KR20230156506A - 심층 기계학습에 기반하는 슬러지 팽화 모니터링 장치 및 그 방법 - Google Patents

심층 기계학습에 기반하는 슬러지 팽화 모니터링 장치 및 그 방법 Download PDF

Info

Publication number
KR20230156506A
KR20230156506A KR1020220055968A KR20220055968A KR20230156506A KR 20230156506 A KR20230156506 A KR 20230156506A KR 1020220055968 A KR1020220055968 A KR 1020220055968A KR 20220055968 A KR20220055968 A KR 20220055968A KR 20230156506 A KR20230156506 A KR 20230156506A
Authority
KR
South Korea
Prior art keywords
sludge
data
state
svi
calculation unit
Prior art date
Application number
KR1020220055968A
Other languages
English (en)
Inventor
유창규
사프더 우스만
로이 베니테즈 호르헤
황 하이 트라 누웬
김상윤
허성구
Original Assignee
경희대학교 산학협력단
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 경희대학교 산학협력단 filed Critical 경희대학교 산학협력단
Priority to KR1020220055968A priority Critical patent/KR20230156506A/ko
Publication of KR20230156506A publication Critical patent/KR20230156506A/ko

Links

Classifications

    • 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
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/006—Regulation methods for biological treatment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Abstract

본 발명은 슬러지 팽화 모니터링 장치 및 그 방법에 관한 것으로서, 일실시예에 따른 슬러지 팽화 모니터링 장치는 하수처리시설에 구비된 적어도 하나의 센서로부터 슬러지에 대한 데이터를 수집하는 데이터 수집부와, 슬러지에 대한 데이터에 기초하여 입력 데이터를 구성하고, 입력 데이터를 기저장된 슬러지 지수 예측 모델에 입력하여 슬러지에 대한 SVI(sludge volume index) 수치값을 산출하는 슬러지 지수 산출부 및 산출된 SVI 수치값을 기저장된 슬러지 상태 분류 모델에 입력하여 슬러지에 대한 상태 예측 결과를 산출하는 슬러지 상태 산출부를 포함한다.

Description

심층 기계학습에 기반하는 슬러지 팽화 모니터링 장치 및 그 방법{APPARATUS FOR MONITORING BULKING OF SLUDGE BASED ON DEEP MACHINE LEARNING AND METHOD THEREOF}
본 발명은 슬러지 팽화 모니터링 장치 및 그 방법에 관한 것으로, 보다 상세하게는 심층 기계학습에 기반하여 하폐수처리장의 슬러지를 진단하고 팽화를 모니터링하는 기술적 사상에 관한 것이다.
현대 사회는 급속한 인구 증가, 도시화 및 산업화로 인한 수자원의 오염 문제를 해결하기 위해, 하수 처리의 성능 및 효율성을 향상시키기 위한 노력이 지속하고 있다. 일례로, 하수 처리를 담당하는 관리자들은 실시간 모니터링 기술을 이용하여 보다 효율적으로 하수처리시설(wastewater treatment plant, WWTP)을 제어/관리하기 위한 노력을 기울이고 있다.
하수처리시설에서는 생물학적 과정을 거쳐 오염물질을 제거하는데, 이 과정에서 사회적, 환경적인 문제를 야기하는 슬러지의 팽화(bulking) 문제가 매우 흔하게 발생되고 있어 이를 보다 효율적으로 관리할 수 있는 기술의 개발 필요성이 대두되고 있다.
이를 위해, 기존에는 슬러지의 팽화를 보다 정확하게 진단 및 대응하기 위해 슬러지의 팽화 정도를 나타내는 SVI(sludge volume index)를 모니터링 하고 있으나, 슬러지의 상태는 하수처리시설에 유입되는 하수의 성상에 따라 변화하며 유입수의 강한 시변성 때문에 SVI를 정확히 모니터링하고 정량화하는데 어려움을 겪고 있다.
미국등록특허 제10,919,791호, "INTELLIGENT IDENTIFICATION METHOD OF SLUDGE BULKING BASED ON TYPE-2 FUZZY NEURAL NETWORK" 미국등록특허 제11,144,816호, "FAULT IDENTIFYING METHOD FOR SLUDGE BULKING BASED ON A RECURRENT RBF NEURAL NETWORK" 한국등록특허 제10-0861991호, "이미지분석법에 의한 슬러지 침전상태 감지방법"
본 발명은 심층 기계학습에 기반하여 하수처리장의 슬러지 진단 소프트 센서 및 팽화 모니터링 기술을 구현할 수 있는 슬러지 팽화 모니터링 장치 및 그 방법을 제공하고자 한다.
또한, 본 발명은 심층 기계학습에 기반하여 하수처리시설에 유입되는 하수의 변동에 따른 반응조 내 슬러지 상태 변화를 정확히 모니터링할 수 있는 슬러지 팽화 모니터링 장치 및 그 방법을 제공하고자 한다.
또한, 본 발명은 랜덤 특징 매핑을 통해 추가적인 특징 데이터를 도출하여 SVI 수치값을 보다 정확하게 산출할 수 있는 슬러지 팽화 모니터링 장치 및 그 방법을 제공하고자 한다.
또한, 본 발명은 SVI 수치값과 잠재 변수로 인코딩된 값을 이용하여 슬러지의 상태를 보다 정확하게 예측할 수 있는 슬러지 팽화 모니터링 장치 및 그 방법을 제공하고자 한다.
본 발명의 일실시예에 따른 슬러지 팽화 모니터링 장치는 하수처리시설에 구비된 적어도 하나의 센서로부터 슬러지에 대한 데이터를 수집하는 데이터 수집부와, 슬러지에 대한 데이터에 기초하여 입력 데이터를 구성하고, 입력 데이터를 기저장된 슬러지 지수 예측 모델에 입력하여 슬러지에 대한 SVI(sludge volume index) 수치값을 산출하는 슬러지 지수 산출부 및 산출된 SVI 수치값을 기저장된 슬러지 상태 분류 모델에 입력하여 슬러지에 대한 상태 예측 결과를 산출하는 슬러지 상태 산출부를 포함할 수 있다.
일측에 따르면, 슬러지 지수 예측 모델은 SAE-ELM(stacked autoencoder - extreme learning machine) 모델이고, 슬러지 상태 분류 모델은 DBN(deep-belief network) 모델일 수 있다.
일측에 따르면, 데이터 수집부는 유입수의 유량 데이터, MLSS(mixed liquor suspended solids) 데이터, DO(dissolved oxygen) 농도 데이터, 시안화물(cyanide) 농도 데이터 및 COD(influent chemical oxygen demand) 데이터 중 적어도 하나의 데이터를 슬러지에 대한 데이터로 수집할 수 있다.
일측에 따르면, 슬러지 지수 산출부는 적어도 하나의 데이터에 대한 랜덤 특징 매핑(random feature mapping)을 통해 도출되는 특징 데이터를 입력 데이터로 구성할 수 있다.
일측에 따르면, 슬러지 지수 산출부는 슬러지 지수 예측 모델에 구비된 스택 오토 인코더(stacked autoencoders, SAE)로부터 잠재 변수로 인코딩된 적어도 하나의 값을 산출할 수 있다.
일측에 따르면, 슬러지 상태 산출부는 산출된 SVI 수치값과 잠재 변수로 인코딩된 적어도 하나의 값을 슬러지 상태 분류 모델에 입력하여 상태 예측 결과를 산출할 수 있다.
일측에 따르면, 슬러지 상태 산출부는 슬러지의 팽화 상태의 예측 결과를 정상(normal), 보통(moderate) 및 나쁨(worst) 중 적어도 하나로 산출할 수 있다.
본 발명의 일실시예에 따른 슬러지 팽화 모니터링 방법은 데이터 수집부에서 하수처리시설에 구비된 적어도 하나의 센서로부터 슬러지에 대한 데이터를 수집하는 단계와, 슬러지 지수 산출부에서 슬러지에 대한 데이터에 기초하여 입력 데이터를 구성하고, 입력 데이터를 기저장된 슬러지 지수 예측 모델에 입력하여 슬러지에 대한 SVI(sludge volume index) 수치값을 산출하는 단계 및 슬러지 상태 산출부에서 산출된 SVI 수치값을 기저장된 슬러지 상태 분류 모델에 입력하여 슬러지에 대한 상태 예측 결과를 산출하는 단계를 포함할 수 있다.
일측에 따르면, 슬러지에 대한 데이터를 수집하는 단계는 데이터 수집부에서, 유입수의 유량 데이터, MLSS(mixed liquor suspended solids) 데이터, DO(dissolved oxygen) 농도 데이터, 시안화물(cyanide) 농도 데이터 및 COD(influent chemical oxygen demand) 데이터 중 적어도 하나의 데이터를 슬러지에 대한 데이터로 수집할 수 있다.
일측에 따르면, 슬러지에 대한 SVI 수치값을 산출하는 단계는 슬러지 지수 산출부에서, 적어도 하나의 데이터와, 적어도 하나의 데이터에 대한 랜덤 특징 매핑(random feature mapping)을 통해 도출되는 데이터를 입력 데이터로 구성할 수 있다.
일측에 따르면, 슬러지에 대한 SVI 수치값을 산출하는 단계는 슬러지 지수 산출부에서, 슬러지 지수 예측 모델에 구비된 스택 오토 인코더(stacked autoencoders, SAE)로부터 잠재 변수로 인코딩된 적어도 하나의 값을 산출할 수 있다.
일측에 따르면, 슬러지에 대한 상태 예측 결과를 산출하는 단계는 슬러지 상태 산출부에서, 산출된 SVI 수치값과 잠재 변수로 인코딩된 적어도 하나의 값을 슬러지 상태 분류 모델에 입력하여 상태 예측 결과를 산출할 수 있다.
일실시예에 따르면, 본 발명은 심층 기계학습에 기반하여 하수처리장의 슬러지 진단 소프트 센서 및 팽화 모니터링 기술을 구현할 수 있다.
일실시예에 따르면, 본 발명은 심층 기계학습에 기반하여 하수처리시설에 유입되는 하수의 변동에 따른 반응조 내 슬러지 상태 변화를 정확히 모니터링할 수 있다.
일실시예에 따르면, 본 발명은 랜덤 특징 매핑을 통해 추가적인 특징 데이터를 도출하여 SVI 수치값을 보다 정확하게 산출할 수 있다.
일실시예에 따르면, 본 발명은 SVI 수치값과 잠재 변수로 인코딩된 값을 이용하여 슬러지의 상태를 보다 정확하게 예측할 수 있는 슬러지 팽화 모니터링 장치 및 그 방법을 제공하고자 한다.
도 1은 일실시예에 따른 슬러지 팽화 모니터링 장치를 설명하기 위한 도면이다.
도 2a 내지 도 2b는 하수처리시설에서 슬러지의 팽화가 발생하는 과정을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 슬러지 팽화 모니터링 장치의 구현예를 설명하기 위한 도면이다.
도 4는 일실시예에 따른 슬러지 팽화 모니터링 장치를 보다 구체적으로 설명하기 위한 도면이다.
도 5a 내지 도 5b는 일실시예에 따른 슬러지 팽화 모니터링 장치의 심층 기계학습 모델을 설명하기 위한 도면이다.
도 6a 내지 도 6d는 일실시예에 따른 슬러지 지수 예측 모델의 SVI 모델링 성능을 설명하기 위한 도면이다.
도 7a 내지 도 7b는 일실시예에 따른 슬러지 지수 예측 모델과 기존 방법 간의 SVI 모델링 성능의 비교 결과를 설명하기 위한 도면이다.
도 8a 내지 도 8c는 일실시예에 따른 슬러지 상태 분류 모델의 상태 분류 성능을 설명하기 위한 도면이다.
도 9a 내지 도 9b는 일실시예에 따른 슬러지 상태 분류 모델과 기존 방법 간의 상태 분류 성능의 비교 결과를 설명하기 위한 도면이다.
도 10은 일실시예에 따른 슬러지 팽화 모니터링 방법을 설명하기 위한 도면이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들면 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들면 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일실시예에 따른 슬러지 팽화 모니터링 장치를 설명하기 위한 도면이다.
도 1을 참조하면, 도면부호 100은 하수처리시설(wastewater treatment plant, WWTP)에서 하수를 정화하는 과정 및 하수 정화 과정에서 일실시예에 따른 슬러지 팽화 모니터링 장치를 이용하여 슬러지의 팽화를 모니터링하는 과정을 예시한다.
도면부호 100에 따르면, 하수처리시설은 5개의 폭기조(aeration basin), 2차 침전조(secondary settler) 및 2개의 유입수 관로를 포함할 수 있다.
예를 들면, 2개의 유입수 관로 중 하나의 관로에는 제1 코크 플랜트(cokes plant)에서 직접 하수가 공급되고, 나머지 하나의 관로에는 제2 코크 플랜트의 상류 처리 플랜트에서 전처리된 하수가 공급될 수 있다.
일실시예에 따른 슬러지 팽화 모니터링 장치는 하수처리시설에서의 하수 처리 과정에서, 예측 모델(prediction model)을 이용하여 SVI 수치값을 산출하고 산출된 SVI 수치값을 이용하여 팽화 상태(bulking state)를 분류할 수 있다.
예를 들면, 슬러지 팽화 모니터링 장치는 SAE-ELM(stacked autoencoder - extreme learning machine)에 기반하는 슬러지 지수 예측 모델을 이용하여 SVI 수치값을 산출하고, DBN(deep-belief network)에 기반하는 슬러지 상태 분류 모델을 이용하여 슬러지의 팽화 상태를 분류할 수 있다.
일측에 따르면, 슬러지 팽화 모니터링 장치는 SVI 수치값 예측을 위한 유입 변수(influent variables)로, 제1 및 제2 코크 플랜트로부터 유입되는 유입수의 유량, 제1 및 제2 코크 플랜트에서의 COD(influent chemical oxygen demand), DO(dissolved oxygen) 농도, 제1 및 제2 코크 플랜트에서의 시안화물(cyanide) 농도 및 MLSS(mixed liquor suspended solids) 등의 지표가 고려될 수 있다.
구체적으로, 본 발명은 유입수의 유량, COD, DO, 시안화물, MLSS 및 실험을 통해 측정된 SVI 데이터를 이용하여 SAE 모델을 구성하고, ELM 기법을 적용하여 가중치를 계산하여 슬러지 지수 예측 모델을 생성할 수 있다.
또한, 슬러지 팽화 모니터링 장치는 생성된 슬러지 지수 예측 모델을 이용하여 2차 침전조의 SVI 수치값을 예측하고, 인입되는 데이터와 2차 침전조의 SVI 수치값 사이의 비선형 관계를 이용하는 DBN 기반의 특성 공간 추출 과정을 통해 슬러지의 팽화 상태를 분류할 수 있다.
도 2a 내지 도 2b는 하수처리시설에서 슬러지의 팽화가 발생하는 과정을 설명하기 위한 도면이다.
도 2a 내지 도 2b를 참조하면, 도면부호 210은 하수처리 과정에서 슬러지 팽화가 발생되는 과정을 예시하고, 도면부호 220은 DO 농도 조건에서 사상균의 발생으로 인한 슬러지의 팽화 상태를 예시한다.
구체적으로, 도면부호 220의 (a)는 슬러지의 팽화 상태가 정상(normal)인 경우를 예시하고, 도면부호 220의 (b)는 슬러지의 팽화 상태가 보통(moderate)인 경우를 예시하며, 도면부호 220의 (c)는 슬러지의 팽화 상태가 나쁨(worst)인 경우를 예시한다.
도면부호 210에 따르면, 하수처리시설은 하수처리 과정에서 필라멘트 팽화(filamentous bulking)가 발생될 수 있으며, 이러한 필라멘트 팽화가 과도하게 발생되면 침강 지연, 압축 불량 및 슬러지 팽화(211)를 초래할 수 있다.
슬러지 팽화(211)를 촉진시키는 1차적인 요인으로는 낮은 온도(low-temperatue), 낮은 pH(low-pH), 낮은 DO(low-DO) 농도, 질소(N)와 인(P)의 함량 부족, 낮은 슬러지 로딩율(low loading rate, F/M)을 들 수 있다.
상술한 원인으로 인해 하수 내에 영양공급이 잘되지 않으면 슬러지가 바닥에서 분리되고, 활성 슬러지의 세균이 생성하는 콜로이드가 제거되어 비중이 낮아지게 되면 슬러지가 바닥에 가라앉지 않고 표면에 뜨게 되어, 결과적으로 슬러지 팽화(211)를 야기할 수 있다.
이와 같이, 슬러지-물 혼합물이 형성되어 함께 배출되면, 처리수를 정화할 수 없으며, 이는 처리수의 출력 품질 및 동작 효율성의 저하를 야기한다.
도면부호 220에 도시된 바와 같이, 슬러지 팽화는 상술한 원인들 중 특히 낮은 DO 농도에 많은 영향을 받는다. 낮은 DO 농도에서는 슬러지 팽화를 야기하는 사상균의 번식을 촉진시킬 수 있다. 물론 사상균은 낮은 온도 및 pH 조건에서도 빠르게 번식할 수 있으며, 질소(N)과 인(P)의 함량이 낮은 환경에서도 사상균이 빠르게 번식하여 슬러지 팽화를 유발시킬 수 있다.
한편, 슬러지의 팽화 상태는 슬러지의 팽화 정도를 정량화하는 SVI 수치값을 이용하여 용이하게 구분될 수 있다.
예를 들면, 슬러지의 팽화 상태는 SVI 수치값이 100mL/g 이하이면 정상(normal) 상태로 분류되고, SVI 수치값이 100mL/g < SVI < 200mL/g 이면 보통(moderate) 상태로 분류되며, SVI 수치값이 200mL/g 이상이면 나쁨(poor)으로 분류될 수 있다.
도 3은 일실시예에 따른 슬러지 팽화 모니터링 장치의 구현예를 설명하기 위한 도면이다.
도 3을 참조하면, 일실시예에 따른 슬러지 팽화 모니터링 장치(300)는 심층 기계학습에 기반하여 하수처리장의 슬러지 진단 소프트 센서 및 팽화 모니터링 기술을 구현할 수 있다.
또한, 슬러지 팽화 모니터링 장치(300)는 심층 기계학습에 기반하여 하수처리시설에 유입되는 하수의 변동에 따른 반응조 내 슬러지 상태 변화를 정확히 모니터링할 수 있다.
또한, 슬러지 팽화 모니터링 장치(300)는 랜덤 특징 매핑(random feature mapping)을 통해 추가적인 특징 데이터를 도출하여 SVI 수치값을 보다 정확하게 산출할 수 있다.
또한, 슬러지 팽화 모니터링 장치(300)는 SVI 수치값과, 잠재 변수로 인코딩된 값을 이용하여 슬러지의 상태를 보다 정확하게 예측할 수 있다.
이를 위해, 슬러지 팽화 모니터링 장치(300)는 데이터 수집부(310), 슬러지 지수 산출부(320) 및 슬러지 상태 산출부(330)를 포함할 수 있다.
일실시예에 따른 데이터 수집부(310)는 하수처리시설에 구비된 적어도 하나의 센서로부터 슬러지에 대한 데이터를 수집할 수 있다.
일측에 따르면, 데이터 수집부(310)는 유입수의 유량 데이터, MLSS(mixed liquor suspended solids) 데이터, DO(dissolved oxygen) 농도 데이터, 시안화물(cyanide) 농도 데이터 및 COD(influent chemical oxygen demand) 데이터 중 적어도 하나의 데이터를 슬러지에 대한 데이터로 수집할 수 있다.
예를 들면, 데이터 수집부(310)는 적어도 하나의 센서로부터 기설정된 시간 구간 동안 슬러지에 대한 데이터를 수집할 수 있다. 바람직하게는 데이터 수집부(310)는 실시간으로 슬러지에 대한 데이터를 수집할 수 있다.
일실시예에 따른 슬러지 지수 산출부(320)는 슬러지에 대한 데이터에 기초하여 입력 데이터를 구성하고, 입력 데이터를 기저장된 슬러지 지수 예측 모델에 입력하여 슬러지에 대한 SVI(sludge volume index) 수치값을 산출할 수 있다. 예를 들면, 슬러지 지수 예측 모델은 SAE-ELM(stacked autoencoder - extreme learning machine) 모델일 수 있다.
다시 말해, 슬러지 팽화 모니터링 장치(300)는 SVI 수치값을 추정하고 하수처리시설의 유출수의 슬러지 팽화 상태를 분류하여 유출 수질을 향상시키기 위해, SAE 모델을 이용하여 하이브리드 심층 기계학습에 기반하는 소프트 센서를 구현할 수 있다.
구체적으로, 슬러지 팽화 모니터링 장치(300)는 하수처리시설의 SVI 수치값을 추정하기 위해 SAE 모델을 이용하고, SAE 모델의 가중치를 훈련할 때 ELM을 이용할 수 있다.
일측에 따르면, 슬러지 지수 산출부(320)는 데이터 수집부(310)를 통해 수집한 슬러지에 대한 데이터 중 누락된 데이터를 대체하거나, 이상 데이터를 제거하는 전처리를 수행하고, 전처리된 슬러지에 대한 데이터에 기초하여 입력 데이터를 구성할 수 있다.
보다 구체적인 예를 들면, 슬러지 지수 산출부(320)는 기설정된 시간 구간 동안 수집된 슬러지에 대한 데이터 중 현재 시간 t(여기서, t는 양의 실수)에 대응되는 데이터가 결측된 경우, 결측된 데이터를 이전 시간 t-1에 대응되는 데이터, 다음 시간 t+1에 대응되는 데이터, t-1에 대응되는 데이터 및 t+1에 대응되는 데이터의 평균값 중 적어도 하나로 대체할 수 있다.
또한, 슬러지 지수 산출부(320)는 기설정된 시간 구간 동안 수집된 슬러지에 대한 데이터 중 기설정된 임계값을 초과하는 이상 데이터를 제거할 수 있다.
일측에 따르면, 슬러지 지수 산출부(320)는 유입수의 유량 데이터, MLSS 데이터, DO 농도 데이터, 시안화물 농도 데이터 및 COD 데이터 중 적어도 하나의 데이터 중 적어도 하나의 데이터에 대한 랜덤 특징 매핑을 통해 도출되는 특징 데이터를 입력 데이터로 구성할 수 있다.
또한, 슬러지 지수 산출부(320)는 유입수의 유량 데이터, MLSS 데이터, DO 농도 데이터, 시안화물 농도 데이터 및 COD 데이터 중 적어도 하나의 데이터를 입력 데이터로 구성할 수도 있다.
다시 말해, 슬러지 지수 산출부(320)는 슬러지에 대한 데이터뿐만 아니라, 슬러지에 대한 데이터에 기초하여 랜덤하게 생성되는 특징 데이터를 입력 데이터로 구성함으로써, SVI 수치값 산출의 정확도 및 신뢰도를 향상시킬 수 있으며, 이를 랜덤 특징 매핑이라고 한다.
구체적으로, 슬러지 지수 산출부(320)는 ELM에서 히든 레이어의 수를 입력 가중치 팩터(input weight factor)와 바이어스(bias) 수에 맞게 설정함으로써 최소자승법(Least-squares approach)를 활용해 출력 가중치 팩터(output weight factor)를 계산할 수 있으며, 이에 히든 레이어 내 정보를 활용할 수 있고, ELM은 유니버셜 어프록시메이션(Universial approximation)으로서 작용될 수 있다.
일측에 따르면, 슬러지 지수 산출부(320)는 슬러지 지수 예측 모델에 구비된 스택 오토 인코더(stacked autoencoders, SAE)로부터 잠재 변수로 인코딩된 적어도 하나의 값을 산출할 수 있다.
예를 들면, 잠재 변수로 인코딩된 적어도 하나의 값은 스택 오토 인코더를 구성하는 제1 내지 제n 인코딩 레이어 중 제n 인코딩 레이어로부터 출력되는 출력 값일 수 있다.
구체적으로, 슬러지 지수 산출부(320)는 ELM에서 이미 훈련된(pre-trained) 잠재 변수의 출력 가중치 벡터() 값을 DBN에 적용한 후 DBN을 훈련시킴으로써 훈련에 소요되는 시간을 절약할 수 있으며 또한 SVI 수치값을 예측하기 위해 훈련된 레이어의 가중치 값을 활용하여 슬러지 팽화 예측의 정확도 향상에 기여할 수 있다. 여기서, ELM의 잠재 변수는 layer-by-layer learning approach 으로서 작용할 수 있다.
일실시예에 따른 슬러지 상태 산출부(330)는 산출된 SVI 수치값을 기저장된 슬러지 상태 분류 모델에 입력하여 슬러지에 대한 상태 예측 결과를 산출할 수 있다. 예를 들면, 슬러지 상태 분류 모델은 DBN(deep-belief network) 모델일 수 있다.
일측에 따르면, 슬러지 상태 산출부(330)는 슬러지 지수 산출부(320)를 통해 최종 출력되는 SVI 수치값과, 슬러지 지수 산출부(320)에 구비된 적어도 하나의 오토 인코더로부터 도출되는 잠재 변수로 인코딩된 적어도 하나의 값을 슬러지 상태 분류 모델에 입력하여 상태 예측 결과를 산출할 수 있다.
또한, 슬러지 상태 산출부(330)는 슬러지의 팽화 상태의 예측 결과를 정상(normal), 보통(moderate) 및 나쁨(worst) 중 적어도 하나로 산출할 수 있다.
다시 말해, 슬러지 상태 산출부(330)는 SVI 수치값뿐만 아니라, 슬러지의 팽화 상태를 예측하는데 유의미한 데이터인 잠재 변수로 인코딩된 적어도 하나의 값을 슬러지 상태 분류 모델의 입력 데이터로 제공함으로써, 슬러지의 팽화 상태를 보다 정확하게 산출할 수 있다.
도 4는 일실시예에 따른 슬러지 팽화 모니터링 장치를 보다 구체적으로 설명하기 위한 도면이다.
도 4를 참조하면, 도면부호 400은 일실시예에 따른 슬러지 팽화 모니터링 장치에서 SVI 수치값 및 슬러지의 팽화 상태를 산출하는 과정을 예시한다.
도면부호 400에 따르면, 슬러지 팽화 모니터링 장치는 유입수의 유량 데이터, MLSS 데이터, DO 농도 데이터, 시안화물 농도 데이터 및 COD 데이터 중 적어도 하나의 데이터를 슬러지에 대한 데이터로 수집할 수 있으며, 여기서 수집된 슬러지에 대한 데이터는 하수처리시설에 구비된 적어도 하나의 센서로부터 수집된 과거 프로세스 데이터(historical process data)일 수 있다.
다음으로, 슬러지 팽화 모니터링 장치는 슬러지에 대한 데이터에 기초하는 랜덤 특징 매핑 및 자기상관 프로세스(autocorrelation process)를 수행하여 입력 데이터(input data)를 구성할 수 있다.
다음으로, 슬러지 팽화 모니터링 장치는 구성된 입력 데이터를 슬러지 예측 모델(즉, SAE-ELM 모델)에 입력하여 슬러지에 대한 SVI 수치값을 산출할 수 있다.
구체적으로, SAE-ELM 모델은 복수의 오토 인코더 레이어(SAE layer) 및 출력 레이어(ELM final layer)를 포함할 수 있으며, 여기서 복수의 오토 인코더 레이어는 제1 내지 제n 인코딩 레이어와, 제n+1 내지 제n+k 디코딩 레이어(여기서, k는 양의 정수)를 포함할 수 있다.
일측에 따르면, 슬러지 팽화 모니터링 장치는 SAE-ELM 모델의 출력 레이어로부터 최종 출력되는 SVI 수치값과, 오토 인코더 레이어로부터 출력되는 잠재 변수로 인코딩된 적어도 하나의 값을 도출할 수 있다.
바람직하게는, 잠재 변수로 인코딩된 적어도 하나의 값은 제n 인코딩 레이어로부터 출력될 수 있다.
다음으로, 슬러지 팽화 모니터링 장치는 산출된 SVI 수치값과 잠재 변수로 인코딩된 적어도 하나의 값을 DBN 모델(즉, 슬러지 상태 분류 모델)에 입력하여 슬러지의 팽화 상태의 예측 결과를 산출할 수 있다.
구체적으로, DBN 모델은 SAE-ELM 모델로부터 출력되는 SVI 수치값과 잠재 변수로 인코딩된 적어도 하나의 값을 입력으로 수신하는 입력부와, 지도 학습 파인-튜닝부(supervised fine-tuning) 및 비지도 학습 파인-튜닝부(unsupervised fine-tuning)를 포함할 수 있으며, 슬러지 팽화 모니터링 장치는 DBN 모델에 의한 예측 피팅(prediction fitting)을 통해 슬러지의 팽화 상태를 예측할 수 있다.
도 5a 내지 도 5b는 일실시예에 따른 슬러지 팽화 모니터링 장치의 심층 기계학습 모델을 설명하기 위한 도면이다.
도 5a 내지 도 5b를 참조하면, 도면부호 510은 일실시예에 따른 슬러지 지수 예측 모델(즉, SAE-ELM 모델)을 예시하고, 도면부호 520은 일실시예에 따른 슬러지 상태 분류 모델(즉, DBN 모델)을 예시한다.
도면부호 510에 따르면, 일실시예에 따른 슬러지 지수 예측 모델은 복수의 인코딩 레이어(layer 1 내지 layer n)를 구비하는 인코더와, 복수의 디코딩 레이어(layer n+2 내지 layer n+4)를 구비하는 디코더 및 출력 레이어(layer d)를 포함할 수 있다.
슬러지 지수 예측 모델은 유입수의 유량 데이터, MLSS 데이터, DO 농도 데이터, 시안화물 농도 데이터 및 COD 데이터 중 적어도 하나의 데이터를 슬러지에 대한 데이터(input feature)로 수신하고, 슬러지에 대한 데이터에 기초한 랜덤 특징 매핑을 통해 입력 데이터를 구성할 수 있으며, 구성된 입력 데이터에 기초하여 인코더의 제1 레이어(layer 1)를 구성할 수 있다.
또한, 슬러지 지수 예측 모델은 출력 레이어(layer d)를 통해 입력 데이터에 대응되는 SVI 수치값을 산출하고, 인코더로부터 잠재 변수로 인코딩된 적어도 하나의 값을 출력할 수 있다. 바람직하게는 잠재 변수로 인코딩된 적어도 하나의 값은 제n+1 레이어(layer n+1)를 구성하는 데이터(즉, 노드)의 값을 의미할 수 있다.
구체적으로, 슬러지 지수 예측 모델의 랜덤 특징 매핑은 보편적인 근사를 허용하고 은닉 레이어(hidden layer) 표현에 대하여 보다 많은 정보를 구현할 수 있으며, 슬러지 지수 예측 모델을 구현하기 위해 이하에서 설명하는 3가지 과정이 수행될 수 있다.
우선, 첫번째 과정에서는 은닉 레이어의 은닉 노드(L), 입력 가중치(w) 및 바이어스(biases)(bi)를 무작위로 할당할 수 있다.
두번째 과정에서는 하기 수식1과 같이 N개의 트레이닝 샘플 X = (xi, ti)에 대한 비선형 활성화 함수()의 연산을 통해 은닉 레이어에서 출력되는 가중치 행렬(H)을 산출할 수 있다.
[수식1]
여기서, b는 임의의 상수 값을 의미한다.
마지막으로, 세번째 과정에서는 하기 수식2를 이용하여 출력 가중치 벡터()를 산출할 수 있다.
[수식2]
여기서, 는 하기 수식3을 통해 연산되는 은닉 레이어의 무어-펜로즈 유사역행렬(Moore-Penrose generalized inverse matrix), 는 하기 수식4에 개시된 트래이닝 세트의 타겟 벡터(target vector)를 의미한다.
[수식3]
[수식4]
또한, 슬러지 지수 예측 모델에서 인코딩된 출력은 하기 수식5에 개시된 에러 기반의 목적 함수(J)를 최소화하여 입력을 근사화할 수 있다.
[수식5]
여기서, 를 의미한다.
한편, ELM은 지도 특징 회귀(supervised feature regression) 및 비지도 다계층 특징 인코딩(unsupervised multilayer feature encoding)으로 구분할 수 있으며, 특징 추출을 위해 희소 오토 인코더를 사용할 수 있다.
또한, ELM에서는 오토 인코더의 파라미터를 미세 조정할 필요가 없으며, 특징 추출과 회귀를 개별적으로 사용하여 트레이닝 속도를 향상시킬 수 있다.
도면부호 520에 따르면, 슬러지 상태 분류 모델은 슬러지 지수 예측 모델로부터 출력되는 SVI 수치값과 잠재 변수로 인코딩된 적어도 하나의 값을 입력으로 수신하여 슬러지의 팽화 상태의 예측 결과를 산출할 수 있다.
일측에 따르면, 슬러지 상태 분류 모델은 슬러지의 팽화 상태의 예측 결과를 정상(normal), 보통(moderate) 및 나쁨(worst) 중 적어도 하나로 산출할 수 이다.
슬러지 상태 분류 모델(즉, DBN 모델)은 완전히 연결된 가시 레이어(visible layer)(X)와 은닉 레이어(hidden layer)(h)를 구비하는 확률론적 제한 볼츠만 기계(restricted Boltzmann machine, RBM)를 사용하는 모델로, RBM은 학습된 특징을 이용하여 입력 데이터를 재생성하여 학습을 수행할 수 있다.
구체적으로, 하기 수식6의 에너지 기반 확률 모델은 가시 변수와 은닉 변수 사이의 공동 분포를 생성할 수 있다.
[수식6]
여기서, 는 RBM의 hidden-given-hidden unit를 기반으로 하는 조건부 분포를 나타낸다.
슬러지 상태 분류 모델은 각 RBM 레이어를 다음 레이어의 입력이 되는 가중치 행렬로 계산할 수 있으며, 발산 알고리즘(divergence algorithm)은 트레이닝 파라미터를 업데이트하는데 사용될 수 있다.
이하에서는, 파라미터를 업데이트 하는 과정에 대해 설명하기로 한다.
우선, 첫번째 과정에서는 하기 수식7을 통해 슬러지 상태 분류 모델의 초기 은닉 레이어를 도출할 수 있다.
[수식7]
여기서, w는 초기화된 가중치 행렬(initialized weight matrix)이고 A는 바이어스 벡터(bias vector)를 의미한다.
다음으로, 두번째 과정에서는 하기 수식8을 통해 가시 레이어를 재구성()하고, 하기 수식9를 통해 은닉 레이어를 재구성()할 수 있다.
[수식8]
[수식9]
여기서, 는 완전히 연결된 인공 신경망(fully connected neural network), 는 바이어스 벡터(bias vector)를 의미한다(여기서, ≠ ).
마지막으로, 세번째 과정에서는 하기 수식10을 통해 가중치의 차이()를 연산할 수 있다.
[수식10]
여기서, ζ는 배치(batch) 크기를 의미하며, 배치의 크기가 수렴할 때까지 프로세스가 반복 수행될 수 있다.
도 6a 내지 도 6d는 일실시예에 따른 슬러지 지수 예측 모델의 SVI 모델링 성능을 설명하기 위한 도면이다.
도 6a 내지 도 6d를 참조하면, 도면부호 610은 예측된 SVI 수치값의 시계열에 대한 슬러지 지수 예측 모델(즉, ELM-SAE 모델)의 시계열적으로 측정된 예측 성능을 예시하고, 도면부호 620은 예측 및 실험을 통해 산출된 SVI 수치값에 기초하는 슬러지 지수 예측 모델의 예측 성능을 예시한다.
도면부호 630은 생성된 잔차에 대한 ELM-SAE 모델의 에측 성능을 예시하고, 도면부호 640은 모델 잔차에 대한 분위수 플롯의 예측 성능을 예시 한다.
구체적으로, 도면부호 610 및 620에 따르면, ELM-SAE 모델은 데이터 세트에서 생성된 패턴에 적응하여 운영 의사 결정에 중요한 피크를 캡처할 수 있으며, 실험을 통해 도출된 SVI 수치값과 ELM-SAE 모델을 통해 예측된 SVI 수치값 간에는 거의 차이가 없는 것으로 나타났다.
도면부호 630 및 640는 ELM-SAE 모델로부터 산출된 잔차와 관련이 있으며, 이 구간을 초과한 단일 점을 제외하고는 [-10, 10] 구간에서 값을 유지하였으며, 잔차의 분위수 플롯은 이러한 오류가 정규 분포에 가깝고 극단적인 관찰의 결과를 나타내지 않는다는 것을 암시하므로, ELM-SAE 모델은 SVI 모델링에 매우 적합한 것으로 볼 수 있다.
도 7a 내지 도 7b는 일실시예에 따른 슬러지 지수 예측 모델과 기존 방법 간의 SVI 모델링 성능의 비교 결과를 설명하기 위한 도면이다.
도 7a 내지 도 7b를 참조하면, 도면부호 710은 일실시예에 따른 슬러지 지수 예측 모델(ELM-SAE)과, 기존 방법(RBFNN, Bayesian, Dynamic ARX, Autoencoder)의 SVI 모델링 성능의 비교 결과를 예시한다.
구체적으로, 도면부호 710의 (a)는 RMSE(root mean square error)의 비교 결과를 예시하고, 도면부호 710의 (b)는 R2(R Squared Score)의 비교 결과를 예시하며, 도면부호 710의 (c)는 MAPE(mean absolute percentage error)의 비교 결과를 예시한다.
또한, 도면부호 720은 일실시예에 따른 슬러지 지수 예측 모델(ELM-SAE)과, 기존 방법(RBFNN, Bayesian, Dynamic ARX, Autoencoder)의 절대 잔차 분포(distribution of absolute residuals)를 예시한다.
도면부호 710 및 720에 따르면, 슬러지 지수 예측 모델(ELM-SAE)의 SVI 모델링 성능이 가장 우수한 것으로 나타났다.
구체적으로, SVI 모델링에 가장 부적합한 방법은 Dynamic ARX인 것으로 나타났으며, RBFNN의 잔차는 상당한 편차를 보여 편차 값이 '50'에 이르는 것을 확인할 수 있다.
Dynamic ARX의 잔차는 RBFNN 보다는 편차가 적은 것으로 나타났으나, 일부 특이치는 '100'을 초과하는 값에 도달하여, 이 방법으로 SVI 모델링을 수행하기에는 신뢰도가 낮은 것으로 나타났다. Autoencoder는 슬러지 지수 예측 모델(ELM-SAE)과 함께 잔차의 편차 및 MAPE가 가장 낮은 것으로 나타났다.
도 8a 내지 도 8c는 일실시예에 따른 슬러지 상태 분류 모델의 상태 분류 성능을 설명하기 위한 도면이다.
도 8a 내지 도 8c를 참조하면, 도면부호 810은 슬러지 상태 분류 모델(즉, DBN 모델)을 이용하여 슬러지의 팽화 상태를 정상(normal) 상태로 분류한 결과를 예시하고, 도면부호 820은 슬러지 상태 분류 모델을 이용하여 슬러지의 팽화 상태를 보통(moderate) 상태로 분류한 결과를 예시하며, 도면부호 830은 슬러지 상태 분류 모델을 이용하여 슬러지의 팽화 상태를 나쁨(worst) 상태로 분류한 결과를 보통(moderate) 상태로 산출한 결과를 예시한다.
도면부호 810 내지 830에 따르면, 일실시예에 따른 슬러지 상태 분류 모델은 슬러지의 팽화 상태를 보다 높은 정확도로 분류하는 것으로 나타났다.
도 9a 내지 도 9b는 일실시예에 따른 슬러지 상태 분류 모델과 기존 방법 간의 상태 분류 성능의 비교 결과를 설명하기 위한 도면이다.
도 9a 내지 도 9b를 참조하면, 도면부호 910은 일실시예에 따른 슬러지 상태 분류 모델(DBN)과 기존 방법(Adaboost, Ridge, Qua.Dis, Lin.Dis)의 상태 분류 성능의 비교 결과를 예시한다.
또한, 도면부호 920은 슬러지 상태 분류 모델의 분류 성능에 대한 혼동 행렬(confusion matrix)을 예시한다.
도면부호 910에 따르면, 슬러지 상태 분류 모델(DBN)은 4가지 메트릭(specificity, precision, accuracy, sensitivity) 모두에서 기존 방법(Adaboost, Ridge, Qua.Dis, Lin.Dis) 보다 우수한 성능을 보이는 것으로 나타났다.
또한, 도면부호 920에 따르면, 슬러지 상태 분류 모델(DBN)은 평균 90.7%의 높은 분류 정확도를 보였으며, 이 모델은 2차 침전조가 광범위한 조건에서 구동되었음에도 불구하고 91.01%의 정밀도와 95.88%의 감도를 보였다.
이러한 결과는 슬러지 상태 분류 모델(DBN)이 임의의 특징 공간을 추출할 수 있어 기존에 사용된 모델보다 안정적인 분류 결과를 산출할 수 있음을 나타내며, 이러한 슬러지 상태 분류 모델(DBN)은 local minima에 빠지는 문제 및 과적합을 방지하여 비선형 분류를 구현할 수 있다.
도 10은 일실시예에 따른 슬러지 팽화 모니터링 방법을 설명하기 위한 도면이다.
다시 말해, 도 10은 도 1 내지 도 9b를 통해 설명한 일실시예에 따른 슬러지 팽화 모니터링 장치의 동작방법을 설명하는 도면으로, 이하에서 도 10을 통해 설명하는 내용 중 도 1 내지 도 9b를 통해 설명한 내용과 중복되는 설명은 생략하기로 한다.
도 10을 참조하면, 1010 단계에서 일실시예에 따른 모니터링 방법은 데이터 수집부에서, 하수처리시설에 구비된 적어도 하나의 센서로부터 슬러지에 대한 데이터를 수집할 수 있다.
일측에 따르면, 1010 단계에서 일실시예에 따른 모니터링 방법은 데이터 수집부에서, 유입수의 유량 데이터, MLSS(mixed liquor suspended solids) 데이터, DO(dissolved oxygen) 농도 데이터, 시안화물(cyanide) 농도 데이터 및 COD(influent chemical oxygen demand) 데이터 중 적어도 하나의 데이터를 슬러지에 대한 데이터로 수집할 수 있다.
다음으로, 1020 단계에서 일실시예에 따른 모니터링 방법은 슬러지 지수 산출부에서, 슬러지에 대한 데이터에 기초하여 입력 데이터를 구성하고, 입력 데이터를 기저장된 슬러지 지수 예측 모델에 입력하여 슬러지에 대한 SVI(sludge volume index) 수치값을 산출할 수 있다.
예를 들면, 슬러지 지수 예측 모델은 SAE-ELM(stacked autoencoder - extreme learning machine) 모델일 수 있다.
일측에 따르면, 1020 단계에서 일실시예에 따른 모니터링 방법은 슬러지 지수 산출부에서, 적어도 하나의 데이터와, 적어도 하나의 데이터에 대한 랜덤 특징 매핑(random feature mapping)을 통해 도출되는 데이터를 입력 데이터로 구성할 수 있다.
일측에 따르면, 1020 단계에서 일실시예에 따른 모니터링 방법은 슬러지 지수 산출부에서, 슬러지 지수 예측 모델에 구비된 스택 오토 인코더(stacked autoencoders, SAE)로부터 잠재 변수로 인코딩된 적어도 하나의 값을 산출할 수 있다.
다음으로, 1030 단계에서 일실시예에 따른 모니터링 방법은 슬러지 상태 산출부에서, 산출된 SVI 수치값을 기저장된 슬러지 상태 분류 모델에 입력하여 슬러지에 대한 상태 예측 결과를 산출할 수 있다.
예를 들면, 슬러지 상태 분류 모델은 DBN(deep-belief network) 모델일 수 있다.
일측에 따르면, 1030 단계에서 일실시예에 따른 모니터링 방법은 슬러지 상태 산출부에서, 산출된 SVI 수치값과 잠재 변수로 인코딩된 적어도 하나의 값을 슬러지 상태 분류 모델에 입력하여 상태 예측 결과를 산출할 수 있다.
결국, 본 발명을 이용하면, 심층 기계학습에 기반하여 하수처리장의 슬러지 진단 소프트 센서 및 팽화 모니터링 기술을 구현할 수 있다.
또한, 본 발명을 이용하면, 심층 기계학습에 기반하여 하수처리시설에 유입되는 하수의 변동에 따른 반응조 내 슬러지 상태 변화를 정확히 모니터링할 수 있다.
또한, 본 발명을 이용하면, 랜덤 특징 매핑을 통해 추가적인 특징 데이터를 도출하여 SVI 수치값을 보다 정확하게 산출할 수 있다.
또한, 본 발명을 이용하면, SVI 수치값과 잠재 변수로 인코딩된 값을 이용하여 슬러지의 상태를 보다 정확하게 예측할 수 있다.
본 발명의 일실시예에 따른 슬러지 팽화 모니터링 장치는 성능 실험 결과, 하수처리시설의 SVI 수치값을 기존의 방법보다 38% 내지 78% 더 정확하게 예측할 수 있고, 슬러지 상태를 90.7%의 정확성과 91% 정밀도로 분류하는 것으로 나타났으며, 이를 통해 본 발명은 하수처리장의 슬러지 상태에 따라 최적의 제어 전략 수립이 가능하며, 운전 효율을 높일 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들면, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 장치, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
300: 슬러지 팽화 모니터링 장치 310: 데이터 수집부
320: 슬러지 지수 산출부 330: 슬러지 상태 산출부

Claims (12)

  1. 하수처리시설에 구비된 적어도 하나의 센서로부터 슬러지에 대한 데이터를 수집하는 데이터 수집부;
    상기 슬러지에 대한 데이터에 기초하여 입력 데이터를 구성하고, 상기 입력 데이터를 기저장된 슬러지 지수 예측 모델에 입력하여 상기 슬러지에 대한 SVI(sludge volume index) 수치값을 산출하는 슬러지 지수 산출부 및
    상기 산출된 SVI 수치값을 기저장된 슬러지 상태 분류 모델에 입력하여 상기 슬러지에 대한 상태 예측 결과를 산출하는 슬러지 상태 산출부
    를 포함하는 슬러지 팽화 모니터링 장치.
  2. 제1항에 있어서,
    상기 슬러지 지수 예측 모델은 SAE-ELM(stacked autoencoder - extreme learning machine) 모델이고, 상기 슬러지 상태 분류 모델은 DBN(deep-belief network) 모델인
    슬러지 팽화 모니터링 장치.
  3. 제1항에 있어서,
    상기 데이터 수집부는,
    유입수의 유량 데이터, MLSS(mixed liquor suspended solids) 데이터, DO(dissolved oxygen) 농도 데이터, 시안화물(cyanide) 농도 데이터 및 COD(influent chemical oxygen demand) 데이터 중 적어도 하나의 데이터를 상기 슬러지에 대한 데이터로 수집하는
    슬러지 팽화 모니터링 장치.
  4. 제3항에 있어서,
    상기 슬러지 지수 산출부는,
    상기 적어도 하나의 데이터에 대한 랜덤 특징 매핑(random feature mapping)을 통해 도출되는 특징 데이터를 상기 입력 데이터로 구성하는
    슬러지 팽화 모니터링 장치.
  5. 제1항에 있어서,
    상기 슬러지 지수 산출부는,
    상기 슬러지 지수 예측 모델에 구비된 스택 오토 인코더(stacked autoencoders, SAE)로부터 잠재 변수로 인코딩된 적어도 하나의 값을 산출하는
    슬러지 팽화 모니터링 장치.
  6. 제5항에 있어서,
    상기 슬러지 상태 산출부는,
    상기 산출된 SVI 수치값과 상기 잠재 변수로 인코딩된 적어도 하나의 값을 상기 슬러지 상태 분류 모델에 입력하여 상기 상태 예측 결과를 산출하는
    슬러지 팽화 모니터링 장치.
  7. 제1항에 있어서,
    상기 슬러지 상태 산출부는,
    상기 슬러지의 팽화 상태의 예측 결과를 정상(normal), 보통(moderate) 및 나쁨(worst) 중 적어도 하나로 산출하는
    슬러지 팽화 모니터링 장치.
  8. 데이터 수집부에서, 하수처리시설에 구비된 적어도 하나의 센서로부터 슬러지에 대한 데이터를 수집하는 단계;
    슬러지 지수 산출부에서, 상기 슬러지에 대한 데이터에 기초하여 입력 데이터를 구성하고, 상기 입력 데이터를 기저장된 슬러지 지수 예측 모델에 입력하여 상기 슬러지에 대한 SVI(sludge volume index) 수치값을 산출하는 단계 및
    슬러지 상태 산출부에서, 상기 산출된 SVI 수치값을 기저장된 슬러지 상태 분류 모델에 입력하여 상기 슬러지에 대한 상태 예측 결과를 산출하는 단계
    를 포함하는 슬러지 팽화 모니터링 방법.
  9. 제8항에 있어서,
    상기 슬러지에 대한 데이터를 수집하는 단계는,
    상기 데이터 수집부에서, 유입수의 유량 데이터, MLSS(mixed liquor suspended solids) 데이터, DO(dissolved oxygen) 농도 데이터, 시안화물(cyanide) 농도 데이터 및 COD(influent chemical oxygen demand) 데이터 중 적어도 하나의 데이터를 상기 슬러지에 대한 데이터로 수집하는
    슬러지 팽화 모니터링 방법.
  10. 제9항에 있어서,
    상기 슬러지에 대한 SVI 수치값을 산출하는 단계는,
    상기 슬러지 지수 산출부에서, 상기 적어도 하나의 데이터와, 상기 적어도 하나의 데이터에 대한 랜덤 특징 매핑(random feature mapping)을 통해 도출되는 데이터를 상기 입력 데이터로 구성하는
    슬러지 팽화 모니터링 방법.
  11. 제8항에 있어서,
    상기 슬러지에 대한 SVI 수치값을 산출하는 단계는,
    상기 슬러지 지수 산출부에서, 상기 슬러지 지수 예측 모델에 구비된 스택 오토 인코더(stacked autoencoders, SAE)로부터 잠재 변수로 인코딩된 적어도 하나의 값을 산출하는
    슬러지 팽화 모니터링 방법.
  12. 제11항에 있어서,
    상기 슬러지에 대한 상태 예측 결과를 산출하는 단계는,
    상기 슬러지 상태 산출부에서, 상기 산출된 SVI 수치값과 상기 잠재 변수로 인코딩된 적어도 하나의 값을 상기 슬러지 상태 분류 모델에 입력하여 상기 상태 예측 결과를 산출하는
    슬러지 팽화 모니터링 방법.
KR1020220055968A 2022-05-06 2022-05-06 심층 기계학습에 기반하는 슬러지 팽화 모니터링 장치 및 그 방법 KR20230156506A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220055968A KR20230156506A (ko) 2022-05-06 2022-05-06 심층 기계학습에 기반하는 슬러지 팽화 모니터링 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220055968A KR20230156506A (ko) 2022-05-06 2022-05-06 심층 기계학습에 기반하는 슬러지 팽화 모니터링 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20230156506A true KR20230156506A (ko) 2023-11-14

Family

ID=88745155

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220055968A KR20230156506A (ko) 2022-05-06 2022-05-06 심층 기계학습에 기반하는 슬러지 팽화 모니터링 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR20230156506A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100861991B1 (ko) 2008-02-25 2008-10-07 (주)태성종합기술 이미지분석법에 의한 슬러지 침전상태 감지방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100861991B1 (ko) 2008-02-25 2008-10-07 (주)태성종합기술 이미지분석법에 의한 슬러지 침전상태 감지방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
미국등록특허 제10,919,791호, "INTELLIGENT IDENTIFICATION METHOD OF SLUDGE BULKING BASED ON TYPE-2 FUZZY NEURAL NETWORK"
미국등록특허 제11,144,816호, "FAULT IDENTIFYING METHOD FOR SLUDGE BULKING BASED ON A RECURRENT RBF NEURAL NETWORK"

Similar Documents

Publication Publication Date Title
Bagheri et al. Advanced control of membrane fouling in filtration systems using artificial intelligence and machine learning techniques: A critical review
Bagheri et al. Modeling and optimization of activated sludge bulking for a real wastewater treatment plant using hybrid artificial neural networks-genetic algorithm approach
CN111291937A (zh) 基于支持向量分类与gru神经网络联合的处理污水水质预测方法
Badrnezhad et al. Modeling and optimization of cross-flow ultrafiltration using hybrid neural network-genetic algorithm approach
Baxter et al. Development of a full-scale artificial neural network model for the removal of natural organic matter by enhanced coagulation
JPH0315902A (ja) 知識抽出方法およびプロセス運転支援システム
CN111160776A (zh) 利用分块主成分分析的污水处理过程异常工况检测方法
Ray et al. A holistic review on how artificial intelligence has redefined water treatment and seawater desalination processes
Jana et al. Optimization of effluents using artificial neural network and support vector regression in detergent industrial wastewater treatment
Al-Shayji Modeling, simulation, and optimization of large-scale commercial desalination plants
CN112417765B (zh) 一种基于改进师生网络模型的污水处理过程故障检测方法
William et al. Architecture for AI-Based Validation of Wastewater Management Using Open Data Exchange Technique
Wu et al. Data-driven intelligent warning method for membrane fouling
Mao et al. Comparative study on prediction of fuel cell performance using machine learning approaches
CN111204867B (zh) 膜生物反应器-mbr膜污染智能决策方法
CN105372995A (zh) 污水处理系统测控方法
Rustum Modelling activated sludge wastewater treatment plants using artificial intelligence techniques (fuzzy logic and neural networks)
KR20230156506A (ko) 심층 기계학습에 기반하는 슬러지 팽화 모니터링 장치 및 그 방법
Zhang et al. Effluent Quality Prediction of Wastewater Treatment System Based on Small-world ANN.
CN114861543A (zh) 一种数据驱动的石化污水可生化性智能评价方法
Zhao et al. Enhanced classification based on probabilistic extreme learning machine in wastewater treatment process
Han et al. Knowledge-based fuzzy broad learning algorithm for warning membrane fouling
Ren et al. Multivariable identification of membrane fouling based on compacted cascade neural network
Roda et al. Development of a case-based system for the supervision of an activated sludge process
CN111815151A (zh) 一种基于数据挖掘的污水处理厂甲烷产量预测方法