特許 7076356 排水処理方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2022-05-19

(45)【発行日】2022-05-27

(54)【発明の名称】排水処理方法

(51)【国際特許分類】

   B01D 21/30 20060101AFI20220520BHJP

   B01D 21/01 20060101ALI20220520BHJP

   C02F 1/52 20060101ALI20220520BHJP

   G06N 20/00 20190101ALI20220520BHJP

   G16Y 10/10 20200101ALI20220520BHJP

   G16Y 40/30 20200101ALI20220520BHJP

【ＦＩ】

B01D21/30 A

B01D21/01 B

B01D21/01 D

C02F1/52 K

G06N20/00

G16Y10/10

G16Y40/30

【請求項の数】 10

(21)【出願番号】P 2018198991

(22)【出願日】2018-10-23

(65)【公開番号】P2020065964

(43)【公開日】2020-04-30

【審査請求日】2021-02-03

(73)【特許権者】

【識別番号】591030651

【氏名又は名称】水ｉｎｇ株式会社

(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】古賀 大輔

(72)【発明者】

【氏名】林 益啓

(72)【発明者】

【氏名】森田 智之

(72)【発明者】

【氏名】吉田 伸二

【審査官】富永 正史

(56)【参考文献】

【文献】特開平０４－０８３５０４（ＪＰ，Ａ）

【文献】特開平０７－１６０６６１（ＪＰ，Ａ）

【文献】特開平１０－０９１２０８（ＪＰ，Ａ）

【文献】特開平０３－０１５９０２（ＪＰ，Ａ）

【文献】特開平０６－３０４５４６（ＪＰ，Ａ）

【文献】特開２００３－３２４６１０（ＪＰ，Ａ）

【文献】特開２０２０－０２５９４３（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｂ０１Ｄ ２１／００－２１／３４

Ｃ０２Ｆ １／５２－ １／５６

Ｇ１６Ｚ ９９／００

Ｇ０６Ｎ ２０／００

Ｇ１６Ｙ １０／１０

Ｇ１６Ｙ ４０／３０

(57)【特許請求の範囲】

【請求項1】

無機凝集剤を排水に添加して凝集フロックを形成し、その後、有機凝集剤を前記排水に添加して前記凝集フロックを成長させ、
前記無機凝集剤を前記排水に添加することによって形成された前記凝集フロックの第１画像データを第１画像取得装置で生成し、
前記有機凝集剤を前記排水に添加することによって成長した前記凝集フロックの第２画像データを第２画像取得装置で生成し、
少なくとも前記凝集フロックの前記第１画像データおよび前記第２画像データを、機械学習アルゴリズムにより構築された凝集剤判定モデルに入力し、
凝集剤添加率の過不足を示す判定結果を前記凝集剤判定モデルから出力する、排水処理方法。

【請求項2】

請求項１に記載の排水処理方法であって、
前記無機凝集剤が添加される前の前記排水の画像データを画像取得装置により生成する工程をさらに含み、
前記凝集フロックの前記第１画像データおよび前記第２画像データに加えて、前記排水の画像データを前記凝集剤判定モデルに入力する、排水処理方法。

【請求項3】

請求項１または２に記載の排水処理方法であって、
前記凝集フロックを沈澱させることによって前記凝集フロックを前記排水から分離して処理水を生成し、
前記処理水の画像データを画像取得装置により生成する工程をさらに含み、
前記凝集フロックの前記第１画像データおよび前記第２画像データに加えて、前記処理水の画像データを前記凝集剤判定モデルに入力する、排水処理方法。

【請求項4】

請求項１または２に記載の排水処理方法であって、
前記凝集フロックを浮上させ、浮上した前記凝集フロックを前記排水から除去することで処理水を生成し、
前記排水から除去された前記凝集フロックからなる汚泥の画像データ、および前記処理水の画像データのうち少なくとも一方を画像取得装置により生成する工程をさらに含み、
前記凝集フロックの前記第１画像データおよび前記第２画像データに加えて、前記汚泥の画像データおよび前記処理水の画像データの一方または両方を前記凝集剤判定モデルに入力する、排水処理方法。

【請求項5】

請求項１または２に記載の排水処理方法であって、
前記凝集フロックを前記排水から分離して処理水を生成し、
前記処理水の画像データを画像取得装置により生成し、
前記処理水の画像データを、機械学習アルゴリズムにより構築された水質判定モデルに入力し、
前記処理水の水質の予測値を前記水質判定モデルから出力する工程をさらに含む、排水処理方法。

【請求項6】

請求項１または２に記載の排水処理方法であって、
前記凝集フロックを前記排水から分離して処理水を生成する工程をさらに含み、
前記凝集フロックの前記第１画像データおよび前記第２画像データに加えて、前記凝集フロックを形成する工程と、前記凝集フロックを前記排水から分離する工程との間の時間差を前記凝集剤判定モデルに入力する、排水処理方法。

【請求項7】

請求項１乃至６のいずれか一項に記載の排水処理方法であって、
前記凝集フロックの前記第１画像データおよび前記第２画像データに加えて、排水処理に関連する情報データを前記凝集剤判定モデルに入力する、排水処理方法。

【請求項8】

請求項１乃至７のいずれか一項に記載の排水処理方法であって、
前記判定結果は凝集剤添加率の制御に用いられる、排水処理方法。

【請求項9】

請求項８に記載の排水処理方法であって、
前記凝集フロックの状態とは無関係の、前記凝集剤添加率の基準値を基準値算定式により決定し、
前記基準値の補正値を、前記凝集剤添加率の過不足を示す前記判定結果に基づいて決定し、
前記基準値と前記補正値とから、前記凝集剤添加率を補正する工程をさらに含む、排水処理方法。

【請求項10】

請求項１乃至９のいずれか一項に記載の排水処理方法であって、
前記凝集フロックの前記第１画像データおよび前記第２画像データと、実際の凝集剤添加率の過不足を表す数値との組み合わせからなるデータセットを用いて、前記凝集剤判定モデルを更新する工程をさらに含む、排水処理方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、機械学習アルゴリズムを用いたモデルと、凝集フロックの画像から、凝集剤の添加率の過不足を判定する排水処理方法および排水処理システムに関するものである。

【背景技術】

【0002】

近年、コンピュータ計算能力の飛躍的向上や通信インフラ環境の整備、解析アルゴリズムの進化によって、第３次の人工知能ブームとなっている。通信インフラ環境の整備によって、大量のデータを容易に取得することが可能となり、これまでの人工知能ブームとは異なって、実社会での活用期待が高まっている。

【0003】

機械学習／人工知能は、様々な分野への適用が期待されており、水処理分野でも、その活用方法の模索がなされている。機械学習／人工知能の水処理分野での活用方法の一つに、未知の環境、例えば、時間的に将来における目的変数の予測が挙げられる。未知の環境における目的変数の予測方法の一つに、解析的なアプローチがある。これは物理現象を理論的に解析し、それを方程式化するものである。一方で、機械学習／人工知能による未知の環境における目的変数の予測は、入力と出力間の自然法則に則った理論的な関係の解析を行わないままに、入力と出力間の相関関係を統計的に分析し、関係式の例として回帰式を作成するものである。

【0004】

水処理分野では、起きている現象を理論的に解析することが難しい場合もあり、理論的な背景を解明しないままに、入力から出力を予測することができる機械学習／人工知能は、有効に活用できる局面が多くあることが予想される。

【0005】

人工知能ブーム自体は前記の通り、今回で３度目のブームを迎えている。１９８０年代後半に起きた第二次人工知能ブームの主役アルゴリズムは、ニューラルネットワークだった。第一次人工知能ブームの際には、入力層と出力層のみで構成されていたパーセプトロンに隠れ層を追加することと、「誤差逆伝播法」と呼ばれる学習方法の確立によって、第二次の人工知能ブームとなった。結局、第二次人工知能ブームは廃れることとなるが、課題によっては満足な予測精度を得られなかったことが要因の一つだったと言われている。今回の第三次の人工知能ブームは、ニューラルネットワークの隠れ層を多層化したディープラーニング（深層学習）が主役であり、学習アルゴリズムの進歩などによって、適用する課題によっては高い精度を発揮できるようになったことがブームの一因である。本明細書では、入力層と、二層以上の隠れ層と、出力層で構成されるニューラルネットワークを用いた機械学習をディープラーニングと称する。また、人工知能は、機械学習よりも広い概念であり、人工知能を作成するための手段の一つとして機械学習がある。

【0006】

さて、水処理分野、特に排水処理に話を戻すと、排水処理においては、原水中のＳＳ（懸濁物質）などの懸濁成分、およびＣＯＤ（化学的酸素要求量）、色度などの溶解性成分を効率的に除去するために、アルミニウムや鉄といった多価カチオンを含む凝集剤を用いて、懸濁成分や溶解性成分を集塊させた後に高分子凝集剤を用いてフロックを粗大化させる凝集処理を行うことが多くある。この凝集フロックは、凝集槽の後段に設けられた沈殿槽で沈澱されるか、あるいは、気泡を用いた浮上分離により処理水と分離される。

【0007】

この時、凝集フロックの状態が各処理の処理性能に大きな影響を与える。例えば、沈澱処理においては、凝集フロックの大きさと密度が凝集フロックの沈降速度に影響を与える。また、浮上処理においても、凝集フロックの大きさと密度が浮上速度に影響を与える。その結果、沈澱あるいは浮上槽を経た処理水の水質が大きく影響されることになる。従って、凝集フロックの状態を監視することは、排水処理においては極めて重要である。

【0008】

また、排水処理における凝集処理プロセスでは、前段に生物処理を行っている場合は、生物処理の運転状態により、活性汚泥フロックや生物膜片が凝集処理プロセスの原水に混入する割合が変動したり、工場排水の場合は、工場の操業の都合で、原水の色度などが変動したりするケースがある。原水の変動は凝集処理プロセスに大きな影響を与えるため、その変動を捉えることは処理を安定化させる上で重要である。

【先行技術文献】

【特許文献】

【0009】

【文献】特開平３－１７５３３９号公報

【文献】特開２０１５－１９２９６０号公報

【文献】特開２０１７－７２４０４号公報

【発明の概要】

【発明が解決しようとする課題】

【0010】

この凝集フロックの状態を、処理水の水質のみでリアルタイムに判断することは困難である。すなわち、凝集剤を添加してから凝集フロックが形成され、沈澱または浮上分離を経て最終的に処理水が得られ、処理水の水質を測定するまで、凝集操作が適切であったか、つまり凝集フロック形成が良好であったかを判定することは困難である。

【0011】

時に原水性状は、工場の操業による排水性状の変動や、前段に好気処理がある場合には、好気処理プロセスでの運転状態により変動する。このような状況では、前述のように処理水の水質の確認を行ってから、凝集剤の添加率の見直しを実施しても、凝集槽～処理水を得るまでに通常数十分～数時間を要するため、時間的に間に合わない。

【0012】

そこで、実際に原水の変動に対しては、原水水質に基づき、過去の知見などからベテランの運転員が凝集剤添加率を決定し、凝集槽のフロックの状態を目視で確認しながら、さらに決定した添加率で適性であったか否かを見極めて、必要があれば再度凝集剤添加率の見直しを行っている。あるいは、実際に原水を採取し、ビーカーに等量ずつ分取し、数種類の凝集剤添加率を設定して凝集試験、所謂ジャーテストを行い、現状の原水に対する適切な凝集剤添加率を決めている。

【0013】

しかし、前者の場合は運転員の経験と技量に依るところが大きく、技術継承の課題を抱える水処理業界において、賢明な方法とは言い難い。また、後者の場合は、運転員によるムラは少なくなるが、手間がかかり、かつ、ジャーテストの結果が出るまでに１５分程度はかかる。何れも、人手がかかり処理の無人化などの効率向上が難しい。

【0014】

そこで、原水、凝集フロックの状態、処理水をリアルタイムに把握し、凝集処理をより適切に行うための技術が求められている。
特許文献１には、水面下でフロックを撮像し、画像処理を行って、各フロックの粒径を数値化し、粒径分布を求めるフロック監視装置に関する記述がある。また、同装置を用いて運転制御を行うことに関する記述がある。

【0015】

特許文献２には、フロック形成槽内、あるいは、混和槽およびフロック形成槽内でフロック粒径測定装置により、フロック形成過程における複数個所でフロック粒径を測定し、得られたフロック粒径の差または比から、フロック形成異常を検知する水処理システムに関する記述がある。

【0016】

いずれの場合も、凝集フロックの粒径を基に、凝集状態の判断を行なっているが、現実には凝集フロックの良否はフロック粒径のみで判断することは難しい。例えば、凝集剤の最適添加率が１２０ｍｇ／Ｌと判断される原水に対して、凝集剤添加率を８０，１００，１２０，１４０，１６０，１８０ｍｇ／Ｌとし、それぞれのフロック粒径を測定した場合、凝集剤添加率が１２０ｍｇ／Ｌを超えると凝集剤過多となり、フロックの成長が見られなくなる。そうすると、凝集剤添加率１２０ｍｇ／Ｌのときのフロック粒径と凝集剤添加率１８０ｍｇ／Ｌのときのフロック粒径がほぼ同じとなることがある。

【0017】

さらに、時には、凝集剤過多の場合に、荷電中和が起こらず、フロック形成不良が起こり、フロック粒径が小さくなる場合もある。その場合、最適添加率が１２０ｍｇ／Ｌであるときに、１００ｍｇ／Ｌと１４０ｍｇ／Ｌの凝集フロックの粒径がほぼ同じとなることがある。このような場合に、フロック粒径を基準とした制御を行なうと、凝集剤の添加率の見直しを誤る可能性がある。

【0018】

特許文献３には、ＳＳ濃度が高い被処理水における凝集処理において、凝集槽内で凝集状態を散乱光によりモニタリングする装置と方法について記述がある。この文献では、凝集フロックから得られる散乱光の波高値と、波高値が設定された閾値を超えた散乱光の出現数から、凝集剤の過不足を判定するとしているが、実質の判定結果は、凝集フロックの粒径にのみ依ると考えられる。その点においては、特許文献２、特許文献３と同様に、前述の課題が存在する。

【0019】

本発明は上記の点に鑑みてなされたものであり、その目的は、ディープラーニング等の機械学習アルゴリズムにより、凝集フロックの状態を、粒径を含む多様な要素を含めて学習し、ベテランの運転員と同等、あるいは同等以上の凝集フロック判定が可能なモデルを構築することで、排水処理における凝集剤添加率の過不足の判定を、排水処理中でリアルタイムに行うことが可能な排水処理方法を提供することにある。また、本発明の目的は、そのような排水処理方法を実行できる排水処理システムを提供することにある。

【課題を解決するための手段】

【0020】

一態様では、凝集剤を排水に添加して凝集フロックを形成し、前記凝集フロックの画像データを画像取得装置により生成し、少なくとも前記凝集フロックの画像データを、機械学習アルゴリズムにより構築された凝集剤判定モデルに入力し、凝集剤添加率の過不足を示す判定結果を前記凝集剤判定モデルから出力する、排水処理方法が提供される。

【0021】

本明細書において、排水処理とは、下水や産業排水を対象とした水処理を指し、中でも水に対してポリ塩化アルミニウム（ＰＡＣｌ）、硫酸ばんど、塩化第二鉄、ポリ鉄、ポリシリカ鉄（ＰＳＩ）、有機凝結剤、ポリマーなどの無機凝集剤および有機凝集剤を添加する凝集操作、および凝集フロックを沈澱あるいは浮上分離し、汚泥として系外に排出する操作を伴う水処理を特に対象としている。

【0022】

機械学習アルゴリズムとしては、ディープラーニング法（深層学習法）が好適である。ディープラーニング法は、隠れ層が多層化されたニューラルネットワークをベースとする学習法である。本明細書では、入力層と、二層以上の隠れ層と、出力層で構成されるニューラルネットワークを用いた機械学習をディープラーニングと称する。ディープラーニング法を用いることで、これまで人の目と経験を基に良否を判定していた凝集フロックの状態を、凝集フロックの画像データに基づいてコンピュータにより判定が可能となる。

【0023】

例えば、凝集剤添加率１００ｍｇ／Ｌのときのフロック粒径と凝集剤添加率１４０ｍｇ／Ｌのときのフロック粒径がほぼ同じとなることがある。しかしながら、実際の１００ｍｇ／Ｌと１４０ｍｇ／Ｌのときのフロックの状態を比較すると、フロックの密度、所謂締まり具合や、色合い、形状などに細かな差がある。機械学習／ディープラーニングによれば、画像データとその画像データに対応する正解データの組み合わせを大量に繰り返しコンピュータに学習させることで、時に人間以上の精度で画像の判別を行うことが可能となる。

【0024】

凝集フロックの画像データは、機械学習アルゴリズムによって構築された凝集剤判定モデルに入力され、凝集剤添加率が適切か否か、すなわち、排水処理が適切に行われているか否かを凝集フロックの状態からリアルタイムに判定する。機械学習アルゴリズムは、凝集フロックの粒径を含む多様な要素を学習する。したがって、機械学習アルゴリズムによって構築された凝集剤判定モデル（すなわち学習済みモデル）は、従来の粒径を基にした凝集判定技術よりも、更に精度の高い凝集剤添加率の過不足判定が可能である。

【0025】

凝集剤判定モデルの構築において、学習データの説明変数を凝集フロックの画像データ、学習データの目的変数を凝集剤添加率の過不足を表す数値、例えば、１：少ない、２：やや少ない、３：最適、４：やや多い、５：多いという５段階評価として与えることができる。ただし、本発明は、５段階評価に限らず、例えば３段階評価、または１０段階評価であってもよい。

【0026】

実際の凝集剤添加率が上記５段階評価のうちのどれに該当するかは、凝集処理の後段の沈澱処理での処理水の濁度や色度、ベテラン運転員の凝集フロックの見た目による判定、さらに後段の砂ろ過水や膜ろ過水の水質、砂ろ過や膜ろ過等のろ過抵抗上昇速度、等から判定することが可能である。実際の凝集剤添加率の過不足を表す数値（上記例では１～５）と、対応する凝集フロックの画像データとの組み合わせからなるデータセットは、凝集剤判定モデルの構築および更新に使用される。実際の凝集剤添加率の過不足を表す数値は正解データであり、ディープラーニングなどの機械学習に使用される。

【0027】

図１は、凝集剤添加率の過不足を判定する凝集剤判定モデルの一実施形態を示す模式図である。凝集剤判定モデルは、入力層３０１と、複数の隠れ層（中間層ともいう）３０２と、出力層３０３を有したニューラルネットワークである。図１に示す凝集剤判定モデルは、４つの隠れ層３０２を有しているが、凝集剤判定モデルの構成は図１に示す実施形態に限られない。凝集剤判定モデルの入力層３０１には凝集フロックの画像データが入力される。より具体的には、凝集フロックの画像データを構成する各ピクセルの数値が入力層３０１に入力される。一例では、凝集フロックの画像データがグレースケール画像データである場合は、各ピクセルのグレーレベル（通常は０～２５５内の数値）が凝集剤判定モデルの入力層３０１の各ノード（ニューロン）に入力される。凝集フロックの画像データがカラー画像データである場合は、各ピクセルの赤色、緑色、青色を表す数値が凝集剤判定モデルの入力層３０１の対応するノード（ニューロン）に入力される。

【0028】

図１に示す例では、凝集剤判定モデルの出力層３０３は、凝集剤添加率の過不足の判定結果を表す数値を出力する。例えば、凝集剤添加率の過不足が、１：少ない、２：やや少ない、３：最適、４：やや多い、５：多いという５段階評価で表される場合では、凝集剤判定モデルの出力層３０３は、１から５までのいずれかの数値を出力する。ただし、図１に示す凝集剤判定モデルの構成は一例であって、本発明は、図１に示す例に限定されない。

【0029】

上記のように構築された凝集剤判定モデルに、現在の凝集フロックの画像データを入力すると、コンピュータは、ニューラルネットワークを構成する多層パーセプトロンのアルゴリズムに従って演算を実行し、出力層３０３は、凝集剤添加率の過不足の判定結果を表す数値を出力する。運転員は判定結果に基づいて、排水処理システムの運転の最適化を目指すことが可能となる。

【0030】

一態様では、前記排水処理方法は、前記凝集剤が添加される前の前記排水の画像データを画像取得装置により生成する工程をさらに含み、前記凝集フロックの画像データに加えて、前記排水の画像データを前記凝集剤判定モデルに入力する。

【0031】

排水処理においては、工場の操業内容により排水種別が変動する。例えば、工場が製品Ａを生産している場合の排水Ａと、製品Ｂを生産している場合の排水Ｂでは色度やＣＯＤ（化学的酸素要求量）といった水質が異なる。更には、製品Ａ、製品Ｂ以外の複数の製品がある場合や、その製品の製造割合が変動する場合もある。このため、排水処理プロセスにおいては、工場の操業状態を勘案して、凝集剤添加率を調整する必要がある。

【0032】

加えて、凝集処理の前段に活性汚泥法や生物膜法などの生物処理がある場合には、生物処理の運転状態により、活性汚泥フロックや生物膜の排水への混入状況や、凝集処理工程へ流入する排水の色度やＣＯＤが変動することとなる。このため、生物処理の運転状態に合わせて凝集剤添加率を調整する必要がある。

【0033】

これら、排水性状の変動を自動で捉えることができれば、凝集処理プロセス操作にとって有益な情報となる。排水性状の情報を得るためには、ＣＯＤ計やＳＳ計、色度計などの設置が選択肢となるが、水質やコストの観点で設置が難しい場合もある。そこで、排水状態を画像情報として得ることで、排水の色や活性汚泥フロックの状態などの外観情報が得られる。

【0034】

一実施形態では、凝集剤が添加される前の排水の画像データと、凝集フロックの画像と、実際の凝集剤添加率の過不足を表す数値（すなわち正解データ）を含む学習データを用いて、機械学習アルゴリズムで凝集剤判定モデルを構築する。ディープラーニングなどの機械学習は、凝集剤が添加される前の排水の画像データと、適切な凝集フロックが形成できる凝集剤添加率との関係性を見出すことができる。機械学習アルゴリズムによって構築された凝集剤判定モデルは、排水の性状の変動に対して凝集剤添加率の過不足を正確に判定することができる。

【0035】

一態様では、前記凝集剤を排水に添加して凝集フロックを形成する工程は、無機凝集剤を排水に添加して凝集フロックを形成し、その後、有機凝集剤を前記排水に添加して前記凝集フロックを成長させる工程であり、前記凝集フロックの画像データを生成する工程は、前記無機凝集剤を前記排水に添加することによって形成された前記凝集フロックの第１画像データを第１画像取得装置で生成し、前記有機凝集剤を前記排水に添加することによって成長した前記凝集フロックの第２画像データを第２画像取得装置で生成する工程であり、前記第１画像データおよび前記第２画像データを前記凝集剤判定モデルに入力する。

【0036】

排水処理の凝集プロセスでは、１段目の撹拌槽には無機凝集剤を排水に添加して凝集フロックを生成させ、２段目の撹拌槽において高分子凝集剤などの有機凝集剤を排水に添加して、前記凝集フロックを集合させて粗大化させる場合もある。一実施形態では、１段目の撹拌槽での凝集フロックの第１画像データと、２段目の撹拌槽での凝集フロックの第２画像データと、実際の凝集剤添加率の過不足を表す数値（すなわち正解データ）を含む学習データを用いて、機械学習アルゴリズムにより凝集剤判定モデルを構築する。

【0037】

一態様では、前記排水処理方法は、前記凝集フロックを沈澱させることによって前記凝集フロックを前記排水から分離して処理水を生成し、前記処理水の画像データを画像取得装置により生成する工程をさらに含み、前記凝集フロックの画像データに加えて、前記処理水の画像データを前記凝集剤判定モデルに入力する。

【0038】

凝集沈澱処理によって生成された処理水（すなわち、沈澱槽内の上澄水）の画像データは、得られた処理水の色味、懸濁状況などの処理水の外観情報を含む。凝集フロックの画像データに加えて、処理水の画像データを含む学習データを用いることで、より精度の高い凝集剤判定モデルを機械学習アルゴリズムによって構築することができる。また、このような学習データを用いて構築された凝集剤判定モデルは、より精度の高い判定結果を出力することができる。

【0039】

一態様では、前記排水処理方法は、前記凝集フロックを浮上させ、浮上した前記凝集フロックを前記排水から除去することで処理水を生成し、前記排水から除去された前記凝集フロックからなる汚泥の画像データ、および前記処理水の画像データのうち少なくとも一方を画像取得装置により生成する工程をさらに含み、前記凝集フロックの画像データに加えて、前記汚泥の画像データおよび前記処理水の画像データの一方または両方を前記凝集剤判定モデルに入力する。

【0040】

凝集浮上分離法によって生成された処理水（すなわち、凝集フロックが除去された水）の画像データは、得られた処理水の色味、懸濁状況などの処理水の外観情報を含む。凝集フロックの画像データに加えて、処理水の画像データを含む学習データを用いることで、より精度の高い凝集剤判定モデルを機械学習アルゴリズムによって構築することができる。また、このような学習データを用いて構築された凝集剤判定モデルは、より精度の高い判定結果を出力することができる。

【0041】

一態様では、前記排水処理方法は、前記凝集フロックを前記排水から分離して処理水を生成し、前記処理水の画像データを画像取得装置により生成し、前記処理水の画像データを、機械学習アルゴリズムにより構築された水質判定モデルに入力し、前記処理水の水質の予測値を前記水質判定モデルから出力する工程をさらに含む。

【0042】

水質判定モデルの構築においては、学習データの説明変数に処理水の画像データが使用され、学習データの目的変数には処理水の水質の実際の測定値が使用される。処理水の水質の測定値の例としては、処理水の濁度、および処理水のＣＯＤ（化学的酸素要求量）が挙げられる。このような学習データを用いて構築された水質判定モデルは、凝集処理によって得られる処理水の水質の予測値を出力することができる。

【0043】

水質判定モデルから出力された水質の予測値が所定のしきい値を超えたときに、警報を発してもよい。例えば、水質の予測値として処理水の濁度の予測値が１を超える場合、または、水質の予測値として処理水のＣＯＤが１０ｍｇ／Ｌを超える場合は、警報を発してもよい。このようなしきい値を設定しておくことで、省人化された設備においても、より安全、安心な運転が行なえる。

【0044】

一態様では、前記排水処理方法は、前記凝集フロックを前記排水から分離して処理水を生成する工程をさらに含み、前記凝集フロックの画像データに加えて、前記凝集フロックを形成する工程と、前記凝集フロックを前記排水から分離する工程との時間差を前記凝集剤判定モデルに入力する。

【0045】

排水処理プロセスは、数分から数時間の時間を要する。例えば凝集剤を添加して凝集フロックを形成してから、沈澱処理が完了するまでには数時間の時間遅れが生じる。従って、凝集フロック生成工程と凝集フロック分離工程とには時間差がある。凝集剤添加率を変更してから、沈澱処理の結果に変化が現れるまでのタイムラグは、水理学的シミュレーションモデルでも計算することは可能ではあるが、現実と整合を取る為には高精度なモデルと高い計算機能力を必要とする。このため、水理学的シミュレーションモデルを多くの現場に適用するにはコスト面での課題がある。

【0046】

本発明では、凝集剤判定モデルを構築する際に、凝集フロック生成工程と凝集フロック分離工程との間の時間差を示す説明変数、例えば、ある基準時刻からの経過時間を学習データに加えることで、現実に起きるパラメータの変更操作とその変更によって生じる処理結果の変化との時間的関係性を内包した凝集剤判定モデルを構築することが可能となる。このような時間的関係性を含んだ凝集剤判定モデルは、時間遅れを伴う、排水の水質の変動や、攪拌機の回転速度の変更操作といった運転パラメータの変更に対しても、精度の高い凝集剤添加率の過不足の判定結果を出力することができる。

【0047】

一態様では、前記凝集フロックの画像データに加えて、排水処理に関連する情報データを前記凝集剤判定モデルに入力する。

【0048】

情報データは、排水の濁度、排水の色度、排水のＣＯＤ、排水のｐＨ、排水のＳＳ濃度、排水のアンモニア濃度、排水の全窒素濃度、排水の全りん濃度、排水のアルカリ度、排水の温度、排水の処理流量、排水処理装置に具備する撹拌機の回転速度、沈殿槽の汚泥引抜量や頻度などの水質や運転に関する数値で表されるデータを含む。凝集フロックの画像データに加えて、排水処理に関連する情報データを含む学習データを用いることで、より精度の高い凝集剤判定モデルを機械学習アルゴリズムによって構築することができる。また、このような学習データを用いて構築された凝集剤判定モデルは、より精度の高い判定結果を出力することができる。

【0049】

一態様では、前記判定結果は凝集剤添加率の制御に用いられる。
凝集剤添加率の過不足の判定結果から、排水処理システムの運転を自動的に最適化することが可能となる。例えば、判定結果を所定の周期で、例えば１分毎に出力する。ある時刻Ｔにおいて、判定結果が１：「少ない」であれば、現在の凝集剤添加率を０．５分間で＋５０％だけ増加させ、２：「やや少ない」であれば、現在の凝集剤添加率を０．５分間で＋２５％だけ増加させ、３：「最適」であれば、現在の凝集剤添加率を不変とし、４：「やや多い」であれば、現在の凝集剤添加率を０．５分間で－２５％だけ低下させ、５：「多い」であれば、現在の凝集剤添加率を０．５分間で－５０％だけ低下させる。続いて、時刻Ｔ＋１において再度判定結果を出力し、凝集剤添加率を同様に調整する。このステップを最適の判定結果が出力されるまで繰り返し行う。

【0050】

上記例では、凝集剤添加率の過不足の判定結果を表す数値は、１から５のいずれかであるが、本発明は上記例に限定されない。一実施形態では、凝集剤添加率の過不足の判定結果を表す数値は、＋５０％（「少ない」に対応）、＋２５％（「やや少ない」に対応）、０％（「最適」に対応）、－２５％（「やや多い」に対応）、－５０％（「多い」に対応）のいずれかであってもよい。

【0051】

ここで、時刻０、つまり排水処理システムにおける既往の制御から上記モデルに基づく制御に切り替えるとき、あるいは排水処理システムの運転を新たに開始するときは、制御を開始する時刻における凝集剤添加率は、その排水処理システムの過去の知見、熟練者の判断、ジャーテストなどの回分試験、などから決定される値とすればよい。ここで決定された凝集剤添加率により、排水処理システムの制御は開始される。その後は、凝集剤が添加されてから、画像取得装置で撮影するポイントまでの水の流達時間を考慮した上で、上記モデルを用いた凝集剤添加率の最適化のための制御を開始すると良い。

【0052】

一態様では、前記排水処理方法は、前記凝集フロックの状態とは無関係の、前記凝集剤添加率の基準値を基準値算定式により決定し、前記基準値の補正値を、前記凝集剤添加率の過不足を示す前記判定結果に基づいて決定し、前記基準値と前記補正値とから、前記凝集剤添加率を補正する工程をさらに含む。

【0053】

排水処理システムに流入する排水の水質が短時間で急激に変化した場合、制御に遅れが生じ、処理水の水質悪化を招く場合がある。そこで、コンピュータは、凝集剤添加率の基準値を凝集フロックの状態とは無関係に決定するための基準値算定式を有しており、この基準値算定式を用いて凝集剤添加率の基準値を決定する。さらに、コンピュータは、前記基準値の補正値を、凝集剤添加率の過不足を示す判定結果から決定する。

【0054】

基準値算定式は、例えば、排水水質計にて常時監視している排水水質（濁度、色度、ｐＨ、ＣＯＤなど）の値から、凝集剤添加率の基準値（Ｄ_０）を決定するための式である。この基準値算定式は、例えば、排水処理システムにおける過去の運用実績のデータセット、つまり排水水質の値と、対応する凝集剤添加率から、統計学的な解析手法により、排水水質の値から、対応する凝集剤添加率を算出する回帰式とすることが可能である。このように得られた凝集剤添加率の基準値に基づいて凝集剤は添加され、凝集フロックが形成される。

【0055】

この凝集フロックを前述の方法で撮像し、凝集フロックの画像データを前述の凝集剤判定モデルに入力することより、凝集剤添加率の過不足を判定する。ここで、Ｄ_０を凝集剤添加率の基準値（ｍｇ／Ｌ）、ｄを凝集剤添加率の過不足の判定結果を表す正または負のパーセンテージ（％）で表される補正値とすると、補正された凝集剤添加率（Ｄ，ｍｇ／Ｌ）は、次の補正式（１）で表される。
Ｄ＝Ｄ_０×（１＋ｄ／１００） （１）

【0056】

補正値ｄは、凝集剤添加率の過不足の判定結果を表す、＋５０％（「少ない」場合）、＋２５％（「やや少ない」場合）、０％（「最適」の場合）、－２５％（「やや多い」場合）、－５０％（「多い」場合）のうちのいずれかである。例えば、Ｄ_０＝２０ｍｇ／Ｌ，ｄ＝－２５％の場合、補正された凝集剤添加率Ｄは１５ｍｇ／Ｌとなる。以上に示す実施形態により、凝集フロックの画像データに基づいた凝集剤添加率の制御を、より迅速に行うことが可能である。

【0057】

一態様では、前記排水処理方法は、前記凝集フロックの画像データと、実際の凝集剤添加率の過不足を表す数値との組み合わせからなるデータセットを用いて、前記凝集剤判定モデルを更新する工程をさらに含む。

【0058】

機械学習アルゴリズムによって構築された上記凝集剤判定モデルは、その凝集剤判定モデルを用いた運転を実施している排水処理システムにおいて、新たに得られるデータを基に継続的に更新される。これによって、最初に凝集剤判定モデルを構築した際から、排水処理システムにおける排水の性状が大きく変化した場合や、あるいは運転方法を変更した場合であっても、実情に合わせて更新されていくモデルは、適切な判定結果を継続的に出力することが可能となる。

【0059】

一態様では、凝集剤を排水に添加して凝集フロックを形成する凝集フロック形成槽と、前記凝集フロックの画像データを生成する画像取得装置と、機械学習アルゴリズムにより構築された凝集剤判定モデルを有するコンピュータを備え、前記コンピュータは、前記凝集剤判定モデルが格納された記憶装置と、少なくとも前記画像データを前記凝集剤判定モデルに入力し、凝集剤添加率の過不足を示す判定結果を前記凝集剤判定モデルから出力するための演算を実行する処理装置を備えている、排水処理システムが提供される。

【0060】

一態様では、入力層と、複数の隠れ層と、出力層とを有するニューラルネットワークからなるモデルの前記入力層に、少なくとも凝集フロックの画像データを入力するステップと、前記ニューラルネットワークを構成する多層パーセプトロンのアルゴリズムに従って演算を実行することによって、前記出力層から、凝集剤添加率の過不足を表す数値を出力するステップをコンピュータに実行させるプログラムを記録したコンピュータ読み取り可能な記録媒体が提供される。

【発明の効果】

【0061】

本発明に係る排水処理方法によれば、機械学習アルゴリズムにより構築された凝集剤判定モデルと、小型カメラなどの画像取得装置によって得られた凝集フロックの画像データから、凝集剤添加率の過不足を、自動的に高精度でリアルタイムに判定することができ、より最適な排水処理システムの運転が可能となる。

【図面の簡単な説明】

【0062】

【図1】凝集剤添加率の過不足を判定する凝集剤判定モデルの一実施形態を示す模式図である。

【図2】排水処理システムの一実施形態を示す図である。

【図3】排水処理システムの他の実施形態を示す図である。

【図4】排水処理システムのさらに他の実施形態を示す図である。

【図5】排水処理システムのさらに他の実施形態を示す図である。

【図6】演算システムの少なくとも一部を構成するコンピュータの一実施形態を示す模式図である。

【発明を実施するための形態】

【0063】

図２は排水処理システムの一実施形態を示す図である。この排水処理システムでは、ろ過法を用いている排水処理システムにおいて学習済みモデルを用いて、凝集剤添加率の過不足（凝集フロックの状態）を判定し、凝集剤添加率の制御を行う。「課題を解決するための手段」に記載したモデルの構築、モデルの構成などを含む全ての説明は、以下に説明する排水処理システムの各実施形態に適用される。

【0064】

排水処理システムは、撹拌槽としての急速撹拌槽１および緩速撹拌槽２と、排水に凝集剤を添加する凝集剤添加ポンプ５を備えている。急速撹拌槽１および緩速撹拌槽２は、凝集剤を排水に添加して凝集フロックを形成する凝集フロック形成槽として機能する。凝集剤添加ポンプ５は、急速撹拌槽１に接続されており、凝集剤を急速撹拌槽１内の排水に添加するように配置されている。排水処理システムは、凝集剤を緩速撹拌槽２内の排水に添加する凝集剤添加ポンプ１０をさらに備えている。凝集剤添加ポンプ５によって急速撹拌槽１に添加される凝集剤は、無機凝集剤であり、凝集剤添加ポンプ１０によって緩速撹拌槽２に添加される凝集剤は、有機凝集剤である。一実施形態では、緩速撹拌槽２および凝集剤添加ポンプ１０は設けられないこともある。

【0065】

排水導入ライン３は、急速撹拌槽１に接続されており、処理される排水は排水導入ライン３を通じて急速撹拌槽１に供給される。緩速撹拌槽２は急速撹拌槽１に連結されている。急速撹拌槽１は、凝集剤が添加された排水を撹拌し、排水中の懸濁物質を凝集させて凝集フロックを形成する撹拌槽である。緩速撹拌槽２は、凝集フロックを含む排水を撹拌し、凝集フロックを粗大化させる撹拌槽である。

【0066】

排水処理システムは、凝集フロックを排水から分離させる分離槽としての沈澱槽７をさらに備えている。沈澱槽７は緩速撹拌槽２に連結されている。緩速撹拌槽２で成長した凝集フロックを含む排水は、沈澱槽７に送られる。凝集フロックは沈澱槽７内で沈澱され、これにより凝集フロックが排水から分離される。沈澱した凝集フロックは、汚泥として沈澱槽７の底部から排出される。沈澱槽７内の上澄水は処理水であり、この処理水は沈澱槽７の樋７ａから排出される。

【0067】

排水処理システムは、急速撹拌槽１で形成された凝集フロックの画像データを生成する画像取得装置１２と、少なくとも前記画像データを、機械学習アルゴリズムによって構築された凝集剤判定モデルに入力し、凝集剤添加率の過不足を示す判定結果を凝集剤判定モデルから出力する演算システム１００をさらに備えている。演算システム１００は、凝集剤判定モデルを構築および更新するためのプログラム、および上記凝集剤判定モデルが格納された記憶装置１１０と、プログラムに従って演算を実行する処理装置１２０（ＧＰＵまたはＣＰＵなど）を備えている。処理装置１２０は、少なくとも凝集フロックの画像データを凝集剤判定モデルに入力し、凝集剤添加率の過不足を示す判定結果を凝集剤判定モデルから出力するための演算を実行する。

【0068】

演算システム１００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。少なくとも凝集フロックの画像データに基づいて凝集剤添加率の過不足（すなわち、凝集フロックの状態の良否）を判定する上記凝集剤判定モデルは、演算システム１００の記憶装置１１０内に格納されている。さらに、上述した基準値算定式も、演算システム１００の記憶装置１１０内に格納されている。

【0069】

演算システム１００は、画像取得装置１２に通信線で接続されたエッジサーバであってもよいし、インターネットなどのネットワークによって画像取得装置１２に接続されたクラウドサーバであってもよいし、あるいは画像取得装置１２に接続されたネットワーク内に設置されたフォグコンピューティングデバイス（ゲートウェイ、フォグサーバ、ルーターなど）であってもよい。演算システム１００は、インターネットなどの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、演算システム１００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。

【0070】

本実施形態においては、凝集剤添加後の急速撹拌槽１内の凝集フロックを画像取得装置１２にて撮影する。画像取得装置１２は、凝集フロックの画像データを生成し、この画像データを演算システム１００に送る。演算システム１００は、画像データを画像取得装置１２から取得し、記憶装置１１０に記憶する。画像取得装置１２は急速撹拌槽１の上部（水面より上）に設置されている。ＬＥＤライトなどの照明器で急速撹拌槽１内の凝集フロックを照らし、画像取得装置１２が凝集フロックを明瞭に撮像できるようにする。なお、画像取得装置１２の設置位置は凝集フロックが明瞭に撮像できるのであれば、急速撹拌槽１の内部（水面下）、または急速撹拌槽１と緩速撹拌槽２を繋ぐ配管内などでも構わない。

【0071】

画像取得装置１２は、静止画像または連続画像を生成することができるイメージセンサ（例えばＣＣＤイメージセンサまたはＣＭＯＳイメージセンサ）を備えたデジタルカメラである。デジタルカメラの仕様としては、常に焦点距離を一定とさせるため、マニュアルフォーカス機能を備えたものが望ましく、画素数は５００万画素以上、望ましくは１，０００万画素以上のものが好適である。

【0072】

本実施形態では、撮像の対象とする凝集フロックは、急速撹拌槽１内の凝集フロックである。これは、制御遅れを短くすることができ、凝集剤添加率の制御の観点から好ましいからである。排水変動が乏しい処理水場などであれば、緩速撹拌槽２内の粗大化した凝集フロックを撮像の対象としてもよい。

【0073】

凝集剤添加ポンプ５は、演算システム１００に電気的に接続されている。演算システム１００は、凝集剤判定モデルから出力された凝集剤添加率の過不足の判定結果に基づいて、凝集剤添加ポンプ５に指令を発して凝集剤の添加率を調整する。具体的には、現在の凝集剤添加率が低いことを判定結果が示している場合は、演算システム１００は凝集剤添加ポンプ５に指令を発して凝集剤添加率を増加させる。現在の凝集剤添加率が高いことを判定結果が示している場合は、演算システム１００は凝集剤添加ポンプ５に指令を発して凝集剤添加率を低下させる。このように、演算システム１００は、凝集剤判定モデルから出力された判定結果に基づいて凝集剤添加ポンプ５の動作を制御することにより、凝集剤の添加率を最適化することができる。凝集剤判定モデルを用いた凝集剤添加率の最適化の開始時点における、凝集剤の添加率は、排水処理システムの過去の運転に基づく知見やジャーテスト結果から決定される。

【0074】

一実施形態では、排水処理に関連する情報データを取得するための濁度センサ２１、ｐＨセンサ２２、ＣＯＤ測定器２３が排水導入ライン３に接続されてもよい。濁度センサ２１、ｐＨセンサ２２、ＣＯＤ測定器２３は演算システム１００に電気的に接続されており、排水の濁度、ｐＨ、ＣＯＤの測定値は演算システム１００に入力される。さらに、情報データとして、排水の色度、排水の処理流量、急速撹拌槽１および／または緩速撹拌槽２の攪拌回転速度、沈殿槽７の汚泥引抜量や頻度、凝集剤添加率のうちの少なくとも１つが演算システム１００に入力されてもよい。凝集フロックの画像データに加えて、上記情報データを含む学習データを用いることで、より精度の高い凝集剤判定モデルを機械学習アルゴリズムによって構築することができる。

【0075】

一実施形態では、上述した情報データは、凝集フロックの画像データとともに、学習済みの凝集剤判定モデルに入力され、凝集剤判定モデルは、凝集剤添加率の過不足の判定結果を出力する。凝集フロック撮影時に画像取得装置１２に流達している排水の水質と、その時点での排水導入ライン３での排水の水質は異なる可能性があるため、取得した凝集フロックの画像データに対応する排水水質は、排水導入ライン３から画像取得装置１２までの流達時間を考慮した値を採用することが望ましい。

【0076】

前記凝集剤判定モデルの構築は、ディープラーニング法などを用いて、凝集剤判定モデルを用いた運用前に図２に示す排水処理システムにて各種データを取得し行う。ここで、機械学習アルゴリズムを用いた凝集剤判定モデルにおいては、基本的に経験したことのない入力データに対する予測精度は低くなるため、凝集剤判定モデルの構築におけるデータは、季節変動による排水水質の変化を含んだものが望ましい。従って、好ましくは１年以上に亘って取得されたデータを用いて凝集剤判定モデルを構築することが望ましい。但し、排水水質が安定している場合はデータ取得期間を短縮することも可能である。また、類似した排水を処理する同様の排水処理システムにおいてすでに凝集剤判定モデルが構築されている場合、その凝集剤判定モデルを流用することも可能である。

【0077】

凝集剤判定モデルから出力される凝集フロック情報は、凝集フロックの状態の良否、すなわち凝集剤添加率の過不足に関するものである。本情報を参考に、排水処理システムの運転員が凝集剤添加率の見直しを行ってもよいが、図２の通り、本情報を凝集剤の制御に組み込めば、連続的に凝集剤添加率の最適化を図ることが可能である。このようにして、本排水処理システムは、継続的に安定運転が可能となる。

【0078】

しかしながら、排水処理システムの運転が長期化すると、排水水質が変化したり、運転フローの一部が変更したりして、凝集剤判定モデルは適切な判定結果を出力できなくなることがある。そこで、凝集剤判定モデルの更新を適宜行う必要がある。凝集剤添加率の過不足の判定結果が正しかったか否かは、沈澱槽７の出口部での処理水（上澄水）の濁度や色度に基づいて判断することができる。凝集処理が適切に行われなかった場合、凝集フロックの沈降性が悪くなったり、凝集せずに処理水に残存した懸濁物質が多くなったりして、処理水の濁度は高くなる。

【0079】

そこで、本実施形態では、凝集剤判定モデルの運用中、処理水濁度の値を、濁度センサ３０で継続的に取得し、流達時間を考慮した上で、説明変数と目的変数を含む学習データに補足情報として加える。この補足情報と、凝集剤判定モデルの出力結果を比較し、凝集剤判定モデルの精度を定期的に検証する。凝集剤判定モデルの精度が運用当初よりも下がった場合においては、前記学習データの目的変数に、正解データを、補足情報を基に与え直し、ディープラーニング法などにより、凝集剤判定モデルの更新を行う。

【0080】

演算システム１００が、排水処理システムのエッジ（現場）においているエッジサーバと、ネットワーク（例えばインターネット）によってエッジサーバに連結されたクラウドサーバとを備えている場合には、凝集剤判定モデルの更新作業はクラウドサーバで行い、その後、更新された凝集剤判定モデルをエッジサーバに送信し、エッジサーバ内に格納することが望ましい。

【0081】

図３は排水処理システムの他の実施形態を示す図である。特に説明しない本実施形態の構成は、図２に示す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。本実施形態は、上述の実施形態と同様に、ろ過法を用いている処理システムにおいて学習済みのモデルを用いて、凝集剤添加率の過不足を判定し、凝集剤添加率の制御を行う方法の一例である。

【0082】

排水処理システムは、急速撹拌槽１に導入される前の排水の画像データを生成する画像取得装置３２と、緩速撹拌槽２で形成された凝集フロックの画像データを生成する画像取得装置３３と、沈澱槽７で凝集フロックが除去された処理水（上澄水）の画像データを生成する画像取得装置３４をさらに備えている。画像取得装置３２は排水導入ライン３を向いて設置され、画像取得装置３３は緩速撹拌槽２を向いて設置され、画像取得装置３４は沈澱槽７の出口を向いて設置されている。

【0083】

画像取得装置３２は、排水導入ライン３を流れる排水、すなわち凝集剤が添加される前の排水の画像データを生成し、この画像データを演算システム１００に送る。画像取得装置３３は、緩速撹拌槽２内で成長した凝集フロックの画像データを生成し、この画像データを演算システム１００に送る。画像取得装置３４は、沈澱槽７での沈降処理によって凝集フロックが除去された処理水の画像データを生成し、この画像データを演算システム１００に送る。演算システム１００は、これらの画像データを記憶装置１１０に記憶する。

【0084】

演算システム１００は、凝集剤が添加される前の排水の画像データと、急速撹拌槽１内の凝集フロックの画像データと、緩速撹拌槽２内の凝集フロックの画像データと、処理水の画像データと、実際の凝集剤添加率の過不足を表す数値（すなわち正解データ）を含む学習データを用いて、機械学習アルゴリズムにより凝集剤判定モデルを構築する。

【0085】

排水処理システムの運転中は、演算システム１００は、凝集剤が添加される前の排水の画像データ、急速撹拌槽１内の凝集フロックの画像データ、緩速撹拌槽２内の凝集フロックの画像データ、および処理水の画像データを、構築された凝集剤判定モデルに入力し、凝集剤判定モデルは、凝集剤添加率の過不足を示す判定結果を出力する。一実施形態では、凝集剤が添加される前の排水の画像データ、および処理水の画像データのうちのいずれか一方、または両方を省略してもよい。

【0086】

凝集剤添加ポンプ５，１０は、演算システム１００に電気的に接続されている。演算システム１００は、凝集剤判定モデルから出力された凝集剤添加率の過不足の判定結果に基づいて、凝集剤添加ポンプ５，１０に指令を発して凝集剤の添加率を調整する。

【0087】

図４は排水処理システムの他の実施形態を示す図である。特に説明しない本実施形態の構成は、図３に示す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。本実施形態は、上述の実施形態と同様に、ろ過法を用いている処理システムにおいて学習済みのモデルを用いて、凝集剤添加率の過不足を判定し、凝集剤添加率の制御を行う方法の一例である。

【0088】

本実施形態の排水処理システムは、凝集フロックを排水から分離させる分離槽として、沈澱槽７に代えて、浮上槽４０を備えている。浮上槽４０は、緩速撹拌槽２に連結されている。浮上槽４０には、加圧された空気を含む加圧水を供給する加圧水供給ライン４１が接続されている。加圧水は、加圧水供給ライン４１を通じて浮上槽４０内に注入される。加圧水に含まれる空気は、浮上槽４０に保持されている排水中に微小な気泡を形成する。気泡は、凝集フロックに付着し、凝集フロックを浮上させる。浮上した凝集フロックは、スカムスキマ４４によって掻き寄せられ、汚泥として樋４５に集められ、さらに樋４５を通って浮上槽４０から排出される。凝集フロックが除去された処理水は、処理水排出ライン４７を通じて浮上槽４０から排出される。

【0089】

排水処理システムは、排水から除去された凝集フロックからなる汚泥の画像データを生成する画像取得装置４８と、浮上槽４０から排出された処理水の画像データを生成する画像取得装置４９をさらに備えている。画像取得装置４８は、凝集フロックを回収する樋４５を向いて配置されており、画像取得装置４９は処理水排出ライン４７を向いて設置されている。

【0090】

画像取得装置４８は、排水から除去された凝集フロックからなる汚泥の画像データを生成し、この画像データを演算システム１００に送る。画像取得装置４９は、処理水排出ライン４７を流れる処理水、すなわち浮上槽４０での浮上分離処理によって凝集フロックが除去された処理水の画像データを生成し、この画像データを演算システム１００に送る。演算システム１００は、これらの画像データを記憶装置１１０に記憶する。

【0091】

演算システム１００は、凝集剤が添加される前の排水の画像データと、急速撹拌槽１内の凝集フロックの画像データと、緩速撹拌槽２内の凝集フロックの画像データと、汚泥の画像データと、処理水の画像データと、実際の凝集剤添加率の過不足を表す数値（すなわち正解データ）を含む学習データを用いて、機械学習アルゴリズムにより凝集剤判定モデルを構築する。

【0092】

排水処理システムの運転中は、演算システム１００は、凝集剤が添加される前の排水の画像データ、急速撹拌槽１内の凝集フロックの画像データ、緩速撹拌槽２内の凝集フロックの画像データ、汚泥の画像データ、および処理水の画像データを、構築された凝集剤判定モデルに入力し、凝集剤判定モデルは、凝集剤添加率の過不足を示す判定結果を出力する。一実施形態では、汚泥の画像データ、および処理水の画像データのうちのいずれか一方、または両方を省略してもよい。

【0093】

演算システム１００は、凝集剤判定モデルから出力された凝集剤添加率の過不足の判定結果に基づいて、凝集剤添加ポンプ５，１０に指令を発して凝集剤の添加率を調整する。

【0094】

図５は排水処理システムの他の実施形態を示す図である。特に説明しない本実施形態の構成は、図１に示す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。本実施形態の排水処理システムは、生物反応槽５１と、沈澱槽５２を備えている。生物反応槽５１は、凝集剤を排水に添加して凝集フロックを形成する凝集フロック形成槽として機能する。沈澱槽５２は、凝集フロックを排水から分離させる分離槽として機能する。生物反応槽５１と沈澱槽５２は連絡流路５５で連結されている。

【0095】

生物反応槽５１は、標準活性汚泥法、生物膜法、生物学的窒素除去法、生物学的リン除去法などに従った生物処理を排水に対して実施するための処理槽である。処理される排水は、排水導入ライン３を通じて生物反応槽５１に流入し、その後、連絡流路５５を通じて沈澱槽５２に流入する。生物反応槽５１は、越流部５１Ａを有しており、生物処理が実施された排水は越流部５１Ａを通過した後に沈澱槽５２に移送される。沈澱槽５２も越流部５２Ａを有している。凝集フロックが除去された処理水（上澄水）は、越流部５２Ａを通じて沈澱槽５２から排出される。

【0096】

排水処理システムは、生物反応槽５１内の排水に凝集剤を添加する凝集剤添加ポンプ５７と、生物反応槽５１内で形成された凝集フロックの画像データを生成する画像取得装置５８と、沈澱槽５２内の処理水（上澄水）の画像データを生成する画像取得装置５９を備えている。凝集剤添加ポンプ５７、画像取得装置５８、および画像取得装置５９は、演算システム１００に電気的に接続されている。

【0097】

凝集剤添加ポンプ５７は、凝集剤を生物反応槽５１の越流部５１Ａに添加するように配置されている。凝集剤には無機凝集剤が使用される。画像取得装置５８は、連絡流路５５を向いて配置されており、連絡流路５５を流れる排水中の凝集フロックの画像データを生成する。画像取得装置５９は、沈澱槽５２の越流部５２Ａの上方に設置されており、沈澱槽５２での沈降処理によって凝集フロックが除去された処理水（上澄水）の画像データを生成する。画像取得装置５８および画像取得装置５９は、凝集フロックの画像データおよび処理水の画像データを演算システム１００に送る。演算システム１００は、これらの画像データを記憶装置１１０に記憶する。

【0098】

演算システム１００は、凝集フロックの画像データと、処理水の画像データと、実際の凝集剤添加率の過不足を表す数値（すなわち正解データ）を含む学習データを用いて、機械学習アルゴリズムにより凝集剤判定モデルを構築する。排水処理システムの運転中は、演算システム１００は、凝集フロックの画像データおよび処理水の画像データを、構築された凝集剤判定モデルに入力し、凝集剤判定モデルは、凝集剤添加率の過不足を示す判定結果を出力する。

【0099】

演算システム１００は、凝集剤判定モデルから出力された凝集剤添加率の過不足の判定結果に基づいて、凝集剤添加ポンプ５７に指令を発して凝集剤の添加率を調整する。

【0100】

演算システム１００は、上述した凝集剤判定モデルに加えて、処理水の水質の予測値を出力する水質判定モデルをさらに備えている。水質判定モデルは、凝集剤判定モデルと同様に、入力層と、複数の隠れ層（中間層ともいう）と、出力層を有したニューラルネットワークである。水質判定モデルは、演算システム１００の記憶装置１１０内に格納されている。水質判定モデルの構築においては、学習データの説明変数に処理水の画像データが使用され、学習データの目的変数には処理水の水質の実際の測定値が使用される。処理水の水質の測定値の例としては、処理水の濁度、および処理水のＣＯＤ（化学的酸素要求量）が挙げられる。このような学習データを用いて構築された水質判定モデルは、凝集処理によって得られる処理水の水質の予測値を出力することができる。

【0101】

排水処理システムの運転中は、演算システム１００は、画像取得装置５９によって生成された処理水の画像データを、構築された水質判定モデルに入力し、水質判定モデルは、処理水の水質の予測値を出力する。演算システム１００は、水質判定モデルから出力された水質の予測値が所定のしきい値を超えたときに、警報を発してもよい。例えば、水質の予測値として処理水の濁度の予測値が１を超える場合、または、水質の予測値として処理水のＣＯＤが１０ｍｇ／Ｌを超える場合は、演算システム１００は警報を発してもよい。このようなしきい値を設定しておくことで、省人化された設備においても、より安全、安心な運転が行なえる。

【0102】

図６は、演算システム１００の少なくとも一部を構成するコンピュータの一実施形態を示す模式図である。コンピュータは、プログラムやデータなどが格納される記憶装置１１０と、記憶装置１１０に格納されているプログラムに従って演算を行うＣＰＵ（中央処理装置）またはＧＰＵ（グラフィックプロセッシングユニット）などの処理装置１２０と、データ、プログラム、および各種情報を記憶装置１１０に入力するための入力装置１３０と、処理結果や処理されたデータを出力するための出力装置１４０と、インターネットなどのネットワークに接続するための通信装置１５０を備えている。

【0103】

記憶装置１１０は、処理装置１２０がアクセス可能な主記憶装置１１１と、データおよびプログラムを格納する補助記憶装置１１２を備えている。主記憶装置１１１は、例えばランダムアクセスメモリ（ＲＡＭ）であり、補助記憶装置１１２は、ハードディスクドライブ（ＨＤＤ）またはソリッドステートドライブ（ＳＳＤ）などのストレージ装置である。

【0104】

入力装置１３０は、キーボード、マウスを備えており、さらに、記録媒体からデータを読み込むための記録媒体読み込み装置１３２と、記録媒体が接続される記録媒体ポート１３４を備えている。記録媒体は、非一時的な有形物であるコンピュータ読み取り可能な記録媒体であり、例えば、光ディスク（例えば、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ）や、半導体メモリー（例えば、ＵＳＢフラッシュドライブ、メモリーカード）である。記録媒体読み込み装置１３２の例としては、ＣＤ－ＲＯＭドライブ、ＤＶＤ－ＲＯＭドライブなどの光学ドライブや、カードリーダーが挙げられる。記録媒体ポート１３４の例としては、ＵＳＢポートが挙げられる。記録媒体に記憶されているプログラムおよび／またはデータは、入力装置１３０を介してコンピュータに導入され、記憶装置１１０の補助記憶装置１１２に格納される。出力装置１４０は、ディスプレイ装置１４１、印刷装置１４２を備えている。

【0105】

機械学習アルゴリズムにより構築された学習済みモデルは記憶装置１１０に格納されている。この学習済みモデルは、図１に示すように、入力層３０１と、複数の隠れ層（中間層ともいう）３０２と、出力層３０３を有したニューラルネットワークである。コンピュータは、記憶装置１１０に電気的に格納されたプログラムに従って動作する。一実施形態では、コンピュータは、凝集フロックの画像データを画像取得装置１２から取得するステップと、少なくとも画像データを、機械学習アルゴリズムにより構築された凝集剤判定モデルに入力するステップと、ニューラルネットワークを構成する多層パーセプトロンのアルゴリズムに従って演算を実行することによって、出力層３０３から、凝集剤の過不足の判断結果を表す数値を出力するステップを実行する。さらに、コンピュータは、上記凝集剤判定モデルを構築するステップ、および上記凝集剤判定モデルを更新するステップを実行する。これらステップをコンピュータに実行させるためのプログラムは、非一時的な有形物であるコンピュータ読み取り可能な記録媒体に記録され、記録媒体を介してコンピュータに提供される。または、プログラムおよび上記凝集剤判定モデルは、インターネットなどの通信ネットワークを介して通信装置１５０からコンピュータに入力されてもよい。

【0106】

上述した実施形態は、本発明が属する技術分野における通常の知識を有する者が本発明を実施できることを目的として記載されたものである。上記実施形態の種々の変形例は、当業者であれば当然になしうることであり、本発明の技術的思想は他の実施形態にも適用しうる。したがって、本発明は、記載された実施形態に限定されることはなく、特許請求の範囲によって定義される技術的思想に従った最も広い範囲に解釈されるものである。

【符号の説明】

【0107】

１ 急速撹拌槽
２ 緩速撹拌槽
３ 排水導入ライン
５ 凝集剤添加ポンプ
７ 沈澱槽
１０ 凝集剤添加ポンプ
１２ 画像取得装置
２１ 濁度センサ
２２ ｐＨセンサ
２３ ＣＯＤ測定器
３０ 濁度センサ
３２ 画像取得装置
３３ 画像取得装置
３４ 画像取得装置
４０ 浮上槽
４１ 加圧水供給ライン
４４ スカムスキマ
４５ 樋
４７ 処理水排出ライン
４８ 画像取得装置
４９ 画像取得装置
５１ 生物反応槽
５１Ａ 越流部
５２ 沈澱槽
５２Ａ 越流部
５５ 連絡流路
５７ 凝集剤添加ポンプ
５８ 画像取得装置
５９ 画像取得装置
１００ 演算システム
１１０ 記憶装置
１１１ 主記憶装置
１１２ 補助記憶装置
１２０ 処理装置
１３０ 入力装置
１３２ 記録媒体読み込み装置
１３４ 記録媒体ポート
１４０ 出力装置
１４１ ディスプレイ装置
１４２ 印刷装置
１５０ 通信装置
３０１ 入力層
３０２ 隠れ層
３０３ 出力層

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】