KR100920522B1 - Device and method for diagnosing and controlling wastewater treatment process - Google Patents
Device and method for diagnosing and controlling wastewater treatment process Download PDFInfo
- Publication number
- KR100920522B1 KR100920522B1 KR1020090044605A KR20090044605A KR100920522B1 KR 100920522 B1 KR100920522 B1 KR 100920522B1 KR 1020090044605 A KR1020090044605 A KR 1020090044605A KR 20090044605 A KR20090044605 A KR 20090044605A KR 100920522 B1 KR100920522 B1 KR 100920522B1
- Authority
- KR
- South Korea
- Prior art keywords
- sewage treatment
- treatment process
- model
- control
- error
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 171
- 230000008569 process Effects 0.000 title claims abstract description 145
- 238000004065 wastewater treatment Methods 0.000 title 1
- 239000010865 sewage Substances 0.000 claims abstract description 130
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 48
- 238000003745 diagnosis Methods 0.000 claims abstract description 45
- 238000004891 communication Methods 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 5
- 238000000692 Student's t-test Methods 0.000 claims description 3
- 238000012353 t test Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 244000005700 microbiome Species 0.000 description 18
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 12
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 8
- 229910052757 nitrogen Inorganic materials 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 5
- 229910052698 phosphorus Inorganic materials 0.000 description 5
- 239000011574 phosphorus Substances 0.000 description 5
- 238000004886 process control Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 229910021529 ammonia Inorganic materials 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 239000003344 environmental pollutant Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 235000015097 nutrients Nutrition 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000010802 sludge Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 2
- 238000005273 aeration Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000001651 autotrophic effect Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- VTEIFHQUZWABDE-UHFFFAOYSA-N 2-(2,5-dimethoxy-4-methylphenyl)-2-methoxyethanamine Chemical compound COC(CN)C1=CC(OC)=C(C)C=C1OC VTEIFHQUZWABDE-UHFFFAOYSA-N 0.000 description 1
- 229910019142 PO4 Inorganic materials 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 125000001477 organic nitrogen group Chemical group 0.000 description 1
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 description 1
- 239000010452 phosphate Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Activated Sludge Processes (AREA)
Abstract
Description
본 발명은 하수 처리 공정의 진단 및 제어방법 및 장치에 관한 것으로 더욱 상세하게는 하수처리공정에 유출수의 수질을 일정수준으로 확보하기 위해 필요한 제어인자를 모델을 이용하여 산출하여 하수처리공정을 진단 및 제어하는 방법 및 장치에 관한 것이다.The present invention relates to a method and apparatus for diagnosing and controlling a sewage treatment process. More specifically, the sewage treatment process may be calculated using a model to calculate a control factor necessary for securing a certain level of effluent water in a sewage treatment process. It relates to a method and an apparatus for controlling.
사용된 물을 정화하는 하수처리공정에는 생물학적 또는 물리화학적 과정을 거쳐 정화가 이루어진다. 이중 생물학적 처리공정은 미생물에 의한 오염물질의 분해에 의한 처리공정이며, 물리화학적 처리공정은 약품 및 교반기를 이용한 처리공정이다.The sewage treatment process to purify the water used is purified through biological or physicochemical processes. Dual biological treatment process is a treatment process by decomposition of contaminants by microorganisms, and physicochemical treatment process is a treatment process using drugs and agitators.
하수처리공정은 유입수와 유출수의 수질에 따라 조건을 달리하여 처리공정을 제어함으로써 처리효율의 향상과 안정적인 유출수질을 확보하여야 한다. 그러나 종래 하수처리공정의 제어는 유입수질의 변화와 실제 제어시 발생하는 오차에 대한 고려 없이 공정된 값에 따라 제어가 이루어지고 있기 때문에 정확한 제어가 현실적 으로 불가능한 상황이다.The sewage treatment process should control the treatment process by varying the conditions according to the inflow and outflow water quality to improve the treatment efficiency and to ensure stable effluent quality. However, the control of the conventional sewage treatment process is a situation in which accurate control is practically impossible because the control is performed according to the process value without considering the change of the influent quality and the error occurring in the actual control.
한편, 하수처리공정은 미생물에 의한 유기물질, 질소 및 인의 처리과정으로서 미생물의 분류(종속영양 미생물, 독립영양 미생물, 인축적 미생물 등)와 미생물에 대한 영향요인(온도, pH, 용존산소 등), 영양물질의 존재형태(부유성, 용존성 물질), 영향물질의 분해정도(이분해성, 난분해성, 암모니아, 질산성 질소 등) 등 복잡한 요인에 의해서 변동하고 있으며 각 처리장별로 주 영양요소 및 영향요인에 따라 각기 다른 미생물의 우점종 및 존재형태를 보여주기 때문에 하수처리공정의 제어인자를 산출하기 위하여 하나의 모델을 적용하는 경우 제어인자의 산출이 정확하지 않은 문제점이 있었다.On the other hand, the sewage treatment process is a process for treating organic substances, nitrogen and phosphorus by microorganisms, and classifying microorganisms (dependent nutrient microorganisms, autotrophic microorganisms, condensed microorganisms, etc.) and influence factors on microorganisms (temperature, pH, dissolved oxygen, etc.). , The type of nutrients present (floating, dissolved) and the degree of decomposition of the constituents (degradable, hardly decomposable, ammonia, nitrate nitrogen, etc.) vary with complex factors. Since the dominant species and the presence patterns of different microorganisms are shown according to the factors, there is a problem that the control factor is not accurate when one model is applied to calculate the control factor of the sewage treatment process.
본 발명은 상기 문제를 해결하기 위하여 안출된 것으로서, 하수처리공정의 제어인자를 정확하게 산출하기 위하여 적용되는 모델을 선정함에 있어서, 하수처리공정마다 전혀 다른 환경에 대해 결정론적 모델, 확률론적 선형모델 및 확률론적 비선형모델을 모두 이용하여 최적의 모델을 적용하여 정확도와 신뢰도가 높은 제어인자를 산출하는 하수처리공정 진단 및 제어방법 및 장치를 제공하는 것이다.The present invention has been made to solve the above problems, in selecting a model that is applied to accurately calculate the control factors of the sewage treatment process, deterministic model, stochastic linear model and The present invention provides a method and apparatus for diagnosing and controlling sewage treatment process that apply optimal models using both stochastic nonlinear models to calculate control factors with high accuracy and reliability.
상기 목적을 달성하기 위해, 본 발명의 일 측면에 따르면, 하수처리공정 진 단 및 제어장치가 제공된다.In order to achieve the above object, according to an aspect of the present invention, there is provided a sewage treatment process diagnostic and control device.
본 발명의 일 실시예에 따른 하수처리공정 진단 및 제어장치는 유입수 또는 유출수의 수질 데이터가 입력되는 입력부, 입력된 수질 데이터를 이용하여 결정론적 모델, 확률론적 선형모델 및 확률론적 비선형모델에 의해 하수처리공정이 모사되는 모델링부, 모사 결과 데이터를 이용하여 하수처리공정의 최적모델을 선정하는 선정부, 선정된 최적 모델의 모사 결과를 이용하여 하수처리공정의 제어 인자가 진단하고 산출하는 제어인자 진단 및 산출부 및 제어 인자에 상응하여 하수처리공정를 제어하기 위한 제어 데이터를 송신하는 통신부를 포함할 수 있다.The sewage treatment process diagnosis and control apparatus according to an embodiment of the present invention is a sewer by a deterministic model, a stochastic linear model, and a stochastic nonlinear model by using an input unit to input water quality data of influent or effluent, and input water quality data. Modeling unit to simulate the treatment process, selection unit to select the optimal model of the sewage treatment process using the simulation result data, control factor diagnosis to be diagnosed and calculated by the control factors of the sewage treatment process using the simulation results of the selected optimal model. And a communication unit for transmitting control data for controlling the sewage treatment process corresponding to the calculation unit and the control factor.
본 발명의 다른 일 측면에 따르면, 하수처리공정 진단 및 제어방법이 제공된다.According to another aspect of the present invention, a sewage treatment process diagnosis and control method is provided.
본 발명의 일 실시예에 따른 하수처리공정 진단 및 제어장치는 유입수 또는 유출수의 수질 데이터가 입력되는 단계, 입력된 수질 데이터를 이용하여 결정론적 모델, 확률론적 선형모델 및 확률론적 비선형모델에 의해 하수처리공정이 모사되는 단계, 모사 결과 데이터를 이용하여 하수처리공정의 최적모델을 선정하는 단계, 선정된 최적 모델의 모사 결과를 이용하여 하수처리공정의 제어 인자가 진단 및 산출되는 단계 및 제어 인자에 상응하여 하수처리공정를 제어하기 위한 제어 데이터를 송신하는 단계를 포함할 수 있다.Sewage treatment process diagnosis and control apparatus according to an embodiment of the present invention is the sewage by the step of inputting the water quality data of influent or effluent, deterministic model, stochastic linear model and stochastic nonlinear model using the input water quality data In the process of simulating the treatment process, selecting the optimal model of the sewage treatment process using the simulation result data, and using the simulation result of the selected optimal model, the control factors of the sewage treatment process are diagnosed and calculated and And correspondingly transmitting control data for controlling the sewage treatment process.
본 발명은 유입수질의 변화와 실제 제어시 발생하는 오차에 대한 고려된 하 수처리공정에 최적의 모델링을 적용하여 정확도와 신뢰도가 높은 제어인자를 산출하므로 하수처리공정의 처리효율을 높일 수 있다.According to the present invention, the optimum modeling is applied to the sewage treatment process considering the change of influent quality and the errors occurring in actual control, so that the control factor with high accuracy and reliability can be calculated, thereby improving the treatment efficiency of the sewage treatment process.
본 발명은 각 처리장별로 미생물 등 복잡한 요인에 의해서 정확도와 신뢰도가 높은 제어인자를 진단 및 산출할 수 있는 모델을 선택 적용함으로써 수처리 환경의 변동에도 적응 가능하다.The present invention can be adapted to variations in the water treatment environment by selecting and applying a model capable of diagnosing and calculating control factors with high accuracy and reliability due to complex factors such as microorganisms in each treatment plant.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.As the invention allows for various changes and numerous embodiments, particular embodiments will be illustrated in the drawings and described in detail in the written description. However, this is not intended to limit the present invention to specific embodiments, it should be understood to include all transformations, equivalents, and substitutes included in the spirit and scope of the present invention. In the following description of the present invention, if it is determined that the detailed description of the related known technology may obscure the gist of the present invention, the detailed description thereof will be omitted.
이하, 본 발명의 실시예를 첨부한 도면들을 참조하여 상세히 설명하기로 한다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 하수처리공정의 제어인자를 산출하기 위한 모델링을 설명하기 위한 도면이다.1 is a view for explaining modeling for calculating the control factors of the sewage treatment process.
일반적으로 모델이란 대상으로 하는 시스템을 모사하는 것을 목적으로 하며 구체적으로는 시스템에서 발생하는 숫자들의 변동을 모사하여 예측하는 것을 의미 한다. 따라서 모델은 시스템을 어떠한 관점에 따라 보는가에 따라 결정론적 모델(Decisive model)과 확률론적 모델(Statistical model)로 나눌 수 있다. In general, the model is intended to simulate the target system, and specifically, to predict and predict the variation of the numbers generated in the system. Therefore, the model can be divided into deterministic model and stochastic model according to the viewpoint of the system.
이중 결정론적 모델은 화이트박스모델(White box model)이라고 하는데 그 이유는 입력변수와 출력변수들 사이에 어떠한 인자들이 있으며 그 인자들 사이에 어떠한 영향관계를 가지는가를 명백히 밝혀서 모델을 구성한다. 이러한 경우에 모델의 신뢰성이 높고 모델 구성인자들의 구체적인 변동까지 파악할 수 있지만 역으로 각 인자들 간의 관계가 명확하지 않은 경우에는 오차를 증폭시킬 우려도 있다. The double deterministic model is called the white box model because it makes it clear what factors exist between the input and output variables and how they affect the factors. In this case, the model is highly reliable and the specific variation of model components can be identified. On the contrary, if the relationship between the factors is not clear, the error may be amplified.
또한 확률론적 모델은 블랙박스모델(Black box model)이라고 하는데 그 이유는 입력변수와 출력변수사이의 구체적인 변동을 밝히기 보다는 입력변수와 출력변수들 사이의 영향관계를 확률적인 관계로 구체화하여 모델을 구성한다. 이러한 경우에 모델을 단순히 입력변수와 출력변수만이 사용되기 때문에 모델화에 요구되는 자료가 상대적으로 적고 과거 자료에 기반하여 신뢰성이 높다는 장점이 있지만 출력변수에 영향을 미치는 구체적인 메커니즘 혹은 인자들이 고려되지 않아 이들 영향에 의한 변동에 취약하다는 단점을 가지고 있다. The stochastic model is also called a black box model because the model is constructed by specifying the relationship between the input and output variables as a probabilistic relationship rather than revealing the specific variation between the input and output variables. do. In this case, since only the input and output variables are used for the model, there is an advantage that the data required for modeling is relatively small and the reliability is high based on the historical data, but the specific mechanisms or factors affecting the output variables are not considered. It has the disadvantage of being vulnerable to fluctuations caused by these effects.
확률론적 모델에 있어서도 선형모델(Linear model)과 비선형모델(Non-linear model)로 나누어진다. The stochastic model is also divided into a linear model and a non-linear model.
선형모델은 중회귀 모델 또는 전이함수 ARIMA 모델과 같이 과거 자료를 토대로 하여 오차가 최소가 되도록 모델의 파라미터를 결정하는 것으로 변수의 영향이 파라미터의 배수만큼의 일정한 변동을 나타내게 된다. In the linear model, like the regression model or the transition function ARIMA model, the parameter of the model is determined to minimize the error based on the historical data, and the influence of the variable shows a constant variation of the multiple of the parameter.
비선형 모델은 숫자들 사이의 불규칙한 변동, 즉 비선형적인 특성을 모사하 는 모델이다. 이러한 특징은 인체에서 세포들 사이에서 일어나는 의사결정구조와 유사한 특성을 가지며 이것을 정식화한 것이 인공신경망(Neural network)이다. Nonlinear models are models that simulate irregular variations, ie nonlinear characteristics, between numbers. This feature is similar to the decision-making structure that occurs between cells in the human body, and the formalized neural network (Neural network).
하수처리공정은 미생물에 의한 유기물질, 질소 및 인의 처리과정으로서 미생물의 분류(종속영양 미생물, 독립영양 미생물, 인축적 미생물 등)와 미생물에 대한 영향요인(온도, pH, 용존산소 등), 영양물질의 존재형태(부유성, 용존성 물질), 영향물질의 분해정도(이분해성, 난분해성, 암모니아, 질산성 질소 등) 등 복잡한 요인에 의해서 변동하고 있으며 각 처리장별로 주 영양요소 및 영향요인에 따라 각기 다른 미생물의 우점종 및 존재형태를 보여주기 때문에 이것을 하나의 모델로서 정식화하기는 어렵다. The sewage treatment process is a process of treating organic substances, nitrogen and phosphorus by microorganisms, and classifying microorganisms (dependent nutrient microorganisms, autotrophic microorganisms, condensed microorganisms, etc.), influence factors on microorganisms (temperature, pH, dissolved oxygen, etc.), nutrition It varies depending on complex factors such as the substance's presence (float, dissolved substance) and the degree of decomposition of the affected substance (decomposable, hardly decomposable, ammonia, nitrate nitrogen, etc.). It is difficult to formulate this as a model because it shows the dominant species and the presence forms of different microorganisms.
따라서 하수처리공정모델에 있어서도 위에 언급한 것과 같이 결정론적 모델, 확률론적 선형모델 및 확률론적 비선형모델 등 가능성을 가지는 모델들을 모두 이용하여 모든 가능성을 고려한 후에 최적의 모델을 선택하는 경우 가장 효과적인 제어인자 산출이 가능하다.Therefore, in the sewage treatment process model, as mentioned above, the most effective control factor when selecting the optimal model after considering all the possibilities using all the models having the possibility such as the deterministic model, the stochastic linear model, and the stochastic nonlinear model. The calculation is possible.
도 2는 본 발명의 일 실시예에 따른 하수처리공정 진단 및 제어장치의 블록 구성도이다. 2 is a block diagram of a sewage treatment process diagnosis and control apparatus according to an embodiment of the present invention.
하수처리공정 진단 및 제어장치(200)는 입력부(210), 모델링부(220), 모델선정부(230), 제어인자 진단 및 산출부(240), 통신부(250), 데이터베이스(260)을 포함한다.The sewage treatment process diagnosis and
입력부(210)는 하수처리공정의 제어를 위한 유입수 또는 유출수의 수질 데이 터가 입력된다. The
여기서, 유입수 또는 유출수의 수질 데이터는 수질에 관한 실시간 계측 데이터 또는 실험실의 분석데이터 일 수 있다. Here, the water quality data of the inflow or outflow may be real-time measurement data or analysis data of the laboratory.
유입수 또는 유출수에 대한 계측데이터 또는 실험데이터를 유선 또는 무선을 통하여 통신부(250)에서 수신하여 데이터베이스(260)에 저장할 수 있다. 이 경우 입력부(210)는 하수처리공정의 제어를 위한 유입수 또는 유출수의 수질 데이터를 데이터베이스(260)에서 추출하여 사용할 수 있다.Measurement data or experimental data on influent or effluent may be received by the
또한, 유입수 또는 유출수의 수질 데이터는 최적화하고자 하는 항목에 따라 달라질 수 있으며, 예를 들면, 총 COD, 용존 COD, NH4 +, 총킬달질소(TKN), NO2 -, NO3 -, PO4 - 중 적어도 하나일 수 있다.In addition, the water quality data from the influent or effluent may vary depending on the item to be optimized, for example, total COD, soluble COD, NH 4 +, total Kjeldahl nitrogen (TKN), NO 2 -, NO 3 -, PO 4 - it may be at least one.
또한, 유입수 또는 유출수의 수질 데이터는 각 해당 하수처리장의 공정에 따라 달라질 수 있으며, 예를 들면, 공정이 유기물과 질소를 제어하는가, 유기물과 질소, 인을 제어하는가에 따라 또는 연속흐름식인가 batch식인가에 따라 달라질 수 있다.In addition, the water quality data of the influent or the effluent may vary according to the processes of the respective sewage treatment plants, for example, depending on whether the process controls organic matter and nitrogen, organic matter, nitrogen, phosphorus, or continuous flow. It may vary depending on the diet.
모델링부(220)는 입력된 수질 데이터를 이용하여 결정론적 모델, 확률론적 선형모델 및 확률론적 비선형모델에 의해 처리 공정을 시뮬레이션한다.The
모델링부(220)는 결정론적 모델링부(222), 선형 확률론적 모델링부(224) 및 비선형 확률론적 모델링부(226)를 포함한다.The
결정론적 모델링부(222)는 결정론적 모델을 통하여 하수처리공정을 시뮬레이션하고, 하수처리공정의 제어인자를 산출한다.The
여기서, 결정론적 모델은 예를 들면, ASM모델일 수 있으며, 일부 변수를 생략한 간략화된 ASM 모델일 수 있다. 여기서, 일부 변수는 실제 하수처리공정에서 측정 또는 조정하기 어려운 변수이다. Here, the deterministic model may be, for example, an ASM model, or may be a simplified ASM model in which some variables are omitted. Here, some variables are variables that are difficult to measure or adjust in actual sewage treatment processes.
간략화된 ASM모델은 다음의 과정을 통해 이루어질 수 있다.A simplified ASM model can be achieved through the following process.
첫째, 반응조별 호기, 무산소 또는 혐기 상태에 따라 물질별로 상미분 방정식을 구성한다. 여기서, 물질의 선택은 예를 들면, 일단 중요인자인 COD, BOD, 유기질소, 암모니아, 인산염이며 필요에 따라 다른 물질을 가감할 수 있다.First, ordinary differential equations are constructed for each material according to aerobic, anaerobic, or anaerobic conditions. Here, the choice of material is, for example, once important factors COD, BOD, organic nitrogen, ammonia, phosphate and other materials can be added or subtracted as needed.
둘째, 해당 하수처리장의 유입수, 유출수, 반응조별 수질 자료를 바탕으로 모델의 파라미터를 조정한다.Second, the parameters of the model are adjusted based on the influent, effluent, and water quality data of each reactor.
셋째, 해당 하수처리장의 유입수 수질에 대해 통계적인 분석을 하여 최대값(최대 부하) 및 최소값(최소 부하)을 통하여 시뮬레이션을 실시하며 이들 값들에 대해서 만족스러운 결과 값을 가지도록 파라미터를 재조정한다.Third, the statistical analysis of the influent water quality of the sewage treatment plant is performed to simulate the maximum value (maximum load) and minimum value (minimum load), and the parameters are readjusted to have satisfactory result values.
여기서, 모델의 입력인자는 모두 측정값에 의해서 구해지며 실측값을 토대로 모델이 결정되어지기 때문에 실제 하수처리장에 대한 공정 시뮬레이션이 실제적으로 이루어지며 해당 하수처리장의 유입수 및 유출수의 수질 자료 중 최대 및 최소값에 대해서 검증을 하여 모델의 출력값이 내삽되도록 하기 때문에 모델의 정확도와 신뢰도가 높아진다. Here, the input factors of the model are all determined by the measured values, and the model is determined based on the measured values, so the process simulation for the actual sewage treatment plant is actually performed. The accuracy and reliability of the model can be increased because the output of the model is interpolated by verifying
선형 확률론적 모델링부(224)는 확률론적 선형모델을 통하여 하수처리공정을 시뮬레이션하고, 하수처리공정의 제어인자를 산출한다.The linear
여기서, 확률론적 선형모델은 예를 들면, 시계열 모델인 전이함수 ARIMA(Auto-Regression Integrated Moving Average)일 수 있다.Here, the probabilistic linear model may be, for example, a transition function ARIMA (Auto-Regression Integrated Moving Average) which is a time series model.
전이함수 ARIMA 모델은 다음의 과정을 통해 이루어질 수 있다.The transition function ARIMA model can be achieved by the following process.
첫째, 오염물질의 제거에 영향을 미치는 인자들이 선택된다.First, factors influencing the removal of contaminants are selected.
둘째, 오염물질 제거를 목적함수로 하여 영향을 미치는 인자들에 대해 상호상관분석(Cross correlation)과 t-분석을 통하여 유의한 인자와 시차 차수를 결정하고 전이함수의 계수가 산출된다.Second, the significant factors and parallax orders are determined through cross correlation and t-analysis for the factors affecting the removal of pollutants as the objective function, and the coefficient of the transition function is calculated.
셋째, 전이함수에 의한 예측값과 실제값과의 차이에 대해 자기상관계수(Auto correlation) 및 편자기상관함수(Partial correlation)를 통하여 ARIMA모델의 유의한 차수들이 결정된다.Third, the significant orders of the ARIMA model are determined by auto correlation and partial correlation for the difference between the predicted value and the actual value by the transition function.
넷째, 유의하다고 판단된 여러 개의 전이함수 ARIMA 모델들 중에서 AIC(아카이케 지수), SBC(슈발츠 볼쯔만 상수) 또는 카이제곱 검정을 참고로 하여 최적 모델이 선정된다.Fourth, among several transition function ARIMA models judged to be significant, an optimal model is selected with reference to AIC (Akaike index), SBC (Schwalds-Boltzmann constant) or Chi-square test.
하수처리공정은 미생물의 성장에 따른 영양물질(오염물질 - 탄소, 질소 및 인)의 처리를 바탕으로 하고 있어서, 오염물질의 변동을 종속변수로 하고 미생물과 미생물의 성장과 관련된 온도, pH, DO, HRT, SRT, 내부순환량, 반송슬러지량, 포기량 등을 전이함수(Transfer function)로 하여 모델을 구성한다. The sewage treatment process is based on the treatment of nutrients (pollutants-carbon, nitrogen and phosphorus) according to the growth of microorganisms, and the variation of pollutants as dependent variables and the temperature, pH, DO associated with the growth of microorganisms , HRT, SRT, internal circulation amount, conveyed sludge amount, aeration amount, etc. are constructed as a transfer function.
전이함수 ARIMA 모델은 전이함수에 의한 영향 정도를 통한 예측과 ARIMA를 통한 자기보정을 가지기 때문에 통계학적으로 안정도와 신뢰도가 높은 하수처리장 의 운영 및 제어에 있어서 신뢰성 높은 자료를 제공하여 준다. The transfer function ARIMA model provides reliable data for the operation and control of the sewage treatment plant, which is statistically stable and reliable, because it has the prediction of the influence of the transfer function and the self-calibration through ARIMA.
비선형 확률론적 모델링부(226)는 확률론적 비선형모델을 통하여 하수처리공정을 시뮬레이션하고, 하수처리공정의 제어인자를 산출한다.The nonlinear
여기서, 확률론적 비선형모델은 예를 들면, 인공신경망 모델일 수 있다.Here, the probabilistic nonlinear model may be, for example, an artificial neural network model.
인공신경망 모델은 다음의 과정을 통하여 이루어질 수 있다.The neural network model can be made through the following process.
첫째, 하수처리장의 수질 및 관련 정보와 오염물질 제거에 대해 상관분석이 실시된다.First, a correlation analysis is conducted on the water quality and related information of the sewage treatment plant and the removal of pollutants.
둘째, 오염물질제거에 유의하다고 판단되는 인자들에 통계적으로 유의한 값 또는 모델예측 대상기간의 3배에 해당하는 자료가 수집된다.Second, data that are statistically significant for factors that are considered to be significant for pollutant removal or for three times the model prediction period are collected.
셋째, 수집된 자료가 0 ~ 1사이의 숫자로 표준화(Normalization)가 실시된다.Third, the collected data is normalized with numbers between 0 and 1.
넷째, 표준화된 자료를 입력층에 넣어 시냅스하중을 설정하여 모델이 완성된다.Fourth, the model is completed by setting the synaptic load by inserting standardized data into the input layer.
인공신경망 모델은 해당 하수처리장의 자료를 통하여 학습이 이루어지기 때문에 해당 하수처리장 고유의 변동이 시냅스 하중값으로 결정되어 높은 응용력을 가지게 되며, 강우시 등 유입수질의 변동이 발생하였을 때에 영향정도에 대해서도 표현할 수 있기 때문에 각 조건의 표현이 용이하게 이루어질 수 있다.Since the neural network model is trained through the data of the sewage treatment plant, the sewage treatment plant inherent fluctuations are determined by the synaptic load value and thus have a high application ability. Since it can express, expression of each condition can be made easily.
선정부(230)는 입력된 수질 데이터를 이용하여 시뮬레이션된 결정론적 모델, 확률론적 선형모델 및 확률론적 비선형모델 중 각 하수처리공정에 가장 최적의 모델을 선정한다.The selecting
선정부(230)는 시뮬레이션된 3가지 모델 중에서 오차의 크기, 오차의 정규성 및 제한조건에서의 오차 검증 중 적어도 하나의 판단기준을 이용하여 해당 하수처리장에 대하여 최적의 모델을 선정된다.The
여기서, 오차의 크기는 오차가 전체적으로 몇 %인가에 대한 것으로서 예를 들면, 절대평균오차(MAE)를 바탕으로 구하며, 오차의 변동범위를 파악하기 위해 오차의 표준편차를 구한다.Here, the magnitude of the error is about what percentage of the error is overall. For example, the magnitude of the error is calculated based on the absolute mean error (MAE), and the standard deviation of the error is determined to determine the variation range of the error.
오차의 정규성은 발생된 오차에 대해서 정규분포를 하고 있는가를 검사하는 것으로 예를 들면, 더빈왓슨 통계량, 정규검정 및 t-검정 등의 통계지표를 구성하는가로 판단할 수 있다. 오차의 정규성은 오차가 인과관계를 가지지 않고 발생하는 것이 중요하므로 오차가 랜덤(Random)하게 발생되는 오차(White Noise)인가를 판별하기 위해 더빈-왓슨(Durbin-Watson) 통계량을 이용할 수 있다.The normality of the error is a test of whether a normal distribution is generated with respect to the generated error. For example, the normality of the error may be determined by constructing statistical indicators such as the Dubson Watson statistic, the normal test, and the t-test. Since the normality of the error is important that the error is generated without having a causal relationship, the Durbin-Watson statistic may be used to determine whether the error is a randomly generated white noise.
오차의 검증은 제한조건(예를 들면, 유입수 농도(COD, 암모니아 및 인 등)이 최대 부하 또는 최소 부하일 때 모델에 의한 예측 값과 실제 값 사이의 오차로 판단할 수 있다.Verification of the error can be determined by the error between the predicted and actual value from the model when the constraints (eg influent concentrations (COD, ammonia and phosphorus)) are at maximum or minimum load.
즉, 3가지 모델을 동일한 조건에서 검증하기 때문에 입력값은 동일하지만 출력값은 모델에 따라 다르게 나타날 것이므로, 3가지 모델의 출력 값을 실제 값과 비교하여 오차를 산출하고 어느 모델이 우수한가를 검증할 수 있다.That is, since the three models are verified under the same conditions, the input values are the same but the output values will be different according to the models. Therefore, the output values of the three models can be compared with the actual values to calculate the error and verify which model is excellent. have.
제어인자 진단 및 산출부(240)는 선정부(230)에서 선정된 최적 모델에서 산출된 하수처리공정 인자를 산출하며 기존 제어인자와 비교하여 진단한다.The control factor diagnosis and
통신부(250)는 산출된 하수처리공정 인자에 상응하여 하수처리공정을 제어하 는 제어 신호를 하수처리공정에 송신하여 하수처리공정을 제어한다.The
또한 통신부(250)는 유입수 또는 유출수에 대한 계측데이터 또는 실험데이터를 유선 또는 무선을 통하여 수신할 수 있다.In addition, the
데이터베이스(260)는 유입수 또는 유출수에 대한 계측데이터 또는 실험데이터를 저장할 수 있다.The
데이터베이스(260)는 환경기초시설의 공정을 분석, 진단, 예측 관리하기 위한 각 하수처리장들의 여러 종류의 공법(A2O, MLE, SBR, 4-stage BNR등)과 관련된 공정변수 인자들을 라이브러리로 구축할 수 있다.The
하수처리공정 진단 및 제어장치(200)는 선정된 최적모델을 통해 하수처리공정인자를 제어하여 하수처리공정을 최적화한다.The sewage treatment process diagnosis and
도 3 및 도 4는 본 발명의 일 실시예에 따른 하수처리공정 진단 및 제어방법을 설명하기 위한 순서도이다.3 and 4 are flowcharts for explaining a sewage treatment process diagnosis and control method according to an embodiment of the present invention.
도 3을 참조하면, 단계 S310에서 하수처리공정 진단 및 제어장치(200)는 하수처리공정의 유입수 또는 유출수의 수질 데이터가 입력된다. 여기서, 수질 데이터의 입력은 유선 또는 무선 통신을 통하여 입력될 수 있다.Referring to FIG. 3, in step S310, the sewage treatment process diagnosis and
단계 S320에서 하수처리공정 진단 및 제어장치(200)는 입력된 수질데이터를 이용하여 결정론적 모델, 확률론적 선형모델 및 확률론적 비선형모델을 통하여 하수처리공정을 시뮬레이션한다.In operation S320, the sewage treatment process diagnosis and
단계 S330에서 하수처리공정 진단 및 제어장치(200)는 시뮬레이션 결과에 따 라 미리 선정된 선택기준에 따라 하수처리공정 환경에 최적인 모델을 선정하다. 여기서, 미리 선정된 선택기준은 모델에 의한 예측 값과 실측 값의 차이인 오차의 크기, 정규성 및 제한조건에서 오차의 검증 중 적어도 하나일 수 있다.In operation S330, the sewage treatment process diagnosis and
이를 도 4를 참조하여 더욱 상세히 설명하면, 단계 S410에서 하수처리공정 진단 및 제어장치(200)는 3가지 모델에 의해 시뮬레이션이 수행된 결과 데이터를 수신한다.4, the sewage treatment process diagnosis and
단계 S410에서 하수처리공정 진단 및 제어장치(200)는 시뮬레이션이 수행된 결과 데이터(예측값)과 입력된 실측값의 차이인 오차의 크기가 미리 설정된 범위 이내인지 판단한다. 여기서, 오차의 크기는 오차가 전체적으로 몇 %인가에 대한 것으로서 예를 들면, 절대평균오차(MAE)를 바탕으로 구하며, 오차의 변동범위를 파악하기 위해 오차의 표준편차를 구하여 판단할 수 있다.In operation S410, the sewage treatment process diagnosis and
단계 S420에서 하수처리공정 진단 및 제어장치(200)는 만약 오차의 크기가 미리 설정된 범위 이내이면, 오차가 정규성이 있는지 검사한다.In operation S420, the sewage treatment process diagnosis and
여기서, 오차의 정규성은 발생된 오차에 대해서 정규분포를 하고 있는가를 검사하는 것으로 예를 들면, 더빈왓슨 통계량, 정규검정 및 t-검정 등의 통계지표를 구성하는가로 판단할 수 있다. Here, the normality of the error is a test of whether a normal distribution is generated with respect to the generated error. For example, the normality of the error may be determined by configuring statistical indicators such as the Dubson Watson statistic, the normal test, and the t-test.
오차의 정규성은 오차가 인과관계를 가지지 않고 발생하는 것이 중요하므로 오차가 랜덤(Random)하게 발생되는 오차(White Noise)인가를 판별하기 위해 더빈-왓슨(Durbin-Watson) 통계량을 이용할 수 있다.Since the normality of the error is important that the error is generated without having a causal relationship, the Durbin-Watson statistic may be used to determine whether the error is a randomly generated white noise.
단계 S430에서 하수처리공정 진단 및 제어장치(200)는 검사결과, 만약 오차가 정규성이 있는 경우, 제한조건에서 모델에 의한 예측 값과 실제 값 사이의 오차가 미리 설정된 범위 이내인지 검사한다.In operation S430, the sewage treatment process diagnosis and
여기서, 제한조건은 유입수질이 최대부하인 경우, 또는 최소부하인 경우일 수 있다.Here, the constraint may be the case where the influent water quality is the maximum load or the minimum load.
이후 단계 S440에서 하수처리공정 진단 및 제어장치(200)는 3가지 모델 중 가장 오차의 크기가 작고, 오차가 정규성을 가지며, 제한조건에서 오차가 미리 설정된 범위 이내인 모델을 최적 모델로 선정한다.Subsequently, in step S440, the sewage treatment process diagnosis and
이후 단계 S340에서 하수처리공정 진단 및 제어장치(200)는 선정된 최적 모델에 따른 하수처리공정의 제어인자를 산출하며 기존 제어인자와 비교하여 진단한다.Subsequently, in step S340, the sewage treatment process diagnosis and
단계 S350에서 하수처리공정 진단 및 제어장치(200)는 산출된 하수처리공정의 제어인자를 하수처리공정에 적용하여 하수처리공정을 제어한다. In operation S350, the sewage treatment process diagnosis and
도 5는 본 발명의 일 실시예에 따른 하수처리공정 제어방법을 설명하기 위한 도면이다.5 is a view for explaining a sewage treatment process control method according to an embodiment of the present invention.
도 5를 참조하면, S510단계에서 하수처리공정 진단 및 제어장치(200)는 최적화 모델에 의해 산출된 유출수질이 수질기준을 초과할 경우 하수처리공정의 제어인자를 변경하여 유출수질이 수질기준 이내로 들어올 수 있는 제어 인자 값(예를 들 면, 포기량, 내부순환율, 반송슬러지량, 잉여슬러지량)을 찾아 운전에 반영하여 하수처리공정 제어한다.Referring to FIG. 5, in operation S510, the sewage treatment process diagnosis and
이후 S520에서 하수처리공정 진단 및 제어장치(200)는 실제 유출수질 값이 최적 제어에 의해 예측된 유출 수질 값과 차이가 발생할 경우 유출 수질과 관련된 모델 파라미터를 보정하여 모델을 보정한다. Then, in S520, the sewage treatment process diagnosis and
또한, S530에서 하수처리공정 진단 및 제어장치(200)는 모델이 보정된 경우, 다시 S510 단계로 궤환하여 하수처리공정을 제어한다.In addition, when the model is corrected, the sewage treatment process diagnosis and
이와 같이 유출수질에 의한 오차보정모델을 적응제어(Adaptive control)라 하며, 유입수질과 유출수질에 의한 양방향 제어(Feed back and Feed forward control)가 이루어져 강력하고 안정적인 하수처리공정 제어를 이룰 수 있다. As such, the error correction model due to the outflow water quality is called adaptive control, and the feed back and feed forward control is performed by the inflow water quality and the outflow water quality to achieve a strong and stable sewage treatment process control.
즉 본 발명에서는 유입수질에 대한 유출수질을 예측하여 공정 제어 값을 산출 반영하며 다시 예측수질과 실제유출수질을 비교하여 공정 제어 값을 산출 반영하므로 양방향 제어가 이루어진다.That is, in the present invention, the process control value is calculated and reflected by predicting the effluent quality with respect to the inflow water quality, and the process control value is calculated and reflected by comparing the predicted water quality with the actual effluent water again.
S540 단계에서, 하수처리공정 진단 및 제어장치(200)는 최적화 모델에 의해 산출된 유출수질이 수질기준에 적합한 경우, 최적화 모델에 의해 예측 가능한 하수처리공정을 운영한다.In operation S540, the sewage treatment process diagnosis and
도 6은 본 발명의 일 실시예에 따른 하수처리공정 진단 및 제어장치에서 제공하는 웹페이지를 설명하기 위한 도면이다.6 is a view for explaining a web page provided by the sewage treatment process diagnostic and control apparatus according to an embodiment of the present invention.
본 발명에 따른 하수처리공정 진단 및 제어장치(200)는 환경기초시설의 공 정을 분석, 진단, 예측 관리하는 시스템으로서 하수처리 공법 별 진단 시스템은 각 하수처리장들의 여러 종류의 공법(A2O, MLE, SBR, 4-stage BNR등)과 관련하여 공정변수 인자들을 라이브러리로 구축하고 있어 현재 운영중인 하수처리장에 설치 시 여러 작업을 거치는 불편함을 해소할 수 있다.The sewage treatment process diagnosis and
또한, 하수처리공정 진단 및 제어장치(200)는 새로운 공법추가 또한 스크립트를 이용하여 일반 프로그래머가 아니더라도 공법을 개발한 자가 직접 등록하여 구성할 수 있도록 구현될 수 있다.In addition, the sewage treatment process diagnosis and
또한, 하수처리공정 진단 및 제어장치(200)는 예를 들면, Web2.0 기반의 RIA(Rich Internet applications)으로 구현되어각 처리장의 공정노하우, 기술데이터를 데이터베이스화 하여 상이한 위치의 운영자들끼리 정보를 공유할 수 있도록 범용적인 XML 형식으로 DB데이터를 제공할 수 있으며, 외부에서 정해진 규격의 통신 방식으로 데이터를 송수신할 수 있다.In addition, the sewage treatment process diagnosis and
또한, 하수처리공정 진단 및 제어장치(200)는 예를 들면, HMI 형식의 시스템을 구성하여 기존처리장 반응조 공법이 바뀌는 경우 사용자는 반응조 부분의 태그 작업 및 이미지 수정만으로도 공정진단 시스템의 수정을 손쉽게 구축할 수 있다.In addition, the sewage treatment process diagnosis and
또한, 하수처리공정 진단 및 제어장치(200)는 한 처리장에 여러 공법을 사용 할 경우에도 모듈화된 공정변수 라이브러리로 이용하여 구축할 수 있고, 기존 운영 중인 기초시설에 연동하여 설치하거나, 새로 증설하여 사용할 수 있으며, 단독으로 운영이 가능하다.In addition, the sewage treatment process diagnosis and
또한, 하수처리공정 진단 및 제어장치(200)는 XML형식으로 제공받은 DB데이 터는 현재 운영 중인 처리장의 DB데이터와 종합하여 가공처리가 가능하여 상호관련성 분석을 통해 다른 처리장의 운영 상태와 비교가 가능하며, 다른 처리장의 예측데이터를 현재 운영 중인 처리장의 운영환경 및 공정변수를 비교 분석하여 현 처리장에서 활용 가능토록 구성하였다. In addition, the sewage treatment process diagnosis and
즉 하수처리공정 진단 및 제어장치(200)는 운영데이터가 축적된 처리장의 환경 및 공정변수를 WebService 를 이용하여 현 처리장과의 상황을 비교 판단 유사 한 경우 처리장의 모델링화된 데이터를 서비스 받아 현 처리장에서 활용이 가능하다.That is, the sewage treatment process diagnosis and
본 발명의 실시 예는 다양한 컴퓨터로 구현되는 동작을 수행하기 위한 프로그램 명령을 포함하는 컴퓨터 판독 가능 매체를포함할 수 있다. 상기 컴퓨터판독 가능 매체는 프로그램 명령, 로컬 데이터 파일, 로컬 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. An embodiment of the present invention may include a computer readable medium including program instructions for performing various computer-implemented operations. The computer readable medium may include a program command, a local data file, a local data structure, etc. alone or in combination. The media may be those specially designed and constructed for the purposes of the present invention, or they may be of the kind well-known and available to those having skill in the computer software arts.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although the above has been described with reference to a preferred embodiment of the present invention, those skilled in the art to which the present invention pertains without departing from the spirit and scope of the present invention as set forth in the claims below It will be appreciated that modifications and variations can be made.
도 1은 하수처리공정의 제어인자를 산출하기 위한 모델링을 설명하기 위한 도면.BRIEF DESCRIPTION OF DRAWINGS Fig. 1 is a diagram for explaining modeling for calculating control factors in a sewage treatment process.
도 2는 본 발명의 일 실시예에 따른 하수처리공정 진단 및 제어장치의 블록 구성도. Figure 2 is a block diagram of a sewage treatment process diagnosis and control apparatus according to an embodiment of the present invention.
도 3 및 도 4는 본 발명의 일 실시예에 따른 하수처리공정 진단 및 제어방법을 설명하기 위한 순서도.3 and 4 is a flow chart for explaining the sewage treatment process diagnosis and control method according to an embodiment of the present invention.
도 5는 본 발명의 일 실시예에 따른 하수처리공정 진단 및 제어방법을 설명하기 위한 도면.5 is a view for explaining the sewage treatment process diagnosis and control method according to an embodiment of the present invention.
도 6은 본 발명의 일 실시예에 따른 하수처리공정 진단 및 제어장치에서 제공하는 웹페이지를 설명하기 위한 도면.6 is a view for explaining a web page provided by the sewage treatment process diagnostic and control apparatus according to an embodiment of the present invention.
Claims (10)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020090044605A KR100920522B1 (en) | 2009-05-21 | 2009-05-21 | Device and method for diagnosing and controlling wastewater treatment process |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020090044605A KR100920522B1 (en) | 2009-05-21 | 2009-05-21 | Device and method for diagnosing and controlling wastewater treatment process |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR100920522B1 true KR100920522B1 (en) | 2009-10-09 |
Family
ID=41572079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020090044605A KR100920522B1 (en) | 2009-05-21 | 2009-05-21 | Device and method for diagnosing and controlling wastewater treatment process |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR100920522B1 (en) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101165416B1 (en) | 2010-06-16 | 2012-07-13 | 주식회사 유앤유소프트 | Method and system of waste water diagnosis |
| WO2013016272A1 (en) * | 2011-07-27 | 2013-01-31 | Honeywell International Inc. | Integrated linear/non-linear hybrid process controller |
| KR101334693B1 (en) | 2011-03-14 | 2013-12-02 | 서울시립대학교 산학협력단 | Sensor and regression model based method of determining for injection amount of a coagulant, and purified-water treatment system using the same |
| KR20140142491A (en) * | 2013-06-04 | 2014-12-12 | 전남대학교산학협력단 | Artificial Intelligence Programmable Logic Controller System for a Sewage and Wastewater Treatment Apparatus |
| KR20190125025A (en) | 2018-04-27 | 2019-11-06 | 주식회사 유앤유 | Wastewater Treatment Process Simulation Apparatus and Method with Modified Newton-Raphson Method |
| KR102328608B1 (en) * | 2021-07-05 | 2021-11-18 | 주식회사 엔피알이노베이션 | SYSTEM OF PERFORMING POLLUTED WATER PURIFICATION TREATMENT BASED ON IoT |
| CN114119275A (en) * | 2021-11-12 | 2022-03-01 | 上海威派格智慧水务股份有限公司 | Underwater intelligent inspection device |
| CN116553790A (en) * | 2023-07-04 | 2023-08-08 | 河南裕隆水环境股份有限公司 | Test system for sewage treatment process |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1133580A (en) * | 1997-07-18 | 1999-02-09 | Mitsubishi Chem Corp | Apparatus for assisting process operation |
| KR20040044748A (en) * | 2002-11-22 | 2004-05-31 | 지아이 주식회사 | Remote controling method of wastewater treatment facilities by simulation expert system for optimal operation |
| KR100683477B1 (en) * | 2005-11-18 | 2007-02-16 | 효성에바라엔지니어링 주식회사 | Method for controlling activated sludge process based on prediction using module-typed model |
| KR20090011513A (en) * | 2007-07-26 | 2009-02-02 | 주식회사 포스코건설 | Method for controling wastewater treatment process |
-
2009
- 2009-05-21 KR KR1020090044605A patent/KR100920522B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1133580A (en) * | 1997-07-18 | 1999-02-09 | Mitsubishi Chem Corp | Apparatus for assisting process operation |
| KR20040044748A (en) * | 2002-11-22 | 2004-05-31 | 지아이 주식회사 | Remote controling method of wastewater treatment facilities by simulation expert system for optimal operation |
| KR100683477B1 (en) * | 2005-11-18 | 2007-02-16 | 효성에바라엔지니어링 주식회사 | Method for controlling activated sludge process based on prediction using module-typed model |
| KR20090011513A (en) * | 2007-07-26 | 2009-02-02 | 주식회사 포스코건설 | Method for controling wastewater treatment process |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101165416B1 (en) | 2010-06-16 | 2012-07-13 | 주식회사 유앤유소프트 | Method and system of waste water diagnosis |
| KR101334693B1 (en) | 2011-03-14 | 2013-12-02 | 서울시립대학교 산학협력단 | Sensor and regression model based method of determining for injection amount of a coagulant, and purified-water treatment system using the same |
| WO2013016272A1 (en) * | 2011-07-27 | 2013-01-31 | Honeywell International Inc. | Integrated linear/non-linear hybrid process controller |
| US8649884B2 (en) | 2011-07-27 | 2014-02-11 | Honeywell International Inc. | Integrated linear/non-linear hybrid process controller |
| KR20140142491A (en) * | 2013-06-04 | 2014-12-12 | 전남대학교산학협력단 | Artificial Intelligence Programmable Logic Controller System for a Sewage and Wastewater Treatment Apparatus |
| KR101629240B1 (en) | 2013-06-04 | 2016-06-10 | 전남대학교산학협력단 | Artificial Intelligence Programmable Logic Controller System for a Sewage and Wastewater Treatment Apparatus |
| KR20190125025A (en) | 2018-04-27 | 2019-11-06 | 주식회사 유앤유 | Wastewater Treatment Process Simulation Apparatus and Method with Modified Newton-Raphson Method |
| KR102328608B1 (en) * | 2021-07-05 | 2021-11-18 | 주식회사 엔피알이노베이션 | SYSTEM OF PERFORMING POLLUTED WATER PURIFICATION TREATMENT BASED ON IoT |
| CN114119275A (en) * | 2021-11-12 | 2022-03-01 | 上海威派格智慧水务股份有限公司 | Underwater intelligent inspection device |
| CN116553790A (en) * | 2023-07-04 | 2023-08-08 | 河南裕隆水环境股份有限公司 | Test system for sewage treatment process |
| CN116553790B (en) * | 2023-07-04 | 2023-10-10 | 河南裕隆水环境股份有限公司 | Test system for sewage treatment process |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR100920522B1 (en) | Device and method for diagnosing and controlling wastewater treatment process | |
| US20180327292A1 (en) | System and method for wastewater treatment process control | |
| JP5022610B2 (en) | Sewage treatment plant operation support equipment | |
| Prouty et al. | Socio-technical strategies and behavior change to increase the adoption and sustainability of wastewater resource recovery systems | |
| Luccarini et al. | Formal verification of wastewater treatment processes using events detected from continuous signals by means of artificial neural networks. Case study: SBR plant | |
| Torregrossa et al. | Energy saving in wastewater treatment plants: A plant-generic cooperative decision support system | |
| Zounemat-Kermani et al. | Multivariate NARX neural network in prediction gaseous emissions within the influent chamber of wastewater treatment plants | |
| Schneider et al. | Benchmarking soft sensors for remote monitoring of on-site wastewater treatment plants | |
| Holubar et al. | Start‐up and recovery of a biogas‐reactor using a hierarchical neural network‐based control tool | |
| Nawaz et al. | Intelligent human–machine interface: An agile operation and decision support for an ANAMMOX SBR system at a pilot-scale wastewater treatment plant | |
| Belia et al. | Uncertainty in Wastewater Treatment Design and Operation | |
| Mannina et al. | Uncertainty assessment of a model for biological nitrogen and phosphorus removal: Application to a large wastewater treatment plant | |
| Yang et al. | Advanced machine learning application for odor and corrosion control at a water resource recovery facility | |
| Pan et al. | A new approach to estimating oxygen off-gas fraction and dynamic alpha factor in aeration systems using hybrid machine learning and mechanistic models | |
| Nair et al. | Model calibration and feed‐forward control of the wastewater treatment plant–case study for CLUJ‐Napoca WWTP | |
| Zhu et al. | Assessment of a soft sensor approach for determining influent conditions at the MWRDGC Calumet WRP | |
| Holloway et al. | Exploring the use of water resource recovery facility instrument data to visualise dynamic resilience to environmental stressors | |
| Guo et al. | A stochastic water quality forecasting system for the Yiluo River | |
| Benedetti et al. | The incorporation of variability and uncertainty evaluations in WWTP design by means of stochastic dynamic modeling: the case of the Eindhoven WWTP upgrade | |
| Lee et al. | A Study on the Influence of a Sewage Treatment Plant's Operational Parameters using the Multiple Regression Analysis Model | |
| Zadorojniy et al. | IBM cognitive technology helps aqualia to reduce costs and save resources in wastewater treatment | |
| Meng et al. | Integrated modelling and control of urban wastewater systems | |
| Poutiainen et al. | Use of sewer on-line total solids data in wastewater treatment plant modelling | |
| Yang et al. | An adaptive real-time grey-box model for advanced control and operations in WRRFs | |
| Pryce et al. | Modelling the performance of an integrated fixed-film activated sludge (IFAS) system: A systematic approach to automated calibration |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| A302 | Request for accelerated examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20120928 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20130911 Year of fee payment: 5 |
|
| FPAY | Annual fee payment |
Payment date: 20140825 Year of fee payment: 6 |
|
| FPAY | Annual fee payment |
Payment date: 20150925 Year of fee payment: 7 |
|
| FPAY | Annual fee payment |
Payment date: 20160913 Year of fee payment: 8 |
|
| FPAY | Annual fee payment |
Payment date: 20170817 Year of fee payment: 9 |
|
| FPAY | Annual fee payment |
Payment date: 20180903 Year of fee payment: 10 |
|
| FPAY | Annual fee payment |
Payment date: 20190926 Year of fee payment: 11 |