知財求人 - 知財ポータルサイト「IP Force」
特開2023-12235機械学習装置、データ処理システム、推論装置及び機械学習方法
(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】P2023012235
(43)【公開日】2023-01-25
(54)【発明の名称】機械学習装置、データ処理システム、推論装置及び機械学習方法
(51)【国際特許分類】
B01D 33/04 20060101AFI20230118BHJP
G06T 7/00 20170101ALI20230118BHJP
【ＦＩ】
B01D33/04 A
G06T7/00 350C
【審査請求】未請求
【請求項の数】17
【出願形態】ＯＬ
(21)【出願番号】P 2021115756
(22)【出願日】2021-07-13
(71)【出願人】
【識別番号】591162022
【氏名又は名称】巴工業株式会社
(74)【代理人】
【識別番号】110001519
【氏名又は名称】弁理士法人太陽国際特許事務所
(72)【発明者】
【氏名】松本 光司
(72)【発明者】
【氏名】荻原 徹也
【テーマコード（参考）】
4D116
5L096
【Ｆターム（参考）】
4D116BB11
4D116BC62
4D116BC67
4D116DD01
4D116GG12
4D116KK01
4D116QA24D
4D116QA24G
4D116QA57C
4D116QA57F
4D116QC20A
4D116QC20B
4D116QC20C
4D116QC22
4D116QC23
4D116QC32
4D116QC32A
4D116QC34D
4D116QC39
4D116QC50
4D116QC51
4D116RR01
4D116RR04
4D116RR14
4D116RR21
4D116RR22
4D116VV12
5L096AA06
5L096CA04
5L096DA02
5L096HA09
5L096HA11
5L096JA11
5L096JA18
5L096KA04
5L096KA15
(57)【要約】
【課題】ベルト型濃縮機における動作制御を自動で行うことを可能とする、機械学習装置、データ処理システム、推論装置及び機械学習方法を提供すること。
【解決手段】本開示の機械学習装置は、ベルト型濃縮機のためのものであって、無端ベルト上を搬送される被処理液を撮像した第１の画像データを含む入力データと、入力データに対応付けられたベルト型濃縮機の制御パラメータを含む出力データとで構成される学習用データセットを複数組記憶するものであって、制御パラメータは、被処理液に含まれる添加物の添加率と、無端ベルトの走行速度と、被処理液の供給量のうちの少なくとも１つを含む、学習用データセット記憶ユニットと；学習用データセットを複数組入力することで、入力データと出力データとの相関関係を推論する学習モデルを学習する学習ユニットと；学習ユニットによって学習された学習モデルを記憶する学習済モデル記憶ユニットと；を含む。
【選択図】図４
【解決手段】本開示の機械学習装置は、ベルト型濃縮機のためのものであって、無端ベルト上を搬送される被処理液を撮像した第１の画像データを含む入力データと、入力データに対応付けられたベルト型濃縮機の制御パラメータを含む出力データとで構成される学習用データセットを複数組記憶するものであって、制御パラメータは、被処理液に含まれる添加物の添加率と、無端ベルトの走行速度と、被処理液の供給量のうちの少なくとも１つを含む、学習用データセット記憶ユニットと；学習用データセットを複数組入力することで、入力データと出力データとの相関関係を推論する学習モデルを学習する学習ユニットと；学習ユニットによって学習された学習モデルを記憶する学習済モデル記憶ユニットと；を含む。
【選択図】図４
【特許請求の範囲】
【請求項1】
複数のローラと、前記複数のローラに巻回された無端ベルトと、前記複数のローラのうちの少なくとも１つを駆動する駆動部と、を備え、前記無端ベルト上に所定の添加物を含む被処理液を供給して前記被処理液を濃縮するベルト型濃縮機のための機械学習装置であって、
前記無端ベルト上を搬送される前記被処理液を所定画角から撮像した第１の画像データを含む入力データと、前記入力データに対応付けられた前記ベルト型濃縮機の制御パラメータを含む出力データとで構成される学習用データセットを複数組記憶する学習用データセット記憶ユニットであって、前記制御パラメータは、前記被処理液に含まれる前記添加物の添加率と、前記無端ベルトの走行速度と、前記被処理液の前記無端ベルト上への供給量のうちの少なくとも１つを含む、前記学習用データセット記憶ユニットと；
前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習する学習ユニットと；
前記学習ユニットによって学習された前記学習モデルを記憶する学習済モデル記憶ユニットと；を備える、
機械学習装置。
前記無端ベルト上を搬送される前記被処理液を所定画角から撮像した第１の画像データを含む入力データと、前記入力データに対応付けられた前記ベルト型濃縮機の制御パラメータを含む出力データとで構成される学習用データセットを複数組記憶する学習用データセット記憶ユニットであって、前記制御パラメータは、前記被処理液に含まれる前記添加物の添加率と、前記無端ベルトの走行速度と、前記被処理液の前記無端ベルト上への供給量のうちの少なくとも１つを含む、前記学習用データセット記憶ユニットと；
前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習する学習ユニットと；
前記学習ユニットによって学習された前記学習モデルを記憶する学習済モデル記憶ユニットと；を備える、
機械学習装置。
【請求項2】
前記入力データは、前記無端ベルトで前記被処理液が濃縮されて得られた濃縮被処理液を所定画角から撮像した第２の画像データをさらに含む、
請求項１に記載の機械学習装置。
請求項１に記載の機械学習装置。
【請求項3】
前記入力データは、前記無端ベルト上に供給される前の前記被処理液を所定画角から撮像した第３の画像データをさらに含む、
請求項１又は請求項２に記載の機械学習装置。
請求項１又は請求項２に記載の機械学習装置。
【請求項4】
前記入力データは、前記添加物が添加される前の被処理液を所定画角から撮像した第４の画像データをさらに含む、
請求項１乃至請求項３のいずれか１項に記載の機械学習装置。
請求項１乃至請求項３のいずれか１項に記載の機械学習装置。
【請求項5】
前記入力データは、前記無端ベルトで分離された分離液を所定画角から撮像した第５の画像データをさらに含む、
請求項１乃至請求項４のいずれか１項に記載の機械学習装置。
請求項１乃至請求項４のいずれか１項に記載の機械学習装置。
【請求項6】
前記学習ユニットは、
前記学習用データセット内の画像データを入力することで、前記画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニットと；
前記画像データの特徴量を入力することで、前記制御パラメータを推論する第２の学習モデルを学習する第２の学習ユニットと；を備える、
請求項１乃至請求項５のいずれか１項に記載の機械学習装置。
前記学習用データセット内の画像データを入力することで、前記画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニットと；
前記画像データの特徴量を入力することで、前記制御パラメータを推論する第２の学習モデルを学習する第２の学習ユニットと；を備える、
請求項１乃至請求項５のいずれか１項に記載の機械学習装置。
【請求項7】
前記入力データは、前記被処理液の濃度、前記無端ベルトで前記被処理液が濃縮されて得られた濃縮被処理液の濃度、及び前記無端ベルトで分離された分離液の濃度のうちの少なくとも１つからなる付加変数をさらに含む、
請求項１乃至請求項５のいずれか１項に記載の機械学習装置。
請求項１乃至請求項５のいずれか１項に記載の機械学習装置。
【請求項8】
前記学習ユニットは、
前記学習用データセット内の画像データを入力することで、前記画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニットと；
前記画像データの特徴量と、前記付加変数を入力することで、前記制御パラメータを推論する第３の学習モデルを学習する第３の学習ユニットと；を備える、
請求項７に記載の機械学習装置。
前記学習用データセット内の画像データを入力することで、前記画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニットと；
前記画像データの特徴量と、前記付加変数を入力することで、前記制御パラメータを推論する第３の学習モデルを学習する第３の学習ユニットと；を備える、
請求項７に記載の機械学習装置。
【請求項9】
前記ベルト型濃縮機は、前記無端ベルト上の搬送面に当接して前記無端ベルト上を搬送される前記被処理液の濃縮作用を補助する複数の濃縮補助部材をさらに備え、
前記制御パラメータは、前記濃縮補助部材の数と、前記濃縮補助部材の前記搬送面への当接位置のうちの少なくとも１つをさらに含む、
請求項１乃至請求項８のいずれか１項に記載の機械学習装置。
前記制御パラメータは、前記濃縮補助部材の数と、前記濃縮補助部材の前記搬送面への当接位置のうちの少なくとも１つをさらに含む、
請求項１乃至請求項８のいずれか１項に記載の機械学習装置。
【請求項10】
前記ベルト型濃縮機は、前記添加物を含まない被処理液に前記添加物を混合するための混合弁をさらに備え、
前記制御パラメータは、前記混合弁の弁開度をさらに含む、
請求項１乃至請求項９のいずれか１項に記載の機械学習装置。
前記制御パラメータは、前記混合弁の弁開度をさらに含む、
請求項１乃至請求項９のいずれか１項に記載の機械学習装置。
【請求項11】
前記ベルト型濃縮機は、前記無端ベルトの搬送面の下流側位置に、その一辺が当接するように設けられた傾斜板をさらに備え、
前記制御パラメータは、前記傾斜板の傾斜角度をさらに含む、
請求項１乃至請求項１０のいずれか１項に記載の機械学習装置。
前記制御パラメータは、前記傾斜板の傾斜角度をさらに含む、
請求項１乃至請求項１０のいずれか１項に記載の機械学習装置。
【請求項12】
前記ベルト型濃縮機は、前記無端ベルトを洗浄するために前記無端ベルトに洗浄水を供給する洗浄ノズルをさらに備え、
前記制御パラメータは、前記洗浄ノズルから供給される前記洗浄水の供給圧力をさらに含む、
請求項１乃至請求項１１のいずれか１項に記載の機械学習装置。
前記制御パラメータは、前記洗浄ノズルから供給される前記洗浄水の供給圧力をさらに含む、
請求項１乃至請求項１１のいずれか１項に記載の機械学習装置。
【請求項13】
前記ベルト型濃縮機は、前記無端ベルト上の搬送面に当接して前記無端ベルト上を搬送される前記被処理液の濃縮作用を補助する複数の濃縮補助部材をさらに備え、
前記第１の画像データは、前記複数の濃縮補助部材のうち、前記無端ベルト上の前記被処理液の搬送方向における最も上流側に位置するものよりも下流側を搬送される前記被処理液を所定画角から撮像したものである、
請求項１乃至請求項１２のいずれか１項に記載の機械学習装置。
前記第１の画像データは、前記複数の濃縮補助部材のうち、前記無端ベルト上の前記被処理液の搬送方向における最も上流側に位置するものよりも下流側を搬送される前記被処理液を所定画角から撮像したものである、
請求項１乃至請求項１２のいずれか１項に記載の機械学習装置。
【請求項14】
複数のローラと、前記複数のローラに巻回された無端ベルトと、前記複数のローラのうちの少なくとも１つを駆動する駆動部と、を備え、前記無端ベルト上に所定の添加物を含む被処理液を供給して前記被処理液を濃縮するベルト型濃縮機に用いられるデータ処理システムであって、
前記無端ベルト上を搬送される前記被処理液を所定画角から撮像した第１の画像データを少なくとも含む画像データを取得するための画像データ取得ユニットと；
前記請求項１乃至請求項１３のいずれか１項に記載の機械学習装置によって生成された学習済モデルに、前記画像データ取得ユニットが取得した画像データを入力することで、前記ベルト型濃縮機の制御パラメータを推論する推論ユニットと；を備える、
データ処理システム。
前記無端ベルト上を搬送される前記被処理液を所定画角から撮像した第１の画像データを少なくとも含む画像データを取得するための画像データ取得ユニットと；
前記請求項１乃至請求項１３のいずれか１項に記載の機械学習装置によって生成された学習済モデルに、前記画像データ取得ユニットが取得した画像データを入力することで、前記ベルト型濃縮機の制御パラメータを推論する推論ユニットと；を備える、
データ処理システム。
【請求項15】
前記被処理液の濃度、前記無端ベルトで前記被処理液が濃縮されて得られた濃縮被処理液の濃度、及び前記無端ベルトで分離された分離液の濃度のうちの少なくとも１つからなる付加変数を取得するための付加変数取得ユニットをさらに備え、
前記推論ユニットは、前記学習済モデルに、前記画像データに加えて前記付加変数を入力することで、前記ベルト型濃縮機の制御パラメータを推論する、
請求項１４に記載のデータ処理システム。
前記推論ユニットは、前記学習済モデルに、前記画像データに加えて前記付加変数を入力することで、前記ベルト型濃縮機の制御パラメータを推論する、
請求項１４に記載のデータ処理システム。
【請求項16】
複数のローラと、前記複数のローラに巻回された無端ベルトと、前記複数のローラのうちの少なくとも１つを駆動する駆動部と、を備え、前記無端ベルト上に所定の添加物を含む被処理液を供給して前記被処理液を濃縮するベルト型濃縮機に用いられる推論装置であって、
前記推論装置は、メモリと、少なくとも１つのプロセッサとを備え、
前記少なくとも１つのプロセッサは、
前記無端ベルト上を搬送される前記被処理液を所定画角から撮像した第１の画像データを取得する処理と；
前記第１の画像データが入力されると、前記ベルト型濃縮機の制御パラメータを推論する処理であって、前記制御パラメータは、前記被処理液に含まれる前記添加物の添加率と、前記無端ベルトの走行速度と、前記被処理液の前記無端ベルト上への供給量のうちの少なくとも１つで構成される、処理と；を実行するように構成される、
推論装置。
前記推論装置は、メモリと、少なくとも１つのプロセッサとを備え、
前記少なくとも１つのプロセッサは、
前記無端ベルト上を搬送される前記被処理液を所定画角から撮像した第１の画像データを取得する処理と；
前記第１の画像データが入力されると、前記ベルト型濃縮機の制御パラメータを推論する処理であって、前記制御パラメータは、前記被処理液に含まれる前記添加物の添加率と、前記無端ベルトの走行速度と、前記被処理液の前記無端ベルト上への供給量のうちの少なくとも１つで構成される、処理と；を実行するように構成される、
推論装置。
【請求項17】
複数のローラと、前記複数のローラに巻回された無端ベルトと、前記複数のローラのうちの少なくとも１つを駆動する駆動部と、を備え、前記無端ベルト上に所定の添加物を含む被処理液を供給して前記被処理液を濃縮するベルト型濃縮機のための、コンピュータを用いた機械学習方法であって、
前記無端ベルト上を搬送される前記被処理液を所定画角から撮像した第１の画像データを含む入力データと、前記入力データに対応付けられた前記ベルト型濃縮機の制御パラメータを含む出力データとで構成される学習用データセットを複数組記憶するステップであって、前記制御パラメータは、前記被処理液に含まれる前記添加物の添加率と、前記無端ベルトの走行速度と、前記被処理液の前記無端ベルト上への供給量のうちの少なくとも１つを含む、ステップと；
前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習するステップと；
学習された前記学習モデルを記憶するステップと；を備える、
機械学習方法。
前記無端ベルト上を搬送される前記被処理液を所定画角から撮像した第１の画像データを含む入力データと、前記入力データに対応付けられた前記ベルト型濃縮機の制御パラメータを含む出力データとで構成される学習用データセットを複数組記憶するステップであって、前記制御パラメータは、前記被処理液に含まれる前記添加物の添加率と、前記無端ベルトの走行速度と、前記被処理液の前記無端ベルト上への供給量のうちの少なくとも１つを含む、ステップと；
前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習するステップと；
学習された前記学習モデルを記憶するステップと；を備える、
機械学習方法。
【発明の詳細な説明】
【技術分野】
【0001】
本開示はベルト型濃縮機に適用可能な機械学習装置、データ処理システム、推論装置及び機械学習方法に関する。
【背景技術】
【0002】
上下水、産業排水、又はし尿等の処理施設において、透水性のベルトを用いて被処理液をろ過・濃縮するベルト型濃縮機が従来から用いられている（例えば、特許文献１参照）。このようなベルト型濃縮機の運転に際しては、例えば運転員（オペレータ）が濃縮前後の被処理液の状態を目視で確認することで、運転状態の手動調整が行われる。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１１－０２６８６５号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
上述のように、運転員が目視により手動で運転制御を行う場合、結果として得られる被処理液の濃縮結果は、当該手動調整を行う運転員の熟練度合いに大きく影響される。また、手動調整の度に運転員がベルト型濃縮機の側まで移動する、あるいはベルト型濃縮機の運転中はその近くに常駐する必要がある。
【0005】
上述した点に鑑み、本開示は、ベルト型濃縮機における動作制御を自動で行うことを可能とする、機械学習装置、データ処理システム、推論装置及び機械学習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に、本開示の第１の態様に係る機械学習装置は、複数のローラと、前記複数のローラに巻回された無端ベルトと、前記複数のローラのうちの少なくとも１つを駆動する駆動部と、を備え、前記無端ベルト上に所定の添加物を含む被処理液を供給して前記被処理液を濃縮するベルト型濃縮機のための機械学習装置であって、前記無端ベルト上を搬送される前記被処理液を所定画角から撮像した第１の画像データを含む入力データと、前記入力データに対応付けられた前記ベルト型濃縮機の制御パラメータを含む出力データとで構成される学習用データセットを複数組記憶する学習用データセット記憶ユニットであって、前記制御パラメータは、前記被処理液に含まれる前記添加物の添加率と、前記無端ベルトの走行速度と、前記被処理液の前記無端ベルト上への供給量のうちの少なくとも１つを含む、前記学習用データセット記憶ユニットと；前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習する学習ユニットと；前記学習ユニットによって学習された前記学習モデルを記憶する学習済モデル記憶ユニットと；を含むものである。
【0007】
このような機械学習装置によれば、ベルト型濃縮機の無端ベルト上の被処理液を撮像した第１の画像データから、ベルト型濃縮機を動作させるのに適した制御パラメータを推論可能な学習済モデルを提供することができるようになる。
【0008】
また、本開示の第２の態様に係る機械学習装置は、上記第１の態様に係る機械学習装置において、前記入力データは、前記無端ベルトで前記被処理液が濃縮されて得られた濃縮被処理液を所定画角から撮像した第２の画像データをさらに含む。
【0009】
このような機械学習装置によれば、無端ベルト上の被処理液を撮像した第１の画像データに加えて、濃縮処理液を撮像した第２の画像データから、ベルト型濃縮機を動作させるのに適した制御パラメータを推論可能な学習済モデルを提供することができるようになる。そして、第１の画像データのみから制御パラメータを推論する学習済モデルを学習する場合に比べて、学習に必要な学習用データセットの数を削減することが期待できる。
【0010】
また、本開示の第３の態様に係る機械学習装置は、上記第１又は第２の態様に係る機械学習装置において、前記入力データは、前記無端ベルト上に供給される前の前記被処理液を所定画角から撮像した第３の画像データをさらに含む。
【0011】
このような機械学習装置によれば、無端ベルト上の被処理液を撮像した第１の画像データに加えて、無端ベルト上に供給される前の被処理液を撮像した第３の画像データから、ベルト型濃縮機を動作させるのに適した制御パラメータを推論可能な学習済モデルを提供することができるようになる。そして、第１の画像データのみから制御パラメータを推論する学習済モデルを学習する場合に比べて、学習に必要な学習用データセットの数を削減することが期待できる。
【0012】
また、本開示の第４の態様に係る機械学習装置は、上記第１乃至第３の態様のいずれかに係る機械学習装置において、前記入力データは、前記添加物が添加される前の被処理液を所定画角から撮像した第４の画像データをさらに含む。
【0013】
このような機械学習装置によれば、無端ベルト上の被処理液を撮像した第１の画像データに加えて、添加物が添加される前の被処理液を撮像した第４の画像データから、ベルト型濃縮機を動作させるのに適した制御パラメータを推論可能な学習済モデルを提供することができるようになる。そして、第１の画像データのみから制御パラメータを推論する学習済モデルを学習する場合に比べて、学習に必要な学習用データセットの数を削減することが期待できる。
【0014】
また、本開示の第５の態様に係る機械学習装置は、上記第１乃至第４の態様のいずれかに係る機械学習装置において、前記入力データは、前記無端ベルトで分離された分離液を所定画角から撮像した第５の画像データをさらに含む。
【0015】
このような機械学習装置によれば、無端ベルト上の被処理液を撮像した第１の画像データに加えて、分離液を撮像した第５の画像データから、ベルト型濃縮機を動作させるのに適した制御パラメータを推論可能な学習済モデルを提供することができるようになる。そして、第１の画像データのみから制御パラメータを推論する学習済モデルを学習する場合に比べて、学習に必要な学習用データセットの数を削減することが期待できる。
【0016】
また、本開示の第６の態様に係る機械学習装置は、上記第１乃至第５の態様のいずれかに係る機械学習装置において、前記学習ユニットは、前記学習用データセット内の画像データを入力することで、前記画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニットと；前記画像データの特徴量を入力することで、前記制御パラメータを推論する第２の学習モデルを学習する第２の学習ユニットと；を含む。
【0017】
このような機械学習装置によれば、第１の画像データからベルト型濃縮機の制御パラメータを推測するに際し、学習ユニットを２つに分割することで、それぞれの学習ユニットにおいて生成される学習済モデルを得るために必要な学習用データセットの数を相対的に削減することが期待できる。
【0018】
また、本開示の第７の態様に係る機械学習装置は、上記第１乃至第５の態様のいずれかに係る機械学習装置において、前記入力データは、前記被処理液の濃度、前記無端ベルトで前記被処理液が濃縮されて得られた濃縮被処理液の濃度、及び前記無端ベルトで分離された分離液の濃度のうちの少なくとも１つからなる付加変数をさらに含む。
【0019】
このような機械学習装置によれば、学習用データセットを構成する入力データのデータ数が増えることで、学習ユニットにおいて生成される学習済モデルを得るために必要な学習用データセットの数を相対的に削減することが期待できる。
【0020】
また、本開示の第８の態様に係る機械学習装置は、上記第７の態様に係る機械学習装置において、前記学習ユニットは、前記学習用データセット内の画像データを入力することで、前記画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニットと；前記画像データの特徴量と、前記付加変数を入力することで、前記制御パラメータを推論する第３の学習モデルを学習する第３の学習ユニットと；を含む。
【0021】
このような機械学習装置によれば、第１の画像データからベルト型濃縮機の制御パラメータを推測するに際し、学習ユニットを２つに分割し、且つそのうちの一方の学習ユニットにおいて学習される学習用データセットの入力データのデータ数が増えることで、それぞれの学習ユニットにおいて生成される学習済モデルを得るために必要な学習用データセットの数をさらに相対的に削減することが期待できる。
【0022】
また、本開示の第９の態様に係る機械学習装置は、上記第１乃至第８の態様のいずれかに係る機械学習装置において、前記ベルト型濃縮機は、前記無端ベルト上の搬送面に当接して前記無端ベルト上を搬送される前記被処理液の濃縮作用を補助する複数の濃縮補助部材をさらに含み、前記制御パラメータは、前記濃縮補助部材の数と、前記濃縮補助部材の前記搬送面への当接位置のうちの少なくとも１つをさらに含む。
【0023】
このような機械学習装置によれば、学習済モデルによって、濃縮補助部材の数と、濃縮補助部材の搬送面への当接位置のうちの少なくとも１つをさらに推論することが可能となり、ベルト型濃縮機の調整をより細やかに行うことができるようになる。
【0024】
また、本開示の第１０の態様に係る機械学習装置は、上記第１乃至第９の態様のいずれかに係る機械学習装置において、前記ベルト型濃縮機は、前記添加物を含まない被処理液に前記添加物を混合するための混合弁をさらに含み、前記制御パラメータは、前記混合弁の弁開度をさらに含む。
【0025】
このような機械学習装置によれば、学習済モデルによって、混合弁の弁開度をさらに推論することが可能となり、ベルト型濃縮機の調整をより細やかに行うことができるようになる。
【0026】
また、本開示の第１１の態様に係る機械学習装置は、上記第１乃至第１０の態様のいずれかに係る機械学習装置において、前記ベルト型濃縮機は、前記無端ベルトの搬送面の下流側位置に、その一辺が当接するように設けられた傾斜板をさらに含み、前記制御パラメータは、前記傾斜板の傾斜角度をさらに含む。
【0027】
このような機械学習装置によれば、学習済モデルによって、傾斜板の傾斜角度をさらに推論することが可能となり、ベルト型濃縮機の調整をより細やかに行うことができるようになる。
【0028】
また、本開示の第１２の態様に係る機械学習装置は、上記第１乃至第１１の態様のいずれかに係る機械学習装置において、前記ベルト型濃縮機は、前記無端ベルトを洗浄するために前記無端ベルトに洗浄水を供給する洗浄ノズルをさらに含み、前記制御パラメータは、前記洗浄ノズルから供給される前記洗浄水の供給圧力をさらに含む。
【0029】
このような機械学習装置によれば、学習済モデルによって、洗浄水の供給圧力をさらに推論することが可能となり、ベルト型濃縮機の調整をより細やかに行うことができるようになる。
【0030】
また、本開示の第１３の態様に係る機械学習装置は、上記第１乃至第１２の態様のいずれかに係る機械学習装置において、前記ベルト型濃縮機は、前記無端ベルト上の搬送面に当接して前記無端ベルト上を搬送される前記被処理液の濃縮作用を補助する複数の濃縮補助部材をさらに含み、前記第１の画像データは、前記複数の濃縮補助部材のうち、前記無端ベルト上の前記被処理液の搬送方向における最も上流側に位置するものよりも下流側を搬送される前記被処理液を所定画角から撮像したものである。
【0031】
このような機械学習装置によれば、第１の画像データとして、濃縮補助部材の作用によって濃縮動作が促進された後の被処理液の状態を含むように撮像を行うことで、学習によって得られた学習済モデルの推論精度を高くすることができる。
【0032】
また、本開示の第１４の態様に係るデータ処理システムは、複数のローラと、前記複数のローラに巻回された無端ベルトと、前記複数のローラのうちの少なくとも１つを駆動する駆動部と、を含み、前記無端ベルト上に所定の添加物を含む被処理液を供給して前記被処理液を濃縮するベルト型濃縮機に用いられるものであって、前記無端ベルト上を搬送される前記被処理液を所定画角から撮像した第１の画像データを少なくとも含む画像データを取得するための画像データ取得ユニットと；前記請求項１乃至請求項１３のいずれか１項に記載の機械学習装置によって生成された学習済モデルに、前記画像データ取得ユニットが取得した画像データを入力することで、前記ベルト型濃縮機の制御パラメータを推論する推論ユニットと；を含むものである。
【0033】
このようなデータ処理システムによれば、ベルト型濃縮機の無端ベルト上の被処理液を撮像した第１の画像データからベルト型濃縮機を動作させるのに適した制御パラメータを推論可能なデータ処理システムを提供できる。
【0034】
また、本開示の第１５の態様に係るデータ処理システムは、上記第１４の態様に係るデータ処理システムにおいて、前記被処理液の濃度、前記無端ベルトで前記被処理液が濃縮されて得られた濃縮被処理液の濃度、及び前記無端ベルトで分離された分離液の濃度のうちの少なくとも１つからなる付加変数を取得するための付加変数取得ユニットをさらに含み、前記推論ユニットは、前記学習済モデルに、前記画像データに加えて前記付加変数を入力することで、前記ベルト型濃縮機の制御パラメータを推論する。
【0035】
このようなデータ処理システムによれば、ベルト型濃縮機の無端ベルト上の被処理液を撮像した第１の画像データとベルト型濃縮機の付加変数とからベルト型濃縮機を動作させるのに適した制御パラメータを推論可能なデータ処理システムを提供できる。
【0036】
また、本開示の第１６の態様に係る推論装置は、複数のローラと、前記複数のローラに巻回された無端ベルトと、前記複数のローラのうちの少なくとも１つを駆動する駆動部と、を備え、前記無端ベルト上に所定の添加物を含む被処理液を供給して前記被処理液を濃縮するベルト型濃縮機に用いられるものであって、メモリと、少なくとも１つのプロセッサとを備え、前記少なくとも１つのプロセッサは、前記無端ベルト上を搬送される前記被処理液を所定画角から撮像した第１の画像データを取得する処理と；前記第１の画像データが入力されると、前記ベルト型濃縮機の制御パラメータを推論する処理であって、前記制御パラメータは、前記被処理液に含まれる前記添加物の添加率と、前記無端ベルトの走行速度と、前記被処理液の前記無端ベルト上への供給量のうちの少なくとも１つで構成される、処理と；を実行するように構成されるものである。
【0037】
このような推論装置によれば、ベルト型濃縮機の無端ベルト上の被処理液を撮像した第１の画像データからベルト型濃縮機を動作させるのに適した制御パラメータを推論可能な推論装置を提供できる。
【0038】
また、本開示の第１６の態様に係る機械学習方法は、複数のローラと、前記複数のローラに巻回された無端ベルトと、前記複数のローラのうちの少なくとも１つを駆動する駆動部と、を備え、前記無端ベルト上に所定の添加物を含む被処理液を供給して前記被処理液を濃縮するベルト型濃縮機のための、コンピュータを用いたものであって、前記無端ベルト上を搬送される前記被処理液を所定画角から撮像した第１の画像データを含む入力データと、前記入力データに対応付けられた前記ベルト型濃縮機の制御パラメータを含む出力データとで構成される学習用データセットを複数組記憶するステップであって、前記制御パラメータは、前記被処理液に含まれる前記添加物の添加率と、前記無端ベルトの走行速度と、前記被処理液の前記無端ベルト上への供給量のうちの少なくとも１つを含む、ステップと；前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習するステップと；学習された前記学習モデルを記憶するステップと；を含むものである。
【0039】
このような機械学習方法によれば、ベルト型濃縮機の無端ベルト上の被処理液を撮像した第１の画像データから、ベルト型濃縮機を動作させるのに適した制御パラメータを推論可能な学習済モデルを提供することができるようになる。
【発明の効果】
【0040】
本開示によれば、ベルト型濃縮機における動作制御の少なくとも一部を自動で行うことを可能とする、機械学習装置、データ処理システム、推論装置及び機械学習方法を提供することができるようになる。
【図面の簡単な説明】
【0041】
【図1】本開示の第１の実施の形態に関連するベルト型濃縮機の一例を示す概略構造図である。
【図4】本開示の第１の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。
【図5】本開示の第１の実施の形態に係る機械学習装置において実施される教師あり学習のためのニューラルネットワークモデルの一例を示す図である。
【図6】本開示の第１の実施の形態に係る機械学習方法の一例を示すフローチャートである。
【図7】本開示の第１の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。
【図8】本開示の第１の変形例に係る機械学習装置の一例を示す概略ブロック図である。
【図9】本開示の第１の変形例に係るデータ処理システムの一例を示す概略ブロック図である。
【図10】本開示の第２の変形例に係る機械学習装置の一例を示す概略ブロック図である。
【図11】本開示の第２の変形例に係るデータ処理システムの一例を示す概略ブロック図である。
【図12】本開示の第３の変形例に係る機械学習装置の一例を示す概略ブロック図である。
【図13】本開示の第３の変形例に係るデータ処理システムの一例を示す概略ブロック図である。
【図14】本開示の第４の変形例に係るベルト型濃縮機における無端ベルトの上面の一部の構成の一例を示した概略説明図である。
【図15】本開示の第５の変形例に係るベルト型濃縮機における混合弁の一例を示した要部説明図である。
【図16】本開示の第６の変形例に係るベルト型濃縮機における無端ベルトの上面側部分の構成の一例を示した概略説明図である。
【図17】本開示の第２の実施の形態に関連するベルト型濃縮機の一例を示す概略構造図である。
【図19】本開示の第２の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。
【図20】本開示の第２の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。
【図21】本開示の第３の実施の形態に関連するベルト型濃縮機の一例を示す概略構造図である。
【図23】本開示の第３の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。
【図24】本開示の第３の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。
【図25】本開示の第４の実施の形態に関連するベルト型濃縮機の一例を示す概略構造図である。
【図26】本開示の第４の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。
【図27】本開示の第４の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。
【図28】本開示の第５の実施の形態に関連するベルト型濃縮機の一例を示す概略構造図である。
【図29】本開示の第５の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。
【図30】本開示の第５の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。
【発明を実施するための形態】
【0042】
以下、図面を参照して本発明を実施するための一乃至複数の実施の形態について説明する。なお、以下では本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。
【0043】
＜第１の実施の形態＞
本開示の第１の実施の形態に係る機械学習装置等を説明する前に、当該機械学習装置等に関連するベルト型濃縮機について簡単に説明する。本実施の形態に係る機械学習装置、データ処理システム、推論装置及び機械学習方法は、以下に示すような、固形物を含む被処理液の固形成分の濃縮に用いられるベルト型濃縮機に適用可能なものである。ただし、本開示に係るベルト型濃縮機は、以下に説明する構造に限定されるものではない。
本開示の第１の実施の形態に係る機械学習装置等を説明する前に、当該機械学習装置等に関連するベルト型濃縮機について簡単に説明する。本実施の形態に係る機械学習装置、データ処理システム、推論装置及び機械学習方法は、以下に示すような、固形物を含む被処理液の固形成分の濃縮に用いられるベルト型濃縮機に適用可能なものである。ただし、本開示に係るベルト型濃縮機は、以下に説明する構造に限定されるものではない。
【0044】
図１は、本開示の第１の実施の形態に関連するベルト型濃縮機の一例を示す概略構造図である。本実施の形態に係るデータ処理システム等が適用されるベルト型濃縮機１は、図１に示すように、固形物を含む被処理液としての供給汚泥ＳＬ０の固形成分を濃縮して、濃縮被処理液としての濃縮汚泥ＳＬ２を得ることができるものとすることができる。このベルト型濃縮機１としては、図１に示すように、複数のローラ３、４と、無端ベルト５と、駆動部６と、を少なくとも含む。加えて、このベルト型濃縮機１は、上述した複数のローラ３、４等の少なくとも一部を収容するための本体ケース２を更に含むことができる。なお、本実施の形態においてはベルト型濃縮機１として供給汚泥ＳＬ０の濃縮を行うものを例示しているが、濃縮対象となる被処理液は汚泥に限定されるものではなく、他の流体であってもよい。
【0045】
本体ケース２は、複数のローラ３、４及び無端ベルト５の少なくとも一部をその内部に収容し、水平面に沿った一方向（図１中のＹ方向）に長尺な筐体とすることができる。本体ケース２には、図示は省略するがその内部を視認するための窓やメンテナンスのための扉等が設けられていてよい。
【0046】
複数のローラ３、４は、所定の径を有し、本体ケース２内に回転自在に設けられたものであってよい。この複数のローラとして、本実施の形態においては実質的に同一径の２個のローラ３、４が採用されており、この２個のローラ３、４は、本体ケース２の長手方向両端部に隣接する位置にそれぞれ配設されている。
【0047】
無端ベルト５は、透水性を有する樹脂材料（例えばポリエステル）で構成された所定の幅を有する環状の帯状部材で構成することができる。また、この無端ベルト５は、２個のローラ３、４に巻回されて、これらのローラ３、４の回転に追随して動作するものであってよい、ローラ３、４に巻回された無端ベルト５は、本体ケース２の長手方向に沿って長尺となるように支持され、そのうちの上側に位置するベルト面（以下、この部分を「上面」あるいは「搬送面」という）が、後述する凝集汚泥ＳＬ１が供給される面を構成する。この無端ベルト５は透水性を有しているため、無端ベルト５の上面に凝集汚泥ＳＬ１が供給されると、凝集汚泥ＳＬ１に含まれる液体成分はこの無端ベルト５を透過可能である。したがって、無端ベルト５上に供給された凝集汚泥ＳＬ１は、無端ベルト５上を搬送される際、内部の液体成分が無端ベルト５によってろ過されることで、無端ベルト５上に残った凝集汚泥ＳＬ１中の固形成分が濃縮（重力濃縮）される。
【0048】
駆動部６は、無端ベルト５を動作させるためのモータ等からなる駆動機構であってよい。本実施の形態においては、この駆動部６は凝集汚泥ＳＬ１の搬送方向下流側に位置する一のローラ４に連結されて、このローラ４を回転駆動することにより、無端ベルト５を任意の走行速度で動作させ得る。無端ベルト５の走行速度は、無端ベルト５のろ材としての機能等によって調整されるものであるが、例えば８～４０ｍ／ｍｉｎの速度で走行させるとよい。上記の構造により、本実施の形態においては、一方のローラ４は駆動ローラとして機能し、他方のローラ３は従動ローラとして機能する。なお、駆動部６の具体的な構成や取付構造については上述の例に示すものに限定されない。
【0049】
本実施の形態に係るベルト型濃縮機１は、上述した構成に加えて、無端ベルト５上に凝集汚泥ＳＬ１を供給するための供給部１０と、濃縮汚泥ＳＬ２を本体ケース２外に排出する濃縮汚泥排出部２０と、無端ベルト５により分離（ろ過）された分離液としてのろ液ＦＩを本体ケース２外に排出するろ液排出部３０とをさらに含むことができる。
【0050】
供給部１０は、供給汚泥ＳＬ０に添加物としての薬剤が添加されることで、供給汚泥ＳＬ０に含まれる固形物が凝集された凝集汚泥ＳＬ１を無端ベルト５上に供給するための部材であってよい。この供給部１０は、供給汚泥供給源１１と、薬剤供給源１２と、供給汚泥用ポンプ１３と、薬剤用ポンプ１４と、供給汚泥用配管１５と、薬剤用配管１６と、混合弁１７と、凝集槽１８と、汚泥投入シュート１９とを含むことができる。
【0051】
供給部１０の上記構成のうち、供給汚泥供給源１１と供給汚泥用ポンプ１３と供給汚泥用配管１５により、ベルト型濃縮機１の処理対象物である供給汚泥ＳＬ０の混合弁１７への供給が実現できる。同様に、供給部１０の上記構成のうち、薬剤供給源１２と薬剤用ポンプ１４と薬剤用配管１６により、供給汚泥ＳＬ０に添加される薬剤の混合弁１７への供給が実現できる。ここで、供給汚泥ＳＬ０とは、例えば液体中に固形物成分を含有するスラリー（懸濁液）であってよい。また、薬液とは、例えばスラリーに投与することでスラリー中に含まれる固形成分をフロック状に変化させる凝集剤、特に高分子凝集剤又は無機凝集剤であってよい。
【0052】
混合弁１７は、供給汚泥用配管１５と薬剤用配管１６とが接続され、両配管を介して供給された供給汚泥ＳＬ０と薬剤とを混合させるものであってよい。凝集槽１８は、混合弁１７から供給された供給汚泥ＳＬ０と薬剤との混合流体を一時的に滞留させることで、薬剤の作用による供給汚泥ＳＬ０内の固形成分のフロック凝集を促進させ得る槽であってよい。また、この凝集槽１８は、混合弁１７に接続された流入口１８１と汚泥投入シュート１９に連結された流出口１８２と、流出口１８２と混合弁１７とを連結する連結管１８３とをさらに含むことができる。汚泥投入シュート１９は、凝集槽１８の流出口１８２と無端ベルト５とを繋ぐように配置され、無端ベルト５の上面に沿って延び且つ緩やかに下降するように高さ方向（図１中のＺ方向）に対して傾斜した板体で構成できる。供給汚泥ＳＬ０は、混合弁１７と凝集槽１８を通過することにより、固形成分が凝集された凝集汚泥ＳＬ１として、汚泥投入シュート１９を介して無端ベルト５上に供給されることとなる。
【0053】
濃縮汚泥排出部２０は、凝集汚泥ＳＬ１が無端ベルト５上を搬送されることにより重力濃縮されることで得られる濃縮汚泥ＳＬ２を、ベルト型濃縮機１外に排出するための構成であってよい。この濃縮汚泥排出部２０は、無端ベルト５の下流側端部から落下する濃縮汚泥ＳＬ２を受ける濃縮汚泥受け部２１と、この濃縮汚泥受け部２１の底部に設けられ濃縮汚泥ＳＬ２を本体ケース２外に排出する濃縮汚泥排出口２２と、濃縮汚泥排出口２２に接続されて濃縮汚泥ＳＬ２を所望の位置に搬送する濃縮汚泥用配管２３と、自重等により無端ベルト５から分離・落下せず、無端ベルト５の表面に付着した濃縮汚泥ＳＬ２を無端ベルト５から物理的に分離するためのスクレーパ２４とを少なくとも含むことができる。濃縮汚泥用配管２３を介して搬送される濃縮汚泥ＳＬ２は、例えば他の脱水設備や焼却設備等に搬送されてよい。
【0054】
ろ液排出部３０は、無端ベルト５上の凝集汚泥ＳＬ１からろ過されて分離された液体成分を含むろ液ＦＩを、ベルト型濃縮機１外に排出するための構成であってよい。このろ液排出部３０は、無端ベルト５の上面でろ過されたろ液ＦＩを受けるろ液受け部３１と、このろ液受け部３１の底部に設けられたろ液ＦＩを本体ケース２外に排出するろ液排出口３２と、ろ液排出口３２に接続されたろ液用配管３３と、ろ液用配管３３内を搬送されたろ液ＦＩを貯留するろ液貯留槽３４とを少なくとも含むことができる。なお、ろ液貯留槽３４に一時的に貯留されたろ液ＦＩは、後に浄水設備等に搬送されるとよい。
【0055】
また、本実施の形態に係るベルト型濃縮機１は、その動作を制御するために、複数の制御ユニットを含むことができる。具体的には、薬剤用ポンプ１４を制御して供給汚泥ＳＬ０に対する薬剤の供給量を制御する第１の制御ユニット４１と、駆動部６を制御してローラ４の回転数を可変することにより、無端ベルト５の走行速度を制御する第２の制御ユニット４２と、供給汚泥用ポンプ１３を制御して供給汚泥ＳＬ０の供給量、ひいては凝集汚泥ＳＬ１の無端ベルト５上への供給量を制御する第３の制御ユニット４３とを少なくとも含むことができる。これら第１乃至第３の制御ユニット４１～４３は、それぞれ単独で、あるいはこれらの制御ユニットを含むメインコントロールユニットＭＣ（図４等参照）からの指示等に基づいて、対応する構成要素（アクチュエータ）の制御を実行することができる。なお、メインコントロールユニットＭＣとは、ベルト型濃縮機１内の各種センサ及びアクチュエータに接続されて、ベルト型濃縮機１の一連の制御を一元管理するものであってよく、本実施の形態においては上述した制御ユニット４１～４３や後述する監視システムＭ１０等をその内部に含んでいるものを例示している。また、このメインコントロールユニットＭＣは、データを格納するための図示しないデータベースや、運転員による入力動作等を実現するためのＧＵＩ（グラフィカルユーザインタフェース）を含むことができる。本実施の形態においては、理解を容易にするために、制御対象ごとに上述した複数の制御ユニット４１～４３を設けたものを例示しているが、ベルト型濃縮機１における全ての制御をメインコントロールユニットＭＣによって実現することも可能である。なお、以下においては、第１の制御ユニット４１により制御される、供給汚泥ＳＬ０と薬剤とが混合してなる凝集汚泥ＳＬ１に含まれる薬剤の供給量の割合（添加率）を「凝集汚泥ＳＬ１の薬注率」ともいう。
【0056】
以上の構成を含むベルト型濃縮機１による汚泥濃縮処理は、概ね以下の通りに実行される。先ず、供給汚泥用ポンプ１３を動作させて供給汚泥ＳＬ０の凝集槽１８への供給を開始すると共に、薬剤用ポンプ１４を動作させて供給汚泥ＳＬ０への薬剤の添加を開始する。薬剤が添加された供給汚泥ＳＬ０は、混合弁１７を通過するタイミング及び凝集槽１８内に貯留されたタイミングでその固形成分がフロック状に凝集され、凝集汚泥ＳＬ１となる。この凝集汚泥ＳＬ１は、凝集槽１８の流出口１８２から汚泥投入シュート１９を介して無端ベルト５上に供給され、無端ベルト５上にて、重力濃縮が開始される。凝集汚泥ＳＬ１は、無端ベルト５上を搬送されつつ重力濃縮が進行することで、凝集汚泥ＳＬ１中の液体成分であるろ液ＦＩがろ過・分離され、無端ベルト５上に残った凝集汚泥ＳＬ１の固形成分が濃縮汚泥ＳＬ２となる。このようにして得られた濃縮汚泥ＳＬ２は無端ベルト５の下流端から濃縮汚泥排出部２０へ、また、分離されたろ液ＦＩは無端ベルト５を透過してろ液排出部３０へ、それぞれ送られる。濃縮汚泥排出部２０に排出される濃縮汚泥ＳＬ２は、例えば供給汚泥ＳＬ０の濃度が０．６～０．８％である場合、その濃度が４％程度までろ過・濃縮可能なものであるとよい。
【0057】
＜機械学習装置＞
上述の汚泥濃縮処理は、供給汚泥ＳＬ０の状態や周囲環境、ベルト型濃縮機の能力等に合わせてベルト型濃縮機１の各種制御パラメータを調整することで、望ましい濃縮処理を実現することができる。上述したベルト型濃縮機１において、上記調整の対象となる制御パラメータは、少なくとも各制御ユニット４１～４３が制御するもの、すなわち、凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量（あるいは供給速度）の３つを挙げることができる。そこで、以下には、この制御パラメータを運転員の判断等に依存することなく自動的に推定することを可能とする推論モデル（学習済モデル）を学習することができる、本実施の形態に係る機械学習装置１００について説明する。なお、本実施の形態においては、推定する制御パラメータとして、凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量の３つを採用しているものを例示するが、本開示はこれに限定されるものではない。具体的には、上記３つの制御パラメータのうち少なくとも１つを含んでいればよく、例えば、制御パラメータを無端ベルト５の走行速度のみとしたり、無端ベルト５の走行速度と凝集汚泥ＳＬ１の供給量の２つとしたり、あるいは、上記３つの制御パラメータ以外の他の制御パラメータを追加したりすることもできる。
上述の汚泥濃縮処理は、供給汚泥ＳＬ０の状態や周囲環境、ベルト型濃縮機の能力等に合わせてベルト型濃縮機１の各種制御パラメータを調整することで、望ましい濃縮処理を実現することができる。上述したベルト型濃縮機１において、上記調整の対象となる制御パラメータは、少なくとも各制御ユニット４１～４３が制御するもの、すなわち、凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量（あるいは供給速度）の３つを挙げることができる。そこで、以下には、この制御パラメータを運転員の判断等に依存することなく自動的に推定することを可能とする推論モデル（学習済モデル）を学習することができる、本実施の形態に係る機械学習装置１００について説明する。なお、本実施の形態においては、推定する制御パラメータとして、凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量の３つを採用しているものを例示するが、本開示はこれに限定されるものではない。具体的には、上記３つの制御パラメータのうち少なくとも１つを含んでいればよく、例えば、制御パラメータを無端ベルト５の走行速度のみとしたり、無端ベルト５の走行速度と凝集汚泥ＳＬ１の供給量の２つとしたり、あるいは、上記３つの制御パラメータ以外の他の制御パラメータを追加したりすることもできる。
【0058】
本実施の形態に係る機械学習装置１００の詳細を説明する前に、この機械学習装置１００において用いられる学習用データセットの一部としての第１の画像データを取得するための手段について説明する。本実施の形態に係るベルト型濃縮機１は、図１に示すように、無端ベルト５の上面を搬送される凝集汚泥ＳＬ１の濃縮状態を監視するための第１の監視システムＭ１０を含むことができる。また、これに関連して、本実施の形態に係るベルト型濃縮機１は、オプションとして、無端ベルト５の上面に当接して無端ベルト５上を搬送される凝集汚泥ＳＬ１の濃縮作用を補助する複数の濃縮補助部材としてのプロー（鋤）５０を含むことができる。なお、図１においては、プロー５０を凝集汚泥ＳＬ１の搬送方向に沿って等間隔に３個配置した例が示されている。
【0059】
図２は、図１に示すベルト型濃縮機の無端ベルトの上面部分の一例を拡大して示した概略説明図であって、図２（Ａ）は概略正面図であり、図２（Ｂ）は概略平面図であり、図２（Ｃ）は無端ベルト５上を凝集汚泥ＳＬ１が搬送される状態を示した説明図である。なお、図２（Ｃ）においては、凝集汚泥ＳＬ１の搬送状態を理解しやすくするために、各プロー５０－１～５０－５に含まれる、プロー本体５１以外の構成の図示を省略している。第１の監視システムＭ１０は、図１及び図２に示すように、本体ケース２の天面部分に取り付けられ、その撮像面が無端ベルト５の上面に向くように配設された撮像手段、詳しくは第１のカメラＭ１１を主に含むことができる。第１のカメラＭ１１は、少なくとも二次元画像を撮像可能な周知のカメラで構成することができる。そして、ベルト型濃縮機１の駆動時にこの第１のカメラＭ１１を動作させることにより、無端ベルト５の上面を搬送される凝集汚泥ＳＬ１の画像を含む第１の画像データを取得することができる。なお、第１のカメラＭ１１の画角としては、無端ベルト５の上面が撮像可能な範囲内で適宜調整可能であるが、例えば無端ベルト上の搬送面に対して実質的に直角に設定することができる。
【0060】
また、プロー５０は、例えば図２に示すように、ベルト型濃縮機１の無端ベルト５の上面に、無端ベルト５の搬送方向（Ｙ方向）に沿って所定間隔を空けて５個（なお、図２においては、これらのプローを５０－１～５０－５として区別して示している）配置することができる。各プロー５０－１～５０－５は、図２（Ａ）に示すように、複数個のプロー本体５１と、プロー本体５１を支持する支持アーム５２と、プロー本体５１と支持アーム５２とを連結する連結部材５３とを含むことができる。
【0061】
プロー本体５１は、無端ベルト５の上面（搬送面）に上方から当接し、無端ベルト５上を搬送される凝集汚泥ＳＬ１を掻き分ける（あるいは鋤く）ように機能する部材であって良い。このプロー本体５１は、矩形状の板体の一辺を略垂直に連結してなる平面視Ｌ字状の部材で構成することができる。このプロー本体５１は、その屈曲点の外側が無端ベルト５の搬送方向上流側に向くように、その高さ方向（Ｚ方向）における下端を無端ベルト５上面に当接させて配設されている。図２に示す例においては、搬送方向上流側から見て奇数番目のプロー５０－１、５０－３及び５０－５には、プロー本体５１が無端ベルト５の幅方向に沿って所定間隔を空けて３つ設けられ、搬送方向上流側から見て偶数番目のプロー５０－２及び５０－４には、プロー本体５１の幅方向に沿って所定間隔を空けて２つ設けられたものが例示されている。また、無端ベルト５の幅方向端部には、無端ベルト５上を搬送される凝集汚泥ＳＬ１の落下を防止するための側壁５５が設けられているとよい。
【0062】
図３は、図１に示すベルト型濃縮機の作動時における、無端ベルトの上面部分を撮像した画像である。各プロー本体５１は、図２（Ｂ）に示すように、無端ベルト５の幅方向（Ｘ方向）のみならず、搬送方向に沿って隣接する他のプロー本体５１に対して、所定の間隔を空けて配設されている。加えて、この各プロー本体５１は、搬送方向に沿って隣接する他のプロー本体５１に対し無端ベルト５の幅方向における位置がずらされていることは、特に留意すべき事項である。このように隣接するプロー５０－１～５０－５に含まれるプロー本体５１の位置が幅方向に対してずらされていることにより、無端ベルト５上を搬送される凝集汚泥ＳＬ１は、図２（Ｃ）及び図３に示すように、その搬送が進むにつれてプロー本体５１により複数回掻き分けられることになる。そして、無端ベルト５上を搬送される凝集汚泥ＳＬ１は、このプロー本体５１に掻き分けられる度に高さ方向（Ｚ方向に）に高く積み重なるように移動されつつ搬送されることとなり、重力濃縮が補助され促進され得る。
【0063】
支持アーム５２は、無端ベルト５の幅方向に沿って、無端ベルト５を横切るように延在する棒状の部材であってよい。この支持アーム５２の端部は本体ケース２に支持されているとよい。また連結部材５３は、一端部が支持アーム５２に取り付けられることでプロー本体５１を無端ベルト５に当接した状態で支持することができるものであってよい。上述した支持アーム５２は、無端ベルト５の搬送方向（Ｙ方向）に対して移動可能な構造を有していると好ましい。また、連結部材５３は、支持アーム５２に対して着脱可能、あるいは支持アーム５２を軸に回動可能な構成を有していると好ましい。
【0064】
上述したプロー５０を含むベルト型濃縮機１の第１のカメラＭ１１においては、その撮像領域ＩＡが、図２（Ｂ）に示すように、無端ベルト５の搬送方向における最も上流側に位置するプロー５０－１よりも搬送方向下流側を搬送される凝集汚泥ＳＬ１を少なくとも撮像するように、その配置及び画角が調整されることが好ましい。このように第１のカメラＭ１１の撮像領域ＩＡ内に、プロー５０－１よりも下流側の領域が含まれることにより、プロー本体５１によって掻き分けられた後の凝集汚泥ＳＬ１の状態を撮像することができる。ここで、上述したようなベルト型濃縮機１において、無端ベルト５上を搬送される凝集汚泥ＳＬ１の濃縮動作が良好に行われている場合は、図３（Ａ）及び図２（Ｃ）に示したもののように、プロー本体５１による掻き分け動作が円滑に行われる。この場合、プロー本体５１の無端ベルト５の搬送方向における下流側には、図２（Ｃ）に示すような、凝集汚泥ＳＬ１の実質的に存在せず、無端ベルト５の表面が露出した領域Ａが無端ベルト５の搬送方向に沿って延在するように形成される傾向がある。他方、凝集汚泥ＳＬ１の濃縮動作が不良である場合には、図３（Ｂ）に示したもののように、上述した領域Ａが相対的に小さいあるいはほとんど形成されない傾向がある。これは、プロー本体５１によって掻き分けられた後の凝集汚泥ＳＬ１の水分量が多く流動性が高いために、領域Ａ部分に流入すること等に起因して生じる。したがって、第１のカメラＭ１１の撮像領域ＩＡを上述のように設定することで、第１のカメラＭ１１が撮像する第１の画像データには、上述した領域Ａの生成状態に関する情報を含めることができる。なお、上述した通り、プロー５０は本実施の形態に関連するベルト型濃縮機１の必須の構成ではない。本実施の形態に係るベルト型濃縮機１がプロー５０を有しないものであった場合には、第１のカメラＭ１１による撮像領域ＩＡは、無端ベルト５上を搬送される凝集汚泥ＳＬ１を含む領域であれば任意の領域に調整することができる。
【0065】
図４は、本開示の第１の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。本実施の形態に係る機械学習装置１００は、図４に示すように、学習用データセット取得ユニット１０１と、学習用データセット記憶ユニット１０２と、学習ユニット１０３と、学習済モデル記憶ユニット１０４とを含むことができる。なお、図４においては、その理解を容易にするために、メインコントロールユニットＭＣと第１の監視システムＭ１０とを別々に図示したものを例示しているが、第１の監視システムＭ１０はその少なくとも一部がメインコントロールユニットＭＣ内に含まれていてもよい。
【0066】
学習用データセット取得ユニット１０１は、例えば有線又は無線の通信回線を介して接続されたコンピュータＰＣ１から学習（トレーニング）用データセットを構成する複数のデータを取得可能なインタフェースユニットであってよい。コンピュータＰＣ１は、例えば上述したベルト型濃縮機１のメインコントロールユニットＭＣの一部を構成するコンピュータ、あるいは当該メインコントロールユニットＭＣに通信可能に接続されたコンピュータであってよい。なお、本実施の形態に係るコンピュータＰＣ１としては、図４に示すように、メインコントロールユニットＭＣに通信可能に接続されたものを例示している。また、このコンピュータＰＣ１は、ベルト型濃縮機１の種々の情報を取得可能なものであってよい。そのために、コンピュータＰＣ１、ベルト型濃縮機１のメインコントロールユニットＭＣに加えて、第１の監視システムＭ１０にも通信可能に接続されているとよい。このコンピュータＰＣ１は、プロセッサやメモリ、通信インタフェース等を備えた周知のコンピュータで構成することができる。
【0067】
学習用データセット取得ユニット１０１で取得されたデータで構成される学習用データセットとは、入力データとして、第１の監視システムＭ１０によって撮像された第１の画像データを含み、出力データ（以下、「教師データ」ともいう）として、ベルト型濃縮機１の上述した３つの制御パラメータ、具体的には凝集汚泥ＳＬ１の薬注率、無端ベルト５の走行速度及び凝集汚泥ＳＬ１の無端ベルト５上への供給量を含むものであってよい。
【0068】
学習用データセット記憶ユニット１０２は、学習用データセット取得ユニット１０１で取得した学習用データセットを構成する複数のデータを、関連する入力データと出力データとを関連付けて１つの学習用データセットとし格納することが可能な、揮発性あるいは不揮発性の記録媒体で構成することができる。なお、本実施の形態においては、機械学習装置１００内で入力データと出力データとを関連付けて学習用データセットとするものを例示したが、当該関連付けは例えばコンピュータＰＣ１により事前に行われていてもよい。また、この学習用データセット記憶ユニット１０２を構成する記録媒体の具体的な構成については適宜調整することができる。例えば、図４においては、説明の都合上、この学習用データセット記憶ユニット１０２と後述する学習済モデル記憶ユニット１０４とを別々の記憶手段として示しているが、これらは単一の記憶媒体（ＲＡＭやＲＯＭ等の各種メモリや、データベース等）によって構成することもできる。
【0069】
学習ユニット１０３は、学習用データセット記憶ユニット１０２に記憶された複数の学習用データセットを用いて機械学習（例えば深層学習）を実行し、学習済モデルを生成するものである。本実施の形態においては、後に詳しく説示するように、機械学習の具体的な手法としてニューラルネットワークを用いた教師あり学習を採用している。ただし、機械学習の具体的な手法については、これに限定されるものではなく、入出力の相関関係を学習用データセットから学習することができるものであれば他の学習手法を採用することも可能である。例えば、アンサンブル学習（ランダムフォレスト、ブースティング等）を用いることもできる。
【0070】
学習済モデル記憶ユニット１０４は、学習ユニット１０３で生成された学習済モデルを記憶するための記録媒体で構成することができる。この学習済モデル記憶ユニット１０４に記憶された学習済モデルは、要求に応じて、インターネットを含む通信回線や記憶媒体を介して実システムへ適用される。実システム（データ処理システムや推論装置）に対する学習済モデルの具体的な適用態様については、後に詳述する。
【0071】
ところで、学習用データセット記憶ユニット１０２に格納される学習用データセットは、上述したように、１つの画像データと、この１つの画像データに対応する１乃至複数の制御パラメータとで構成されている。他方、学習ユニット１０３において１つの学習済モデルを生成するためには、多くの学習用データセット（例えば数千～数万セット）を用いて学習を行う必要があるのが通常である。そこで、多量の学習用データセットを比較的短時間で準備するために、この学習用データセット記憶ユニット１０２において、データオーギュメンテーション（ｄａｔａ ａｕｇｍｅｎｔａｔｉｏｎ）を実施することが好ましい。このデータオーギュメンテーションの具体的な方法としては、例えば、第１の監視システムＭ１０で取得された１つの矩形の原画像データから、当該原画像データよりも小さな正方形の部分画像データをランダムにａ個（例えば１００個）抽出し、抽出されたａ個の部分画像データそれぞれと原画像データに対応付けられた制御パラメータとを関連付けることで、ａ個の学習用データセットを取得するものであってよい。
【0072】
また、本実施の形態に係るベルト型濃縮機１において学習用データセットを準備する際には、教師データとなる最適な制御パラメータを特定する必要がある。この最適な制御パラメータを特定する方法としては、例えば第１の監視システムＭ１０により取得された第１の画像データとそのときの実際の制御パラメータとを参酌し、運転員が手動で特定する方法を採用することができる。この場合、教師データとなる最適な制御パラメータを特定する運転員には熟練の技術者、あるいは複数の技術者を割り当てることが、学習ユニット１０３における学習効率を高める上で好ましい。
【0073】
次に、上述のようにして得られた複数の学習用データセットを用いた、学習ユニット１０３における学習手法の一例を簡単に説明する。図５は、本開示の第１の実施の形態に係る機械学習装置において実施される教師あり学習のためのニューラルネットワークモデルの一例を示す図である。図５に示すニューラルネットワークモデルにおけるニューラルネットワークは、入力層にあるｌ個のニューロン（ｘ１～ｘｌ）、第１中間層にあるｍ個のニューロン（ｙ１１～ｙ１ｍ）、第２中間層にあるｎ個のニューロン（ｙ２１～ｙ２ｎ）、及び出力層にあるｏ個のニューロン（ｚ１～ｚｏ）から構成されている。第１中間層及び第２中間層は、隠れ層とも呼ばれるものであり、ニューラルネットワークとしては、第１中間層及び第２中間層の他に、さらに複数の隠れ層を有するものであってもよく、あるいは第１中間層のみを隠れ層とするものであってもよい。
【0074】
また、入力層と第１中間層との間、第１中間層と第２中間層との間、第２中間層と出力層との間には、層間のニューロンを接続するノードが張られており、それぞれのノードには、重みｗｉ（ｉは自然数）が対応づけられている。
【0075】
ニューラルネットワークモデルにおけるニューラルネットワークは、学習用データセットを用いて学習する。具体的には、入力データ（第１の画像データ）を入力層のニューロンに対応づけ、出力層にあるニューロンの値を、一般的なニューラルネットワークの出力値の算出方法で、つまり、出力側のニューロンの値を、当該ニューロンに接続される入力側のニューロンの値と、出力側のニューロンと入力側のニューロンとを接続するノードに対応づけられた重みｗｉとの乗算値の数列の和として算出することを、入力層にあるニューロン以外の全てのニューロンに対して行う方法を用いることで、算出する。そして、算出された出力層にあるｏ個のニューロンｚ１～ｚｏの値と、学習用データセットの一部を構成する教師データｔ１～ｔｏの値（制御パラメータの値）とを、それぞれ比較して誤差を求め、求められた誤差が小さくなるように、各ノードに対応づけられた重みｗｉを調整する（バックプロパゲーション）ことを反復する。そして、上述した一連の工程を予め設定された所定回数反復実施する、あるいは前記誤差が許容値より小さくなること等の所定の条件が満たされるまで継続する。これにより、入力データと出力データとの間の相関関係が学習された学習済モデルが得られる。
【0076】
＜機械学習方法＞
上記に関連して、本開示の第１の実施の形態は機械学習方法を含む。図６は、本開示の第１の実施の形態に係る機械学習方法の一例を示すフローチャートである。以下に示す機械学習方法においては、上述した機械学習装置１００に基づいて説明を行うが、前提となる構成については上記機械学習装置１００に限定されない。また、この機械学習方法はコンピュータを用いることで実現されるものであるが、コンピュータとしては種々のものが適用可能であり、例えばベルト型濃縮機１のメインコントロールユニットＭＣを構成するコンピュータ、ネットワーク上に配されたサーバ装置、クラウドベースのデータ処理プラットフォーム、あるいは図４に示すコンピュータＰＣ１等を挙げることができる。また、このコンピュータの具体的構成については、例えば、少なくともＣＰＵやＧＰＵ等からなる演算装置と、揮発性又は不揮発性メモリ等で構成される記憶装置と、ネットワークや他の機器に通信するための通信装置と、これら各装置を接続するバスとを含むものを採用することができる。
上記に関連して、本開示の第１の実施の形態は機械学習方法を含む。図６は、本開示の第１の実施の形態に係る機械学習方法の一例を示すフローチャートである。以下に示す機械学習方法においては、上述した機械学習装置１００に基づいて説明を行うが、前提となる構成については上記機械学習装置１００に限定されない。また、この機械学習方法はコンピュータを用いることで実現されるものであるが、コンピュータとしては種々のものが適用可能であり、例えばベルト型濃縮機１のメインコントロールユニットＭＣを構成するコンピュータ、ネットワーク上に配されたサーバ装置、クラウドベースのデータ処理プラットフォーム、あるいは図４に示すコンピュータＰＣ１等を挙げることができる。また、このコンピュータの具体的構成については、例えば、少なくともＣＰＵやＧＰＵ等からなる演算装置と、揮発性又は不揮発性メモリ等で構成される記憶装置と、ネットワークや他の機器に通信するための通信装置と、これら各装置を接続するバスとを含むものを採用することができる。
【0077】
本実施の形態に係る機械学習方法に含まれる教師あり学習による学習方法は、図６に示すように、機械学習を行うための事前準備として、先ず、所望の数の学習用データセットを準備し、準備した複数個の学習用データセットを学習用データセット記憶ユニット１０２に記憶する（ステップＳ１１）。ここで準備する学習用データセットの数については、最終的に得られる学習済モデルに求められる推論精度等を考慮して設定するとよい。また、学習用データセットを準備する方法については、その一例を上に示しているため、ここではその説明を省略する。
【0078】
ステップＳ１１が完了すると、次いで学習ユニット１０３における学習を開始すべく、学習前のニューラルネットワークモデルを準備する（ステップＳ１２）。ここで準備される学習前のニューラルネットワークモデルとしては、例えば、その構造が上記図５で示した構造を有し、各ノードの重みが初期値に設定されたものであってよい。そして次に、学習用データセット記憶ユニット１０２に記憶された複数個の学習用データセットから、例えばランダムに一の学習用データセットを選択する（ステップＳ１３）。そして、当該一の学習用データセットに含まれる入力データを、準備された学習前のニューラルネットワークモデルの入力層（図３参照）に入力する（ステップＳ１４）。なお、学習用データセット内の入力データを学習前のニューラルネットワークモデルの入力層に入力する手法としては、種々のものを採用することができる。具体例としては、第１の画像データのピクセルごとの輝度値及び／又は色値（例えばＲＧＢ値）を各入力層のニューロンに入力する方法を採用することができる。また、入力データとしての第１の画像データを入力層に入力する前段階で、データの数を調整するための次元削減処理やノイズ除去等の所定の前処理を実行してもよい。
【0079】
ここで、上記ステップＳ１４の結果として生成された出力層（図５参照）の制御パラメータは、学習前のニューラルネットワークモデルによって生成されたものであるため、多くの場合望ましい結果とは異なる値である。そこで次に、ステップＳ１３において取得された一の学習用データセット中の教師データとしての制御パラメータと、ステップＳ１３において生成された出力層の制御パラメータとを用いて、機械学習を実施する（ステップＳ１５）。ここで行う機械学習とは、例えば、教師データを構成する制御パラメータと出力層に出力された制御パラメータとを比較し、両者の誤差を検出し、この誤差が小さくなるような出力結果が得られるよう、学習前のニューラルネットワークモデル内の各ノードに対応付けられた重みを調整する処理（バックプロパゲーション）であってよい。また、学習前のニューラルネットワークモデルの出力層に出力される制御パラメータの数及び形式は、学習対象としての学習用データセット中の教師データと同様の数及び形式であるとよい。したがって、例えば学習用データセット中の教師データとしての制御パラメータが３つの制御パラメータに対応するデータで構成されている場合には、ニューラルネットワークモデルが出力層に出力する制御パラメータも３つの制御パラメータに対応する形式のデータである。
【0080】
ステップＳ１５において機械学習が実施されると、さらに機械学習を継続する必要があるか否かを、例えば学習用データセット記憶ユニット１０２内に記憶された未学習の学習用データセットの残数に基づいて特定する（ステップＳ１６）。そして、機械学習を継続する場合（ステップＳ１６でＮｏ）にはステップＳ１３に戻り、機械学習を終了する場合（ステップＳ１６でＹｅｓ）には、ステップＳ１７に移る。上記機械学習を継続する場合には、学習中のニューラルネットワークモデルに対してステップＳ１３～Ｓ１５の工程を、未学習の学習用データセットを用いて繰り返し実施する。最終的に生成される学習済モデルの精度は、一般にこの回数に比例して高くなる傾向がある。なお、このステップＳ１６における学習の継続の要否の判断については、上述した未学習の学習用データセットの残数によるものに限定されない。他の具体例としては、例えば学習用データセット記憶ユニット１０２内等に、学習用データセットと同様のデータ構成を有する評価用データセットを１乃至複数個予め準備しておき、学習途中の学習モデルにて当該評価用データセットを用いた模擬的な推論を実行し、その推論精度を評価することによって上記判断を行ってもよい。
【0081】
機械学習を終了する場合（ステップＳ１６でＹｅｓ）には、各ノードに対応付けられた重みが一連の工程によって調整されたニューラルネットワークを学習済モデルとして学習済モデル記憶ユニット１０４に記憶する（ステップＳ１７）。そして、一連の学習プロセスを終了する。ここで記憶された学習済モデルは、種々のデータ処理システムに適用され使用され得るものであるが、当該データ処理システムの詳細については後述する。
【0082】
上述した機械学習装置１００の学習プロセス及び機械学習方法においては、１つの学習済モデルを生成するために、１つの（学習前の）ニューラルネットワークモデルに対して複数回の機械学習処理を繰り返し実行することでその精度を向上させ、データ処理システムに適用するに足る学習済モデルを得るものを説示しているが、本開示はこの取得方法に限定されない。例えば、所定回数の機械学習を実施した学習済モデルを一候補として複数個学習済モデル記憶ユニット１０４に格納しておき、この複数個の学習済モデル群にその妥当性を評価するための評価用データセットを入力して出力層（のニューロンの値）を生成し、出力層で特定された制御データの精度を比較検討して、データ処理システムに適用する最良の学習済モデルを１つ選定するようにしてもよい。なお、ここでいう評価用データセットは、上でも述べた通り、学習に用いた学習用データセットと同様のデータセットで構成され、且つ学習に用いられていないものとすることができる。
【0083】
オプションとして、上記ステップＳ１２において準備されるノードの重みが初期値に設定された学習前のニューラルネットワークモデルに代えて、例えば任意の画像認識のために予め生成された学習済モデルを利用することもできる。この場合には、いわゆるファインチューニング又は転移学習により所望の学習済モデルを生成することとなる。そのため、上述した通常の機械学習プロセスに比して少ない学習用データセットの数で高精度の学習済モデルを生成できる。
【0084】
以上説明した通り、本実施の形態に係る機械学習装置及び機械学習方法を適用することにより、ベルト型濃縮機１から取得される画像データから、所望の制御パラメータを導出することが可能な学習済モデルを得ることができる。
【0085】
＜データ処理システム＞
次に、図７を参照して、上述した機械学習装置及び機械学習方法によって生成された学習済モデルの適用例について説示する。図７は、本開示の第１の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。本実施の形態に係るデータ処理システム１５０としては、上述したベルト型濃縮機１のメインコントロールユニットＭＣ内に搭載された態様のものを例示するが、これに限定されない。
次に、図７を参照して、上述した機械学習装置及び機械学習方法によって生成された学習済モデルの適用例について説示する。図７は、本開示の第１の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。本実施の形態に係るデータ処理システム１５０としては、上述したベルト型濃縮機１のメインコントロールユニットＭＣ内に搭載された態様のものを例示するが、これに限定されない。
【0086】
データ処理システム１５０は、図７に示すように、少なくとも画像データ取得ユニット１５１と、推論ユニット１５２とを含み、これに加えて、学習済モデル記憶ユニット１５３と調整ユニット１５４とを含むことができる。なお、図７においては、メインコントロールユニットＭＣのうち、データ処理システム１５０に関連する構成のみを示し、メインコントロールユニットＭＣに含まれる、データ処理システム１５０とは直接関連しない構成についてはその説示を省略している。
【0087】
画像データ取得ユニット１５１は、第１の監視システムＭ１０の第１のカメラＭ１１が撮像した第１の画像データを取得するためのものである。なお、図７においては、その理解を容易にするために、メインコントロールユニットＭＣ内に第１の監視システムＭ１０が配置されたものを例示しているが、第１の監視システムＭ１０とメインコントロールユニットＭＣとは別の構成要素であってもよい。
【0088】
推論ユニット１５２は、例えば上述した機械学習装置１００で学習された学習済モデルに、画像データ取得ユニット１５１が取得した第１の画像データを入力することで、ベルト型濃縮機１の１乃至複数の制御パラメータを推論するものである。この推論ユニット１５２で用いられる学習済モデルを格納するために、本実施の形態に係るデータ処理システム１５０は、学習済モデル記憶ユニット１５３を含むとよい。この学習済モデル記憶ユニット１５３は、１乃至複数個の学習済モデルを格納可能な周知の記憶媒体で構成することができる。また、この学習済モデル記憶ユニット１５３に格納される学習済モデルとしては、その用途や各種条件（例えば季節、天候及び温度・湿度といった周囲環境条件、あるいは供給汚泥ＳＬ０の種類や状態等）毎に複数個記憶されていると好ましい。そしてまた、推論ユニット１５２による推論処理を実行するに際しては、学習済モデル記憶ユニット１５３に格納された複数個の学習済モデルから一の学習済モデルを選択するとよい。ここで、推論に用いる学習済モデルの選択は、各種センサ等を用いて自動的に選択できるようにしてもよいし、運転員によって手動で選択できるようにしてもよい。
【0089】
調整ユニット１５４は、ベルト型濃縮機１における動作制御を実現するために調整される制御ユニットを調整するためのものであってよい。具体的には、第１乃至第３の制御ユニット４１～４３を動作させる制御パラメータとしての推論ユニット１５２の推論結果を、対応する制御ユニットへ送信するものとすることができる。
【0090】
上述した構成を含むデータ処理システム１５０により、ベルト型濃縮機１を動作させる制御パラメータを調整する際は、以下の処理を実行すればよい。すなわち、先ず画像データ取得ユニット１５１において、第１の監視システムＭ１０において所望のタイミングで撮像された第１の画像データを取得する。次いで、第１の画像データを、推論ユニット１５２において予め準備された学習済モデルの入力層に入力することで、１乃至複数の制御パラメータ（本実施の形態においては３つのパラメータ）を推論する。そして、推論結果としての３つの制御パラメータを、調整ユニット１５４を介して対応する各制御ユニット４１～４３に送り、各制御ユニット４１～４３が対応するアクチュエータを動作させることで、凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量とを調整する。
【0091】
第１の監視システムＭ１０において第１の画像データを撮像するタイミング、及びベルト型濃縮機１の上述した制御パラメータの調整を行うタイミングは、自動的に特定することも、手動で設定することも可能である。また、上記調整は、例えばベルト型濃縮機１が作動している場合には常に行うようにしてもよいし、同様に、ベルト型濃縮機１の作動を開始した時、供給汚泥ＳＬ０の種類が変更された時、あるいは予め設定された所定時間が経過した時といった任意のタイミングでのみ行うようにしてもよい。
【0092】
上述のデータ処理システム１５０によれば、第１の画像データから所望の制御パラメータを自動的に推論することができる。したがって、本実施の形態に係るデータ処理システム１５０を含むベルト型濃縮機１においては、その動作制御のための好ましい制御パラメータの値を、運転員の判断等に依存することなく自動で特定することができる。したがって、ベルト型濃縮機１に対する運転員による運転状態の監視や手動によるアクチュエータの動作調整の必要性を大幅に少なくすることができる。
【0093】
＜推論装置＞
本開示は、上述したデータ処理システム１５０の態様によるもののみならず、制御パラメータの推論のみを行う推論装置の態様で提供することもできる。その場合、推論装置としては、メモリと、少なくとも１つのプロセッサとを含み、このうちのプロセッサが、推論のための一連の処理を実行するものとすることができる。当該一連の処理とは、無端ベルト５の上面を搬送される凝集汚泥ＳＬ１を撮像した第１の画像データを取得する処理と、この第１の画像データが入力されることでベルト型濃縮機１の制御パラメータ、すなわち凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量のうちの少なくとも１つを推論する処理とを含む。このような推論装置の態様を用いることで、データ処理システムを実装する場合に比して簡単に種々のベルト型濃縮機に適用することができる。
本開示は、上述したデータ処理システム１５０の態様によるもののみならず、制御パラメータの推論のみを行う推論装置の態様で提供することもできる。その場合、推論装置としては、メモリと、少なくとも１つのプロセッサとを含み、このうちのプロセッサが、推論のための一連の処理を実行するものとすることができる。当該一連の処理とは、無端ベルト５の上面を搬送される凝集汚泥ＳＬ１を撮像した第１の画像データを取得する処理と、この第１の画像データが入力されることでベルト型濃縮機１の制御パラメータ、すなわち凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量のうちの少なくとも１つを推論する処理とを含む。このような推論装置の態様を用いることで、データ処理システムを実装する場合に比して簡単に種々のベルト型濃縮機に適用することができる。
【0094】
＜第１の変形例＞
上記第１の実施の形態においては、第１の画像データから制御パラメータを推論することが可能な１つの学習済モデルを取得するための機械学習装置１００及び機械学習方法、あるいは１つの学習済モデルを用いて第１の画像データから制御パラメータを推論することが可能なデータ処理システム１５０及び推論装置について説明を行った。しかし、第１の画像データと制御パラメータとの間には相関関係は認められるものの、両者の相関度合いは特定することが困難である。ところで、一般に、ニューラルネットワークモデルの機械学習プロセスにおいて、学習用データセットの入力データと出力データとの間の相関の度合いが高いと、それに比例して、十分な精度の推論が可能な学習済モデルを得るまでに必要な学習用データセットの数は少なくて済む傾向があることが知られている。したがって、上記第１の実施の態様においては、第１の画像データと制御パラメータとの間の相関関係を学習するためには、その相関度合いによっては、学習用データセットを比較的多く準備する必要が生じることもあり得る。そこで、より少ない学習用データセットの数で十分な精度の推論が可能な学習済モデルを生成することが期待できる手法として、第１の画像データから制御パラメータを推論するために、２つの学習済モデルを利用したものを、本開示の第１の実施の形態の第１の変形例として、以下に説明する。なお、以下に示す第１の変形例に係る機械学習装置１００Ａ及びデータ処理システム１５０Ａの各構成要素のうち、第１の実施の形態に係る機械学習装置１００及びデータ処理システム１５０の各構成要素と共通するものについては、同一の符号を付してその説明を省略する。また、以下に示す第１の変形例に係る機械学習装置、機械学習方法、データ処理システム及び推論装置は、第１の実施の形態に係るものと同様に、図１に示すベルト型濃縮機１に適用した場合を例にとり説明される。さらに、後述する全ての変形例は、矛盾が生じない範囲において本変形例にさらに適用することが可能なものである。
上記第１の実施の形態においては、第１の画像データから制御パラメータを推論することが可能な１つの学習済モデルを取得するための機械学習装置１００及び機械学習方法、あるいは１つの学習済モデルを用いて第１の画像データから制御パラメータを推論することが可能なデータ処理システム１５０及び推論装置について説明を行った。しかし、第１の画像データと制御パラメータとの間には相関関係は認められるものの、両者の相関度合いは特定することが困難である。ところで、一般に、ニューラルネットワークモデルの機械学習プロセスにおいて、学習用データセットの入力データと出力データとの間の相関の度合いが高いと、それに比例して、十分な精度の推論が可能な学習済モデルを得るまでに必要な学習用データセットの数は少なくて済む傾向があることが知られている。したがって、上記第１の実施の態様においては、第１の画像データと制御パラメータとの間の相関関係を学習するためには、その相関度合いによっては、学習用データセットを比較的多く準備する必要が生じることもあり得る。そこで、より少ない学習用データセットの数で十分な精度の推論が可能な学習済モデルを生成することが期待できる手法として、第１の画像データから制御パラメータを推論するために、２つの学習済モデルを利用したものを、本開示の第１の実施の形態の第１の変形例として、以下に説明する。なお、以下に示す第１の変形例に係る機械学習装置１００Ａ及びデータ処理システム１５０Ａの各構成要素のうち、第１の実施の形態に係る機械学習装置１００及びデータ処理システム１５０の各構成要素と共通するものについては、同一の符号を付してその説明を省略する。また、以下に示す第１の変形例に係る機械学習装置、機械学習方法、データ処理システム及び推論装置は、第１の実施の形態に係るものと同様に、図１に示すベルト型濃縮機１に適用した場合を例にとり説明される。さらに、後述する全ての変形例は、矛盾が生じない範囲において本変形例にさらに適用することが可能なものである。
【0095】
図８は、本開示の第１の変形例に係る機械学習装置１００Ａの一例を示す概略ブロック図である。本実施の形態に係る機械学習装置１００Ａは、図８に示すように、学習用データセット記憶ユニットとして第１の学習用データセット記憶ユニット１０２１と第２の学習用データセット記憶ユニット１０２２とを含み、学習ユニットとして第１の学習ユニット１０３１と第２の学習ユニット１０３２とを含む点以外は、第１の実施の形態に係る機械学習装置１００と同様の構成とすることができる。また、これに関連して、学習用データセット取得ユニット１０１において取得される複数のデータも第１の実施の形態のものとは異なっている。
【0096】
本変形例に係る学習用データセット取得ユニット１０１が取得する複数のデータは、例えばコンピュータＰＣ１から取得するものであるが、この複数のデータは、第１の画像データと１乃至複数の制御パラメータとに加えて、更に第１の画像データの特徴量を含んでいる。この第１の画像データの特徴量としては、例えば撮像対象である無端ベルト５の上面を搬送される凝集汚泥ＳＬ１から特定される種々の情報を採用することができる。具体的には、例えば凝集汚泥ＳＬ１に含まれるフロック凝集体の大きさ、色値、密度等を１又は複数含むことができる。この特徴量は、例えば無端ベルト５の上面を搬送される凝集汚泥ＳＬ１を実際にサンプリングして各種測定器等を用いて測定・分析することにより、あるいは運転員による目視での判断により、特定することができる。また、上述した特徴量を測定等するために、本実施の形態に係る第１の監視システムＭ１０は、第１のカメラＭ１１によって撮像された凝集汚泥ＳＬ１をサンプリング抽出する手段や、このサンプリング抽出された凝集汚泥ＳＬ１を測定・分析するための測定器等を別途採用することもできる。なお、第１の画像データの特徴量は上述のものに限定されず、例えば無端ベルト５の状態等を示す値であってもよい。
【0097】
学習用データセット取得ユニット１０１において取得された複数のデータは、それぞれの対応関係を考慮しつつ、２つの学習用データセットとして第１の学習用データセット記憶ユニット１０２１及び第２の学習用データセット記憶ユニット１０２２内に別々に格納される。第１の学習用データセット記憶ユニット１０２１に格納される第１の学習用データセットは、上述した第１の画像データを第１の入力データとして含み、この第１の画像データの特徴量、詳しくは第１の画像データの撮像対象としての凝集汚泥ＳＬ１の特徴量を第１の出力データとして含むものであってよい。また、第２の学習用データセット記憶ユニット１０２２に格納される第２の学習用データセットは、第１の画像データの特徴量を第２の入力データとして含み、第２の入力データに対応付けられた制御パラメータを第２の出力データとして含むものであって良い。なお、このように複数のデータから２つの学習用データセットを分割生成する際は、例えば、同一の凝集汚泥ＳＬ１に関連付けられた第１の画像データ、第１の画像データの特徴量及び制御パラメータを、第１の画像データと第１の画像データの特徴量とのセットと、第１の画像データの特徴量と制御パラメータとのセットに分割して、それぞれを一の第１及び第２の学習用データセットとすればよい。なお、この際分割した後の一の第１及び第２の学習用データセット同士は、それぞれが後述する異なる学習ユニットにおいて参照されるものであるため、その関連性を維持した形式で格納されていなくてよい。
【0098】
第１の学習用データセット記憶ユニット１０２１及び第２の学習用データセット記憶ユニット１０２２にそれぞれ格納された第１及び第２の学習用データセットは、それぞれ別の学習ユニットにのみ参照されるものであってよい。第１の学習ユニット１０３１は、第１の学習用データセットを複数組入力することで、第１の入力データと第１の出力データとの相関関係を学習するものである。言い換えれば、この第１の学習ユニット１０３１は、第１の学習用データセット内の第１の画像データを入力することで、第１の画像データの特徴量を推論することが可能な第１の学習済モデルを得るための学習を行うものである。そして、第２の学習ユニット１０３２は、第２の学習用データセットを複数組入力することで、第２の入力データと第２の出力データとの相関関係を学習するものである。言い換えれば、この第２の学習ユニット１０３２は、第２の学習用データセット内の第１の画像データの特徴量を入力することで、制御パラメータを推論することが可能な第２の学習済モデルを得るための学習を行うものである。
【0099】
第１及び第２の学習ユニット１０３１、１０３２における具体的な機械学習方法は、学習に用いる学習用データセットは異なるものの、その工程は図６に示した教師あり学習の工程といずれも同様のものを採用することができる。そして、一連の機械学習工程を経て得られた第１及び第２の学習済モデルは、学習済モデル記憶ユニット１０４内にそれぞれ記憶される。
【0100】
本変形例において学習用データセットを構成するデータに採用している、第１の画像データと第１の画像データの特徴量との間の相関度合い、及び第１の画像データと制御パラメータとの間の相関度合いは、第１の画像データと制御パラメータとの間の相関度合いに比べて高い相関が認められるものといえる。したがって、上述した２つの学習ユニットそれぞれが２つの学習済モデルを得るために必要な学習用データセットの数は、第１の実施の形態に示した学習ユニットが学習済モデルを得るために必要な学習用データセットの数に比べて、少なくすむことが期待できる。
【0101】
図９は、本開示の第１の変形例に係るデータ処理システム１５０Ａの一例を示す概略ブロック図である。本変形例に係るデータ処理システム１５０Ａは、図９に示すように、推論ユニットとして、第１の推論ユニット１５２１と第２の推論ユニット１５２２とを含む点以外は上述した第１の実施の形態に係るデータ処理システム１５０と同様の構成要素を含むものとすることができる。
【0102】
第１の推論ユニット１５２１は、上述した機械学習装置１００Ａで生成され学習済モデル記憶ユニット１５３内に記憶された第１の学習済モデルを用いて推論を実行するものである。したがって、この第１の推論ユニット１５２１は、画像データ取得ユニット１５１において取得された第１の画像データが入力されると、この第１の画像データの特徴量を推論する。また、第２の推論ユニット１５２２は、上述した機械学習装置１００Ａで生成され学習済モデル記憶ユニット１５３内に記憶された第２の学習済モデルを用いて推論を実行するものである。したがって、この第２の推論ユニット１５２２は、第１の推論ユニット１５２１において推論された第１の画像データの特徴量が入力されると、３つの制御パラメータを出力層に出力する。
【0103】
上述した第１及び第２の推論ユニット１５２１、１５２２を含むデータ処理システム１５０Ａが適用されたベルト型濃縮機１において制御パラメータの調整を行う場合は、第１の実施の形態において説示した処理と同様の処理を行えばよい。ただし、制御パラメータの推論は、第１の推論ユニット１５２１に第１の画像データを入力し、出力された第２画像データの特徴量を第２の推論ユニット１５２２に入力することで実行されることとなる。本変形例に係る推論装置については、プロセッサによる推論の処理が上述したデータ処理システム１５０Ａにおける推論の処理に対応する点以外は第１の実施の形態に係るものと同様であるので、詳細な説明は省略する。
【0104】
以上説明した通り、本変形例に係る機械学習装置、機械学習方法、データ処理システム及び推論装置によれば、第１の画像データとの相関度合いが制御パラメータに比べて大きな第１の画像データの特徴量を推論した上で、制御パラメータとの相関度合いが第１の画像データに比べて大きな第１の画像データの特徴量を用いて制御パラメータを推論することとなり、それぞれの学習ユニットにおいて、十分な精度の推論が可能な各学習済モデルを生成するために必要な学習用データセットの数を相対的に抑えることが期待できる。
【0105】
＜第２の変形例＞
上記第１の実施の形態及び第１の変形例に係る機械学習装置、機械学習方法、データ処理システム及び推論装置においては、学習用データセットの入力データ、あるいは推論ユニットに入力されるデータとして、第１の画像データのみを採用したものについて説明を行った。しかし、第１の画像データのみを入力データとすると、第１の画像データと制御パラメータとの間の相関度合い等によっては、十分な精度の推論が可能な学習済モデルを生成するために必要な学習用データセットの数が多くなる場合がある。そこで、より少ない学習用データセットの数で十分な精度の推論が可能な学習済モデルを生成するための一態様として、学習用データセットの入力データ及び推論ユニットに入力されるデータの数を増やした場合を、第２の変形例として以下に説明する。なお、以下に示す第２の変形例に係る機械学習装置１００Ｂ及びデータ処理システム１５０Ｂの各構成要素のうち、第１の実施の形態に係る機械学習装置１００及びデータ処理システム１５０の各構成要素と共通するものについては、同一の符号を付してその説明を省略する。また、以下に示す第２の変形例に係る機械学習装置、機械学習方法、データ処理システム及び推論装置は、第１の実施の形態及び第１の変形例に係るものと同様に、図１に示すベルト型濃縮機１に適用した場合を例にとり説明されている。さらに、上述したあるいは後述する全ての変形例は、矛盾が生じない範囲において本変形例にも適用可能なものである。
上記第１の実施の形態及び第１の変形例に係る機械学習装置、機械学習方法、データ処理システム及び推論装置においては、学習用データセットの入力データ、あるいは推論ユニットに入力されるデータとして、第１の画像データのみを採用したものについて説明を行った。しかし、第１の画像データのみを入力データとすると、第１の画像データと制御パラメータとの間の相関度合い等によっては、十分な精度の推論が可能な学習済モデルを生成するために必要な学習用データセットの数が多くなる場合がある。そこで、より少ない学習用データセットの数で十分な精度の推論が可能な学習済モデルを生成するための一態様として、学習用データセットの入力データ及び推論ユニットに入力されるデータの数を増やした場合を、第２の変形例として以下に説明する。なお、以下に示す第２の変形例に係る機械学習装置１００Ｂ及びデータ処理システム１５０Ｂの各構成要素のうち、第１の実施の形態に係る機械学習装置１００及びデータ処理システム１５０の各構成要素と共通するものについては、同一の符号を付してその説明を省略する。また、以下に示す第２の変形例に係る機械学習装置、機械学習方法、データ処理システム及び推論装置は、第１の実施の形態及び第１の変形例に係るものと同様に、図１に示すベルト型濃縮機１に適用した場合を例にとり説明されている。さらに、上述したあるいは後述する全ての変形例は、矛盾が生じない範囲において本変形例にも適用可能なものである。
【0106】
図１０は、本開示の第２の変形例に係る機械学習装置１００Ｂの一例を示す概略ブロック図である。本変形例に係る機械学習装置１００Ｂは、図１０に示すように、各構成要素については、学習用データセット記憶ユニットとして第３の学習用データセット記憶ユニット１０２３を含み、学習ユニットとして第３の学習ユニット１０３３を含む点以外は上述した第１の実施の形態に係る機械学習装置１００と同様であってよい。また、これに関連して、学習用データセット取得ユニット１０１において取得される複数のデータは第１の実施の形態に係るものとは異なるものである。
【0107】
本変形例に係る学習用データセット取得ユニット１０１は、図１０に示すように、コンピュータＰＣ１に接続されることで、このコンピュータＰＣ１から所望のデータを取得することができる。このコンピュータＰＣ１は、第１の実施の形態に係るコンピュータＰＣ１と同様に、メインコントロールユニットＭＣ及び第１の監視システムＭ１０に接続されているが、これらに加えて、ベルト型濃縮機１の動作状態に対応する数値（以下、「付加変数」あるいは「状態変数」という）を取得可能な監視手段にも接続されていてよい。この監視手段としては、具体的には、供給汚泥濃度センサ６１と、濃縮汚泥濃度センサ６２と、ろ液濃度センサ６３とを採用することができる。なお、図１０においては、その理解を容易にするために、メインコントロールユニットＭＣと第１の監視システムＭ１０及び３つの濃度センサ６１～６３とを別々に図示したものを例示しているが、第１の監視システムＭ１０及び３つの濃度センサ６１～６３は、その少なくとも一部がメインコントロールユニットＭＣ内に含まれていてもよい。
【0108】
供給汚泥濃度センサ６１は、図１に示すように、供給汚泥ＳＬ０のスラリー濃度を測定するためのセンサであって、供給汚泥用配管１５に設けることができるものであってよい。この供給汚泥濃度センサ６１の測定方法としては、スラリーの濃度測定に適したもの、例えばレーザー光式、マイクロ波式あるいは散乱光式のものを採用することができる。
【0109】
濃縮汚泥濃度センサ６２は、図１に示すように、濃縮汚泥ＳＬ２のスラリー濃度を測定するためのセンサであって、濃縮汚泥用配管２３に設けることができるものであってよい。この濃縮汚泥濃度センサ６２の測定方法としては、供給汚泥濃度センサ６１と同様に、例えばレーザー光式、マイクロ波式あるいは散乱光式のもの、あるいは粘度計によるものを採用することができる。
【0110】
ろ液濃度センサ６３は、図１に示すように、ろ液ＦＩの濃度を測定するためのセンサであって、ろ液用配管３３に設けることができるものであってよい。このろ液濃度センサ６３の測定方法としては、液体の濃度測定に適したもの、例えば散乱光式、透過光式のものを採用することができる。
【0111】
上述した３つのセンサを用いることにより、本変形例に係るベルト型濃縮機１においては、その動作状態に関連する３つの状態変数、すなわち供給汚泥濃度（被処理液の濃度）、濃縮汚泥濃度（濃縮被処理液の濃度）及びろ液濃度（分離液の濃度）を常時測定することが可能となっている。
【0112】
第１の監視システムＭ１０及び上述した３つの濃度センサ６１～６３により取得される各種データ、詳しくは、第１の画像データ、供給汚泥濃度、濃縮汚泥濃度及びろ液濃度が、直接、あるいはメインコントロールユニットＭＣを介してコンピュータＰＣ１に送られ、このコンピュータＰＣ１より、対応する所望の制御パラメータと共に学習用データセット取得ユニット１０１に送られる。学習用データセット取得ユニット１０１で取得した学習用データセットを構成する複数のデータは、第１の画像データ、供給汚泥濃度、濃縮汚泥濃度及びろ液濃度を第３の入力データとし、これらのデータに対応付けられた制御パラメータを第３の出力データとする第３の学習用データセットの形式で、第３の学習用データセット記憶ユニット１０２３に格納される。そして、第３の学習ユニット１０３３では、第３の学習用データセットを用いて、例えば上述した第１の実施の形態に係る機械学習方法と同様の方法で、機械学習が行われ、得られた第３の学習済モデルが、学習済モデル記憶ユニット１０４に記憶される。なお、本変形例において説示した、第３の入力データのうち、供給汚泥濃度、濃縮汚泥濃度及びろ液濃度の３つは１つの数値データであるのに対し、第１の画像データは当該画像データを構成する全ピクセルの輝度及び／又は色値の集合体で構成されるものであるため、これらはデータの総数が大きく異なる。したがって、これらの入力データをそのまま入力層に対応付けると、得られる推論結果は第１の画像データの影響を相対的に大きく受けたものとなる。そこで、本変形例においては、第１の画像データ以外の入力データの影響度合いが小さくなりすぎないよう、第３の入力データを入力層に対応付ける前に、データの数を調整するためのデータの前処理を行うと特に好ましい。また、当該前処理は、学習済モデルの一部として得られたニューラルネットワークモデルと共に学習済モデル記憶ユニット１０４内に記憶することで、推論の際にも同様に実施することができる。
【0113】
図１１は、本開示の第２の変形例に係るデータ処理システム１５０Ｂの一例を示す概略ブロック図である。本変形例に係るデータ処理システム１５０Ｂは、図１１に示すように、推論ユニットとして第３の推論ユニット１５２３を含む点と、付加変数取得ユニット１５５を含む点以外は上述した第１の実施の形態に係るデータ処理システム１５０と同様の構成要素を含むものとすることができる。なお、図１１においては、メインコントロールユニットＭＣ内に供給汚泥濃度センサ６１と、濃縮汚泥濃度センサ６２と、ろ液濃度センサ６３が配置されたものを例示しているが、これら３つのセンサ６１～６３とメインコントロールユニットＭＣとは別の構成要素であってもよい。
【0114】
付加変数取得ユニット１５５は、図１１に示すように、供給汚泥濃度センサ６１と、濃縮汚泥濃度センサ６２と、ろ液濃度センサ６３とに接続され、これらのセンサから、付加変数（状態変数）、具体的には供給汚泥濃度、濃縮汚泥濃度及びろ液濃度を取得するものである。この付加変数取得ユニット１５５により取得される３つの濃度値は、画像データ取得ユニット１５１が第１の監視システムＭ１０から取得する第１の画像データの撮像タイミングに対応するタイミングで測定されたものであってよい。
【0115】
上述した付加変数取得ユニット１５５を含むデータ処理システム１５０Ｂが適用されたベルト型濃縮機１において制御パラメータの調整を行う場合は、第１の実施の形態において説示したものと同様の処理を行えばよい。ただし、本変形例においては第１の監視システムＭ１０による第１の画像データの撮像と同時あるいはその前後の所定タイミングにおいて、供給汚泥濃度センサ６１と、濃縮汚泥濃度センサ６２と、ろ液濃度センサ６３による濃度測定が行われ、その測定結果を付加変数取得ユニット１５５が取得する。そして、画像データ取得ユニット１５１が取得した１つの画像データと付加変数取得ユニット１５５が取得した３つの値は、第３の推論ユニット１５２３において第３の学習済モデルの入力層に対応付けられる。
【0116】
なお、上述した第２の変形例における学習用データセット取得ユニット１０１は、３つの濃度センサ６１～６３が測定した３つの濃度値の全てを、第１の画像データと共に取得しているが、本開示はこれに限定されない。詳しくは、３つの濃度センサ６１～６３が測定する３つの濃度値のうちの少なくとも１つを第１の画像データと共に取得していればよい。その場合には、第３の学習用データセットの第３の入力データは、第１の画像データと、取得した少なくとも１つの濃度値で構成されることとなる。付加変数取得ユニット１５５により取得される濃度値の数についても同様である。また、本変形例に係る推論装置については、プロセッサによる推論の処理が上述したデータ処理システム１５０Ｂにおける推論の処理に対応する点以外は第１の実施の形態に係るものと同様であるので、詳細な説明は省略する。
【0117】
以上説明した通り、本変形例に係る機械学習装置、機械学習方法、データ処理システム及び推論装置によれば、入力データとして第１の画像データに加えて、ベルト型濃縮機における少なくとも１つの状態変数を採用したことで、ニューラルネットワークモデルの学習段階において、入力データと出力データとの間の相関関係を特定しやすくなる。これにより、十分な精度の推論が可能な各学習済モデルを生成するために必要な学習用データセットの数を抑えることが期待できる。
【0118】
＜第３の変形例＞
上述した通り、第１及び第２の変形例は、いずれも十分な精度の推論が可能な学習済モデルを生成するために必要な学習用データセットの数を少なくすることが期待できる態様を示した例である。そして、両変形例は組み合わせることが可能である。そこで、上述した第１及び第２の変形例において示した技術思想を組み合わせたものを、第３の変形例として以下に説明する。なお、以下に示す第３の変形例に係る機械学習装置１００Ｃ及びデータ処理システム１５０Ｃの各構成要素のうち、第１の実施の形態及び第１乃至第２の変形例に係る、機械学習装置１００、１００Ａ及び１００Ｂ、及び、データ処理システム１５０、１５０Ａ及び１５０Ｂの各構成要素と共通するものについては、同一の符号を付してその説明を省略する。また、以下に示す第３の変形例に係る機械学習装置、機械学習方法、データ処理システム及び推論装置は、第１の実施の形態及び第１乃至第２の変形例に係るものと同様に、図１に示すベルト型濃縮機１に適用した場合を例にとり説明されている。さらに、上述したあるいは後述する実施の形態において述べられた全ての変形例は、矛盾が生じない範囲において本実施の形態にも適用可能なものである。
上述した通り、第１及び第２の変形例は、いずれも十分な精度の推論が可能な学習済モデルを生成するために必要な学習用データセットの数を少なくすることが期待できる態様を示した例である。そして、両変形例は組み合わせることが可能である。そこで、上述した第１及び第２の変形例において示した技術思想を組み合わせたものを、第３の変形例として以下に説明する。なお、以下に示す第３の変形例に係る機械学習装置１００Ｃ及びデータ処理システム１５０Ｃの各構成要素のうち、第１の実施の形態及び第１乃至第２の変形例に係る、機械学習装置１００、１００Ａ及び１００Ｂ、及び、データ処理システム１５０、１５０Ａ及び１５０Ｂの各構成要素と共通するものについては、同一の符号を付してその説明を省略する。また、以下に示す第３の変形例に係る機械学習装置、機械学習方法、データ処理システム及び推論装置は、第１の実施の形態及び第１乃至第２の変形例に係るものと同様に、図１に示すベルト型濃縮機１に適用した場合を例にとり説明されている。さらに、上述したあるいは後述する実施の形態において述べられた全ての変形例は、矛盾が生じない範囲において本実施の形態にも適用可能なものである。
【0119】
図１２は、本開示の第３の変形例に係る機械学習装置１００Ｃの一例を示す概略ブロック図である。本変形例に係る機械学習装置１００Ｃは、図１２に示すように、学習用データセット記憶ユニットとして、第１の学習用データセット記憶ユニット１０２１と第４の学習用データセット記憶ユニット１０２４とを含み、学習ユニットとして第１の学習ユニット１０３１と第４の学習ユニット１０３４とを含む点以外は、第１の実施の形態に係る機械学習装置１００と同様であってよい。また、これに関連して、学習用データセット取得ユニット１０１において取得される複数のデータも第１の実施の形態とは異なっている。なお、上記第４の学習ユニット１０３４は、本開示の「第３の学習ユニット」に対応するものである。
【0120】
本実施の形態に係る学習用データセット取得ユニット１０１は、図１２に示すように、コンピュータＰＣ１に接続され、このコンピュータＰＣ１から所望のデータを取得する。このコンピュータＰＣ１は、第２の変形例に係るコンピュータＰＣ１と同様に、メインコントロールユニットＭＣ及び第１の監視システムＭ１０に加えて、供給汚泥濃度センサ６１と、濃縮汚泥濃度センサ６２と、ろ液濃度センサ６３にも接続されている。コンピュータＰＣ１に接続された、メインコントロールユニットＭＣ、第１の監視システムＭ１０、供給汚泥濃度センサ６１、濃縮汚泥濃度センサ６２及びろ液濃度センサ６３の具体的な構成は、上述した第１の実施の形態又は第１及び第２の変形例において例示したものと同様であってよい。そして、本変形例における学習用データセット取得ユニット１０１が取得する複数のデータは、第１の画像データと、制御パラメータとに加えて、更に３つの状態変数、すなわち供給汚泥濃度、濃縮汚泥濃度及びろ液濃度を含むことができる。なお、本変形例においては、第２の変形例と同様に、コンピュータＰＣ１は、供給汚泥濃度センサ６１、濃縮汚泥濃度センサ６２及びろ液濃度センサ６３の全てに接続されたものを例示しているが、これらのうちの少なくとも１つに接続していればよい。これに関連して、本変形例においても、学習用データセット取得ユニット１０１において取得される状態変数は、供給汚泥濃度、濃縮汚泥濃度及びろ液濃度のうちの少なくとも１つとすることができる。
【0121】
学習用データセット取得ユニット１０１において取得された複数のデータは、それぞれの対応関係を考慮しつつ、２つの学習用データセットとして第１の学習用データセット記憶ユニット１０２１及び第４の学習用データセット記憶ユニット１０２４内に別々に格納される。第１の学習用データセット記憶ユニット１０２１に格納される第１の学習用データセットは、第１の変形例において示したものと同様に、第１の画像データを第１の入力データとして含み、この第１の画像データの特徴量、詳しくは第１の画像データの撮像対象としての凝集汚泥ＳＬ１の特徴量を第１の出力データとして含むものであってよい。また、第４の学習用データセット記憶ユニット１０２４に格納される第４の学習用データセットは、第１の画像データの特徴量と、供給汚泥濃度と、濃縮汚泥濃度と、ろ液濃度とを第４の入力データとして含み、第４の入力データに対応付けられた制御パラメータを第４の出力データとして含むものであってよい。
【0122】
第１の学習用データセット記憶ユニット１０２１及び第４の学習用データセット記憶ユニット１０２４にそれぞれ格納された第１及び第４の学習用データセットは、それぞれ別の学習ユニットにのみ参照されるものとすることができる。第１の学習ユニット１０３１は、第１の変形例において説示したものと同様に、第１の学習用データセットを複数組入力することで、第１の入力データと第１の出力データとの相関関係を学習するものである。言い換えれば、この第１の学習ユニット１０３１は、第１の学習用データセット内の第１の画像データを入力することで、第１の画像データの特徴量を推論することが可能な第１の学習済モデルを得るための学習を行うものである。そして、第４の学習ユニット１０３４は、第４の学習用データセットを複数組入力することで、第４の入力データと第４の出力データとの相関関係を学習するものである。言い換えれば、この第４の学習ユニット１０３４は、第４の学習用データセット内の第１の画像データの特徴量と、供給汚泥濃度と、濃縮汚泥濃度と、ろ液濃度とを入力することで、制御パラメータを推論することが可能な第４の学習済モデルを得るための学習を行うものである。
【0123】
第１及び第４の学習ユニット１０３１、１０３４における具体的な機械学習方法は、各学習に用いる学習用データセットは異なるものの、その工程は図６に示した教師あり学習の工程といずれも同様である。そして、一連の機械学習工程を経て得られた第１及び第４の学習済モデルは、学習済モデル記憶ユニット１０４内にそれぞれ記憶される。
【0124】
図１３は、本開示の第３の変形例に係るデータ処理システム１５０Ｃの一例を示す概略ブロック図である。本変形例に係るデータ処理システム１５０Ｃは、図１３に示すように、推論ユニットとして第１の推論ユニット１５２１と第４の推論ユニット１５２４とを含み、且つ付加変数取得ユニット１５５を含む点以外は上述した第１の実施の形態に係るデータ処理システム１５０と同様の構成要素を含むものとすることができる。
【0125】
付加変数取得ユニット１５５は、図１３に示すように、供給汚泥濃度センサ６１と、濃縮汚泥濃度センサ６２と、ろ液濃度センサ６３とに接続され、これらのセンサから、供給汚泥濃度と、濃縮汚泥濃度と、ろ液濃度とを取得するものである。また、第１の推論ユニット１５２１は、上述した機械学習装置１００Ｃで生成され学習済モデル記憶ユニット１５３内に記憶された第１の学習済モデルを用いて推論を実行するものである。したがって、この第１の推論ユニット１５２１は、画像データ取得ユニット１５１において取得された第１の画像データが入力されると、この第１の画像データの特徴量を出力層に出力することができる。さらに、第４の推論ユニット１５２４は、上述した機械学習装置１００Ｃで生成され学習済モデル記憶ユニット１５３内に記憶された第４の学習済モデルを用いて推論を実行するものである。したがって、この第４の推論ユニット１５２４は、第１の推論ユニット１５２１において推論された第１の画像データの特徴量と、付加変数取得ユニット１５５が取得した供給汚泥濃度、濃縮汚泥濃度及びろ液濃度とが入力されると、制御パラメータを出力層に出力することができる。
【0126】
上述した付加変数取得ユニット１５５と第１及び第４の推論ユニット１５２１、１５２４とを含むデータ処理システム１５０Ｃが適用されたベルト型濃縮機１において、制御パラメータの調整を行う場合は、第１の実施の形態において説示したものと同様の処理を行えばよい。ただし、本変形例においては第１の監視システムＭ１０による第１の画像データの撮像と同時あるいはその前後の所定タイミングにおいて、供給汚泥濃度センサ６１と、濃縮汚泥濃度センサ６２と、ろ液濃度センサ６３による濃度測定が行われ、その測定結果を付加変数取得ユニット１５５にて取得する。また、第１の推論ユニット１５２１の入力層に、画像データ取得ユニット１５１が取得した第１の画像データを入力して、第１の画像データの特徴量を得る。そして、第１の推論ユニット１５２１で推論された第１の画像データの特徴量と、付加変数取得ユニット１５５が取得した３つの濃度値とを第４の推論ユニット１５２４に入力することで、制御パラメータを得ることとなる。本変形例に係る推論装置については、プロセッサによる推論の処理が上述したデータ処理システム１５０Ｃにおける推論の処理に対応する点以外は第１の実施の形態に係るものと同様であるので、詳細な説明は省略する。
【0127】
以上説明した通り、本変形例に係る機械学習装置、機械学習方法、データ処理システム及び推論装置によれば、十分な精度の推論が可能な各学習済モデルを生成するために必要な学習用データセットの数を、上述した第１及び第２の変形例よりも更に抑えることが期待できる。
【0128】
＜第４の変形例＞
上述した第１の実施の形態や、第１乃至第３の変形例に係る機械学習装置、機械学習方法、データ処理システム及び推論装置における制御パラメータとしては、いずれも、凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量のうちの少なくとも１つを採用することを例示したが、本開示はこれに限定されない。そこで、以下には第１の実施の形態の更なる変形例として、異なる制御パラメータを採用したものをいくつか列記する。
上述した第１の実施の形態や、第１乃至第３の変形例に係る機械学習装置、機械学習方法、データ処理システム及び推論装置における制御パラメータとしては、いずれも、凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量のうちの少なくとも１つを採用することを例示したが、本開示はこれに限定されない。そこで、以下には第１の実施の形態の更なる変形例として、異なる制御パラメータを採用したものをいくつか列記する。
【0129】
上述のベルト型濃縮機１は、上述した通り、オプションとして、プロー５０を含むことができる。そこで、以下には、第４の変形例として、学習用データセットの出力データあるいは学習済モデルの推論結果を構成するデータとして、上述した３つの制御パラメータ（すなわち、凝集汚泥ＳＬ１の薬注率、無端ベルト５の走行速度及び凝集汚泥ＳＬ１の無端ベルト５上への供給量）のうちの少なくとも１つに加えて、制御パラメータにプロー５０の数及び位置のうちの少なくとも１つを採用したものを説示する。
【0130】
図１４は、本開示の第４の変形例に係るベルト型濃縮機１における無端ベルト５の上面の一部の構成の一例を示した概略説明図であって、図１４（Ａ）は概略平面図、図１４（Ｂ）は図１４（Ａ）に示すプロー本体の配置及び数を変更した状態を示す概略平面図である。本変形例に係る機械学習装置、機械学習方法、データ処理システム及び推論装置に関連するプロー５０（５０－１～５０－５）は、例えば図２及び図１４（Ａ）に示すように、ベルト型濃縮機１の無端ベルト５の上面に、無端ベルト５の搬送方向（Ｙ方向）に沿って所定間隔を空けて５個配置することができる。
【0131】
ここで、本変形例に係るベルト型濃縮機においては、このプロー５０及びプロー５０に含まれるプロー本体５１の数や配置を変更することが可能である。つまり、例えば図１４（Ａ）には、２個あるいは３個のプロー本体５１を含む５個のプロー５０－１～５０－５を搬送方向に沿って所定の間隔Ｄ１を空けて設けた、合計１３個のプロー本体５１が無端ベルト５上に当接しているものが例示されているが、これを変更することができる。具体的には、例えば図１４（Ｂ）に示したもののように、２個あるいは３個のプロー本体５１を含むプローを４個のみ配置し、且つ搬送方向における各プロー本体５１の間隔Ｄ２を上述した間隔Ｄ１よりも大きくした、合計１０個のプロー本体５１が無端ベルト５上に当接しているもの等に変更することができる。
【0132】
上述した構成に関連して、本変形例に係るベルト型濃縮機に適用される機械学習装置及び機械学習方法においては、学習用データセットの一部としての出力データとして、プロー本体５１の数と、プロー本体５１の無端ベルト５への当接位置の少なくとも一方を追加的に採用することができる。これにより、機械学習装置及び機械学習方法に係る学習モデルは、第１の画像データと、プロー本体５１の数とプロー本体５１の無端ベルト５への当接位置の少なくとも一方を含む制御パラメータとの相関関係を学習することとなる。したがって、本変形例に係るベルト型濃縮機に適用されるデータ処理システム及び推論装置は、上述の学習によって生成された学習済モデルを用いることにより、第１の画像データから、プロー本体５１の数とプロー本体５１の無端ベルト５への当接位置の少なくとも一方を含む制御パラメータを推論することが可能となる。
【0133】
上述のデータ処理システム及び推論装置において推論された制御データに基づいて、ベルト型濃縮機におけるプロー５０又はプロー本体５１の数と、プロー本体５１の無端ベルト５への当接位置の少なくとも一方を調整するために、本変形例に係るプロー５０は作動機構を有することが好ましい。当該作動機構としては、プロー５０あるいはプロー本体５１の位置を移動させることが可能な種々の機構を採用することができる。例えば、支持アーム５２を搬送方向（Ｙ方向）、無端ベルト５の幅方向（Ｘ方向）及び高さ方向（Ｙ方向）に移動させることが可能なアクチュエータを、支持アーム５２あるいは支持アーム５２に対して連結部材５３を回動させる回動機構を、あるいは支持アーム５２に対して連結部材５３をスライドさせるスライド機構等を単独であるいは組み合わせて採用することができる。また、ベルト型濃縮機１におけるプロー５０及びプロー本体５１の数とプロー本体５１の無端ベルト５への当接位置の少なくとも一方の調整は、上述したアクチュエータ等を用いるのではなく、運転員によって手動で実現されてもよい。この場合には、プロー５０を本体ケース２に対して着脱自在且つ無端ベルト５の搬送方向に沿って移動自在とする、及び／又はプロー本体５１が固定される連結部材５３を、支持アーム５２に対して着脱自在且つ無端ベルト５の幅方向に沿って移動自在とした上で、推論結果を運転員に通知して調整作業を促すようにすればよい。
【0134】
本変形例に係る機械学習装置、機械学習方法、データ処理システム及び推論装置は、制御パラメータが、プロー５０及びプロー本体５１の数、及びプロー本体５１の無端ベルト５への当接位置の少なくとも一方を含む点を除き、上述した第１の実施の形態に係るものと概ね同様である。よって、第１の実施の形態として説示したものと共通する点についてはその説明を省略している。
【0135】
＜第５の変形例＞
上記第１の実施の形態においてはその具体的な構成についての説明を省略したが、上述のベルト型濃縮機１における混合弁１７は、オプションとして、供給汚泥ＳＬ０と薬剤の混合度合いを調整可能な機構を含むものを採用することができる。以下には、第５の変形例として、学習用データセットの出力データあるいは学習済モデルの推論結果を構成するデータとして、第１の実施の形態において例示した３つの制御パラメータのうちの少なくとも１つに加えて、混合弁の弁開度を採用したものを説示する。
上記第１の実施の形態においてはその具体的な構成についての説明を省略したが、上述のベルト型濃縮機１における混合弁１７は、オプションとして、供給汚泥ＳＬ０と薬剤の混合度合いを調整可能な機構を含むものを採用することができる。以下には、第５の変形例として、学習用データセットの出力データあるいは学習済モデルの推論結果を構成するデータとして、第１の実施の形態において例示した３つの制御パラメータのうちの少なくとも１つに加えて、混合弁の弁開度を採用したものを説示する。
【0136】
図１５は、本開示の第５の変形例に係るベルト型濃縮機における混合弁の一例を示した要部説明図である。本変形例に係るベルト型濃縮機１の混合弁７０は、図１５に示すように、供給汚泥用配管１５と凝集槽１８の流入口１８１から延びる連結管１８３の間に設けられてよい。この混合弁７０は、その内部に形成された混合室７１と、混合室７１内に配置された弁体７２と、弁体７２を動作させるためのレバー７３と、混合室７１の上流側に配設され且つ薬剤用配管１６に接続されて混合室７１内に薬剤を導入する薬剤導入部材７４とを含むことができる。
【0137】
上記構成のうち、弁体７２は、混合室７１内の壁面に隣接した位置に設けられた支軸７５を中心として回転可能な板状の部材で構成することができる。そして、この弁体７２はレバー７３を動作させることに追従して回動し、この弁体７２による混合弁７０の弁開度を調整することにより、混合室７１内の通路面積を変化させる。これにより、当該通路を通過する流体への撹拌力を変化させて、供給汚泥ＳＬ０の凝集の程度を調整することを可能としている。一般に、混合弁７０の弁開度が小さい、言い換えれば弁体７２と混合室７１の内壁面とで画定される通路面積が狭いほど、この部分で生じる撹拌作用が増して供給汚泥ＳＬ０の薬剤による凝集度合が上昇する。なお、混合弁７０の弁構造は上述したものに限定されない。例えば、混合室７１内に混合室７１の延在方向に直交する方向に動作するシャッター状の部材を設け、当該部材を挿抜方向に動作させることで、通路面積を変化させる構造を採用してもよい。
【0138】
上述した構成に関連して、本変形例に係るベルト型濃縮機に適用される機械学習装置及び機械学習方法においては、学習用データセットの一部としての出力データとして、混合弁７０の弁開度を追加的に採用することができる。これにより、機械学習装置及び機械学習方法に係る学習モデルは、第１の画像データと、混合弁７０の弁開度を含む制御パラメータとの相関関係を学習することとなる。したがって、本変形例に係るベルト型濃縮機に適用されるデータ処理システム及び推論装置は、上述の学習によって生成された学習済モデルを用いることにより、第１の画像データから、混合弁７０の弁開度を含む制御パラメータを推論することが可能となる。
【0139】
データ処理システム及び推論装置において推論された制御データに基づいて、ベルト型濃縮機における混合弁７０の弁開度を調整するために、本変形例に係るレバー７３を、図示しないアクチュエータ及び制御ユニットに接続すると好ましい。このようなアクチュエータ及び制御ユニットを設けることにより、混合弁７０の弁開度は自動的に調整することができるようになる。なお、上述したアクチュエータ及び制御ユニットによる調整動作は、上述した第４の変形例において説明したものと同様に、運転員による手動操作に代替可能である。
【0140】
本変形例に係る機械学習装置、機械学習方法、データ処理システム及び推論装置は、制御パラメータが混合弁７０の弁開度を含む点を除き、上述した第１の実施の形態に係るものと概ね同様である。よって、第１の実施の形態として説示したものと共通する点についてはその説明を省略している。
【0141】
＜第６の変形例＞
上記第１実施の形態においてはその構成についての説明を省略したが、上述のベルト型濃縮機１においては、オプションとして、無端ベルト５の上面の搬送方向下流側に、傾斜板を構成するランプ８０を採用することができる。以下には、第６の変形例として、学習用データセットの出力データあるいは学習済モデルの推論結果を構成するデータとして、上述した実施の形態において例示した３つの制御パラメータのうちの少なくとも１つに加えて、ランプ８０の傾斜角度を採用したものを説示する。
上記第１実施の形態においてはその構成についての説明を省略したが、上述のベルト型濃縮機１においては、オプションとして、無端ベルト５の上面の搬送方向下流側に、傾斜板を構成するランプ８０を採用することができる。以下には、第６の変形例として、学習用データセットの出力データあるいは学習済モデルの推論結果を構成するデータとして、上述した実施の形態において例示した３つの制御パラメータのうちの少なくとも１つに加えて、ランプ８０の傾斜角度を採用したものを説示する。
【0142】
図１６は、本開示の第６の変形例に係るベルト型濃縮機における無端ベルトの上面側部分の構成の一例を示した要部概略説明図であって、図１６（Ａ）は無端ベルトの下流側部分を上方から見た概略図であり、図１６（Ｂ）は図１６（Ａ）に示した部分を正面方向から見た概略図である。本変形例に係るランプ８０は、図１、図１６（Ａ）及び図１６（Ｂ）に示すように、その幅方向長さが無端ベルト５の幅方向長さと実質的に同一な、当該幅方向に長尺な板状体で構成することができる。このランプ８０の搬送方向下流側に位置する端辺には、ランプ８０を動作させるための駆動軸８１が取り付けられていてよい。また、ランプ８０の搬送方向上流側に位置する端辺は、無端ベルト５の搬送面に当接したランプ先端８２とすることができる。駆動軸８１は、無端ベルト５の幅方向に沿って延在し、その端部が図示しないアクチュエータに接続されることで、ランプ８０の下流側の端辺と共に上下方向に移動することができる。この駆動軸８１が移動することにより、ランプ８０の傾斜角度θ１が変化する。なお、ランプ先端８２はランプ８０の傾斜角度に関わらず常に無端ベルト５の搬送面に当接していることが好ましい。よって、ランプ８０の駆動軸８１による移動は、ランプ先端８２の当接位置を実質的な中心とした回転動作であることが好ましい。
【0143】
上述した構成を含むランプ８０は、無端ベルト５上を搬送される凝集汚泥ＳＬ１の搬送方向への移動をせき止めるように機能する。ここでせき止められた凝集汚泥ＳＬ１は、後続の他の凝集汚泥ＳＬ１に押されるかたちで傾斜したランプ８０を上るように移動し、ランプ８０を上りきったところで濃縮汚泥排出部２０に落下することとなる。ランプ８０を上るように移動する凝集汚泥ＳＬ１は、自重の作用で濃縮がさらに促進されるため、このランプ８０は、濃縮の効率を向上させるように機能している。一般に、ランプ８０の傾斜角度θ１が大きければ、ランプ８０による濃縮促進作用も大きくなる。
【0144】
上述した構成に関連して、本変形例に係るベルト型濃縮機に適用される機械学習装置及び機械学習方法においては、学習用データセットの一部としての出力データとして、ランプ８０の傾斜角度θ１を追加的に採用することができる。これにより、機械学習装置及び機械学習方法に係る学習モデルは、第１の画像データと、ランプ８０の傾斜角度θ１を含む制御パラメータとの相関関係を学習することとなる。したがって、本変形例に係るベルト型濃縮機に適用されるデータ処理システム及び推論装置は、上述の学習によって生成された学習済モデルを用いることにより、第１の画像データから、ランプ８０の傾斜角度θ１を含む制御パラメータを推論することが可能となる。
【0145】
上記データ処理システム及び推論装置において推論された制御データに基づいて、ベルト型濃縮機１におけるランプ８０の傾斜角度θ１を自動的に調整するために、駆動軸８１に接続されるアクチュエータを図示しない制御ユニットを用いて制御可能とすると好ましい。なお、ここで述べたアクチュエータ及び制御ユニットによる調整動作は、上述した第４の変形例において説明したものと同様に、運転員による手動操作に代替可能である。
【0146】
本変形例に係る機械学習装置、機械学習方法、データ処理システム及び推論装置は、制御パラメータがランプ８０の傾斜角度θ１を含む点を除き、上述した本実施の形態に係るものと概ね同様である。よって、本実施の形態として説示したものと共通する点についてはその説明を省略している。
【0147】
＜第７の変形例＞
上記第１の実施の形態においてはその構成についての説明を省略したが、上述のベルト型濃縮機１においては、オプションとして、無端ベルト５の内側であってローラ３に隣接する位置に、無端ベルト５の下面に付着した汚泥等を除去するための洗浄ノズル９０を採用することができる。以下には、第４の変形例として、学習用データセットの出力データあるいは学習済モデルの推論結果を構成するデータとして、上述した実施の形態において例示した３つの制御パラメータのうちの少なくとも１つに加えて、洗浄ノズル９０から供給される洗浄水ＣＬの供給圧力を採用したものを説示する。
上記第１の実施の形態においてはその構成についての説明を省略したが、上述のベルト型濃縮機１においては、オプションとして、無端ベルト５の内側であってローラ３に隣接する位置に、無端ベルト５の下面に付着した汚泥等を除去するための洗浄ノズル９０を採用することができる。以下には、第４の変形例として、学習用データセットの出力データあるいは学習済モデルの推論結果を構成するデータとして、上述した実施の形態において例示した３つの制御パラメータのうちの少なくとも１つに加えて、洗浄ノズル９０から供給される洗浄水ＣＬの供給圧力を採用したものを説示する。
【0148】
本変形例に係る洗浄ノズル９０は、図１に示すように、無端ベルト５の内側に配されており、無端ベルト５の下面、すなわち無端ベルト５の搬送面とは反対側の面に対し、その裏側から洗浄水ＣＬを供給可能となっているとよい。この洗浄ノズル９０としては、例えば無端ベルト５の幅方向に沿って延在する長尺な配管の下側面の適所に、洗浄水ＣＬを供給可能な噴射口が形成されたもので構成することができる。この配管で構成された洗浄ノズル９０は、その一端が本体ケース２の外部に延在しており、洗浄水用ポンプ９１及び洗浄水供給源９２に接続されている。この洗浄水用ポンプ９１を制御することにより、洗浄ノズル９０から供給される洗浄水ＣＬの供給圧力を調整することができる。この洗浄水用ポンプ９１の制御は、図示しない制御ユニットによって自動的に行えるようにするとよい。
【0149】
洗浄ノズル９０の下側領域には、図１に示すように、洗浄水排出部９３が配設されている。この洗浄水排出部９３は、洗浄ノズル９０から噴射された洗浄水ＣＬと洗浄水ＣＬによって無端ベルト５からの取り除かれた汚泥等を受ける洗浄水受け部９４と、この洗浄水受け部９４の底部に設けられ洗浄水ＣＬ等を本体ケース２外に排出する洗浄水排出口９６と、洗浄水排出口９６から排出された洗浄水ＣＬ等を貯留する洗浄水貯留槽９７とを少なくとも含むことができる。また、洗浄水受け部９４はろ液受け部３１に隣接しているため、互いが受ける液体が混ざらないように、両受け部の境界部分に隔壁９５を設けるとよい。
【0150】
以上の構成により、スクレーパ２４では無端ベルト５から分離しきれなかった汚泥等によって無端ベルト５が目詰まりし、ベルト型濃縮機１の性能が低下した場合等に、無端ベルト５の目詰まりを解消することができる。具体的には、洗浄水用ポンプ９１を動作させて洗浄水ＣＬを洗浄ノズル９０に供給することにより、洗浄水ＣＬを、洗浄ノズル９０の噴射口から無端ベルト５の下面の裏側へ所定の供給圧力で噴射する。この洗浄水ＣＬの噴射により、無端ベルト５に付着した汚泥等が無端ベルト５の内部から無端ベルト５の表側へ押し出される。無端ベルト５から押し出された汚泥等は洗浄水ＣＬと共に洗浄水受け部９４に落下し、洗浄水排出口９６を介して洗浄水貯留槽９７に送られ、貯留されることとなる。なお、洗浄水貯留槽９７に一時的に貯留された汚泥等を含む洗浄水ＣＬは、例えば供給汚泥用配管１５に戻されて再度ベルト型濃縮機１により濃縮が行われると好ましい。このように再度の濃縮を実行すれば、ベルト型濃縮機１のＳＳ回収率（固形物回収率）が向上する。
【0151】
上述した構成に関連して、本変形例に係るベルト型濃縮機に適用される機械学習装置及び機械学習方法においては、学習用データセットの一部としての出力データとして、洗浄ノズル９０から供給される洗浄水ＣＬの供給圧力を追加的に採用することができる。これにより、機械学習装置及び機械学習方法に係る学習モデルは、第１の画像データと、洗浄ノズル９０から供給される洗浄水ＣＬの供給圧力を含む制御パラメータとの相関関係を学習することとなる。したがって、本変形例に係るベルト型濃縮機に適用されるデータ処理システム及び推論装置は、上述の学習によって生成された学習済モデルを用いることにより、第１の画像データから、洗浄ノズル９０から供給される洗浄水ＣＬの供給圧力を含む制御パラメータを推論することが可能となる。
【0152】
本変形例に係る機械学習装置、機械学習方法、データ処理システム及び推論装置は、制御パラメータとしてランプ８０の傾斜角度θ１を含む点を除き、上述した第１の実施の形態に係るものと概ね同様である。よって、第１の実施の形態において説示したものと共通する点についてはその説明を省略している。
【0153】
上述した第４乃至第７の変形例に示した通り、本開示の機械学習装置、機械学習方法、データ処理システム及び推論装置において学習に用いられるあるいは推論される制御パラメータは、凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量のみならず、ベルト型濃縮機が備える構成要素に合わせて種々のパラメータを採用することができる。なお、上記各変形例において例示した構成要素、例えばプロー５０やランプ８０等は、本開示に係るベルト型濃縮機においては任意に採用可能な構成である。また、上記第４乃至第７の変形例においては、制御パラメータとして、凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量の少なくとも１つに加えて、さらに１つ又は２つの制御パラメータを採用したものを例示しているが、加える制御パラメータの数は１つ又は２つに限定されない。したがって、本開示においては、制御パラメータとして、凝集汚泥ＳＬ１の薬注率、無端ベルト５の走行速度及び凝集汚泥ＳＬ１の無端ベルト５上への供給量のうちの少なくとも１つと、プロー本体５１の数、プロー本体５１の無端ベルト５への当接位置、混合弁７０の弁開度、ランプ８０の傾斜角度及び洗浄水ＣＬの供給圧力のうちの少なくとも１つを含んでいればよい。
【0154】
＜第２の実施の形態＞
上述した第１の実施の形態及び第１乃至第７の変形例において、学習用データセットの入力データあるいは推論ユニットに入力されるデータに含まれる画像データは、いずれも第１の画像データのみである。しかし、上記入力データ等として採用可能な画像データは第１の画像データ以外にも存在する。そこで、以下には第２の実施の形態として、入力データ等に含まれる画像データとして、第１の画像データに加えて、濃縮汚泥ＳＬ２を撮像した第２の画像データを含むものについて説明する。なお、以下に示す第２の実施の形態に係る機械学習装置２００及びデータ処理システム２５０の各構成要素のうち、第１の実施の形態に係る機械学習装置１００及びデータ処理システム１５０の各構成要素と共通するものについては、同一の符号を付してその説明を省略する。
上述した第１の実施の形態及び第１乃至第７の変形例において、学習用データセットの入力データあるいは推論ユニットに入力されるデータに含まれる画像データは、いずれも第１の画像データのみである。しかし、上記入力データ等として採用可能な画像データは第１の画像データ以外にも存在する。そこで、以下には第２の実施の形態として、入力データ等に含まれる画像データとして、第１の画像データに加えて、濃縮汚泥ＳＬ２を撮像した第２の画像データを含むものについて説明する。なお、以下に示す第２の実施の形態に係る機械学習装置２００及びデータ処理システム２５０の各構成要素のうち、第１の実施の形態に係る機械学習装置１００及びデータ処理システム１５０の各構成要素と共通するものについては、同一の符号を付してその説明を省略する。
【0155】
図１７は、本開示の第２の実施の形態に関連するベルト型濃縮機の一例を示す概略構造図である。本実施の形態に関連するベルト型濃縮機１Ａは、図１７に示すように、濃縮汚泥用配管２３の適所に、この濃縮汚泥用配管２３内を通過する濃縮汚泥ＳＬ２を監視するための第２の監視システムＭ２０を含む点以外は、図１に示したベルト型濃縮機１と概ね同様の構成を含むものであってよい。したがって、本実施の形態に関連するベルト型濃縮機１Ａの構成要素のうち、上述したベルト型濃縮機１と同様のものには同一の符号を付してその説明を省略するものとする。
【0156】
第２の監視システムＭ２０は、図１７に示すように、無端ベルト５上で濃縮された後の濃縮汚泥ＳＬ２を監視するためのものであって、少なくとも第２のカメラＭ２１を含むことができる。第２のカメラＭ２１は、少なくとも二次元画像を撮像可能な周知のカメラで構成することができる。また、この第２のカメラＭ２１は、ランプ８０を通過する直前の濃縮汚泥ＳＬ２を撮像するために、その撮像面をランプ８０の駆動軸８１付近に向くように本体ケース２に取り付けられている。なお、本実施の形態においては、第２のカメラＭ２１の取付位置は上述のものに限定されない。具体的には、例えば濃縮汚泥用配管２３の、濃縮汚泥用配管２３内を通過する濃縮汚泥ＳＬ２を撮像可能な位置や、濃縮汚泥受け部２１上の濃縮汚泥ＳＬ２を撮像可能な位置に取り付けることもできる。
【0157】
第２のカメラＭ２１の撮像対象である、ランプ８０上を搬送される濃縮汚泥ＳＬ２を撮像した画像の一例を図１８に示す。図１８の画像から分かる通り、ランプ８０上を搬送される濃縮汚泥ＳＬ２は、無端ベルト３上で液体成分がろ過されたことにより、例えば図３の画像に含まれる凝集汚泥ＳＬ１に比べて含有する固形成分の濃度が上昇しており、それに付随して粘度も上昇していることが外観から認識できる。第２のカメラＭ２１は、濃縮が完了した濃縮汚泥ＳＬ２を撮像するために、その画角をランプ８０の駆動軸８１に向けて調整されていることが好ましい。
【0158】
図１９は、本開示の第２の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。本実施の形態に係る機械学習装置２００は、図１９に示すように、学習用データセット取得ユニット１０１と、第５の学習用データセット記憶ユニット１０２５と、第５の学習ユニット１０３５と、学習済モデル記憶ユニット１０４とを含むものとすることができる。
【0159】
本実施の形態に係る学習用データセット取得ユニット１０１は、第１の監視システムＭ１０によって取得された第１の画像データと、第２の監視システムＭ２０によって取得された第２の画像データと、これらの画像データに対応付けられる制御パラメータとを取得することができる。本実施の形態においても、制御パラメータとしては、凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量のうちの少なくとも１つを採用することができる。また、この学習用データセット取得ユニット１０１が取得する複数のデータは、メインコントロールユニットＭＣ、第１の監視システムＭ１０及び第２の監視システムＭ２０に接続されたコンピュータＰＣ１を介して取得すればよい。なお、図１９においては、その理解を容易にするために、メインコントロールユニットＭＣと第１の監視システムＭ１０及び第２の監視システムＭ２０とを別々に図示したものを例示しているが、第１の監視システムＭ１０及び第２の監視システムＭ２０はその少なくとも一部がメインコントロールユニットＭＣ内に含まれていてもよい。
【0160】
第５の学習用データセット記憶ユニット１０２５は、第１の実施の形態に係る学習用データセット記憶ユニット１０２と同様に、学習用データセット取得ユニット１０１で取得した学習用データセットを構成する複数のデータを、関連する入力データと出力データとを関連付けて１つの学習用データセットとし、格納するためのデータベースとすることができる。他方、この第５の学習用データセット記憶ユニット１０２５内に格納される第５の学習用データセットは、第１の画像データ及び第２の画像データを第５の入力データとし、第５の入力データとしての画像データに対応付けられた制御パラメータを第５の出力データとしたものとすることができる。
【0161】
第５の学習ユニット１０３５は、第５の学習用データセット記憶ユニット１０２５に記憶された第５の学習用データセットを複数組入力することで、第５の入力データと第５の出力データとの間の相関関係を学習するものである。本実施の形態においても、上述した第１の実施の形態と同様、機械学習の具体的な手法としてニューラルネットワークを用いた教師あり学習を採用することができる。この第５の学習ユニット１０３５における具体的な機械学習方法は、学習に用いる学習用データセットが異なるものの、その工程は第１の実施の形態に係る機械学習方法と同様である。また、学習済モデル記憶ユニット１０４は、第５の学習ユニット１０３５で生成された学習済モデルを記憶するためのデータベースである。
【0162】
図２０は、本開示の第２の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。本実施の形態に係るデータ処理システム２５０は、図２０に示すように、主に画像データ取得ユニット１５１と、第５の推論ユニット１５２５とを含み、加えて、学習済モデル記憶ユニット１５３と、調整ユニット１５４とを含むことができる。なお、上述した各構成要素のうち、画像データ取得ユニット１５１、学習済モデル記憶ユニット１５３及び調整ユニット１５４は、上述した第１の実施の形態に係るデータ処理システム１５０のものと同様のものであってよい。ただし、画像データ取得ユニット１５１は、第１の画像データに加えて、第２の画像データを取得することができる。そのため、第１の監視システムＭ１０と第２の監視システムＭ２０の両方に接続されている。
【0163】
第５の推論ユニット１５２５は、学習済モデル記憶ユニット１５３に格納された第５の学習済モデルを参酌することができる。これにより、画像データ取得ユニット１５１で取得した第１及び第２の画像データが入力されると、調整ユニット１５４にて調整を行う制御パラメータを推論することができる。
【0164】
上述した構成を含むデータ処理システム２５０により、ベルト型濃縮機１Ａを動作させる制御パラメータを調整する際は、以下の処理を実行すればよい。すなわち、先ず画像データ取得ユニット１５１において、第１の監視システムＭ１０及び第２の監視システムＭ２０において所望のタイミングで撮像された第１の画像データ及び第２の画像データを取得する。次いで、第１の画像データ及び第２の画像データを、第５の推論ユニット１５２５において予め準備された第５の学習済モデルの入力層に入力することで、１乃至複数（例えば３つ）の制御パラメータを推論する。そして、推論結果としての３つの制御パラメータを、調整ユニット１５４を介して対応する各制御ユニット４１～４３に送り、各制御ユニット４１～４３が対応するアクチュエータを動作させることで、凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量とを調整する。なお、第１の画像データの撮像タイミングと、第２の画像データの撮像タイミングとは、例えば同一の対象物を撮像するよう調整されると好ましい。また、本変形例に係る推論装置については、プロセッサによる推論の処理が上述したデータ処理システム２５０における推論の処理に対応する点以外は第１の実施の形態に係るものと同様であるので、詳細な説明は省略する。
【0165】
以上説明した通り、本実施の形態に係る機械学習装置２００及び機械学習方法によれば、入力データとして２つの画像データを採用することで、画像データが１つのみの場合に比べて入力データと出力データとの間の相関関係が学習しやすくなることが期待できる。よって、比較的少ない学習用データセットの数で、十分な精度の推論が可能な各学習済モデルを生成することができる。また、本実施の形態に係るデータ処理システム２５０及び推論装置によれば、第１及び第２の画像データという２つの画像データのみから、ベルト型濃縮機１Ａの好ましい制御パラメータを推定できるため、このデータ処理システム２５０を比較的簡単にベルト型濃縮機１ＡのメインコントロールユニットＭＣに適用することができる。そして、制御パラメータの調整を運転員の判断に依存することなく簡単に行うことができるようになる。
【0166】
オプションとして、本実施の形態に係る機械学習装置、機械学習方法、データ処理装置及び推論装置は、第１の実施の形態と同様に、上記第１の変形例に示すような変形が可能である。すなわち、第１及び第２の画像データから制御パラメータを推論するに際し、複数の学習済モデルを用いて推論を行うものとすることができる。ただし、本実施の形態においては、学習及び推論に第１の画像データのみならず第２の画像データをも利用されるため、両画像データそれぞれに、その特徴量との相関関係を学習する必要がある。したがって、本実施の形態において第１の変形例を適用する場合には、機械学習装置として、第１の画像データと第１の画像データの特徴量（具体的には凝集汚泥ＳＬ１の情報としてのフロック凝集体の大きさ、色値、密度等）との相関関係を学習するものと、第２の画像データと第２の画像データの特徴量（具体的には濃縮汚泥の色値、密度、濃度等）との相関関係を学習するものと、第１の画像データの特徴量及び第２の画像データの特徴量と制御パラメータとの相関関係を学習するものの、３つの学習ユニットを準備するとよい。そして、機械学習方法としては、上述した３つの相関関係を学習するとよい。また、データ処理システム及び推論装置としては、上述した３つの学習ユニットで学習された学習済モデルを用いて推論を行う３つの推論ユニットを準備し、対応するデータを順次入力することで、制御パラメータを推論すればよい。
【0167】
また、オプションとして、本実施の形態に係る機械学習装置、機械学習方法、データ処理装置及び推論装置は、第１の実施の形態と同様に、上記第２の変形例に示すような変形が可能である。すなわち、第１及び第２の画像データに加えて、ベルト型濃縮機１Ａの状態変数を学習及び推論に用いることができる。なお、本実施の形態において学習及び推論に用いられる状態変数としては、供給汚泥濃度及びろ液濃度のうちの少なくとも１つを採用するとよい。なお、ベルト型濃縮機１Ａの状態変数としては、上記２つに加えて濃縮汚泥濃度を挙げることができるが、濃縮汚泥濃度は第２の画像データと比較的高い相関が認められるものであるため、他の状態変数に比して学習及び推論における影響力が小さいことが予測される。よって、本実施の形態における第２の変形例としては、状態変数として濃縮汚泥濃度を採用しなくてもよい。これに関連して、本実施の形態に関連するベルト型濃縮機１Ａは、図１７に示すように、濃縮汚泥濃度センサ６２を有していなくてよい。
【0168】
さらに、オプションとして、本実施の形態に係る機械学習装置、機械学習方法、データ処理装置及び推論装置は、第１の実施の形態と同様に、上記第３の変形例に示すような変形が可能である。すなわち、第１及び第２の画像データに加えて、ベルト型濃縮機１Ａの状態変数を学習及び推論に用い、且つ第１及び第２の画像データ及び状態変数から制御パラメータを推論するに際し、複数の学習済モデルを用いて推論を行うものとすることができる。具体的には、本実施の形態において第３の変形例を適用する場合には、機械学習装置として、第１の画像データと第１の画像データの特徴量との相関関係を学習するものと、第２の画像データと第２の画像データの特徴量との相関関係を学習するものと、第１の画像データの特徴量、第２の画像データの特徴量及び状態変数（例えば供給汚泥濃度とろ液濃度）と制御パラメータとの相関関係を学習するものの、３つの学習ユニットを準備するとよい。そして、機械学習方法としては、上述した３つの相関関係を学習するとよい。また、データ処理システム及び推論装置としては、上述した３つの学習ユニットで学習された学習済モデルを用いて推論を行う３つの推論ユニットを準備し、対応するデータを順次入力することで、制御パラメータを推論すればよい。
【0169】
さらにまた、オプションとして、本実施の形態に係る機械学習装置、機械学習方法、データ処理装置及び推論装置は、第１の実施の形態と同様に、上記第４乃至７の変形例に示すような変形が可能である。すなわち、本実施の形態に係る機械学習装置、機械学習方法、データ処理システム及び推論装置において学習に用いられるあるいは推論される制御パラメータとして、凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量の少なくとも１つに加えて、プロー本体５１の数、プロー本体５１の無端ベルト５への当接位置、混合弁７０の弁開度、ランプ８０の傾斜角度及び洗浄水ＣＬの供給圧力のうちの少なくとも１つを含むことができる。
【0170】
＜第３の実施の形態＞
次に、学習用データセットの入力データあるいは推論ユニットに入力されるデータに含まれる画像データとして、第１の画像データに加えて、無端ベルト５上に供給される前の凝集汚泥ＳＬ１を撮像した第３の画像データを含むものを、本開示の第３の実施の形態として以下に説明する。なお、以下に示す第３の実施の形態に係る機械学習装置３００及びデータ処理システム３５０の各構成要素のうち、第１の実施の形態に係る機械学習装置１００及びデータ処理システム１５０の各構成要素と共通するものについては、同一の符号を付してその説明を省略する。
次に、学習用データセットの入力データあるいは推論ユニットに入力されるデータに含まれる画像データとして、第１の画像データに加えて、無端ベルト５上に供給される前の凝集汚泥ＳＬ１を撮像した第３の画像データを含むものを、本開示の第３の実施の形態として以下に説明する。なお、以下に示す第３の実施の形態に係る機械学習装置３００及びデータ処理システム３５０の各構成要素のうち、第１の実施の形態に係る機械学習装置１００及びデータ処理システム１５０の各構成要素と共通するものについては、同一の符号を付してその説明を省略する。
【0171】
図２１は、本開示の第３の実施の形態に関連するベルト型濃縮機の一例を示す概略構造図である。本実施の形態に関連するベルト型濃縮機１Ｂは、図２１に示すように、無端ベルト５上に供給される前の凝集汚泥ＳＬ１を監視するための第３の監視システムＭ３０を含む点以外は、図１に示したベルト型濃縮機１と実質的に同様の構成を含むものであってよい。したがって、本実施の形態に関連するベルト型濃縮機１Ｂの構成要素のうち、上述したベルト型濃縮機１と同様のものには同一の符号を付してその説明を省略するものとする。
【0172】
第３の監視システムＭ３０は、図２１に示すように、無端ベルト５上に供給される凝集汚泥ＳＬ１の主にフロック凝集状態を監視するためのものであって、少なくとも第３のカメラＭ３１を含むことができる。第３のカメラＭ３１は、少なくとも二次元画像を撮像可能な周知のカメラで構成することができる。また、この第３のカメラＭ３１は、凝集槽１８の流出口１８２から流出する直前の凝集汚泥ＳＬ１を撮像するために、例えば凝集槽１８の上部に、その撮像面を凝集槽１８内に貯留された凝集汚泥ＳＬ１の表面に向けて取り付けることができる。この第３のカメラＭ３１の具体的な撮像方法については適宜設定することができるが、凝集槽１８の天板に所定の大きさの窓を設け、この窓を介して凝集汚泥ＳＬ１を撮像する方法を採用することができる。なお、本実施の形態においては、第３のカメラＭ３１を凝集槽１８に取り付けた例を示したが、取付位置はこれに限定されない。具体的には、例えば本体ケース２内の、汚泥投入シュート１９上を移動する凝集汚泥ＳＬ１を撮像可能な位置に取り付けることもできる。
【0173】
第３のカメラＭ３１の撮像対象である、凝集槽１８に貯留された凝集汚泥ＳＬ１を撮像した画像の一例を図２２に示す。図２２の画像から分かる通り、凝集槽１８に貯留された凝集汚泥ＳＬ１は、その表面領域にあるものから流出口１８２から無端ベルト５上へ送られる。したがって、凝集槽１８内の凝集汚泥ＳＬ１の表面部分を撮像することにより、無端ベルト５上に供給される直前の凝集汚泥ＳＬ１のフロック凝集状態を撮像することができる。
【0174】
図２３は、本開示の第３の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。本実施の形態に係る機械学習装置３００は、図２３に示すように、学習用データセット取得ユニット１０１と、第６の学習用データセット記憶ユニット１０２６と、第６の学習ユニット１０３６と、学習済モデル記憶ユニット１０４とを含むものとすることができる。
【0175】
本実施の形態に係る学習用データセット取得ユニット１０１は、第１の監視システムＭ１０によって取得された第１の画像データと、第３の監視システムＭ３０によって取得された第３の画像データと、これらの画像データに対応付けられる制御パラメータを取得することができる。本実施の形態においても、制御パラメータとしては、凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量のうちの少なくとも１つを採用することができる。また、この学習用データセット取得ユニット１０１が取得する複数のデータは、メインコントロールユニットＭＣ、第１の監視システムＭ１０及び第３の監視システムＭ３０に接続されたコンピュータＰＣ１を介して取得すればよい。なお、図２３においては、その理解を容易にするために、メインコントロールユニットＭＣと第１の監視システムＭ１０及び第３の監視システムＭ３０とを別々に図示したものを例示しているが、第１の監視システムＭ１０及び第３の監視システムＭ３０はその少なくとも一部がメインコントロールユニットＭＣ内に含まれていてもよい。
【0176】
第６の学習用データセット記憶ユニット１０２６は、第１の実施の形態に係る学習用データセット記憶ユニット１０２と同様に、学習用データセット取得ユニット１０１で取得した学習用データセットを構成する複数のデータを、関連する入力データと出力データとを関連付けて１つの学習用データセットとし、格納するためのデータベースとすることができる。他方、この第６の学習用データセット記憶ユニット１０２６内に格納される第６の学習用データセットは、第１の画像データ及び第３の画像データを第６の入力データとし、第６の入力データとしての画像データに対応付けられた制御パラメータを第６の出力データとしたものとすることができる。
【0177】
第６の学習ユニット１０３６は、第６の学習用データセット記憶ユニット１０２６に記憶された第６の学習用データセットを複数組入力することで、第６の入力データと第６の出力データとの間の相関関係を学習するものである。本実施の形態においても、上述した第１の実施の形態と同様、機械学習の具体的な手法としてニューラルネットワークを用いた教師あり学習を採用することができる。この第６の学習ユニット１０３６における具体的な機械学習方法は、学習に用いる学習用データセットが異なるものの、その工程は第１の実施の形態に係る機械学習方法と同様である。また、学習済モデル記憶ユニット１０４は、第６の学習ユニット１０３６で生成された学習済モデルを記憶するためのデータベースである。
【0178】
図２４は、本開示の第３の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。本実施の形態に係るデータ処理システム３５０は、図２４に示すように、主に画像データ取得ユニット１５１と、第６の推論ユニット１５２６とを含み、加えて、学習済モデル記憶ユニット１５３と、調整ユニット１５４とを含むことができる。上述した各構成要素のうち、画像データ取得ユニット１５１、学習済モデル記憶ユニット１５３及び調整ユニット１５４は、上述した第１の実施の形態に係るデータ処理システム１５０のものと同様のものであってよい。ただし、画像データ取得ユニット１５１は、第１の画像データに加えて、第３の画像データを取得することができる。そのため、第１の監視システムＭ１０と第３の監視システムＭ３０の両方に接続されている。
【0179】
第６の推論ユニット１５２６は、学習済モデル記憶ユニット１５３に格納された第６の学習済モデルを参酌することができる。これにより、画像データ取得ユニット１５１で取得した第１及び第３の画像データが入力されると、調整ユニット１５４にて調整を行う制御パラメータを推論することができる。
【0180】
上述した構成を含むデータ処理システム３５０により、ベルト型濃縮機１Ｂを動作させる制御パラメータを調整する際は、以下の処理を実行すればよい。すなわち、先ず画像データ取得ユニット１５１において、第１の監視システムＭ１０及び第３の監視システムＭ３０において所望のタイミングで撮像された第１の画像データ及び第３の画像データを取得する。次いで、第１の画像データ及び第３の画像データを、第６の推論ユニット１５２６において予め準備された第６の学習済モデルの入力層に入力することで、１乃至複数（例えば３つ）の制御パラメータを推論する。そして、推論結果としての３つの制御パラメータを、調整ユニット１５４を介して対応する各制御ユニット４１～４３に送り、各制御ユニット４１～４３が対応するアクチュエータを動作させることで、凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量とを調整する。なお、第１の画像データの撮像タイミングと、第３の画像データの撮像タイミングとは、例えば同一の対象物を撮像するよう調整されると好ましい。また、本変形例に係る推論装置については、プロセッサによる推論の処理が上述したデータ処理システム３５０における推論の処理に対応する点以外は第１の実施の形態に係るものと同様であるので、詳細な説明は省略する。
【0181】
以上説明した通り、本実施の形態に係る機械学習装置３００及び機械学習方法によれば、入力データとして２つの画像データを採用することで、画像データが１つのみの場合に比べて入力データと出力データとの間の相関関係が学習しやすくなることが期待できる。よって、比較的少ない学習用データセットの数で、十分な精度の推論が可能な各学習済モデルを生成することができる。また、本実施の形態に係るデータ処理システム３５０及び推論装置によれば、第１及び第３の画像データという２つの画像データのみから、ベルト型濃縮機１Ｂの好ましい制御パラメータを推定できるため、このデータ処理システム３５０を比較的簡単にベルト型濃縮機１ＢのメインコントロールユニットＭＣに適用することができる。そして、制御パラメータの調整を運転員の判断に依存することなく簡単に行うことができるようになる。
【0182】
オプションとして、本実施の形態に係る機械学習装置、機械学習方法、データ処理装置及び推論装置は、第１の実施の形態と同様に、上記第１の変形例に示すような変形が可能である。すなわち、第１及び第３の画像データから制御パラメータを推論するに際し、複数の学習済モデルを用いて推論を行うものとすることができる。ただし、本実施の形態においては、学習及び推論に第１の画像データのみならず第３の画像データをも利用されるため、両画像データそれぞれに、その特徴量との相関関係を学習する必要がある。したがって、本実施の形態において第１の変形例を適用する場合には、機械学習装置として、第１の画像データと第１の画像データの特徴量との相関関係を学習するものと、第３の画像データと第３の画像データの特徴量（具体的には凝集槽１８の表面の凝集汚泥ＳＬ１の色値、密度、フロック凝集体の平均サイズ等）との相関関係を学習するものと、第１の画像データの特徴量及び第３の画像データの特徴量と制御パラメータとの相関関係を学習するものの、３つの学習ユニットを準備するとよい。そして、機械学習方法としては、上述した３つの相関関係を学習するとよい。また、データ処理システム及び推論装置としては、上述した３つの学習ユニットで学習された学習済モデルを用いて推論を行う３つの推論ユニットを準備し、対応するデータを順次入力することで、制御パラメータを推論すればよい。
【0183】
また、オプションとして、本実施の形態に係る機械学習装置、機械学習方法、データ処理装置及び推論装置は、第１の実施の形態と同様に、上記第２の変形例に示すような変形が可能である。すなわち、第１及び第３の画像データに加えて、ベルト型濃縮機１Ｂの状態変数を学習及び推論に用いることができる。なお、本実施の形態において学習及び推論に用いられる状態変数としては、供給汚泥濃度、濃縮汚泥濃度及びろ液濃度のうちの少なくとも１つを採用するとよい。
【0184】
さらに、オプションとして、本実施の形態に係る機械学習装置、機械学習方法、データ処理装置及び推論装置は、第１の実施の形態と同様に、上記第３の変形例に示すような変形が可能である。すなわち、第１及び第３の画像データに加えて、ベルト型濃縮機１Ｂの状態変数を学習及び推論に用い、且つ第１及び第３の画像データ及び状態変数から制御パラメータを推論するに際し、複数の学習済モデルを用いて推論を行うものとすることができる。具体的には、本実施の形態において第３の変形例を適用する場合には、機械学習装置として、第１の画像データと第１の画像データの特徴量との相関関係を学習するものと、第３の画像データと第３の画像データの特徴量との相関関係を学習するものと、第１の画像データの特徴量、第３の画像データの特徴量及び状態変数（例えば供給汚泥濃度、濃縮汚泥濃度及びろ液濃度）と制御パラメータとの相関関係を学習するものの、３つの学習ユニットを準備するとよい。そして、機械学習方法としては、上述した３つの相関関係を学習するとよい。また、データ処理システム及び推論装置としては、上述した３つの学習ユニットで学習された学習済モデルを用いて推論を行う３つの推論ユニットを準備し、対応するデータを順次入力することで、制御パラメータを推論すればよい。
【0185】
さらにまた、オプションとして、本実施の形態に係る機械学習装置、機械学習方法、データ処理装置及び推論装置は、第１の実施の形態と同様に、上記第４乃至７の変形例に示すような変形が可能である。すなわち、本実施の形態に係る機械学習装置、機械学習方法、データ処理システム及び推論装置において学習に用いられるあるいは推論される制御パラメータとして、凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量の少なくとも１つに加えて、プロー本体５１の数、プロー本体５１の無端ベルト５への当接位置、混合弁７０の弁開度、ランプ８０の傾斜角度及び洗浄水ＣＬの供給圧力のうちの少なくとも１つを含むことができる。
【0186】
＜第４の実施の形態＞
次に、学習用データセットの入力データあるいは推論ユニットに入力されるデータに含まれる画像データとして、第１の画像データに加えて、薬剤が添加され混合される前の供給汚泥ＳＬ０を撮像した第４の画像データを含むものを、本開示の第４の実施の形態として以下に説明する。なお、以下に示す第４の実施の形態に係る機械学習装置４００及びデータ処理システム４５０の各構成要素のうち、第１の実施の形態に係る機械学習装置１００及びデータ処理システム１５０の各構成要素と共通するものについては、同一の符号を付してその説明を省略する。
次に、学習用データセットの入力データあるいは推論ユニットに入力されるデータに含まれる画像データとして、第１の画像データに加えて、薬剤が添加され混合される前の供給汚泥ＳＬ０を撮像した第４の画像データを含むものを、本開示の第４の実施の形態として以下に説明する。なお、以下に示す第４の実施の形態に係る機械学習装置４００及びデータ処理システム４５０の各構成要素のうち、第１の実施の形態に係る機械学習装置１００及びデータ処理システム１５０の各構成要素と共通するものについては、同一の符号を付してその説明を省略する。
【0187】
図２５は、本開示の第４の実施の形態に関連するベルト型濃縮機の一例を示す概略構造図である。本実施の形態に関連するベルト型濃縮機１Ｃは、図２５に示すように、このベルト型濃縮機１Ｃの処理対象物である供給汚泥ＳＬ０を監視するための第４の監視システムＭ４０を含む点以外は、図１に示したベルト型濃縮機１と実質的に同様の構成を含むものであってよい。したがって、本実施の形態に関連するベルト型濃縮機１Ｃの構成要素のうち、上述したベルト型濃縮機１と同様のものには同一の符号を付してその説明を省略するものとする。
【0188】
第４の監視システムＭ４０は、図２５に示すように、薬剤が添加される前の処理液としての供給汚泥ＳＬ０を監視するためのものであって、少なくとも第４のカメラＭ４１を含むことができる。第４のカメラＭ４１は、少なくとも二次元画像を撮像可能な周知のカメラで構成することができる。また、この第４のカメラＭ４１は、供給汚泥用配管１５内を通過する供給汚泥ＳＬ０を撮像するために、その撮像面を供給汚泥用配管１５内部に向けて取り付けられている。この第４のカメラＭ４１の具体的な撮像方法については適宜設定することができるが、例えば供給汚泥用配管１５の第４のカメラＭ４１を取り付ける箇所に周知のサイトグラスを設け、このサイトグラスが備える窓を介して供給汚泥ＳＬ０を撮像する方法を採用することができる。
【0189】
図２６は、本開示の第４の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。本実施の形態に係る機械学習装置４００は、図２６に示すように、学習用データセット取得ユニット１０１と、第７の学習用データセット記憶ユニット１０２７と、第７の学習ユニット１０３７と、学習済モデル記憶ユニット１０４とを含むものとすることができる。
【0190】
本実施の形態に係る学習用データセット取得ユニット１０１は、第１の監視システムＭ１０によって取得された第１の画像データと、第４の監視システムＭ４０によって取得された第４の画像データと、これらの画像データに対応付けられる制御パラメータを取得することができる。本実施の形態においても、制御パラメータとしては、凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量のうちの少なくとも１つを採用することができる。また、この学習用データセット取得ユニット１０１が取得する複数のデータは、メインコントロールユニットＭＣ、第１の監視システムＭ１０及び第４の監視システムＭ４０に接続されたコンピュータＰＣ１を介して取得すればよい。なお、図２６においては、その理解を容易にするために、メインコントロールユニットＭＣと第１の監視システムＭ１０及び第４の監視システムＭ４０とを別々に図示したものを例示しているが、第１の監視システムＭ１０及び第４の監視システムＭ４０はその少なくとも一部がメインコントロールユニットＭＣ内に含まれていてもよい。
【0191】
第７の学習用データセット記憶ユニット１０２７は、第１の実施の形態に係る学習用データセット記憶ユニット１０２と同様に、学習用データセット取得ユニット１０１で取得した学習用データセットを構成する複数のデータを、関連する入力データと出力データとを関連付けて１つの学習用データセットとし、格納するためのデータベースとすることができる。他方、この第７の学習用データセット記憶ユニット１０２７内に格納される第７の学習用データセットは、第１の画像データ及び第４の画像データを第７の入力データとし、第７の入力データとしての画像データに対応付けられた制御パラメータを第７の出力データとしたものとすることができる。
【0192】
第７の学習ユニット１０３７は、第７の学習用データセット記憶ユニット１０２７に記憶された第７の学習用データセットを複数組入力することで、第７の入力データと第７の出力データとの間の相関関係を学習するものである。本実施の形態においても、上述した第１の実施の形態と同様、機械学習の具体的な手法としてニューラルネットワークを用いた教師あり学習を採用することができる。この第７の学習ユニット１０３７における具体的な機械学習方法は、学習に用いる学習用データセットが異なるものの、その工程は第１の実施の形態に係る機械学習方法と同様である。また、学習済モデル記憶ユニット１０４は、第７の学習ユニット１０３７で生成された学習済モデルを記憶するためのデータベースである。
【0193】
図２７は、本開示の第４の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。本実施の形態に係るデータ処理システム４５０は、図２７に示すように、主に画像データ取得ユニット１５１と、第７の推論ユニット１５２７とを含み、加えて、学習済モデル記憶ユニット１５３と、調整ユニット１５４とを含むことができる。上述した各構成要素のうち、画像データ取得ユニット１５１、学習済モデル記憶ユニット１５３及び調整ユニット１５４は、上述した第１の実施の形態に係るデータ処理システム１５０のものと同様のものであってよい。ただし、画像データ取得ユニット１５１は、第１の画像データに加えて、第４の画像データを取得することができる。そのため、第１の監視システムＭ１０と第４の監視システムＭ４０の両方に接続されている。
【0194】
第７の推論ユニット１５２７は、学習済モデル記憶ユニット１５３に格納された第７の学習済モデルを参酌することができる。これにより、画像データ取得ユニット１５１で取得した第１及び第４の画像データが入力されると、調整ユニット１５４にて調整を行う制御パラメータを推論することができる。
【0195】
上述した構成を含むデータ処理システム４５０により、ベルト型濃縮機１Ｃを動作させる制御パラメータを調整する際は、以下の処理を実行すればよい。すなわち、先ず画像データ取得ユニット１５１において、第１の監視システムＭ１０及び第４の監視システムＭ４０において所望のタイミングで撮像された第１の画像データ及び第４の画像データを取得する。次いで、取得した第１の画像データ及び第４の画像データを、第７の推論ユニット１５２７において予め準備された第７の学習済モデルの入力層に入力することで、１乃至複数（例えば３つ）の制御パラメータを推論する。そして、推論結果としての３つの制御パラメータを、調整ユニット１５４を介して対応する各制御ユニット４１～４３に送り、各制御ユニット４１～４３が対応するアクチュエータを動作させることで、凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量とを調整する。なお、第１の画像データの撮像タイミングと、第４の画像データの撮像タイミングとは、例えば同一の対象物を撮像するよう調整されると好ましい。また、本変形例に係る推論装置については、プロセッサによる推論の処理が上述したデータ処理システム４５０における推論の処理に対応する点以外は第１の実施の形態に係るものと同様であるので、詳細な説明は省略する。
【0196】
以上説明した通り、本実施の形態に係る機械学習装置４００及び機械学習方法によれば、入力データとして２つの画像データを採用することで、画像データが１つのみの場合に比べて入力データと出力データとの間の相関関係が学習しやすくなることが期待できる。よって、比較的少ない学習用データセットの数で、十分な精度の推論が可能な各学習済モデルを生成することができる。また、本実施の形態に係るデータ処理システム４５０及び推論装置によれば、第１及び第４の画像データという２つの画像データのみから、ベルト型濃縮機１Ｃの好ましい制御パラメータを推定できるため、このデータ処理システム４５０を比較的簡単にベルト型濃縮機１ＣのメインコントロールユニットＭＣに適用することができる。そして、制御パラメータの調整を運転員の判断に依存することなく簡単に行うことができるようになる。
【0197】
オプションとして、本実施の形態に係る機械学習装置、機械学習方法、データ処理装置及び推論装置は、第１の実施の形態と同様に、上記第１の変形例に示すような変形が可能である。すなわち、第１及び第４の画像データから制御パラメータを推論するに際し、複数の学習済モデルを用いて推論を行うものとすることができる。ただし、本実施の形態においては、学習及び推論に第１の画像データのみならず第４の画像データをも利用されるため、両画像データそれぞれに、その特徴量との相関関係を学習する必要がある。したがって、本実施の形態において第１の変形例を適用する場合には、機械学習装置として、第１の画像データと第１の画像データの特徴量との相関関係を学習するものと、第４の画像データと第４の画像データの特徴量（具体的には供給汚泥ＳＬ０の色値、密度等）との相関関係を学習するものと、第１の画像データの特徴量及び第４の画像データの特徴量と制御パラメータとの相関関係を学習するものの、３つの学習ユニットを準備するとよい。そして、機械学習方法としては、上述した３つの相関関係を学習するとよい。また、データ処理システム及び推論装置としては、上述した３つの学習ユニットで学習された学習済モデルを用いて推論を行う３つの推論ユニットを準備し、対応するデータを順次入力することで、制御パラメータを推論すればよい。
【0198】
また、オプションとして、本実施の形態に係る機械学習装置、機械学習方法、データ処理装置及び推論装置は、第１の実施の形態と同様に、上記第２の変形例に示すような変形が可能である。すなわち、第１及び第４の画像データに加えて、ベルト型濃縮機１Ｃの状態変数を学習及び推論に用いることができる。なお、本実施の形態において学習及び推論に用いられる状態変数としては、濃縮汚泥濃度及びろ液濃度のうちの少なくとも１つを採用するとよい。なお、ベルト型濃縮機１Ｃの状態変数としては、上記２つに加えて供給汚泥濃度を挙げることができるが、供給汚泥濃度は第４の画像データと比較的高い相関が認められるものであるため、他の状態変数に比して学習及び推論における影響力が小さいことが予測される。よって、本実施の形態における第２の変形例としては、状態変数として供給汚泥濃度を採用しなくてもよい。これに関連して、本実施の形態に関連するベルト型濃縮機１Ｃは、図２５に示すように、供給汚泥濃度センサ６１を有していなくてよい。
【0199】
さらに、オプションとして、本実施の形態に係る機械学習装置、機械学習方法、データ処理装置及び推論装置は、第１の実施の形態と同様に、上記第３の変形例に示すような変形が可能である。すなわち、第１及び第４の画像データに加えて、ベルト型濃縮機１Ｃの状態変数を学習及び推論に用い、且つ第１及び第４の画像データ及び状態変数から制御パラメータを推論するに際し、複数の学習済モデルを用いて推論を行うものとすることができる。具体的には、本実施の形態において第３の変形例を適用する場合には、機械学習装置として、第１の画像データと第１の画像データの特徴量との相関関係を学習するものと、第４の画像データと第４の画像データの特徴量との相関関係を学習するものと、第１の画像データの特徴量、第４の画像データの特徴量及び状態変数（例えば供給汚泥濃度、濃縮汚泥濃度及びろ液濃度）と制御パラメータとの相関関係を学習するものの、３つの学習ユニットを準備するとよい。そして、機械学習方法としては、上述した３つの相関関係を学習するとよい。また、データ処理システム及び推論装置としては、上述した３つの学習ユニットで学習された学習済モデルを用いて推論を行う３つの推論ユニットを準備し、対応するデータを順次入力することで、制御パラメータを推論すればよい。
【0200】
さらにまた、オプションとして、本実施の形態に係る機械学習装置、機械学習方法、データ処理装置及び推論装置は、第１の実施の形態と同様に、上記第４乃至７の変形例に示すような変形が可能である。すなわち、本実施の形態に係る機械学習装置、機械学習方法、データ処理システム及び推論装置において学習に用いられるあるいは推論される制御パラメータとして、凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量の少なくとも１つに加えて、プロー本体５１の数、プロー本体５１の無端ベルト５への当接位置、混合弁７０の弁開度、ランプ８０の傾斜角度及び洗浄水ＣＬの供給圧力のうちの少なくとも１つを含むことができる。
【0201】
＜第５の実施の形態＞
次に、学習用データセットの入力データあるいは推論ユニットに入力されるデータに含まれる画像データとして、第１の画像データに加えて、無端ベルト５で分離されたろ液を撮像した第５の画像データを含むものを、本開示の第５の実施の形態として以下に説明する。なお、以下に示す第５の実施の形態に係る機械学習装置５００及びデータ処理システム５５０の各構成要素のうち、第１の実施の形態に係る機械学習装置１００及びデータ処理システム１５０の各構成要素と共通するものについては、同一の符号を付してその説明を省略する。
次に、学習用データセットの入力データあるいは推論ユニットに入力されるデータに含まれる画像データとして、第１の画像データに加えて、無端ベルト５で分離されたろ液を撮像した第５の画像データを含むものを、本開示の第５の実施の形態として以下に説明する。なお、以下に示す第５の実施の形態に係る機械学習装置５００及びデータ処理システム５５０の各構成要素のうち、第１の実施の形態に係る機械学習装置１００及びデータ処理システム１５０の各構成要素と共通するものについては、同一の符号を付してその説明を省略する。
【0202】
図２８は、本開示の第５の実施の形態に関連するベルト型濃縮機の一例を示す概略構造図である。本実施の形態に関連するベルト型濃縮機１Ｄは、図２８に示すように、無端ベルト５により分離されろ液排出部３０に排出されるろ液ＦＩを監視するための第５の監視システムＭ５０を含む点以外は、図１に示したベルト型濃縮機１と実質的に同様の構成を含むものであってよい。したがって、本実施の形態に関連するベルト型濃縮機１Ｄの構成要素のうち、上述したベルト型濃縮機１と同様のものには同一の符号を付してその説明を省略するものとする。
【0203】
第５の監視システムＭ５０は、図２８に示すように、ろ液ＦＩを監視するためのものであって、少なくとも第５のカメラＭ５１を含むことができる。第５のカメラＭ５１は、少なくとも二次元画像を撮像可能な周知のカメラで構成することができる。また、この第５のカメラＭ５１は、ろ液用配管３３内を通過するろ液ＦＩを撮像するために、その撮像面をろ液用配管３３内部に向けて取り付けられている。この第５のカメラＭ５１の具体的な撮像方法については適宜設定することができるが、例えば上述した第４のカメラＭ４１と同様に、ろ液用配管３３の任意の箇所に周知のサイトグラスを設け、このサイトグラスが備える窓を介してろ液用配管３３内のろ液ＦＩを撮像する方法を採用することができる。
【0204】
図２９は、本開示の第５の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。本実施の形態に係る機械学習装置５００は、図２９に示すように、学習用データセット取得ユニット１０１と、第８の学習用データセット記憶ユニット１０２８と、第８の学習ユニット１０３８と、学習済モデル記憶ユニット１０４とを含むものとすることができる。
【0205】
本実施の形態に係る学習用データセット取得ユニット１０１は、第１の監視システムＭ１０によって取得された第１の画像データと、第５の監視システムＭ５０によって取得された第５の画像データと、これらの画像データに対応付けられる制御パラメータを取得することができる。本実施の形態においても、制御パラメータとしては、凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量のうちの少なくとも１つを採用することができる。また、この学習用データセット取得ユニット１０１が取得する複数のデータは、メインコントロールユニットＭＣ、第１の監視システムＭ１０及び第５の監視システムＭ５０に接続されたコンピュータＰＣ１を介して取得すればよい。なお、図２９においては、その理解を容易にするために、メインコントロールユニットＭＣと第１の監視システムＭ１０及び第５の監視システムＭ５０とを別々に図示したものを例示しているが、第１の監視システムＭ１０及び第５の監視システムＭ５０はその少なくとも一部がメインコントロールユニットＭＣ内に含まれていてもよい。
【0206】
第８の学習用データセット記憶ユニット１０２８は、第１の実施の形態に係る学習用データセット記憶ユニット１０２と同様に、学習用データセット取得ユニット１０１で取得した学習用データセットを構成する複数のデータを、関連する入力データと出力データとを関連付けて１つの学習用データセットとし、格納するためのデータベースとすることができる。他方、この第８の学習用データセット記憶ユニット１０２８内に格納される第８の学習用データセットは、第１の画像データ及び第５の画像データを第８の入力データとし、第８の入力データとしての画像データに対応付けられた制御パラメータを第８の出力データとしたものとすることができる。
【0207】
第８の学習ユニット１０３８は、第８の学習用データセット記憶ユニット１０２８に記憶された第８の学習用データセットを複数組入力することで、第８の入力データと第８の出力データとの間の相関関係を学習するものである。本実施の形態においても、上述した第１の実施の形態と同様、機械学習の具体的な手法としてニューラルネットワークを用いた教師あり学習を採用することができる。この第８の学習ユニット１０３８における具体的な機械学習方法は、学習に用いる学習用データセットが異なるものの、その工程は第１の実施の形態に係る機械学習方法と同様である。また、学習済モデル記憶ユニット１０４は、第８の学習ユニット１０３８で生成された学習済モデルを記憶するためのデータベースである。
【0208】
図３０は、本開示の第５の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。本実施の形態に係るデータ処理システム５５０は、図３０に示すように、主に画像データ取得ユニット１５１と、第８の推論ユニット１５２８とを含み、加えて、学習済モデル記憶ユニット１５３と、調整ユニット１５４とを含むことができる。上述した各構成要素のうち、画像データ取得ユニット１５１、学習済モデル記憶ユニット１５３及び調整ユニット１５４は、上述した第１の実施の形態に係るデータ処理システム１５０のものと同様のものであってよい。ただし、画像データ取得ユニット１５１は、第１の画像データに加えて、第５の画像データを取得することができる。そのため、第１の監視システムＭ１０と第５の監視システムＭ５０の両方に接続されている。
【0209】
第８の推論ユニット１５２８は、学習済モデル記憶ユニット１５３に格納された第８の学習済モデルを参酌することができる。これにより、画像データ取得ユニット１５１で取得した第１及び第５の画像データが入力されると、調整ユニット１５４にて調整を行う制御パラメータを推論することができる。
【0210】
上述した構成を含むデータ処理システム５５０により、ベルト型濃縮機１Ｄを動作させる制御パラメータを調整する際は、以下の処理を実行すればよい。すなわち、先ず画像データ取得ユニット１５１において、第１の監視システムＭ１０及び第５の監視システムＭ５０において所望のタイミングで撮像された第１の画像データ及び第５の画像データを取得する。次いで、第１の画像データ及び第５の画像データを、第８の推論ユニット１５２８において予め準備された第８の学習済モデルの入力層に入力することで、１乃至複数（例えば３つ）の制御パラメータを推論する。そして、推論結果としての３つの制御パラメータを、調整ユニット１５４を介して対応する各制御ユニット４１～４３に送り、各制御ユニット４１～４３が対応するアクチュエータを動作させることで、凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量とを調整する。なお、第１の画像データの撮像タイミングと、第５の画像データの撮像タイミングとは、例えば同一の対象物を撮像するよう調整されると好ましい。また、本変形例に係る推論装置については、プロセッサによる推論の処理が上述したデータ処理システム５５０における推論の処理に対応する点以外は第１の実施の形態に係るものと同様であるので、詳細な説明は省略する。
【0211】
以上説明した通り、本実施の形態に係る機械学習装置５００及び機械学習方法によれば、入力データとして２つの画像データを採用することで、画像データが１つのみの場合に比べて入力データと出力データとの間の相関関係が学習しやすくなることが期待できる。よって、比較的少ない学習用データセットの数で、十分な精度の推論が可能な各学習済モデルを生成することができる。また、本実施の形態に係るデータ処理システム５５０及び推論装置によれば、第１及び第５の画像データという２つの画像データのみから、ベルト型濃縮機１Ｄの好ましい制御パラメータを推定できるため、このデータ処理システム５５０を比較的簡単にベルト型濃縮機１ＤのメインコントロールユニットＭＣに適用することができる。そして、制御パラメータの調整を運転員の判断に依存することなく簡単に行うことができるようになる。
【0212】
オプションとして、本実施の形態に係る機械学習装置、機械学習方法、データ処理装置及び推論装置は、第１の実施の形態と同様に、上記第１の変形例に示すような変形が可能である。すなわち、第１及び第５の画像データから制御パラメータを推論するに際し、複数の学習済モデルを用いて推論を行うものとすることができる。ただし、本実施の形態においては、学習及び推論に第１の画像データのみならず第５の画像データをも利用されるため、両画像データそれぞれに、その特徴量との相関関係を学習する必要がある。したがって、本実施の形態において第１の変形例を適用する場合には、機械学習装置として、第１の画像データと第１の画像データの特徴量との相関関係を学習するものと、第５の画像データと第５の画像データの特徴量（具体的にはろ液ＦＩの色値、密度等）との相関関係を学習するものと、第１の画像データの特徴量及び第５の画像データの特徴量と制御パラメータとの相関関係を学習するものの、３つの学習ユニットを準備するとよい。そして、機械学習方法としては、上述した３つの相関関係を学習するとよい。また、データ処理システム及び推論装置としては、上述した３つの学習ユニットで学習された学習済モデルを用いて推論を行う３つの推論ユニットを準備し、対応するデータを順次入力することで、制御パラメータを推論すればよい。
【0213】
また、オプションとして、本実施の形態に係る機械学習装置、機械学習方法、データ処理装置及び推論装置は、第１の実施の形態と同様に、上記第２の変形例に示すような変形が可能である。すなわち、第１及び第５の画像データに加えて、ベルト型濃縮機１Ｄの状態変数を学習及び推論に用いることができる。なお、本実施の形態において学習及び推論に用いられる状態変数としては、供給汚泥濃度及び濃縮汚泥濃度のうちの少なくとも１つを採用するとよい。なお、ベルト型濃縮機１Ｄの状態変数としては、上記２つに加えてろ液濃度を挙げることができるが、ろ液濃度は第５の画像データと比較的高い相関が認められるものであるため、他の状態変数に比して学習及び推論における影響力が小さいことが予測される。よって、本実施の形態における第２の変形例としては、状態変数としてろ液濃度を採用しなくてもよい。これに関連して、本実施の形態に関連するベルト型濃縮機１Ｄは、図２８に示すように、ろ液濃度センサ６３を有していなくてよい。
【0214】
さらに、オプションとして、本実施の形態に係る機械学習装置、機械学習方法、データ処理装置及び推論装置は、第１の実施の形態と同様に、上記第３の変形例に示すような変形が可能である。すなわち、第１及び第５の画像データに加えて、ベルト型濃縮機１Ｄの状態変数を学習及び推論に用い、且つ第１及び第５の画像データ及び状態変数から制御パラメータを推論するに際し、複数の学習済モデルを用いて推論を行うものとすることができる。具体的には、本実施の形態において第３の変形例を適用する場合には、機械学習装置として、第１の画像データと第１の画像データの特徴量との相関関係を学習するものと、第５の画像データと第５の画像データの特徴量との相関関係を学習するものと、第１の画像データの特徴量、第５の画像データの特徴量及び状態変数（例えば供給汚泥濃度と濃縮汚泥濃度）と制御パラメータとの相関関係を学習するものの、３つの学習ユニットを準備するとよい。そして、機械学習方法としては、上述した３つの相関関係を学習するとよい。また、データ処理システム及び推論装置としては、上述した３つの学習ユニットで学習された学習済モデルを用いて推論を行う３つの推論ユニットを準備し、対応するデータを順次入力することで、制御パラメータを推論すればよい。
【0215】
さらにまた、オプションとして、本実施の形態に係る機械学習装置、機械学習方法、データ処理装置及び推論装置は、第１の実施の形態と同様に、上記第４乃至７の変形例に示すような変形が可能である。すなわち、本実施の形態に係る機械学習装置、機械学習方法、データ処理システム及び推論装置において学習に用いられるあるいは推論される制御パラメータとして、凝集汚泥ＳＬ１の薬注率と、無端ベルト５の走行速度と、凝集汚泥ＳＬ１の無端ベルト５上への供給量の少なくとも１つに加えて、プロー本体５１の数、プロー本体５１の無端ベルト５への当接位置、混合弁７０の弁開度、ランプ８０の傾斜角度及び洗浄水ＣＬの供給圧力のうちの少なくとも１つを含むことができる。
【0216】
上述した第２乃至第５の実施の形態においては、学習用データセットの入力データあるいは推論ユニットに入力されるデータに含まれる画像データとして、２つの画像データを用いる場合について例示したが、本開示はこれに限定されない。例えば、学習用データセットの入力データあるいは推論ユニットに入力されるデータに含まれる画像データとして、３つ以上の画像データを採用することも可能である。具体的には、第１の画像データと、第２乃至第５の画像データのうちの２つ以上とを学習用データセットの入力データ及び推論ユニットに入力されるデータに採用することができる。なお、このように学習用データセットの入力データあるいは推論ユニットに入力されるデータに含まれる画像データとして、３つ以上の画像データを採用した場合における機械学習装置、機械学習方法、データ処理システム及び推論装置の具体的な構造等については、上述した各実施の形態の説明に基づいて、当業者であればその構成等を理解することができるため、ここでは説明を省略する。同様に、学習用データセットの入力データあるいは推論ユニットに入力されるデータに含まれる画像データとして３つ以上の画像データを採用した場合においても、上述した第１乃至第７の変形例に示した変形は可能である。このような変形についても、上述した各実施の形態及び変形例の説明に基づいて、当業者であればその構成等を理解することができるため、ここでは説明を省略する。
【0217】
オプションとして、上記実施の形態においては、学習済モデルを得るために、学習ユニット１０３、１０３１～１０３８においてバッチ学習により学習を行った場合を説示しているが、本開示はこれに限定されない。例えば、バッチ学習により学習された学習済モデルを、オンライン学習を行うことで更なる精度向上を図ってもよい。その場合には、画像データ取得ユニット１５１及び付加変数取得ユニット１５５が取得した画像データ及び付加変数と、推論ユニット１５２によって推論された制御パラメータであって、特に調整ユニット１５４における調整の結果、濃縮結果が改善された時の制御パラメータとを一組のオンライン学習用データセットとして図示しないデータベースに一時的に格納しておき、任意のタイミングで格納された当該オンライン学習用データセットによる機械学習処理（例えば図６に示した方法によるもの）を実行すれば良い。
【0218】
また、上述のデータ処理システム１５０、２５０、３５０、４５０、５５０はメインコントロールユニットＭＣ内に適用されているが、これに代えて、例えばメインコントロールユニットＭＣに通信可能に接続された他のコンピュータや、メインコントロールユニットＭＣにネットワークを介して接続されたサーバ装置、クラウドベースのデータ処理プラットフォーム等に適用することも可能である。ただし、本実施の形態に係るベルト型濃縮機は、その処理内容（被処理液の種類や単位時間当たりの処理量等）や周辺環境（気候等）が装置毎に大きく異なる場合が通常であるため、あらゆるベルト型濃縮機に適用できるような汎用的な学習済モデルを生成すること等は効率的でない。したがって、データ処理システム１５０、２５０、３５０、４５０、５５０及び上述した機械学習プロセスは、ベルト型濃縮機毎に適用して運用することが現実的であり好ましい。
【0219】
上述した実施の形態は一例を示したものに過ぎず、以って本開示は上述した実施の形態に限定されるものではなく、本開示の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本開示の技術思想に含まれるものである。また、本開示において、各構成要素は、矛盾が生じない限りは１つのみ存在しても２つ以上存在してもよい。
【符号の説明】
【0220】
１、１Ａ～１Ｄ ベルト型濃縮機
３、４ ローラ
５ 無端ベルト
６ 駆動部
１０ 供給部
２０ 濃縮汚泥排出部
３０ ろ液排出部
４１～４３ 第１～第３の制御ユニット
５０、５０－１～５０－５ プロー（濃縮補助部材）
５１ プロー本体
６１ 供給汚泥濃度センサ
６２ 濃縮汚泥濃度センサ
６３ ろ液濃度センサ
８０ ランプ
９０ 洗浄ノズル
１００、１００Ａ～１００Ｃ、２００、３００、４００、５００ 機械学習装置
１０１ 学習用データセット取得ユニット
１０１１～１０１８ 第１～第８の学習用データセット取得ユニット
１０２ 学習用データセット記憶ユニット
１０３ 学習ユニット
１０４ 学習済モデル記憶ユニット
１５０、１５０Ａ～１５０Ｃ、２５０、３５０、４５０、５５０ データ処理システム
１５１ 画像データ取得ユニット
１５２ 推論ユニット
１５２１～１５２８ 第１～第８の推論ユニット
１５３ 学習済モデル記憶ユニット
１５４ 調整ユニット
１５５ 付加変数取得ユニット
ＳＬ０ 供給汚泥（被処理液）
ＳＬ１ 凝集汚泥（被処理液）
ＳＬ２ 濃縮汚泥（濃縮被処理液）
ＦＩ ろ液（分離液）
ＭＣ メインコントロールユニット
Ｍ１０～Ｍ５０ 第１～第５の監視システム
Ｍ１１～Ｍ５１ 第１～第５のカメラ
ＩＡ 撮像領域
３、４ ローラ
５ 無端ベルト
６ 駆動部
１０ 供給部
２０ 濃縮汚泥排出部
３０ ろ液排出部
４１～４３ 第１～第３の制御ユニット
５０、５０－１～５０－５ プロー（濃縮補助部材）
５１ プロー本体
６１ 供給汚泥濃度センサ
６２ 濃縮汚泥濃度センサ
６３ ろ液濃度センサ
８０ ランプ
９０ 洗浄ノズル
１００、１００Ａ～１００Ｃ、２００、３００、４００、５００ 機械学習装置
１０１ 学習用データセット取得ユニット
１０１１～１０１８ 第１～第８の学習用データセット取得ユニット
１０２ 学習用データセット記憶ユニット
１０３ 学習ユニット
１０４ 学習済モデル記憶ユニット
１５０、１５０Ａ～１５０Ｃ、２５０、３５０、４５０、５５０ データ処理システム
１５１ 画像データ取得ユニット
１５２ 推論ユニット
１５２１～１５２８ 第１～第８の推論ユニット
１５３ 学習済モデル記憶ユニット
１５４ 調整ユニット
１５５ 付加変数取得ユニット
ＳＬ０ 供給汚泥（被処理液）
ＳＬ１ 凝集汚泥（被処理液）
ＳＬ２ 濃縮汚泥（濃縮被処理液）
ＦＩ ろ液（分離液）
ＭＣ メインコントロールユニット
Ｍ１０～Ｍ５０ 第１～第５の監視システム
Ｍ１１～Ｍ５１ 第１～第５のカメラ
ＩＡ 撮像領域
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】
【図26】
【図27】
【図28】
【図29】
【図30】
