JP2000218263A

JP2000218263A - 水質制御方法及びその装置

Info

Publication number: JP2000218263A
Application number: JP11023351A
Authority: JP
Inventors: Shoichi Samejima; 正一鮫島; Hiroshi Shimazaki; 弘志島崎; Kazuharu Ikeda; 一治池田; Kaoru Hatano; 薫秦野
Original assignee: Meidensha Corp; Meidensha Electric Manufacturing Co Ltd
Current assignee: Meidensha Corp; Meidensha Electric Manufacturing Co Ltd
Priority date: 1999-02-01
Filing date: 1999-02-01
Publication date: 2000-08-08

Abstract

(57)【要約】【課題】被処理水の特性に対して優れた学習能力と自
己性能診断能力を備えた水質制御方法を新たに提供す
る。【解決手段】被処理水質及び凝集剤注入率からニュー
ラルネットワークによって処理水質を予測して、目標水
質と前記予測した処理水質の偏差を演算した後、前記偏
差が所定範囲以内に定まる様に前記ニューラルネットワ
ークの再学習を行う。前記凝集剤注入率は、塩素剤注入
率及びアルカリ剤注入率のメンバシップ関数からファジ
ィ推論によって得られた凝集剤補正注入率をパラメータ
のひとつとして基本設計注入率等に加算して得られる。
また、ニューラルネットワークの再学習の効率化に前記
メンバシップ関数の調整を行なう。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、浄水場の水質制御
方法及びその装置に関するものである。

【０００２】

【従来の技術】我が国における一般的な浄水設備として
は、凝集沈殿＋砂ろ過＋塩素消毒を主要なプロセスとし
て用いているところが多い。

【０００３】原水水質によっては河川からの導水管内に
粉末活性炭処理を設置したり、異臭味物質や有機物処理
を目的としてさらにオゾン＋活性炭処理を付帯している
所もある。また、これらの設備に合せて、主に凝集剤、
塩素、アルカリ剤等を薬品として注入している。

【０００４】図13に基づいて浄水設備の問題とその対策
について述べる。

【０００５】浄水設備に流入する原水は、湖沼131、河
川133及び原水調整池135から供給される。着水井137に
導入された原水は、急速混和池139において添加された
凝集剤と均一に混ざり合い、フロック形成池141におい
ては沈降性のフロックを得るために緩やかに攪拌され
る。フロック形成池141において原水中の汚濁物質が凝
集し形成したフロックは、沈殿池143において固液分離
される。固液分離処理水は、急速ろ過池151に供給され
るが、さらに異臭味物質や溶存性有機物の処理を施す場
合は、高度浄水処理設備145に移送される。高度浄水処
理設備145に導入された固液分離処理水中の異臭成分や
溶存性有機物成分は、オゾン接触池147において、オゾ
ン発生装置144から供給されたオゾンによって酸化処理
される。オゾン処理された固液分離処理水は、活性炭吸
着池149において処理された後、急速ろ過池151に供給さ
れる。ろ過処理水は、浄水池153、配水池155を介して上
水や中水として利用されて一部は放流される。

【０００６】近年の原水水質の悪化、除去対象物質の多
様化に伴い、先に挙げた薬品注入プロセスも複雑化して
いる。原水水質悪化の具体例の一つとして、湖沼131に
おける富栄養化現象であり、これは湖沼131周辺の住宅
地や耕地等から流入した生活排水や肥料由来の窒素、リ
ン等を含んだ地下水から起因している。そして、この湖
沼131の水が河川133に流れ込んだ場合、河川汚濁の原因
となっている。

【０００７】これにより、浄水設備内についてはフロッ
ク形成池において、鉄マンガン処理および前塩素処理に
よるトリハロメタン生成よる塩素要求量物質の増加、消
毒副生成物質の増加、凝集・沈殿障害等によって固液分
離処理水の濁度が悪化する結果となる。このために、高
度浄水処理設備においてはオゾン接触池におけるオゾン
副生成物質の残留や活性炭吸着池における生物漏洩、急
速ろ過池においてはろ過機能低下によるクリプトスポリ
ジウムの漏洩等の二次的障害を引き起こす結果となって
いる。また、設備の老朽化、例えば埋設配管の老朽等
が、処理水質の悪化の原因となる場合もある。

【０００８】これらの問題に対して、浄水設備の原水供
給源となる河川133においては、上流側と下流側の浄水
設備付近に、水質監視装置132、134を設置して、常時、
流入原水の水質監視を行なっている。

【０００９】また、浄水設備においては、従来の凝集剤
＋砂ろ過＋塩素処理による汚濁物質除去・殺菌のみなら
ず、アンモニア対策として急速混和池139の手前に低濃
度ＵＶ計136と三態窒素計138を設置して、常時水質を監
視しながら水質の変動に併せて、塩素処理及びアルカリ
処理等が施されている。また、中間処理としてトリハロ
メタン生成を低減化するための塩素処理、さらに後処理
として水道管保護のためのアルカリ処理等などが実施さ
れている。高度浄水処理設備においては、流入側と排出
側に低濃度ＵＶ計142、148を配置し、またオゾン接触池
147には溶存オゾン計を設置して、設備の機能評価を行
い、オゾン接触量や活性炭の洗浄や交換についての検討
を行なっている。急速ろ過池151においては、近年にな
って問題になっているクリプトスポリジウム対策として
砂ろ過プロセス流出水の濁度監視が重要となり、凝集剤
注入の調整にも再び脚光を浴びている。そこで、濁色度
計140や高感度濁度計150、152を設置して、ろ過池の性
能判断やろ材交換、さらには急速混和池139、フロック
形成池141における凝集剤注入の調整の検討などを行な
っている。

【００１０】埋設管老朽問題については、設備内の排水
管網157の適所に配水水質モニタ154を配置して、配水の
水質を監視しながら設備内の汚染源や老朽部分の探索を
行なって、必要とあらば修繕を施している。

【００１１】以上述べたように、良好な水質が得られて
いる浄水設備においては、熟練した操作員の豊富な経験
を頼りに薬品注入による水質制御などの運転管理が実施
されているのが現状である。また、各地で水質が違うの
で、各々の浄水場で水質制御方法が構築されているのが
現状である。

【００１２】

【発明が解決しようとする課題】今日の浄水設備におけ
る運転調整、例えば薬品注入率の調整は、手動で行なわ
れているのがほとんどである。薬品注入率の調整は、設
計計算から算出された基本注入率を基づいて、操作員が
現場において目視などによるビーカーテストを行うのが
一般的な手段である。

【００１３】しかし、ビーカーテストによる薬品注入率
の最終的な判断基準は、操作員の豊富な実務経験とそれ
に培われた勘によるものがほとんどである。このように
薬品注入率の決定判断は主観的であるので、判断ミスも
少なくはなく、被処理水の特性に最適な薬品注入率はい
まだ定められていないのが現状である。

【００１４】また、被処理水質の変動、季節の変化に伴
い、同じ水質でも薬品注入率が異なる状況が多々ある。
そのため状況分析能力と適確な対応能力を備えた熟練操
作員なしには薬品注入率の決定や設備の性能維持を図る
ことは困難となり、常に操作員を常駐させておく状況と
なっている。さらには改造などで設備の動特性が変化し
た場合には、開発担当者以外には保守を行なえないのが
現状である。

【００１５】本発明は上記の事情に鑑みてなされたもの
で、変動しやすい被処理水の特性に対して優れた学習能
力と自己性能診断能力とを備えた水質制御方法を新たに
提供することを課題とする。

【００１６】

【課題を解決するための手段】本発明は、上記の課題を
達成するために、第１発明は、薬品注入率、原水水温、
原水ｐＨ、原水アルカリ度、原水濁度等からなる水質デ
ータをニューラルネットワークに供給して処理水質を予
測し、目標水質と前記予測した処理水質の偏差を算出
し、その偏差が所定範囲以内に定まるように前記ニュー
ラルネットワークで演算を行い、出力に処理水濁度予測
信号を送出するようにしたことを特徴としている。

【００１７】第２発明は、前記水質データの薬品注入率
をメンバシップ関数で決定してファジイ推論で算出した
後、前記ニューラルネットワークに供給したことを特徴
としている。

【００１８】第３発明は、前記ニューラルネットワーク
をプラントモデルに形成し、前記目標水質と予測した水
質の偏差が所定範囲以外になったときには、ニューラル
ネットワークの再学習によるプラントモデルの修正を行
うようにしたことを特徴としている。

【００１９】第４発明は、前記プラントモデルの修正
は、前記目標水質と予測水質の偏差の差が修正前後で比
較した後、修正後の差が小さいときには、プラントモデ
ルを更新し、修正後の差が大きいときには、メンバシッ
プ関数の調整を行うようにしたことを特徴としている。

【００２０】第５発明は、薬品注入率、原水水温、原水
ｐＨ、原水アルカリ度、原水濁度等からなる水質データ
を格納した水質データ蓄積部と、この水質データ蓄積部
から出力される水質データが供給され、これらデータか
ら処理水質を予測して目標水質との濁度の偏差を演算
し、出力に適正な処理水濁度予測信号を送出するニュー
ラルネットワークとを備えたことを特徴としている。

【００２１】第６発明は、前記水質データ蓄積部に格納
された薬品注入率をメンバシップ関数で決定してファジ
イ推論演算し、出力に得られた適性な薬品注入率を前記
ニューラルネットワークに供給するファジイ推論部を設
けたことを特徴としている。第７発明は、前記水質デー
タ蓄積部は、ファジイ推論部で演算した薬品注入率を格
納、引き出し可能とするとともに、前記ニューラルネッ
トワークで水質データと薬品注入率から予測された処理
水濁度予測信号の格納、引き出しをも可能とすることを
特徴としている。

【００２２】また、原水の特性に応じた凝集剤注入率の
調整については、原水濁度安定時は、処理水濁度の実績
値と目標値との偏差が一定時間0.2度以上である場合、
凝集剤注入率のパラメータのひとつである基本注入率の
検討を行なうことを特徴としている。すなわち、基本注
入率の値を１ずつ増減させたところで、第１発明に係る
処理水濁度予測を行なって、処理水濁度の実績値と目標
値との偏差が一定期間の間0.2度以内であれば、当該基
本注入率の値をパラメータとして採用する。

【００２３】原水濁度上昇時は、処理水濁度の実績値と
目標値との偏差が一定時間0.2度以上である場合、凝集
剤注入率のパラメータのひとつである原水濁度の累乗指
数と累乗値の係数の検討を行なうことを特徴としてい
る。すなわち、係数の値を０．１ずつ増減させたところ
で、第１発明に係る処理水濁度予測を行なって、処理水
濁度の実績値と目標値との偏差が一定期間０．２度以内
であれば、当該係数の値をパラメータとして採用する。
なおも、偏差が0.2度以内にならない時は、累乗指数に
ついて検討を行なう。すなわち、累乗指数の値を0.01ず
つ増減させたところで、第１発明に係る処理水濁度予測
を行なって、処理水濁度の実績値と目標値との差が一定
期間の0.2度以内であれば、そのまま当該累乗指数の値
をパラメータとして採用する。

【００２４】原水濁度上昇後の低濁度時は、処理水濁度
の実績値と目標値との偏差が一定時間の間0.2度以上で
ある場合、凝集剤注入率のパラメータの一つである凝集
剤補正注入率の検討を行なうことを特徴としている。す
なわち、出力のメンバシップ関数それぞれの頂点を0.1
ずつ増減させたところで、第１発明に係る処理水濁度予
測を行なって、処理水濁度の実績値と目標値との差が一
定期間0.2度以内であれば、当該凝集剤補正注入率をパ
ラメータとして採用する。

【００２５】

【発明の実施の形態】以下、本発明の実施の形態を図面
に基づいて説明する。

【００２６】（第１形態例）ニューラルネットワークを
用いた処理水質の予測プラントモデル。

【００２７】本形態例において構築したニューラルネッ
トワークを用いた処理水濁度予測システムについて説明
する。ニューラルネットワークは、脳の情報処理方式を
工学的に模擬しようとするものでこれまでの信号処理方
式とは原理的に異なり、一般的に入出力関係の非線形性
や学習による適応性といった特徴を持っている。したが
って、原水などのような非線形性の制御因子が供給され
る浄水設備の運転制御に、優れた学習性と性能診断能力
を備えた熟練操作員に模したニューラルネットワークを
適応することができる。ここで、図１においてニューラ
ルネットワークの概要図を示す。図１において、１は入
力層、２は第１中間層、３は第２中間層、４は出力層、
５は教師番号である。

【００２８】図２は、本発明の第１形態例に係るブロッ
ク構成図で、図２において、21は凝集剤注入率、水温、
ｐＨ、アルカリ度、原水濁度、原水流量のデータが格納
された水質データ蓄積部で、この水質データ蓄積部21か
らの各データはニューラルネットワーク22に供給され
る。23は前記蓄積部から凝集剤注入率が供給される薬品
注入ファジイ制御推論部で、このファジイ制御推論部23
で制御された薬品注入率はニューラルネットワーク22に
供給される。ニューラルネットワーク22は、供給された
各入力データを演算して、出力に処理水質予測信号
（尚、処理水は沈殿池の上澄水であり、以降の実施の形
態例においても、沈殿池の上澄水を処理水と称する）を
得るとともに詳細を後述するファジイ制御推論部23のメ
ンバシップ関数のオートチューニング（自動制御）を行
なう。

【００２９】上述した原水流量は浄水設備の性能維持を
図るうえで重要なファクターである。本形態例において
原水流量をニューラルネットワークへの入力因子の一つ
として組み込んだシュミレーションシステムを構築し
た。図２に示した本形態例に過去の時系列データを下記
の条件で学習させ予測モデルを検討した。学習アルゴリ
ズムには、バックプロパゲーションを用いた。

【００３０】１）入出力項目入力項目：凝集剤注入率、原水水温、原水ｐＨ、原水ア
ルカリ度、原水濁度及び原水流量出力項目：処理水濁度２）教師データ（出力）、入力データ入力データＰ：24×30日−11時間＝709点（６行709列）教師データＴ：24×30日−11時間＝709点（１行709列）時間遅れ（２時間）を考慮する。

【００３１】３）ニューロン入出力関数の選択中間層（第１、第２）：対数シグモイド伝達関数（tans
ig）出力層：線形伝達関数（purelin）４）ネットワーク構造の選択４層モデル：第１中間層／第２中間層／出力層＝tansig
／tansig／purelin 入力数：入力層／第１中間層／第２中間層／出力層＝６
／５／３／１５）訓練（学習とその高速化）バックプロパゲーション法では、演算時間を多く必要と
するためモーメンタム法またはLevenbert-Marquardt最
適化手法を用いるのがよい。図３に示すように上記図２
に示す第１形態例のニューラルネットワークを用いると
するとほぼ正確に処理水濁度を予測することができる。
濁度の予測値は、図３に示すように実測値とほぼ一致し
た経時的変化を辿る結果を得ることができた。

【００３２】従来の浄水プラントの維持管理において
は、原水流量と凝集剤注入率を手動により設定を変えた
後に、濁度観察などよりその性能判断を行なって設定の
検討を行なっている。そのため、設定を誤ると良好な水
質を得るのに多くの時間を要している。そこで、本形態
例に係るニューラルネットワークに導入することによ
り、結果の如く、迅速かつ正確に一定時間後の処理水濁
度を予測することができ、先のような事態を回避するこ
とが可能になる。

【００３３】このように、実測データから得られたシュ
ミレーションによってプラントモデルの構築が可能とな
る。また、ニューラルネットワークは自己学習可能であ
るので、これを自動運転制御システム内に導入すること
が可能となった。

【００３４】（第２形態例）ニューラルネットワークを
用いた水質予測プラント制御システム第１形態例で示したファジイ推論とニューラルネットワ
ークを導入したシステムは時間が経過するとファジィメ
ンバシップ関数とネットワークを調整する必要となる。
水質が経年的に悪化する場合があるため、ニューラルネ
ットは常に完全であることは限らないからである。そこ
で、本形態例においてプラントモデルを逐次見直して必
要とあらばメンバシップ関数を調整する水質予測プラン
ト制御システムを構築した。

【００３５】図４はその第２形態例に基づいたニューロ
・ファジィを用いた水質制御システム運転方法を示すフ
ローチャートである。図４において、ステップＳ１で水
質・運転データを、ステップＳ２の水質予測用のニュー
ラルネットによるプラントモデルに入力するとともに、
ステップＳ３の薬品注入ファジイ制御推論部に入力し
て、薬品注入率をファジィメンバシップ関数で決定す
る。ステップＳ３で得られた薬品注入率はステップＳ２
に入力される。

【００３６】なお、通常運転は、ファジイ推論から薬品
注入率を決定するが、時間が経過するとファジイメンバ
シップ関数とステップＳ２のニューラルネットプラント
モデルを調整する必要が生じてくる。ステップＳ２のプ
ラントモデルには、ニューラルネットを採用している
が、水質が経年的に悪化する場合があり、常に完全であ
るとは限らない。したがって、プラントモデルを見直
し、モデルが妥当であると判断されたら、メンバシップ
関数を見直す。

【００３７】ステップＳ２の薬品注入で処理水濁度が低
下したときのデータを運転実績のデータとしてステップ
Ｓ４で蓄積して後、ステップＳ５で実測処理水濁度と目
標処理水濁度の差を計算する。計算の結果、濁度偏差が
所定範囲以内であるならステップＳ６を経て、そのまま
運転を継続する。また、濁度偏差が所定範囲以内である
ならば、ステップＳ７を経てステップＳ８のニューラル
ネットワークの再学習によるプラントモデルの修正が行
なわれる。その後、修正前後の実測処理水濁度と目標処
理水濁度の差をステップＳ９で比較して、ステップＳ10
で修正後の差が小さければステップＳ11で既存のネット
ファイルを更新してそのまま運転し、ステップ12で修正
後の差が大きければステップ13でファジィメンバシップ
関数の調整を行なう。

【００３８】本形態例においてファジィ・メンバシップ
関数の調整方法は下記の通りである。

【００３９】１）実測処理水濁度と目標処理水濁度を計
算（濁度偏差）２）時間遅れを考慮に入れ、注入実績に濁度偏差分を加
減し、これを薬品（凝集剤）注入率出力値の教師データ
とする。

【００４０】３）ファジィメンバシップ関数をこの値に
合うように自動調整する。

【００４１】以上説明したようにニューラルネットワー
クのプラントモデル更新とファジィメンバシップ関数の
調整タイミングの自動化が可能となる。

【００４２】次に、第１形態例における教師データ（出
力）、入力データの変形例を示す。入力データとして現
在及び１時間前の原水水温、原水ｐＨ、原水濁度、原水
アルカリ度、原水伝導率、凝集剤注入率の12項目、出力
データとして２時間後の処理水濁度の１項目とした。出
力を２時間後としたのは、フロック形成池と沈殿池での
滞留時間を考慮したためである。

【００４３】入力データを下記の条件で学習させ予測モ
デルを検討した。

【００４４】１）入力項目入力項目：現在時及び１時間前の原水水温、原水ｐＨ、
原水濁度、原水アルカリ度、原水伝導率、凝集剤注入率出力項目：処理水濁度２）入力データ、教師データ（出力）入力データＰ：12×24×３日−24時間−12時間＝828点
（12行828列）教師データＴ：12×24×３日−24時間−12時間＝828点
（１行828列）３）ニューロン入出力関数の選択中間層（第１、第２）：対数シグモイド伝達関数（tans
ig）出力層：線形伝達関数（purelin）４）ネットワーク構造の選択４層モデル：第１中間層／第２中間層／出力層＝tansig
／tansig／purelin 入力数：入力層／第１中間層／第２中間層／出力層＝12
／10／５／１５）訓練（学習とその高速化）学習アルゴリズム：バックプロパゲーション法学習高速化手段：モーメンタム法またはLevenbert-Marq
uardt最適化手法６）誤差処理水濁度０．１度以内図５に上記変形例におけるニューラルネットワークを用
いた処理水濁度の予測結果を示す。

【００４５】従来のバックプロパゲーション法において
は演算に多く時間を要していた。そこで、水質データの
現在値と１時間前の値をニューラルネットワークに導入
することで、ほぼ正確に２時間後の処理水濁度を予測す
ることができる。このため、図５に示された様に、濁度
の予測値は、実測値とほぼ一致した経時的変化を辿る結
果を得ることができる。

【００４６】このように、ファジイ推論とニューラルネ
ットワークを組み合わせた本形態例に係る水質制御シス
テムによって、経時的に変動しやすい原水の特性に合せ
て、効率的に最適な凝集剤注入量を設定することが可能
となり、良好かつ安定した水質をもたらすことができ
る。

【００４７】（第３形態例）ファジィ推論による薬品注
入率の制御先で述べたように浄水設備の運転管理ノウハウは、操作
員の実務経験に基づいているものがほとんどである。フ
ァジィ制御には操作員の経験則を注入制御に埋め込むこ
とができる利点を有している。一部浄水場においては、
薬品注入率の決定にファジィ推論を用いたものも実用化
されている。

【００４８】ファジィ推論を用いた薬品注入率の決定
は、操作員の判断をあいまいな言葉を用いたままｉｆ−
ｔｈｅｎ形式にルール化できていることが特徴であり、
制御対象が浄水プラントにおける原水のような非線形性
のものであっても適切な出力が得られる。

【００４９】本形態例においてファジィ推論を用いた薬
品として凝集剤注入制御方法を構築した。凝集剤注入制
御のブロック図を図６に示す。図６において、61は水質
データ蓄積部、62は手入力部、63はファジイ制御推論
部、64は加算部である。

【００５０】水質データ蓄積部61には、原水濁度、前塩
素注入率、前苛性注入率、原水有機物（UV−VIS）及び
フィードバックに関する値が格納されている。

【００５１】手入力部62からは、ファジィ制御推論以外
に使用するパラメータとして基本注入率ｋ、累乗ｎのｋ
₁倍、ｋ₂倍が入力される。基本注入率ｋは基本注入率Ｄ
₁として加算部64に供給され、原水濁度は累乗ｎのｋ₁倍
をＤ₂として加算部64に供給され、また原水有機物（UV
−VIS）はｋ₂倍してＤ₄として加算部64に供給される。

【００５２】ファジイ制御推論部63では、前塩素注入率
と前苛性注入率からファジイ推論により算出された水質
要因凝集剤補正注入率をＤ₃として加算部64に供給す
る。

【００５３】最後に、フィードバックに関する項Ｄ₅を
加算部64に供給して凝集剤注入率Ｄを得る。フィードバ
ック系については、濁度の除去率や、処理水濁度、ろ過
水濁度一定制御が考えられるが、今回検証をしていない
ため、実際に加算されていない。

【００５４】図７に示すようにファジィ推論部43は２入
力１出力となっている。入力は前塩素注入率41と前苛性
注入率42であり、出力は凝集剤補正注入率44である。下
記に示す表１は凝集剤補正注入率についてのファジィ制
御ルールであって、図８、９、10は前塩素注入率、前苛
性注入率、凝集剤補正注入率のメンバシップ関数であ
る。

【００５５】

【表１】

【００５６】表１、図８、９において、ＰＢは注入率大
きい、ＺＥは適正、ＮＢは注入小さいを意味する。また
表１と図10において、ＰＢは補正注入率大きい、ＰＳは
補正注入率やや大きい、ＺＥは補正必要なし、ＮＳは補
正注入率やや小さい、ＮＢは補正注入率小さいを意味す
る。

【００５７】ファジィ推論部43は、表１のファジィ制御
ルールに基づいてファジィ推論を行なって図８、９の各
メンバシップ関数によって演算し、凝集剤注入率の補正
を行なう機能を有する。例えば、以下のように機能す
る。前塩素注入率と前苛性注入率が大きくなるほど凝集
剤補正注入率は大きくなる。前塩素注入率が適正で前苛
性注入率が小さくなると、凝集剤補正注入率はやや小さ
くことになる。前塩素注入率が大きくなり前苛性注入率
が小さくなると、凝集剤注入率は補正が必要でない割合
が高くなる。

【００５８】図11にシュミレーション結果を示す。グラ
フの表記で１ステップは５分に相当し、１日は288個（2
4×12）のデータである。また、点線が凝集剤注入率の
実績値、実線が計算値である。図11のとおり、０〜700
ステップまでは大方シュミレーション結果を実績値と合
せることができた。

【００５９】従来においては水処理設備の操作員は、水
処理における基礎知識と豊富な実務経験とこれらに裏付
けられた勘によって凝集剤の注入量の設定が行なわれて
いた。彼らの定めた凝集剤注入量はほとんど似通ってい
るが主観的な判断によるので最適な注入量がいまだ定め
られていない。

【００６０】本形態例係るファジィ推論の導入によって
過去の凝集剤注入の実績に合った最適な凝集剤注入率の
決定が可能となる。

【００６１】（第４形態例）処理水濁度予測システム図
12に処理水濁度予測システムのブロック図を示す。本形
態例の係るシステムは、データ蓄積部122、凝集剤注入
率推論部123及び処理水濁度予測部124から構成されてい
る。

【００６２】データ蓄積部122は水質データ121を一旦登
録する。データ蓄積部122にデータを登録するのは、凝
集剤注入率推論123や処理水濁度予測部124において過去
のデータとして使用するためである。

【００６３】凝集剤注入率推論部123は、データ蓄積部1
22から蓄積データを引き出し、第３形態例に係るファジ
ィ推論によって演算を行なって凝集剤注入率を算出する
機能を有する。演算によって得られた注入率はデータ蓄
積部122に登録される。

【００６４】一方、処理水濁度予測部124は、演算によ
って得られた凝集剤注入率と登録された水質データ121
をデータ蓄積部122から引き出して第１形態例に係るニ
ューラルネットワークを利用し処理水濁度を予測する機
能をする。予測された結果は、再びデータ蓄積部122へ
登録される。

【００６５】このように任意の水質に対してのファジィ
推論とニューラルネットワークを組み合わせた処理水濁
度予測システムの構築が可能になる。

【００６６】本形態に係る予測システムに用いることに
より任意の水質に対して経験則を生かした浄水設備にお
ける薬品注入設備の基本設計指針及び運転方法を新たに
提供することができる。

【００６７】（第５形態例）処理水濁度予測調整方法処理水濁度予測は、常に正確であるとは限らない。そこ
で、本形態例においては処理水濁度の予測データと実績
データをもとに正確に予測されているか否かを判断して
その調整を行なうことを特徴とした第４形態例に基づい
た処理水濁度予測調整方法を提供する。

【００６８】図12において、処理水濁度予測部124は、
データ蓄積部122に貯えられた処理水濁度の実績データ
と、同じ期間に実際に注入された凝集剤注入率や水質デ
ータから予測した処理水濁度の実績データを比較する。

【００６９】両者の誤差が一定時間0.2度以内であれ
ば、そのまま継続して現行モデルを用いる。逆に一定時
間、誤差が0.2度以上であれば、データ蓄積部122に貯え
られたデータを用いて再学習させ、ネットワークを更新
する。

【００７０】このように貯えた水質データを基に学習す
ることによって常に正確な処理水濁度予測が可能とな
る。

【００７１】（第６形態例）凝集剤注入制御パラメータ
の調整方法水処理の性能は季節の変動の影響を受けやすい。例え
ば、冬では夏と比較して水の粘性が上がるため大きなフ
ロックが出来上がり、その結果、汚濁物質除去機能が向
上する。ファジィ制御では水温のパラメータがないた
め、水温の違いによる凝集剤注入率の細かな変動に対応
するのが困難となる。

【００７２】本形態例においては、この課題に対応した
データ蓄積部にある処理水濁度の実績値を評価すること
を特徴とした第４形態例に基づいた制御方法を提供す
る。

【００７３】処理水濁度の実績値と目標値との誤差が一
定期間0.2度以上であるならば、図６の凝集剤注入制御
のパラメータを調整する。ただし、処理水濁度が誤差0.
2度以上を越えた期間によって、調整するパラメータを
決める。調整するパラメータは以下の通りである。

【００７４】１）晴天、原水濁度安定時→基本注入率ｋ
の調整。

【００７５】２）原水濁度上昇時→原水濁度の累乗ｎま
たは乗数ｋ₁の調整。

【００７６】３）原水濁度上昇後の低濁度時で導電率の
低下やアルカリの注入時→ファジィメンバシップ関数の
調整。

【００７７】パラメータ調整後の凝集剤注入率でシュミ
レーションを行なって、処理水濁度の実績値と目標値と
の誤差が一定期間0.2度以内であれば、そのままパラメ
ータとして採用する。

【００７８】以上のように過去データを貯えて演算する
ことにより、どのパラメータを調整すればよいかわかり
水温の変化に依存した原水濁度の変動に対応して常に最
適な凝集剤注入が実施することが可能になる。

【００７９】原水の特性に応じた凝集剤注入制御手段に
おいて、原水濁度安定時、原水濁度上昇時及び原水濁度
上昇後の低濁度時の凝集剤注入制御手段について以下第
７〜９形態例において説明する。

【００８０】（第７形態例）原水濁度安定時の凝集剤注
入制御のパラメータ調整方法原水濁度安定時における凝集剤注入制御のパラメータ調
整方法について述べる。

【００８１】処理水濁度の実績値と目標値との誤差が一
定時間0.2度以上である場合、図６の凝集剤注入制御シ
ステムのパラメータである基本注入率ｋの検討を行な
う。

【００８２】まず誤差が常に正ならば、凝集剤が不足し
ているためｋ値を１ずつ増やしていく。それに対して、
誤差が常に負であるならば、凝集剤が過剰であるためｋ
値を１ずつ減らしていく。

【００８３】このように基本注入率ｋの値を１ずつ増減
させたところで、第４形態例に係る処理水濁度予測を行
なって、処理水濁度の実績値と目標値との誤差が一定期
間の間0.2度以内であれば、当該ｋ値をパラメータとし
て採用する。

【００８４】かかる手段によって処理水濁度予測を基に
原水濁度安定時における最適な凝集剤注入率の決定が可
能になる。

【００８５】（第８形態例）原水濁度上昇時の凝集剤注
入制御のパラメータ調整方法原水濁度上昇時における凝集剤注入制御のパラメータ調
整法について述べる。

【００８６】処理水濁度の実績値と目標値との誤差が一
定時間0.2以上である場合、図６の凝集剤注入制御シス
テムのパラメータである原水濁度累乗値の乗数ｋ₁の検
討を行なう。

【００８７】誤差が常に正ならば、凝集剤が不足してい
るためｋ₁値を0.1ずつ増やしていく。それに対して誤差
が常に負ならば、凝集剤が過剰であるためｋ₁値を0.1ず
つ減らしていく。

【００８８】このように乗数ｋ₁の値を0.1ずつ増減させ
たところでシュミレーションを行なって、処理水濁度の
実績値と目標値との誤差が一定期間0.2度以内であれ
ば、当該ｋ₁値をパラメータとして採用する。

【００８９】また、0.2度以内にならない時には、当該
システム内の他のパラメータである累乗指数ｎについて
検討を行なう。処理水濁度の実績値と目標値との誤差が
一定期間0.2度以上である場合、その値が常に正なら
ば、凝集剤が不足しているため、ｎ値を0.01ずつ増やし
ていく。逆に誤差が常に負ならば、凝集剤が過剰である
ため、ｎ値を0.01ずつ減らしていく。

【００９０】このように、累乗指数ｎを0.01ずつ増減さ
せたところでシュミレーションを行なって、処理水濁度
の実績値と目標値との差が一定期間の0.2度以内であれ
ば、そのまま当該ｎ値をパラメータとして採用する。

【００９１】かかる手段によって処理水濁度予測を基に
原水濁度上昇時における最適な凝集剤注入率の決定が可
能となる。

【００９２】（第９形態例）原水濁度上昇後の低濁度時
における凝集剤注入制御のパラメータ調整方法原水濁度上昇後の低濁度時における凝集剤注入制御のパ
ラメータ調整方法について述べる。

【００９３】処理水濁度の実績値と目標値との誤差が一
定時間の間0.2度以上である場合、図６の凝集剤注入制
御システムのパラメータである凝集剤補正注入率Ｄ₄の
検討を行なう。

【００９４】誤差が常に正ならば、凝集剤が不足してい
るため水質要因凝集剤ファジイ推論における出力のメン
バシップ関数それぞれの頂点を0.1ずつ増やしていく。
それに対して誤差が常に負ならば、凝集剤が過剰である
ため出力のメンバシップ関数それぞれの頂点を0.1ずつ
減らしていく。

【００９５】このように出力のメンバシップ関数それぞ
れの頂点を0.1ずつ増減させたところでシュミレーショ
ンを行ない、処理水濁度の実績値と目標値との差が一定
期間0.2度以内であれば、当該凝集剤補正注入率をパラ
メータとして採用する。

【００９６】かかる手段によって処理水濁度予測を基に
原水濁度上昇後の低濁度時における最適な凝集剤注入率
の決定が可能となる。

【００９７】

【発明の効果】以上詳細に述べたように、本発明に係る
水質制御方法によれば、経時的に特性が変化しやすい原
水に対して、熟練操作員の特有な判断力を備えたニュー
ラルネットワーク・ファジイを導入することによって、
過去の水質と実績から現行のシステムを評価し学習する
ことができ、かつ自動的に薬品注入率の調整が可能にな
り、常に安定した水質制御機能を得ることができる。

【００９８】また、本発明に係るニューラルネットワー
ク・ファジイには種々の条件を入力することができる。
これによって、多様な条件での浄水プラントの性能を予
想評価することが可能となり浄水プラントの基本設計に
新しい手法を提示する。

【図面の簡単な説明】

【図１】ニューラルネットワーク概要図。

【図２】第１形態例に係るブロック構成図。

【図３】第１形態例に係る処理水濁度の経時的変化を示
す特性図。

【図４】本発明に係る水質制御システム概要図。

【図５】第２形態例に係る処理水濁度の経時的変化を示
す特性図。

【図６】本発明に係る凝集剤注入率制御のブロック図。

【図７】本発明に係るファジイ推論システム概要図。

【図８】前塩素剤注入率のメンバシップ関数。

【図９】前アルカリ剤注入率のメンバシップ関数。

【図１０】凝集剤補正注入率のメンバシップ関数。

【図１１】第３形態例に係る凝集剤注入率の変化を示す
特性図。

【図１２】本発明に係る処理水濁度予測システム概要
図。

【図１３】浄水設備の現状課題とその対策。

【符号の説明】

１・・・入力層２・・・第１中間層３・・・第２中間層４・・・出力層５・・・教師信号 21、61・・・水質データ蓄積部 22・・・ニューラルネットワーク 23・・・薬品注入ファジイ制御推論 62・・・手入力部 63・・・ファジイ制御推論部 64・・・加算部 71・・・前塩素注入率メンバシップ関数 72・・・前苛性注入率メンバシップ関数 73・・・ファジィ推論部 74・・・凝集剤補正注入率メンバシップ関数 121・・・水質データ 122・・・データ蓄積部 123・・・凝集剤注入率推論部 124・・・処理水濁度予測部

───────────────────────────────────────────────────── フロントページの続き (72)発明者池田一治東京都品川区大崎２丁目１番17号株式会社明電舎内 (72)発明者秦野薫東京都品川区大崎２丁目１番17号株式会社明電舎内Ｆターム(参考） 5H309 AA07 BB16 CC07 DD02 DD12 DD16 DD20 DD38 GG05 HH12 HH25 HH28 KK04

Claims

【特許請求の範囲】

【請求項１】薬品注入率、原水水温、原水ｐＨ、原水
アルカリ度、原水濁度等からなる水質データをニューラ
ルネットワークに供給して処理水質を予測し、目標水質
と前記予測した処理水質の偏差を算出し、その偏差が所
定範囲以内に定まるように前記ニューラルネットワーク
で演算を行い、出力に処理水濁度予測信号を送出するよ
うにしたことを特徴とする水質制御方法。
【請求項２】前記水質データの薬品注入率をメンバシ
ップ関数で決定してファジイ推論で算出した後、前記ニ
ューラルネットワークに供給したことを特徴とする請求
項１記載の水質制御方法。
【請求項３】前記ニューラルネットワークをプラント
モデルに形成し、前記目標水質と予測した水質の偏差が
所定範囲以外になったときには、ニューラルネットワー
クの再学習によるプラントモデルの修正を行うようにし
たことを特徴とする請求項１または２記載の水質制御方
法。
【請求項４】前記プラントモデルの修正は、前記目標
水質と予測水質の偏差の差が修正前後で比較した後、修
正後の差が小さいときには、プラントモデルを更新し、
修正後の差が大きいときには、メンバシップ関数の調整
を行うようにしたことを特徴とする請求項３記載の水質
制御方法。
【請求項５】薬品注入率、原水水温、原水ｐＨ、原水
アルカリ度、原水濁度等からなる水質データを格納した
水質データ蓄積部と、この水質データ蓄積部から出力さ
れる水質データが供給され、これらデータから処理水質
を予測して目標水質との濁度の偏差を演算し、出力に適
正な処理水濁度予測信号を送出するニューラルネットワ
ークとを備えたことを特徴とする水質制御装置。
【請求項６】前記水質データ蓄積部に格納された薬品
注入率をメンバシップ関数で決定してファジイ推論演算
し、出力に得られた適性な薬品注入率を前記ニューラル
ネットワークに供給するファジイ推論部を設けたことを
特徴とする請求項５記載の水質制御装置。
【請求項７】前記水質データ蓄積部は、ファジイ推論
部で演算した薬品注入率を格納、引き出し可能とすると
ともに、前記ニューラルネットワークで水質データと薬
品注入率から予測された処理水濁度予測信号の格納、引
き出しをも可能とすることを特徴とする請求項５または
６記載の水質制御装置。