JP3260538B2 - Control device - Google Patents
Control deviceInfo
- Publication number
- JP3260538B2 JP3260538B2 JP3497894A JP3497894A JP3260538B2 JP 3260538 B2 JP3260538 B2 JP 3260538B2 JP 3497894 A JP3497894 A JP 3497894A JP 3497894 A JP3497894 A JP 3497894A JP 3260538 B2 JP3260538 B2 JP 3260538B2
- Authority
- JP
- Japan
- Prior art keywords
- dissolved oxygen
- oxygen concentration
- aeration air
- amount
- treatment process
- Prior art date
- Legal status (The legal status 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 status listed.)
- Expired - Fee Related
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Landscapes
- Biological Treatment Of Waste Water (AREA)
- Activated Sludge Processes (AREA)
- Feedback Control In General (AREA)
- Control Of Non-Electrical Variables (AREA)
Description
【０００１】[0001]
【産業上の利用分野】本発明は、例えば下水処理施設の
曝気槽内の溶存酸素濃度を一定値に制御する制御装置に
関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a control device for controlling the concentration of dissolved oxygen in an aeration tank of a sewage treatment plant to a constant value.
【０００２】[0002]
【従来の技術】従来、下水処理施設の曝気槽内の溶存酸
素濃度制御は、観測された下水の溶存酸素濃度と目標溶
存酸素濃度との誤差から曝気風量を決定するフィードバ
ック制御を行っているが、降雨等により、下水流入量が
急激に変化すると、フィードバック制御では正確な制御
ができなくなり、監視員が手作業で曝気風量を調節しな
ければならない。また、下水流入量の変化などによる溶
存酸素濃度の急激な変化だけでなく、季節によって下水
処理プロセスの特性が大きく変化するため、フィードバ
ック制御のゲイン定数を調整しなければならないのが現
状である。2. Description of the Related Art Conventionally, the dissolved oxygen concentration in an aeration tank of a sewage treatment facility is controlled by a feedback control that determines the amount of aerated air from an error between the observed dissolved oxygen concentration and a target dissolved oxygen concentration. If the amount of inflow of sewage changes suddenly due to rainfall or the like, accurate control cannot be performed by feedback control, and the observer must manually adjust the aeration air volume. In addition, not only abrupt changes in the concentration of dissolved oxygen due to changes in the amount of inflow of sewage, but also the characteristics of the sewage treatment process greatly change depending on the season. At present, the gain constant of feedback control must be adjusted.
【０００３】また、下水処理プロセスの特性を数式モデ
ルに表現する研究がこれまでに行われてきたが、下水処
理プロセスは微生物の生物化学反応性イオンを利用する
様々な要因が関わった複雑なプロセスなので、パラメー
タの調整が難しく、良い結果は得られていない。[0003] Although studies have been made to express the characteristics of sewage treatment processes in mathematical models, the sewage treatment process is a complex process involving various factors utilizing biochemically reactive ions of microorganisms. Therefore, it is difficult to adjust the parameters, and good results have not been obtained.
【０００４】[0004]
【発明が解決しようとする課題】このように、従来、下
水処理プロセスにおける溶存酸素濃度制御で行われてい
るフィードバック制御では、降雨などによる下水流入量
の急激な変化には対応できず、また、季節単位ほどの穏
やかな特性の変化に対してゲイン定数を調整する必要が
ある。As described above, the feedback control conventionally performed by controlling the dissolved oxygen concentration in the sewage treatment process cannot cope with a rapid change in the amount of sewage inflow due to rainfall or the like. It is necessary to adjust the gain constant for a gentle change in characteristics as in seasonal units.
【０００５】本発明は、上記のような従来技術の欠点を
除去し、降雨などによる下水流入量の急激な変化に対
し、繰り返し回数の少ない計算で溶存酸素濃度を一定値
に制御し、季節単位ほどの緩やかな下水処理プロセスの
特性変化にも適応する制御装置を提供するものである。The present invention eliminates the above-mentioned disadvantages of the prior art, and controls the dissolved oxygen concentration to a constant value by a calculation with a small number of repetitions in response to a rapid change in the amount of sewage inflow due to rainfall and the like. The purpose of the present invention is to provide a control device that can adapt to moderate changes in the characteristics of a sewage treatment process.
【０００６】[0006]
【課題を解決するための手段】上記目的を達成するた
め、請求項１記載の発明は、制御対象に入力される操作
量を変化させることで制御対象の制御量を制御する制御
装置において、前記制御対象において計測された制御量
及び目標とする制御量に基づき、仮想の操作量を算出す
る仮想操作量算出手段と、前記制御対象において計測さ
れた制御量、前記仮想操作量算出手段により算出された
仮想の操作量及び過去の操作量に基づき、所定時間後の
制御量を予測する予測手段と、この予測手段により予測
された所定時間後の制御量及び目標とする制御量に基づ
き、前記仮想操作量算出手段により算出された仮想の操
作量を修正する修正手段とを備え、これら予測手段によ
る予測及び修正手段による修正を少なくとも１回行って
得られた操作量を前記制御対象に入力する操作量補正手
段とを具備する制御装置であって、前記予測手段が、学
習機能を持つ関数近似装置から構成され、前記操作量補
正手段が、前記制御対象において計測された過去の制御
量及び前記制御対象に入力された過去の操作量に基づ
き、前記関数近似装置を学習する学習手段を具備する。 According to a first aspect of the present invention, there is provided a control apparatus for controlling a control amount of a control target by changing an operation amount input to the control target. A virtual operation amount calculation unit that calculates a virtual operation amount based on the control amount measured in the control object and a target control amount, and a control amount measured in the control object and calculated by the virtual operation amount calculation unit. Prediction means for predicting the control amount after a predetermined time based on the virtual operation amount and the past operation amount, and the virtual amount based on the control amount and the target control amount after the predetermined time predicted by the prediction means. Correction means for correcting the virtual operation amount calculated by the operation amount calculation means, wherein the operation amount obtained by performing at least one of the prediction by the prediction means and the correction by the correction means is used. A control apparatus for and a manipulated variable correcting means for inputting the control target, the prediction means, Manabu
It consists of a function approximation device with learning function,
Corrective means for controlling the past control measured in the control object;
And the past operation amount input to the control object.
Learning means for learning the function approximation device.
【０００７】[0007]
【０００８】請求項２記載の発明は、下水処理プロセス
に入力される曝気風量を変化させることで下水処理プロ
セスの溶存酸素濃度を制御する下水処理プロセスにおけ
る溶存酸素濃度の制御装置において、前記下水処理プロ
セスにおいて計測された計測データ及び目標とする溶存
酸素濃度に基づき、仮想の曝気風量を算出する仮想曝気
風量算出手段と、学習機能を持つ関数近似装置から構成
され、前記下水処理プロセスにおいて計測された計測デ
ータ、前記仮想曝気風量算出手段により算出された仮想
の曝気風量及び過去の曝気風量に基づき、所定時間後の
溶存酸素濃度を予測する予測手段と、この予測手段によ
り予測された所定時間後の溶存酸素濃度及び目標とする
溶存酸素濃度に基づき、前記仮想曝気風量算出手段によ
り算出された仮想の曝気風量を修正する修正手段と、前
記下水処理プロセスにおいて計測された過去の計測デー
タ及び前記水処理プロセスに入力された過去の曝気風量
に基づき、前記関数近似装置を学習する学習手段を備
え、これら予測手段による予測及び修正手段による修正
を少なくとも１回行って得られた曝気風量を前記下水処
理プロセスに入力する曝気風量補正手段とを具備する。According to a second aspect of the present invention, there is provided a control apparatus for controlling a dissolved oxygen concentration in a sewage treatment process, wherein the dissolved oxygen concentration in the sewage treatment process is controlled by changing an aeration amount input to the sewage treatment process. Based on the measurement data measured in the process and the target dissolved oxygen concentration, the virtual aeration air volume calculation means for calculating a virtual aeration air volume, and a function approximation device having a learning function, and are measured in the sewage treatment process. Based on the measurement data, the virtual aeration air volume calculated by the virtual aeration air volume calculation unit and the past aeration air volume, a prediction unit that predicts the dissolved oxygen concentration after a predetermined time, and a prediction unit that predicts the dissolved oxygen concentration after the predetermined time. Based on the dissolved oxygen concentration and the target dissolved oxygen concentration, the virtual Correction means for correcting the aeration air volume, and learning means for learning the function approximation device based on past measurement data measured in the sewage treatment process and past aeration air volume input to the water treatment process, Aeration air volume correction means for inputting the aeration air volume obtained by performing at least one of the prediction by the prediction means and the correction by the correction means to the sewage treatment process.
【０００９】請求項３記載の発明は、下水処理プロセス
に入力される曝気風量を変化させることで下水処理プロ
セスの溶存酸素濃度を制御する下水処理プロセスにおけ
る溶存酸素濃度の制御装置において、前記下水処理プロ
セスにおいて計測された下水流入量及び溶存酸素濃度並
びに目標とする溶存酸素濃度に基づき、仮想の曝気風量
を算出する仮想曝気風量算出手段と、学習機能を持つ関
数近似装置から構成され、前記下水処理プロセスにおい
て計測された溶存酸素濃度、前記仮想曝気風量算出手段
により算出された仮想の曝気風量及び過去の曝気風量に
基づき、所定時間後の溶存酸素濃度を予測する予測手段
と、この予測手段により予測された所定時間後の溶存酸
素濃度及び目標とする溶存酸素濃度に基づき、前記仮想
曝気風量算出手段により算出された仮想の曝気風量を修
正する修正手段と、前記下水処理プロセスにおいて計測
された過去の下水流入量及び溶存酸素濃度並びに前記水
処理プロセスに入力された過去の曝気風量に基づき、前
記関数近似装置を学習する学習手段を備え、これら予測
手段による予測及び修正手段による修正を少なくとも１
回行って得られた曝気風量を前記下水処理プロセスに入
力する曝気風量補正手段とを具備する。According to a third aspect of the present invention, in the control apparatus for controlling the dissolved oxygen concentration in the sewage treatment process, the dissolved oxygen concentration in the sewage treatment process is controlled by changing the amount of aeration air input to the sewage treatment process. The sewage treatment comprises virtual aeration air volume calculation means for calculating a virtual aeration air volume based on the sewage inflow amount and dissolved oxygen concentration measured in the process and a target dissolved oxygen concentration, and a function approximation device having a learning function. Prediction means for predicting the dissolved oxygen concentration after a predetermined time based on the dissolved oxygen concentration measured in the process, the virtual aeration air flow calculated by the virtual aeration air flow calculation means and the past aeration air flow, The virtual aeration air volume calculating means based on the dissolved oxygen concentration after a predetermined time and the target dissolved oxygen concentration. Correction means for correcting the virtual aeration air volume calculated from the above, and the function based on the past aeration air volume input to the water treatment process and the past sewage inflow amount and dissolved oxygen concentration measured in the sewage treatment process. A learning unit for learning the approximating device, wherein at least one of the prediction by the prediction unit and the correction by the correction unit is performed.
Aeration air volume correction means for inputting the aeration air volume obtained by the rounding to the sewage treatment process.
【００１０】請求項４記載の発明は、請求項２または３
記載の下水処理プロセスにおける溶存酸素濃度の制御装
置において、前記予測手段が、神経回路モデルから構成
され、前記修正手段が、神経回路モデルの誤差逆伝播計
算により実現されることを特徴とする。The invention according to claim 4 is the invention according to claim 2 or 3.
The apparatus for controlling the concentration of dissolved oxygen in a sewage treatment process described above, wherein the predicting means is constituted by a neural circuit model, and the correcting means is realized by back propagation calculation of the neural circuit model.
【００１１】請求項５記載の発明は、請求項２乃至４記
載の下水処理プロセスにおける溶存酸素濃度の制御装置
において、前記曝気風量補正手段が、前記予測手段によ
り予測された所定時間後の溶存酸素濃度と目標とする溶
存酸素濃度との誤差が定められた誤差範囲以内になるま
で、または前記予測手段により予測された所定時間後の
溶存酸素濃度の変化分が定められた回数もしくは定めら
れた範囲内になるまで、前記予測手段による予測及び前
記修正手段による修正を繰り返すことを特徴とする。According to a fifth aspect of the present invention, in the control apparatus of the dissolved oxygen concentration in the sewage treatment process according to any one of the second to fourth aspects, the aeration air volume correcting means includes a dissolved oxygen gas after a predetermined time predicted by the predicting means. Until the error between the concentration and the target dissolved oxygen concentration is within a predetermined error range, or a predetermined number of times or a predetermined range in which the amount of change in the dissolved oxygen concentration after a predetermined time predicted by the prediction means is determined. It is characterized in that the prediction by the predicting means and the correction by the correcting means are repeated until the value is within.
【００１２】[0012]
【作用】本発明の制御装置では、予測手段が少なくとも
仮想操作量算出手段により算出された仮想の操作量及び
過去の操作量に基づき、所定時間後の制御量を予測す
る。また、修正手段が予測手段により予測された所定時
間後の制御量及び目標とする制御量に基づき、仮想の操
作量の修正量を計算する。そして、このような予測手段
による予測と修正手段による修正とを繰り返し、その結
果の仮想の操作量を制御対象の操作量として入力する。
これにより、制御量に影響を与えるパラメータが急激に
変化したとしても、制御量を正確に修正することができ
る。また、仮想操作量算出手段により算出された仮想の
操作量を、予測手段の初期値とすることにより、制御量
を大きく変化させる場合にも繰り返し回数の少ない計算
で制御量を修正することができる。さらに、予測手段が
学習機能を持つ関数近似装置から構成され、学習手段に
よってこの関数近似装置を制御対象において計測された
過去の制御量及び前記制御対象に入力された過去の操作
量に基づき学習し続けることにより、パラメータの急激
な変化ばかりでなく、パラメータの緩やかな変化に対し
ても適応することができる。In the control device according to the present invention, the prediction means predicts the control amount after a predetermined time based on at least the virtual operation amount calculated by the virtual operation amount calculation means and the past operation amount. Further, the correction means calculates a correction amount of the virtual operation amount based on the control amount after a predetermined time predicted by the prediction means and the target control amount. Then, the prediction by the prediction unit and the correction by the correction unit are repeated, and the resulting virtual operation amount is input as the operation amount of the control target.
Thereby, even if the parameter affecting the control amount changes rapidly, the control amount can be corrected accurately. In addition, by using the virtual operation amount calculated by the virtual operation amount calculation unit as the initial value of the prediction unit, the control amount can be corrected with a small number of repetitions even when the control amount is largely changed. . Further, the prediction means is constituted by a function approximation device having a learning function, and the learning means learns the function approximation device based on a past control amount measured in the control target and a past operation amount input to the control target. By continuing, it is possible to adapt to not only a sudden change of the parameter but also a gradual change of the parameter.
【００１３】[0013]
【実施例】図１は本発明の原理を説明するためのブロッ
ク図である。同図において、１は制御対象である。制御
対象１の制御量は、制御装置２から入力される操作量３
を変化させることで制御される。制御装置２は、仮想操
作量算出手段４と操作量補正手段５とを備える。仮想操
作量算出手段４は、制御対象１において計測された制御
量６及び目標とする制御量７に基づき、仮想の操作量８
を算出する。操作量補正手段５は、制御対象１において
計測された制御量６、仮想操作量算出手段４により算出
された仮想の操作量８及び過去の操作量に基づき、所定
時間後の制御量９を予測する予測手段１０と、予測手段
１０により予測された所定時間後の制御量９及び目標と
する制御量７に基づき、仮想操作量算出手段４により算
出された仮想の操作量８を修正する修正手段１１とを備
える。操作量補正手段５は、予測手段１０による予測及
び修正手段１１による修正を少なくとも１回行って得ら
れた操作量を制御対象１への操作量３として入力する。FIG. 1 is a block diagram for explaining the principle of the present invention. In the figure, reference numeral 1 denotes a control target. The control amount of the control target 1 is the operation amount 3 input from the control device 2.
Is controlled by changing. The control device 2 includes a virtual operation amount calculation unit 4 and an operation amount correction unit 5. The virtual operation amount calculating means 4 calculates a virtual operation amount 8 based on the control amount 6 measured in the control target 1 and the target control amount 7.
Is calculated. The operation amount correction unit 5 predicts the control amount 9 after a predetermined time based on the control amount 6 measured in the control target 1, the virtual operation amount 8 calculated by the virtual operation amount calculation unit 4, and the past operation amount. Correction means for correcting the virtual operation amount 8 calculated by the virtual operation amount calculation means 4 based on the control amount 9 after a predetermined period of time predicted by the prediction means 10 and the target control amount 7 11 is provided. The operation amount correction unit 5 inputs the operation amount obtained by performing at least one of the prediction by the prediction unit 10 and the correction by the correction unit 11 as the operation amount 3 to the control target 1.
【００１４】これにより、本発明では、制御量に影響を
与えるパラメータが急激に変化したとしても、制御量を
正確に修正することができる。また、仮想操作量算出手
段４により算出された仮想の操作量８を予測手段１０の
初期値とすることにより、制御量を大きく変化させる場
合にも繰り返し回数の少ない計算で制御量を修正するこ
とができる。Thus, according to the present invention, the control amount can be accurately corrected even if the parameter affecting the control amount changes abruptly. In addition, by using the virtual operation amount 8 calculated by the virtual operation amount calculation unit 4 as an initial value of the prediction unit 10, even when the control amount is largely changed, the control amount can be corrected by calculation with a small number of repetitions. Can be.
【００１５】さらに、上述した予測手段１０を学習機能
を持つ関数近似装置により構成し、この関数近似装置を
制御対象において計測された過去の制御量及び制御対象
に入力された過去の操作量に基づき学習し続けることに
より、パラメータの急激な変化ばかりでなく、パラメー
タの緩やかな変化に対しても適応することができる。次
に、本発明を下水処理プロセスの溶存酸素濃度を制御す
る下水処理プロセスにおける溶存酸素濃度の制御装置に
適用した実施例を説明する。Further, the prediction means 10 is constituted by a function approximation device having a learning function, and the function approximation device is configured based on a past control amount measured on the control target and a past operation amount input to the control target. By continuing to learn, it is possible to adapt not only to sudden changes in parameters but also to gradual changes in parameters. Next, an embodiment in which the present invention is applied to a dissolved oxygen concentration control device in a sewage treatment process for controlling the dissolved oxygen concentration in a sewage treatment process will be described.
【００１６】図２はその制御装置の構成を示すブロック
図であり、図中１２は制御対象である下水処理プロセ
ス、１３はフィードバック制御器、１４は曝気風量補正
器、１５はフィードバックループである。FIG. 2 is a block diagram showing the configuration of the control device. In FIG. 2, reference numeral 12 denotes a sewage treatment process to be controlled, 13 denotes a feedback controller, 14 denotes an aeration air volume corrector, and 15 denotes a feedback loop.
【００１７】下水処理プロセス１２には、操作量である
曝気風量baq がサンプリング時間Δt 毎に入力され、制
御量である溶存酸素濃度doと制御量に影響を与えるパラ
メータである下水流入量iqがサンプリング時間Δt 毎に
計測される。添字のn は時刻ｎΔt を示し、例えば baq
n は時刻ｎΔt に下水処理プロセスに入力される曝気風
量、don は時刻ｎΔt に観測される溶存酸素濃度という
意味を持つ。以後も同様の意味で添字を使用する。フィ
ードバック制御器１３は、観測された溶存酸素濃度don
と目標溶存酸素濃度dod からフィードバック曝気風量 b
aqf n を計算する。曝気風量補正器１４は、定められた
時間後の溶存酸素濃度を予測する予測モデルと、予測さ
れた溶存酸素濃度と目標溶存酸素濃度dod との誤差を用
いて曝気風量の修正量を計算する曝気風量修正量計算器
を備える。曝気風量補正器１４は、観測された溶存酸素
濃度don 、下水流入量iqn 、目標溶存酸素濃度dod 、フ
ィードバック曝気風量 baqf n が入力され、フィードバ
ック曝気風量 baqf n を初期値として繰り返し修正され
た仮想曝気風量が曝気風量 baqn として出力される。フ
ィードバックループ１５は計測された溶存酸素濃度don
をフィードバック制御器１３と曝気風量補正器１４にフ
ィードバックするループである。In the sewage treatment process 12, an aeration air volume baq as an operation amount is input for each sampling time Δt, and a dissolved oxygen concentration do as a control amount and a sewage inflow amount iq as a parameter affecting the control amount are sampled. It is measured every time Δt. The subscript n indicates the time nΔt, for example, baq
n means the aeration air volume input to the sewage treatment process at time nΔt, and do n means the dissolved oxygen concentration observed at time nΔt. Subscripts will be used in the same meaning hereinafter. The feedback controller 13 controls the observed dissolved oxygen concentration do n
Feedback aeration air volume from target dissolved oxygen concentration do d and b
Calculate aq f n . The aeration air volume corrector 14 calculates a correction amount of the aeration air volume using a prediction model for predicting the dissolved oxygen concentration after a predetermined time and an error between the predicted dissolved oxygen concentration and the target dissolved oxygen concentration do d. An aeration air volume correction amount calculator is provided. Aeration amount corrector 14 is observed dissolved oxygen concentration do n, sewage inflow iq n, the target concentration of dissolved oxygen do d, feedback aeration amount BAQ f n are input repeatedly feedback aeration amount BAQ f n as an initial value The corrected virtual aeration air volume is output as the aeration air volume baq n . The feedback loop 15 measures the dissolved oxygen concentration do n
Is fed back to the feedback controller 13 and the aeration air volume corrector 14.
【００１８】次に、予測モデルが多層神経回路モデルか
ら構成される曝気風量補正器１４について説明する。図
３は曝気風量補正器１４の構成図であり、図中１６は予
測モデル、１７は曝気風量修正量計算器、１８は第１の
スイッチ、１９は第２のスイッチ、２０は時間遅れ要
素、２１は加算器である。Next, the aeration air volume corrector 14 whose prediction model is constituted by a multilayer neural network model will be described. FIG. 3 is a configuration diagram of the aeration air volume corrector 14, in which 16 is a prediction model, 17 is an aeration air volume correction amount calculator, 18 is a first switch, 19 is a second switch, 20 is a time delay element, 21 is an adder.
【００１９】予測モデル１６は、時刻（ｎ−ｍdo）Δt
から時刻ｎΔt までの溶存酸素濃度（don -mdo,do
n-mdo+1 , …,do n ）、時刻（ｎ−ｍiq）Δt から時刻
ｎΔt までの下水流入量(iq n-miq ,iq n-miq+1 , …iq
n ) 、時刻（ｎ−ｍbaq ）Δt から時刻ｎΔt までの、
曝気風量(baqn-mbaq,baqn-mbaq+1, …,baqn ) が入力さ
れると、時刻（ｎ＋１）Δt の予測溶存酸素濃度を出力
するように学習が行われた神経回路モデルとする。この
学習方法については、後で説明する。ｍdo，ｍiq，ｍ
baq は正の整数である。さて、曝気風量補正器１４に入
力された溶存酸素濃度don と下水流入量iqn 及び曝気風
量 baqn-1 は多段に組まれた時間遅れ要素２０を通し
て、時間を遅らせて予測モデル１６に入力される。予測
モデル１６には、その他に仮想曝気風量 baq（ハット）
n が入力される。The prediction model 16 calculates the time (n−m do ) Δt
Dissolved oxygen concentration ( don -mdo , do
n-mdo + 1, ..., do n), the time (sewage inflow from n-m iq) Δt to the time nΔt (iq n-miq, iq n-miq + 1, ... iq
n ), from time ( nmbaq ) Δt to time nΔt,
When the aeration air volume (baq n-mbaq , baq n-mbaq + 1 ,..., Baq n ) is input, the neural network model trained to output the predicted dissolved oxygen concentration at time (n + 1) Δt I do. This learning method will be described later. m do , m iq , m
baq is a positive integer. Now, the dissolved oxygen concentration do n and the sewage inflow amount iq n and the aeration air amount baq n-1 input to the aeration air volume corrector 14 are input to the prediction model 16 by delaying the time through a multi - stage time delay element 20. Is done. The prediction model 16 also includes a virtual aeration air volume baq (hat)
n is entered.
【００２０】予測モデル１６は、これら入力信号から時
刻（ｎ＋１）Δt の溶存酸素濃度の予測値do（〜）n+1
を計算する。この計算は、神経回路モデルの前向き計算
によって行われる。神経回路モデルの前向き計算につい
ては後で説明する。予測モデル１６で求められた時刻
（ｎ＋１）Δt の溶存酸素濃度の予測値do（〜）n+1 は
曝気風量修正量計算器１７に入力される。The prediction model 16 calculates a predicted value do (存) n + 1 of the dissolved oxygen concentration at time (n + 1) Δt from these input signals.
Is calculated. This calculation is performed by forward calculation of the neural network model. The forward calculation of the neural circuit model will be described later. The predicted value do (〜) n + 1 of the dissolved oxygen concentration at the time (n + 1) Δt obtained by the prediction model 16 is input to the aeration air flow correction amount calculator 17.
【００２１】曝気風量修正量計算器１７では、予測モデ
ル１６によって予測された溶存酸素濃度do（〜）n+1 と
目標溶存酸素濃度dod とが入力されると、予測溶存酸素
濃度do（〜）n+1 が目標溶存酸素濃度dod に一致するよ
うに、仮想曝気風量の修正量Δbaq n が計算される。こ
の計算は、予測モデル１６が多層神経回路モデルの場合
には、誤差逆伝播計算によって、修正量が計算できる。
多層神経回路モデルの誤差逆伝播計算については前向き
計算とともに後で説明する。When the dissolved oxygen concentration do (〜) n + 1 predicted by the prediction model 16 and the target dissolved oxygen concentration do d are input to the aeration air flow correction amount calculator 17, the predicted dissolved oxygen concentration do (〜 The correction amount Δbaq n of the virtual aeration air volume is calculated so that n + 1 matches the target dissolved oxygen concentration do d . In this calculation, when the prediction model 16 is a multilayer neural network model, a correction amount can be calculated by backpropagation calculation.
The back propagation calculation of the multilayer neural network model will be described later together with the forward calculation.
【００２２】曝気風量修正量計算器１７から出力された
仮想曝気風量の修正量Δbaq n は、加算器２１により仮
想曝気風量baq （ハット）n に加算される。The correction amount Δbaq n of the virtual aeration air volume output from the aeration air volume correction amount calculator 17 is added to the virtual aeration air volume baq (hat) n by the adder 21.
【００２３】第１のスイッチ１８は、サンプリング時刻
には下側に閉じ、フィードバック制御器１３（図２参
照）から出力されたフィードバック曝気風量 baqf n が
仮想曝気風量baq （ハット）n として予測モデル１６に
入力される。その後、第１のスイッチ１８は、次のサン
プリング時刻まで上側に閉じて、修正された仮想曝気風
量baq n （ハット）が予測モデル１６入力される。The first switch 18 is closed downward at the sampling time, and the feedback aeration air volume baq f n output from the feedback controller 13 (see FIG. 2) is used as a virtual aeration air volume baq (hat) n as a prediction model. 16 is input. Thereafter, the first switch 18 is closed upward until the next sampling time, and the corrected virtual aeration air volume baq n (hat) is input to the prediction model 16.
【００２４】第２のスイッチ１９は、サンプリング時刻
に閉じられ、仮想曝気風量baq （ハット）n が時刻ｎΔ
t の曝気風量baq n として、曝気風量補正器１４から下
水処理プロセス１２（図２参照）に出力される。The second switch 19 is closed at the sampling time, and the virtual aeration air volume baq (hat) n is changed to the time nΔ
The aeration air volume corrector 14 outputs the aeration air volume baq n of t to the sewage treatment process 12 (see FIG. 2).
【００２５】次に、制御装置全体の計算手順を図４に示
す流れ図を参照して説明する。同図では、時刻０からＮ
Δt まで制御するように書いているが、この計算手順は
各サンプリング時刻毎に同じ手続きが繰り返されるの
で、ここでは時刻ｎΔt における曝気風量を求める手続
きを示す。Next, the calculation procedure of the entire control device will be described with reference to the flowchart shown in FIG. In the figure, from time 0 to N
Although it is described that control is performed up to Δt, this calculation procedure is repeated at each sampling time, and therefore, here, a procedure for obtaining the aeration air volume at time nΔt will be described.
【００２６】(a) 前もって設定された目標溶存酸素濃度
dod と観測された溶存酸素濃度don がフィードバック制
御器１３に入力され、フィードバック曝気風量 baqf n
が出力される。(A) Target dissolved oxygen concentration set in advance
do d and the observed dissolved oxygen concentration do n are input to the feedback controller 13 and the feedback aeration air volume baq f n
Is output.
【００２７】(b) 曝気風量補正器１４では、第１のスイ
ッチ１８が下側に閉じ、(a) で求められたフィードバッ
ク曝気風量 baqf n が仮想曝気風量baq （ハット）n と
なる。 (c) 仮想曝気風量baq （ハット）n の他に、時刻（ｎ−
ｍ）Δt から時刻ｎΔtまでの溶存酸素濃度（don-m ,do
n-m+1 , …,do n ）、時刻（ｎ−ｍ）Δt から時刻ｎ
Δt までの下水流入量（iqn-miq ,iq n-miq+1 , …, iq
n ）、時刻（ｎ−ｍ）Δt から時刻（ｎ−１）Δt まで
の曝気風量（baq n-mbaq,baq n-mbaq+1 ,…,baqn-1 ）
が予測モデル１６に入力され、サンプリング時間Δt 後
の予測溶存酸素濃度do（〜）n+1 が出力される。(B) In the aeration air volume corrector 14, the first switch 18 is closed downward, and the feedback aeration air volume baq f n obtained in (a) becomes the virtual aeration air volume baq (hat) n . (c) In addition to the virtual aeration air volume baq (hat) n , the time (n−
m) Dissolved oxygen concentration from Δt to time nΔt (do nm , do
n−m + 1 ,..., do n ) and time (n−m) Δt to time n
Sewage inflow up to Δt (iq n-miq , iq n-miq + 1 ,…, iq
n ), aeration air volume from time (nm) Δt to time (n-1) Δt (baq n-mbaq , baq n-mbaq + 1 , ..., baq n-1 )
Is input to the prediction model 16, and the predicted dissolved oxygen concentration do (〜) n + 1 after the sampling time Δt is output.
【００２８】(d) 曝気風量修正量計算器１７では、この
予測溶存酸素濃度do（〜）n+1 と目標溶存酸素濃dod と
から誤差関数(D) The aeration air flow correction amount calculator 17 calculates an error function from the predicted dissolved oxygen concentration do (〜) n + 1 and the target dissolved oxygen concentration do d.
【数１】 の値を求める。(Equation 1) Find the value of
【００２９】(e) 誤差関数値が０に近付くように逆伝播
計算を行い、予測モデル１６の入力信号である仮想曝気
風量baq （ハット）n の修正量Δbaq n を計算する。(E) A back propagation calculation is performed so that the error function value approaches 0, and a correction amount Δbaq n of the virtual aeration air volume baq (hat) n which is an input signal of the prediction model 16 is calculated.
【００３０】(f) 加算器２１により修正量Δbaq n を仮
想曝気風量baq （ハット）n に加算する。(F) The adder 21 adds the correction amount Δbaq n to the virtual aeration air volume baq (hat) n .
【００３１】(g) 誤差関数が定められた誤差範囲内にな
る、または予測溶存酸素濃度の修正量が定められた回数
もしくは定められた範囲内になるまで、第１のスイッチ
１８が上側で閉じ、修正された仮想曝気風量baq （ハッ
ト）n が再び予測モデル１６に入力され、(c) から(f)
までの手続きが繰り返される。(G) The first switch 18 is closed on the upper side until the error function is within a predetermined error range, or until the correction amount of the predicted dissolved oxygen concentration is within a predetermined number of times or within a predetermined range. , The corrected virtual aeration air volume baq (hat) n is input to the prediction model 16 again, and from (c) to (f).
The procedure up to is repeated.
【００３２】(h) サンプリング時刻になると第２のスイ
ッチ１９が閉じ、仮想曝気風量baq（ハット）n が曝気
風量baq n として下水処理プロセス１２に入力される。(H) At the sampling time, the second switch 19 is closed, and the virtual aeration air volume baq (hat) n is input to the sewage treatment process 12 as the aeration air volume baq n .
【００３３】以上の(a) 〜(h) までの手続きがサンプリ
ング時刻毎に繰り返される。The above procedures (a) to (h) are repeated at each sampling time.
【００３４】次に、上述した神経回路モデルの前向き計
算、誤差逆伝播計算及び学習計算について詳しく説明す
る。予測モデル１６が多層神経回路モデルから構成され
る場合、予測計算は多層神経回路モデルの前向き計算で
行われ、曝気風量の修正量の計算は多層神経回路モデル
の誤差逆伝播計算で行われる。Next, the forward calculation, the backpropagation calculation and the learning calculation of the neural network model will be described in detail. When the prediction model 16 is composed of a multilayer neural network model, the prediction calculation is performed by forward calculation of the multilayer neural network model, and the calculation of the correction amount of the aeration air flow is performed by error back propagation calculation of the multilayer neural network model.
【００３５】では、まず前向き計算について説明する。
前向き計算とは、神経回路モデルに入力信号が与えられ
たときに、出力信号を求める計算である。ここでは多層
神経回路モデルのうち、最も一般的に利用される３層型
神経回路モデルを利用して説明する。First, the forward calculation will be described.
The forward calculation is a calculation for obtaining an output signal when an input signal is given to a neural circuit model. Here, the description will be made using the most commonly used three-layer neural network model among the multilayer neural network models.
【００３６】図５は３層型神経回路モデルから構成され
る予測モデル１６の構成図である。図中２３、２４、２
５に示す円がユニットと呼ばれる神経細胞モデルで、ユ
ニット２３、２４、２５間を結び付けている線分はユニ
ット２３、２４、２５間の信号を伝達する結合である。
ユニット２３、２４、２５は左から入力層、中間層、出
力層の３層に分かれて並べられている。入力層のユニッ
ト２３と中間層のユニット２４の間、中間層のユニット
２４と出力層のユニット２５の間で結合が張られてい
る。ユニット２３、２４、２５間の結合は信号伝達に方
向性を持ち、前向き計算では入力層ユニット２３から中
間層ユニット２４へ、中間層ユニット２４から出力層ユ
ニット２５への一方向にだけ信号は伝達される。FIG. 5 is a configuration diagram of a prediction model 16 composed of a three-layer type neural circuit model. 23, 24, 2 in the figure
The circle shown in 5 is a nerve cell model called a unit, and the line segment connecting the units 23, 24, and 25 is a connection that transmits a signal between the units 23, 24, and 25.
The units 23, 24, and 25 are arranged from the left into three layers: an input layer, an intermediate layer, and an output layer. Coupling is provided between the unit 23 of the input layer and the unit 24 of the intermediate layer, and between the unit 24 of the intermediate layer and the unit 25 of the output layer. The coupling between the units 23, 24, 25 is directional in signal transmission, with forward calculations transmitting signals only in one direction from the input layer unit 23 to the intermediate layer unit 24 and from the intermediate layer unit 24 to the output layer unit 25. Is done.
【００３７】入力層のユニット２３には、仮想曝気風量
baq （ハット）n 、時刻（ｎ−ｍdo）Δt からｎΔt ま
での溶存酸素濃度(do n-mdo ,do n-mdo+1 , …,do n )
、時刻（ｎ−ｍiq）Δt からｎΔt までの下水流入量
(iq n-miq ,iq n-miq+1 , …,iqn ) 、時刻（ｎ−ｍ
baq ）Δt から時刻（ｎ−１）Δt までの曝気風量(baq
n- mbaq,baqn-mbaq+1, …,baqn-1 ) が１ユニットに１信
号ずつ入力され、時刻（ｎ＋１）Δt の溶存酸素濃度の
予測値が出力される。ここでｍdo, ｍiq, ｍbaq は各々
正の整数を表す。この入力信号から出力信号を計算する
前向き計算を式に示す。 ｘｉi を入力層の第ｉ番目の
ユニット２３の入力値とすると、The unit 23 of the input layer has a virtual aeration air volume.
baq (hat) n, time (n-m do) dissolved oxygen concentration of from Δt to nΔt (do n-mdo, do n-mdo + 1, ..., do n)
, Sewage inflow from time (n-m iq ) Δt to nΔt
(iq n-miq , iq n-miq + 1 ,…, iq n ) and time (nm
baq ) Aeration air volume (baq) from Δt to time (n-1) Δt
n- mbaq , baqn -mbaq + 1 ,..., baqn -1 ) are input to each unit one signal at a time, and the predicted value of the dissolved oxygen concentration at time (n + 1) Δt is output. Here, m do , m iq , and m baq each represent a positive integer. The forward calculation for calculating the output signal from the input signal is shown in an equation. Let xi i be the input value of the ith unit 23 in the input layer,
【数２】 入力層ユニット２３の入出力関数は恒等関数とする。入
力層ユニット２３の出力ｙｉi （ｉ＝1,…, Ｎｉ）は次
のように表される。(Equation 2) The input / output function of the input layer unit 23 is an identity function. The output yi i (i = 1,..., Ni) of the input layer unit 23 is expressed as follows.
【００３８】[0038]
【数３】 Ｎｉは入力層ユニット数である（Ｎｉ＝ｍdo＋ｍiq＋ｍ
baq ＋３）。次に、中間層の第ｊ番目のユニット２４へ
の入力値ｘh j は入力層ユニット２３の出力値を入力−
中間層間の結合荷重で重み付けした合計から中間層ユニ
ット２４の閾値thhj を引いた値になる。Ｎh は中間層
のユニット２４を表す。(Equation 3) Ni is the number of input layer units (Ni = m do + m iq + m
baq +3). Next, the input value xh j to the j-th unit 24 of the hidden layer is obtained by inputting the output value of the input layer unit 23 −
It is a value obtained by subtracting the threshold value thh j of the intermediate layer unit 24 from the total weighted by the coupling load between the intermediate layers. Nh represents the unit 24 of the intermediate layer.
【００３９】[0039]
【数４】 ω１j,i は入力層第ｉ番目のユニット２３−中間層第ｊ
番目のユニット２４間の結合荷重、 thhj は中間層第ｊ
番目のユニット２４の閾値、Ｎh は中間層のユニット２
４を表す。(Equation 4) ω1 j, i is the ith unit of the input layer 23-jth layer of the intermediate layer
Thh j is the middle layer j
The threshold of the 24th unit, Nh, is the unit 2 of the middle layer
4 is represented.
【００４０】中間層ユニット２４の入出力関数をシグモ
イド型関数The input / output function of the intermediate layer unit 24 is represented by a sigmoid type function.
【数５】 とすると、中間ユニット２４の出力値ｙ hj は入力値ｘ
hj を使い、(Equation 5) Then, the output value y h j of the intermediate unit 24 becomes the input value x
Using h j ,
【数６】 と表せる。ｙ hj は中間層第ｊ番目のユニット２４の出
力値である。出力層の第ｋ番目のユニット２５への入力
値ｘ ok （ｋ＝１）は中間層にユニット２４の出力値を
中間−出力層間の結合荷重で重み付けした合計から出力
層ユニット２５の閾値を引いた値になる。(Equation 6) Can be expressed as y h j is the output value of the j-th unit 24 of the intermediate layer. The k-th input value to the unit 25 of x o k (k = 1) is intermediate the output value of the unit 24 to the middle layer of the output layer - the threshold of the output layer unit 25 from the sum weighted by the connection weight output layers It becomes the subtracted value.
【００４１】[0041]
【数７】 ω２k,i は中間層第ｊ番目のユニット２４−出力層の第
ｋ番目のユニット２５間の結合荷重、th ok は出力層の
第ｋ番目のユニット２５の閾値である。出力層ユニット
２５の入出力関数は恒等関数とする。(Equation 7) .omega.2 k, i is the threshold value of the intermediate layer j-th unit 24 output layer k-th connection weights between units 25, th o k is the k-th unit 25 in the output layer. The input / output function of the output layer unit 25 is an identity function.
【００４２】[0042]
【数８】 この出力層ユニット２５の出力値が予測溶存酸素濃度do
（〜）n+1 である。(Equation 8) The output value of the output layer unit 25 is the predicted dissolved oxygen concentration do
(~) N + 1 .
【００４３】[0043]
【数９】 以上が３層型神経回路モデルの前向き計算の計算式であ
る。(Equation 9) The above is the calculation formula of the forward calculation of the three-layer type neural circuit model.
【００４４】なお、図５では入力層、中間層、出力層の
３層からなる神経回路モデルを予測モデル１６として示
しているが、２層以上から構成される神経回路モデルを
予測モデル１６として利用してもよい。In FIG. 5, a neural network model composed of three layers, an input layer, a middle layer, and an output layer, is shown as the prediction model 16, but a neural network model composed of two or more layers is used as the prediction model 16. May be.
【００４５】次に、誤差逆伝播計算について説明する。
上述したように曝気風量修正量計算器１７は、予測モデ
ル１６によって予測された溶存酸素濃度do（ハット）
n+1 と目標溶存酸素濃度dod とを入力すると、仮想曝気
風量の修正量Δbaq n を計算して出力する。この計算
は、予測モデル１６が神経回路モデルから構成される場
合には、誤差逆伝播計算によって行うことができる。こ
の曝気風量修正量計算器１７による誤差逆伝播計算の計
算式を以下に示す。Next, the error back propagation calculation will be described.
As described above, the aeration air flow correction amount calculator 17 calculates the dissolved oxygen concentration do (hat) predicted by the prediction model 16.
When n + 1 and the target dissolved oxygen concentration do d are input, the correction amount Δbaq n of the virtual aeration air volume is calculated and output. This calculation can be performed by backpropagation calculation when the prediction model 16 is configured from a neural network model. The calculation formula of the error back propagation calculation by the aeration air flow correction amount calculator 17 is shown below.
【００４６】まず、予測モデル１６によって予測された
溶存酸素濃度do（ハット）n+1 と、目標溶存酸素濃度do
d との誤差から誤差関数Ｅを次のように定義する。First, the dissolved oxygen concentration do (hat) n + 1 predicted by the prediction model 16 and the target dissolved oxygen concentration do
An error function E is defined as follows from an error from d .
【００４７】[0047]
【数１０】 次に、この誤差関数を減少させるユニット出力値の修正
量を、出力層から入力層へと層毎に順に求めていき、最
終的には入力信号の修正量を求める。まず、出力層ユニ
ットの出力値の修正量は、正の定数ηを使って(Equation 10) Next, the correction amount of the unit output value for reducing the error function is sequentially obtained for each layer from the output layer to the input layer, and finally the correction amount of the input signal is obtained. First, the amount of correction of the output value of the output layer unit is calculated using a positive constant η.
【数１１】 と計算される。次に、中間層ユニットの出力値の修正量
は、出力値ユニットの修正量を使って次にように表され
る。[Equation 11] Is calculated. Next, the correction amount of the output value of the intermediate layer unit is expressed as follows using the correction amount of the output value unit.
【００４８】[0048]
【数１２】 同様に入力層ユニットの出力値の修正量は、中間ユニッ
トの修正量を使って、(Equation 12) Similarly, the correction amount of the output value of the input layer unit is calculated using the correction amount of the intermediate unit.
【数１３】 と表される。ｆ´（ｘ）は、シグモイド関数ｆ´（ｘ）
の導関数を表していて、具体的には、(Equation 13) It is expressed as f ′ (x) is a sigmoid function f ′ (x)
Represents the derivative of
【数１４】 と表される。入力層ユニットの入出力関数は恒等関数で
あるから、出力値の修正量はそのまま入力値の修正量に
なり、仮想曝気風量baq （ハット）n の修正量Δbaq
（ハット）n は、[Equation 14] It is expressed as Since the input / output function of the input layer unit is an identity function, the correction amount of the output value becomes the correction amount of the input value as it is, and the correction amount Δbaq of the virtual aeration air volume baq (hat) n
(Hat) n
【数１５】 と表現される。この修正量が加算器２１により仮想曝気
風量baq （ハット）n に加算される。(Equation 15) Is expressed as This correction amount is added by the adder 21 to the virtual aeration air volume baq (hat) n .
【００４９】以上が誤差逆伝播計算とその計算によって
実現される仮想曝気風量の修正である。The above is the description of the error back propagation calculation and the correction of the virtual aeration air volume realized by the calculation.
【００５０】次に、多層神経回路モデルの学習について
図６に基づき説明する。学習は下水処理プロセスの緩や
かな特性変化に対して予測モデル１６が適応するために
行われる。本実施例では学習データは、過去の溶存酸素
濃度、下水流入量、曝気風量から生成される。図６にお
いて、２６は過去の観測データ及び曝気風量を保持して
いるデータベース、２７は減算器、２８は誤差逆伝播学
習器、２９は神経回路モデルの入力層ユニットの出力が
誤差逆伝播学習器に入力されることを示す矢印、３０は
神経回路モデルの中間層ユニットの出力が誤差逆伝播学
習器に入力されることを示す矢印、３１は神経回路モデ
ルの中間層−出力層間の結合荷重が誤差逆伝播学習器に
入力されることを示す矢印、３２は誤差逆伝播学習器で
計算された入力層−中間層の結合荷重の修正量を各結合
荷重に出力し、各結合荷重の修正を行なうことを示す矢
印、３３は誤差逆伝播学習器で計算された中間層−出力
層間の結合荷重の修正量を各結合荷重に出力し、各結合
荷重の修正を行うことを示す矢印である。Next, learning of the multilayer neural network model will be described with reference to FIG. The learning is performed so that the prediction model 16 adapts to a gradual change in characteristics of the sewage treatment process. In this embodiment, the learning data is generated from the past dissolved oxygen concentration, sewage inflow, and aeration air volume. In FIG. 6, 26 is a database holding past observation data and aeration air volume, 27 is a subtractor, 28 is an error back propagation learning device, and 29 is an error back propagation learning device that outputs the input layer unit of the neural circuit model. , An arrow indicating that the output of the intermediate layer unit of the neural network model is to be input to the backpropagation learning device, and 31 a coupling weight between the intermediate layer and the output layer of the neural circuit model. An arrow 32 indicating that the error is to be input to the backpropagation learning device, 32 outputs the correction amount of the connection weight between the input layer and the intermediate layer calculated by the backpropagation learning device to each connection weight, and corrects each connection weight. Arrows 33 indicate that the correction amount of the connection weight between the intermediate layer and the output layer calculated by the error back propagation learning device is output to each connection weight, and that each connection weight is corrected.
【００５１】過去のある時刻 lΔt について、時刻（ l
−ｍdo）ΔT から時刻 lΔt 間での溶存酸素濃度（ｄｏ
l-mdo , ｄｏl-mdo +1，…ｄｏl ）、時刻（l −ｍiq）
Δtから時刻 lΔt までの下水流入量（iql-miq , iq
l-miq+1 ，…iql)、時刻(l−ｍbag Δt から時刻 lΔt
までの曝気風量（baq l-mbaq,baql-mbaq+1，…，baql）
が入力信号として、また、時刻(l+1）Δt の溶存酸素濃
度dol+1 が教師信号として、データベース２６から神経
回路モデルに出力される。神経回路モデルでは入力信号
に対し、前向き計算を行い、出力信号dol+1 を出力す
る。減算器２７では、教師信号dol+1 と神経回路モデル
の出力信号dol+1 との誤差信号が求められる。誤差信号
は、誤差逆伝播学習器２８に入力される。誤差逆伝播学
習器２８には、誤差信号の他に、神経回路モデルの各入
力層ユニットの出力２９、各中間層ユニットの出力３
０、各中間層−出力層間の結合荷重３１が入力され、結
合荷重の修正量３２、３３が計算される。この誤差逆伝
播学習器２８での修正量の計算を、時刻Ｌ1 Δt から時
刻Ｌ2 Δt までの過去のデータから学習データを作成し
たと仮定して説明する。For a past time lΔt, the time (l
−m do ) Dissolved oxygen concentration (do from time ΔT to time lΔt
l-mdo, do l-mdo +1, ... do l), time (l -m iq)
Sewage inflow from Δt to time lΔt (iq l-miq , iq
l-miq + 1 , ... iql), time (from l-m bag Δt to time lΔt
Aeration volume up to (baq l-mbaq , baq l-mbaq + 1 , ..., baql)
Is output as an input signal, and the dissolved oxygen concentration do l + 1 at the time (l + 1) Δt is output from the database 26 to the neural circuit model as a teacher signal. In the neural network model, a forward calculation is performed on an input signal, and an output signal do l + 1 is output. In the subtracter 27, an error signal between the teacher signal do l + 1 and the output signal do l + 1 of the neural circuit model is obtained. The error signal is input to the error back propagation learning device 28. In addition to the error signal, the error back propagation learning unit 28 outputs the output 29 of each input layer unit of the neural network model and the output 3 of each intermediate layer unit.
0, the coupling load 31 between each intermediate layer and the output layer is input, and correction amounts 32 and 33 of the coupling load are calculated. The calculation of the correction amount in the error back propagation learning unit 28 will be described on the assumption that learning data is created from past data from the time L1Δt to the time L2Δt.
【００５２】時刻l Δt の入力信号に対し、神経回路モ
デルの出力がdo（〜）l+1 であったとすると、誤差関数
ＥはAssuming that the output of the neural network model is do (〜) l + 1 with respect to the input signal at time l Δt, the error function E becomes
【数１６】 と定義され、誤差逆伝播学習法に従って、神経回路モデ
ルの結合荷重、閾値の修正量は次のように計算される。(Equation 16) According to the backpropagation learning method, the connection weight of the neural network model and the correction amount of the threshold are calculated as follows.
【００５３】[0053]
【数１７】 である。[Equation 17] It is.
【００５４】神経回路モデルでは、これらの修正量を基
に、結合荷重、閾値が修正される。このように本実施例
の制御装置では、フィードバック制御器１３により得ら
れた仮想曝気風量と観測された下水流入量と溶存酸素濃
度、過去の曝気風量から、予測モデルによりある定めら
れた時間後の溶存酸素濃度が予測できる。また、曝気風
量修正量計算器１７により、溶存酸素濃度の予測値と目
標溶存酸素濃度とから仮想曝気風量の修正量が計算でき
る。そして、このような予測モデル１６による定められ
た時間後の溶存酸素濃度の予測と、曝気風量修正量計算
器１７による仮想曝気風量の修正量の計算と、この修正
量による仮想曝気風量の修正とを繰り返し、その結果の
仮想曝気風量を曝気風量として下水処理プロセス１２に
入力することにより、下水流入量の急激な変化に対し
て、溶存酸素濃度を目標値に制御することができる。In the neural network model, the connection weight and the threshold are corrected based on these correction amounts. As described above, in the control device according to the present embodiment, the virtual aeration air volume obtained by the feedback controller 13 and the observed sewage inflow volume and dissolved oxygen concentration, and the past aeration air volume, a time after a predetermined time is determined by the prediction model. The dissolved oxygen concentration can be predicted. Further, the correction amount of the virtual aeration air volume can be calculated by the aeration air volume correction amount calculator 17 from the predicted value of the dissolved oxygen concentration and the target dissolved oxygen concentration. Then, the prediction of the dissolved oxygen concentration after a predetermined time by the prediction model 16, the calculation of the virtual aeration air flow correction amount by the aeration air flow correction amount calculator 17, the correction of the virtual aeration air flow by this correction amount, and the like. Is repeated and the resulting virtual aeration air volume is input to the sewage treatment process 12 as the aeration air volume, whereby the dissolved oxygen concentration can be controlled to a target value with respect to a rapid change in the sewage inflow volume.
【００５５】また、フィードバック制御器１３によって
算出された曝気風量を予測モデル１６の仮想曝気風量の
初期値とすることにより、曝気風量を大きく変化させる
場合にも、少ない繰り返し回数で溶存酸素濃度の予測値
は目標溶存酸素濃度に一致する。By using the aeration air volume calculated by the feedback controller 13 as the initial value of the virtual aeration air volume of the prediction model 16, even when the aeration air volume changes greatly, the dissolved oxygen concentration can be estimated with a small number of repetitions. The value corresponds to the target dissolved oxygen concentration.
【００５６】さらに、予測モデルが学習機能を持つ関数
近似装置から構成され、図６に示した学習手段によって
この関数近似装置を観測データを利用した学習を行い続
けることにより、緩やかな特性変化に適応できる。Further, the prediction model is composed of a function approximation device having a learning function, and the learning means shown in FIG. 6 continuously learns the function approximation device using observation data, thereby adapting to a gradual characteristic change. it can.
【００５７】すなわち、従来の下水処理施設の曝気槽内
の溶存酸素濃度制御は、観測された下水中の溶存酸素濃
度と目標溶存酸素濃度との誤差から曝気風量を決定する
フィードバック制御を行なっているが、降雨などによ
り、下水流入量が急激に変化すると、フィードバック制
御では正確な制御ができなくなり、監視員が手作業で曝
気風量を調節しなければならなかった。また、下水流入
量の変化などによる溶存酸素濃度の急激な変化だけでな
く、季節によって下水処理プロセスの特性が大きく変化
するため、フィードバック制御のゲイン定数を調整しな
ければならないのが現状であった。また、下水処理プロ
セスの特性を数式モデルに表現する研究がこれまでに行
われてきたが、下水処理プロセスは微生物の生物化学反
応を利用する様々な要因が関わった複雑なプロセスなの
で、パラメータの調整が難しく、良い結果は得られてい
なかった。That is, in the conventional dissolved oxygen concentration control in the aeration tank of the sewage treatment facility, feedback control is performed to determine the amount of aerated air from the error between the observed dissolved oxygen concentration in the sewage and the target dissolved oxygen concentration. However, if the amount of sewage inflow suddenly changes due to rainfall or the like, accurate control cannot be performed by feedback control, and the observer must manually adjust the aeration air volume. In addition, because the characteristics of the sewage treatment process change greatly depending on the season as well as the sudden change in the dissolved oxygen concentration due to changes in the amount of sewage inflow, the gain constant of the feedback control has to be adjusted at present. . In addition, research has been conducted to express the characteristics of sewage treatment processes in mathematical models.However, since sewage treatment processes are complex processes involving various factors that utilize the biochemical reactions of microorganisms, parameters must be adjusted. Was difficult, and good results were not obtained.
【００５８】また、このような下水処理施設の曝気槽内
の溶存酸素濃度制御に本発明者が提案した特願平3-2044
94号に記載した発明（従来の技術参照）を適用すること
が考えられるが、この特願平3-204494号に記載した発明
では、第１の工程から第３の工程を繰り返す時の操作量
の初期値については、１サンプリング時間前の操作量を
利用しているため、下水流入量の急激な変化に対して曝
気風量値の大きな変化が必要である場合に、正確な操作
量に修正される前に局所的な解に止まって修正されなく
なるおそれがある。また、正確な解まで修正が行われる
場合でも、第１から第３の工程の繰り返しを多くの回数
行う必要がある。Further, for controlling the concentration of dissolved oxygen in the aeration tank of such a sewage treatment facility, Japanese Patent Application No. 3-2044 proposed by the present inventors.
Although it is conceivable to apply the invention described in Japanese Patent Application No. 94 (refer to the prior art), in the invention described in Japanese Patent Application No. 3-204494, the amount of operation when the first to third steps are repeated is considered. Because the manipulated variable before one sampling time is used for the initial value of, when a large change in the aeration air flow value is required for a sudden change in the sewage inflow, it is corrected to an accurate manipulated variable. Before being corrected, it may stop at a local solution and not be corrected. Further, even when the correction is performed up to an accurate solution, it is necessary to repeat the first to third steps many times.
【００５９】そこで、本発明をこのような下水処理施設
の曝気槽内の溶存酸素濃度制御に適用すれば、下水流入
量の急激な変化に対しても、溶存酸素濃度を一定値に制
御することができ、曝気風量値が大きく変化する場合に
も、少ない繰り返し回数で溶存酸素濃度を一定値にする
曝気風量を求めることができ、さらに緩やかな特性変化
にも適用できるのである。Therefore, if the present invention is applied to the control of the dissolved oxygen concentration in the aeration tank of such a sewage treatment facility, it is possible to control the dissolved oxygen concentration to a constant value even when the sewage inflow rate changes rapidly. Therefore, even when the aeration airflow value changes greatly, the aeration airflow that makes the dissolved oxygen concentration a constant value can be obtained with a small number of repetitions, and the invention can be applied to a more gradual change in characteristics.
【００６０】次に、本実施例の計算機シミレーション結
果を示す。このシミレーションでは、下水処理プロセス
と予測モデルに入力数の異なる神経回路モデルを利用し
ている。サンプリング時間は0.25時間で、目標溶存酸素
濃度を1.6(mg/l) とし、誤差範囲を0.1(mg/l) としてシ
ミュレーションを行った。図７は下水流入量(m 3/min)
、図８は曝気風量補正器から出力された曝気風量(m 3/
min) 、図９は予測モデルが予測した溶存酸素濃度（mg/
l）、図１０は下水処理プロセスモデルから出力された
溶存酸素濃度（mg/l）の各々時間変化を示している。横
軸は時間で単位は時間である。この結果から、下水流入
量が急激に変化しても、溶存酸素濃度は大きく変化する
ことなく制御できていることがわかる。比較のため、曝
気風量補正器を利用しないで、フィードバック制御器だ
けによる制御シミュレーション結果を図１１〜図１３に
示す。図１１は下水流入量（m 3 /min) 図７と等しい。
図１２はフィードバック制御器から出力された曝気風量
（m 3 /min) 、図１３は下水処理プロセスモデルから出
力された溶存酸素濃度（mag/l)である。フィードバック
制御器だけによる制御結果に比べ、曝気風量補正器を利
用した制御結果では、溶存酸素濃度の振動が小さくなっ
ていることがわかる。さらに、予測モデルである神経回
路モデルが下水処理プロセスの特性を十分に学習すれ
ば、結果が良くなることが期待できる。Next, the results of computer simulation of this embodiment are shown. In this simulation, neural networks with different numbers of inputs are used for the sewage treatment process and the prediction model. The simulation was performed with a sampling time of 0.25 hours, a target dissolved oxygen concentration of 1.6 (mg / l), and an error range of 0.1 (mg / l). Figure 7 shows sewage inflow (m 3 / min)
8 shows the aeration air volume (m 3 / m) output from the aeration air volume corrector.
min) and FIG. 9 shows the dissolved oxygen concentration (mg /
l), FIG. 10 shows the time change of the dissolved oxygen concentration (mg / l) output from the sewage treatment process model. The horizontal axis is time and the unit is time. From this result, it can be seen that even if the inflow of sewage changes rapidly, the dissolved oxygen concentration can be controlled without largely changing. For comparison, FIGS. 11 to 13 show control simulation results using only the feedback controller without using the aeration air volume corrector. FIG. 11 is the same as FIG. 7 of sewage inflow (m 3 / min).
FIG. 12 shows the aeration air volume (m 3 / min) output from the feedback controller, and FIG. 13 shows the dissolved oxygen concentration (mag / l) output from the sewage treatment process model. It can be seen that the vibration of the dissolved oxygen concentration is smaller in the control result using the aeration air volume corrector than in the control result using only the feedback controller. Furthermore, if the neural network model, which is a prediction model, sufficiently learns the characteristics of the sewage treatment process, it can be expected that the results will be better.
【００６１】なお、本発明は前記実施例に限定されるこ
となく、本発明の要旨を逸脱しない範囲において種々変
形可能であることは勿論である。例えば、前記実施例で
は、予測モデルとして３層型神経回路モデルを例に挙げ
たが、多層の神経回路モデルで同様に適用可能であり、
さらには、学習機能を持つ関数近似モデルであれば、同
様に適用できる。また、予測モデルの入出力について
も、実施例では、過去と現在の溶存酸素濃度、下水流入
量、曝気風量からサンプリング時間後の溶存酸素濃度を
予測しているが、予測が可能な範囲であれば、入力信号
を減らすことや別の観測量を入力することも考えられ
る。また出力信号についても、サンプリング時間後の溶
存酸素濃度を予測するだけでなく、２サンプリング時間
後の溶存酸素濃度を予測するなど、更に先の時間の溶存
酸素濃度を予測し、その予測溶存酸素濃度と目標溶存酸
素濃度との誤差から仮想曝気風量の修正量をもとること
もできる。It should be noted that the present invention is not limited to the above-described embodiment, but can be variously modified without departing from the gist of the present invention. For example, in the above-described embodiment, a three-layer neural network model has been described as an example of a prediction model. However, the present invention can be similarly applied to a multilayer neural network model.
Furthermore, any function approximation model having a learning function can be similarly applied. In addition, regarding the input / output of the prediction model, in the embodiment, the dissolved oxygen concentration after the sampling time is predicted from the past and current dissolved oxygen concentration, the amount of sewage inflow, and the amount of aeration air. For example, it is conceivable to reduce the input signal or to input another observation amount. For the output signal, not only the dissolved oxygen concentration after the sampling time is predicted, but also the dissolved oxygen concentration at a further earlier time, such as the dissolved oxygen concentration after two sampling times, is predicted. The correction amount of the virtual aeration air volume can also be obtained from the error between the target and the dissolved oxygen concentration.
【００６２】[0062]
【発明の効果】請求項１記載の発明では、予測手段によ
る予測と修正手段による修正とを繰り返し、その結果の
仮想の操作量を制御対象の操作量として入力することに
より、制御量に影響を与えるパラメータが急激に変化し
たとしても、制御量を正確に修正することができ、ま
た、仮想操作量算出手段により算出された仮想の操作量
を、予測手段の初期値とすることにより、制御量を大き
く変化させる場合にも繰り返し回数の少ない計算で制御
量を修正することができる。さらに、学習手段によって
この関数近似装置を制御対象において計測された過去の
制御量及び前記制御対象に入力された過去の操作量に基
づき学習し続けることにより、パラメータの急激な変化
ばかりでなく、パラメータの緩やかな変化に対しても適
応することができる。 According to the first aspect of the present invention, the control amount is affected by repeating the prediction by the prediction unit and the correction by the correction unit, and inputting the resulting virtual operation amount as the operation amount of the control target. even parameters change rapidly give control amount can be corrected accurately, also, the operation of the virtual calculated by the virtual operation amount-calculating means, by the initial value of the prediction means, control Even when the amount is largely changed, the control amount can be corrected by calculation with a small number of repetitions. Furthermore, by learning means
This function approximation device is
Based on the control amount and the past operation amount input to the control target.
Rapidly changing parameters by continuing learning
Not only for gradual changes in parameters
I can respond.
【００６３】[0063]
【００６４】請求項２、３、５記載の発明では、下水流
入量の急激な変化に対しても、溶存酸素濃度を一定値に
制御することができ、曝気風量値が大きく変化する場合
にも、少ない繰り返し回数で溶存酸素濃度を一定値にす
る曝気風量を求めることができるAccording to the second, third, and fifth aspects of the present invention, the dissolved oxygen concentration can be controlled to a constant value even when the sewage inflow rate changes abruptly. It is possible to obtain the amount of aeration air to keep the dissolved oxygen concentration at a constant value with a small number of repetitions.
【００６５】請求項４記載の発明では、緩やかな特性変
化にも適用できる下水処理プロセスにおける溶存酸素濃
度制御装置を提供することができる。According to the fourth aspect of the present invention, it is possible to provide a dissolved oxygen concentration control apparatus in a sewage treatment process which can be applied to a gradual change in characteristics.
【図１】図１は本発明の原理を説明するためのブロック
図である。FIG. 1 is a block diagram for explaining the principle of the present invention.
【図２】本発明の一実施例のブロック図である。FIG. 2 is a block diagram of one embodiment of the present invention.
【図３】第１図における曝気風量補正器を詳細に表した
図である。FIG. 3 is a diagram showing an aeration air volume corrector in FIG. 1 in detail.
【図４】制御装置全体の計算手順を説明するための流れ
図である。FIG. 4 is a flowchart for explaining a calculation procedure of the entire control device.
【図５】実施例として予測モデルに利用する３層の神経
回路モデルを表す図である。FIG. 5 is a diagram illustrating a three-layer neural circuit model used for a prediction model as an example.
【図６】予測モデルである３層神経回路モデルの学習を
説明する図である。FIG. 6 is a diagram illustrating learning of a three-layer neural network model that is a prediction model.
【図７】本発明の作用効果を説明するため、実施例の計
算機シミュレーションの結果を表した図である。FIG. 7 is a diagram showing the results of computer simulation of an example for explaining the operation and effect of the present invention.
【図８】本発明の作用効果を説明するため、実施例の計
算機シミュレーションの結果を表した図である。FIG. 8 is a diagram showing the results of computer simulation of the example for explaining the operation and effect of the present invention.
【図９】本発明の作用効果を説明するため、実施例の計
算機シミュレーションの結果を表した図である。FIG. 9 is a diagram showing the results of computer simulation of the example for explaining the operation and effect of the present invention.
【図１０】本発明の作用効果を説明するため、実施例の
計算機シミュレーションの結果を表した図である。FIG. 10 is a diagram showing the results of computer simulation of the example for explaining the operation and effect of the present invention.
【図１１】フィードバック制御器だけによる制御シミュ
レーションの結果を表した図である。FIG. 11 is a diagram illustrating a result of a control simulation using only a feedback controller.
【図１２】フィードバック制御器だけによる制御シミュ
レーションの結果を表した図である。FIG. 12 is a diagram illustrating a result of a control simulation using only a feedback controller.
【図１３】フィードバック制御器だけによる制御シミュ
レーションの結果を表した図である。FIG. 13 is a diagram illustrating a result of a control simulation using only a feedback controller.
１…制御対象、２…制御装置、４…仮想操作量算出手
段、５…操作量補正手段５、１０…予測手段、１１…修
正手段、１２…下水処理プロセス、１３…フィードバッ
ク制御器、１４…曝気風量補正器、１５…フィードバッ
クループ、１６…予測モデル、１７…曝気風量修正量計
算器。DESCRIPTION OF SYMBOLS 1 ... Control object, 2 ... Control device, 4 ... Virtual operation amount calculation means, 5 ... Operation amount correction means 5, 10, ... Prediction means, 11 ... Correction means, 12 ... Sewage treatment process, 13 ... Feedback controller, 14 ... Aeration air volume corrector, 15: feedback loop, 16: prediction model, 17: aeration air volume correction amount calculator.
───────────────────────────────────────────────────── フロントページの続き (72)発明者 三浦 良輔 東京都府中市東芝町１番地 株式会社東 芝 府中工場内 (56)参考文献 特開 平７−210207（ＪＰ，Ａ) (58)調査した分野(Int.Cl.7，ＤＢ名) G05B 11/00 - 13/04 ──────────────────────────────────────────────────続 き Continuation of the front page (72) Inventor Ryosuke Miura 1 Toshiba-cho, Fuchu-shi, Tokyo Toshiba Corporation Fuchu Plant (56) References JP-A-7-210207 (JP, A) (58) Investigated Field (Int.Cl. 7 , DB name) G05B 11/00-13/04
Claims (5)
ることで制御対象の制御量を制御する制御装置におい
て、 前記制御対象において計測された制御量及び目標とする
制御量に基づき、仮想の操作量を算出する仮想操作量算
出手段と、 前記制御対象において計測された制御量、前記仮想操作
量算出手段により算出された仮想の操作量及び過去の操
作量に基づき、所定時間後の制御量を予測する予測手段
と、 この予測手段により予測された所定時間後の制御量及び
目標とする制御量に基づき、前記仮想操作量算出手段に
より算出された仮想の操作量を修正する修正手段とを備
え、 これら予測手段による予測及び修正手段による修正を少
なくとも１回行って得られた操作量を前記制御対象に入
力する操作量補正手段とを具備する制御装置であって、前記予測手段が、学習機能を持つ関数近似装置から構成
され、 前記操作量補正手段が、前記制御対象において計測され
た過去の制御量及び前記制御対象に入力された過去の操
作量に基づき、前記関数近似装置を学習する学習手段を
さらに具備することを特徴とする制御装置。 1. A control device for controlling a control amount of a control target by changing an operation amount input to the control target, wherein a virtual amount based on a control amount measured in the control target and a target control amount. A virtual operation amount calculating means for calculating an operation amount; a control amount after a predetermined time based on a control amount measured in the control target, a virtual operation amount calculated by the virtual operation amount calculation means, and a past operation amount. Prediction means for predicting the control amount and a correction means for correcting the virtual operation amount calculated by the virtual operation amount calculation means based on the control amount after a predetermined time and the target control amount predicted by the prediction means. comprising, a manipulated variable obtained by performing at least once modified by the prediction and correction means by these prediction means in the control device including an operation amount compensation means for inputting to said control object Te, the prediction means, composed of function approximation device having a learning function
The operation amount correction unit may further include a learning unit that learns the function approximation device based on a past control amount measured in the control target and a past operation amount input to the control target. Characteristic control device.
を変化させることで下水処理プロセスの溶存酸素濃度を
制御する下水処理プロセスにおける溶存酸素濃度の制御
装置において、 前記下水処理プロセスにおいて計測された計測データ及
び目標とする溶存酸素濃度に基づき、仮想の曝気風量を
算出する仮想曝気風量算出手段と、 学習機能を持つ関数近似装置から構成され、前記下水処
理プロセスにおいて計測された計測データ、前記仮想曝
気風量算出手段により算出された仮想の曝気風量及び過
去の曝気風量に基づき、所定時間後の溶存酸素濃度を予
測する予測手段と、 この予測手段により予測された所定時間後の溶存酸素濃
度及び目標とする溶存酸素濃度に基づき、前記仮想曝気
風量算出手段により算出された仮想の曝気風量を修正す
る修正手段と、前記下水処理プロセスにおいて計測され
た過去の計測データ及び前記水処理プロセスに入力され
た過去の曝気風量に基づき、前記関数近似装置を学習す
る学習手段を備え、 これら予測手段による予測及び修正手段による修正を少
なくとも１回行って得られた曝気風量を前記下水処理プ
ロセスに入力する曝気風量補正手段とを具備することを
特徴とする下水処理プロセスにおける溶存酸素濃度の制
御装置。 2. An apparatus for controlling the concentration of dissolved oxygen in a sewage treatment process, which controls the concentration of dissolved oxygen in the sewage treatment process by changing the amount of aeration air input to the sewage treatment process. Virtual aeration air volume calculation means for calculating a virtual aeration air volume based on data and a target dissolved oxygen concentration; and a function approximating device having a learning function, the measurement data measured in the sewage treatment process, and the virtual aeration. Prediction means for predicting the dissolved oxygen concentration after a predetermined time based on the virtual aeration air flow calculated by the air flow calculation means and the past aeration air flow; and a dissolved oxygen concentration and a target after the predetermined time predicted by the prediction means. The virtual aeration air volume calculated by the virtual aeration air volume calculation means is corrected based on the dissolved oxygen concentration to be calculated. Correct means, and learning means for learning the function approximation device based on past measurement data measured in the sewage treatment process and the past aeration air volume input to the water treatment process. A control device for a dissolved oxygen concentration in a sewage treatment process, comprising: an aeration air volume correction device for inputting an aeration air volume obtained by performing correction by a correction device at least once to the sewage treatment process.
を変化させることで下水処理プロセスの溶存酸素濃度を
制御する下水処理プロセスにおける溶存酸素濃度の制御
装置において、 前記下水処理プロセスにおいて計測された下水流入量及
び溶存酸素濃度並びに目標とする溶存酸素濃度に基づ
き、仮想の曝気風量を算出する仮想曝気風量算出手段
と、 学習機能を持つ関数近似装置から構成され、前記下水処
理プロセスにおいて計測された溶存酸素濃度、前記仮想
曝気風量算出手段により算出された仮想の曝気風量及び
過去の曝気風量に基づき、所定時間後の溶存酸素濃度を
予測する予測手段と、 この予測手段により予測された所定時間後の溶存酸素濃
度及び目標とする溶存酸素濃度に基づき、前記仮想曝気
風量算出手段により算出された仮想の曝気風量を修正す
る修正手段と、 前記下水処理プロセスにおいて計測された過去の下水流
入量及び溶存酸素濃度並びに前記水処理プロセスに入力
された過去の曝気風量に基づき、前記関数近似装置を学
習する学習手段を備え、 これら予測手段による予測及び修正手段による修正を少
なくとも１回行って得られた曝気風量を前記下水処理プ
ロセスに入力する曝気風量補正手段とを具備することを
特徴とする下水処理プロセスにおける溶存酸素濃度の制
御装置。 3. A control device for a dissolved oxygen concentration in a sewage treatment process for controlling a dissolved oxygen concentration in a sewage treatment process by changing an aeration air volume input to the sewage treatment process, wherein the sewage measured in the sewage treatment process is provided. Virtual aeration air volume calculation means for calculating a virtual aeration air volume based on the inflow amount, the dissolved oxygen concentration, and the target dissolved oxygen concentration, and a function approximation device having a learning function, and the dissolved gas measured in the sewage treatment process is provided. Prediction means for predicting the dissolved oxygen concentration after a predetermined time based on the oxygen concentration, the virtual aeration air flow calculated by the virtual aeration air flow calculation means and the past aeration air flow; Based on the dissolved oxygen concentration and the target dissolved oxygen concentration, the virtual Correction means for correcting the aeration air volume; learning to learn the function approximation device based on the past sewage inflow amount and dissolved oxygen concentration measured in the sewage treatment process and the past aeration air volume input to the water treatment process. Aeration air volume correction means for inputting the aeration air volume obtained by performing the prediction by the prediction device and the correction by the correction device at least once to the sewage treatment process. Control device for dissolved oxygen concentration.
スにおける溶存酸素濃度の制御装置において、 前記予測手段が、神経回路モデルから構成され、前記修
正手段が、神経回路モデルの誤差逆伝播計算により実現
されることを特徴とする下水処理プロセスにおける溶存
酸素濃度の制御装置。 4. The control device for a dissolved oxygen concentration in a sewage treatment process according to claim 2 or 3 , wherein the predicting means is constituted by a neural network model, and the correcting means is configured to calculate an error back propagation of the neural circuit model. A control device for a dissolved oxygen concentration in a sewage treatment process, which is realized.
における溶存酸素濃度の制御装置において、 前記曝気風量補正手段が、前記予測手段により予測され
た所定時間後の溶存酸素濃度と目標とする溶存酸素濃度
との誤差が定められた誤差範囲以内になるまで、または
前記予測手段により予測された所定時間後の溶存酸素濃
度の変化分が定められた回数もしくは定められた範囲内
になるまで、前記予測手段による予測及び前記修正手段
による修正を繰り返すことを特徴とする下水処理プロセ
スにおける溶存酸素濃度の制御装置。 5. The control apparatus of dissolved oxygen concentration in the claims 2 to 4 wherein the sewage treatment process, dissolved said aeration amount correcting means, and dissolved oxygen concentration and the target after the predetermined predicted time by the prediction means Until the error with the oxygen concentration is within a predetermined error range, or until the amount of change in the dissolved oxygen concentration after a predetermined time predicted by the prediction means is within a predetermined number of times or within a predetermined range, A control device for a dissolved oxygen concentration in a sewage treatment process, wherein a prediction by a prediction unit and a correction by the correction unit are repeated.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3497894A JP3260538B2 (en) | 1994-03-04 | 1994-03-04 | Control device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3497894A JP3260538B2 (en) | 1994-03-04 | 1994-03-04 | Control device |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH07244502A JPH07244502A (en) | 1995-09-19 |
| JP3260538B2 true JP3260538B2 (en) | 2002-02-25 |
Family
ID=12429242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3497894A Expired - Fee Related JP3260538B2 (en) | 1994-03-04 | 1994-03-04 | Control device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3260538B2 (en) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000122992A (en) * | 1998-08-12 | 2000-04-28 | Sony Corp | Information processor, its method and providing medium |
| JP6217149B2 (en) * | 2013-06-06 | 2017-10-25 | 横河電機株式会社 | Process control amount setting device |
| CN104614990B (en) * | 2014-12-25 | 2017-09-29 | 北京桑德环境工程有限公司 | A kind of method of the accurate control biochemistry pool air blast air demand of utilization mathematical modeling dynamic |
| CN108614422B (en) * | 2018-05-23 | 2020-07-31 | 中国农业大学 | Method, device and system for optimally controlling dissolved oxygen in land-based factory circulating water aquaculture |
-
1994
- 1994-03-04 JP JP3497894A patent/JP3260538B2/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH07244502A (en) | 1995-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7647284B2 (en) | Fixed-weight recurrent neural network controller with fixed long-term and adaptive short-term memory | |
| US20020072828A1 (en) | Computer method and apparatus for constraining a non-linear approximator of an empirical process | |
| JP2000510265A (en) | Method and apparatus for modeling dynamic and steady state processes for prediction, control and optimization | |
| JPH04127205A (en) | Process controller | |
| JP3242950B2 (en) | Predictive control method | |
| CA2079147C (en) | Simulator using a neural network | |
| CN107255920A (en) | PID control method and apparatus and system based on network optimization algorithm | |
| CN106991493A (en) | Sewage disposal water outlet parameter prediction method based on Grey production fuction | |
| CN113448245A (en) | Deep learning-based dissolved oxygen control method and system in sewage treatment process | |
| JP3260538B2 (en) | Control device | |
| CN101285816A (en) | Copper matte air refining procedure parameter soft sensing instrument and its soft sensing method | |
| US5852817A (en) | Intelligent control apparatus | |
| JP3515267B2 (en) | Multi-layer neural network learning device | |
| JP2003256005A (en) | Control method and control device | |
| JP2968631B2 (en) | Hot rolling process control method | |
| JPH0451384A (en) | Neural network and its construction method | |
| JPH09114503A (en) | Controller | |
| CN112346342B (en) | Single-network self-adaptive evaluation design method of non-affine dynamic system | |
| JP3059192B2 (en) | Adaptive control system | |
| US20020198853A1 (en) | Controlling the self learning behavior of an autonomous agent | |
| JPH0736505A (en) | Identifying/controlling method for controlled system | |
| CN112015083B (en) | Parameter self-tuning method of SISO (SISO) compact-format model-free controller based on ensemble learning | |
| JP3025592B2 (en) | Neurocomputer | |
| JP3262340B2 (en) | Information processing device | |
| LU505155B1 (en) | Design method of damping controller based on power system, controller and power system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20011127 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071214 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081214 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091214 Year of fee payment: 8 |
|
| LAPS | Cancellation because of no payment of annual fees |