特開2022-134592予測モデル作成装置、排ガス濃度制御システム、予測モデル作成方法、及び排ガス濃度制御方法
(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】P2022134592
(43)【公開日】2022-09-15
(54)【発明の名称】予測モデル作成装置、排ガス濃度制御システム、予測モデル作成方法、及び排ガス濃度制御方法
(51)【国際特許分類】
F23G 5/50 20060101AFI20220908BHJP
【ＦＩ】
F23G5/50 L
F23G5/50 Z
F23G5/50 H
F23G5/50 G
【審査請求】有
【請求項の数】10
【出願形態】ＯＬ
(21)【出願番号】P 2021033820
(22)【出願日】2021-03-03
(11)【特許番号】
(45)【特許公報発行日】2022-06-15
(71)【出願人】
【識別番号】000006208
【氏名又は名称】三菱重工業株式会社
(74)【代理人】
【識別番号】110000785
【氏名又は名称】ＳＳＩＰ弁理士法人
(72)【発明者】
【氏名】横井 智記
(72)【発明者】
【氏名】高橋 知大
(72)【発明者】
【氏名】大丸 卓一郎
(72)【発明者】
【氏名】草加 浩都
(72)【発明者】
【氏名】瀬戸口 稔彦
(72)【発明者】
【氏名】今田 潤司
(72)【発明者】
【氏名】岩下 信治
【テーマコード（参考）】
3K062
【Ｆターム（参考）】
3K062AA02
3K062AB01
3K062AC01
3K062AC02
3K062AC03
3K062AC05
3K062AC11
3K062AC12
3K062AC13
3K062AC17
3K062BA01
3K062CA08
3K062CB03
3K062DA05
3K062DA22
(57)【要約】
【課題】炉から排出される排ガスに含まれる気体成分の濃度の予測精度を向上させる排ガス濃度予測モデルを速やかに作成することができる。
【解決手段】炉から排出される排ガスに含まれる気体成分の濃度を予測する排ガス濃度予測モデルを作成する予測モデル作成装置は、炉の燃焼領域が撮像された画像を取得する画像取得部と、画像を色画像データに変換し、該色画像データから特徴量を抽出する抽出部と、画像が撮像された時間より予め設定された設定時間が経過した後の排ガスに含まれる気体成分の濃度を燃焼領域よりも後流において取得する排ガス濃度取得部と、抽出部によって抽出された特徴量と、排ガス濃度取得部によって取得された気体成分の濃度と、が対応付けられた学習データを機械学習することによって、排ガス濃度予測モデルを作成するモデル作成部と、を備える。
【選択図】図２
【解決手段】炉から排出される排ガスに含まれる気体成分の濃度を予測する排ガス濃度予測モデルを作成する予測モデル作成装置は、炉の燃焼領域が撮像された画像を取得する画像取得部と、画像を色画像データに変換し、該色画像データから特徴量を抽出する抽出部と、画像が撮像された時間より予め設定された設定時間が経過した後の排ガスに含まれる気体成分の濃度を燃焼領域よりも後流において取得する排ガス濃度取得部と、抽出部によって抽出された特徴量と、排ガス濃度取得部によって取得された気体成分の濃度と、が対応付けられた学習データを機械学習することによって、排ガス濃度予測モデルを作成するモデル作成部と、を備える。
【選択図】図２
【特許請求の範囲】
【請求項1】
炉から排出される排ガスに含まれる気体成分の濃度を予測する排ガス濃度予測モデルを作成する予測モデル作成装置であって、
前記炉の燃焼領域が撮像された画像を取得する画像取得部と、
前記画像を色画像データに変換し、該色画像データから特徴量を抽出する抽出部と、
前記画像が撮像された時間より予め設定された設定時間が経過した後の前記排ガスに含まれる前記気体成分の濃度を前記燃焼領域よりも後流において取得する排ガス濃度取得部と、
前記抽出部によって抽出された前記特徴量と、前記排ガス濃度取得部によって取得された前記気体成分の濃度と、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成するモデル作成部と、を備える、
予測モデル作成装置。
前記炉の燃焼領域が撮像された画像を取得する画像取得部と、
前記画像を色画像データに変換し、該色画像データから特徴量を抽出する抽出部と、
前記画像が撮像された時間より予め設定された設定時間が経過した後の前記排ガスに含まれる前記気体成分の濃度を前記燃焼領域よりも後流において取得する排ガス濃度取得部と、
前記抽出部によって抽出された前記特徴量と、前記排ガス濃度取得部によって取得された前記気体成分の濃度と、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成するモデル作成部と、を備える、
予測モデル作成装置。
【請求項2】
前記色画像データは、前記画像をクラスタリング処理により色情報に応じて複数の色領域に区分されたことを含む、
請求項１に記載の予測モデル作成装置。
請求項１に記載の予測モデル作成装置。
【請求項3】
前記特徴量は、前記複数の色領域のうちの少なくとも１つの前記色領域の面積を含む、
請求項１又は２に記載の予測モデル作成装置。
請求項１又は２に記載の予測モデル作成装置。
【請求項4】
前記炉内の温度、前記炉内の圧力、及び前記炉内における燃料の燃焼によって発生させる蒸気量のうち少なくとも１つを含むプロセスデータを取得するプロセスデータ取得部をさらに備え、
前記モデル作成部は、前記抽出部によって抽出された前記特徴量と、前記排ガス濃度取得部によって取得された前記気体成分の濃度と、前記プロセスデータ取得部によって取得された前記プロセスデータと、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成する、
請求項１から３の何れか一項に記載の予測モデル作成装置。
前記モデル作成部は、前記抽出部によって抽出された前記特徴量と、前記排ガス濃度取得部によって取得された前記気体成分の濃度と、前記プロセスデータ取得部によって取得された前記プロセスデータと、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成する、
請求項１から３の何れか一項に記載の予測モデル作成装置。
【請求項5】
前記排ガス濃度取得部は、前記画像が撮像された時間の前記排ガスに含まれる前記気体成分の濃度である補正前濃度をさらに取得し、
前記モデル作成部は、前記抽出部によって抽出された前記特徴量と、前記排ガス濃度取得部によって取得された前記気体成分の濃度及び前記補正前濃度と、前記プロセスデータ取得部によって取得された前記プロセスデータと、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成する、
請求項４に記載の予測モデル作成装置。
前記モデル作成部は、前記抽出部によって抽出された前記特徴量と、前記排ガス濃度取得部によって取得された前記気体成分の濃度及び前記補正前濃度と、前記プロセスデータ取得部によって取得された前記プロセスデータと、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成する、
請求項４に記載の予測モデル作成装置。
【請求項6】
請求項１から５の何れか一項に記載の予測モデル作成装置によって作成された前記排ガス濃度予測モデルを用いて、前記炉から排出される前記排ガスに含まれる気体成分の濃度を制御する排ガス濃度制御システムであって、
前記炉の前記燃焼領域を撮像する撮像装置と、
前記撮像装置によって撮像された撮像画像から抽出した前記特徴量を前記排ガス濃度予測モデルに入力することで出力される前記気体成分の濃度に基づいて、前記炉に供給する空気の量および前記炉に供給する燃料の量のうちの少なくとも一方を調整するように構成された調整装置と、を備える、
排ガス濃度制御システム。
前記炉の前記燃焼領域を撮像する撮像装置と、
前記撮像装置によって撮像された撮像画像から抽出した前記特徴量を前記排ガス濃度予測モデルに入力することで出力される前記気体成分の濃度に基づいて、前記炉に供給する空気の量および前記炉に供給する燃料の量のうちの少なくとも一方を調整するように構成された調整装置と、を備える、
排ガス濃度制御システム。
【請求項7】
前記気体成分は酸素を含み、
前記調整装置は、前記排ガス濃度予測モデルから出力される酸素の濃度が、前記調整装置の基準値より小さくなった場合、前記炉に供給する空気の量を増加する、
請求項６に記載の排ガス濃度制御システム。
前記調整装置は、前記排ガス濃度予測モデルから出力される酸素の濃度が、前記調整装置の基準値より小さくなった場合、前記炉に供給する空気の量を増加する、
請求項６に記載の排ガス濃度制御システム。
【請求項8】
前記炉に供給する空気の量は、前記排ガス濃度予測モデルから出力される酸素の濃度と予め設定されている目標値との差に応じて決められる、
請求項７に記載の排ガス濃度制御システム。
請求項７に記載の排ガス濃度制御システム。
【請求項9】
前記調整装置は、前記排ガス濃度予測モデルから出力される酸素の濃度が、前記調整装置の基準値まで戻ると、前記炉に供給する空気の量を減少する、
請求項７又は８に記載の排ガス濃度制御システム。
請求項７又は８に記載の排ガス濃度制御システム。
【請求項10】
前記気体成分は酸素を含み、
前記調整装置は、前記排ガス濃度予測モデルから出力される酸素の濃度が、前記調整装置の基準値より小さくなった場合、前記炉に供給する燃料の量を減少する、
請求項６から９の何れか一項に記載の排ガス濃度制御システム。
前記調整装置は、前記排ガス濃度予測モデルから出力される酸素の濃度が、前記調整装置の基準値より小さくなった場合、前記炉に供給する燃料の量を減少する、
請求項６から９の何れか一項に記載の排ガス濃度制御システム。
【請求項11】
炉から排出される排ガスに含まれる気体成分の濃度を予測する排ガス濃度予測モデルを作成する予測モデル作成方法であって、
前記炉の燃焼領域が撮像された画像を取得するステップと、
前記画像を色画像データに変換し、該色画像データから特徴量を抽出するステップと、
前記画像が撮像された時間より予め設定された設定時間が経過した後の前記排ガスに含まれる前記気体成分の濃度を前記燃焼領域よりも後流において取得するステップと、
前記特徴量と、前記画像が撮像された時間より前記設定時間が経過した後の前記排ガスに含まれる前記気体成分の濃度と、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成するステップと、を備える、
予測モデル作成方法。
前記炉の燃焼領域が撮像された画像を取得するステップと、
前記画像を色画像データに変換し、該色画像データから特徴量を抽出するステップと、
前記画像が撮像された時間より予め設定された設定時間が経過した後の前記排ガスに含まれる前記気体成分の濃度を前記燃焼領域よりも後流において取得するステップと、
前記特徴量と、前記画像が撮像された時間より前記設定時間が経過した後の前記排ガスに含まれる前記気体成分の濃度と、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成するステップと、を備える、
予測モデル作成方法。
【請求項12】
請求項１１に記載の予測モデル作成方法によって作成された前記排ガス濃度予測モデルを用いて、前記炉から排出される前記排ガスに含まれる気体成分の濃度を制御する排ガス濃度制御方法であって、
前記炉の前記燃焼領域を撮像する撮像ステップと、
前記撮像ステップで撮像された撮像画像から抽出した前記特徴量を前記排ガス濃度予測モデルに入力することで出力される前記気体成分の濃度に基づいて、前記炉に供給する空気の量および前記炉に供給する燃料の量のうちの少なくとも一方を調整する調整ステップと、を備える、
排ガス濃度制御方法。
前記炉の前記燃焼領域を撮像する撮像ステップと、
前記撮像ステップで撮像された撮像画像から抽出した前記特徴量を前記排ガス濃度予測モデルに入力することで出力される前記気体成分の濃度に基づいて、前記炉に供給する空気の量および前記炉に供給する燃料の量のうちの少なくとも一方を調整する調整ステップと、を備える、
排ガス濃度制御方法。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、炉から排出される排ガスに含まれる気体成分の濃度を予測する排ガス濃度予測モデルを作成する予測モデル作成装置と予測モデル作成方法、および排ガス濃度予測モデルを用いて、炉から排出される排ガスに含まれる気体成分の濃度を制御する排ガス濃度制御システムと排ガス濃度制御方法に関する。
【背景技術】
【0002】
例えば、特許文献１には、炉内を撮像した画像から得られる画像情報と、画像を撮像した時から所定の時間経過後の状態量（例えば、ＣＯ濃度）とが対応付けられた学習データの機械学習により作成される推定モデル（排ガス濃度予測モデル）を使って、炉内を撮像した画像（特徴量）からＣＯ濃度（炉のプロセス値）を推定する技術が開示されている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１９－０７４２４０号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
ところで、特徴量は排ガス濃度予測モデルの予測精度を向上させるような情報であることが望ましいが、プラントの燃焼領域の画像データから特徴量を抽出する具体的な手法については開示されていない。
【0005】
本開示は、上述の課題に鑑みてなされたものであって、排ガス濃度予測モデルの予測精度を向上させることができる予測モデル作成装置、及び予測モデル作成方法を提供することを目的とする。
【課題を解決するための手段】
【0006】
上記目的を達成するため、本開示に係る予測モデル作成装置は、炉から排出される排ガスに含まれる気体成分の濃度を予測する排ガス濃度予測モデルを作成する予測モデル作成装置であって、前記炉の燃焼領域が撮像された画像を取得する画像取得部と、前記画像を色画像データに変換し、該色画像データから特徴量を抽出する抽出部と、前記画像が撮像された時間より予め設定された設定時間が経過した後の前記排ガスに含まれる前記気体成分の濃度を前記燃焼領域よりも後流において取得する排ガス濃度取得部と、前記抽出部によって抽出された前記特徴量と、前記排ガス濃度取得部によって取得された前記気体成分の濃度と、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成するモデル作成部と、を備える。
【0007】
上記目的を達成するため、本開示に係る予測モデル作成方法は、炉から排出される排ガスに含まれる気体成分の濃度を予測する排ガス濃度予測モデルを作成する予測モデル作成方法であって、前記炉の燃焼領域が撮像された画像を取得するステップと、前記画像を色画像データに変換し、該色画像データから特徴量を抽出するステップと、前記画像が撮像された時間より予め設定された設定時間が経過した後の前記排ガスに含まれる前記気体成分の濃度を前記燃焼領域よりも後流において取得するステップと、前記特徴量と、前記画像が撮像された時間より設定時間が経過した後の前記排ガスに含まれる前記気体成分の濃度と、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成するステップと、を備える。
【発明の効果】
【0008】
本開示の予測モデル作成装置及び予測モデル作成方法によれば、排ガス濃度予測モデルの予測精度を向上させることができる。
【図面の簡単な説明】
【0009】
【図1】第１実施形態に係る予測モデル作成装置が設置された炉の構成を概略的に示す図である。
【図2】第１実施形態に係る予測モデル作成装置の概略的な機能ブロック図である。
【図3】色画像データを示す図である。
【図4】第２実施形態に係る予測モデル作成装置が設置された炉の構成を概略的に示す図である。
【図5】第２実施形態に係る予測モデル作成装置の概略的な機能ブロック図である。
【図6】第３実施形態に係る排ガス濃度制御システムの構成を概略的に示す図である。
【図7】第３実施形態に係る排ガス濃度制御システムの作用・効果を説明するための図である。
【図8】第３実施形態の変形例に係る排ガス濃度制御システムの構成を概略的に示す図である。
【図9】一実施形態に係る予測モデル作成方法を示すフローチャートである。
【図10】一実施形態に係る排ガス濃度制御方法を示すフローチャートである。
【発明を実施するための形態】
【0010】
以下、本開示の実施の形態による予測モデル作成装置、排ガス濃度制御システム、予測モデル作成方法、及び排ガス濃度制御方法について、図面に基づいて説明する。かかる実施の形態は、本開示の一態様を示すものであり、この開示を限定するものではなく、本開示の技術的思想の範囲内で任意に変更可能である。
【0011】
＜第１実施形態＞
（炉の構成）
図１は、第１実施形態に係る予測モデル作成装置１が設置された炉１００の構成を概略的に示す図である。図１に例示する形態では、炉１００は、都市ごみ、産業廃棄物、又はバイオマスなどを固体燃料Ｆｓとするストーカ式のごみ焼却炉である。尚、炉１００は、ストーカ式のごみ焼却炉に限定されない。以下において、炉１００内を固体燃料Ｆｓが移動する方向を移動方向Ｗ１とする。
（炉の構成）
図１は、第１実施形態に係る予測モデル作成装置１が設置された炉１００の構成を概略的に示す図である。図１に例示する形態では、炉１００は、都市ごみ、産業廃棄物、又はバイオマスなどを固体燃料Ｆｓとするストーカ式のごみ焼却炉である。尚、炉１００は、ストーカ式のごみ焼却炉に限定されない。以下において、炉１００内を固体燃料Ｆｓが移動する方向を移動方向Ｗ１とする。
【0012】
図１に示すように、炉１００は、ホッパー１０２と、フィーダ１０４と、燃焼室１０６と、空気供給装置１０８と、煙道１１０と、を含む。
【0013】
ホッパー１０２から投入された固体燃料Ｆｓは、燃焼室１０６に向かって延びる通路１０３に堆積する。フィーダ１０４は通路１０３に配置されており、通路１０３の延びる方向（移動方向Ｗ１）に沿って往復運動可能に構成されている。フィーダ１０４は、通路１０３に堆積した固体燃料Ｆｓを燃焼室１０６に押し出すようになっている。
【0014】
燃焼室１０６は、燃焼室１０６の床部に相当し、燃焼室１０６に押し出された固体燃料Ｆｓが落下する火格子１１２（ストーカ）を含む。火格子１１２は、火格子１１２上の固体燃料Ｆｓを燃焼室１０６の受入口１１４から離れていく方向（移動方向Ｗ１の上流側から下流側）に移動させるように構成されている。このような燃焼室１０６は、移動方向Ｗ１の上流側から下流側に向かって順番に並ぶ乾燥領域１２８、燃焼領域１３０、及び後燃焼領域１３２、を含む。乾燥領域１２８では、燃焼室１０６内の熱によって固体燃料Ｆｓを乾燥させる。燃焼領域１３０では、火炎Ｆｒを上げて固体燃料Ｆｓを燃焼させる。後燃焼領域１３２では、燃焼領域１３０で燃え切らなかった燃え切りを完全燃焼させる。燃焼室１０６で乾燥、燃焼、後燃焼された固体燃料Ｆｓは灰Ｆａとなり、炉１００外に排出される。
【0015】
燃焼領域１３０は、可視カメラのような撮像装置１１６によって撮像されている。図１に例示する形態では、燃焼領域１３０は、燃焼室１０６の炉尻１１８に設けられる撮像装置１１６によって撮像されている。尚、撮像装置１１６は、燃焼領域１３０を撮像可能であるならば可視カメラに限定されない。例えば、撮像装置１１６は、赤外カメラであってもよい。また、撮像装置１１６が設けられる位置も、燃焼室１０６の炉尻１１８に限定されない。
【0016】
空気供給装置１０８は、固体燃料Ｆｓの燃焼に用いられる１次空気、及び、固体燃料Ｆｓの燃焼によって発生する排ガスＥｇをさらに燃焼するために用いられる２次空気を燃焼室１０６に供給するように構成される。図１に例示する形態では、空気供給装置１０８は、空気供給管１２０と、空気供給管１２０に設けられたブロワ１２２と、を含む。空気供給管１２０を流通する空気は、一部が１次空気として第１流量調節弁１２４を介して火格子１１２から燃焼室１０６の下部に供給されるとともに、残りの一部が２次空気として第２流量調節弁１２６を介して燃焼室１０６の側壁から燃焼室１０６の上部に供給されるようになっている。つまり、空気供給装置１０８は、燃焼室１０６の下部に１次空気を供給する１次空気供給装置として機能するとともに、燃焼室１０６の上部に２次空気を供給する２次空気供給装置として機能する。尚、図１に例示する形態では、燃焼室１０６の乾燥領域１２８、燃焼領域１３０、及び後燃焼領域１３２のそれぞれに１次空気が供給されるように構成されている。
【0017】
煙道１１０は、燃焼室１０６の上部と連通しており、固体燃料Ｆｓの燃焼によって発生する排ガスＥｇが流通する。煙道１１０の出口部１１１には、ガス分析計１４０が設けられている。ガス分析計１４０は、炉１００から排出される排ガスＥｇに含まれる酸素や一酸化炭素のような気体成分の濃度を計測する。
【0018】
尚、図１に例示する形態では、炉１００は、焼却システム１５０の一部として構成されている。図１に示すように、焼却システム１５０は、炉１００と、減温塔１５２と、集じん装置１５４と、煙突１５６と、を備える。減温塔１５２は、炉１００の煙道１１０の出口部１１１と接続されている。減温塔１５２は、炉１００（炉１００の煙道１１０）から排出された排ガスＥｇの温度を下げる。集じん装置１５４は、減温塔１５２と接続されている。集じん装置１５４は、減温塔１５２から排出された排ガスＥｇ中に含まれる飛灰を捕集する。煙突１５６は、集じん装置１５４と接続されている。煙突１５６は、集じん装置１５４から排出された排ガスＥｇを、大気中のような焼却システム１５０の外部に排出する。
【0019】
（予測モデル作成装置の構成）
上述した炉１００に設置される予測モデル作成装置１は、撮像装置１１６及びガス分析計１４０のそれぞれからデータ（画像、及び気体成分の濃度）を取得し、この取得したデータに基づいて、炉１００から排出される排ガスＥｇに含まれる気体成分の濃度を予測する排ガス濃度予測モデルを作成する。尚、予測モデル作成装置１は、撮像装置１１６及びガス分析計１４０のそれぞれと電気的に接続され、リアルタイムでデータを取得するように構成されてもよい。あるいは、撮像装置１１６及びガス分析計１４０のそれぞれから予め取得したデータをデータベースに記憶させ、予測モデル作成装置１はデータベースからデータを取得するように構成されてもよい。
上述した炉１００に設置される予測モデル作成装置１は、撮像装置１１６及びガス分析計１４０のそれぞれからデータ（画像、及び気体成分の濃度）を取得し、この取得したデータに基づいて、炉１００から排出される排ガスＥｇに含まれる気体成分の濃度を予測する排ガス濃度予測モデルを作成する。尚、予測モデル作成装置１は、撮像装置１１６及びガス分析計１４０のそれぞれと電気的に接続され、リアルタイムでデータを取得するように構成されてもよい。あるいは、撮像装置１１６及びガス分析計１４０のそれぞれから予め取得したデータをデータベースに記憶させ、予測モデル作成装置１はデータベースからデータを取得するように構成されてもよい。
【0020】
予測モデル作成装置１は、電子制御装置などのコンピュータであって、図示しないＣＰＵやＧＰＵといったプロセッサ、ＲＯＭやＲＡＭといったメモリ、及びＩ／Ｏインターフェイスなどを備える。予測モデル作成装置１は、メモリにロードされたプログラムの命令に従ってプロセッサが動作（演算等）することで、予測モデル作成装置１が備える各機能部を実現する。図２を参照して、一実施形態に係る予測モデル作成装置１の各機能部について説明する。
【0021】
【0022】
画像取得部２は、炉１００の燃焼領域１３０が撮像された画像を撮像装置１１６から取得する。
【0023】
抽出部４は、画像取得部２が取得した画像を色画像データ１６０に変換する。具体的には、抽出部４は、画像取得部２が取得した画像をクラスタリング処理により色情報に応じて複数の色領域Ａに区分された色画像データ１６０に変換する。そして、抽出部４は、この色画像データ１６０から特徴量を抽出する。
【0024】
「画像をクラスタリング処理により色情報に応じて複数の色領域Ａに区分する」の一例について説明する。色情報はＲＧＢの各色成分であり、複数の色領域Ａのそれぞれは、ＲＧＢの各色成分が互いに重複しないようにクラスタリング処理によって設定されている。抽出部４は、画像取得部２が取得した画像を画素ごとにＲＧＢの各色成分に分解し、この画素が含まれる色領域Ａを決定する。尚、色情報はＲＧＢの各色成分に限定されず、輝度や彩度であってもよい。
【0025】
クラスタリング処理のアルゴリズムは、特に限定されず、公知のクラスタリングアルゴリズムを用いることが可能である。例えば、ｋ－ｍｅａｎｓ等のクラスタ数を指定できるアルゴリズムを用いてクラスタリング処理を行ってもよいし、ｆｌｏｗｓｏｍ等の自動的にクラスタ数を決定するようなアルゴリズムを用いてクラスタリング処理を行ってもよい。
【0026】
図３は、色画像データ１６０を示す図である。図３に例示する形態では、色画像データ１６０は、クラスタリング処理によって７つの色領域Ａに区分されており、輝度が高い順に第１色領域Ａ１（Ａ）、第２色領域Ａ２（Ａ）、第３色領域Ａ３（Ａ）、第４色領域Ａ４（Ａ）、第５色領域Ａ５（Ａ）、第６色領域Ａ６（Ａ）、第７色領域Ａ７（Ａ）を含んでいる。第１色領域Ａ１～第７色領域Ａ７のそれぞれは、白黒（グレースケール）の濃淡の値に変換されており、第１色領域Ａ１から第７色領域Ａ７に進むにつれて濃くなっている。
【0027】
次に「色画像データから特徴量を抽出する」の一例について説明する。抽出部４は、第１色領域Ａ１に区分された画素数の合計を算出し、この合計画素数を特徴量として抽出する。そして、抽出部４は、所定の時間ごと（例えば１秒ごと）に第１色領域Ａ１の合計画素数を抽出する。抽出部４は、第２色領域Ａ２から第７色領域Ａ７のそれぞれに対しても所定の時間ごとの合計画素数を算出し、それぞれの合計画素数を特徴量として抽出する。
【0028】
尚、第１実施形態では、特徴量は、複数の色領域Ａのうち全ての色領域（第１色領域Ａ１から第７色領域Ａ７）の合計画素数を含むが、本開示はこの形態に限定されない。特徴量は、複数の色領域Ａのうちの少なくとも１つの色領域Ａの合計画素数を含めばよい。幾つかの実施形態では、特徴量は、複数の色領域Ａのうち気体成分の濃度と高い相関を有する色領域Ａの合計画素数を含む。ここで高い相関の色領域Ａとは、予め定められた相関より高い相関を有する色領域Ａであってもよいし、複数の色領域Ａのうち相関の高い順に選択された色領域Ａであってもよい。
【0029】
排ガス濃度取得部６は、画像が撮像された時間より予め設定された設定時間ｔが経過した後の排ガスＥｇに含まれる気体成分の濃度を燃焼領域１３０よりも後流において取得する。言い換えると、排ガス濃度取得部６は、合計画素数を抽出した画像が撮像された時間より設定時間ｔが経過したときにガス分析計１４０によって計測された気体成分の濃度を取得する。設定時間ｔは、例えば、煙道１１０の長さや燃焼領域１３０からガス分析計１４０までの距離に基づいて算出される。
【0030】
モデル作成部８は、抽出部４によって抽出された合計画素数（特徴量）と、排ガス濃度取得部６によって取得された気体成分の濃度と、が対応付けられた学習データを機械学習することによって、排ガス濃度予測モデルを作成する。具体的には、モデル作成部８は、画像を撮像した時間が互いに異なる複数の学習データに対して回帰分析を実行し、合計画素数から気体成分の濃度を算出するための回帰式を作成する。
【0031】
（予測モデル作成装置の作用・効果）
本発明者らの知見によれば、炉１００から排出される排ガスＥｇに含まれる気体成分の濃度は、炉１００の燃焼領域１３０が撮像された画像から得られる情報のうち、色情報に応じて複数の色領域Ａに区分された色画像データ１６０から抽出される合計画素数と高い相関を持つ。
本発明者らの知見によれば、炉１００から排出される排ガスＥｇに含まれる気体成分の濃度は、炉１００の燃焼領域１３０が撮像された画像から得られる情報のうち、色情報に応じて複数の色領域Ａに区分された色画像データ１６０から抽出される合計画素数と高い相関を持つ。
【0032】
第１実施形態によれば、モデル作成部８によって作成される排ガス濃度予測モデルは、色画像データ１６０から抽出される合計画素数と、合計画素数を抽出した画像が撮像された時間より設定時間ｔが経過したときにガス分析計１４０によって計測された気体成分の濃度と、が対応付けられた学習データの機械学習によって作成されている。このため、排ガス濃度予測モデルの予測精度を向上させることができる。また、画像を色画像データ１６０に変換する際にはクラスタリング処理を適用するため、教師データを用意する必要がない。また、クラスタリング処理は、前処理や閾値の設定などのような人手による調整作業が不要である。よって、特徴量の抽出の自動化を容易化することができる。
【0033】
ガス分析計１４０が設けられる位置は、排ガスＥｇが発生する発生地点よりも後流に位置することがある。このため、ガス分析計１４０によって計測される気体成分の濃度は、排ガスＥｇの発生地点から計測地点に到達するまでのタイムラグを含む。これに対して第１実施形態によれば、排ガス濃度取得部６は、画像が撮像された時間より設定時間ｔが経過したときにガス分析計１４０によって計測された気体成分の濃度を取得する。このため、タイムラグを考慮して学習データが作成されるので、排ガス濃度予測モデルの予測精度を向上させることができる。
【0034】
合計画素数は速やかに抽出できる情報の１つである。第１実施形態によれば、抽出部４は合計画素数を特徴量として抽出しているので、モデル作成部８は速やかに排ガス濃度予測モデルを作成することができる。
【0035】
＜第２実施形態＞
本開示の第２実施形態に係る予測モデル作成装置１について説明する。第２実施形態は、プロセスデータ取得部１０がさらに設けられている点で第１実施形態とは異なるが、それ以外の構成は第１実施形態で説明した構成と同じである。第２実施形態において、第１実施形態の構成要件と同じものは同じ参照符号を付し、その詳細な説明は省略する。
本開示の第２実施形態に係る予測モデル作成装置１について説明する。第２実施形態は、プロセスデータ取得部１０がさらに設けられている点で第１実施形態とは異なるが、それ以外の構成は第１実施形態で説明した構成と同じである。第２実施形態において、第１実施形態の構成要件と同じものは同じ参照符号を付し、その詳細な説明は省略する。
【0036】
（炉の構成）
まず、第２実施形態に係る予測モデル作成装置１が設置される炉１００の構成について説明する。図４は、第２実施形態に係る予測モデル作成装置１が設置された炉１００の構成を概略的に示す図である。第２実施形態に係る炉１００は、炉１００のプロセスデータを計測するために圧力計１４２、温度センサ１４４、及び熱回収ボイラ１４６をさらに備える。
まず、第２実施形態に係る予測モデル作成装置１が設置される炉１００の構成について説明する。図４は、第２実施形態に係る予測モデル作成装置１が設置された炉１００の構成を概略的に示す図である。第２実施形態に係る炉１００は、炉１００のプロセスデータを計測するために圧力計１４２、温度センサ１４４、及び熱回収ボイラ１４６をさらに備える。
【0037】
圧力計１４２は、燃焼室１０６の上部に設けられており、燃焼室１０６内（炉１００内）の圧力を計測する。温度センサ１４４は、煙道１１０に設けられており、炉１００内の温度として煙道１１０を流通する排ガスＥｇの温度を計測する。熱回収ボイラ１４６は、煙道１１０に設けられており、煙道１１０を流通する排ガスＥｇの熱エネルギから蒸気を発生させる。本実施形態では、この熱回収ボイラ１４６は、熱回収ボイラ１４６が発生させた蒸気量を計測可能に構成されている。尚、図４に例示する形態では、煙道１１０には、排ガスＥｇの流通方向の上流側から下流側に向かって温度センサ１４４、熱回収ボイラ１４６、ガス分析計１４０の順番に設けられているが、本開示はこの形態に限定されない。
【0038】
（予測モデル作成装置の構成）
図５は、第２実施形態に係る予測モデル作成装置１の概略的な機能ブロック図である。図４及び図５に例示するように、予測モデル作成装置１は、撮像装置１１６、ガス分析計１４０、圧力計１４２、温度センサ１４４、及び熱回収ボイラ１４６のそれぞれからデータ（画像、炉１００内の温度・圧力、蒸気量、及び気体成分の濃度）を取得し、この取得したデータに基づいて、炉１００から排出される排ガスＥｇに含まれる気体成分の濃度を予測する排ガス濃度予測モデルを作成する。
図５は、第２実施形態に係る予測モデル作成装置１の概略的な機能ブロック図である。図４及び図５に例示するように、予測モデル作成装置１は、撮像装置１１６、ガス分析計１４０、圧力計１４２、温度センサ１４４、及び熱回収ボイラ１４６のそれぞれからデータ（画像、炉１００内の温度・圧力、蒸気量、及び気体成分の濃度）を取得し、この取得したデータに基づいて、炉１００から排出される排ガスＥｇに含まれる気体成分の濃度を予測する排ガス濃度予測モデルを作成する。
【0039】
図５に示すように、予測モデル作成装置１は、プロセスデータを取得するプロセスデータ取得部１０をさらに備える。図５に例示する形態では、プロセスデータ取得部１０は、圧力計１４２が計測した燃焼室１０６内の圧力（炉１００内の圧力）、温度センサ１４４が計測した煙道１１０を流通する排ガスＥｇの温度（炉１００内の温度）、及び熱回収ボイラ１４６が発生させた蒸気量を取得する。プロセスデータ取得部１０は、画像が撮像された時間と同じ時間に計測されたプロセスデータを取得する。尚、第２実施形態では、プロセスデータは、炉１００内の圧力、炉１００内の温度、及び蒸気量を含んでいたが、本開示はこの実施形態に限定されない。プロセスデータは、炉１００内の圧力、炉１００内の温度、及び蒸気量のうち少なくとも１つを含めばよい。
【0040】
モデル作成部８は、抽出部４によって抽出された合計画素数（特徴量）と、排ガス濃度取得部６によって取得された気体成分の濃度と、プロセスデータ取得部１０によって取得されたプロセスデータと、が対応付けられた学習データを機械学習することによって、排ガス濃度予測モデルを作成する。具体的には、モデル作成部８は、画像を撮像した時間が互いに異なる複数の学習データに対して線形回帰分析を実行し、プロセスデータと合計画素数から気体成分の濃度を算出するための回帰式を作成する。尚、線形回帰における基底関数は、多項式やガウス関数等、回帰分析による予測値の誤差が小さくなるようにいずれを選んでも良い。
【0041】
（予測モデル作成装置の作用・効果）
炉１００から排出される排ガスＥｇに含まれる気体成分の濃度は、プロセスデータとも高い相関を持つ。第２実施形態によれば、排ガス濃度予測モデルはプロセスデータも考慮して作成されているので、排ガス濃度予測モデルの予測精度をさらに向上させることができる。
炉１００から排出される排ガスＥｇに含まれる気体成分の濃度は、プロセスデータとも高い相関を持つ。第２実施形態によれば、排ガス濃度予測モデルはプロセスデータも考慮して作成されているので、排ガス濃度予測モデルの予測精度をさらに向上させることができる。
【0042】
幾つかの実施形態では、排ガス濃度取得部６は、画像が撮像された時間の排ガスＥｇに含まれる気体成分の濃度である補正前濃度をさらに取得する。そして、モデル作成部８は、抽出部４によって抽出された合計画素数（特徴量）と、排ガス濃度取得部６によって取得された気体成分の濃度及び補正前濃度と、プロセスデータ取得部１０によって取得されたプロセスデータと、が対応付けられた学習データを機械学習することによって、排ガス濃度予測モデルを作成する。
【0043】
本発明者らの知見によれば、補正前濃度も含められた学習データを機械学習することで、排ガス濃度予測モデルの誤差（ＲＭＳＥ）を小さくすることができる。このような構成によれば、排ガス濃度予測モデルは補正前濃度も考慮して作成されているので、排ガス濃度予測モデルの予測精度をさらに向上させることができる。
【0044】
＜第３実施形態＞
本開示の第３実施形態に係る排ガス濃度制御システム５０について説明する。排ガス濃度制御システム５０は、上述した予測モデル作成装置１によって作成された排ガス濃度予測モデルを用いて、炉１００から排出される排ガスＥｇに含まれる気体成分の濃度を制御する。第３実施形態では、排ガス濃度制御システム５０は、第１実施形態に係る予測モデル作成装置１によって作成された排ガス濃度予測モデルを用いて、酸素の濃度を制御する。別の実施形態では、排ガス濃度制御システム５０は、第２実施形態に係る予測モデル作成装置１によって作成された排ガス濃度予測モデルを用いて、酸素の濃度を制御する。尚、排ガス濃度制御システム５０が制御する気体成分の濃度は、酸素の濃度に限定されず、例えば、一酸化炭素の濃度や窒素酸化物（ＮＯｘ）の濃度であってもよい。
本開示の第３実施形態に係る排ガス濃度制御システム５０について説明する。排ガス濃度制御システム５０は、上述した予測モデル作成装置１によって作成された排ガス濃度予測モデルを用いて、炉１００から排出される排ガスＥｇに含まれる気体成分の濃度を制御する。第３実施形態では、排ガス濃度制御システム５０は、第１実施形態に係る予測モデル作成装置１によって作成された排ガス濃度予測モデルを用いて、酸素の濃度を制御する。別の実施形態では、排ガス濃度制御システム５０は、第２実施形態に係る予測モデル作成装置１によって作成された排ガス濃度予測モデルを用いて、酸素の濃度を制御する。尚、排ガス濃度制御システム５０が制御する気体成分の濃度は、酸素の濃度に限定されず、例えば、一酸化炭素の濃度や窒素酸化物（ＮＯｘ）の濃度であってもよい。
【0045】
（排ガス濃度制御システムの構成）
図６は、第３実施形態に係る排ガス濃度制御システム５０の構成を概略的に示す図である。図６に示すように、排ガス濃度制御システム５０は、撮像装置５２と、調整装置５４と、を備える。
図６は、第３実施形態に係る排ガス濃度制御システム５０の構成を概略的に示す図である。図６に示すように、排ガス濃度制御システム５０は、撮像装置５２と、調整装置５４と、を備える。
【0046】
撮像装置５２は、炉１００の燃焼領域１３０を撮像する。第２実施形態では、撮像装置５２は、上述した撮像装置１１６と同じ装置であって、燃焼室１０６の炉尻１１８に設けられている。尚、別の実施形態では、撮像装置５２は、炉１００の燃焼領域１３０を撮像するように構成されるのであれば、撮像装置１１６とは異なる装置であってもよい。
【0047】
調整装置５４は、撮像装置５２と電気的に接続されており、撮像装置５２によって撮像された撮像画像をリアルタイムで取得する。調整装置５４は、この撮像画像から上述した方法で合計画素数（特徴量）を抽出し、抽出された合計画素数を予測モデル作成装置１によって作成された排ガス濃度予測モデルに入力する。調整装置５４は、排ガス濃度予測モデルへの合計画素数の入力によって出力される酸素の濃度（以下、予測値Ｘ１とする）に基づいて、炉１００に供給する空気の量を調整する。
【0048】
尚、図６に例示する形態では、調整装置５４は、予測モデル作成装置１とは別体に設けられ、予測モデル作成装置１から排ガス濃度予測モデルを取得するようになっている。別の実施形態では、調整装置５４は、予測モデル作成装置１として機能するように構成され、調整装置５４自身によって作成された排ガス濃度予測モデルに撮像画像から抽出された合計画素数を入力する。
【0049】
第３実施形態に係る調整装置５４の動作の一例を説明する。図６に例示する形態では、調整装置５４は、ブロワ１２２、第１流量調節弁１２４及び第２流量調節弁１２６のそれぞれと電気的に接続されており、ブロワ１２２、第１流量調節弁１２４及び第２流量調節弁１２６のそれぞれに電気的な信号を送信すること（以下、「指示すること」と記載）で、ブロワ１２２のファンの回転数、第１流量調節弁１２４の開度、第２流量調節弁１２６の開度を調整可能となっている。そして、調整装置５４は、予測値Ｘ１が、調整装置５４の基準値より小さくなった場合、ブロワ１２２にファンの回転数を大きくするように指示し、第１流量調節弁１２４に開度を大きくするように指示し、第２流量調節弁１２６に開度を大きくするように指示する。つまり、調整装置５４は、予測値Ｘ１が調整装置５４の基準値より小さくなると、炉１００に供給する空気の量を増加する。調整装置５４の基準値は、予め設定される値であって、炉１００から排出される排ガスＥｇに含まれる酸素の濃度が下回ると炉１００の燃焼状態が不安定となる値である。基準値は、例えば、２ｗｅｔ％以下となるように設定される。炉１００の出口（煙道１１０の出口部１１１）における酸素濃度は、燃焼状態が安定であれば約１ｗｅｔ％の範囲内でばらつく。このため、燃焼状態が不安定でなければ、基準値が２ｗｅｔ％以下になることはほとんどない。よって、基準値を２ｗｅｔ％以下と設定することで、調整装置５４は、不安定状態への過渡期のタイミング（つまりは、適切なタイミング）で炉１００に供給する空気の量を増加し、安定状態へ戻すことができる。
【0050】
幾つかの実施形態では、炉１００に供給する空気の量は、予測値Ｘ１と予め設定されている目標値との差に応じて決められる。目標値は、上述した調整装置５４の基準値より大きくなるように設定される。この目標値は、任意に設定可能な値であり、例えば、空気比が１．２になるように排ガスＥｇに含まれる酸素の濃度が３ｗｅｔ％といったように設定される。
【0051】
尚、第３実施形態では、調整装置５４は、ブロワ１２２のファンの回転数、第１流量調節弁１２４の開度、第２流量調節弁１２６の開度のそれぞれを調整していたが、本開示はこの実施形態に限定されない。調整装置５４は、ブロワ１２２のファンの回転数、第１流量調節弁１２４の開度、第２流量調節弁１２６の開度のうちの少なくとも１つを調整してもよい。
【0052】
調整装置５４は、炉１００に供給する空気の量を増加することによって予測値Ｘ１が基準値まで戻ると、ブロワ１２２にファンの回転数を小さくするように指示し、第１流量調節弁１２４に開度を小さくするように指示し、第２流量調節弁１２６に開度を小さくするように指示する。つまり、調整装置５４は、予測値Ｘ１が基準値まで戻ると、炉１００に供給する空気の量を減少する。幾つかの実施形態では、調整装置５４は、予測値Ｘ１が基準値まで戻ると、調整装置５４によって調整する前（大きくする前）のブロワ１２２のファンの回転数、第１流量調節弁１２４の開度、第２流量調節弁１２６の開度に調整する。
【0053】
（排ガス濃度制御システムの作用・効果）
図７は、第３実施形態に係る排ガス濃度制御システム５０の作用・効果を説明するための図である。図７には、縦軸を酸素濃度とし、横軸を時間とするグラフが示されている。実線は、排ガス濃度予測モデルから出力された酸素の濃度（予測値Ｘ１）である。一点鎖線は、ガス分析計１４０からリアルタイムで取得される酸素の濃度（以下、実測値Ｘ２とする）である。点線は、一点鎖線を設定時間ｔの分だけずらした酸素の濃度（以下、補正値Ｘ３とする）である。
図７は、第３実施形態に係る排ガス濃度制御システム５０の作用・効果を説明するための図である。図７には、縦軸を酸素濃度とし、横軸を時間とするグラフが示されている。実線は、排ガス濃度予測モデルから出力された酸素の濃度（予測値Ｘ１）である。一点鎖線は、ガス分析計１４０からリアルタイムで取得される酸素の濃度（以下、実測値Ｘ２とする）である。点線は、一点鎖線を設定時間ｔの分だけずらした酸素の濃度（以下、補正値Ｘ３とする）である。
【0054】
上述したように、ガス分析計１４０によって計測される酸素の濃度は、排ガスＥｇの発生地点から計測地点に到達するまでのタイムラグを含む。このため、実測値Ｘ２に基づいて、炉１００に供給する空気量の調整を実行することは適切でない場合がある。図７に示すように、実測値Ｘ２は、設定時間ｔの分だけ遅れており、補正値Ｘ３に基づいて炉１００に供給する空気量の調整を実行することが適切である。
【0055】
第３実施形態によれば、タイムラグを考慮して作成された排ガス濃度予測モデルから予測される酸素の濃度（予測値Ｘ１）に基づいて、炉１００から排出される排ガスＥｇに含まれる酸素の濃度を制御する。このため、実測値Ｘ２に基づいて酸素の濃度を制御する場合と比較して、炉１００から排出される排ガスＥｇに含まれる酸素の濃度を早い段階で制御することができる。また、第３実施形態によれば、炉１００から排出される排ガスＥｇに含まれる酸素の濃度の制御を自動化することができる。
【0056】
排ガスＥｇに含まれる酸素の濃度が低い場合には、排ガスＥｇに含まれる一酸化炭素の濃度が高くなっており、炉１００の燃焼状態が不安定になっていることが多い。第３実施形態によれば、予測値Ｘ１（酸素の濃度）が基準値より小さくなった場合に、炉１００に供給する空気の量を増加する。このため、炉１００の燃焼状態を安定化させ、炉１００から排出される排ガスＥｇに含まれる一酸化炭素の濃度を低減することができる。
【0057】
一方で、炉１００に供給する空気の量を増やすと、燃焼室１０６内で固体燃料Ｆｓを燃焼する際に窒素酸化物の発生を促進する虞がある。第３実施形態によれば、炉１００に供給する空気の量を増やすことによって予測値Ｘ１が基準値まで戻ると、炉１００に供給する空気の量を減少する。このため、炉１００から排出される排ガスＥｇに含まれる一酸化炭素の濃度を低減しつつ、該排ガスＥｇに含まれる窒素酸化物の濃度を低減することができる。
【0058】
＜第３実施形態の変形例＞
第３実施形態では、調整装置５４は、炉１００に供給する空気の量を調整していたが、これに代わり、又はこれとともに、炉１００に供給する固体燃料Ｆｓの量を調整してもよい。図８は、第３実施形態の変形例に係る排ガス濃度制御システム５０の構成を概略的に示す図である。図８に示すように、調整装置５４は、フィーダ１０４と電気的に接続されており、フィーダ１０４に電気的な信号を送信することで、フィーダ１０４の往復速度を調整可能となっている。
第３実施形態では、調整装置５４は、炉１００に供給する空気の量を調整していたが、これに代わり、又はこれとともに、炉１００に供給する固体燃料Ｆｓの量を調整してもよい。図８は、第３実施形態の変形例に係る排ガス濃度制御システム５０の構成を概略的に示す図である。図８に示すように、調整装置５４は、フィーダ１０４と電気的に接続されており、フィーダ１０４に電気的な信号を送信することで、フィーダ１０４の往復速度を調整可能となっている。
【0059】
第３実施形態の変形例に係る調整装置５４の動作の一例を説明する。調整装置５４は、予測値Ｘ１が調整装置５４の基準値より小さくなった場合、フィーダ１０４の往復速度を小さくするように指示する。つまり、調整装置５４は、予測値Ｘ１が調整装置５４の基準値より小さくなると、炉１００に供給する固体燃料Ｆｓの量を減少する。
【0060】
このような構成によれば、予測値Ｘ１が基準値より小さくなった場合に、炉１００に供給する固体燃料Ｆｓの量を減少するので、炉１００から排出される排ガスＥｇに含まれる一酸化炭素の濃度を低減することができる。
【0061】
幾つかの実施形態では、調整装置５４は、火格子１１２の速度を調整可能に構成されており、予測値Ｘ１が調整装置５４の基準値より小さくなった場合、火格子１１２の速度を小さくする。このような構成によれば、予測値Ｘ１が基準値より小さくなった場合に、燃焼室１０６に供給されている固体燃料Ｆｓの撹拌を抑制するので、炉１００から排出される排ガスＥｇに含まれる一酸化炭素の濃度を低減することができる。
【0062】
＜予測モデル作成方法＞
本開示に係る予測モデル作成方法は、炉１００から排出される排ガスＥｇに含まれる気体成分の濃度を予測する排ガス濃度予測モデルを作成する方法である。図９は、一実施形態に係る予測モデル作成方法を示すフローチャートである。図９に示すように、予測モデル作成方法は、画像取得ステップＳ２と、特徴量抽出ステップＳ４と、濃度取得ステップＳ６と、モデル作成ステップＳ８と、を備える。
本開示に係る予測モデル作成方法は、炉１００から排出される排ガスＥｇに含まれる気体成分の濃度を予測する排ガス濃度予測モデルを作成する方法である。図９は、一実施形態に係る予測モデル作成方法を示すフローチャートである。図９に示すように、予測モデル作成方法は、画像取得ステップＳ２と、特徴量抽出ステップＳ４と、濃度取得ステップＳ６と、モデル作成ステップＳ８と、を備える。
【0063】
画像取得ステップＳ２は、炉１００の燃焼領域１３０が撮像された画像を取得する。特徴量抽出ステップＳ４は、画像取得ステップＳ２で取得された画像をクラスタリング処理により色情報に応じて複数の色領域Ａに区分された色画像データ１６０に変換し、該色画像データ１６０から特徴量を抽出する。濃度取得ステップＳ６は、画像が撮像された時間より予め設定された設定時間ｔが経過した後の排ガスＥｇに含まれる気体成分の濃度を燃焼領域１３０よりも後流において取得する。モデル作成ステップＳ８は、特徴量抽出ステップＳ４で抽出された特徴量と、濃度取得ステップＳ６で取得された気体成分の濃度と、が対応付けられた学習データを機械学習することによって、排ガス濃度予測モデルを作成する。尚、濃度取得ステップＳ６は、モデル作成ステップＳ８より前に実行されればよく、図９に例示する形態に限定されない。
【0064】
このような予測モデル作成方法によれば、排ガス濃度予測モデルは、炉１００の燃焼領域１３０が撮像された画像をクラスタリング処理により色に応じて複数の色領域Ａに区分された色画像データ１６０に変換し、該色画像データ１６０から抽出される特徴量と、画像が撮像された時間より設定時間が経過した後の排ガスＥｇに含まれる気体成分の濃度と、が対応付けられた学習データの機械学習によって作成されている。このため、排ガス濃度予測モデルの予測精度を向上させることができる。また、画像を色画像データ１６０に変換する際にはクラスタリング処理を適用するため、教師データを用意する必要がなく、速やかに排ガス濃度予測モデルを作成できる。
【0065】
＜排ガス濃度制御方法＞
本開示に係る排ガス濃度制御方法は、上述した予測モデル作成方法によって作成された排ガス濃度予測モデルを用いて、炉１００から排出される排ガスＥｇに含まれる気体成分の濃度を制御する方法である。図１０は、一実施形態に係る排ガス濃度制御方法を示すフローチャートである。図１０に示すように、排ガス濃度制御方法は、撮像ステップＳ５２と、調整ステップＳ５４と、を備える。
本開示に係る排ガス濃度制御方法は、上述した予測モデル作成方法によって作成された排ガス濃度予測モデルを用いて、炉１００から排出される排ガスＥｇに含まれる気体成分の濃度を制御する方法である。図１０は、一実施形態に係る排ガス濃度制御方法を示すフローチャートである。図１０に示すように、排ガス濃度制御方法は、撮像ステップＳ５２と、調整ステップＳ５４と、を備える。
【0066】
撮像ステップＳ５２は、炉１００の燃焼領域１３０を撮像する。調整ステップＳ５４は、撮像ステップＳ５２で撮像された撮像画像を排ガス濃度予測モデルに入力することで出力される気体成分の濃度に基づいて、炉１００に供給する空気の量および炉に供給する固体燃料Ｆｓの量のうちの少なくとも一方を調整する。
【0067】
このような排ガス濃度制御方法によれば、排ガス濃度予測モデルから出力される（予測される）気体成分の濃度に基づいて気体成分の濃度を制御するので、リアルタイムで取得される気体成分の濃度に基づいて気体成分の濃度を制御する場合と比較して、気体成分の濃度を適切に制御することができる。
【0068】
上記各実施形態に記載の内容は、例えば以下のように把握される。
【0069】
［１］本開示に係る予測モデル作成装置（１）は、
炉（１００）から排出される排ガス（Ｅｇ）に含まれる気体成分の濃度を予測する排ガス濃度予測モデルを作成する予測モデル作成装置であって、
前記炉の燃焼領域（１３０）が撮像された画像を取得する画像取得部（２）と、
前記画像を色画像データ（１６０）に変換し、該色画像データから特徴量を抽出する抽出部（４）と、
前記画像が撮像された時間より予め設定された設定時間が経過した後の前記排ガスに含まれる前記気体成分の濃度を前記燃焼領域よりも後流において取得する排ガス濃度取得部（６）と、
前記抽出部によって抽出された前記特徴量と、前記排ガス濃度取得部によって取得された前記気体成分の濃度と、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成するモデル作成部（８）と、を備える。
炉（１００）から排出される排ガス（Ｅｇ）に含まれる気体成分の濃度を予測する排ガス濃度予測モデルを作成する予測モデル作成装置であって、
前記炉の燃焼領域（１３０）が撮像された画像を取得する画像取得部（２）と、
前記画像を色画像データ（１６０）に変換し、該色画像データから特徴量を抽出する抽出部（４）と、
前記画像が撮像された時間より予め設定された設定時間が経過した後の前記排ガスに含まれる前記気体成分の濃度を前記燃焼領域よりも後流において取得する排ガス濃度取得部（６）と、
前記抽出部によって抽出された前記特徴量と、前記排ガス濃度取得部によって取得された前記気体成分の濃度と、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成するモデル作成部（８）と、を備える。
【0070】
本発明者らの知見によれば、排ガスに含まれる気体成分の濃度は、炉の燃焼領域が撮像された画像から得られる情報のうち、色画像データから抽出される特徴量（情報）と高い相関を持つ。上記［１］に記載の構成によれば、排ガス濃度予測モデルは、炉の燃焼領域が撮像された画像を色画像データに変換し、該色画像データから抽出される特徴量と、画像が撮像された時間より設定時間が経過した後の排ガスに含まれる気体成分の濃度と、が対応付けられた学習データの機械学習によって作成されている。このため、排ガス濃度予測モデルの予測精度を向上させることができる。
【0071】
［２］幾つかの実施形態では、上記［１］に記載の構成において、
前記色画像データは、前記画像をクラスタリング処理により色情報に応じて複数の色領域（Ａ）に区分されたことを含む。
前記色画像データは、前記画像をクラスタリング処理により色情報に応じて複数の色領域（Ａ）に区分されたことを含む。
【0072】
上記［２］に記載の構成によれば、画像を色画像データに変換する際にはクラスタリング処理を適用するため、教師データを用意する必要がない。また、クラスタリング処理は、前処理や閾値の設定などのような人手による調整作業が不要である。よって、特徴量の抽出の自動化を容易化することができる。
【0073】
［３］幾つかの実施形態では、上記［１］又は［２］に記載の構成において、
前記特徴量は、前記複数の色領域のうちの少なくとも１つの前記色領域の面積を含む。
前記特徴量は、前記複数の色領域のうちの少なくとも１つの前記色領域の面積を含む。
【0074】
色領域の面積は速やかに取得できる情報の１つである。上記［３］に記載の構成によれば、特徴量は色領域の面積を含むので、速やかに学習データを準備することができる。
【0075】
［４］幾つかの実施形態では、上記［１］から［３］の何れか１つに記載の構成において、
前記炉内の温度、前記炉内の圧力、及び前記炉内における燃料の燃焼によって発生させる蒸気量のうち少なくとも１つを含むプロセスデータを取得するプロセスデータ取得部（１０）をさらに備え、
前記モデル作成部は、前記抽出部によって抽出された前記特徴量と、前記排ガス濃度取得部によって取得された前記気体成分の濃度と、前記プロセスデータ取得部によって取得された前記プロセスデータと、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成する。
前記炉内の温度、前記炉内の圧力、及び前記炉内における燃料の燃焼によって発生させる蒸気量のうち少なくとも１つを含むプロセスデータを取得するプロセスデータ取得部（１０）をさらに備え、
前記モデル作成部は、前記抽出部によって抽出された前記特徴量と、前記排ガス濃度取得部によって取得された前記気体成分の濃度と、前記プロセスデータ取得部によって取得された前記プロセスデータと、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成する。
【0076】
炉から排出される排ガスに含まれる気体成分の濃度は、プロセスデータとも高い相関を持つ。上記［４］に記載の構成によれば、排ガス濃度予測モデルはプロセスデータも考慮して作成されているので、排ガス濃度予測モデルの予測精度をさらに向上させることができる。
【0077】
［５］幾つかの実施形態では、上記［４］に記載の構成において、
前記排ガス濃度取得部は、前記画像が撮像された時間の前記排ガスに含まれる前記気体成分の濃度である補正前濃度をさらに取得し、
前記モデル作成部は、前記抽出部によって抽出された前記特徴量と、前記排ガス濃度取得部によって取得された前記気体成分の濃度及び前記補正前濃度と、前記プロセスデータ取得部によって取得された前記プロセスデータと、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成する。
前記排ガス濃度取得部は、前記画像が撮像された時間の前記排ガスに含まれる前記気体成分の濃度である補正前濃度をさらに取得し、
前記モデル作成部は、前記抽出部によって抽出された前記特徴量と、前記排ガス濃度取得部によって取得された前記気体成分の濃度及び前記補正前濃度と、前記プロセスデータ取得部によって取得された前記プロセスデータと、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成する。
【0078】
本発明者らの知見によれば、補正前濃度も含められた学習データを機械学習することで、排ガス濃度予測モデルの誤差（ＲＭＳＥ）を小さくすることができる。上記［５］に記載の構成によれば、排ガス濃度予測モデルは補正前濃度も考慮して作成されているので、排ガス濃度予測モデルの予測精度をさらに向上させることができる。
【0079】
［６］本開示に係る排ガス濃度制御システム（５０）は、
上記［１］から［５］の何れか１つに記載の予測モデル作成装置によって作成された前記排ガス濃度予測モデルを用いて、前記炉から排出される前記排ガスに含まれる気体成分の濃度を制御する排ガス濃度制御システムであって、
前記炉の前記燃焼領域を撮像する撮像装置（５２）と、
前記撮像装置によって撮像された撮像画像から抽出した前記特徴量を前記排ガス濃度予測モデルに入力することで出力される前記気体成分の濃度に基づいて、前記炉に供給する空気の量および前記炉に供給する燃料の量のうちの少なくとも一方を調整するように構成された調整装置（５４）と、を備える。
上記［１］から［５］の何れか１つに記載の予測モデル作成装置によって作成された前記排ガス濃度予測モデルを用いて、前記炉から排出される前記排ガスに含まれる気体成分の濃度を制御する排ガス濃度制御システムであって、
前記炉の前記燃焼領域を撮像する撮像装置（５２）と、
前記撮像装置によって撮像された撮像画像から抽出した前記特徴量を前記排ガス濃度予測モデルに入力することで出力される前記気体成分の濃度に基づいて、前記炉に供給する空気の量および前記炉に供給する燃料の量のうちの少なくとも一方を調整するように構成された調整装置（５４）と、を備える。
【0080】
リアルタイムで取得される気体成分の濃度に基づいて、炉に供給する空気の量や炉に供給する燃料の量を調整することは適切でない場合がある。上記［６］に記載の構成によれば、排ガス濃度予測モデルから出力される（予測される）気体成分の濃度に基づいて気体成分の濃度を制御するので、リアルタイムで取得される気体成分の濃度に基づいて気体成分の濃度を制御する場合と比較して、気体成分の濃度を適切に制御することができる。また、上記［６］に記載の構成によれば、気体成分の濃度の制御を自動化することができる。
【0081】
［７］幾つかの実施形態では、上記［６］に記載の構成において、
前記気体成分は酸素を含み、
前記調整装置は、前記排ガス濃度予測モデルから出力される酸素の濃度が、前記調整装置の基準値より小さくなった場合、前記炉に供給する空気の量を増加する。
前記気体成分は酸素を含み、
前記調整装置は、前記排ガス濃度予測モデルから出力される酸素の濃度が、前記調整装置の基準値より小さくなった場合、前記炉に供給する空気の量を増加する。
【0082】
排ガスに含まれる酸素の濃度が低い場合には、排ガスに含まれる一酸化炭素の濃度が高くなっており、炉の燃焼状態が不安定になっていることが多い。上記［７］に記載の構成によれば、排ガス濃度予測モデルから出力される酸素の濃度が基準値より小さくなった場合に、炉に供給する空気の量を増加する。このため、炉から排出される排ガスに含まれる一酸化炭素の濃度を低減することができる。
【0083】
［８］幾つかの実施形態では、上記［７］に記載の構成において、
前記炉に供給する空気の量は、前記排ガス濃度予測モデルから出力される酸素の濃度と予め設定されている目標値との差に応じて決められる。
前記炉に供給する空気の量は、前記排ガス濃度予測モデルから出力される酸素の濃度と予め設定されている目標値との差に応じて決められる。
【0084】
上記［８］に記載の構成によれば、炉に供給する空気の量は、排ガス濃度予測モデルから出力される酸素の濃度と目標値との差に応じて決められるので、炉から排出される排ガスに含まれる酸素の濃度を目標値に近づけることができる。
【0085】
［９］幾つかの実施形態では、上記［７］又は［８］に記載の構成において、
前記調整装置は、前記排ガス濃度予測モデルから出力される酸素の濃度が、前記調整装置の基準値まで戻ると、前記炉に供給する空気の量を減少する。
前記調整装置は、前記排ガス濃度予測モデルから出力される酸素の濃度が、前記調整装置の基準値まで戻ると、前記炉に供給する空気の量を減少する。
【0086】
炉に供給する空気の量を増やすと、炉内で燃料を燃焼する際に窒素酸化物の発生を促進する虞がある。上記［９］に記載の構成によれば、炉に供給する空気の量を増やすことで、排ガス濃度予測モデルから出力される酸素の濃度が基準値まで戻ると、炉に供給する空気の量を減少する。このため、炉から排出される排ガスに含まれる一酸化炭素の濃度を低減しつつ、該排ガスに含まれる窒素酸化物の濃度を低減することができる。
【0087】
［１０］幾つかの実施形態では、上記［６］から［９］の何れか１つに記載の構成において、
前記気体成分は酸素を含み、
前記調整装置は、前記排ガス濃度予測モデルから出力される酸素の濃度が、前記調整装置の基準値より小さくなった場合、前記炉に供給する燃料の量を減少する。
前記気体成分は酸素を含み、
前記調整装置は、前記排ガス濃度予測モデルから出力される酸素の濃度が、前記調整装置の基準値より小さくなった場合、前記炉に供給する燃料の量を減少する。
【0088】
上記［１０］に記載の構成によれば、排ガス濃度予測モデルから出力される酸素の濃度が基準値より小さくなった場合に、炉に供給する燃料の量を減少する。このため、炉から排出される排ガスに含まれる一酸化炭素の濃度を低減することができる。
【0089】
［１１］本開示に係る予測モデル作成方法は、
炉から排出される排ガスに含まれる気体成分の濃度を予測する排ガス濃度予測モデルを作成する予測モデル作成方法であって、
前記炉の燃焼領域が撮像された画像を取得するステップ（Ｓ２）と、
前記画像をクラスタリング処理により色情報に応じて複数の色領域に区分された色画像データに変換し、該色画像データから特徴量を抽出するステップ（Ｓ４）と、
前記画像が撮像された時間より予め設定された前記設定時間が経過した後の前記排ガスに含まれる前記気体成分の濃度を前記燃焼領域よりも後流において取得するステップ（Ｓ６）と、
前記特徴量と、前記画像が撮像された時間より設定時間が経過した後の前記排ガスに含まれる前記気体成分の濃度と、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成するステップ（Ｓ８）と、を備える。
炉から排出される排ガスに含まれる気体成分の濃度を予測する排ガス濃度予測モデルを作成する予測モデル作成方法であって、
前記炉の燃焼領域が撮像された画像を取得するステップ（Ｓ２）と、
前記画像をクラスタリング処理により色情報に応じて複数の色領域に区分された色画像データに変換し、該色画像データから特徴量を抽出するステップ（Ｓ４）と、
前記画像が撮像された時間より予め設定された前記設定時間が経過した後の前記排ガスに含まれる前記気体成分の濃度を前記燃焼領域よりも後流において取得するステップ（Ｓ６）と、
前記特徴量と、前記画像が撮像された時間より設定時間が経過した後の前記排ガスに含まれる前記気体成分の濃度と、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成するステップ（Ｓ８）と、を備える。
【0090】
上記［１１］に記載の方法によれば、排ガス濃度予測モデルは、炉の燃焼領域が撮像された画像を色画像データに変換し、該色画像データから抽出される特徴量と、画像が撮像された時間より設定時間が経過した後の排ガスに含まれる気体成分の濃度と、が対応付けられた学習データの機械学習によって作成されている。このため、排ガス濃度予測モデルの予測精度を向上させることができる。
【0091】
［１２］本開示に係る排ガス濃度制御方法は、
上記［１１］に記載の予測モデル作成方法によって作成された前記排ガス濃度予測モデルを用いて、前記炉から排出される前記排ガスに含まれる気体成分の濃度を制御する排ガス濃度制御方法であって、
前記炉の前記燃焼領域を撮像する撮像ステップ（Ｓ５２）と、
前記撮像ステップで撮像された撮像画像から抽出した前記特徴量を前記排ガス濃度予測モデルに入力することで出力される前記気体成分の濃度に基づいて、前記炉に供給する空気の量および前記炉に供給する燃料の量のうちの少なくとも一方を調整する調整ステップ（Ｓ５４）と、を備える。
上記［１１］に記載の予測モデル作成方法によって作成された前記排ガス濃度予測モデルを用いて、前記炉から排出される前記排ガスに含まれる気体成分の濃度を制御する排ガス濃度制御方法であって、
前記炉の前記燃焼領域を撮像する撮像ステップ（Ｓ５２）と、
前記撮像ステップで撮像された撮像画像から抽出した前記特徴量を前記排ガス濃度予測モデルに入力することで出力される前記気体成分の濃度に基づいて、前記炉に供給する空気の量および前記炉に供給する燃料の量のうちの少なくとも一方を調整する調整ステップ（Ｓ５４）と、を備える。
【0092】
上記［１２］に記載の方法によれば、排ガス濃度予測モデルから出力される（予測される）気体成分の濃度に基づいて気体成分の濃度を制御するので、リアルタイムで取得される気体成分の濃度に基づいて気体成分の濃度を制御する場合と比較して、気体成分の濃度を適切に制御することができる。
【符号の説明】
【0093】
１ 予測モデル作成装置
２ 画像取得部
４ 抽出部
６ 排ガス濃度取得部
８ モデル作成部
１０ プロセスデータ取得部
５０ 排ガス濃度制御システム
５２ 撮像装置
５４ 調整装置
１００ 炉
１１６ 撮像装置
１３０ 燃焼領域
１４０ ガス分析計
１４２ 圧力計
１４４ 温度センサ
１４６ 熱回収ボイラ
１６０ 色画像データ
Ａ 色領域
Ｅｇ 排ガス
Ｓ２ 画像取得ステップ
Ｓ４ 特徴量抽出ステップ
Ｓ６ 濃度取得ステップ
Ｓ８ モデル作成ステップ
Ｓ５２ 撮像ステップ
Ｓ５４ 調整ステップ
２ 画像取得部
４ 抽出部
６ 排ガス濃度取得部
８ モデル作成部
１０ プロセスデータ取得部
５０ 排ガス濃度制御システム
５２ 撮像装置
５４ 調整装置
１００ 炉
１１６ 撮像装置
１３０ 燃焼領域
１４０ ガス分析計
１４２ 圧力計
１４４ 温度センサ
１４６ 熱回収ボイラ
１６０ 色画像データ
Ａ 色領域
Ｅｇ 排ガス
Ｓ２ 画像取得ステップ
Ｓ４ 特徴量抽出ステップ
Ｓ６ 濃度取得ステップ
Ｓ８ モデル作成ステップ
Ｓ５２ 撮像ステップ
Ｓ５４ 調整ステップ
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【手続補正書】
【提出日】2022-03-29
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
炉から排出される排ガスに含まれる気体成分の濃度を予測する排ガス濃度予測モデルを作成する予測モデル作成装置であって、
前記炉の燃焼領域が撮像された画像を取得する画像取得部と、
前記画像をクラスタリング処理によりＲＧＢ値に応じて複数の色領域に区分した色画像データに変換し、前記複数の色領域のうち前記気体成分の濃度と所定以上の相関を有する少なくとも１つの前記色領域の合計画素数を特徴量として抽出する抽出部と、
前記画像が撮像された時間より予め設定された設定時間が経過した後の前記排ガスに含まれる前記気体成分の濃度を前記燃焼領域よりも後流において取得する排ガス濃度取得部と、
前記抽出部によって抽出された前記特徴量と、前記排ガス濃度取得部によって取得された前記気体成分の濃度と、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成するモデル作成部と、を備える、
予測モデル作成装置。
前記炉の燃焼領域が撮像された画像を取得する画像取得部と、
前記画像をクラスタリング処理によりＲＧＢ値に応じて複数の色領域に区分した色画像データに変換し、前記複数の色領域のうち前記気体成分の濃度と所定以上の相関を有する少なくとも１つの前記色領域の合計画素数を特徴量として抽出する抽出部と、
前記画像が撮像された時間より予め設定された設定時間が経過した後の前記排ガスに含まれる前記気体成分の濃度を前記燃焼領域よりも後流において取得する排ガス濃度取得部と、
前記抽出部によって抽出された前記特徴量と、前記排ガス濃度取得部によって取得された前記気体成分の濃度と、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成するモデル作成部と、を備える、
予測モデル作成装置。
【請求項2】
前記炉内の温度、前記炉内の圧力、及び前記炉内における燃料の燃焼によって発生させる蒸気量のうち少なくとも１つを含むプロセスデータを取得するプロセスデータ取得部をさらに備え、
前記モデル作成部は、前記抽出部によって抽出された前記特徴量と、前記排ガス濃度取得部によって取得された前記気体成分の濃度と、前記プロセスデータ取得部によって取得された前記プロセスデータと、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成する、
請求項１に記載の予測モデル作成装置。
前記モデル作成部は、前記抽出部によって抽出された前記特徴量と、前記排ガス濃度取得部によって取得された前記気体成分の濃度と、前記プロセスデータ取得部によって取得された前記プロセスデータと、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成する、
請求項１に記載の予測モデル作成装置。
【請求項3】
前記排ガス濃度取得部は、前記画像が撮像された時間の前記排ガスに含まれる前記気体成分の濃度である補正前濃度をさらに取得し、
前記モデル作成部は、前記抽出部によって抽出された前記特徴量と、前記排ガス濃度取得部によって取得された前記気体成分の濃度及び前記補正前濃度と、前記プロセスデータ取得部によって取得された前記プロセスデータと、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成する、
請求項２に記載の予測モデル作成装置。
前記モデル作成部は、前記抽出部によって抽出された前記特徴量と、前記排ガス濃度取得部によって取得された前記気体成分の濃度及び前記補正前濃度と、前記プロセスデータ取得部によって取得された前記プロセスデータと、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成する、
請求項２に記載の予測モデル作成装置。
【請求項4】
請求項１から３の何れか一項に記載の予測モデル作成装置によって作成された前記排ガス濃度予測モデルを用いて、前記炉から排出される前記排ガスに含まれる気体成分の濃度を制御する排ガス濃度制御システムであって、
前記炉の前記燃焼領域を撮像する撮像装置と、
前記撮像装置によって撮像された撮像画像から抽出した前記特徴量を前記排ガス濃度予測モデルに入力することで出力される前記気体成分の濃度に基づいて、前記炉に供給する空気の量および前記炉に供給する燃料の量のうちの少なくとも一方を調整するように構成された調整装置と、を備える、
排ガス濃度制御システム。
前記炉の前記燃焼領域を撮像する撮像装置と、
前記撮像装置によって撮像された撮像画像から抽出した前記特徴量を前記排ガス濃度予測モデルに入力することで出力される前記気体成分の濃度に基づいて、前記炉に供給する空気の量および前記炉に供給する燃料の量のうちの少なくとも一方を調整するように構成された調整装置と、を備える、
排ガス濃度制御システム。
【請求項5】
前記気体成分は酸素を含み、
前記調整装置は、前記排ガス濃度予測モデルから出力される酸素の濃度が、前記調整装置の基準値より小さくなった場合、前記炉に供給する空気の量を増加する、
請求項４に記載の排ガス濃度制御システム。
前記調整装置は、前記排ガス濃度予測モデルから出力される酸素の濃度が、前記調整装置の基準値より小さくなった場合、前記炉に供給する空気の量を増加する、
請求項４に記載の排ガス濃度制御システム。
【請求項6】
前記炉に供給する空気の量は、前記排ガス濃度予測モデルから出力される酸素の濃度と予め設定されている目標値との差に応じて決められる、
請求項５に記載の排ガス濃度制御システム。
請求項５に記載の排ガス濃度制御システム。
【請求項7】
前記調整装置は、前記排ガス濃度予測モデルから出力される酸素の濃度が、前記調整装置の基準値まで戻ると、前記炉に供給する空気の量を減少する、
請求項５又は６に記載の排ガス濃度制御システム。
請求項５又は６に記載の排ガス濃度制御システム。
【請求項8】
前記気体成分は酸素を含み、
前記調整装置は、前記排ガス濃度予測モデルから出力される酸素の濃度が、前記調整装置の基準値より小さくなった場合、前記炉に供給する燃料の量を減少する、
請求項４から７の何れか一項に記載の排ガス濃度制御システム。
前記調整装置は、前記排ガス濃度予測モデルから出力される酸素の濃度が、前記調整装置の基準値より小さくなった場合、前記炉に供給する燃料の量を減少する、
請求項４から７の何れか一項に記載の排ガス濃度制御システム。
【請求項9】
炉から排出される排ガスに含まれる気体成分の濃度を予測する排ガス濃度予測モデルを作成する予測モデル作成方法であって、
前記炉の燃焼領域が撮像された画像を取得するステップと、
前記画像をクラスタリング処理によりＲＧＢ値に応じて複数の色領域に区分した色画像データに変換し、前記複数の色領域のうち前記気体成分の濃度と所定以上の相関を有する少なくとも１つの前記色領域の合計画素数を特徴量として抽出するステップと、
前記画像が撮像された時間より予め設定された設定時間が経過した後の前記排ガスに含まれる前記気体成分の濃度を前記燃焼領域よりも後流において取得するステップと、
前記特徴量と、前記画像が撮像された時間より前記設定時間が経過した後の前記排ガスに含まれる前記気体成分の濃度と、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成するステップと、を備える、
予測モデル作成方法。
前記炉の燃焼領域が撮像された画像を取得するステップと、
前記画像をクラスタリング処理によりＲＧＢ値に応じて複数の色領域に区分した色画像データに変換し、前記複数の色領域のうち前記気体成分の濃度と所定以上の相関を有する少なくとも１つの前記色領域の合計画素数を特徴量として抽出するステップと、
前記画像が撮像された時間より予め設定された設定時間が経過した後の前記排ガスに含まれる前記気体成分の濃度を前記燃焼領域よりも後流において取得するステップと、
前記特徴量と、前記画像が撮像された時間より前記設定時間が経過した後の前記排ガスに含まれる前記気体成分の濃度と、が対応付けられた学習データを機械学習することによって、前記排ガス濃度予測モデルを作成するステップと、を備える、
予測モデル作成方法。
【請求項10】
請求項９に記載の予測モデル作成方法によって作成された前記排ガス濃度予測モデルを用いて、前記炉から排出される前記排ガスに含まれる気体成分の濃度を制御する排ガス濃度制御方法であって、
前記炉の前記燃焼領域を撮像する撮像ステップと、
前記撮像ステップで撮像された撮像画像から抽出した前記特徴量を前記排ガス濃度予測モデルに入力することで出力される前記気体成分の濃度に基づいて、前記炉に供給する空気の量および前記炉に供給する燃料の量のうちの少なくとも一方を調整する調整ステップと、を備える、
排ガス濃度制御方法。
前記炉の前記燃焼領域を撮像する撮像ステップと、
前記撮像ステップで撮像された撮像画像から抽出した前記特徴量を前記排ガス濃度予測モデルに入力することで出力される前記気体成分の濃度に基づいて、前記炉に供給する空気の量および前記炉に供給する燃料の量のうちの少なくとも一方を調整する調整ステップと、を備える、
排ガス濃度制御方法。