WO2020021688A1 - 水処理プラントおよび水処理プラントの運転方法 - Google Patents

水処理プラントおよび水処理プラントの運転方法 Download PDF

Info

Publication number
WO2020021688A1
WO2020021688A1 PCT/JP2018/028152 JP2018028152W WO2020021688A1 WO 2020021688 A1 WO2020021688 A1 WO 2020021688A1 JP 2018028152 W JP2018028152 W JP 2018028152W WO 2020021688 A1 WO2020021688 A1 WO 2020021688A1
Authority
WO
WIPO (PCT)
Prior art keywords
water treatment
detection data
control
time
calculation
Prior art date
Application number
PCT/JP2018/028152
Other languages
English (en)
French (fr)
Inventor
洋平 上野
英二 今村
拓見 須田
安永　望
卓嗣 川田
剛 若松
健太 霜田
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to US17/261,570 priority Critical patent/US20210263490A1/en
Priority to PCT/JP2018/028152 priority patent/WO2020021688A1/ja
Priority to JP2018562683A priority patent/JP6764487B2/ja
Publication of WO2020021688A1 publication Critical patent/WO2020021688A1/ja

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • 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
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2605—Wastewater treatment

Definitions

  • the present invention relates to a water treatment plant that performs water treatment such as tap water or sewage, and an operation method of the water treatment plant.
  • Water treatment plants perform water treatment control while changing control target values according to environmental changes. For example, a water treatment control is performed in a water treatment plant according to an environmental change by changing a control target value according to a change in a seasonal temperature difference, a flow rate of inflow water, a quality of inflow water, and the like.
  • Patent Literature 1 proposes a technique using AI (Artificial @ Intelligent) for control of a sewage treatment device so that an operator's experience can be reflected on a change in a control target value according to an environmental change.
  • AI Artificial @ Intelligent
  • detection data indicating a current value of a state in the sewage treatment device output from a sensor that detects a state in the sewage treatment device is input to the AI device, and the sewage treatment device is configured based on an output of the AI device. Controlled.
  • water treatment control is performed in consideration of a future state from a current state in the water treatment apparatus.
  • a water treatment environment such as a state or an environment of a water treatment device has a connection before and after time while changing every moment, but the connection before and after such time is not enough. Not considered.
  • the present invention has been made in view of the above, and an object of the present invention is to provide a water treatment plant that can perform more effective water treatment control with respect to environmental changes.
  • a water treatment plant is a water treatment plant that performs water treatment using a water treatment device, and repeatedly detects a water treatment environment of the water treatment device and generates time-series detection data that is time-series detection data.
  • FIG. 2 is a diagram illustrating a configuration example of a processing apparatus according to the first embodiment
  • FIG. 3 is a diagram illustrating an example of a data table stored in a storage device according to the first embodiment
  • FIG. 3 is a diagram illustrating a configuration example of an arithmetic device according to the first embodiment
  • FIG. 3 is a diagram illustrating a configuration example of a control device according to the first embodiment
  • 5 is a flowchart illustrating an example of processing of the processing device according to the first embodiment
  • 5 is a flowchart illustrating an example of processing of the arithmetic device according to the first embodiment
  • 5 is a flowchart illustrating an example of a process performed by the control device according to the first embodiment
  • FIG. 2 is a diagram illustrating an example of a hardware configuration of a processing device according to the first embodiment.
  • FIG. 1 is a diagram schematically illustrating a water treatment plant according to the first embodiment.
  • the water treatment plant 100 according to the first embodiment includes a water treatment device 1, a sensor 2, a treatment device 3, a calculation device 4, and a control device 5.
  • the arithmetic device 4 is an example of an AI device.
  • the water treatment device 1 is a device that performs water treatment such as tap water or sewage, and includes a control target device such as a pump or a blower that controls a state of water treatment.
  • the control device 5 controls the water treatment device 1.
  • the sensor 2 repeatedly detects the water treatment environment of the water treatment device 1 and outputs time-series detection data.
  • the water treatment environment of the water treatment device 1 includes at least one of a water treatment environment inside the water treatment device 1 and a water treatment environment outside the water treatment device 1.
  • the water treatment environment of the water treatment apparatus 1 may be simply referred to as a water treatment environment.
  • the processing device 3 causes the arithmetic device 4 to execute an arithmetic operation using the acquired time-series detection data as input data, and obtains the arithmetic result from the arithmetic device 4.
  • the calculation device 4 has a calculation model used for calculation related to control of the water treatment device 1, and the calculation model is generated by machine learning.
  • the calculation model used in the calculation by the calculation device 4 is a calculation model that outputs information related to the control of the water treatment device 1 based on a temporal change of the water treatment environment of the water treatment device 1. Is generated by machine learning based on the change over time.
  • the calculation model is, for example, a calculation model in which time-series detection data output from the sensor 2 is input and information on a control target value of the controlled device is output.
  • the control target value is, for example, a target value of a control amount of a device to be controlled such as a pump, a blower, or a heater that controls a water treatment state of the water treatment device 1.
  • the arithmetic unit 4 performs an arithmetic operation using the above-described calculation model using the time-series detection data acquired from the processing unit 3 as input data.
  • the calculation device 4 outputs information including a calculation result using the calculation model to the processing device 3.
  • the processing device 3 outputs information acquired from the arithmetic device 4 to the control device 5.
  • the control device 5 controls the water treatment device 1 based on the information output from the treatment device 3.
  • the arithmetic unit 4 is, for example, an AI called artificial intelligence or the like, and contributes to estimating a preferable control target value of the control target device through machine learning based on input time-series detection data.
  • the calculation model used for the calculation in the calculation device 4 may be a calculation model in which time-series detection data output from the sensor 2 is input and a predicted value of the water treatment environment is output. .
  • the processing device 3 can display the predicted value of the water treatment environment acquired from the arithmetic device 4 on a display device (not shown).
  • the operator of the water treatment plant 100 grasps the predicted value of the water treatment environment displayed on the display device (not shown), and controls the water treatment device 1 through the treatment device 3 based on the past experience. Can be controlled.
  • the operator of the water treatment plant 100 may be simply referred to as an operator.
  • the calculation using the calculation model generated by the machine learning based on the temporal change of the water treatment environment is performed.
  • the water treatment plant 100 can appropriately understand how the water treatment environment changes by considering the temporal change of the water treatment environment, and accurately predict future changes in the water treatment environment. can do. Therefore, the water treatment plant 100 can perform water treatment control in consideration of future changes in the water treatment environment, and can perform effective water treatment control in response to changes in the water treatment environment.
  • FIG. 2 is a diagram illustrating a configuration example of the water treatment plant according to the first embodiment.
  • sewage treatment will be described as an example of water treatment performed by the water treatment device 1.
  • the water treatment plant 100 includes a water treatment device 1, a sensor 2, a treatment device 3, a calculation device 4, a control device 5, a storage device 6, a display device, A device 7 and an input device 8 are provided.
  • the processing device 3, the arithmetic device 4, the control device 5, the storage device 6, the display device 7, and the input device 8 are communicably connected to each other via a communication network 9.
  • the communication network 9 is, for example, a LAN (Local Area Network), a WAN (Wide Area Network), a bus, or a dedicated line.
  • the water treatment device 1 shown in FIG. 2 is a sewage treatment device that treats sewage as treated water.
  • the water treatment apparatus 1 stores a sewage, which is an inflow water from a sewer, and sediments relatively sedimentable solids in the sewage.
  • the first sedimentation tank 11 and the supernatant water of the first sedimentation tank 11 are subjected to aerobic treatment.
  • a final sedimentation tank 13 for separating the activated sludge mixture flowing from the treatment tank 12 into supernatant water and activated sludge.
  • the supernatant water of the final settling tank 13 is discharged from the final settling tank 13 as treated water.
  • the supernatant water flowing from the precipitation tank 11 at first contains organic matter, and for example, the organic matter contained in the supernatant water is treated by digestion of aerobic microorganisms such as phosphorus accumulating bacteria, nitrifying bacteria, and denitrifying bacteria. You.
  • the water treatment apparatus 1 is further provided on a blower 14 for sending air into the treatment tank 12 to dissolve the air in the activated sludge mixture, and a pipe connecting the final sedimentation tank 13 and the treatment tank 12. And a pump 15 for returning the activated sludge from the treatment tank 13 to the treatment tank 12.
  • a blower 14 and the pump 15 is an example of the above-described control target device.
  • control target devices when the blower 14 and the pump 15 are not distinguished from each other, they may be referred to as control target devices.
  • each of the first settling tank 11, the processing tank 12, and the last settling tank 13 is shown without distinction, it may be simply described as a tank.
  • the water treatment plant 100 is provided with a sensor 2 including a plurality of sensors 20 1 to 20 m that respectively detect a water treatment environment of the water treatment device 1.
  • Each of the sensors 20 1 to 20 m detects, for example, a state or an environment in the water treatment apparatus 1.
  • the water treatment environment of the water treatment apparatus 1 includes, for example, the state in the tank such as the characteristics of the inflow into the tank, the state of the water treatment in the tank, and the characteristics of the outflow from the tank.
  • the environment in the water treatment device 1 includes, for example, the temperature and humidity of the atmosphere in the water treatment device 1.
  • the state inside the water treatment apparatus 1 will be described, but the same applies to the environment inside the water treatment apparatus 1, the state or environment outside the water treatment apparatus 1, and the like.
  • the sensors 20 1 to 20 4 detect inflow water characteristics which are characteristics of inflow water into the sedimentation tank 11 first.
  • Sensor 20 1 detects the characteristic value Da1 is inflow of influent.
  • Sensor 20 2 BOD of the inflow water: detecting a characteristic value Da2 is (Biochemical Oxygen Demand biochemical oxygen demand).
  • Sensor 20 3 detects a characteristic value Da3 which is the temperature of incoming water.
  • Sensor 20 4 the concentration of NH 3 in the inflow water, detecting a characteristic value Da4 is NH 4 + concentration or ammonium nitrogen concentration, the influent.
  • the sensors 20 5 to 20 m ⁇ 3 detect characteristics in the processing tank indicating the state of the processing tank 12.
  • Sensor 20 5 detects the characteristic value Da5 a dissolved oxygen in the treatment tank 12.
  • Sensor 20 6 detects a characteristic value Da6 are active microbe concentration in the treatment tank 12.
  • Sensor 20 7 detects a characteristic value Da7 a BOD in the treatment tank 12.
  • the sensors 20 8 to 20 m-3 are a plurality of sensors for detecting characteristic values Da8 to Dam-3 which are, for example, ammonia nitrogen concentration, nitrate nitrogen concentration, total nitrogen concentration, phosphoric phosphorus concentration, or total phosphorus concentration. including.
  • the sensors 20 m ⁇ 2 to 20 m detect a treated water characteristic that is a characteristic of treated water discharged from the final sedimentation tank 13.
  • Sensor 20 m-2 detects a characteristic value Dam,-2 is a outflow of the treated water.
  • the sensor 20 m-1 detects a characteristic value Dam-1 which is a BOD of the treated water.
  • Sensor 20 m detects a characteristic value Dam of the total nitrogen concentration in the treated water.
  • the sensor 2 may be a configuration that does not include some of the sensors 20 1 ⁇ 20 m, it may include a sensor other than the sensor 20 1 ⁇ 20 m.
  • the sensors 20 1 to 20 m detect the characteristic values Da1 to Dam indicating the state in the water treatment apparatus 1.
  • the sensor 2 outputs, for example, imaging data of the water treatment environment as detection data.
  • a device may be included.
  • each of the sensors 20 1 to 20 m when each of the sensors 20 1 to 20 m is shown without being distinguished from each other, it may be described as a sensor 20. Further, when each of the characteristic values Da1 to Dam is shown without being distinguished from each other, it may be described as a characteristic value Da.
  • FIG. 3 is a diagram illustrating a configuration example of the processing apparatus according to the first embodiment.
  • the processing device 3 includes a communication unit 31, a storage unit 32, and a control unit 33.
  • the communication unit 31 is connected to the communication network 9.
  • the control unit 33 can transmit and receive data to and from each of the arithmetic device 4, the control device 5, the storage device 6, the display device 7, and the input device 8 via the communication unit 31 and the communication network 9.
  • the control unit 33 includes a data processing unit 34, a display processing unit 35, an operation requesting unit 36, a reception processing unit 37, and an ASM simulator 38.
  • the data processing unit 34 repeatedly acquires the detection data output from the sensor 2.
  • the data processing unit 34 stores the detection data acquired from the sensor 2 in the storage device 6 in association with the time. Further, the data processing unit 34 acquires information output from the arithmetic device 4 and outputs the acquired information to the control device 5. In addition, the data processing unit 34 stores information acquired from the arithmetic device 4 in the storage device 6.
  • FIG. 4 is a diagram illustrating an example of a data table stored in the storage device according to the first embodiment.
  • the data table shown in FIG. 4 includes detection data for each time and a control target value. 4, the detection data D1 (t0), D1 (t1 ), ⁇ , D1 (tp), ⁇ , D1 (tq), ⁇ , D1 (tr) , the sensor 20 first detects data It is.
  • Detection data D2 (t0), D2 (t1 ), ⁇ , D2 (tp), ⁇ , D2 (tq), ⁇ , D2 (tr) is the detection data of the sensor 20 2.
  • Detection data D3 (t0), D3 (t1 ), ⁇ , D3 (tp), ⁇ , D3 (tq), ⁇ , D3 (tr) is the detection data of the sensor 20 3.
  • Detection data D4 (t0), D4 (t1 ), ⁇ , D4 (tp), ⁇ , D4 (tq), ⁇ , D4 (tr) is the detection data of the sensor 20 4.
  • Detection data Dm (t0), Dm (t1 ), ⁇ , Dm (tp), ⁇ , Dm (tq), ⁇ , Dm (tr) is the detection data of the sensor 20 m.
  • the detection data D1 (t0), D2 (t0), D3 (t0), D4 (t0),..., Dm (t0) are data constituting D (t0) output from the sensor 2 at time t0. is there.
  • the detection data D1 (t1), D2 (t1), D3 (t1), D4 (t1),..., Dm (t1) are data constituting D (t1) output from the sensor 2 at time t1. is there.
  • the detection data D1 (tp), D2 (tp), D3 (tp), D4 (tp),..., Dm (tp) are data constituting D (tp) output from the sensor 2 at time tp. is there.
  • the detection data D1 (tq), D2 (tq), D3 (tq), D4 (tq),..., Dm (tq) are data constituting D (tq) output from the sensor 2 at time tq. is there.
  • the detection data D1 (tr), D2 (tr), D3 (tr), D4 (tr),..., Dm (tr) are data constituting D (tr) output from the sensor 2 at the time tr. is there.
  • the data table shown in FIG. 4 includes information on the control target value of each control target device output from the processing device 3 to the control device 5 at each time.
  • the control target values RV2 (t0), RV2 (t1),..., RV2 (tp),..., RV2 (tq),. is there.
  • control target values RV1 (t0), RV1 (t1),..., RV1 (tp),..., RV1 (tq),. , Control target value RV1, and control target values RV2 (t0), RV2 (t1),..., RV2 (tp),..., RV2 (tq),. May be described as control target value RV2. Further, when the control target values RV1 and RV2 are indicated without being distinguished from each other, they may be described as control target values RV.
  • the data processing unit 34 reads from the storage device 6 the time-series detection data Dts1 and the time-series control target value RVts1 acquired at the time from the current time to a time before the period Tb.
  • the data table of the storage device 6 is in the state illustrated in FIG. 4, the current time is the time tr, and the period Tb before the current time is the time tq.
  • the data processing unit 34 includes a time-series detection data Dts1 including the detection data D (tq) to D (tr) and a time-series control target value including the control target values RV (tq) to RV (tr).
  • RVts1 is read from the storage device 6.
  • the time-series detection data Dts1 may not include the detection data of some of the sensors 20 1 to 20 m .
  • the data processing unit 34 outputs the time-series detection data Dts1 read from the storage device 6 and the time-series control target value RVts1 to the arithmetic unit 4 via the communication network 9.
  • the calculation requesting unit 36 outputs the time-series detection data Dts1 and the time-series control target value RVts1 to the arithmetic unit 4, so that the time-series detection data Dts1 and the time-series control target value RVts1 are used as input data.
  • the calculation is performed by the calculation device 4.
  • the data processing unit 34 transmits the time-series detection data Dts1 and the time-series control target value RVts1 to the arithmetic device 4, By repeatedly transmitting the newly obtained detection data D and the control target value RV, it is possible to cause the arithmetic unit 4 to execute an arithmetic operation using the calculation model.
  • the data processing unit 34 acquires information indicating the operation result output from the operation device 4, and outputs the obtained information to the control device 5.
  • the information output from the arithmetic device 4 includes, for example, control information including a control target value RV of the control target device.
  • the control device 5 performs water treatment based on the information output from the processing device 3.
  • the water treatment device 1 is controlled by controlling the control target device provided in the device 1.
  • the display processing unit 35 displays the detection data D obtained by the data processing unit 34 and the calculation result of the calculation device 4 on the display device 7. Further, the display processing unit 35 can acquire information input by an operation of the input device 8 by the operator from the storage device 6 and display the acquired information on the display device 7.
  • an operation performed by the operator on the input device 8 may be referred to as an operator operation.
  • the reception processing unit 37 can receive the setting of the control target value RV of the control device 5 based on the operator's operation.
  • the data processing unit 34 outputs the control target value RV received by the reception processing unit 37 to the control device 5, thereby causing the control device 5 to execute control based on the control target value RV received by the reception processing unit 37. be able to.
  • the reception processing unit 37 receives a selection of the time-series detection data Dts2 used for the learning process of the calculation model of the arithmetic unit 4 among the plurality of detection data D stored in the storage device 6 based on the operator's operation. For example, the reception processing unit 37 can receive a selection of the time-series detection data Dts2 from the plurality of detection data D stored in the storage device 6 by designating a period by an operator operation.
  • the reception processing unit 37 receives selection of the detection data D (tp) to D (tq) as the time-series detection data Dts2.
  • the detection data Dts2 may not include the detection data of some of the plurality of sensors 20 1 to 20 m , similarly to the detection data Dts1.
  • the operation requesting unit 36 acquires, from the storage device 6, the time-series detection data Dts2 whose selection has been received by the reception processing unit 37.
  • the calculation requesting unit 36 also includes a plurality of control target values respectively associated with a plurality of times at which a plurality of detection data D included in the time-series detection data Dts2 selected by the reception processing unit 37 are obtained.
  • the information of the time-series control target value RVts2 including RV is acquired from the storage device 6. For example, when the detection data D (tp) to D (tq) are selected, the time-series control target values RVts2 include the control target values RV (tp) to RV (tq).
  • the data processing unit 34 transmits learning data including the time-series detection data Dts2 and the time-series control target value RVts2 to the arithmetic unit 4 via the communication network 9. Thereby, the arithmetic unit 4 performs the learning process of the calculation model.
  • the ASM (Activated Sludge Model) simulator 38 is a simulator that simulates physical, biological, and scientific behavior in water treatment by performing calculations using an activated sludge model, for example.
  • Such an activated sludge model is a model that mathematically describes a biological reaction process and a change in water quality of a material balance, and is published by, for example, IWA (International Water Association).
  • the ASM simulator 38 can predict the characteristics in the treatment tank and the characteristics of the treated water from the characteristic value Da indicating the state in the water treatment device 1 by a calculation using an activated sludge model, for example.
  • the reception processing unit 37 receives a request for a learning process by the ASM simulator 38 based on an operator operation.
  • the ASM simulator 38 When receiving the request for the learning process, the ASM simulator 38 generates learning data by calculation using an activated sludge model.
  • the operation request unit 36 transmits the learning data generated by the ASM simulator 38 to the operation device 4 via the communication network 9.
  • the ASM simulator 38 can obtain the predicted value Fa of the state of the treated water from the time-series characteristic values Dats and the time-series control target value RVts by calculation using the activated sludge model.
  • the calculation request unit 36 transmits to the calculation device 4 learning data including the time-series characteristic values Dats, the time-series control target value RVts, and the predicted value Fa of the state of the treated water.
  • the time-series characteristic value Dats indicates a temporal characteristic change of the characteristic value Da of the state of the water treatment apparatus 1 to be detected by the one or more sensors 20.
  • the predicted value Fa of the state of the treated water is a predicted value of the state of the treated water after the period Ta, and includes, for example, a predicted value of the outflow amount of the treated water, the BOD, and the total nitrogen concentration.
  • the ASM simulator 38 can obtain the control target values RV1 and RV2 from the predicted value Fa of the state of the treated water by calculation using the activated sludge model. In this case, the calculation request unit 36 transmits learning data including the predicted value Fa of the state of the treated water and the control target values RV1 and RV2 to the calculation device 4.
  • the ASM simulator 38 can obtain information on the control target values RV1 and RV2 from the time-series characteristic values Dats and the time-series control target values RVts by calculation using the activated sludge model.
  • the calculation request unit 36 transmits learning data including the time-series characteristic values Dats, the time-series control target values RVts, and information on the control target values RV1 and RV2 to the calculation device 4.
  • the ASM simulator 38 performs the above-described learning when the data distribution of the time-series detection data selected by the reception processing unit 37 is biased, and when the learning data selected by the reception processing unit 37 is small, for example. Data can be generated.
  • the ASM simulator 38 calculates a time-series characteristic value Dats of a temporal change different from the temporal change of the water treatment environment indicated by the time-series detection data Dts2 selected by the reception processing unit 37, and It is possible to generate learning data including the time-series control target value RVts of the time corresponding to the characteristic value Dats.
  • FIG. 5 is a diagram illustrating a configuration example of the arithmetic device according to the first embodiment.
  • the arithmetic device 4 includes a communication unit 41, a storage unit 42, and a control unit 43.
  • the communication unit 41 is connected to the communication network 9.
  • the control unit 43 can transmit and receive data to and from each of the processing device 3, the control device 5, and the storage device 6 via the communication unit 41 and the communication network 9.
  • the storage unit 42 stores one or more calculation models.
  • the calculation model stored in the storage unit 42 is, for example, a convolutional neural network or a recurrent neural network that receives time-series detection data Dts1 output from the sensor 2 and outputs control target values RV of a plurality of control target devices. It is.
  • the calculation model may be a calculation model other than a convolutional neural network or a recurrent neural network.
  • the calculation model may be, for example, a calculation model generated by a learning algorithm such as linear regression or logistic regression.
  • the storage unit 42 receives the time-series detection data Dts1 output from the sensor 2 and the time-series control target value RVts1 and outputs a predicted value Fa indicating the state of the treated water predicted after the period Ta.
  • a calculation model including a second calculation model that receives as input a predicted value Fa of the state of treated water obtained by calculation of the first calculation model and outputs control target values RV1 and RV2.
  • the storage unit 42 receives the time-series detection data Dts1 and the time-series control target value RVts1, and outputs the control target values RV1 and RV2.
  • a third calculation model may be stored.
  • the calculation model stored in the storage unit 42 may be any calculation model that can perform an operation related to control of the water treatment apparatus 1 by using the time-series detection data Dts1 output from the sensor 2 as an input. It is not limited to the example described above.
  • the calculation model may be a model that receives the time-series detection data Dts1 output from the sensor 2 but does not receive the time-series control target value RVts1.
  • the calculation model may be a model that receives only the time-series detection data Dts1 output from the sensor 2 and outputs a predicted value of each characteristic value Da.
  • the calculation model may be a model that receives only the time-series detection data Dts1 output from the sensor 2 and outputs the control target values RV1 and RV2.
  • the control unit 43 includes an acquisition processing unit 44, an arithmetic processing unit 45, an output processing unit 46, and a learning processing unit 47.
  • the acquisition processing unit 44 acquires the time-series detection data Dts1 from the processing device 3 via the communication network 9 and the communication unit 41.
  • the calculation processing unit 45 reads the calculation model from the storage unit 42, inputs the time-series detection data Dts1 to the read calculation model, performs an operation using the calculation model, and acquires an output of the calculation model.
  • the arithmetic processing unit 45 performs an operation using the time-series detection data Dts1 and the time-series control target value RVts1 as input data of the first calculation model, thereby obtaining information on the predicted value Fa of the state of the treated water. Obtainable.
  • the arithmetic processing unit 45 obtains information on the control target values RV1 and RV2 by performing an operation using the predicted value Fa of the state of the treated water obtained by the operation of the first calculation model as input data of the second calculation model. Can be.
  • the arithmetic processing unit 45 can obtain information on the control target values RV1 and RV2 by using the time-series detection data Dts1 and the time-series control target value RVts1 as input data of the third calculation model.
  • the output processing unit 46 outputs the information obtained by the calculation using the calculation model in the calculation processing unit 45 from the communication unit 41 to the processing device 3 as output information of the calculation device 4.
  • the output information of the arithmetic unit 4 is, for example, information on the control target values RV of the above-described plurality of control target devices and information on the above-described predicted value Fa of the state of the treated water.
  • the learning processing unit 47 can generate and update a calculation model based on the learning data output from the processing device 3.
  • the learning processing unit 47 stores the generated or updated calculation model in the storage unit 42.
  • the learning processing unit 47 performs learning processing of the first calculation model and the second calculation model based on the time-series detection data Dts2 selected by the reception processing unit 37 and the time-series control target value RVts2. It can be carried out.
  • the learning processing unit 47 performs, for example, the detection data D of the period Tb among the detection data D included in the time-series detection data Dts2, and the detection data D of the latest detection data D of the plurality of detection data D of the period Tb.
  • Learning processing of the first calculation model is performed with characteristic values Dam-2, Dam-1, and Dam indicating the state of the treated water among the characteristic values Da1 to Dam specified by the detection data D after Ta as predicted values Fa. Can be.
  • the learning processing unit 47 for example, based on the characteristic value Da indicating the state of the treated water among the characteristic values specified by the detection data D, and the control target value RV at the time when the characteristic value Da is detected. , A learning process of the second calculation model can be performed.
  • the learning processing unit 47 for example, among the detection data D included in the time-series detection data Dts2, includes a plurality of detection data D of the period Tb and a newest detection data D of the plurality of detection data D of the period Tb.
  • the learning process of the third calculation model can be performed based on the control target value RV after the period Ta.
  • the learning processing unit 47 can perform the learning processing of the first calculation model based on the calculation result of the ASM simulator 38.
  • the learning processing unit 47 performs a learning process of the first calculation model based on learning data including, for example, the time-series characteristic values Dats, the time-series control target value RVts, and the predicted value Fa of the state of the treated water. be able to.
  • the learning processing unit 47 can perform the learning processing of the second calculation model based on the learning data including the predicted value Fa of the state of the treated water and the control target values RV1 and RV2, for example.
  • the learning processing unit 47 performs a learning process of the third calculation model based on the time-series characteristic values Dats and the time-series control target values RVts, and the control target values RV1 and RV2 output from the ASM simulator 38. It can be carried out.
  • the learning data used in the learning processing unit 47 is data that can perform a learning process of a calculation model that performs an operation related to control of the water treatment apparatus 1 by using the time-series detection data Dts1 output from the sensor 2 as an input.
  • the learning data is not limited to the above.
  • the neural network in the arithmetic unit 4 is an artificial neural network.
  • the artificial neural network is a computational model in which a weighted sum of input signals is taken, and a perceptron that outputs a non-linear function called an activation function and is output is hierarchically arranged.
  • a perceptron takes a two-dimensional signal corresponding to an image as an input, calculates a weighted sum of the input, and passes it to the next layer.
  • a sigmoid function or a ReLU (Rectified ⁇ Linear ⁇ Unit) function is used.
  • the above-described perceptrons are hierarchically arranged, and each layer processes an input signal to calculate a discrimination result.
  • the output of the activation function is used as the task output as it is, and if the task type is a classification task, the softmax function is applied to the final layer. And output the task.
  • an artificial network is configured as a two-dimensional signal map.
  • Each of the two-dimensional signals can be regarded as corresponding to a perceptron, and a result obtained by calculating a weighted sum for the feature map of the previous layer and applying the activation function is output.
  • the above processing is called a convolution operation, and in addition, a pooling layer for performing pooling processing may be inserted in each layer.
  • This pooling layer performs downsampling by performing an average value operation or a maximum value operation on the feature map.
  • Error back propagation is a framework in which the output error of the artificial neural network is propagated from the final layer to the previous layer in order to update the weight.
  • the control device 5 can control the water treatment device 1 by controlling the blower 14, the pump 15, and the like.
  • the control device 5 can control the concentration of dissolved oxygen in the activated sludge mixture by controlling the blower 14 to adjust the amount of air sent into the activated sludge mixture.
  • the control device 5 controls the pump 15 to adjust the flow rate of the activated sludge returned from the final sedimentation tank 13 to the treatment tank 12.
  • FIG. 6 is a diagram illustrating a configuration example of the control device according to the first embodiment.
  • the control device 5 includes a communication unit 51, a storage unit 52, a control unit 53, and an input / output unit 54.
  • the communication unit 51 is connected to the communication network 9.
  • the control unit 53 can transmit and receive data to and from the processing device 3 via the communication unit 51 and the communication network 9.
  • the control unit 53 includes an input processing unit 55, a blower control unit 56, and a pump control unit 57.
  • the input processing unit 55 acquires control information output from the processing device 3 via the communication unit 51, and stores the acquired control information in the storage unit 52.
  • the control information stored in the storage unit 52 includes a control target value of the blower 14 and a control target value of the pump 15.
  • the blower control unit 56 reads the control target value RV1 of the blower 14 stored in the storage unit 52. Further, the blower control unit 56 acquires the detection data indicating the amount of dissolved oxygen detected by the sensor 20 5 from the storage unit 6 or the sensor 20 5. The blower control unit 56 generates a control signal by PI (Proportional Integral Differential) control or PID (Proportional Integral Differential) control based on the control target value RV1 of the blower 14 and the acquired dissolved oxygen amount. The blower control unit 56 outputs the generated control signal from the input / output unit 54 to the blower 14. The blower 14 adjusts the amount of air sent into the processing tank 12 based on a control signal output from the input / output unit 54 of the control device 5.
  • PI Proportional Integral Differential
  • PID Proportional Integral Differential
  • the pump control unit 57 reads the control target value RV2 of the pump 15 stored in the storage unit 52. In addition, the pump control unit 57 acquires detection data indicating the flow rate of the activated sludge from the final sedimentation tank 13 to the treatment tank 12 from a sensor (not shown) via the input / output unit 54. The pump control unit 57 generates a control signal by PI control or PID control based on the control target value RV2 of the pump 15 and the acquired flow rate of the activated sludge. The pump control unit 57 outputs the generated control signal from the input / output unit 54 to the pump 15. The pump 15 adjusts the flow rate of the activated sludge from the final settling tank 13 to the processing tank 12 based on a control signal output from the input / output unit 54 of the control device 5.
  • FIG. 7 is a flowchart illustrating an example of processing of the processing device according to the first embodiment, which is repeatedly executed by the control unit 33 of the processing device 3.
  • the control unit 33 of the processing device 3 determines whether or not it is the timing of the learning process (Step S10).
  • step S10 for example, when the selection of the detection data is received from the operator in step S10, the control unit 33 determines that it is the timing of the learning process.
  • step S10 for example, when a request for a learning process using the ASM simulator 38 is received from the operator, the control unit 33 determines that the timing of the learning process has come.
  • step S10 When the control unit 33 determines that it is the timing of the learning process (step S10: Yes), the control unit 33 outputs the learning data to the arithmetic device 4 (step S11).
  • step S11 When receiving the selection of the detection data from the operator, the control unit 33 outputs, for example, learning data including the detection data selected by the operator to the arithmetic unit 4 in the process of step S11.
  • step S11 When the process of step S11 is completed or when it is determined that it is not the timing of the learning process (step S10: No), the control unit 33 determines whether the detection data is acquired (step S12). When determining that the detection data has been acquired (Step S12: Yes), the control unit 33 acquires the detection data from the storage device 6, and outputs the acquired detection data to the arithmetic device 4 (Step S13).
  • control unit 33 acquires the output information output from the arithmetic device 4 in response to the processing of step S13 (step S14), and outputs the acquired output information to the control device 5 (step S15).
  • output information includes control information as described above.
  • the control unit 33 ends the process illustrated in FIG. 7 when the process of Step S15 ends or when it is determined that the detection data has not been acquired (Step S12: No).
  • FIG. 8 is a flowchart illustrating an example of processing of the arithmetic device according to the first embodiment, which is repeatedly executed by the control unit 43 of the arithmetic device 4.
  • the control unit 43 of the arithmetic unit 4 determines whether or not the detection data has been obtained from the processing unit 3 (step S20).
  • step S20 when the calculation model of the arithmetic device 4 is a neural network other than the recurrent network, the control unit 43 determines whether the time-series detection data Dts1 has been acquired from the processing device 3. Further, when the calculation model of the arithmetic device 4 is a recurrent network, the control unit 43 obtains the time-series detection data Dts1 from the processing device 3 and then sequentially outputs the detection data output from the sensor 2 from the processing device 3. Each time it is obtained, it is determined that the detection data has been obtained from the processing device 3.
  • Step S20 When the control unit 43 determines that the detection data has been obtained (Step S20: Yes), the control unit 43 performs an arithmetic process using the calculation model using the obtained detection data as an input of the calculation model (Step S21). The output information is transmitted to the processing device 3 (Step S22).
  • step S22 determines whether or not the learning data has been acquired from the processing device 3 (step S20). Step S23). When determining that the learning data has been acquired from the processing device 3 (step S23: Yes), the control unit 43 executes a learning process of the calculation model using the learning data (step S24).
  • the control unit 43 ends the process illustrated in FIG. 8 when the process of step S24 ends or when it is determined that the learning data has not been acquired (step S23: No).
  • FIG. 9 is a flowchart illustrating an example of a process of the control device according to the first embodiment, which is repeatedly executed by the control unit 53 of the control device 5.
  • the control unit 53 of the control device 5 determines whether control information has been acquired from the processing device 3 (Step S30). When determining that the control information has been acquired (Step S30: Yes), the control unit 53 controls the control target device based on the acquired control information (Step S31). When the process of step S31 is completed or when it is determined that the control information is not acquired (step S30: No), the control unit 53 ends the process illustrated in FIG.
  • FIG. 10 is a diagram illustrating an example of a hardware configuration of the processing device according to the first embodiment.
  • the processing device 3 includes a computer including a processor 101, a memory 102, and an interface circuit 103.
  • the processor 101, the memory 102, and the interface circuit 103 can transmit and receive data to and from each other via the bus 104.
  • the communication unit 31 is realized by the interface circuit 103.
  • the storage unit 32 is realized by the memory 102.
  • the processor 101 executes the functions of the data processing unit 34, the display processing unit 35, the operation requesting unit 36, the reception processing unit 37, and the ASM simulator 38 by reading and executing the program stored in the memory 102.
  • the processor 101 is an example of a processing circuit, and includes at least one of a CPU (Central Processing Unit), a DSP (Digital Signal Processor), and a system LSI (Large Scale Integration).
  • the memory 102 includes one or more of a RAM (Random Access Memory), a ROM (Read Only Memory), a flash memory, and an EPROM (Erasable Programmable Read Only Memory).
  • the memory 102 includes a recording medium in which the above-mentioned program that can be read by a computer is recorded.
  • a recording medium includes at least one of a nonvolatile or volatile semiconductor memory, a magnetic disk, a flexible memory, an optical disk, a compact disk, and a DVD.
  • control unit 33 of the processing device 3 When the control unit 33 of the processing device 3 is realized by dedicated hardware, the control unit 33 includes, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, and an ASIC (Application Specific Integrated Integrated). Circuit), FPGA (Field Programmable Gate Array), or a combination thereof.
  • ASIC Application Specific Integrated Integrated
  • FPGA Field Programmable Gate Array
  • the arithmetic device 4 also has the same hardware configuration as the hardware configuration shown in FIG.
  • the communication unit 41 is realized by the interface circuit 103.
  • the storage unit 42 is realized by the memory 102.
  • the processor 101 reads out and executes the program stored in the memory 102 to execute the functions of the acquisition processing unit 44, the arithmetic processing unit 45, the output processing unit 46, and the learning processing unit 47.
  • the control unit 43 is realized by dedicated hardware, it is a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC, an FPGA, or a combination thereof.
  • the control device 5 also has the same hardware configuration as the hardware configuration shown in FIG.
  • the communication unit 51 and the input / output unit 54 are realized by the interface circuit 103.
  • the storage unit 52 is realized by the memory 102.
  • the processor 101 executes the functions of the input processing unit 55, the blower control unit 56, and the pump control unit 57 by reading and executing the program stored in the memory 102.
  • the control unit 53 is realized by dedicated hardware, it is a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC, an FPGA, or a combination thereof.
  • the information output from the arithmetic device 4 is output from the processing device 3 to the control device 5, but the information output from the arithmetic device 4 is directly input to the control device 5 without passing through the processing device 3. It may be a configuration to make it.
  • the arithmetic unit 4 calculates the control target values RV1 and RV2 based on the output of the calculation model.
  • the control unit 5 replaces the arithmetic unit 4 with the control unit 5 based on the output of the calculation model.
  • the control device 5 is configured to calculate the control target values RV1 and RV2 based on the predicted value Fa of the state of the treated water when the information of the predicted value Fa of the state of the treated water is acquired from the arithmetic unit 4. Is also good.
  • the arithmetic device 4 may be configured to be provided in the control device 5, or a part or all of the arithmetic device 4 may be configured to be provided in the processing device 3 or the control device 5. Good. Further, in the water treatment plant 100, a configuration in which a part of the treatment device 3 is provided in the control device 5 may be employed. In the water treatment plant 100, the storage device 6 may be provided in the treatment device 3 or the control device 5.
  • the blower 14 and the pump 15 are described as examples of the control target devices controlled by the control device 5.
  • the control target devices controlled by the control device 5 are other than the blower 14 and the pump 15.
  • Equipment may be included.
  • the control target device may be a heater that adjusts the temperature of water in the processing bath 12 and a device that controls the supply of the chemical solution into the processing bath 12.
  • the first calculation model, the second calculation model, and the third calculation model have been described as examples of the calculation model used in the calculation processing unit 45 of the calculation device 4.
  • the calculation model used in the unit 45 is not limited to the example described above.
  • the calculation models used in the arithmetic processing unit 45 include a plurality of fourth calculation models that output predicted values of each inflow water characteristic from the time series data of each inflow water characteristic, and a plurality of fourth calculation models obtained from the plurality of fourth calculation models. And a fifth calculation model that outputs the control target value RV from the predicted value of the inflow water characteristic.
  • the arithmetic processing unit 45 can obtain information related to the control of the water treatment apparatus 1 by using a calculation model according to the request from the arithmetic request unit 36.
  • the information related to the control of the water treatment apparatus 1 is not limited to the control target value RV, and may be a predicted value of the water treatment environment or the like.
  • the water treatment plant 100 includes the water treatment device 1 that performs water treatment and the sensor that repeatedly detects the water treatment environment of the water treatment device 1 and outputs time-series detection data Dts1. 2 and a processing device 3.
  • the processing device 3 uses the time-series detection data Dts1 output by the sensor 2 as input data of the calculation model to the calculation device 4 that performs calculations related to the control of the water treatment device 1 using a calculation model generated by machine learning. Execute the operation.
  • the water treatment plant 100 can perform more effective water treatment control with respect to the temporal change of the water treatment environment.
  • the time-series detection data Dts1 is an example of time-series detection data.
  • the water treatment environment of the water treatment device 1 is repeatedly detected using the sensor 2 and time-series detection data Dts1 is output, and the data is generated by machine learning.
  • the arithmetic unit 4 that performs an operation related to the control of the water treatment apparatus 1 by using the calculation model to perform the calculation using the time-series detection data Dts1 output by the sensor 2 as input data of the calculation model.
  • the water treatment plant 100 can perform more effective water treatment control with respect to a temporal change in the water treatment device 1.
  • the water treatment plant 100 includes the control device 5 that controls the water treatment device 1 based on the result of the calculation performed on the time-series detection data Dts1. Thereby, the water treatment plant 100 can automatically perform more effective water treatment control with respect to a temporal change in the water treatment device 1.
  • the processing device 3 includes the display processing unit 35 that displays information on the result of the calculation performed on the time-series detection data Dts1. Therefore, the operator of the water treatment plant 100 can grasp information related to the control of the water treatment device 1.
  • the processing device 3 includes a reception processing unit 37 that receives an input of the control target value RV of the control device 5 and a data processing unit 34 that outputs the control target value RV received by the reception processing unit 37 to the control device 5. Prepare. Thereby, the operator of the water treatment plant 100 can cause the control device 5 to execute control according to the information related to the control of the water treatment device 1.
  • the control device 5 controls the water treatment device 1 using the proportional-integral control or the proportional-integral-derivative control of the control target device. Thereby, in the water treatment plant 100, the water treatment apparatus 1 can be accurately controlled.
  • the arithmetic unit 4 includes, as a calculation model, a recurrent neural network using the time-series detection data Dts1 as input data.
  • the processing device 3 causes the calculation device 4 to execute a calculation using the recurrent neural network.
  • the water treatment plant 100 prepares, as a calculation model, a recurrent neural network that uses the time-series detection data ts1 as input data, and causes the arithmetic unit 4 to execute an operation using the recurrent neural network.
  • the calculation relating to the control of the water treatment apparatus 1 can be controlled with high accuracy.
  • the processing interval in the arithmetic device 4 can be improved.
  • the water treatment plant 100 also includes the storage device 6 that stores the time-series detection data output by the sensor 2.
  • the processing device 3 includes a reception processing unit 37 that receives a range to be used as learning data of the calculation model among the time-series detection data stored in the storage unit 32.
  • the arithmetic unit 4 performs a learning process of generating or updating a calculation model based on a plurality of pieces of detection data included in a range received by the reception processing unit 37 among the time-series detection data stored in the storage device 6. Is provided. Thereby, the operator can select the learning data. For example, by selecting time-series data suitable for learning the calculation model, the operator can accurately perform the calculation related to the control of the water treatment apparatus 1. Computational models that can be created or updated.
  • control unit 33 of the processing device 3 can receive the setting of the period Ta from the operator in addition to the range used as the learning data of the calculation model in the time-series detection data. Thereby, for example, it is expected that the reflection efficiency is improved for both the event having the long-term change cycle and the event having the short-term change cycle.
  • the plurality of detection data included in the range received by the reception processing unit 37 is an example of the plurality of detection data within the range.
  • the treatment device 3 also includes an ASM simulator 38 that simulates the physical, biological, and scientific behavior of water treatment.
  • the ASM simulator 38 is an example of a simulator.
  • the calculation device 4 includes a learning processing unit 47 that generates or updates a calculation model based on the calculation result by the ASM simulator 38. Thereby, for example, in the case where the data distribution of the time-series detection data obtained during the operation of the water treatment plant 100 is biased, a calculation model capable of accurately performing the calculation related to the control of the water treatment apparatus 1 is provided. Can be generated or updated.
  • 1 water treatment apparatus 2,20,20 1 ⁇ 20 m sensors, 3 processor, 4 operation unit, 5 control device, 6 storage device, 7 the display device, 8 input device, 9 a communication network, 11 first precipitation tank, 12 Processing tank, 13 final sedimentation tank, 14 blower, 15 pump, 31, 41, 51 communication unit, 32, 42, 52 storage unit, 33, 43, 53 control unit, 34 data processing unit, 35 display processing unit, 36 arithmetic Requesting part, 37 reception processing part, 38 ASM simulator, 44 acquisition processing part, 45 arithmetic processing part, 46 output processing part, 47 learning processing part, 54 input / output part, 55 input processing part, 56 blower control part, 57 pump control Department, 100 water treatment plant.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Hydrology & Water Resources (AREA)
  • Environmental & Geological Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

水処理装置（１）を用いて水処理を行う水処理プラント（１００）は水処理装置（１）水処理環境を繰り返し検出して時系列の検出データである時系列検出データを出力するセンサ（２）と、処理装置（３）とを備える。処理装置（３）は、機械学習によって生成される計算モデルを用いて水処理装置（１）の制御に関わる演算を行う演算装置（４）に、時系列検出データを計算モデルの入力データとして演算を実行させる。

Description

水処理プラントおよび水処理プラントの運転方法
　本発明は、上水または下水などの水処理を行う水処理プラントおよび水処理プラントの運転方法に関する。
　水処理プラントでは、環境変化に応じて制御目標値を変更しつつ、水処理制御が行われている。例えば、季節の温度差、流入水の流量、流入水の水質などの変化に伴い制御目標値が変更されることで、水処理プラントにおいて環境変化に応じた水処理制御が行われている。
　制御目標値の変更は、オペレータが過去の経験などに基づいて行っており、専門性が要求される。特許文献１では、環境変化に応じた制御目標値の変更に対してオペレータの経験を反映できるように、下水処理装置の制御にＡＩ（Artificial　Intelligent）を用いる技術が提案されている。かかる技術では、下水処理装置内の状態を検出するセンサから出力される下水処理装置内の状態の現在値を示す検出データがＡＩ装置に入力され、かかるＡＩ装置の出力に基づいて下水処理装置が制御される。
特開２００４－２５１６０号公報
　上述したような従来のＡＩを用いた水処理制御では、水処理装置内の現在の状態から将来の状態を考慮した水処理制御が行われている。しかしながら上述したような従来のＡＩを用いた水処理制御には、改善の余地が有る。例えば、水処理装置の状態または環境などの水処理環境は、時々刻々と変化しながらも時間の前後で繋がりながりを有しているが、そのような時間の前後での繋がりが十分には考慮されていない。
　本発明は、上記に鑑みてなされたものであって、環境変化に対してより効果的な水処理制御を行うことができる水処理プラントを得ることを目的とする。
　本発明にかかる水処理プラントは、水処理装置を用いて水処理を行う水処理プラントであって、水処理装置の水処理環境を繰り返し検出して時系列の検出データである時系列検出データを出力するセンサと、機械学習によって生成される計算モデルを用いて水処理装置の制御に関わる演算を行う演算装置に、センサが出力した時系列検出データを計算モデルの入力データとして演算を実行させる処理装置とを備える。
　本発明によれば、環境変化に対してより効果的な水処理制御を行い得る水処理プラントを提供することができる、という効果を奏する。
実施の形態１にかかる水処理プラントの概略を示す図 実施の形態１にかかる水処理プラントの構成例を示す図 実施の形態１にかかる処理装置の構成例を示す図 実施の形態１にかかる記憶装置に記憶されるデータテーブルの一例を示す図 実施の形態１にかかる演算装置の構成例を示す図 実施の形態１にかかる制御装置の構成例を示す図 実施の形態１にかかる処理装置の処理の一例を示すフローチャート 実施の形態１にかかる演算装置の処理の一例を示すフローチャート 実施の形態１にかかる制御装置の処理の一例を示すフローチャート 実施の形態１にかかる処理装置のハードウェア構成の一例を示す図
　以下に、本発明の実施の形態にかかる水処理プラントおよび水処理プラントの運転方法を図面に基づいて詳細に説明する。なお、この実施の形態によりこの発明が限定されるものではない。
実施の形態１．
　図１は、実施の形態１にかかる水処理プラントの概略を示す図である。図１に示すように、実施の形態１にかかる水処理プラント１００は、水処理装置１と、センサ２と、処理装置３と、演算装置４と、制御装置５とを備える。演算装置４は、ＡＩ装置の一例である。
　水処理装置１は、例えば、上水または下水などの水処理を行う装置であり、水処理状態を制御するポンプまたはブロワなどの制御対象機器を備える。制御装置５は、水処理装置１を制御する。センサ２は、水処理装置１の水処理環境を繰り返し検出し、時系列の検出データを出力する。水処理装置１の水処理環境は、水処理装置１の内部にある水処理環境および水処理装置１の外部にある水処理環境の少なくとも一つを含む。以下、水処理装置１の水処理環境を単に水処理環境と記載する場合がある。
　処理装置３は、取得した時系列の検出データを入力データとする演算を演算装置４に実行させ、演算結果を演算装置４から取得する。演算装置４は、水処理装置１の制御に関わる演算に用いられる計算モデルを有しており、かかる計算モデルは、機械学習によって生成される。
　演算装置４で演算に用いられる計算モデルは、水処理装置１の水処理環境の経時的変化から水処理装置１の制御に関わる情報を出力する計算モデルであり、水処理装置１の水処理環境の経時的変化に基づいて、機械学習によって生成される。
　かかる計算モデルは、例えば、センサ２から出力される時系列の検出データを入力とし、制御対象機器の制御目標値の情報を出力とする計算モデルである。制御目標値は、例えば、水処理装置１の水処理状態を制御するポンプ、ブロワ、またはヒータなどといった制御対象機器の制御量の目標値である。
　演算装置４は、処理装置３から取得した時系列の検出データを入力データとする上述の計算モデルを用いた演算を行う。演算装置４は、計算モデルを用いた演算結果を含む情報を処理装置３へ出力する。処理装置３は、演算装置４から取得した情報を制御装置５へ出力する。制御装置５は、処理装置３から出力された情報に基づいて、水処理装置１を制御する。演算装置４は、例えば、人工知能などと呼ばれるＡＩであり、入力された時系列の検出データに基づく機械学習を介し、制御対象機器の好ましい制御目標値の推測に貢献する。
　水処理プラント１００において、演算装置４で演算に用いられる計算モデルを、センサ２から出力される時系列の検出データを入力とし、水処理環境の予測値を出力とする計算モデルにすることもできる。
　この場合、処理装置３は、演算装置４から取得した水処理環境の予測値を不図示の表示装置に表示することができる。これにより、水処理プラント１００のオペレータは、不図示の表示装置に表示された水処理環境の予測値を把握しながら、過去の経験などに基づいて、処理装置３を介して水処理装置１を制御することができる。以下、水処理プラント１００のオペレータを単にオペレータと記載する場合がある。
　このように、水処理プラント１００においては、水処理環境の経時的変化に基づいて機械学習によって生成される計算モデルを用いた演算が行われる。これにより、実施の形態１にかかる水処理プラント１００では、水処理環境の経時的変化を考慮した効果的な水処理制御を行うことができる。
　例えば、水処理環境の現在値のみを利用する場合、水処理環境がどのように変化して現在に至っているか分からないことから、水処理環境がどのように変化するか適切に把握することが難しい場合がある。一方、水処理プラント１００は、水処理環境の経時的変化を考慮することで、水処理環境がどのように変化するか適切に把握することができ、将来の水処理環境の変化を精度よく予測することができる。したがって、水処理プラント１００では、将来の水処理環境の変化を考慮した水処理制御を行うことができ、水処理環境の変化に対して効果的な水処理制御を行うことができる。
　以下、実施の形態１にかかる水処理プラント１００について詳細に説明する。図２は、実施の形態１にかかる水処理プラントの構成例を示す図である。なお、以下においては、水処理装置１が行う水処理の一例として、下水処理について説明する。
　図２に示すように、実施の形態１にかかる水処理プラント１００は、水処理装置１と、センサ２と、処理装置３と、演算装置４と、制御装置５と、記憶装置６と、表示装置７と、入力装置８とを備える。
　処理装置３、演算装置４、制御装置５、記憶装置６、表示装置７、および入力装置８は、互いに通信ネットワーク９を介して通信可能に接続される。通信ネットワーク９は、例えば、ＬＡＮ（Local　Area　Network）、ＷＡＮ（Wide　Area　Network）、バス、または専用線である。
　図２に示す水処理装置１は、下水を被処理水として処理する下水処理装置である。かかる水処理装置１は、下水道などからの流入水である下水を貯留し、下水中の比較的沈みやすい固形物などを沈殿させる最初沈殿槽１１と、最初沈殿槽１１の上澄み水を好気処理する処理槽１２と、処理槽１２から流入する活性汚泥混合液を上澄み水と活性汚泥とに分離する最終沈殿槽１３とを備える。最終沈殿槽１３の上澄み水は処理水として最終沈殿槽１３から放出される。
　処理槽１２において、最初沈殿槽１１から流入する上澄み水は、有機物を含んでおり、例えば、りん蓄積菌、硝化菌、および脱窒菌といった好気性微生物の消化によって上澄み水に含まれる有機物が処理される。
　水処理装置１は、さらに、処理槽１２に空気を送り込んで活性汚泥混合液中に空気を溶解させるブロワ１４と、最終沈殿槽１３と処理槽１２とを接続する配管に設けられ、最終沈殿槽１３から処理槽１２に活性汚泥を返送するポンプ１５とを備える。ブロワ１４およびポンプ１５の各々は、上述した制御対象機器の一例であり、以下、ブロワ１４とポンプ１５とを互いに区別せずに示す場合、制御対象機器と記載する場合がある。また、最初沈殿槽１１、処理槽１２、および最終沈殿槽１３の各々を区別せずに示す場合、単に槽と記載する場合がある。
　水処理プラント１００には、水処理装置１の水処理環境を各々検出する複数のセンサ２０１～２０ｍを含むセンサ２が設けられる。各センサ２０１～２０ｍは、例えば、水処理装置１内の状態または環境を検出する。具体的には、水処理装置１の水処理環境は、例えば、槽への流入物の特性、槽内での水処理の状態、および槽からの流出物の特性といった槽内の状態を含む。また、水処理装置１内の環境は、例えば、水処理装置１内の雰囲気の温度および湿度などを含む。以下、水処理装置１内の状態について説明するが、水処理装置１内の環境、水処理装置１外の状態または環境などについても同様である。
　センサ２０１～２０４は、最初沈殿槽１１への流入水の特性である流入水特性を検出する。センサ２０１は、流入水の流入量である特性値Ｄａ１を検出する。センサ２０２は、流入水のＢＯＤ（Biochemical　Oxygen　Demand：生物化学的酸素要求量）である特性値Ｄａ２を検出する。センサ２０３は、流入水の温度である特性値Ｄａ３を検出する。センサ２０４は、流入水のＮＨ３の濃度、流入水のＮＨ４ ＋の濃度、またはアンモニア性窒素濃度である特性値Ｄａ４を検出する。
　センサ２０５～２０ｍ－３は、処理槽１２の状態を示す処理槽内特性を検出する。センサ２０５は、処理槽１２における溶存酸素量である特性値Ｄａ５を検出する。センサ２０６は、処理槽１２における活性微生物濃度である特性値Ｄａ６を検出する。センサ２０７は、処理槽１２におけるＢＯＤである特性値Ｄａ７を検出する。センサ２０８～２０ｍ－３は、例えば、アンモニア性窒素濃度、硝酸性窒素濃度、全窒素濃度、リン酸性リン濃度、または全リン濃度である特性値Ｄａ８～Ｄａｍ－３を検出する複数のセンサを含む。
　センサ２０ｍ－２～２０ｍは、最終沈殿槽１３から放出される処理水の特性である処理水特性を検出する。センサ２０ｍ－２は、処理水の流出量である特性値Ｄａｍ－２を検出する。センサ２０ｍ－１は、処理水のＢＯＤである特性値Ｄａｍ－１を検出する。センサ２０ｍは、処理水の全窒素濃度である特性値Ｄａｍを検出する。
　なお、センサ２は、センサ２０１～２０ｍのうち一部を含まない構成であってもよく、センサ２０１～２０ｍ以外のセンサを含んでもよい。また、上述したセンサ２０１～２０ｍは、水処理装置１内の状態を示す特性値Ｄａ１～Ｄａｍを検出するが、センサ２は、例えば、水処理環境の撮像データを検出データとして出力する撮像装置を含んでいてもよい。なお、以下において、センサ２０１～２０ｍの各々を互いに区別せずに示す場合、センサ２０と記載する場合がある。また、特性値Ｄａ１～Ｄａｍの各々を互いに区別せずに示す場合、特性値Ｄａと記載する場合がある。
　図３は、実施の形態１にかかる処理装置の構成例を示す図である。図３に示すように、処理装置３は、通信部３１と、記憶部３２と、制御部３３とを備える。通信部３１は、通信ネットワーク９に接続される。制御部３３は、通信部３１および通信ネットワーク９を介し、演算装置４、制御装置５、記憶装置６、表示装置７、および入力装置８の各々との間でデータの送受信を行うことができる。
　制御部３３は、データ処理部３４と、表示処理部３５と、演算要求部３６と、受付処理部３７と、ＡＳＭシミュレータ３８とを備える。データ処理部３４は、センサ２から出力される検出データを繰り返し取得する。
　データ処理部３４は、センサ２から取得した検出データを時刻と関連付けて記憶装置６に記憶する。また、データ処理部３４は、演算装置４から出力される情報を取得し、取得した情報を制御装置５に出力する。また、データ処理部３４は、演算装置４から取得した情報を記憶装置６に記憶する。
　図４は、実施の形態１にかかる記憶装置に記憶されるデータテーブルの一例を示す図である。図４に示すデータテーブルには、時刻毎の検出データ、および制御目標値が含まれる。図４において、検出データＤ１（ｔ０），Ｄ１（ｔ１），・・・，Ｄ１（ｔｐ），・・・，Ｄ１（ｔｑ），・・・，Ｄ１（ｔｒ）は、センサ２０１の検出データである。検出データＤ２（ｔ０），Ｄ２（ｔ１），・・・，Ｄ２（ｔｐ），・・・，Ｄ２（ｔｑ），・・・，Ｄ２（ｔｒ）は、センサ２０２の検出データである。
　検出データＤ３（ｔ０），Ｄ３（ｔ１），・・・，Ｄ３（ｔｐ），・・・，Ｄ３（ｔｑ），・・・，Ｄ３（ｔｒ）は、センサ２０３の検出データである。検出データＤ４（ｔ０），Ｄ４（ｔ１），・・・，Ｄ４（ｔｐ），・・・，Ｄ４（ｔｑ），・・・，Ｄ４（ｔｒ）は、センサ２０４の検出データである。検出データＤｍ（ｔ０），Ｄｍ（ｔ１），・・・，Ｄｍ（ｔｐ），・・・，Ｄｍ（ｔｑ），・・・，Ｄｍ（ｔｒ）は、センサ２０ｍの検出データである。
　検出データＤ１（ｔ０），Ｄ２（ｔ０），Ｄ３（ｔ０），Ｄ４（ｔ０），・・・，Ｄｍ（ｔ０）は、時刻ｔ０にセンサ２から出力されるＤ（ｔ０）を構成するデータである。検出データＤ１（ｔ１），Ｄ２（ｔ１），Ｄ３（ｔ１），Ｄ４（ｔ１），・・・，Ｄｍ（ｔ１）は、時刻ｔ１にセンサ２から出力されるＤ（ｔ１）を構成するデータである。検出データＤ１（ｔｐ），Ｄ２（ｔｐ），Ｄ３（ｔｐ），Ｄ４（ｔｐ），・・・，Ｄｍ（ｔｐ）は、時刻ｔｐにセンサ２から出力されるＤ（ｔｐ）を構成するデータである。
　検出データＤ１（ｔｑ），Ｄ２（ｔｑ），Ｄ３（ｔｑ），Ｄ４（ｔｑ），・・・，Ｄｍ（ｔｑ）は、時刻ｔｑにセンサ２から出力されるＤ（ｔｑ）を構成するデータである。検出データＤ１（ｔｒ），Ｄ２（ｔｒ），Ｄ３（ｔｒ），Ｄ４（ｔｒ），・・・，Ｄｍ（ｔｒ）は、時刻ｔｒにセンサ２から出力されるＤ（ｔｒ）を構成するデータである。以下、センサ２から出力される検出データＤ（ｔ０），Ｄ（ｔ１），・・・，Ｄ（ｔｐ），・・・，Ｄ（ｔｑ），・・・，Ｄ（ｔｒ）を各々区別せずに示す場合、検出データＤと記載する場合がある。
　また、図４に示すデータテーブルには、各時刻において処理装置３から制御装置５に出力された各制御対象機器の制御目標値の情報が含まれる。図４において、制御目標値ＲＶ１（ｔ０），ＲＶ１（ｔ１），・・・，ＲＶ１（ｔｐ），・・・，ＲＶ１（ｔｑ），・・・，ＲＶ１（ｔｒ）は、ブロワ１４の制御目標値である。また、制御目標値ＲＶ２（ｔ０），ＲＶ２（ｔ１），・・・，ＲＶ２（ｔｐ），・・・，ＲＶ２（ｔｑ），・・・，ＲＶ２（ｔｒ）は、ポンプ１５の制御目標値である。
　以下、制御目標値ＲＶ１（ｔ０），ＲＶ１（ｔ１），・・・，ＲＶ１（ｔｐ），・・・，ＲＶ１（ｔｑ），・・・，ＲＶ１（ｔｒ）の各々を区別せずに示す場合、制御目標値ＲＶ１と記載し、制御目標値ＲＶ２（ｔ０），ＲＶ２（ｔ１），・・・，ＲＶ２（ｔｐ），・・・，ＲＶ２（ｔｑ），・・・，ＲＶ２（ｔｒ）の各々を区別せずに示す場合、制御目標値ＲＶ２と記載する場合がある。また、制御目標値ＲＶ１，ＲＶ２を各々区別せずに示す場合、制御目標値ＲＶと記載する場合がある。
　データ処理部３４は、現時点から期間Ｔｂ前までの時刻で取得された時系列の検出データＤｔｓ１と時系列の制御目標値ＲＶｔｓ１とを記憶装置６から読み出す。例えば、記憶装置６のデータテーブルが図４に示す状態であり、現時点が時刻ｔｒであり、且つ現時点から期間Ｔｂ前が時刻ｔｑであるとする。この場合、データ処理部３４は、検出データＤ（ｔｑ）～Ｄ（ｔｒ）を含む時系列の検出データＤｔｓ１と、制御目標値ＲＶ（ｔｑ）～ＲＶ（ｔｒ）を含む時系列の制御目標値ＲＶｔｓ１とを記憶装置６から読み出す。なお、時系列の検出データＤｔｓ１は、複数のセンサ２０１～２０ｍのうち一部のセンサ２０の検出データを含まない場合がある。
　データ処理部３４は、記憶装置６から読み出した時系列の検出データＤｔｓ１と時系列の制御目標値ＲＶｔｓ１とを通信ネットワーク９経由で演算装置４へ出力する。演算要求部３６は、時系列の検出データＤｔｓ１と時系列の制御目標値ＲＶｔｓ１とを演算装置４へ出力することで、時系列の検出データＤｔｓ１と時系列の制御目標値ＲＶｔｓ１を入力データとする演算を演算装置４に実行させる。
　なお、データ処理部３４は、例えば、演算装置４で用いられる計算モデルがリカレントニューラルネットワークの場合、時系列の検出データＤｔｓ１と時系列の制御目標値ＲＶｔｓ１とを演算装置４へ送信した後は、新たに取得された検出データＤと制御目標値ＲＶとを繰り返し送信することで、演算装置４に計算モデルを用いた演算を実行させることができる。
　データ処理部３４は、演算装置４から出力される演算結果を示す情報を取得し、取得した情報を制御装置５へ出力する。演算装置４から出力される情報には、例えば、制御対象機器の制御目標値ＲＶを含む制御情報が含まれており、制御装置５は、処理装置３から出力される情報に基づいて、水処理装置１に設けられた制御対象機器を制御することで、水処理装置１を制御する。
　図３に戻って制御部３３の説明を続ける。表示処理部３５は、データ処理部３４で取得された検出データＤおよび演算装置４の演算結果を表示装置７に表示する。また、表示処理部３５は、オペレータの入力装置８への操作によって入力された情報を記憶装置６から取得して、取得した情報を表示装置７に表示することができる。以下、オペレータの入力装置８への操作をオペレータ操作と記載する場合がある。
　受付処理部３７は、オペレータ操作に基づいて、制御装置５の制御目標値ＲＶの設定を受け付けることができる。データ処理部３４は、受付処理部３７によって受け付けられた制御目標値ＲＶを制御装置５へ出力することで、受付処理部３７によって受け付けられた制御目標値ＲＶに基づく制御を制御装置５に実行させることができる。
　受付処理部３７は、オペレータ操作に基づいて、記憶装置６に記憶された複数の検出データＤのうち、演算装置４が有する計算モデルの学習処理に用いる時系列の検出データＤｔｓ２の選択を受け付ける。例えば、受付処理部３７は、記憶装置６に記憶された複数の検出データＤのうち、オペレータ操作による期間の指定によって時系列の検出データＤｔｓ２の選択を受け付けることができる。
　記憶装置６のデータテーブルが図４に示す状態である場合、オペレータが時刻ｔｐから時刻ｔｑまでの期間を指定したとする。この場合、受付処理部３７は、時系列の検出データＤｔｓ２として検出データＤ（ｔｐ）～Ｄ（ｔｑ）の選択を受け付ける。なお、検出データＤｔｓ２は、検出データＤｔｓ１と同様に、複数のセンサ２０１～２０ｍのうち一部のセンサ２０の検出データを含まない場合がある。
　演算要求部３６は、受付処理部３７によって選択が受け付けられた時系列の検出データＤｔｓ２を記憶装置６から取得する。また、演算要求部３６は、受付処理部３７によって選択が受け付けられた時系列の検出データＤｔｓ２に含まれる複数の検出データＤが各々取得された複数の時刻に各々関連付けられた複数の制御目標値ＲＶを含む時系列の制御目標値ＲＶｔｓ２の情報を記憶装置６から取得する。例えば、検出データＤ（ｔｐ）～Ｄ（ｔｑ）が選択された場合、時系列の制御目標値ＲＶｔｓ２には、制御目標値ＲＶ（ｔｐ）～ＲＶ（ｔｑ）が含まれる。
　データ処理部３４は、時系列の検出データＤｔｓ２と時系列の制御目標値ＲＶｔｓ２とを含む学習用データを演算装置４へ通信ネットワーク９経由で送信する。これにより、演算装置４によって計算モデルの学習処理が行われる。
　ＡＳＭ(Activated　Sludge　Model：活性汚泥モデル)シミュレータ３８は、例えば、活性汚泥モデルを用いた演算を行って水処理における物理的、生物的、および科学的な挙動を模擬するシミュレータである。かかる活性汚泥モデルは、生物反応プロセスと物質収支の水質変化などを数学的に記述したモデルであり、例えば、ＩＷＡ（International　Water　Association）によって発表されている。ＡＳＭシミュレータ３８は、例えば、活性汚泥モデルを用いた演算によって、水処理装置１内の状態を示す特性値Ｄａから処理槽内特性および処理水特性を予測することができる。
　受付処理部３７は、オペレータ操作に基づいて、ＡＳＭシミュレータ３８による学習処理の要求を受け付ける。ＡＳＭシミュレータ３８は、学習処理の要求を受け付けた場合、活性汚泥モデルを用いた演算によって、学習用データを生成する。演算要求部３６は、ＡＳＭシミュレータ３８によって生成された学習用データを演算装置４へ通信ネットワーク９経由で送信する。
　例えば、ＡＳＭシミュレータ３８は、活性汚泥モデルを用いた演算によって、時系列の特性値Ｄａｔｓと時系列の制御目標値ＲＶｔｓとから、処理水の状態の予測値Ｆａを取得することができる。この場合、演算要求部３６は、時系列の特性値Ｄａｔｓ、時系列の制御目標値ＲＶｔｓ、および処理水の状態の予測値Ｆａを含む学習用データを演算装置４へ送信する。
　なお、時系列の特性値Ｄａｔｓは、１以上のセンサ２０の検出対象である水処理装置１の状態の特性値Ｄａの時間的な特性変化を示す。また、処理水の状態の予測値Ｆａは、期間Ｔａ後における処理水の状態の予測値であり、例えば、処理水の流出量、ＢＯＤ、および全窒素濃度の予測値を含む。
　また、ＡＳＭシミュレータ３８は、活性汚泥モデルを用いた演算によって、処理水の状態の予測値Ｆａから制御目標値ＲＶ１，ＲＶ２を取得することができる。この場合、演算要求部３６は、処理水の状態の予測値Ｆａと制御目標値ＲＶ１，ＲＶ２とを含む学習用データを演算装置４へ送信する。
　また、ＡＳＭシミュレータ３８は、活性汚泥モデルを用いた演算によって、時系列の特性値Ｄａｔｓと時系列の制御目標値ＲＶｔｓとから制御目標値ＲＶ１，ＲＶ２の情報を取得することができる。この場合、演算要求部３６は、時系列の特性値Ｄａｔｓと、時系列の制御目標値ＲＶｔｓと、制御目標値ＲＶ１，ＲＶ２の情報とを含む学習用データを演算装置４へ送信する。
　ＡＳＭシミュレータ３８は、例えば、受付処理部３７によって選択された時系列の検出データのデータ分布に偏りがある場合および受付処理部３７によって選択された学習用データが少ない場合などにおいて、上述した学習用データを生成することができる。
　例えば、ＡＳＭシミュレータ３８は、受付処理部３７によって選択された時系列の検出データＤｔｓ２で示される水処理環境の経時的変化とは異なる経時的変化の時系列の特性値Ｄａｔｓと、かかる時系列の特性値Ｄａｔｓに対応する時刻の時系列の制御目標値ＲＶｔｓとを含む学習データを生成することができる。
　次に、演算装置４について説明する。図５は、実施の形態１にかかる演算装置の構成例を示す図である。図５に示すように、演算装置４は、通信部４１と、記憶部４２と、制御部４３とを備える。
　通信部４１は、通信ネットワーク９に接続される。制御部４３は、通信部４１および通信ネットワーク９を介し、処理装置３、制御装置５、および記憶装置６の各々との間でデータの送受信を行うことができる。
　記憶部４２には、１以上の計算モデルが記憶される。記憶部４２に記憶される計算モデルは、例えば、センサ２から出力される時系列の検出データＤｔｓ１を入力とし、複数の制御対象機器の制御目標値ＲＶを出力とする畳み込みニューラルネットワークまたはリカレントニューラルネットワークである。なお、計算モデルは、畳み込みニューラルネットワークまたはリカレントニューラルネットワーク以外の計算モデルであってもよい。計算モデルは、例えば、線形回帰、ロジスティック回帰といった学習アルゴリズムで生成される計算モデルであってもよい。
　例えば、記憶部４２には、センサ２から出力される時系列の検出データＤｔｓ１と時系列の制御目標値ＲＶｔｓ１とを入力とし、期間Ｔａ後に予測される処理水の状態を示す予測値Ｆａを出力とする第１計算モデルと、第１計算モデルの演算によって得られる処理水の状態の予測値Ｆａを入力とし、制御目標値ＲＶ１，ＲＶ２を出力とする第２計算モデルを含む計算モデルが記憶される。
　また、記憶部４２には、第１計算モデルおよび第２計算モデルに代えて、時系列の検出データＤｔｓ１と時系列の制御目標値ＲＶｔｓ１とを入力とし、制御目標値ＲＶ１，ＲＶ２を出力とする第３計算モデルが記憶されていてもよい。
　なお、記憶部４２に記憶される計算モデルは、センサ２から出力される時系列の検出データＤｔｓ１を入力として、水処理装置１の制御に関わる演算を行うことができる計算モデルであればよく、上述した例に限定されない。例えば、計算モデルは、センサ２から出力される時系列の検出データＤｔｓ１を入力とするが、時系列の制御目標値ＲＶｔｓ１を入力としないモデルであってもよい。例えば、計算モデルは、センサ２から出力される時系列の検出データＤｔｓ１のみを入力とし、各特性値Ｄａの予測値を出力とするモデルであってもよい。また、計算モデルは、センサ２から出力される時系列の検出データＤｔｓ１のみを入力とし、制御目標値ＲＶ１，ＲＶ２を出力とするモデルであってもよい。
　制御部４３は、取得処理部４４と、演算処理部４５と、出力処理部４６と、学習処理部４７とを備える。取得処理部４４は、通信ネットワーク９および通信部４１を介して処理装置３からの時系列の検出データＤｔｓ１を取得する。演算処理部４５は、計算モデルを記憶部４２から読み出し、読み出した計算モデルに時系列の検出データＤｔｓ１を入力して計算モデルを用いた演算を行うことで、計算モデルの出力を取得する。
　例えば、演算処理部４５は、時系列の検出データＤｔｓ１と時系列の制御目標値ＲＶｔｓ１とを第１計算モデルの入力データとする演算を行うことで、処理水の状態の予測値Ｆａの情報を得ることができる。演算処理部４５は、第１計算モデルの演算によって得られる処理水の状態の予測値Ｆａを第２計算モデルの入力データとする演算を行うことで、制御目標値ＲＶ１，ＲＶ２の情報を得ることができる。
　また、演算処理部４５は、時系列の検出データＤｔｓ１と時系列の制御目標値ＲＶｔｓ１とを第３計算モデルの入力データとすることで、制御目標値ＲＶ１，ＲＶ２の情報を得ることができる。
　出力処理部４６は、演算処理部４５において計算モデルを用いた演算によって取得された情報を演算装置４の出力情報として処理装置３へ通信部４１から出力する。演算装置４の出力情報は、例えば、上述した複数の制御対象機器の制御目標値ＲＶの情報、および上述した処理水の状態の予測値Ｆａの情報である。
　学習処理部４７は、処理装置３から出力される学習用データに基づいて、計算モデルを生成および更新することができる。学習処理部４７は、生成または更新した計算モデルを記憶部４２に記憶する。
　例えば、学習処理部４７は、受付処理部３７によって選択が受け付けられた時系列の検出データＤｔｓ２と時系列の制御目標値ＲＶｔｓ２とに基づいて、第１計算モデルと第２計算モデルの学習処理を行うことができる。学習処理部４７は、例えば、時系列の検出データＤｔｓ２に含まれる検出データＤのうち、期間Ｔｂの複数の検出データＤと、期間Ｔｂの複数の検出データＤのうち最も新しい検出データＤから期間Ｔａ後の検出データＤで特定される特性値Ｄａ１～Ｄａｍのうち処理水の状態を示す特性値Ｄａｍ－２，Ｄａｍ－１，Ｄａｍを予測値Ｆａとして、第１計算モデルの学習処理を行うことができる。
　また、学習処理部４７は、例えば、検出データＤで特定される特性値のうち処理水の状態を示す特性値Ｄａと、かかる特性値Ｄａが検出された時刻の制御目標値ＲＶとに基づいて、第２計算モデルの学習処理を行うことができる。
　また、学習処理部４７は、例えば、時系列の検出データＤｔｓ２に含まれる検出データＤのうち、期間Ｔｂの複数の検出データＤと、期間Ｔｂの複数の検出データＤのうち最も新しい検出データＤから期間Ｔａ後の制御目標値ＲＶとに基づいて、第３計算モデルの学習処理を行うことができる。
　また、学習処理部４７は、ＡＳＭシミュレータ３８の演算結果に基づいて、第１計算モデルの学習処理を行うことができる。学習処理部４７は、例えば、時系列の特性値Ｄａｔｓ、時系列の制御目標値ＲＶｔｓ、および処理水の状態の予測値Ｆａを含む学習用データに基づいて、第１計算モデルの学習処理を行うことができる。また、学習処理部４７は、例えば、処理水の状態の予測値Ｆａと制御目標値ＲＶ１，ＲＶ２とを含む学習用データに基づいて、第２計算モデルの学習処理を行うことができる。
　また、学習処理部４７は、時系列の特性値Ｄａｔｓおよび時系列の制御目標値ＲＶｔｓと、ＡＳＭシミュレータ３８から出力される制御目標値ＲＶ１，ＲＶ２とに基づいて、第３計算モデルの学習処理を行うことができる。
　なお、学習処理部４７で用いられる学習用データは、センサ２から出力される時系列の検出データＤｔｓ１を入力として水処理装置１の制御に関わる演算を行う計算モデルの学習処理を行うことできるデータであればよく、上述した学習用データに限定されない。
　演算装置４におけるニューラルネットワークは、人工ニューラルネットワークである。人工ニューラルネットワークは、入力信号の重み付き和を取り、活性化関数と呼ばれる非線形関数を適用して出力とするパーセプトロンを階層的に配置した計算モデルである。パーセプトロンの出力ｏｕｔは、入力をＸ＝（ｘ１，ｘ２，・・・，ｘｎ）、重みをＷ＝（ｗ１，ｗ２，・・・，ｗｎ）、活性化関数をｆ（・）とし、かつ、＊をベクトルの要素積として以下の式（１）により表すことができる。
　ｏｕｔ＝ｆ（Ｘ＊Ｗ）・・・（１）
　畳み込みニューラルネットワークにおいて、パーセプトロンは画像に対応する２次元信号を入力にとり、入力の重み付き和を計算して次の層に渡す。活性化関数には、シグモイド関数またはＲｅＬＵ（Rectified　Linear　Unit）関数が用いられる。
　人工ニューラルネットワークには、上述のパーセプトロンが階層的に配置されており、各層が入力信号を処理していくことで、識別結果が計算される。なお、最終層は、例えば、人工ニューラルネットワークにおけるタスクの種別が回帰タスクであれば活性化関数の出力をそのままタスクの出力とし、タスクの種別が分類タスクであれば最終層についてソフトマックス関数を適用し、タスクの出力とする。
　畳み込みニューラルネットワークの場合、２次元信号のマップとして人工ネットワークが構成される。２次元信号の各々がパーセプトロンに対応するとみなすことができ、前層の特徴マップに対し重み付き和を計算して活性化関数を適用した結果を出力する。
　畳み込みニューラルネットワークにおいて、上述の処理は畳み込み演算と呼ばれ、このほかにプーリング処理を行うプーリング層が各層に挿入される場合がある。このプーリング層は、特徴マップに対して平均値演算または最大値演算を行うことによりダウンサンプリングを行う。
　このような人工ニューラルネットワークの学習は、誤差逆伝播により行われるものであり、例えば、公知の確率的勾配降下法が用いられる。誤差逆伝播とは、人工ニューラルネットワークの出力誤差を最終層から順に前の層に向かって伝播させ、重みを更新させていく枠組みのことである。
　次に、図２に示す制御装置５について説明する。制御装置５は、ブロワ１４およびポンプ１５などを制御することで、水処理装置１を制御することができる。例えば、制御装置５は、ブロワ１４を制御して活性汚泥混合液中に送り込む空気の量を調整することで、活性汚泥混合液中の溶在酸素濃度を制御することができる。また、制御装置５は、ポンプ１５を制御することで、最終沈殿槽１３から処理槽１２に返送する活性汚泥の流量を調整する。
　図６は、実施の形態１にかかる制御装置の構成例を示す図である。図６に示すように、制御装置５は、通信部５１と、記憶部５２と、制御部５３と、入出力部５４とを備える。通信部５１は、通信ネットワーク９に接続される。制御部５３は、通信部５１および通信ネットワーク９を介し、処理装置３との間でデータの送受信を行うことができる。
　制御部５３は、入力処理部５５と、ブロワ制御部５６と、ポンプ制御部５７とを備える。入力処理部５５は、通信部５１を介して、処理装置３から出力される制御情報を取得し、取得した制御情報を記憶部５２に記憶する。記憶部５２に記憶される制御情報は、ブロワ１４の制御目標値と、ポンプ１５の制御目標値とを含む。
　ブロワ制御部５６は、記憶部５２に記憶されているブロワ１４の制御目標値ＲＶ１を読み出す。また、ブロワ制御部５６は、センサ２０５で検出される溶存酸素量を示す検出データを記憶装置６またはセンサ２０５から取得する。ブロワ制御部５６は、ブロワ１４の制御目標値ＲＶ１と取得した溶存酸素量とに基づいて、ＰＩ（Proportional　Integral）制御またはＰＩＤ（Proportional　Integral　Differential）制御によって制御信号を生成する。ブロワ制御部５６は、生成した制御信号を入出力部５４からブロワ１４へ出力する。ブロワ１４は、制御装置５の入出力部５４から出力される制御信号に基づいて、処理槽１２へ送り込む空気の量を調整する。
　ポンプ制御部５７は、記憶部５２に記憶されているポンプ１５の制御目標値ＲＶ２を読み出す。また、ポンプ制御部５７は、入出力部５４を介して不図示のセンサから、最終沈殿槽１３から処理槽１２への活性汚泥の流量を示す検出データを取得する。ポンプ制御部５７は、ポンプ１５の制御目標値ＲＶ２と取得した活性汚泥の流量とに基づいて、ＰＩ制御またはＰＩＤ制御によって制御信号を生成する。ポンプ制御部５７は、生成した制御信号を入出力部５４からポンプ１５へ出力する。ポンプ１５は、制御装置５の入出力部５４から出力される制御信号に基づいて、最終沈殿槽１３から処理槽１２への活性汚泥の流量を調整する。
　つづいて、水処理プラント１００の動作を、フローチャートを用いて説明する。図７は、実施の形態１にかかる処理装置の処理の一例を示すフローチャートであり、処理装置３の制御部３３によって繰り返し実行される。
　図７に示すように、処理装置３の制御部３３は、学習処理のタイミングであるか否かを判定する（ステップＳ１０）。制御部３３は、ステップＳ１０において、例えば、オペレータから検出データの選択を受け付けた場合に、学習処理のタイミングであると判定する。また、制御部３３は、ステップＳ１０において、例えば、オペレータからＡＳＭシミュレータ３８を用いた学習処理の要求を受け付けた場合、学習処理のタイミングであると判定する。
　制御部３３は、学習処理のタイミングであると判定した場合（ステップＳ１０：Ｙｅｓ）、学習用データを演算装置４へ出力する（ステップＳ１１）。制御部３３は、オペレータから検出データの選択を受け付けた場合、ステップＳ１１の処理において、例えば、オペレータによって選択された検出データを含む学習用データを演算装置４へ出力する。
　制御部３３は、ステップＳ１１の処理が終了した場合、または学習処理のタイミングではないと判定した場合（ステップＳ１０：Ｎｏ）、検出データを取得したか否かを判定する（ステップＳ１２）。制御部３３は、検出データを取得したと判定した場合（ステップＳ１２：Ｙｅｓ）、検出データを記憶装置６から取得し、取得した検出データを演算装置４へ出力する（ステップＳ１３）。
　次に、制御部３３は、ステップＳ１３の処理に応答して演算装置４から出力される出力情報を取得し（ステップＳ１４）、取得した出力情報を制御装置５へ出力する（ステップＳ１５）。かかる出力情報には、上述したように制御情報が含まれる。制御部３３は、ステップＳ１５の処理が終了した場合、または検出データを取得していないと判定した場合（ステップＳ１２：Ｎｏ）、図７に示す処理を終了する。
　図８は、実施の形態１にかかる演算装置の処理の一例を示すフローチャートであり、演算装置４の制御部４３によって繰り返し実行される。
　図８に示すように、演算装置４の制御部４３は、処理装置３から検出データを取得したか否かを判定する（ステップＳ２０）。ステップＳ２０の処理において、制御部４３は、演算装置４の計算モデルがリカレントネットワーク以外のニューラルネットワークである場合、処理装置３から時系列の検出データＤｔｓ１を取得したか否かを判定する。また、制御部４３は、演算装置４の計算モデルがリカレントネットワークである場合、処理装置３から時系列の検出データＤｔｓ１を取得した後は、センサ２から出力される検出データを処理装置３から順次取得する毎に、処理装置３から検出データを取得したと判定する。
　制御部４３は、検出データを取得したと判定した場合（ステップＳ２０：Ｙｅｓ）、取得した検出データを計算モデルの入力として、計算モデルを用いた演算処理を実行し（ステップＳ２１）、計算モデルの出力情報を処理装置３へ送信する（ステップＳ２２）。
　制御部４３は、ステップＳ２２の処理が終了した場合、または検出データを取得していないと判定した場合（ステップＳ２０：Ｎｏ）、学習用データを処理装置３から取得したか否かを判定する（ステップＳ２３）。制御部４３は、学習用データを処理装置３から取得したと判定した場合（ステップＳ２３：Ｙｅｓ）、学習用データを用いて計算モデルの学習処理を実行する（ステップＳ２４）。
　制御部４３は、ステップＳ２４の処理が終了した場合、または学習用データを取得していないと判定した場合（ステップＳ２３：Ｎｏ）、図８に示す処理を終了する。
　図９は、実施の形態１にかかる制御装置の処理の一例を示すフローチャートであり、制御装置５の制御部５３によって繰り返し実行される。
　図９に示すように、制御装置５の制御部５３は、処理装置３から制御情報を取得したか否かを判定する（ステップＳ３０）。制御部５３は、制御情報を取得したと判定した場合（ステップＳ３０：Ｙｅｓ）、取得した制御情報に基づいて制御対象機器を制御する（ステップＳ３１）。制御部５３は、ステップＳ３１の処理が終了した場合、または制御情報を取得していないと判定した場合（ステップＳ３０：Ｎｏ）、図９に示す処理を終了する。
　図１０は、実施の形態１にかかる処理装置のハードウェア構成の一例を示す図である。図１０に示すように、処理装置３は、プロセッサ１０１と、メモリ１０２と、インタフェイス回路１０３とを備えるコンピュータを含む。
　プロセッサ１０１、メモリ１０２およびインタフェイス回路１０３は、バス１０４によって互いにデータの送受信が可能である。通信部３１は、インタフェイス回路１０３によって実現される。記憶部３２は、メモリ１０２によって実現される。プロセッサ１０１は、メモリ１０２に記憶されたプログラムを読み出して実行することによって、データ処理部３４、表示処理部３５、演算要求部３６、受付処理部３７、およびＡＳＭシミュレータ３８の機能を実行する。プロセッサ１０１は、処理回路の一例であり、ＣＰＵ（Central　Processing　Unit）、ＤＳＰ（Digital　Signal　Processer）、およびシステムＬＳＩ（Large　Scale　Integration）のうち一つ以上を含む。
　メモリ１０２は、ＲＡＭ（Random　Access　Memory）、ＲＯＭ（Read　Only　Memory）、フラッシュメモリ、およびＥＰＲＯＭ（Erasable　Programmable　Read　Only　Memory）のうち一つ以上を含む。また、メモリ１０２は、コンピュータが読み取り可能な上述のプログラムが記録された記録媒体を含む。かかる記録媒体は、不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルメモリ、光ディスク、コンパクトディスク、およびＤＶＤのうち一つ以上を含む。
　また、処理装置３の制御部３３が専用のハードウェアで実現される場合、制御部３３は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Application　Specific　Integrated　Circuit）、ＦＰＧＡ（Field　Programmable　Gate　Array）、またはこれらを組み合わせたものである。
　また、演算装置４も図１０に示すハードウェア構成と同様のハードウェア構成を有する。通信部４１は、インタフェイス回路１０３によって実現される。記憶部４２は、メモリ１０２によって実現される。プロセッサ１０１は、メモリ１０２に記憶されたプログラムを読み出して実行することによって、取得処理部４４、演算処理部４５、出力処理部４６、および学習処理部４７の機能を実行する。なお、制御部４３が専用のハードウェアで実現される場合、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、またはこれらを組み合わせたものである。
　また、制御装置５も図１０に示すハードウェア構成と同様のハードウェア構成を有する。通信部５１および入出力部５４は、インタフェイス回路１０３によって実現される。記憶部５２は、メモリ１０２によって実現される。プロセッサ１０１は、メモリ１０２に記憶されたプログラムを読み出して実行することによって、入力処理部５５、ブロワ制御部５６、およびポンプ制御部５７の機能を実行する。なお、制御部５３が専用のハードウェアで実現される場合、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、またはこれらを組み合わせたものである。
　上述した例では、演算装置４から出力された情報は、処理装置３から制御装置５へ出力されるが、処理装置３を介さずに演算装置４から出力された情報を制御装置５へ直接入力させる構成であってもよい。
　また、上述した例では、演算装置４が計算モデルの出力に基づいて制御目標値ＲＶ１，ＲＶ２を演算するが、制御装置５は、演算装置４に代えて制御装置５が計算モデルの出力に基づいて制御目標値ＲＶ１，ＲＶ２を演算する構成であってもよい。例えば、制御装置５は、処理水の状態の予測値Ｆａの情報を演算装置４から取得した場合、処理水の状態の予測値Ｆａに基づいて制御目標値ＲＶ１，ＲＶ２を演算する構成であってもよい。
　また、水処理プラント１００において、演算装置４は、制御装置５に設けられる構成であってもよく、演算装置４の一部または全部が処理装置３または制御装置５に設けられる構成であってもよい。また、水処理プラント１００において、処理装置３の一部が制御装置５に設けられる構成であってもよい。また、水処理プラント１００において、記憶装置６は、処理装置３または制御装置５に設けられる構成であってもよい。
　また、上述した例では、制御装置５によって制御される制御対象機器の例として、ブロワ１４およびポンプ１５を説明したが、制御装置５によって制御される制御対象機器は、ブロワ１４およびポンプ１５以外の機器を含んでもよい。例えば、制御対象機器は、処理槽１２における水の温度を調整するヒータ、および処理槽１２への薬液の投入を制御する機器であってもよい。
　また、上述した例では、演算装置４の演算処理部４５で用いられる計算モデルの例として、第１計算モデル、第２計算モデル、および第３計算モデルを例に挙げて説明したが、演算処理部４５で用いられる計算モデルは、上述した例に限定されない。
　例えば、演算処理部４５で用いられる計算モデルは、各流入水特性の時系列データから各流入水特性の予測値を出力する複数の第４計算モデルと、複数の第４計算モデルから得られる複数の流入水特性の予測値から制御目標値ＲＶを出力する第５の計算モデルを含んでいてもよい。なお、演算処理部４５は、演算要求部３６からの要求に従った計算モデルによって水処理装置１の制御に関わる情報を求めることができる。水処理装置１の制御に関わる情報は、制御目標値ＲＶに限定されず、水処理環境の予測値などであってもよい。
　以上のように、実施の形態１にかかる水処理プラント１００は、水処理を行う水処理装置１と、水処理装置１の水処理環境を繰り返し検出して時系列の検出データＤｔｓ１を出力するセンサ２と、処理装置３とを備える。処理装置３は、機械学習によって生成される計算モデルを用いて水処理装置１の制御に関わる演算を行う演算装置４に、センサ２が出力した時系列の検出データＤｔｓ１を計算モデルの入力データとして演算を実行させる。これにより、水処理プラント１００は、水処理環境の経時的変化に対してより効果的な水処理制御を行うことができる。なお、時系列の検出データＤｔｓ１は、時系列検出データの一例である。
　また、実施の形態１にかかる水処理プラント１００の運転方法では、センサ２を用いて水処理装置１の水処理環境を繰り返し検出して時系列の検出データＤｔｓ１を出力し、機械学習によって生成される計算モデルを用いて水処理装置１の制御に関わる演算を行う演算装置４に、センサ２が出力した時系列の検出データＤｔｓ１を計算モデルの入力データとして演算を実行させる。これにより、水処理プラント１００は、水処理装置１内の経時的変化に対してより効果的な水処理制御を行うことができる。
　また、水処理プラント１００は、時系列の検出データＤｔｓ１に対して実行した演算の結果に基づいて、水処理装置１の制御を行う制御装置５を備える。これにより、水処理プラント１００は、水処理装置１内の経時的変化に対してより効果的な水処理制御を自動的に行うことができる。
　また、処理装置３は、時系列の検出データＤｔｓ１に対して実行した演算の結果に関する情報を表示する表示処理部３５を備える。そのため、水処理プラント１００のオペレータは、水処理装置１の制御に関わる情報を把握することができる。
　また、処理装置３は、制御装置５の制御目標値ＲＶの入力を受け付ける受付処理部３７と、受付処理部３７によって受け付けられた制御目標値ＲＶを制御装置５に出力するデータ処理部３４とを備える。これにより、水処理プラント１００のオペレータは、水処理装置１の制御に関わる情報に応じた制御を制御装置５に実行させることができる。
　また、制御装置５は、制御対象機器を比例積分制御または比例積分微分制御を用いて水処理装置１の制御を行う。これにより、水処理プラント１００において、水処理装置１を精度よく制御することができる。
　また、演算装置４は、時系列の検出データＤｔｓ１を入力データとするリカレントニューラルネットワークを計算モデルとして含む。処理装置３は、リカレントニューラルネットワークを用いた演算を演算装置４に実行させる。このように、水処理プラント１００は、時系列の検出データｔｓ１を入力データとするリカレントニューラルネットワークを計算モデルとして準備し、リカレントニューラルネットワークを用いた演算を演算装置４に実行させる。これにより、水処理プラント１００において、水処理装置１の制御に関わる演算を精度よく制御することができる。また、リカレントニューラルネットワークによる演算を開始した後は、リカレントニューラルネットワーク内に過去のデータが設定されているため、演算装置４における処理間隔を向上させることができる。
　また、水処理プラント１００は、センサ２が出力した時系列の検出データを記憶する記憶装置６を備える。処理装置３は、記憶部３２に記憶された時系列の検出データのうち計算モデルの学習用データとして使用する範囲を受け付ける受付処理部３７を備える。演算装置４は、記憶装置６に記憶された時系列の検出データのうち、受付処理部３７によって受け付けられた範囲に含まれる複数の検出データに基づいて、計算モデルの生成または更新を行う学習処理を実行する学習処理部４７を備える。これにより、オペレータは、学習用データを選択することができ、例えば、計算モデルの学習に適した時系列のデータを選択することで、水処理装置１の制御に関わる演算を精度よく行うことができる計算モデルを生成または更新することができる。また、処理装置３の制御部３３は、時系列の検出データのうち計算モデルの学習用データとして使用する範囲に加え、期間Ｔａの設定をオペレータから受けることができる。これにより、例えば、長期的な変化サイクルを有する事象と短期的な変化サイクルを有する事象との両方に対する反映効率向上が期待できる。なお、受付処理部３７によって受け付けられた範囲に含まれる複数の検出データは、複数の範囲内検出データの一例である。
　また、処理装置３は、水処理の物理的、生物的、および科学的な挙動を模擬するＡＳＭシミュレータ３８を備える。ＡＳＭシミュレータ３８は、シミュレータの一例である。演算装置４は、ＡＳＭシミュレータ３８による演算結果に基づいて、計算モデルの生成または更新を行う学習処理部４７を備える。これにより、例えば、水処理プラント１００の運転中に得られる時系列の検出データのデータ分布に偏りがある場合などにおいて、水処理装置１の制御に関わる演算を精度よく行うことができる計算モデルを生成または更新することができる。
　上記の実施の形態１では、ＡＳＭシミュレータ３８を用いた一例について説明した。しかしながら、本発明は当一例に限定されない。水処理における物理的、生物的、および科学的な挙動を模擬するその他のシミュレータを使用してもよい。
　上記の実施の形態１では、リカレントニューラルネットワークまたは畳み込みニューラルネットワークを用いた一例について説明した。しかしながら、本発明は当一例に限定されない。リカレントニューラルネットワークおよび畳み込みニューラルネットワーク以外の計算モデルを使用してもよい。
　以上の実施の形態に示した構成は、本発明の内容の一例を示すものであり、別の公知の技術と組み合わせることも可能であるし、本発明の要旨を逸脱しない範囲で、構成の一部を省略、変更することも可能である。
　１　水処理装置、２，２０，２０１～２０ｍ　センサ、３　処理装置、４　演算装置、５　制御装置、６　記憶装置、７　表示装置、８　入力装置、９　通信ネットワーク、１１　最初沈殿槽、１２　処理槽、１３　最終沈殿槽、１４　ブロワ、１５　ポンプ、３１，４１，５１　通信部、３２，４２，５２　記憶部、３３、４３，５３　制御部、３４　データ処理部、３５　表示処理部、３６　演算要求部、３７　受付処理部、３８　ＡＳＭシミュレータ、４４　取得処理部、４５　演算処理部、４６　出力処理部、４７　学習処理部、５４　入出力部、５５　入力処理部、５６　ブロワ制御部、５７　ポンプ制御部、１００　水処理プラント。

Claims (12)

  1. 　水処理装置を用いて水処理を行う水処理プラントにおいて、
    　前記水処理装置の水処理環境を繰り返し検出して時系列の検出データである時系列検出データを出力するセンサと、
    　機械学習によって生成される計算モデルを用いて前記水処理装置の制御に関わる演算を行う演算装置に、前記センサが出力した前記時系列検出データを前記計算モデルの入力データとして前記演算を実行させる処理装置と、を備える
    　ことを特徴とする水処理プラント。
  2. 　前記時系列検出データに対して実行した前記演算の結果に基づいて前記制御を行う制御装置を備える
    　ことを特徴とする請求項１に記載の水処理プラント。
  3. 　前記時系列検出データに対して実行した前記演算の結果に関する情報を表示する表示処理部を備える
    　ことを特徴とする請求項１または２に記載の水処理プラント。
  4. 　前記水処理装置を制御する制御装置を備え、
    　前記処理装置は、
    　前記制御装置の制御目標値の入力を受け付ける受付処理部と、
    　前記受付処理部によって受け付けられた前記制御目標値を前記制御装置に出力するデータ処理部と、を備える
    　ことを特徴とする請求項３に記載の水処理プラント。
  5. 　前記制御装置は、
    　比例積分制御または比例積分微分制御を用いて前記制御を行う
    　ことを特徴とする請求項２または４に記載の水処理プラント。
  6. 　前記センサが出力した前記時系列検出データを記憶する記憶装置と、
    　前記記憶装置に記憶された前記時系列検出データのうち前記計算モデルの学習用データとして使用する範囲を受け付ける受付処理部と、
    　前記記憶装置に記憶された前記時系列検出データのうち、前記受付処理部が受け付けた前記範囲に含まれる複数の範囲内検出データに基づいて、前記計算モデルの生成または更新を行う学習処理を実行する学習処理部とを備える
    　ことを特徴とする請求項１から５のいずれか一つに記載の水処理プラント。
  7. 　前記水処理の物理的、生物的、および科学的な挙動を模擬するシミュレータを備え、
    　前記学習処理部は、
    　前記シミュレータによる演算結果に基づいて、前記生成または前記更新を行う
    　ことを特徴とする請求項６に記載の水処理プラント。
  8. 　前記演算装置は、
    　前記時系列検出データを入力データとするリカレントニューラルネットワークを前記計算モデルとして含み、
    　前記処理装置は、
    　前記リカレントニューラルネットワークを用いた演算を前記演算装置に実行させる
    　ことを特徴とする請求項１から７のいずれか一つに記載の水処理プラント。
  9. 　前記演算装置は、ＡＩである
    　ことを特徴とする請求項１から８のいずれか一つに記載の水処理プラント。
  10. 　水処理装置を用いて水処理を行う水処理プラントの運転方法において、
    　センサを用いて前記水処理装置の水処理環境を繰り返し検出して時系列の検出データである時系列検出データを出力する出力ステップと、
    　機械学習によって生成される計算モデルを用いて前記水処理装置の制御に関わる演算を行う演算装置に、前記センサが出力した前記時系列検出データを前記計算モデルの入力データとして前記演算を実行させる実行ステップと、
    　を含むことを特徴とする水処理プラントの運転方法。
  11. 　前記時系列検出データを入力データとするリカレントニューラルネットワークを前記計算モデルとして準備するモデル準備ステップと、
    　前記演算に対して前記リカレントニューラルネットワークを使用する使用ステップと、
    　を含むことを特徴とする請求項１０に記載の水処理プラントの運転方法。
  12. 　前記演算装置としてＡＩを準備するＡＩ準備ステップ
    　を含むことを特徴とする請求項１０または１１に記載の水処理プラントの運転方法。
PCT/JP2018/028152 2018-07-26 2018-07-26 水処理プラントおよび水処理プラントの運転方法 WO2020021688A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US17/261,570 US20210263490A1 (en) 2018-07-26 2018-07-26 Water treatment plant and method of operating water treatment plant
PCT/JP2018/028152 WO2020021688A1 (ja) 2018-07-26 2018-07-26 水処理プラントおよび水処理プラントの運転方法
JP2018562683A JP6764487B2 (ja) 2018-07-26 2018-07-26 水処理プラントおよび水処理プラントの運転方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/028152 WO2020021688A1 (ja) 2018-07-26 2018-07-26 水処理プラントおよび水処理プラントの運転方法

Publications (1)

Publication Number Publication Date
WO2020021688A1 true WO2020021688A1 (ja) 2020-01-30

Family

ID=69180394

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/028152 WO2020021688A1 (ja) 2018-07-26 2018-07-26 水処理プラントおよび水処理プラントの運転方法

Country Status (3)

Country Link
US (1) US20210263490A1 (ja)
JP (1) JP6764487B2 (ja)
WO (1) WO2020021688A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113359573A (zh) * 2021-06-30 2021-09-07 华能澜沧江水电股份有限公司 一种大坝安全智能预测方法及其装置
JP7059346B1 (ja) 2020-12-22 2022-04-25 東芝プラントシステム株式会社 プラントシミュレーション装置およびプラントシミュレーションシステム
WO2022085802A1 (ja) * 2020-10-23 2022-04-28 国立研究開発法人理化学研究所 ろ過膜のファウリングの重要因子算出装置、ファウリング発生予測装置、重要因子算出方法、ファウリング発生予測方法、プログラム、学習済モデル、記憶媒体および学習済モデルの作成方法
WO2022145222A1 (ja) * 2020-12-28 2022-07-07 東京エレクトロン株式会社 管理装置、予測方法及び予測プログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005242524A (ja) * 2004-02-25 2005-09-08 Ebara Corp 処理プラント設備の運転制御方法及び運転制御装置
JP2006122749A (ja) * 2004-10-26 2006-05-18 Hitachi Ltd 水処理プロセス運転支援装置，プログラム及び記録媒体
JP2007283274A (ja) * 2006-04-20 2007-11-01 Hitachi Ltd 下水処理場およびその制御装置
JP2017140595A (ja) * 2016-02-12 2017-08-17 株式会社東芝 管理支援システム、管理支援方法及び管理支援プログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2533942B2 (ja) * 1989-03-13 1996-09-11 株式会社日立製作所 知識抽出方法およびプロセス運転支援システム
JP3487092B2 (ja) * 1996-05-31 2004-01-13 三菱電機株式会社 生物学的水処理装置の制御方法
JP2002254064A (ja) * 2001-02-28 2002-09-10 Hitachi Ltd 排水処理場の運転管理装置及び運転管理サービス方法並びに入力データ生成方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005242524A (ja) * 2004-02-25 2005-09-08 Ebara Corp 処理プラント設備の運転制御方法及び運転制御装置
JP2006122749A (ja) * 2004-10-26 2006-05-18 Hitachi Ltd 水処理プロセス運転支援装置，プログラム及び記録媒体
JP2007283274A (ja) * 2006-04-20 2007-11-01 Hitachi Ltd 下水処理場およびその制御装置
JP2017140595A (ja) * 2016-02-12 2017-08-17 株式会社東芝 管理支援システム、管理支援方法及び管理支援プログラム

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022085802A1 (ja) * 2020-10-23 2022-04-28 国立研究開発法人理化学研究所 ろ過膜のファウリングの重要因子算出装置、ファウリング発生予測装置、重要因子算出方法、ファウリング発生予測方法、プログラム、学習済モデル、記憶媒体および学習済モデルの作成方法
JP7059346B1 (ja) 2020-12-22 2022-04-25 東芝プラントシステム株式会社 プラントシミュレーション装置およびプラントシミュレーションシステム
JP2022099096A (ja) * 2020-12-22 2022-07-04 東芝プラントシステム株式会社 プラントシミュレーション装置およびプラントシミュレーションシステム
WO2022145222A1 (ja) * 2020-12-28 2022-07-07 東京エレクトロン株式会社 管理装置、予測方法及び予測プログラム
CN113359573A (zh) * 2021-06-30 2021-09-07 华能澜沧江水电股份有限公司 一种大坝安全智能预测方法及其装置

Also Published As

Publication number Publication date
JP6764487B2 (ja) 2020-09-30
JPWO2020021688A1 (ja) 2020-08-06
US20210263490A1 (en) 2021-08-26

Similar Documents

Publication Publication Date Title
WO2020021688A1 (ja) 水処理プラントおよび水処理プラントの運転方法
Han et al. Nonlinear multiobjective model-predictive control scheme for wastewater treatment process
Samuelsson et al. Gaussian process regression for monitoring and fault detection of wastewater treatment processes
JP2004025160A (ja) 神経回路網及び逆転波アルゴリズムによる下排水処理人工知能制御システム及び方法
KR20090078501A (ko) 인공 신경망에 의한 하수처리장의 유입 유량 및 유입 성분농도의 예측 방법 및 장치
US11649183B2 (en) Water treatment plant
CN113837364B (zh) 基于残差网络和注意力机制的污水处理软测量方法及系统
Alharbi et al. Sliding window neural network based sensing of bacteria in wastewater treatment plants
Alikhani et al. Evaluation of the information content of long-term wastewater characteristics data in relation to activated sludge model parameters
Nagy-Kiss et al. Estimation and diagnosis using multi-models with application to a wastewater treatment plant
KR100920522B1 (ko) 하수처리공정 진단 및 제어장치 및 방법
Hulhoven et al. Hybrid extended Luenberger-asymptotic observer for bioprocess state estimation
Wu et al. Optimal control of total chlorine and free ammonia levels in a water transmission pipeline using artificial neural networks and genetic algorithms
JP6541913B1 (ja) 水処理プラントおよび水処理プラントの運転方法
JP2021149472A (ja) 放流水質予測装置および放流水質予測方法
Dulkadiroglu et al. Modeling nitrate concentrations in a moving bed sequencing batch biofilm reactor using an artificial neural network technique
Protoulis et al. A machine learning dynamic modelling scheme for wastewater treatment plants using cooperative particle swarm optimization and neural networks
Khademikia et al. Artificial neural network-cuckoo optimization algorithm (ANN-COA) for Optimal control of Khorramabad wastewater treatment plant, Iran
Borowa et al. Modelling of wastewater treatment plant for monitoring and control purposes by state-space wavelet networks
Zadorojniy et al. IBM cognitive technology helps aqualia to reduce costs and save resources in wastewater treatment
Xiong et al. An evolutionary robust soft measurement technique via enhanced atom search optimization and outlier robust extreme learning machine for wastewater treatment process
Stîngă et al. Estimation based control strategies for an aerobic bioprocess
WO2022234625A1 (ja) 推定装置、推定方法および記録媒体
Szeląg et al. Sludge volume index (SVI) modelling: data mining approach
JP2022146606A (ja) 解析装置、解析方法及びプログラム

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2018562683

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18927362

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18927362

Country of ref document: EP

Kind code of ref document: A1