JPH06328092A - 生物学的処理装置の制御システムにおけるデータ収集方法 - Google Patents
生物学的処理装置の制御システムにおけるデータ収集方法Info
- Publication number
- JPH06328092A JPH06328092A JP5117520A JP11752093A JPH06328092A JP H06328092 A JPH06328092 A JP H06328092A JP 5117520 A JP5117520 A JP 5117520A JP 11752093 A JP11752093 A JP 11752093A JP H06328092 A JPH06328092 A JP H06328092A
- Authority
- JP
- Japan
- Prior art keywords
- sludge
- flow rate
- control
- amount
- control system
- 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.)
- Pending
Links
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
- Activated Sludge Processes (AREA)
- Control Of Non-Electrical Variables (AREA)
Abstract
(57)【要約】
【目的】 処理系の制御用のニューラルネット制御シス
テムを実際のプラントに適用する場合における教師デー
タの収集方法を提供すること。 【構成】 ニューラルネット制御システムにより処理系
のＳＲＴ制御を行う場合において、Ｍｗ一定制御部３０
により余剰汚泥引き抜き固形物量Ｍｗを一定制御した状
態において、ＱＲ制御部６０により返送汚泥流量ＱＲを
種々な値に制御する。その際の汚泥容量指標ＳＶＩ、平
均汚泥滞留時間ＳＲＴ、返送汚泥流量ＱＲ、並びに流入
水量Ｑｓ、並びに余剰汚泥流量Ｑｗなどのデータを収集
し、これらのデータ項目から教師データを作成する。
テムを実際のプラントに適用する場合における教師デー
タの収集方法を提供すること。 【構成】 ニューラルネット制御システムにより処理系
のＳＲＴ制御を行う場合において、Ｍｗ一定制御部３０
により余剰汚泥引き抜き固形物量Ｍｗを一定制御した状
態において、ＱＲ制御部６０により返送汚泥流量ＱＲを
種々な値に制御する。その際の汚泥容量指標ＳＶＩ、平
均汚泥滞留時間ＳＲＴ、返送汚泥流量ＱＲ、並びに流入
水量Ｑｓ、並びに余剰汚泥流量Ｑｗなどのデータを収集
し、これらのデータ項目から教師データを作成する。
Description
【０００１】
【産業上の利用分野】本発明は、生物学的処理装置の制
御システムにおけるデータ収集方法に関し、特に下・排
水の生物処理における制御システムである糸状性バルキ
ングのニューラルネット制御システムにおけるデータ収
集方法に関するものである。
御システムにおけるデータ収集方法に関し、特に下・排
水の生物処理における制御システムである糸状性バルキ
ングのニューラルネット制御システムにおけるデータ収
集方法に関するものである。
【０００２】
【従来の技術】一般に、排水は、活性汚泥微生物により
好気的（脱窒、脱リンは必要な場合等、一部に嫌気的プ
ロセスを含む）に処理される。そしてこの処理時におい
て、上記の活性汚泥微生物が増殖するため、処理系を安
定（定常）に維持するため、活性汚泥の一部を余剰汚泥
として処理系外部に排出する必要がある。
好気的（脱窒、脱リンは必要な場合等、一部に嫌気的プ
ロセスを含む）に処理される。そしてこの処理時におい
て、上記の活性汚泥微生物が増殖するため、処理系を安
定（定常）に維持するため、活性汚泥の一部を余剰汚泥
として処理系外部に排出する必要がある。
【０００３】この場合における排出量の制御である余剰
汚泥量制御（余剰汚泥制御）としては、現在まで、以下
のようなものが提案されており、また一部は実用化され
ている。
汚泥量制御（余剰汚泥制御）としては、現在まで、以下
のようなものが提案されており、また一部は実用化され
ている。
【０００４】（１）１日当たりの目標引き抜き汚泥量を
設定し、余剰の積算流量がその目標値になるまで引き抜
く方法（定量引き抜き制御）、（２）曝気槽内における
汚泥量の一定割合を毎日引き抜く方法（汚泥日令（Ｓ
Ａ）制御）、（３）処理系内における汚泥量の一定割合
を毎日引き抜く方法（平均汚泥滞留時間（ＳＲＴ）制
御）、上記の余剰汚泥量制御のうちで、現在、最も良好
な管理方法はＳＲＴ制御であることが知られている。
設定し、余剰の積算流量がその目標値になるまで引き抜
く方法（定量引き抜き制御）、（２）曝気槽内における
汚泥量の一定割合を毎日引き抜く方法（汚泥日令（Ｓ
Ａ）制御）、（３）処理系内における汚泥量の一定割合
を毎日引き抜く方法（平均汚泥滞留時間（ＳＲＴ）制
御）、上記の余剰汚泥量制御のうちで、現在、最も良好
な管理方法はＳＲＴ制御であることが知られている。
【０００５】図６にこのＳＲＴ制御を行うための構成の
一例を示した。図６において、曝気槽１の出力付近に設
置された汚泥容量（ＳＶ）計２、並びに活性汚泥浮遊量
（ＭＬＳＳ）計３の検出値をそれぞれ汚泥容量指標（Ｓ
ＶＩ）計４に導入して、汚泥容量指標ＳＶＩを算出す
る。この算出された汚泥容量指標ＳＶＩの値、流入水量
（Ｑｓ）計５による流入水量Ｑｓ、並びに返送（余剰）
汚泥濃度（ＣＲ）計６１により求められる返送汚泥量な
どから、演算処理（ＷＳ）部７によって、最終沈殿池１
０内における汚泥量を演算する。またこの演算された最
終沈殿池内汚泥量ＭＦ、余剰汚泥流量（Ｑｗ）計１１か
らの余剰汚泥流量Ｑｗ、並びに上記の返送（余剰）濃度
ＣＲをＳＲＴ制御部８に入力する。そしてこれらの入力
に基づいてＳＲＴ制御部８により余剰汚泥量を求め、こ
の余剰汚泥量に応じて余剰汚泥引き抜き用の余剰汚泥ポ
ンプ９をＯＮ／ＯＦＦ制御して所定量の余剰汚泥を排出
することで、処理系を安定に維持している。
一例を示した。図６において、曝気槽１の出力付近に設
置された汚泥容量（ＳＶ）計２、並びに活性汚泥浮遊量
（ＭＬＳＳ）計３の検出値をそれぞれ汚泥容量指標（Ｓ
ＶＩ）計４に導入して、汚泥容量指標ＳＶＩを算出す
る。この算出された汚泥容量指標ＳＶＩの値、流入水量
（Ｑｓ）計５による流入水量Ｑｓ、並びに返送（余剰）
汚泥濃度（ＣＲ）計６１により求められる返送汚泥量な
どから、演算処理（ＷＳ）部７によって、最終沈殿池１
０内における汚泥量を演算する。またこの演算された最
終沈殿池内汚泥量ＭＦ、余剰汚泥流量（Ｑｗ）計１１か
らの余剰汚泥流量Ｑｗ、並びに上記の返送（余剰）濃度
ＣＲをＳＲＴ制御部８に入力する。そしてこれらの入力
に基づいてＳＲＴ制御部８により余剰汚泥量を求め、こ
の余剰汚泥量に応じて余剰汚泥引き抜き用の余剰汚泥ポ
ンプ９をＯＮ／ＯＦＦ制御して所定量の余剰汚泥を排出
することで、処理系を安定に維持している。
【０００６】
【発明が解決しようとする課題】ところが、上記した従
来の方法によりＳＲＴ制御を制御システムとして実現す
る場合、最終沈殿池内汚泥量ＭＦを把握するために、Ｗ
Ｓ部７としてはワークステーションレベルの計算機が必
要であるという欠点がある。このため、そのような計算
機設備がない場合には、上記の制御システムを事実上導
入できなかった。またこの計算機設備を有する処理施設
であっても、上記従来の最終沈殿池内汚泥量ＭＦの計算
は、数式モデルに基づくものであるため、そのモデルパ
ラメータの同定（固定）に非常な労力が必要であった。
来の方法によりＳＲＴ制御を制御システムとして実現す
る場合、最終沈殿池内汚泥量ＭＦを把握するために、Ｗ
Ｓ部７としてはワークステーションレベルの計算機が必
要であるという欠点がある。このため、そのような計算
機設備がない場合には、上記の制御システムを事実上導
入できなかった。またこの計算機設備を有する処理施設
であっても、上記従来の最終沈殿池内汚泥量ＭＦの計算
は、数式モデルに基づくものであるため、そのモデルパ
ラメータの同定（固定）に非常な労力が必要であった。
【０００７】そこで本出願人は、ニューラルネット（ニ
ューラルネットモデル）を利用した制御方式を先に提案
した（特願平４−２４７４５０号）。この制御方式は、
要するに、排水の生物学的処理装置における平均汚泥滞
留時間ＳＲＴの設定値、汚泥容量指標ＳＶＩの値、流入
水量Ｑｓ、並びに返送汚泥流量ＱＲをニューラルネット
モデルへの入力変数とし、また余剰汚泥流量Ｑｗを出力
変数に含むニューラルネット制御部を、上記従来の構成
において演算処理部とＳＲＴ制御部に代えて設けたもの
である。またこの場合、定常解析プログラムを用いて学
習に必要な教師データを作成し、この教師データを用い
てニューラルモデルに含まれるパラメータを同定してい
た。この同定は、出力と教師データとの差に基づいて上
記パラメータを修正する操作を所定の学習パターンが終
了するまで繰り返すことで行われる。また繰り返し回数
を増やすことで、誤差の自乗和が減少してニューラルネ
ット出力値と教師データの値とを一致させることができ
る。そしてこの制御方式によれば、ニューロモデルを利
用しているために、例えば誤差逆伝播法（Ｅｒｒｏｒ
Ｂａｃｋｐｒｏｐａｇｏｔｉｏｎ Ｍｅｔｈｏｄ）など
による学習によって、モデルパラメータの同定が容易と
なる。
ューラルネットモデル）を利用した制御方式を先に提案
した（特願平４−２４７４５０号）。この制御方式は、
要するに、排水の生物学的処理装置における平均汚泥滞
留時間ＳＲＴの設定値、汚泥容量指標ＳＶＩの値、流入
水量Ｑｓ、並びに返送汚泥流量ＱＲをニューラルネット
モデルへの入力変数とし、また余剰汚泥流量Ｑｗを出力
変数に含むニューラルネット制御部を、上記従来の構成
において演算処理部とＳＲＴ制御部に代えて設けたもの
である。またこの場合、定常解析プログラムを用いて学
習に必要な教師データを作成し、この教師データを用い
てニューラルモデルに含まれるパラメータを同定してい
た。この同定は、出力と教師データとの差に基づいて上
記パラメータを修正する操作を所定の学習パターンが終
了するまで繰り返すことで行われる。また繰り返し回数
を増やすことで、誤差の自乗和が減少してニューラルネ
ット出力値と教師データの値とを一致させることができ
る。そしてこの制御方式によれば、ニューロモデルを利
用しているために、例えば誤差逆伝播法（Ｅｒｒｏｒ
Ｂａｃｋｐｒｏｐａｇｏｔｉｏｎ Ｍｅｔｈｏｄ）など
による学習によって、モデルパラメータの同定が容易と
なる。
【０００８】ところがこの方法の場合、学習のための教
師データが得られていることを前提としており、またこ
の教師データの収集はニューラルネットシステムへの入
出力変数を考慮して決定しなければならない。そして上
記方法ではシュミレーションによって教師データを作成
しているが、実際には、処理系の内部状態は殆ど計測で
きないという欠点がある。
師データが得られていることを前提としており、またこ
の教師データの収集はニューラルネットシステムへの入
出力変数を考慮して決定しなければならない。そして上
記方法ではシュミレーションによって教師データを作成
しているが、実際には、処理系の内部状態は殆ど計測で
きないという欠点がある。
【０００９】上記の課題を解決するため、本発明の目的
は、上記のようなニューラルネットによる制御システム
を実際のプラントに適用する場合において効果的な、学
習用のデータ（教師データ）の収集方法を提供すること
にある。
は、上記のようなニューラルネットによる制御システム
を実際のプラントに適用する場合において効果的な、学
習用のデータ（教師データ）の収集方法を提供すること
にある。
【００１０】
【課題を解決するための手段】本発明の生物学的処理装
置の制御システムにおけるデータ収集方法は、生物学的
処理装置による処理系の制御をするためのニューラルネ
ット制御システムにおけるパラメータの同定に用いる教
師データを収集する方法であって、余剰汚泥引き抜き固
形物量Ｍｗを一定制御した状態において返送汚泥流量Ｑ
Ｒを制御する条件下において前記教師データを収集す
る、ことを特徴とするものである。
置の制御システムにおけるデータ収集方法は、生物学的
処理装置による処理系の制御をするためのニューラルネ
ット制御システムにおけるパラメータの同定に用いる教
師データを収集する方法であって、余剰汚泥引き抜き固
形物量Ｍｗを一定制御した状態において返送汚泥流量Ｑ
Ｒを制御する条件下において前記教師データを収集す
る、ことを特徴とするものである。
【００１１】前記処理系の制御は、例えば、ＳＲＴ制御
である。また前記教師データの収集項目は、例えば、汚
泥容量指標ＳＶＩ、平均汚泥滞留時間ＳＲＴ、返送汚泥
流量ＱＲ、並びに流入水量Ｑｓなどの入力変数、および
余剰汚泥流量Ｑｗの出力変数である。
である。また前記教師データの収集項目は、例えば、汚
泥容量指標ＳＶＩ、平均汚泥滞留時間ＳＲＴ、返送汚泥
流量ＱＲ、並びに流入水量Ｑｓなどの入力変数、および
余剰汚泥流量Ｑｗの出力変数である。
【００１２】
【作用】余剰汚泥引き抜き固形物量Ｍｗを一定制御した
状態で、返送汚泥流量ＱR を種々な値に制御し、その時
に得られた制御系における入出力変数など項目を収集し
て教師データを作成する。
状態で、返送汚泥流量ＱR を種々な値に制御し、その時
に得られた制御系における入出力変数など項目を収集し
て教師データを作成する。
【００１３】そして、上記のように余剰汚泥引き抜き固
形物量Ｍｗを一定にした制御とすることで、汚泥容量指
標ＳＶＩが変動する条件下においても余剰汚泥固形物を
正確に制御できる。これに対して、例えば１日当りの引
き抜き汚泥量を一定に制御する場合には、ＳＶＩが高く
なるのに伴って引き抜き汚泥濃度Ｃｗが低下するために
１日当りの実際の余剰汚泥引き抜き固形物量は減少する
結果、処理系内の汚泥量は増加するなどの欠点がある。
形物量Ｍｗを一定にした制御とすることで、汚泥容量指
標ＳＶＩが変動する条件下においても余剰汚泥固形物を
正確に制御できる。これに対して、例えば１日当りの引
き抜き汚泥量を一定に制御する場合には、ＳＶＩが高く
なるのに伴って引き抜き汚泥濃度Ｃｗが低下するために
１日当りの実際の余剰汚泥引き抜き固形物量は減少する
結果、処理系内の汚泥量は増加するなどの欠点がある。
【００１４】
【実施例】以下本発明の実施例を図面に基づいて説明す
るに、図１に、上記の先に提案したニューラルネット制
御システムの一例を、また図２にこの制御システムに用
いられる教師データを得るための本発明のデータ収集方
法の実施例の構成を、それぞれ示した。
るに、図１に、上記の先に提案したニューラルネット制
御システムの一例を、また図２にこの制御システムに用
いられる教師データを得るための本発明のデータ収集方
法の実施例の構成を、それぞれ示した。
【００１５】まず図１のニューラルネット制御システム
について説明する。この制御システムと図６に示した従
来の制御システムとの主な違いは、演算処理部７とＳＲ
Ｔ制御部８に代えて、ニューラルネット制御部２０を設
けたことである。
について説明する。この制御システムと図６に示した従
来の制御システムとの主な違いは、演算処理部７とＳＲ
Ｔ制御部８に代えて、ニューラルネット制御部２０を設
けたことである。
【００１６】ＳＲＴ制御における操作量は余剰汚泥量
（通常は１日当たりの余剰汚泥量）であるから、ニュー
ラルネット制御の入力項目（入力変数）は、ＳＲＴ制御
下でこの余剰汚泥量に影響を及ぼす因子が選定され、具
体的には、汚泥容量ＳＶ３０と活性汚泥浮遊量ＭＬＳＳ
濃度より演算される汚泥容量指標ＳＶＩ、平均汚泥滞留
時間ＳＲＴの設定値（ＳＲＴｓｅｔ）、返送汚泥流量Ｑ
Ｒ、流入水量Ｑｓ、の４項目となる。また、ニューラル
ネット制御における操作量である出力項目（出力変数）
は、上記の余剰汚泥流量Ｑｗである。
（通常は１日当たりの余剰汚泥量）であるから、ニュー
ラルネット制御の入力項目（入力変数）は、ＳＲＴ制御
下でこの余剰汚泥量に影響を及ぼす因子が選定され、具
体的には、汚泥容量ＳＶ３０と活性汚泥浮遊量ＭＬＳＳ
濃度より演算される汚泥容量指標ＳＶＩ、平均汚泥滞留
時間ＳＲＴの設定値（ＳＲＴｓｅｔ）、返送汚泥流量Ｑ
Ｒ、流入水量Ｑｓ、の４項目となる。また、ニューラル
ネット制御における操作量である出力項目（出力変数）
は、上記の余剰汚泥流量Ｑｗである。
【００１７】次に、本発明の実施例における教師データ
の収集方法を説明する。尚、教師データは、より具体的
には、上記の４つの入力変数（汚泥容量指標ＳＶＩ、平
均汚泥滞留時間ＳＲＴの設定値ＳＲＴｓｅｔ、返送汚泥
流量ＱＲ、流入水量Ｑｓ）と、出力変数である余剰汚泥
流量Ｑｗとの関係についてのデータである。
の収集方法を説明する。尚、教師データは、より具体的
には、上記の４つの入力変数（汚泥容量指標ＳＶＩ、平
均汚泥滞留時間ＳＲＴの設定値ＳＲＴｓｅｔ、返送汚泥
流量ＱＲ、流入水量Ｑｓ）と、出力変数である余剰汚泥
流量Ｑｗとの関係についてのデータである。
【００１８】この実施例のデータ収集方法において、検
討項目は、（１）データ収集時の運転制御方法、（２）
データ収集時における可変パラメータ（可制御パラメー
タ）の設定方法などである。
討項目は、（１）データ収集時の運転制御方法、（２）
データ収集時における可変パラメータ（可制御パラメー
タ）の設定方法などである。
【００１９】まず、学習データ収集時における運転制御
システムの全体構成は、上記の入出力項目を考慮して、
図２に示したものとなる。この運転制御システムは、図
１の制御システムにおいてニューラルネット制御部２０
に代えて、Ｍｗ（余剰汚泥引き抜き固形物量）一定制御
装置部３０を用いている。また、余剰汚泥ポンプ９によ
り引き抜かれた余剰汚泥の濃度を検出する余剰濃度（Ｃ
ｗ）計１２と、最終沈殿池１０からの放水流における汚
泥（ＳＳ）の濃度を検出する濁度（Ｔｂ）計１３とが設
けられており、これらの検出値は、Ｑｗ計１１の検出値
とともに、Ｍｗ一定制御装置部３０に入力される。更
に、返送汚泥ポンプ９１、制御弁９２、並びに返送汚泥
流量（ＱＲ）制御部６０を設けるとともに、返送汚泥流
量（ＱR ）計６の検出値をＱＲ制御部６０に入力し、返
送汚泥流量の設定値ＱＲｓｅｔに基づいてＱＲ制御部６
０により制御弁９２を開閉制御することで、返送汚泥流
量ＱＲを調整している。
システムの全体構成は、上記の入出力項目を考慮して、
図２に示したものとなる。この運転制御システムは、図
１の制御システムにおいてニューラルネット制御部２０
に代えて、Ｍｗ（余剰汚泥引き抜き固形物量）一定制御
装置部３０を用いている。また、余剰汚泥ポンプ９によ
り引き抜かれた余剰汚泥の濃度を検出する余剰濃度（Ｃ
ｗ）計１２と、最終沈殿池１０からの放水流における汚
泥（ＳＳ）の濃度を検出する濁度（Ｔｂ）計１３とが設
けられており、これらの検出値は、Ｑｗ計１１の検出値
とともに、Ｍｗ一定制御装置部３０に入力される。更
に、返送汚泥ポンプ９１、制御弁９２、並びに返送汚泥
流量（ＱＲ）制御部６０を設けるとともに、返送汚泥流
量（ＱR ）計６の検出値をＱＲ制御部６０に入力し、返
送汚泥流量の設定値ＱＲｓｅｔに基づいてＱＲ制御部６
０により制御弁９２を開閉制御することで、返送汚泥流
量ＱＲを調整している。
【００２０】この運転制御システムにおいて、Ｍｗ一定
制御装置部３０は、次のような機能を有する。
制御装置部３０は、次のような機能を有する。
【００２１】（１）１日当りの目標の余剰汚泥引き抜き
固形物量Ｍｗの設定値Ｍｗｓｅｔ（Ｋｇ−ＳＳ／日）を
設定する機能、（２）余剰汚泥ポンプ９の起動時間を設
定する機能し、並びにこの設定時間で余剰汚泥ポンプ９
を起動するための起動開始指令を出力する機能、（３）
余剰汚泥ポンプ９の起動時から余剰汚流量Ｑｗと余剰汚
泥濃度Ｃｗとの積の積算をして、実際の余剰の引き抜き
固形物量の積算値Ｍｗｃａｌを求める機能、尚、この積
算は、Ｍｗｃａｌ＝∫Ｑｗ（ｔ）×Ｃｗ（ｔ）により行
われる。またＱｗ計１１やＣｗ計１２からの検出信号が
デジタル信号の場合には、積算はΣＱｗ（ｋ）×Ｃｗ
（ｋ）により行われる。
固形物量Ｍｗの設定値Ｍｗｓｅｔ（Ｋｇ−ＳＳ／日）を
設定する機能、（２）余剰汚泥ポンプ９の起動時間を設
定する機能し、並びにこの設定時間で余剰汚泥ポンプ９
を起動するための起動開始指令を出力する機能、（３）
余剰汚泥ポンプ９の起動時から余剰汚流量Ｑｗと余剰汚
泥濃度Ｃｗとの積の積算をして、実際の余剰の引き抜き
固形物量の積算値Ｍｗｃａｌを求める機能、尚、この積
算は、Ｍｗｃａｌ＝∫Ｑｗ（ｔ）×Ｃｗ（ｔ）により行
われる。またＱｗ計１１やＣｗ計１２からの検出信号が
デジタル信号の場合には、積算はΣＱｗ（ｋ）×Ｃｗ
（ｋ）により行われる。
【００２２】（４）設定値Ｍｗｓｅｔと、積算値Ｍｗｃ
ａｌとを比較し、実際の引き抜き量が設定値と同じか、
またはそれ以上になった時点で、余剰汚泥ポンプ９を停
止させる機能、尚、最終沈殿池１０からの放流水による
汚泥の流出量が多い場合には、放流水として１日当りに
処理系外に流出される汚泥量の積算値を求め、またこの
放流水中の汚泥量と上記の余剰汚泥量との和を求めるこ
とにより、処理系外に引き抜かれる汚泥量の総量を正確
に把握することができる。即ちこの場合には、積算値Ｍ
ｗｃａｌは、Ｍｗｃａｌ＝Σ（Ｑｗ（ｋ）×Ｃｗ（ｋ）
＋Ｑｓ（ｋ）×Ｃｅ（ｋ））となる。ここで、放流水中
の汚泥濃度Ｃｅは、Ｔｂ計１３よって汚泥濃度換算で求
めることができる。
ａｌとを比較し、実際の引き抜き量が設定値と同じか、
またはそれ以上になった時点で、余剰汚泥ポンプ９を停
止させる機能、尚、最終沈殿池１０からの放流水による
汚泥の流出量が多い場合には、放流水として１日当りに
処理系外に流出される汚泥量の積算値を求め、またこの
放流水中の汚泥量と上記の余剰汚泥量との和を求めるこ
とにより、処理系外に引き抜かれる汚泥量の総量を正確
に把握することができる。即ちこの場合には、積算値Ｍ
ｗｃａｌは、Ｍｗｃａｌ＝Σ（Ｑｗ（ｋ）×Ｃｗ（ｋ）
＋Ｑｓ（ｋ）×Ｃｅ（ｋ））となる。ここで、放流水中
の汚泥濃度Ｃｅは、Ｔｂ計１３よって汚泥濃度換算で求
めることができる。
【００２３】次に、データ収集時の可変パラメータの設
定方法の一例を、教師データの収集方法とともに説明す
る。可変パラメータとしては、Ｍｗ一定制御の設定値、
ＱＲ制御の設定値、の２項目を考慮する必要がある。
尚、場合によって流入汚水量を可変パラメータとしても
良い。
定方法の一例を、教師データの収集方法とともに説明す
る。可変パラメータとしては、Ｍｗ一定制御の設定値、
ＱＲ制御の設定値、の２項目を考慮する必要がある。
尚、場合によって流入汚水量を可変パラメータとしても
良い。
【００２４】そしてまず、Ｍｗ一定制御およびＱＲ制御
における設定値Ｍｗｓｅｔと設定値ＱＲｓｅｔそれぞれ
Ｍｗ（１），ＱＲ（１）とし、ある一定期間運転する。
一定期間とは、通常１週間から１か月程度である。尚、
設定値Ｍｗｓｅｔが大きいほど、処理系外に排出される
余剰汚泥量を多くできるため、短期間で処理系が定常状
態となる。そして、定常状態となった時点で、ニューロ
制御システムへの５つの入出力項目である汚泥容量指標
ＳＶＩ、流入水量Ｑｓ、返送汚泥流量ＱＲ、平均汚泥滞
留時間ＳＲＴ、余剰汚泥流量Ｑｗ、をそれぞれ求める。
ここで、平均汚泥滞留時間ＳＲＴの値は、処理系内汚泥
量Ｍと１日当りの余剰汚泥引き抜き固形物量Ｍｗより、
ＳＲＴ＝Ｍ／Ｍｗなる式を用いて計算する。また。余剰
汚泥流量Ｑｗの値は、Ｍｗ一定制御下において、１日当
り余剰汚泥として排出される余剰汚泥量の積算値であ
る。
における設定値Ｍｗｓｅｔと設定値ＱＲｓｅｔそれぞれ
Ｍｗ（１），ＱＲ（１）とし、ある一定期間運転する。
一定期間とは、通常１週間から１か月程度である。尚、
設定値Ｍｗｓｅｔが大きいほど、処理系外に排出される
余剰汚泥量を多くできるため、短期間で処理系が定常状
態となる。そして、定常状態となった時点で、ニューロ
制御システムへの５つの入出力項目である汚泥容量指標
ＳＶＩ、流入水量Ｑｓ、返送汚泥流量ＱＲ、平均汚泥滞
留時間ＳＲＴ、余剰汚泥流量Ｑｗ、をそれぞれ求める。
ここで、平均汚泥滞留時間ＳＲＴの値は、処理系内汚泥
量Ｍと１日当りの余剰汚泥引き抜き固形物量Ｍｗより、
ＳＲＴ＝Ｍ／Ｍｗなる式を用いて計算する。また。余剰
汚泥流量Ｑｗの値は、Ｍｗ一定制御下において、１日当
り余剰汚泥として排出される余剰汚泥量の積算値であ
る。
【００２５】次に、ＱＲ制御における返送汚泥流量の設
定値ＱＲｓｅｔを、ＱＲ（１）から順次ＱＲ（２）、Ｑ
Ｒ（３）、…と必要に応じて数段階に変更し、その都度
上記の５つの入出力項目を求める。または、汚泥容量指
標ＳＶＩが変動した時点においてもその都度上記の５つ
の入出力項目を求める。
定値ＱＲｓｅｔを、ＱＲ（１）から順次ＱＲ（２）、Ｑ
Ｒ（３）、…と必要に応じて数段階に変更し、その都度
上記の５つの入出力項目を求める。または、汚泥容量指
標ＳＶＩが変動した時点においてもその都度上記の５つ
の入出力項目を求める。
【００２６】以上の一連のデータはＭｗ一定制御におけ
る設定値ＭｗｓｅｔがＭｗ（１）の場合であるが、更に
必要に応じて、Ｍｗ（２）、Ｍｗ（３）に設定値Ｍｗｓ
ｅｔを変更し、同様の手順で教師データ（１）〜（５）
を収集する。
る設定値ＭｗｓｅｔがＭｗ（１）の場合であるが、更に
必要に応じて、Ｍｗ（２）、Ｍｗ（３）に設定値Ｍｗｓ
ｅｔを変更し、同様の手順で教師データ（１）〜（５）
を収集する。
【００２７】そして図１の制御システムでは、上記のよ
うにして得られた教師データを用いて、ニューラルネッ
トモデルに含まれるパラメータの同定が、例えば以下の
手順で行われる。ここで、ニューラルネットモデルとし
ては、図３に示した、入力層、中間層、出力層の３段の
階層形モデルを用いた。この階層形モデルにおける、出
力Ｙ３１までの計算手順は、次の通りである。
うにして得られた教師データを用いて、ニューラルネッ
トモデルに含まれるパラメータの同定が、例えば以下の
手順で行われる。ここで、ニューラルネットモデルとし
ては、図３に示した、入力層、中間層、出力層の３段の
階層形モデルを用いた。この階層形モデルにおける、出
力Ｙ３１までの計算手順は、次の通りである。
【００２８】（１）入力層のニューロンには、入力変数
であるＳＶＩ、Ｑｓ、ＱＲ、ＲＳＴ値をそれぞれフルス
ケール値で除した値であるＸ１ｉ（ｉ＝１〜４）がそれ
ぞれ入力される。これはそのまま中間ニューロンに出力
される。
であるＳＶＩ、Ｑｓ、ＱＲ、ＲＳＴ値をそれぞれフルス
ケール値で除した値であるＸ１ｉ（ｉ＝１〜４）がそれ
ぞれ入力される。これはそのまま中間ニューロンに出力
される。
【００２９】（２）中間層のニューロンは、式（１）に
示したように、入力層からの出力Ｘ１ｉと重み係数Ｗ２
ｊ、１ｉとの積和を求め、この積和値にオフセット値θ
２ｊを加算したものを内部変数Ｕ２ｊとする。
示したように、入力層からの出力Ｘ１ｉと重み係数Ｗ２
ｊ、１ｉとの積和を求め、この積和値にオフセット値θ
２ｊを加算したものを内部変数Ｕ２ｊとする。
【００３０】
【数１】
【００３１】（３）中間層のニューロンからの出力は、
一般的に、式（２）に示したように、内部変数をシグモ
イド関数で変換して求められる。
一般的に、式（２）に示したように、内部変数をシグモ
イド関数で変換して求められる。
【００３２】
【数２】
【００３３】（４）更に出力層のニューロンでは、中間
層のニューロンと同様の手順により、式（３）から内部
変数Ｕ３１が、また式（４）から出力Ｙ３１が、それぞ
れ求められる。
層のニューロンと同様の手順により、式（３）から内部
変数Ｕ３１が、また式（４）から出力Ｙ３１が、それぞ
れ求められる。
【００３４】
【数３】
【００３５】
【数４】
【００３６】次いで上記で得られたニューラルネットモ
デルの出力Ｙ３１の学習が行われる。この学習には、上
記の誤差逆伝播法が一般に用いられる。これは、この出
力Ｙ３１と、その時の入力データに対応する教師データ
（ここでは余剰汚泥流量Ｑｗ）との誤差を種々の入力条
件において求め、またこの誤差の自乗和を評価関数とし
て、この値が減少するように、ニューラル制御に含まれ
るパラメータ（重み係数Ｗ、オフセット値θ）を修正す
る方法である。また、この場合のパラメータの修正アル
ゴリズムには最急降下法が通常用いられる。本実施例で
は、余りによる確率的降下法（麻生英樹「ニューラルネ
ットワーク情報処理」産業図書１９９０）を用いた。
デルの出力Ｙ３１の学習が行われる。この学習には、上
記の誤差逆伝播法が一般に用いられる。これは、この出
力Ｙ３１と、その時の入力データに対応する教師データ
（ここでは余剰汚泥流量Ｑｗ）との誤差を種々の入力条
件において求め、またこの誤差の自乗和を評価関数とし
て、この値が減少するように、ニューラル制御に含まれ
るパラメータ（重み係数Ｗ、オフセット値θ）を修正す
る方法である。また、この場合のパラメータの修正アル
ゴリズムには最急降下法が通常用いられる。本実施例で
は、余りによる確率的降下法（麻生英樹「ニューラルネ
ットワーク情報処理」産業図書１９９０）を用いた。
【００３７】図４に、上記の学習の具体的な手順を示し
た。まず、パラメータ（重み係数Ｗ、オフセット値θ）
を、例えば乱数０〜１で初期化する。次いで、ニューラ
ルネットモデルに基づき、入力データから中間層と出力
層ユニットにおける内部変数、出力値など計算する。ま
た、出力層からの出力Ｙ３１と教師データＴ３１との誤
差に基づいて、出力層と中間層のパラメータを修正す
る。そして、以上の操作を、学習パターン（例えば３３
回で１セットの学習パターン）が終了するまで繰り返
す。そしてこの学習パターンが終了したなら、この学習
パターンを設定した繰り返し回数だけ実行する。
た。まず、パラメータ（重み係数Ｗ、オフセット値θ）
を、例えば乱数０〜１で初期化する。次いで、ニューラ
ルネットモデルに基づき、入力データから中間層と出力
層ユニットにおける内部変数、出力値など計算する。ま
た、出力層からの出力Ｙ３１と教師データＴ３１との誤
差に基づいて、出力層と中間層のパラメータを修正す
る。そして、以上の操作を、学習パターン（例えば３３
回で１セットの学習パターン）が終了するまで繰り返
す。そしてこの学習パターンが終了したなら、この学習
パターンを設定した繰り返し回数だけ実行する。
【００３８】図５に、上記の学習結果を例示した。Ｎは
上記の繰り返し回数であり、図５の（Ａ）〜（Ｄ）は、
それぞれＮ＝１、Ｎ＝５３、Ｎ＝５００、Ｎ＝１００２
の場合を示したものである。これらの図において、実線
は教師データ、点線はニューラルネットモデルの出力Ｙ
３１を示したものである。
上記の繰り返し回数であり、図５の（Ａ）〜（Ｄ）は、
それぞれＮ＝１、Ｎ＝５３、Ｎ＝５００、Ｎ＝１００２
の場合を示したものである。これらの図において、実線
は教師データ、点線はニューラルネットモデルの出力Ｙ
３１を示したものである。
【００３９】そしてこの結果より、繰り返し回数が増え
るに従って誤差の自乗和ＳＵＭＸが減少して、ニューラ
ルネットの出力値と教師データの値とが一致するよう
に、パラメータ（重み係数Ｗ、オフセット値θ）が更新
されていることが判る。
るに従って誤差の自乗和ＳＵＭＸが減少して、ニューラ
ルネットの出力値と教師データの値とが一致するよう
に、パラメータ（重み係数Ｗ、オフセット値θ）が更新
されていることが判る。
【００４０】尚、図１の制御システムは、以上説明した
ような標準活性汚泥法以外に、例えば、オキシデーショ
ンディッチ法、Ａ／Ｏ法などの、種々のプロセスに適用
可能である。
ような標準活性汚泥法以外に、例えば、オキシデーショ
ンディッチ法、Ａ／Ｏ法などの、種々のプロセスに適用
可能である。
【００４１】
【発明の効果】以上述べたように、本発明によれば、余
剰汚泥引き抜き固形物量Ｍｗの一定制御、および返送汚
泥流量ＱＲの制御下において教師データを収集するよう
にしたので、ニューラルネットによる制御システムを実
際のプラントに適用する場合における学習用の教師デー
タを容易に、また正確に収集することができる。
剰汚泥引き抜き固形物量Ｍｗの一定制御、および返送汚
泥流量ＱＲの制御下において教師データを収集するよう
にしたので、ニューラルネットによる制御システムを実
際のプラントに適用する場合における学習用の教師デー
タを容易に、また正確に収集することができる。
【図１】本発明に係るニューラルネット制御システムの
一例を示す構成図である。
一例を示す構成図である。
【図２】本発明のデータ収集方法の実施例を示す構成図
である。
である。
【図３】上記制御システムに使用される階層形ニューラ
ルネットモデルの説明図である。
ルネットモデルの説明図である。
【図４】上記制御システムにおける学習手順を示すフロ
ーチャートである。
ーチャートである。
【図５】上記制御システムにおける学習結果を示す実験
例の特性図である。
例の特性図である。
【図６】従来のＳＲＴ制御装置の構成図である。
１…曝気槽 ２…汚泥容量（ＳＶ）計 ３…活性汚泥浮遊量（ＭＬＳＳ）計 ４…汚泥容量指標（ＳＶＩ）計 ５…流入水量（Ｑｓ）計 ６…返送（余剰）汚泥濃度（ＣＲ）計 ９…余剰汚泥ポンプ １０…最終沈殿池
Claims (3)
- 【請求項１】 生物学的処理装置による処理系の制御を
するためのニューラルネット制御システムにおけるパラ
メータの同定に用いる教師データを収集する方法であっ
て、余剰汚泥引き抜き固形物量（Ｍｗ）を一定制御した
状態において返送汚泥流量（ＱＲ）を制御する条件下に
おいて前記教師データを収集することを特徴とする生物
学的処理装置の制御システムにおけるデータ収集方法。 - 【請求項２】 前記処理系の制御が、平均汚泥滞留時間
（ＳＲＴ）制御であることを特徴とする請求項１記載の
データ収集方法。 - 【請求項３】 前記教師データの収集項目が、汚泥容量
指標（ＳＶＩ）、平均汚泥滞留時間（ＳＲＴ）、返送汚
泥流量（ＱＲ）、並びに流入水量（Ｑｓ）などの入力変
数、および余剰汚泥流量（Ｑｗ）の出力変数である、こ
とを特徴とする請求項１または２記載のデータ収集方
法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5117520A JPH06328092A (ja) | 1993-05-20 | 1993-05-20 | 生物学的処理装置の制御システムにおけるデータ収集方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5117520A JPH06328092A (ja) | 1993-05-20 | 1993-05-20 | 生物学的処理装置の制御システムにおけるデータ収集方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06328092A true JPH06328092A (ja) | 1994-11-29 |
Family
ID=14713811
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5117520A Pending JPH06328092A (ja) | 1993-05-20 | 1993-05-20 | 生物学的処理装置の制御システムにおけるデータ収集方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH06328092A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2784093A1 (fr) * | 1998-10-06 | 2000-04-07 | Suez Lyonnaise Des Eaux | Perfectionnements apportes au traitement d'eaux usees selon les procedes par boues activees |
| WO2017033160A1 (fr) * | 2015-08-27 | 2017-03-02 | Suez International | Procédé de traitement des eaux usées comportant un décanteur statique rapide et installation associée |
| JPWO2020183576A1 (ja) * | 2019-03-11 | 2020-09-17 |
-
1993
- 1993-05-20 JP JP5117520A patent/JPH06328092A/ja active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2784093A1 (fr) * | 1998-10-06 | 2000-04-07 | Suez Lyonnaise Des Eaux | Perfectionnements apportes au traitement d'eaux usees selon les procedes par boues activees |
| WO2000020344A1 (fr) * | 1998-10-06 | 2000-04-13 | Suez Lyonnaise Des Eaux | Perfectionnements apportes au traitement d'eaux usees selon les procedes par boues activees |
| WO2017033160A1 (fr) * | 2015-08-27 | 2017-03-02 | Suez International | Procédé de traitement des eaux usées comportant un décanteur statique rapide et installation associée |
| FR3040388A1 (fr) * | 2015-08-27 | 2017-03-03 | Degremont | Procede de traitement des eaux usees comportant un decanteur statique rapide et installation associee |
| JPWO2020183576A1 (ja) * | 2019-03-11 | 2020-09-17 | ||
| WO2020183576A1 (ja) * | 2019-03-11 | 2020-09-17 | 株式会社 ゴーダ水処理技研 | 排水処理施設の運転管理システム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR940005029B1 (ko) | 프로세스 운전지원방법 및 시스템 | |
| EP1376276B1 (en) | An AI based control system and method for treating sewage/waste water by means of a neural network and a back-propagation algorithm | |
| Wan et al. | Prediction of effluent quality of a paper mill wastewater treatment using an adaptive network-based fuzzy inference system | |
| Bagheri et al. | Modeling and optimization of activated sludge bulking for a real wastewater treatment plant using hybrid artificial neural networks-genetic algorithm approach | |
| Côté et al. | Dynamic modelling of the activated sludge process: improving prediction using neural networks | |
| EP0642469B1 (en) | Method of controlling wastewater purification plants using multiple control functions | |
| Han et al. | Fault detection of sludge bulking using a self-organizing type-2 fuzzy-neural-network | |
| Civelekoglu et al. | Modelling of COD removal in a biological wastewater treatment plant using adaptive neuro-fuzzy inference system and artificial neural network | |
| Kocijan et al. | Sequencing batch-reactor control using Gaussian-process models | |
| Baeza et al. | In-line fast OUR (oxygen uptake rate) measurements for monitoring and control of WWTP | |
| Han et al. | Efficient economic model predictive control of water treatment process with learning-based Koopman operator | |
| EP0643672B1 (en) | Method of controlling wastewater purification plants using quality evaluation of measuring data | |
| Rustum | Modelling activated sludge wastewater treatment plants using artificial intelligence techniques (fuzzy logic and neural networks) | |
| Ao et al. | A new approach to optimizing aeration using XGB-Bi-LSTM via the online monitoring of oxygen transfer efficiency and oxygen uptake rate | |
| Civelekoglu et al. | Modeling Carbon and Nitrogen Removal in an Industrial Wastewater Treatment Plant Using an Adaptive Network‐Based Fuzzy Inference System | |
| JPH06328092A (ja) | 生物学的処理装置の制御システムにおけるデータ収集方法 | |
| Pu et al. | Use of artificial neural networks: predicting trickling filterperformance in a municipal wastewater treatment plant | |
| Dulkadiroglu et al. | Modeling nitrate concentrations in a moving bed sequencing batch biofilm reactor using an artificial neural network technique | |
| Mihály et al. | Optimization of the wastewater treatment plant recycle flowrates using artificial neural networks | |
| JPH0691287A (ja) | 排水の生物学的処理装置の制御装置 | |
| JPH06335694A (ja) | 排水の生物学的処理装置の制御装置 | |
| Clara | Neural networks complemented with genetic algorithms and fuzzy systems for predicting nitrogenous effluent variables in wastewater treatment plants | |
| Pu et al. | Artificial neutral networks for predicting municipal activated sludge wastewater treatment plant performance | |
| Barbusiński et al. | Sequential algorithm of building the regression-classification model for total nitrogen simulation: application of machine learning | |
| Sainz et al. | Recurrent neuro-fuzzy modeling of a wastewater treatment plant |