JP6941083B2 - Water treatment method and water treatment system - Google Patents
Water treatment method and water treatment system Download PDFInfo
- Publication number
- JP6941083B2 JP6941083B2 JP2018153452A JP2018153452A JP6941083B2 JP 6941083 B2 JP6941083 B2 JP 6941083B2 JP 2018153452 A JP2018153452 A JP 2018153452A JP 2018153452 A JP2018153452 A JP 2018153452A JP 6941083 B2 JP6941083 B2 JP 6941083B2
- Authority
- JP
- Japan
- Prior art keywords
- flocs
- water treatment
- injection rate
- coagulant
- image data
- 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.)
- Ceased
Links
Images
Landscapes
- Separation Of Suspended Particles By Flocculating Agents (AREA)
Description
本発明は、機械学習アルゴリズムを用いたモデルと、凝集フロックの静止画像又は連続画像から、凝集フロックの状態を判定する水処理方法および水処理システムに関するものである。 The present invention relates to a model using a machine learning algorithm, and a water treatment method and a water treatment system for determining the state of aggregated flocs from a still image or a continuous image of aggregated flocs.
近年、コンピュータ計算能力の飛躍的向上や通信インフラ環境の整備、解析アルゴリズムの進化によって、第3次の人工知能ブームとなっている。通信インフラ環境の整備によって、大量のデータを容易に取得することが可能となり、これまでの人工知能ブームとは異なって、実社会での活用期待が高まっている。 In recent years, it has become the third artificial intelligence boom due to the dramatic improvement of computer computing power, the improvement of communication infrastructure environment, and the evolution of analysis algorithms. The improvement of the communication infrastructure environment has made it possible to easily acquire a large amount of data, and unlike the conventional artificial intelligence boom, expectations for its use in the real world are increasing.
機械学習/人工知能は、様々な分野への適用が期待されており、水処理分野でも、その活用方法の模索がなされている。機械学習/人工知能の水処理分野での活用方法の一つに、未知の環境、例えば、時間的に将来における目的変数の予測が挙げられる。未知の環境における目的変数の予測方法の一つに、解析的なアプローチがある。これは物理現象を理論的に解析し、それを方程式化するものである。一方で、機械学習/人工知能による未知の環境における目的変数の予測は、入力と出力間の自然法則に則った理論的な関係の解析を行わないままに、入力と出力間の相関関係を統計的に分析し、関係式の例として回帰式を作成するものである。 Machine learning / artificial intelligence is expected to be applied to various fields, and the water treatment field is also exploring ways to utilize it. One of the ways to utilize machine learning / artificial intelligence in the water treatment field is to predict an objective variable in an unknown environment, for example, in the future in terms of time. One of the methods for predicting the objective variable in an unknown environment is an analytical approach. This is to theoretically analyze a physical phenomenon and formulate it into an equation. On the other hand, the prediction of the objective variable in an unknown environment by machine learning / artificial intelligence statistics the correlation between the input and the output without analyzing the theoretical relationship between the input and the output according to the natural law. The regression equation is created as an example of the relational equation.
水処理分野では、起きている現象を理論的に解析することが難しい場合もあり、理論的な背景を解明しないままに、入力から出力を予測することができる機械学習/人工知能は、有効に活用できる局面が多くあることが予想される。 In the field of water treatment, it may be difficult to theoretically analyze what is happening, and machine learning / artificial intelligence that can predict the output from the input without clarifying the theoretical background is effective. It is expected that there will be many situations in which it can be utilized.
人工知能ブーム自体は前記の通り、今回で3度目のブームを迎えている。1980年代後半に起きた第二次人工知能ブームの主役アルゴリズムは、ニューラルネットワークだった。第一次人工知能ブームの際には、入力層と出力層のみで構成されていたパーセプトロンに隠れ層を追加することと、「誤差逆伝播法」と呼ばれる学習方法の確立によって、第二次の人工知能ブームとなった。結局、第二次人工知能ブームは廃れることとなるが、課題によっては満足な予測精度を得られなかったことが要因の一つだったと言われている。今回の第三次の人工知能ブームは、ニューラルネットワークの隠れ層を多層化したディープラーニング(深層学習)が主役であり、学習アルゴリズムの進歩などによって、適用する課題によっては高い精度を発揮できるようになったことがブームの一因である。本明細書では、入力層と、二層以上の隠れ層と、出力層で構成されるニューラルネットワークを用いた機械学習をディープラーニングと称する。また、人工知能は、機械学習よりも広い概念であり、人工知能を作成するための手段の一つとして機械学習がある。 As mentioned above, the artificial intelligence boom itself has reached its third boom this time. The leading algorithm of the second artificial intelligence boom that occurred in the late 1980s was neural networks. During the first artificial intelligence boom, a hidden layer was added to the perceptron, which consisted only of an input layer and an output layer, and a learning method called "backpropagation method" was established. It became an artificial intelligence boom. Eventually, the second artificial intelligence boom will be abolished, but it is said that one of the factors was that it was not possible to obtain satisfactory prediction accuracy depending on the issues. In this third artificial intelligence boom, deep learning (deep learning) with multiple layers of hidden layers of neural networks plays a leading role, and due to advances in learning algorithms, etc., it will be possible to demonstrate high accuracy depending on the task to be applied. This is one of the reasons for the boom. In this specification, machine learning using a neural network composed of an input layer, two or more hidden layers, and an output layer is referred to as deep learning. In addition, artificial intelligence is a broader concept than machine learning, and machine learning is one of the means for creating artificial intelligence.
さて、水処理分野に話を戻すと、水処理においては、原水中の濁質などの懸濁成分、およびバイオポリマー、フミン酸などの溶解性成分を効率的に除去するために、アルミニウムや鉄といった多価カチオンを含む凝集剤を用いて、懸濁成分や溶解性成分を集塊させる、凝集処理を行うことが多くある。凝集により形成される汚れの塊は凝集フロックと称される。この凝集フロックは、凝集槽の後段に設けられた沈澱槽で沈澱されるか、あるいは、沈澱させずに、直接砂ろ過や膜ろ過に供される。 Returning to the field of water treatment, in water treatment, aluminum and iron are used to efficiently remove suspended components such as turbid substances in raw water and soluble components such as biopolymers and humic acid. In many cases, a flocculant treatment containing a polyvalent cation such as is used to agglomerate a suspended component or a soluble component. The mass of dirt formed by agglomeration is called agglomerated floc. This agglutinating floc is settled in a settling tank provided after the agglutination tank, or is directly subjected to sand filtration or membrane filtration without being settled.
この時、凝集フロックの状態が各処理の処理性能に大きな影響を与える。例えば、沈澱処理においては、凝集フロックの大きさと密度が凝集フロックの沈降速度に影響を与える。また、ろ過処理においては、凝集フロックの形成が不十分で凝集フロックに取り込まれなかった微小な成分、例えばピコプランクトンや溶解性色度成分などは、ろ過水中にリークする。また、不完全な凝集フロックは、ろ過砂や膜細孔を閉塞させ、ろ過抵抗の上昇速度の増加や、深刻な膜ファウリングの発生を招くこともある。従って、凝集フロックの状態を監視することは、水処理においては極めて重要である。 At this time, the state of aggregated flocs has a great influence on the processing performance of each processing. For example, in the precipitation treatment, the size and density of the aggregated flocs affect the sedimentation rate of the aggregated flocs. Further, in the filtration treatment, minute components such as picoplankton and soluble chromaticity components that are not sufficiently formed of aggregated flocs and are not incorporated into the aggregated flocs leak into the filtered water. Incomplete cohesive flocs can also clog filter sand and membrane pores, leading to an increase in filtration resistance and severe membrane fouling. Therefore, monitoring the state of aggregated flocs is extremely important in water treatment.
この凝集フロックの状態を、水質からリアルタイムに判断することは困難である。すなわち、凝集剤を注入してから凝集フロックが形成され、沈澱やろ過を経て最終的に処理水が得られ、処理水の水質を測定するまで、凝集操作が適切であったか、つまり凝集フロック形成が良好であったかを判定することは困難である。 It is difficult to judge the state of this aggregated floc in real time from the water quality. That is, was the agglutination operation appropriate until the agglutinating agent was injected, the agglutinating flocs were formed, the treated water was finally obtained through precipitation and filtration, and the quality of the treated water was measured, that is, the agglutinating flocs were formed. It is difficult to determine if it was good.
時に原水性状は台風やゲリラ豪雨の発生により、短期間に著しく変動することがある。例えば10分の間に濁度が5度から1,000度にまで急上昇する場合なども近年間々ある。このような状況では、前述のように処理水の水質の確認を行ってから、凝集剤の注入率の見直しを実施しても、凝集剤を注入してから処理水を得るまでに通常数十分〜数時間を要するため、時間的に間に合わない。 Occasionally, the raw water condition can fluctuate significantly in a short period of time due to the occurrence of typhoons and guerrilla rainstorms. For example, in recent years, there have been cases where the turbidity suddenly rises from 5 degrees to 1,000 degrees in 10 minutes. In such a situation, even if the water quality of the treated water is confirmed as described above and then the injection rate of the coagulant is reviewed, there are usually dozens of times from the injection of the coagulant to the acquisition of the treated water. It takes minutes to several hours, so it is not in time.
そこで、実際に原水変動が浄水場などで起こった場合は、原水水質に基づき、過去の知見などからベテランの運転員が凝集剤注入率を決定し、凝集槽のフロックの状態を目視で確認しながら、さらに決定した注入率が適性であったか否かを見極めて、必要があれば再度凝集剤注入率の見直しを行っている。あるいは、実際に原水を採取し、複数のビーカーに等量ずつ分取し、数種類の凝集剤注入率を設定して凝集試験、所謂ジャーテストを行い、現状の原水に対する適切な凝集剤注入率を決めている。 Therefore, when raw water fluctuations actually occur at a water purification plant, a veteran operator determines the coagulant injection rate based on past knowledge based on the raw water quality, and visually confirms the flock state of the coagulation tank. However, it is determined whether or not the determined injection rate is appropriate, and if necessary, the coagulant injection rate is reviewed again. Alternatively, the raw water is actually collected, divided into multiple beakers in equal amounts, and several types of coagulant injection rates are set to perform a coagulation test, a so-called jar test, to obtain an appropriate coagulant injection rate for the current raw water. I have decided.
しかし、前者の場合は運転員の経験と技量に依るところが大きく、技術継承の課題を抱える水処理業界において、賢明な方法とは言い難い。また、後者の場合は、運転員によるムラは少なくなるが、手間がかかり、かつ、ジャーテストの結果が出るまでに15分程度はかかるため、前述の原水の著しい変動には対応できない。 However, in the case of the former, it depends largely on the experience and skill of the operator, and it is hard to say that it is a wise method in the water treatment industry, which has a problem of technology inheritance. Further, in the latter case, unevenness due to the operator is reduced, but it takes time and effort, and it takes about 15 minutes for the result of the jar test to be obtained, so that it is not possible to cope with the above-mentioned significant fluctuation of raw water.
そこで、凝集フロックの状態をリアルタイムに把握し、凝集処理をより適切に行うための技術が求められている。
特許文献1には、水面下でフロックを撮像し、画像処理を行って、各フロックの粒径を数値化し、粒径分布を求めるフロック監視装置に関する記述がある。また、同装置を用いて運転制御を行うことに関する記述がある。
Therefore, there is a need for a technique for grasping the state of agglomerated flocs in real time and performing agglomeration treatment more appropriately.
特許文献2には、フロック形成槽内、あるいは、混和槽およびフロック形成槽内でフロック粒径測定装置により、フロック形成過程における複数個所でフロック粒径を測定し、得られたフロック粒径の差または比から、フロック形成異常を検知する水処理システムに関する記述がある。
In
いずれの場合も、凝集フロックの粒径を基に、凝集状態の判断を行なっているが、現実には凝集フロックの良否はフロック粒径のみで判断することは難しい。例えば、凝集剤の最適注入率が40mg/Lと判断される原水に対して、凝集剤注入率を10、20、30、40、50、60mg/Lとし、それぞれのフロック粒径を測定した場合、凝集剤注入率が40mg/Lを超えると凝集剤過多となり、荷電中和が起こらず、フロック形成不良が起こりフロック粒径は小さくなる。そうすると、凝集剤注入率60mg/Lのときのフロック粒径と凝集剤注入率30mg/Lのときのフロック粒径がほぼ同じとなることがある。このような場合に、フロック粒径を基準とした制御を行なうと、凝集剤の注入率の見直しを誤る可能性がある。 In each case, the state of aggregation is determined based on the particle size of the aggregated flocs, but in reality, it is difficult to judge the quality of the aggregated flocs only by the particle size of the flocs. For example, when the flocculant injection rate is 10, 20, 30, 40, 50, 60 mg / L for raw water for which the optimum coagulant injection rate is determined to be 40 mg / L, and the floc particle size of each is measured. When the coagulant injection rate exceeds 40 mg / L, the coagulant becomes excessive, charge neutralization does not occur, floc formation failure occurs, and the floc particle size becomes small. Then, the floc particle size when the flocculant injection rate is 60 mg / L and the floc particle size when the flocculant injection rate is 30 mg / L may be substantially the same. In such a case, if control is performed based on the floc particle size, there is a possibility that the review of the injection rate of the coagulant may be erroneous.
本発明は上記の点に鑑みてなされたものであり、その目的は、ディープラーニング等の機械学習アルゴリズムにより、凝集フロックの状態を、粒径を含む多様な要素を含めて学習し、ベテランの運転員と同等、あるいは同等以上の凝集フロック判定が可能なモデルを構築することで、水処理における凝集フロック状態の判定を、水処理中でリアルタイムに行うことが可能な水処理方法を提供することにある。また、本発明の目的は、そのような水処理方法を実行できる水処理システムを提供することにある。 The present invention has been made in view of the above points, and an object of the present invention is to learn the state of aggregated flocs including various elements including particle size by a machine learning algorithm such as deep learning, and to operate a veteran. By constructing a model capable of determining agglomerated flock equal to or higher than that of a member, we will provide a water treatment method that can determine the agglomerated flock state in water treatment in real time during water treatment. be. Another object of the present invention is to provide a water treatment system capable of carrying out such a water treatment method.
一態様では、凝集剤を原水に注入して凝集フロックを形成し、前記凝集フロックの画像データを画像取得装置により生成し、少なくとも前記凝集フロックの画像データを、機械学習アルゴリズムにより構築されたモデルに入力し、前記凝集フロックの状態を示す判定結果を前記モデルから出力する、水処理方法が提供される。 In one aspect, a flocculant is injected into raw water to form agglomerated flocs, image data of the agglomerated flocs is generated by an image acquisition device, and at least the image data of the agglomerated flocs is converted into a model constructed by a machine learning algorithm. A water treatment method is provided which inputs and outputs a determination result indicating the state of the aggregated flocs from the model.
機械学習アルゴリズムとしては、ディープラーニング法(深層学習法)が好適である。ディープラーニング法は、隠れ層が多層化されたニューラルネットワークをベースとする学習法である。本明細書では、入力層と、二層以上の隠れ層と、出力層で構成されるニューラルネットワークを用いた機械学習をディープラーニングと称する。ディープラーニング法を用いることで、これまで人の目と経験を基に良否を判定していた凝集フロックの状態を、凝集フロックの画像データに基づいてコンピュータにより判定が可能となる。 As a machine learning algorithm, a deep learning method (deep learning method) is suitable. The deep learning method is a learning method based on a neural network in which hidden layers are multi-layered. In this specification, machine learning using a neural network composed of an input layer, two or more hidden layers, and an output layer is referred to as deep learning. By using the deep learning method, it is possible to determine the state of aggregated flocs, which has been determined based on human eyes and experience, by a computer based on the image data of aggregated flocs.
例えば、凝集剤注入率60mg/Lのときのフロック粒径と凝集剤注入率30mg/Lのときのフロック粒径がほぼ同じとなることがある。しかしながら、実際の30mg/Lと60mg/Lのときのフロックの状態を比較すると、フロックの密度、所謂締まり具合や、色合い、形状などに細かな差がある。機械学習/ディープラーニングによれば、画像データとその画像データに対応する正解データの組み合わせを大量に繰り返しコンピュータに学習させることで、時に人間以上の精度で画像の判別を行うことが可能となる。 For example, the floc particle size when the flocculant injection rate is 60 mg / L and the floc particle size when the flocculant injection rate is 30 mg / L may be substantially the same. However, when comparing the actual state of flocs at 30 mg / L and 60 mg / L, there are small differences in the density of flocs, the so-called tightness, the color, the shape, and the like. According to machine learning / deep learning, it is possible to discriminate an image with an accuracy higher than that of a human being by repeatedly learning a large amount of combinations of image data and correct answer data corresponding to the image data to a computer.
本明細書において、水処理とは、浄水処理、用水処理、排水処理を指し、特に、水に対してポリ塩化アルミニウム(PACl)、硫酸ばんど、塩化第二鉄、ポリ鉄、ポリシリカ鉄(PSI)、有機凝結剤、ポリマーなどの無機凝集剤または有機凝集剤を注入する凝集操作を伴う水処理を対象としている。 In the present specification, water treatment refers to water purification treatment, water treatment, and wastewater treatment, and in particular, polyaluminum chloride (PACl), aluminum sulfate, ferric chloride, polyiron, and polysilica iron (PSI) for water. ), Organic coagulant, inorganic coagulant such as polymer or water treatment with coagulation operation by injecting organic coagulant.
水処理システム内における現在の凝集フロックは、水処理中に画像取得装置により撮影される。凝集フロックの画像は、静止画像または連続画像のいずれであってもよい。 Current agglutinating flocs in a water treatment system are imaged by an image acquisition device during water treatment. The image of the aggregated flocs may be either a still image or a continuous image.
一態様では、前記凝集フロックの画像データを画像取得装置により生成する工程は、前記凝集フロックを含む水を抽出してサンプリング容器内に導入し、前記サンプリング容器内の前記凝集フロックの画像データを画像取得装置により生成する工程である。 In one aspect, in the step of generating the image data of the aggregated flocs by the image acquisition device, the water containing the aggregated flocs is extracted and introduced into the sampling container, and the image data of the aggregated flocs in the sampling container is imaged. This is a process generated by the acquisition device.
後述する機械学習アルゴリズムのうちディープラーニング法を用いたモデルの構築においては、画像の特徴付けを人ではなくコンピュータが行うため、凝集フロック以外の情報、例えば背景や画像の明るさなども、モデルの構築に影響を与える可能性がある。それ故に、画像取得装置、例えばカメラを水槽の中に設置した場合、水槽の構造物の画像への映り込みや、天候による明るさの違いが発生することがある。そこで、上記の通り、凝集フロックを含む水を水処理領域から抽出し、背景および明るさが一定に保たれたサンプリング容器に導入し、サンプリング容器内の凝集フロックを撮影することにより、ディープラーニングに適した画像データを取得することが可能となる。 In the construction of a model using the deep learning method among the machine learning algorithms described later, since the image is characterized by a computer rather than a person, information other than aggregate flocs, such as background and image brightness, is also included in the model. May affect construction. Therefore, when an image acquisition device, for example, a camera, is installed in the aquarium, the image of the structure of the aquarium may be reflected or the brightness may differ depending on the weather. Therefore, as described above, water containing agglomerated flocs is extracted from the water treatment area, introduced into a sampling container in which the background and brightness are kept constant, and the agglomerated flocs in the sampling vessel are photographed for deep learning. It is possible to acquire suitable image data.
上記の手段で得られた凝集フロックの画像データを、機械学習アルゴリズムによって構築されたモデルに入力し、現在の凝集フロックの状態の良否、すなわち、水処理が適切に行われているか否かを凝集フロックの状態からリアルタイムに判定する。機械学習アルゴリズムは、凝集フロックの粒径を含む多様な要素を学習する。したがって、機械学習アルゴリズムによって構築されたモデル(すなわち学習済みモデル)は、従来の粒径を基にした凝集判定技術よりも、更に精度の高い凝集フロック状態の良否判定が可能である。 The image data of the agglutinated flocs obtained by the above means is input to the model constructed by the machine learning algorithm, and the quality of the current state of the agglutinated flocs, that is, whether or not the water treatment is properly performed is aggregated. Judgment is made in real time from the flock state. Machine learning algorithms learn a variety of factors, including the particle size of aggregated flocs. Therefore, the model constructed by the machine learning algorithm (that is, the trained model) can determine the quality of the aggregated floc state with higher accuracy than the conventional aggregation determination technique based on the particle size.
モデルの構築において、学習データの説明変数を凝集フロックの画像データ、学習データの目的変数を凝集フロックの状態の良否を表す数値、例えば、1:非常に悪い、2:悪い、3:やや良い、4:良い、5:非常に良いという5段階評価として与えることができる。一実施形態では、凝集フロックの状態の良否を表す数値を、凝集剤注入率の過不足を表す数値として与えることもできる。例えば、1:少ない、2:やや少ない、3:最適、4:やや多い、5:多いという5段階評価を、凝集剤注入率の過不足を表す数値に用いることができる。ただし、本発明は、5段階評価に限らず、例えば3段階評価、または10段階評価であってもよい。 In the construction of the model, the explanatory variable of the training data is the image data of the aggregated floc, and the objective variable of the training data is the numerical value indicating the quality of the aggregated floc state, for example, 1: very bad, 2: bad, 3: slightly good, It can be given as a 5-point scale of 4: good and 5: very good. In one embodiment, a numerical value indicating the quality of the agglomerated floc state can be given as a numerical value indicating an excess or deficiency of the aggregating agent injection rate. For example, a five-grade evaluation of 1: low, 2: slightly low, 3: optimal, 4: slightly high, 5: high can be used as a numerical value indicating excess or deficiency of the coagulant injection rate. However, the present invention is not limited to the 5-grade evaluation, and may be, for example, a 3-grade evaluation or a 10-grade evaluation.
実際の凝集剤注入率が上記5段階評価のうちのどれに該当するかは、凝集処理の後段の沈澱処理での処理水の濁度や色度、ベテラン運転員の凝集フロックの見た目による判定、さらに後段の砂ろ過水の水質、砂ろ過等のろ過抵抗上昇速度、等から判定することが可能である。実際の凝集剤注入率の過不足を表す数値(上記例では1〜5)と、対応する凝集フロックの画像データとの組み合わせからなるデータセットは、モデルの構築および更新に使用される。実際の凝集剤注入率の過不足を表す数値は正解データであり、ディープラーニングなどの機械学習に使用される。一実施形態では、正解データは、実際の凝集フロックの状態の良否を示す数値(上記例では1〜5)であってもよい。 Which of the above five-grade evaluations the actual coagulant injection rate corresponds to is determined by the turbidity and chromaticity of the treated water in the precipitation treatment in the subsequent stage of the coagulation treatment, and the appearance of the coagulation flocs of veteran operators. Further, it can be determined from the quality of the sand filtered water in the subsequent stage, the rate of increase in filtration resistance of sand filtration, and the like. A dataset consisting of a combination of numerical values representing the excess or deficiency of the actual flocculant injection rate (1 to 5 in the above example) and the image data of the corresponding flocculation flocs is used for building and updating the model. Numerical values indicating the excess or deficiency of the actual flocculant injection rate are correct answer data, and are used for machine learning such as deep learning. In one embodiment, the correct answer data may be a numerical value (1 to 5 in the above example) indicating the quality of the actual aggregated floc state.
図1は、凝集フロックの状態を判定するモデルの一実施形態を示す模式図である。モデルは、入力層301と、複数の隠れ層(中間層ともいう)302と、出力層303を有したニューラルネットワークである。図1に示すモデルは、4つの隠れ層302を有しているが、モデルの構成は図1に示す実施形態に限られない。モデルの入力層301には凝集フロックの画像データが入力される。より具体的には、凝集フロックの画像データを構成する各ピクセルの数値が入力層301に入力される。一例では、凝集フロックの画像データがグレースケール画像データである場合は、各ピクセルのグレーレベル(通常は0〜255内の数値)がモデルの入力層301の各ノード(ニューロン)に入力される。凝集フロックの画像データがカラー画像データである場合は、各ピクセルの赤色、緑色、青色を表す数値がモデルの入力層301の対応するノード(ニューロン)に入力される。
FIG. 1 is a schematic view showing an embodiment of a model for determining a state of aggregated flocs. The model is a neural network having an
図1に示す例では、モデルの出力層303は、凝集フロックの状態の良否の判定結果を表す数値を出力する。例えば、凝集フロックの状態の良否が、1:非常に悪い、2:悪い、3:やや良い、4:良い、5:非常に良いという5段階評価で表される場合では、モデルの出力層303は、1から5までのいずれかの数値を出力する。ただし、図1に示すモデルの構成は一例であって、本発明は、図1に示す例に限定されない。
In the example shown in FIG. 1, the
上記のように構築されたモデルに、現在の凝集フロックの画像データを入力すると、コンピュータは、ニューラルネットワークを構成する多層パーセプトロンのアルゴリズムに従って演算を実行し、出力層303は、凝集フロックの状態の良否の判定結果を示す数値、または凝集剤注入率の過不足の判定結果を表す数値を出力する。運転員は判定結果に基づいて、水処理システムの運転の最適化を目指すことが可能となる。
When the image data of the current agglutination flock is input to the model constructed as described above, the computer executes the calculation according to the algorithm of the multi-layer perceptron that constitutes the neural network, and the
一態様では、前記凝集フロックの画像データに加えて、水処理に関連する情報データを前記モデルに入力する。 In one aspect, in addition to the image data of the aggregated flocs, information data related to water treatment is input to the model.
図2は、凝集フロックの状態を判定するモデルの他の実施形態を示す模式図である。この実施形態では、学習データの説明変数は、凝集フロックの画像データに加えて、水処理に関連する情報データを含む。モデルの入力層301は、凝集フロックの画像データが入力されるノード(ニューロン)と、情報データが入力されるノード(ニューロン)を有する。本実施形態によれば、凝集フロックの画像データのみを説明変数としたモデルに比べて、判定精度を向上させることが可能である。
FIG. 2 is a schematic diagram showing another embodiment of the model for determining the state of aggregated flocs. In this embodiment, the explanatory variables of the training data include information data related to water treatment in addition to the image data of aggregated flocs. The
情報データは、水処理システムの運転条件を表すデータである。より具体的には、情報データは、原水の濁度、色度、pH、M−アルカリ度、全有機炭素(TOC)、化学的酸素要求量(COD)、紫外線吸光度、水温、原水流量、天候、降雨量、凝集剤注入率のうちの少なくとも1つを含む。モデルを利用した水処理システムの自動制御を行うことに鑑みると、情報データに含まれる項目は、手分析で得られる項目よりも、自動的にセンサで取得できる項目であることが望ましい。 The information data is data representing the operating conditions of the water treatment system. More specifically, the information data includes raw water turbidity, chromaticity, pH, M-alkalinity, total organic carbon (TOC), chemical oxygen demand (COD), ultraviolet absorbance, water temperature, raw water flow rate, and weather. , Includes at least one of rainfall, flocculant injection rate. Considering that the water treatment system is automatically controlled using the model, it is desirable that the items included in the information data are items that can be automatically acquired by the sensor rather than the items obtained by manual analysis.
特に、凝集操作においては、pHとM−アルカリ度が凝集の良否にとって重要である。例えば、凝集剤注入率が同等でも、pHおよび/またはM−アルカリ度が異なると、凝集フロックの状態は異なる。そこで、上記の通り、凝集フロックの画像データのみではなく、原水のpH、M−アルカリ度、凝集剤注入率なども含めた情報データを用いて、機械学習アルゴリズムに従ってモデルが構築される。実際の水処理中は、凝集フロックの画像データ、原水のpH、M−アルカリ度、凝集剤注入率などの情報データは、学習済みのモデルに入力される。 In particular, in the aggregation operation, pH and M-alkalinity are important for the quality of aggregation. For example, even if the coagulant injection rate is the same, the state of coagulant flocs is different when the pH and / or M-alkalinity is different. Therefore, as described above, a model is constructed according to the machine learning algorithm using not only the image data of the agglomerated flocs but also the information data including the pH of the raw water, the M-alkalinity, the aggregating agent injection rate, and the like. During the actual water treatment, information data such as agglomerated floc image data, raw water pH, M-alkalinity, and flocculant injection rate are input to the trained model.
一態様では、凝集フロックの状態を示す判定結果は、凝集剤注入率の過不足を示す判定結果である。
一態様では、前記判定結果は凝集剤注入率の制御に用いられる。
In one aspect, the determination result indicating the state of the agglutinating floc is the determination result indicating the excess or deficiency of the aggregating agent injection rate.
In one aspect, the determination result is used to control the coagulant injection rate.
凝集剤注入率の過不足の判定結果から、水処理システムの運転を自動的に最適化することが可能となる。例えば、判定結果を所定の周期で、例えば1分毎に出力する。ある時刻Tにおいて、判定結果が1:「少ない」であれば、現在の凝集剤注入率を0.5分間で+50%だけ増加させ、2:「やや少ない」であれば、現在の凝集剤注入率を0.5分間で+25%だけ増加させ、3:「最適」であれば、現在の凝集剤注入率を不変とし、4:「やや多い」であれば、現在の凝集剤注入率を0.5分間で−25%だけ低下させ、5:「多い」であれば、現在の凝集剤注入率を0.5分間で−50%だけ低下させる。続いて、時刻T+1において再度判定結果を出力し、凝集剤注入率を同様に調整する。このステップを最適の判定結果が出力されるまで繰り返し行う。
It is possible to automatically optimize the operation of the water treatment system from the judgment result of excess or deficiency of the coagulant injection rate. For example, the determination result is output at a predetermined cycle, for example, every minute. At a certain time T, if the judgment result is 1: "less", the current flocculant injection rate is increased by + 50% in 0.5 minutes, and if 2: "slightly less", the current flocculant injection rate is increased. Increase the rate by + 25% in 0.5 minutes, 3: if "optimal", the current coagulant injection rate is unchanged, 4: if "slightly high", the current coagulant injection rate is 0. .Reduce by -25% in 5 minutes, 5: If "high", reduce current flocculant injection rate by -50% in 0.5 minutes. Subsequently, the determination result is output again at
上記例では、凝集剤注入率の過不足の判定結果を表す数値は、1から5のいずれかであるが、本発明は上記例に限定されない。一実施形態では、凝集剤注入率の過不足の判定結果を表す数値は、+50%(「少ない」に対応)、+25%(「やや少ない」に対応)、0%(「最適」に対応)、−25%(「やや多い」に対応)、−50%(「多い」に対応)のいずれかであってもよい。 In the above example, the numerical value representing the determination result of excess or deficiency of the coagulant injection rate is any one of 1 to 5, but the present invention is not limited to the above example. In one embodiment, the numerical values representing the judgment result of excess or deficiency of the coagulant injection rate are + 50% (corresponding to "less"), + 25% (corresponding to "slightly less"), and 0% (corresponding to "optimal"). , -25% (corresponding to "slightly more") or -50% (corresponding to "more").
ここで、時刻0、つまり水処理システムにおける既往の制御から上記モデルに基づく制御に切り替えるとき、あるいは水処理システムの運転を新たに開始するときは、制御を開始する時刻における凝集剤注入率は、その水処理システムの過去の知見、熟練者の判断、ジャーテストなどの回分試験、などから決定される値とすればよい。ここで決定された凝集剤注入率により、水処理システムの制御は開始される。その後は、凝集剤が注入されてから、画像取得装置で撮影するポイントまでの水の流達時間を考慮した上で、上記モデルを用いた凝集剤注入率の最適化のための制御を開始すると良い。 Here, at time 0, that is, when switching from the existing control in the water treatment system to the control based on the above model, or when the operation of the water treatment system is newly started, the coagulant injection rate at the time when the control is started is set. The value may be determined from the past knowledge of the water treatment system, the judgment of an expert, the batch test such as the jar test, and the like. The control of the water treatment system is started by the coagulant injection rate determined here. After that, after considering the water flow time from the injection of the coagulant to the point to be photographed by the image acquisition device, the control for optimizing the coagulant injection rate using the above model is started. good.
一態様では、前記水処理方法は、前記凝集フロックの状態とは無関係の、前記凝集剤注入率の基準値を基準値算定式により決定し、前記基準値の補正値を、前記凝集剤注入率の過不足を示す前記判定結果に基づいて決定し、前記基準値と前記補正値とから、前記凝集剤注入率を補正する工程をさらに含む。 In one aspect, in the water treatment method, a reference value of the coagulant injection rate, which is irrelevant to the state of the coagulation flocs, is determined by a reference value calculation formula, and a correction value of the reference value is used as the coagulant injection rate. The step of correcting the coagulant injection rate from the reference value and the correction value, which is determined based on the determination result indicating the excess or deficiency of the above, is further included.
ゲリラ豪雨の発生時など、水処理システムに流入する原水水質が短時間で急激に変化した場合、制御に遅れが生じ、処理水の水質悪化を招く場合がある。そこで、コンピュータは、凝集剤注入率の基準値を凝集フロックの状態とは無関係に決定するための基準値算定式を有しており、この基準値算定式を用いて凝集剤注入率の基準値を決定する。さらに、コンピュータは、前記基準値の補正値を、凝集剤注入率の過不足を示す判定結果から決定する。 If the quality of the raw water flowing into the water treatment system changes suddenly in a short time, such as when a guerrilla rainstorm occurs, control may be delayed and the quality of the treated water may deteriorate. Therefore, the computer has a reference value calculation formula for determining the reference value of the coagulant injection rate regardless of the state of the agglomerate floc, and the reference value of the coagulant injection rate is used by using this reference value calculation formula. To determine. Further, the computer determines the correction value of the reference value from the determination result indicating the excess or deficiency of the coagulant injection rate.
基準値算定式は、例えば、原水水質計にて常時監視している原水水質(濁度、色度、pH、M−アルカリ度など)の値から、凝集剤注入率の基準値(D0)を決定するための式である。この基準値算定式は、例えば、水処理システムにおける過去の運用実績のデータセット、つまり原水水質の値と、対応する凝集剤注入率から、統計学的な解析手法により、原水水質の値から、対応する凝集剤注入率を算出する回帰式とすることが可能である。このように得られた凝集剤注入率の基準値に基づいて凝集剤は注入され、凝集フロックが形成される。 The reference value calculation formula is, for example, the reference value (D 0 ) of the coagulant injection rate from the value of the raw water quality (turbidity, chromaticity, pH, M-alkalinity, etc.) that is constantly monitored by the raw water quality meter. Is an expression for determining. This standard value calculation formula is, for example, from the data set of the past operation results in the water treatment system, that is, the value of the raw water quality and the corresponding coagulant injection rate, and from the value of the raw water quality by the statistical analysis method. It is possible to use a regression equation to calculate the corresponding flocculant injection rate. The flocculant is injected based on the reference value of the coagulant injection rate thus obtained, and agglomerated flocs are formed.
この凝集フロックを前述の方法で撮像し、凝集フロックの画像データを前述のモデルに入力することより、凝集剤注入率の過不足を判定する。ここで、D0を凝集剤注入率の基準値(mg/L)、dを凝集剤注入率の過不足の判定結果を表す正または負のパーセンテージ(%)で表される補正値とすると、補正された凝集剤注入率(D、mg/L)は、次の補正式(1)で表される。
D=D0×(1+d/100) (1)
By imaging the aggregated flocs by the method described above and inputting the image data of the aggregated flocs into the model described above, the excess or deficiency of the flocculant injection rate is determined. Here , let D 0 be a reference value (mg / L) of the coagulant injection rate, and d be a correction value represented by a positive or negative percentage (%) indicating the judgment result of excess or deficiency of the coagulant injection rate. The corrected flocculant injection rate (D, mg / L) is represented by the following correction formula (1).
D = D 0 x (1 + d / 100) (1)
補正値dは、凝集剤注入率の過不足の判定結果を表す、+50%(「少ない」場合)、+25%(「やや少ない」場合)、0%(「最適」の場合)、−25%(「やや多い」場合)、−50%(「多い」場合)のうちのいずれかである。例えば、D0=20mg/L、d=−25%の場合、補正された凝集剤注入率Dは15mg/Lとなる。以上に示す実施形態により、凝集フロックの画像データに基づいた凝集剤注入率の制御を、より迅速に行うことが可能である。 The correction value d represents the judgment result of excess or deficiency of the coagulant injection rate, + 50% (when "small"), + 25% (when "slightly low"), 0% (when "optimal"), -25%. Either (when "somewhat more") or -50% (when "more"). For example, when D 0 = 20 mg / L and d = -25%, the corrected flocculant injection rate D is 15 mg / L. According to the above-described embodiment, it is possible to control the flocculant injection rate based on the image data of the flocculant flocs more quickly.
一態様では、前記水処理方法は、前記画像データと、実際の凝集フロックの状態の良否を表す数値との組み合わせからなるデータセットを用いて、前記モデルを更新する工程をさらに含む。 In one aspect, the water treatment method further comprises updating the model with a dataset consisting of a combination of the image data and numerical values representing the quality of the actual aggregated floc state.
機械学習アルゴリズムを用いた上記モデルは、そのモデルを用いた運転を実施している水処理システムにおいて、新たに得られるデータを基に継続的に更新される。これによって、最初にモデルを構築した際から、水処理システムにおける原水の性状が大きく変化した場合や、あるいは運転方法を変更した場合であっても、実情に合わせて更新されていくモデルは、適切な判定結果を継続的に出力することが可能となる。 The above model using the machine learning algorithm is continuously updated based on newly obtained data in the water treatment system performing the operation using the model. As a result, even if the properties of the raw water in the water treatment system change significantly from the time the model is first constructed, or even if the operation method is changed, the model that is updated according to the actual situation is appropriate. It is possible to continuously output various judgment results.
一態様では、凝集剤が注入された原水を撹拌して凝集フロックを形成する撹拌槽と、前記凝集フロックの画像データを生成する画像取得装置と、機械学習アルゴリズムにより構築されたモデルを有するコンピュータを備え、前記コンピュータは、前記モデルが格納された記憶装置と、少なくとも前記画像データを前記モデルに入力し、前記凝集フロックの状態を示す判定結果を前記モデルから出力するための演算を実行する処理装置を備えている、水処理システムが提供される。 In one aspect, a computer having a stirring tank that stirs raw water infused with a flocculant to form agglomerated flocs, an image acquisition device that generates image data of the agglomerated flocs, and a model constructed by a machine learning algorithm. The computer includes a storage device in which the model is stored, and a processing device that inputs at least the image data to the model and executes an operation for outputting a determination result indicating the state of the aggregated flocs from the model. A water treatment system is provided.
一態様では、入力層と、複数の隠れ層と、出力層とを有するニューラルネットワークからなるモデルの前記入力層に、少なくとも凝集フロックの画像データを入力するステップと、前記ニューラルネットワークを構成する多層パーセプトロンのアルゴリズムに従って演算を実行することによって、前記出力層から、凝集フロックの状態の良否を表す数値を出力するステップをコンピュータに実行させるプログラムを記録したコンピュータ読み取り可能な記録媒体が提供される。 In one aspect, a step of inputting at least aggregated floc image data into the input layer of a model consisting of a neural network having an input layer, a plurality of hidden layers, and an output layer, and a multilayer perceptron constituting the neural network. By executing the calculation according to the algorithm of, the output layer provides a computer-readable recording medium recording a program for causing the computer to execute a step of outputting a numerical value indicating the quality of the aggregated floc state.
本発明に係る水処理方法によれば、機械学習アルゴリズムにより構築されたモデルと、小型カメラなどの画像取得装置によって得られた凝集フロックの画像データから、従来、人の目で判定していた凝集フロックの状態を、自動的に高精度でリアルタイムに判定することができ、より最適な水処理システムの運転が可能となる。 According to the water treatment method according to the present invention, aggregation that has been conventionally determined by the human eye from a model constructed by a machine learning algorithm and image data of aggregation flocs obtained by an image acquisition device such as a small camera. The flock state can be automatically determined in real time with high accuracy, enabling more optimal operation of the water treatment system.
図3は水処理システムの一実施形態を示す図である。この水処理システムでは、急速ろ過法を用いている水処理システムにおいて学習済みモデルを用いて、凝集フロックの状態(凝集剤注入率の過不足)を判定し、凝集剤注入率の制御を行う。「課題を解決するための手段」に記載したモデルの構築、モデルの構成などを含む全ての説明は、以下に説明する水処理システムの各実施形態に適用される。 FIG. 3 is a diagram showing an embodiment of a water treatment system. In this water treatment system, a trained model is used in a water treatment system using a rapid filtration method to determine the state of coagulation flocs (excess or deficiency of coagulant injection rate) and control the coagulant injection rate. All the descriptions including the construction of the model, the configuration of the model, etc. described in " Means for Solving the Problem " are applied to each embodiment of the water treatment system described below.
水処理システムは、原水を受ける着水井1と、着水井1に連結された撹拌槽としての急速撹拌槽2および緩速撹拌槽3と、原水に凝集剤を注入する凝集剤注入ポンプ5を備えている。本実施形態では、凝集剤注入ポンプ5は、急速撹拌槽2に接続されており、凝集剤を急速撹拌槽2内の原水に注入するように配置されている。一実施形態では、凝集剤注入ポンプ5は、着水井1と急速撹拌槽2とを連結する配管に接続されてもよい。
The water treatment system includes a landing well 1 for receiving raw water, a
急速撹拌槽2は着水井1に連結され、緩速撹拌槽3は急速撹拌槽2に連結されている。急速撹拌槽2は、凝集剤が注入された原水を撹拌し、原水中の懸濁物質を凝集させて凝集フロックを形成する撹拌槽である。緩速撹拌槽3は、凝集フロックを含む水を撹拌し、凝集フロックを粗大化させる撹拌槽である。
The
緩速撹拌槽3には沈澱槽7が連結されている。緩速撹拌槽3で成長した凝集フロックを含む水は、沈澱槽7に送られ、凝集フロックは沈澱槽7内で沈澱される。沈澱槽7の構造は特に限定されないが、その内部に、傾斜板又は傾斜管が設けられており、凝集フロックを傾斜板又は傾斜管上に沈降させて凝集フロックを除去するように構成される場合もある。沈澱槽7にはろ過槽8が連結されており、沈澱槽7の上澄水はろ過槽8に送られる。ろ過槽8では、凝集剤の残渣や微小フロック等の不純物が上澄水から除去され、浄水となる。ろ過槽8の構成は特に限定されないが、一般に、砂ろ過または膜ろ過によって不純物を除去するように構成される。浄水は、沈澱槽7から浄水槽9に送られる。一実施形態では、沈澱槽7を省略してもよく、さらに緩速撹拌槽3も省略してもよい。この場合は、凝集フロックを含む水はろ過槽8に送られ、ろ過槽8で凝集フロックなどの不純物が除去される。
A
水処理システムは、急速撹拌槽2で形成された凝集フロックの画像データを生成する画像取得装置12と、少なくとも前記画像データを、機械学習アルゴリズムによって構築されたモデルに入力し、凝集フロックの状態の良否の判定結果をモデルから出力する演算システム100をさらに備えている。演算システム100は、モデルを構築および更新するためのプログラム、および上記モデルが格納された記憶装置110と、プログラムに従って演算を実行する処理装置120(GPUまたはCPUなど)を備えている。処理装置120は、少なくとも前記画像データをモデルに入力し、凝集フロックの状態の良否の判定結果をモデルから出力するための演算を実行する。
The water treatment system inputs the
演算システム100は、少なくとも1台のコンピュータから構成されている。前記少なくとも1台のコンピュータは、1台のサーバまたは複数台のサーバであってもよい。少なくとも凝集フロックの画像データに基づいて凝集剤注入率の過不足(すなわち、凝集フロックの状態の良否)を判定する上記モデルは、演算システム100の記憶装置110内に格納されている。さらに、上述した基準値算定式も、演算システム100の記憶装置110内に格納されている。
The
演算システム100は、画像取得装置12に通信線で接続されたエッジサーバであってもよいし、インターネットなどのネットワークによって画像取得装置12に接続されたクラウドサーバであってもよし、あるいは画像取得装置12に接続されたネットワーク内に設置されたフォグコンピューティングデバイス(ゲートウェイ、フォグサーバ、ルーターなど)であってもよい。演算システム100は、インターネットなどのネットワークにより接続された複数のサーバであってもよい。例えば、演算システム100は、エッジサーバとクラウドサーバとの組み合わせであってもよい。
The
本実施形態においては、凝集剤注入後の急速撹拌槽2内の凝集フロックを画像取得装置12にて撮影する。画像取得装置12は、凝集フロックの画像データを生成し、この画像データを演算システム100に送る。演算システム100は、画像データを画像取得装置12から取得し、記憶装置110に記憶する。画像取得装置12は急速撹拌槽2の上部(水面より上)に設置されている。LEDライトなどの照明器で急速撹拌槽2内の凝集フロックを照らし、画像取得装置12が凝集フロックを明瞭に撮像できるようにする。なお、画像取得装置12の設置位置は凝集フロックが明瞭に撮像できるのであれば、急速撹拌槽2の内部(水面下)、または急速撹拌槽2と緩速撹拌槽3を繋ぐ配管内などでも構わない。
In the present embodiment, the agglomerated flocs in the
画像取得装置12は、静止画像または連続画像を生成することができるイメージセンサ(例えばCCDイメージセンサまたはCMOSイメージセンサ)を備えたデジタルカメラである。デジタルカメラの仕様としては、常に焦点距離を一定とさせるため、マニュアルフォーカス機能を備えたものが望ましく、画素数は500万画素以上、望ましくは1,000万画素以上のものが好適である。
The
本実施形態では、撮像の対象とする凝集フロックは、急速撹拌内の凝集フロックである。これは、制御遅れを短くすることができ、凝集剤注入率の制御の観点から好ましいからである。原水変動が乏しい浄水場などであれば、緩速撹拌槽3内の粗大化した凝集フロックを撮像の対象としてもよい。
In the present embodiment, the agglutinating floc to be imaged is the agglutinating floc in rapid agitation. This is because the control delay can be shortened, which is preferable from the viewpoint of controlling the coagulant injection rate. If the water purification plant has little fluctuation in raw water, the coarsened aggregated flocs in the
演算システム100は、モデルから出力された凝集剤注入率の過不足の判定結果に基づいて、凝集剤注入ポンプ5に指令を発して凝集剤の注入率を調整する。具体的には、現在の凝集剤注入率が低いことを判定結果が示している場合は、演算システム100は凝集剤注入ポンプ5に指令を発して凝集剤注入率を増加させる。現在の凝集剤注入率が高いことを判定結果が示している場合は、演算システム100は凝集剤注入ポンプ5に指令を発して凝集剤注入率を低下させる。このように、演算システム100は、モデルから出力された判定結果に基づいて凝集剤注入ポンプ5の動作を制御することにより、凝集剤の注入率を最適化することができる。モデルを用いた凝集剤注入率の最適化の開始時点における、凝集剤の注入率は、水処理システムの過去の運転に基づく知見やジャーテスト結果から決定される。
The
図3に示すように、着水井1には、水処理に関連する情報データを取得するための濁度センサ21、pHセンサ22、M−アルカリ度測定器23が設置されている。濁度センサ21、pHセンサ22、M−アルカリ度測定器23は演算システム100に接続されており、濁度の測定値、pHの測定値、M−アルカリ度の測定値は演算システム100に送られるようになっている。さらに、情報データとして、全有機炭素(TOC)、化学的酸素要求量(COD)、紫外線吸光度、水温、原水流量、天候、降雨量、凝集剤注入率のうちの少なくとも1つが演算システム100に入力されてもよい。情報データとして演算システム100に入力される数値は、センサから送信された測定値、または作業員により演算システム100に入力された値であってもよい。
As shown in FIG. 3, the
一実施形態では、上述した情報データは、凝集フロックの画像データとともに、説明変数として前述の学習済みのモデルの入力層に入力される。モデルは、目的変数である凝集剤注入率の過不足の判定結果を出力する。凝集フロック撮影時に画像取得装置12に流達している原水の水質と、その時点での着水井1での原水の水質は異なる可能性があるため、取得した凝集フロックの画像データに対応する原水水質は、着水井1から画像取得装置12までの流達時間を考慮した値を採用することが望ましい。
In one embodiment, the above-mentioned information data is input to the input layer of the above-mentioned trained model as an explanatory variable together with the image data of the aggregated flocs. The model outputs the judgment result of excess or deficiency of the coagulant injection rate, which is the objective variable. Since the quality of the raw water flowing to the
前記モデルの構築は、ディープラーニング法などを用いて、モデルを用いた運用前に図3に示す水処理システムにて各種データを取得し行う。ここで、機械学習アルゴリズムを用いたモデルにおいては、基本的に経験したことのない入力データに対する予測精度は低くなるため、モデルの構築におけるデータは、季節変動による原水水質の変化を含んだものが望ましい。従って、好ましくは1年以上に亘って取得されたデータを用いてモデルを構築することが望ましい。但し、原水水質が安定している場合はデータ取得期間を短縮することも可能である。また、原水を同一にする近隣の水処理システム、あるいは類似した原水を処理する水処理システムにおいてすでにモデルが構築されている場合、そのモデルを流用することも可能である。 The model is constructed by acquiring various data with the water treatment system shown in FIG. 3 before the operation using the model by using a deep learning method or the like. Here, in a model using a machine learning algorithm, the prediction accuracy for input data that has never been experienced is basically low, so the data in the model construction includes changes in raw water quality due to seasonal fluctuations. desirable. Therefore, it is desirable to build a model using the data acquired over one year or more. However, if the raw water quality is stable, it is possible to shorten the data acquisition period. In addition, if a model has already been constructed in a neighboring water treatment system that makes the raw water the same, or a water treatment system that treats similar raw water, the model can be diverted.
モデルから出力される凝集フロック情報は、凝集フロックの状態の良否、すなわち凝集剤注入率の過不足に関するものである。本情報を参考に、水処理システムの運転員が凝集剤注入率の見直しを行ってもよいが、図3の通り、本情報を凝集剤の制御に組み込めば、連続的に凝集剤注入率の最適化を図ることが可能である。このようにして、本水処理システムは、継続的に安定運転が可能となる。 The agglomerated flock information output from the model relates to the quality of the agglomerated flock state, that is, the excess or deficiency of the aggregating agent injection rate. The operator of the water treatment system may review the coagulant injection rate with reference to this information, but as shown in Fig. 3, if this information is incorporated into the coagulant control, the coagulant injection rate can be continuously adjusted. It is possible to optimize. In this way, the main water treatment system can be continuously operated stably.
しかしながら、水処理システムの運転が長期化すると、原水水質が変化したり、運転フローの一部が変更したりして、モデルは適切な判定結果を出力できなくなることがある。そこで、モデルの更新を適宜行う必要がある。凝集剤注入率の過不足の判定結果が正しかったか否かは、沈澱槽7の出口部での上澄水の濁度(沈澱水濁度)の値に基づいて判断することができる。凝集処理が適切に行われなかった場合、凝集フロックの沈降性が悪くなったり、凝集せずに上澄水に残存した懸濁物質が多くなったりして、沈澱水濁度は高くなる。
However, if the operation of the water treatment system is prolonged, the quality of the raw water may change or a part of the operation flow may be changed, and the model may not be able to output an appropriate judgment result. Therefore, it is necessary to update the model as appropriate. Whether or not the determination result of excess or deficiency of the coagulant injection rate was correct can be determined based on the value of the turbidity (precipitated water turbidity) of the supernatant water at the outlet of the
そこで、本実施形態では、モデルの運用中、沈澱水濁度の値を、濁度センサ30で継続的に取得し、流達時間を考慮した上で、前述の説明変数と目的変数のデータセットに補足情報として加える。この補足情報と、モデルの出力結果を比較し、モデルの精度を定期的に検証する。モデルの精度が運用当初よりも下がった場合においては、前記データセットの目的変数に、正解データを、補足情報を基に与え直し、ディープラーニング法などにより、モデルの更新を行う。
Therefore, in the present embodiment, during the operation of the model, the value of the sedimented water turbidity is continuously acquired by the
演算システム100が、水処理システムのエッジ(現場)においているエッジサーバと、ネットワーク(例えばインターネット)によってエッジサーバに連結されたクラウドサーバとを備えている場合には、モデルの更新作業はクラウドサーバで行い、その後、更新されたモデル(すなわち学習済みのモデル)をエッジサーバに送信し、エッジサーバ内に格納することが望ましい。
When the
図4は水処理システムの他の実施形態を示す図である。特に説明しない本実施形態の構成は、図3に示す実施形態と同じであるので、その重複する説明を省略する。本実施形態は、上述の実施形態と同様に、急速ろ過法を用いている処理システムにおいて学習済みのモデルを用いて、凝集剤注入率の過不足を判定し、凝集剤注入率の制御を行う方法の一例である。 FIG. 4 is a diagram showing another embodiment of the water treatment system. Since the configuration of the present embodiment not particularly described is the same as that of the embodiment shown in FIG. 3, the duplicated description will be omitted. In this embodiment, similarly to the above-described embodiment, the excess or deficiency of the coagulant injection rate is determined by using the model learned in the processing system using the rapid filtration method, and the coagulant injection rate is controlled. This is an example of the method.
本実施形態では、凝集フロックの撮影を水処理システムの水処理領域内で行うのではなく、遮光ハウジング40内に配置されたサンプリング容器41内で行う。すなわち、凝集フロックを含む水は、水処理領域から抽出され、水処理領域から分岐する抽出管43を通じてサンプリング容器41に導入される。そして、画像取得装置12は、サンプリング容器41内の凝集フロックを撮像する。本実施形態では、抽出管43の一端は、急速撹拌槽2と緩速撹拌槽3とを繋ぐ配管に接続されている。一実施形態では、抽出管43の一端は、急速撹拌槽2、または緩速撹拌槽3、または緩速撹拌槽3と沈澱槽7とを繋ぐ配管に接続されてもよい。
In the present embodiment, the imaging of the aggregated flocs is not performed in the water treatment area of the water treatment system, but in the
図5は、サンプリング容器41および画像取得装置12を模式的に示す正面図であり、図6はサンプリング容器41および画像取得装置12を模式的に示す側面図である。サンプリング容器41および画像取得装置12は、遮光ハウジング40内に配置されている。遮光ハウジング40の内部には暗室が形成されている。サンプリング容器41は、透明な側壁41aを有している。透明な側壁41aの材料としては、石英、透明なアクリル樹脂、または透明塩化ビニルなどを使用することができる。このようなサンプリング容器41としてはフローセルを用いることができる。
FIG. 5 is a front view schematically showing the
遮光ハウジング40内には、LEDライトなどの照明器46が配置されている。この照明器46は、サンプリング容器41内の凝集フロックを照明し、画像取得装置12が凝集フロックを明瞭に撮影できるようにする。照明器46は、サンプリング容器41の上方に配置されており、サンプリング容器41を上から照明する。画像取得装置12は、サンプリング容器41の透明な側壁41aを向いて配置され、サンプリング容器41内の凝集フロックを撮像する。
An illuminator 46 such as an LED light is arranged in the light-shielding
水処理領域からサンプリング容器41に、凝集フロックを含む水を導入する動力としては、水位差を用いる方法が最も穏やかでフロックを破損することがないため望ましいが、凝集フロックを破損しないものであれば、モーノポンプ、容積式ポンプ、ペリスタルティックポンプなどを用いてもよい。
As the power for introducing water containing agglomerated flocs from the water treatment area into the
凝集フロックを含む水は、サンプリング容器41の下部から流入し、越流堰41bを越えてサンプリング容器41から流出する。また、サンプリング容器41に送られる水の流量はサンプリング容器41内で凝集フロックが沈降しない程度とすればよい。サンプリング容器41から流出した、凝集フロックを含む水は、急速撹拌槽2または緩速撹拌槽3に戻してもよいし、または廃棄してもよい。
Water containing agglomerated flocs flows in from the lower part of the
本実施形態によれば、太陽光の影響や、撹拌槽などの構造物の映り込みをなくすことができる。また、照明器46により暗室内の明るさを一定に保つことで、常に同じ条件下で凝集フロックを撮像することができる。さらに、画像取得装置12のレンズクリーニングなどのメンテナンスを容易に実施することができる。
According to this embodiment, it is possible to eliminate the influence of sunlight and the reflection of structures such as a stirring tank. Further, by keeping the brightness in the dark room constant by the
原水性状に依存するが、1日〜数日のうちにサンプリング容器41の透明な側壁41aに汚れが付着し、凝集フロック画像撮影の障害となる。これを防止するため、1日に1回、人の手により清掃あるいはサンプリング容器41の交換を行う。あるいは、自動的に硫酸溶液や次亜塩素酸ナトリウム溶液などの、汚れを取り除くための薬剤をサンプリング容器41に、汚れに応じた頻度(例えば3時間に1回)で流し、透明な側壁41aの汚れを除去してもよい。また、透明な側壁41aをスポンジやワイパーなどの物理的手段で自動的に洗浄する機構を設けてもよい。
Although it depends on the state of the raw water, dirt adheres to the
図7は、図3および図4に示す演算システム100の少なくとも一部を構成するコンピュータの一実施形態を示す模式図である。コンピュータは、プログラムやデータなどが格納される記憶装置110と、記憶装置110に格納されているプログラムに従って演算を行うCPU(中央処理装置)またはGPU(グラフィックプロセッシングユニット)などの処理装置120と、データ、プログラム、および各種情報を記憶装置110に入力するための入力装置130と、処理結果や処理されたデータを出力するための出力装置140と、インターネットなどのネットワークに接続するための通信装置150を備えている。
FIG. 7 is a schematic diagram showing an embodiment of a computer constituting at least a part of the
記憶装置110は、処理装置120がアクセス可能な主記憶装置111と、データおよびプログラムを格納する補助記憶装置112を備えている。主記憶装置111は、例えばランダムアクセスメモリ(RAM)であり、補助記憶装置112は、ハードディスクドライブ(HDD)またはソリッドステートドライブ(SSD)などのストレージ装置である。
The
入力装置130は、キーボード、マウスを備えており、さらに、記録媒体からデータを読み込むための記録媒体読み込み装置132と、記録媒体が接続される記録媒体ポート134を備えている。記録媒体は、非一時的な有形物であるコンピュータ読み取り可能な記録媒体であり、例えば、光ディスク(例えば、CD−ROM、DVD−ROM)や、半導体メモリー(例えば、USBフラッシュドライブ、メモリーカード)である。記録媒体読み込み装置132の例としては、CD−ROMドライブ、DVD−ROMドライブなどの光学ドライブや、カードリーダーが挙げられる。記録媒体ポート134の例としては、USBポートが挙げられる。記録媒体に記憶されているプログラムおよび/またはデータは、入力装置130を介してコンピュータに導入され、記憶装置110の補助記憶装置112に格納される。出力装置140は、ディスプレイ装置141、印刷装置142を備えている。
The
機械学習アルゴリズムにより構築された学習済みモデルは記憶装置110に格納されている。この学習済みモデルは、図1または図2に示すように、入力層301と、複数の隠れ層(中間層ともいう)302と、出力層303を有したニューラルネットワークである。コンピュータは、記憶装置110に電気的に格納されたプログラムに従って動作する。すなわち、コンピュータは、凝集フロックの画像データを画像取得装置12から取得するステップと、少なくとも画像データを、機械学習アルゴリズムにより構築された学習済みモデルに入力するステップと、ニューラルネットワークを構成する多層パーセプトロンのアルゴリズムに従って演算を実行することによって、出力層303から、凝集フロックの状態の良否の判断結果または凝集剤の過不足の判断結果を表す数値を出力するステップを実行する。さらに、コンピュータは、上記モデルを構築するステップ、および上記モデルを更新するステップを実行する。これらステップをコンピュータに実行させるためのプログラムは、非一時的な有形物であるコンピュータ読み取り可能な記録媒体に記録され、記録媒体を介してコンピュータに提供される。または、プログラムおよび上記モデルは、インターネットなどの通信ネットワークを介して通信装置150からコンピュータに入力されてもよい。
The trained model constructed by the machine learning algorithm is stored in the
上述した実施形態は、本発明が属する技術分野における通常の知識を有する者が本発明を実施できることを目的として記載されたものである。上記実施形態の種々の変形例は、当業者であれば当然になしうることであり、本発明の技術的思想は他の実施形態にも適用しうる。したがって、本発明は、記載された実施形態に限定されることはなく、特許請求の範囲によって定義される技術的思想に従った最も広い範囲に解釈されるものである。 The above-described embodiment is described for the purpose of enabling a person having ordinary knowledge in the technical field to which the present invention belongs to carry out the present invention. Various modifications of the above embodiment can be naturally made by those skilled in the art, and the technical idea of the present invention can be applied to other embodiments. Therefore, the present invention is not limited to the described embodiments, but is construed in the broadest range according to the technical idea defined by the claims.
1 着水井
2 急速撹拌槽
3 緩速撹拌槽
5 凝集剤注入ポンプ
7 沈澱槽
8 ろ過槽
9 浄水槽
12 画像取得装置
21 濁度センサ
22 pHセンサ
23 M−アルカリ度測定器
30 濁度センサ
40 遮光ハウジング
41 サンプリング容器
43 抽出管
46 照明器
100 演算システム
110 記憶装置
111 主記憶装置
112 補助記憶装置
120 処理装置
130 入力装置
132 記録媒体読み込み装置
134 記録媒体ポート
140 出力装置
141 ディスプレイ装置
142 印刷装置
150 通信装置
301 入力層
302 隠れ層
303 出力層
1 Water landing well 2
Claims (5)
前記凝集フロックの画像データを画像取得装置により生成し、
前記凝集フロックの画像データと、水処理に関連する情報データを説明変数として含む学習データを用いて機械学習アルゴリズムに従って学習済みモデルを構築し、前記情報データは、原水のpH、M−アルカリ度、凝集剤注入率を含み、
前記学習済みモデルから、凝集フロックの状態を示す目的変数である凝集剤注入率の過不足を示す判定結果をリアルタイムで出力し、その判定結果に基づいて前記凝集剤の注入率を調整することを特徴とする水処理方法。 A coagulant is injected into raw water to form coagulation flocs,
The image data of the aggregated flocs is generated by an image acquisition device, and the image data is generated.
The image data before Symbol flocs, information data related to water treatment using the learning data including the explanatory variables to construct a learned model according the machine learning algorithm, the information data, pH of the raw water, M- alkalinity , Including coagulant injection rate,
From the trained model, a judgment result indicating excess or deficiency of the coagulant injection rate, which is an objective variable indicating the state of coagulation flocs, is output in real time, and the injection rate of the coagulant is adjusted based on the judgment result. A characteristic water treatment method.
前記凝集フロックの画像データを画像取得装置により生成する工程は、前記凝集フロックを含む水を抽出してサンプリング容器内に導入し、前記サンプリング容器内の前記凝集フロックの画像データを画像取得装置により生成する工程である、水処理方法。 The water treatment method according to claim 1.
In the step of generating the image data of the aggregated flocs by the image acquisition device, the water containing the aggregated flocs is extracted and introduced into the sampling container, and the image data of the aggregated flocs in the sampling container is generated by the image acquisition device. Water treatment method, which is a process to be performed.
前記凝集フロックの状態とは無関係の、前記凝集剤注入率の基準値を基準値算定式により決定し、
前記基準値の補正値を、前記凝集剤注入率の過不足を示す前記判定結果に基づいて決定し、
前記基準値と前記補正値とから、前記凝集剤注入率を補正する工程をさらに含む、水処理方法。 The water treatment method according to claim 1.
The reference value of the aggregating agent injection rate, which is irrelevant to the state of the agglutinating floc, is determined by the reference value calculation formula.
The correction value of the reference value is determined based on the determination result indicating the excess or deficiency of the coagulant injection rate.
A water treatment method further comprising a step of correcting the flocculant injection rate from the reference value and the correction value.
前記画像データと、実際の凝集フロックの状態の良否を表す数値との組み合わせからなるデータセットを用いて、前記学習済みモデルを更新する工程をさらに含む、水処理方法。 The water treatment method according to any one of claims 1 to 3.
A water treatment method further comprising a step of updating the trained model using a data set consisting of a combination of the image data and a numerical value indicating the quality of the actual aggregated floc state.
前記凝集フロックの画像データを生成する画像取得装置と、
前記凝集フロックの画像データと、水処理に関連する情報データを説明変数として含む学習データを用いて機械学習アルゴリズムに従って構築された学習済みモデルを有するコンピュータを備え、
前記情報データは、原水のpH、M−アルカリ度、凝集剤注入率を含み、
前記コンピュータは、前記学習済みモデルが格納された記憶装置と、前記学習済みモデルから、凝集フロックの状態を示す目的変数である凝集剤注入率の過不足を示す判定結果をリアルタイムで出力し、その判定結果に基づいて前記凝集剤の注入率を調整するための演算を実行する処理装置を備えていることを特徴とする水処理システム。 A stirring tank that stirs the raw water infused with the coagulant to form coagulating flocs,
An image acquisition device that generates image data of the aggregated flocs, and
A computer having a trained model constructed according to a machine learning algorithm using the image data of the aggregated flocs and training data including information data related to water treatment as explanatory variables is provided.
The information data includes the pH of raw water, M-alkalinity, and flocculant injection rate.
The computer outputs in real time a storage device in which the trained model is stored and a determination result indicating excess or deficiency of the coagulant injection rate, which is an objective variable indicating the state of coagulation flocs, from the trained model. A water treatment system including a treatment device that executes a calculation for adjusting the injection rate of the coagulant based on a determination result.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018153452A JP6941083B2 (en) | 2018-08-17 | 2018-08-17 | Water treatment method and water treatment system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018153452A JP6941083B2 (en) | 2018-08-17 | 2018-08-17 | Water treatment method and water treatment system |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020025943A JP2020025943A (en) | 2020-02-20 |
JP6941083B2 true JP6941083B2 (en) | 2021-09-29 |
Family
ID=69620785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018153452A Ceased JP6941083B2 (en) | 2018-08-17 | 2018-08-17 | Water treatment method and water treatment system |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6941083B2 (en) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7076356B2 (en) * | 2018-10-23 | 2022-05-27 | 水ing株式会社 | Wastewater treatment method |
JP7422571B2 (en) * | 2020-03-17 | 2024-01-26 | 水ing株式会社 | Water treatment technology devices, systems and methods |
CN111233118A (en) * | 2020-03-19 | 2020-06-05 | 中冶赛迪工程技术股份有限公司 | Intelligent control system and control method for high-density sedimentation tank |
EP4013720A4 (en) * | 2020-04-21 | 2022-10-05 | ELAD Technologies (L.S.) Ltd | System, and method for continuous process control of water contaminant separation process |
JP7507034B2 (en) | 2020-08-12 | 2024-06-27 | オルガノ株式会社 | Information processing device, water treatment system, information processing method and program |
CN114933353B (en) * | 2022-05-31 | 2023-03-10 | 浙江天行健水务有限公司 | Automatic coagulant adding method |
CN117023741B (en) * | 2023-08-14 | 2024-03-19 | 佛山市禅城区供水有限公司 | Multi-parameter load composite water treatment method and system in flocculation process |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2533942B2 (en) * | 1989-03-13 | 1996-09-11 | 株式会社日立製作所 | Knowledge extraction method and process operation support system |
JPH0483504A (en) * | 1990-07-27 | 1992-03-17 | Hitachi Ltd | Flocculant injection controlling apparatus |
JPH07160661A (en) * | 1993-12-02 | 1995-06-23 | Hitachi Ltd | Automatic teacher data extraction method for neural network, neural network system using the same and plant operation supporting device |
JP2003324610A (en) * | 2002-02-27 | 2003-11-14 | Konica Minolta Holdings Inc | Image processing method and image converting equipment |
-
2018
- 2018-08-17 JP JP2018153452A patent/JP6941083B2/en not_active Ceased
Also Published As
Publication number | Publication date |
---|---|
JP2020025943A (en) | 2020-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6941083B2 (en) | Water treatment method and water treatment system | |
JP7076356B2 (en) | Wastewater treatment method | |
CN111966053A (en) | Intelligent flocculant decision making system | |
CN114849316B (en) | Automatic control system for intelligent backwashing filtration | |
JP7179486B2 (en) | Coagulant injection control device, coagulant injection control method and computer program | |
JP7146548B2 (en) | Water treatment method and water treatment equipment | |
JP2019215743A (en) | Method for manufacturing database, and water treatment or sludge treatment system | |
CN114663684A (en) | Method, system and operation equipment for real-time intelligent analysis of flocculation reaction | |
JPH0483504A (en) | Flocculant injection controlling apparatus | |
CN114169403A (en) | Coagulating picture shooting device, shooting method and flocculation control dosing method | |
CN113104945B (en) | Intelligent coal slime water dosing method and system based on floc characteristic feedback | |
JP2022134292A (en) | Washing monitoring method and washing monitoring system of filtration device | |
JP7289670B2 (en) | Information processing device, information processing method, and program | |
JP2007098287A (en) | Method for controlling operation of water purifying process | |
CN117049746A (en) | Emulsion wastewater treatment system and method | |
JPH0483503A (en) | Flocculating state inspecting apparatus | |
JP7336790B2 (en) | Water treatment system and water treatment method | |
CN114863313A (en) | Water treatment process monitoring method based on image recognition | |
JP6599704B2 (en) | Flocculant injection rate determination method and flocculant injection rate determination device | |
JP2022172574A (en) | Water treatment apparatus and water treatment method | |
JPH0425041B2 (en) | ||
JPS63269043A (en) | Apparatus for confirming image of flocculated substance | |
JPH08309399A (en) | Sludge flocculation device | |
JP7422571B2 (en) | Water treatment technology devices, systems and methods | |
JPH01266813A (en) | Device for controlling injector of flocculant |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A625 | Written request for application examination (by other person) |
Free format text: JAPANESE INTERMEDIATE CODE: A625 Effective date: 20200701 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210521 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210601 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210729 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210831 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210903 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6941083 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
RVOP | Cancellation by post-grant opposition |