JP7076356B2 - Wastewater treatment method - Google Patents
Wastewater treatment method Download PDFInfo
- 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
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.
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.
特許文献2には、フロック形成槽内、あるいは、混和槽およびフロック形成槽内でフロック粒径測定装置により、フロック形成過程における複数個所でフロック粒径を測定し、得られたフロック粒径の差または比から、フロック形成異常を検知する水処理システムに関する記述がある。
In
いずれの場合も、凝集フロックの粒径を基に、凝集状態の判断を行なっているが、現実には凝集フロックの良否はフロック粒径のみで判断することは難しい。例えば、凝集剤の最適添加率が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。
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
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
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
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
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.
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
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
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
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
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
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
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
画像取得装置12は、静止画像または連続画像を生成することができるイメージセンサ(例えばCCDイメージセンサまたはCMOSイメージセンサ)を備えたデジタルカメラである。デジタルカメラの仕様としては、常に焦点距離を一定とさせるため、マニュアルフォーカス機能を備えたものが望ましく、画素数は500万画素以上、望ましくは1,000万画素以上のものが好適である。
The
本実施形態では、撮像の対象とする凝集フロックは、急速撹拌槽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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
記憶装置110は、処理装置120がアクセス可能な主記憶装置111と、データおよびプログラムを格納する補助記憶装置112を備えている。主記憶装置111は、例えばランダムアクセスメモリ(RAM)であり、補助記憶装置112は、ハードディスクドライブ(HDD)またはソリッドステートドライブ(SSD)などのストレージ装置である。
The
入力装置130は、キーボード、マウスを備えており、さらに、記録媒体からデータを読み込むための記録媒体読み込み装置132と、記録媒体が接続される記録媒体ポート134を備えている。記録媒体は、非一時的な有形物であるコンピュータ読み取り可能な記録媒体であり、例えば、光ディスク(例えば、CD-ROM、DVD-ROM)や、半導体メモリー(例えば、USBフラッシュドライブ、メモリーカード)である。記録媒体読み込み装置132の例としては、CD-ROMドライブ、DVD-ROMドライブなどの光学ドライブや、カードリーダーが挙げられる。記録媒体ポート134の例としては、USBポートが挙げられる。記録媒体に記憶されているプログラムおよび/またはデータは、入力装置130を介してコンピュータに導入され、記憶装置110の補助記憶装置112に格納される。出力装置140は、ディスプレイ装置141、印刷装置142を備えている。
The
機械学習アルゴリズムにより構築された学習済みモデルは記憶装置110に格納されている。この学習済みモデルは、図1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
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
Claims (10)
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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)
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)
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)
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 |
-
2018
- 2018-10-23 JP JP2018198991A patent/JP7076356B2/en active Active
Patent Citations (2)
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 |