JP7076356B2 - Wastewater treatment method - Google Patents

Wastewater treatment method Download PDF

Info

Publication number
JP7076356B2
JP7076356B2 JP2018198991A JP2018198991A JP7076356B2 JP 7076356 B2 JP7076356 B2 JP 7076356B2 JP 2018198991 A JP2018198991 A JP 2018198991A JP 2018198991 A JP2018198991 A JP 2018198991A JP 7076356 B2 JP7076356 B2 JP 7076356B2
Authority
JP
Japan
Prior art keywords
image data
wastewater
coagulant
wastewater treatment
treatment method
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.)
Active
Application number
JP2018198991A
Other languages
Japanese (ja)
Other versions
JP2020065964A (en
Inventor
大輔 古賀
益啓 林
智之 森田
伸二 吉田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Swing Corp
Original Assignee
Swing Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Swing Corp filed Critical Swing Corp
Priority to JP2018198991A priority Critical patent/JP7076356B2/en
Publication of JP2020065964A publication Critical patent/JP2020065964A/en
Application granted granted Critical
Publication of JP7076356B2 publication Critical patent/JP7076356B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

  • 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、凝集フロックの画像から、凝集剤の添加率の過不足を判定する排水処理方法および排水処理システムに関するものである。 The present invention relates to a wastewater treatment method and a wastewater treatment system for determining an excess or deficiency of the addition rate of a flocculant from a model using a machine learning algorithm and an image of agglomerated 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. By improving the communication infrastructure environment, it is 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 field of water treatment 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 unknown environment, for example, an objective variable in the future in terms of time. One of the methods for predicting objective variables in an unknown environment is an analytical approach. This is to analyze a physical phenomenon theoretically 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 are many aspects that 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 problem. In this third artificial intelligence boom, deep learning (deep learning) in which the hidden layers of neural networks are multi-layered is the main role, and due to advances in learning algorithms, etc., it will be possible to demonstrate high accuracy depending on the problem to be applied. That is one of the causes of 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、特に排水処理に話を戻すと、排水処理においては、原水中のＳＳ（懸濁物質）などの懸濁成分、およびＣＯＤ（化学的酸素要求量）、色度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た後に高分子凝集剤を用いてフロックを粗大化させる凝集処理を行うことが多くある。この凝集フロックは、凝集槽の後段に設けられた沈殿槽で沈澱されるか、あるいは、気泡を用いた浮上分離により処理水と分離される。 Now, returning to the field of water treatment, especially wastewater treatment, in wastewater treatment, suspension components such as SS (suspended substances) in raw water, and dissolution of COD (chemical oxygen requirement), chromaticity, etc. In order to efficiently remove the sex component, a flocculant containing polyvalent cations such as aluminum and iron is used to aggregate the suspended and soluble components, and then a polymer flocculant is used to coarsen the flocs. In many cases, a coagulation treatment is performed. The agglomerated floc is settled in a settling tank provided after the agglomeration tank, or is separated from the treated water by levitation separation using bubbles.

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、浮上処理においても、凝集フロックの大きさと密度が浮上速度に影響を与える。その結果、沈澱あるいは浮上槽を経た処理水の水質が大きく影響されることになる。従って、凝集フロックの状態を監視することは、排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 sedimentation treatment, the size and density of the aggregated flocs affect the sedimentation rate of the aggregated flocs. Also in the levitation process, the size and density of the aggregated flocs affect the levitation rate. As a result, the quality of the treated water that has passed through the settling or floating tank is greatly affected. Therefore, monitoring the state of aggregated flocs is extremely important in wastewater treatment.

また、排水処理における凝集処理プロセスでは、前段に生物処理を行っている場合は、生物処理の運転状態により、活性汚泥フロックや生物膜片が凝集処理プロセスの原水に混入する割合が変動したり、工場排水の場合は、工場の操業の都合で、原水の色度などが変動したりするケースがある。原水の変動は凝集処理プロセスに大きな影響を与えるため、その変動を捉えることは処理を安定化させる上で重要である。 In addition, in the coagulation treatment process in wastewater treatment, if biological treatment is performed in the previous stage, the ratio of activated sludge flocs and biofilm fragments mixed in the raw water of the coagulation treatment process may vary depending on the operating state of the biological treatment. In the case of factory wastewater, the color of raw water may fluctuate due to the operation of the factory. Fluctuations in raw water have a great impact on the coagulation treatment process, so it is important to capture the fluctuations in order to stabilize the treatment.

特開平３－１７５３３９号公報Japanese Unexamined Patent Publication No. 3-175339 特開２０１５－１９２９６０号公報JP-A-2015-192960 特開２０１７－７２４０４号公報JP-A-2017-72404

この凝集フロックの状態を、処理水の水質のみでリアルタイムに判断することは困難である。すなわち、凝集剤を添加してから凝集フロックが形成され、沈澱または浮上分離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 only by the water quality of the treated water. That is, whether the agglomeration operation was appropriate until the agglomerating agent was added, the agglomerated flocs were formed, the treated water was finally obtained through precipitation or floating separation, and the water quality of the treated water was measured, that is, the agglomerated flocs were formed. It is difficult to determine if was good.

時に原水性状は、工場の操業による排水性状の変動や、前段に好気処理がある場合には、好気処理プロセスでの運転状態により変動する。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、凝集剤の添加率の見直しを実施しても、凝集槽～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 fluctuates depending on the fluctuation of the wastewater property due to the operation of the factory and, if there is an aerobic treatment in the previous stage, the operating condition in the aerobic treatment process. In such a situation, even if the water quality of the treated water is confirmed as described above and then the addition rate of the coagulant is reviewed, it usually takes several tens of minutes to several hours from the coagulation tank to the obtained treated water. Because it requires time, it is not in time.

そこで、実際に原水の変動に対しては、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添加率を決定し、凝集槽のフロックの状態を目視で確認しながら、さらに決定した添加率で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添加率の見直しを行っている。あるいは、実際に原水を採取し、ビーカーに等量ずつ分取し、数種類の凝集剤添加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添加率を決めている。 Therefore, regarding the actual fluctuation of the raw water, the veteran operator determines the coagulant addition rate based on the past knowledge based on the raw water quality, and further determines it while visually checking the floc state of the coagulation tank. We have determined whether or not the addition rate was appropriate, and if necessary, we are reviewing the addition rate of the flocculant again. Alternatively, the raw water is actually collected, divided into equal amounts in a beaker, several types of coagulant addition rates are set, and a coagulation test, a so-called jar test, is performed to determine an appropriate coagulant addition rate for the current raw water. There is.

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。何れも、人手がかかり処理の無人化などの効率向上が難しい。 However, in the former case, 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, the unevenness caused by the operator is reduced, but it takes time and effort, and it takes about 15 minutes for the jar test result to be obtained. In either case, it is difficult to improve efficiency such as unmanned processing because it requires manpower.

そこで、原水、凝集フロックの状態、処理水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 demand for a technique for grasping raw water, agglomerated floc state, and treated water in real time and performing agglomeration treatment more appropriately.
Patent Document 1 describes a flock monitoring device that images a floc under the water surface, performs image processing, quantifies the particle size of each floc, and obtains a particle size distribution. In addition, there is a description about performing operation control using the same device.

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 Patent Document 2, the floc particle size is measured at a plurality of points in the floc forming process by a floc particle size measuring device in the floc forming tank, or in the mixing tank and the floc forming tank, and the difference in the obtained floc particle size is obtained. Alternatively, there is a description of a water treatment system that detects floc dysplasia from the ratio.

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、凝集剤の最適添加率が１２０ｍｇ／Ｌと判断される原水に対して、凝集剤添加率を８０，１００，１２０，１４０，１６０，１８０ｍｇ／Ｌとし、それぞれのフロック粒径を測定した場合、凝集剤添加率が１２０ｍｇ／Ｌを超えると凝集剤過多となり、フロックの成長が見られなくなる。そうすると、凝集剤添加率１２０ｍｇ／Ｌのときのフロック粒径と凝集剤添加率１８０ｍｇ／Ｌのときのフロック粒径がほぼ同じとなることがある。 In each case, the aggregated state is determined based on the particle size of the aggregated floc, but in reality, it is difficult to judge the quality of the aggregated floc only by the floc particle size. For example, when the flocculant addition rate is set to 80, 100, 120, 140, 160, 180 mg / L and the floc particle size of each is measured with respect to the raw water in which the optimum addition rate of the flocculant is determined to be 120 mg / L. When the addition rate of the flocculant exceeds 120 mg / L, the flocculant is excessive and the floc growth is not observed. Then, the floc particle size when the flocculant addition rate is 120 mg / L and the floc particle size when the flocculant addition rate is 180 mg / L may be substantially the same.

さらに、時には、凝集剤過多の場合に、荷電中和が起こらず、フロック形成不良が起こり、フロック粒径が小さくなる場合もある。その場合、最適添加率が１２０ｍｇ／Ｌであるときに、１００ｍｇ／Ｌと１４０ｍｇ／Ｌの凝集フロックの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、凝集剤の添加率の見直しを誤る可能性がある。 Further, sometimes, when the flocculant is excessive, charge neutralization does not occur, floc formation failure occurs, and the floc particle size may become small. In that case, when the optimum addition rate is 120 mg / L, the particle sizes of the aggregated flocs of 100 mg / L and 140 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 addition rate of the coagulant may be erroneous.

特許文献３には、ＳＳ濃度が高い被処理水における凝集処理において、凝集槽内で凝集状態を散乱光によりモニタリングする装置と方法について記述がある。この文献では、凝集フロックから得られる散乱光の波高値と、波高値が設定された閾値を超えた散乱光の出現数から、凝集剤の過不足を判定するとしているが、実質の判定結果は、凝集フロックの粒径にのみ依ると考えられる。その点においては、特許文献２、特許文献３と同様に、前述の課題が存在する。 Patent Document 3 describes a device and a method for monitoring the agglomeration state in a coagulation tank by scattered light in a coagulation treatment in water to be treated having a high SS concentration. In this document, it is stated that the excess or deficiency of the aggregating agent is determined from the peak value of the scattered light obtained from the aggregated flocs and the number of appearances of the scattered light whose crest value exceeds the set threshold value. , It is considered that it depends only on the particle size of the aggregated flocs. In that respect, as in Patent Document 2 and Patent Document 3, the above-mentioned problems exist.

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、排水処理における凝集剤添加率の過不足の判定を、排水処理中でリアルタイムに行うことが可能な排水処理方法を提供することにある。また、本発明の目的は、そのような排水処理方法を実行できる排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 thereof 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 that can determine coagulation floc equal to or better than the members, a wastewater treatment method that can determine the excess or deficiency of the coagulant addition rate in wastewater treatment in real time during wastewater treatment. To provide. Another object of the present invention is to provide a wastewater treatment system capable of carrying out such a wastewater treatment method.

一態様では、凝集剤を排水に添加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凝集剤判定モデルに入力し、凝集剤添加率の過不足を示す判定結果を前記凝集剤判定モデルから出力する、排水処理方法が提供される。 In one aspect, a flocculant is added to the wastewater to form agglomerated flocs, the aggregated flocs image data is generated by an image acquisition device, and at least the aggregated flocs image data is generated by a machine learning algorithm. Provided is a wastewater treatment method that inputs to a determination model and outputs a determination result indicating excess or deficiency of the coagulant addition rate from the coagulant determination model.

本明細書において、排水処理とは、下水や産業排水を対象とした水処理を指し、中でも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および有機凝集剤を添加する凝集操作、および凝集フロックを沈澱あるいは浮上分離し、汚泥として系外に排出する操作を伴う水処理を特に対象としている。 In the present specification, wastewater treatment refers to water treatment for sewage and industrial wastewater, and particularly for water, polyaluminum chloride (PACl), brine, ferric chloride, polyiron, polysilica iron ( PSI), organic coagulants, agglomeration operations to add inorganic coagulants such as polymers and organic coagulants, and water treatments involving operations to precipitate or float and separate aggregate flocs and discharge them as sludge to the outside of the system are particularly targeted. ..

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 the aggregated floc, which has been determined based on human eyes and experience, by a computer based on the image data of the aggregated floc.

例えば、凝集剤添加率１００ｍｇ／Ｌのときのフロック粒径と凝集剤添加率１４０ｍｇ／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１００ｍｇ／Ｌと１４０ｍｇ／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 addition rate is 100 mg / L and the floc particle size when the flocculant addition rate is 140 mg / L may be substantially the same. However, when comparing the actual state of flocs at 100 mg / L and 140 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.

凝集フロックの画像データは、機械学習アルゴリズムによって構築された凝集剤判定モデルに入力され、凝集剤添加率が適切か否か、すなわち、排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凝集剤判定モデル（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剤添加率の過不足判定が可能である。 The image data of the agglomerated sol is input to the coagulant determination model constructed by the machine learning algorithm, and whether or not the coagulant addition rate is appropriate, that is, whether or not the wastewater treatment is properly performed, is the state of the agglomerated sol. Judgment in real time from. Machine learning algorithms learn a variety of factors, including the particle size of aggregate flocs. Therefore, the agglutinating agent determination model (that is, the trained model) constructed by the machine learning algorithm can determine the excess or deficiency of the agglutinating agent addition rate with higher accuracy than the conventional agglutination determination technique based on the particle size. be.

凝集剤判定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剤添加率の過不足を表す数値、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段階評価として与えることができる。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 coagulant determination model, the explanatory variable of the training data is the image data of the coagulation floc, and the objective variable of the training data is a numerical value indicating the excess or deficiency of the coagulant addition rate, for example, 1: low, 2: slightly low, 3: It can be given as a five-point evaluation of optimal, 4: slightly high, and 5: high. 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.

実際の凝集剤添加率が上記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や膜ろ過水の水質、砂ろ過や膜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。実際の凝集剤添加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、凝集剤判定モデルの構築および更新に使用される。実際の凝集剤添加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。 Which of the above five-step evaluations the actual coagulant addition 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 floc of a veteran operator. Further, it can be determined from the quality of the sand filtered water and the membrane filtered water in the subsequent stage, the rate of increase in filtration resistance such as sand filtration and membrane filtration, and the like. A dataset consisting of a combination of numerical values representing the excess or deficiency of the actual coagulant addition rate (1 to 5 in the above example) and the image data of the corresponding coagulant flocs is used for constructing and updating the coagulant determination model. .. Numerical values indicating the excess or deficiency of the actual coagulant addition rate are correct answer data, and are used for machine learning such as deep learning.

図１は、凝集剤添加率の過不足を判定する凝集剤判定モデルの一実施形態を示す模式図である。凝集剤判定モデルは、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に示す凝集剤判定モデルは、４つの隠れ層３０２を有しているが、凝集剤判定モデルの構成は図１に示す実施形態に限られない。凝集剤判定モデルの入力層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）が凝集剤判定モデルの入力層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、青色を表す数値が凝集剤判定モデルの入力層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 diagram showing an embodiment of a flocculant determination model for determining excess or deficiency of the flocculant addition rate. The coagulant determination model is a neural network having an input layer 301, a plurality of hidden layers (also referred to as intermediate layers) 302, and an output layer 303. The flocculant determination model shown in FIG. 1 has four hidden layers 302, but the configuration of the flocculant determination model is not limited to the embodiment shown in FIG. Image data of aggregated flocs is input to the input layer 301 of the coagulant determination model. More specifically, the numerical value of each pixel constituting the image data of the aggregated floc is input to the input layer 301. In one example, if the image data of the aggregate floc is grayscale image data, the gray level of each pixel (usually a numerical value within 0 to 255) is input to each node (neuron) of the input layer 301 of the aggregate determination model. Will be done. When the image data of the aggregation floc is color image data, numerical values representing red, green, and blue of each pixel are input to the corresponding node (neuron) of the input layer 301 of the aggregation agent determination model.

図１に示す例では、凝集剤判定モデルの出力層３０３は、凝集剤添加率の過不足の判定結果を表す数値を出力する。例えば、凝集剤添加率の過不足が、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段階評価で表される場合では、凝集剤判定モデルの出力層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に示す凝集剤判定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 output layer 303 of the coagulant determination model outputs a numerical value indicating the determination result of excess or deficiency of the coagulant addition rate. For example, when the excess or deficiency of the coagulant addition rate is represented by a five-step evaluation of 1: low, 2: slightly low, 3: optimal, 4: slightly high, 5: high, the output layer of the coagulant determination model. 303 outputs any numerical value from 1 to 5. However, the configuration of the flocculant determination model shown in FIG. 1 is an example, and the present invention is not limited to the example shown in FIG.

上記のように構築された凝集剤判定モデルに、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、凝集剤添加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、排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 coagulation floc is input to the coagulant determination model constructed as described above, the computer executes an operation according to the algorithm of the multi-layer perceptron constituting the neural network, and the output layer 303 adds the coagulant. A numerical value indicating the judgment result of excess or deficiency of the rate is output. Based on the judgment result, the operator can aim at optimizing the operation of the wastewater treatment system.

一態様では、前記排水処理方法は、前記凝集剤が添加される前の前記排水の画像データを画像取得装置により生成する工程をさらに含み、前記凝集フロックの画像データに加えて、前記排水の画像データを前記凝集剤判定モデルに入力する。 In one aspect, the wastewater treatment method further comprises a step of generating image data of the wastewater before the addition of the flocculant by an image acquisition device, and in addition to the image data of the aggregated flocs, an image of the wastewater. The data is input to the flocculant determination model.

排水処理においては、工場の操業内容により排水種別が変動する。例えば、工場が製品Ａを生産している場合の排水Ａと、製品Ｂを生産している場合の排水Ｂでは色度やＣＯＤ（化学的酸素要求量）といった水質が異なる。更には、製品Ａ、製品Ｂ以外の複数の製品がある場合や、その製品の製造割合が変動する場合もある。このため、排水処理プロセスにおいては、工場の操業状態を勘案して、凝集剤添加率を調整する必要がある。 In wastewater treatment, the type of wastewater varies depending on the operation of the factory. For example, the water quality such as chromaticity and COD (chemical oxygen demand) is different between the wastewater A when the factory produces the product A and the wastewater B when the product B is produced. Further, there may be a plurality of products other than the product A and the product B, or the production ratio of the products may fluctuate. Therefore, in the wastewater treatment process, it is necessary to adjust the coagulant addition rate in consideration of the operating condition of the factory.

加えて、凝集処理の前段に活性汚泥法や生物膜法などの生物処理がある場合には、生物処理の運転状態により、活性汚泥フロックや生物膜の排水への混入状況や、凝集処理工程へ流入する排水の色度やＣＯＤが変動することとなる。このため、生物処理の運転状態に合わせて凝集剤添加率を調整する必要がある。 In addition, if there is a biological treatment such as the activated sludge method or the biofilm method before the coagulation treatment, depending on the operating state of the biotreatment, the status of contamination of activated sludge flocs and biofilm wastewater and the coagulation treatment process may occur. The color and COD of the inflowing sludge will fluctuate. Therefore, it is necessary to adjust the coagulant addition rate according to the operating state of the biological treatment.

これら、排水性状の変動を自動で捉えることができれば、凝集処理プロセス操作にとって有益な情報となる。排水性状の情報を得るためには、ＣＯＤ計やＳＳ計、色度計などの設置が選択肢となるが、水質やコストの観点で設置が難しい場合もある。そこで、排水状態を画像情報として得ることで、排水の色や活性汚泥フロックの状態などの外観情報が得られる。 If these fluctuations in wastewater properties can be automatically grasped, it will be useful information for the operation of the coagulation treatment process. In order to obtain information on drainage properties, installation of COD meters, SS meters, chromaticity meters, etc. is an option, but installation may be difficult from the viewpoint of water quality and cost. Therefore, by obtaining the drainage state as image information, appearance information such as the color of the drainage and the state of activated sludge flocs can be obtained.

一実施形態では、凝集剤が添加される前の排水の画像データと、凝集フロックの画像と、実際の凝集剤添加率の過不足を表す数値（すなわち正解データ）を含む学習データを用いて、機械学習アルゴリズムで凝集剤判定モデルを構築する。ディープラーニングなどの機械学習は、凝集剤が添加される前の排水の画像データと、適切な凝集フロックが形成できる凝集剤添加率との関係性を見出すことができる。機械学習アルゴリズムによって構築された凝集剤判定モデルは、排水の性状の変動に対して凝集剤添加率の過不足を正確に判定することができる。 In one embodiment, learning data including an image data of wastewater before the addition of a flocculant, an image of agglomerated flocs, and a numerical value (that is, correct answer data) indicating an excess or deficiency of the actual coagulant addition rate is used. Build a flocculant determination model with a machine learning algorithm. Machine learning such as deep learning can find a relationship between the image data of wastewater before the coagulant is added and the coagulant addition rate at which an appropriate coagulant floc can be formed. The coagulant determination model constructed by the machine learning algorithm can accurately determine the excess or deficiency of the coagulant addition rate with respect to the fluctuation of the wastewater properties.

一態様では、前記凝集剤を排水に添加して凝集フロックを形成する工程は、無機凝集剤を排水に添加して凝集フロックを形成し、その後、有機凝集剤を前記排水に添加して前記凝集フロックを成長させる工程であり、前記凝集フロックの画像データを生成する工程は、前記無機凝集剤を前記排水に添加することによって形成された前記凝集フロックの第１画像データを第１画像取得装置で生成し、前記有機凝集剤を前記排水に添加することによって成長した前記凝集フロックの第２画像データを第２画像取得装置で生成する工程であり、前記第１画像データおよび前記第２画像データを前記凝集剤判定モデルに入力する。 In one aspect, the step of adding the flocculant to the drainage to form agglomerated flocs is to add an inorganic flocculant to the drainage to form agglomerated flocs and then add an organic flocculant to the drainage to form the agglomerates. In the step of growing the flocs and generating the image data of the aggregated flocs, the first image data of the aggregated flocs formed by adding the inorganic flocculant to the wastewater is obtained by the first image acquisition device. This is a step of generating the second image data of the aggregated flocs that have been generated and grown by adding the organic flocculant to the wastewater by the second image acquisition device, and the first image data and the second image data are produced. Input to the flocculant determination model.

排水処理の凝集プロセスでは、１段目の撹拌槽には無機凝集剤を排水に添加して凝集フロックを生成させ、２段目の撹拌槽において高分子凝集剤などの有機凝集剤を排水に添加して、前記凝集フロックを集合させて粗大化させる場合もある。一実施形態では、１段目の撹拌槽での凝集フロックの第１画像データと、２段目の撹拌槽での凝集フロックの第２画像データと、実際の凝集剤添加率の過不足を表す数値（すなわち正解データ）を含む学習データを用いて、機械学習アルゴリズムにより凝集剤判定モデルを構築する。 In the coagulation process of wastewater treatment, an inorganic coagulant is added to the wastewater in the first-stage stirring tank to generate cohesive flocs, and an organic coagulant such as a polymer flocculant is added to the wastewater in the second-stage stirring tank. Then, the aggregated flocs may be aggregated and coarsened. In one embodiment, the first image data of the aggregated flocs in the first-stage stirring tank, the second image data of the aggregated flocs in the second-stage stirring tank, and the excess or deficiency of the actual coagulant addition rate are shown. A coagulant determination model is constructed by a machine learning algorithm using training data including numerical values (that is, correct answer data).

一態様では、前記排水処理方法は、前記凝集フロックを沈澱させることによって前記凝集フロックを前記排水から分離して処理水を生成し、前記処理水の画像データを画像取得装置により生成する工程をさらに含み、前記凝集フロックの画像データに加えて、前記処理水の画像データを前記凝集剤判定モデルに入力する。 In one aspect, the wastewater treatment method further comprises a step of separating the aggregated flocs from the wastewater by precipitating the aggregated flocs to generate treated water, and generating image data of the treated water by an image acquisition device. In addition to the image data of the agglomerated floc, the image data of the treated water is input to the aggregating agent determination model.

凝集沈澱処理によって生成された処理水（すなわち、沈澱槽内の上澄水）の画像データは、得られた処理水の色味、懸濁状況などの処理水の外観情報を含む。凝集フロックの画像データに加えて、処理水の画像データを含む学習データを用いることで、より精度の高い凝集剤判定モデルを機械学習アルゴリズムによって構築することができる。また、このような学習データを用いて構築された凝集剤判定モデルは、より精度の高い判定結果を出力することができる。 The image data of the treated water produced by the coagulation sedimentation treatment (that is, the supernatant water in the sedimentation tank) includes appearance information of the treated water such as the color and suspension status of the obtained treated water. By using the learning data including the image data of the treated water in addition to the image data of the agglomerated floc, a more accurate coagulant determination model can be constructed by the machine learning algorithm. In addition, the flocculant determination model constructed using such learning data can output more accurate determination results.

一態様では、前記排水処理方法は、前記凝集フロックを浮上させ、浮上した前記凝集フロックを前記排水から除去することで処理水を生成し、前記排水から除去された前記凝集フロックからなる汚泥の画像データ、および前記処理水の画像データのうち少なくとも一方を画像取得装置により生成する工程をさらに含み、前記凝集フロックの画像データに加えて、前記汚泥の画像データおよび前記処理水の画像データの一方または両方を前記凝集剤判定モデルに入力する。 In one aspect, the wastewater treatment method floats the aggregated flocs and removes the surfaced aggregated flocs from the wastewater to generate treated water, which is an image of sludge composed of the aggregated flocs removed from the wastewater. Further including a step of generating at least one of the data and the image data of the treated water by an image acquisition device, in addition to the image data of the aggregated flocs, one or one of the image data of the sludge and the image data of the treated water. Both are input to the flocculant determination model.

凝集浮上分離法によって生成された処理水（すなわち、凝集フロックが除去された水）の画像データは、得られた処理水の色味、懸濁状況などの処理水の外観情報を含む。凝集フロックの画像データに加えて、処理水の画像データを含む学習データを用いることで、より精度の高い凝集剤判定モデルを機械学習アルゴリズムによって構築することができる。また、このような学習データを用いて構築された凝集剤判定モデルは、より精度の高い判定結果を出力することができる。 The image data of the treated water produced by the agglomeration levitation separation method (that is, the water from which the agglomerated flocs have been removed) includes appearance information of the treated water such as the color and suspension status of the obtained treated water. By using the learning data including the image data of the treated water in addition to the image data of the agglomerated floc, a more accurate coagulant determination model can be constructed by the machine learning algorithm. In addition, the flocculant determination model constructed using such learning data can output more accurate determination results.

一態様では、前記排水処理方法は、前記凝集フロックを前記排水から分離して処理水を生成し、前記処理水の画像データを画像取得装置により生成し、前記処理水の画像データを、機械学習アルゴリズムにより構築された水質判定モデルに入力し、前記処理水の水質の予測値を前記水質判定モデルから出力する工程をさらに含む。 In one aspect, the wastewater treatment method separates the aggregated flocs from the wastewater to generate treated water, generates image data of the treated water by an image acquisition device, and machine-learns the image data of the treated water. It further includes a step of inputting to the water quality determination model constructed by the algorithm and outputting the predicted value of the water quality of the treated water from the water quality determination model.

水質判定モデルの構築においては、学習データの説明変数に処理水の画像データが使用され、学習データの目的変数には処理水の水質の実際の測定値が使用される。処理水の水質の測定値の例としては、処理水の濁度、および処理水のＣＯＤ（化学的酸素要求量）が挙げられる。このような学習データを用いて構築された水質判定モデルは、凝集処理によって得られる処理水の水質の予測値を出力することができる。 In the construction of the water quality judgment model, the image data of the treated water is used as the explanatory variable of the training data, and the actual measured value of the water quality of the treated water is used as the objective variable of the training data. Examples of measured values of water quality of treated water include turbidity of treated water and COD (chemical oxygen demand) of treated water. The water quality determination model constructed using such learning data can output the predicted value of the water quality of the treated water obtained by the agglomeration treatment.

水質判定モデルから出力された水質の予測値が所定のしきい値を超えたときに、警報を発してもよい。例えば、水質の予測値として処理水の濁度の予測値が１を超える場合、または、水質の予測値として処理水のＣＯＤが１０ｍｇ／Ｌを超える場合は、警報を発してもよい。このようなしきい値を設定しておくことで、省人化された設備においても、より安全、安心な運転が行なえる。 An alarm may be issued when the predicted value of water quality output from the water quality determination model exceeds a predetermined threshold value. For example, if the predicted value of the turbidity of the treated water exceeds 1 as the predicted value of the water quality, or if the COD of the treated water exceeds 10 mg / L as the predicted value of the water quality, an alarm may be issued. By setting such a threshold, safer and more secure operation can be performed even in the labor-saving equipment.

一態様では、前記排水処理方法は、前記凝集フロックを前記排水から分離して処理水を生成する工程をさらに含み、前記凝集フロックの画像データに加えて、前記凝集フロックを形成する工程と、前記凝集フロックを前記排水から分離する工程との時間差を前記凝集剤判定モデルに入力する。 In one aspect, the wastewater treatment method further comprises a step of separating the aggregated flocs from the wastewater to generate treated water, and in addition to the image data of the aggregated flocs, a step of forming the aggregated flocs and the step of forming the aggregated flocs. The time difference from the step of separating the agglomerated floc from the wastewater is input to the aggregating agent determination model.

排水処理プロセスは、数分から数時間の時間を要する。例えば凝集剤を添加して凝集フロックを形成してから、沈澱処理が完了するまでには数時間の時間遅れが生じる。従って、凝集フロック生成工程と凝集フロック分離工程とには時間差がある。凝集剤添加率を変更してから、沈澱処理の結果に変化が現れるまでのタイムラグは、水理学的シミュレーションモデルでも計算することは可能ではあるが、現実と整合を取る為には高精度なモデルと高い計算機能力を必要とする。このため、水理学的シミュレーションモデルを多くの現場に適用するにはコスト面での課題がある。 The wastewater treatment process can take minutes to hours. For example, there is a time delay of several hours from the addition of the flocculant to the formation of aggregate flocs until the precipitation treatment is completed. Therefore, there is a time lag between the aggregated floc generation step and the aggregated floc separation step. Although it is possible to calculate the time lag between changing the coagulant addition rate and the change in the result of the precipitation treatment using a hydraulic simulation model, it is a highly accurate model in order to be consistent with reality. And requires high computational power. Therefore, there is a cost problem in applying the hydraulic simulation model to many sites.

本発明では、凝集剤判定モデルを構築する際に、凝集フロック生成工程と凝集フロック分離工程との間の時間差を示す説明変数、例えば、ある基準時刻からの経過時間を学習データに加えることで、現実に起きるパラメータの変更操作とその変更によって生じる処理結果の変化との時間的関係性を内包した凝集剤判定モデルを構築することが可能となる。このような時間的関係性を含んだ凝集剤判定モデルは、時間遅れを伴う、排水の水質の変動や、攪拌機の回転速度の変更操作といった運転パラメータの変更に対しても、精度の高い凝集剤添加率の過不足の判定結果を出力することができる。 In the present invention, when constructing the flocculant determination model, an explanatory variable indicating the time difference between the flocculation floc generation step and the flocculation floc separation step, for example, the elapsed time from a certain reference time is added to the training data. It is possible to construct a flocculant determination model that includes a temporal relationship between a parameter change operation that actually occurs and a change in the processing result caused by the change. The coagulant determination model including such a temporal relationship is a coagulant with high accuracy even for changes in operating parameters such as fluctuations in the water quality of wastewater and changes in the rotation speed of the stirrer due to time delays. It is possible to output the determination result of excess or deficiency of the addition rate.

一態様では、前記凝集フロックの画像データに加えて、排水処理に関連する情報データを前記凝集剤判定モデルに入力する。 In one aspect, in addition to the image data of the agglomerated floc, information data related to the wastewater treatment is input to the aggregating agent determination model.

情報データは、排水の濁度、排水の色度、排水のＣＯＤ、排水のｐＨ、排水のＳＳ濃度、排水のアンモニア濃度、排水の全窒素濃度、排水の全りん濃度、排水のアルカリ度、排水の温度、排水の処理流量、排水処理装置に具備する撹拌機の回転速度、沈殿槽の汚泥引抜量や頻度などの水質や運転に関する数値で表されるデータを含む。凝集フロックの画像データに加えて、排水処理に関連する情報データを含む学習データを用いることで、より精度の高い凝集剤判定モデルを機械学習アルゴリズムによって構築することができる。また、このような学習データを用いて構築された凝集剤判定モデルは、より精度の高い判定結果を出力することができる。 Information data includes wastewater turbidity, wastewater color, wastewater COD, wastewater pH, wastewater SS concentration, wastewater ammonia concentration, wastewater total nitrogen concentration, wastewater total phosphorus concentration, wastewater alkalinity, wastewater. Includes numerical data on water quality and operation such as temperature, wastewater treatment flow rate, rotation speed of agitator installed in wastewater treatment equipment, sludge extraction amount and frequency of settling tank. By using the learning data including the information data related to the wastewater treatment in addition to the image data of the agglomerate floc, a more accurate coagulant determination model can be constructed by the machine learning algorithm. In addition, the flocculant determination model constructed using such learning data can output more accurate determination results.

一態様では、前記判定結果は凝集剤添加率の制御に用いられる。
凝集剤添加率の過不足の判定結果から、排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、現在の凝集剤添加率を０．５分間で＋５０％だけ増加させ、２：「やや少ない」であれば、現在の凝集剤添加率を０．５分間で＋２５％だけ増加させ、３：「最適」であれば、現在の凝集剤添加率を不変とし、４：「やや多い」であれば、現在の凝集剤添加率を０．５分間で－２５％だけ低下させ、５：「多い」であれば、現在の凝集剤添加率を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、凝集剤添加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。 In one aspect, the determination result is used to control the addition rate of the flocculant.
It is possible to automatically optimize the operation of the wastewater treatment system from the judgment result of the excess or deficiency of the coagulant addition rate. For example, the determination result is output in a predetermined cycle, for example, every minute. At a certain time T, if the judgment result is 1: "less", the current coagulant addition rate is increased by + 50% in 0.5 minutes, and if 2: "slightly less", the current coagulant addition is added. Increase the rate by + 25% in 0.5 minutes, 3: if "optimal", the current coagulant addition rate is unchanged, 4: if "slightly high", the current coagulant addition rate is 0. .Reduces by -25% in 5 minutes, 5: If "high", reduces current flocculant addition rate by -50% in 0.5 minutes. Subsequently, the determination result is output again at time T + 1, and the coagulant addition rate is adjusted in the same manner. This step is repeated until the optimum determination result is output.

上記例では、凝集剤添加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、凝集剤添加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 the excess or deficiency of the coagulant addition 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 determination result of excess or deficiency of the coagulant addition 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、つまり排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、あるいは排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添加率は、その排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添加率により、排水処理システムの制御は開始される。その後は、凝集剤が添加されてから、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添加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 wastewater treatment system to the control based on the above model, or when the operation of the wastewater treatment system is newly started, the coagulant addition rate at the time when the control is started is set. The value may be determined from the past knowledge of the wastewater treatment system, the judgment of an expert, the batch test such as the jar test, and the like. The control of the wastewater treatment system is started by the coagulant addition rate determined here. After that, after considering the water flow time from the addition of the coagulant to the point to be photographed by the image acquisition device, the control for optimizing the coagulant addition rate using the above model is started. good.

一態様では、前記排水処理方法は、前記凝集フロックの状態とは無関係の、前記凝集剤添加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、前記凝集剤添加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、前記凝集剤添加率を補正する工程をさらに含む。 In one aspect, in the wastewater treatment method, a reference value of the coagulant addition rate, which is irrelevant to the state of the coagulant floc, is determined by a reference value calculation formula, and a correction value of the reference value is used as the coagulant addition rate. Further includes a step of correcting the coagulant addition 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.

排水処理システムに流入する排水の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、凝集剤添加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添加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、凝集剤添加率の過不足を示す判定結果から決定する。 If the quality of the wastewater flowing into the wastewater treatment system changes suddenly in a short period of time, the control may be delayed and the quality of the treated water may deteriorate. Therefore, the computer has a standard value calculation formula for determining the standard value of the coagulant addition rate regardless of the state of the flocculant floc, and the standard value of the coagulant addition rate is used by using this standard 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 addition rate.

基準値算定式は、例えば、排水水質計にて常時監視している排水水質（濁度、色度、ｐＨ、ＣＯＤなど）の値から、凝集剤添加率の基準値（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、排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、つまり排水水質の値と、対応する凝集剤添加率から、統計学的な解析手法により、排水水質の値から、対応する凝集剤添加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添加率の基準値に基づいて凝集剤は添加され、凝集フロックが形成される。 In the standard value calculation formula, for example, the standard value (D 0 ) of the coagulant addition rate is determined from the value of the wastewater quality (turbidity, chromaticity, pH, COD, etc.) constantly monitored by the wastewater quality meter. Is the formula for. This standard value calculation formula is, for example, from the data set of the past operation results in the wastewater treatment system, that is, the value of the wastewater quality and the corresponding coagulant addition rate, from the value of the wastewater quality by the statistical analysis method. It is possible to use a regression equation to calculate the corresponding flocculant addition rate. The flocculant is added based on the reference value of the coagulant addition 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凝集剤判定モデルに入力することより、凝集剤添加率の過不足を判定する。ここで、Ｄ０を凝集剤添加率の基準値（ｍｇ／Ｌ）、ｄを凝集剤添加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、補正された凝集剤添加率（Ｄ，ｍｇ／Ｌ）は、次の補正式（１）で表される。
Ｄ＝Ｄ０×（１＋ｄ／１００） （１） The agglomerated sol is imaged by the above-mentioned method, and the image data of the agglomerated sol is input to the above-mentioned agglomerating agent determination model to determine the excess or deficiency of the agglomerating agent addition rate. Here, let D 0 be a reference value (mg / L) of the coagulant addition rate, and d be a correction value represented by a positive or negative percentage (%) indicating the determination result of excess or deficiency of the coagulant addition rate. The corrected coagulant addition rate (D, mg / L) is expressed by the following correction formula (1).
D = D 0 × (1 + d / 100) (1)

補正値ｄは、凝集剤添加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、補正された凝集剤添加率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添加率の制御を、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 addition rate, + 50% (when "small"), + 25% (when "slightly small"), 0% (when "optimal"), -25%. (In the case of "slightly more") or -50% (in the case of "more"). For example, when D 0 = 20 mg / L and d = -25%, the corrected flocculant addition rate D is 15 mg / L. According to the above-described embodiment, it is possible to control the coagulant addition rate based on the image data of the coagulated flocs more quickly.

一態様では、前記排水処理方法は、前記凝集フロックの画像データと、実際の凝集剤添加率の過不足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、前記凝集剤判定モデルを更新する工程をさらに含む。 In one aspect, the wastewater treatment method is a step of updating the coagulant determination model using a data set consisting of a combination of image data of the coagulant flocs and a numerical value indicating an excess or deficiency of an actual coagulant addition rate. Including further.

機械学習アルゴリズムによって構築された上記凝集剤判定モデルは、その凝集剤判定モデルを用いた運転を実施している排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、最初に凝集剤判定モデルを構築した際から、排水処理システムにおける排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-mentioned coagulant determination model constructed by the machine learning algorithm is continuously updated based on newly obtained data in the wastewater treatment system in which the operation using the coagulant determination model is carried out. As a result, even if the properties of wastewater in the wastewater treatment system change significantly or the operation method is changed from the time when the flocculant determination model was first constructed, the model will be updated according to the actual situation. Can continuously output appropriate determination results.

一態様では、凝集剤を排水に添加して凝集フロックを形成する凝集フロック形成槽と、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凝集剤判定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、前記凝集剤判定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凝集剤判定モデルに入力し、凝集剤添加率の過不足を示す判定結果を前記凝集剤判定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、排水処理システムが提供される。 In one aspect, it has an aggregate floc forming tank that forms aggregate flocs by adding an flocculant to wastewater, an image acquisition device that generates image data of the aggregate flocs, and a flocculant determination model constructed by a machine learning algorithm. The computer comprises a storage device in which the flocculant determination model is stored, and at least the image data is input to the flocculant determination model, and the determination result indicating the excess or deficiency of the flocculant addition rate is input to the flocculant. A wastewater treatment system is provided that includes a treatment device that performs calculations for output from the determination model.

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、凝集剤添加率の過不足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 an excess or deficiency of the coagulant addition rate.

本発明に係る排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凝集剤判定モデルと、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、凝集剤添加率の過不足を、自動的に高精度でリアルタイムに判定することができ、より最適な排水処理システムの運転が可能となる。 According to the wastewater treatment method according to the present invention, the excess or deficiency of the coagulant addition rate is determined from the image data of the coagulant floc obtained by the coagulant determination model constructed by the machine learning algorithm and the image acquisition device such as a small camera. , It is possible to automatically judge in real time with high accuracy, and it is possible to operate a more optimal wastewater treatment system.

凝集剤添加率の過不足を判定する凝集剤判定モデルの一実施形態を示す模式図である。It is a schematic diagram which shows one Embodiment of the flocculant determination model which determines the excess or deficiency of the coagulant addition rate. 排水処理システムの一実施形態を示す図である。It is a figure which shows one Embodiment of a wastewater treatment system. 排水処理システムの他の実施形態を示す図である。It is a figure which shows the other embodiment of the wastewater treatment system. 排水処理システムのさらに他の実施形態を示す図である。It is a figure which shows still another embodiment of a wastewater treatment system. 排水処理システムのさらに他の実施形態を示す図である。It is a figure which shows still another embodiment of a wastewater treatment system. 演算システム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。It is a schematic diagram which shows one Embodiment of the computer which constitutes at least a part of the arithmetic system.

図２は排水処理システムの一実施形態を示す図である。この排水処理システムでは、ろ過法を用いている排水処理システムにおいて学習済みモデルを用いて、凝集剤添加率の過不足（凝集フロックの状態）を判定し、凝集剤添加率の制御を行う。「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、以下に説明する排水処理システムの各実施形態に適用される。 FIG. 2 is a diagram showing an embodiment of a wastewater treatment system. In this wastewater treatment system, an excess or deficiency of the coagulant addition rate (state of coagulation floc) is determined by using a trained model in the wastewater treatment system using the filtration method, and the coagulant addition rate is controlled. 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 wastewater treatment system described below.

排水処理システムは、撹拌槽としての急速撹拌槽１および緩速撹拌槽２と、排水に凝集剤を添加する凝集剤添加ポンプ５を備えている。急速撹拌槽１および緩速撹拌槽２は、凝集剤を排水に添加して凝集フロックを形成する凝集フロック形成槽として機能する。凝集剤添加ポンプ５は、急速撹拌槽１に接続されており、凝集剤を急速撹拌槽１内の排水に添加するように配置されている。排水処理システムは、凝集剤を緩速撹拌槽２内の排水に添加する凝集剤添加ポンプ１０をさらに備えている。凝集剤添加ポンプ５によって急速撹拌槽１に添加される凝集剤は、無機凝集剤であり、凝集剤添加ポンプ１０によって緩速撹拌槽２に添加される凝集剤は、有機凝集剤である。一実施形態では、緩速撹拌槽２および凝集剤添加ポンプ１０は設けられないこともある。 The wastewater treatment system includes a rapid stirring tank 1 and a slow speed stirring tank 2 as stirring tanks, and a flocculant addition pump 5 for adding a flocculant to wastewater. The rapid stirring tank 1 and the slow speed stirring tank 2 function as a coagulating floc forming tank that forms a coagulating floc by adding a coagulant to the waste water. The coagulant addition pump 5 is connected to the rapid stirring tank 1 and is arranged so as to add the coagulant to the drainage in the rapid stirring tank 1. The wastewater treatment system further includes a flocculant addition pump 10 that adds the flocculant to the wastewater in the slow stirring tank 2. The flocculant added to the rapid stirring tank 1 by the flocculant addition pump 5 is an inorganic flocculant, and the flocculant added to the slow stirring tank 2 by the flocculant addition pump 10 is an organic flocculant. In one embodiment, the slow stirring tank 2 and the coagulant addition pump 10 may not be provided.

排水導入ライン３は、急速撹拌槽１に接続されており、処理される排水は排水導入ライン３を通じて急速撹拌槽１に供給される。緩速撹拌槽２は急速撹拌槽１に連結されている。急速撹拌槽１は、凝集剤が添加された排水を撹拌し、排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２は、凝集フロックを含む排水を撹拌し、凝集フロックを粗大化させる撹拌槽である。 The wastewater introduction line 3 is connected to the rapid stirring tank 1, and the treated wastewater is supplied to the rapid stirring tank 1 through the drainage introduction line 3. The slow-speed stirring tank 2 is connected to the rapid stirring tank 1. The rapid stirring tank 1 is a stirring tank that stirs the wastewater to which the coagulant is added and aggregates the suspended solids in the wastewater to form coagulated flocs. The slow-speed stirring tank 2 is a stirring tank that agitates the wastewater containing the aggregated flocs and coarsens the aggregated flocs.

排水処理システムは、凝集フロックを排水から分離させる分離槽としての沈澱槽７をさらに備えている。沈澱槽７は緩速撹拌槽２に連結されている。緩速撹拌槽２で成長した凝集フロックを含む排水は、沈澱槽７に送られる。凝集フロックは沈澱槽７内で沈澱され、これにより凝集フロックが排水から分離される。沈澱した凝集フロックは、汚泥として沈澱槽７の底部から排出される。沈澱槽７内の上澄水は処理水であり、この処理水は沈澱槽７の樋７ａから排出される。 The wastewater treatment system further includes a settling tank 7 as a separation tank that separates the aggregated flocs from the wastewater. The settling tank 7 is connected to the slow stirring tank 2. The wastewater containing the aggregated flocs grown in the slow stirring tank 2 is sent to the settling tank 7. The aggregated flocs are settled in the settling tank 7 so that the aggregated flocs are separated from the drainage. The coagulated flocs that have settled are discharged from the bottom of the settling tank 7 as sludge. The supernatant water in the settling tank 7 is treated water, and this treated water is discharged from the gutter 7a of the settling tank 7.

排水処理システムは、急速撹拌槽１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凝集剤判定モデルに入力し、凝集剤添加率の過不足を示す判定結果を凝集剤判定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、凝集剤判定モデルを構築および更新するためのプログラム、および上記凝集剤判定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、少なくとも凝集フロックの画像データを凝集剤判定モデルに入力し、凝集剤添加率の過不足を示す判定結果を凝集剤判定モデルから出力するための演算を実行する。 The wastewater treatment system inputs the image acquisition device 12 that generates the image data of the agglomerated flocs formed in the rapid stirring tank 1 and at least the image data into the aggregating agent determination model constructed by the machine learning algorithm, and the aggregating agent. Further, it is provided with a calculation system 100 that outputs a determination result indicating excess or deficiency of the addition rate from the flocculant determination model. The calculation system 100 includes a program for constructing and updating a flocculant determination model, a storage device 110 in which the flocculant determination model is stored, and a processing device 120 (GPU, CPU, etc.) that executes calculations according to the program. ing. The processing apparatus 120 inputs at least the image data of the agglomerating flocs into the aggregating agent determination model, and executes an operation for outputting the determination result indicating the excess or deficiency of the aggregating agent addition rate from the aggregating agent determination model.

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添加率の過不足（すなわち、凝集フロックの状態の良否）を判定する上記凝集剤判定モデルは、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 arithmetic system 100 is composed of at least one computer. The at least one computer may be one server or a plurality of servers. The coagulant determination model for determining the excess or deficiency of the coagulant addition rate (that is, the quality of the agglomerated floc state) based on at least the image data of the agglomerated flocs is stored in the storage device 110 of the arithmetic system 100. Further, the above-mentioned reference value calculation formula is also stored in the storage device 110 of the arithmetic system 100.

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いし、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 computing system 100 may be an edge server connected to the image acquisition device 12 by a communication line, a cloud server connected to the image acquisition device 12 by a network such as the Internet, or an image acquisition. It may be a fog computing device (gateway, fog server, router, etc.) installed in the network connected to the device 12. The arithmetic system 100 may be a plurality of servers connected by a network such as the Internet. For example, the arithmetic system 100 may be a combination of an edge server and a cloud server.

本実施形態においては、凝集剤添加後の急速撹拌槽１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１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１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１の内部（水面下）、または急速撹拌槽１と緩速撹拌槽２を繋ぐ配管内などでも構わない。 In the present embodiment, the agglomerated flocs in the rapid stirring tank 1 after the addition of the aggregating agent are photographed by the image acquisition device 12. The image acquisition device 12 generates image data of aggregated flocs and sends the image data to the arithmetic system 100. The arithmetic system 100 acquires image data from the image acquisition device 12 and stores it in the storage device 110. The image acquisition device 12 is installed above the rapid stirring tank 1 (above the water surface). An illuminator such as an LED light illuminates the aggregated flocs in the rapid stirring tank 1 so that the image acquisition device 12 can clearly image the aggregated flocs. The installation position of the image acquisition device 12 may be inside the rapid stirring tank 1 (below the water surface) or in the pipe connecting the rapid stirring tank 1 and the slow speed stirring tank 2 as long as the aggregated flocs can be clearly imaged. do not have.

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 image acquisition device 12 is a digital camera provided with an image sensor (for example, a CCD image sensor or a CMOS image sensor) capable of generating a still image or a continuous image. As for the specifications of the digital camera, in order to keep the focal length constant, it is desirable to have a manual focus function, and it is preferable that the number of pixels is 5 million pixels or more, and preferably 10 million pixels or more.

本実施形態では、撮像の対象とする凝集フロックは、急速撹拌槽１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、凝集剤添加率の制御の観点から好ましいからである。排水変動が乏しい処理水場などであれば、緩速撹拌槽２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 aggregated floc to be imaged is the aggregated floc in the rapid stirring tank 1. This is because the control delay can be shortened, which is preferable from the viewpoint of controlling the coagulant addition rate. If the treated water field has little fluctuation in wastewater, the coarsened aggregate flocs in the slow-speed stirring tank 2 may be the target of imaging.

凝集剤添加ポンプ５は、演算システム１００に電気的に接続されている。演算システム１００は、凝集剤判定モデルから出力された凝集剤添加率の過不足の判定結果に基づいて、凝集剤添加ポンプ５に指令を発して凝集剤の添加率を調整する。具体的には、現在の凝集剤添加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は凝集剤添加ポンプ５に指令を発して凝集剤添加率を増加させる。現在の凝集剤添加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は凝集剤添加ポンプ５に指令を発して凝集剤添加率を低下させる。このように、演算システム１００は、凝集剤判定モデルから出力された判定結果に基づいて凝集剤添加ポンプ５の動作を制御することにより、凝集剤の添加率を最適化することができる。凝集剤判定モデルを用いた凝集剤添加率の最適化の開始時点における、凝集剤の添加率は、排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 coagulant addition pump 5 is electrically connected to the arithmetic system 100. The calculation system 100 issues a command to the coagulant addition pump 5 to adjust the coagulant addition rate based on the determination result of excess or deficiency of the coagulant addition rate output from the coagulant determination model. Specifically, when the determination result indicates that the current coagulant addition rate is low, the arithmetic system 100 issues a command to the coagulant addition pump 5 to increase the coagulant addition rate. When the determination result indicates that the current coagulant addition rate is high, the arithmetic system 100 issues a command to the coagulant addition pump 5 to reduce the coagulant addition rate. As described above, the calculation system 100 can optimize the addition rate of the coagulant by controlling the operation of the coagulant addition pump 5 based on the determination result output from the coagulant determination model. The coagulant addition rate at the start of the optimization of the coagulant addition rate using the coagulant determination model is determined from the knowledge based on the past operation of the wastewater treatment system and the jar test result.

一実施形態では、排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、ＣＯＤ測定器２３が排水導入ライン３に接続されてもよい。濁度センサ２１、ｐＨセンサ２２、ＣＯＤ測定器２３は演算システム１００に電気的に接続されており、排水の濁度、ｐＨ、ＣＯＤの測定値は演算システム１００に入力される。さらに、情報データとして、排水の色度、排水の処理流量、急速撹拌槽１および／または緩速撹拌槽２の攪拌回転速度、沈殿槽７の汚泥引抜量や頻度、凝集剤添加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。凝集フロックの画像データに加えて、上記情報データを含む学習データを用いることで、より精度の高い凝集剤判定モデルを機械学習アルゴリズムによって構築することができる。 In one embodiment, the turbidity sensor 21, the pH sensor 22, and the COD measuring instrument 23 for acquiring information data related to wastewater treatment may be connected to the wastewater introduction line 3. The turbidity sensor 21, the pH sensor 22, and the COD measuring device 23 are electrically connected to the calculation system 100, and the measured values of the turbidity, pH, and COD of the wastewater are input to the calculation system 100. Further, as information data, among the chromaticity of wastewater, the treatment flow rate of wastewater, the stirring rotation speed of the rapid stirring tank 1 and / or the slow stirring tank 2, the sludge withdrawal amount and frequency of the settling tank 7, and the coagulant addition rate. At least one may be input to the arithmetic system 100. By using the learning data including the above information data in addition to the image data of the aggregation floc, a more accurate aggregation agent determination model can be constructed by the machine learning algorithm.

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、学習済みの凝集剤判定モデルに入力され、凝集剤判定モデルは、凝集剤添加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に流達している排水の水質と、その時点での排水導入ライン３での排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排水水質は、排水導入ライン３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 trained coagulant determination model together with the image data of the coagulation flocs, and the coagulant determination model outputs the determination result of excess or deficiency of the coagulant addition rate. Since the water quality of the wastewater flowing to the image acquisition device 12 at the time of the aggregated floc photography and the water quality of the wastewater at the drainage introduction line 3 at that time may be different, the wastewater corresponding to the acquired image data of the aggregated flocs. For the water quality, it is desirable to adopt a value considering the inflow time from the drainage introduction line 3 to the image acquisition device 12.

前記凝集剤判定モデルの構築は、ディープラーニング法などを用いて、凝集剤判定モデルを用いた運用前に図２に示す排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凝集剤判定モデルにおいては、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、凝集剤判定モデルの構築におけるデータは、季節変動による排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凝集剤判定モデルを構築することが望ましい。但し、排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、類似した排水を処理する同様の排水処理システムにおいてすでに凝集剤判定モデルが構築されている場合、その凝集剤判定モデルを流用することも可能である。 The construction of the flocculant determination model is performed by acquiring various data with the wastewater treatment system shown in FIG. 2 before the operation using the flocculant determination model by using a deep learning method or the like. Here, in the coagulant judgment model using the machine learning algorithm, the prediction accuracy for the input data that has not been experienced is basically low, so the data in the construction of the coagulant judgment model is the wastewater quality due to seasonal fluctuation. Those that include changes are desirable. Therefore, it is desirable to construct a flocculant determination model using the data acquired over one year or more. However, if the wastewater quality is stable, it is possible to shorten the data acquisition period. Further, when a coagulant determination model has already been constructed in a similar wastewater treatment system for treating similar wastewater, the coagulant determination model can be diverted.

凝集剤判定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、すなわち凝集剤添加率の過不足に関するものである。本情報を参考に、排水処理システムの運転員が凝集剤添加率の見直しを行ってもよいが、図２の通り、本情報を凝集剤の制御に組み込めば、連続的に凝集剤添加率の最適化を図ることが可能である。このようにして、本排水処理システムは、継続的に安定運転が可能となる。 The aggregated floc information output from the flocculant determination model relates to the quality of the aggregated floc state, that is, the excess or deficiency of the flocculant addition rate. The operator of the wastewater treatment system may review the coagulant addition rate with reference to this information, but as shown in Fig. 2, if this information is incorporated into the coagulant control, the coagulant addition rate will be continuously increased. It is possible to optimize. In this way, the wastewater treatment system can be continuously operated stably.

しかしながら、排水処理システムの運転が長期化すると、排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、凝集剤判定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、凝集剤判定モデルの更新を適宜行う必要がある。凝集剤添加率の過不足の判定結果が正しかったか否かは、沈澱槽７の出口部での処理水（上澄水）の濁度や色度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、凝集せずに処理水に残存した懸濁物質が多くなったりして、処理水の濁度は高くなる。 However, if the operation of the wastewater treatment system is prolonged, the wastewater quality may change or a part of the operation flow may be changed, and the flocculant determination model may not be able to output an appropriate determination result. Therefore, it is necessary to update the flocculant determination model as appropriate. Whether or not the determination result of the excess or deficiency of the coagulant addition rate was correct can be determined based on the turbidity and chromaticity of the treated water (supernatant water) at the outlet portion of the settling tank 7. If the agglomeration treatment is not performed properly, the sedimentation property of the agglomerated flocs deteriorates, or the amount of suspended solids remaining in the treated water without agglomeration increases, and the turbidity of the treated water becomes high.

そこで、本実施形態では、凝集剤判定モデルの運用中、処理水濁度の値を、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、説明変数と目的変数を含む学習データに補足情報として加える。この補足情報と、凝集剤判定モデルの出力結果を比較し、凝集剤判定モデルの精度を定期的に検証する。凝集剤判定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、前記学習データの目的変数に、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、凝集剤判定モデルの更新を行う。 Therefore, in the present embodiment, the value of the treated water turbidity is continuously acquired by the turbidity sensor 30 during the operation of the flocculant determination model, and the explanatory variables and the objective variables are included after considering the inflow time. Add to the training data as supplementary information. This supplementary information is compared with the output result of the flocculant determination model, and the accuracy of the flocculant determination model is regularly verified. If the accuracy of the coagulant judgment model is lower than at the beginning of operation, the correct answer data is re-given to the objective variable of the training data based on the supplementary information, and the coagulant judgment model is updated by the deep learning method or the like. conduct.

演算システム１００が、排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、凝集剤判定モデルの更新作業はクラウドサーバで行い、その後、更新された凝集剤判定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 arithmetic system 100 includes an edge server at the edge (site) of the wastewater treatment system and a cloud server connected to the edge server by a network (for example, the Internet), the work of updating the flocculant determination model is performed. It is desirable to perform this on the cloud server, and then send the updated flocculant determination model to the edge server and store it in the edge server.

図３は排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２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、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、凝集剤添加率の過不足を判定し、凝集剤添加率の制御を行う方法の一例である。 FIG. 3 is a diagram showing another embodiment of the wastewater treatment system. Since the configuration of the present embodiment, which is not particularly described, is the same as that of the embodiment shown in FIG. 2, the duplicated description thereof will be omitted. In this embodiment, similarly to the above-described embodiment, a method of determining excess or deficiency of the coagulant addition rate and controlling the coagulant addition rate by using a model learned in a treatment system using a filtration method. This is an example.

排水処理システムは、急速撹拌槽１に導入される前の排水の画像データを生成する画像取得装置３２と、緩速撹拌槽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３３と、沈澱槽７で凝集フロックが除去された処理水（上澄水）の画像データを生成する画像取得装置３４をさらに備えている。画像取得装置３２は排水導入ライン３を向いて設置され、画像取得装置３３は緩速撹拌槽２を向いて設置され、画像取得装置３４は沈澱槽７の出口を向いて設置されている。 The wastewater treatment system includes an image acquisition device 32 that generates image data of wastewater before being introduced into the rapid stirring tank 1, and an image acquisition device 33 that generates image data of aggregated flocs formed in the slow stirring tank 2. Further, an image acquisition device 34 for generating image data of treated water (supernatant water) from which aggregated flocs have been removed in the settling tank 7 is provided. The image acquisition device 32 is installed facing the drainage introduction line 3, the image acquisition device 33 is installed facing the slow stirring tank 2, and the image acquisition device 34 is installed facing the outlet of the settling tank 7.

画像取得装置３２は、排水導入ライン３を流れる排水、すなわち凝集剤が添加される前の排水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。画像取得装置３３は、緩速撹拌槽２内で成長した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。画像取得装置３４は、沈澱槽７での沈降処理によって凝集フロックが除去された処理水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、これらの画像データを記憶装置１１０に記憶する。 The image acquisition device 32 generates image data of the wastewater flowing through the wastewater introduction line 3, that is, the wastewater before the coagulant is added, and sends the image data to the arithmetic system 100. The image acquisition device 33 generates image data of the aggregated flocs grown in the slow stirring tank 2, and sends the image data to the arithmetic system 100. The image acquisition device 34 generates image data of the treated water from which the aggregated flocs have been removed by the settling treatment in the settling tank 7, and sends the image data to the arithmetic system 100. The arithmetic system 100 stores these image data in the storage device 110.

演算システム１００は、凝集剤が添加される前の排水の画像データと、急速撹拌槽１内の凝集フロックの画像データと、緩速撹拌槽２内の凝集フロックの画像データと、処理水の画像データと、実際の凝集剤添加率の過不足を表す数値（すなわち正解データ）を含む学習データを用いて、機械学習アルゴリズムにより凝集剤判定モデルを構築する。 The calculation system 100 includes image data of the wastewater before the coagulant is added, image data of the agglomerated flocs in the rapid stirring tank 1, image data of the agglomerated flocs in the slow stirring tank 2, and an image of the treated water. A coagulant determination model is constructed by a machine learning algorithm using the data and the training data including the numerical values (that is, correct answer data) indicating the excess or deficiency of the actual coagulant addition rate.

排水処理システムの運転中は、演算システム１００は、凝集剤が添加される前の排水の画像データ、急速撹拌槽１内の凝集フロックの画像データ、緩速撹拌槽２内の凝集フロックの画像データ、および処理水の画像データを、構築された凝集剤判定モデルに入力し、凝集剤判定モデルは、凝集剤添加率の過不足を示す判定結果を出力する。一実施形態では、凝集剤が添加される前の排水の画像データ、および処理水の画像データのうちのいずれか一方、または両方を省略してもよい。 During the operation of the wastewater treatment system, the arithmetic system 100 uses image data of wastewater before the addition of the flocculant, image data of aggregated flocs in the rapid stirring tank 1, and image data of aggregated flocs in the slow stirring tank 2. , And the image data of the treated water is input to the constructed coagulant determination model, and the coagulant determination model outputs a determination result indicating excess or deficiency of the coagulant addition rate. In one embodiment, one or both of the image data of the waste water before the addition of the flocculant and the image data of the treated water may be omitted.

凝集剤添加ポンプ５，１０は、演算システム１００に電気的に接続されている。演算システム１００は、凝集剤判定モデルから出力された凝集剤添加率の過不足の判定結果に基づいて、凝集剤添加ポンプ５，１０に指令を発して凝集剤の添加率を調整する。 The coagulant addition pumps 5 and 10 are electrically connected to the arithmetic system 100. The calculation system 100 issues a command to the coagulant addition pumps 5 and 10 to adjust the coagulant addition rate based on the determination result of excess or deficiency of the coagulant addition rate output from the coagulant determination model.

図４は排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、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、凝集剤添加率の過不足を判定し、凝集剤添加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 wastewater treatment system. Since the configuration of the present embodiment, which is not particularly described, is the same as that of the embodiment shown in FIG. 3, the duplicated description thereof will be omitted. In this embodiment, similarly to the above-described embodiment, a method of determining excess or deficiency of the coagulant addition rate and controlling the coagulant addition rate by using a model learned in a treatment system using a filtration method. This is an example.

本実施形態の排水処理システムは、凝集フロックを排水から分離させる分離槽として、沈澱槽７に代えて、浮上槽４０を備えている。浮上槽４０は、緩速撹拌槽２に連結されている。浮上槽４０には、加圧された空気を含む加圧水を供給する加圧水供給ライン４１が接続されている。加圧水は、加圧水供給ライン４１を通じて浮上槽４０内に注入される。加圧水に含まれる空気は、浮上槽４０に保持されている排水中に微小な気泡を形成する。気泡は、凝集フロックに付着し、凝集フロックを浮上させる。浮上した凝集フロックは、スカムスキマ４４によって掻き寄せられ、汚泥として樋４５に集められ、さらに樋４５を通って浮上槽４０から排出される。凝集フロックが除去された処理水は、処理水排出ライン４７を通じて浮上槽４０から排出される。 The wastewater treatment system of the present embodiment includes a floating tank 40 instead of the settling tank 7 as a separation tank for separating the aggregated flocs from the wastewater. The levitation tank 40 is connected to the slow speed stirring tank 2. A pressurized water supply line 41 for supplying pressurized water containing pressurized air is connected to the levitation tank 40. The pressurized water is injected into the floating tank 40 through the pressurized water supply line 41. The air contained in the pressurized water forms minute bubbles in the drainage held in the levitation tank 40. The bubbles adhere to the aggregated flocs and levitate the aggregated flocs. The floating aggregated flocs are scraped by the scum skimmer 44, collected as sludge in the gutter 45, and further discharged from the floating tank 40 through the gutter 45. The treated water from which the cohesive flocs have been removed is discharged from the floating tank 40 through the treated water discharge line 47.

排水処理システムは、排水から除去された凝集フロックからなる汚泥の画像データを生成する画像取得装置４８と、浮上槽４０から排出された処理水の画像データを生成する画像取得装置４９をさらに備えている。画像取得装置４８は、凝集フロックを回収する樋４５を向いて配置されており、画像取得装置４９は処理水排出ライン４７を向いて設置されている。 The wastewater treatment system further includes an image acquisition device 48 that generates image data of sludge made of aggregated flocs removed from the wastewater, and an image acquisition device 49 that generates image data of the treated water discharged from the floating tank 40. There is. The image acquisition device 48 is arranged facing the gutter 45 for collecting the aggregated flocs, and the image acquisition device 49 is installed facing the treated water discharge line 47.

画像取得装置４８は、排水から除去された凝集フロックからなる汚泥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。画像取得装置４９は、処理水排出ライン４７を流れる処理水、すなわち浮上槽４０での浮上分離処理によって凝集フロックが除去された処理水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、これらの画像データを記憶装置１１０に記憶する。 The image acquisition device 48 generates image data of sludge made of aggregated flocs removed from the wastewater, and sends the image data to the arithmetic system 100. The image acquisition device 49 generates image data of the treated water flowing through the treated water discharge line 47, that is, the treated water from which the aggregated flocs have been removed by the levitation separation process in the levitation tank 40, and sends the image data to the arithmetic system 100. .. The arithmetic system 100 stores these image data in the storage device 110.

演算システム１００は、凝集剤が添加される前の排水の画像データと、急速撹拌槽１内の凝集フロックの画像データと、緩速撹拌槽２内の凝集フロックの画像データと、汚泥の画像データと、処理水の画像データと、実際の凝集剤添加率の過不足を表す数値（すなわち正解データ）を含む学習データを用いて、機械学習アルゴリズムにより凝集剤判定モデルを構築する。 The calculation system 100 includes image data of drainage before the addition of the flocculant, image data of aggregated flocs in the rapid stirring tank 1, image data of aggregated flocs in the slow stirring tank 2, and image data of sludge. And, using the image data of the treated water and the training data including the numerical value (that is, the correct answer data) indicating the excess or deficiency of the actual coagulant addition rate, the coagulant determination model is constructed by the machine learning algorithm.

排水処理システムの運転中は、演算システム１００は、凝集剤が添加される前の排水の画像データ、急速撹拌槽１内の凝集フロックの画像データ、緩速撹拌槽２内の凝集フロックの画像データ、汚泥の画像データ、および処理水の画像データを、構築された凝集剤判定モデルに入力し、凝集剤判定モデルは、凝集剤添加率の過不足を示す判定結果を出力する。一実施形態では、汚泥の画像データ、および処理水の画像データのうちのいずれか一方、または両方を省略してもよい。 During the operation of the wastewater treatment system, the arithmetic system 100 may use image data of wastewater before the addition of the flocculant, image data of aggregated flocs in the rapid stirring tank 1, and image data of aggregated flocs in the slow stirring tank 2. , The image data of sludge, and the image data of the treated water are input to the constructed coagulant determination model, and the coagulant determination model outputs a determination result indicating excess or deficiency of the coagulant addition rate. In one embodiment, one or both of the sludge image data and the treated water image data may be omitted.

演算システム１００は、凝集剤判定モデルから出力された凝集剤添加率の過不足の判定結果に基づいて、凝集剤添加ポンプ５，１０に指令を発して凝集剤の添加率を調整する。 The calculation system 100 issues a command to the coagulant addition pumps 5 and 10 to adjust the coagulant addition rate based on the determination result of excess or deficiency of the coagulant addition rate output from the coagulant determination model.

図５は排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１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。本実施形態の排水処理システムは、生物反応槽５１と、沈澱槽５２を備えている。生物反応槽５１は、凝集剤を排水に添加して凝集フロックを形成する凝集フロック形成槽として機能する。沈澱槽５２は、凝集フロックを排水から分離させる分離槽として機能する。生物反応槽５１と沈澱槽５２は連絡流路５５で連結されている。 FIG. 5 is a diagram showing another embodiment of the wastewater treatment system. Since the configuration of the present embodiment, which is not particularly described, is the same as that of the embodiment shown in FIG. 1, the duplicated description thereof will be omitted. The wastewater treatment system of the present embodiment includes a biological reaction tank 51 and a settling tank 52. The biological reaction tank 51 functions as a coagulation floc forming tank that forms a coagulation floc by adding a coagulant to the wastewater. The settling tank 52 functions as a separation tank that separates the aggregated flocs from the wastewater. The biological reaction tank 51 and the settling tank 52 are connected by a connecting flow path 55.

生物反応槽５１は、標準活性汚泥法、生物膜法、生物学的窒素除去法、生物学的リン除去法などに従った生物処理を排水に対して実施するための処理槽である。処理される排水は、排水導入ライン３を通じて生物反応槽５１に流入し、その後、連絡流路５５を通じて沈澱槽５２に流入する。生物反応槽５１は、越流部５１Ａを有しており、生物処理が実施された排水は越流部５１Ａを通過した後に沈澱槽５２に移送される。沈澱槽５２も越流部５２Ａを有している。凝集フロックが除去された処理水（上澄水）は、越流部５２Ａを通じて沈澱槽５２から排出される。 The biological reaction tank 51 is a treatment tank for carrying out biological treatment on wastewater according to a standard activated sludge method, a biological membrane method, a biological nitrogen removal method, a biological phosphorus removal method, and the like. The treated wastewater flows into the biological reaction tank 51 through the wastewater introduction line 3, and then flows into the settling tank 52 through the connecting flow path 55. The biological reaction tank 51 has an overflow section 51A, and the wastewater subjected to the biological treatment is transferred to the settling tank 52 after passing through the overflow section 51A. The settling tank 52 also has an overflow portion 52A. The treated water (supernatant water) from which the aggregated flocs have been removed is discharged from the settling tank 52 through the overflow portion 52A.

排水処理システムは、生物反応槽５１内の排水に凝集剤を添加する凝集剤添加ポンプ５７と、生物反応槽５１内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５８と、沈澱槽５２内の処理水（上澄水）の画像データを生成する画像取得装置５９を備えている。凝集剤添加ポンプ５７、画像取得装置５８、および画像取得装置５９は、演算システム１００に電気的に接続されている。 The wastewater treatment system includes a flocculant addition pump 57 that adds a flocculant to the wastewater in the biological reaction tank 51, an image acquisition device 58 that generates image data of aggregate flocs formed in the biological reaction tank 51, and a settling tank. It is provided with an image acquisition device 59 that generates image data of the treated water (supernatant water) in 52. The coagulant addition pump 57, the image acquisition device 58, and the image acquisition device 59 are electrically connected to the arithmetic system 100.

凝集剤添加ポンプ５７は、凝集剤を生物反応槽５１の越流部５１Ａに添加するように配置されている。凝集剤には無機凝集剤が使用される。画像取得装置５８は、連絡流路５５を向いて配置されており、連絡流路５５を流れる排水中の凝集フロックの画像データを生成する。画像取得装置５９は、沈澱槽５２の越流部５２Ａの上方に設置されており、沈澱槽５２での沈降処理によって凝集フロックが除去された処理水（上澄水）の画像データを生成する。画像取得装置５８および画像取得装置５９は、凝集フロックの画像データおよび処理水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、これらの画像データを記憶装置１１０に記憶する。 The coagulant addition pump 57 is arranged so as to add the coagulant to the overflow portion 51A of the biological reaction tank 51. An inorganic flocculant is used as the flocculant. The image acquisition device 58 is arranged so as to face the connecting flow path 55, and generates image data of aggregated flocs in the drainage flowing through the connecting flow path 55. The image acquisition device 59 is installed above the overflow portion 52A of the settling tank 52, and generates image data of the treated water (supernatant water) from which aggregated flocs have been removed by the settling treatment in the settling tank 52. The image acquisition device 58 and the image acquisition device 59 send the image data of the aggregated flocs and the image data of the treated water to the arithmetic system 100. The arithmetic system 100 stores these image data in the storage device 110.

演算システム１００は、凝集フロックの画像データと、処理水の画像データと、実際の凝集剤添加率の過不足を表す数値（すなわち正解データ）を含む学習データを用いて、機械学習アルゴリズムにより凝集剤判定モデルを構築する。排水処理システムの運転中は、演算システム１００は、凝集フロックの画像データおよび処理水の画像データを、構築された凝集剤判定モデルに入力し、凝集剤判定モデルは、凝集剤添加率の過不足を示す判定結果を出力する。 The calculation system 100 uses the image data of the agglomerate floc, the image data of the treated water, and the learning data including the numerical value (that is, the correct answer data) indicating the excess or deficiency of the actual coagulant addition rate, and the flocculant by the machine learning algorithm. Build a judgment model. During the operation of the wastewater treatment system, the calculation system 100 inputs the image data of the agglomerate flocs and the image data of the treated water into the constructed coagulant determination model, and the coagulant determination model is in excess or deficiency of the coagulant addition rate. The judgment result indicating is output.

演算システム１００は、凝集剤判定モデルから出力された凝集剤添加率の過不足の判定結果に基づいて、凝集剤添加ポンプ５７に指令を発して凝集剤の添加率を調整する。 The calculation system 100 issues a command to the coagulant addition pump 57 to adjust the coagulant addition rate based on the determination result of excess or deficiency of the coagulant addition rate output from the coagulant determination model.

演算システム１００は、上述した凝集剤判定モデルに加えて、処理水の水質の予測値を出力する水質判定モデルをさらに備えている。水質判定モデルは、凝集剤判定モデルと同様に、入力層と、複数の隠れ層（中間層ともいう）と、出力層を有したニューラルネットワークである。水質判定モデルは、演算システム１００の記憶装置１１０内に格納されている。水質判定モデルの構築においては、学習データの説明変数に処理水の画像データが使用され、学習データの目的変数には処理水の水質の実際の測定値が使用される。処理水の水質の測定値の例としては、処理水の濁度、および処理水のＣＯＤ（化学的酸素要求量）が挙げられる。このような学習データを用いて構築された水質判定モデルは、凝集処理によって得られる処理水の水質の予測値を出力することができる。 In addition to the above-mentioned coagulant determination model, the calculation system 100 further includes a water quality determination model that outputs a predicted value of the water quality of the treated water. Similar to the flocculant determination model, the water quality determination model is a neural network having an input layer, a plurality of hidden layers (also referred to as intermediate layers), and an output layer. The water quality determination model is stored in the storage device 110 of the arithmetic system 100. In the construction of the water quality judgment model, the image data of the treated water is used as the explanatory variable of the training data, and the actual measured value of the water quality of the treated water is used as the objective variable of the training data. Examples of measured values of water quality of treated water include turbidity of treated water and COD (chemical oxygen demand) of treated water. The water quality determination model constructed using such learning data can output the predicted value of the water quality of the treated water obtained by the agglomeration treatment.

排水処理システムの運転中は、演算システム１００は、画像取得装置５９によって生成された処理水の画像データを、構築された水質判定モデルに入力し、水質判定モデルは、処理水の水質の予測値を出力する。演算システム１００は、水質判定モデルから出力された水質の予測値が所定のしきい値を超えたときに、警報を発してもよい。例えば、水質の予測値として処理水の濁度の予測値が１を超える場合、または、水質の予測値として処理水のＣＯＤが１０ｍｇ／Ｌを超える場合は、演算システム１００は警報を発してもよい。このようなしきい値を設定しておくことで、省人化された設備においても、より安全、安心な運転が行なえる。 During the operation of the wastewater treatment system, the calculation system 100 inputs the image data of the treated water generated by the image acquisition device 59 into the constructed water quality judgment model, and the water quality judgment model is a predicted value of the water quality of the treated water. Is output. The calculation system 100 may issue an alarm when the predicted value of water quality output from the water quality determination model exceeds a predetermined threshold value. For example, if the predicted value of the turbidity of the treated water exceeds 1 as the predicted value of the water quality, or if the COD of the treated water exceeds 10 mg / L as the predicted value of the water quality, the arithmetic system 100 may issue an alarm. good. By setting such a threshold, safer and more secure operation can be performed even in the labor-saving equipment.

図６は、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. 6 is a schematic diagram showing an embodiment of a computer constituting at least a part of the arithmetic system 100. The computer includes a storage device 110 in which programs and data are stored, a processing device 120 such as a CPU (central processing unit) or GPU (graphic processing unit) that performs operations according to the program stored in the storage device 110, and data. , An input device 130 for inputting programs and various information to the storage device 110, an output device 140 for outputting processing results and processed data, and a communication device 150 for connecting to a network such as the Internet. I have.

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 storage device 110 includes a main storage device 111 accessible to the processing device 120 and an auxiliary storage device 112 for storing data and programs. The main storage device 111 is, for example, a random access memory (RAM), and the auxiliary storage device 112 is a storage device such as a hard disk drive (HDD) or a solid state drive (SSD).

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 input device 130 includes a keyboard and a mouse, and further includes a recording medium reading device 132 for reading data from the recording medium, and a recording medium port 134 to which the recording medium is connected. The recording medium is a computer-readable recording medium that is a non-temporary tangible object, and is, for example, an optical disk (for example, a CD-ROM or a DVD-ROM) or a semiconductor memory (for example, a USB flash drive or a memory card). be. Examples of the recording medium reading device 132 include an optical drive such as a CD-ROM drive and a DVD-ROM drive, and a card reader. An example of the recording medium port 134 is a USB port. The program and / or data stored in the recording medium is introduced into the computer via the input device 130 and stored in the auxiliary storage device 112 of the storage device 110. The output device 140 includes a display device 141 and a printing device 142.

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。一実施形態では、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凝集剤判定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、上記凝集剤判定モデルを構築するステップ、および上記凝集剤判定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凝集剤判定モデルは、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 storage device 110. As shown in FIG. 1, this trained model is a neural network having an input layer 301, a plurality of hidden layers (also referred to as intermediate layers) 302, and an output layer 303. The computer operates according to a program electrically stored in the storage device 110. In one embodiment, the computer comprises a neural network consisting of a step of acquiring image data of the agglomerate floc from the image acquisition device 12, and a step of inputting at least the image data into a coagulant determination model constructed by a machine learning algorithm. By executing the calculation according to the algorithm of the multi-layer perceptron, the step of outputting a numerical value representing the determination result of excess or deficiency of the flocculant from the output layer 303 is executed. Further, the computer performs a step of constructing the flocculant determination model and a step of updating the flocculant determination model. The program for causing the computer to perform these steps is recorded on a computer-readable recording medium, which is a non-temporary tangible object, and is provided to the computer via the recording medium. Alternatively, the program and the coagulant determination model may be input to the computer from the communication device 150 via a communication network such as the Internet.

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 embodiments have been described for the purpose of allowing 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. Accordingly, the invention is not limited to the described embodiments, but is to be construed in the broadest range according to the technical ideas defined by the claims.

１ 急速撹拌槽
２ 緩速撹拌槽
３ 排水導入ライン
５ 凝集剤添加ポンプ
７ 沈澱槽
１０ 凝集剤添加ポンプ
１２ 画像取得装置
２１ 濁度センサ
２２ ｐＨセンサ
２３ ＣＯＤ測定器
３０ 濁度センサ
３２ 画像取得装置
３３ 画像取得装置
３４ 画像取得装置
４０ 浮上槽
４１ 加圧水供給ライン
４４ スカムスキマ
４５ 樋
４７ 処理水排出ライン
４８ 画像取得装置
４９ 画像取得装置
５１ 生物反応槽
５１Ａ 越流部
５２ 沈澱槽
５２Ａ 越流部
５５ 連絡流路
５７ 凝集剤添加ポンプ
５８ 画像取得装置
５９ 画像取得装置
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 Rapid stirring tank 2 Slow speed stirring tank 3 Drainage introduction line 5 Coagulant addition pump 7 Settling tank 10 Coagulant addition pump 12 Image acquisition device 21 Turbidity sensor 22 pH sensor 23 COD measuring device 30 Turbidity sensor 32 Image acquisition device 33 Image acquisition device 34 Image acquisition device 40 Floating tank 41 Pressurized water supply line 44 Scum gap 45 Gutter 47 Treated water discharge line 48 Image acquisition device 49 Image acquisition device 51 Biological reaction tank 51A Overflow section 52 Settling tank 52A Overflow section 55 Communication flow path 57 Coagulant addition pump 58 Image acquisition device 59 Image acquisition device 100 Computing system 110 Storage device 111 Main storage device 112 Auxiliary storage device 120 Processing device 130 Input device 132 Recording medium reading device 134 Recording medium port 140 Output device 141 Display device 142 Printing Device 150 Communication device 301 Input layer 302 Hidden layer 303 Output layer

Claims (10)

無機凝集剤を排水に添加して凝集フロックを形成し、その後、有機凝集剤を前記排水に添加して前記凝集フロックを成長させ、
前記無機凝集剤を前記排水に添加することによって形成された前記凝集フロックの第１画像データを第１画像取得装置で生成し、
前記有機凝集剤を前記排水に添加することによって成長した前記凝集フロックの第２画像データを第２画像取得装置で生成し、
少なくとも前記凝集フロックの前記第１画像データおよび前記第２画像データを、機械学習アルゴリズムにより構築された凝集剤判定モデルに入力し、
凝集剤添加率の過不足を示す判定結果を前記凝集剤判定モデルから出力する、排水処理方法。 Inorganic flocculants are added to the wastewater to form aggregate flocs, then organic flocculants are added to the wastewater to grow the aggregate flocs .
The first image data of the aggregated flocs formed by adding the inorganic flocculant to the wastewater was generated by the first image acquisition device.
The second image data of the aggregated floc grown by adding the organic flocculant to the wastewater was generated by the second image acquisition device .
At least the first image data and the second image data of the aggregation floc are input to the flocculant determination model constructed by the machine learning algorithm.
A wastewater treatment method for outputting a determination result indicating an excess or deficiency of the coagulant addition rate from the coagulant determination model. 請求項１に記載の排水処理方法であって、
前記無機凝集剤が添加される前の前記排水の画像データを画像取得装置により生成する工程をさらに含み、
前記凝集フロックの前記第１画像データおよび前記第２画像データに加えて、前記排水の画像データを前記凝集剤判定モデルに入力する、排水処理方法。 The wastewater treatment method according to claim 1.
Further including a step of generating image data of the wastewater before the addition of the inorganic flocculant by an image acquisition device is included.
A wastewater treatment method in which image data of the wastewater is input to the flocculant determination model in addition to the first image data and the second image data of the aggregated flocs. 請求項１または２に記載の排水処理方法であって、
前記凝集フロックを沈澱させることによって前記凝集フロックを前記排水から分離して処理水を生成し、
前記処理水の画像データを画像取得装置により生成する工程をさらに含み、
前記凝集フロックの前記第１画像データおよび前記第２画像データに加えて、前記処理水の画像データを前記凝集剤判定モデルに入力する、排水処理方法。 The wastewater treatment method according to claim 1 or 2 .
By precipitating the aggregated flocs, the aggregated flocs are separated from the waste water to generate treated water.
The step of generating the image data of the treated water by the image acquisition device is further included.
A wastewater treatment method in which image data of the treated water is input to the coagulant determination model in addition to the first image data and the second image data of the coagulation floc. 請求項１または２に記載の排水処理方法であって、
前記凝集フロックを浮上させ、浮上した前記凝集フロックを前記排水から除去することで処理水を生成し、
前記排水から除去された前記凝集フロックからなる汚泥の画像データ、および前記処理水の画像データのうち少なくとも一方を画像取得装置により生成する工程をさらに含み、
前記凝集フロックの前記第１画像データおよび前記第２画像データに加えて、前記汚泥の画像データおよび前記処理水の画像データの一方または両方を前記凝集剤判定モデルに入力する、排水処理方法。 The wastewater treatment method according to claim 1 or 2 .
The treated water is generated by floating the aggregated flocs and removing the surfaced aggregated flocs from the wastewater.
Further including a step of generating at least one of the image data of the sludge made of the aggregated flocs removed from the wastewater and the image data of the treated water by an image acquisition device.
A wastewater treatment method in which one or both of the sludge image data and the treated water image data are input to the coagulant determination model in addition to the first image data and the second image data of the coagulation floc. 請求項１または２に記載の排水処理方法であって、
前記凝集フロックを前記排水から分離して処理水を生成し、
前記処理水の画像データを画像取得装置により生成し、
前記処理水の画像データを、機械学習アルゴリズムにより構築された水質判定モデルに入力し、
前記処理水の水質の予測値を前記水質判定モデルから出力する工程をさらに含む、排水処理方法。 The wastewater treatment method according to claim 1 or 2 .
The aggregated flocs are separated from the wastewater to generate treated water.
The image data of the treated water is generated by the image acquisition device, and the image data is generated.
The image data of the treated water is input to the water quality determination model constructed by the machine learning algorithm.
A wastewater treatment method further comprising a step of outputting a predicted value of the water quality of the treated water from the water quality determination model. 請求項１または２に記載の排水処理方法であって、
前記凝集フロックを前記排水から分離して処理水を生成する工程をさらに含み、
前記凝集フロックの前記第１画像データおよび前記第２画像データに加えて、前記凝集フロックを形成する工程と、前記凝集フロックを前記排水から分離する工程との間の時間差を前記凝集剤判定モデルに入力する、排水処理方法。 The wastewater treatment method according to claim 1 or 2 .
Further comprising the step of separating the aggregated flocs from the wastewater to generate treated water.
In addition to the first image data and the second image data of the aggregated floc, the time difference between the step of forming the aggregated floc and the step of separating the aggregated floc from the wastewater is used as the coagulant determination model. Enter the wastewater treatment method. 請求項１乃至６のいずれか一項に記載の排水処理方法であって、
前記凝集フロックの前記第１画像データおよび前記第２画像データに加えて、排水処理に関連する情報データを前記凝集剤判定モデルに入力する、排水処理方法。 The wastewater treatment method according to any one of claims 1 to 6 .
A wastewater treatment method in which information data related to wastewater treatment is input to the coagulant determination model in addition to the first image data and the second image data of the coagulation floc. 請求項１乃至７のいずれか一項に記載の排水処理方法であって、
前記判定結果は凝集剤添加率の制御に用いられる、排水処理方法。 The wastewater treatment method according to any one of claims 1 to 7 .
The determination result is a wastewater treatment method used for controlling the addition rate of the flocculant. 請求項８に記載の排水処理方法であって、
前記凝集フロックの状態とは無関係の、前記凝集剤添加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、前記凝集剤添加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、前記凝集剤添加率を補正する工程をさらに含む、排水処理方法。 The wastewater treatment method according to claim 8 .
The reference value of the agglutinant addition rate, which is irrelevant to the state of the agglomerated 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 addition rate.
A wastewater treatment method further comprising a step of correcting the coagulant addition rate from the reference value and the correction value. 請求項１乃至９のいずれか一項に記載の排水処理方法であって、
前記凝集フロックの前記第１画像データおよび前記第２画像データと、実際の凝集剤添加率の過不足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、前記凝集剤判定モデルを更新する工程をさらに含む、排水処理方法。 The wastewater treatment method according to any one of claims 1 to 9 .
A step of updating the coagulant determination model using a data set consisting of a combination of the first image data and the second image data of the coagulation floc and a numerical value indicating an excess or deficiency of the actual coagulant addition rate. Wastewater treatment methods, including further.
JP2018198991A 2018-10-23 2018-10-23 Wastewater treatment method Active JP7076356B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018198991A JP7076356B2 (en) 2018-10-23 2018-10-23 Wastewater treatment method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018198991A JP7076356B2 (en) 2018-10-23 2018-10-23 Wastewater treatment method

Publications (2)

Publication Number Publication Date
JP2020065964A JP2020065964A (en) 2020-04-30
JP7076356B2 true JP7076356B2 (en) 2022-05-27

Family

ID=70389138

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018198991A Active JP7076356B2 (en) 2018-10-23 2018-10-23 Wastewater treatment method

Country Status (1)

Country Link
JP (1) JP7076356B2 (en)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7285138B2 (en) * 2019-05-31 2023-06-01 オルガノ株式会社 Water treatment equipment, water treatment method, abnormality diagnosis device and diagnosis method for flotation separation equipment
JP2022021243A (en) * 2020-07-21 2022-02-02 巴工業株式会社 Machine learning device, data processing system, and machine learning method
JP2022021245A (en) * 2020-07-21 2022-02-02 巴工業株式会社 Machine learning device, data processing system, and machine learning method
JP2022021244A (en) * 2020-07-21 2022-02-02 巴工業株式会社 Machine learning device, data processing system, and machine learning method
WO2022168965A1 (en) * 2021-02-08 2022-08-11 株式会社日立製作所 Sludge treatment facility operational-assistance navigation system, and sludge treatment facility operational-assistance method
SE2150524A1 (en) * 2021-04-26 2022-10-27 Valmet Oy Device and method for treating green liquor
CN113505649B (en) * 2021-06-10 2023-11-17 广州杰赛科技股份有限公司 Tap water chlorination control method and device
CN113636723A (en) * 2021-08-20 2021-11-12 广州市华绿环保科技有限公司 Dephosphorization of handling domestic sewage adds medicine automated control system
JP7016197B1 (en) * 2021-09-06 2022-02-18 Wota株式会社 Programs, methods, information processing equipment, systems
JP7439865B2 (en) * 2022-07-28 2024-02-28 栗田工業株式会社 Monitoring systems, learning devices, monitoring methods, learning methods and programs
CN115367823A (en) * 2022-09-15 2022-11-22 重庆第二师范学院 Sewage purification treatment chemical quantity control system based on big data learning and image recognition
CN115925076B (en) * 2023-03-09 2023-05-23 湖南大学 Automatic coagulation dosing method and system based on machine vision and deep learning
CN117049746B (en) * 2023-09-19 2024-04-26 上海水德环保科技有限公司 Emulsion wastewater treatment system and method

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003324610A (en) 2002-02-27 2003-11-14 Konica Minolta Holdings Inc Image processing method and image converting equipment
JP2020025943A (en) 2018-08-17 2020-02-20 水ｉｎｇ株式会社 Water treatment method and water treatment system

Family Cites Families (4)

* Cited by examiner, † Cited by third party
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
JPH06304546A (en) * 1993-04-21 1994-11-01 Hitachi Ltd Operation controller for waterwork plant
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003324610A (en) 2002-02-27 2003-11-14 Konica Minolta Holdings Inc Image processing method and image converting equipment
JP2020025943A (en) 2018-08-17 2020-02-20 水ｉｎｇ株式会社 Water treatment method and water treatment system

Also Published As

Publication number Publication date
JP2020065964A (en) 2020-04-30

Similar Documents

Publication Publication Date Title
JP7076356B2 (en) Wastewater treatment method
JP6941083B2 (en) Water treatment method and water treatment system
US8293097B2 (en) System for continuous optimization of wastewater treatment
JP7179486B2 (en) Coagulant injection control device, coagulant injection control method and computer program
JP2017140595A (en) Management support system, management support method and management support program
Jayaweera et al. Reliability of principal component analysis and Pearson correlation coefficient, for application in artificial neural network model development, for water treatment plants
JP2024051134A (en) Dewatering system
dos Santos et al. Intelligent system for improving dosage control
JPH0483504A (en) Flocculant injection controlling apparatus
JP2008055299A (en) Flocculating sedimentation treating equipment
JP4784241B2 (en) Flocculant injection method and apparatus for water purification process
JP2022067322A (en) Water treatment method, sewage treatment method, sewage treatment device, and wastewater treatment system management program
JP2007098287A (en) Method for controlling operation of water purifying process
JP7336790B2 (en) Water treatment system and water treatment method
JPH0425041B2 (en)
JP4493473B2 (en) Water treatment process operation support equipment
JP6754680B2 (en) How to operate the pressurized flotation separator and the pressurized flotation separator
JP7422571B2 (en) Water treatment technology devices, systems and methods
JP6385860B2 (en) Aggregation state determination method and aggregation state determination device
JP7496786B2 (en) Water purification method and water purification device
JP2023097172A (en) Teaching data selection device, prediction model construction device, and teaching data selection method
Cox et al. Chemical dosing philosophies for a water treatment plant: results of some pilot plant experimentation
JP2013132571A (en) Water purifying device
KR20230172740A (en) Apparatus for water treatment autonomous driving based on deep reinforcement learning using real-time particulate matter monitoring and method thereof
JP2024053398A (en) Flocculant injection device, flocculant injection method, and computer program

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210203

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20211008

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211019

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211217

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: 20220420

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220517

R150 Certificate of patent or registration of utility model

Ref document number: 7076356

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150