特許 7494669 排水処理シミュレータのパラメータ値予測方法及び装置並びに下水処理プラントの制御方法及び装置

(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】2024-05-27

(45)【発行日】2024-06-04

(54)【発明の名称】排水処理シミュレータのパラメータ値予測方法及び装置並びに下水処理プラントの制御方法及び装置

(51)【国際特許分類】

   C02F 3/12 20230101AFI20240528BHJP

   C02F 3/34 20230101ALI20240528BHJP

   G06Q 50/26 20240101ALI20240528BHJP

【ＦＩ】

C02F3/12 H

C02F3/34 101C

G06Q50/26

C02F3/12 Z

【請求項の数】 12

(21)【出願番号】P 2020152230

(22)【出願日】2020-09-10

(65)【公開番号】P2022046281

(43)【公開日】2022-03-23

【審査請求日】2023-02-27

(73)【特許権者】

【識別番号】000004123

【氏名又は名称】ＪＦＥエンジニアリング株式会社

(74)【代理人】

【識別番号】110002963

【氏名又は名称】弁理士法人ＭＴＳ国際特許事務所

(72)【発明者】

【氏名】江川 拓也

(72)【発明者】

【氏名】戸村 啓二

(72)【発明者】

【氏名】冨田 洋平

【審査官】田中 雅之

(56)【参考文献】

【文献】特開２００１－２５２６９１（ＪＰ，Ａ）

【文献】特開平０３－０８１６４５（ＪＰ，Ａ）

【文献】特開２００７－２２９５５０（ＪＰ，Ａ）

【文献】特開２００１－３３４２５３（ＪＰ，Ａ）

【文献】特開２００６－０９５４４０（ＪＰ，Ａ）

【文献】特開２０２０－０３２３９４（ＪＰ，Ａ）

【文献】特開２０１９－０５２９８５（ＪＰ，Ａ）

【文献】特開２０１９－２１５７４３（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｃ０２Ｆ ３／００－ ３／３４

Ｇ０６Ｑ ５０／００－５０／２０

Ｇ０６Ｑ ５０／２６－９９／００

Ｇ１６Ｚ ９９／００

(57)【特許請求の範囲】

【請求項1】

下水処理プラントのデータと排水処理シミュレータによるシミュレーションの結果に対して、確からしい各パラメータ値を探索し、
前記各パラメータ値の時系列データをデータベースに保存し、
流入下水又は反応槽中の汚泥を観察して、その汚泥画像データを取得し、
得られた汚泥画像データの特徴量と前記パラメータ値の時系列データの関係を機械学習により学習してモデルを構築し、
該機械学習により構築したモデルを用いて、新しく得た汚泥画像データの特徴量から前記排水処理シミュレータのパラメータ値を予測することを特徴とする排水処理シミュレータのパラメータ値予測方法。

【請求項2】

前記汚泥画像データの特徴量に加えて水質データも用いることを特徴とする請求項１に記載の排水処理シミュレータのパラメータ値予測方法。

【請求項3】

前記汚泥画像データの特徴量として、処理対象水の発泡度合い、処理対象水に含まれる固形物の形状、色、濃度、大きさ、および活性汚泥のフロック近傍の水の色、原生生物の種類・数を用いることを特徴とする請求項１または請求項２に記載の排水処理シミュレータのパラメータ値予測方法。

【請求項4】

下水処理プラントのデータと排水処理シミュレータによるシミュレーションの結果に対して、確からしい各パラメータ値を探索するモデルと、
前記各パラメータ値の時系列データを保存するデータベースと、
流入下水又は反応槽中の汚泥を観察して、その汚泥画像データを取得する手段と、
得られた汚泥画像データの特徴量と前記パラメータ値の時系列データの関係を機械学習により学習してモデルを構築する手段と、
該機械学習により構築したモデルを用いて、新しく得た汚泥画像データの特徴量から前記排水処理シミュレータのパラメータ値を予測する手段と、
を備えたことを特徴とする排水処理シミュレータのパラメータ値予測装置。

【請求項5】

前記汚泥画像データの特徴量に加えて水質データも用いることを特徴とする請求項４に記載の排水処理シミュレータのパラメータ値予測装置。

【請求項6】

前記汚泥画像データの特徴量として、処理対象水の発泡度合い、処理対象水に含まれる固形物の形状、色、濃度、大きさ、および活性汚泥のフロック近傍の水の色、原生生物の種類・数を用いることを特徴とする請求項４または請求項５に記載の排水処理シミュレータのパラメータ値予測装置。

【請求項7】

下水処理プラントのデータと排水処理シミュレータによるシミュレーションの結果に対して、確からしい各パラメータ値を探索し、
前記各パラメータ値の時系列データをデータベースに保存し、
流入下水又は反応槽中の汚泥を観察して、その汚泥画像データを取得し、
得られた汚泥画像データの特徴量と前記パラメータ値の時系列データの関係を機械学習により学習してモデルを構築し、
該機械学習により構築したモデルを用いて、新しく得た汚泥画像データの特徴量から前記排水処理シミュレータのパラメータ値を予測し、
この予測したパラメータ値を前記排水処理シミュレータに設定し、
水質データと新しく得た汚泥画像データを入力して下水処理プラントを制御することを特徴とする下水処理プラントの制御方法。

【請求項8】

前記汚泥画像データの特徴量に加えて水質データも用いることを特徴とする請求項７に記載の下水処理プラントの制御方法。

【請求項9】

前記汚泥画像データの特徴量として、処理対象水の発泡度合い、処理対象水に含まれる固形物の形状、色、濃度、大きさ、および活性汚泥のフロック近傍の水の色、原生生物の種類・数を用いることを特徴とする請求項７または請求項８に記載の下水処理プラントの制御方法。

【請求項10】

下水処理プラントのデータと排水処理シミュレータによるシミュレーションの結果に対して、確からしい各パラメータ値を探索するモデルと、
前記各パラメータ値の時系列データを保存するデータベースと、
流入下水又は反応槽中の汚泥を観察して、その汚泥画像データを取得する手段と、
得られた汚泥画像データの特徴量と前記パラメータ値の時系列データの関係を機械学習により学習してモデルを構築する手段と、
該機械学習により構築したモデルを用いて、新しく得た汚泥画像データの特徴量から前記排水処理シミュレータのパラメータ値を予測する手段と、
該手段で予測されたパラメータ値が設定される前記排水処理シミュレータと、
水質データと新しく得た汚泥画像データを入力して下水処理プラントを制御する手段と、
を備えたことを特徴とする下水処理プラントの制御装置。

【請求項11】

前記汚泥画像データの特徴量に加えて水質データも用いることを特徴とする請求項１０に記載の下水処理プラントの制御装置。

【請求項12】

前記汚泥画像データの特徴量として、処理対象水の発泡度合い、処理対象水に含まれる固形物の形状、色、濃度、大きさ、および活性汚泥のフロック近傍の水の色、原生生物の種類・数を用いることを特徴とする請求項１０または請求項１１に記載の下水処理プラントの制御装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、排水処理シミュレータのパラメータ値予測方法及び装置並びに下水処理プラントの制御方法及び装置に係り、特に、排水処理シミュレータに精通していなくても、そのパラメータ値を的確に予測することが可能な、排水処理シミュレータのパラメータ値予測方法及び装置並びに下水処理プラントの制御方法及び装置に関する。

【背景技術】

【0002】

有機物を含む排水の処理には、微生物を使用した生物処理が用いられる。この生物処理において、下水や排水中に含まれる有機物を基質として人為的に培養された微生物の集合体を活性汚泥と呼ぶ。この活性汚泥中では、細菌（従属栄養生物）、糸状菌、酵母、原生生物、後生生物など多様な生物種が相互作用し、水中の有機物、窒素、リンなどが処理される。

【0003】

このような活性汚泥法による下水処理プラントの基本的な下水処理フローを図１に示す。この下水処理プラントは、下水ラインから流入する下水からトイレットペーパーなどの固形性汚濁物や砂等を除去するための最初沈殿池１０と、微生物群の働きにより有機物や窒素（アンモニア）、リン酸を除去するための生物反応槽２０と、活性汚泥と処理水を自然沈降により固液分離するための最終沈殿池３０とを主に備えている。

【0004】

下水処理プラントの主要な処理対象物と項目は、有機物は、生物学的酸素要求量ＢＯＤ、化学的酸素要求量ＣＯＤ、浮遊状固形物ＳＳであり、窒素関係は、全窒素（有機体窒素＋無機窒素）Ｔ－Ｎ、アンモニア性窒素ＮＨ₄－Ｎ、硝酸性窒素ＮＯ₃－Ｎ、亜硝酸性窒素ＮＯ₂－Ｎであり、リンは、全リン（有機体リン＋無機リン）Ｔ－Ｐ、リン酸性リンＰＯ₄－Ｐである。

【0005】

このような下水処理プラントの運転を支援する方法の一つに、数理モデルに基いた排水処理シミュレータが提案されている（特許文献１、特許文献２）。この排水処理シミュレータの一つに、活性汚泥を用いたＡＳＭ（Activated sludge model）がある。このＡＳＭでは、生物の代謝を数式化し、反応の進行に伴う物質収支と反応速度から有機物、窒素、リンのような処理対象物質の移動をシミュレートする。

【0006】

このＡＳＭでは、モデルで定義しているパラメータ値の一般性が常に高いわけではなく、シミュレーションの精度を維持するため、個別の処理プラントやケース毎にその時の状況を的確に表現し得るパラメータセットを決めて適宜各パラメータ値をキャリブレーションする必要がある。

【先行技術文献】

【特許文献】

【0007】

【文献】特開２００１－３３４２８７号公報

【文献】特開２００５－１３９５７号公報

【発明の概要】

【発明が解決しようとする課題】

【0008】

しかしながら、これらのパラメータは、処理原水あるいは反応槽中の有機物の成分（遅分解性有機物、発酵性有機物、発酵生産物）の割合や活性汚泥中の各微生物の割合及び活性などに由来するため、実験的に定めることは難しく、ＡＳＭに精通した技術者による適宜設定が必要であった。

【0009】

本発明は、前記従来の問題点を解決するべくなされたもので、ＡＳＭのような排水処理シミュレータに精通していなくても、そのパラメータ値を的確に予測可能とすることを第１の課題とする。

【0010】

本発明は、更に、予測されたパラメータ値を用いて下水処理プラントを的確に制御可能とすることを第２の課題とする。

【課題を解決するための手段】

【0011】

本発明は、下水処理プラントのデータと排水処理シミュレータによるシミュレーションの結果に対して、確からしい各パラメータ値を探索し、前記各パラメータ値の時系列データをデータベースに保存し、流入下水又は反応槽中の汚泥を観察して、その汚泥画像データを取得し、得られた汚泥画像データの特徴量と前記パラメータ値の時系列データの関係を機械学習により学習してモデルを構築し、該機械学習により構築したモデルを用いて、新しく得た汚泥画像データの特徴量から前記排水処理シミュレータのパラメータ値を予測することにより、前記第１の課題を解決したものである。

【0012】

ここで、前記汚泥画像データの特徴量に加えて水質データも用いることができる。
又、前記汚泥画像データの特徴量として、処理対象水の発泡度合い、処理対象水に含まれる固形物の形状、色、濃度、大きさ、および活性汚泥のフロック近傍の水の色、原生生物の種類・数を用いることができる。

【0013】

本発明は、又、下水処理プラントのデータと排水処理シミュレータによるシミュレーションの結果に対して、確からしい各パラメータ値を探索するモデルと、前記各パラメータ値の時系列データを保存するデータベースと、流入下水又は反応槽中の汚泥を観察して、その汚泥画像データを取得する手段と、得られた汚泥画像データの特徴量と前記パラメータ値の時系列データの関係を機械学習により学習してモデルを構築する手段と、該機械学習により構築したモデルを用いて、新しく得た汚泥画像データの特徴量から前記排水処理シミュレータのパラメータ値を予測する手段と、を備えたことを特徴とする排水処理シミュレータのパラメータ値予測装置を提供するものである。

【0014】

ここで、前記汚泥画像データの特徴量に加えて水質データも用いることができる。
又、前記汚泥画像データの特徴量として、処理対象水の発泡度合い、処理対象水に含まれる固形物の形状、色、濃度、大きさ、および活性汚泥のフロック近傍の水の色、原生生物の種類・数を用いることができる。

【0015】

本発明は、又、下水処理プラントのデータと排水処理シミュレータによるシミュレーションの結果に対して、確からしい各パラメータ値を探索し、前記各パラメータ値の時系列データをデータベースに保存し、流入下水又は反応槽中の汚泥を観察して、その汚泥画像データを取得し、得られた汚泥画像データの特徴量と前記パラメータ値の時系列データの関係を機械学習により学習してモデルを構築し、該機械学習により構築したモデルを用いて、新しく得た汚泥画像データの特徴量から前記排水処理シミュレータのパラメータ値を予測し、この予測したパラメータ値を前記排水処理シミュレータに設定し、水質データと新しく得た汚泥画像データを入力して下水処理プラントを制御することにより、前記第２の課題を解決したものである。
ここで、前記汚泥画像データの特徴量に加えて水質データも用いることができる。
又、前記汚泥画像データの特徴量として、処理対象水の発泡度合い、処理対象水に含まれる固形物の形状、色、濃度、大きさ、および活性汚泥のフロック近傍の水の色、原生生物の種類・数を用いることができる。

【0016】

本発明は、又、下水処理プラントのデータと排水処理シミュレータによるシミュレーションの結果に対して、確からしい各パラメータ値を探索するモデルと、前記各パラメータ値の時系列データを保存するデータベースと、流入下水又は反応槽中の汚泥を観察して、その汚泥画像データを取得する手段と、得られた汚泥画像データの特徴量と前記パラメータ値の時系列データの関係を機械学習により学習してモデルを構築する手段と、該機械学習により構築したモデルを用いて、新しく得た汚泥画像データの特徴量から前記排水処理シミュレータのパラメータ値を予測する手段と、該手段で予測されたパラメータ値が設定される前記排水処理シミュレータと、水質データと新しく得た汚泥画像データを入力して下水処理プラントを制御する手段と、を備えたことを特徴とする下水処理プラントの制御装置を提供するものである。
ここで、前記汚泥画像データの特徴量に加えて水質データも用いることができる。
又、前記汚泥画像データの特徴量として、処理対象水の発泡度合い、処理対象水に含まれる固形物の形状、色、濃度、大きさ、および活性汚泥のフロック近傍の水の色，原生生物の種類・数を用いることができる。

【発明の効果】

【0017】

本発明によれば、活性汚泥画像を解析することにより、ＡＳＭのような排水処理シミュレータに精通していなくても、そのパラメータ値を的確に予測することが可能となる。従って、この予測されたパラメータ値を用いた高精度な排水処理シミュレータにより下水処理プラントの的確な制御が可能となる。

【図面の簡単な説明】

【0018】

【図1】下水処理プラントの基本的な下水処理フローを示す図

【図2】本発明に係る下水処理プラントの実施形態の全体的な構成を示す図

【図3】本発明の第１実施形態の要部構成を示すブロック図

【図4】前記実施形態で活性汚泥画像から得られる特徴量の例を示す図

【図5】本発明の第２実施形態の要部構成を示すブロック図

【発明を実施するための形態】

【0019】

以下、図面を参照して、本発明の実施の形態について詳細に説明する。なお、本発明は以下の実施形態に記載した内容により限定されるものではない。また、以下に記載した実施形態における構成要件には、当業者が容易に想定できるもの、実質的に同一のもの、いわゆる均等の範囲のものが含まれる。更に、以下に記載した実施形態で開示した構成要素は適宜組み合わせてもよいし、適宜選択して用いてもよい。

【0020】

本発明の実施形態の構成を図２に示す。

【0021】

本実施形態は、従来と同様の、下水ライン８から下水が流入する最初沈殿池１０と、該最初沈殿池１０と流入ライン１２を介して接続された生物反応槽２０と、最終沈殿池３０とを主に備えている。

【0022】

なお、最初沈殿池１０の入側に、大きな重い夾雑物を除去して、ポンプ等を保護するための沈砂池（図示省略）が設けられる。

【0023】

前記生物反応槽２０は、細胞内のリンを放出し、ＰＨＡを細胞内に合成するための嫌気槽２２と、硝酸内の酸素を用いて有機物を酸化分解し、硝酸を窒素ガスに還元するための無酸素槽２４と、溶存酸素を用いて有機物を酸化分解し、アンモニアを硝酸化、ＰＨＡを分解して、リン酸を細胞内に過剰蓄積させることによってリンを除去するための好気槽２６とを備えている。

【0024】

前記最終沈殿池３０の出側には、処理水を消毒して河川等に放流するための処理水ライン３２と、汚泥の一部を生物反応槽２０の入側に返送するための汚泥返送ライン３４と、余剰汚泥を脱水して排出するための余剰汚泥ライン３６とが設けられている。

【0025】

前記汚泥返送ライン３４には、返送ポンプ３８及び流量計３９が設けられており、最終沈殿池３０に蓄積した汚泥の一部が生物反応槽２０の入側に戻される。この返送ポンプ３８による返送汚泥量の調整により、ＭＬＳＳ（汚泥濃度）の維持や調整が図られる。

【0026】

前記余剰汚泥ライン３６には、余剰汚泥ポンプ４０及び流量計４１が設けられており、余剰汚泥は脱水されて排出される。この余剰汚泥ポンプ４０による余剰汚泥量の調整により、系内の汚泥量の調整、汚泥の新陳代謝を整えて、汚泥滞留時間を制御する。

【0027】

前記好気槽２６には、空気ブロワ４２と空気量計４３が設けられ、空気を吹き込むようにされている。この空気ブロワ４２の空気量は、ＤＯ（溶存酸素濃度）の維持及び制御に用いられる。

【0028】

前記生物反応槽２０の好気槽２６の出側には、硝化液を無酸素槽２４に循環させるための硝化液循環ライン４４が設けられており、この硝化液循環ライン４４には、硝化液循環ポンプ４６が設けられている。この硝化液循環ポンプ４６による硝化液循環量は、無酸素槽２４への硝酸性窒素の供給量を調整して、窒素を除去するために用いられる。

【0029】

前記流入ライン１２には水量センサ１４が設けられ、前記嫌気槽２２にはＯＲＰ（酸化還元電位）センサ５２が設けられ、前記無酸素槽２４には、例えばｐＨセンサ及びＯＲＰセンサからなるセンサ５４が設けられ、前記好気槽２６には、例えばＯ₂センサ、ＭＬＳＳ（汚泥濃度）センサ、ｐＨセンサからなるセンサ５６が設けられ、処理水ライン３２には水質センサ５８が設けられている。

【0030】

前記各センサ１４、５２、５４、５６、５８の出力は、コンピュータ６０に入力され、コンピュータ６０による演算処理結果に基づいて、各ポンプやブロワなどのアクチュエータが制御される。本実施形態では、前記コンピュータ６０にＡＳＭ６４が接続されている。

【0031】

ここで、ｐＨは、環境条件の管理に用いられ、嫌気槽２２と無酸素槽２４では例えばｐＨ７～８、好気槽２６では例えばｐＨ６～７に保たれる。

【0032】

又、前記ＯＲＰ（酸化還元電位）に関しても、やはり環境条件の管理に用いられ、嫌気槽２２では例えば－３００～－４００ｍＶ未満に維持され、無酸素槽２４では例えば０～－２００ｍＶ未満に維持される。

【0033】

又、前記ＤＯ（溶存酸素濃度）に関しても、やはり環境条件の管理に用いられ、嫌気槽２２や無酸素槽２４では例えば０．２ｍｇ／Ｌ未満、好気槽２６では例えば１．０～２．０ｍｇ／Ｌに保たれる。

【0034】

又、前記ＭＬＳＳ（汚泥濃度）は、活性汚泥中の微生物量の管理に用いられ、遠心分離汚泥の乾燥重量で全体的に例えば２，０００～３，０００ｍｇ／Ｌに保たれる。

【0035】

汚泥性状としては、例えば前記ＭＬＳＳ、１Ｌメスシリンダで３０分沈殿させた場合の汚泥界面の目盛である活性汚泥沈殿率ＳＶ３０、３０分沈降後の汚泥１ｇが占める容積である汚泥沈降目標ＳＶＩ（＝ＳＶ３０×１０，０００／ＭＬＳＳ）が分析される。

【0036】

本発明の第１実施形態のコンピュータ６０は、図３に示す如く、学習・モデル構築部６２とパラメータ値導出部９０を備えている。

【0037】

前記学習・モデル構築部６２では、機械学習によるモデル構築を行う。

【0038】

そのため、水質データと運転データを収集し、ＡＳＭ６４を介して自動キャリブレーションモデル部６６に入力することで、下水処理プラントのセンサデータとＡＳＭ６４によるシミュレーションの結果に対して確からしい各パラメータ値を探索する。探索された各パラメータ値の時系列データがデータベース６８に保存される。ここでの水質データは、センサから直接測定されたものでも良いし、ソフトセンサのような手法で一部間接的に求めても良い。又、水質データを省略することもできる。

【0039】

そして、最初沈殿池１０の流出水又は反応槽タンクから得られた活性汚泥を汚泥観察部７０で観察し、画像解析部７２で図４に例示するような画像解析、例えばセグメンテーションといった手法を実施して、嫌気槽２２の流入水や最初沈殿池１０の流出水の場合には、例えば、下水の色、固形物の形状、色、濃度、大きさ、発泡度合いなどの数値情報を入手する。又、活性汚泥の場合には、例えばフロックの大きさ、フロックの色、フロックの数、フロックの形状、糸状菌の数、糸状菌の長さ、水の色、フロック近傍の水の色、原生生物の種類、原生生物の数などのパラメータについて数値情報を入手する。

【0040】

そして、自動キャリブレーションモデル部６６で求められ、データベース６８に保存されている確からしいパラメータ値、画像解析部７２で画像解析により得られた数値、水質データについて機械学習部８０で機械学習を行い、モデル８２を構築する。

【0041】

そして、操業時には、パラメータ値導出部９０で画像データから特徴量を抽出し、学習・モデル構築部６２で機械学習により構築されたモデル８２に対して、水質データと画像分析から得られた数値データを入力することでＡＳＭ６４内部のパラメータ値を導出する。

【0042】

次に本発明の第２実施形態を説明する。

【0043】

この第２実施形態は、図５に示す如く、第１実施形態と同様の学習・モデル構築部６２とパラメータ値導出部９０に、最適運転条件提案部１００を加えたものである。

【0044】

前記最適運転条件提案部１００では、前記パラメータ値導出部９０で導出されたパラメータ値と、水質データをＡＳＭ６４に入力し、ＡＳＭ６４を利用して、処理水質を満足し、且つ、消費電力又は薬品使用量が最小となるような運転パラメータを提案する。

【0045】

本実施形態では、第１実施形態と同様の学習・モデル構築部６２でモデル８２を構築し、パラメータ値導出部９０で、構築されたモデル８２に水質データと実際の汚泥画像データを入力してパラメータ値を導出した後、最適運転条件提案部１００のＡＳＭ６４に水質データと共に導入して、処理水質を満足し、且つ、消費電力量又は薬品使用量が最小となるような運転条件を提案することができる。

【0046】

他の点については第１実施形態と同様であるので説明は省略する。

【0047】

この第２実施形態によれば、最適運転条件を提案することが可能となる。

【0048】

前記実施形態においては、いずれもＡＳＭのパラメータ値の算出に汚泥画像データと水質データを用いていたので高精度の算出が可能である。なお、水質データは省略することもできる。

【0049】

又、前記実施形態においては、本発明が、嫌気－無酸素－好気法により有機物、窒素、リンを除去するための、生物反応槽２０が嫌気槽２２、無酸素槽２４及び好気槽２６を備えた下水処理プラントに適用されていたが、本発明の適用対象はこれに限定されず、例えば無酸素－好気法（循環式硝化脱窒素法）により有機物と窒素を除去するための、生物反応槽が嫌気槽を含まない下水処理プラントや、嫌気－好気法により有機物とリンを除去するための、生物反応槽が無酸素槽を含まず、嫌気槽と好気槽を備えた下水処理プラントや、標準活性汚泥法により有機物を除去するための、生物反応槽が好気槽のみからなる下水処理プラントにも適用できることは明らかである。

【符号の説明】

【0050】

８…下水ライン
１０…最初沈殿池
１２…流入ライン
１４…水量センサ
２０…生物反応槽
２２…嫌気槽
２４…無酸素槽
２６…好気槽
３０…最終沈殿池
３２…処理水ライン
３４…汚泥返送ライン
３６…余剰汚泥ライン
３８…返送ポンプ
３９、４１…流量計
４０…余剰汚泥ポンプ
４２…空気ブロワ
４３…空気量計
４４…硝化液循環ライン
４６…硝化液循環ポンプ
５２…ＯＲＰセンサ
５４…ｐＨセンサ＋ＯＲＰセンサ
５６…Ｏ₂センサ＋ＭＬＳＳセンサ＋ｐＨセンサ
５８…水質センサ
６０…コンピュータ
６２…学習・モデル構築部
６４…ＡＳＭ
６６…自動キャリブレーションモデル部
６８…データベース
７０…汚泥観察部
７２…画像解析部
８０…機械学習部
８２…モデル
９０…パラメータ値導出部
１００…最適運転条件提案部

【図1】

【図2】

【図3】

【図4】

【図5】