매개변수 해석부; 및 상기 해석데이터를 기반으로 막 수명을 추정하는 막수명추정부;를 포함하는 것을 특징으로 하는 인공지능 기반 MBR 막 수명 진단시스템으로서 달성될 수 있다.
그리고 막간차압, 화학세정제 사용량 정보를 파악하는 정보추출부;더 포함하고, 상기 매개변수 설정부는 상기 정보를 기반으로 막 수명 관련 생물학적, 화학적, 물리적 정보를 추출하여 상기 기능적 매개변수를 설정하는 것을 특징으로 할 수 있다.
또한 상기 매개변수 해석부는, 생물학적, 화학적, 물리적 기능적 매개 변수들을 functional machine learning(FML)을 활용해 숨겨진 패턴과 추세 및 매개 변수들 사이의 관계를 해석하는 것을 특징으로 할 수 있다.
본 발명의 제4목적은 막 교체 시기 파악을 위한 예측유지관리시스템으로서, 앞서 언급한 제3목적에 따른 막 수명 진단시스템; 기능적 매개변수들을 모니터링하여 막교체 규칙(MRR, Membrane replacement rule)을 생성하는 막교체 규칙 생성부; 및 상기 막교체 규칙에 따라 막 교체시기를 판단하는 막교체시기 파악부;를 포함하는 것을 특징으로 막 교체 시기 파악을 위한 예측 유지관리시스템으로서 달성될 수 있다.
그리고 상기 생성하는 단계 전에, 인공지능(AI) functional profile monitoring(FPM) 모델을 생성하는 모니터링 모델생성부;를 더 포함하고, 상기 막교체 규칙생성부는 생성된 FPM 모델을 통해 막 수명 주요 영향 functional 매개 변수들을 막 교체 규칙을 생성하고, 상기 막교체시기 파악부는 막 교체 규칙에 따라 막 교체 시기를 제안하는 것을 특징으로 할 수 있다.
본 발명의 실시예에 따르면, MBR(Membrane Bio-Reactor) 하수처리장에 유입되는 오염물질에 의한 막 수명을 진단하고 적절한 막 교체 시기를 조기에 인지하여 제안할 수 있도록 functional machine learning 및 인공지능(AI) 기반 functional profile monitoring을 활용한 예측 유지관리 시스템을 제공할 수 있다.
본 발명의 실시예에 따르면, 생물-화학-물리적 functional 매개 변수를 사용하는 functional machine learning을 통한 막 수명 추정 방법과 인공지능 기반 functional profile monitoring을 활용하여 적절한 막 교체 시기 파악을 위한 예측 유지관리 시스템을 제공할 수 있다.
그리고 본 발명의 실시예에 따른 인공지능 기반 MBR 막 수명 진단방법, 막 교체 시기 파악을 위한 예측유지관리방법 및 시스템에 따르면, 세부 기술 원리로는 분리막의 막간차압 및 화학 세정제 사용량 정보로부터 막 수명 관련 생물학적, 화학적, 물리적 정보를 추출하여 functional 매개 변수들을 설정하고, 이를 바탕으로 functional machine learning을 활용하여 functional 매개 변수들에 숨겨진 패턴과 추세 및 매개 변수들 사이의 관계를 해석하여 막 수명을 추정하며, 이에 functional profile monitoring을 활용해 막 수명에 큰 영향을 미치는 functional 매개 변수들을 모니터링하여 막 교체 규칙(MRR, Membrane replacement rule)에 따라 막 교체 시기를 제안할 수 있는 효과를 갖는다.
본 발명의 실시예에 따른 인공지능 기반 MBR 막 수명 진단방법, 막 교체 시기 파악을 위한 예측유지관리방법 및 시스템에 따르면, 102kWh의 펌핑 에너지를 절약하였으며 화학 세정제 사용 비용을 3.55% 저감할 수 있고, functional machine learning과 인공지능(AI) 기반 functional profile monitoring 기술을 활용하여 다양한 종류의 유입수 오염물질의 농도에 따른 막 오염에 의한 막 교체에도 전략 수립이 가능하여 사업화 가능성이 매우 높고, 환경/화학/반도체 폐수/배기 산업체 공정에 확장 가능하며 국내외 화학 및 수처리 기업 등과 사업화 가능한 장점이 있다.
한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술적 사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석 되어서는 아니 된다.
도 1은 본 발명의 실시예에 따른 인공지능 기반 MBR 막 교체 시기 파악을 위한 예측유지관리시스템의 블록도,
도 2는 MBR 플랜트에서 멤브레인의 운전 조건에 따른 멤브레인 교체의 중요성을 나타낸 도면,
도 3은 풀스케일 MBR 플랜트에서 막 교체 시기를 결정하기 위한 예측 유지보수 시스템의 제안 프레임워크: (a)에서 (d)는 제안된 프레임워크의 절차,
도 4는 MBR 플랜트 운영 중 생물학적, 화학적, 물리적 현상의 관계,
도 5는 MBR에서 작동 기간 동안 각 막 파울링(오염)으로서: (a) 완전한 차단, (b) 중간 차단, (c) 케이크 여과 및 (d) 표준 차단,
도 6은 막 노화 진단을 위한 MBR 공정의 생물학적-물리-화학적 기능 매개변수 추출,
도 7은 2013년부터 2018년까지의 구성, 막 반응기의 TMP 및 유입수 농도를 포함한 본격적인 MBR 플랜트의 정보,
도 8a 내지 도 8c는 TMP, NaOCl 투여량 및 막 A의 오염 메커니즘에서 기능 매개변수 추출: (a) 물리적, (b) 화학적, (c) 생물학적 기능 매개변수,
도 9a 및 도 9b는 멤브레인 수명과 관련된 기능 매개변수의 관계: (a) 기능 매개변수의 부하 플롯과 해당 관계의 요약 표 및 (b) 각 단계(Phase)의 기능 점수 플롯,
도 10은 MRR의 기준에 따라 유형을 감지하여 물리적 기능 매개변수 TMPi에 대한 FPM의 결과,
도 11은 MRR의 단계에 따라 생물학적-화학적-물리적 기능 매개변수를 사용하여 FPM에 의한 막 교체 시간 결정,
도 12는 유지관리시스템별 멤브레인 교체 시기 제안 비교를 도시한 것이다.
도 1은 본 발명의 실시예에 따른 인공지능 기반 MBR 막 교체 시기 파악을 위한 예측유지관리시스템의 블록도,
도 2는 MBR 플랜트에서 멤브레인의 운전 조건에 따른 멤브레인 교체의 중요성을 나타낸 도면,
도 3은 풀스케일 MBR 플랜트에서 막 교체 시기를 결정하기 위한 예측 유지보수 시스템의 제안 프레임워크: (a)에서 (d)는 제안된 프레임워크의 절차,
도 4는 MBR 플랜트 운영 중 생물학적, 화학적, 물리적 현상의 관계,
도 5는 MBR에서 작동 기간 동안 각 막 파울링(오염)으로서: (a) 완전한 차단, (b) 중간 차단, (c) 케이크 여과 및 (d) 표준 차단,
도 6은 막 노화 진단을 위한 MBR 공정의 생물학적-물리-화학적 기능 매개변수 추출,
도 7은 2013년부터 2018년까지의 구성, 막 반응기의 TMP 및 유입수 농도를 포함한 본격적인 MBR 플랜트의 정보,
도 8a 내지 도 8c는 TMP, NaOCl 투여량 및 막 A의 오염 메커니즘에서 기능 매개변수 추출: (a) 물리적, (b) 화학적, (c) 생물학적 기능 매개변수,
도 9a 및 도 9b는 멤브레인 수명과 관련된 기능 매개변수의 관계: (a) 기능 매개변수의 부하 플롯과 해당 관계의 요약 표 및 (b) 각 단계(Phase)의 기능 점수 플롯,
도 10은 MRR의 기준에 따라 유형을 감지하여 물리적 기능 매개변수 TMPi에 대한 FPM의 결과,
도 11은 MRR의 단계에 따라 생물학적-화학적-물리적 기능 매개변수를 사용하여 FPM에 의한 막 교체 시간 결정,
도 12는 유지관리시스템별 멤브레인 교체 시기 제안 비교를 도시한 것이다.
이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 통상의 기술자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.
본 명세서에서, 어떤 구성요소가 다른 구성요소 상에 있다고 언급되는 경우에 그것은 다른 구성요소 상에 직접 형성될 수 있거나 또는 그들 사이에 제 3의 구성요소가 개재될 수도 있다는 것을 의미한다. 또한 도면들에 있어서, 구성요소들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다.
본 명세서에서 기술하는 실시예들은 본 발명의 이상적인 예시도인 단면도 및/또는 평면도들을 참고하여 설명될 것이다. 도면들에 있어서, 막 및 영역들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다. 따라서 제조 기술 및/또는 허용 오차 등에 의해 예시도의 형태가 변형될 수 있다. 따라서 본 발명의 실시예들은 도시된 특정 형태로 제한되는 것이 아니라 제조 공정에 따라 생성되는 형태의 변화도 포함하는 것이다. 예를 들면, 직각으로 도시된 영역은 라운드지거나 소정 곡률을 가지는 형태일 수 있다. 따라서 도면에서 예시된 영역들은 속성을 가지며, 도면에서 예시된 영역들의 모양은 소자의 영역의 특정 형태를 예시하기 위한 것이며 발명의 범주를 제한하기 위한 것이 아니다. 본 명세서의 다양한 실시예들에서 제1, 제2 등의 용어가 다양한 구성요소들을 기술하기 위해서 사용되었지만, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 여기에 설명되고 예시되는 실시예들은 그것의 상보적인 실시예들도 포함한다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다(comprises)' 및/또는 '포함하는(comprising)'은 언급된 구성요소는 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
아래의 특정 실시예들을 기술하는데 있어서, 여러 가지의 특정적인 내용들은 발명을 더 구체적으로 설명하고 이해를 돕기 위해 작성되었다. 하지만 본 발명을 이해할 수 있을 정도로 이 분야의 지식을 갖고 있는 독자는 이러한 여러 가지의 특정적인 내용들이 없어도 사용될 수 있다는 것을 인지할 수 있다. 어떤 경우에는, 발명을 기술하는 데 있어서 흔히 알려졌으면서 발명과 크게 관련 없는 부분들은 본 발명을 설명하는데 있어 별 이유 없이 혼돈이 오는 것을 막기 위해 기술하지 않음을 미리 언급해 둔다.
본 발명의 실시예에서는 멤브레인 교체 시기를 결정하기 위한 FPM 기반 예측 유지관리 시스템을 제안한다. 예측유지관리시스템은 MBR공장의 막교체시기를 파악하여 효율적이고 경제적인 막운영에 활용할 수 있다. FPM에 사용된 생물학적-화학적-물리적 기능적 매개변수는 TMP와 NaOCl의 용량에서 추출되었다. 추출된 기능적 매개변수의 숨겨진 패턴과 경향을 기반으로 막 노화를 진단했다. FML은 멤브레인의 수명을 단축시키는 멤브레인 오염 진행과 관련된 기능적 매개변수 간의 관계를 해석하여 멤브레인 수명을 추정했다. 제안된 예측 유지 보수 시스템은 멤브레인 교체 시기를 제안하여 운영자가 멤브레인을 효율적이고 경제적으로 유지하는 데 도움이 될 수 있다.
본 발명의 실시예에 따른 예측유지관리시스템은 본격적인 MBR 플랜트에 적용하였으며, 수동정비시스템과 무능정비시스템의 성능을 비교하였다. 본 발명의 중요성과 기여도를 요약하면 다음과 같다.
- 생물학적, 화학적, 물리적 요인에 의해 영향을 받는 막 노화를 진단하기 위해 TMP의 생물학적-화학적-물리적 기능 매개변수와 NaOCl의 용량을 사용했다. 또한, 멤브레인 수명과 관련하여 영향력 있는 기능 매개변수는 멤브레인 교체 시간을 모니터링하는 데 활용되었다. 특히, 이러한 기능적 매개변수는 이전 멤브레인 유지 관리 시스템에서 고려되지 않았다. 제안된 예측 유지 보수 시스템은 효율적이고 경제적인 막 운영을 위해 막 상태를 식별하고 막 교체 시기를 제안한다.
-도 2와 같이 막의 노화에 따라 막 작동 기능이 저하된다. 오염 제거 효율과 투과성은 점차 감소하여 멤브레인 수명이 끝날 때 가장 낮은 값에 도달했다. 이는 MBR 플랜트의 목표와 관련된 막 운영의 중요한 요소로서 폐수의 배출 제한을 충족하고 비정상적인 교란을 방지하며 운영 비용을 최소화한다. 따라서 MBR의 효율적이고 경제적인 운영을 위해서는 멤브레인 교체 시기를 결정하는 것이 중요하다. 본 발명의 실시예에서는 FPM 기반 예측 유지보수 시스템이 막 작동 중 영향을 미치는 기능 매개변수를 모니터링하여 막 교체 시기를 제안한다.
본 발명의 실시예에서 제안된 프레임워크는 도 3에 그래프로 표시되어 있다. 도 3(a)에 표시된 첫 번째 단계는 TMP의 숨겨진 패턴과 멤브레인 오염과 관련된 NaOCl의 용량을 해석하는 기능 매개변수의 추출이다. TMP, NaOCl 투여량 및 막 오염은 각각 MBR 과정과 관련된 생물학적, 화학적 및 물리적 요인이다. 추출된 생물학적-화학적-물리적 기능 파라미터는 막 오염 및 막 작동의 진행 상황을 나타내며 막 노화를 진단하는 데 활용된다. 또한 기능 매개변수는 도 3(b)와 같이 막 수명을 추정하기 위해 FML에 대한 입력 매개변수로 사용된다. 멤브레인 교체의 적절한 시기를 결정하기 위해 멤브레인 수명을 추정했습니다. FML은 멤브레인 수명의 주요 요소인 복구 불가능한 오염의 기능적 매개변수 간의 관계를 반영하여 멤브레인 수명을 추정한다. 도 3(c)는 FPM 기반 예측 유지보수 시스템이 효율적인 운영을 위해 멤브레인을 교체할 적절한 시기를 예측할 수 있음을 나타낸다. 예측 유지보수 시스템은 영향력 있는 기능 매개변수를 모니터링하여 멤브레인 교체 시기를 제안한다. 기능 매개변수의 관리도를 이용하여 MRR(Membrane Replacement Rule)의 종류를 파악하고, 이를 바탕으로 막 교체 시기를 결정하였다. 도 3(d)의 마지막 단계는 수동 유지 관리 및 무능한 유지 관리 시스템과 비교하여 생물학적, 화학적 및 생물학적 관점에서 FPM 기반 유지 관리 시스템의 성능 평가이다.
TMP에서 추출한 기능 매개변수와 MBR 공장의 화학 시약(NaOCl) 용량을 사용하여 막 노화를 진단했다. TMP와 NaOCl 투여량은 목표 MBR 공장에서 6년 동안 매일 측정되었다. TMP는 막 오염으로 인해 발생하고 막 기공이 막히는 막 내부와 외부 사이의 압력 변화에 대한 물리적 정보를 포함한다. TMP의 변동 경향은 막 오염 진행과 같은 생물학적 정보를 나타내며 이는 주로 유기 및 생물학적 요인에 의해 발생한다. 오염 메커니즘 모델의 계수는 각 메커니즘의 막 오염 진행을 포함한 생물학적 정보를 나타낸다. 막 오염은 막 작동에 대한 오염 상태에 따라 완전 차단, 중간 차단, 케이크 여과 및 표준 차단 오염의 네 가지 메커니즘으로 나눌 수 있다. 또한, 생물학적 오염에 대한 화학 반응은 사용된 NaOCl의 양에 영향을 받기 때문에 Fouling 제거를 위한 NaOCl 용량은 멤브레인 작동 중 화학 정보를 나타낸다. 생물학적, 화학적, 물리적 현상 사이의 관계는 도 4에 나와 있다. 작동 시간에 따라 막 오염이 형성되고 축적되어 생물학적 필름이 생성된다. TMP는 막 오염이 막 기공을 막음에 따라 기하급수적으로 증가하며, 이는 막 노화로 정의된다. NAOCl 투여를 통한 화학적 세척은 멤브레인 오염을 제거하기 위해 수행되었다. 그런 다음 불용성 생물 오염 물질은 화학 반응에 의해 가용성 오염 물질로 전환되었다. 따라서 TMP는 화학적 세척을 통해 멤브레인 오염을 제거함에 따라 감소했다. 오염의 생물학적 형성, TMP 변화의 물리적 현상 및 화학적 세척 사이의 이러한 관계는 작동 기간 동안 지속적으로 발생한다.
완전 차단(blocking)에서 표준 차단으로의 막 오염의 진행 상황은 도 5에 나와 있다. 각 오염 계수는 MBR 플랜트 운영 중 상대적 우세를 비교하기 위해 최소-최대 정규화 방법으로 정규화되었다. 완전한 파울링 차단은 낮은 TMP에서 막에서 처음에 우세하게 발생했다. 파울링 진행과 함께 완전한 파울링 차단으로 중간 파울링이 형성되어 TMP가 증가하였다. 완전 및 중간 차단은 화학적 세척으로 쉽게 제거되기 때문에 초기에 우세했다. 그러나 점차적으로 발생하는 케이크 여과 및 표준 차단의 오염 상태는 화학적 세척으로 제거할 수 없는 회복 불가능한 오염이 되었다. 따라서 TMP는 더 이상 화학적 세척으로 회수할 수 없으며 지속적으로 증가하여 멤브레인 노화를 나타낸다. 긴 작동 시간으로 인해 전체 및 중간 차단 오염이 케이크 여과 및 표준 차단 오염으로 바뀌었다. 이것은 작동 시간에 따른 오염 계수의 다양한 우세가 멤브레인 노화에 영향을 미친다는 것을 의미한다. 따라서 이러한 계수를 생물학적 기능 매개변수로 활용하면 막 노화 진단을 용이하게 할 수 있다. 생물학적, 화학적, 물리적 매개변수에 관한 정보는 NaOCl 용량과 TMP를 사용하여 얻을 수 있었다.
본 발명의 실시예에서는 TMP 및 NaOCl 용량의 숨겨진 패턴을 해석하여 막 노화를 추정하기 위해 12개의 생물학적, 화학적 및 물리적 기능 매개변수를 추출했다. 도 6은 추출된 기능 매개변수의 정의를 보여준다. 5가지 물리적 기능 매개변수는 TMPi, TMPf, Pirc, Srec 및 Sirc로 각각 초기 및 최종 TMP, 회복 불가능한 파울링 압력, 회복 및 회복 불가능한 파울링 발생률의 기울기를 나타낸다. 3개의 화학적 기능적 매개변수는 NaOCl의 용량, NaOCl의 용량에 따른 TMP의 변화율 및 주기의 길이에 각각 해당하는 NaOCldose, RCTMP 및 Tcycle이다. 포함된 4개의 생물학적 매개변수는 Kb, Ki, Kc 및 Ks로 각각 완전 차단, 중간 차단, 케이크 여과 및 표준 차단의 오염 계수를 나타낸다.
각 사이클의 초기 TMP(TMPi)는 멤브레인 수명 단축의 주요 원인인 회복 불가능한 오염의 양을 나타낸다. 마지막 TMP(TMPf)는 각 주기가 끝날 때 화학적 세척을 수행할 때 축적된 회복 가능한 오염과 회복 불가능한 오염의 양을 의미한다. 주기는 화학세척 기간 사이의 작동 표시이다. 회복불가 파울링압력(irrecoverable fouling pressure, Pirc)은 화학세정에도 이전 주기와 비교하여 회복 불가능한 파울링이 누적된 정도를 나타내는 지표로 다음 주기의 TMPi와 이전 주기의 TMPi의 차이로 계산한다. 회수 가능한 파울링의 기울기(Srec)는 파울링 축적률을 도출하기 위한 사이클에서 TMP의 선형 회귀를 사용하여 계산된다. 회복 불가능한 파울링의 기울기(Sirc)는 2개의 연속 주기에서 TMPi의 선형 회귀를 사용하여 계산되었다. 회복 불가능한 파울링 축적률은 Sirc에서 파생된다.
NaOCl(NaOCldose)의 용량은 화학 세정에 사용되는 NaOCl의 양이다. 회복할 수 없는 오염의 양은 이 기능적 매개변수에 의해 표시되었으며, 여기서 고도로 축적된 오염에는 더 높은 NaOCl 용량이 필요했다. NaOCl 투여량에 따른 TMP 변화율(RCTMP)은 화학적 세정 전후의 TMP 차이를 NaOCl 투여량으로 나누어 계산하였다. NaOCl의 투여량에 따른 TMP의 변화율은 화학적 세척에 의한 비가역적 오염 제거율을 나타낸다. 막 노화는 화학적 세척에도 불구하고 남아 있는 회복 불가능한 오염량으로 나타낼 수 있습니다. Tcycle은 화학적 세척과 후속 화학적 세척 사이의 주기의 시간 길이다. 회복 불가능한 파울링의 양은 Tcycle에 의해 역으로 표시되었으며, 회복 불가능한 파울링이 높은 TMP를 야기할 때 화학적 세척을 더 자주 수행했다. 따라서 Tcycle이 감소했다.
기능 매개변수 Kb, Ki, Kc 및 Ks는 각각 완전 차단, 중간 차단, 케이크 여과 및 표준 차단 파울링(오염) 메커니즘 모델의 파울링(오염) 계수이다. 오염 계수는 다음과 같이 멤브레인(막) 오염에 대한 결합된 기계 모델 방정식을 사용하여 계산되었다.
[수학식 1]
여기서 P는 시간 t에서의 TMP 값, Po는 작동 시간 0(kPa)에서의 TMPi, J0은 초기 자속(LMH), t는 작동 시간(s), a는 초기에 맞추기 위한 절편 매개변수 막 오염의 값이며, Kb(S-1), Ki(m-1), Kc(s/m2) 및 Ks(m-1)는 완전 차단, 중간 차단, 케이크 여과 및 표준 차단 모델의 적합 매개변수에서 얻은 오염 계수이다. 이들은 오염 진행 및 막 상태를 설명하는 데 도움이 되는 생물학적 매개변수이다. 도 5와 같이 막오염의 진행에 따라 오염계수의 우세도가 점차 달라진다. 이러한 기능적 매개변수를 생물학적-화학적-물리적 정보, 관계 및 숨겨진 패턴과 함께 사용하여 막 노화를 진단했다.
멤브레인 수명은 이전 연구에서 머신 러닝 기술에 의해 TMP만을 사용하여 추정되었다. 차원 축소를 위한 비지도 머신 러닝(Unsupervised machine learning)을 사용하여 숨겨진 TMP 패턴을 풀고 오염 축적과 같은 주요 정보를 추출했다. 멤브레인 수명은 TMP로 표시되는 멤브레인 오염에 의해 크게 영향을 받기 때문에 TMP 관련 매개변수를 사용하여 이를 해석하여 멤브레인 수명을 추정했다. 또한 빈번한 화학물질 노출은 막 수명을 감소시키기 때문에 화학물질과 화학세정 주기와의 관계를 계산하여 화학적 매개변수를 사용하여 막 수명을 추정하였다. 물리적 및 화학적 매개변수를 사용한 정확한 멤브레인 수명 추정에도 불구하고 멤브레인 상태를 정확하게 반영하지 못할 수 있다. 따라서 멤브레인 수명에 크게 영향을 미치는 오염 진행을 해석하는 것이 좋다.
본 발명의 실시예에서 FML(Functional machine learning)은 생물학적-화학적-물리적 기능 매개변수를 사용하여 막 수명을 추정하는 데 활용되었다. 매개변수는 TMP 및 NaOCl 용량에서 추출되었다. TMP와 NaOCl의 용량에서 얻은 상당히 높은 차원 데이터는 멤브레인 수명에 관한 대부분의 정보를 캡처하여 몇 가지 기능 매개변수로 줄일 수 있었다. 데이터 차원 축소를 통해 12개의 기능 매개변수에는 멤브레인 수명을 추정하기 위한 통합 정보가 포함된다. 막 상태 및 노화 진단은 기능적 매개변수 해석을 통해 촉진된다. 따라서 FML은 기능 매개변수 간의 관계를 반영하여 고급 멤브레인 수명 추정에 사용되었다.
FML은 멤브레인 수명을 추정하기 위해 생물학적, 화학적 및 물리적 기능 매개변수를 사용하는 비지도 머신러닝(ML) 기술의 확장된 기술이다. 고차원 데이터 공간에서 의미 있는 해석을 위한 정보 데이터를 결정하고 활용하는 것은 어렵다. FML은 TMP 및 NaOCl의 기능적 매개변수를 해석하여 막 수명을 추정하는 어려움을 잠재 변수라고도 하는 몇 가지 주요 구성 요소(PCs)로 압축함으로써 극복한다. PCs는 멤브레인 수명을 단축시키는 회복 불가능한 오염 진행을 나타낸다. PCs의 수는 캡처된 분산 방법에 의해 선택되며 캡처된 분산의 백분율은 전체 분산의 최소 70%로 미리 설정된다. 데이터 행렬 X는 벡터 ti pi와 잔차 행렬 E의 외적 합으로 분해되었다.
[수학식 2]
여기서 ti는 샘플 정보를 포함하는 기능적 점수 벡터, pi는 변수의 관계 정보를 포함하는 로딩 벡터, p는 독립 변수의 개수이다.
FML은 기능 매개변수 전반에 걸쳐 멤브레인 수명과 관련하여 중요한 PC를 추출했다. PC의 수는 70%의 누적 설명 분산을 기반으로 유지되었으며, 이는 캡처된 분산 방법에 따라 본 연구에서 미리 설정되었다.
캡처된 분산 방법은 충족해야 하는 분산 백분율을 미리 정의하여 선택한 PC의 수를 결정한다. 그런 다음 가장 중요한 PC를 선택하고 누적 설명 분산의 70% 이상으로 누적 보고하여 멤브레인 수명과 관련하여 PC의 정보를 최대한 보존한다. 정보의 손실을 최소화하면서 멤브레인 수명을 추정하기 위한 정보의 해석 가능성을 높이려면 PC를 선택하는 것이 중요하다. 그런 다음 기능 점수를 사용하여 각 기능 매개 변수의 영향을 결정하기 위해 PC에 대한 기능 부하 및 점수를 계산했으며, 여기서 기능 매개 변수 간의 관계는 막 노화 경향을 반영하여 진단되었다. 막 수명의 손쉬운 진단을 위해 기능 부하 및 점수를 시각화했습니다. 멤브레인 수명은 멤브레인 작동 시간 동안 기능 매개변수에 의해 영향을 받는 회복 불가능한 오염 진행 경향을 해석하여 추정되었다.
본 발명의 실시예에서는 적절한 멤브레인 교체 시기를 제안하기 위해 FPM(fuctional profile monitoring) 기반 예측 유지 보수 시스템이 제안된다. FPM은 영향력 있는 생물학적, 화학적 및 물리적 기능 매개변수를 고려하여 막 교체 시간을 결정했다. FPM은 MBR 운영자가 TMP 모니터링을 통해서만 멤브레인 교체 시간을 수동으로 결정하는 적절한 멤브레인 교체 시기를 결정하는 데 사용할 수 있다. 영향력 있는 기능 매개변수는 FML을 사용하여 멤브레인 수명과의 관계를 해석하여 선택했다. 일반적으로 교체가 필요한 멤브레인 수명의 끝은 회복 불가능한 오염이 대량으로 발생하여 멤브레인 작동을 최악으로 악화시킬 때 발생한다. 오염 진행 지표로 사용될 수 있는 물리적 매개변수 TMP에도 불구하고 멤브레인 교체 시기를 결정하기 위한 화학적 및 생물학적 정보가 부족하다. 따라서, 적절한 막 교체 시간을 결정하기 위해 막 수명과 관련하여 상대적으로 높은 정보를 제공하는 선택된 생물학적-화학적-물리적 기능 매개변수를 모니터링했다.
FPM은 멤브레인 수명을 모니터링하기 위해 중심선과 상한 및 하한 제어 한계가 있는 기능 매개변수의 시계열 그래프를 제공했다. FPM 관리 차트는 기능 매개변수의 프로파일 패턴에서 멤브레인 수명에 이르기까지 멤브레인 교체를 위한 최적의 시기를 효율적으로 감지하는 것을 목표로 했다. 각 주기의 기능 패턴을 모니터링했으며, 여기서 주기는 화학 물질 세척 사이의 시간이었다. 본 발명의 실시예에서 제안한 MRR(Membrane Replacement Rule, 막교체규칙)에 따라 적절한 막 교체 시기를 예측하였다. 따라서 대상 MBR 플랜트의 TMP 및 NaOCl 용량에 멤브레인의 예측 유지 관리가 적용되었다. 막 교체를 위한 예측 유지 보수는 MRR에 따라 수행되었다.
MRR은 FPM 관리 차트를 해석하고 멤브레인 교체 시기를 감지하기 위해 제안되었다. 일반적으로 관리도를 모니터링하여 공정 이상을 판별하는 몇 가지 규칙이 있다. 예를 들어 관리도가 특정 한계선을 넘어 증가 또는 감소 추세를 나타내는 경우 공정 이상 징후로 간주된다. WER(Western Electric Rules)은 다음과 같은 결정 규칙으로 관리 이탈 상태를 감지하는 데 널리 사용된다. 1) 관리 상한(UCL) 또는 관리 하한(LCL)보다 1 포인트 위, 2) 2 포인트 위 또는 중심선(CL)으로부터 표준편차의 ±2배 이하, 3) CL로부터 ±1배 표준편차 위/아래 4개 점 중 3개, 4) CL 위/아래 연속 8개 점.
본 발명의 실시예에서는 WER의 특정 규칙에 따라 막 교체 시기를 결정하기 위해 막 상태 및 수명에 관한 결정 규칙을 제안합니다. 결정 규칙은 표 1에 나열되어 있다.
[표 1] 관리차트에 다른 값이 표시된 막 교체 규칙.
MRR은 멤브레인 작동 중 기능 매개변수 제어 차트에서 서로 다른 현상을 감지하여 정의된 4가지 다른 유형의 규칙으로 구성된다. Type 1은 양수 또는 음수 1개의 표준편차를 넘어서는 5개의 연속적인 값으로 정의하였고, 동시에 2개 이상의 관리도에서 Type 1이 검출되었을 때 멤브레인을 확인하는 것을 제안하였다. 3개의 연속된 값 중 2개가 2개의 양수 및 2개의 표준편차 이상으로 표시되면 주로 막 오염으로 인한 막 이상에 대한 조기 경고를 나타내는 유형 2로 명명되며, 유형 1과 2가 둘 이상의 관리도에서 감지되는 경우 동시에, 유형 3과 4는 8개의 증가 또는 감소된 값을 연속적으로 표시하고 각각 3개의 양수 및 3개의 표준 편차를 넘어서는 하나의 값을 표시하여 지정한다. 이것은 적어도 두 개의 관리도에서 Type 3가 동시에 검출될 때 회복 불가능한 오염의 형성으로 인한 급격한 막 노화에 대한 긴급 경고를 나타낸다. 유형 3 또는 유형 4가 2개 이상의 관리도에 동시에 기재되어 있는 경우에는 막의 작동에 확실한 오작동이나 이상을 나타내는 것이기 때문에 막 교체를 제안한다.
FPM은 추출된 매개변수와 멤브레인 수명 간의 기능적 관계를 사용하여 멤브레인 교체 시간을 결정하기 위해 멤브레인 수명을 모니터링한다. 프로파일은 일반적으로 반응 변수와 공정 품질을 특징짓는 설명 변수 간의 관계로 알려져 있다. 이 연구에서 프로파일은 추출된 기능 매개변수와 각 사이클에 표시된 멤브레인 수명 간의 기능적 관계로 정의할 수 있다. 각 프로파일에 대해 기능 매개변수의 측정 값은 멤브레인 노화를 나타내는 해당 값으로 샘플링되었다. 지수 가중 이동 평균(EWMA)은 막 공정에서 작거나 중간 정도의 운영 변화를 감지하기 위한 FPM의 모니터링 기술로 사용되었다. FPM은 최근 관찰에 더 많은 가중치를 부여하고 망각 요인과 기하학적 이동 평균을 곱하여 최근 관찰 및 과거 행동을 설명한다. 관리도에는 중심선과 관리 한계가 포함된다. CL, UCL 및 LCL. FPM 방정식은 다음과 같다.
[수학식 3]
[수학식 4]
여기서 Zi는 시간 i에서 측정된 데이터의 EWMA, Xi는 현재 정보, Zi-1은 과거 정보, μ0은 측정값의 평균, σ는 측정값의 표준편차, λ는 0과 1 사이의 일정한 값이다. 본 발명의 실시예에서는 이 값이 멤브레인의 작동 변화를 빠르게 감지하는 데 도움이 되었기 때문에 EWMA의 가중치 상수 값으로 0.35를 선택했다.
유지관리시스템의 성능을 비교하여 제안된 예측 유지보관시스템을 평가하기 위해 세 가지 멤브레인 유지관리시스템이 도입되었다. 멤브레인 유지 관리 시스템은 다음과 같다.
(1) 수동 유지관리시스템: 풀스케일 MBR 공장에서 활용되는 기본 멤브레인 유지관리시스템이다. 수동 유지관리시스템에서 MBR 운영자는 멤브레인 교체 시기를 결정한다.
(2) FPM 기반 예측 유지관리시스템: 이 제안된 유지관리시스템은 멤브레인 수명과 관련하여 선택된 영향력 있는 생물학적-화학적-물리적 기능 매개변수를 모니터링한다. FPM에 MRR을 적용하여 적절한 멤브레인 교체 시기를 결정한다.
(3) Incompetent 유지관리시스템: 부적절한 멤브레인 교체 시기를 제안하는 실패한 유지관지시스템이다. 멤브레인은 기한이 지난 교체로 인해 수명을 초과하여 과도하게 사용된다.
Incompetent 유지관리시스템에 대한 TMP는 수동 유지관리시스템을 포함하여 이전 4주기의 오염 계수를 사용하여 결합 기계 모델 방정식(수학힉 1)을 사용하여 계산되었다. 유지관리시스템의 성능을 생물학적, 화학적, 물리적 관점에서 비교했다.
파울링 진행 및 막 파울링 제거를 위한 NaOCl 투여량과 같은 각 막 유지관리시스템의 생물학적, 화학적 관점은 성능 평가의 투과성 및 물리적 관점과 밀접한 관련이 있다. 파울링 양이 점차 증가함에 따라 막 투과도는 감소하였고, NaOCl을 주입하여 파울링을 제거하여 투과성을 회복시켰다. 그러나, 긴 작동 시간에 의해 막에 형성된 점성 생물학적 오염은 화학적 세정으로 회복될 수 없고, 투과성은 거의 회복되지 않는다. 이 복구할 수 없는 오염은 멤브레인 노화를 가속화하여 멤브레인 수명을 단축시킨다. 따라서 각 유지관리시스템에서 제시하는 막교체시기의 적정성은 막운영의 생물학적, 화학적, 물리적 관점에서 분석할 수 있었다.
이하에서는 본 발명의 실험예와 그에 따른 결과에 대해 설명하도록 한다.
본 발명의 실험예는 한국 M-city에 위치한 풀스케일 MBR 공장에서 수행되었다. MBR 플랜트는 도 7과 같이 혐기성, 안정화, 무산소 및 호기성 막 반응기의 네 가지 구성으로 구성된다. 본 발명의 실험예에 사용된 막의 총 가동 기간은 2013년부터 2018년까지 지속되었다. 막 오염을 제거하기 위해 NaOCl을 투여했기 때문에 화학 세척으로 인해 막 오염이 감소했다. M-city MBR 공장의 멤브레인 운영 지침에 따라 3개월에 한 번 화학 세정을 수행해야 한다고 제안되었다. 화학적 세척은 2016년 4월 현장외 물리적 세척을 수행하기 전에 11회 수행되었다. 정기적인 화학세정에도 불구하고 TMP가 지속적으로 증가하여 Ex-situ 물리적 세정을 실시하였다. Ex situ 물리적 세척 후 멤브레인 교체까지 더 짧은 시간 내에 빈번한 화학적 세척을 수행했다. 화학세정은 1년에 15회 실시하였고 2017년 초에 회복불가능한 높은 TMP값으로 인해 멤브레인 교체를 진행하였다. 멤브레인 교체 후에도 TMP는 매우 낮은 상태를 유지하였고 약품세정시 적은 양의 NaOCl을 사용하여 잘 회복되었다. 유입부하 중 오염물질 농도는 2013년 말에 급격히 증가하여 2018년 말까지 큰 추세 없이 변동했다.
MBR 플랜트에서 TMP 및 NaOCl 용량의 6년 데이터 세트를 추출하여 막 노화와 관련된 생물학적-화학적-물리적 기능 매개변수로 추가로 추출했다. 측정된 TMP, NaOCl 용량 및 결합된 오염 메커니즘 모델에서 5개의 물리적 기능 매개변수, 3개의 화학적 기능 매개변수 및 4개의 생물학적 기능 매개변수를 추출했다. 기능 매개변수 추출은 각 주기의 데이터 차원을 12개의 기능 매개변수로 줄였으며, 여기서 주기는 각 화학 세척 사이의 시간을 나타낸다. 이는 추출된 기능 매개변수에서 숨겨진 패턴을 해석하여 막 노화를 보다 쉽게 진단할 수 있도록 한다.
도 8은 TMP, NaOCl 투여량 및 오염 메커니즘에서 추출한 기능 매개변수를 보여준다. 도 8(a)의 물리적 기능 파라미터에서 추출된 5개의 물리적 기능 파라미터는 TMPi, TMPf, Srec, Sirc 및 Pirc로 표시된다. 물리적 기능 파라미터 TMPi와 TMPf는 멤브레인의 작동 시간에 따라 지속적으로 증가하였고 측정된 TMP 데이터와 유사한 증가 경향을 보였다. 이러한 결과는 회복 가능한 오염(파울링)과 회복 불가능한 오염이 모두 발생했음을 나타낸다. 파울링의 양이 증가함에 따라 증가함과 함께, 도 8(b)와 같이 오염을 제거하기 위한 화학 세정에 대한 화학적 기능 매개변수 NaOCldose가 증가했다. NaOCldose의 증가에도 불구하고 RCTMP는 TMP의 높은 비율 변화에 비해 다소 변동했다. 화학적 세척은 복구할 수 없는 오염과 같은 특정 막 오염을 제거하는 데 효과적이지 않은 것으로 추론되었다.
도 8(c)에 나타난 생물학적 기능적 매개변수에서 오염계수의 생물학적 매개변수는 중간오염 Ki를 제외하고는 일정하였다 이는 phase I 말기에 급격히 증가하여 막 기공이 막혀 있고 막에 오염물이 축적되었음을 나타sos다. 또한, 회복 가능(Srec) 및 회복 불가능한 오염(Sirc) 비율은 phase I 종료 시 증가했다. 막 오염 비율을 사용하여 막 수명을 정량화할 수 있다. 멤브레인 노화가 진행되는 phase I의 끝에서 멤브레인에 대해 현장 외 물리적 세척을 수행했다. 따라서 TMPi와 TMPf의 크기는 도 8(a)와 같이 Phase II가 시작될 때 약간 감소한다. 생물학적 매개변수 Ki도 Phase I의 마지막에 ex-situ 물리적 세척을 수행한 후 즉시 감소했다.
회복 가능한 오염과 회복 불가능한 오염의 기울기를 나타내는 도 8(a)의 물리적 기능 매개변수 Srec와 Sirc는 단계 I에서 연속적이고 안정적이었다. 멤브레인은 작동 중에 소수성이 된다. 따라서 오염이 지속적으로 발생한다. 현장 외 물리적 청소가 수행되면 일부 오염 물질이 제거되었다. 그러나 노화된 멤브레인은 오염 진행을 가속화하고 멤브레인 수명을 단축시켰다. Pirc에서도 현장 외 물리적 세척을 했음에도 불구하고 회복 불가능한 오염물질이 지속적으로 축적되는 유사한 경향이 관찰되었다.
또한, 도 8(b)에서 급격히 감소하는 Tcycle 값과 높은 NaOCldose 값에서 볼 수 있듯이 ex situ 물리적 세척 후 높은 NaOCl 선량으로 빈번한 화학적 세척을 수행했다. phase Ⅱ에서 멤브레인을 화학적으로 14번 세척했지만 멤브레인 노화는 지속적으로 가속화되었다. phase II 말기에 Ki가 변동하고 Kc가 급격히 증가함에 따라 중간 차단의 발생이 반복되었다. 이는 화학적 세척으로 제거할 수 없었던 케이크 여과에 의한 회복 불가능한 오염의 증가를 나타내며, 따라서 멤브레인의 수명 종료를 나타낸다. 따라서 phase Ⅱ 말기에 MBR 플랜트의 담수 처리 성능을 보장하기 위해 멤브레인을 교체했다.
멤브레인 노화와 관련된 각 기능 매개변수의 관계 설명은 표 2에 요약되어 있다. 생물학적-화학적-물리적 기능 매개변수는 맴브레인 B와 C의 데이터 세트에서 추출되었다. 추출된 기능 파라미터는 멤브레인 A의 추출된 기능 매개변수와 마찬가지로 ex-situ 물리적 세척 및 멤브레인 교체를 통해 유사한 경향을 보였다.
[표 2] 막 노화에 관한 추출된 기능 매개변수의 요약
TMP 및 NaOCl 용량 데이터 세트에서 추출한 개별 기능 매개변수를 해석하여 막 노화를 진단할 수 있다. 하나의 매개변수만으로는 막 상태를 정확하게 진단하기 어려울 수 있으므로 기능적 매개변수 간의 관계를 활용하여 막 상태를 추가로 추정하였다. 따라서 본 발명의 실시예에서는 FML을 이용하여 멤브레인 수명을 추정하였다. FML은 추출된 매개변수 간의 관계를 반영하고 수명과 같은 멤브레인 특성을 추정하는 데 도움이 된다.
도 9는 FML을 사용하는 MBR 플랜트에서 기능 매개변수와 멤브레인 A의 예상 수명 간의 관계를 보여준다. 3대의 PC는 기능적 매개변수의 변동의 71.52%를 설명했다. 도 9에서 PC1은 39.93%로 가장 높은 변동을 보였고 PC2는 17.4%, PC3은 14.19%로 가장 낮은 변동을 보였다. 이 결과는 FML이 데이터 차원 축소에 적합한 기능을 가지고 있음을 나타낸다. 로딩 플롯은 오염 진행 및 수명을 반영하는 기능적 매개변수 간의 관계를 보여주었다. 도 9(a)의 Tcycle, RCTMP, Kb, Ki를 제외하고 대부분의 매개변수가 양의 PC1에 위치한다는 점은 주목할 만하다.
Tcycle 및 RCTMP는 멤브레인 수명에 따라 값이 감소하기 때문에 음의 PC1에 배치되었다. 오염물질 축적으로 멤브레인 수명이 단축되는 경우 오염물질을 제거하고 오염 진행을 방지하기 위해 화학물질 세척을 자주 실시하였다. 빈번한 화학 세척에도 불구하고 오염 물질은 거의 제거되지 않았으며 회복 불가능한 오염으로 인한 멤브레인 수명 단축으로 인해 TMP가 약간 회복되었다. 따라서 Tcycle과 RCTMP는 다른 기능적 매개변수와 다른 경향을 보였다. Tcycle과 RCTMP의 값이 감소하면 더 빈번한 화학적 세척에도 불구하고 더 낮은 TMP 회수율을 나타내며 기능 점수는 도 9(b)와 같이 PC1 양성으로 이동했다. phase I에서 기능 점수는 멤브레인 수명에 걸쳐 음성 PC1에서 양성 PC1로 이동했다. 이는 멤브레인에 대해 현장 외 물리적 세척이 수행되었을 때 단계의 끝에서 양성 PC1에서 종료되었다. 막이 오염물 축적으로 오염되어 현장 외 물리적 세정을 수행하였으며, 화학적 세정 횟수를 증가시켜 오염물을 제거할 수 없는 것으로 추론하였다.
또한 완전차단 및 중간차단 파울링 모델인 파울링 계수 값 Kb, Ki는 음의 PC1에 위치하였다. Kb와 Ki의 경향은 Kc와 Ks의 경향과 반대인 것으로 추론되었다. 이는 전체 및 중간 오염이 점차적으로 케이크 여과 및 표준 오염으로 바뀌면서 케이크 여과 및 표준 오염이 더 우세해질 것임을 의미한다. 따라서 완전 및 중간 파울링의 우세 감소는 회복 불가능한 파울링인 케이크 여과 및 표준 파울링의 우세 증가에 의해 막 수명이 단축됨을 의미한다. PC1의 로딩은 도 9(b)와 같이 전체 오염이 진행되고 멤브레인 수명이 단축되는 경우 PC1의 기능 점수가 양성 PC1에 분산됨을 나타낸다. 막 수명과 관련하여 PC1에서 기능 점수가 이동하는 데 각각 가장 영향력 있는 물리적 및 생물학적 매개변수였다. 도 9(a)와 같이 PC1에 가장 큰 영향을 미쳤다.
Phase Ⅰ이 끝날 때 현장 외 물리적 청소 후, Phase Ⅱ의 기능 점수는 처음에 음성 PC1에 위치했다. 여기서 멤브레인의 수명은 도 9(b)와 같이 작동된 3.4년으로 추정되었다. 이는 ex-situ 물리적 세척이 막 오염을 제거하고 막 상태를 회복하는 데 다소 효과적임을 나타낸다. 그러나 더 짧은 작업 시간 내에 빈번한 화학 세척에도 불구하고 빠르게 PC1의 긍정적인 측면으로 전환되었다. Phase Ⅱ에서는 1년에 15회 화학세정, Phase Ⅰ에서는 3년 동안 11회 화학세정을 시행하였다. 화학적 세척에 의해 멤브레인의 수명이 단축된다.
도 9(b)에서 볼 수 있듯이, 회복 불가능한 오염이 축적되어 막 교체가 필요하여 막 수명이 단축되어 Phase II로 분류된 기능 점수를 고려하였다. FML에 의한 멤브레인 수명 추정에 따르면, 약 4년의 작동 후 2단계 말에 멤브레인을 새 멤브레인으로 교체했다. 멤브레인 교체 후 기능 점수는 도 9(b)의 Phase III에서 볼 수 있듯이 음성 PC1에 위치하여 남아 있는 경향이 있음이 분명했다.
막 수명과 관련하여 세 가지 영향력 있는 생물학적-화학적-물리적 기능 매개변수를 선택하여 FPM 기반 예측 유지 관리에 의한 막 교체 시간을 결정하는 데 활용했다. 선정된 기능 파라미터는 TMPi와 Kc로 12가지 기능 파라미터 중 막 수명에 가장 큰 영향을 미치는 것으로 나타났다. 도 9(a)에서 보는 바와 같이 TMPi와 Kc는 기능적 로딩 플롯에서 PC1과 함께 물리적 및 생물학적 기능적 매개변수 중에서 가장 큰 크기를 보였다. 멤브레인 수명이 멤브레인 오염으로 인해 단축됨에 따라 기능 점수가 양의 PC1로 이동했기 때문에 멤브레인 수명에 영향을 미치는 것으로 간주되었다. 유사하게, NaOCldose는 PC2에 대한 화학적 기능적 매개변수 중에서 가장 높은 크기를 가졌다. 따라서 FPM에 대해 선택된 기능 매개변수는 대상 MBR 플랜트의 막에서 발생하는 모든 생물학적, 화학적 및 물리적 현상을 고려할 수 있다.
도 10은 Membrane A의 물리적 기능 파라미터 관리도에 대한 FPM 결과를 나타낸 것이다. MRR 기준에 따라 멤브레인 유지보수 경고 유형을 점진적으로 검출하였다. 물리적 기능 매개변수 TMPi의 값은 관리도에서 작동 시간 시작부터 1년 동안 지속적으로 감소했다. 처음에는 음의 1 시그마를 넘어 연속적으로 5개의 값을 표시하여 Type 1이 감지되는 이상 가능성을 고려하여 막 검진을 권장했다. Type 1의 동일한 검출이 다른 관리도에서 동시에 표시된다면 멤브레인을 확인하는 것이 강력하게 제안되었을 것이다. 이후 2년 반 동안 TMPi의 값은 점차 증가했고 마지막에 Type 2가 감지되어 연속된 3개 중 2개의 값이 양의 2시그마를 넘어 플롯되었다. Type 2는 주로 막 오염으로 인한 막 이상을 조기에 감지하는 것을 나타낸다. 유사하게, 기능 매개변수의 다른 관리도에서 Type 1을 포함한 Type 2가 동시에 검출된다면 초기 막 이상을 나타낼 것이다. 가동시간과 함께 Type 3가 검출되어 짧은 시간에 값이 급격히 증가하였다. 8개 이상의 값이 연속적으로 급격히 증가했으며 Type 1과 Type 2가 동반되었다. Type 3의 검출은 회복 불가능한 파울링의 형성으로 인한 급격한 막 노화를 나타내므로 다른 관리도에서 Type 3가 동시에 관찰되면 긴급 경고를 선언할 수 있다.
도 11에서 기능 매개변수의 세 가지 FPM 제어 차트가 동일한 타임라인에 표시된다. MRR 및 해당 처리 단계도 표시된다. 물리적 TMPi 및 생물학적 매개변수 Kc는 초기에 약간 감소하는 경향을 보인 반면, NaOCldose 매개변수는 약간 증가했다. TMPi와 Kc의 두 관리도 모두에서 음의 1 시그마를 넘어 5개의 연속 값을 갖는 제안된 MRR 방식으로 Type 1이 감지되었으므로 가능한 막 이상에 대한 예비 점검이 권장된다. 그러나 수동 유지관리시스템에 따르면 MBR 공장에서는 약품 세척 빈도가 감소하면서 멤브레인에 대한 점검이 이루어지지 않았다. 따라서 도 11의 NaOCldose 관리도에서 볼 수 있듯이 Type 1 경고가 감지된 후 멤브레인 오염 제거를 위한 화학물질 세척량이 증가했다.
결과적으로 Type 4은 NaOCldose의 관리도에서 양의 3 시그마 이상의 값을 가짐으로써 검출되었으며, Type 1과 Type 2가 기록되었다. 동시에 Type 2는 양의 2시그마를 넘어서는 연속된 3개 값 중 2개 값을 가짐으로써 TMPi의 관리도에 기록되었다. Type 4의 검출은 Type 1과 Type 2를 포함한 2개 이상의 관리도에서 Type 3 또는 Type 4가 동시에 검출되는 경우 막 공정의 확실한 오작동 또는 이상을 나타낸다. 따라서 Type 4는 NaOCldose의 하나의 관리 차트에만 기록되어 있어 이 조건을 충족시키기에는 부족했다. 대신에 Type 2는 TMPi와 NaOCldose의 관리도에서 동시에 기록되었으며, 이는 주로 막 오염으로 인한 막 이상을 조기에 발견함을 나타sos다. 또한, 이는 멤브레인에 대해 현장 외 물리적 세척이 수행되었음을 나타낸다. TMPi와 NaOCldose 값은 Type 2 이후에 상당히 감소한 것으로 추정되는데, 그 이유는 막 오염의 일부가 ex-situ 물리적 세척에 의해 제거될 수 있었기 때문이다.
물리적 TMPi와 생물학적 매개변수 Kc는 짧은 시간에 빠르게 증가하는 경향을 보였고, TMPi와 Kc의 관리도 모두에서 8개 이상의 연속적으로 증가하는 값을 갖는 Type 3가 검출되었다. Type 3은 회복할 수 없는 오염의 형성으로 인한 급격한 막 노화에 대한 긴급 경고를 나타낸다. 또한 관리도 Kc에서는 Type 4가 동시에 연속적으로 검출되었다. 이는 Type 1과 Type 2를 포함한 2개의 관리도에 Type 3와 Type 4를 동시에 표시하여 멤브레인 교체를 제안하는 조건을 만족시켰다. 따라서 예측정비시스템에 따른 멤브레인 교체를 제안하였고, 도입된 다른 유지보수시스템과 비교하여 생물학적, 화학적, 물리적 관점에서 평가 및 분석하였다.
도 12는 각 멤브레인 유지보수 시스템에서 제안하는 멤브레인 교체시기를 나타낸 것이다. 풀스케일 MBR 공장에서 활용되고 있는 수동 유지보수 시스템은 가동 4년 만에 막 교체 시기를 다소 결정했다. FPM 기반 예측 유지 보수 시스템은 수동 멤브레인 교체 시간보다 18일 빠른 화학 세척 주기로 멤브레인 교체를 수행할 것을 제안했다. 이것은 MRR에 의해 정의된 검출 유형에 따라 FPM에 의해 막 프로세스의 확실한 비정상이 경고되었기 때문이다(도 11). 따라서 멤브레인 수명의 끝이 추론되었다. 또한, 무능한 유지보수 시스템은 도 12와 같이 실제 멤브레인 교체 시기를 훨씬 초과하여 부적절한 멤브레인 교체를 제안하였다. 무능한 유지보수 시스템으로 인한 교체 시기 지연으로 멤브레인은 과사용으로 간주되었다.
수동유리관리 및 FPM 기반 예측 유지관리시스템이 제안한 최종 TMP는 멤브레인 교체 시간이 유사하다고 제안했다. 이는 FPM 기반의 유지보수 시스템으로 판단되는 멤브레인 교체 후 추가적인 작업으로는 화학적 세정으로 물리적인 측면인 멤브레인의 투과성을 회복할 수 없음을 의미한다. 수동 시스템에 의한 추가 작업은 생물학적, 화학적 측면에서 비효율적이었고 더 높은 NaOCl 투여량에도 불구하고 회복 불가능한 오염이 거의 제거되지 않았다. 따라서 FPM 기반 유지보수 시스템에 의한 멤브레인 교체 결정은 모든 측면에서 조기 멤브레인 교체 제안 시기에 의한 비효율적인 운영을 방지할 수 있다. 그러나 미흡한 유지보수 시스템으로 인해 수동 유지보수 시스템보다 한 달 늦은 멤브레인 교체 시기가 늦어졌다. TMP는 약 78kPa로 상당히 높았으며, 이는 유지보수 시스템 중 가장 낮은 막 투과성을 나타낸다. 가장 긴 작업 시간과 최대 NaOCl 투여량에도 불구하고 회복 불가능한 오염이 증가하여 투과성이 가장 낮은 것으로 추론되었다. 따라서 incompetent 유지 관리 시스템은 모든 측면에서 가장 효율성이 떨어지는 것으로 간주되었다.
또한 유지관리시스템은 펌핑 에너지 수요 및 NaOCl 비용과 같은 에너지 및 경제적 관점에서 분석될 수 있었다. 펌핑 에너지 수요는 주로 멤브레인 투과성과 관련이 있다. 회복 불가능한 오염으로 인해 투자율이 감소함에 따라 플럭스를 유지하기 위해 더 많은 펌핑 에너지가 필요하다. 마찬가지로, 막 오염을 제거함으로써 투과성을 유지하거나 회복하기 위해 화학적 세척의 빈도가 증가할 것이다. 따라서 NaOCl의 복용량과 비용이 증가했다.
표 3은 멤브레인 유지보수 시스템의 성능 결과를 나열한다. FPM 기반 유지관리시스템은 수동 유지관리시스템에 비해 운영 기간 동안 막 투과성을 1.100 LMH/kPa에서 1.108LMH/kPa로 개선할 수 있었던 반면, incompetent 유지관리시스템은 1.086 LMH/kPa로 저하시켰다. 수동 유지관리시스템에서 지속적인 화학 물질 세척에도 불구하고 멤브레인 투과성은 지속적으로 낮았다. FPM 기반 유지관리시스템은 멤브레인의 오작동을 감지하고 멤브레인 교체 시기를 더 빨리 제안했다. 따라서 멤브레인 투과성은 수동 유지 관리 시스템보다 향상될 수 있었다.
[표 3] 멤브레인 유지 관리 시스템의 성능 결과
또한 FPM 기반 유지관리시스템을 적용하여 펌핑 에너지 수요와 화학 시약 사용 비용을 절감할 수 있었다. 수동 유지관리시스템은 22,380kWh의 펌핑 에너지가 필요하고 NaOCl의 경우 비용은 $15,110.94인 반면 FPM 기반 유지관리시스템은 22,278kWh가 필요하고 비용은 $14,404.25이다. 이는 FPM 기반 유지관리시스템이 펌핑 에너지 수요 성능과 NaOCl 비용을 각각 0.45% 및 3.55% 개선했음을 나타낸다. incompetent 유지관리시스템은 1.086 LMH/kPa의 투과성, 22,791 kWh의 펌핑 에너지, 15,586.07달러의 NaOCl과 같은 모든 관점에서 성능 저하를 나타냈다. 수동 유지관리시스템에 비해 모든 관점에서 유지 보수 시스템의 성능을 감소시켰다.
표 4는 멤브레인 유지관리시스템의 성능을 요약한 것이다. FPM 기반 유지관리 및 incompetent 유지관리시스템은 수동 유지관리시스템과 비교하여 생물학적, 화학적, 물리적 측면에서 분석되었다. 앞서 언급한 바와 같이 FPM 기반 유지관리시스템은 투과성, 펌핑 에너지 및 NaOCl 비용을 개선한 반면, incompetent 유지보수 시스템은 수동 유지관리스템에 비해 성능을 저하시켰다. FPM 기반 유지관리시스템은 가장 이른 시기에 막 교체를 수행하여 막의 투과성을 회복할 수 있으며, 이는 막 오염을 제거하고 펌핑 에너지 및 NaOCl 사용 비용을 줄이기 위한 효과적인 화학 세정을 가능하게 하다. 따라서 FPM 기반 유지관리시스템은 다른 유지관리시스템보다 성능이 가장 우수한 유지관리시스템임을 알 수 있다.
[표 4] 멤브레인 유지관리시스템의 요약된 성능 분석(향상된 성능은 굵은 글꼴로 강조 표시)
정리하면, 본 발명의 실시예에 따르면, 생물학적, 화학적, 물리적 관점에서 다른 유지보수 시스템과 비교하여 멤브레인 교체 시기를 결정하고 성능을 분석할 수 있는 예측 유지관리시스템을 제안했다. 생물학적-화학적-물리적 기능 매개변수는 막 노화 진단을 위한 MBR 공장의 TMP 및 NaOCl 투여량의 6년 데이터 세트에서 추출되었다. FML은 추출된 기능 매개변수 간의 관계를 반영하여 멤브레인 수명을 추정한다. 막노화 진단과 막수명 추정을 포함한 예측정비시스템의 결론은 다음과 같다.
1) 물리적 기능 파라미터(TMPi, TMPf, Srec 및 Sirc), 생물학적 기능 파라미터(Kb, Ki, Kc 및 Ks) 및 화학적 기능 파라미터(NaOCldose 및 RCTMP 및 Tcycle)를 결정하였다.
2) FML은 기능 매개변수 간의 관계를 해석하여 멤브레인 수명을 추정한다. 그 결과, TMPi, Kc 및 NaOCldose가 막 수명에 가장 영향력 있는 기능적 매개변수인 것으로 나타났다.
3) 선별된 영향력 있는 기능적 매개변수는 기준에 따라 MRR의 유형을 점진적으로 식별하기 위해 FPM에 활용하였다. 막 교체 시기는 본격적인 MBR 플랜트에 대한 FPM 기반 예측 유지 보수 시스템에 따라 결정되었다.
4) FPM 기반 유지관리시스템이 가장 효율적인 성능을 나타내어 멤브레인 교체 시기가 가장 빠른 것으로 나타났다. 투자율은 1.100 LMH/kPa에서 1.108 LMH/kPa로 증가하였고, 수동 유지관리시스템과 비교하여 102 kWh의 펌핑 에너지가 절감되었으며 NaOCl 비용은 3.55% 절감되었다.
예측 유지관리시스템은 풀스케일 MBR플랜트에 적용하여 수동관리시스템, incompetent 유지관리시스템 등 다른 유지보수시스템과 비교하여 성능을 평가하였다. 멤브레인 유지관리시스템은 막 오염 진행, 사용된 화학 시약의 양 및 막 투과성과 같은 생물학적, 화학적 및 물리적 관점에서 분석되었다. FPM 기반 유지관리시스템은 가장 빠른 속도로 멤브레인 교체 시기를 제안했기 때문에 다른 유지관리시스템에 비해 모든 면에서 가장 효율적이고 성공적임을 확인할 수 있었다.
또한, 상기와 같이 설명된 장치 및 방법은 상기 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
Claims (10)
- MBR 막의 수명을 진단하기 위한 방법으로서,
막 수명 관련 기능적 매개변수들을 추출하는 단계;
상기 매개변수들을 해석하여 해석데이터를 생성하는 단계; 및
상기 해석데이터를 기반으로 막 수명을 추정하는 단계;를 포함하는 것을 특징으로 하는 인공지능 기반 MBR 막 수명 진단방법.
- 제 1항에 있어서,
상기 기능적 매개변수를 추출하는 단계는,
막간차압, 화학세정제 사용량 정보로부터 막 수명 관련 생물학적, 화학적, 물리적 정보를 추출하여 상기 기능적 매개변수를 설정하는 것을 특징으로 하는 인공지능 기반 MBR 막 수명 진단방법.
- 제 2항에 있어서,
상기 해석데이터를 생성하는 단계는,
생물학적, 화학적, 물리적 기능적 매개 변수들을 functional machine learning(FML)을 활용해 숨겨진 패턴과 추세 및 매개 변수들 사이의 관계를 해석하는 것을 특징으로 하는 인공지능 기반 MBR 막 수명 진단방법.
- 막 교체 시기 파악을 위한 예측유지관리방법으로서,
제 1항 내지 제 3항 중 어느 한 항에 따른 진단방법에 의해 막 수명을 진단하는 단계;
기능적 매개변수들을 모니터링하여 막교체 규칙(MRR, Membrane replacement rule)을 생성하는 단계; 및
상기 막교체 규칙에 따라 막 교체시기를 판단하는 단계;를 포함하는 것을 특징으로 하는 막 교체 시기 파악을 위한 예측유지관리방법.
- 제 1항에 있어서,
상기 생성하는 단계 전에,
인공지능(AI) functional profile monitoring(FPM) 모델을 생성하는 단계를 더 포함하고,
상기 생성하는 단계와 판단하는 단계는,
생성된 FPM 모델을 통해 막 수명 주요 영향 functional 매개 변수들을 막 교체 규칙(MRR, Membrane replacement rule)에 따라 막 교체 시기를 제안하는 것을 특징으로 하는 막 교체 시기 파악을 위한 예측유지관리방법.
- MBR 막의 수명을 진단하기 위한 시스템으로서,
막 수명 관련 기능적 매개변수들을 추출하는 매개변수 설정부;
상기 매개변수들을 해석하여 해석데이터를 생성하는 매개변수 해석부; 및
상기 해석데이터를 기반으로 막 수명을 추정하는 막수명추정부;를 포함하는 것을 특징으로 하는 인공지능 기반 MBR 막 수명 진단시스템.
- 제 6항에 있어서,
막간차압, 화학세정제 사용량 정보를 파악하는 정보추출부;더 포함하고,
상기 매개변수 설정부는 상기 정보를 기반으로 막 수명 관련 생물학적, 화학적, 물리적 정보를 추출하여 상기 기능적 매개변수를 설정하는 것을 특징으로 하는 인공지능 기반 MBR 막 수명 진단시스템.
- 제 7항에 있어서,
상기 매개변수 해석부는,
생물학적, 화학적, 물리적 기능적 매개 변수들을 functional machine learning(FML)을 활용해 숨겨진 패턴과 추세 및 매개 변수들 사이의 관계를 해석하는 것을 특징으로 하는 인공지능 기반 MBR 막 수명 진단시스템.
- 막 교체 시기 파악을 위한 예측유지관리시스템으로서,
제 6항 내지 제 8항 중 어느 한 항에 따른 막 수명 진단시스템;
기능적 매개변수들을 모니터링하여 막교체 규칙(MRR, Membrane replacement rule)을 생성하는 막교체 규칙 생성부; 및
상기 막교체 규칙에 따라 막 교체시기를 판단하는 막교체시기 파악부;를 포함하는 것을 특징으로 하는 막 교체 시기 파악을 위한 예측 유지관리시스템.
- 제 9항에 있어서,
상기 생성하는 단계 전에,
인공지능(AI) functional profile monitoring(FPM) 모델을 생성하는 모니터링 모델생성부;를 더 포함하고,
상기 막교체 규칙생성부는 생성된 FPM 모델을 통해 막 수명 주요 영향 functional 매개 변수들을 막 교체 규칙을 생성하고,
상기 막교체시기 파악부는 막 교체 규칙에 따라 막 교체 시기를 제안하는 것을 특징으로 하는 막 교체 시기 파악을 위한 예측 유지관리시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220030740A KR20230134054A (ko) | 2022-03-11 | 2022-03-11 | 인공지능 기반 막 수명 진단방법, 막 교체 시기 파악을 위한 예측유지관리방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220030740A KR20230134054A (ko) | 2022-03-11 | 2022-03-11 | 인공지능 기반 막 수명 진단방법, 막 교체 시기 파악을 위한 예측유지관리방법 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230134054A true KR20230134054A (ko) | 2023-09-20 |
Family
ID=88191500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220030740A KR20230134054A (ko) | 2022-03-11 | 2022-03-11 | 인공지능 기반 막 수명 진단방법, 막 교체 시기 파악을 위한 예측유지관리방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230134054A (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150012649A (ko) | 2013-07-26 | 2015-02-04 | 대림산업 주식회사 | 막여과 공정 운영방법 |
| KR101556255B1 (ko) | 2015-02-05 | 2015-09-30 | (주)우호건설 | 수처리용 분리막을 세정하기 위한 시스템 및 방법 |
| KR101928203B1 (ko) | 2017-07-14 | 2018-12-12 | 이종기 | 역삼투압 멤브레인의 교체주기연장 장치 |
| US10442712B2 (en) | 2017-06-23 | 2019-10-15 | Nanjing University, Nanjing University & Yancheng Academy of Environmental Protection Technology and Engineering | Membrane bioreactor for strengthening membrane fouling control and method thereof |
-
2022
- 2022-03-11 KR KR1020220030740A patent/KR20230134054A/ko not_active Application Discontinuation
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150012649A (ko) | 2013-07-26 | 2015-02-04 | 대림산업 주식회사 | 막여과 공정 운영방법 |
| KR101556255B1 (ko) | 2015-02-05 | 2015-09-30 | (주)우호건설 | 수처리용 분리막을 세정하기 위한 시스템 및 방법 |
| US10442712B2 (en) | 2017-06-23 | 2019-10-15 | Nanjing University, Nanjing University & Yancheng Academy of Environmental Protection Technology and Engineering | Membrane bioreactor for strengthening membrane fouling control and method thereof |
| KR101928203B1 (ko) | 2017-07-14 | 2018-12-12 | 이종기 | 역삼투압 멤브레인의 교체주기연장 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5677476B2 (ja) | 膜ファウリング診断・制御装置、膜ファウリング診断・制御方法及び膜ファウリング診断・制御プログラム | |
| US11401172B2 (en) | Intelligent fluid filtration management system | |
| EP1300186B1 (en) | Filtration monitoring and control system | |
| JP4604987B2 (ja) | 水処理プラントの運転管理方法および装置 | |
| JP6053175B2 (ja) | 異常検出機能を有する淡水化システム | |
| Maere et al. | Membrane bioreactor fouling behaviour assessment through principal component analysis and fuzzy clustering | |
| CN112131740A (zh) | 一种净水器滤芯寿命的预测方法 | |
| JP2019153045A (ja) | データ処理装置及びデータ処理方法 | |
| KR20230134054A (ko) | 인공지능 기반 막 수명 진단방법, 막 교체 시기 파악을 위한 예측유지관리방법 및 시스템 | |
| Sabia et al. | Online monitoring of MBR fouling by transmembrane pressure and permeability over a long-term experiment | |
| JPWO2017221984A1 (ja) | 造水システムのトラブル判定プログラム及びトラブル判定装置、並びに記録媒体 | |
| Woo et al. | Predictive maintenance system for membrane replacement time detection using AI-based functional profile monitoring: Application to a full-scale MBR plant | |
| WO2015198898A1 (ja) | プラント異常予知装置、異常予知装置、表示装置及び表示方法 | |
| KR20160057595A (ko) | 막차압(TMP:Trans Membrane Pressure) 측정 결과를 이용하여 막세정을 하는 막여과 공정 운영방법 | |
| KR101735240B1 (ko) | 분리막 모듈을 포함하는 수처리 공정의 운영비 최적화를 위한 자산관리 시스템 | |
| JP4018990B2 (ja) | 排水処理装置の分離膜の洗浄方法 | |
| LeClech | Development of predictive tools for membrane ageing | |
| KR20230134053A (ko) | 막오염 누적합 관리도 기반 ｍｂｒ 막세정을 위한 조기경보시스템 및 방법 | |
| JP2005351707A (ja) | 膜ろ過性能の検知方法、検知装置、膜ろ過方法および膜ろ過装置 | |
| CN1072024C (zh) | 可再生过滤器的费用优化控制 | |
| JP3616503B2 (ja) | 膜濾過装置 | |
| JP7140217B2 (ja) | Ｒｏシステムの制御方法 | |
| WO2023100958A1 (ja) | 分離膜エレメントの状態診断方法 | |
| JP4518962B2 (ja) | 膜ろ過装置 | |
| JP2007245069A (ja) | 信頼性の高い膜の破断を検知する方法およびシステム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |