JP3260538B2 - 制御装置 - Google Patents
制御装置Info
- 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
- Feedback Control In General (AREA)
- Control Of Non-Electrical Variables (AREA)
- Biological Treatment Of Waste Water (AREA)
- Activated Sludge Processes (AREA)
Description
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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
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
【数1】 の値を求める。
【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。
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。
【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。
想曝気風量baq (ハット)n に加算する。
【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。
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。
【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。
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。
【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。
ング時刻毎に繰り返される。
【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。
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。
【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。
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。
【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。
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。
【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、
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、
【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。
力層ユニット23の出力yii (i=1,…, Ni)は次
のように表される。
【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。
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。
【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。
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。
【0040】中間層ユニット24の入出力関数をシグモ
イド型関数
イド型関数
【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、
hj を使い、
【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。
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。
【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。
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。
【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。
(〜)n+1 である。
【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。
る。
【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。
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。
【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。
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。
【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。
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。
【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
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
【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。
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。
【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、
トの修正量を使って、
【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、
の導関数を表していて、具体的には、
【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、
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、
【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。
風量baq (ハット)n に加算される。
【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。
実現される仮想曝気風量の修正である。
【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。
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。
【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。
−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。
【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
デルの出力がdo(〜)l+1 であったとすると、誤差関数
Eは
【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。
ルの結合荷重、閾値の修正量は次のように計算される。
【0053】
【数17】 である。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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
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
【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。
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。
【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。
図である。
【図2】本発明の一実施例のブロック図である。
【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。
図である。
【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。
図である。
【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。
回路モデルを表す図である。
【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。
説明する図である。
【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。
算機シミュレーションの結果を表した図である。
【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。
算機シミュレーションの結果を表した図である。
【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。
算機シミュレーションの結果を表した図である。
【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。
計算機シミュレーションの結果を表した図である。
【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。
レーションの結果を表した図である。
【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。
レーションの結果を表した図である。
【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。
レーションの結果を表した図である。
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。
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。
───────────────────────────────────────────────────── 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
Claims (5)
- 【請求項1】 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
さらに具備することを特徴とする制御装置。 - 【請求項2】 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。 - 【請求項3】 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。 - 【請求項4】 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下水処理プロセスにおける溶存
酸素濃度の制御装置。 - 【請求項5】 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下水処理プロセ
スにおける溶存酸素濃度の制御装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP3497894A JP3260538B2 (ja) | 1994-03-04 | 1994-03-04 | 制御装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP3497894A JP3260538B2 (ja) | 1994-03-04 | 1994-03-04 | 制御装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH07244502A JPH07244502A (ja) | 1995-09-19 |
JP3260538B2 true JP3260538B2 (ja) | 2002-02-25 |
Family
ID=12429242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP3497894A Expired - Fee Related JP3260538B2 (ja) | 1994-03-04 | 1994-03-04 | 制御装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3260538B2 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000122992A (ja) * | 1998-08-12 | 2000-04-28 | Sony Corp | 情報処理装置および方法、並びに提供媒体 |
JP6217149B2 (ja) * | 2013-06-06 | 2017-10-25 | 横河電機株式会社 | プロセス制御量設定装置 |
CN104614990B (zh) * | 2014-12-25 | 2017-09-29 | 北京桑德环境工程有限公司 | 一种利用数学模型动态精确控制生化池鼓风供气量的方法 |
CN108614422B (zh) * | 2018-05-23 | 2020-07-31 | 中国农业大学 | 陆基工厂循环水养殖中溶解氧优化控制方法、装置及*** |
-
1994
- 1994-03-04 JP JP3497894A patent/JP3260538B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JPH07244502A (ja) | 1995-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20080172349A1 (en) | 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 (ja) | 予測、制御および最適化のための動的および定常状態プロセスをモデル化する方法および装置 | |
JPH04127205A (ja) | プロセス制御装置 | |
JP3242950B2 (ja) | 予測制御方法 | |
CA2079147C (en) | Simulator using a neural network | |
CN111399375A (zh) | 一种基于非线性***的神经网络预测控制器 | |
CN106991493A (zh) | 基于灰色神经网络组合模型的污水处理出水参数预测方法 | |
CN106708044A (zh) | 基于灰色预测混合遗传算法‑pid全垫升气垫船航向控制方法 | |
CN113448245A (zh) | 一种基于深度学习的污水处理过程溶解氧控制方法及*** | |
JP3260538B2 (ja) | 制御装置 | |
CN101285816A (zh) | 铜锍吹炼的过程参数软测量仪表及其软测量方法 | |
JP3515267B2 (ja) | 多層神経回路網学習装置 | |
JP2003256005A (ja) | 制御方法および制御装置 | |
JP2968631B2 (ja) | 熱延プロセス制御方法 | |
JPH0451384A (ja) | ニューラルネットワークの構築方法 | |
JPH09114503A (ja) | 制御装置 | |
CN113419432B (zh) | 一种基于动态矩阵控制算法的污水处理***精准加药方法 | |
CN112346342B (zh) | 一种非仿射动力学***的单网络自适应评价设计方法 | |
JP3059192B2 (ja) | 適応制御システム | |
US20020198853A1 (en) | Controlling the self learning behavior of an autonomous agent | |
JPH0924449A (ja) | 連続鋳造機の冷却制御方法および装置 | |
JPH0736505A (ja) | 制御対象の同定・制御方法 | |
CN112015083B (zh) | Siso紧格式无模型控制器基于集成学习的参数自整定方法 | |
JP3262340B2 (ja) | 情報処理装置 |
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 |