特開 2023-122158 焼却システム、焼却方法及び学習モデルの学習方法

(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】P2023122158

(43)【公開日】2023-09-01

(54)【発明の名称】焼却システム、焼却方法及び学習モデルの学習方法

(51)【国際特許分類】

   F23G 5/50 20060101AFI20230825BHJP

【ＦＩ】

F23G5/50 Q

F23G5/50 G

F23G5/50 J

F23G5/50 H

【審査請求】未請求

【請求項の数】4

【出願形態】ＯＬ

(21)【出願番号】P 2022025659

(22)【出願日】2022-02-22

(71)【出願人】

【識別番号】507214083

【氏名又は名称】メタウォーター株式会社

(74)【代理人】

【識別番号】100094525

【弁理士】

【氏名又は名称】土井 健二

(74)【代理人】

【識別番号】100094514

【弁理士】

【氏名又は名称】林 恒徳

(72)【発明者】

【氏名】的野 真理愛

(72)【発明者】

【氏名】望月 修一

(72)【発明者】

【氏名】服部 保彦

【テーマコード（参考）】

3K062

【Ｆターム（参考）】

3K062AA16

3K062AB01

3K062AC02

3K062BA02

3K062CA00

3K062CB00

3K062DA32

3K062DA35

3K062DA40

3K062DB01

3K062DB05

3K062DB12

(57)【要約】

【課題】焼却炉に投入される汚泥の含水率を精度良く予測することを可能とする焼却システム、焼却方法及び学習モデルの学習方法を提供する。
【解決手段】焼却炉と、焼却炉において焼却される被焼却物の第１含水率と、焼却炉に対する被焼却物の第１投入条件と被焼却物を焼却する際の焼却炉の第１環境条件とのうちの少なくともいずれかを示す第１条件情報と、をそれぞれ含む複数の教師データを用いた機械学習によって生成された学習モデルを記憶する記憶装置と、焼却炉に対する新たな被焼却物の第２投入条件と新たな被焼却物を焼却する際の焼却炉の第２環境条件とのうちの少なくともいずれかを示す第２条件情報の入力に伴って学習モデルから出力された含水率を新たな被焼却物の第２含水率として予測する制御装置と、を備える。
【選択図】図２

【特許請求の範囲】

【請求項1】

焼却炉と、
前記焼却炉において焼却される被焼却物の第１含水率と、前記焼却炉に対する前記被焼却物の第１投入条件と前記被焼却物を焼却する際の前記焼却炉の第１環境条件とのうちの少なくともいずれかを示す第１条件情報と、をそれぞれ含む複数の教師データを用いた機械学習によって生成された学習モデルを記憶する記憶装置と、
前記焼却炉に対する新たな被焼却物の第２投入条件と前記新たな被焼却物を焼却する際の前記焼却炉の第２環境条件とのうちの少なくともいずれかを示す第２条件情報の入力に伴って前記学習モデルから出力された含水率を前記新たな被焼却物の第２含水率として予測する制御装置と、を備えた、焼却システム。

【請求項2】

前記制御装置は、予測した前記第２含水率に基づいて、前記新たな被焼却物を焼却する際の前記焼却炉の焼却条件を制御する、請求項１に記載の焼却システム。

【請求項3】

焼却炉と、
前記焼却炉において焼却される被焼却物の第１含水率と、前記焼却炉に対する前記被焼却物の第１投入条件と前記被焼却物を焼却する際の前記焼却炉の第１環境条件とのうちの少なくともいずれかを示す第１条件情報と、をそれぞれ含む複数の教師データを用いた機械学習によって生成された学習モデルを記憶する記憶装置と、を備えた焼却システムにおける焼却方法であって、
前記焼却炉に対する新たな被焼却物の第２投入条件と前記新たな被焼却物を焼却する際の前記焼却炉の第２環境条件とのうちの少なくともいずれかを示す第２条件情報を取得し、
取得した前記第２条件情報の入力に伴って前記学習モデルから出力された含水率を前記新たな被焼却物の第２含水率として予測する、焼却方法。

【請求項4】

焼却炉において焼却される被焼却物の第１含水率と、前記焼却炉に対する前記被焼却物の第１投入条件と前記被焼却物を焼却する際の前記焼却炉の第１環境条件とのうちの少なくともいずれかを示す第１条件情報と、をそれぞれ含む複数の教師データを取得し、
取得した前記複数の教師データを用いた機械学習によって、前記焼却炉に対する新たな被焼却物の第２投入条件と前記新たな被焼却物を焼却する際の前記焼却炉の第２環境条件とのうちの少なくともいずれかを示す第２条件情報の入力に伴って前記新たな被焼却物の第２含水率を出力する学習モデルを生成する、処理をコンピュータが実行する学習モデルの学習方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、焼却システム、焼却方法及び学習モデルの学習方法に関する。

【背景技術】

【0002】

下水汚泥（以下、汚泥または被焼却物とも呼ぶ）の焼却炉に投入する汚泥の量を制御する技術が提案されている（特許文献１を参照）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２００１－２０１０２９号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

上記のような焼却システムでは、例えば、焼却炉に対する汚泥の投入量等の各パラメータを、焼却炉に投入される汚泥の含水率の予測値に応じて制御する。そのため、上記のような焼却システムでは、例えば、焼却炉に投入される汚泥の含水率を精度良く予測することが望まれている。

【課題を解決するための手段】

【0005】

上記のような汚泥の含水率を精度良く予測するため、本発明における焼却システムは、焼却炉と、前記焼却炉において焼却される被焼却物の第１含水率と、前記焼却炉に対する前記被焼却物の第１投入条件と前記被焼却物を焼却する際の前記焼却炉の第１環境条件とのうちの少なくともいずれかを示す第１条件情報と、をそれぞれ含む複数の教師データを用いた機械学習によって生成された学習モデルを記憶する記憶装置と、前記焼却炉に対する新たな被焼却物の第２投入条件と前記新たな被焼却物を焼却する際の前記焼却炉の第２環境条件とのうちの少なくともいずれかを示す第２条件情報の入力に伴って前記学習モデルから出力された含水率を前記新たな被焼却物の第２含水率として予測する制御装置と、を備える。

【発明の効果】

【0006】

本発明における焼却システム、焼却方法及び学習モデルの学習方法によれば、焼却炉に投入される汚泥の含水率を精度良く予測することが可能になる。

【図面の簡単な説明】

【0007】

【図1】図１は、比較例における焼却システム９００の構成例を説明する図である。

【図2】図２は、第１の実施の形態における焼却システム１００の構成例を説明する図である。

【図3】図３は、第１の実施の形態における制御装置２０の構成例を説明する図である。

【図4】図４は、第１の実施の形態における情報処理装置３０の構成例を説明する図である。

【図5】図５は、モデル生成処理を説明するフローチャート図である。

【図6】図６は、教師データＤＴ３の第１の具体例について説明する図である。

【図7】図７は、教師データＤＴ３の第２の具体例について説明する図である。

【図8】図８は、教師データＤＴ３の第３の具体例について説明する図である。

【図9】図９は、パラメータ制御処理を説明するフローチャート図である。

【発明を実施するための形態】

【0008】

以下、図面を参照して本発明の実施の形態について説明する。しかしながら、かかる実施の形態例が、本発明の技術的範囲を限定するものではない。

【0009】

［比較例における焼却システム９００］
初めに、比較例における焼却システム９００について説明を行う。図１は、比較例における焼却システム９００の構成例を説明する図である。なお、以下に示すライン（配管）やポンプの配置位置や数は、例示であり、これに限られるものではない。

【0010】

焼却システム９００は、図１に示すように、例えば、焼却炉１と、熱交換器２と、スクラバ３と、洗煙処理塔４と、煙突５と、送風機Ｂ１と、送風機Ｂ２とを有する。また、焼却システム９００は、例えば、切出装置１１と、乾燥機１２と、投入装置１３と、制御装置９２０とを有する。なお、送風機Ｂ１及び送風機Ｂ２は、例えば、ファンやブロワ等の空気を送風する機能を有する機器である。

【0011】

切出装置１１は、例えば、ラインＬ２１を介して供給された汚泥（以下、脱水汚泥とも呼ぶ）を切り出す装置である。ラインＬ２１は、例えば、切出装置１１の前段装置（例えば、図示しない脱水機）の出口側と切出装置１１の入口側とを連通する配管である。そして、切出装置１１は、例えば、切り出した汚泥をラインＬ２２から乾燥機１２に供給する。ラインＬ２２は、例えば、切出装置１１の出口側と乾燥機１２の入口側とを連通する配管である。

【0012】

具体的に、切出装置１１は、例えば、焼却システム９００の運転員（以下、単に運転員とも呼ぶ）によって設定されたパラメータに従って、ラインＬ２１を介して供給された汚泥の切り出しを行う。ここでのパラメータは、例えば、乾燥機１２に対して供給する単位時間あたりの汚泥の量である。

【0013】

さらに具体的に、切出装置１１のコントローラ（図示せず）は、例えば、運転員によって設定されたパラメータに従って、切出装置１１内に設けられたフィーダ（図示せず）の回転数（周波数）を制御することにより、汚泥の切り出し量（乾燥機１２に対して供給する単位時間あたりの汚泥の量）の制御を行う。なお、切出装置１１のコントローラは、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やメモリを有するコンピュータ装置である。

【0014】

乾燥機１２は、例えば、ラインＬ２２を介して切出装置１１から供給された汚泥を乾燥させることにより、汚泥の含水率を低下させる。そして、乾燥機１２は、例えば、乾燥させた汚泥（以下、乾燥汚泥とも呼ぶ）をラインＬ２３から投入装置１３に供給する。ラインＬ２３は、例えば、乾燥機１２の出口側と投入装置１３の入口側とを連通する配管である。

【0015】

投入装置１３は、例えば、ラインＬ２３を介して供給された汚泥を一時的に蓄積し、蓄積した汚泥をラインＬ２４から焼却炉１に順次投入する装置である。ラインＬ２４は、例えば、投入装置１３の出口側と焼却炉１における汚泥の入口側とを連通する配管である。

【0016】

具体的に、投入装置１３は、例えば、運転員によって設定されたパラメータに従って、ラインＬ２３を介して供給された汚泥を焼却炉１に投入する。ここでのパラメータは、例えば、焼却炉１に対して供給する単位時間あたりの汚泥の量である。

【0017】

さらに具体的に、投入装置１３のコントローラ（図示せず）は、例えば、運転員によって設定されたパラメータに従って、投入装置１３内に設けられたフィーダ（図示せず）の回転数（周波数）を制御することにより、焼却炉１に対して投入する単位時間あたりの汚泥の量の制御を行う。投入装置１３のコントローラは、例えば、ＣＰＵやメモリを有するコンピュータ装置である。

【0018】

焼却炉１は、例えば、ラインＬ２４を介して供給された汚泥を焼却する流動焼却炉であり、いわゆる流動層１ｃを有する。以下、焼却炉１が流動焼却炉である場合について説明を行うが、焼却炉１は、流動焼却炉以外の様々な形式の焼却炉であってもよい。また、以下、焼却炉１に供給される空気を燃焼用空気とも呼ぶ。

【0019】

なお、焼却炉１は、例えば、それぞれ別体のガス化炉１ａと熱回収炉１ｂとから構成されるものであってもよい。ガス化炉１ａは、例えば、ラインＬ２４を介して供給された汚泥の焼却することによって燃焼ガスを発生させる炉である。また、熱回収炉１ｂは、例えば、ガス化炉１ａにおいて発生した燃焼ガスを完全燃焼させる炉である。

【0020】

送風機Ｂ１は、例えば、ラインＬ１１を介して燃焼用空気を熱交換器２に供給する。ラインＬ１１は、例えば、送風機Ｂ１の出口側と熱交換器２の燃焼用空気の入口側とを連通する配管である。

【0021】

熱交換器２は、例えば、焼却炉１から排出された排ガスＧと送風機Ｂ１によって供給された燃焼用空気との間において熱交換を行う。

【0022】

具体的に、熱交換器２は、例えば、ラインＬ１を介して焼却炉１から供給された排ガスＧを用いることによって、ラインＬ１１を介して供給された燃焼用空気を昇温する。そして、熱交換器２は、例えば、ラインＬ１２を介して昇温後の燃焼用空気を焼却炉１における流動層１ｃに供給する。ラインＬ１は、例えば、焼却炉１の排ガスＧの出口側と熱交換器２における排ガスＧの入口側とを連通する配管である。また、ラインＬ１２は、例えば、熱交換器２における燃焼用空気の出口側と焼却炉１における燃焼用空気の入口側とを連通する配管である。

【0023】

スクラバ３は、例えば、熱交換器２の後段に設置され、ラインＬ２を介して熱交換器２から供給された排ガスＧの不純物を除去する。ラインＬ２は、例えば、熱交換器２における排ガスＧの出口側とスクラバ３の入口側とを連結する配管である。なお、焼却システム９００は、例えば、スクラバ３の前段において、熱交換器２から供給された排ガスＧを冷却する冷却塔（図示せず）を有するものであってもよい。

【0024】

洗煙処理塔４は、例えば、スクラバ３の後段に配置され、ラインＬ３を介してスクラバ３から供給された排ガスＧを塔の下部から導入し、上部の散水ノズル（図示せず）から散水される洗煙水と接触させることによって、排ガスＧ中のＳＯ_Ｘ等の成分を洗煙水に含ませて除去する。ラインＬ３は、例えば、スクラバ３の出口側と洗煙処理塔４の入口側とを連結する配管である。

【0025】

煙突５は、例えば、洗煙処理塔４の上部に設置される。そして、洗煙処理塔４において洗浄された排ガスＧは、例えば、煙突５から外部に放出される。

【0026】

送風機Ｂ２は、例えば、誘引ファンであり、焼却炉１から排出される排ガスＧを誘引する。具体的に、送風機Ｂ２は、例えば、ラインＬ１、ラインＬ２、ラインＬ３及びラインＬ４を介して排ガスＧを誘引する。ラインＬ４は、例えば、洗煙処理塔４の出口側と送風機Ｂ２の入口側とを連通する配管である。そして、送風機Ｂ２は、例えば、ラインＬ５を介して排ガスＧを煙突５に供給する。ラインＬ５は、例えば、送風機Ｂ２の出口側と煙突５の入口側とを連通する配管である。

【0027】

制御装置９２０は、例えば、焼却システム９００における各パラメータを制御することにより、焼却炉１の炉内温度（例えば、焼却炉１の濃厚層及び希薄層の温度）を制御する。制御装置９２０は、例えば、ＣＰＵやメモリを有するコンピュータ装置である。

【0028】

具体的に、制御装置９２０は、例えば、投入装置１３の設定値（投入装置１３が焼却炉１に対して投入する単位時間あたりの汚泥の量等）や、送風機Ｂ１の回転数（ラインＬ１２を介して熱交換器２から焼却炉１に供給する燃焼用空気の量等）を制御する。また、制御装置２０は、例えば、焼却炉１に対する注水量や、焼却炉１に対して供給される補助燃料の量や、昇温バーナ（図示せず）から焼却炉１に供給する燃焼用空気の量を制御する。また、制御装置２０は、例えば、ガス化炉１ａから熱回収炉１ｂに供給される燃焼ガス（ガス化炉１ａにおいて発生する燃焼ガス）の流量及び温度を制御する。なお、補助燃料は、例えば、重油、灯油、都市ガス及び消化ガス等である。

【0029】

ここで、例えば、制御装置９２０の自動制御によっても焼却炉１の炉内温度が安定しない場合、運転員は、焼却炉１に対する汚泥の投入量等の調整を手動によって行う必要がある。そのため、運転員は、例えば、制御装置９２０による制御状況によって長時間拘束される場合がある。

【0030】

この点、焼却炉１の炉内温度の変動は、例えば、焼却炉１に対する汚泥の投入量等に加え、焼却炉１に投入される汚泥（例えば、乾燥汚泥）の含水率の影響を受けるものと判断できる。そのため、焼却システム９００は、例えば、精度の高い含水率の測定結果を取得することによって、焼却炉１の炉内温度を安定させることが可能になる。

【0031】

しかしながら、焼却炉１に投入される汚泥の含水率は、例えば、運転員が手動によって測定する必要がある場合があり、さらに、人手不足や時間的制約から、測定回数が１日数回程度に限られる場合がある。そのため、焼却システム９００は、精度の高い含水率の測定結果を取得することができず、焼却炉１の炉内温度を安定させることができない場合がある。

【0032】

このように、汚泥の含水率を高精度かつ頻繁に測定する必要があるが、前記したように、人手不足や時間的制約から、かかる測定は困難である。

【0033】

発明者は、実際に測定した汚泥の含水率と、以下の条件情報との間に相関関係があることを見出した。例えば、汚泥の含水率と、焼却炉１において汚泥の焼却を行う際の日時、降水量、気温及び湿度のうちの少なくともいずれか１との間の相関関係である。

【0034】

日にちの場合、梅雨時や、豪雪地帯では冬季には、下水処理施設に流れ込む下水の量が増えるため、汚泥の含水率が高くなる傾向がある。また、時間の場合、時間に応じて含水率が変動する。例えば、早朝時又は深夜時は汚泥の濃度が低下する結果、汚泥の含水率が高くなるが、日中は汚泥の濃度が高くなる結果、汚泥の含水率が低くなる。また、気温や湿度の高低に応じて汚泥の含水率が変動する場合がある。気温や湿度の高低に応じて、例えば、汚泥濃縮機における汚泥濃縮率が変動したり、汚泥の脱水機における脱水率が変動したりする。

【0035】

また、例えば、汚泥の含水率と、投入装置１３から焼却炉１に投入される単位時間あたりの汚泥の量との間の相関関係である。投入装置１３では、いわゆるフィーダを利用して後段の装置に汚泥を排出(供給)する。このフィーダは、例えば、羽根を有する回転軸を回転させて、垂直方向下側に汚泥を落下させることで、後段の装置に汚泥を排出する。

【0036】

汚泥の含水率が変動すると、焼却炉１に投入する汚泥の量を運転者が変動させて焼却炉１内の燃焼状態を最適化する必要がある。そこで、投入装置１３の運転者は、汚泥のフィーダの回転数を調整して、汚泥の含水率に応じて投入装置１３からの汚泥投入量を調整する。例えば、含水率が高い場合、運転者は投入装置１３からの投入量を増加させる。

【0037】

また、例えば、汚泥の含水率と、切出装置１１から乾燥機１２に供給される単位時間あたりの汚泥の量の相関関係である。

【0038】

含水率が変化すると汚泥の乾燥具合も変化する。例えば、汚泥の含水率が高くなると、汚泥が十分に乾燥されなくなる。よって、汚泥の含水率が高くなると、投入装置１３に供給される汚泥の含水率も高くなり汚泥の流動性が低下する。そこで、乾燥機１２において汚泥を十分に乾燥させるために、汚泥の切出装置１１からの切出量を低くする。

【0039】

また、例えば、汚泥の含水率と、乾燥機１２内の温度や、乾燥機１２内において汚泥に送風する空気（熱風）の量や、乾燥機１２内に設けられた撹拌機（図示せず）やドラム（図示せず）の回転数（周波数）との間の相関関係である。

【0040】

例えば、汚泥の含水率が高い場合、乾燥機１２内の温度を上昇させたり、熱風の量（送風量）を増やしたりして汚泥の含水率を低くして焼却炉１に投入する。また、汚泥の含水率が高い場合、乾燥機１２における汚泥の乾燥時間を長くするために乾燥機１２内の汚泥移送機（例えば、コンベア）の汚泥移送速度を遅くすることで汚泥の含水率を低くして焼却炉１に投入する。また、汚泥の含水率が高い場合、乾燥機１２において汚泥を十分に撹拌して汚泥を乾燥させるため撹拌機の回転数を高くする。

【0041】

このように、発明者は、実際に測定した汚泥の含水率と、上記の条件情報との間に相関関係を見出し、この相関関係を学習した機械学習モデルを生成し、生成した機械学習モデルに上記の条件情報を入力すれば、汚泥の含水率を出力することを想達した。以下、本実施形態では、この機械学習モデルの生成について説明する。更に、この機械学習モデルから出力された汚泥の含水率に基づく、焼却システム１００の制御について説明する。

【0042】

本実施の形態における焼却システム１００は、例えば、焼却炉１に投入される汚泥の含水率を予測する機械学習モデル（以下、単に学習モデルとも呼ぶ）を生成する。そして、焼却システム１００は、例えば、学習モデルによって予測した汚泥の含水率に基づいて、焼却システム１００における各パラメータの制御を行う。以下、第１の実施の形態における焼却システム１００について説明を行う。

【0043】

［第１の実施の形態における焼却システム１００］
図２は、第１の実施の形態における焼却システム１００の構成例を説明する図である。また、図３は、第１の実施の形態における制御装置２０の構成例を説明する図である。さらに、図４は、第１の実施の形態における情報処理装置３０の構成例を説明する図である。以下、比較例における焼却システム９００と異なる点について説明を行う。

【0044】

焼却システム１００は、図２に示すように、例えば、制御装置２０と、情報処理装置３０とを有する。

【0045】

制御装置２０は、例えば、乾燥機１２において乾燥される前の汚泥（脱水汚泥）または乾燥機１２において乾燥された後の汚泥（乾燥汚泥）の含水率に基づいて、焼却システム１００における各パラメータを制御することにより、焼却炉１の炉内温度を制御する処理（以下、パラメータ制御処理とも呼ぶ）を行う。制御装置２０は、例えば、ＣＰＵやメモリを有するコンピュータ装置である。

【0046】

具体的に、制御装置２０は、制御装置９２０と同様に、例えば、投入装置１３の設定値（投入装置１３が焼却炉１に対して投入する単位時間あたりの汚泥の量等）や、送風機Ｂ１の回転数（ラインＬ１２を介して熱交換器２から焼却炉１に供給する燃焼用空気の量等）を制御する。また、制御装置２０は、制御装置９２０と同様に、例えば、焼却炉１に対する注水量や、焼却炉１に対して供給される補助燃料の量や、昇温バーナ（図示せず）から焼却炉１に供給する燃焼用空気の量を制御する。また、制御装置２０は、制御装置９２０と同様に、例えば、ガス化炉１ａから熱回収炉１ｂに供給される燃焼ガス（ガス化炉１ａにおいて発生する燃焼ガス）の流量及び温度を制御する。

【0047】

情報処理装置３０は、例えば、焼却炉１に投入される汚泥の含水率の予測を行う学習モデルを生成する処理（以下、モデル生成処理とも呼ぶ）を行う。情報処理装置３０は、例えば、ＣＰＵやメモリを有するコンピュータ装置である。なお、制御装置２０及び情報処理装置３０は、例えば、単一のコンピュータ装置であってもよい。

【0048】

具体的に、情報処理装置３０は、例えば、投入装置１３から焼却炉１に対する汚泥の投入条件と、汚泥の焼却を行う際の焼却炉１の環境条件とのうちの少なくともいずれかを示す情報（以下、条件情報とも呼ぶ）の入力に伴って、焼却炉１に投入される汚泥の含水率を出力する学習モデルの生成を行う。汚泥の投入条件は、例えば、切出装置１１から乾燥機１２に供給される単位時間あたりの汚泥の量や、投入装置１３から焼却炉１に投入される単位時間あたりの汚泥の量である。また、汚泥の投入条件は、例えば、乾燥機１２内の温度や、乾燥機１２内において汚泥に送風する空気（熱風）の量や、乾燥機１２内に設けられた撹拌機（図示せず）やドラム（図示せず）の回転数（周波数）である。

【0049】

また、焼却炉１の環境情報は、例えば、焼却炉１において汚泥の焼却を行う際の日時、降水量、気温及び湿度のうちの少なくともいずれかである。

【0050】

さらに具体的に、運転員は、図３に示すように、例えば、複数のタイミングにおいて焼却炉１に投入された汚泥の含水率ＤＴ１（以下、第１含水率とも呼ぶ）を予め計測する。また、制御装置２０は、例えば、汚泥の含水率ＤＴ１の計測を行った複数のタイミングのそれぞれについて、各タイミングにおける汚泥の投入条件（以下、第１投入条件とも呼ぶ）と焼却炉１の環境条件（以下、第１環境条件とも呼ぶ）とのうちの少なくともいずれかを示す条件情報ＤＴ２（以下、第１条件情報とも呼ぶ）を予め取得する。

【0051】

そして、情報処理装置３０は、例えば、複数のタイミングのそれぞれについて、各タイミングに対応する汚泥の含水率ＤＴ１と各タイミングに対応する条件情報ＤＴ２との組合せを含む教師データＤＴ３をそれぞれ生成する。その後、情報処理装置３０は、例えば、生成した複数の教師データＤＴ３を用いた機械学習を行うことによって学習モデルＭＤを生成する。

【0052】

さらに、情報処理装置３０は、例えば、生成した学習モデルＭＤを制御装置２０がアクセス可能な記憶装置４０に記憶する。記憶装置４０は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶媒体を有する記憶装置である。なお、記憶装置４０は、例えば、制御装置２０及び情報処理装置３０と異なる装置であってもよいし、制御装置２０または情報処理装置３０に内蔵された記憶装置であってもよい。

【0053】

その後、制御装置２０は、図４に示すように、例えば、定期的なタイミングにおいて、各タイミングにおける汚泥の投入条件（以下、第２投入条件とも呼ぶ）と焼却炉１の環境条件（以下、第２環境条件とも呼ぶ）とのうちの少なくともいずれかを示す条件情報ＤＴ１１（以下、第２条件情報とも呼ぶ）を取得する。そして、制御装置２０は、例えば、取得した条件情報ＤＴ１１を記憶装置４０に記憶された学習モデルＭＤに対して入力する。さらに、制御装置２０は、例えば、条件情報ＤＴ１１の入力に伴って学習モデルＭＤから出力された値を、各タイミングにおける汚泥の含水率ＤＴ１２（以下、第２含水率とも呼ぶ）として取得する。

【0054】

このように、本実施の形態における焼却システム１００は、焼却炉１と、焼却炉１において焼却される汚泥の含水率ＤＴ１と、焼却炉１に対する汚泥の第１投入条件と汚泥を焼却する際の焼却炉１の第１環境条件とのうちの少なくともいずれかを示す条件情報ＤＴ２と、をそれぞれ含む複数の教師データＤＴ３を用いた機械学習によって生成された学習モデルＭＤを記憶する記憶装置４０と、焼却炉１に対する新たな汚泥の第２投入条件と新たな汚泥を焼却する際の焼却炉１の第２環境条件とのうちの少なくともいずれかを示す条件情報ＤＴ１１の入力に伴って学習モデルＭＤから出力された含水率を新たな汚泥の含水率ＤＴ１２として予測する制御装置２０と、を備える。

【0055】

すなわち、焼却システム１００において同じタイミングに取得（測定）された含水率ＤＴ１及び条件情報ＤＴ２は、一定の相関関係があるものと判断することが可能である。そこで、本実施の形態における情報処理装置３０は、例えば、過去のタイミングにおいて取得（計測）された含水率ＤＴ１と条件情報ＤＴ２とを含む教師データＤＴ３を用いた機械学習を行うことによって学習モデルＭＤを生成する。そして、本実施の形態における制御装置２０は、例えば、情報処理装置３０が生成した学習モデルＭＤを用いることによって、焼却炉１に投入される汚泥の含水率（現在の含水率）の予測を行う。

【0056】

これにより、本実施の形態における制御装置２０は、例えば、焼却システム１００の運用中において焼却炉１に投入される汚泥の含水率ＤＴ１２を、焼却システム１００における過去の稼働実績に基づいて生成された学習モデルＭＤを用いて予測することが可能になる。そのため、制御装置２０は、例えば、焼却炉１に投入される汚泥の含水率ＤＴ１２を精度良く行うことが可能になる。

【0057】

［モデル生成処理］
次に、情報処理装置３０におけるモデル生成処理について説明を行う。図５は、モデル生成処理を説明するフローチャート図である。また、図６から図８は、モデル生成処理を説明する図である。なお、モデル生成処理は、例えば、情報処理装置３０内において、記憶媒体からメモリにロードされたプログラムとＣＰＵとが協働することによって実行される処理である。

【0058】

情報処理装置３０は、例えば、複数のタイミングにおいて焼却炉１に投入された汚泥の含水率ＤＴ１を取得する（図５におけるステップＳ１）。具体的に、情報処理装置３０は、例えば、複数のタイミングのそれぞれにおいて運転員が計測した複数の含水率ＤＴ１を取得する。

【0059】

また、情報処理装置３０は、例えば、複数のタイミング（含水率ＤＴ１の取得が行われた複数のタイミング）における条件情報ＤＴ２を取得する（図５におけるステップＳ１）。具体的に、情報処理装置３０は、例えば、複数のタイミングのそれぞれにおいて制御装置２０が取得した複数の条件情報ＤＴ２を取得する。

【0060】

そして、情報処理装置３０は、例えば、複数のタイミングのそれぞれについて、各タイミングに対応する汚泥の含水率ＤＴ１と条件情報ＤＴ２との組合せを含む教師データＤＴ３を生成する（図５におけるステップＳ２）。

【0061】

なお、情報処理装置３０は、例えば、各タイミングにおける焼却炉１の炉内温度を条件情報ＤＴ２の少なくとも１つとして教師データＤＴ３に含めるものであってもよい。これにより、情報処理装置３０は、例えば、汚泥の含水率ＤＴ１２の予測を行う際に、焼却炉１の炉内温度を学習モデルＭＤに対する入力として用いることが可能になる。以下、複数の教師データＤＴ３の具体例について説明を行う。

【0062】

［教師データＤＴ３の第１の具体例］
初めに、教師データＤＴ３の第１の具体例について説明を行う。図６は、教師データＤＴ３の第１の具体例について説明する図である。図６に示す教師データＤＴ３（以下、教師データＤＴ３ａとも呼ぶ）は、条件情報ＤＴ２として、乾燥機１２内の温度と、切出装置１１から乾燥機１２に供給される１時間あたりの汚泥の量（切出量）と、投入装置１３から焼却炉１に投入される１時間あたりの汚泥の量（投入量）とを含む教師データＤＴ３である。すなわち、図６に示す教師データＤＴ３ａは、条件情報ＤＴ２として、汚泥の投入条件を含む教師データＤＴ３である。

【0063】

具体的に、図６に示す教師データＤＴ３ａにおいて、１行目のデータには、「含水率」として「１２（％）」が設定され、「乾燥機の温度」として「１９０（℃）」が設定され、「切出装置の切出量」として「４．６（ｔ／ｈ）」が設定され、「投入装置の投入量」として「０．８（ｔ／ｈ）」が設定されている。

【0064】

また、図６に示す教師データＤＴ３ａにおいて、２行目のデータには、「含水率」として「１４（％）」が設定され、「乾燥機の温度」として「１８０（℃）」が設定され、「切出装置の切出量」として「４（ｔ／ｈ）」が設定され、「投入装置の投入量」として「１（ｔ／ｈ）」が設定されている。図６に含まれる他のデータのついての説明は省略する。

【0065】

［教師データＤＴ３の第２の具体例］
次に、教師データＤＴ３の第２の具体例について説明を行う。図７は、教師データＤＴ３の第２の具体例について説明する図である。図７に示す教師データＤＴ３（以下、教師データＤＴ３ｂとも呼ぶ）は、条件情報ＤＴ２として、焼却炉１において汚泥の焼却が行われたタイミングにおける日付、時間、降水量、気温及び湿度を含む教師データＤＴ３である。すなわち、図７に示す教師データＤＴ３ｂは、条件情報ＤＴ２として、焼却炉１の環境条件を含む教師データＤＴ３である。

【0066】

具体的に、図７に示す教師データＤＴ３ｂにおいて、１行目のデータには、「含水率」として「１２（％）」が設定され、「日付」として「４／１」が設定され、「時間」として「８：００」が設定され、「降水量」として「０（ｍｍ）」が設定され、「気温」として「１５（℃）」が設定され、「湿度」として「１０（％）」が設定されている。

【0067】

また、図７に示す教師データＤＴ３ｂにおいて、２行目のデータには、「含水率」として「１４（％）」が設定され、「日付」として「４／１」が設定され、「時間」として「１０：００」が設定され、「降水量」として「０（ｍｍ）」が設定され、「気温」として「１３（℃）」が設定され、「湿度」として「１５（％）」が設定されている。図７に含まれる他のデータのついての説明は省略する。

【0068】

［教師データＤＴ３の第３の具体例］
次に、教師データＤＴ３の第３の具体例について説明を行う。図８は、教師データＤＴ３の第３の具体例について説明する図である。図８に示す教師データＤＴ３（以下、教師データＤＴ３ｃとも呼ぶ）は、図６で説明した教師データＤＴ３に含まれる各情報に加え、汚泥の焼却時における焼却炉１の炉内温度を含む。

【0069】

具体的に、図８に示す教師データＤＴ３ｃにおいて、１行目のデータには、「含水率」として「１２（％）」が設定され、「乾燥機の温度」として「１９０（℃）」が設定され、「切出装置の切出量」として「４．６（ｔ／ｈ）」が設定され、「投入装置の投入量」として「０．８（ｔ／ｈ）」が設定され、「焼却炉の温度」として「８００（℃）」が設定されている。

【0070】

また、図８に示す教師データＤＴ３ｃにおいて、２行目のデータには、「含水率」として「１４（％）」が設定され、「乾燥機の温度」として「１８０（℃）」が設定され、「切出装置の切出量」として「４（ｔ／ｈ）」が設定され、「投入装置の投入量」として「１（ｔ／ｈ）」が設定され、「焼却炉の温度」として「７８０（℃）」が設定されている。図８に含まれる他のデータについての説明は省略する。

【0071】

図５に戻り、情報処理装置３０は、例えば、複数のタイミングのそれぞれについて生成した複数の教師データＤＴ３を用いた機械学習を行うことによって学習モデルＭＤを生成する（図５におけるステップＳ３）。

【0072】

このように、本実施の形態における情報処理装置３０は、例えば、焼却炉１において焼却される汚泥の含水率ＤＴ１と、焼却炉１に対する汚泥の第１投入条件と汚泥を焼却する際の焼却炉１の第１環境条件とのうちの少なくともいずれかを示す条件情報ＤＴ２と、をそれぞれ含む複数の教師データＤＴ３を取得する。なお、取得する教師データＤＴ３は、例えば、図６から図８で説明した教師データＤＴ３ａからＤＴ３ｃの少なくとも１つのデータ（セット）を含む。そして、情報処理装置３０は、例えば、取得した複数の教師データＤＴ３を用いた機械学習によって、焼却炉１に対する新たな汚泥の第２投入条件と新たな汚泥を焼却する際の焼却炉１の第２環境条件とのうちの少なくともいずれかを示す条件情報ＤＴ１１の入力に伴って新たな汚泥の含水率ＤＴ１２を出力する学習モデルＭＤを生成する。

【0073】

これにより、本実施の形態における情報処理装置３０は、例えば、焼却炉１に投入される汚泥の含水率ＤＴ１２を精度良く行うことが可能な学習モデルＭＤを生成することが可能になる。

【0074】

なお、情報処理装置３０は、例えば、ステップＳ３において、線形回帰、ＧＢＤＴ（Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ）、決定木、回帰木及びｋ近傍法を含む複数の手法のうちのいずれかを用いることによって、複数の教師データＤＴ３の機械学習を行うものであってよい。

【0075】

［パラメータ制御処理］
次に、制御装置２０におけるパラメータ制御処理について説明を行う。図９は、パラメータ制御処理を説明するフローチャート図である。なお、パラメータ制御処理は、例えば、制御装置２０内において、記憶媒体からメモリにロードされたプログラムとＣＰＵとが協働することによって実行される処理である。

【0076】

制御装置２０は、例えば、定期的なタイミングにおいて条件情報ＤＴ１１を取得する（図９におけるステップＳ１１）。

【0077】

具体的に、制御装置２０は、例えば、図５におけるステップＳ２で生成した教師データＤＴ３に含まれる条件情報ＤＴ２と同じ種類の情報を焼却システム１００から取得する。すなわち、例えば、教師データＤＴ３に含まれる条件情報ＤＴ２が投入装置１３から焼却炉１に対する汚泥の投入量の設定値である場合、制御装置２０は、条件情報ＤＴ１１として、投入装置１３から焼却炉１に対する現在の汚泥の投入量の設定値を投入装置１３から取得する。また、例えば、教師データＤＴ３に含まれる条件情報ＤＴ２が乾燥機１２内の温度である場合、制御装置２０は、条件情報ＤＴ１１として、乾燥機１２内の現在の温度を乾燥機１２に取り付けられた温度計（図示せず）から取得する。

【0078】

そして、制御装置２０は、例えば、ステップＳ１１において取得した条件情報ＤＴ１１を学習モデルＭＤに入力する。その後、制御装置２０は、例えば、学習モデルＭＤから出力された値を、焼却炉１に投入される汚泥の現在の含水率ＤＴ１２として予測する（図９におけるステップＳ１２）。

【0079】

続いて、制御装置２０は、例えば、ステップＳ１２において予測した含水率ＤＴ１２に従って、焼却システム１０における各パラメータ（以下、焼却条件とも呼ぶ）の制御を行う（図９におけるステップＳ１３）。

【0080】

具体的に、例えば、ステップＳ１２において予測した含水率ＤＴ１２が予め定められた閾値よりも大きいと判定した場合、制御装置２０は、投入装置１３から焼却炉１に投入される汚泥の単位時間あたりの投入量を調整する。例えば、制御装置２０は、投入装置１３を制御して、単位時間あたりの汚泥の投入量を増加させる。他にも、ステップＳ１２において予測した含水率ＤＴ１２が予め定められた閾値よりも大きいと判定した場合、制御装置２０は、補助燃料の投入量を増やしてもよい。

【0081】

なお、制御装置２０は、例えば、ステップＳ１２において予測した含水率ＤＴ１２に加え、焼却炉１に対して投入している補助燃料の量についても用いることによって、焼却システム１０における各パラメータの制御を行うものであってもよい。

【0082】

このように、本実施の形態における制御装置２０は、例えば、学習モデルＭＤを用いることによって予測した第２含水率に基づいて、新たな汚泥を焼却する際の各パラメータを制御する。

【0083】

すなわち、本実施の形態における制御装置２０は、例えば、焼却システム１０における各パラメータの制御を、学習モデルＭＤから出力された予測精度の高い含水率ＤＴ１２を用いて行うことが可能になる。

【0084】

これにより、本実施の形態における制御装置２０は、例えば、焼却炉１に対する単位時間あたりの汚泥の投入量等の各パラメータの最適化を図ることが可能になる。そのため、制御装置２０は、例えば、自動制御によって焼却炉１の炉内温度を安定化させることが可能になり、運転員による手動制御が必要となる時間（頻度）を抑制することが可能になる。また、本実施の形態における制御装置２０は、例えば、焼却システム１００からの温室効果ガスの発生を抑制することが可能になる。

【0085】

なお、情報処理装置３０は、ステップＳ３において、例えば、互いに異なる条件情報ＤＴ２を有する複数種類の教師データＤＴ３を用いることによって、複数の学習モデルＭＤを生成するものであってもよい。

【0086】

具体的に、情報処理装置３０は、例えば、図６で説明した複数の教師データＤＴ３ａを用いた学習モデルＭＤと、図７で説明した複数の教師データＤＴ３ｂを用いた学習モデルＭＤと、図８で説明した複数の教師データＤＴ３ｃを用いた学習モデルＭＤとをそれぞれ生成するものであってもよい。

【0087】

そして、制御装置２０は、例えば、テスト段階（パラメータ制御処理の実行開始前）において、生成した複数の学習モデルＭＤのそれぞれを用いることによって含水率ＤＴ１２の予測を行い、最も精度が高いと判断可能な学習モデルＭＤを、パラメータ制御処理において用いる学習モデルＭＤとして選定するものであってもよい。

【0088】

これにより、制御装置２０は、例えば、焼却炉１に投入される汚泥の含水率ＤＴ１２の予測に適した教師データＤＴ３を特定することが可能になり、汚泥の含水率ＤＴ１２の予測精度をより向上させることが可能になる。

【0089】

また、情報処理装置３０は、ステップＳ３において、例えば、複数の手法（例えば、線形回帰、ＧＢＤＴ、決定木、回帰木及びｋ近傍法等）のうちの異なる手法を用いた複数の学習モデルＭＤを生成するものであってもよい。

【0090】

これにより、制御装置２０は、例えば、焼却炉１に投入される汚泥の含水率ＤＴ１２の予測に適した機械学習の手法を特定することが可能になり、汚泥の含水率ＤＴ１２の予測精度をより向上させることが可能になる。

【0091】

また、情報処理装置３０は、ステップＳ３において、例えば、同一種類の教師データＤＴ３（例えば、条件情報ＤＴ２として同一種類の投入条件を含む教師データＤＴ３）から複数の学習モデルＭＤを生成するものであってもよい。

【0092】

具体的に、情報処理装置３０は、例えば、図７で説明した複数の教師データＤＴ３ｂのそれぞれを、各データに含まれる日付の範囲ごと、または、各データに含まれる時間の範囲ごとに複数のグループに分類し、分類した複数のグループごとに、各グループに分類された教師データＤＴ３ｂを用いた学習モデルＭＤを生成するものであってもよい。

【0093】

さらに具体的に、情報処理装置３０は、例えば、日付が１月から３月までの間である教師データＤＴ３ｂを用いた学習モデルＭＤと、日付が４月から６月までの間である教師データＤＴ３ｂを用いた学習モデルＭＤと、日付が７月から９月までの間である教師データＤＴ３ｂを用いた学習モデルＭＤと、日付が１０月から１２月までの間である教師データＤＴ３ｂを用いた学習モデルＭＤとをそれぞれ生成するものであってもよい。なお、情報処理装置３０は、この場合、例えば、梅雨の時期や大型連休等に対応する学習モデルＭＤをさらに生成するものであってもよい。

【0094】

そして、制御装置２０は、例えば、ステップＳ１２において、例えば、生成した複数の学習モデルＭＤのうち、パラメータ制御処理を行う日付に対応する学習モデルＭＤを選択して含水率ＤＴ１２の予測を行うものであってもよい。

【0095】

これにより、制御装置２０は、例えば、焼却システム１００の運転環境（例えば、季節）によって汚泥の含水率ＤＴ１２の傾向が大きく異なる場合であっても、含水率ＤＴ１２の予測を精度良く行うことが可能になる。

【0096】

さらに、情報処理装置３０は、ステップＳ３において、例えば、同一種類の教師データＤＴ３（例えば、条件情報ＤＴ２として同一種類の環境条件を含む教師データＤＴ３）から複数の学習モデルＭＤを生成するものであってもよい。

【0097】

具体的に、情報処理装置３０は、例えば、図６で説明した複数の教師データＤＴ３ａのそれぞれを、各データに含まれる乾燥機１２の温度の範囲ごとに複数のグループに分類し、分類した複数のグループごとに、各グループに分類された教師データＤＴ３ａを用いた学習モデルＭＤを生成するものであってもよい。

【0098】

さらに具体的に、情報処理装置３０は、例えば、乾燥機１２の温度が６０℃未満である教師データＤＴ３ａを用いた学習モデルＭＤと、乾燥機１２の温度が６０℃以上である教師データＤＴ３ａを用いた学習モデルＭＤとをそれぞれ生成するものであってもよい。

【0099】

そして、制御装置２０は、例えば、ステップＳ１２において、例えば、生成した複数の学習モデルＭＤのうち、乾燥機１２の現在の温度に対応する学習モデルＭＤを選択して含水率ＤＴ１２の予測を行うものであってもよい。

【0100】

これにより、制御装置２０は、例えば、焼却システム１００の運転状況（例えば、乾燥機１２の温度）によって汚泥の含水率ＤＴ１２の傾向が大きく異なる場合であっても、含水率ＤＴ１２の予測を精度良く行うことが可能になる。

【符号の説明】

【0101】

１：焼却炉 １ａ：ガス化炉
１ｂ：熱回収炉 １ｃ：流動層
２：流動空気予熱器 ３：スクラバ
４：洗煙処理塔 ５：煙突
２０：制御装置 ３０：情報処理装置
４０：記憶装置 １００：焼却システム
９００：焼却システム ９２０：制御装置
Ｂ１：送風機 Ｂ２：送風機
ＤＴ１：含水率 ＤＴ２：条件情報
ＤＴ３：教師データ ＤＴ３ａ：教師データ
ＤＴ３ｂ：教師データ ＤＴ３ｃ：教師データ
ＤＴ１１：条件情報 Ｄ１２：含水率
Ｇ：排ガス Ｌ１：ライン
Ｌ２：ライン Ｌ３：ライン
Ｌ４：ライン Ｌ５：ライン
Ｌ１１：ライン Ｌ１２：ライン
Ｌ２１：ライン Ｌ２２：ライン
Ｌ２３：ライン Ｌ２４：ライン

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】