JP7494669B2

JP7494669B2 - Method and device for predicting parameter values of wastewater treatment simulator, and method and device for controlling sewage treatment plant

Info

Publication number: JP7494669B2
Application number: JP2020152230A
Authority: JP
Inventors: 拓也江川; 啓二戸村; 洋平冨田
Original assignee: JFE Engineering Corp
Current assignee: JFE Engineering Corp
Priority date: 2020-09-10
Filing date: 2020-09-10
Publication date: 2024-06-04
Anticipated expiration: 2040-09-10
Also published as: JP2022046281A

Description

本発明は、排水処理シミュレータのパラメータ値予測方法及び装置並びに下水処理プラントの制御方法及び装置に係り、特に、排水処理シミュレータに精通していなくても、そのパラメータ値を的確に予測することが可能な、排水処理シミュレータのパラメータ値予測方法及び装置並びに下水処理プラントの制御方法及び装置に関する。 The present invention relates to a parameter value prediction method and device for a wastewater treatment simulator and a control method and device for a sewage treatment plant, and in particular to a parameter value prediction method and device for a wastewater treatment simulator and a control method and device for a sewage treatment plant that can accurately predict parameter values even if the person is not familiar with wastewater treatment simulators.

有機物を含む排水の処理には、微生物を使用した生物処理が用いられる。この生物処理において、下水や排水中に含まれる有機物を基質として人為的に培養された微生物の集合体を活性汚泥と呼ぶ。この活性汚泥中では、細菌（従属栄養生物）、糸状菌、酵母、原生生物、後生生物など多様な生物種が相互作用し、水中の有機物、窒素、リンなどが処理される。 Biological treatment using microorganisms is used to treat wastewater containing organic matter. In this biological treatment, a collection of microorganisms artificially cultivated using the organic matter contained in sewage or wastewater as a substrate is called activated sludge. In this activated sludge, a variety of organisms, including bacteria (heterotrophs), filamentous fungi, yeast, protozoa, and metazoans, interact with each other to treat the organic matter, nitrogen, phosphorus, and other substances in the water.

このような活性汚泥法による下水処理プラントの基本的な下水処理フローを図１に示す。この下水処理プラントは、下水ラインから流入する下水からトイレットペーパーなどの固形性汚濁物や砂等を除去するための最初沈殿池１０と、微生物群の働きにより有機物や窒素（アンモニア）、リン酸を除去するための生物反応槽２０と、活性汚泥と処理水を自然沈降により固液分離するための最終沈殿池３０とを主に備えている。 The basic sewage treatment flow of a sewage treatment plant using this type of activated sludge method is shown in Figure 1. This sewage treatment plant mainly comprises a primary settling tank 10 for removing solid contaminants such as toilet paper and sand from the sewage flowing in from the sewage line, a biological reaction tank 20 for removing organic matter, nitrogen (ammonia), and phosphate through the action of a group of microorganisms, and a final settling tank 30 for separating the activated sludge and treated water into solids and liquids by natural settling.

下水処理プラントの主要な処理対象物と項目は、有機物は、生物学的酸素要求量ＢＯＤ、化学的酸素要求量ＣＯＤ、浮遊状固形物ＳＳであり、窒素関係は、全窒素（有機体窒素＋無機窒素）Ｔ－Ｎ、アンモニア性窒素ＮＨ₄－Ｎ、硝酸性窒素ＮＯ₃－Ｎ、亜硝酸性窒素ＮＯ₂－Ｎであり、リンは、全リン（有機体リン＋無機リン）Ｔ－Ｐ、リン酸性リンＰＯ₄－Ｐである。 The main treatment targets and items at sewage treatment plants are organic matter, biological oxygen demand (BOD), chemical oxygen demand (COD), and suspended solids (SS); nitrogen, total nitrogen (organic nitrogen + inorganic nitrogen) T-N, ammoniacal nitrogen (NH ₄ -N), nitrate nitrogen (NO ₃ -N), and nitrite nitrogen (NO ₂ -N); and phosphorus, total phosphorus (organic phosphorus + inorganic phosphorus) TP and phosphate phosphorus PO ₄ -P.

このような下水処理プラントの運転を支援する方法の一つに、数理モデルに基いた排水処理シミュレータが提案されている（特許文献１、特許文献２）。この排水処理シミュレータの一つに、活性汚泥を用いたＡＳＭ（Activated sludge model）がある。このＡＳＭでは、生物の代謝を数式化し、反応の進行に伴う物質収支と反応速度から有機物、窒素、リンのような処理対象物質の移動をシミュレートする。 One method proposed to support the operation of such sewage treatment plants is a wastewater treatment simulator based on a mathematical model (Patent Document 1, Patent Document 2). One such wastewater treatment simulator is the activated sludge model (ASM). This ASM mathematically models the metabolism of living organisms, and simulates the movement of substances to be treated, such as organic matter, nitrogen, and phosphorus, from the material balance and reaction rate that accompany the reaction.

このＡＳＭでは、モデルで定義しているパラメータ値の一般性が常に高いわけではなく、シミュレーションの精度を維持するため、個別の処理プラントやケース毎にその時の状況を的確に表現し得るパラメータセットを決めて適宜各パラメータ値をキャリブレーションする必要がある。 In this ASM, the parameter values defined in the model are not always highly generalized, and in order to maintain the accuracy of the simulation, it is necessary to determine a parameter set that can accurately represent the situation at that time for each individual treatment plant or case, and calibrate each parameter value appropriately.

特開２００１－３３４２８７号公報JP 2001-334287 A 特開２００５－１３９５７号公報JP 2005-13957 A

しかしながら、これらのパラメータは、処理原水あるいは反応槽中の有機物の成分（遅分解性有機物、発酵性有機物、発酵生産物）の割合や活性汚泥中の各微生物の割合及び活性などに由来するため、実験的に定めることは難しく、ＡＳＭに精通した技術者による適宜設定が必要であった。 However, these parameters are difficult to determine experimentally because they are derived from the proportions of organic matter components (slowly decomposable organic matter, fermentable organic matter, fermentation products) in the raw water or reaction tank, and the proportions and activities of various microorganisms in the activated sludge, and so require appropriate setting by engineers familiar with ASM.

本発明は、前記従来の問題点を解決するべくなされたもので、ＡＳＭのような排水処理シミュレータに精通していなくても、そのパラメータ値を的確に予測可能とすることを第１の課題とする。 The present invention was made to solve the above-mentioned problems of the conventional technology, and its first objective is to make it possible to accurately predict parameter values even if one is not familiar with wastewater treatment simulators such as ASM.

本発明は、更に、予測されたパラメータ値を用いて下水処理プラントを的確に制御可能とすることを第２の課題とする。 The second objective of the present invention is to enable accurate control of a sewage treatment plant using predicted parameter values.

本発明は、下水処理プラントのデータと排水処理シミュレータによるシミュレーションの結果に対して、確からしい各パラメータ値を探索し、前記各パラメータ値の時系列データをデータベースに保存し、流入下水又は反応槽中の汚泥を観察して、その汚泥画像データを取得し、得られた汚泥画像データの特徴量と前記パラメータ値の時系列データの関係を機械学習により学習してモデルを構築し、該機械学習により構築したモデルを用いて、新しく得た汚泥画像データの特徴量から前記排水処理シミュレータのパラメータ値を予測することにより、前記第１の課題を解決したものである。 The present invention solves the first problem by searching for likely parameter values based on data from a sewage treatment plant and the results of a simulation using a wastewater treatment simulator, storing time series data of each parameter value in a database, observing inflow sewage or sludge in a reaction tank and obtaining sludge image data, learning the relationship between the features of the obtained sludge image data and the time series data of the parameter values through machine learning to construct a model , and using the model constructed through machine learning to predict parameter values of the wastewater treatment simulator from the features of the newly obtained sludge image data.

ここで、前記汚泥画像データの特徴量に加えて水質データも用いることができる。
又、前記汚泥画像データの特徴量として、処理対象水の発泡度合い、処理対象水に含まれる固形物の形状、色、濃度、大きさ、および活性汚泥のフロック近傍の水の色、原生生物の種類・数を用いることができる。 Here, in addition to the feature quantities of the sludge image data, water quality data can also be used.
In addition, the feature quantities of the sludge image data can include the degree of foaming of the water to be treated, the shape, color, concentration, and size of solids contained in the water to be treated, the color of the water near the activated sludge flocs, and the type and number of protozoans.

本発明は、又、下水処理プラントのデータと排水処理シミュレータによるシミュレーションの結果に対して、確からしい各パラメータ値を探索するモデルと、前記各パラメータ値の時系列データを保存するデータベースと、流入下水又は反応槽中の汚泥を観察して、その汚泥画像データを取得する手段と、得られた汚泥画像データの特徴量と前記パラメータ値の時系列データの関係を機械学習により学習してモデルを構築する手段と、該機械学習により構築したモデルを用いて、新しく得た汚泥画像データの特徴量から前記排水処理シミュレータのパラメータ値を予測する手段と、を備えたことを特徴とする排水処理シミュレータのパラメータ値予測装置を提供するものである。 The present invention also provides a parameter value prediction device for a wastewater treatment simulator, comprising: a model for searching for likely parameter values based on data from a sewage treatment plant and results of a simulation by a wastewater treatment simulator; a database for storing time series data of each of the parameter values; a means for observing inflow sewage or sludge in a reaction tank and acquiring sludge image data thereof; a means for learning by machine learning the relationship between features of the acquired sludge image data and the time series data of the parameter values and constructing a model; and a means for predicting parameter values of the wastewater treatment simulator from the features of newly acquired sludge image data using the model constructed by machine learning.

本発明は、又、下水処理プラントのデータと排水処理シミュレータによるシミュレーションの結果に対して、確からしい各パラメータ値を探索し、前記各パラメータ値の時系列データをデータベースに保存し、流入下水又は反応槽中の汚泥を観察して、その汚泥画像データを取得し、得られた汚泥画像データの特徴量と前記パラメータ値の時系列データの関係を機械学習により学習してモデルを構築し、該機械学習により構築したモデルを用いて、新しく得た汚泥画像データの特徴量から前記排水処理シミュレータのパラメータ値を予測し、この予測したパラメータ値を前記排水処理シミュレータに設定し、水質データと新しく得た汚泥画像データを入力して下水処理プラントを制御することにより、前記第２の課題を解決したものである。
ここで、前記汚泥画像データの特徴量に加えて水質データも用いることができる。
又、前記汚泥画像データの特徴量として、処理対象水の発泡度合い、処理対象水に含まれる固形物の形状、色、濃度、大きさ、および活性汚泥のフロック近傍の水の色、原生生物の種類・数を用いることができる。 The present invention also solves the second problem by searching for likely parameter values based on data from a sewage treatment plant and the results of a simulation using a wastewater treatment simulator, storing time series data of each of the parameter values in a database, observing inflow sewage or sludge in a reaction tank and obtaining sludge image data, learning the relationship between the features of the obtained sludge image data and the time series data of the parameter values through machine learning to construct a model, predicting parameter values of the wastewater treatment simulator from the features of the newly obtained sludge image data using the model constructed through machine learning, setting the predicted parameter values in the wastewater treatment simulator, and controlling the sewage treatment plant by inputting water quality data and the newly obtained sludge image data.
Here, in addition to the feature quantities of the sludge image data, water quality data can also be used.
In addition, the feature quantities of the sludge image data can include the degree of foaming of the water to be treated, the shape, color, concentration, and size of solids contained in the water to be treated, the color of the water near the activated sludge flocs, and the type and number of protozoans.

本発明は、又、下水処理プラントのデータと排水処理シミュレータによるシミュレーションの結果に対して、確からしい各パラメータ値を探索するモデルと、前記各パラメータ値の時系列データを保存するデータベースと、流入下水又は反応槽中の汚泥を観察して、その汚泥画像データを取得する手段と、得られた汚泥画像データの特徴量と前記パラメータ値の時系列データの関係を機械学習により学習してモデルを構築する手段と、該機械学習により構築したモデルを用いて、新しく得た汚泥画像データの特徴量から前記排水処理シミュレータのパラメータ値を予測する手段と、該手段で予測されたパラメータ値が設定される前記排水処理シミュレータと、水質データと新しく得た汚泥画像データを入力して下水処理プラントを制御する手段と、を備えたことを特徴とする下水処理プラントの制御装置を提供するものである。
ここで、前記汚泥画像データの特徴量に加えて水質データも用いることができる。
又、前記汚泥画像データの特徴量として、処理対象水の発泡度合い、処理対象水に含まれる固形物の形状、色、濃度、大きさ、および活性汚泥のフロック近傍の水の色，原生生物の種類・数を用いることができる。 The present invention also provides a control device for a sewage treatment plant, comprising: a model for searching for likely parameter values based on data of a sewage treatment plant and results of a simulation by a wastewater treatment simulator; a database for storing time series data of each of the parameter values; a means for observing inflow sewage or sludge in a reaction tank and acquiring sludge image data thereof; a means for learning the relationship between the features of the acquired sludge image data and the time series data of the parameter values by machine learning to construct a model ; a means for predicting parameter values of the wastewater treatment simulator from the features of newly acquired sludge image data using the model constructed by machine learning; the wastewater treatment simulator in which the parameter values predicted by the means are set; and a means for controlling the sewage treatment plant by inputting water quality data and the newly acquired sludge image data.
Here, in addition to the feature quantities of the sludge image data, water quality data can also be used.
In addition, the feature quantities of the sludge image data can include the degree of foaming of the water to be treated, the shape, color, concentration, and size of solids contained in the water to be treated, the color of the water near the activated sludge flocs, and the type and number of protozoa.

本発明によれば、活性汚泥画像を解析することにより、ＡＳＭのような排水処理シミュレータに精通していなくても、そのパラメータ値を的確に予測することが可能となる。従って、この予測されたパラメータ値を用いた高精度な排水処理シミュレータにより下水処理プラントの的確な制御が可能となる。 According to the present invention, by analyzing activated sludge images, it is possible to accurately predict parameter values even if one is not familiar with wastewater treatment simulators such as ASM. Therefore, a highly accurate wastewater treatment simulator using these predicted parameter values enables accurate control of a sewage treatment plant.

下水処理プラントの基本的な下水処理フローを示す図Diagram showing the basic sewage treatment flow in a sewage treatment plant 本発明に係る下水処理プラントの実施形態の全体的な構成を示す図FIG. 1 is a diagram showing the overall configuration of an embodiment of a sewage treatment plant according to the present invention. 本発明の第１実施形態の要部構成を示すブロック図FIG. 1 is a block diagram showing a configuration of a main part of a first embodiment of the present invention; 前記実施形態で活性汚泥画像から得られる特徴量の例を示す図FIG. 13 is a diagram showing an example of feature amounts obtained from an activated sludge image in the embodiment; 本発明の第２実施形態の要部構成を示すブロック図FIG. 11 is a block diagram showing a configuration of a main part of a second embodiment of the present invention;

以下、図面を参照して、本発明の実施の形態について詳細に説明する。なお、本発明は以下の実施形態に記載した内容により限定されるものではない。また、以下に記載した実施形態における構成要件には、当業者が容易に想定できるもの、実質的に同一のもの、いわゆる均等の範囲のものが含まれる。更に、以下に記載した実施形態で開示した構成要素は適宜組み合わせてもよいし、適宜選択して用いてもよい。 The following describes in detail the embodiments of the present invention with reference to the drawings. Note that the present invention is not limited to the contents described in the following embodiments. Furthermore, the components in the embodiments described below include those that a person skilled in the art can easily imagine, those that are substantially the same, and those that are within the so-called equivalent range. Furthermore, the components disclosed in the embodiments described below may be appropriately combined or appropriately selected for use.

本発明の実施形態の構成を図２に示す。 The configuration of an embodiment of the present invention is shown in Figure 2.

本実施形態は、従来と同様の、下水ライン８から下水が流入する最初沈殿池１０と、該最初沈殿池１０と流入ライン１２を介して接続された生物反応槽２０と、最終沈殿池３０とを主に備えている。 This embodiment is similar to the conventional system and mainly comprises a primary sedimentation tank 10 into which sewage flows in from a sewage line 8, a biological reaction tank 20 connected to the primary sedimentation tank 10 via an inlet line 12, and a final sedimentation tank 30.

なお、最初沈殿池１０の入側に、大きな重い夾雑物を除去して、ポンプ等を保護するための沈砂池（図示省略）が設けられる。 In addition, a grit basin (not shown) is provided at the inlet side of the initial sedimentation basin 10 to remove large, heavy impurities and protect pumps, etc.

前記生物反応槽２０は、細胞内のリンを放出し、ＰＨＡを細胞内に合成するための嫌気槽２２と、硝酸内の酸素を用いて有機物を酸化分解し、硝酸を窒素ガスに還元するための無酸素槽２４と、溶存酸素を用いて有機物を酸化分解し、アンモニアを硝酸化、ＰＨＡを分解して、リン酸を細胞内に過剰蓄積させることによってリンを除去するための好気槽２６とを備えている。 The biological reactor 20 is equipped with an anaerobic tank 22 for releasing phosphorus from within the cells and synthesizing PHA within the cells, an anaerobic tank 24 for oxidatively decomposing organic matter using oxygen in the nitric acid and reducing the nitric acid to nitrogen gas, and an aerobic tank 26 for oxidatively decomposing organic matter using dissolved oxygen, converting ammonia to nitrate, decomposing PHA, and removing phosphorus by excessively accumulating phosphate within the cells.

前記最終沈殿池３０の出側には、処理水を消毒して河川等に放流するための処理水ライン３２と、汚泥の一部を生物反応槽２０の入側に返送するための汚泥返送ライン３４と、余剰汚泥を脱水して排出するための余剰汚泥ライン３６とが設けられている。 At the outlet of the final settling tank 30, there is a treated water line 32 for disinfecting the treated water and discharging it into a river or the like, a sludge return line 34 for returning a portion of the sludge to the inlet of the biological reaction tank 20, and an excess sludge line 36 for dehydrating and discharging the excess sludge.

前記汚泥返送ライン３４には、返送ポンプ３８及び流量計３９が設けられており、最終沈殿池３０に蓄積した汚泥の一部が生物反応槽２０の入側に戻される。この返送ポンプ３８による返送汚泥量の調整により、ＭＬＳＳ（汚泥濃度）の維持や調整が図られる。 The sludge return line 34 is equipped with a return pump 38 and a flow meter 39, and a portion of the sludge accumulated in the final settling tank 30 is returned to the inlet side of the biological reaction tank 20. The amount of returned sludge is adjusted by the return pump 38, thereby maintaining and adjusting the MLSS (sludge concentration).

前記余剰汚泥ライン３６には、余剰汚泥ポンプ４０及び流量計４１が設けられており、余剰汚泥は脱水されて排出される。この余剰汚泥ポンプ４０による余剰汚泥量の調整により、系内の汚泥量の調整、汚泥の新陳代謝を整えて、汚泥滞留時間を制御する。 The excess sludge line 36 is provided with an excess sludge pump 40 and a flow meter 41, and the excess sludge is dehydrated and discharged. The amount of excess sludge is adjusted by the excess sludge pump 40, which adjusts the amount of sludge in the system, regulates the metabolism of the sludge, and controls the sludge retention time.

前記好気槽２６には、空気ブロワ４２と空気量計４３が設けられ、空気を吹き込むようにされている。この空気ブロワ４２の空気量は、ＤＯ（溶存酸素濃度）の維持及び制御に用いられる。 The aerobic tank 26 is equipped with an air blower 42 and an air volume meter 43 to blow air into it. The volume of air from the air blower 42 is used to maintain and control the DO (dissolved oxygen concentration).

前記生物反応槽２０の好気槽２６の出側には、硝化液を無酸素槽２４に循環させるための硝化液循環ライン４４が設けられており、この硝化液循環ライン４４には、硝化液循環ポンプ４６が設けられている。この硝化液循環ポンプ４６による硝化液循環量は、無酸素槽２４への硝酸性窒素の供給量を調整して、窒素を除去するために用いられる。 A nitrification liquid circulation line 44 is provided at the outlet of the aerobic tank 26 of the biological reaction tank 20 to circulate the nitrification liquid to the anoxic tank 24, and a nitrification liquid circulation pump 46 is provided on this nitrification liquid circulation line 44. The amount of nitrification liquid circulated by this nitrification liquid circulation pump 46 is used to adjust the amount of nitrate nitrogen supplied to the anoxic tank 24 and remove nitrogen.

前記流入ライン１２には水量センサ１４が設けられ、前記嫌気槽２２にはＯＲＰ（酸化還元電位）センサ５２が設けられ、前記無酸素槽２４には、例えばｐＨセンサ及びＯＲＰセンサからなるセンサ５４が設けられ、前記好気槽２６には、例えばＯ₂センサ、ＭＬＳＳ（汚泥濃度）センサ、ｐＨセンサからなるセンサ５６が設けられ、処理水ライン３２には水質センサ５８が設けられている。 The inflow line 12 is provided with a water volume sensor 14, the anaerobic tank 22 is provided with an ORP (oxidation-reduction potential) sensor 52, the anoxic tank 24 is provided with a sensor 54 consisting of, for example, a pH sensor and an ORP sensor, the aerobic tank 26 is provided with a sensor 56 consisting of, for example, an _O2 sensor, a MLSS (sludge concentration) sensor and a pH sensor, and the treated water line 32 is provided with a water quality sensor 58.

前記各センサ１４、５２、５４、５６、５８の出力は、コンピュータ６０に入力され、コンピュータ６０による演算処理結果に基づいて、各ポンプやブロワなどのアクチュエータが制御される。本実施形態では、前記コンピュータ６０にＡＳＭ６４が接続されている。 The outputs of the sensors 14, 52, 54, 56, and 58 are input to a computer 60, and actuators such as pumps and blowers are controlled based on the results of calculations performed by the computer 60. In this embodiment, an ASM 64 is connected to the computer 60.

ここで、ｐＨは、環境条件の管理に用いられ、嫌気槽２２と無酸素槽２４では例えばｐＨ７～８、好気槽２６では例えばｐＨ６～７に保たれる。 Here, pH is used to manage environmental conditions, and is maintained at, for example, pH 7-8 in the anaerobic tank 22 and anoxic tank 24, and pH 6-7 in the aerobic tank 26.

又、前記ＯＲＰ（酸化還元電位）に関しても、やはり環境条件の管理に用いられ、嫌気槽２２では例えば－３００～－４００ｍＶ未満に維持され、無酸素槽２４では例えば０～－２００ｍＶ未満に維持される。 The ORP (oxidation-reduction potential) is also used to manage environmental conditions, and is maintained at, for example, less than -300 to -400 mV in the anaerobic tank 22, and at, for example, less than 0 to -200 mV in the anoxic tank 24.

又、前記ＤＯ（溶存酸素濃度）に関しても、やはり環境条件の管理に用いられ、嫌気槽２２や無酸素槽２４では例えば０．２ｍｇ／Ｌ未満、好気槽２６では例えば１．０～２．０ｍｇ／Ｌに保たれる。 The DO (dissolved oxygen concentration) is also used to manage environmental conditions, and is maintained at, for example, less than 0.2 mg/L in the anaerobic tank 22 and anoxic tank 24, and at, for example, 1.0 to 2.0 mg/L in the aerobic tank 26.

又、前記ＭＬＳＳ（汚泥濃度）は、活性汚泥中の微生物量の管理に用いられ、遠心分離汚泥の乾燥重量で全体的に例えば２，０００～３，０００ｍｇ／Ｌに保たれる。 The MLSS (sludge concentration) is used to manage the amount of microorganisms in the activated sludge, and is generally maintained at, for example, 2,000 to 3,000 mg/L in terms of dry weight of the centrifuged sludge.

汚泥性状としては、例えば前記ＭＬＳＳ、１Ｌメスシリンダで３０分沈殿させた場合の汚泥界面の目盛である活性汚泥沈殿率ＳＶ３０、３０分沈降後の汚泥１ｇが占める容積である汚泥沈降目標ＳＶＩ（＝ＳＶ３０×１０，０００／ＭＬＳＳ）が分析される。 The sludge properties analyzed include, for example, the MLSS, the activated sludge settling rate SV30, which is the scale of the sludge interface when settling for 30 minutes in a 1 L graduated cylinder, and the sludge settling target SVI (= SV30 x 10,000/MLSS), which is the volume occupied by 1 g of sludge after 30 minutes of settling.

本発明の第１実施形態のコンピュータ６０は、図３に示す如く、学習・モデル構築部６２とパラメータ値導出部９０を備えている。 As shown in FIG. 3, the computer 60 of the first embodiment of the present invention includes a learning/model construction unit 62 and a parameter value derivation unit 90.

前記学習・モデル構築部６２では、機械学習によるモデル構築を行う。 The learning/model construction unit 62 constructs models using machine learning.

そのため、水質データと運転データを収集し、ＡＳＭ６４を介して自動キャリブレーションモデル部６６に入力することで、下水処理プラントのセンサデータとＡＳＭ６４によるシミュレーションの結果に対して確からしい各パラメータ値を探索する。探索された各パラメータ値の時系列データがデータベース６８に保存される。ここでの水質データは、センサから直接測定されたものでも良いし、ソフトセンサのような手法で一部間接的に求めても良い。又、水質データを省略することもできる。 Therefore, water quality data and operation data are collected and input to the automatic calibration model unit 66 via the ASM 64, and the most likely parameter values are searched for based on the sewage treatment plant sensor data and the results of the simulation by the ASM 64. Time series data for each parameter value searched for is stored in the database 68. The water quality data here may be measured directly by a sensor, or may be partially obtained indirectly using a method such as a software sensor. The water quality data may also be omitted.

そして、最初沈殿池１０の流出水又は反応槽タンクから得られた活性汚泥を汚泥観察部７０で観察し、画像解析部７２で図４に例示するような画像解析、例えばセグメンテーションといった手法を実施して、嫌気槽２２の流入水や最初沈殿池１０の流出水の場合には、例えば、下水の色、固形物の形状、色、濃度、大きさ、発泡度合いなどの数値情報を入手する。又、活性汚泥の場合には、例えばフロックの大きさ、フロックの色、フロックの数、フロックの形状、糸状菌の数、糸状菌の長さ、水の色、フロック近傍の水の色、原生生物の種類、原生生物の数などのパラメータについて数値情報を入手する。 The effluent from the primary settling tank 10 or the activated sludge obtained from the reaction tank is observed by the sludge observation unit 70, and the image analysis unit 72 performs image analysis such as the one shown in FIG. 4, such as a segmentation technique, to obtain numerical information such as the color of the sewage, the shape, color, concentration, size, and foaming degree of the solid matter in the case of the inflow water to the anaerobic tank 22 or the effluent water from the primary settling tank 10. In addition, in the case of activated sludge, numerical information is obtained on parameters such as the size of the flocs, the color of the flocs, the number of flocs, the shape of the filamentous fungi, the length of the filamentous fungi, the color of the water, the color of the water near the flocs, the type of protozoa, and the number of protozoa.

そして、自動キャリブレーションモデル部６６で求められ、データベース６８に保存されている確からしいパラメータ値、画像解析部７２で画像解析により得られた数値、水質データについて機械学習部８０で機械学習を行い、モデル８２を構築する。 Then, the machine learning unit 80 performs machine learning on the likely parameter values found by the automatic calibration model unit 66 and stored in the database 68, the numerical values obtained by image analysis in the image analysis unit 72, and the water quality data to construct a model 82.

そして、操業時には、パラメータ値導出部９０で画像データから特徴量を抽出し、学習・モデル構築部６２で機械学習により構築されたモデル８２に対して、水質データと画像分析から得られた数値データを入力することでＡＳＭ６４内部のパラメータ値を導出する。 During operation, the parameter value derivation unit 90 extracts features from the image data, and the learning/model construction unit 62 inputs the water quality data and numerical data obtained from image analysis into the model 82 constructed by machine learning, thereby deriving parameter values within the ASM 64.

次に本発明の第２実施形態を説明する。 Next, we will explain the second embodiment of the present invention.

この第２実施形態は、図５に示す如く、第１実施形態と同様の学習・モデル構築部６２とパラメータ値導出部９０に、最適運転条件提案部１００を加えたものである。 As shown in FIG. 5, the second embodiment adds an optimal operating condition proposal unit 100 to the learning/model construction unit 62 and parameter value derivation unit 90 similar to those in the first embodiment.

前記最適運転条件提案部１００では、前記パラメータ値導出部９０で導出されたパラメータ値と、水質データをＡＳＭ６４に入力し、ＡＳＭ６４を利用して、処理水質を満足し、且つ、消費電力又は薬品使用量が最小となるような運転パラメータを提案する。 The optimal operating conditions proposal unit 100 inputs the parameter values derived by the parameter value derivation unit 90 and water quality data into the ASM 64, and uses the ASM 64 to propose operating parameters that satisfy the treated water quality and minimize power consumption or chemical usage.

本実施形態では、第１実施形態と同様の学習・モデル構築部６２でモデル８２を構築し、パラメータ値導出部９０で、構築されたモデル８２に水質データと実際の汚泥画像データを入力してパラメータ値を導出した後、最適運転条件提案部１００のＡＳＭ６４に水質データと共に導入して、処理水質を満足し、且つ、消費電力量又は薬品使用量が最小となるような運転条件を提案することができる。 In this embodiment, a model 82 is constructed in a learning/model construction unit 62 similar to that in the first embodiment, and a parameter value derivation unit 90 inputs water quality data and actual sludge image data into the constructed model 82 to derive parameter values. These are then introduced together with the water quality data into the ASM 64 of the optimal operating conditions proposal unit 100, and operating conditions can be proposed that satisfy the treated water quality and minimize the amount of power consumption or chemical usage.

他の点については第１実施形態と同様であるので説明は省略する。 Other aspects are the same as in the first embodiment, so the explanation will be omitted.

この第２実施形態によれば、最適運転条件を提案することが可能となる。 According to this second embodiment, it is possible to propose optimal operating conditions.

前記実施形態においては、いずれもＡＳＭのパラメータ値の算出に汚泥画像データと水質データを用いていたので高精度の算出が可能である。なお、水質データは省略することもできる。 In the above-mentioned embodiments, sludge image data and water quality data were used to calculate the ASM parameter values, making it possible to perform highly accurate calculations. Note that the water quality data can also be omitted.

又、前記実施形態においては、本発明が、嫌気－無酸素－好気法により有機物、窒素、リンを除去するための、生物反応槽２０が嫌気槽２２、無酸素槽２４及び好気槽２６を備えた下水処理プラントに適用されていたが、本発明の適用対象はこれに限定されず、例えば無酸素－好気法（循環式硝化脱窒素法）により有機物と窒素を除去するための、生物反応槽が嫌気槽を含まない下水処理プラントや、嫌気－好気法により有機物とリンを除去するための、生物反応槽が無酸素槽を含まず、嫌気槽と好気槽を備えた下水処理プラントや、標準活性汚泥法により有機物を除去するための、生物反応槽が好気槽のみからなる下水処理プラントにも適用できることは明らかである。 In the above embodiment, the present invention is applied to a sewage treatment plant in which the biological reaction tank 20 is provided with the anaerobic tank 22, the anoxic tank 24, and the aerobic tank 26 for removing organic matter, nitrogen, and phosphorus by the anaerobic-anoxic-aerobic method. However, the present invention is not limited to this application. For example, the present invention can be applied to a sewage treatment plant in which the biological reaction tank does not include an anaerobic tank for removing organic matter and nitrogen by the anoxic-aerobic method (circulating nitrification denitrification method), a sewage treatment plant in which the biological reaction tank does not include an anoxic tank, but includes an anaerobic tank and an aerobic tank for removing organic matter and phosphorus by the anaerobic-aerobic method, and a sewage treatment plant in which the biological reaction tank is provided with only an aerobic tank for removing organic matter by the standard activated sludge method.

８…下水ライン
１０…最初沈殿池
１２…流入ライン
１４…水量センサ
２０…生物反応槽
２２…嫌気槽
２４…無酸素槽
２６…好気槽
３０…最終沈殿池
３２…処理水ライン
３４…汚泥返送ライン
３６…余剰汚泥ライン
３８…返送ポンプ
３９、４１…流量計
４０…余剰汚泥ポンプ
４２…空気ブロワ
４３…空気量計
４４…硝化液循環ライン
４６…硝化液循環ポンプ
５２…ＯＲＰセンサ
５４…ｐＨセンサ＋ＯＲＰセンサ
５６…Ｏ₂センサ＋ＭＬＳＳセンサ＋ｐＨセンサ
５８…水質センサ
６０…コンピュータ
６２…学習・モデル構築部
６４…ＡＳＭ
６６…自動キャリブレーションモデル部
６８…データベース
７０…汚泥観察部
７２…画像解析部
８０…機械学習部
８２…モデル
９０…パラメータ値導出部
１００…最適運転条件提案部 8... Sewage line 10... Primary sedimentation tank 12... Inflow line 14... Water volume sensor 20... Biological reaction tank 22... Anaerobic tank 24... Anoxic tank 26... Aerobic tank 30... Final sedimentation tank 32... Treated water line 34... Sludge return line 36... Excess sludge line 38... Return pump 39, 41... Flow meter 40... Excess sludge pump 42... Air blower 43... Air volume meter 44... Nitrification liquid circulation line 46... Nitrification liquid circulation pump 52... ORP sensor 54... pH sensor + ORP sensor 56... _O2 sensor + MLSS sensor + pH sensor 58... Water quality sensor 60... Computer 62... Learning and model construction unit 64... ASM
66: Automatic calibration model section 68: Database 70: Sludge observation section 72: Image analysis section 80: Machine learning section 82: Model 90: Parameter value derivation section 100: Optimal operating condition proposal section

Claims

Based on the data from the sewage treatment plant and the results of the simulation using the wastewater treatment simulator, we searched for the most likely parameter values.
storing the time series data of each of the parameter values in a database;
Observing the influent sewage or sludge in the reaction tank and acquiring sludge image data;
A model is constructed by learning the relationship between the feature amount of the obtained sludge image data and the time series data of the parameter value by machine learning ;
A method for predicting parameter values of a wastewater treatment simulator , comprising: predicting parameter values of the wastewater treatment simulator from feature quantities of newly obtained sludge image data using the model constructed by machine learning .

The method for predicting parameter values of a wastewater treatment simulator according to claim 1, characterized in that water quality data is also used in addition to the feature quantities of the sludge image data.

3. The method for predicting parameter values of a wastewater treatment simulator according to claim 1 or 2, wherein the feature quantities of the sludge image data include the degree of foaming of the water to be treated, the shape, color, concentration, and size of solid matter contained in the water to be treated, the color of the water in the vicinity of activated sludge flocs, and the type and number of protozoa.

A model that searches for likely parameter values based on data from a sewage treatment plant and the results of a simulation using a wastewater treatment simulator.
A database for storing time series data of each of the parameter values;
A means for observing the inflow sewage or sludge in the reaction tank and acquiring sludge image data thereof;
A means for learning the relationship between the feature amount of the obtained sludge image data and the time series data of the parameter values by machine learning to construct a model ;
a means for predicting parameter values of the wastewater treatment simulator from feature quantities of newly obtained sludge image data using the model constructed by the machine learning ;
A parameter value prediction device for a wastewater treatment simulator comprising:

5. The parameter value prediction device for a wastewater treatment simulator according to claim 4 , further comprising water quality data in addition to the feature quantities of the sludge image data.

6. The parameter value prediction device for a wastewater treatment simulator according to claim 4 or 5, wherein the feature quantities of the sludge image data include the degree of foaming of the water to be treated, the shape, color, concentration and size of solid matter contained in the water to be treated, the color of the water in the vicinity of activated sludge flocs, and the type and number of protozoa.

Based on the data from the sewage treatment plant and the results of the simulation using the wastewater treatment simulator, we searched for the most likely parameter values.
storing the time series data of each of the parameter values in a database;
Observing the influent sewage or sludge in the reaction tank and acquiring sludge image data;
A model is constructed by learning the relationship between the feature amount of the obtained sludge image data and the time series data of the parameter value by machine learning ;
Using the model constructed by the machine learning, predicting parameter values of the wastewater treatment simulator from feature quantities of newly obtained sludge image data;
The predicted parameter values are set in the wastewater treatment simulator,
A method for controlling a sewage treatment plant, comprising inputting water quality data and newly obtained sludge image data to control the sewage treatment plant.

8. The method for controlling a sewage treatment plant according to claim 7 , further comprising using water quality data in addition to the feature quantities of the sludge image data.

9. The method for controlling a sewage treatment plant according to claim 7 or 8, wherein the feature quantities of the sludge image data include the degree of foaming of the water to be treated, the shape, color, concentration, and size of solid matter contained in the water to be treated, the color of the water in the vicinity of activated sludge flocs, and the type and number of protozoa.

A model that searches for likely parameter values based on data from a sewage treatment plant and the results of a simulation using a wastewater treatment simulator.
A database for storing time series data of each of the parameter values;
A means for observing the inflow sewage or sludge in the reaction tank and acquiring sludge image data thereof;
A means for learning the relationship between the feature amount of the obtained sludge image data and the time series data of the parameter values by machine learning to construct a model ;
a means for predicting parameter values of the wastewater treatment simulator from feature quantities of newly obtained sludge image data using the model constructed by the machine learning ;
the wastewater treatment simulator in which parameter values predicted by said means are set;
a means for inputting the water quality data and the newly obtained sludge image data to control the sewage treatment plant;
A control device for a sewage treatment plant comprising:

The control device for a sewage treatment plant according to claim 10, further comprising water quality data in addition to the feature quantities of the sludge image data.

The control device for a sewage treatment plant according to claim 10 or 11, characterized in that the feature quantities of the sludge image data include the degree of foaming of the water to be treated, the shape, color, concentration, and size of solid matter contained in the water to be treated, the color of the water in the vicinity of activated sludge flocs, and the type and number of protozoa.