JP7484535B2 - 異常判定システムおよび異常判定方法 - Google Patents

Description

本発明は、異常判定システムおよび異常判定方法に関する。

従来、下水、汚水等を処理するために、汚水を反応槽に導入し、送風機によって汚水中に空気を供給（散気）することが行われている。反応槽に散気することによって、微生物による浄化作用を維持、促進させ汚水を浄化する。浄化された処理水は、次の工程に送られるか、そのまま放流される。この散気による処理中、空気の供給状態に異常が生じると反応槽の浄化機能が低下、あるいは損なわれる。その場合、処理が不完全な汚水が、次工程に送られ、最終的には外部に放流されることにより、環境汚染が生じてしまう。

特許文献１には、上述のような異常状態を検出するための異常検出装置が開示されている。この文献では、送風機から浄化槽中の散気装置に空気を供給する送気配管に気圧センサを接続し、送気配管中の気圧を観測し、観測された気圧が通常時の気圧の幅よりも高いか低い場合に気圧異常信号を出力する装置が記載されている。

特開２００５－１６９３１０号公報

特許文献１においては、異常を検知する指標は送気配管内の気圧のみであるため、気圧を監視する気圧センサに異常が生ずる、あるいは気圧センサに接続される送気配管の経路に障害が生じた場合には、実際の浄化槽の運転状態を正しく把握できなくなる恐れがある。

本発明は、上述した実情に鑑みてなされたものであり、確度の高い異常判定を行うことが可能な異常判定システムおよび異常判定方法を提供することを課題とする。

本発明は、上記課題を解決するため、以下の手段を採用する。
すなわち、本発明の異常判定システムは、反応槽と送風機を備えた処理装置の異常判定システムであって、前記反応槽を撮影した画像データを保存する画像データ記憶部と、前期画像データの泡の面積を算出する画像処理部と、前記泡の面積を保存する泡面積記憶部と、前記送風機の送風量を保存する送風量データ記憶部と、前記泡の面積と前記送風量とに基づいて回帰モデルを作成する回帰モデル作成部と、新たに取得した泡の面積と前記回帰モデルとから送風量を推定する送風量推定部と、前記推定した送風量と実際の送風量とに基づいて異常を判定する異常判定部と、を備える。
このような発明によれば、画像データと送風量のデータから回帰モデルを作成し、回帰モデルから推定した送風量と実際の送風量とに基づいて異常の判定が行われるので、送風量だけではなく複数の観点に基づいて、確度の高い異常判定を行うことができる。

本発明の一態様においては、前記反応槽の水質データを保存する水質データ記憶部を備え、前記回帰モデル作成部は、前記水質データと前記泡の面積と前記送風量とに基づいて回帰モデルを作成し、前記送風量推定部は、新たに取得した泡の面積と水質データと、前記回帰モデルとから送風量を推定する。
このような構成によれば、泡の面積に加えさらに水質データに基づいて回帰モデルが作成されるので、さらに精度のよい送風量の推定が可能となり、異常判定の確度が向上する。

本発明は、反応槽と送風機を備えた処理装置の異常判定システムであって、前記反応槽を撮影した画像データを保存する画像データ記憶部と、前記送風機の送風量を保存する送風量データ記憶部と、前記反応槽の水質データを保存する水質データ記憶部と、前記水質データと前記画像データと前記送風量とに基づいて深層学習モデルを作成する深層学習モデル作成部と、新たに取得した画像データと水質データと、前記深層学習モデルとから送風量を推定する送風量推定部と、前記推定した送風量と実際の送風量とに基づいて異常を判定する異常判定部と、を備える。
このような発明によれば、水質データと画像データと送風量のデータに基づいて深層学習モデルが作成されるので、データの解析の手順を単純化することができる。深層学習モデルは、自動的にモデルのパラメータを最適化するので、精度の良い送風量を推定でき、異常判定の確度を向上することができる。

本発明の一態様においては、前記画像処理部は、適応的２値化により泡の面積を算出する。
このような構成によれば、泡の面積を精度よく算出することができ、異常判定の確度を向上することができる。

本発明の異常判定の方法は、反応槽と送風機を備えた処理装置の異常判定方法であって、前記反応槽を撮影すること、前期撮影した画像データの泡の面積を算出すること、前記送風機の送風量を測定すること、前記泡の面積と前記送風量とに基づいて回帰モデルを作成すること、新たに撮影した画像データの泡の面積と前記回帰モデルとから送風量を推定すること、前記推定した送風量と実際の送風量とに基づいて異常を判定すること、を含む。
このような発明によれば、画像データと送風量のデータと水質データから回帰モデルを作成し、回帰モデルから推定した送風量と実際の送風量とに基づいて異常の判定が行われるので、送風量だけではなく複数の観点に基づいて、確度の高い異常判定を行うことができる。

本発明によれば、確度の高い異常判定を行うことが可能な異常判定システムおよび異常判定方法を提供することができる。

本発明の実施形態に係る異常判定システムを含む全体の構成を示す概略図である。 本発明の実施形態に係る異常判定システムの構成を示す機能ブロック図である。 本発明の実施形態に係る画像処理部の画像変換を説明するための画像図である。 本発明の実施形態に係る記録されたデータの変換を説明するためのグラフである。 本発明の実施形態に係る異常判定システムの構成を示す機能ブロック図である。 本発明の実施形態に係る異常判定システムの構成を示す機能ブロック図である。 本発明の実施形態に係る深層学習モデルの一例を説明するための模式図である。

（第１実施形態）
以下、添付図面を参照して、本発明の実施の形態について説明する。
図１は、本実施形態に係る異常判定システムを含む全体の構成を示す概略図であって、反応槽２と送風機３を備えた処理装置１００の異常判定システム１が示されている。処理装置１００は、反応槽２と送風機３に加え、反応槽２に空気を散気する散気装置４、送風機３から散気装置４への空気の流通を開閉するバルブ５、送風機３から散気装置４への空気の送風量を測定する送風量測定機器６、反応槽の水面を撮影するカメラ７を備えている。送風量測定機器６で検知された送風量とカメラ７で撮影された画像データは、異常判定システム１に逐次送信されている。

異常判定システム１は、画像データ記憶部８、画像処理部９、泡面積記憶部１０、送風量データ記憶部１１、回帰モデル作成部１２、送風量推定部１３、異常判定部１４を備えている。異常判定システム１は、例えばパーソナルコンピュータ等の情報処理装置である。画像データ記憶部８、送風量データ記憶部１１、および泡面積記憶部１０は、上記情報処理装置内外に設けられた半導体メモリや磁気ディスクなどの記憶装置によって実現される。また、画像処理部９、回帰モデル作成部１２、送風量推定部１３、および異常判定部１４は、上記情報処理装置内のＣＰＵやＧＰＵによって実行されるソフトウェア、プログラムであってよい。

図１に示すように、反応槽２に流入した汚水は微生物により生物処理され浄化される。このときに微生物が有機物を分解することに伴い増殖し、これが活性汚泥を形成する。好気性微生物で有機物を分解するときには、活性汚泥中の微生物に酸素を供給するため空気を送り込む必要がある。反応槽２内の下部には散気装置４が複数設けられ、送風機３から空気が供給されるようになっている。散気装置４に通じる配管には、風量調整バルブ５が設けられ、そのバルブ５の開閉により送風量を調整する。送風量を調整することにより反応槽２内の溶存酸素量であるＤＯ（Ｄｉｓｓｏｌｖｅｄ Ｏｘｙｇｅｎ）値が調整され、生物処理の進行が調整される。送風量は送風量測定機器６により常時取得される。

図２は、本実施形態における異常判定システム１の構成をさらに詳細に示す機能ブロック図である。異常判定システム１は、回帰モデル作成部１２で作成された回帰モデルのパラメータを記憶する回帰モデルパラメータ記憶部１２ａをさらに備えている。

図２に示されるように、図１の送風量測定機器６によって測定された送風量は、送風量データ記憶部１１に送信され記憶される。図１のカメラ７によって撮影された反応槽２の水面の画像データは、画像データ記憶部８に送信され記憶される。画像データ記憶部８に送信され記憶された画像データは、画像処理部９に送信される。画像処理部９は、後述する動作によって画像データを処理し、反応槽の水面における泡の領域を判別し、泡の領域の面積を算出する。算出された泡の面積は、泡面積記憶部１０に送信され記憶される。

送風量データ記憶部１１と泡面積記憶部１０に記憶された送風量と泡面積のデータは、回帰モデル作成部１２に送信される。回帰モデル作成部１２は、これら２系統のデータを分析し、泡面積を入力、送風量を出力とする回帰モデルを作成する。作成したモデルのパラメータは、回帰モデルパラメータ記憶部１２ａに送信され記憶される。

回帰モデルが作成されると、送風量推定部１３は、回帰モデルパラメータ記憶部１２ａから回帰モデルパラメータを読み出し（矢印ａ）、新たに取得した画像データから算出された泡面積（矢印ｂ）に基づいて作成された回帰モデルを使用して送風量を推定する。推定された送風量は、異常判定部１４に送信される（矢印ｃ）。

異常判定部１４では、受信した送風量の推定値と新たに取得された実際の送風量（矢印ｄ）に基づいて異常を判定し、その結果を図示しない異常判定システム１が実装されている情報処理機器のディスプレ等に表示する（矢印ｅ）。異常か否かの判断は、推定された送風量データ（矢印ｃ）、実際の風量データ（矢印ｄ）にそれぞれ上限下限の閾値を設け、値がその閾値内に収まっているかどうか、または、推定された送風量データ（矢印ｃ）と実際の風量データ（矢印ｄ）の差を算出しその値に上限下限の閾値を設け、差がその閾値内に収まっているかどうか、そのいずれかまたは双方を判断基準として、判定してよい。

次に、画像処理部９の動作を詳細に説明する。画像処理部９は、画像データ記録部８に蓄積された画像データを、水面と水面に浮かぶ泡とに画像処理によって区別する。画像処理部９は、泡と区別された部分の画素数の和をとりその和を泡の面積と定義し、泡の量の定量化を可能とする。

反応槽２は、カメラ７で撮影を行うため照明で照らされているが、水面を一様の明るさで照らすことは困難であり、照明の当たり具合に差が生じる可能性がある。この問題は以下に説明する適応的２値化を用いて適切に閾値を設定することで、照明の当たり具合の影響を受けにくくし、水面と泡の区別を可能とする。

以下に、泡の定量化の手順を説明する。
（１）ＲＧＢの３チャンネルの取得画像をグレースケール化し、１チャンネル、画素値０～２５５に変換する。
（２）ノイズ除去のため平滑化フィルタをかける。
（３）適応的２値化により水面を画素値０（黒）、泡を画素値１（白）に変換する。
（４）画像全体の画素値の和をとり、白（泡）の面積を算出する。
ここでは、泡を画素値１としているので、画像全体の画素値の和が泡の面積を表現することとなる。

次に、図３を参照して、適応的２値化について説明する。図３は、カメラ７により撮影された画像の処理の手順を説明するための図である。図３（Ａ）は、上記の泡の定量化手順（１）（２）を経て得られたグレースケールの画像である。図３（Ｂ）に示すように、適応的２値化処理では、注目画素（ｘ，ｙ）はフィルタ（ｋｘｌ）の画素の領域内の中央に位置する画素である。注目画素（ｘ，ｙ）の閾値σは、フィルタ（ｋｘｌ）内の画素値の中央値もしくは平均値で設定する。

以下の式［数１］で示されるように、注目画素値Ｉ（ｘ，ｙ）がσより大きい場合、２値化画像の画素値Ｄ（Ｉ（ｘ，ｙ））を１とする。注目画素値Ｉ（ｘ，ｙ）がσ以下の場合、２値化画像の画素値Ｄ（Ｉ（ｘ，ｙ））を０とする。

図３（Ｃ）は、上記の適応的２値化処理を行って変換された２値画像である。適応的２値化は、このように、任意のフィルタサイズを設定し、フィルタ内の画素値の中央値または平均値を閾値として設定するので、照明の当たり具合に影響されず、フィルタ内で相対的に明るい領域（泡）を白と分類することができる。

次に、回帰モデル作成部１２の動作について詳細に説明する。回帰モデル作成部１２では、現在時刻ｔより過去の直近ｎ個の泡の面積（ｂ_{（ｔ－ｎ）}，…，ｂ_{（ｔ－１）}）と送風量（ａ_{（ｔ－ｎ）}，…，ａ_{（ｔ－１）}）のデータを用い、泡の面積を入力として送風量を推定する回帰モデルｆを作成する。ここで、泡の面積（ｂ_{（ｔ－ｎ）}，…，ｂ_{（ｔ－１）}）は、泡面積記憶部１０から回帰モデル作成部１２に読み込まれたデータである。送風量（ａ_{（ｔ－ｎ）}，…，ａ_{（ｔ－１）}）は、送風量データ記憶部１１から回帰モデル作成部１２に読み込まれたデータである。

これらのデータに基づいて回帰モデルを作成する際には、外れ値の影響を減らし平均的な値を推定するため、送風量および泡の面積に移動平均を取ることも可能である。移動平均でデータを変換する場合のイメージを図４に示す。図４の横軸は時間経過を表し、縦軸は、送風量、または泡の面積の値を表している。線ｐで示されたノコギリ波のようなグラフは、は得られたデータを直線で結んだものであり、ノイズの影響が大きい。破線ｑは移動平均をとったものであり、ノイズの影響を受けにくいことがわかる。この移動平均で変換した値に基づいて回帰モデルを作成することにより、ノイズの影響を低減した精度のよい回帰モデルを作成することが可能となる。回帰モデル作成の方法としては、ラッソ回帰、リッジ回帰などの線形回帰、カーネル回帰などの非線形回帰などの複数の分析手段を挙げることができる。

送風量推定部１３では、回帰モデル作成部１２によって作成された回帰モデルｆによって、送風量の推定が行われる。送風量を推定したい画像の泡の量ｂ_ｔを入力とし回帰モデル式ｆを使用し、推定送風量Ｅ（ａ_ｔ）＝ｆ（ｂ_ｔ）を求める。以下この推定値と実際の送風量に基づいて上述した異常判定が異常判定部１４で行われる。

以上述べたように、本実施形態では、反応槽２の水面を撮影した画像データから水面の泡の面積を算出し、泡の面積と送風量データから回帰モデルを作成して、その回帰モデルと新たに取得した画像の泡の面積から送風量を推定し、この推定値と実際の送風量とに基づいて異常判定を行う。すなわち、処理装置１００の異常判定が、送風量測定機器６の値だけではなく、多面的なデータに基づいて行うことができるので、異常判定の確度を向上することができる。具体な判定方法として、推定した送風量と実際の送風量の差をとり、設定された閾値によってその差を評価し、異常を判定する。このことにより、判定の精度を向上させることができる。

また、反応槽２の画像をカメラ７で撮影し遠隔監視することで、現場の運転状況管理・異常確認のために監視員を巡回させる必要性が減り、作業員の負担を軽減することができる。また、撮影した画像データに基づいて、異常判定が行われるので、監視員の異常の見逃しを解消することができる。反応槽２の泡と水面を適応的２値化により区別し、泡の面積を算出することで泡の発生状況を定量的に把握可能となる。

（第２実施形態）
図５は、本実施形態に係る異常判定システム２０の構成を示す機能ブロック図である。本実施形態が、第１実施形態と異なる点は、異常判定システム２０が反応槽２の水質データを記憶する水質データ記憶部１５を備える点である。その他、第１実施形態と同様の構成要素については、同一の符号を付し、その説明を省略する。

反応槽における泡の量（面積）は送風量のみによって決定される訳ではなく、水質にも影響を受ける。第１実施形態では泡の面積によってのみ送風量を推定するのに対し、本実施形態では新たに加えた水質データ記憶部１５に反応槽２のセンサからの水質データを記憶し、これらの情報も活用する。水質データには反応槽２で計測されている活性汚泥浮遊物質や余剰汚泥濃度、流入流量、アンモニウム態窒素、化学的酸素要求量、生物的酸素要求量、総窒素、総リン、亜硝酸態窒素、硝酸態窒素、リン酸態リンなどがある。

本実施形態において、回帰モデル作成部１２では泡の量（泡の面積）および水質データを入力とし送風量を推定する回帰モデルを作成する。回帰モデルパラメータ記憶部１２ａでは回帰モデル作成部１２で得られたモデルパラメータを保存する。送風量推定部１３では回帰モデルパラメータ記憶部１２ａに保存されたパラメータにより回帰モデルを作成し新たに取得した泡の量および水質データから送風量を推定する。以下の処理については、第１実施形態と同様の処理を行い、処理装置１００の状態の判定が行われる。

本実施形態では、第１実施形態と同様の作用効果に加えて、反応槽２の泡の量と水質データを用いて回帰モデルを作成するので、より精度良く送風量を推定することができる。

（第３実施形態）
図６は、本実施形態に係る異常判定システム３０の構成を示す機能ブロック図である。本実施形態が、第２実施形態と異なる点は、送風量を推定する手段として深層学習を用いる深層学習モデル作成部１６と深層学習モデルパラメータ記憶部１６ａを備える点である。
その他、第２実施形態と同様の構成要素については、同一の符号を付し、その説明を省略する。

第１実施形態では画像処理によって算出した泡の面積、第２実施形態では泡の面積に加え、水質データを用いて送風量の推定を行う。そのため画像処理、回帰モデル作成のため二つの手順が必要である。画像処理部９ではパラメータとして適応的２値化のためのフィルタサイズが必要である。回帰モデル作成部１２において回帰モデル作成の際、精度向上のためにはパラメータ調整の試行錯誤が必要になる可能性があり、使用者の負担となることが懸念される。

本実施形態では深層学習手法を用いるので、第１実施形態、第２実施形態の画像処理部９、回帰モデル作成部１２を代替し、深層学習モデル作成部１６において、入力情報と送風量の対応からパラメータを自動的にチューニングする。深層学習においてもフィルタサイズやネットワークの構造のパラメータは存在するが、多くの場合において良好な精度を発揮することが報告されている推奨値を用いることで、使用者が試行錯誤を行う負担を軽減し、精度良く送風量を推定する。

以下では図６の動作概要について第２実施形態から新たに追加された部分について説明する。
深層学習モデル作成部１６では画像データの画素値および水質データを入力とし、送風量を推定する深層学習モデルを作成する。このとき、画像にフィルタをかけて畳み込み処理を行うことも可能である。深層学習モデルの例を図７に示す。３チャンネルの画像データをコンボリューション層およびマックスプーリング層Ｓで特徴量を抽出する。抽出した画像データの特徴量とアンモニウム態窒素、リン酸態リンなどの水質データを全結合層Ｕに入れ、送風量を推定する深層学習の重みパラメータの調整を行う。深層学習モデルパラメータ記憶部１６ａでは、深層学習モデル作成部１６で作成したパラメータを保存する。送風量推定部１３では深層学習モデルパラメータ記憶部１６ａに保存されたパラメータにより深層学習モデルを作成し新たに取得した泡の量および水質データから送風量を推定する。以下の処理については、第１実施形態と同様の処理を行い、処理装置１００の状態の判定が行われる。

本実施形態では、第２実施形態の作用効果に加えて、第２実施形態の画像処理部９、回帰モデル作成部１２を深層学習モデル作成部１６に代替することで、画像処理のパラメータおよび回帰モデルの適切な設定の負担を除くことができる。入力情報（画像および水質データ）と出力情報（送風量）の対応から深層学習モデルのパラメータを自動的にチューニングすることで、精度良く送風量を推定することができる。

１ 異常判定システム
２ 反応槽
３ 送風機
８ 画像データ記憶部
９ 画像処理部
１０ 泡面積記憶部
１１ 送風量データ記憶部
１２ 回帰モデル作成部
１３ 送風量推定部
１４ 異常判定部
１５ 水質データ記憶部
１６ 深層学習モデル作成部
１００ 処理装置

Claims (5)

1. 反応槽と送風機を備えた処理装置の異常判定システムであって、
   前記反応槽を撮影した画像データを保存する画像データ記憶部と、
   前期画像データの泡の面積を算出する画像処理部と、
   前記泡の面積を保存する泡面積記憶部と、
   前記送風機の送風量を保存する送風量データ記憶部と、
   前記泡の面積と前記送風量とに基づいて回帰モデルを作成する回帰モデル作成部と、
   新たに取得した泡の面積と前記回帰モデルとから送風量を推定する送風量推定部と、
   前記推定した送風量と実際の送風量とに基づいて、前記処理装置の前記送風機から前記反応槽への送風量データの異常を判定する異常判定部と、を備える異常判定システム。
2. 前記反応槽の水質データを保存する水質データ記憶部を備え、
   前記回帰モデル作成部は、前記水質データと前記泡の面積と前記送風量とに基づいて回帰モデルを作成し、
   前記送風量推定部は、新たに取得した泡の面積と水質データと、前記回帰モデルとから送風量を推定する、請求項１に記載の異常判定システム。
3. 反応槽と送風機を備えた処理装置の異常判定システムであって、
   前記反応槽を撮影した画像データを保存する画像データ記憶部と、
   前記送風機の送風量を保存する送風量データ記憶部と、
   前記反応槽の水質データを保存する水質データ記憶部と、
   前記水質データと前記画像データと前記送風量とに基づいて深層学習モデルを作成する深層学習モデル作成部と、
   新たに取得した画像データと水質データと、前記深層学習モデルとから送風量を推定する送風量推定部と、
   前記推定した送風量と実際の送風量とに基づいて、前記処理装置の前記送風機から前記反応槽への送風量データの異常を判定する異常判定部と、を備える異常判定システム。
4. 前記画像処理部は、適応的２値化により泡の面積を算出する、請求項１または２に記載の異常判定システム。
5. 反応槽と送風機を備えた処理装置の異常判定方法であって、
   前記反応槽を撮影すること、
   前期撮影した画像データの泡の面積を算出すること、
   前記送風機の送風量を測定すること、
   前記泡の面積と前記送風量とに基づいて回帰モデルを作成すること、
   新たに撮影した画像データの泡の面積と前記回帰モデルとから送風量を推定すること、
   前記推定した送風量と実際の送風量とに基づいて、前記処理装置の前記送風機から前記反応槽への送風量データの異常を判定すること、を含む異常判定方法。

Images