特開 2023-132828 臭気予測システム、臭気予測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】P2023132828

(43)【公開日】2023-09-22

(54)【発明の名称】臭気予測システム、臭気予測方法及び学習モデルの学習方法

(51)【国際特許分類】

   C02F 1/00 20230101AFI20230914BHJP

【ＦＩ】

C02F1/00 F

【審査請求】未請求

【請求項の数】7

【出願形態】ＯＬ

(21)【出願番号】P 2022038371

(22)【出願日】2022-03-11

(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】高橋 宏幸

(57)【要約】

【課題】被処理水からの臭気の発生状況を精度良く予測する臭気予測システム、臭気予測方法及び学習モデルの学習方法を提供する。
【解決手段】水処理システムにおいて処理が行われる被処理水の第１臭気情報と、被処理水の状態についての第１状態条件と被処理水を処理する際の水処理システムの第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に対して、新たな被処理水の第２状態条件と新たな被処理水を処理する際の水処理システムの第２環境条件とのうちの少なくともいずれかを示す第２条件情報を入力し、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臭気情報を新たな被処理水の第２臭気情報として出力する制御装置を備える。
【選択図】図２

【特許請求の範囲】

【請求項1】

水処理システムにおいて処理が行われる被処理水の第１臭気情報と、前記被処理水の状態についての第１状態条件と前記被処理水を処理する際の前記水処理システムの第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に対して、新たな被処理水の第２状態条件と前記新たな被処理水を処理する際の前記水処理システムの第２環境条件とのうちの少なくともいずれかを示す第２条件情報を入力し、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臭気情報を前記新たな被処理水の第２臭気情報として出力する制御装置を備えた、臭気予測システム。

【請求項2】

さらに、前記水処理システムにおいて前記被処理水の脱臭を行う脱臭装置を有し、
前記制御装置は、出力した前記第２臭気情報に基づいて、前記脱臭装置を制御する、請求項１に記載の臭気予測システム。

【請求項3】

前記制御装置は、
前記被処理水の臭気情報と、前記被処理水の１種類以上の臭気のそれぞれに対応する物質の第１濃度との関係を示す情報に基づき、前記第２臭気情報に対応する前記第１濃度を算出し、
算出した前記第１濃度を出力する、請求項１に記載の臭気予測システム。

【請求項4】

前記制御装置は、
前記被処理水の臭気情報と、前記被処理水の特定種類の臭気に対応する１以上の物質のそれぞれの第２濃度との関係を示す情報に基づき、前記第２臭気情報に対応する前記第２濃度を算出し、
算出した前記第２濃度を出力する、請求項１に記載の臭気予測システム。

【請求項5】

水処理システムにおいて処理が行われる被処理水の第１臭気情報と、前記被処理水の状態についての第１状態条件と前記被処理水を処理する際の前記水処理システムの第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、新たな被処理水の第２状態条件と前記新たな被処理水を処理する際の前記水処理システムの第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処理水の第２臭気情報を出力する学習モデルを生成する情報処理装置を備えた、臭気予測システム。

【請求項6】

水処理システムにおいて処理が行われる被処理水の第１臭気情報と、前記被処理水の状態についての第１状態条件と前記被処理水を処理する際の前記水処理システムの第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に対して、新たな被処理水の第２状態条件と前記新たな被処理水を処理する際の前記水処理システムの第２環境条件とのうちの少なくともいずれかを示す第２条件情報を入力し、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臭気情報を前記新たな被処理水の第２臭気情報として出力する、臭気予測方法。

【請求項7】

水処理システムにおいて処理が行われる被処理水の第１臭気情報と、前記被処理水の状態についての第１状態条件と前記被処理水を処理する際の前記水処理システムの第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、新たな被処理水の第２状態条件と前記新たな被処理水を処理する際の前記水処理システムの第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処理水の第２臭気情報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、臭気予測システム、臭気予測方法及び学習モデルの学習方法に関する。

【背景技術】

【0002】

例えば、上水プラントに設置された浄水処理システムでは、河川水等の原水（以下、単に原水とも呼ぶ）に含まれる浮遊物（ＳＳ：Ｓｕｓｐｅｎｄｅｄ Ｓｏｌｉｄｓ）の除去が行われる。また、例えば、下水プラントに設置された下水処理システムでは、汚泥等を含む下水（以下、単に下水とも呼ぶ）に含まれる有機物や浮遊物質等の除去が行われる（特許文献１及び２を参照）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２００４－０７３９０３号公報

【特許文献2】特開２０２１－０７９３３５号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

上記のような浄水処理システムや下水処理システム（以下、これらを総称して単に水処理システムとも呼ぶ）では、例えば、水処理システム内の各設備において原水や下水（以下、これらを総称して単に被処理水とも呼ぶ）から発生する臭気を抑制する必要がある。そのため、上記のような水処理システムでは、例えば、被処理水からの臭気の発生状況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】

上記のような臭気の発生状況を精度良く予測するため、本発明における臭気予測システムは、水処理システムにおいて処理が行われる被処理水の第１臭気情報と、前記被処理水の状態についての第１状態条件と前記被処理水を処理する際の前記水処理システムの第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に対して、新たな被処理水の第２状態条件と前記新たな被処理水を処理する際の前記水処理システムの第２環境条件とのうちの少なくともいずれかを示す第２条件情報を入力し、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臭気情報を前記新たな被処理水の第２臭気情報として出力する制御装置を備える。

【発明の効果】

【0006】

本発明における臭気予測システム、臭気予測方法及び学習モデルの学習方法によれば、被処理水からの臭気の発生状況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、比較例における臭気測定システム８００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臭気予測システム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情報処理装置４０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制御装置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、脱臭制御処理を説明するフローチャート図である。

【図9】図９は、第１の実施の形態における臭気予測システム１００の変形例について説明する図である。

【図10】図１０は、第１の実施の形態における臭気予測システム１００の変形例について説明する図である。

【図11】図１１は、第１の実施の形態における臭気予測システム１００の変形例について説明する図である。

【図12】図１２は、第２の比較例における臭気測定システム９００の構成例を説明する図である。

【図13】図１３は、第２の実施の形態における臭気予測システム２００の構成例を説明する図である。

【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】

［第１の比較例における臭気測定システム８００］
初めに、第１の比較例における臭気測定システム８００について説明を行う。図１は、第１の比較例における臭気測定システム８００の構成例を説明する図である。

【0010】

臭気測定システム８００は、例えば、水処理システム１０を有する。

【0011】

また、水処理システム１０は、上水プラントに配置される浄水処理システムであり、例えば、沈砂池１１と、着水井１２と、混和池１３と、フロック形成池１４と、沈殿池１５と、濾過池１６と、浄水池１７と、配水池１８とを有する。

【0012】

沈砂池１１は、例えば、被処理水（原水）が最初に流入する槽であり、被処理水に含まれる土砂等を沈殿除去する槽である。

【0013】

着水井１２は、例えば、沈砂池１１から供給された被処理水の供給量を調整して混和池１３に供給する槽である。

【0014】

混和池１３は、例えば、着水井１２から供給された被処理水に対して凝集剤を注入して撹拌する槽である。

【0015】

フロック形成池１４は、例えば、混和池１３から供給された被処理水に含まれる浮遊物を注入された凝集剤により凝集させることによってフロックを形成する槽である。

【0016】

沈殿池１５は、例えば、フロック形成池１４から供給された被処理水に含まれるフロックを沈殿させて被処理水から分離する槽である。

【0017】

濾過池１６は、例えば、砂や砂利等からなる濾過体（図示せず）を用いることによって、沈殿池１５から供給された被処理水の濾過を行う槽である。

【0018】

浄水池１７は、例えば、濾過池１６から供給された被処理水（例えば、濾過池１６の後段において塩素消毒が行われた後の被処理水）を一時的に貯留して配水池１８に供給する槽である。

【0019】

配水池１８は、例えば、浄水池１７から供給された被処理水（処理水）を一時的に貯留して家庭等（図示せず）に供給する。

【0020】

なお、水処理システム１０は、例えば、沈砂池１１、着水井１２、混和池１３、フロック形成池１４、沈殿池１５、濾過池１６、浄水池１７及び配水池１８以外の他の設備を有するものであってもよい。具体的に、水処理システム１０は、例えば、沈殿池１５において分離されたフロックを濃縮する濃縮槽（図示せず）を有するものであってもよい。

【0021】

また、臭気測定システム８００は、例えば、脱臭装置２０と、制御装置８３０とを有する。

【0022】

脱臭装置２０は、例えば、水処理システム１０において被処理水の脱臭を行う装置である。具体的に、脱臭装置２０は、例えば、活性炭や脱臭フィルタを用いることによって、被処理水（例えば、着水井１２に貯留された被処理水）の脱臭を行う。

【0023】

制御装置８３０は、例えば、水処理システム１０における臭気の発生状況を示す情報（以下、臭気情報とも呼ぶ）に基づいて脱臭装置２０を制御する。制御装置８３０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。また、臭気情報は、例えば、水処理システム１０における被処理水の臭気指数、臭気強度、臭気の種類、臭気の有無、臭気の構成物質及び臭気の各構成物質の濃度等のうちの少なくともいずれかを示す情報である。以下、臭気情報が臭気指数である場合について説明を行う。

【0024】

具体的に、作業者ＯＰは、図１に示すように、例えば、着水井１２、沈殿池１５及び配水池１８のうちの少なくともいずれかにおいて被処理水を取得する。そして、作業者ＯＰは、例えば、取得した被処理水の臭気指数を作業者ＯＰの嗅覚によって測定する。さらに、作業者ＯＰは、例えば、測定した臭気指数を制御装置８３０に入力する。その後、制御装置３０は、例えば、作業者ＯＰによって入力された臭気指数に基づいて、脱臭装置２０の制御（例えば、活性炭の供給量制御や脱臭フィルタの設定制御等）を行う。

【0025】

しかしながら、上記のように作業者ＯＰが臭気指数の測定を行う場合、作業者ＯＰの作業時間が長くなるだけでなく、臭いが付着する可能性があるもの（石鹸や煙草等）の使用が制限されるため、作業者ＯＰの作業負担が大きくなる。また、複数の作業者ＯＰが臭気指数の測定を分担して行う場合、複数の作業者ＯＰ間において測定結果の個人差の発生する可能性があり、臭気指数の測定が精度良く安定的に行われない場合がある。さらに、被処理水の取得場所と臭気指数の測定場所とが異なる場合、臭気指数の測定を連続的に行うことができず、臭気指数の測定を効率的に行うことができない。

【0026】

これに対し、臭気測定システム８００では、例えば、被処理水の分析装置（図示せず）が用いられる場合がある。これにより、臭気測定システム８００では、例えば、臭気指数の測定に要する作業者ＯＰの作業負担を軽減することが可能になるとともに、被処理水における臭気の構成物質の特定や各構成物質の濃度の測定についても行うことが可能になる。

【0027】

しかしながら、上記のような分析装置は、被処理水の臭気指数の測定を作業者ＯＰの嗅覚によって行う場合と同等の精度で行うことができない場合がある。また、分析装置を用いた測定を行う場合、例えば、分析装置の購入費用やメンテナンス費用が必要になる。

【0028】

そこで、発明者は、被処理水の臭気情報についての効率的な取得を可能にするため、鋭意検討を行った。その結果、発明者は、実際に測定した被処理水の臭気情報と、被処理水の処理が行われる際の条件との間に相関関係があることを見出した。

【0029】

例えば、被処理水の臭気指数と、濁度計やｐＨ計等による被処理水についての各種測定値との間における相関関係がこれに該当する。具体的に、被処理水の臭気指数は、例えば、濁度が高いと、汚泥粒子が多いことや汚泥粒子に栄養塩等が多く付着することから被処理水を十分に処理しきれず、水質が悪化するため、被処理水の濁度の上昇に伴って上昇し、被処理水の濁度の低下に伴って低下する傾向にある。また、濁度が高いと、濁度粒子によって細菌が保護され、塩素による消毒効果が低下するため、塩素要求量や被処理水の塩素濃度も多くなる。したがって、被処理水の塩素要求量が高いと、臭気指数が高くなる。さらに、被処理水の臭気指数は、例えば、被処理水のｐＨに応じて変動する。被処理水のｐＨは６．５～８．５程度（中性付近）にあることが多く、生物処理が良好の場合は、ｐＨは７以上（アルカリ性）になる。ここで、被処理水のｐＨが上昇（例えば、ｐＨ＝９）すると、アンモニア窒素が多くなるためアンモニアが多く発生し、また、アンモニアの揮発性が急上昇するため、臭気指数が高くなる。また、この場合、硫化水素やメチルメルカプタンの発生は抑制され、揮発性も低下する。一方、被処理水のｐＨが低下（例えば、ｐＨ＝４）すると、硫化水素やメチルメルカプタンが多く発生するため、臭気指数は高くなる。

【0030】

また、例えば、被処理水の臭気情報と、被処理水の処理が行われる際の水処理システム１０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との間における相関関係がこれに該当する。具体的に、例えば、梅雨の時期において下水処理施設に流れ込む下水の量は、他の時期よりも増加する。下水の量が増加すると、滞留時間を一定に設定している池等では、十分な滞留時間が得られなくなり、粒子の沈降や薬品との化学反応や生物による処理が十分に行われず、処理水質が悪化する。また、例えば、梅雨の時期においては、降雨量が多いため湿度が高く、気温も比較的高い。湿度が高いと、水溶性の高いアンモニアや硫化水素が水蒸気中に多く含まるようになり、カビ等の生物が増殖して代謝物である臭気物質が多く生成される。また、気温が高いと、生物が活性化して、被処理水からのガスの生成量が増加するようになり、被処理水の水分子や生成ガス分子の運動が活発になり、臭気を発生させる化学反応や臭気分子の揮発や拡散が促進される。そのため、例えば、梅雨の時期における被処理水の臭気指数は、他の時期よりも高くなる。また、例えば、日中の時間帯において下水処理施設に流れ込む下水の量は、早朝や深夜の時間帯よりも増加し、日中の時間帯における気温は、早朝や深夜の時間帯よりも高くなる。そのため、例えば、日中の時間帯における被処理水の臭気指数は、早朝や深夜の時間帯よりも高くなる。さらに、例えば、日本では夏の時期において湿度及び気温が高くなり、冬の時期において湿度及び気温が低くなる。そのため、例えば、夏の時期における被処理水の臭気指数は、冬の時期よりも高くなる。

【0031】

そして、発明者は、上記の相関関係を学習した機械学習モデル（以下、単に学習モデルとも呼ぶ）を用いることによって、被処理水の臭気情報の予測（出力）を行うことを想達した。以下、上記の学習モデルを用いた臭気予測システム１００について説明を行う。

【0032】

［第１の実施の形態における臭気予測システム１００］
図２は、第１の実施の形態における臭気予測システム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情報処理装置４０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制御装置３０の構成例を説明する図である。以下、第１の比較例における臭気測定システム８００と異なる点について説明を行う。

【0033】

本実施の形態における臭気予測システム１００は、例えば、水処理システム１０における被処理水の臭気情報を予測する学習モデルを生成する。具体的に、臭気予測システム１００は、例えば、水処理システム１０における被処理水の臭気指数または臭気強度を予測する学習モデルを生成する。そして、臭気予測システム１００は、例えば、学習モデルによって予測した臭気情報に基づいて脱臭装置２０を制御する。以下、学習モデルが臭気指数の予測を行う場合について説明を行う。

【0034】

具体的に、臭気予測システム１００は、図２に示すように、例えば、制御装置３０と、情報処理装置４０とを有する。

【0035】

また、水処理システム１０には、図２に示すように、例えば、被処理水を沈砂池１１に供給する流入管Ｌ１、沈砂池１１、着水井１２、混和池１３、フロック形成池１４、沈殿池１５、濾過池１６、浄水池１７及び配水池１８のそれぞれにおいて、測定装置Ｍ１、測定装置Ｍ２、測定装置Ｍ３、測定装置Ｍ４、測定装置Ｍ５、測定装置Ｍ６、測定装置Ｍ７、測定装置Ｍ８及び測定装置Ｍ９（以下、測定装置Ｍ１等とも呼ぶ）のそれぞれが設置されている。

【0036】

なお、測定装置Ｍ１、測定装置Ｍ２及び測定装置Ｍ３のそれぞれは、例えば、濁度計、ｐＨ計、電気伝導率計、アルカリ度計、水温計、カビ臭計、アンモニア態窒素計、残留塩素計、塩素要求量計、溶存酸素濃度計、油分計及び油圧計のうちの少なくともいずれかであってよい。また、測定装置Ｍ４、測定装置Ｍ５、測定装置Ｍ６及び測定装置Ｍ７のそれぞれは、例えば、濁度計、全有機炭素計、有機性汚濁物質測定装置、残留塩素計及び塩素要求量計のうちの少なくともいずれかであってよい。さらに、測定装置Ｍ８及び測定装置Ｍ９のそれぞれは、例えば、残留塩素計、カビ臭計、電気伝導率計、トリハロメタン計、濁度計、色度計、水温計、ｐＨ計、有機性汚濁物質測定装置及び全有機炭素計のうちの少なくともいずれかであってよい。

【0037】

制御装置３０は、例えば、水処理システム１０において測定された測定値に基づいて脱臭装置２０を制御する。制御装置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。

【0038】

具体的に、制御装置３０は、図２に示すように、例えば、測定装置Ｍ１等のうちの少なくともいずれかが測定した測定値を取得する。そして、制御装置３０は、例えば、取得した測定値に基づいて脱臭装置２０を制御する。

【0039】

なお、水処理システム１０には、例えば、沈砂池１１、着水井１２、混和池１３、フロック形成池１４、沈殿池１５、濾過池１６、浄水池１７及び配水池１８以外の他の設備において、測定装置Ｍ１以外の他の測定装置（図示せず）が設置されるものであってもよい。具体的に、水処理システム１０には、例えば、濃縮槽（図示せず）において、他の測定装置が設定されるものであってもよい。そして、制御装置３０は、例えば、他の測定装置が測定した測定値を取得し、取得した測定値に基づいて脱臭装置２０を制御するものであってもよい。

【0040】

情報処理装置４０は、例えば、水処理システム１０における被処理水の臭気情報を予測する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４０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３０及び情報処理装置４０は、例えば、単一のコンピュータ装置であってもよい。

【0041】

具体的に、情報処理装置４０は、例えば、水処理システム１０において処理が行われる被処理水の状態についての状態条件と、被処理水を処理する際の水処理システム１０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、水処理システム１０において処理が行われる被処理水の臭気情報を出力する学習モデルの生成を行う。被処理水の状態条件は、例えば、測定装置Ｍ１等のうちの少なくともいずれかによって測定された測定値が示す水処理システム１０の状態についての条件である。また、被処理水の環境条件は、例えば、被処理水の処理が行われる際の水処理システム１０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。

【0042】

さらに具体的に、作業者ＯＰは、図３に示すように、例えば、複数のタイミングにおいて被処理水の臭気情報ＤＴ１（以下、第１臭気情報とも呼ぶ）を予め測定する。臭気情報ＤＴ１は、例えば、被処理水の臭気指数または臭気強度である。また、制御装置３０は、例えば、被処理水の臭気情報ＤＴ１の測定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被処理水の状態条件（以下、第１状態条件とも呼ぶ）と被処理水の環境条件（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。

【0043】

そして、情報処理装置４０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臭気情報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をそれぞれ生成し、生成した教師データＤＴ３を記憶装置４１に記憶する。記憶装置４１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。

【0044】

その後、情報処理装置４０は、例えば、記憶装置４１に記憶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を生成し、生成した学習モデルＭＤを記憶装置４２に記憶する。記憶装置４２は、例えば、制御装置３０がアクセス可能な記憶装置であって、ＨＤＤやＳＳＤ等の記憶媒体を有する記憶装置である。

【0045】

なお、記憶装置４１及び記憶装置４２のそれぞれは、例えば、制御装置３０及び情報処理装置４０と異なる装置であってもよいし、制御装置３０または情報処理装置４０に内蔵された装置であってもよい。また、記憶装置４１及び記憶装置４２は、例えば、単一の記憶装置であってもよい。

【0046】

その後、制御装置３０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被処理水の状態条件（以下、第２状態条件とも呼ぶ）と被処理水の環境条件（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）を取得し、取得した条件情報ＤＴ１１を記憶装置４２に記憶された学習モデルＭＤに対して入力する。そして、制御装置３０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被処理水の臭気情報ＤＴ１２（以下、第２臭気情報とも呼ぶ）として取得する。

【0047】

このように、本実施の形態における臭気予測システム１００は、水処理システム１０において処理が行われる被処理水の臭気情報ＤＴ１と、被処理水の状態についての第１状態条件と被処理水を処理する際の水処理システム１０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に対して、新たな被処理水の第２状態条件と新たな被処理水を処理する際の水処理システム１０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を入力し、条件情報ＤＴ１１の入力に伴って学習モデルＭＤから出力された臭気情報を新たな被処理水の臭気情報ＤＴ１２として出力する制御装置３０を備える。

【0048】

すなわち、水処理システム１０において同じタイミングに取得（測定）された臭気情報ＤＴ１と条件情報ＤＴ２との間には、一定の相関関係がある。そこで、本実施の形態における情報処理装置４０は、例えば、過去のタイミングにおいて取得（測定）された臭気情報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、制御装置３０は、例えば、情報処理装置４０が生成した学習モデルＭＤを用いることによって、水処理システム１０における被処理水の臭気情報ＤＴ１２（現在の臭気情報）の予測を行う。

【0049】

これにより、本実施の形態における制御装置３０は、例えば、水処理システム１０の運用中における被処理水の臭気情報ＤＴ１２を、水処理システム１０における過去の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３０は、例えば、水処理システム１０における被処理水の臭気情報ＤＴ１２の予測を精度良く行うことが可能になる。

【0050】

なお、上記の例では、教師データＤＴ３が記憶装置４１に記憶される場合について説明を行ったが、これに限られない。情報処理装置４０は、例えば、生成した教師データＤＴ３を、臭気予測システム１００の外部に設けられた他の記憶装置（例えば、外部のクラウド環境に設けられた他の記憶装置）に記憶するものであってよい。そして、情報処理装置４０は、学習モデルＭＤを生成する場合、例えば、他の記憶装置にアクセスすることによって、教師データＤＴ３を取得するものであってもよい。

【0051】

また、上記の例では、学習モデルＭＤが記憶装置４２に記憶される場合について説明を行ったが、これに限られない。情報処理装置４０は、例えば、生成した学習モデルＭＤを、臭気予測システム１００の外部に設けられた他の記憶装置（例えば、外部のクラウド環境に設けられた他の記憶装置）に記憶するものであってよい。そして、制御装置３０は、例えば、他の記憶装置に記憶された学習モデルＭＤに対して、条件情報ＤＴ１１を入力するものであってもよい。

【0052】

［モデル生成処理］
次に、情報処理装置４０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及び図７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４０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。

【0053】

情報処理装置４０は、例えば、複数のタイミングにおいて被処理水の臭気情報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４０は、例えば、複数のタイミングのそれぞれにおいて作業者ＯＰが嗅覚によって測定した複数の臭気情報ＤＴ１を取得する。

【0054】

また、情報処理装置４０は、例えば、複数のタイミング（臭気情報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４０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３０が取得した複数の条件情報ＤＴ２を取得する。

【0055】

そして、情報処理装置４０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臭気情報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）。以下、複数の教師データＤＴ３の具体例について説明を行う。

【0056】

［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、臭気情報ＤＴ１として、着水井１２において測定された臭気指数を含み、条件情報ＤＴ２として、着水井１２において測定された濁度とｐＨと塩素要求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、着水井１２に貯留されている被処理水の状態条件を含む教師データＤＴ３である。

【0057】

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、「臭気指数」として「２０」が設定され、「濁度」として「１（ＮＴＵ）」が設定され、「ｐＨ」として「６．５」が設定され、「塩素要求量」として「０．１（Ｌ／ｍｉｎ）」が設定されている。

【0058】

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、「臭気指数」として「３０」が設定され、「濁度」として「２（ＮＴＵ）」が設定され、「ｐＨ」として「７．０」が設定され、「塩素要求量」として「０．３（Ｌ／ｍｉｎ）」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。

【0059】

［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、臭気情報ＤＴ１として、着水井１２において測定された臭気指数を含み、条件情報ＤＴ２として、着水井１２において被処理水の処理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、水処理システム１０の環境条件を含む教師データＤＴ３である。

【0060】

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、「臭気指数」として「２０」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「５（℃）」が設定され、「湿度」として「１０（％）」が設定されている。

【0061】

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、「臭気指数」として「３０」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「１２（℃）」が設定され、「湿度」として「１０（％）」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。

【0062】

図５に戻り、情報処理装置４０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）。

【0063】

このように、本実施の形態における情報処理装置４０は、例えば、水処理システム１０において処理が行われる被処理水の第１臭気情報と、被処理水の状態についての第１状態条件と被処理水を処理する際の水処理システム１０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。具体的に、複数の教師データＤＴ３は、例えば、図６及び図７で説明した教師データＤＴ３ａと教師データＤＴ３ｂとのうちの少なくとも１つのデータ（セット）を含む教師データである。そして、情報処理装置４０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、新たな被処理水の第２状態条件と新たな被処理水を処理する際の水処理システム１０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被処理水の臭気情報ＤＴ１２を出力する学習モデルＭＤを生成する。

【0064】

これにより、本実施の形態における情報処理装置４０は、例えば、水処理システム１０における被処理水の臭気情報ＤＴ１２の予測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。

【0065】

なお、情報処理装置４０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。

【0066】

［脱臭制御処理］
次に、制御装置３０における脱臭制御処理について説明を行う。図８は、脱臭制御処理を説明するフローチャート図である。なお、脱臭制御処理は、例えば、制御装置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。

【0067】

制御装置３０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８におけるステップＳ１１）。

【0068】

具体的に、制御装置３０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と同じ種類の臭気情報を水処理システム１０から取得する。すなわち、例えば、教師データＤＴに含まれる条件情報ＤＴ２が着水井１２における被処理水の濁度（測定装置Ｍ３が測定した濁度）である場合、制御装置３０は、条件情報ＤＴ１１として、着水井１２における被処理水の現在の濁度を取得する。

【0069】

そして、制御装置３０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３０は、例えば、学習モデルＭＤから出力された値を、水処理システム１０における被処理水の現在の臭気情報ＤＴ１２として予測する（図８におけるステップＳ１２）。

【0070】

続いて、制御装置３０は、例えば、ステップＳ１２において予測した臭気情報ＤＴ１２に従って脱臭装置２０を制御する（図８におけるステップＳ１３）。

【0071】

具体的に、例えば、ステップＳ１２において予測した臭気情報ＤＴ１２（例えば、臭気指数または臭気強度）が予め定められた閾値（以下、第１閾値とも呼ぶ）を上回った場合、制御装置３０は、脱臭装置２０を起動することによって、水処理システム１０において処理中の被処理水（例えば、着水井１２に貯留されている被処理水）の脱臭を開始する。一方、例えば、ステップＳ１２において予測した臭気情報ＤＴ１２が第１閾値を下回った場合、制御装置３０は、脱臭装置２０を停止することによって、水処理システム１０において処理中の被処理水の脱臭を終了する。

【0072】

また、例えば、ステップＳ１２において予測した臭気情報ＤＴ１２が予め定められた閾値（以下、第２閾値とも呼ぶ）を上回った場合、制御装置３０は、脱臭装置２０を制御することによって、水処理システム１０に対する活性炭の供給量または洗浄頻度や洗浄時間（例えば、着水井１２に対する活性炭の供給量または洗浄頻度や洗浄時間）や、空気（または酸素）の供給量（例えば、臭気の吸引や送風を行うファンの回転数）や、水の供給量（例えば、洗浄塔への水の供給量）や、薬液や消臭剤やオゾンの供給量（例えば、消臭剤やオゾン水を噴霧するポンプの圧力）を増加させる。第２閾値は、例えば、第１閾値よりも高い閾値である。一方、例えば、ステップＳ１２において予測した臭気情報ＤＴ１２が第２閾値を下回った場合、制御装置３０は、脱臭装置２０を制御することによって、水処理システム１０に対する活性炭や空気や水やオゾン等の供給量を減少させる。

【0073】

なお、制御装置３０は、ステップＳ１３において、例えば、ステップＳ１２において予測した臭気情報ＤＴ１２を制御装置３０の出力装置（図示せず）に表示するものであってもよい。そして、作業者ＯＰは、例えば、出力装置に表示された臭気情報ＤＴ１２を閲覧し、手動によって脱臭装置２０を制御するものであってもよい。

【0074】

このように、本実施の形態における臭気予測システム１００は、例えば、水処理システム１０において被処理水の脱臭を行う脱臭装置２０を有する。そして、本実施の形態における制御装置３０は、例えば、学習モデルＭＤを用いることによって予測した臭気情報ＤＴ１２に基づいて脱臭装置２０を制御する。

【0075】

すなわち、本実施の形態における制御装置３０は、例えば、水処理システム１０における脱臭装置２０の制御を、学習モデルＭＤから出力された予測精度の高い臭気情報ＤＴ１２を用いることによって行う。

【0076】

これにより、本実施の形態における臭気予測システム１００は、例えば、水処理システム１０における被処理水の脱臭を効率的に行うことが可能になる。具体的に、臭気予測システム１００は、例えば、作業者ＯＰの嗅覚による臭気情報の測定や分析装置による分析を行うことなく、脱臭装置２０の制御を行うことが可能になる。そのため、臭気予測システム１００は、例えば、被処理水の臭気情報の測定に伴う作業者ＯＰの作業負担を抑制するとともに、分析装置を使用する場合に発生する費用を抑制することが可能になる。また、臭気予測システム１００は、例えば、複数の作業者ＯＰ間における測定結果の個人差の発生や、被処理水の取得場所と被処理水の臭気情報の測定場所とが異なることによる測定効率の低下の発生を抑制することが可能になる。

【0077】

また、臭気予測システム１００は、例えば、学習モデルＭＤから出力された予測精度の高い臭気情報ＤＴ１２を用いることで、被処理水の脱臭が必要なタイミングにおいて脱臭装置２０による被処理水の脱臭を行うことが可能になる。そのため、臭気予測システム１００は、例えば、被処理水の脱臭効果を向上させることが可能になる。

【0078】

なお、情報処理装置４０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。

【0079】

具体的に、情報処理装置４０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とをそれぞれ生成するものであってもよい。

【0080】

そして、制御装置３０は、例えば、テスト段階（脱臭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臭気情報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、脱臭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。

【0081】

これにより、制御装置３０は、例えば、各水処理システム１０における被処理水の臭気情報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、被処理水の臭気情報ＤＴ１２の予測精度をより向上させることが可能になる。

【0082】

また、情報処理装置４０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。

【0083】

これにより、制御装置３０は、例えば、各水処理システム１０における被処理水の臭気情報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、被処理水の臭気情報ＤＴ１２の予測精度をより向上させることが可能になる。

【0084】

また、情報処理装置４０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。

【0085】

具体的に、情報処理装置４０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。

【0086】

さらに具体的に、情報処理装置４０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４０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。

【0087】

そして、制御装置３０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、脱臭制御処理を行う日付に対応する学習モデルＭＤを選択して臭気情報ＤＴ１２の予測を行うものであってもよい。

【0088】

これにより、制御装置３０は、例えば、臭気予測システム１００の運転環境（例えば、季節）によって被処理水の臭気情報ＤＴ１２の傾向が大きく異なる場合であっても、臭気情報ＤＴ１２の予測を精度良く行うことが可能になる。

【0089】

さらに、情報処理装置４０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として同一種類の状態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。

【0090】

具体的に、情報処理装置４０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濁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。

【0091】

さらに具体的に、情報処理装置４０は、例えば、濁度が５（ＮＴＵ）未満である教師データＤＴ３ａを用いた学習モデルＭＤと、濁度が５（ＮＴＵ）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。

【0092】

そして、制御装置３０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、被処理水の現在の濁度に対応する学習モデルＭＤを選択して臭気情報ＤＴ１２の予測を行うものであってもよい。

【0093】

これにより、制御装置３０は、例えば、臭気予測システム１００の運転状況（例えば、被処理水の濁度）によって被処理水の臭気情報ＤＴ１２の傾向が大きく異なる場合であっても、臭気情報ＤＴ１２の予測を精度良く行うことが可能になる。

【0094】

［第１の実施の形態における臭気予測システム１００の変形例］
次に、第１の実施の形態における臭気予測システム１００の変形例について説明を行う。図９から図１１は、第１の実施の形態における臭気予測システム１００の変形例について説明する図である。

【0095】

制御装置３０は、例えば、ステップＳ１３において、ステップＳ１２において予測した臭気情報ＤＴ１２を用いることによって、臭気情報ＤＴ１２以外の他の臭気情報（以下、単に他の臭気情報とも呼ぶ）についてのさらなる予測を行うものであってもよい。そして、制御装置３０は、例えば、臭気情報ＤＴ１２と他の臭気情報とに基づいて、脱臭装置２０の制御を行うものであってもよい。

【0096】

具体的に、制御装置３０は、例えば、予め生成した検量線グラフを用いることにより、ステップＳ１２において予測した臭気情報ＤＴ１２から他の臭気情報についての予測を行うものであってよい。以下、検量線グラフを用いる場合におけるステップＳ１３の処理について説明を行う。

【0097】

［ステップＳ１３の変形例（１）］
次に、ステップＳ１３の処理についての第１の変形例について説明を行う。図９は、ステップＳ１３の処理についての第１の変形例について説明する図である。なお、以下、ステップＳ１２で予測した臭気情報が臭気指数であるものとして説明を行う。

【0098】

制御装置３０は、例えば、テスト段階（脱臭制御処理の実行開始前）において、作業者ＯＰの嗅覚によって測定した臭気指数と、臭気の各種類に対応する構成物質の濃度（例えば、分析装置によって測定された濃度）との組合せを複数のタイミングのそれぞれについて取得する。そして、制御装置３０は、例えば、複数のタイミングのそれぞれについて取得した組合せから算出した近似直線または近似曲線を検量線グラフＧ１１として生成する。

【0099】

具体的に、制御装置３０は、図９（Ａ）に示すように、例えば、臭気指数と悪臭に対応する構成物質の濃度との関係を示す検量線グラフと、臭気指数とカビ臭に対応する構成物質の濃度との関係を示す検量線グラフと、臭気指数とカルキ臭に対応する構成物質の濃度との関係を示す検量線グラフと、臭気指数と果実臭に対応する構成物質の濃度との関係を示す検量線グラフとを含む検量線グラフＧ１１を生成する。なお、検量線グラフＧ１１は、例えば、臭気指数と腐敗臭に対応する構成物質の濃度との関係を示す検量線グラフや、臭気指数と糞臭に対応する構成物質の濃度との関係を示す検量線グラフや、臭気指数とオゾン臭に対応する構成物質の濃度との関係を示す検量線グラフや、臭気指数と焦臭に対応する構成物質の濃度との関係を示す検量線グラフや、臭気指数と花香に対応する構成物質の濃度との関係を示す検量線グラフ等をさらに含むものであってもよい。

【0100】

その後、制御装置３０は、図９（Ａ）に示すように、例えば、ステップＳ１３において、検量線グラフＧ１１を参照し、ステップＳ１２で予測した臭気指数であるＸ１に対応する各種類の濃度を特定する。

【0101】

具体的に、制御装置３０は、例えば、悪臭に対応する構成物質の濃度としてＹ１１（ｐｐｍ）を特定し、カビ臭に対応する構成物質の濃度としてＹ１２（ｐｐｍ）を特定し、カルキ臭に対応する構成物質の濃度としてＹ１３（ｐｐｍ）を特定し、果実臭に対応する構成物質の濃度としてＹ１４（ｐｐｍ）を特定する。

【0102】

そして、制御装置３０は、例えば、ステップＳ１２で予測した臭気指数であるＸ１と、悪臭に対応する構成物質の濃度であるＹ１１（ｐｐｍ）と、カビ臭に対応する構成物質の濃度であるＹ１２（ｐｐｍ）と、カルキ臭に対応する構成物質の濃度であるＹ１３（ｐｐｍ）と、果実臭に対応する構成物質の濃度であるＹ１４（ｐｐｍ）とのうち、各臭気情報について予め定められた閾値を上回っている値の数が予め定められた数を上回っていると判定した場合、脱臭装置２０による被処理水の脱臭を開始する。

【0103】

このように、第１の変形例における制御装置３０は、例えば、被処理水の臭気情報と、被処理水の１種類以上の臭気のそれぞれに対応する物質の濃度（以下、第１濃度とも呼ぶ）との関係を示す情報（例えば、検量線グラフＧ１１）に基づき、学習モデルＭＤを用いることによって予測した臭気情報ＤＴ１２に対応する第１濃度を算出し、算出した第１濃度を出力する。

【0104】

これにより、本実施の形態における制御装置３０は、例えば、学習モデルＭＤを用いることによって予測した臭気情報ＤＴ１２と、予め生成された検量線グラフＧ１１とを用いることで、臭気情報ＤＴ１２以外の他の臭気情報（例えば、第１濃度）についても精度良く予測することが可能になる。そのため、制御装置３０は、例えば、他の臭気情報についても用いて脱臭装置２０の制御を行うことで、脱臭装置２０の制御精度をより向上させることが可能になり、被処理水の脱臭効果をより向上させることが可能になる。

【0105】

なお、制御装置３０は、例えば、ステップＳ１２で予測した臭気指数であるＸ１と、ステップＳ１３で特定した濃度であるＹ１１、Ｙ１２、Ｙ１３及びＹ１４とのうちの少なくともいずれかの時系列変化（トレンド）を示すグラフを、制御装置３０の出力装置（図示せず）に表示するものであってもよい。

【0106】

具体的に、制御装置３０は、図９（Ｂ）に示すように、例えば、悪臭に対応する構成物質の濃度（以下、悪臭濃度とも呼ぶ）の時系列変化を示す時系列グラフＧ１２を出力装置に表示するものであってよい。

【0107】

そして、作業者ＯＰは、例えば、出力装置に表示された時系列グラフＧ１２を閲覧して、脱臭装置２０の制御を手動によって行うものであってもよい。

【0108】

また、上記の例では、検量線グラフを用いることによって第１濃度が算出される場合について説明を行ったが、これに限られない。制御装置３０は、例えば、被処理水の臭気情報と第１濃度との関係を示すグラフ以外の情報（例えば、テーブル等）を用いることによって第１濃度を算出するものであってもよい。

【0109】

［ステップＳ１３の変形例（２）］
次に、ステップＳ１３の処理についての第２の変形例について説明を行う。図１０は、ステップＳ１３の処理についての第２の変形例について説明する図である。なお、以下、図９（Ａ）に示す臭気の各種類のうち、悪臭に対応する各構成物質の濃度の予測が行われる場合について説明を行うが、悪臭以外に対応する各構成物質の濃度（例えば、カビ臭に対応する各構成物質の濃度）の予測が行われるものであってもよい。また、以下、検量線グラフＧ２１の場合と同様に、検量線グラフＧ３１が予め生成されているものとして説明を行う。

【0110】

制御装置３０は、図１０（Ａ）に示すように、例えば、臭気指数と悪臭に対応する各構成物質の濃度との関係を示す検量線グラフＧ３１を参照し、ステップＳ１２で予測した臭気指数であるＸ１に対応する各構成物質の濃度を特定する。

【0111】

具体的に、制御装置３０は、この場合、例えば、アンモニアの濃度としてＹ２１（ｐｐｍ）を特定し、硫化水素の濃度としてＹ２２（ｐｐｍ）を特定し、硫化メチルの濃度としてＹ２３（ｐｐｍ）を特定し、二硫化メチルの濃度としてＹ２４（ｐｐｍ）を特定し、メチルメルカプタンの濃度としてＹ２５（ｐｐｍ）を特定する。

【0112】

そして、制御装置３０は、例えば、ステップＳ１２で予測した臭気指数であるＸ１と、アンモニアの濃度であるＹ２１（ｐｐｍ）と、硫化水素の濃度であるＹ２２（ｐｐｍ）と、硫化メチルの濃度であるＹ２３（ｐｐｍ）と、二硫化メチルの濃度であるＹ２４（ｐｐｍ）と、メチルメルカプタンの濃度であるＹ２５（ｐｐｍ）とのうち、各臭気情報について予め定められた閾値を上回っている値の数が予め定められた数を上回っていると判定した場合、脱臭装置２０による被処理水の脱臭を開始する。

【0113】

このように、第２の変形例における制御装置３０は、例えば、被処理水の臭気情報と、被処理水の特定種類の臭気に対応する１以上の物質のそれぞれの濃度（以下、第２濃度とも呼ぶ）との関係を示す情報（例えば、検量線グラフＧ２１）に基づき、臭気情報ＤＴ１２に対応する第２濃度を算出し、算出した第２濃度を出力する。

【0114】

これにより、本実施の形態における制御装置３０は、例えば、学習モデルＭＤを用いることによって予測した臭気情報ＤＴ１２と、予め生成された検量線グラフＧ２１とを用いることで、臭気情報ＤＴ１２以外の他の臭気情報（例えば、第２濃度）についても精度良く予測することが可能になる。そのため、制御装置３０は、例えば、他の臭気情報についても用いて脱臭装置２０の制御を行うことで、脱臭装置２０の制御精度をより向上させることが可能になり、被処理水の脱臭効果をより向上させることが可能になる。

【0115】

なお、制御装置３０は、例えば、ステップＳ１２で予測した臭気指数であるＸ１と、ステップＳ１３で特定した濃度であるＹ２１、Ｙ２２、Ｙ２３、Ｙ２４及びＹ２５とのうちの少なくともいずれかの時系列変化を示すグラフを、制御装置３０の出力装置（図示せず）に表示するものであってもよい。

【0116】

具体的に、制御装置３０は、図１０（Ｂ）に示すように、例えば、硫化メチルに対応する構成物質の濃度（以下、硫化メチル濃度とも呼ぶ）の時系列変化を示す時系列グラフＧ２２を出力装置に表示するものであってよい。

【0117】

そして、作業者ＯＰは、例えば、出力装置に表示された時系列グラフＧ２２を閲覧して、脱臭装置２０の制御を手動によって行うものであってもよい。

【0118】

また、制御装置３０は、例えば、臭気指数と悪臭に対応する各構成物質の寄与率（作業者ＯＰが悪臭を検知した際の各構成物質の寄与率）との関係を示す検量線グラフ（図示せず）を参照し、ステップＳ１２で予測した臭気指数であるＸ１に対応する各構成物質の寄与率を特定するものであってもよい。

【0119】

そして、制御装置３０は、例えば、ステップＳ１２で予測した臭気指数であるＸ１と、メチルメルカプタンの寄与率と、二硫化メチルの寄与率と、硫化メチルの寄与率と、硫化水素の寄与率と、アンモニアの寄与率とのうち、各臭気情報について予め定められた閾値を上回っている値の数が予め定められた数を上回っていると判定した場合、脱臭装置２０による被処理水の脱臭を開始するものであってよい。

【0120】

また、上記の例では、検量線グラフを用いることによって第２濃度が算出される場合について説明を行ったが、これに限られない。制御装置３０は、例えば、被処理水の臭気情報と第２濃度との関係を示すグラフ以外の情報（例えば、テーブル等）を用いることによって第２濃度を算出するものであってもよい。

【0121】

［ステップＳ１３の変形例（３）］
次に、ステップＳ１３の処理についての第３の変形例について説明を行う。図１１は、ステップＳ１３の処理についての第３の変形例について説明する図である。なお、以下、検量線グラフＧ２１の場合と同様に、検量線グラフＧ３１が予め生成されているものとして説明を行う。

【0122】

制御装置３０は、図１１（Ａ）に示すように、例えば、臭気指数と臭気強度との関係を示す検量線グラフＧ３１を参照し、ステップＳ１２で予測した臭気指数であるＸ１に対応する臭気強度を特定する。

【0123】

具体的に、制御装置３０は、この場合、例えば、臭気強度として臭気強度Ｙ３１（ＴＯＮ）を特定する。

【0124】

そして、制御装置３０は、例えば、ステップＳ１２で予測した臭気指数であるＸ１と、臭気強度であるＹ３１（ＴＯＮ）とのうち、各臭気情報について予め定められた閾値を上回っている値の数が予め定められた数を上回っていると判定した場合、脱臭装置２０による被処理水の脱臭を開始する。

【0125】

なお、制御装置３０は、例えば、ステップＳ１２で予測した臭気指数であるＸ１と、臭気強度であるＹ３１（ＴＯＮ）と、図９及び図１０で説明した各濃度とを含む各値のうち、各臭気情報について予め定められた閾値を上回っている値の数が予め定められた数を上回っていると判定した場合、脱臭装置２０による被処理水の脱臭を開始するものであってもよい。

【0126】

また、制御装置３０は、例えば、ステップＳ１２で予測した臭気指数であるＸ１と、臭気強度であるＹ３１（ＴＯＮ）とのうちの少なくともいずれかの時系列変化を示すグラフを制御装置３０の出力装置（図示せず）に表示するものであってもよい。

【0127】

具体的に、制御装置３０は、図１１（Ｂ）に示すように、例えば、臭気強度の時系列変化を示す時系列グラフＧ３２を出力装置に表示するものであってよい。

【0128】

そして、作業者ＯＰは、例えば、出力装置に表示された時系列グラフＧ３２を閲覧して、脱臭装置２０の制御を手動によって行うものであってもよい。

【0129】

［第２の比較例における臭気測定システム９００］
次に、第２の比較例における臭気測定システム９００について説明を行う。図１２は、第２の比較例における臭気測定システム９００の構成例を説明する図である。

【0130】

臭気測定システム９００は、例えば、水処理システム５０を有する。

【0131】

水処理システム５０は、下水プラントに配置される下水処理システムであり、例えば、最初沈殿池５１と、反応槽５２と、最終沈殿池５３と、滅菌槽５４と、濃縮槽５５とを有する。

【0132】

具体的に、最初沈殿池５１は、例えば、被処理水（下水）に含まれる有機物や浮遊物質を沈殿分離する槽である。そして、最初沈殿池５１は、例えば、分離した有機物や浮遊物質を初沈汚泥として濃縮槽５５に排出するとともに、有機物や浮遊物質を分離した被処理水を反応槽５２に排出する。

【0133】

反応槽５２は、例えば、標準活性汚泥法や循環式硝化脱窒法等の生物学的処理によって、最初沈殿池５１から供給された被処理水を処理する槽である。

【0134】

最終沈殿池５３は、例えば、反応槽５２から排出された被処理水に含まれる汚泥を沈殿分離し、分離した汚泥を活性汚泥として排出する槽である。そして、最終沈殿池５３は、例えば、活性汚泥の一部を余剰汚泥として濃縮槽５５に供給するとともに、余剰汚泥以外の活性汚泥を返送汚泥として反応槽５２に返送する。

【0135】

滅菌槽５４は、例えば、最終沈殿池５３から供給された被処理水を滅菌する槽である。そして、滅菌槽５４は、例えば、減菌した被処理水（処理水）を河川等に放流する。

【0136】

濃縮槽５５は、例えば、最初沈殿池５１から排出された初沈汚泥と、最終沈殿池５３から排出された余剰汚泥とを濃縮して消化槽（図示せず）に供給する。

【0137】

また、臭気測定システム８００は、例えば、脱臭装置６０と、制御装置９７０とを有する。

【0138】

脱臭装置６０は、例えば、水処理システム５０において処理中の被処理水の脱臭を行う装置である。具体的に、脱臭装置６０は、例えば、活性炭や脱臭フィルタを用いることによって、被処理水の脱臭を行う。

【0139】

制御装置９７０は、例えば、水処理システム５０における臭気情報に基づいて脱臭装置６０を制御する。なお、制御装置８３０は、例えば、ＣＰＵやメモリを有するコンピュータ装置である。以下、臭気情報が臭気指数である場合について説明を行う。

【0140】

具体的に、作業者ＯＰは、図１２に示すように、例えば、被処理水を最初沈殿池５１に供給する流入管Ｌ２と、最終沈殿池５３と、濃縮槽５５と、滅菌槽５４から被処理水（処理水）が排出される流出管Ｌ３のうちの少なくともいずれかにおいて被処理水を取得する。そして、作業者ＯＰは、例えば、取得した被処理水の臭気指数を作業者ＯＰの嗅覚によって測定する。さらに、作業者ＯＰは、例えば、測定した臭気指数を制御装置９７０に入力する。その後、制御装置９７０は、例えば、作業者ＯＰによって入力された臭気指数に基づいて、脱臭装置６０の制御（例えば、活性炭の供給量制御や脱臭フィルタの設定制御等）を行う。

【0141】

しかしながら、臭気測定システム９００では、この場合、第１の比較例における臭気測定システム８００の場合と同様に、作業者ＯＰの作業負担が大きくなるとともに、複数の作業者ＯＰ間における測定結果の個人差から臭気指数の測定が安定的に行われない場合があり、さらに、被処理水の取得場所と臭気指数の測定場所との位置関係から臭気指数の測定が効率的に行われない場合がある。また、分析装置を用いて臭気指数の分析を行う場合、分析装置の使用に伴う費用が必要になる。

【0142】

そこで、本実施の形態における臭気予測システム２００は、第１の実施の形態における臭気予測システム１００の場合と同様に、例えば、水処理システム５０における被処理水の臭気指数を予測する学習モデルを生成する。そして、臭気予測システム２００は、例えば、学習モデルによって予測した臭気指数に基づいて脱臭装置６０を制御する。以下、第２の実施の形態における臭気予測システム２００について説明を行う。

【0143】

［第２の実施の形態における臭気予測システム２００］
図１３は、第２の実施の形態における臭気予測システム２００の構成例を説明する図である。以下、第１の実施の形態における臭気予測システム２００と異なる点について説明を行う。

【0144】

臭気予測システム２００は、図１３に示すように、例えば、制御装置７０と、情報処理装置８０とを有する。

【0145】

また、水処理システム５０には、図１３に示すように、例えば、流入管Ｌ２、最初沈殿池５１、反応槽５２、最終沈殿池５３、滅菌槽５４、流出管Ｌ３及び濃縮槽５５のそれぞれにおいて、測定装置Ｍ１１、測定装置Ｍ１２、測定装置Ｍ１３、測定装置Ｍ１４、測定装置Ｍ１５、測定装置Ｍ１６及び測定装置Ｍ１７（以下、測定装置Ｍ１１等とも呼ぶ）のそれぞれが設置されている。

【0146】

なお、測定装置Ｍ１１及び測定装置Ｍ１２のそれぞれは、例えば、シアン計、水温計及びアンモニア態窒素計のうちの少なくともいずれかであってよい。また、測定装置Ｍ１３は、例えば、溶存酸素濃度計、水温計、ｐＨ計、活性汚泥浮遊物質濃度計及びアンモニア態窒素計のうちの少なくともいずれかであってよい。また、測定装置Ｍ１４は、例えば、濁度計、窒素計、リン計及び汚泥界面計のうちの少なくもいずれかであってよい。また、測定装置Ｍ１５は、例えば、ｐＨ計であってよい。また、測定装置Ｍ１６は、例えば、シアン計、水温計及びアンモニア態窒素計のうちの少なくもいずれかであってよい。また、測定装置Ｍ１７は、例えば、有機物濃度計及び汚泥界面計のうちの少なくもいずれかであってよい。

【0147】

制御装置７０は、例えば、水処理システム１０において測定された測定値に基づいて脱臭装置６０を制御する。制御装置７０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３０及び制御装置７０は、例えば、単一のコンピュータ装置であってもよい。

【0148】

具体的に、制御装置７０は、図１３に示すように、例えば、測定装置Ｍ１１等のうちの少なくともいずれかが測定した測定値を取得する。そして、制御装置７０は、例えば、取得した測定値に基づいて脱臭装置２０を制御する。

【0149】

情報処理装置８０は、図３等で説明した場合と同様に、例えば、水処理システム５０における被処理水の臭気情報を予測する学習モデルを生成する処理（モデル生成処理）を行う。情報処理装置８０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７０及び情報処理装置８０は、例えば、単一のコンピュータ装置であってもよい。

【0150】

そして、制御装置７０は、図４等で説明した場合と同様に、被処理水の状態条件と被処理水の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から出力された臭気情報を新たな被処理水の臭気情報ＤＴ１２として予測する。

【0151】

これにより、本実施の形態における制御装置７０は、例えば、第１の実施の形態における制御装置３０の場合と同様に、水処理システム５０における被処理水の現在の臭気情報ＤＴ１２の予測を精度良く行うことが可能になる。

【0152】

そのため、本実施の形態における臭気予測システム２００は、例えば、第１の実施の形態における臭気予測システム１００の場合と同様に、水処理システム５０における被処理水の脱臭を効率的に行うとともに、被処理水の脱臭効果を向上させることが可能になる。

【符号の説明】

【0153】

１０：水処理システム １１：沈砂池
１２：着水井 １３：混和池
１４：フロック形成池 １５：沈殿池
１６：濾過池 １７：浄水池
１８：配水池 ２０：脱臭装置
３０：制御装置 ４０：情報処理装置
４１：記憶装置 ４２：記憶装置
５０：水処理システム ５１：最初沈殿池
５２：反応槽 ５３：最終沈殿池
５４：滅菌槽 ５５：濃縮槽
６０：脱臭装置 ７０：制御装置
８０：情報処理装置 １００：臭気予測システム
２００：臭気予測システム ８００：臭気測定システム
８３０：制御装置 ９００：臭気測定システム
９７０：制御装置 ＤＴ１：臭気情報
ＤＴ２：条件情報 ＤＴ３：教師データ
ＤＴ３ａ：教師データ ＤＴ３ｂ：教師データ
ＤＴ１１：条件情報 ＤＴ１２：臭気情報
Ｇ１１：検量線グラフ Ｇ１２：時系列グラフ
Ｇ２１：検量線グラフ Ｇ２２：時系列グラフ
Ｇ３１：検量線グラフ Ｇ３２：時系列グラフ
Ｌ１：流入管 Ｌ２：流入管
Ｌ３：流出管 Ｍ１：測定装置
Ｍ２：測定装置 Ｍ３：測定装置
Ｍ４：測定装置 Ｍ５：測定装置
Ｍ６：測定装置 Ｍ７：測定装置
Ｍ８：測定装置 Ｍ９：測定装置
Ｍ１１：測定装置 Ｍ１２：測定装置
Ｍ１３：測定装置 Ｍ１４：測定装置
Ｍ１５：測定装置 Ｍ１６：測定装置
Ｍ１７：測定装置 ＭＤ：学習モデル
ＯＰ：作業者

【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】