JPH0852459A - 下水処理プロセス制御装置 - Google Patents
下水処理プロセス制御装置Info
- Publication number
- JPH0852459A JPH0852459A JP6189335A JP18933594A JPH0852459A JP H0852459 A JPH0852459 A JP H0852459A JP 6189335 A JP6189335 A JP 6189335A JP 18933594 A JP18933594 A JP 18933594A JP H0852459 A JPH0852459 A JP H0852459A
- Authority
- JP
- Japan
- Prior art keywords
- amount
- unit
- operation amount
- feature
- treatment process
- 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.)
- Withdrawn
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)
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】 微生物が最も活性化される環境に下水を制御
し、下水を良好に浄化することができる下水処理プロセ
ス制御装置の提供。 【構成】 特徴量予測部３による定められた時間後の活
性汚泥の状態を表す特徴量の予測と、操作量修正部４に
よる下水処理プロセス７に与えられる操作量の修正量の
計算と、この修正量による操作量の修正とを繰り返し、
その結果の操作量ｕn を下水処理プロセス７に入力す
る。
し、下水を良好に浄化することができる下水処理プロセ
ス制御装置の提供。 【構成】 特徴量予測部３による定められた時間後の活
性汚泥の状態を表す特徴量の予測と、操作量修正部４に
よる下水処理プロセス７に与えられる操作量の修正量の
計算と、この修正量による操作量の修正とを繰り返し、
その結果の操作量ｕn を下水処理プロセス７に入力す
る。
Description
【０００１】
【産業上の利用分野】本発明は、例えば下水処理施設で
用いられる下水処理プロセス制御装置に関する。
用いられる下水処理プロセス制御装置に関する。
【０００２】
【従来の技術】従来、下水処理プロセスでは、微生物の
生物化学反応を利用した活性汚泥法による下水処理が一
般的に行われている。これは曝気によって下水中の溶存
酸素濃度を高めることにより、汚泥中の微生物を活性化
させ、摂取した溶存酸素濃度と下水中の物質を炭酸ガス
と水に酸化分解しながら増殖を繰り返す微生物の活動に
より、下水を浄化する方法である。
生物化学反応を利用した活性汚泥法による下水処理が一
般的に行われている。これは曝気によって下水中の溶存
酸素濃度を高めることにより、汚泥中の微生物を活性化
させ、摂取した溶存酸素濃度と下水中の物質を炭酸ガス
と水に酸化分解しながら増殖を繰り返す微生物の活動に
より、下水を浄化する方法である。
【０００３】この微生物の活動を安定に維持するため
に、曝気風量を操作して下水の溶存酸素濃度を一定値に
制御し、また微生物数をほぼ一定にするために、微生物
が生息している汚泥量を一定に保つ混合液浮遊物質濃度
制御が行われている。
に、曝気風量を操作して下水の溶存酸素濃度を一定値に
制御し、また微生物数をほぼ一定にするために、微生物
が生息している汚泥量を一定に保つ混合液浮遊物質濃度
制御が行われている。
【０００４】しかし、曝気槽や他の槽は解放タンクであ
り、下水に含まれてくる雑菌や空気中から入る細菌など
が混ざり、汚泥もそれを構成する種々の微生物による混
合培養系になっている。そして、微生物の種類によって
活性化される条件は異なるため、下水の温度、ｐＨ、下
水に含まれている栄養物質や毒性物質などの環境条件が
変化すると、その環境に適し、多数を占める微生物の種
類も変化する。また、微生物の種類によって、その活性
度、つまり下水浄化能力は異なる。
り、下水に含まれてくる雑菌や空気中から入る細菌など
が混ざり、汚泥もそれを構成する種々の微生物による混
合培養系になっている。そして、微生物の種類によって
活性化される条件は異なるため、下水の温度、ｐＨ、下
水に含まれている栄養物質や毒性物質などの環境条件が
変化すると、その環境に適し、多数を占める微生物の種
類も変化する。また、微生物の種類によって、その活性
度、つまり下水浄化能力は異なる。
【０００５】そこで、例えば下水中の栄養物質が変化
し、その栄養物質を好んで分解する微生物が多数を占め
るようになった場合、その微生物に適した溶存酸素濃度
と混合液浮遊物質濃度に制御することが望ましい。
し、その栄養物質を好んで分解する微生物が多数を占め
るようになった場合、その微生物に適した溶存酸素濃度
と混合液浮遊物質濃度に制御することが望ましい。
【０００６】
【発明が解決しようとする課題】このように、従来の下
水処理プロセス制御では、曝気槽内の溶存酸素濃度と混
合液浮遊物質濃度を一定に保つ制御が行われているが、
汚泥に含まれる微生物の種類とその微生物が最適とする
環境情報は利用されていない。従って、曝気槽内の溶存
酸素濃度と混合液浮遊物質濃度が一定に保たれていて
も、うまく下水が浄化できない場合が起こる。
水処理プロセス制御では、曝気槽内の溶存酸素濃度と混
合液浮遊物質濃度を一定に保つ制御が行われているが、
汚泥に含まれる微生物の種類とその微生物が最適とする
環境情報は利用されていない。従って、曝気槽内の溶存
酸素濃度と混合液浮遊物質濃度が一定に保たれていて
も、うまく下水が浄化できない場合が起こる。
【０００７】本発明は、上記のような欠点を除去し、微
生物が最も活性化される環境に下水を制御し、下水を良
好に浄化することができる下水処理プロセス制御装置を
提供することを目的とする。
生物が最も活性化される環境に下水を制御し、下水を良
好に浄化することができる下水処理プロセス制御装置を
提供することを目的とする。
【０００８】
【課題を解決するための手段】上記目的を達成するため
に、本発明の下水処理プロセス制御装置は、下水処理プ
ロセスの曝気槽から流れ出る下水を撮影する撮影手段
と、この撮影手段により撮影された画像の特徴量を抽出
する画像処理手段と、下水処理プロセスに与えられる操
作量と前記画像処理手段により抽出された特徴量に基づ
き、所定時間後の特徴量を予測する特徴量予測手段と、
この特徴量予測手段により予測された特徴量と目標とす
る特徴量とが一致するよう、前記操作量の修正量を求め
る操作量修正手段と、この操作量修正手段によって求め
られた操作量の修正量を前記操作量に加算する加算手段
とを具備する。
に、本発明の下水処理プロセス制御装置は、下水処理プ
ロセスの曝気槽から流れ出る下水を撮影する撮影手段
と、この撮影手段により撮影された画像の特徴量を抽出
する画像処理手段と、下水処理プロセスに与えられる操
作量と前記画像処理手段により抽出された特徴量に基づ
き、所定時間後の特徴量を予測する特徴量予測手段と、
この特徴量予測手段により予測された特徴量と目標とす
る特徴量とが一致するよう、前記操作量の修正量を求め
る操作量修正手段と、この操作量修正手段によって求め
られた操作量の修正量を前記操作量に加算する加算手段
とを具備する。
【０００９】本発明の他の態様の下水処理プロセス制御
装置は、下水処理プロセスの曝気槽から流れ出る下水を
撮影する撮影手段と、この撮影手段により撮影された画
像の特徴量を抽出する画像処理手段と、曝気槽の溶存酸
素濃度センサ情報、混合液浮遊物質濃度センサ情報、流
入量計情報、余剰汚泥濃度センサ情報のうち少なくとも
１つを検出する検出手段と、この検出手段による検出結
果と下水処理プロセスに与えられる操作量と前記画像処
理手段により抽出された特徴量に基づき、所定時間後の
特徴量を予測する特徴量予測手段と、この特徴量予測手
段により予測された特徴量と目標とする特徴量とが一致
するよう、前記操作量の修正量を求める操作量修正手段
と、この操作量修正手段によって求められた操作量の修
正量を前記操作量に加算する加算手段とを具備する。
装置は、下水処理プロセスの曝気槽から流れ出る下水を
撮影する撮影手段と、この撮影手段により撮影された画
像の特徴量を抽出する画像処理手段と、曝気槽の溶存酸
素濃度センサ情報、混合液浮遊物質濃度センサ情報、流
入量計情報、余剰汚泥濃度センサ情報のうち少なくとも
１つを検出する検出手段と、この検出手段による検出結
果と下水処理プロセスに与えられる操作量と前記画像処
理手段により抽出された特徴量に基づき、所定時間後の
特徴量を予測する特徴量予測手段と、この特徴量予測手
段により予測された特徴量と目標とする特徴量とが一致
するよう、前記操作量の修正量を求める操作量修正手段
と、この操作量修正手段によって求められた操作量の修
正量を前記操作量に加算する加算手段とを具備する。
【００１０】さらに他の態様の下水処理プロセス制御装
置は、下水処理プロセスの曝気槽から流れ出る下水を撮
影する撮影手段と、この撮影手段により撮影された画像
から、一つの活性汚泥の面積の画像全体の面積に対する
割合、活性汚泥の輪郭線の長さ、活性汚泥画面の面積と
輪郭線の長さとの比、特定形状に一致する物質の数、活
性汚泥の色または画像素子の値のうち少なくとも１つの
値を特徴量として抽出する画像処理手段と、下水処理プ
ロセスに与えられる操作量と前記画像処理手段により抽
出された特徴量に基づき、所定時間後の特徴量を予測す
る特徴量予測手段と、この特徴量予測手段により予測さ
れた特徴量と目標とする特徴量とが一致するよう、前記
操作量の修正量を求める操作量修正手段と、この操作量
修正手段によって求められた操作量の修正量を前記操作
量に加算する加算手段とを具備する。
置は、下水処理プロセスの曝気槽から流れ出る下水を撮
影する撮影手段と、この撮影手段により撮影された画像
から、一つの活性汚泥の面積の画像全体の面積に対する
割合、活性汚泥の輪郭線の長さ、活性汚泥画面の面積と
輪郭線の長さとの比、特定形状に一致する物質の数、活
性汚泥の色または画像素子の値のうち少なくとも１つの
値を特徴量として抽出する画像処理手段と、下水処理プ
ロセスに与えられる操作量と前記画像処理手段により抽
出された特徴量に基づき、所定時間後の特徴量を予測す
る特徴量予測手段と、この特徴量予測手段により予測さ
れた特徴量と目標とする特徴量とが一致するよう、前記
操作量の修正量を求める操作量修正手段と、この操作量
修正手段によって求められた操作量の修正量を前記操作
量に加算する加算手段とを具備する。
【００１１】また、さらに他の態様の下水処理プロセス
制御装置は、下水処理プロセスの曝気槽から流れ出る下
水を撮影する撮影手段と、この撮影手段により撮影され
た画像の特徴量を抽出する画像処理手段と、神経回路モ
デルから構成され、下水処理プロセスに与えられる操作
量と前記画像処理手段により抽出された特徴量に基づ
き、所定時間後の特徴量を予測する特徴量予測手段と、
前記神経回路モデルの誤差逆伝播計算により実現され、
前記特徴量予測手段により予測された特徴量と目標とす
る特徴量とが一致するよう、前記操作量の修正量を求め
る操作量修正手段と、この操作量修正手段によって求め
られた操作量の修正量を前記操作量に加算する加算手段
とを具備する。
制御装置は、下水処理プロセスの曝気槽から流れ出る下
水を撮影する撮影手段と、この撮影手段により撮影され
た画像の特徴量を抽出する画像処理手段と、神経回路モ
デルから構成され、下水処理プロセスに与えられる操作
量と前記画像処理手段により抽出された特徴量に基づ
き、所定時間後の特徴量を予測する特徴量予測手段と、
前記神経回路モデルの誤差逆伝播計算により実現され、
前記特徴量予測手段により予測された特徴量と目標とす
る特徴量とが一致するよう、前記操作量の修正量を求め
る操作量修正手段と、この操作量修正手段によって求め
られた操作量の修正量を前記操作量に加算する加算手段
とを具備する。
【００１２】さらに別の態様の下水処理プロセス制御装
置は、下水処理プロセスの曝気槽から流れ出る下水を撮
影する撮影手段と、この撮影手段により撮影された画像
の特徴量を抽出する画像処理手段と、下水処理プロセス
に与えられる操作量と前記画像処理手段により抽出され
た過去の複数時点の特徴量に基づき、所定時間後の特徴
量を予測する特徴量予測手段と、この特徴量予測手段に
より予測された特徴量と目標とする特徴量とが一致する
よう、前記操作量の修正量を求める操作量修正手段と、
この操作量修正手段によって求められた操作量の修正量
を前記操作量に加算する加算手段とを具備する。
置は、下水処理プロセスの曝気槽から流れ出る下水を撮
影する撮影手段と、この撮影手段により撮影された画像
の特徴量を抽出する画像処理手段と、下水処理プロセス
に与えられる操作量と前記画像処理手段により抽出され
た過去の複数時点の特徴量に基づき、所定時間後の特徴
量を予測する特徴量予測手段と、この特徴量予測手段に
より予測された特徴量と目標とする特徴量とが一致する
よう、前記操作量の修正量を求める操作量修正手段と、
この操作量修正手段によって求められた操作量の修正量
を前記操作量に加算する加算手段とを具備する。
【００１３】
【作用】本発明の下水処理プロセス制御装置では、活性
汚泥を撮像した画像から活性汚泥の状態を推定できると
いう前提のもと、まず下水処理プロセスの曝気槽から流
れ出る下水を撮影し、その画像の特徴量を抽出する。次
に、当該下水処理プロセスに与えられる操作量と抽出し
た特徴量に基づき、所定時間後の特徴量を予測する。そ
して、予測した特徴量と目標とする特徴量とが一致する
よう、操作量の修正量を求め、求めた操作量の修正量を
操作量に加算する。従って、その結果の操作量を下水処
理プロセスに入力することにより、活性汚泥の状態を目
標状態に制御することができ、微生物が最も活性化され
る環境に下水を制御することができる。
汚泥を撮像した画像から活性汚泥の状態を推定できると
いう前提のもと、まず下水処理プロセスの曝気槽から流
れ出る下水を撮影し、その画像の特徴量を抽出する。次
に、当該下水処理プロセスに与えられる操作量と抽出し
た特徴量に基づき、所定時間後の特徴量を予測する。そ
して、予測した特徴量と目標とする特徴量とが一致する
よう、操作量の修正量を求め、求めた操作量の修正量を
操作量に加算する。従って、その結果の操作量を下水処
理プロセスに入力することにより、活性汚泥の状態を目
標状態に制御することができ、微生物が最も活性化され
る環境に下水を制御することができる。
【００１４】
【実施例】まず、本発明の実施例の説明に先立って本発
明の原理を説明する。
明の原理を説明する。
【００１５】本発明の下水処理プロセス制御装置は、活
性汚泥を撮像した画像から活性汚泥の状態を推定できる
とし、微生物が活性化し下水の浄化がうまくできている
場合の活性汚泥を視覚センサによって観測した画像信号
を処理して得られる目標特徴量が前もって与えられてい
るとの前提のもとに、下水処理プロセスに設置された視
覚センサから入力される画像信号に基づいて、下水処理
プロセスに与えるべき推定量を演算するものである。
性汚泥を撮像した画像から活性汚泥の状態を推定できる
とし、微生物が活性化し下水の浄化がうまくできている
場合の活性汚泥を視覚センサによって観測した画像信号
を処理して得られる目標特徴量が前もって与えられてい
るとの前提のもとに、下水処理プロセスに設置された視
覚センサから入力される画像信号に基づいて、下水処理
プロセスに与えるべき推定量を演算するものである。
【００１６】図１は本発明の一実施例に係る下水処理プ
ロセス制御装置の構成を示すブロック図である。以下の
説明では、制御の単位時間をΔｔ、現時刻をｎΔｔとす
る。図１において、１は視覚センサ部、２は画像処理
部、３は特徴量予測部、４は操作量修正部、５は加算
器、６はスイッチ、７は下水処理プロセスを表す。
ロセス制御装置の構成を示すブロック図である。以下の
説明では、制御の単位時間をΔｔ、現時刻をｎΔｔとす
る。図１において、１は視覚センサ部、２は画像処理
部、３は特徴量予測部、４は操作量修正部、５は加算
器、６はスイッチ、７は下水処理プロセスを表す。
【００１７】時刻ｎΔｔに視覚センサ部１から得られた
画像信号Ｉn は、画像処理部２に入力される。画像処理
部２は、画像信号Ｉn を画像処理し、特徴量ｓn を出力
する。Ｉn ，ｓn の下付き添字ｎは時刻ｎΔｔを意味
し、各々時刻ｎΔｔに観測された画像信号、特徴量とい
う意味で使用する。以後も同様に下付き添字は時刻を表
すものとする。
画像信号Ｉn は、画像処理部２に入力される。画像処理
部２は、画像信号Ｉn を画像処理し、特徴量ｓn を出力
する。Ｉn ，ｓn の下付き添字ｎは時刻ｎΔｔを意味
し、各々時刻ｎΔｔに観測された画像信号、特徴量とい
う意味で使用する。以後も同様に下付き添字は時刻を表
すものとする。
【００１８】特徴量予測部３には、時刻ｎΔｔに獲得さ
れた画像信号の特徴量ｓn と操作量ｕn が入力され、１
単位時間後に獲得される画像信号の特徴量を予測した予
測特徴量ｓ（ハット）n+1 が出力される。
れた画像信号の特徴量ｓn と操作量ｕn が入力され、１
単位時間後に獲得される画像信号の特徴量を予測した予
測特徴量ｓ（ハット）n+1 が出力される。
【００１９】操作量修正部４には、この予測特徴量ｓ
（ハット）n+1 と予め設定されている目標特徴量ｓd が
入力され、予測特徴量ｓ（ハット）n+1 が目標特徴量ｓ
d に近付くための操作量の修正量Δｕn が出力される。
（ハット）n+1 と予め設定されている目標特徴量ｓd が
入力され、予測特徴量ｓ（ハット）n+1 が目標特徴量ｓ
d に近付くための操作量の修正量Δｕn が出力される。
【００２０】加算器５では、この操作量の修正量Δｕn
が操作量ｕn に加算される。
が操作量ｕn に加算される。
【００２１】修正された操作量は再び特徴量予測部３に
フィードバックされ、特徴量予測部３による特徴量の予
測と操作量修正部４による操作量の修正量の計算が繰り
返される。スイッチ６は定められた条件が満たされると
閉じ、修正された操作量ｕnが下水処理プロセス７に入
力され、制御が行われる。
フィードバックされ、特徴量予測部３による特徴量の予
測と操作量修正部４による操作量の修正量の計算が繰り
返される。スイッチ６は定められた条件が満たされると
閉じ、修正された操作量ｕnが下水処理プロセス７に入
力され、制御が行われる。
【００２２】上記の説明では、特徴量予測部３への入力
には、現時刻の特徴量、操作量を入力しているが、溶存
酸素濃度、混合液浮遊物質濃度、下水流入量、余剰汚泥
濃度などの各種センサ情報を入力信号に加えることもで
き、更に、過去の特徴量、各種センサ情報、操作量を入
力してもよい。これにより、汚泥中の微生物の状態をよ
り正確に推定することが可能となる。
には、現時刻の特徴量、操作量を入力しているが、溶存
酸素濃度、混合液浮遊物質濃度、下水流入量、余剰汚泥
濃度などの各種センサ情報を入力信号に加えることもで
き、更に、過去の特徴量、各種センサ情報、操作量を入
力してもよい。これにより、汚泥中の微生物の状態をよ
り正確に推定することが可能となる。
【００２３】また、上記の説明では１単位時間後の特徴
量を予測しているが、１単位時間後の特徴量に限られる
ものではなく、２単位時間後の特徴量を予測するもので
もよい。さらに、複数時刻の特徴量を予測してもよい。
量を予測しているが、１単位時間後の特徴量に限られる
ものではなく、２単位時間後の特徴量を予測するもので
もよい。さらに、複数時刻の特徴量を予測してもよい。
【００２４】次に、制御装置全体の計算手続きを図２に
示す流れ図を参照しつつ説明する。ここでは、特徴量予
測部３には、現在と１単位時刻前の画像特徴量、操作
量、溶存酸素濃度、混合液浮遊物質濃度、下水流入量、
余剰汚泥濃度のセンサ情報が入力され、１単位時刻後の
画像特徴量を予測するものとする。図２の流れ図では、
時刻０から時刻ＮΔｔまで制御するように書いている
が、この計算手順は各単位時間毎に同じ手続きが繰り返
されるので、ここでは時刻ｎΔｔにおける計算手続きを
示す。
示す流れ図を参照しつつ説明する。ここでは、特徴量予
測部３には、現在と１単位時刻前の画像特徴量、操作
量、溶存酸素濃度、混合液浮遊物質濃度、下水流入量、
余剰汚泥濃度のセンサ情報が入力され、１単位時刻後の
画像特徴量を予測するものとする。図２の流れ図では、
時刻０から時刻ＮΔｔまで制御するように書いている
が、この計算手順は各単位時間毎に同じ手続きが繰り返
されるので、ここでは時刻ｎΔｔにおける計算手続きを
示す。
【００２５】（ａ）視覚センサ部１により画像信号Ｉn
が獲得される。
が獲得される。
【００２６】（ｂ）画像処理部２によって（ａ）で獲得
された画像信号Ｉn が処理され、特徴量ｓn が抽出され
る。
された画像信号Ｉn が処理され、特徴量ｓn が抽出され
る。
【００２７】（ｃ）単位時間前の操作量ｕn-1 の値をｕ
n の初期値として代入する。
n の初期値として代入する。
【００２８】（ｄ）特徴量予測部３に（ｂ）で求められ
た特徴量ｓn と１単位時間前の特徴量ｓn-1 と現在と１
単位時間前の各種センサ情報ｔn ，ｔn-1 と操作量
ｕn ，ｕn- 1 が入力され、単位時間後の特徴量が予測さ
れて予測特徴量ｓ（ハット）n+1 が出力される。
た特徴量ｓn と１単位時間前の特徴量ｓn-1 と現在と１
単位時間前の各種センサ情報ｔn ，ｔn-1 と操作量
ｕn ，ｕn- 1 が入力され、単位時間後の特徴量が予測さ
れて予測特徴量ｓ（ハット）n+1 が出力される。
【００２９】（ｅ）目標特徴量ｓd と（ｄ）で求められ
た予測特徴量ｓ（ハット）n+1 が操作量修正部４に入力
され、予測特徴量ｓ（ハット）n+1 が目標特徴量ｓd に
一致するための操作量ｕn の修正量Δｕ（〜）n が計算
され、出力される。
た予測特徴量ｓ（ハット）n+1 が操作量修正部４に入力
され、予測特徴量ｓ（ハット）n+1 が目標特徴量ｓd に
一致するための操作量ｕn の修正量Δｕ（〜）n が計算
され、出力される。
【００３０】（ｆ）加算器５で操作量の修正量Δｕn が
操作量ｕn に加算され、操作量ｕn が修正される。
操作量ｕn に加算され、操作量ｕn が修正される。
【００３１】（ｇ）（ｆ）で修正された操作量ｕn が再
び特徴量予測部３にフィードバックし、定められた条件
が満たされるまで計算が繰り返される。
び特徴量予測部３にフィードバックし、定められた条件
が満たされるまで計算が繰り返される。
【００３２】（ｈ）定められた条件が満たされるとスイ
ッチ６が閉じ、操作量ｕn が下水処理プロセス７に入力
される。
ッチ６が閉じ、操作量ｕn が下水処理プロセス７に入力
される。
【００３３】以上の（ａ）から（ｈ）の手続きが各単位
時間毎に繰り返される。
時間毎に繰り返される。
【００３４】次に、本発明の他の実施例を図３を用いて
説明する。同図において、視覚センサ部１は、曝気槽か
ら最終沈澱池に流れる下水を顕微鏡を通して撮影する。
画像信号処理部２は、視覚センサ部１で撮影された活性
汚泥の大きさを画像の特徴量として抽出する。特徴量予
測部３は、神経回路モデルから構成され、操作量修正部
４は、神経回路モデルの誤差逆伝播計算により実現され
る。符号８は溶存酸素濃度、混合液浮遊物質濃度、下水
流入量、余剰汚泥濃度のセンサ、９は比較部である。
説明する。同図において、視覚センサ部１は、曝気槽か
ら最終沈澱池に流れる下水を顕微鏡を通して撮影する。
画像信号処理部２は、視覚センサ部１で撮影された活性
汚泥の大きさを画像の特徴量として抽出する。特徴量予
測部３は、神経回路モデルから構成され、操作量修正部
４は、神経回路モデルの誤差逆伝播計算により実現され
る。符号８は溶存酸素濃度、混合液浮遊物質濃度、下水
流入量、余剰汚泥濃度のセンサ、９は比較部である。
【００３５】下水に汚泥を加えて、長時間曝気をする
と、次第に下水中にモヤモヤした塊ができ、曝気を止め
ると、その塊は沈澱し、上澄み液は透明になってくる。
このモヤモヤした雲状の塊には、種々の細菌を含有した
ゼラチン状の高分子有機体を主体として、その周りに原
生動物が棲息している。このモヤモヤした雲状の塊を活
性汚泥という。図４は活性汚泥の顕微鏡写真（ 150倍）
を模式化した図である。図４において、雲状に見えるの
が活性汚泥である。曝気槽中では汚泥は曝気により攪拌
され、活性汚泥の状態になっている。
と、次第に下水中にモヤモヤした塊ができ、曝気を止め
ると、その塊は沈澱し、上澄み液は透明になってくる。
このモヤモヤした雲状の塊には、種々の細菌を含有した
ゼラチン状の高分子有機体を主体として、その周りに原
生動物が棲息している。このモヤモヤした雲状の塊を活
性汚泥という。図４は活性汚泥の顕微鏡写真（ 150倍）
を模式化した図である。図４において、雲状に見えるの
が活性汚泥である。曝気槽中では汚泥は曝気により攪拌
され、活性汚泥の状態になっている。
【００３６】視覚センサ部１では、曝気槽から最終沈澱
池に流れる下水を顕微鏡を通して撮影するので、図４の
ような画像信号Ｉn が獲得される。
池に流れる下水を顕微鏡を通して撮影するので、図４の
ような画像信号Ｉn が獲得される。
【００３７】画像処理部２では、画像信号Ｉn をもと
に、一つの活性汚泥の面積の画像全体の面積に対する割
合を特徴量ｓn として計測する。なお、顕微鏡画像で
は、活性汚泥の輪郭線の長さ、活性汚泥画面の面積と輪
郭線の長さとの比等を特徴量として考えることができ
る。さらに、特定形状（ツリガネムシ、ゾウリムシなど
プランクトンの特徴的形状）に一致する物質の数（画像
中のプランクトンの種類と数を表す。）、活性汚泥の
色、画像素子の値等を特徴量として考えることができ
る。また、水面を映した画面では、下水の色、水面の泡
の量や大きさ等を特徴量として考えることができる。ま
た、これらの特徴量を組み合わせてももちろんよい。
特徴量予測部３には、特徴量ｓn の他に、操作量ｕn と
して曝気風量Ｑaern と余剰汚泥引き抜き量Ｑwas n 、
センサ情報ｔn として曝気槽の溶存酸素濃度ＤＯn 、混
合液浮遊物質濃度ＭＬＳＳn 、下水流入量Ｑinf n 、余
剰汚泥濃度Ｃwas n などが入力される。あるいは、これ
らの過去の情報も含めて入力される。そして１単位時間
後に獲得される画像信号の特徴量を予測した予測特徴量
ｓ（ハット）n+1 、あるいは更に将来の予測特徴量が出
力される。
に、一つの活性汚泥の面積の画像全体の面積に対する割
合を特徴量ｓn として計測する。なお、顕微鏡画像で
は、活性汚泥の輪郭線の長さ、活性汚泥画面の面積と輪
郭線の長さとの比等を特徴量として考えることができ
る。さらに、特定形状（ツリガネムシ、ゾウリムシなど
プランクトンの特徴的形状）に一致する物質の数（画像
中のプランクトンの種類と数を表す。）、活性汚泥の
色、画像素子の値等を特徴量として考えることができ
る。また、水面を映した画面では、下水の色、水面の泡
の量や大きさ等を特徴量として考えることができる。ま
た、これらの特徴量を組み合わせてももちろんよい。
特徴量予測部３には、特徴量ｓn の他に、操作量ｕn と
して曝気風量Ｑaern と余剰汚泥引き抜き量Ｑwas n 、
センサ情報ｔn として曝気槽の溶存酸素濃度ＤＯn 、混
合液浮遊物質濃度ＭＬＳＳn 、下水流入量Ｑinf n 、余
剰汚泥濃度Ｃwas n などが入力される。あるいは、これ
らの過去の情報も含めて入力される。そして１単位時間
後に獲得される画像信号の特徴量を予測した予測特徴量
ｓ（ハット）n+1 、あるいは更に将来の予測特徴量が出
力される。
【００３８】この特徴量予測部３は、多層型神経回路モ
デルから構成され、前向き計算により予測特徴量が計算
される。多層型神経回路モデルの前向き計算については
後で説明する。
デルから構成され、前向き計算により予測特徴量が計算
される。多層型神経回路モデルの前向き計算については
後で説明する。
【００３９】この予測特徴量ｓ（ハット）n+1 と目標特
徴量ｓd が操作量修正部４に入力され、操作量の修正量
Δｕn が出力される。この計算は特徴量予測部３が多層
型神経回路モデルから構成される場合には、誤差逆伝播
計算により修正量が求められる。多層型神経回路モデル
の誤差逆伝播計算についても後で説明する。
徴量ｓd が操作量修正部４に入力され、操作量の修正量
Δｕn が出力される。この計算は特徴量予測部３が多層
型神経回路モデルから構成される場合には、誤差逆伝播
計算により修正量が求められる。多層型神経回路モデル
の誤差逆伝播計算についても後で説明する。
【００４０】加算器５では、操作量の修正量Δｕn が操
作量ｕn に加算される。修正された操作量は再び特徴量
予測部３にフィードバックされ、特徴量予測部３による
特徴量の予測と、操作量修正部４による操作量の修正が
繰り返される。目標特徴量ｓd と予測特徴量ｓ（ハッ
ト）n+1 が比較部９に入力されると、比較部９では、こ
の２つの特徴量が比較され、誤差が定めらえらた値以下
になると、スイッチ６に信号が送られ、スイッチ６が閉
じ、操作量ｕn が下水処理プロセス７に入力される。
作量ｕn に加算される。修正された操作量は再び特徴量
予測部３にフィードバックされ、特徴量予測部３による
特徴量の予測と、操作量修正部４による操作量の修正が
繰り返される。目標特徴量ｓd と予測特徴量ｓ（ハッ
ト）n+1 が比較部９に入力されると、比較部９では、こ
の２つの特徴量が比較され、誤差が定めらえらた値以下
になると、スイッチ６に信号が送られ、スイッチ６が閉
じ、操作量ｕn が下水処理プロセス７に入力される。
【００４１】次に、神経回路モデルの前向き計算、誤差
逆伝播計算、学習計算について説明する。特徴量予測部
３が多層神経回路モデルから構成される場合、特徴量予
測部３の計算は多層神経回路モデルの前向き計算で行わ
れ、操作量修正部４の計算は多層神経回路モデルの誤差
逆伝播計算で行われる。
逆伝播計算、学習計算について説明する。特徴量予測部
３が多層神経回路モデルから構成される場合、特徴量予
測部３の計算は多層神経回路モデルの前向き計算で行わ
れ、操作量修正部４の計算は多層神経回路モデルの誤差
逆伝播計算で行われる。
【００４２】ここでは、特徴予測部３への入力は１単位
時間前と現在の特徴量ｓn-1 、ｓn、操作量ｕn-1 ，ｕ
n 、センサ情報ｔn-1 ，ｔn が入力されるとして説明す
る。
時間前と現在の特徴量ｓn-1 、ｓn、操作量ｕn-1 ，ｕ
n 、センサ情報ｔn-1 ，ｔn が入力されるとして説明す
る。
【００４３】では、まず前向き計算について説明する。
前向き計算とは神経回路モデルに入力信号が与えられた
時に、出力信号を求める計算である。ここでは多層神経
回路モデルのうち、最も一般に利用される３層型神経回
路モデルを利用して説明する。 図５は特徴量予測部３
に利用される３層型神経回路モデルの図である。図中の
円がユニット１０と呼ばれる神経細胞モデルで、ユニッ
ト間を結び付けている線分はユニットの間の信号を伝達
する結合１１である。ユニットは左から入力層１２、中
間層１３、出力層１４の３層に分かれて並べられてい
る。入力層のユニットと中間層のユニットの間、中間層
のユニットと出力層のユニットの間で結合が張られてい
る。ユニット間の結合は信号伝達に方向性を持ち、前向
き計算では入力層ユニットから中間層ユニットへ、中間
層ユニットから出力層ユニットへの一方向にだけ信号は
伝達される。
前向き計算とは神経回路モデルに入力信号が与えられた
時に、出力信号を求める計算である。ここでは多層神経
回路モデルのうち、最も一般に利用される３層型神経回
路モデルを利用して説明する。 図５は特徴量予測部３
に利用される３層型神経回路モデルの図である。図中の
円がユニット１０と呼ばれる神経細胞モデルで、ユニッ
ト間を結び付けている線分はユニットの間の信号を伝達
する結合１１である。ユニットは左から入力層１２、中
間層１３、出力層１４の３層に分かれて並べられてい
る。入力層のユニットと中間層のユニットの間、中間層
のユニットと出力層のユニットの間で結合が張られてい
る。ユニット間の結合は信号伝達に方向性を持ち、前向
き計算では入力層ユニットから中間層ユニットへ、中間
層ユニットから出力層ユニットへの一方向にだけ信号は
伝達される。
【００４４】入力層のユニットには特徴量ｓn-1 ，
ｓn 、操作量として曝気量Ｑaer n-1 ，Ｑaer n と余剰
汚泥引き抜き量Ｑwas n-1 ，Ｑwas n 、センサ情報とし
て曝気槽の溶存酸素濃度ＤＯn-1 ，ＤＯn 、混合液浮遊
物質濃度ＭＬＳＳn-1 ，ＭＬＳＳn 、下水流入量Ｑinf
n-1 ，Ｑinf n 、余剰汚泥濃度Ｃwas n-1 ，Ｃwas n が
１ユニットに１信号ずつ入力され、時刻（ｎ＋１）Δｔ
の特徴量の予測値ｓ（ハット）n+1 が出力される。
ｓn 、操作量として曝気量Ｑaer n-1 ，Ｑaer n と余剰
汚泥引き抜き量Ｑwas n-1 ，Ｑwas n 、センサ情報とし
て曝気槽の溶存酸素濃度ＤＯn-1 ，ＤＯn 、混合液浮遊
物質濃度ＭＬＳＳn-1 ，ＭＬＳＳn 、下水流入量Ｑinf
n-1 ，Ｑinf n 、余剰汚泥濃度Ｃwas n-1 ，Ｃwas n が
１ユニットに１信号ずつ入力され、時刻（ｎ＋１）Δｔ
の特徴量の予測値ｓ（ハット）n+1 が出力される。
【００４５】この入力信号から出力信号を計算する前向
き計算を式に示す。
き計算を式に示す。
【００４６】ｘi i を入力層の第ｉ番目のユニットの入
力値とすると、 ｘi 1 ＝ｓn-1 ｘi 2 ＝ｓn ｘi 3 ＝Ｑaer n-1 ｘi 4 ＝Ｑaer n ｘi 5 ＝Ｑwas n-1 ｘi 6 ＝Ｑwas n ｘi 7 ＝ＤＯn-1 ｘi 8 ＝ＤＯn ｘi 9 ＝ＭＬＳＳn-1 ｘi 1 0 ＝ＭＬＳＳn ｘi 1 1 ＝Ｑinf n-1 ｘi 1 2 ＝Ｑinf n ｘi 1 3 ＝Ｃwas n-1 ｘi 1 4 ＝Ｃwas n 入力層ユニットの入出力関数は恒等関数とする。入力層
ユニットの出力ｙi i（ｉ＝1,…14）は次ぎのように表
される。
力値とすると、 ｘi 1 ＝ｓn-1 ｘi 2 ＝ｓn ｘi 3 ＝Ｑaer n-1 ｘi 4 ＝Ｑaer n ｘi 5 ＝Ｑwas n-1 ｘi 6 ＝Ｑwas n ｘi 7 ＝ＤＯn-1 ｘi 8 ＝ＤＯn ｘi 9 ＝ＭＬＳＳn-1 ｘi 1 0 ＝ＭＬＳＳn ｘi 1 1 ＝Ｑinf n-1 ｘi 1 2 ＝Ｑinf n ｘi 1 3 ＝Ｃwas n-1 ｘi 1 4 ＝Ｃwas n 入力層ユニットの入出力関数は恒等関数とする。入力層
ユニットの出力ｙi i（ｉ＝1,…14）は次ぎのように表
される。
【００４７】ｙi i ＝ｘi i （ｉ＝1,…14） 次に、中間層の第ｊ番目のユニットへの入力値ｘｈj は
入力層ユニットの出力値を入力−中間層間の結合荷重で
重み付けした合計から中間層ユニットの閾値ｔｈｈj を
引いた値になる。Ｎｈは中間層のユニット数を表す。
入力層ユニットの出力値を入力−中間層間の結合荷重で
重み付けした合計から中間層ユニットの閾値ｔｈｈj を
引いた値になる。Ｎｈは中間層のユニット数を表す。
【００４８】
【数１】 ｗ1 j,i は入力層第ｉ番目のユニット−中間層第ｊ番目
のユニット間の結合荷重、ｔｈｈj は中間層第ｊ番目の
ユニットの閾値、Ｎｈは中間層のユニット数を表す。
中間層ユニットの入出力関数をシグモイド型関数
のユニット間の結合荷重、ｔｈｈj は中間層第ｊ番目の
ユニットの閾値、Ｎｈは中間層のユニット数を表す。
中間層ユニットの入出力関数をシグモイド型関数
【数２】 とすると、中間層ユニットの出力値ｙｈj は入力値ｘｈ
j を使い、 ｙｈj ＝ｆ（ｘｈj ）（ｊ＝1,…Ｎｈ） と表せる。ｙｈj は中間層第ｊ番目のユニットの出力値
である。出力値は１ユニットだけで、このユニットへの
入力値ｘｏ1 は中間層ユニットの出力値を中間−出力層
間の結合荷重で重み付けした合計から出力層ユニットの
閾値を引いた値になる。
j を使い、 ｙｈj ＝ｆ（ｘｈj ）（ｊ＝1,…Ｎｈ） と表せる。ｙｈj は中間層第ｊ番目のユニットの出力値
である。出力値は１ユニットだけで、このユニットへの
入力値ｘｏ1 は中間層ユニットの出力値を中間−出力層
間の結合荷重で重み付けした合計から出力層ユニットの
閾値を引いた値になる。
【００４９】
【数３】 ｗ2 k,j は中間層第ｊ番目のユニット−出力層の第ｋ番
目のユニット間の結合荷重、ｔｈｏk は出力層の第ｋ番
目のユニットの閾値である。出力層ユニットの入出力関
数は恒等関数とする。
目のユニット間の結合荷重、ｔｈｏk は出力層の第ｋ番
目のユニットの閾値である。出力層ユニットの入出力関
数は恒等関数とする。
【００５０】ｙｏk ＝ｘｏk （ｋ＝1) この出力層ユニットの出力値が予測特徴量ｓ（ハット）
n+1 である。
n+1 である。
【００５１】ｓ（ハット）n+1 ＝ｙｏ1 以上が３層型神経回路モデルの前向き計算の計算式であ
る。
る。
【００５２】特徴量予測部３では、入力信号の数が多く
設定すべきパラメ−タの数が多いことから、３層型神経
回路モデルを用いることで、後述するようにこれらのパ
ラメ−タを容易に設定できる。
設定すべきパラメ−タの数が多いことから、３層型神経
回路モデルを用いることで、後述するようにこれらのパ
ラメ−タを容易に設定できる。
【００５３】なお、入力層のユニットに特徴量としてｓ
n-1 ，ｓn を入力しているが、特徴量として、活性汚泥
の面積の割合の他に、活性汚泥の輪郭線の長さ、活性汚
泥画面の面積と輪郭線の長さとの比、特定形状、活性汚
泥の色、画像素子の値、下水の色、水面の泡の量や大き
さ等を用いる場合には、これらの信号をそれぞれ別個の
入力層ユニットに入力すればよい。
n-1 ，ｓn を入力しているが、特徴量として、活性汚泥
の面積の割合の他に、活性汚泥の輪郭線の長さ、活性汚
泥画面の面積と輪郭線の長さとの比、特定形状、活性汚
泥の色、画像素子の値、下水の色、水面の泡の量や大き
さ等を用いる場合には、これらの信号をそれぞれ別個の
入力層ユニットに入力すればよい。
【００５４】また、視覚センサ部１で撮像した画面の各
画素の信号を特徴量として特徴量予測部３におけるそれ
ぞれ別個の入力層ユニットに入力してもよい。
画素の信号を特徴量として特徴量予測部３におけるそれ
ぞれ別個の入力層ユニットに入力してもよい。
【００５５】次に、誤差逆伝播計算について説明する。
特徴量予測部３によって予測された特徴量ｓ（ハット）
n+1 と、目標特徴量ｓd が操作量修正部４に入力される
と、操作量修正部４では、操作量の修正量Δｕn が計算
され、出力される。特徴量予測部３が神経回路モデルか
ら構成される場合には、特徴量の修正量は誤差逆伝播計
算によって計算できる。操作量修正部４の構成は、図５
に示した３層型神経回路モデルの入力と出力とを入れ替
えた構成となる。従って、特徴量予測部３における入力
と出力とを切り替えるスイッチを設ければ、操作量修正
部４が特徴量予測部３の構成を共用できる。この操作量
修正部４の計算式を示す。
特徴量予測部３によって予測された特徴量ｓ（ハット）
n+1 と、目標特徴量ｓd が操作量修正部４に入力される
と、操作量修正部４では、操作量の修正量Δｕn が計算
され、出力される。特徴量予測部３が神経回路モデルか
ら構成される場合には、特徴量の修正量は誤差逆伝播計
算によって計算できる。操作量修正部４の構成は、図５
に示した３層型神経回路モデルの入力と出力とを入れ替
えた構成となる。従って、特徴量予測部３における入力
と出力とを切り替えるスイッチを設ければ、操作量修正
部４が特徴量予測部３の構成を共用できる。この操作量
修正部４の計算式を示す。
【００５６】まず、特徴量予測部３によって予測された
特徴量ｓ（ハット）n+1 と目標特徴量ｓd との誤差から
誤差関数Ｅを次のように定義する。
特徴量ｓ（ハット）n+1 と目標特徴量ｓd との誤差から
誤差関数Ｅを次のように定義する。
【００５７】
【数４】 次に、この誤差関数Ｅを減少させるユニット出力値の修
正量を、出力層から入力層へと層毎に順に求めていき、
最終的には入力信号の修正量を求める。まず、出力層ユ
ニットの出力値の修正量は、正の定数ηを使って
正量を、出力層から入力層へと層毎に順に求めていき、
最終的には入力信号の修正量を求める。まず、出力層ユ
ニットの出力値の修正量は、正の定数ηを使って
【数５】 と計算される。次に中間層ユニットの出力値の修正量
は、出力層ユニットの修正量を使って次のように表され
る。
は、出力層ユニットの修正量を使って次のように表され
る。
【００５８】
【数６】 同様に入力層ユニットの出力値の修正量は、中間層ユニ
ットの修正量を使って、
ットの修正量を使って、
【数７】 と表される。ｆ´（ｘ）はシグモイド関数ｆ（ｘ）の導
関数を表していて、具体的には、
関数を表していて、具体的には、
【数８】 と表せる。入力層ユニットの入出力関数は恒等関数であ
るから、出力値の修正量はそのまま入力値の修正量にな
り、現時刻の操作量である曝気風量Ｑaer n と余剰汚泥
引き抜き量Ｑwas n の修正量ΔＱaer n ，ΔＱwas
n は、 ΔＱaer n ＝Δｙi 4 ΔＱwas n ＝Δｙi 6 と表現される。以上が誤差逆伝播計算と、その計算によ
って計算される操作量の修正量である。
るから、出力値の修正量はそのまま入力値の修正量にな
り、現時刻の操作量である曝気風量Ｑaer n と余剰汚泥
引き抜き量Ｑwas n の修正量ΔＱaer n ，ΔＱwas
n は、 ΔＱaer n ＝Δｙi 4 ΔＱwas n ＝Δｙi 6 と表現される。以上が誤差逆伝播計算と、その計算によ
って計算される操作量の修正量である。
【００５９】従って、このように操作量修正部４におい
て誤差逆伝播計算を用いているので、操作量の修正量Δ
ｕn を簡単に計算できる。
て誤差逆伝播計算を用いているので、操作量の修正量Δ
ｕn を簡単に計算できる。
【００６０】次に、多層神経回路モデルの学習について
説明する。学習はこの制御系による制御を行う前にあら
かじめ、過去のデータを基に行われるが、下水処理プロ
セスの環境などの条件が変化した場合にも、特徴量の予
測が正確にできるために制御中にも随時、行われる。本
実施例では学習データは過去の視覚センサから得られた
画像信号を処理した特徴量と操作量、センサ情報から生
成される。
説明する。学習はこの制御系による制御を行う前にあら
かじめ、過去のデータを基に行われるが、下水処理プロ
セスの環境などの条件が変化した場合にも、特徴量の予
測が正確にできるために制御中にも随時、行われる。本
実施例では学習データは過去の視覚センサから得られた
画像信号を処理した特徴量と操作量、センサ情報から生
成される。
【００６１】図６において、１５は過去の特徴量、操作
量を保持しているデータベース、１６は減算器、１７は
誤差逆伝播学習器である。また、１８は神経回路モデル
の入力層ユニットの出力が誤差逆伝播学習器に入力され
ることを示す矢印、１９は神経回路モデルの中間層ユニ
ットの出力が誤差逆伝播学習器に入力されることを示す
矢印、２０は神経回路モデルの中間層−出力層間の結合
荷重が誤差逆伝播学習器に入力されることを示す矢印、
２１は誤差逆伝播学習器で計算された入力層−中間層間
の結合荷重の修正量を各結合荷重に出力し、各結合荷重
の修正を行うことを示す矢印、２２は誤差逆伝播学習器
で計算された中間層−出力層間の結合荷重の修正量を各
結合荷重に出力し、各結合荷重の修正を行うことを示す
矢印を表す。
量を保持しているデータベース、１６は減算器、１７は
誤差逆伝播学習器である。また、１８は神経回路モデル
の入力層ユニットの出力が誤差逆伝播学習器に入力され
ることを示す矢印、１９は神経回路モデルの中間層ユニ
ットの出力が誤差逆伝播学習器に入力されることを示す
矢印、２０は神経回路モデルの中間層−出力層間の結合
荷重が誤差逆伝播学習器に入力されることを示す矢印、
２１は誤差逆伝播学習器で計算された入力層−中間層間
の結合荷重の修正量を各結合荷重に出力し、各結合荷重
の修正を行うことを示す矢印、２２は誤差逆伝播学習器
で計算された中間層−出力層間の結合荷重の修正量を各
結合荷重に出力し、各結合荷重の修正を行うことを示す
矢印を表す。
【００６２】過去の時刻（ｍ−１）ΔｔとｍΔｔの特徴
量ｓm-1 ，ｓm 、操作量Ｑaer m-1，Ｑaer m ，Ｑwas
m-1 ，Ｑwas m 、センサ情報ＤＯm-1 ，ＤＯm ，ＭＬＳ
Ｓm- 1 ，ＭＬＳＳm ，Ｑinf m-1 ，Ｑinf m ，Ｃwas
m-1 ，Ｃwas m が入力信号として、また、時刻（ｍ＋
１）Δｔの特徴量ｓm+1 が教師信号として、データベー
ス１５から神経回路モデルに出力される。神経回路モデ
ルでは入力信号に対し、前向き計算を行い、出力信号ｓ
（ハット）m+1 を出力する。減算器１６では教師信号ｓ
m+1 と神経回路モデルの出力信号ｓ（ハット）m+1 との
誤差信号を計算し、誤差逆伝播学習器１７に入力する。
誤差逆伝播学習器１７には誤差信号の他に、神経回路モ
デルの各入力層ユニットの出力、各中間層ユニットの出
力、各中間層−出力層間の結合荷重が入力され、結合荷
重の修正量が計算される。
量ｓm-1 ，ｓm 、操作量Ｑaer m-1，Ｑaer m ，Ｑwas
m-1 ，Ｑwas m 、センサ情報ＤＯm-1 ，ＤＯm ，ＭＬＳ
Ｓm- 1 ，ＭＬＳＳm ，Ｑinf m-1 ，Ｑinf m ，Ｃwas
m-1 ，Ｃwas m が入力信号として、また、時刻（ｍ＋
１）Δｔの特徴量ｓm+1 が教師信号として、データベー
ス１５から神経回路モデルに出力される。神経回路モデ
ルでは入力信号に対し、前向き計算を行い、出力信号ｓ
（ハット）m+1 を出力する。減算器１６では教師信号ｓ
m+1 と神経回路モデルの出力信号ｓ（ハット）m+1 との
誤差信号を計算し、誤差逆伝播学習器１７に入力する。
誤差逆伝播学習器１７には誤差信号の他に、神経回路モ
デルの各入力層ユニットの出力、各中間層ユニットの出
力、各中間層−出力層間の結合荷重が入力され、結合荷
重の修正量が計算される。
【００６３】時刻Ｍ１Δｔから時刻Ｍ２Δｔまでの過去
のデータから学習データを作成したと仮定し、修正量の
計算式を説明する。
のデータから学習データを作成したと仮定し、修正量の
計算式を説明する。
【００６４】時刻ｍΔｔと（ｍ−１）Δｔのデータの入
力に対し、神経回路モデルの出力がｓ（ハット）m+1 で
あったとすると、誤差関数Ｅは
力に対し、神経回路モデルの出力がｓ（ハット）m+1 で
あったとすると、誤差関数Ｅは
【数９】 と定義され、誤差逆伝播学習法に従って、神経回路モデ
ルの結合荷重、閾値の修正量は次のように計算される。
ルの結合荷重、閾値の修正量は次のように計算される。
【００６５】
【数１０】 Δｗ2 k,j は中間層第ｊ番目のユニット−出力層の第 k
番目のユニット間の結合荷重ｗ 2k,j の修正量、Δｔｈ
ｏk は出力層第ｋ番目のユニットの閾値ｔｈｏk の修正
量、Δｗ1 j,i は入力層第ｉ番目のユニット−中間層第
ｊ番面のユニット間の結合荷重ｗ1 j,i の修正量、Δｔ
ｈｈj は中間層第 j番目のユニットの閾値thh j の修正
量、εは学習定数である。
番目のユニット間の結合荷重ｗ 2k,j の修正量、Δｔｈ
ｏk は出力層第ｋ番目のユニットの閾値ｔｈｏk の修正
量、Δｗ1 j,i は入力層第ｉ番目のユニット−中間層第
ｊ番面のユニット間の結合荷重ｗ1 j,i の修正量、Δｔ
ｈｈj は中間層第 j番目のユニットの閾値thh j の修正
量、εは学習定数である。
【００６６】
【数１１】 これらの修正量を基に、結合荷重、閾値が修正される。
【００６７】３層型神経回路モデルについて、その前向
き計算、誤差逆伝播計算、誤差逆伝播学習法について説
明したが、２層以上から構成される神経回路モデルにつ
いて、同様の計算を行うことができ、特徴量予測、操作
量修正に利用することができる。
き計算、誤差逆伝播計算、誤差逆伝播学習法について説
明したが、２層以上から構成される神経回路モデルにつ
いて、同様の計算を行うことができ、特徴量予測、操作
量修正に利用することができる。
【００６８】
【発明の効果】以上説明したように、本発明によれば、
活性汚泥の状態を目標状態に制御することができるの
で、下水を微生物が最も活性化される環境に制御して良
好に浄化することができる。
活性汚泥の状態を目標状態に制御することができるの
で、下水を微生物が最も活性化される環境に制御して良
好に浄化することができる。
【図１】本発明の一実施例に係る下水処理プロセス制御
装置全体の概略ブロック図である。
装置全体の概略ブロック図である。
【図２】図１に示す下水処理プロセス制御装置全体の計
算手続きを示す流れ図である。
算手続きを示す流れ図である。
【図３】本発明の他の実施例に係る下水処理プロセス制
御装置全体の概略ブロック図である。
御装置全体の概略ブロック図である。
【図４】活性汚泥の顕微鏡写真を模式化した図である。
【図５】図３に示す特徴量予測部に利用される３層型神
経回路モデルの図である。
経回路モデルの図である。
【図６】図５に示す神経回路モデルの学習を説明する図
である。
である。
【符号の説明】 １…視覚センサ部 ２…画像処理部 ３…特徴量予測部 ４…操作量修正部 ５…加算器 ６…スイッチ ７…下水処理プロセス ８…各種センサ ９…比較部
Claims (5)
- 【請求項１】 下水処理プロセスの曝気槽から流れ出る
下水を撮影する撮影手段と、 この撮影手段により撮影された画像の特徴量を抽出する
画像処理手段と、 下水処理プロセスに与えられる操作量と前記画像処理手
段により抽出された特徴量に基づき、所定時間後の特徴
量を予測する特徴量予測手段と、 この特徴量予測手段により予測された特徴量と目標とす
る特徴量とが一致するよう、前記操作量の修正量を求め
る操作量修正手段と、 この操作量修正手段によって求められた操作量の修正量
を前記操作量に加算する加算手段とを具備することを特
徴とする下水処理プロセス制御装置。 - 【請求項２】 下水処理プロセスの曝気槽から流れ出る
下水を撮影する撮影手段と、 この撮影手段により撮影された画像の特徴量を抽出する
画像処理手段と、 曝気槽の溶存酸素濃度センサ情報、混合液浮遊物質濃度
センサ情報、流入量計情報、余剰汚泥濃度センサ情報の
うち少なくとも１つを検出する検出手段と、 この検出手段による検出結果と下水処理プロセスに与え
られる操作量と前記画像処理手段により抽出された特徴
量に基づき、所定時間後の特徴量を予測する特徴量予測
手段と、 この特徴量予測手段により予測された特徴量と目標とす
る特徴量とが一致するよう、前記操作量の修正量を求め
る操作量修正手段と、 この操作量修正手段によって求められた操作量の修正量
を前記操作量に加算する加算手段とを具備することを特
徴とする下水処理プロセス制御装置。 - 【請求項３】 下水処理プロセスの曝気槽から流れ出る
下水を撮影する撮影手段と、 この撮影手段により撮影された画像から、一つの活性汚
泥の面積の画像全体の面積に対する割合、活性汚泥の輪
郭線の長さ、活性汚泥画面の面積と輪郭線の長さとの
比、特定形状に一致する物質の数、活性汚泥の色または
画像素子の値のうち少なくとも１つの値を特徴量として
抽出する画像処理手段と、 下水処理プロセスに与えられる操作量と前記画像処理手
段により抽出された特徴量に基づき、所定時間後の特徴
量を予測する特徴量予測手段と、 この特徴量予測手段により予測された特徴量と目標とす
る特徴量とが一致するよう、前記操作量の修正量を求め
る操作量修正手段と、 この操作量修正手段によって求められた操作量の修正量
を前記操作量に加算する加算手段とを具備することを特
徴とする下水処理プロセス制御装置。 - 【請求項４】 下水処理プロセスの曝気槽から流れ出る
下水を撮影する撮影手段と、 この撮影手段により撮影された画像の特徴量を抽出する
画像処理手段と、 神経回路モデルから構成され、下水処理プロセスに与え
られる操作量と前記画像処理手段により抽出された特徴
量に基づき、所定時間後の特徴量を予測する特徴量予測
手段と、 前記神経回路モデルの誤差逆伝播計算により実現され、
前記特徴量予測手段により予測された特徴量と目標とす
る特徴量とが一致するよう、前記操作量の修正量を求め
る操作量修正手段と、 この操作量修正手段によって求められた操作量の修正量
を前記操作量に加算する加算手段とを具備することを特
徴とする下水処理プロセス制御装置。 - 【請求項５】 下水処理プロセスの曝気槽から流れ出る
下水を撮影する撮影手段と、 この撮影手段により撮影された画像の特徴量を抽出する
画像処理手段と、 下水処理プロセスに与えられる操作量と前記画像処理手
段により抽出された過去の複数時点の特徴量に基づき、
所定時間後の特徴量を予測する特徴量予測手段と、 この特徴量予測手段により予測された特徴量と目標とす
る特徴量とが一致するよう、前記操作量の修正量を求め
る操作量修正手段と、 この操作量修正手段によって求められた操作量の修正量
を前記操作量に加算する加算手段とを具備することを特
徴とする下水処理プロセス制御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6189335A JPH0852459A (ja) | 1994-08-11 | 1994-08-11 | 下水処理プロセス制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6189335A JPH0852459A (ja) | 1994-08-11 | 1994-08-11 | 下水処理プロセス制御装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0852459A true JPH0852459A (ja) | 1996-02-27 |
Family
ID=16239624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6189335A Withdrawn JPH0852459A (ja) | 1994-08-11 | 1994-08-11 | 下水処理プロセス制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0852459A (ja) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007190510A (ja) * | 2006-01-20 | 2007-08-02 | Hitachi Zosen Corp | 生物的排水処理方法 |
| JP2012093862A (ja) * | 2010-10-26 | 2012-05-17 | Nippon Steel Corp | 分析装置、分析方法およびコンピュータプログラム |
| KR20180122729A (ko) * | 2016-04-01 | 2018-11-13 | 케미라 오와이제이 | 수처리 공정에서 응고 및/또는 응집의 최적화를 위한 방법 및 시스템 |
| JP6541913B1 (ja) * | 2018-07-26 | 2019-07-10 | 三菱電機株式会社 | 水処理プラントおよび水処理プラントの運転方法 |
| JP2020187770A (ja) * | 2020-07-09 | 2020-11-19 | 水ｉｎｇ株式会社 | 水処理又は汚泥処理システムの運転制御方法 |
| JP2022046279A (ja) * | 2020-09-10 | 2022-03-23 | Ｊｆｅエンジニアリング株式会社 | 下水処理プラントの制御方法及び装置 |
| CN114819376A (zh) * | 2022-05-10 | 2022-07-29 | 南通派菲克水务技术有限公司 | 一种沉淀池泥量预测系统及方法 |
| CN115521020A (zh) * | 2021-06-25 | 2022-12-27 | 中国石油化工股份有限公司 | 化工污水处理方法及系统 |
| WO2023199599A1 (ja) * | 2022-04-11 | 2023-10-19 | 株式会社 東芝 | 汚泥状態表示報知システムおよび汚泥状態表示報知方法 |
| CN119148800A (zh) * | 2024-11-20 | 2024-12-17 | 河北工业职业技术大学 | 一种微生物培养管理系统、方法 |
-
1994
- 1994-08-11 JP JP6189335A patent/JPH0852459A/ja not_active Withdrawn
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007190510A (ja) * | 2006-01-20 | 2007-08-02 | Hitachi Zosen Corp | 生物的排水処理方法 |
| JP2012093862A (ja) * | 2010-10-26 | 2012-05-17 | Nippon Steel Corp | 分析装置、分析方法およびコンピュータプログラム |
| KR20180122729A (ko) * | 2016-04-01 | 2018-11-13 | 케미라 오와이제이 | 수처리 공정에서 응고 및/또는 응집의 최적화를 위한 방법 및 시스템 |
| US10988392B2 (en) | 2016-04-01 | 2021-04-27 | Kemira Oyj | Method and system for optimization of coagulation and/or flocculation in a water treatment process |
| WO2020021689A1 (ja) * | 2018-07-26 | 2020-01-30 | 三菱電機株式会社 | 水処理プラントおよび水処理プラントの運転方法 |
| KR20210021387A (ko) * | 2018-07-26 | 2021-02-25 | 미쓰비시덴키 가부시키가이샤 | 수처리 플랜트 및 수처리 플랜트의 운전 방법 |
| CN112424126A (zh) * | 2018-07-26 | 2021-02-26 | 三菱电机株式会社 | 水处理设备及水处理设备的运转方法 |
| JP6541913B1 (ja) * | 2018-07-26 | 2019-07-10 | 三菱電機株式会社 | 水処理プラントおよび水処理プラントの運転方法 |
| CN112424126B (zh) * | 2018-07-26 | 2022-12-27 | 三菱电机株式会社 | 水处理设备及水处理设备的运转方法 |
| US12099926B2 (en) | 2018-07-26 | 2024-09-24 | Mitsubishi Electric Corporation | Water treatment plant and method for operating water treatment plant |
| JP2020187770A (ja) * | 2020-07-09 | 2020-11-19 | 水ｉｎｇ株式会社 | 水処理又は汚泥処理システムの運転制御方法 |
| JP2022046279A (ja) * | 2020-09-10 | 2022-03-23 | Ｊｆｅエンジニアリング株式会社 | 下水処理プラントの制御方法及び装置 |
| CN115521020A (zh) * | 2021-06-25 | 2022-12-27 | 中国石油化工股份有限公司 | 化工污水处理方法及系统 |
| WO2023199599A1 (ja) * | 2022-04-11 | 2023-10-19 | 株式会社 東芝 | 汚泥状態表示報知システムおよび汚泥状態表示報知方法 |
| JP2023155724A (ja) * | 2022-04-11 | 2023-10-23 | 株式会社東芝 | 汚泥状態表示報知システム、汚泥状態表示報知方法および汚泥状態表示報知プログラム |
| CN114819376A (zh) * | 2022-05-10 | 2022-07-29 | 南通派菲克水务技术有限公司 | 一种沉淀池泥量预测系统及方法 |
| CN119148800A (zh) * | 2024-11-20 | 2024-12-17 | 河北工业职业技术大学 | 一种微生物培养管理系统、方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109470831B (zh) | 一种水生态监测与修复水面机器人及水生态修复控制方法 | |
| KR940005029B1 (ko) | 프로세스 운전지원방법 및 시스템 | |
| KR100456413B1 (ko) | 신경회로망 및 역전파 알고리즘에 의한 하폐수처리인공지능제어 시스템 및 방법 | |
| CN115108617B (zh) | 混凝加药方法及系统 | |
| JP6541913B1 (ja) | 水処理プラントおよび水処理プラントの運転方法 | |
| KR102311657B1 (ko) | 하폐수 처리 스마트 관리 시스템 | |
| Wen et al. | Applying hybrid artificial intelligence techniques in wastewater treatment | |
| JPH0852459A (ja) | 下水処理プロセス制御装置 | |
| Marsili-Libelli | Fuzzy prediction of the algal blooms in the Orbetello lagoon | |
| CN117390549A (zh) | 一种城镇污水厂曝气控制方法 | |
| CN117964023A (zh) | 一种基于人工智能算法控制的污水处理控制系统 | |
| Han et al. | An intelligent detecting system for permeability prediction of MBR | |
| Sheik et al. | Prediction of wastewater quality parameters using adaptive and machine learning models: A South African case study | |
| JP4188200B2 (ja) | プラントワイド最適プロセス制御装置 | |
| CN118993268A (zh) | 一种用于水处理过程加药控制的方法、装置、设备及介质 | |
| CN121034470A (zh) | 一种基于多任务学习的污水处理厂出水预测方法 | |
| Türkmenler et al. | Performance assessment of advanced biological wastewater treatment plants using artificial neural networks | |
| CN120309083B (zh) | 一种mbbr悬浮填料生物膜厚度监测与控制系统 | |
| JP4327013B2 (ja) | プラントワイド最適プロセス制御装置 | |
| CN116693075B (zh) | 一种活性炭生物滤池的曝气装置 | |
| JP7494668B2 (ja) | 下水処理プラントの処理水質予測方法及び装置 | |
| JP2001038343A (ja) | 水処理プロセスの制御方法および装置 | |
| JPH05204406A (ja) | プロセス制御装置 | |
| JP2022046278A (ja) | 下水処理プラントの異常予測方法及び装置並びに相関データベース | |
| JPH07244502A (ja) | 制御装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20011106 |