정수장, 하수처리장, 폐수처리장의 배출수 처리공정에서 고 농도의 슬러지 선별, 이송 및 약품 투입량 조절을 위한 기준으로 슬러지 농도계가 사용되고 있다. 그러나 슬러지에 함유된 이물질이 혼입될 경우 감쇄량이 증가하거나 초음파가 수신부에 전달되지 않아 실제 농도값 보다 높은 값을 출력하거나 헌팅현상이 발생한다. 또한 단일 센서에 슬러지 포착 또는 고장 등의 문제로 배출수 공정 자동화에 어려움이 많았다. 이러한 문제점을 개선하기 위해 초음파 다중빔 농도계를 개발하여 사용하고 있으나 특정 초음파 빔의 농도 측정값에 오류가 발생할 경우 전체 농도시스템의 성능이 떨어지는 단점이 있다. 따라서 본 논문에서는 초음파 다중빔 농도계 간의 신뢰성을 판단하고, 신뢰성이 높은 다중빔 농도계만을 사용하여 슬러지 농도 예측값의 성능 향상방안을 제시하였다. 예측 알고리즘으로는 뉴로-퍼지모델을 적용하였으며 다양한 실험을 통하여 제안된 방법의 타당성을 검증하였다.
정수장, 하수처리장, 폐수처리장의 배출수 처리공정에서 고 농도의 슬러지 선별, 이송 및 약품 투입량 조절을 위한 기준으로 슬러지 농도계가 사용되고 있다. 그러나 슬러지에 함유된 이물질이 혼입될 경우 감쇄량이 증가하거나 초음파가 수신부에 전달되지 않아 실제 농도값 보다 높은 값을 출력하거나 헌팅현상이 발생한다. 또한 단일 센서에 슬러지 포착 또는 고장 등의 문제로 배출수 공정 자동화에 어려움이 많았다. 이러한 문제점을 개선하기 위해 초음파 다중빔 농도계를 개발하여 사용하고 있으나 특정 초음파 빔의 농도 측정값에 오류가 발생할 경우 전체 농도시스템의 성능이 떨어지는 단점이 있다. 따라서 본 논문에서는 초음파 다중빔 농도계 간의 신뢰성을 판단하고, 신뢰성이 높은 다중빔 농도계만을 사용하여 슬러지 농도 예측값의 성능 향상방안을 제시하였다. 예측 알고리즘으로는 뉴로-퍼지모델을 적용하였으며 다양한 실험을 통하여 제안된 방법의 타당성을 검증하였다.
A concentration meter is widely used at purification plants, sewage treatment plants and waste water treatment plants to sort and transfer high concentration sludge and to control the amount of chemical dosage. When the strange substance is contained in the sludge, however, the attenuation of ultras...
A concentration meter is widely used at purification plants, sewage treatment plants and waste water treatment plants to sort and transfer high concentration sludge and to control the amount of chemical dosage. When the strange substance is contained in the sludge, however, the attenuation of ultrasonic wave could be increased or not be transmitted to the receiver. At that case, the value of concentration meter is higher than the actual density value or vibrated up and down. It has also been difficult to automate the residuals treatment process according to the problems as sludge attachment or damage of a sensor. Multi-beam ultrasonic concentration meter has been developed to solve these problems, but the failure of the ultrasonic beam of a specific concentration measurement value degrade the performance of the entire system. This paper proposes the method to improve the accuracy of sludge concentration rate by choosing reliable sensor values and learning them by proposed algorithm. The prediction algorithm is chosen as neuro-fuzzy model, which is tested by the various experiments.
A concentration meter is widely used at purification plants, sewage treatment plants and waste water treatment plants to sort and transfer high concentration sludge and to control the amount of chemical dosage. When the strange substance is contained in the sludge, however, the attenuation of ultrasonic wave could be increased or not be transmitted to the receiver. At that case, the value of concentration meter is higher than the actual density value or vibrated up and down. It has also been difficult to automate the residuals treatment process according to the problems as sludge attachment or damage of a sensor. Multi-beam ultrasonic concentration meter has been developed to solve these problems, but the failure of the ultrasonic beam of a specific concentration measurement value degrade the performance of the entire system. This paper proposes the method to improve the accuracy of sludge concentration rate by choosing reliable sensor values and learning them by proposed algorithm. The prediction algorithm is chosen as neuro-fuzzy model, which is tested by the various experiments.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 논문에서는 다중빔 방식의 농도계에서 기존 산술 평균 방식을 개선한 데이터 셀렉터와 뉴로-퍼지 모델을 이용하여 슬러지 농도를 추정하는 방식을 제안하였다.
제안 방법
제안된 슬러지 농도 추정 알고리즘은 그림 2에서와 같이 데이터 전처리 과정으로 4개의 센서 중 외란이 영향을 적게 받는 3개의 데이터를 선택할 수 있도록 Data Selector를 이용하였고 이를 뉴로-퍼지모델을 이용하여 슬러지 농도 추정을 하였다.
그림 5는 슬러지 농도 예측을 위한 뉴로-퍼지 알고리즘 구조도이다. 제안된 알고리즘으로 농도 예측을 위해서는 총 4개의 센서 입력에 3개의 그룹별 학습이 필요하며 개별 학습을 다음의 뉴로-퍼지 알고리즘으로 학습을 진행하였다.
초음파 다중빔 슬러지 농도계의 성능시험을 위하여 Pilot Plant을 표 1 및 그림 7와 같이 구성하였으며, 주요 구성요소로는 슬러지 저장탱크, 혼화를 위한 교반기, 혼화된 슬러지의 순환을 위한 인버터 펌프, 유속 측정을 위한 전자 유량계, 슬러지 농도 측정을 위하여 개발된 다중빔 초음파 농도계와 데이터 로깅을 위한 변환기로 구성하였다.
그림 8는 초음파 멀티빔 농도계이며 초음파 송·수신 센서는 채널1, 채널2, 채널3, 채널4의 4SET의 다중빔을 장착할 수 있도록 설계 및제작 하였다. 검출기는 스텐레스 스틸로 제작하여 부식을 방지하도록 하였으며, 센서표면은 초음파 지향성을 고려하여 최대한 곡면으로 처리함으로써 슬러지 침착을 최대한 억제하도록 하였다. 센서 탈착을 편리하게 하기 위하여 초음파센서 케이블을 콘넥터식으로 제작하였으며 휴대용 교정 장치를 이용한 교정(보정)작업을 고려하여 IP67등급으로 제작하였다.
검출기는 스텐레스 스틸로 제작하여 부식을 방지하도록 하였으며, 센서표면은 초음파 지향성을 고려하여 최대한 곡면으로 처리함으로써 슬러지 침착을 최대한 억제하도록 하였다. 센서 탈착을 편리하게 하기 위하여 초음파센서 케이블을 콘넥터식으로 제작하였으며 휴대용 교정 장치를 이용한 교정(보정)작업을 고려하여 IP67등급으로 제작하였다.
Pilot Plant 설비를 구성한 후 슬러지 특성과 유사한 카올린 분말을 준비하여 그림 9과 같이 농도별로 청수를 혼합하여 실험을 하였다. 또한 데이터를 취득하기 전에 초음파 농도계 센서의 기계가공에 따른 특성, 설치조건 및 IT소자의 특성 등에 따라 센서마다 특성이 다르므로 일반 계측기와 마찬가지로 영점교정과 스펜값 교정을 하였다.
Pilot Plant 설비를 구성한 후 슬러지 특성과 유사한 카올린 분말을 준비하여 그림 9과 같이 농도별로 청수를 혼합하여 실험을 하였다. 또한 데이터를 취득하기 전에 초음파 농도계 센서의 기계가공에 따른 특성, 설치조건 및 IT소자의 특성 등에 따라 센서마다 특성이 다르므로 일반 계측기와 마찬가지로 영점교정과 스펜값 교정을 하였다.
취득된 데이터로부터 농도계의 측정 정도를 향상시키기 위하여 다양한 알고리즘을 적용하여 보았다. 데이터 구성은 4개의 입력(측정값)으로 농도(출력)을 예측하고자 하였고 총 2,400개의 수집된 데이터 중 2,000개를 학습 데이터로 400개를 테스트 데이터로 분리하여 학습결과를 분석하여 보았다.
또한 일반 청수와 달리 슬러지가 센서에 침착되어 오차발생 및 고장의 원인이 되기도 한다. 이러한 문제를 해결하고 신뢰성을 확보하기 위하여 다중빔 농도계의 측정값 중 편차가 가장 큰 값을 제외한 경우와 또한 비선형 알고리즘적용 가능성을 위하여 실험 및 분석하였다.
대상 데이터
Pilot Plant의 시험절차는 그림 10과 같이 진행하였으며 데이터 취득은 초음파 다중빔 농도계의 변환기와 노트북을 RS-232통신으로 연결하여 노트북에 설치된 MMI(Cimon)에서 1초 단위의 실시간 데이터를 취득하였다.
취득된 데이터로부터 농도계의 측정 정도를 향상시키기 위하여 다양한 알고리즘을 적용하여 보았다. 데이터 구성은 4개의 입력(측정값)으로 농도(출력)을 예측하고자 하였고 총 2,400개의 수집된 데이터 중 2,000개를 학습 데이터로 400개를 테스트 데이터로 분리하여 학습결과를 분석하여 보았다. 성능지표로는 MAPE (Mean absolute percentage Error), MAE(Mean absolute prediction Error) 및 평균제곱오차인 RMSE(Root means square error)를 고려하였다.
데이터처리
데이터 구성은 4개의 입력(측정값)으로 농도(출력)을 예측하고자 하였고 총 2,400개의 수집된 데이터 중 2,000개를 학습 데이터로 400개를 테스트 데이터로 분리하여 학습결과를 분석하여 보았다. 성능지표로는 MAPE (Mean absolute percentage Error), MAE(Mean absolute prediction Error) 및 평균제곱오차인 RMSE(Root means square error)를 고려하였다.
성능/효과
표 2에서는 측정데이터를 합산하여 이를 평균하는 산술평균 방식과 뉴로-퍼지 알고리즘을 이용한 학습 데이터의 농도 값 예측 결과이다. 데이터를 선택하지 않고 4개의 센서를 모두 이용한 경우 산술평균 백분율오차가 10.94%로 뉴로-퍼지에 의한 0.00082%에 비하여 매우 높았다. 또한 4개의 센서 중 센서 간 편차 값을 계산하여 편차가 가장 큰 센서 값을 제거한 후 계산한 결과 산술평균 5.
00082%에 비하여 매우 높았다. 또한 4개의 센서 중 센서 간 편차 값을 계산하여 편차가 가장 큰 센서 값을 제거한 후 계산한 결과 산술평균 5.84%, 뉴로-퍼지 0.00049%로 개선되었다. 표 3에서는 테스트 데이터의 농도 값 예측 결과이며 데이터를 선택하지 않고 4개의 센서를 모두 이용한 경우와 데이터를 선택한 경우를 비교한 결과 산술평균오차가 약 3%, 뉴로-퍼지가 약 0.
00049%로 개선되었다. 표 3에서는 테스트 데이터의 농도 값 예측 결과이며 데이터를 선택하지 않고 4개의 센서를 모두 이용한 경우와 데이터를 선택한 경우를 비교한 결과 산술평균오차가 약 3%, 뉴로-퍼지가 약 0.6% 우수 하였다.
여러 요인으로 인하여 센서가 정상적으로 작동하지 않을 경우가 있으며, 실험결과 4개의 센서를 모두 이용한 경우보다 3개의 센서를 이용한 오차가 보다 개선되었으며 현재 사용되고 있는 멀티센서의 단순 산술평균에 의한 농도값 산출보다 비선형 알고리즘인 ANFIS 알고리즘을 적용하여 계산한 결과가 성능이 크게 개선됨을 검증하였다.
질의응답
핵심어
질문
논문에서 추출한 답변
배출수 처리공정은 어떻게 구성되는가?
정수장, 하수처리장 및 폐수처리장에서 배출되는 슬러지는 매립, 해양투기, 소각 등의 방식으로 처리되어 환경오염이 규정됨에 따라 배출 슬러지을 효과적으로 절감할 수 있는 방법 개발이 시급히 요구된다[1-2]. 일반적으로 배출수 처리공정은 수처리 공정으로부터 배출수 및 슬러지가 유입되며 조정, 농축, 탈수 및 처분의 4단계로 구분된다. 최초 침전지에서 슬러지가 배출되어 도착되는 조정시설(배슬러지지, 배출수지), 농축시설(농축조, 저류조) 및 탈수시설로 구성된다[3].
센서 표면의 슬러지침착에 따른 센서 감도와 오차발생 문제를 해결하기 위해 개발된 것은?
또한, 슬러지가 정체된 상태에서 최초 슬러지 공급펌프가 가동될 경우 일정시간 동안 슬러지 형상이 안정화되지 않아 측정값이 불안정 한 경우가 발생하기도 하고, 관내에 센서를 삽입하여 측정하는 유통형 농도측정방식으로 인해 운영시 센서 표면의 슬러지침착에 따른 센서 감도와 오차발생의 원인이 되고 있다. 이러한 결함은 싱글빔 방식에서는 치명적인 문제로 이를 해결하기 위하여 최근 다중빔 방식을 접목한 초음파 슬러지 농도계를 개발하였다[6]. 다중빔 방식에서는 4개 센서 산술평균으로 출력을 제시하고 있으나 이물질에 의해 랜덤하게 발생하는 개별 센서의 오차로 인하여 정확한 계측에 한계가 있었다[7-9].
슬러지처리란?
최초 침전지에서 슬러지가 배출되어 도착되는 조정시설(배슬러지지, 배출수지), 농축시설(농축조, 저류조) 및 탈수시설로 구성된다[3]. 슬러지처리는 원수중의 탁도 물질과 응집제의 수산화물이 응집 농축된 액상의 물질로 주로 고액을 분리하는 것으로 정의할 수 있다. 정수장에서의 주요 슬러지 발생원은 응집슬러지와 여과지 배출수로서 농도계를 통하여 슬러지의 양과 고형물 함량을 파악하는 것이 매우 중요하다.
참고문헌 (14)
Dr. Kawamura, Integrated Design and Operation of Water Treatment Facilities, 2nd edition, 2003.
K. panter, "Comparison of Centrifuge and Belt Press for Compressible Digested After Thermal Hydrolysis", WEFTEC2009, pp. 6220-6229, 2009.
Korea water and wastewater works association, Standard for drinking water facility, 2010.
Seiji Yamaguchi, "New type of sludge density meter using microwaves for application in sewage treatment plants", Water Science and Technology, Vol33, issue1, pp. 53-60, 1996.
S. S. Baek, Y. O. Park, J. H. Ban, "Study on optimal operation of residual treatment process automation", Journal of Korea society for fluid machinery, vol 20, issue 6, pp. 77-81, 2008.
S. B Jang, J. H Kwen, Development of Ultrasonic Multi-beam Sludge density meter, K-water, 2009.
J. Bougadis, K. Adamowski, and R. Diduch, "Short-term municipal water demand forecasting," Hydrological Processes, vol. 19, no. 1, pp. 137-148, 2005.
S. L. Zhou, T. A. McMahon, A. Walton, and J. Lewis, "Forecasting daily urban water demand: a case study of melbourne," Journal of Hydrology, vol. 236, no. 3, pp. 153-164, 2000.
H.H Lee, S.B Jang, S.T Hong, M.G Chun, "Intelligent Controller for Constant Control of Residual Chlorine in Water Treatment Process", International journal of fuzzy and intelligent systems, Vol.24 No.2, pp. 147-154, 2014.
Bo-Hyeun Wang, Short-term Electrical Load Forecasting Using Neuro-Fuzzy Model with Error Compensation, International journal of fuzzy and intelligent systems, Vol.9 No.4, pp. 327-332, 2009.
S.C Shin, "A Study on Prediction of Wake Distribution by Neuro-Fuzzy System", International journal of fuzzy and intelligent systems, Vol.17 No.2, pp. 154-159, 2007.
S.P Chun, S.S Kim, C.B Lee, "Modified Transformation and Evaluation for High Concentration Ozone Predictions", International journal of fuzzy and intelligent systems, Vol.17 No.4, pp. 435-442, 2007.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.