JP6764487B2

JP6764487B2 - 水処理プラントおよび水処理プラントの運転方法

Info

Publication number: JP6764487B2
Application number: JP2018562683A
Authority: JP
Inventors: 洋平上野; 英二今村; 拓見須田; 安永　望; 望安永; 卓嗣川田; 剛岩松; 健太霜田
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2018-07-26
Filing date: 2018-07-26
Publication date: 2020-09-30
Anticipated expiration: 2038-07-26
Also published as: JPWO2020021688A1; US20210263490A1; WO2020021688A1

Description

本発明は、上水または下水などの水処理を行う水処理プラントおよび水処理プラントの運転方法に関する。

水処理プラントでは、環境変化に応じて制御目標値を変更しつつ、水処理制御が行われている。例えば、季節の温度差、流入水の流量、流入水の水質などの変化に伴い制御目標値が変更されることで、水処理プラントにおいて環境変化に応じた水処理制御が行われている。

制御目標値の変更は、オペレータが過去の経験などに基づいて行っており、専門性が要求される。特許文献１では、環境変化に応じた制御目標値の変更に対してオペレータの経験を反映できるように、下水処理装置の制御にＡＩ（Artificial Intelligent）を用いる技術が提案されている。かかる技術では、下水処理装置内の状態を検出するセンサから出力される下水処理装置内の状態の現在値を示す検出データがＡＩ装置に入力され、かかるＡＩ装置の出力に基づいて下水処理装置が制御される。

特開２００４−２５１６０号公報

上述したような従来のＡＩを用いた水処理制御では、水処理装置内の現在の状態から将来の状態を考慮した水処理制御が行われている。しかしながら上述したような従来のＡＩを用いた水処理制御には、改善の余地が有る。例えば、水処理装置の状態または環境などの水処理環境は、時々刻々と変化しながらも時間の前後で繋がりながりを有しているが、そのような時間の前後での繋がりが十分には考慮されていない。

本発明は、上記に鑑みてなされたものであって、環境変化に対してより効果的な水処理制御を行うことができる水処理プラントを得ることを目的とする。

本発明にかかる水処理プラントは、制御目標値を用いて、空気を送り込むブロワを有する水処理装置が水処理を行う水処理プラントであって、水処理装置の水処理環境を繰り返し検出して時系列の検出データである時系列検出データを出力するセンサと、機械学習によって生成されパーセプトロンが階層的に配置してある計算モデルを用いて水処理装置の制御に関わる演算を行う演算装置に、センサが出力した時系列検出データを計算モデルの入力データとして演算を実行させる処理装置と、センサから出力される時系列検出データを入力として演算装置が計算モデルを用いて水処理環境の予測値を演算して出力した制御目標値を使用してＰＩ制御またはＰＩＤ制御をブロワに行い、ブロワが送り込む空気の量を調整し、水処理装置による水処理を制御する制御装置と、を備える。演算装置は、計算モデルとして、センサから出力される時系列検出データと制御目標値の時系列データとを入力し、水処理環境の予測値を出力する第１計算モデルと、第１計算モデルで演算された水処理環境の予測値を入力し、新たな制御目標値を出力する第２計算モデルとを含む。

本発明によれば、環境変化に対してより効果的な水処理制御を行い得る水処理プラントを提供することができる、という効果を奏する。

実施の形態１にかかる水処理プラントの概略を示す図実施の形態１にかかる水処理プラントの構成例を示す図実施の形態１にかかる処理装置の構成例を示す図実施の形態１にかかる記憶装置に記憶されるデータテーブルの一例を示す図実施の形態１にかかる演算装置の構成例を示す図実施の形態１にかかる制御装置の構成例を示す図実施の形態１にかかる処理装置の処理の一例を示すフローチャート実施の形態１にかかる演算装置の処理の一例を示すフローチャート実施の形態１にかかる制御装置の処理の一例を示すフローチャート実施の形態１にかかる処理装置のハードウェア構成の一例を示す図

以下に、本発明の実施の形態にかかる水処理プラントおよび水処理プラントの運転方法を図面に基づいて詳細に説明する。なお、この実施の形態によりこの発明が限定されるものではない。

実施の形態１．
図１は、実施の形態１にかかる水処理プラントの概略を示す図である。図１に示すように、実施の形態１にかかる水処理プラント１００は、水処理装置１と、センサ２と、処理装置３と、演算装置４と、制御装置５とを備える。演算装置４は、ＡＩ装置の一例である。

水処理装置１は、例えば、上水または下水などの水処理を行う装置であり、水処理状態を制御するポンプまたはブロワなどの制御対象機器を備える。制御装置５は、水処理装置１を制御する。センサ２は、水処理装置１の水処理環境を繰り返し検出し、時系列の検出データを出力する。水処理装置１の水処理環境は、水処理装置１の内部にある水処理環境および水処理装置１の外部にある水処理環境の少なくとも一つを含む。以下、水処理装置１の水処理環境を単に水処理環境と記載する場合がある。

処理装置３は、取得した時系列の検出データを入力データとする演算を演算装置４に実行させ、演算結果を演算装置４から取得する。演算装置４は、水処理装置１の制御に関わる演算に用いられる計算モデルを有しており、かかる計算モデルは、機械学習によって生成される。

演算装置４で演算に用いられる計算モデルは、水処理装置１の水処理環境の経時的変化から水処理装置１の制御に関わる情報を出力する計算モデルであり、水処理装置１の水処理環境の経時的変化に基づいて、機械学習によって生成される。

かかる計算モデルは、例えば、センサ２から出力される時系列の検出データを入力とし、制御対象機器の制御目標値の情報を出力とする計算モデルである。制御目標値は、例えば、水処理装置１の水処理状態を制御するポンプ、ブロワ、またはヒータなどといった制御対象機器の制御量の目標値である。

演算装置４は、処理装置３から取得した時系列の検出データを入力データとする上述の計算モデルを用いた演算を行う。演算装置４は、計算モデルを用いた演算結果を含む情報を処理装置３へ出力する。処理装置３は、演算装置４から取得した情報を制御装置５へ出力する。制御装置５は、処理装置３から出力された情報に基づいて、水処理装置１を制御する。演算装置４は、例えば、人工知能などと呼ばれるＡＩであり、入力された時系列の検出データに基づく機械学習を介し、制御対象機器の好ましい制御目標値の推測に貢献する。

水処理プラント１００において、演算装置４で演算に用いられる計算モデルを、センサ２から出力される時系列の検出データを入力とし、水処理環境の予測値を出力とする計算モデルにすることもできる。

この場合、処理装置３は、演算装置４から取得した水処理環境の予測値を不図示の表示装置に表示することができる。これにより、水処理プラント１００のオペレータは、不図示の表示装置に表示された水処理環境の予測値を把握しながら、過去の経験などに基づいて、処理装置３を介して水処理装置１を制御することができる。以下、水処理プラント１００のオペレータを単にオペレータと記載する場合がある。

このように、水処理プラント１００においては、水処理環境の経時的変化に基づいて機械学習によって生成される計算モデルを用いた演算が行われる。これにより、実施の形態１にかかる水処理プラント１００では、水処理環境の経時的変化を考慮した効果的な水処理制御を行うことができる。

例えば、水処理環境の現在値のみを利用する場合、水処理環境がどのように変化して現在に至っているか分からないことから、水処理環境がどのように変化するか適切に把握することが難しい場合がある。一方、水処理プラント１００は、水処理環境の経時的変化を考慮することで、水処理環境がどのように変化するか適切に把握することができ、将来の水処理環境の変化を精度よく予測することができる。したがって、水処理プラント１００では、将来の水処理環境の変化を考慮した水処理制御を行うことができ、水処理環境の変化に対して効果的な水処理制御を行うことができる。

以下、実施の形態１にかかる水処理プラント１００について詳細に説明する。図２は、実施の形態１にかかる水処理プラントの構成例を示す図である。なお、以下においては、水処理装置１が行う水処理の一例として、下水処理について説明する。

図２に示すように、実施の形態１にかかる水処理プラント１００は、水処理装置１と、センサ２と、処理装置３と、演算装置４と、制御装置５と、記憶装置６と、表示装置７と、入力装置８とを備える。

処理装置３、演算装置４、制御装置５、記憶装置６、表示装置７、および入力装置８は、互いに通信ネットワーク９を介して通信可能に接続される。通信ネットワーク９は、例えば、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、バス、または専用線である。

図２に示す水処理装置１は、下水を被処理水として処理する下水処理装置である。かかる水処理装置１は、下水道などからの流入水である下水を貯留し、下水中の比較的沈みやすい固形物などを沈殿させる最初沈殿槽１１と、最初沈殿槽１１の上澄み水を好気処理する処理槽１２と、処理槽１２から流入する活性汚泥混合液を上澄み水と活性汚泥とに分離する最終沈殿槽１３とを備える。最終沈殿槽１３の上澄み水は処理水として最終沈殿槽１３から放出される。

処理槽１２において、最初沈殿槽１１から流入する上澄み水は、有機物を含んでおり、例えば、りん蓄積菌、硝化菌、および脱窒菌といった好気性微生物の消化によって上澄み水に含まれる有機物が処理される。

水処理装置１は、さらに、処理槽１２に空気を送り込んで活性汚泥混合液中に空気を溶解させるブロワ１４と、最終沈殿槽１３と処理槽１２とを接続する配管に設けられ、最終沈殿槽１３から処理槽１２に活性汚泥を返送するポンプ１５とを備える。ブロワ１４およびポンプ１５の各々は、上述した制御対象機器の一例であり、以下、ブロワ１４とポンプ１５とを互いに区別せずに示す場合、制御対象機器と記載する場合がある。また、最初沈殿槽１１、処理槽１２、および最終沈殿槽１３の各々を区別せずに示す場合、単に槽と記載する場合がある。

水処理プラント１００には、水処理装置１の水処理環境を各々検出する複数のセンサ２０_１〜２０_ｍを含むセンサ２が設けられる。各センサ２０_１〜２０_ｍは、例えば、水処理装置１内の状態または環境を検出する。具体的には、水処理装置１の水処理環境は、例えば、槽への流入物の特性、槽内での水処理の状態、および槽からの流出物の特性といった槽内の状態を含む。また、水処理装置１内の環境は、例えば、水処理装置１内の雰囲気の温度および湿度などを含む。以下、水処理装置１内の状態について説明するが、水処理装置１内の環境、水処理装置１外の状態または環境などについても同様である。

センサ２０_１〜２０_４は、最初沈殿槽１１への流入水の特性である流入水特性を検出する。センサ２０_１は、流入水の流入量である特性値Ｄａ１を検出する。センサ２０_２は、流入水のＢＯＤ（Biochemical Oxygen Demand：生物化学的酸素要求量）である特性値Ｄａ２を検出する。センサ２０_３は、流入水の温度である特性値Ｄａ３を検出する。センサ２０_４は、流入水のＮＨ_３の濃度、流入水のＮＨ_４ ^＋の濃度、またはアンモニア性窒素濃度である特性値Ｄａ４を検出する。

センサ２０_５〜２０_ｍ−３は、処理槽１２の状態を示す処理槽内特性を検出する。センサ２０_５は、処理槽１２における溶存酸素量である特性値Ｄａ５を検出する。センサ２０_６は、処理槽１２における活性微生物濃度である特性値Ｄａ６を検出する。センサ２０_７は、処理槽１２におけるＢＯＤである特性値Ｄａ７を検出する。センサ２０_８〜２０_ｍ−３は、例えば、アンモニア性窒素濃度、硝酸性窒素濃度、全窒素濃度、リン酸性リン濃度、または全リン濃度である特性値Ｄａ８〜Ｄａｍ−３を検出する複数のセンサを含む。

センサ２０_ｍ−２〜２０_ｍは、最終沈殿槽１３から放出される処理水の特性である処理水特性を検出する。センサ２０_ｍ−２は、処理水の流出量である特性値Ｄａｍ−２を検出する。センサ２０_ｍ−１は、処理水のＢＯＤである特性値Ｄａｍ−１を検出する。センサ２０_ｍは、処理水の全窒素濃度である特性値Ｄａｍを検出する。

なお、センサ２は、センサ２０_１〜２０_ｍのうち一部を含まない構成であってもよく、センサ２０_１〜２０_ｍ以外のセンサを含んでもよい。また、上述したセンサ２０_１〜２０_ｍは、水処理装置１内の状態を示す特性値Ｄａ１〜Ｄａｍを検出するが、センサ２は、例えば、水処理環境の撮像データを検出データとして出力する撮像装置を含んでいてもよい。なお、以下において、センサ２０_１〜２０_ｍの各々を互いに区別せずに示す場合、センサ２０と記載する場合がある。また、特性値Ｄａ１〜Ｄａｍの各々を互いに区別せずに示す場合、特性値Ｄａと記載する場合がある。

図３は、実施の形態１にかかる処理装置の構成例を示す図である。図３に示すように、処理装置３は、通信部３１と、記憶部３２と、制御部３３とを備える。通信部３１は、通信ネットワーク９に接続される。制御部３３は、通信部３１および通信ネットワーク９を介し、演算装置４、制御装置５、記憶装置６、表示装置７、および入力装置８の各々との間でデータの送受信を行うことができる。

制御部３３は、データ処理部３４と、表示処理部３５と、演算要求部３６と、受付処理部３７と、ＡＳＭシミュレータ３８とを備える。データ処理部３４は、センサ２から出力される検出データを繰り返し取得する。

データ処理部３４は、センサ２から取得した検出データを時刻と関連付けて記憶装置６に記憶する。また、データ処理部３４は、演算装置４から出力される情報を取得し、取得した情報を制御装置５に出力する。また、データ処理部３４は、演算装置４から取得した情報を記憶装置６に記憶する。

図４は、実施の形態１にかかる記憶装置に記憶されるデータテーブルの一例を示す図である。図４に示すデータテーブルには、時刻毎の検出データ、および制御目標値が含まれる。図４において、検出データＤ１（ｔ０），Ｄ１（ｔ１），・・・，Ｄ１（ｔｐ），・・・，Ｄ１（ｔｑ），・・・，Ｄ１（ｔｒ）は、センサ２０_１の検出データである。検出データＤ２（ｔ０），Ｄ２（ｔ１），・・・，Ｄ２（ｔｐ），・・・，Ｄ２（ｔｑ），・・・，Ｄ２（ｔｒ）は、センサ２０_２の検出データである。

検出データＤ３（ｔ０），Ｄ３（ｔ１），・・・，Ｄ３（ｔｐ），・・・，Ｄ３（ｔｑ），・・・，Ｄ３（ｔｒ）は、センサ２０_３の検出データである。検出データＤ４（ｔ０），Ｄ４（ｔ１），・・・，Ｄ４（ｔｐ），・・・，Ｄ４（ｔｑ），・・・，Ｄ４（ｔｒ）は、センサ２０_４の検出データである。検出データＤｍ（ｔ０），Ｄｍ（ｔ１），・・・，Ｄｍ（ｔｐ），・・・，Ｄｍ（ｔｑ），・・・，Ｄｍ（ｔｒ）は、センサ２０_ｍの検出データである。

検出データＤ１（ｔ０），Ｄ２（ｔ０），Ｄ３（ｔ０），Ｄ４（ｔ０），・・・，Ｄｍ（ｔ０）は、時刻ｔ０にセンサ２から出力されるＤ（ｔ０）を構成するデータである。検出データＤ１（ｔ１），Ｄ２（ｔ１），Ｄ３（ｔ１），Ｄ４（ｔ１），・・・，Ｄｍ（ｔ１）は、時刻ｔ１にセンサ２から出力されるＤ（ｔ１）を構成するデータである。検出データＤ１（ｔｐ），Ｄ２（ｔｐ），Ｄ３（ｔｐ），Ｄ４（ｔｐ），・・・，Ｄｍ（ｔｐ）は、時刻ｔｐにセンサ２から出力されるＤ（ｔｐ）を構成するデータである。

検出データＤ１（ｔｑ），Ｄ２（ｔｑ），Ｄ３（ｔｑ），Ｄ４（ｔｑ），・・・，Ｄｍ（ｔｑ）は、時刻ｔｑにセンサ２から出力されるＤ（ｔｑ）を構成するデータである。検出データＤ１（ｔｒ），Ｄ２（ｔｒ），Ｄ３（ｔｒ），Ｄ４（ｔｒ），・・・，Ｄｍ（ｔｒ）は、時刻ｔｒにセンサ２から出力されるＤ（ｔｒ）を構成するデータである。以下、センサ２から出力される検出データＤ（ｔ０），Ｄ（ｔ１），・・・，Ｄ（ｔｐ），・・・，Ｄ（ｔｑ），・・・，Ｄ（ｔｒ）を各々区別せずに示す場合、検出データＤと記載する場合がある。

また、図４に示すデータテーブルには、各時刻において処理装置３から制御装置５に出力された各制御対象機器の制御目標値の情報が含まれる。図４において、制御目標値ＲＶ１（ｔ０），ＲＶ１（ｔ１），・・・，ＲＶ１（ｔｐ），・・・，ＲＶ１（ｔｑ），・・・，ＲＶ１（ｔｒ）は、ブロワ１４の制御目標値である。また、制御目標値ＲＶ２（ｔ０），ＲＶ２（ｔ１），・・・，ＲＶ２（ｔｐ），・・・，ＲＶ２（ｔｑ），・・・，ＲＶ２（ｔｒ）は、ポンプ１５の制御目標値である。

以下、制御目標値ＲＶ１（ｔ０），ＲＶ１（ｔ１），・・・，ＲＶ１（ｔｐ），・・・，ＲＶ１（ｔｑ），・・・，ＲＶ１（ｔｒ）の各々を区別せずに示す場合、制御目標値ＲＶ１と記載し、制御目標値ＲＶ２（ｔ０），ＲＶ２（ｔ１），・・・，ＲＶ２（ｔｐ），・・・，ＲＶ２（ｔｑ），・・・，ＲＶ２（ｔｒ）の各々を区別せずに示す場合、制御目標値ＲＶ２と記載する場合がある。また、制御目標値ＲＶ１，ＲＶ２を各々区別せずに示す場合、制御目標値ＲＶと記載する場合がある。

データ処理部３４は、現時点から期間Ｔｂ前までの時刻で取得された時系列の検出データＤｔｓ１と時系列の制御目標値ＲＶｔｓ１とを記憶装置６から読み出す。例えば、記憶装置６のデータテーブルが図４に示す状態であり、現時点が時刻ｔｒであり、且つ現時点から期間Ｔｂ前が時刻ｔｑであるとする。この場合、データ処理部３４は、検出データＤ（ｔｑ）〜Ｄ（ｔｒ）を含む時系列の検出データＤｔｓ１と、制御目標値ＲＶ（ｔｑ）〜ＲＶ（ｔｒ）を含む時系列の制御目標値ＲＶｔｓ１とを記憶装置６から読み出す。なお、時系列の検出データＤｔｓ１は、複数のセンサ２０_１〜２０_ｍのうち一部のセンサ２０の検出データを含まない場合がある。

データ処理部３４は、記憶装置６から読み出した時系列の検出データＤｔｓ１と時系列の制御目標値ＲＶｔｓ１とを通信ネットワーク９経由で演算装置４へ出力する。演算要求部３６は、時系列の検出データＤｔｓ１と時系列の制御目標値ＲＶｔｓ１とを演算装置４へ出力することで、時系列の検出データＤｔｓ１と時系列の制御目標値ＲＶｔｓ１を入力データとする演算を演算装置４に実行させる。

なお、データ処理部３４は、例えば、演算装置４で用いられる計算モデルがリカレントニューラルネットワークの場合、時系列の検出データＤｔｓ１と時系列の制御目標値ＲＶｔｓ１とを演算装置４へ送信した後は、新たに取得された検出データＤと制御目標値ＲＶとを繰り返し送信することで、演算装置４に計算モデルを用いた演算を実行させることができる。

データ処理部３４は、演算装置４から出力される演算結果を示す情報を取得し、取得した情報を制御装置５へ出力する。演算装置４から出力される情報には、例えば、制御対象機器の制御目標値ＲＶを含む制御情報が含まれており、制御装置５は、処理装置３から出力される情報に基づいて、水処理装置１に設けられた制御対象機器を制御することで、水処理装置１を制御する。

図３に戻って制御部３３の説明を続ける。表示処理部３５は、データ処理部３４で取得された検出データＤおよび演算装置４の演算結果を表示装置７に表示する。また、表示処理部３５は、オペレータの入力装置８への操作によって入力された情報を記憶装置６から取得して、取得した情報を表示装置７に表示することができる。以下、オペレータの入力装置８への操作をオペレータ操作と記載する場合がある。

受付処理部３７は、オペレータ操作に基づいて、制御装置５の制御目標値ＲＶの設定を受け付けることができる。データ処理部３４は、受付処理部３７によって受け付けられた制御目標値ＲＶを制御装置５へ出力することで、受付処理部３７によって受け付けられた制御目標値ＲＶに基づく制御を制御装置５に実行させることができる。

受付処理部３７は、オペレータ操作に基づいて、記憶装置６に記憶された複数の検出データＤのうち、演算装置４が有する計算モデルの学習処理に用いる時系列の検出データＤｔｓ２の選択を受け付ける。例えば、受付処理部３７は、記憶装置６に記憶された複数の検出データＤのうち、オペレータ操作による期間の指定によって時系列の検出データＤｔｓ２の選択を受け付けることができる。

記憶装置６のデータテーブルが図４に示す状態である場合、オペレータが時刻ｔｐから時刻ｔｑまでの期間を指定したとする。この場合、受付処理部３７は、時系列の検出データＤｔｓ２として検出データＤ（ｔｐ）〜Ｄ（ｔｑ）の選択を受け付ける。なお、検出データＤｔｓ２は、検出データＤｔｓ１と同様に、複数のセンサ２０_１〜２０_ｍのうち一部のセンサ２０の検出データを含まない場合がある。

演算要求部３６は、受付処理部３７によって選択が受け付けられた時系列の検出データＤｔｓ２を記憶装置６から取得する。また、演算要求部３６は、受付処理部３７によって選択が受け付けられた時系列の検出データＤｔｓ２に含まれる複数の検出データＤが各々取得された複数の時刻に各々関連付けられた複数の制御目標値ＲＶを含む時系列の制御目標値ＲＶｔｓ２の情報を記憶装置６から取得する。例えば、検出データＤ（ｔｐ）〜Ｄ（ｔｑ）が選択された場合、時系列の制御目標値ＲＶｔｓ２には、制御目標値ＲＶ（ｔｐ）〜ＲＶ（ｔｑ）が含まれる。

データ処理部３４は、時系列の検出データＤｔｓ２と時系列の制御目標値ＲＶｔｓ２とを含む学習用データを演算装置４へ通信ネットワーク９経由で送信する。これにより、演算装置４によって計算モデルの学習処理が行われる。

ＡＳＭ(Activated Sludge Model：活性汚泥モデル)シミュレータ３８は、例えば、活性汚泥モデルを用いた演算を行って水処理における物理的、生物的、および科学的な挙動を模擬するシミュレータである。かかる活性汚泥モデルは、生物反応プロセスと物質収支の水質変化などを数学的に記述したモデルであり、例えば、ＩＷＡ（International Water Association）によって発表されている。ＡＳＭシミュレータ３８は、例えば、活性汚泥モデルを用いた演算によって、水処理装置１内の状態を示す特性値Ｄａから処理槽内特性および処理水特性を予測することができる。

受付処理部３７は、オペレータ操作に基づいて、ＡＳＭシミュレータ３８による学習処理の要求を受け付ける。ＡＳＭシミュレータ３８は、学習処理の要求を受け付けた場合、活性汚泥モデルを用いた演算によって、学習用データを生成する。演算要求部３６は、ＡＳＭシミュレータ３８によって生成された学習用データを演算装置４へ通信ネットワーク９経由で送信する。

例えば、ＡＳＭシミュレータ３８は、活性汚泥モデルを用いた演算によって、時系列の特性値Ｄａｔｓと時系列の制御目標値ＲＶｔｓとから、処理水の状態の予測値Ｆａを取得することができる。この場合、演算要求部３６は、時系列の特性値Ｄａｔｓ、時系列の制御目標値ＲＶｔｓ、および処理水の状態の予測値Ｆａを含む学習用データを演算装置４へ送信する。

なお、時系列の特性値Ｄａｔｓは、１以上のセンサ２０の検出対象である水処理装置１の状態の特性値Ｄａの時間的な特性変化を示す。また、処理水の状態の予測値Ｆａは、期間Ｔａ後における処理水の状態の予測値であり、例えば、処理水の流出量、ＢＯＤ、および全窒素濃度の予測値を含む。

また、ＡＳＭシミュレータ３８は、活性汚泥モデルを用いた演算によって、処理水の状態の予測値Ｆａから制御目標値ＲＶ１，ＲＶ２を取得することができる。この場合、演算要求部３６は、処理水の状態の予測値Ｆａと制御目標値ＲＶ１，ＲＶ２とを含む学習用データを演算装置４へ送信する。

また、ＡＳＭシミュレータ３８は、活性汚泥モデルを用いた演算によって、時系列の特性値Ｄａｔｓと時系列の制御目標値ＲＶｔｓとから制御目標値ＲＶ１，ＲＶ２の情報を取得することができる。この場合、演算要求部３６は、時系列の特性値Ｄａｔｓと、時系列の制御目標値ＲＶｔｓと、制御目標値ＲＶ１，ＲＶ２の情報とを含む学習用データを演算装置４へ送信する。

ＡＳＭシミュレータ３８は、例えば、受付処理部３７によって選択された時系列の検出データのデータ分布に偏りがある場合および受付処理部３７によって選択された学習用データが少ない場合などにおいて、上述した学習用データを生成することができる。

例えば、ＡＳＭシミュレータ３８は、受付処理部３７によって選択された時系列の検出データＤｔｓ２で示される水処理環境の経時的変化とは異なる経時的変化の時系列の特性値Ｄａｔｓと、かかる時系列の特性値Ｄａｔｓに対応する時刻の時系列の制御目標値ＲＶｔｓとを含む学習データを生成することができる。

次に、演算装置４について説明する。図５は、実施の形態１にかかる演算装置の構成例を示す図である。図５に示すように、演算装置４は、通信部４１と、記憶部４２と、制御部４３とを備える。

通信部４１は、通信ネットワーク９に接続される。制御部４３は、通信部４１および通信ネットワーク９を介し、処理装置３、制御装置５、および記憶装置６の各々との間でデータの送受信を行うことができる。

記憶部４２には、１以上の計算モデルが記憶される。記憶部４２に記憶される計算モデルは、例えば、センサ２から出力される時系列の検出データＤｔｓ１を入力とし、複数の制御対象機器の制御目標値ＲＶを出力とする畳み込みニューラルネットワークまたはリカレントニューラルネットワークである。なお、計算モデルは、畳み込みニューラルネットワークまたはリカレントニューラルネットワーク以外の計算モデルであってもよい。計算モデルは、例えば、線形回帰、ロジスティック回帰といった学習アルゴリズムで生成される計算モデルであってもよい。

例えば、記憶部４２には、センサ２から出力される時系列の検出データＤｔｓ１と時系列の制御目標値ＲＶｔｓ１とを入力とし、期間Ｔａ後に予測される処理水の状態を示す予測値Ｆａを出力とする第１計算モデルと、第１計算モデルの演算によって得られる処理水の状態の予測値Ｆａを入力とし、制御目標値ＲＶ１，ＲＶ２を出力とする第２計算モデルを含む計算モデルが記憶される。

また、記憶部４２には、第１計算モデルおよび第２計算モデルに代えて、時系列の検出データＤｔｓ１と時系列の制御目標値ＲＶｔｓ１とを入力とし、制御目標値ＲＶ１，ＲＶ２を出力とする第３計算モデルが記憶されていてもよい。

なお、記憶部４２に記憶される計算モデルは、センサ２から出力される時系列の検出データＤｔｓ１を入力として、水処理装置１の制御に関わる演算を行うことができる計算モデルであればよく、上述した例に限定されない。例えば、計算モデルは、センサ２から出力される時系列の検出データＤｔｓ１を入力とするが、時系列の制御目標値ＲＶｔｓ１を入力としないモデルであってもよい。例えば、計算モデルは、センサ２から出力される時系列の検出データＤｔｓ１のみを入力とし、各特性値Ｄａの予測値を出力とするモデルであってもよい。また、計算モデルは、センサ２から出力される時系列の検出データＤｔｓ１のみを入力とし、制御目標値ＲＶ１，ＲＶ２を出力とするモデルであってもよい。

制御部４３は、取得処理部４４と、演算処理部４５と、出力処理部４６と、学習処理部４７とを備える。取得処理部４４は、通信ネットワーク９および通信部４１を介して処理装置３からの時系列の検出データＤｔｓ１を取得する。演算処理部４５は、計算モデルを記憶部４２から読み出し、読み出した計算モデルに時系列の検出データＤｔｓ１を入力して計算モデルを用いた演算を行うことで、計算モデルの出力を取得する。

例えば、演算処理部４５は、時系列の検出データＤｔｓ１と時系列の制御目標値ＲＶｔｓ１とを第１計算モデルの入力データとする演算を行うことで、処理水の状態の予測値Ｆａの情報を得ることができる。演算処理部４５は、第１計算モデルの演算によって得られる処理水の状態の予測値Ｆａを第２計算モデルの入力データとする演算を行うことで、制御目標値ＲＶ１，ＲＶ２の情報を得ることができる。

また、演算処理部４５は、時系列の検出データＤｔｓ１と時系列の制御目標値ＲＶｔｓ１とを第３計算モデルの入力データとすることで、制御目標値ＲＶ１，ＲＶ２の情報を得ることができる。

出力処理部４６は、演算処理部４５において計算モデルを用いた演算によって取得された情報を演算装置４の出力情報として処理装置３へ通信部４１から出力する。演算装置４の出力情報は、例えば、上述した複数の制御対象機器の制御目標値ＲＶの情報、および上述した処理水の状態の予測値Ｆａの情報である。

学習処理部４７は、処理装置３から出力される学習用データに基づいて、計算モデルを生成および更新することができる。学習処理部４７は、生成または更新した計算モデルを記憶部４２に記憶する。

例えば、学習処理部４７は、受付処理部３７によって選択が受け付けられた時系列の検出データＤｔｓ２と時系列の制御目標値ＲＶｔｓ２とに基づいて、第１計算モデルと第２計算モデルの学習処理を行うことができる。学習処理部４７は、例えば、時系列の検出データＤｔｓ２に含まれる検出データＤのうち、期間Ｔｂの複数の検出データＤと、期間Ｔｂの複数の検出データＤのうち最も新しい検出データＤから期間Ｔａ後の検出データＤで特定される特性値Ｄａ１〜Ｄａｍのうち処理水の状態を示す特性値Ｄａｍ−２，Ｄａｍ−１，Ｄａｍを予測値Ｆａとして、第１計算モデルの学習処理を行うことができる。

また、学習処理部４７は、例えば、検出データＤで特定される特性値のうち処理水の状態を示す特性値Ｄａと、かかる特性値Ｄａが検出された時刻の制御目標値ＲＶとに基づいて、第２計算モデルの学習処理を行うことができる。

また、学習処理部４７は、例えば、時系列の検出データＤｔｓ２に含まれる検出データＤのうち、期間Ｔｂの複数の検出データＤと、期間Ｔｂの複数の検出データＤのうち最も新しい検出データＤから期間Ｔａ後の制御目標値ＲＶとに基づいて、第３計算モデルの学習処理を行うことができる。

また、学習処理部４７は、ＡＳＭシミュレータ３８の演算結果に基づいて、第１計算モデルの学習処理を行うことができる。学習処理部４７は、例えば、時系列の特性値Ｄａｔｓ、時系列の制御目標値ＲＶｔｓ、および処理水の状態の予測値Ｆａを含む学習用データに基づいて、第１計算モデルの学習処理を行うことができる。また、学習処理部４７は、例えば、処理水の状態の予測値Ｆａと制御目標値ＲＶ１，ＲＶ２とを含む学習用データに基づいて、第２計算モデルの学習処理を行うことができる。

また、学習処理部４７は、時系列の特性値Ｄａｔｓおよび時系列の制御目標値ＲＶｔｓと、ＡＳＭシミュレータ３８から出力される制御目標値ＲＶ１，ＲＶ２とに基づいて、第３計算モデルの学習処理を行うことができる。

なお、学習処理部４７で用いられる学習用データは、センサ２から出力される時系列の検出データＤｔｓ１を入力として水処理装置１の制御に関わる演算を行う計算モデルの学習処理を行うことできるデータであればよく、上述した学習用データに限定されない。

演算装置４におけるニューラルネットワークは、人工ニューラルネットワークである。人工ニューラルネットワークは、入力信号の重み付き和を取り、活性化関数と呼ばれる非線形関数を適用して出力とするパーセプトロンを階層的に配置した計算モデルである。パーセプトロンの出力ｏｕｔは、入力をＸ＝（ｘ１，ｘ２，・・・，ｘｎ）、重みをＷ＝（ｗ１，ｗ２，・・・，ｗｎ）、活性化関数をｆ（・）とし、かつ、＊をベクトルの要素積として以下の式（１）により表すことができる。

ｏｕｔ＝ｆ（Ｘ＊Ｗ）・・・（１）

畳み込みニューラルネットワークにおいて、パーセプトロンは画像に対応する２次元信号を入力にとり、入力の重み付き和を計算して次の層に渡す。活性化関数には、シグモイド関数またはＲｅＬＵ（Rectified Linear Unit）関数が用いられる。

人工ニューラルネットワークには、上述のパーセプトロンが階層的に配置されており、各層が入力信号を処理していくことで、識別結果が計算される。なお、最終層は、例えば、人工ニューラルネットワークにおけるタスクの種別が回帰タスクであれば活性化関数の出力をそのままタスクの出力とし、タスクの種別が分類タスクであれば最終層についてソフトマックス関数を適用し、タスクの出力とする。

畳み込みニューラルネットワークの場合、２次元信号のマップとして人工ネットワークが構成される。２次元信号の各々がパーセプトロンに対応するとみなすことができ、前層の特徴マップに対し重み付き和を計算して活性化関数を適用した結果を出力する。

畳み込みニューラルネットワークにおいて、上述の処理は畳み込み演算と呼ばれ、このほかにプーリング処理を行うプーリング層が各層に挿入される場合がある。このプーリング層は、特徴マップに対して平均値演算または最大値演算を行うことによりダウンサンプリングを行う。

このような人工ニューラルネットワークの学習は、誤差逆伝播により行われるものであり、例えば、公知の確率的勾配降下法が用いられる。誤差逆伝播とは、人工ニューラルネットワークの出力誤差を最終層から順に前の層に向かって伝播させ、重みを更新させていく枠組みのことである。

次に、図２に示す制御装置５について説明する。制御装置５は、ブロワ１４およびポンプ１５などを制御することで、水処理装置１を制御することができる。例えば、制御装置５は、ブロワ１４を制御して活性汚泥混合液中に送り込む空気の量を調整することで、活性汚泥混合液中の溶在酸素濃度を制御することができる。また、制御装置５は、ポンプ１５を制御することで、最終沈殿槽１３から処理槽１２に返送する活性汚泥の流量を調整する。

図６は、実施の形態１にかかる制御装置の構成例を示す図である。図６に示すように、制御装置５は、通信部５１と、記憶部５２と、制御部５３と、入出力部５４とを備える。通信部５１は、通信ネットワーク９に接続される。制御部５３は、通信部５１および通信ネットワーク９を介し、処理装置３との間でデータの送受信を行うことができる。

制御部５３は、入力処理部５５と、ブロワ制御部５６と、ポンプ制御部５７とを備える。入力処理部５５は、通信部５１を介して、処理装置３から出力される制御情報を取得し、取得した制御情報を記憶部５２に記憶する。記憶部５２に記憶される制御情報は、ブロワ１４の制御目標値と、ポンプ１５の制御目標値とを含む。

ブロワ制御部５６は、記憶部５２に記憶されているブロワ１４の制御目標値ＲＶ１を読み出す。また、ブロワ制御部５６は、センサ２０_５で検出される溶存酸素量を示す検出データを記憶装置６またはセンサ２０_５から取得する。ブロワ制御部５６は、ブロワ１４の制御目標値ＲＶ１と取得した溶存酸素量とに基づいて、ＰＩ（Proportional Integral）制御またはＰＩＤ（Proportional Integral Differential）制御によって制御信号を生成する。ブロワ制御部５６は、生成した制御信号を入出力部５４からブロワ１４へ出力する。ブロワ１４は、制御装置５の入出力部５４から出力される制御信号に基づいて、処理槽１２へ送り込む空気の量を調整する。

ポンプ制御部５７は、記憶部５２に記憶されているポンプ１５の制御目標値ＲＶ２を読み出す。また、ポンプ制御部５７は、入出力部５４を介して不図示のセンサから、最終沈殿槽１３から処理槽１２への活性汚泥の流量を示す検出データを取得する。ポンプ制御部５７は、ポンプ１５の制御目標値ＲＶ２と取得した活性汚泥の流量とに基づいて、ＰＩ制御またはＰＩＤ制御によって制御信号を生成する。ポンプ制御部５７は、生成した制御信号を入出力部５４からポンプ１５へ出力する。ポンプ１５は、制御装置５の入出力部５４から出力される制御信号に基づいて、最終沈殿槽１３から処理槽１２への活性汚泥の流量を調整する。

つづいて、水処理プラント１００の動作を、フローチャートを用いて説明する。図７は、実施の形態１にかかる処理装置の処理の一例を示すフローチャートであり、処理装置３の制御部３３によって繰り返し実行される。

図７に示すように、処理装置３の制御部３３は、学習処理のタイミングであるか否かを判定する（ステップＳ１０）。制御部３３は、ステップＳ１０において、例えば、オペレータから検出データの選択を受け付けた場合に、学習処理のタイミングであると判定する。また、制御部３３は、ステップＳ１０において、例えば、オペレータからＡＳＭシミュレータ３８を用いた学習処理の要求を受け付けた場合、学習処理のタイミングであると判定する。

制御部３３は、学習処理のタイミングであると判定した場合（ステップＳ１０：Ｙｅｓ）、学習用データを演算装置４へ出力する（ステップＳ１１）。制御部３３は、オペレータから検出データの選択を受け付けた場合、ステップＳ１１の処理において、例えば、オペレータによって選択された検出データを含む学習用データを演算装置４へ出力する。

制御部３３は、ステップＳ１１の処理が終了した場合、または学習処理のタイミングではないと判定した場合（ステップＳ１０：Ｎｏ）、検出データを取得したか否かを判定する（ステップＳ１２）。制御部３３は、検出データを取得したと判定した場合（ステップＳ１２：Ｙｅｓ）、検出データを記憶装置６から取得し、取得した検出データを演算装置４へ出力する（ステップＳ１３）。

次に、制御部３３は、ステップＳ１３の処理に応答して演算装置４から出力される出力情報を取得し（ステップＳ１４）、取得した出力情報を制御装置５へ出力する（ステップＳ１５）。かかる出力情報には、上述したように制御情報が含まれる。制御部３３は、ステップＳ１５の処理が終了した場合、または検出データを取得していないと判定した場合（ステップＳ１２：Ｎｏ）、図７に示す処理を終了する。

図８は、実施の形態１にかかる演算装置の処理の一例を示すフローチャートであり、演算装置４の制御部４３によって繰り返し実行される。

図８に示すように、演算装置４の制御部４３は、処理装置３から検出データを取得したか否かを判定する（ステップＳ２０）。ステップＳ２０の処理において、制御部４３は、演算装置４の計算モデルがリカレントネットワーク以外のニューラルネットワークである場合、処理装置３から時系列の検出データＤｔｓ１を取得したか否かを判定する。また、制御部４３は、演算装置４の計算モデルがリカレントネットワークである場合、処理装置３から時系列の検出データＤｔｓ１を取得した後は、センサ２から出力される検出データを処理装置３から順次取得する毎に、処理装置３から検出データを取得したと判定する。

制御部４３は、検出データを取得したと判定した場合（ステップＳ２０：Ｙｅｓ）、取得した検出データを計算モデルの入力として、計算モデルを用いた演算処理を実行し（ステップＳ２１）、計算モデルの出力情報を処理装置３へ送信する（ステップＳ２２）。

制御部４３は、ステップＳ２２の処理が終了した場合、または検出データを取得していないと判定した場合（ステップＳ２０：Ｎｏ）、学習用データを処理装置３から取得したか否かを判定する（ステップＳ２３）。制御部４３は、学習用データを処理装置３から取得したと判定した場合（ステップＳ２３：Ｙｅｓ）、学習用データを用いて計算モデルの学習処理を実行する（ステップＳ２４）。

制御部４３は、ステップＳ２４の処理が終了した場合、または学習用データを取得していないと判定した場合（ステップＳ２３：Ｎｏ）、図８に示す処理を終了する。

図９は、実施の形態１にかかる制御装置の処理の一例を示すフローチャートであり、制御装置５の制御部５３によって繰り返し実行される。

図９に示すように、制御装置５の制御部５３は、処理装置３から制御情報を取得したか否かを判定する（ステップＳ３０）。制御部５３は、制御情報を取得したと判定した場合（ステップＳ３０：Ｙｅｓ）、取得した制御情報に基づいて制御対象機器を制御する（ステップＳ３１）。制御部５３は、ステップＳ３１の処理が終了した場合、または制御情報を取得していないと判定した場合（ステップＳ３０：Ｎｏ）、図９に示す処理を終了する。

図１０は、実施の形態１にかかる処理装置のハードウェア構成の一例を示す図である。図１０に示すように、処理装置３は、プロセッサ１０１と、メモリ１０２と、インタフェイス回路１０３とを備えるコンピュータを含む。

プロセッサ１０１、メモリ１０２およびインタフェイス回路１０３は、バス１０４によって互いにデータの送受信が可能である。通信部３１は、インタフェイス回路１０３によって実現される。記憶部３２は、メモリ１０２によって実現される。プロセッサ１０１は、メモリ１０２に記憶されたプログラムを読み出して実行することによって、データ処理部３４、表示処理部３５、演算要求部３６、受付処理部３７、およびＡＳＭシミュレータ３８の機能を実行する。プロセッサ１０１は、処理回路の一例であり、ＣＰＵ（Central Processing Unit）、ＤＳＰ（Digital Signal Processer）、およびシステムＬＳＩ（Large Scale Integration）のうち一つ以上を含む。

メモリ１０２は、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ、およびＥＰＲＯＭ（Erasable Programmable Read Only Memory）のうち一つ以上を含む。また、メモリ１０２は、コンピュータが読み取り可能な上述のプログラムが記録された記録媒体を含む。かかる記録媒体は、不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルメモリ、光ディスク、コンパクトディスク、およびＤＶＤのうち一つ以上を含む。

また、処理装置３の制御部３３が専用のハードウェアで実現される場合、制御部３３は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）、またはこれらを組み合わせたものである。

また、演算装置４も図１０に示すハードウェア構成と同様のハードウェア構成を有する。通信部４１は、インタフェイス回路１０３によって実現される。記憶部４２は、メモリ１０２によって実現される。プロセッサ１０１は、メモリ１０２に記憶されたプログラムを読み出して実行することによって、取得処理部４４、演算処理部４５、出力処理部４６、および学習処理部４７の機能を実行する。なお、制御部４３が専用のハードウェアで実現される場合、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、またはこれらを組み合わせたものである。

また、制御装置５も図１０に示すハードウェア構成と同様のハードウェア構成を有する。通信部５１および入出力部５４は、インタフェイス回路１０３によって実現される。記憶部５２は、メモリ１０２によって実現される。プロセッサ１０１は、メモリ１０２に記憶されたプログラムを読み出して実行することによって、入力処理部５５、ブロワ制御部５６、およびポンプ制御部５７の機能を実行する。なお、制御部５３が専用のハードウェアで実現される場合、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、またはこれらを組み合わせたものである。

上述した例では、演算装置４から出力された情報は、処理装置３から制御装置５へ出力されるが、処理装置３を介さずに演算装置４から出力された情報を制御装置５へ直接入力させる構成であってもよい。

また、上述した例では、演算装置４が計算モデルの出力に基づいて制御目標値ＲＶ１，ＲＶ２を演算するが、制御装置５は、演算装置４に代えて制御装置５が計算モデルの出力に基づいて制御目標値ＲＶ１，ＲＶ２を演算する構成であってもよい。例えば、制御装置５は、処理水の状態の予測値Ｆａの情報を演算装置４から取得した場合、処理水の状態の予測値Ｆａに基づいて制御目標値ＲＶ１，ＲＶ２を演算する構成であってもよい。

また、水処理プラント１００において、演算装置４は、制御装置５に設けられる構成であってもよく、演算装置４の一部または全部が処理装置３または制御装置５に設けられる構成であってもよい。また、水処理プラント１００において、処理装置３の一部が制御装置５に設けられる構成であってもよい。また、水処理プラント１００において、記憶装置６は、処理装置３または制御装置５に設けられる構成であってもよい。

また、上述した例では、制御装置５によって制御される制御対象機器の例として、ブロワ１４およびポンプ１５を説明したが、制御装置５によって制御される制御対象機器は、ブロワ１４およびポンプ１５以外の機器を含んでもよい。例えば、制御対象機器は、処理槽１２における水の温度を調整するヒータ、および処理槽１２への薬液の投入を制御する機器であってもよい。

また、上述した例では、演算装置４の演算処理部４５で用いられる計算モデルの例として、第１計算モデル、第２計算モデル、および第３計算モデルを例に挙げて説明したが、演算処理部４５で用いられる計算モデルは、上述した例に限定されない。

例えば、演算処理部４５で用いられる計算モデルは、各流入水特性の時系列データから各流入水特性の予測値を出力する複数の第４計算モデルと、複数の第４計算モデルから得られる複数の流入水特性の予測値から制御目標値ＲＶを出力する第５の計算モデルを含んでいてもよい。なお、演算処理部４５は、演算要求部３６からの要求に従った計算モデルによって水処理装置１の制御に関わる情報を求めることができる。水処理装置１の制御に関わる情報は、制御目標値ＲＶに限定されず、水処理環境の予測値などであってもよい。

以上のように、実施の形態１にかかる水処理プラント１００は、水処理を行う水処理装置１と、水処理装置１の水処理環境を繰り返し検出して時系列の検出データＤｔｓ１を出力するセンサ２と、処理装置３とを備える。処理装置３は、機械学習によって生成される計算モデルを用いて水処理装置１の制御に関わる演算を行う演算装置４に、センサ２が出力した時系列の検出データＤｔｓ１を計算モデルの入力データとして演算を実行させる。これにより、水処理プラント１００は、水処理環境の経時的変化に対してより効果的な水処理制御を行うことができる。なお、時系列の検出データＤｔｓ１は、時系列検出データの一例である。

また、実施の形態１にかかる水処理プラント１００の運転方法では、センサ２を用いて水処理装置１の水処理環境を繰り返し検出して時系列の検出データＤｔｓ１を出力し、機械学習によって生成される計算モデルを用いて水処理装置１の制御に関わる演算を行う演算装置４に、センサ２が出力した時系列の検出データＤｔｓ１を計算モデルの入力データとして演算を実行させる。これにより、水処理プラント１００は、水処理装置１内の経時的変化に対してより効果的な水処理制御を行うことができる。

また、水処理プラント１００は、時系列の検出データＤｔｓ１に対して実行した演算の結果に基づいて、水処理装置１の制御を行う制御装置５を備える。これにより、水処理プラント１００は、水処理装置１内の経時的変化に対してより効果的な水処理制御を自動的に行うことができる。

また、処理装置３は、時系列の検出データＤｔｓ１に対して実行した演算の結果に関する情報を表示する表示処理部３５を備える。そのため、水処理プラント１００のオペレータは、水処理装置１の制御に関わる情報を把握することができる。

また、処理装置３は、制御装置５の制御目標値ＲＶの入力を受け付ける受付処理部３７と、受付処理部３７によって受け付けられた制御目標値ＲＶを制御装置５に出力するデータ処理部３４とを備える。これにより、水処理プラント１００のオペレータは、水処理装置１の制御に関わる情報に応じた制御を制御装置５に実行させることができる。

また、制御装置５は、制御対象機器を比例積分制御または比例積分微分制御を用いて水処理装置１の制御を行う。これにより、水処理プラント１００において、水処理装置１を精度よく制御することができる。

また、演算装置４は、時系列の検出データＤｔｓ１を入力データとするリカレントニューラルネットワークを計算モデルとして含む。処理装置３は、リカレントニューラルネットワークを用いた演算を演算装置４に実行させる。このように、水処理プラント１００は、時系列の検出データｔｓ１を入力データとするリカレントニューラルネットワークを計算モデルとして準備し、リカレントニューラルネットワークを用いた演算を演算装置４に実行させる。これにより、水処理プラント１００において、水処理装置１の制御に関わる演算を精度よく制御することができる。また、リカレントニューラルネットワークによる演算を開始した後は、リカレントニューラルネットワーク内に過去のデータが設定されているため、演算装置４における処理間隔を向上させることができる。

また、水処理プラント１００は、センサ２が出力した時系列の検出データを記憶する記憶装置６を備える。処理装置３は、記憶部３２に記憶された時系列の検出データのうち計算モデルの学習用データとして使用する範囲を受け付ける受付処理部３７を備える。演算装置４は、記憶装置６に記憶された時系列の検出データのうち、受付処理部３７によって受け付けられた範囲に含まれる複数の検出データに基づいて、計算モデルの生成または更新を行う学習処理を実行する学習処理部４７を備える。これにより、オペレータは、学習用データを選択することができ、例えば、計算モデルの学習に適した時系列のデータを選択することで、水処理装置１の制御に関わる演算を精度よく行うことができる計算モデルを生成または更新することができる。また、処理装置３の制御部３３は、時系列の検出データのうち計算モデルの学習用データとして使用する範囲に加え、期間Ｔａの設定をオペレータから受けることができる。これにより、例えば、長期的な変化サイクルを有する事象と短期的な変化サイクルを有する事象との両方に対する反映効率向上が期待できる。なお、受付処理部３７によって受け付けられた範囲に含まれる複数の検出データは、複数の範囲内検出データの一例である。

また、処理装置３は、水処理の物理的、生物的、および科学的な挙動を模擬するＡＳＭシミュレータ３８を備える。ＡＳＭシミュレータ３８は、シミュレータの一例である。演算装置４は、ＡＳＭシミュレータ３８による演算結果に基づいて、計算モデルの生成または更新を行う学習処理部４７を備える。これにより、例えば、水処理プラント１００の運転中に得られる時系列の検出データのデータ分布に偏りがある場合などにおいて、水処理装置１の制御に関わる演算を精度よく行うことができる計算モデルを生成または更新することができる。

上記の実施の形態１では、ＡＳＭシミュレータ３８を用いた一例について説明した。しかしながら、本発明は当一例に限定されない。水処理における物理的、生物的、および科学的な挙動を模擬するその他のシミュレータを使用してもよい。

上記の実施の形態１では、リカレントニューラルネットワークまたは畳み込みニューラルネットワークを用いた一例について説明した。しかしながら、本発明は当一例に限定されない。リカレントニューラルネットワークおよび畳み込みニューラルネットワーク以外の計算モデルを使用してもよい。

以上の実施の形態に示した構成は、本発明の内容の一例を示すものであり、別の公知の技術と組み合わせることも可能であるし、本発明の要旨を逸脱しない範囲で、構成の一部を省略、変更することも可能である。

１水処理装置、２，２０，２０_１〜２０_ｍセンサ、３処理装置、４演算装置、５制御装置、６記憶装置、７表示装置、８入力装置、９通信ネットワーク、１１最初沈殿槽、１２処理槽、１３最終沈殿槽、１４ブロワ、１５ポンプ、３１，４１，５１通信部、３２，４２，５２記憶部、３３、４３，５３制御部、３４データ処理部、３５表示処理部、３６演算要求部、３７受付処理部、３８ＡＳＭシミュレータ、４４取得処理部、４５演算処理部、４６出力処理部、４７学習処理部、５４入出力部、５５入力処理部、５６ブロワ制御部、５７ポンプ制御部、１００水処理プラント。

Claims

制御目標値を用いて、空気を送り込むブロワを有する水処理装置が水処理を行う水処理プラントにおいて、
前記水処理装置の水処理環境を繰り返し検出して時系列の検出データである時系列検出データを出力するセンサと、
機械学習によって生成されパーセプトロンが階層的に配置してある計算モデルを用いて前記水処理装置の制御に関わる演算を行う演算装置に、前記センサが出力した前記時系列検出データを前記計算モデルの入力データとして前記演算を実行させる処理装置と、
前記センサから出力される前記時系列検出データを入力として前記演算装置が前記計算モデルを用いて前記水処理環境の予測値を演算して出力した前記制御目標値を使用してＰＩ制御またはＰＩＤ制御を前記ブロワに行い、前記ブロワが送り込む前記空気の量を調整し、前記水処理装置による前記水処理を制御する制御装置と、を備え、
前記演算装置は、
前記計算モデルとして、前記センサから出力される前記時系列検出データと前記制御目標値の時系列データとを入力し、前記水処理環境の予測値を出力する第１計算モデルと、前記第１計算モデルで演算された前記水処理環境の予測値を入力し、新たな前記制御目標値を出力する第２計算モデルとを含む
ことを特徴とする水処理プラント。
制御目標値を用いて、空気を送り込むブロワを有する水処理装置が水処理を行う水処理プラントにおいて、
前記水処理装置の水処理環境を繰り返し検出して時系列の検出データである時系列検出データを出力するセンサと、
機械学習によって生成されパーセプトロンが階層的に配置してある計算モデルを用いて前記水処理装置の制御に関わる演算を行う演算装置に、前記センサが出力した前記時系列検出データを前記計算モデルの入力データとして前記演算を実行させる処理装置と、
前記センサから出力される前記時系列検出データを入力として前記演算装置が前記計算モデルを用いて前記水処理環境の予測値を演算して出力した前記制御目標値を使用してＰＩ制御またはＰＩＤ制御を前記ブロワに行い、前記ブロワが送り込む前記空気の量を調整し、前記水処理装置による前記水処理を制御する制御装置と、を備え、
前記センサは、
前記水処理装置への流入水の特性である流入水特性を検出し、
前記演算装置は、
前記計算モデルとして、前記センサから出力される前記流入水特性の前記時系列検出データを入力とし前記流入水特性の予測値を出力とする第１計算モデルと、前記流入水特性の予測値を入力とし前記制御目標値を出力とする第２計算モデルとを含む
ことを特徴とする水処理プラント。
前記時系列検出データに対して実行した前記演算の結果に関する情報を表示する表示処理部を備える
ことを特徴とする請求項１または２に記載の水処理プラント。
前記処理装置は、
前記制御装置の制御目標値の入力を受け付ける受付処理部と、
前記受付処理部によって受け付けられた前記制御目標値を前記制御装置に出力するデータ処理部と、を備える
ことを特徴とする請求項１から３のいずれか一つに記載の水処理プラント。
前記制御装置は、
比例積分制御または比例積分微分制御を用いて前記制御を行う
ことを特徴とする請求項１から４のいずれか一つに記載の水処理プラント。
前記センサが出力した前記時系列検出データを記憶する記憶装置と、
前記記憶装置に記憶された前記時系列検出データのうち前記計算モデルの学習用データとして使用する範囲をオペレータ操作から受け付ける受付処理部と、
前記記憶装置に記憶された前記時系列検出データのうち、前記受付処理部が受け付けた前記範囲に含まれる複数の範囲内検出データに基づいて、前記計算モデルの生成または更新を行う学習処理を実行する学習処理部とを備える
ことを特徴とする請求項１から５のいずれか一つに記載の水処理プラント。
前記水処理の物理的、生物的、および科学的な挙動を模擬するシミュレータを備え、
前記学習処理部は、
前記シミュレータによる演算結果を前記学習用データとして、前記生成または前記更新を行う
ことを特徴とする請求項６に記載の水処理プラント。
前記演算装置は、
前記時系列検出データを入力データとするリカレントニューラルネットワークを前記計算モデルとして含み、
前記処理装置は、
前記リカレントニューラルネットワークを用いた演算を前記演算装置に実行させる
ことを特徴とする請求項１から７のいずれか一つに記載の水処理プラント。
前記演算装置は、ＡＩである
ことを特徴とする請求項１から８のいずれか一つに記載の水処理プラント。
制御目標値を用いて、空気を送り込むブロワを有する水処理装置が水処理を行う水処理プラントの運転方法において、
センサを用いて前記水処理装置の水処理環境を繰り返し検出して時系列の検出データである時系列検出データを出力する出力ステップと、
機械学習によって生成されパーセプトロンが階層的に配置してある計算モデルを用いて前記水処理装置の制御に関わる演算を行う演算装置に、前記センサが出力した前記時系列検出データを前記計算モデルの入力データとして前記演算を実行させる実行ステップと、
前記センサから出力される前記時系列検出データを入力として前記演算装置が前記計算モデルを用いて前記水処理環境の予測値を演算して出力した前記制御目標値を使用してＰＩ制御またはＰＩＤ制御を前記ブロワに行い、前記ブロワが送り込む前記空気の量を調整し、前記水処理装置による前記水処理を制御する制御ステップと、を含み、
前記計算モデルとして、前記センサから出力される前記時系列検出データと前記制御目標値の時系列データとを入力し、前記水処理環境の予測値を出力する第１計算モデルと、前記第１計算モデルで演算された前記水処理環境の予測値を入力し、新たな前記制御目標値を出力する第２計算モデルとを含む
ことを特徴とする水処理プラントの運転方法。
制御目標値を用いて、空気を送り込むブロワを有する水処理装置が水処理を行う水処理プラントの運転方法において、
センサを用いて前記水処理装置の水処理環境を繰り返し検出して時系列の検出データである時系列検出データを出力する出力ステップと、
機械学習によって生成されパーセプトロンが階層的に配置してある計算モデルを用いて前記水処理装置の制御に関わる演算を行う演算装置に、前記センサが出力した前記時系列検出データを前記計算モデルの入力データとして前記演算を実行させる実行ステップと、
前記センサから出力される前記時系列検出データを入力として前記演算装置が前記計算モデルを用いて前記水処理環境の予測値を演算して出力した前記制御目標値を使用してＰＩ制御またはＰＩＤ制御を前記ブロワに行い、前記ブロワが送り込む前記空気の量を調整し、前記水処理装置による前記水処理を制御する制御ステップと、を含み、
前記計算モデルとして、前記水処理装置への流入水の特性である流入水特性を検出するセンサから出力される前記流入水特性の前記時系列検出データを入力とし前記流入水特性の予測値を出力とする第１計算モデルと、前記流入水特性の予測値を入力とし前記制御目標値を出力とする第２計算モデルとを含む
ことを特徴とする水処理プラントの運転方法。
前記時系列検出データを入力データとするリカレントニューラルネットワークを前記計算モデルとして準備するモデル準備ステップと、
前記演算に対して前記リカレントニューラルネットワークを使用する使用ステップと、
を含むことを特徴とする請求項１１に記載の水処理プラントの運転方法。
前記演算装置としてＡＩを準備するＡＩ準備ステップ
を含むことを特徴とする請求項１１または１２に記載の水処理プラントの運転方法。
前記センサが出力した前記時系列検出データに関連付けられた時系列制御目標値を取得する取得部を備え、
前記処理装置は、前記取得部が取得した前記時系列制御目標値を前記時系列検出データに加えて前記入力データとし、前記パーセプトロンが階層的に配置してある前記計算モデルを用いた前記演算を実行させる
ことを特徴とする請求項１から９のいずれか一つに記載の水処理プラント。
前記センサが出力した前記時系列検出データに関連付けられた時系列制御目標値を取得する取得ステップを含み、
前記実行ステップでは、前記取得ステップで取得した前記時系列制御目標値を前記時系列検出データに加えて前記入力データとし、前記パーセプトロンが階層的に配置してある前記計算モデルを用いた前記演算を実行させる
ことを特徴とする請求項１１から１３のいずれか一つに記載の水処理プラントの運転方法。