知財求人 - 知財ポータルサイト「IP Force」
▶ 水ｉｎｇ株式会社の特許一覧 ▶ 株式会社水みらい広島の特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2023023742
(43)【公開日】2023-02-16
(54)【発明の名称】水処理用の薬品の添加率を決定する方法および装置
(51)【国際特許分類】
C02F 1/00 20230101AFI20230209BHJP
【ＦＩ】
C02F1/00 K
【審査請求】未請求
【請求項の数】6
【出願形態】ＯＬ
(21)【出願番号】P 2021129539
(22)【出願日】2021-08-06
(71)【出願人】
【識別番号】591030651
【氏名又は名称】水ｉｎｇ株式会社
(71)【出願人】
【識別番号】512269041
【氏名又は名称】株式会社水みらい広島
(74)【代理人】
【識別番号】100118500
【弁理士】
【氏名又は名称】廣澤 哲也
(74)【代理人】
【識別番号】100091498
【弁理士】
【氏名又は名称】渡邉 勇
(72)【発明者】
【氏名】隋 鵬哲
(72)【発明者】
【氏名】島村 和彰
(72)【発明者】
【氏名】加藤 尚弥
(57)【要約】
【課題】水処理施設における水処理用の薬品の添加率を精度よく決定する方法を提供する。
【解決手段】本方法は、処理すべき水の水質の過去の第１測定データと、薬品が添加された後の前記水の水質の過去の第２測定データと、前記過去の第１測定データおよび前記過去の第２測定データに関連付けられた薬品の実際の添加率を少なくとも含むデータを訓練データに使用した機械学習によって構築されたモデルに、処理すべき水の水質の第１測定値と、薬品が添加された後の前記水の水質の第２測定値を少なくとも含む予測条件データを入力し、前記モデルから前記薬品の添加率を出力することを特徴とする水処理のための薬品の添加率を決定する。
【選択図】図１
【解決手段】本方法は、処理すべき水の水質の過去の第１測定データと、薬品が添加された後の前記水の水質の過去の第２測定データと、前記過去の第１測定データおよび前記過去の第２測定データに関連付けられた薬品の実際の添加率を少なくとも含むデータを訓練データに使用した機械学習によって構築されたモデルに、処理すべき水の水質の第１測定値と、薬品が添加された後の前記水の水質の第２測定値を少なくとも含む予測条件データを入力し、前記モデルから前記薬品の添加率を出力することを特徴とする水処理のための薬品の添加率を決定する。
【選択図】図１
【特許請求の範囲】
【請求項1】
処理すべき水の水質の過去の第１測定データと、薬品が添加された後の前記水の水質の過去の第２測定データと、前記過去の第１測定データおよび前記過去の第２測定データに関連付けられた薬品の実際の添加率を少なくとも含む訓練データを使用した機械学習によって構築されたモデルに、処理すべき水の水質の第１測定値と、薬品が添加された後の前記水の水質の第２測定値を少なくとも含む予測条件データを入力し、
前記モデルから前記薬品の添加率を出力することを特徴とする水処理のための薬品の添加率を決定する方法。
前記モデルから前記薬品の添加率を出力することを特徴とする水処理のための薬品の添加率を決定する方法。
【請求項2】
前記予測条件データに含まれる前記第１測定値は、前記処理すべき水の水質の現在の測定値および過去の測定値を含む直近の第１時系列測定データであり、
前記予測条件データに含まれる前記第２測定値は、前記薬品が添加された後の前記水質の現在の測定値および過去の測定値を含む直近の第２時系列測定データであり、
前記訓練データに含まれる前記過去の第１測定データは、処理すべき水の水質の過去の第１時系列測定データであり、
前記訓練データに含まれる前記過去の第２測定データは、前記薬品が添加された後の前記水質の過去の第２時系列測定データであることを特徴とする請求項１に記載の水処理のための薬品の添加率を決定する方法。
前記予測条件データに含まれる前記第２測定値は、前記薬品が添加された後の前記水質の現在の測定値および過去の測定値を含む直近の第２時系列測定データであり、
前記訓練データに含まれる前記過去の第１測定データは、処理すべき水の水質の過去の第１時系列測定データであり、
前記訓練データに含まれる前記過去の第２測定データは、前記薬品が添加された後の前記水質の過去の第２時系列測定データであることを特徴とする請求項１に記載の水処理のための薬品の添加率を決定する方法。
【請求項3】
第ｉ－１薬品（ｉは２以上の自然数）が添加される前の処理すべき水の水質の過去の第ｉ－１測定データと、前記第ｉ－１薬品が添加された後の前記水の水質の過去の第ｉ測定データと、第ｉ薬品の添加率の過去の算定データと、前記過去の第ｉ－１測定データ、前記過去の第ｉ測定データ、および前記第ｉ薬品の添加率の過去の算定データに関連付けられた前記第ｉ－１薬品の実際の添加率を含む第ｉ－１訓練データを使用した機械学習によって構築された第ｉ－１モデルに、前記水の水質の第ｉ－１測定値と、第ｉ－１薬品が添加された後の前記水の水質の第ｉ測定値と、前記第ｉ薬品の添加率を少なくとも含む第ｉ－１予測条件データを入力し、
前記第ｉ－１モデルから前記第ｉ－１薬品の添加率を出力することを特徴とする水処理のための薬品の添加率を決定する方法。
前記第ｉ－１モデルから前記第ｉ－１薬品の添加率を出力することを特徴とする水処理のための薬品の添加率を決定する方法。
【請求項4】
前記第ｉ－１予測条件データ（ｉは２以上の自然数）に含まれる前記第ｉ－１測定値は、前記第ｉ－１薬品が添加される前の水の水質の現在の測定値および過去の測定値を含む直近の第ｉ－１時系列測定データであり、
前記第ｉ－１予測条件データおよび前記第ｉ予測条件データに含まれる前記第ｉ測定値は、前記第ｉ－１薬品が添加された後の前記水質の現在の測定値および過去の測定値を含む直近の第ｉ時系列測定データであり、
前記第ｉ予測条件データに含まれる前記第ｉ＋１測定値は、前記第ｉ－１薬品が添加された後に前記第ｉ薬品がさらに添加された前記水の水質の現在の測定値および過去の測定値を含む直近の第ｉ＋１時系列測定データであり、
前記第ｉ－１訓練データに含まれる前記過去の第ｉ－１測定データは、前記第ｉ－１薬品が添加される前の水の水質の過去の第ｉ－１時系列測定データであり、
前記第ｉ－１訓練データおよび前記第ｉ訓練データに含まれる前記過去の第ｉ測定データは、前記第ｉ－１薬品が添加された後の前記水質の過去の第ｉ時系列測定データであり、
前記第ｉ訓練データに含まれる前記過去の第ｉ＋１測定データは、前記第ｉ－１薬品が添加された後に前記第ｉ薬品がさらに添加された前記水の水質の過去の第ｉ＋１時系列測定データであることを特徴とする請求項３に記載の水処理のための薬品の添加率を決定する方法。
前記第ｉ－１予測条件データおよび前記第ｉ予測条件データに含まれる前記第ｉ測定値は、前記第ｉ－１薬品が添加された後の前記水質の現在の測定値および過去の測定値を含む直近の第ｉ時系列測定データであり、
前記第ｉ予測条件データに含まれる前記第ｉ＋１測定値は、前記第ｉ－１薬品が添加された後に前記第ｉ薬品がさらに添加された前記水の水質の現在の測定値および過去の測定値を含む直近の第ｉ＋１時系列測定データであり、
前記第ｉ－１訓練データに含まれる前記過去の第ｉ－１測定データは、前記第ｉ－１薬品が添加される前の水の水質の過去の第ｉ－１時系列測定データであり、
前記第ｉ－１訓練データおよび前記第ｉ訓練データに含まれる前記過去の第ｉ測定データは、前記第ｉ－１薬品が添加された後の前記水質の過去の第ｉ時系列測定データであり、
前記第ｉ訓練データに含まれる前記過去の第ｉ＋１測定データは、前記第ｉ－１薬品が添加された後に前記第ｉ薬品がさらに添加された前記水の水質の過去の第ｉ＋１時系列測定データであることを特徴とする請求項３に記載の水処理のための薬品の添加率を決定する方法。
【請求項5】
機械学習によって構築されたモデルと、
処理すべき水の水質の第１測定値と、薬品が添加された後の前記水の水質の第２測定値を少なくとも含む予測条件データを前記モデルに入力し、前記モデルから薬品の添加率を出力する薬品添加率出力手段を有することを特徴とする水処理のための薬品の添加率を決定する薬品添加率決定装置。
処理すべき水の水質の第１測定値と、薬品が添加された後の前記水の水質の第２測定値を少なくとも含む予測条件データを前記モデルに入力し、前記モデルから薬品の添加率を出力する薬品添加率出力手段を有することを特徴とする水処理のための薬品の添加率を決定する薬品添加率決定装置。
【請求項6】
機械学習によって構築された第ｉモデル（ｉは２以上の自然数）と、
第ｉ－１薬品が添加される前の処理すべき水の水質の第ｉ－１測定値と、前記第ｉ－１薬品が添加された後の前記水の水質の第ｉ測定値と、前記第ｉ－１薬品が添加された後に第ｉ薬品がさらに添加された前記水の水質の第ｉ＋１測定値を取得する測定値取得手段と、
前記第ｉ測定値と前記第ｉ＋１測定値を少なくとも含む第ｉ予測条件データを前記第ｉモデルに入力し、前記第ｉモデルから前記第ｉ薬品の添加率を出力する第ｉ薬品添加率出力手段と、
機械学習によって構築された第ｉ－１モデルと、
前記第ｉ－１測定値と、前記第ｉ測定値と、前記第ｉ薬品の添加率を少なくとも含む第ｉ－１予測条件データを前記第ｉ－１モデルに入力し、前記第ｉ－１モデルから前記第ｉ－１薬品の添加率を出力する第ｉ－１薬品添加率出力手段を有することを特徴とする水処理のための薬品の添加率を決定する装置。
第ｉ－１薬品が添加される前の処理すべき水の水質の第ｉ－１測定値と、前記第ｉ－１薬品が添加された後の前記水の水質の第ｉ測定値と、前記第ｉ－１薬品が添加された後に第ｉ薬品がさらに添加された前記水の水質の第ｉ＋１測定値を取得する測定値取得手段と、
前記第ｉ測定値と前記第ｉ＋１測定値を少なくとも含む第ｉ予測条件データを前記第ｉモデルに入力し、前記第ｉモデルから前記第ｉ薬品の添加率を出力する第ｉ薬品添加率出力手段と、
機械学習によって構築された第ｉ－１モデルと、
前記第ｉ－１測定値と、前記第ｉ測定値と、前記第ｉ薬品の添加率を少なくとも含む第ｉ－１予測条件データを前記第ｉ－１モデルに入力し、前記第ｉ－１モデルから前記第ｉ－１薬品の添加率を出力する第ｉ－１薬品添加率出力手段を有することを特徴とする水処理のための薬品の添加率を決定する装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、水処理システムで使用される薬品の添加率を決定する技術に関する。
【背景技術】
【0002】
浄水場においては、各浄水プロセスの過程において、次亜塩素酸ナトリウムを処理対象水に添加して所定の濃度の残留塩素濃度の管理が行われている（例えば、特許文献１参照）。浄水場の処理水における残留塩素濃度は、供給先の使用濃度に応じて(例えば家庭用、例えば工業利用)、それぞれの浄水場において設定されている管理目標値の範囲内となるように次亜塩素酸ナトリウムの添加率がコントロールされている。例えば、浄水場内の最終設備である浄水池の残留塩素濃度を測定している。浄水池の残留塩素濃度は、浄水池に流入する手前の管路において次亜塩素酸ナトリウムが添加され、所定の濃度の残留塩素濃度になるようにコントロールされている。
【0003】
特許文献１には、浄水場において被処理水に塩素を注入する際の塩素注入率設定方法であって、被処理水の水温と被処理水の残留塩素濃度との過去の測定データに基づいて得られる近似式であって、前記被処理水の昼間の残留塩素濃度と夜間の残留塩素濃度との差分を、前記被処理水の水温を変数とする指数関数で近似する前記近似式と、前記被処理水の水温の測定値と、に基づいて前記測定値の温を有する被処理水の昼間の残留塩素濃度と夜間の残留塩素濃度との差分を算出する差分算出工程と、前記夜間の残留塩素濃度に対して前記差分を加算して昼間の残留塩素濃度を設定する注入率設定工程と、を少なくとも備えた塩素注入率設定方法が記載されている。
【0004】
こうした残留塩素濃度の自動制御を行う場合には、例えば、濾過池出口の残留塩素濃度を測定し、浄水池の残留塩素に対して足りない分を注入するフィードフォワード制御を行うことで実現できるし、また、浄水池の残留塩素濃度を測定し、管理目標値に対して後塩素注入率をフィードバック制御することもできる。
【0005】
特許文献２には、原水から透過水を膜分離する膜分離装置において、分離膜に送水する水に酸化剤を添加する酸化剤添加装置と、分離膜に送水する水の温度を連続的又は間欠的に測定する水温測定器と、酸化剤を添加した位置より下流の水に残留する酸化剤濃度を測定する酸化剤濃度測定器と、分離膜に送水する水の温度と最適残留酸化剤濃度との設定相関関係に従って水温測定器にて測定した水温に基づく最適残留酸化剤濃度を連続的又は間欠的に算出し、酸化剤濃度測定器にて測定した残留酸化剤濃度測定値が最適残留酸化剤濃度になるように酸化剤添加装置の酸化剤添加量を制御する演算／制御装置を備える膜分離装置が記載されている。
【0006】
特許文献３には、被処理水に塩素又は次亜塩素酸等の塩素系酸化剤を添加したのち、該被処理水を逆浸透装置に供給して純水を得る方法において、逆浸透装置より得られる製造水中の塩素濃度を連続的に検知しその濃度が所定値となるよう塩素系酸化剤の前記被処理水への注入量をフィードバック制御する純水製造装置の前処理方法が記載されている。
【0007】
特許文献４には、下水処理において、有機物とアンモニア又はアンモニウムイオンと雨水とを含む、雨天時に分流式下水道の雨水用下水道を流れ公共用水域に放流される雨天時下水を消毒する方法であって、１－ブロモ－３－クロロ－５，５－ジメチルヒダントインからなる固体消毒剤を水に添加・溶解して消毒水を得る工程と、前記消毒水を前記下水に添加して消毒する工程と、を含む方法が記載されている。この特許文献４には、さらに、雨天時下水等の排水を効率的に消毒することができることが記載されている。さらに、残留ハロゲン濃度をＬＣ５０値以下の０．４ｍｇ／Ｌ以下にしても消毒することが可能であり、残留ハロゲン濃度を検知することによって、残留ハロゲン濃度の管理値を超えた場合には、消毒剤又は消毒水の供給量を減じたり、遮断することができ、環境上の配慮ができることが記載されている。
【先行技術文献】
【特許文献】
【0008】
【特許文献1】特許第６４６６２１３号公報
【特許文献2】特許第３２５１１４５号公報
【特許文献3】特開昭６２－３０５９９号公報
【特許文献4】特許第４６２８１３２号公報
【発明の概要】
【発明が解決しようとする課題】
【0009】
しかしながら、浄水処理場にて、このような残留塩素濃度の自動制御において課題となるのは、水質が変動する場合である。水質が変動する場合は、フィードフォワードやフィードバックしたデータでは即時性に欠けて、タイムラグが生じてリアルタイムな追随ができず、目標管理値から大きく外れる場合もあった。このような場合は、運転員が経験により手動で調整しているケースも多く、この場合、運転員の負担が増えることも多かった。
【0010】
また、現在、浄水場の運営など水道事業においては、ベテラン職員の減少によって、浄水場の運転技術の継承が困難となっている。また、浄水場の運転管理の民間委託も進んでおり、委託を受けた民間企業においては、受託した浄水場の特性を踏まえて塩素注入の管理を行っていく必要があるが、運転員の手動による塩素注入率の設定に関しては負担が大きく、浄水の残留塩素濃度の安定化を図ることが難しいという課題があった。
【0011】
さらに、下水処理場(sewage works)にて、下水は、砂等を除去するための沈砂池、浮遊固体(suspended solid; SS)を除去するための固液分離処理、活性汚泥処理、次いで、消毒をこの順序で経て、河川、湖沼、港湾、沿岸海域等の公共用水域(public water)に放流されている。そして、消毒としては、一般的には、塩素ガスや、塩素系消毒剤で消毒することが一般的である。下水、屎尿、産業排水等には、感染症の源になる病原菌が含まれることがあるからである。一般的には、塩素系消毒剤が添加され、１ｍｌ当たりの大腸菌群数３０００個以下にしている。なお、塩素系消毒剤を添加しないで、紫外線照射やオゾン添加が行われる場合もあるが、設備が膨大になるため用途が限られている。
【0012】
しかし、通常の下水処理に適用された技術を雨天時下水処理に転用すると次の問題点が生じる。まず、雨天時下水には、アンモニア、アミンが共存するため、それらの化学反応が生じ、活性塩素がクロラミンに変化し、殺菌効果がｌ／１０以下に低下するので、酸化剤の濃度管理が重要となる。
【0013】
いずれの方法及び装置、システムにおいても過去のセンサーなどで検出した数値を用いた予測に留まり、それらのセンサー検出機から漏れた情報は獲得することができず、予測精度の向上が課題であった。
【0014】
そこで、本発明は、上記従来の課題に鑑み成されたものであり、その目的は、水処理施設における水処理用の薬品の添加率を精度よく予測でき、さらに薬品コストダウンができる、水処理用の薬品の添加率を決定する方法およびその装置を提供することにある。
【課題を解決するための手段】
【0015】
一態様では、処理すべき水の水質の過去の第１測定データと、薬品が添加された後の前記水の水質の過去の第２測定データと、前記過去の第１測定データおよび前記過去の第２測定データに関連付けられた薬品の実際の添加率を少なくとも含む訓練データを使用した機械学習によって構築されたモデルに、処理すべき水の水質の第１測定値と、薬品が添加された後の前記水の水質の第２測定値を少なくとも含む予測条件データを入力し、前記モデルから前記薬品の添加率を出力することを特徴とする水処理のための薬品の添加率を決定する方法が提供される。
【0016】
一態様では、前記予測条件データに含まれる前記第１測定値は、前記処理すべき水の水質の現在の測定値および過去の測定値を含む直近の第１時系列測定データであり、前記予測条件データに含まれる前記第２測定値は、前記薬品が添加された後の前記水質の現在の測定値および過去の測定値を含む直近の第２時系列測定データであり、前記訓練データに含まれる前記過去の第１測定データは、処理すべき水の水質の過去の第１時系列測定データであり、前記訓練データに含まれる前記過去の第２測定データは、前記薬品が添加された後の前記水質の過去の第２時系列測定データであることを特徴とする。
【0017】
一態様では、第ｉ－１薬品（ｉは２以上の自然数）が添加される前の処理すべき水の水質の過去の第ｉ－１測定データと、前記第ｉ－１薬品が添加された後の前記水の水質の過去の第ｉ測定データと、第ｉ薬品の添加率の過去の算定データと、前記過去の第ｉ－１測定データ、前記過去の第ｉ測定データ、および前記第ｉ薬品の添加率の過去の算定データに関連付けられた前記第ｉ－１薬品の実際の添加率を含む第ｉ－１訓練データを使用した機械学習によって構築された第ｉ－１モデルに、前記水の水質の第ｉ－１測定値と、第ｉ－１薬品が添加された後の前記水の水質の第ｉ測定値と、前記第ｉ薬品の添加率を少なくとも含む第ｉ－１予測条件データを入力し、前記第ｉ－１モデルから前記第ｉ－１薬品の添加率を出力することを特徴とする水処理のための薬品の添加率を決定する方法が提供される。
【0018】
一態様では、前記第ｉ－１予測条件データ（ｉは２以上の自然数）に含まれる前記第ｉ－１測定値は、前記第ｉ－１薬品が添加される前の水の水質の現在の測定値および過去の測定値を含む直近の第ｉ－１時系列測定データであり、前記第ｉ－１予測条件データおよび前記第ｉ予測条件データに含まれる前記第ｉ測定値は、前記第ｉ－１薬品が添加された後の前記水質の現在の測定値および過去の測定値を含む直近の第ｉ時系列測定データであり、前記第ｉ予測条件データに含まれる前記第ｉ＋１測定値は、前記第ｉ－１薬品が添加された後に前記第ｉ薬品がさらに添加された前記水の水質の現在の測定値および過去の測定値を含む直近の第ｉ＋１時系列測定データであり、前記第ｉ－１訓練データに含まれる前記過去の第ｉ－１測定データは、前記第ｉ－１薬品が添加される前の水の水質の過去の第ｉ－１時系列測定データであり、前記第ｉ－１訓練データおよび前記第ｉ訓練データに含まれる前記過去の第ｉ測定データは、前記第ｉ－１薬品が添加された後の前記水質の過去の第ｉ時系列測定データであり、前記第ｉ訓練データに含まれる前記過去の第ｉ＋１測定データは、前記第ｉ－１薬品が添加された後に前記第ｉ薬品がさらに添加された前記水の水質の過去の第ｉ＋１時系列測定データであることを特徴とする。
【0019】
一態様では、機械学習によって構築されたモデルと、処理すべき水の水質の第１測定値と、薬品が添加された後の前記水の水質の第２測定値を少なくとも含む予測条件データを前記モデルに入力し、前記モデルから薬品の添加率を出力する薬品添加率出力手段を有することを特徴とする水処理のための薬品の添加率を決定する薬品添加率決定装置が提供される。
【0020】
一態様では、機械学習によって構築された第ｉモデル（ｉは２以上の自然数）と、第ｉ－１薬品が添加される前の処理すべき水の水質の第ｉ－１測定値と、前記第ｉ－１薬品が添加された後の前記水の水質の第ｉ測定値と、前記第ｉ－１薬品が添加された後に第ｉ薬品がさらに添加された前記水の水質の第ｉ＋１測定値を取得する測定値取得手段と、前記第ｉ測定値と前記第ｉ＋１測定値を少なくとも含む第ｉ予測条件データを前記第ｉモデルに入力し、前記第ｉモデルから前記第ｉ薬品の添加率を出力する第ｉ薬品添加率出力手段と、機械学習によって構築された第ｉ－１モデルと、前記第ｉ－１測定値と、前記第ｉ測定値と、前記第ｉ薬品の添加率を少なくとも含む第ｉ－１予測条件データを前記第ｉ－１モデルに入力し、前記第ｉ－１モデルから前記第ｉ－１薬品の添加率を出力する第ｉ－１薬品添加率出力手段を有することを特徴とする水処理のための薬品の添加率を決定する装置が提供される。
【0021】
一態様では、処理すべき水の水質の現在の測定値および過去の測定値を含む直近の時系列測定データを少なくとも含む予測条件データを、機械学習によって構築されたモデルに入力し、薬品が添加された後の前記水の水質の制御目標値により、前記モデルから薬品の添加率を出力する水処理のための薬品の添加率を決定する方法が提供される。
【0022】
一態様では、前記モデルは、訓練データを用いて機械学習によって構築された学習済みモデルであり、前記訓練データは、水質の過去の時系列測定データと、前記過去の時系列測定データに関連付けられた薬品の実際の添加率を少なくとも含む。
一態様では、前記方法は、前記モデルから出力された前記添加率を、前記薬品が添加された前記水の水質の測定値に基づいて調整することをさらに含む。
一態様では、前記方法は、前記モデルから出力された前記添加率を、前記薬品が添加された前記水の水質の測定値に基づいて調整することをさらに含む。
【0023】
一態様では、処理すべき水の水質の第１測定値と、薬品が添加された後の前記水の水質の第２測定値を少なくとも含む予測条件データを、機械学習によって構築されたモデルに入力し、前記モデルから前記薬品の添加率を出力することを特徴とする水処理のための薬品の添加率を決定する方法が提供される。
【0024】
一態様では、前記方法は、前記モデルから出力された前記添加率を、前記薬品が添加された前記水の水質の測定値に基づいて調整することをさらに含む。
一態様では、前記モデルは、訓練データを用いて機械学習によって構築された学習済みモデルであり、前記訓練データは、処理すべき水の水質の過去の第１測定データと、前記薬品が添加された後の前記水の水質の過去の第２測定データと、前記過去の第１測定データおよび前記過去の第２測定データに関連付けられた薬品の実際の添加率を少なくとも含む。
一態様では、前記予測条件データに含まれる前記第１測定値は、前記処理すべき水の水質の現在の測定値および過去の測定値を含む直近の第１時系列測定データであり、前記予測条件データに含まれる前記第２測定値は、前記薬品が添加された後の前記水質の現在の測定値および過去の測定値を含む直近の第２時系列測定データであり、前記訓練データに含まれる前記過去の第１測定データは、処理すべき水の水質の過去の第１時系列測定データであり、前記訓練データに含まれる前記過去の第２測定データは、前記薬品が添加された後の前記水質の過去の第２時系列測定データである。
一態様では、前記モデルは、訓練データを用いて機械学習によって構築された学習済みモデルであり、前記訓練データは、処理すべき水の水質の過去の第１測定データと、前記薬品が添加された後の前記水の水質の過去の第２測定データと、前記過去の第１測定データおよび前記過去の第２測定データに関連付けられた薬品の実際の添加率を少なくとも含む。
一態様では、前記予測条件データに含まれる前記第１測定値は、前記処理すべき水の水質の現在の測定値および過去の測定値を含む直近の第１時系列測定データであり、前記予測条件データに含まれる前記第２測定値は、前記薬品が添加された後の前記水質の現在の測定値および過去の測定値を含む直近の第２時系列測定データであり、前記訓練データに含まれる前記過去の第１測定データは、処理すべき水の水質の過去の第１時系列測定データであり、前記訓練データに含まれる前記過去の第２測定データは、前記薬品が添加された後の前記水質の過去の第２時系列測定データである。
【0025】
一態様では、処理すべき水の水質の第１測定値と、第１薬品が添加された後の前記水の水質の第２測定値と、前記第１薬品が添加された後に第２薬品がさらに添加された前記水の水質の第３測定値を取得し、前記第２測定値と前記第３測定値を少なくとも含む第２予測条件データを、機械学習によって構築された第２モデルに入力し、前記第２モデルから前記第２薬品の添加率を出力し、前記第１測定値と、前記第２測定値と、前記第２薬品の添加率を少なくとも含む第１予測条件データを、機械学習によって構築された第１モデルに入力し、前記第１モデルから前記第１薬品の添加率を出力することを特徴とする水処理のための薬品の添加率を決定する方法が提供される。
【0026】
一態様では、前記方法は、前記第１薬品の添加率を、前記第１薬品が添加された前記水の水質の測定値に基づいて調整することをさらに含む。
一態様では、前記方法は、前記第２薬品の添加率を、前記第２薬品が添加された前記水の水質の測定値に基づいて調整することをさらに含む。
一態様では、前記第１モデルは、第１訓練データを用いて機械学習によって構築された学習済みモデルであり、前記第１訓練データは、処理すべき水の水質の過去の第１測定データと、前記第１薬品が添加された後の前記水の水質の過去の第２測定データと、前記第２薬品の添加率の過去の算定データと、前記過去の第１測定データ、前記過去の第２測定データ、および前記第２薬品の添加率の過去の算定データに関連付けられた前記第１薬品の実際の添加率を少なくとも含む。
一態様では、前記第２モデルは、第２訓練データを用いて機械学習によって構築された学習済みモデルであり、前記第２訓練データは、前記過去の第２測定データと、前記第１薬品が添加された後に前記第２薬品がさらに添加された前記水の水質の過去の第３測定データと、前記過去の第２測定データおよび前記過去の第３測定データに関連付けられた前記第２薬品の実際の添加率を少なくとも含む。
一態様では、前記第１予測条件データに含まれる前記第１測定値は、前記第１薬品が添加される前の水の水質の現在の測定値および過去の測定値を含む直近の第１時系列測定データであり、前記第１予測条件データおよび前記第２予測条件データに含まれる前記第２測定値は、前記第１薬品が添加された後の前記水質の現在の測定値および過去の測定値を含む直近の第２時系列測定データであり、前記第２予測条件データに含まれる前記第３測定値は、前記第１薬品が添加された後に前記第２薬品がさらに添加された前記水の水質の現在の測定値および過去の測定値を含む直近の第３時系列測定データであり、前記第１訓練データに含まれる前記過去の第１測定データは、前記第１薬品が添加される前の水の水質の過去の第１時系列測定データであり、前記第１訓練データおよび前記第２訓練データに含まれる前記過去の第２測定データは、前記第１薬品が添加された後の前記水質の過去の第２時系列測定データであり、前記第２訓練データに含まれる前記過去の第３測定データは、前記第１薬品が添加された後に前記第２薬品がさらに添加された前記水の水質の過去の第３時系列測定データである。
一態様では、前記方法は、前記第２薬品の添加率を、前記第２薬品が添加された前記水の水質の測定値に基づいて調整することをさらに含む。
一態様では、前記第１モデルは、第１訓練データを用いて機械学習によって構築された学習済みモデルであり、前記第１訓練データは、処理すべき水の水質の過去の第１測定データと、前記第１薬品が添加された後の前記水の水質の過去の第２測定データと、前記第２薬品の添加率の過去の算定データと、前記過去の第１測定データ、前記過去の第２測定データ、および前記第２薬品の添加率の過去の算定データに関連付けられた前記第１薬品の実際の添加率を少なくとも含む。
一態様では、前記第２モデルは、第２訓練データを用いて機械学習によって構築された学習済みモデルであり、前記第２訓練データは、前記過去の第２測定データと、前記第１薬品が添加された後に前記第２薬品がさらに添加された前記水の水質の過去の第３測定データと、前記過去の第２測定データおよび前記過去の第３測定データに関連付けられた前記第２薬品の実際の添加率を少なくとも含む。
一態様では、前記第１予測条件データに含まれる前記第１測定値は、前記第１薬品が添加される前の水の水質の現在の測定値および過去の測定値を含む直近の第１時系列測定データであり、前記第１予測条件データおよび前記第２予測条件データに含まれる前記第２測定値は、前記第１薬品が添加された後の前記水質の現在の測定値および過去の測定値を含む直近の第２時系列測定データであり、前記第２予測条件データに含まれる前記第３測定値は、前記第１薬品が添加された後に前記第２薬品がさらに添加された前記水の水質の現在の測定値および過去の測定値を含む直近の第３時系列測定データであり、前記第１訓練データに含まれる前記過去の第１測定データは、前記第１薬品が添加される前の水の水質の過去の第１時系列測定データであり、前記第１訓練データおよび前記第２訓練データに含まれる前記過去の第２測定データは、前記第１薬品が添加された後の前記水質の過去の第２時系列測定データであり、前記第２訓練データに含まれる前記過去の第３測定データは、前記第１薬品が添加された後に前記第２薬品がさらに添加された前記水の水質の過去の第３時系列測定データである。
【0027】
一態様では、機械学習によって構築されたモデルを備え、処理すべき水の水質の現在の測定値および過去の測定値を含む直近の時系列測定データを少なくとも含む予測条件データを前記モデルに入力し、前記モデルから薬品の添加率を出力するように構成されていることを特徴とする水処理のための薬品の添加率を決定する薬品添加率決定装置が提供される。
【0028】
一態様では、前記モデルは、訓練データを用いて機械学習によって構築された学習済みモデルであり、前記訓練データは、水質の過去の時系列測定データと、前記過去の時系列測定データに関連付けられた薬品の実際の添加率を少なくとも含む。
一態様では、前記薬品添加率決定装置は、前記モデルから出力された前記添加率を、前記薬品が添加された前記水の水質の測定値に基づいて調整するようにさらに構成されている。
一態様では、前記薬品添加率決定装置は、前記モデルから出力された前記添加率を、前記薬品が添加された前記水の水質の測定値に基づいて調整するようにさらに構成されている。
【0029】
一態様では、機械学習によって構築されたモデルを備え、処理すべき水の水質の第１測定値と、薬品が添加された後の前記水の水質の第２測定値を少なくとも含む予測条件データを前記モデルに入力し、前記モデルから前記薬品の添加率を出力するように構成されていることを特徴とする水処理のための薬品の添加率を決定する薬品添加率決定装置が提供される。
【0030】
一態様では、前記薬品添加率決定装置は、前記モデルから出力された前記添加率を、前記薬品が添加された前記水の水質の測定値に基づいて調整するようにさらに構成されている。
一態様では、前記モデルは、訓練データを用いて機械学習によって構築された学習済みモデルであり、前記訓練データは、処理すべき水の水質の過去の第１測定データと、前記薬品が添加された後の前記水の水質の過去の第２測定データと、前記過去の第１測定データおよび前記過去の第２測定データに関連付けられた薬品の実際の添加率を少なくとも含む。
一態様では、前記予測条件データに含まれる前記第１測定値は、前記処理すべき水の水質の現在の測定値および過去の測定値を含む直近の第１時系列測定データであり、前記予測条件データに含まれる前記第２測定値は、前記薬品が添加された後の前記水質の現在の測定値および過去の測定値を含む直近の第２時系列測定データであり、前記訓練データに含まれる前記過去の第１測定データは、処理すべき水の水質の過去の第１時系列測定データであり、前記訓練データに含まれる前記過去の第２測定データは、前記薬品が添加された後の前記水質の過去の第２時系列測定データである。
一態様では、前記モデルは、訓練データを用いて機械学習によって構築された学習済みモデルであり、前記訓練データは、処理すべき水の水質の過去の第１測定データと、前記薬品が添加された後の前記水の水質の過去の第２測定データと、前記過去の第１測定データおよび前記過去の第２測定データに関連付けられた薬品の実際の添加率を少なくとも含む。
一態様では、前記予測条件データに含まれる前記第１測定値は、前記処理すべき水の水質の現在の測定値および過去の測定値を含む直近の第１時系列測定データであり、前記予測条件データに含まれる前記第２測定値は、前記薬品が添加された後の前記水質の現在の測定値および過去の測定値を含む直近の第２時系列測定データであり、前記訓練データに含まれる前記過去の第１測定データは、処理すべき水の水質の過去の第１時系列測定データであり、前記訓練データに含まれる前記過去の第２測定データは、前記薬品が添加された後の前記水質の過去の第２時系列測定データである。
【0031】
一態様では、機械学習によって構築された第１モデルと、機械学習によって構築された第２モデルを備え、処理すべき水の水質の第１測定値と、第１薬品が添加された後の前記水の水質の第２測定値と、前記第１薬品が添加された後に第２薬品がさらに添加された前記水の水質の第３測定値を取得し、前記第２測定値と前記第３測定値を少なくとも含む第２予測条件データを前記第２モデルに入力し、前記第２モデルから前記第２薬品の添加率を出力し、前記第１測定値と、前記第２測定値と、前記第２薬品の添加率を少なくとも含む第１予測条件データを前記第１モデルに入力し、前記第１モデルから前記第１薬品の添加率を出力するように構成されていることを特徴とする水処理のための薬品の添加率を決定する薬品添加率決定装置が提供される。
【0032】
一態様では、前記薬品添加率決定装置は、前記第１薬品の添加率を、前記第１薬品が添加された前記水の水質の測定値に基づいて調整するようにさらに構成されている。
一態様では、前記薬品添加率決定装置は、前記第２薬品の添加率を、前記第２薬品が添加された前記水の水質の測定値に基づいて調整するようにさらに構成されている。
一態様では、前記第１モデルは、第１訓練データを用いて機械学習によって構築された学習済みモデルであり、前記第１訓練データは、処理すべき水の水質の過去の第１測定データと、前記第１薬品が添加された後の前記水の水質の過去の第２測定データと、前記第２薬品の添加率の過去の算定データと、前記過去の第１測定データ、前記過去の第２測定データ、および前記第２薬品の添加率の過去の算定データに関連付けられた前記第１薬品の実際の添加率を少なくとも含む。
一態様では、前記第２モデルは、第２訓練データを用いて機械学習によって構築された学習済みモデルであり、前記第２訓練データは、前記過去の第２測定データと、前記第１薬品が添加された後に前記第２薬品がさらに添加された前記水の水質の過去の第３測定データと、前記過去の第２測定データおよび前記過去の第３測定データに関連付けられた前記第２薬品の実際の添加率を少なくとも含む。
一態様では、前記第１予測条件データに含まれる前記第１測定値は、前記第１薬品が添加される前の水の水質の現在の測定値および過去の測定値を含む直近の第１時系列測定データであり、前記第１予測条件データおよび前記第２予測条件データに含まれる前記第２測定値は、前記第１薬品が添加された後の前記水質の現在の測定値および過去の測定値を含む直近の第２時系列測定データであり、前記第２予測条件データに含まれる前記第３測定値は、前記第１薬品が添加された後に前記第２薬品がさらに添加された前記水の水質の現在の測定値および過去の測定値を含む直近の第３時系列測定データであり、前記第１訓練データに含まれる前記過去の第１測定データは、前記第１薬品が添加される前の水の水質の過去の第１時系列測定データであり、前記第１訓練データおよび前記第２訓練データに含まれる前記過去の第２測定データは、前記第１薬品が添加された後の前記水質の過去の第２時系列測定データであり、前記第２訓練データに含まれる前記過去の第３測定データは、前記第１薬品が添加された後に前記第２薬品がさらに添加された前記水の水質の過去の第３時系列測定データである。
一態様では、前記薬品添加率決定装置は、前記第２薬品の添加率を、前記第２薬品が添加された前記水の水質の測定値に基づいて調整するようにさらに構成されている。
一態様では、前記第１モデルは、第１訓練データを用いて機械学習によって構築された学習済みモデルであり、前記第１訓練データは、処理すべき水の水質の過去の第１測定データと、前記第１薬品が添加された後の前記水の水質の過去の第２測定データと、前記第２薬品の添加率の過去の算定データと、前記過去の第１測定データ、前記過去の第２測定データ、および前記第２薬品の添加率の過去の算定データに関連付けられた前記第１薬品の実際の添加率を少なくとも含む。
一態様では、前記第２モデルは、第２訓練データを用いて機械学習によって構築された学習済みモデルであり、前記第２訓練データは、前記過去の第２測定データと、前記第１薬品が添加された後に前記第２薬品がさらに添加された前記水の水質の過去の第３測定データと、前記過去の第２測定データおよび前記過去の第３測定データに関連付けられた前記第２薬品の実際の添加率を少なくとも含む。
一態様では、前記第１予測条件データに含まれる前記第１測定値は、前記第１薬品が添加される前の水の水質の現在の測定値および過去の測定値を含む直近の第１時系列測定データであり、前記第１予測条件データおよび前記第２予測条件データに含まれる前記第２測定値は、前記第１薬品が添加された後の前記水質の現在の測定値および過去の測定値を含む直近の第２時系列測定データであり、前記第２予測条件データに含まれる前記第３測定値は、前記第１薬品が添加された後に前記第２薬品がさらに添加された前記水の水質の現在の測定値および過去の測定値を含む直近の第３時系列測定データであり、前記第１訓練データに含まれる前記過去の第１測定データは、前記第１薬品が添加される前の水の水質の過去の第１時系列測定データであり、前記第１訓練データおよび前記第２訓練データに含まれる前記過去の第２測定データは、前記第１薬品が添加された後の前記水質の過去の第２時系列測定データであり、前記第２訓練データに含まれる前記過去の第３測定データは、前記第１薬品が添加された後に前記第２薬品がさらに添加された前記水の水質の過去の第３時系列測定データである。
【発明の効果】
【0033】
本発明によれば、時系列的な測定データと、機械学習によって構築されたモデルによって、薬品添加率を精度よく決定することができる。
また、本発明によれば、薬品が添加される前の水質の第１測定値と、薬品が添加された後の水質の第２測定値の両方がモデルに入力されるので、フィードフォワード制御およびフィードバック制御の両方がモデル内で行われ、結果として、薬品添加率を精度よく決定することができる。
また、本発明によれば、薬品が添加される前の水質の第１測定値と、薬品が添加された後の水質の第２測定値の両方がモデルに入力されるので、フィードフォワード制御およびフィードバック制御の両方がモデル内で行われ、結果として、薬品添加率を精度よく決定することができる。
【図面の簡単な説明】
【0034】
【発明を実施するための形態】
【0035】
以下、本発明の実施形態について図面を参照して説明する。図１は、水処理のために薬品を添加する水処理システムの一実施形態の模式図である。本実施形態の水処理システムは、浄水処理、下水処理などの施設に適用可能である。水処理に使用される薬品の例としては、浄水処理である場合には、次亜塩素酸ナトリウムなどの酸化剤が挙げられる。
【0036】
図１に示すように、本実施形態の水処理システムは、処理すべき水の水質を測定するための水質測定器２と、水に薬品を添加するための薬品供給装置としてのポンプ３と、水への薬品の添加率を決定する薬品添加率決定装置１０を備えている。水質測定器２およびポンプ３は、薬品添加率決定装置１０に接続されている。水質測定器２によって取得された水質の測定値は、薬品添加率決定装置１０に送られるようになっている。また、薬品供給装置としてのポンプ３の動作（すなわち、水への薬品の添加量）は、薬品添加率決定装置１０によって制御される。薬品の添加率は、水の流量または水の単位体積に対する、添加される薬品の量である。一実施形態では、薬品添加率決定装置１０は、薬品が添加された後の水の水質の制御目標値により、水への薬品の添加率を決定する。
【0037】
本実施形態では、薬品供給装置としてポンプ３が使用されているが、薬品を水に供給できるのであれば、ポンプに限定されない。例えば、薬品供給装置としてスクリューフィーダが使用されてもよい。
【0038】
水質測定器２が水質を測定する位置（以下、水質測定位置という）は、ポンプ３によって薬品が水に添加される位置（以下、薬品添加位置という）よりも、水の流れ方向において下流である。つまり、水の流れ方向に沿って、水質測定位置および薬品添加位置が並んでいる。ろ過器または混合槽などの水処理要素が薬品添加位置の下流に配置されてもよい。
【0039】
薬品添加率決定装置１０は、後述する機械学習を実行してモデルを構築し、そのモデルを使用するためのプログラムが格納された記憶装置１０ａと、プログラムに含まれる命令に従って演算を実行する演算装置１０ｂを備えている。記憶装置１０ａは、ハードディスクドライブ（ＨＤＤ）、ソリッドステートドライブ（ＳＳＤ）などの記憶装置を備えている。演算装置１０ｂの例としては、ＣＰＵ（中央演算装置）、ＧＰＵ（グラフィックプロセッシングユニット）が挙げられる。ただし、薬品添加率決定装置１０の具体的構成はこの例に限定されない。
【0040】
薬品添加率決定装置１０は、少なくとも１台のコンピュータから構成されている。前記少なくとも１台のコンピュータは、１台のサーバまたは複数台のサーバであってもよい。薬品添加率決定装置１０は、水質測定器２およびポンプ３に通信線で接続されたエッジサーバであってもよいし、インターネットまたはローカルエリアネットワークなどの通信ネットワークによって水質測定器２およびポンプ３に接続されたクラウドサーバまたはフォグサーバであってもよい。
【0041】
薬品添加率決定装置１０は、インターネットまたはローカルエリアネットワークなどの通信ネットワークにより接続された複数のサーバであってもよい。例えば、薬品添加率決定装置１０は、エッジサーバとクラウドサーバとの組み合わせであってもよい。記憶装置１０ａと演算装置１０ｂは、別々の場所に設置された複数のコンピュータ内にそれぞれ配置されてもよい。
【0042】
次に、薬品添加率決定装置１０の機能について説明する。薬品添加率決定装置１０は、ポンプ３によって水に添加される薬品の添加率を、機械学習により構築されたモデル（すなわち学習済みモデル）を用いて算定するように構成されている。モデルは、記憶装置１０ａ内に格納されている。薬品添加率決定装置１０の演算装置１０ｂは、予測条件データを、機械学習によって構築されたモデルに入力し、モデルのアルゴリズムに従って演算を実行することでモデルから薬品の添加率を出力するように構成されている。予測条件データは、水質測定器２によって取得された水質の現在の測定値および過去の測定値を含む直近の時系列測定データを少なくとも含む。薬品添加率決定装置１０は、予測条件データを、機械学習により構築されたモデルに入力し、モデルから薬品の添加率を出力する薬品添加率出力手段としての機能を有し、さらに水の水質の測定値を取得する測定値取得手段としての機能を有する。
【0043】
直近の時系列測定データは、所定の日数分の水質の直近の測定値を含む。例えば、直近の５日分の水質の測定値を含む。上記所定の日数は、設定により変更可能である。直近の時系列測定データは、水質の現在の測定値のみならず、最近取得された過去の測定値も含むので、水質の傾向が薬品の添加率に反映できる。
【0044】
水質の具体的な物理量は、処理される水の種類によって異なるが、例えば、水のｐＨ、水の濁度、水中に含まれる薬品の残留濃度、化学的酸素要求量（ＣＯＤ）などが挙げられる。
【0045】
モデルは、訓練データを用いた機械学習によって作成される。モデルには、説明変数が入力され、モデルからは目的変数が出力される。
説明変数：予測したい変数（目的変数）を導出するため変数。
目的変数：予測したい変数。本実施形態では、ポンプ３によって水に添加される薬品の添加率が目的変数である。
説明変数：予測したい変数（目的変数）を導出するため変数。
目的変数：予測したい変数。本実施形態では、ポンプ３によって水に添加される薬品の添加率が目的変数である。
【0046】
訓練データに含まれる説明変数は、水質の過去の時系列測定データを少なくとも含む。この水質の過去の時系列測定データは、水質測定器２によって取得され、記憶装置１０ａ内に格納される。訓練データに含まれる目的変数は、説明変数としての上記過去の時系列測定データに関連付けられた薬品の実際の添加率である。
【0047】
薬品添加率決定装置１０は、水質の過去の時系列測定データ、および薬品の実際の添加率を含む訓練データを用いて、モデルを機械学習のアルゴリズムに従って作成する。機械学習によって構築されたモデルは、学習済みモデルとして、記憶装置１０ａ内に格納される。
【0048】
機械学習アルゴリズムの例としては、ＳＶＲ法（サポートベクター回帰法）、ＰＬＳ法（部分最小二乗法：Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ）、ディープラーニング法（深層学習法）、ランダムフォレスト法、または決定木法などが挙げられる。本実施形態では、機械学習にディープラーニング法が採用される。特に、本実施形態では、モデルは、長・短期記憶（LSTM、Long short-term memory）からなるニューラルネットワークから構成されている。ただし、本発明に使用されるモデルは、時系列データが使用できるものであれば、ＬＳＴＭ型モデルに限定されない。
【0049】
図１に示す水処理システムの運転について、図２のフローチャートを参照して説明する。
ステップ１では、水質測定器２は、予め定められた時間間隔で水質を測定し、測定値を薬品添加率決定装置１０に送る。薬品添加率決定装置１０は、水質測定器２から送られてきた水質の測定値を記憶装置１０ａ内に保存する。薬品添加率決定装置１０は、水質の測定値を受け取るたびに、その測定値を時間に関連付けて記憶装置１０ａ内に保存する。したがって、記憶装置１０ａ内には、水質の測定値の時系列的なデータ（すなわち、水質の時系列測定データ）が保存される。
ステップ１では、水質測定器２は、予め定められた時間間隔で水質を測定し、測定値を薬品添加率決定装置１０に送る。薬品添加率決定装置１０は、水質測定器２から送られてきた水質の測定値を記憶装置１０ａ内に保存する。薬品添加率決定装置１０は、水質の測定値を受け取るたびに、その測定値を時間に関連付けて記憶装置１０ａ内に保存する。したがって、記憶装置１０ａ内には、水質の測定値の時系列的なデータ（すなわち、水質の時系列測定データ）が保存される。
【0050】
ステップ２では、薬品添加率決定装置１０は、水質の直近の時系列測定データを記憶装置１０ａから読み出し、モデルに入力する。
ステップ３では、薬品添加率決定装置１０は、モデルにより定義されるアルゴリズムに従って演算を実行し、薬品の添加率をモデルから出力する。
ステップ４では、薬品添加率決定装置１０は、モデルから出力された添加率で薬品が水に添加されるようにポンプ３の運転を制御する。その結果、薬品は水に添加され、水が薬品により処理される。
ステップ３では、薬品添加率決定装置１０は、モデルにより定義されるアルゴリズムに従って演算を実行し、薬品の添加率をモデルから出力する。
ステップ４では、薬品添加率決定装置１０は、モデルから出力された添加率で薬品が水に添加されるようにポンプ３の運転を制御する。その結果、薬品は水に添加され、水が薬品により処理される。
【0051】
上述したように、本実施形態のモデルは、長・短期記憶モデル(ＬＳＴＭ，Long short-term memory)である。長・短期記憶モデルは、再帰型ニューラルネットワーク(ＲＮＮ，Recurrent Neural Network)の拡張タイプとして、時系列データを取り扱うことができるモデルの１種である。長・短期記憶モデル（ＬＳＴＭ）は、再帰型ニューラルネットワーク（ＲＮＮ）の中間層のユニットを、ＬＳＴＭブロックと呼ばれるメモリと、３つのゲート（入力ゲート、出力ゲート、忘却ゲート）を持つブロックに置き換えることで実現されている。
【0052】
長・短期記憶モデル（ＬＳＴＭ）の最も大きな特長は、従来のＲＮＮでは学習できなかった長期依存性を学習可能であるところにある。通常のＲＮＮでも数十ステップの短期の時系列データには対応できるが、１０００ステップのような長期の時系列データを学習することはできなかった。長・短期記憶モデル（ＬＳＴＭ）はこのような長期の時系列データに対しても適切な出力を行うことができる。
【0053】
本実施形態は、長・短期記憶モデル（ＬＳＴＭ）の長期の時系列データを学習して記憶できる特徴を利用し、水処理プロセスにおける薬品の添加率を予測する。長・短期記憶モデル（ＬＳＴＭ）を備える本実施形態の薬品添加率決定装置１０は、長期の時系列データを用いて、最近の水質の傾向に基づいた適切な薬品の添加率を算定することができる。
【0054】
一実施形態では、モデルに入力される予測条件データは、水質の直近の時系列測定データに加えて、水の流量、水の温度、気象データのうちの少なくとも１つを含む運転条件の直近の時系列定データをさらに含んでもよい。気象データには、雨量、気温などが含まれる。この実施形態のモデルの機械学習に使用される訓練データは、水質の過去の時系列測定データと、運転条件の過去の時系列データと、水質の過去の時系列測定データおよび運転条件の過去の時系列データに関連付けられた薬品の実際の添加率を少なくとも含む。水処理システムの運転では、薬品添加率決定装置１０は、水質の直近の時系列測定データおよび運転条件の直近の時系列データの両方をモデルに入力し、モデルから薬品の添加率を出力する。
【0055】
次に、水処理システムの他の実施形態の模式図について図３を参照して説明する。特に説明しない本実施形態の構成および動作は、図１および図２を参照して説明した実施形態と同じであるので、その重複する説明を省略する。図３に示すように、水処理システムは、処理すべき水の水質を測定するための第１水質測定器２と、水に薬品を添加するための薬品供給装置としてのポンプ３と、薬品が添加された水の水質を測定するための第２水質測定器５と、水への薬品の添加率を決定する薬品添加率決定装置１０を備えている。
【0056】
第１水質測定器２、第２水質測定器５、およびポンプ３は、薬品添加率決定装置１０に接続されている。第１水質測定器２によって取得された水質の第１測定値、および第２水質測定器５によって取得された水質の第２測定値は、薬品添加率決定装置１０に送られるようになっている。また、ポンプ３の動作（すなわち、水への薬品の添加量）は、薬品添加率決定装置１０によって制御される。
【0057】
第２水質測定器５が水質を測定する位置（以下、第２水質測定位置という）は、第１水質測定器２が水質を測定する位置（以下、第１水質測定位置という）よりも水の流れ方向において下流である。ポンプ３によって薬品が水に添加される位置（以下、薬品添加位置という）は、第１水質測定位置と第２水質測定位置との間である。つまり、水の流れ方向に沿って、第１水質測定位置、薬品添加位置、第２水質測定位置が並んでいる。したがって、第１水質測定器２は、ポンプ３から薬品が添加される前の水の水質を測定し、第２水質測定器５は、ポンプ３から薬品が添加された後の水の水質を測定する。薬品添加位置と第２水質測定位置との間に、ろ過器または混合槽などの水処理要素が配置されてもよい。
【0058】
薬品添加率決定装置１０の演算装置１０ｂは、予測条件データを、機械学習によって構築されたモデルに入力し、モデルから薬品の添加率を出力するように構成されている。予測条件データは、処理すべき水の水質の第１測定値と、薬品が添加された後の水の水質の第２測定値を少なくとも含む。
【0059】
本実施形態のモデルも、訓練データを用いて機械学習によって構築された学習済みモデルである。訓練データは、処理すべき水の水質の過去の第１測定データと、薬品が添加された後の水の水質の過去の第２測定データと、過去の第１測定データおよび過去の第２測定データに関連付けられた薬品の実際の添加率を少なくとも含む。
【0060】
訓練データに含まれる説明変数は、処理すべき水の水質の過去の第１測定データと、薬品が添加された後の水の水質の過去の第２測定データを少なくとも含む。水質の過去の第１測定データは、第１水質測定器２によって取得され、記憶装置１０ａ内に格納される。水質の過去の第２測定データは、第２水質測定器５によって取得され、記憶装置１０ａ内に格納される。訓練データに含まれる目的変数は、説明変数としての上記過去の第１測定データおよび上記過去の第２測定データに関連付けられた薬品の実際の添加率である。
【0061】
薬品添加率決定装置１０は、水質の過去の第１測定データ、水質の過去の第２測定データ、および薬品の実際の添加率を含む訓練データを用いて、モデルを機械学習のアルゴリズムに従って作成する。機械学習によって構築されたモデルは、学習済みモデルとして、記憶装置１０ａ内に格納される。
【0062】
機械学習アルゴリズムの例としては、ＳＶＲ法（サポートベクター回帰法）、ＰＬＳ法（部分最小二乗法：Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ）、ディープラーニング法（深層学習法）、ランダムフォレスト法、または決定木法などが挙げられる。本実施形態では、機械学習にディープラーニング法が採用される。図１および図２を参照して説明した実施形態では、モデルは、長・短期記憶（ＬＳＴＭ）モデルであるが、本実施形態のモデルはＬＳＴＭ型モデルでなくてもよい。
【0063】
本実施形態によれば、ポンプ３から薬品が添加される前の水質の第１測定値と、ポンプ３から薬品が添加された後の水質の第２測定値の両方がモデルに入力されるので、フィードフォワード制御およびフィードバック制御の両方が行われ、結果として、薬品添加率を精度よく決定することができる。
【0064】
一実施形態では、薬品添加率決定装置１０は、モデルから出力された添加率を、薬品が添加された後の水の水質の測定値である添加後測定値に基づいて調整してもよい。一例では、添加後測定値は、薬品添加率の算出のためにモデルに入力された、第２水質測定位置での水質の上記第２測定値である。より具体的には、薬品添加率決定装置１０は、添加後測定値と目標水質値との差を算定し、この差が小さくなる方向に添加率を調整する。例えば、水質が、水中の薬品の残留濃度である場合に、添加後測定値（測定残留濃度）が目標水質値（目標残留濃度）よりも高ければ、薬品添加率決定装置１０は、モデルから出力された添加率を低下させる。このような動作により、薬品が添加された後の水の水質を目標水質値に近づけることができる。
【0065】
図４は、図３に示す水処理システムの運転の一実施形態を説明するためのフローチャートである。
ステップ１では、第１水質測定器２は、薬品添加位置の上流側の第１水質測定位置での水質を測定して第１測定値を取得し、第１測定値を薬品添加率決定装置１０に送る。薬品添加位置では、ポンプ３は、予め設定された添加率で薬品を水に添加する。
ステップ２では、第２水質測定器５は、薬品添加位置の下流側の第２水質測定位置での水質を測定して第２測定値を取得し、第２測定値を薬品添加率決定装置１０に送る。薬品添加率決定装置１０は、第１水質測定器２および第２水質測定器５から送られてきた水質の第１測定値および第２測定値を記憶装置１０ａ内に保存する。
上記ステップ１～２は、同時に行われてもよく、あるいは図４に示す例とは異なる順序で行われてもよい。
ステップ１では、第１水質測定器２は、薬品添加位置の上流側の第１水質測定位置での水質を測定して第１測定値を取得し、第１測定値を薬品添加率決定装置１０に送る。薬品添加位置では、ポンプ３は、予め設定された添加率で薬品を水に添加する。
ステップ２では、第２水質測定器５は、薬品添加位置の下流側の第２水質測定位置での水質を測定して第２測定値を取得し、第２測定値を薬品添加率決定装置１０に送る。薬品添加率決定装置１０は、第１水質測定器２および第２水質測定器５から送られてきた水質の第１測定値および第２測定値を記憶装置１０ａ内に保存する。
上記ステップ１～２は、同時に行われてもよく、あるいは図４に示す例とは異なる順序で行われてもよい。
【0066】
ステップ３では、薬品添加率決定装置１０は、水質の第１測定値および第２測定値を記憶装置１０ａから読み出し、モデルに入力する。
ステップ４では、薬品添加率決定装置１０は、モデルにより定義されるアルゴリズムに従って演算を実行し、薬品の添加率をモデルから出力する。
ステップ５では、薬品添加率決定装置１０は、モデルから出力された添加率で薬品が水に添加されるようにポンプ３の運転を制御する。
ステップ４では、薬品添加率決定装置１０は、モデルにより定義されるアルゴリズムに従って演算を実行し、薬品の添加率をモデルから出力する。
ステップ５では、薬品添加率決定装置１０は、モデルから出力された添加率で薬品が水に添加されるようにポンプ３の運転を制御する。
【0067】
ステップ６では、薬品添加率決定装置１０は、モデルから出力された添加率を、添加後測定値（例えば、上記ステップ２で得られた第２測定値）に基づいて調整する。より具体的には、薬品添加率決定装置１０は、添加後測定値と目標水質値との差を算定し、この差が小さくなる方向に添加率を調整する。
ステップ７では、薬品添加率決定装置１０は、調整された添加率で薬品が水に添加されるようにポンプ３の運転を制御する。
ステップ７では、薬品添加率決定装置１０は、調整された添加率で薬品が水に添加されるようにポンプ３の運転を制御する。
【0068】
添加後測定値と目標水質値との差が小さい場合、すなわち、モデルから出力された薬品の添加率の精度が高い場合には、上記ステップ６，７は省略してもよい。
【0069】
一実施形態では、モデルに入力される予測条件データは、水質の第１測定値および第２測定値に加えて、水の流量、水の温度、気象データのうちの少なくとも１つを含む運転条件の現在のデータをさらに含んでもよい。気象データには、雨量、気温などが含まれる。この実施形態のモデルの機械学習に使用される訓練データは、第１水質測定器２によって得られた水質の過去の第１測定データと、第２水質測定器５によって得られた水質の過去の第２測定データと、運転条件の過去のデータと、薬品の実際の添加率を少なくとも含む。水処理システムの運転では、薬品添加率決定装置１０は、処理すべき水の水質の第１測定値、薬品が添加された水の水質の第２測定値、および運転条件の現在のデータをモデルに入力し、モデルから薬品の添加率を出力する。
【0070】
図１および図２を参照して説明した実施形態は、図３および図４を参照して説明した実施形態に組み合わせてもよい。以下、時系列測定データ、フィードフォワード制御、およびフィードバック制御を組み合わせた実施形態について説明する。
【0071】
この実施形態では、モデルに入力される予測条件データは、処理すべき水の水質の現在の測定値および過去の測定値を含む直近の第１時系列測定データと、ポンプ３から薬品が添加された後の水質の現在の測定値および過去の測定値を含む直近の第２時系列測定データを少なくとも含む。直近の第１時系列測定データは、図３に示す第１水質測定器２によって取得され、直近の第２時系列測定データは、図３に示す第２水質測定器５によって取得される。直近の第１時系列測定データおよび直近の第２時系列測定データのそれぞれは、所定の日数分の水質の直近の測定値を含む。
【0072】
第１水質測定器２および第２水質測定器５は、所定の時間間隔で水質を測定し、水質の第１測定値および第２測定値を薬品添加率決定装置１０に送る。薬品添加率決定装置１０は、水質の第１測定値および第２測定値を受け取るたびに、その第１測定値および第２測定値を時間に関連付けて記憶装置１０ａ内に保存する。したがって、記憶装置１０ａ内には、水質の第１測定値の時系列的なデータ（すなわち、水質の第１時系列測定データ）および水質の第２測定値の時系列的なデータ（すなわち、水質の第２時系列測定データ）が保存される。
【0073】
この実施形態で使用されるモデルは、以下に説明する訓練データを用いて機械学習により構築された学習済みモデルである。訓練データは、処理すべき水の水質の過去の第１時系列測定データと、ポンプ３から薬品が添加された後の水質の過去の第２時系列測定データと、過去の第１時系列測定データおよび過去の第２時系列測定データに関連付けられた薬品の実際の添加率を含む。過去の第１時系列測定データは、図３に示す第１水質測定器２によって取得され、過去の第２時系列測定データは、図３に示す第２水質測定器５によって取得される。
【0074】
薬品添加率決定装置１０は、水質の過去の第１時系列測定データ、水質の過去の第２時系列測定データ、および薬品の実際の添加率を含む訓練データを用いて、モデルを機械学習のアルゴリズムに従って作成する。機械学習によって構築されたモデルは、学習済みモデルとして、記憶装置１０ａ内に格納される。本実施形態では、モデルは、長・短期記憶（LSTM，Long short-term memory）からなるニューラルネットワークから構成されている。ただし、本発明に使用されるモデルは、時系列データが使用できるものであれば、ＬＳＴＭ型モデルに限定されない。
【0075】
図５は、図１および図２を参照して説明した実施形態と、図３および図４を参照して説明した実施形態とを組み合わせた水処理システムの運転の一実施形態を説明するためのフローチャートである。
ステップ１では、第１水質測定器２は、薬品添加位置の上流側の第１水質測定位置での水質を予め定められた時間間隔で測定して複数の第１測定値を取得し、これら第１測定値を薬品添加率決定装置１０に送る。薬品添加率決定装置１０は、第１水質測定器２から送られてきた水質の第１測定値を記憶装置１０ａ内に保存する。薬品添加率決定装置１０は、水質の第１測定値を受け取るたびに、その第１測定値を時間に関連付けて記憶装置１０ａ内に保存する。したがって、記憶装置１０ａ内には、水質の第１測定値の時系列的なデータ（すなわち、水質の第１時系列測定データ）が保存される。薬品添加位置では、ポンプ３は、予め設定された添加率で薬品を水に添加する。
ステップ１では、第１水質測定器２は、薬品添加位置の上流側の第１水質測定位置での水質を予め定められた時間間隔で測定して複数の第１測定値を取得し、これら第１測定値を薬品添加率決定装置１０に送る。薬品添加率決定装置１０は、第１水質測定器２から送られてきた水質の第１測定値を記憶装置１０ａ内に保存する。薬品添加率決定装置１０は、水質の第１測定値を受け取るたびに、その第１測定値を時間に関連付けて記憶装置１０ａ内に保存する。したがって、記憶装置１０ａ内には、水質の第１測定値の時系列的なデータ（すなわち、水質の第１時系列測定データ）が保存される。薬品添加位置では、ポンプ３は、予め設定された添加率で薬品を水に添加する。
【0076】
ステップ２では、第２水質測定器５は、薬品添加位置の下流側の第２水質測定位置での水質を予め定められた時間間隔で測定して複数の第２測定値を取得し、これら第２測定値を薬品添加率決定装置１０に送る。薬品添加率決定装置１０は、第２水質測定器５から送られてきた水質の第２測定値を記憶装置１０ａ内に保存する。薬品添加率決定装置１０は、水質の第２測定値を受け取るたびに、その第２測定値を時間に関連付けて記憶装置１０ａ内に保存する。したがって、記憶装置１０ａ内には、水質の第２測定値の時系列的なデータ（すなわち、水質の第２時系列測定データ）が保存される。
上記ステップ１～２は、同時に行われてもよく、あるいは図５に示す例とは異なる順序で行われてもよい。
上記ステップ１～２は、同時に行われてもよく、あるいは図５に示す例とは異なる順序で行われてもよい。
【0077】
ステップ３では、薬品添加率決定装置１０は、水質の直近の第１時系列測定データおよび直近の第２時系列測定データを記憶装置１０ａから読み出し、モデルに入力する。
ステップ４では、薬品添加率決定装置１０は、モデルにより定義されるアルゴリズムに従って演算を実行し、薬品の添加率をモデルから出力する。
ステップ５では、薬品添加率決定装置１０は、モデルから出力された添加率で薬品が水に添加されるようにポンプ３の運転を制御する。
ステップ４では、薬品添加率決定装置１０は、モデルにより定義されるアルゴリズムに従って演算を実行し、薬品の添加率をモデルから出力する。
ステップ５では、薬品添加率決定装置１０は、モデルから出力された添加率で薬品が水に添加されるようにポンプ３の運転を制御する。
【0078】
ステップ６では、薬品添加率決定装置１０は、モデルから出力された添加率を、添加後測定値（例えば、上記ステップ２で得られた複数の第２測定値のうちの直近の１つ）に基づいて調整する。より具体的には、薬品添加率決定装置１０は、添加後測定値と目標水質値との差を算定し、この差が小さくなる方向に添加率を調整する。
ステップ７では、薬品添加率決定装置１０は、調整された添加率で薬品が水に添加されるようにポンプ３の運転を制御する。
ステップ７では、薬品添加率決定装置１０は、調整された添加率で薬品が水に添加されるようにポンプ３の運転を制御する。
【0079】
添加後測定値と目標水質値との差が小さい場合、すなわち、モデルから出力された薬品の添加率の精度が高い場合には、上記ステップ６，７は省略してもよい。
【0080】
図５に示す実施形態は、時系列測定データ、フィードフォワード制御、およびフィードバック制御の組み合わせにより、薬品の添加率をさらに精度よく決定することができる。
【0081】
次に、水処理システムのさらに他の実施形態の模式図について図６を参照して説明する。特に説明しない本実施形態の構成および動作は、図３を参照して説明した実施形態と同じであるので、その重複する説明を省略する。図６に示すように、水処理システムは、処理すべき水の水質を測定するための第１水質測定器２と、水に第１薬品を添加するための第１薬品供給装置としての第１ポンプ３と、第１薬品が添加された水の水質を測定するための第２水質測定器５と、第１薬品が添加された水に第２薬品をさらに添加するための第２薬品供給装置としての第２ポンプ７と、第２薬品が添加された水の水質を測定するための第３水質測定器６と、水への第１薬品の添加率および第２薬品の添加率を決定する薬品添加率決定装置１０を備えている。薬品添加率決定装置１０は、単一のコンピュータから構成されてもよいし、あるいは通信ネットワークで接続された複数のコンピュータから構成されてもよい。
【0082】
第１薬品および第２薬品は、同じ種類の薬品であってもよいし、あるいは異なる種類の薬品であってもよい。例えば、第１薬品および第２薬品は、いずれも、次亜塩素酸ナトリウムなどの酸化剤であってもよい。本実施形態では、第１薬品供給装置および第２薬品供給装置としてポンプ３，７が使用されているが、第１薬品および第２薬品を水に供給できるのであれば、ポンプに限定されない。例えば、第１薬品供給装置および第２薬品供給装置としてスクリューフィーダが使用されてもよい。
【0083】
第１水質測定器２、第２水質測定器５、第３水質測定器６、第１ポンプ３、および第２ポンプ７は、薬品添加率決定装置１０に接続されている。第１水質測定器２によって取得された水質の第１測定値、第２水質測定器５によって取得された水質の第２測定値、および第３水質測定器６によって取得された水質の第３測定値は、薬品添加率決定装置１０に送られるようになっている。また、第１ポンプ３および第２ポンプ７の動作（すなわち、水への第１薬品の添加率および第２薬品の添加率）は、薬品添加率決定装置１０によって制御される。
【0084】
第２水質測定器５が水質を測定する位置（以下、第２水質測定位置という）は、第１水質測定器２が水質を測定する位置（以下、第１水質測定位置という）よりも水の流れ方向において下流である。第１ポンプ３によって第１薬品が水に添加される位置（以下、第１薬品添加位置という）は、第１水質測定位置と第２水質測定位置との間である。第３水質測定器６が水質を測定する位置（以下、第３水質測定位置という）は、第２水質測定位置よりも水の流れ方向において下流である。第２ポンプ７によって第２薬品が水に添加される位置（以下、第２薬品添加位置という）は、第２水質測定位置と第３水質測定位置との間である。
【0085】
つまり、水の流れ方向に沿って、第１水質測定位置、第１薬品添加位置、第２水質測定位置、第２薬品添加位置、および第３水質測定位置が並んでいる。第１水質測定器２は、第１薬品が添加される前の水の水質を測定し、第２水質測定器５は、第１薬品が添加された後であって、かつ第２薬品が添加される前の水の水質を測定する。第３水質測定器６は、第１薬品が添加された後に第２薬品がさらに添加された水の水質を測定する。
【0086】
第１薬品添加位置と第２水質測定位置との間に、ろ過器または混合槽などの水処理要素が配置されてもよい。同様に、第２薬品添加位置と第３水質測定位置との間に、ろ過器または混合槽などの水処理要素が配置されてもよい。
【0087】
薬品添加率決定装置１０は、第１ポンプ３によって水に添加される第１薬品の添加率を決定するための第１モデルと、第２ポンプ７によって水に添加される第２薬品の添加率を決定するための第２モデルを有している。第１モデルおよび第２モデルは、機械学習によって構築された学習済みモデルであり、記憶装置１０ａ内に格納されている。
【0088】
薬品添加率決定装置１０は、第１予測条件データを第１モデルに入力し、第１モデルから第１薬品の添加率を出力するように構成されている。第１予測条件データは、第１薬品を添加する前の水の水質の第１測定値と、第１薬品を添加した後であって第２薬品を添加する前の水の水質の第２測定値と、第２モデルから出力された第２薬品の添加率を少なくとも含む。
【0089】
さらに、薬品添加率決定装置１０は、第２予測条件データを第２モデルに入力し、第２モデルから第２薬品の添加率を出力するように構成されている。第２予測条件データは、水質の第２測定値と、第１薬品および第２薬品が添加された水の水質の第３測定値を少なくとも含む。この第２薬品の添加率は、上述したように、第１モデルに入力される。つまり、第２モデルの算定結果は、第１モデルの第１薬品の添加率の算定にフィードバックされる。
【0090】
第１モデルは、第１訓練データを用いて機械学習によって構築された学習済みモデルである。第１訓練データは、処理すべき水の水質の過去の第１測定データと、第１薬品が添加された後であって、かつ第２薬品が添加される前の水の水質の過去の第２測定データと、第２モデルから出力された第２薬品の添加率の過去の算定データと、上記過去の第１測定データ、上記過去の第２測定データ、および第２薬品の添加率の上記過去の算定データに関連付けられた第１薬品の実際の添加率を少なくとも含む。
【0091】
第１訓練データに含まれる説明変数は、水質の過去の第１測定データと、水質の過去の第２測定データと、第２薬品の添加率の過去の算定データを少なくとも含む。水質の過去の第１測定データは、第１水質測定器２によって取得され、記憶装置１０ａ内に格納される。水質の過去の第２測定データは、第２水質測定器５によって取得され、記憶装置１０ａ内に格納される。第２薬品の添加率の過去の算定データは、第２モデルから出力され、記憶装置１０ａ内に格納される。第１訓練データに含まれる目的変数は、上記過去の第１測定データ、上記過去の第２測定データ、および第２薬品の添加率の上記過去の算定データに関連付けられた第１薬品の実際の添加率である。
【0092】
薬品添加率決定装置１０は、上述した第１訓練データを用いて、第１モデルを機械学習のアルゴリズムに従って作成する。機械学習によって構築された第１モデルは、学習済みモデルとして、記憶装置１０ａ内に格納される。
【0093】
第２モデルは、第２訓練データを用いて機械学習によって構築された学習済みモデルである。第２訓練データは、第１薬品が添加された後であって、かつ第２薬品が添加される前の水の水質の過去の第２測定データと、第１薬品が添加された後に第２薬品がさらに添加された水の水質の過去の第３測定データと、上記過去の第２測定データおよび上記過去の第３測定データに関連付けられた第２薬品の実際の添加率を少なくとも含む。
【0094】
第２訓練データに含まれる説明変数は、水質の過去の第２測定データと、水質の過去の第３測定データを少なくとも含む。水質の過去の第２測定データは、第２水質測定器５によって取得され、記憶装置１０ａ内に格納される。水質の過去の第３測定データは、第３水質測定器６によって取得され、記憶装置１０ａ内に格納される。第２訓練データに含まれる目的変数は、上記過去の第２測定データおよび上記過去の第３測定データに関連付けられた第２薬品の実際の添加率である。
【0095】
薬品添加率決定装置１０は、上述した第２訓練データを用いて、第２モデルを機械学習のアルゴリズムに従って作成する。機械学習によって構築された第２モデルは、学習済みモデルとして、記憶装置１０ａ内に格納される。
【0096】
本実施形態の水処理システムの運転では、薬品添加率決定装置１０は、第１ポンプ３により第１薬品が添加される前の水の水質の第１測定値と、第１ポンプ３により第１薬品が添加された後の水の水質の第２測定値と、第２ポンプ７により第２薬品がさらに添加された後の水の水質の第３測定値を取得する。薬品添加率決定装置１０は、第２測定値と第３測定値を少なくとも含む第２予測条件データを第２モデルに入力し、第２モデルから第２薬品の添加率を出力する。さらに、薬品添加率決定装置１０は、上記第１測定値と、上記第２測定値と、第２モデルから出力された第２薬品の上記添加率を少なくとも含む第１予測条件データを第１モデルに入力し、第１モデルから第１薬品の添加率を出力する。
【0097】
一実施形態では、薬品添加率決定装置１０は、第１モデルから出力された添加率を、第１薬品が添加された後の第２水質測定位置での水の水質の測定値である第１添加後測定値に基づいて調整してもよい。一例では、第１添加後測定値は、第１薬品の添加率の算出のために第１モデルに入力された水質の上記第２測定値である。より具体的には、薬品添加率決定装置１０は、第１添加後測定値と、第２水質測定位置での第１目標水質値との差を算定し、この差が小さくなる方向に第１薬品の添加率を調整する。同様に、薬品添加率決定装置１０は、第２モデルから出力された添加率を、第２薬品が添加された後の第３水質測定位置での水の水質の測定値である第２添加後測定値に基づいて調整してもよい。一例では、第２添加後測定値は、第２薬品の添加率の算出のために第２モデルに入力された水質の上記第３測定値である。より具体的には、薬品添加率決定装置１０は、第２添加後測定値と、第３水質測定位置での第２目標水質値との差を算定し、この差が小さくなる方向に第２薬品の添加率を調整する。
【0098】
図７および図８は、図６に示す水処理システムの運転の一実施形態を説明するためのフローチャートである。
ステップ１では、第１水質測定器２は、第１薬品添加位置の上流側の第１水質測定位置での水質を測定して第１測定値を取得し、第１測定値を薬品添加率決定装置１０に送る。第１薬品添加位置では、第１ポンプ３は、予め設定された添加率で薬品を水に添加する。
ステップ２では、第２水質測定器５は、第１薬品添加位置の下流側の第２水質測定位置での水質を測定して第２測定値を取得し、第２測定値を薬品添加率決定装置１０に送る。
ステップ３では、第３水質測定器６は、第２薬品添加位置の下流側の第３水質測定位置での水質を測定して第３測定値を取得し、第３測定値を薬品添加率決定装置１０に送る。第２薬品添加位置では、第２ポンプ７は、予め設定された添加率で薬品を水に添加する。
上記ステップ１～３は、同時に行われてもよく、あるいは図７に示す例とは異なる順序で行われてもよい。
ステップ１では、第１水質測定器２は、第１薬品添加位置の上流側の第１水質測定位置での水質を測定して第１測定値を取得し、第１測定値を薬品添加率決定装置１０に送る。第１薬品添加位置では、第１ポンプ３は、予め設定された添加率で薬品を水に添加する。
ステップ２では、第２水質測定器５は、第１薬品添加位置の下流側の第２水質測定位置での水質を測定して第２測定値を取得し、第２測定値を薬品添加率決定装置１０に送る。
ステップ３では、第３水質測定器６は、第２薬品添加位置の下流側の第３水質測定位置での水質を測定して第３測定値を取得し、第３測定値を薬品添加率決定装置１０に送る。第２薬品添加位置では、第２ポンプ７は、予め設定された添加率で薬品を水に添加する。
上記ステップ１～３は、同時に行われてもよく、あるいは図７に示す例とは異なる順序で行われてもよい。
【0099】
ステップ４では、薬品添加率決定装置１０は、第１水質測定器２、第２水質測定器５、および第３水質測定器６から送られてきた水質の第１測定値、第２測定値、および第３測定値を取得し、記憶装置１０ａ内に保存する。
ステップ５では、薬品添加率決定装置１０は、水質の第２測定値および第３測定値を記憶装置１０ａから読み出し、第２モデルに入力する。
ステップ６では、薬品添加率決定装置１０は、第２モデルにより定義されるアルゴリズムに従って演算を実行し、第２薬品の添加率を第２モデルから出力する。
ステップ７では、薬品添加率決定装置１０は、水質の第１測定値、水質の第２測定値、および第２薬品の添加率を第１モデルに入力する。
ステップ８では、薬品添加率決定装置１０は、第１モデルにより定義されるアルゴリズムに従って演算を実行し、第１薬品の添加率を第１モデルから出力する。
ステップ５では、薬品添加率決定装置１０は、水質の第２測定値および第３測定値を記憶装置１０ａから読み出し、第２モデルに入力する。
ステップ６では、薬品添加率決定装置１０は、第２モデルにより定義されるアルゴリズムに従って演算を実行し、第２薬品の添加率を第２モデルから出力する。
ステップ７では、薬品添加率決定装置１０は、水質の第１測定値、水質の第２測定値、および第２薬品の添加率を第１モデルに入力する。
ステップ８では、薬品添加率決定装置１０は、第１モデルにより定義されるアルゴリズムに従って演算を実行し、第１薬品の添加率を第１モデルから出力する。
【0100】
ステップ９では、薬品添加率決定装置１０は、第１モデルから出力された添加率で第１薬品が水に添加されるように第１ポンプ３の運転を制御する。
ステップ１０では、薬品添加率決定装置１０は、第１モデルから出力された第１薬品の添加率を、第１添加後測定値（例えば、上記ステップ２で得られた第２測定値）に基づいて調整する。より具体的には、薬品添加率決定装置１０は、第１添加後測定値と、第２水質測定位置での第１目標水質値との差を算定し、この差が小さくなる方向に第１薬品の添加率を調整する。
ステップ１１では、薬品添加率決定装置１０は、調整された添加率で第１薬品が水に添加されるように第１ポンプ３の運転を制御する。
ステップ１０では、薬品添加率決定装置１０は、第１モデルから出力された第１薬品の添加率を、第１添加後測定値（例えば、上記ステップ２で得られた第２測定値）に基づいて調整する。より具体的には、薬品添加率決定装置１０は、第１添加後測定値と、第２水質測定位置での第１目標水質値との差を算定し、この差が小さくなる方向に第１薬品の添加率を調整する。
ステップ１１では、薬品添加率決定装置１０は、調整された添加率で第１薬品が水に添加されるように第１ポンプ３の運転を制御する。
【0101】
ステップ１２では、薬品添加率決定装置１０は、第２モデルから出力された添加率で第２薬品が水に添加されるように第２ポンプ７の運転を制御する。
ステップ１３では、薬品添加率決定装置１０は、第２モデルから出力された第２薬品の添加率を、第２添加後測定値（例えば、上記ステップ３で得られた第３測定値）に基づいて調整する。より具体的には、薬品添加率決定装置１０は、第２添加後測定値と、第３水質測定位置での第２目標水質値との差を算定し、この差が小さくなる方向に第２薬品の添加率を調整する。
ステップ１４では、薬品添加率決定装置１０は、調整された添加率で第２薬品が水に添加されるように第２ポンプ７の運転を制御する。
ステップ１３では、薬品添加率決定装置１０は、第２モデルから出力された第２薬品の添加率を、第２添加後測定値（例えば、上記ステップ３で得られた第３測定値）に基づいて調整する。より具体的には、薬品添加率決定装置１０は、第２添加後測定値と、第３水質測定位置での第２目標水質値との差を算定し、この差が小さくなる方向に第２薬品の添加率を調整する。
ステップ１４では、薬品添加率決定装置１０は、調整された添加率で第２薬品が水に添加されるように第２ポンプ７の運転を制御する。
【0102】
第１添加後測定値と第１目標水質値との差が小さい場合、すなわち、第１モデルから出力された第１薬品の添加率の精度が高い場合には、上記ステップ１０，１１は省略してもよい。同様に、第２添加後測定値と第２目標水質値との差が小さい場合、すなわち、第２モデルから出力された第２薬品の添加率の精度が高い場合には、上記ステップ１３，１４は省略してもよい。
【0103】
本実施形態によれば、薬品の多段添加において、水処理プロセス上の後段の添加点での添加情報をその前段の添加点にフィードバックし、前段の添加率の予測精度をさらに向上することができる。図６に示す実施形態では、２つの薬品添加位置と、３つの水質測定位置が設けられているが、本発明はこの実施形態に限定されず、３つ以上の薬品添加位置と、４つ以上の水質測定位置が設けられてもよい。その場合に、機械学習によって構築された３つ以上のモデルが設けられてもよい。
【0104】
一実施形態では、第１モデルに使用される第１予測条件データおよび第１訓練データは、水質の第１測定値、水質の第２測定値、および第２薬品の添加率に加えて、水の流量、水の温度、気象データのうちの少なくとも１つを含む運転条件の現在のデータをさらに含んでもよい。同様に、一実施形態では、第２モデルに使用される第２予測条件データおよび第２訓練データは、水質の第２測定値および水質の第３測定値に加えて、水の流量、水の温度、気象データのうちの少なくとも１つを含む運転条件の現在のデータをさらに含んでもよい。気象データには、雨量、気温などが含まれる。
【0105】
図１および図２を参照して説明した実施形態は、図６乃至図８を参照して説明した実施形態に組み合わせてもよい。以下、時系列測定データ、フィードフォワード制御、およびフィードバック制御を組み合わせた薬品の多段添加の実施形態について説明する。
【0106】
この実施形態では、第１モデルに入力される第１予測条件データは、第１薬品が添加される前の水の水質の現在の測定値および過去の測定値を含む直近の第１時系列測定データと、第１薬品が添加された後の水質の現在の測定値および過去の測定値を含む直近の第２時系列測定データと、第２モデルから出力された第２薬品の添加率を少なくとも含む。直近の第１時系列測定データは、図６に示す第１水質測定器２によって取得され、直近の第２時系列測定データは、図６に示す第２水質測定器５によって取得される。直近の第１時系列測定データおよび直近の第２時系列測定データのそれぞれは、所定の日数分の水質の直近の測定値を含む。
【0107】
第２モデルに入力される第２予測条件データは、上記直近の第２時系列測定データと、第１薬品が添加された後に第２薬品がさらに添加された水の水質の現在の測定値および過去の測定値を含む直近の第３時系列測定データを少なくとも含む。直近の第３時系列測定データは、図６に示す第３水質測定器６によって取得される。
【0108】
第１水質測定器２、第２水質測定器５、および第３水質測定器６は、所定の時間間隔で水質を測定し、複数の第１測定値、複数の第２測定値、および複数の第３測定値を取得する。これらの複数の第１測定値、複数の第２測定値、および複数の第３測定値は、薬品添加率決定装置１０に送られる。薬品添加率決定装置１０は、水質の第１測定値、第２測定値、および第３測定値を受け取るたびに、その第１測定値、第２測定値、および第３測定値を時間に関連付けて記憶装置１０ａ内に保存する。したがって、記憶装置１０ａ内には、水質の第１測定値の時系列的なデータ（すなわち、水質の第１時系列測定データ）、水質の第２測定値の時系列的なデータ（すなわち、水質の第２時系列測定データ）、および水質の第３測定値の時系列的なデータ（すなわち、水質の第３時系列測定データ）が保存される。
【0109】
この実施形態で使用される第１モデルは、以下に説明する第１訓練データを用いて機械学習により構築された学習済みモデルである。第１訓練データは、第１ポンプ３から第１薬品が添加される前の水の水質の過去の第１時系列測定データと、第１ポンプ３から第１薬品が添加された後の水質の過去の第２時系列測定データと、第２薬品の添加率の過去の算定データと、上記過去の第１時系列測定データ、上記過去の第２時系列測定データ、および第２薬品の添加率の上記過去の算定データに関連付けられた第１薬品の実際の添加率を含む。過去の第１時系列測定データは、図６に示す第１水質測定器２によって取得され、過去の第２時系列測定データは、図６に示す第２水質測定器５によって取得される。
【0110】
この実施形態で使用される第２モデルは、以下に説明する第２訓練データを用いて機械学習により構築された学習済みモデルである。第２訓練データは、上記過去の第２時系列測定データと、第１薬品が添加された後に第２ポンプ７によって第２薬品がさらに添加された水の水質の過去の第３時系列測定データと、上記過去の第２時系列測定データおよび上記過去の第３時系列測定データに関連付けられた第２薬品の実際の添加率を含む。過去の第３時系列測定データは、図６に示す第３水質測定器６によって取得される。
【0111】
薬品添加率決定装置１０は、上記第１訓練データを用いて、第１モデルを機械学習のアルゴリズムに従って作成し、上記第２訓練データを用いて、第２モデルを機械学習のアルゴリズムに従って作成する。機械学習によって構築された第１モデルおよび第２モデルは、学習済みモデルとして、記憶装置１０ａ内に格納される。本実施形態では、第１モデルおよび第２モデルは、それぞれ、長・短期記憶（LSTM，Long short-term memory）からなるニューラルネットワークから構成されている。ただし、本発明に使用される第１モデルおよび第２モデルは、時系列データが使用できるものであれば、ＬＳＴＭ型モデルに限定されない。
【0112】
図９および図１０は、図１および図２を参照して説明した実施形態と、図６乃至図８を参照して説明した実施形態とを組み合わせた水処理システムの運転の一実施形態を説明するためのフローチャートである。
ステップ１では、第１水質測定器２は、第１薬品添加位置の上流側の第１水質測定位置での水質を予め定められた時間間隔で測定して複数の第１測定値を取得し、これら第１測定値を薬品添加率決定装置１０に送る。薬品添加率決定装置１０は、第１水質測定器２から送られてきた水質の第１測定値を記憶装置１０ａ内に保存する。薬品添加率決定装置１０は、水質の第１測定値を受け取るたびに、その第１測定値を時間に関連付けて記憶装置１０ａ内に保存する。したがって、記憶装置１０ａ内には、水質の第１測定値の時系列的なデータ（すなわち、水質の第１時系列測定データ）が保存される。第１薬品添加位置では、第１ポンプ３は、予め設定された添加率で薬品を水に添加する。
ステップ１では、第１水質測定器２は、第１薬品添加位置の上流側の第１水質測定位置での水質を予め定められた時間間隔で測定して複数の第１測定値を取得し、これら第１測定値を薬品添加率決定装置１０に送る。薬品添加率決定装置１０は、第１水質測定器２から送られてきた水質の第１測定値を記憶装置１０ａ内に保存する。薬品添加率決定装置１０は、水質の第１測定値を受け取るたびに、その第１測定値を時間に関連付けて記憶装置１０ａ内に保存する。したがって、記憶装置１０ａ内には、水質の第１測定値の時系列的なデータ（すなわち、水質の第１時系列測定データ）が保存される。第１薬品添加位置では、第１ポンプ３は、予め設定された添加率で薬品を水に添加する。
【0113】
ステップ２では、第２水質測定器５は、第１薬品添加位置の下流側であって第２薬品添加位置の上流側の第２水質測定位置での水質を予め定められた時間間隔で測定して複数の第２測定値を取得し、これら第２測定値を薬品添加率決定装置１０に送る。薬品添加率決定装置１０は、第２水質測定器５から送られてきた水質の第２測定値を記憶装置１０ａ内に保存する。薬品添加率決定装置１０は、水質の第２測定値を受け取るたびに、その第２測定値を時間に関連付けて記憶装置１０ａ内に保存する。したがって、記憶装置１０ａ内には、水質の第２測定値の時系列的なデータ（すなわち、水質の第２時系列測定データ）が保存される。
【0114】
ステップ３では、第３水質測定器６は、第２薬品添加位置の下流側の第３水質測定位置での水質を予め定められた時間間隔で測定して複数の第３測定値を取得し、これら第３測定値を薬品添加率決定装置１０に送る。薬品添加率決定装置１０は、第３水質測定器６から送られてきた水質の第３測定値を記憶装置１０ａ内に保存する。薬品添加率決定装置１０は、水質の第３測定値を受け取るたびに、その第３測定値を時間に関連付けて記憶装置１０ａ内に保存する。したがって、記憶装置１０ａ内には、水質の第３測定値の時系列的なデータ（すなわち、水質の第３時系列測定データ）が保存される。第２薬品添加位置では、第２ポンプ７は、予め設定された添加率で薬品を水に添加する。
上記ステップ１～３は、同時に行われてもよく、あるいは図９に示す例とは異なる順序で行われてもよい。
上記ステップ１～３は、同時に行われてもよく、あるいは図９に示す例とは異なる順序で行われてもよい。
【0115】
ステップ４では、薬品添加率決定装置１０は、水質の第２時系列測定データおよび第３時系列測定データを記憶装置１０ａから読み出し、第２モデルに入力する。
ステップ５では、薬品添加率決定装置１０は、第２モデルにより定義されるアルゴリズムに従って演算を実行し、第２薬品の添加率を第２モデルから出力する。
ステップ６では、薬品添加率決定装置１０は、水質の第１時系列測定データ、水質の第２時系列測定データ、および第２薬品の添加率を第１モデルに入力する。
ステップ７では、薬品添加率決定装置１０は、第１モデルにより定義されるアルゴリズムに従って演算を実行し、第１薬品の添加率を第１モデルから出力する。
ステップ５では、薬品添加率決定装置１０は、第２モデルにより定義されるアルゴリズムに従って演算を実行し、第２薬品の添加率を第２モデルから出力する。
ステップ６では、薬品添加率決定装置１０は、水質の第１時系列測定データ、水質の第２時系列測定データ、および第２薬品の添加率を第１モデルに入力する。
ステップ７では、薬品添加率決定装置１０は、第１モデルにより定義されるアルゴリズムに従って演算を実行し、第１薬品の添加率を第１モデルから出力する。
【0116】
ステップ８では、薬品添加率決定装置１０は、第１モデルから出力された添加率で第１薬品が水に添加されるように第１ポンプ３の運転を制御する。
ステップ９では、薬品添加率決定装置１０は、第１モデルから出力された第１薬品の添加率を、第１添加後測定値（例えば、上記ステップ２で得られた複数の第２測定値のうちの直近の１つ）に基づいて調整する。より具体的には、薬品添加率決定装置１０は、第１添加後測定値と、第２水質測定位置での第１目標水質値との差を算定し、この差が小さくなる方向に第１薬品の添加率を調整する。
ステップ１０では、薬品添加率決定装置１０は、調整された添加率で第１薬品が水に添加されるように第１ポンプ３の運転を制御する。
ステップ９では、薬品添加率決定装置１０は、第１モデルから出力された第１薬品の添加率を、第１添加後測定値（例えば、上記ステップ２で得られた複数の第２測定値のうちの直近の１つ）に基づいて調整する。より具体的には、薬品添加率決定装置１０は、第１添加後測定値と、第２水質測定位置での第１目標水質値との差を算定し、この差が小さくなる方向に第１薬品の添加率を調整する。
ステップ１０では、薬品添加率決定装置１０は、調整された添加率で第１薬品が水に添加されるように第１ポンプ３の運転を制御する。
【0117】
ステップ１１では、薬品添加率決定装置１０は、第２モデルから出力された添加率で第２薬品が水に添加されるように第２ポンプ７の運転を制御する。
ステップ１２では、薬品添加率決定装置１０は、第２モデルから出力された第２薬品の添加率を、第２添加後測定値（例えば、上記ステップ３で得られた複数の第３測定値のうちの直近の１つ）に基づいて調整する。より具体的には、薬品添加率決定装置１０は、第２添加後測定値と、第３水質測定位置での第２目標水質値との差を算定し、この差が小さくなる方向に第２薬品の添加率を調整する。
ステップ１３では、薬品添加率決定装置１０は、調整された添加率で第２薬品が水に添加されるように第２ポンプ７の運転を制御する。
ステップ１２では、薬品添加率決定装置１０は、第２モデルから出力された第２薬品の添加率を、第２添加後測定値（例えば、上記ステップ３で得られた複数の第３測定値のうちの直近の１つ）に基づいて調整する。より具体的には、薬品添加率決定装置１０は、第２添加後測定値と、第３水質測定位置での第２目標水質値との差を算定し、この差が小さくなる方向に第２薬品の添加率を調整する。
ステップ１３では、薬品添加率決定装置１０は、調整された添加率で第２薬品が水に添加されるように第２ポンプ７の運転を制御する。
【0118】
第１添加後測定値と第１目標水質値との差が小さい場合、すなわち、第１モデルから出力された第１薬品の添加率の精度が高い場合には、上記ステップ９，１０は省略してもよい。同様に、第２添加後測定値と第２目標水質値との差が小さい場合、すなわち、第２モデルから出力された第２薬品の添加率の精度が高い場合には、上記ステップ１２，１３は省略してもよい。
【0119】
図９および図１０に示す実施形態では、２つの薬品添加位置と、３つの水質測定位置が設けられているが、本発明はこの実施形態に限定されず、３つ以上の薬品添加位置と、４つ以上の水質測定位置が設けられてもよい。その場合に、機械学習によって構築された３つ以上のモデルが設けられてもよい。
【0120】
次に、上述した実施形態に係る水処理システムの運転結果について説明する。図１１は、図３に示す水処理システムおよび図５に示すフローチャートを参照して説明した実施形態の運転結果を示すグラフである。この運転では、薬品として次亜塩素酸ナトリウムを用い、薬品添加位置の上流側と下流側で水質を測定した。モデルの機械学習に使用された訓練データは、２年間の運転で得られた過去の第１時系列測定データおよび過去の第２時系列測定データを含むものであった。
【0121】
図１１の縦軸は薬品の添加率を表し、図１１の横軸は時間を表す。図１１に示すように、熟練した作業員による薬品の実際の添加率と、モデルを使用して算定した添加率との誤差は非常に小さかった。この運転結果から、機械学習により構築されたモデルを備えた薬品添加率決定装置１０は、非常に高い精度で薬品の添加率を予測できることが分かる。
【符号の説明】
【0122】
２ 水質測定器、第１水質測定器
３ ポンプ、第１ポンプ
５ 第２水質測定器
６ 第３水質測定器
７ 第２ポンプ
１０ 薬品添加率決定装置
３ ポンプ、第１ポンプ
５ 第２水質測定器
６ 第３水質測定器
７ 第２ポンプ
１０ 薬品添加率決定装置
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】