JP7523337B2 - 学習済モデル生成装置、学習済モデル生成プログラム、炉内温度予測装置、炉内温度予測プログラム、学習済モデル、および焼却システム - Google Patents

Description

本発明は、焼却システムおよび、焼却システムに用いられる、学習済モデル生成装置、学習済モデル生成プログラム、炉内温度予測装置、炉内温度予測プログラム、学習済モデルに関する。

ごみを焼却処理する焼却システムは、排出されるガス（排ガス）の熱を利用して発電を行うことができる。このような焼却システムは、ボイラと蒸気タービン発電機とを備える。ボイラは、排ガスの熱を利用して蒸気を発生させ、蒸気タービン発電機は、ボイラが発生させた蒸気によりタービンを回して発電を行う。

焼却システムでは、効率的な処理を行うために、種々の情報を取得し、処理を制御する。例えば、特許文献１には、蒸気量の変化傾向を予測する構成が開示されている。

特開２０２０－１１９４０７号公報

しかしながら、蒸気量は燃焼後に変化するデータなので、蒸気量の変化を基に燃焼を制御しても、後追いの制御であるフィードバック制御となり、制御精度を確保することに限界がある。そのため、燃焼の結果として出力されるデータではなく、燃焼自体に直接影響を及ぼすデータの変化を予測して、燃焼を制御することが求められている。

本発明は、精度良く焼却システムを制御するために、効率的な焼却システムの制御に用いられるデータを精度良く予測することを目的とする。

上記目的を達成するために、本発明の一実施形態に係る学習済モデル生成装置は、ごみを焼却する焼却システムにおける燃焼炉の炉内温度の変化量を予測するために用いられる学習済モデルを生成する学習済モデル生成装置であって、学習用入力データを生成する学習用入力データ生成部と、前記学習用入力データを用いて機械学習させることにより、所定時間後の前記炉内温度の変化量を予測するための学習済モデルを生成する学習部とを備え、前記学習用入力データは、投入前ごみ情報と炉内温度の少なくともいずれかを含み、前記ごみは、給じんコンベヤ上を移動して前記燃焼炉に供給され、前記給じんコンベヤ上を移動する前記ごみが撮影され、前記投入前ごみ情報は、前記ごみの撮影画像から求められた輝度分布である。

また、本発明の一実施形態に係る学習済モデルは、ごみを焼却する焼却システムにおける燃焼炉の炉内温度の変化量を予測するために用いられる学習済モデルであって、投入前ごみ情報と炉内温度の少なくともいずれかを含む学習用入力データを用いて機械学習させることにより生成され、前記ごみは、給じんコンベヤ上を移動して前記燃焼炉に供給され、前記給じんコンベヤ上を移動する前記ごみが撮影され、前記投入前ごみ情報は、前記ごみの撮影画像から求められた輝度分布であり、所定時間後の前記炉内温度の変化量を予測するようにコンピュータを機能させる。

また、本発明の一実施形態に係る学習済モデル生成プログラムは、ごみを焼却する焼却システムにおける燃焼炉の炉内温度の変化量を予測するために用いられる学習済モデルを生成する学習済モデル生成プログラムであって、学習用入力データを生成する機能と、前記学習用入力データを用いて機械学習させることにより、所定時間後の前記炉内温度の変化量を予測するための学習済モデルを生成する機能とをコンピュータに実行させ、前記学習用入力データは、投入前ごみ情報と炉内温度の少なくともいずれかを含み、前記ごみは、給じんコンベヤ上を移動して前記燃焼炉に供給され、前記給じんコンベヤ上を移動する前記ごみが撮影され、前記投入前ごみ情報は、前記ごみの撮影画像から求められた輝度分布である。

燃焼炉における燃焼効率や燃焼状況等は、投入されるごみの状態や、燃焼炉の炉内温度に大きく依存する。そのため、上記のように、燃焼炉に投入される前のごみの情報や、ごみが投入された際の炉内温度を用いて生成された学習済モデルは、将来の炉内温度の変化量を精度良く予測することができる。

さらに、前記投入前ごみ情報は、前記ごみに含まれる水分量および前記ごみの種類の少なくともいずれかの情報を含んでも良い。

投入されるごみの状態として、ごみに含まれる水分量や種類は、燃焼炉におけるごみの燃焼に大きく影響する。そのため、上記構成によると、より精度良く将来の炉内温度の変化量を予測するための学習済モデルを生成することができる。

ごみの情報は、ごみを撮影した撮影画像の輝度分布から類推することができる。そのため、投入前ごみ情報として燃焼炉に投入される前のごみを撮影した撮影画像の輝度分布を用いることにより、将来の炉内温度の変化量を精度良く予測するための学習済モデルを、より容易に生成することができる。

本発明の一実施形態に係る学習済モデル生成装置は、ごみを焼却する焼却システムにおける燃焼炉の炉内温度の変化量を予測するために用いられる学習済モデルを生成する学習済モデル生成装置であって、学習用入力データを生成する学習用入力データ生成部と、前記学習用入力データを用いて機械学習させることにより、所定時間後の前記炉内温度の変化量を予測するための学習済モデルを生成する学習部とを備え、前記学習用入力データは、投入前ごみ情報と炉内温度の少なくともいずれかを含み、前記炉内温度は、前記燃焼炉に設けられる砂層の砂層温度である。
また、本発明の一実施形態に係るごみを焼却する焼却システムにおける燃焼炉の炉内温度の変化量を予測するために用いられる学習済モデルは、投入前ごみ情報と炉内温度の少なくともいずれかを含む学習用入力データを用いて機械学習させることにより生成され、前記炉内温度は、前記燃焼炉に設けられる砂層の砂層温度であり、所定時間後の前記炉内温度の変化量を予測するようにコンピュータを機能させる。
また、本発明の一実施形態に係る学習済モデル生成プログラムは、ごみを焼却する焼却システムにおける燃焼炉の炉内温度の変化量を予測するために用いられる学習済モデルを生成する学習済モデル生成プログラムであって、学習用入力データを生成する機能と、前記学習用入力データを用いて機械学習させることにより、所定時間後の前記炉内温度の変化量を予測するための学習済モデルを生成する機能とをコンピュータに実行させ、前記学習用入力データは、投入前ごみ情報と炉内温度の少なくともいずれかを含み、前記炉内温度は、前記燃焼炉に設けられる砂層の砂層温度である。

燃焼炉において、砂層はごみが載置され、ごみを直接加熱する部分になる。そのため、砂層温度は、特に、燃焼炉における燃焼効率や燃焼状況等に及ぼす影響が大きい。このような砂層温度を用いて学習済モデルを生成することにより、より精度良く将来の炉内温度の変化量を予測するための学習済モデルを生成することができる。

また、前記砂層温度は、複数回計測された前記砂層の温度の平均値であっても良い。

このような構成により、ごみの燃焼中にばらつく、砂層温度の傾向が平均化され、将来の炉内温度の変化量をより精度良く予測するための学習済モデルを生成することができる。

また、前記学習用入力データは、前記燃焼炉に供給される押し込み空気量および前記燃焼炉に供給されるろ液噴霧量の少なくともいずれかを含んでも良い。

燃焼炉に供給される押し込み空気量や、ろ液噴霧量も、燃焼炉における燃焼効率や燃焼状況等に影響を及ぼす。そのため、上記構成によると、将来の炉内温度の変化量をより精度良く予測するための学習済モデルを生成することができる。

また、本発明の一実施形態に係る炉内温度予測装置は、ごみを焼却する焼却システムにおける燃焼炉の炉内温度の変化量を予測する炉内温度予測装置であって、前記学習済モデル生成装置と、前記学習済モデルに、所定の時刻において取得された予測用入力データを入力して、前記時刻から前記所定時間後の前記炉内温度の変化量を予測する予測部とを備え、前記予測用入力データは、前記時刻において取得された投入前ごみ情報と炉内温度の少なくともいずれかを含む。

また、本発明の一実施形態に係る炉内温度予測プログラムは、ごみを焼却する焼却システムにおける燃焼炉の炉内温度の変化量を予測する炉内温度予測プログラムであって、学習用入力データを生成する機能と、前記学習用入力データを用いて機械学習させることにより、所定時間後の前記炉内温度の変化量を予測するための学習済モデルを生成する機能と、前記学習済モデルに、所定の時刻において取得された予測用入力データを入力して、前記時刻から前記所定時間後の前記炉内温度の変化量を予測する機能とをコンピュータに実行させ、前記学習用入力データは、投入前ごみ情報と炉内温度の少なくともいずれかを含み、前記予測用入力データは、前記時刻において取得された投入前ごみ情報と炉内温度の少なくともいずれかを含み、前記ごみは、給じんコンベヤ上を移動して前記燃焼炉に供給され、前記給じんコンベヤ上を移動する前記ごみが撮影され、前記投入前ごみ情報は、前記ごみの撮影画像から求められた輝度分布である。
また、本発明の一実施形態に係る炉内温度予測プログラムは、ごみを焼却する焼却システムにおける燃焼炉の炉内温度の変化量を予測する炉内温度予測プログラムであって、学習用入力データを生成する機能と、前記学習用入力データを用いて機械学習させることにより、所定時間後の前記炉内温度の変化量を予測するための学習済モデルを生成する機能と、前記学習済モデルに、所定の時刻において取得された予測用入力データを入力して、前記時刻から前記所定時間後の前記炉内温度の変化量を予測する機能とをコンピュータに実行させ、前記学習用入力データは、投入前ごみ情報と炉内温度の少なくともいずれかを含み、前記予測用入力データは、前記時刻において取得された投入前ごみ情報と炉内温度の少なくともいずれかを含み、前記炉内温度は、前記燃焼炉に設けられる砂層の砂層温度である。

炉内温度を予測した場合、予測周期が短かったり、炉内温度の変化が小さかったりすると、炉内温度の変化傾向を正確に予測することが困難であるため、予測精度が低下する場合がある。炉内温度ではなく、炉内温度の変化量を予測し、そのための学習済モデルを生成する構成とすることにより、直接的に炉内温度の変化傾向を予測するため、炉内温度の変化が小さくとも、正確に炉内温度の変化量を予測することができる。

また、本発明の一実施形態に係る焼却システムは、ごみを燃焼させる燃焼炉と、前記炉内温度予測装置と、前記燃焼炉から排出される排ガスの熱を利用して蒸気を発生させるボイラと、前記ボイラが発生させた蒸気によりタービンを回して発電を行う蒸気タービン発電機とを備える。

このような構成により、将来の炉内温度の変化量を精度良く予測し、燃焼効率や燃焼状況を適切に制御し、効率良く発電することができる。

焼却システムの構成を例示する図である。 焼却システムにおける炉内温度予測システムの機能構成を例示する図である。 学習済モデルを生成する構成を例示する図である。 合成画像を生成する方法の概略を例示する図である。 学習用入力データの取得タイミングを説明する図である。 学習用入力データの構成を例示する図である。 炉内温度を予測する構成を例示する図である。 学習済モデルを生成するフローを例示する図である。 砂層温度の変化量を予測するフローを例示する図である。 予測精度の検証結果を示す図である。

〔焼却システム〕
図１に示すように、焼却システム１は、燃焼炉２と、ボイラ３と、蒸気タービン発電機４と、ホッパ５と、給じんコンベヤ６と、煙突７とを備える。

燃焼炉２は、砂層１０と、空気を押し込む送風装置１１とを備える。砂層１０は燃焼炉２の下部領域に設けられ、約４５０℃～約６００℃に加熱されて、砂層１０上に投入された廃棄物等のごみＤを焼却する。送風装置１１は、砂層１０よりも下側に設けられ、下側から砂層１０に空気を供給する。

ボイラ３は、燃焼炉２よりも上側に、燃焼炉２と連結されて設けられ、燃焼炉２が排出する排ガスの熱を利用して蒸気を発生させる。ボイラ３の上部領域にはろ液噴霧装置１２が設けられる。ろ液噴霧装置１２は、ボイラ３を介して燃焼炉２内に水等のろ液を噴霧する。

蒸気タービン発電機４は、ボイラ３が発生させた蒸気が供給され、蒸気によってタービンを回して発電を行う。

ホッパ５は、ピット１３に貯留されたごみＤがクレーン１４により供給され、ごみＤを一時的に貯留する。ホッパ５は、貯留されたごみＤを所定量ずつ給じんコンベヤ６に送り出す。なお、ごみＤから染み出し、ピット１３の底にたまった水がろ液として供給されても良い。

給じんコンベヤ６は、ホッパ５から受け取ったごみＤを所定の速度で燃焼炉２まで運び、ごみＤを燃焼炉２に投入する。煙突７は、ボイラ３から排出され、有害物質等が除かれた排ガスを外部に排出する。

また、本実施形態の焼却システム１は、撮像装置１７、熱電対１８、空気流量計１９、ろ液流量計２０を備える。撮像装置１７は、給じんコンベヤ６上を流れる所定の領域（撮影位置）のごみＤを撮影する。撮像装置１７は、例えば赤外線カメラである。熱電対１８は砂層１０の温度を計測する。熱電対１８は砂層１０の温度を計測できれば良く、砂層１０に複数本設けられ、それらの計測値の平均値を砂層１０の温度とすることが好ましい。例えば、３本の熱電対１８が、燃焼炉２の横側方から燃焼炉２の側壁を貫通する態様で、先端部分が砂層１０に差し込まれるように等間隔で設けられる。空気流量計１９は、砂層１０に供給される押し込み空気量を計測する。ろ液流量計２０は、噴霧されるろ液噴霧量を計測する。

燃焼炉２は、砂層１０の温度と、送風装置１１から供給される押し込み空気量と、ろ液噴霧装置１２から噴霧されるろ液噴霧量を調整することにより、ごみＤの燃焼を制御する。

〔炉内温度予測システム〕
本実施形態では、上記のような焼却システム１において、現在の時刻から所定の時間が経過した時刻における燃焼炉２の炉内温度の変化量が予測される。焼却システム１は、予測された炉内温度の変化量に基づいてごみＤの燃焼を制御する。

まず、焼却システム１における炉内温度の変化量を予測する炉内温度予測システムの構成について、図１を参照しながら図２を用いて説明する。

図２に示すように、炉内温度予測システムは、予測装置２４（「炉内温度予測装置」に相当）と、データ取得部２５と、データ出力部２６とを備える。ここで、炉内温度予測システムは、焼却システム１に内蔵されても良いが、少なくとも予測装置２４は焼却システム１とデータ通信可能な状態で、焼却システム１とは別に設けられても良い。

予測装置２４は、学習装置２７（「学習済モデル生成装置」に相当）を内蔵し、データ取得部２５が取得したデータに基づいて、学習装置２７にて学習済モデル２８を生成すると共に、学習済モデル２８を用いて所定時間後の炉内温度の変化量５６（図７参照）を予測結果２９として予測し、データ出力部２６に出力する。

予測装置２４は、制御部３１、通信部３２、学習装置２７、予測用入力データ生成部３３、予測部３４、記憶部３５等を備える。

制御部３１は、マイコン等のプロセッサを備え、予測装置２４の動作を制御する。通信部３２は、制御部３１の制御に応じて予測装置２４の外部と通信を行うことが可能であり、データ取得部２５が取得したデータを受信し、記憶部３５に格納する。

学習装置２７は、学習用入力データ生成部３８と、学習部３９とを備える。学習部３９は、ＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）４０を備える。学習装置２７は制御部３１の制御に応じて学習済モデルを生成するが、制御機能を有するプロセッサを自身が備え、このプロセッサの制御に応じて学習済モデルを生成しても良い。

学習用入力データ生成部３８は、データ取得部２５が取得したデータを、通信部３２を介して取得し、後述のように、学習済モデルを生成するための学習用入力データ４１を生成し、記憶部３５に格納する。学習部３９は、記憶部３５に格納された学習用入力データ４１をＡＩ４０に入力して、ＡＩ４０に深層学習等の機械学習を行わせることにより、所定時間後の炉内温度の変化量を予測するための学習済モデル２８を生成する。学習部３９は、生成された学習済モデル２８を記憶部３５に格納する。

予測用入力データ生成部３３は、制御部３１の制御に応じて、データ取得部２５が取得したデータを、通信部３２を介して取得し、後述のように、予測用入力データ４２を生成する。予測用入力データ生成部３３は、生成した予測用入力データ４２を記憶部３５に格納する。予測部３４は制御部３１の制御に応じて、記憶部３５から学習済モデル２８を読み出し、記憶部３５に格納された予測用入力データ４２を学習済モデル２８に入力することにより、所定時間後の炉内温度の変化量を予測する。予測部３４は、予測した炉内温度の変化量５６（図７参照）を、予測結果２９として記憶部３５に格納し、さらにデータ出力部２６に出力する。

〔学習装置〕
次に、学習装置２７について、図１を参照しながら図２～図６を用いて説明する。

学習装置２７は、上述のように、学習用入力データ４１を生成すると共に、学習用入力データ４１をＡＩ４０に入力してＡＩ４０に機械学習させ、学習済モデル２８を生成する。

学習用入力データ生成部３８は、燃焼炉２に投入される前のごみＤの情報である投入前ごみ情報４９および燃焼炉２の炉内温度４６の少なくともいずれかを含む学習用入力データ４１を生成する。

投入前ごみ情報４９は燃焼炉２に投入される前のごみＤの水分量や種類、量等の種々の情報であり、撮像装置１７がごみＤを撮影した投入前ごみ画像５０であっても良い。投入前ごみ画像５０は、燃焼炉２に投入される前のごみＤを撮影した撮影画像４５そのものであっても良いが、撮影画像４５から変換された輝度分布であっても良い。

撮像装置１７は、上述のように、給じんコンベヤ６上を流れるごみＤを順に撮影する。撮影された撮影画像４５は、通信部３２によって取得され、記憶部３５に格納される。

撮像装置１７は、給じんコンベヤ６より上側に固定されて配置され、給じんコンベヤ６の所定の領域（撮影位置）上のごみＤを撮影するように配置される。撮像装置１７は、給じんコンベヤ６上をごみＤが移動するのに伴い、直前に撮影されたごみＤの領域と重複する領域を含みながら、直前に撮影されたごみＤの領域より給じんコンベヤ６の上流側のごみＤの領域が含まれるように、連続してごみＤを撮影する。例えば、撮像装置１７は、１秒間隔で、５分間、連続してごみＤの撮影を行い、３００枚の撮影画像４５を撮影する。なお、撮影間隔および撮影枚数は、給じんコンベヤ６の移動速度や燃焼炉２でのごみＤの燃焼速度等を考慮して、任意に設定することができる。また、撮影画像４５は、後述のように複数枚の画像が合成されても良く、５分間に投入されるごみＤの全てを撮影できるのであれば、１枚の画像として撮影されても良い。また、撮影画像４５は静止画に限らず、動画で撮影されても良い。

学習用入力データ生成部３８は、３００枚の撮影画像４５を１枚の合成画像４５Ｓに合成する。具体的には、図４に示すように、まず、給じんコンベヤ６上の所定の幅となる撮影領域Ｗ１上のごみＤが撮影される。ここで、「幅」は給じんコンベヤ６の進行方向における長さに相当する。次に、１秒後に撮像装置１７の撮影領域に入るごみＤが撮影される。１秒後の撮影領域は、撮影領域Ｗ１から上流側にごみＤの移動量だけ移動する撮影領域Ｗ２となる。

撮影領域Ｗ２は、撮影領域Ｗ１と重なる撮影領域ＷＲ１（図４において、ＷＲ１で示した幅の給じんコンベヤ６上の領域）と、さらに、ごみＤが移動することにより新たに撮影された領域に相当する差分撮影領域Ｗｄ１とからなる。さらに、１秒後の撮影領域Ｗ３は、撮影領域Ｗ２と重なる撮影領域ＷＲ２（図４において、ＷＲ２で示した幅の給じんコンベヤ６上の領域）と、新たに撮影された領域に相当する差分撮影領域Ｗｄ２とからなる。そして、５分後の撮影領域Ｗ３００には、新たに撮影された領域に相当する差分撮影領域Ｗｄ２９９が含まれる。そして、学習用入力データ生成部３８は、これら３００枚の撮影画像４５を合成して合成画像４５Ｓを生成する。図４において２点鎖線で示される合成画像４５Ｓは、最初に撮影された撮影領域Ｗ１の画像に、新たに撮影された２９９枚の差分撮影領域Ｗｄ１から差分撮影領域Ｗｄ２９９の画像が結合されることにより生成される。図４において、各撮影工程における撮影領域Ｗ１，Ｗ２，Ｗ３，Ｗ３００は、それぞれ図４の破線で囲まれた領域である。

なお、３００枚目の撮影画像４５が撮影された直後、例えば１秒後から、１枚目の撮影画像４５で撮影されたごみＤから順に、燃焼炉２に投入されていき、３００秒後に３００枚目の撮影画像４５で撮影されたごみＤが燃焼炉２に投入される。換言すれば、給じんコンベヤ６上における撮影位置にあるごみＤが搬送され、燃焼炉２に投入されるまでに３００秒かかる。投入されたごみＤは、ほぼ瞬時に燃焼する。なお、給じんコンベヤ６上のごみＤが搬送され、燃焼炉２に投入されるまでに要する時間は焼却システム１ごとに異なる。そのため、学習用入力データ４１の１つのセットを生成するために行う撮影画像４５の撮影に際し、何秒間ごとに撮像するか（撮影間隔）、データセットは何秒間分を１組にするか（撮影枚数）等の条件は、焼却システム１ごとに適宜調整されて良い。すなわち、上述のように、撮影間隔および撮影枚数は、給じんコンベヤ６の移動速度や燃焼炉２でのごみＤの燃焼速度、求められる燃焼制御の精度等を考慮して、任意に設定することができる。

その後、学習用入力データ生成部３８は、合成画像４５Ｓを輝度に変換し、輝度分布を生成する。まず、学習用入力データ生成部３８は、合成画像４５Ｓを構成する各画素を、２５６段階の輝度に振り分ける。次に、学習用入力データ生成部３８は、合成画像４５Ｓにおいて、２５６段階の各輝度に当てはまる画素の数を計測し、２５６段階の各輝度と各輝度に振り分けられた画素数との関係からなる輝度分布を生成する。このような輝度分布が、投入前ごみ画像５０となる。

炉内温度４６は、燃焼炉２内の任意の温度が計測されれば良いが、熱電対１８により砂層１０の温度が計測されても良い。通信部３２は、計測された砂層１０の温度等の炉内温度４６を取得し、記憶部３５に格納する。砂層１０に設けられる熱電対１８は１本でも良いが、砂層１０に等間隔に設けられた３本の熱電対１８から構成されても良い。３本の熱電対１８が用いられる場合、３本の熱電対１８で計測された温度の平均値が砂層１０の温度とされる。

学習用入力データ４１である炉内温度４６は、所定の時刻において計測された燃焼炉２内の温度、例えば、熱電対１８により計測された砂層１０の温度でも良いが、所定の時間の間に複数回計測された、燃焼炉２内の温度の平均値または砂層１０の温度の平均値であっても良い。例えば、投入前ごみ画像５０を生成するために撮影画像４５が撮影されたのと同じ時刻に砂層１０の温度が計測され、その平均値である砂層温度５４が学習用入力データ４１である炉内温度４６とされても良い。あるいは、投入前ごみ画像５０を生成するための撮影画像４５で撮影されたごみＤが、燃焼炉２に投入されていく時刻に砂層１０の温度が計測され、その平均値である砂層温度５４が学習用入力データ４１である炉内温度４６とされても良い。つまり、学習用入力データ４１として投入前ごみ画像５０および炉内温度４６（砂層温度５４）が用いられる場合、炉内温度４６（砂層温度５４）は、投入前ごみ画像５０の撮像時間から、給じんコンベヤ６上における撮像位置にあるごみＤが搬送され、燃焼炉２に投入されるまでに要する時間分だけ後の時刻に計測された炉内温度４６（砂層温度５４）の計測値とすることができる。

図５は、学習用入力データ４１として、炉内温度４６の一例である砂層１０の温度および撮影画像４５が取得される様子を時系列的に示した図である。砂層１０の温度および撮影画像４５は、１秒おきに５分間取得されるため、学習用入力データ４１として使用される砂層１０の温度および撮影画像４５は、それぞれ３００のデータが取得される。なお、上述のように、給じんコンベヤ６上のごみＤが搬送され、燃焼炉２に投入されるまでに要する時間等は焼却システム１ごとに異なる。そのため、撮影画像４５の撮影は、１秒間隔に５分間の撮影を行うことに限定されず、任意の時間間隔で任意の時間行うことができる。

具体的には、時刻ｔ０から時刻ｔ２９９の各時刻において、撮影画像４５が撮影される。図において、撮影された撮影画像４５は、順に、画像Ｐ０から画像Ｐ２９９と表示される。また、時刻ｔ０から時刻ｔ２９９の各時刻において撮影されたごみＤが燃焼炉２に順次投入される時刻ｔ３００から時刻ｔ５９９の各時刻において、砂層１０の温度が計測される。図において、計測された砂層１０の温度は、順に、砂層温度Ｃ３００から砂層温度Ｃ５９９と表示される。

そして、時刻ｔ０から時刻ｔ２９９の各時刻において撮影された撮影画像４５、および、時刻ｔ３００から時刻ｔ５９９の各時刻において計測された砂層１０の温度から、１組の学習用入力データ４１が生成される。この場合では、撮影画像４５および砂層１０の温度ともに３００秒間分のデータごとに１組の学習用入力データ４１が生成される。

学習用入力データ４１として投入前ごみ情報４９および炉内温度４６が用いられる場合、投入前ごみ情報４９は投入前ごみ画像５０として、撮影された撮影画像４５または撮影された撮影画像４５から求められた輝度分布が用いられる。また、炉内温度４６は砂層温度５４として、計測された砂層１０の温度またはこれらの平均値が用いられる。

投入前ごみ情報４９は、これから燃焼炉２で焼却されるごみＤの水分量や種類、量等の種々の情報が含まれ、投入前ごみ画像５０からごみＤの水分量や種類、量等の種々の情報を抽出することができる。燃焼されるごみＤの水分量や種類、量等は、燃焼効率や燃焼状況に影響を与える。そのため、燃焼されるごみＤの水分量や種類、量等によって、ボイラ３の温度やボイラ３で発生する蒸気の量が変化し、発電量や発電効率にも影響が及び、さらに、排ガスに含まれるＣｏやＮｏｘ等の有害物質の濃度が変化する。

また、砂層温度５４等の炉内温度４６も同様に、燃焼効率や燃焼状況に影響を与え、これに付随して、ボイラ３の温度やボイラ３で発生する蒸気の量に影響を与える。その結果、砂層温度５４等の炉内温度４６は、発電量や発電効率に影響を及ぼし、さらに、排ガスに含まれるＣｏやＮｏｘ等の有害物質の濃度に影響を及ぼす。

そのため、投入前ごみ情報４９および炉内温度４６の少なくともいずれかを学習用入力データ４１として学習済モデル２８を生成することにより、燃焼炉２での燃焼や発電、あるいは排ガスの有害物質含有量に影響を及ぼす砂層温度の変化量５７（図７参照）を精度良く予測することができる。

さらに、各組の学習用入力データ４１は、投入前ごみ情報４９および炉内温度４６の少なくとも一つの他に、押し込み空気量４７およびろ液噴霧量４８の少なくともいずれかが加えられても良い。

図６は、複数組の学習用入力データ４１を例示する図である。図６において、横１列が１組の学習用入力データ４１であり、機械学習の際には、異なる時刻に取得された複数組の学習用入力データ４１がＡＩ４０に入力される。

図６に例示する各組の学習用入力データ４１は、投入前ごみ情報４９または投入前ごみ画像５０である輝度分布と、炉内温度４６である砂層温度５４と、押し込み空気量４７と、ろ液噴霧量４８とに加え、砂層温度の変化量５５が含まれる。

投入前ごみ情報４９である輝度分布としては、各時刻において撮影された撮影画像４５の合成画像４５Ｓが輝度変換され、２５６段階に分けられた輝度毎に、２５６段階の各輝度に割り振られた画素数が入力される。炉内温度４６である砂層温度５４としては、各時刻において計測された砂層１０の温度の平均値が用いられる。

押し込み空気量４７は、ごみＤの燃焼を制御するために、燃焼炉２の砂層１０に供給される空気の量であり、所定の時刻に空気流量計１９で計測された空気の量、または、所定の時間帯に空気流量計１９で複数回計測された空気の量の平均値である。ろ液噴霧量４８は、ごみＤの燃焼を制御するために、燃焼炉２に供給されるろ液の量であり、所定の時刻にろ液流量計２０で計測されたろ液の量、または、所定の時間帯にろ液流量計２０で複数回計測されたろ液の量の平均値である。所定の時刻は、学習用入力データ４１が生成された時刻（現在時刻）、例えば、撮影画像４５が撮影された時刻のいずれか、または、砂層温度５４が計測された時刻のいずれかである。所定の時間帯は、学習用入力データ４１が生成された時刻（現在時刻）、例えば、計測される押し込み空気量４７およびろ液噴霧量４８と同じセットの学習用入力データ４１に用いられる全ての撮影画像４５が撮影されるのに要した時間帯（例えば、図５に示す時刻ｔ０から時刻ｔ２９９）、または、計測される押し込み空気量４７およびろ液噴霧量４８と同じセットの学習用入力データ４１に用いられる全ての砂層温度５４が計測されるのに要した時間帯（例えば、図５に示す時刻ｔ３００から時刻ｔ５９９）である。

押し込み空気量４７およびろ液噴霧量４８は、燃焼炉２でのごみＤの燃焼を安定的に適切な状態に保ち、ボイラ３の温度やボイラ３で発生する蒸気の量を安定的に適切な状態に保って効率的な発電を維持すると共に、排ガスに含まれるＣｏやＮｏｘ等の有害物質の濃度を低減させるために制御される。そのため、押し込み空気量４７およびろ液噴霧量４８の少なくともいずれかを学習用入力データ４１に加え、この学習用入力データ４１を用いて学習済モデル２８を生成することにより、燃焼炉２での燃焼や発電、あるいは排ガスの有害物質含有量に影響を及ぼす砂層温度５４の変化量を精度良く予測することができる。

さらに、学習用入力データ４１として、砂層温度の変化量５５が含まれても良い。砂層温度の変化量５５は、生成時刻が連続する２組の学習用入力データ４１において求められた砂層温度５４の差分である。ある組の学習用入力データ４１における砂層温度の変化量５５は、ある組の直後に生成された組の学習用入力データ４１における砂層温度５４からある組の学習用入力データ４１における砂層温度５４を減じて求められる。燃焼炉２での燃焼の効率や状況は、砂層１０の温度変化の影響を強く受ける。そのため、学習用入力データ４１に砂層温度の変化量５５が含まれることにより、生成された学習済モデル２８の予測精度が向上する。

このように生成された学習済モデル２８は、予測用入力データ４２が入力されることにより、炉内温度の変化量５６（図７参照）を予測する構成である。学習済モデル２８のモデル構成は、各種のニューラルネットワークや決定木等とすることができる。

〔予測装置〕
次に、予測装置２４について、図１，図２を参照しながら図７を用いて説明する。

予測装置２４は、上述のように、制御部３１の制御に応じて、学習済モデル２８を生成し、学習済モデル２８を用いて、所定時間後の炉内温度の変化量５６を予測する。

具体的には、予測部３４は、制御部３１の制御に応じて、記憶部３５に記憶された学習済モデル２８に、記憶部３５に記憶された予測用入力データ４２を取得して入力することにより、予測結果２９として炉内温度の変化量５６を予測する。

予測用入力データ４２は、投入前ごみ情報６０および炉内温度６１の少なくともいずれかを含む。投入前ごみ情報６０は、燃焼炉２に投入される前のごみＤの水分量や種類、量等の情報であり、所定の時刻に取得される。また、投入前ごみ情報６０は、投入前ごみ画像６２であっても良い。投入前ごみ画像６２は、所定の時刻において、燃焼炉２に投入される前のごみＤを撮像装置１７で撮影した撮影画像４５、または撮影画像４５から求めた輝度分布であっても良い。輝度分布は、撮影画像４５を２５６段階の輝度に変換し、撮影画像４５の各画素を２５６段階の輝度に振り分け、各輝度に振り分けられた画素数を計測した情報である。

炉内温度６１は、所定の時刻において計測された燃焼炉２の温度であり、例えば、砂層１０の温度である砂層温度６３である。予測用入力データ４２として、投入前ごみ画像６２および砂層温度６３が共に用いられる場合、所定の時刻は、撮影画像４５が撮影された時刻、あるいは、撮影画像４５として撮影されたごみＤが燃焼炉２に投入される時刻である。砂層１０の温度は、熱電対１８で計測することができ、複数本の熱電対１８で計測される場合は、全ての計測値の平均値とする。

炉内温度の変化量５６は、予測用入力データ４２を取得した所定の時刻における炉内温度６１と、所定の時刻から所定の時間後の炉内温度との差分である。つまり、炉内温度の変化量５６は、所定の時刻における炉内温度６１が、所定時間後にどれだけ変化するかを予測した変化量である。また、炉内温度の変化量５６は、砂層温度の変化量５７であっても良い。砂層温度の変化量５７は、所定の時刻における砂層１０の温度が、所定時間後にどれだけ変化するかを予測した変化量である。

なお、予測される所定の時刻からの時間は、任意に設定することができる。ここで、この時間（周期）が短すぎると、炉内温度の変化量５６が小さすぎて、正確な予測が困難となる。そのため、この時間は、３分以上とすることが好ましく、例えば、３分以上７分以内であり、より好ましくは５分である。

炉内温度、特に砂層温度は、燃焼炉２でのごみＤの燃焼の効率や状況に大きな影響を及ぼす。そのため、所定時間後の炉内温度または砂層温度を予測し、予測した炉内温度または砂層温度に応じて、押し込み空気量４７、ろ液噴霧量４８および砂層温度等の少なくともいずれかを調整することにより、燃焼炉２の制御を効率的かつ精度良く行うことができる。その結果、ボイラ３の温度やボイラ３で発生する蒸気の量を効率的かつ精度良く制御し、発電量や発電効率を向上させ、さらに、排ガスに含まれるＣｏやＮｏｘ等の有害物質の濃度を低減させることができる。

特に、炉内温度の変化量５６または砂層温度の変化量５７を予測することにより、炉内温度または砂層１０の温度の変化傾向を予測することとなり、変化傾向を用いてより効率的に燃焼炉２の制御を行うことができる。

予測された炉内温度の変化量５６または砂層温度の変化量５７は、焼却システム１または別途設けられる表示部６５に表示させることができる。作業者は、表示された炉内温度の変化量５６または砂層温度の変化量５７に基づいて、燃焼炉２でのごみＤの燃焼や、ボイラ３、あるいは蒸気タービン発電機４を制御する。

また、表示部６５と共に、あるいは表示部６５を設けずに、焼却炉制御部６６が設けられても良い。焼却炉制御部６６は、予測された炉内温度の変化量５６または砂層温度の変化量５７を受け取り、炉内温度の変化量５６または砂層温度の変化量５７に基づいて、燃焼炉２、ボイラ３、蒸気タービン発電機４等を自動的に制御する。これにより、より容易に、燃焼炉２の制御や発電の制御を効率的かつ精度良く行うことができる。

〔処理フロー〕
次に、学習済モデル２８を生成し、炉内温度の変化量５６を予測する方法、またはプログラムの処理フローについて、図１～図４，図７を参照しながら図８，図９を用いて説明する。なお、これらの処理は、上記炉内温度予測システムの各機能ブロックが行っても良いが、任意の機能ブロックにより行われても良い。また、プログラムは、記憶部３５または別の記憶装置に格納され、予測装置２４または別個に設けられたプロセッサにより実行される。

まず、学習済モデル２８を生成する際には、図８に示すように、ごみＤが撮影される。ごみＤが撮影された撮影画像４５は、給じんコンベヤ６上を移動するごみＤが、所定の時間間隔で所定の時間に撮影された複数枚の画像である（ステップ＃１）。

次に、撮影画像４５が合成される。撮影画像４５の合成は、撮影画像４５が撮影される度に、直前に撮影された撮影画像４５との差分が、それまでに合成された画像に付加されていくことが繰り返されて合成画像４５Ｓが生成される（ステップ＃２）。

次に、合成画像４５Ｓが輝度変換される。輝度変換において、合成画像４５Ｓの各画素が輝度に変換された後、２５６段階の輝度に振り分けられる（ステップ＃３）。

そして、２５６段階の輝度に対して振り分けられた、合成画像４５Ｓの画素数が計測され、２５６段階の輝度に対応する合成画像４５Ｓの画素数の関係を示す輝度分布が生成される。この輝度分布が投入前ごみ画像５０とされる（ステップ＃４）。

次に、砂層１０の温度が計測される。具体的には、投入前ごみ画像５０の生成に用いられた撮影画像４５のそれぞれに撮影されたごみＤが、燃焼炉２に投入される時刻における砂層１０の温度が計測される。砂層１０の温度は、砂層１０において、３か所の温度が計測され、３つの温度の平均値が砂層１０の温度とされる。このような砂層１０の温度は、複数枚の撮影画像４５に撮影されたそれぞれのごみＤが燃焼炉２に投入されるそれぞれの時刻に計測・算出される。また、それぞれの時刻は、各撮影画像４５で撮影されたそれぞれのごみＤの全量の燃焼炉２への投入が終了した時刻である。結果的に、所定の時間間隔で所定の時間、砂層１０の温度が計測・算出される（ステップ＃５）。

次に、所定の時間間隔で所定の時間に計測された砂層１０の温度の平均値が算出される。この値が砂層温度５４とされる（ステップ＃６）。

その後、学習用入力データ４１が生成される。学習用入力データ４１は、上記投入前ごみ画像５０と砂層温度５４とで構成される。なお、学習用入力データ４１は、投入前ごみ画像５０および砂層温度５４の一方のみで構成されても良い。さらに、学習用入力データ４１は、投入前ごみ画像５０および砂層温度５４の少なくともいずれかに加え、上述の押し込み空気量４７、ろ液噴霧量４８、および砂層温度の変化量５５のうちの少なくともいずれかが含まれても良い。また、投入前ごみ画像５０に代えて上述の投入前ごみ情報４９が用いられても良く、砂層温度５４に代えて上述の炉内温度４６が用いられても良い（ステップ＃７）。

最後に、学習用入力データ４１がＡＩ４０に入力されて、学習済モデル２８が生成される（ステップ＃８）。

次に、砂層温度の変化量５７を予測する際には、図９に示すように、燃焼炉２に投入される直前のごみＤが給じんコンベヤ６上で撮影される（ステップ＃１１）。

次に、撮影された撮影画像４５が輝度変換される。輝度変換において、撮影画像４５の各画素が輝度に変換された後、２５６段階の輝度に振り分けられる（ステップ＃１２）。

そして、２５６段階の輝度に対して振り分けられた、撮影画像４５の画素数が計測され、２５６段階の輝度に対応する撮影画像４５の画素数の関係を示す輝度分布が生成される。この輝度分布が投入前ごみ画像６２とされる（ステップ＃１３）。

次に、砂層１０の温度が計測される。具体的には、投入前ごみ画像６２の生成に用いられた撮影画像４５に撮影されたごみＤが、燃焼炉２に投入される時刻における砂層１０の温度が計測される。砂層１０の温度は、砂層１０において、３か所の温度が計測され、３つの温度の平均値が砂層温度６３とされる（ステップ＃１４）。

その後、予測用入力データ４２が生成される。予測用入力データ４２は、上記投入前ごみ画像６２と砂層温度６３とで構成される。なお、予測用入力データ４２は、投入前ごみ画像６２および砂層温度６３の一方のみで構成されても良い。また、投入前ごみ画像６２に代えて上述の投入前ごみ情報６０が用いられても良く、砂層温度６３に代えて上述の炉内温度６１が用いられても良い（ステップ＃１５）。

次に、生成された予測用入力データ４２が学習済モデル２８に入力される（ステップ＃１６）。これにより、予測結果２９として、予測用入力データ４２が取得されてから、所定時間後の砂層温度の変化量５７が出力される。なお、予測用入力データ４２が取得された時刻は、砂層温度６３が計測された時刻、または、投入前ごみ画像６２が撮影された時刻である。予測される予測結果２９は炉内温度の変化量５６であっても良い（ステップ＃１７）。

〔検証結果〕
次に、図１，図７を参照しながら、図１０を用いて、砂層温度の変化量５７の予測精度を検証する。

図１０において、実線は、実際に焼却システム１においてごみＤを燃焼させた際の、砂層温度の変化量の時間変化を示す。また、破線は、本実施形態において予測された砂層温度の変化量５７の時間変化を示す。

図１０から、本実施形態によって砂層温度の変化量５７を予測すると、精度良く砂層温度の変化量５７が予測されることが分かる。

〔別実施形態〕
（１）予測装置２４の機能の一部または全部は、ハードウェアに限らず、ソフトウェアで構成されても良い。ソフトウェアに係るプログラムは、記憶部３５等に記憶され、制御部３１等が内蔵するプロセッサにより実行される。

（２）予測装置２４の機能ブロックは上記構成に限らず、２以上の機能ブロックの一部または全部が統合されても良く、いずれかの機能ブロックがさらに細分化されても良い。また、一部の機能ブロックが予測装置２４から独立して構成されても良い。例えば、学習装置２７は、予測装置２４から独立して設けられても良い。

（３）学習用入力データ４１および予測用入力データ４２として、焼却システム１における他のプロセスデータが含まれても良い。

本発明は、ごみを焼却する様々な形態の焼却システムに適用することができる。

１ 焼却システム
２ 燃焼炉
３ ボイラ
４ 蒸気タービン発電機
６ 給じんコンベヤ
２４ 予測装置（炉内温度予測装置）
２７ 学習装置（学習済モデル生成装置）
２８ 学習済モデル
３４ 予測部
３８ 学習用入力データ生成部
３９ 学習部
４１ 学習用入力データ
４２ 予測用入力データ
４５ 撮影画像
４６ 炉内温度
４７ 押し込み空気量
４８ ろ液噴霧量
４９ 投入前ごみ情報
５４ 砂層温度
５６ 炉内温度の変化量
６０ 投入前ごみ情報
６１ 炉内温度
Ｄ ごみ

Claims (14)

1. ごみを焼却する焼却システムにおける燃焼炉の炉内温度の変化量を予測するために用いられる学習済モデルを生成する学習済モデル生成装置であって、
   学習用入力データを生成する学習用入力データ生成部と、
   前記学習用入力データを用いて機械学習させることにより、所定時間後の前記炉内温度の変化量を予測するための学習済モデルを生成する学習部とを備え、
   前記学習用入力データは、投入前ごみ情報と炉内温度の少なくともいずれかを含み、
   前記ごみは、給じんコンベヤ上を移動して前記燃焼炉に供給され、
   前記給じんコンベヤ上を移動する前記ごみが撮影され、
   前記投入前ごみ情報は、前記ごみの撮影画像から求められた輝度分布である学習済モデル生成装置。
2. ごみを焼却する焼却システムにおける燃焼炉の炉内温度の変化量を予測するために用いられる学習済モデルを生成する学習済モデル生成装置であって、
   学習用入力データを生成する学習用入力データ生成部と、
   前記学習用入力データを用いて機械学習させることにより、所定時間後の前記炉内温度の変化量を予測するための学習済モデルを生成する学習部とを備え、
   前記学習用入力データは、投入前ごみ情報と炉内温度の少なくともいずれかを含み、
   前記炉内温度は、前記燃焼炉に設けられる砂層の砂層温度である学習済モデル生成装置。
3. 前記投入前ごみ情報は、前記ごみに含まれる水分量および前記ごみの種類の少なくともいずれかの情報を含む請求項１又は２に記載の学習済モデル生成装置。
4. 前記砂層温度は、複数回計測された前記砂層の温度の平均値である請求項２に記載の学習済モデル生成装置。
5. 前記学習用入力データは、前記燃焼炉に供給される押し込み空気量および前記燃焼炉に供給されるろ液噴霧量の少なくともいずれかを含む請求項１から４のいずれか一項に記載の学習済モデル生成装置。
6. ごみを焼却する焼却システムにおける燃焼炉の炉内温度の変化量を予測する炉内温度予測装置であって、
   請求項１から５のいずれか一項に記載の学習済モデル生成装置と、
   前記学習済モデルに、所定の時刻において取得された予測用入力データを入力して、前記時刻から前記所定時間後の前記炉内温度の変化量を予測する予測部とを備え、
   前記予測用入力データは、前記時刻において取得された投入前ごみ情報と炉内温度の少なくともいずれかを含む炉内温度予測装置。
7. ごみを燃焼させる燃焼炉と、
   請求項６に記載の炉内温度予測装置と、
   前記燃焼炉から排出される排ガスの熱を利用して蒸気を発生させるボイラと、
   前記ボイラが発生させた蒸気によりタービンを回して発電を行う蒸気タービン発電機とを備える焼却システム。
8. ごみを焼却する焼却システムにおける燃焼炉の炉内温度の変化量を予測するために用いられる学習済モデルであって、
   投入前ごみ情報と炉内温度の少なくともいずれかを含む学習用入力データを用いて機械学習させることにより生成され、
   前記ごみは、給じんコンベヤ上を移動して前記燃焼炉に供給され、
   前記給じんコンベヤ上を移動する前記ごみが撮影され、
   前記投入前ごみ情報は、前記ごみの撮影画像から求められた輝度分布であり、
   所定時間後の前記炉内温度の変化量を予測するようにコンピュータを機能させるための学習済モデル。
9. ごみを焼却する焼却システムにおける燃焼炉の炉内温度の変化量を予測するために用いられる学習済モデルであって、
   投入前ごみ情報と炉内温度の少なくともいずれかを含む学習用入力データを用いて機械学習させることにより生成され、
   前記炉内温度は、前記燃焼炉に設けられる砂層の砂層温度であり、
   所定時間後の前記炉内温度の変化量を予測するようにコンピュータを機能させるための学習済モデル。
10. 前記砂層温度は、複数回計測された前記砂層の温度の平均値である請求項９に記載の学習済モデル。
11. ごみを焼却する焼却システムにおける燃焼炉の炉内温度の変化量を予測するために用いられる学習済モデルを生成する学習済モデル生成プログラムであって、
    学習用入力データを生成する機能と、
    前記学習用入力データを用いて機械学習させることにより、所定時間後の前記炉内温度の変化量を予測するための学習済モデルを生成する機能とをコンピュータに実行させ、
    前記学習用入力データは、投入前ごみ情報と炉内温度の少なくともいずれかを含み、
    前記ごみは、給じんコンベヤ上を移動して前記燃焼炉に供給され、
    前記給じんコンベヤ上を移動する前記ごみが撮影され、
    前記投入前ごみ情報は、前記ごみの撮影画像から求められた輝度分布である学習済モデル生成プログラム。
12. ごみを焼却する焼却システムにおける燃焼炉の炉内温度の変化量を予測するために用いられる学習済モデルを生成する学習済モデル生成プログラムであって、
    学習用入力データを生成する機能と、
    前記学習用入力データを用いて機械学習させることにより、所定時間後の前記炉内温度の変化量を予測するための学習済モデルを生成する機能とをコンピュータに実行させ、
    前記学習用入力データは、投入前ごみ情報と炉内温度の少なくともいずれかを含み、
    前記炉内温度は、前記燃焼炉に設けられる砂層の砂層温度である学習済モデル生成プログラム。
13. ごみを焼却する焼却システムにおける燃焼炉の炉内温度の変化量を予測する炉内温度予測プログラムであって、
    学習用入力データを生成する機能と、
    前記学習用入力データを用いて機械学習させることにより、所定時間後の前記炉内温度の変化量を予測するための学習済モデルを生成する機能と、
    前記学習済モデルに、所定の時刻において取得された予測用入力データを入力して、前記時刻から前記所定時間後の前記炉内温度の変化量を予測する機能とをコンピュータに実行させ、
    前記学習用入力データは、投入前ごみ情報と炉内温度の少なくともいずれかを含み、
    前記予測用入力データは、前記時刻において取得された投入前ごみ情報と炉内温度の少なくともいずれかを含み、
    前記ごみは、給じんコンベヤ上を移動して前記燃焼炉に供給され、
    前記給じんコンベヤ上を移動する前記ごみが撮影され、
    前記投入前ごみ情報は、前記ごみの撮影画像から求められた輝度分布である炉内温度予測プログラム。
14. ごみを焼却する焼却システムにおける燃焼炉の炉内温度の変化量を予測する炉内温度予測プログラムであって、
    学習用入力データを生成する機能と、
    前記学習用入力データを用いて機械学習させることにより、所定時間後の前記炉内温度の変化量を予測するための学習済モデルを生成する機能と、
    前記学習済モデルに、所定の時刻において取得された予測用入力データを入力して、前記時刻から前記所定時間後の前記炉内温度の変化量を予測する機能とをコンピュータに実行させ、
    前記学習用入力データは、投入前ごみ情報と炉内温度の少なくともいずれかを含み、
    前記予測用入力データは、前記時刻において取得された投入前ごみ情報と炉内温度の少なくともいずれかを含み、
    前記炉内温度は、前記燃焼炉に設けられる砂層の砂層温度である炉内温度予測プログラム。

Images