特開 2024-82653 情報処理装置、脱水機、含水率推定方法、および含水率推定プログラム

(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】P2024082653

(43)【公開日】2024-06-20

(54)【発明の名称】情報処理装置、脱水機、含水率推定方法、および含水率推定プログラム

(51)【国際特許分類】

   C02F 11/125 20190101AFI20240613BHJP

   B01D 29/17 20060101ALI20240613BHJP

【ＦＩ】

C02F11/125 ZAB

B01D29/30 510

【審査請求】未請求

【請求項の数】7

【出願形態】ＯＬ

(21)【出願番号】P 2022196632

(22)【出願日】2022-12-08

(71)【出願人】

【識別番号】000001052

【氏名又は名称】株式会社クボタ

(74)【代理人】

【識別番号】110000338

【氏名又は名称】弁理士法人 ＨＡＲＡＫＥＮＺＯ ＷＯＲＬＤ ＰＡＴＥＮＴ ＆ ＴＲＡＤＥＭＡＲＫ

(72)【発明者】

【氏名】東 隆司

(72)【発明者】

【氏名】山中 亮輝

【テーマコード（参考）】

4D059

4D116

【Ｆターム（参考）】

4D059AA03

4D059BE08

4D059BE15

4D059BE16

4D059BE26

4D059BE37

4D059BE64

4D059BJ01

4D059EA01

4D059EA02

4D059EA11

4D059EA16

4D059EA20

4D116BB01

4D116BC48

4D116DD06

4D116FF12B

4D116KK04

4D116QA24A

4D116QA24G

4D116QA31A

4D116QA31G

4D116QA55C

4D116QA55F

4D116QC07

4D116QC09

4D116QC20

4D116VV12

(57)【要約】

【課題】運転条件の変更等の場合には脱水ケーキの含水率の推定の精度の低下を緩和しつつ、通常の場合には上記推定の精度を維持する。
【解決手段】情報処理装置（１）では、取得部（１０１）が取得した測定データと、測定データの測定時点における含水率についての第２推定モデル（１１２）による推定値とから、推定部（１０２）が第１推定モデル（１１１）を用いて含水率を推定する。第１推定モデル（１１１）が学習のために利用する測定データは、脱水機の実運転期間の所定期間における測定データである。第２推定モデル（１１２）は、運転条件が実運転期間と異なる運転期間における測定データを説明変数とし、測定時点における含水率の実測値を目的変数として学習された推定モデルである。
【選択図】図１

【特許請求の範囲】

【請求項1】

浮遊固形物を含む液体に前記浮遊固形物を凝集させる薬剤が加えられる凝集槽から排出された前記液体を搬送しながら脱水する脱水機の運転に関する測定データを取得する取得部と、
第１推定モデルを用いて、前記取得部が取得した測定データと、当該測定データの測定時点において前記脱水機から排出される脱水ケーキの含水率についての第２推定モデルによる推定値とから、当該測定データの測定時点における前記含水率を推定する推定部とを備え、
前記第１推定モデルが学習のために利用する前記測定データは、前記脱水機の実運転期間における学習時点の所定期間前から学習時点までに前記取得部が取得した前記測定データであり、
前記第２推定モデルは、運転条件が前記実運転期間と異なる運転期間において前記取得部が取得した前記測定データを説明変数とし、当該測定データの測定時点における前記含水率の実測値を目的変数として学習された推定モデルである、
情報処理装置。

【請求項2】

前記脱水機はスクリュープレス型脱水機であり、
前記測定データは、前記脱水機の運転時間、前記脱水機のスクリューの回転速度、前記スクリューの駆動電流値またはトルク値、前記脱水機の排出部に設けられ前記液体を圧搾する背圧板による背圧、および、前記背圧板と前記排出部との開度、の少なくともいずれかである、請求項１に記載の情報処理装置。

【請求項3】

前記推定部は、前記取得部が新たな前記測定データを取得する毎に前記推定を実行する、請求項１に記載の情報処理装置。

【請求項4】

予測モデルを用いて、前記取得部が取得した前記測定データから、当該測定データの測定時点から前記脱水機内で前記液体が滞留する滞留時間が経過した時点において前記脱水機から排出される脱水ケーキの含水率を予測する予測部をさらに備え、
前記予測モデルは、前記取得部が取得した前記測定データを説明変数とし、当該測定データの測定時点から前記滞留時間が経過した時点における前記含水率についての前記第１推定モデルによる推定値を目的変数として学習された予測モデルである、請求項１に記載の情報処理装置。

【請求項5】

請求項１から４のいずれか１項に記載の情報処理装置を備える脱水機。

【請求項6】

１または複数の情報処理装置により実行される含水率推定方法であって、
浮遊固形物を含む液体に前記浮遊固形物を凝集させる薬剤が加えられる凝集槽から排出された前記液体を搬送しながら脱水する脱水機の運転に関する測定データを取得する取得ステップと、
第１推定モデルを用いて、前記取得ステップにて取得した測定データと、当該測定データの測定時点において前記脱水機から排出される脱水ケーキの含水率についての第２推定モデルによる推定値とから、当該測定データの測定時点における前記含水率を推定する推定ステップとを含み、
前記第１推定モデルが学習のために利用する前記測定データは、前記脱水機の実運転期間における学習時点の所定期間前から学習時点までに前記取得ステップにて取得した前記測定データであり、
前記第２推定モデルは、運転条件が前記実運転期間と異なる運転期間において前記取得ステップにて取得した前記測定データを説明変数とし、当該測定データの測定時点における前記含水率の実測値を目的変数として学習された推定モデルである、
含水率推定方法。

【請求項7】

請求項１に記載の情報処理装置としてコンピュータを機能させるための含水率推定プログラムであって、前記取得部および前記推定部としてコンピュータを機能させるための含水率推定プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、浮遊固形物を含む液体を脱水機で脱水することにより得られる脱水ケーキの含水率を推定する技術に関する。

【背景技術】

【0002】

下水処理場などの排水処理施設において実施される汚泥処理には汚泥を脱水機で脱水する工程が含まれている。効率的な汚泥処理のためには脱水により得られる脱水ケーキの含水率を所定の範囲内で維持することが重要である。しかし、脱水機の運転条件を一定にして脱水処理した場合には、供給される汚泥の性状が一定しない等の原因によって脱水ケーキの含水率は変動するため、脱水ケーキの含水率を所定の範囲内で維持することは容易ではない。

【0003】

このため、脱水ケーキの含水率を推定する技術の開発が従来から進められている。現在の含水率をリアルタイムに推定できれば、各種制御により含水率を所定の範囲内で維持することが可能になる。例えば、下記の特許文献１には、遠心式の脱水機に供給される汚泥の量や、当該脱水機の遠心効果に関する値等の複数のパラメータを用いて含水率推定モデルを生成し、含水率を推定する技術が開示されている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０２０－１１４５６９号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

一般に、上記汚泥処理に関する装置は、多種多様な運転条件で試運転されて、最適な運転条件を決定する。この試運転期間において、上記多種多様な運転条件において測定された上記複数のパラメータの多種多様な測定値を教師データとして上記含水率推定モデルが生成される。

【0006】

その後、決定された運転条件に基づいて上記装置は実運転される。この実運転期間において、上記複数のパラメータの直近の測定値を教師データとして上記含水率推定モデルを更新する。これにより、上記含水率推定モデルは、直近の運転条件に適合した推定モデルとなる。従って、運転条件の変更等がない通常の場合には、上記含水率推定モデルによる推定の精度が維持される。しかしながら、上記運転条件が変更されると上記含水率推定モデルによる推定の精度が低下することが懸念される。

【0007】

この点に関し、上記多種多様な測定値の少なくとも一部と、上記直近の測定値とを教師データとして、上記含水率推定モデルを更新することが考えられる。しかしながら、上記多種多様な測定値の影響により、通常の場合には上記含水率推定モデルによる推定の精度が低下することになる。

【0008】

本発明の一態様は、運転条件の変更等の場合には上記含水率の推定の精度の低下を緩和しつつ、通常の場合には上記推定の精度を維持することを目的とする。

【課題を解決するための手段】

【0009】

上記の課題を解決するために、本発明の一態様に係る情報処理装置は、浮遊固形物を含む液体に前記浮遊固形物を凝集させる薬剤が加えられる凝集槽から排出された前記液体を
搬送しながら脱水する脱水機の運転に関する測定データを取得する取得部と、第１推定モデルを用いて、前記取得部が取得した測定データと、当該測定データの測定時点において前記脱水機から排出される脱水ケーキの含水率についての第２推定モデルによる推定値とから、当該測定データの測定時点における前記含水率を推定する推定部とを備え、前記第１推定モデルが学習のために利用する前記測定データは、前記脱水機の実運転期間における学習時点の所定期間前から学習時点までに前記取得部が取得した前記測定データであり、前記第２推定モデルは、運転条件が前記実運転期間と異なる運転期間において前記取得部が取得した前記測定データを説明変数とし、当該測定データの測定時点における前記含水率の実測値を目的変数として学習された推定モデルである。

【0010】

また、本発明の他の態様に係る含水率予測方法は、１または複数の情報処理装置により実行される含水率推定方法であって、浮遊固形物を含む液体に前記浮遊固形物を凝集させる薬剤が加えられる凝集槽から排出された前記液体を搬送しながら脱水する脱水機の運転に関する測定データを取得する取得ステップと、第１推定モデルを用いて、前記取得ステップにて取得した測定データと、当該測定データの測定時点において前記脱水機から排出される脱水ケーキの含水率についての第２推定モデルによる推定値とから、当該測定データの測定時点における前記含水率を推定する推定ステップとを含み、前記第１推定モデルが学習のために利用する前記測定データは、前記脱水機の実運転期間における学習時点の所定期間前から学習時点までに前記取得ステップにて取得した前記測定データであり、前記第２推定モデルは、運転条件が前記実運転期間と異なる運転期間において前記取得ステップにて取得した前記測定データを説明変数とし、当該測定データの測定時点における前記含水率の実測値を目的変数として学習された推定モデルである。

【発明の効果】

【0011】

本発明の一態様によれば、運転条件の変更等の場合には上記含水率の推定の精度の低下を緩和しつつ、通常の場合には上記推定の精度を維持することができる。

【図面の簡単な説明】

【0012】

【図1】本発明の一実施形態に係る情報処理装置の要部構成の一例を示すブロック図である。

【図2】上記情報処理装置を含む制御システムの構成例を示す図である。

【図3】上記情報処理装置における脱水ケーキの含水率の推定処理の一例を示すフローチャートである。

【図4】上記情報処理装置における第１推定モデルの更新処理の一例を示すフローチャートである。

【図5】上記情報処理装置の実施例１における第１推定モデルの説明変数および目的変数の組合せを表形式で示す図である。

【図6】実施例１における第２推定モデルの説明変数および目的変数の組合せを表形式で示す図である。

【図7】実施例１の第１推定モデルによる含水率推定値の、作業者による含水率実測値に対するバラツキを示すグラフである。

【図8】比較例１および比較例２における比較モデルによる含水率推定値の、作業者による含水率実測値に対するバラツキを示すグラフである。

【図9】本発明の他の実施形態に係る情報処理装置の要部構成の一例を示すブロック図である。

【図10】上記情報処理装置における予測モデルのための教師データを作成する概念を示すモデル図である。

【図11】上記情報処理装置における脱水ケーキの含水率の予測処理の一例を示すフローチャートである。

【図12】上記情報処理装置における上記第１推定モデルおよび上記予測モデルの更新処理の一例を示すフローチャートである。

【発明を実施するための形態】

【0013】

以下、本発明の実施の形態について、詳細に説明する。なお、説明の便宜上、各実施形態に示した部材と同一の機能を有する部材については、同一の符号を付記し、適宜その説明を省略する。

【0014】

〔実施形態１〕
本発明の一実施形態について、図１～図４を参照して説明する。

【0015】

〔システム構成〕
図２は、本実施形態に係る制御システム１００の構成例を示す図である。制御システム１００は、固体浮遊物を凝集させる薬剤を凝集槽内の被処理液（液体）に添加してフロックを形成し、フロックが形成された前記被処理液の固液分離を行うプラントで使用されるシステムである。以下では、被処理液が汚泥である例を説明するが、制御システム１００は汚泥以外の被処理液を処理するプラントにも適用可能である。なお、汚泥とは、排水処理などで生じる微細な固形物を含む液体であり、スラリーと呼ぶこともできる。

【0016】

詳細は以下説明するが、制御システム１００は、汚泥の処理工程のうち、処理対象の汚泥中の固体浮遊物を凝集させてフロックを形成させることによって、処理対象の汚泥を凝集汚泥とする工程から、凝集汚泥を脱水して脱水汚泥（脱水ケーキとも呼ばれる）と脱水ろ液を得る工程までの各処理を行う。図２に示すように、制御システム１００は、情報処理装置１と、制御装置３と、フロキュレータ５と、脱水機９とを含む。

【0017】

フロキュレータ５は、固体浮遊物を凝集させる薬剤を凝集槽内の被処理液に添加して適度に撹拌することでフロックを形成させる機器である。具体的には、フロキュレータ５は、汚泥を被処理液とし、汚泥中の固体浮遊物を凝集させてフロックを形成させ、凝集汚泥を生成する。図２のフロキュレータ５は、凝集槽５１と、撹拌翼５２と、モータ５３と、点検窓５４とを備えている。また、フロキュレータ５には、汚泥投入口５５と、薬剤投入口５６と、排出口５７とが設けられている。

【0018】

さらに、点検窓５４には、撮影装置７２と、撮影用の照明装置７１とが取り付けられている。撮影装置７２は、少なくとも静止画像が撮影できるものであればよい。制御システム１００の稼働中、フロックへの光の当たり方が変化しないように、凝集槽５１は光透過性のないものとすることが好ましい。また、撮影装置７２および照明装置７１は図示の例のように、点検窓５４側が開口した遮光性の暗箱に収容することが好ましい。

【0019】

脱水機９は、フロックが形成された被処理液の固液分離を行う機器である。具体的には、脱水機９は、フロキュレータ５の後段に配設され、フロキュレータ５から排出される凝集汚泥（液体）を脱水して固液分離する。図２の脱水機９は、外胴スクリーン９１とスクリュー９２とを備えるスクリュープレス型脱水機である。また、脱水機９には、汚泥投入口９３と、ろ液排出口９４と、脱水ケーキ排出口９５とが設けられている。なお、図示していないが、脱水機９は、スクリュー９２を回転駆動するモータ等も備えている。無論、脱水機９は凝集汚泥を脱水できるものであればよく、スクリュープレス型に限られない。例えば、遠心脱水機、フィルタープレス型脱水機、またはベルトプレス脱水機等を適用することもできる。

【0020】

制御システム１００において、処理対象の汚泥は、図示しない供給装置により、汚泥投入口５５からフロキュレータ５の凝集槽５１内に連続的あるいは断続的に供給される。汚泥の供給速度は、フロキュレータ５および脱水機９による汚泥の処理速度に応じて、供給
装置あるいはその制御装置３が自動で制御する構成となっていてもよい。

【0021】

そして、凝集槽５１内の汚泥に対して、薬剤投入口５６から汚泥を凝集させるための薬剤（少なくとも凝集剤を含む）が投入される。この状態でモータ５３を駆動させて撹拌翼５２を回転させ、汚泥と薬剤を撹拌し、フロックを形成させる。形成されたフロックと、汚泥に含まれていた水との混合物である凝集汚泥は排出口５７から排出される。

【0022】

続いて、この凝集汚泥は、脱水機９の汚泥投入口９３から外胴スクリーン９１内に供給される。脱水機９内において、上記凝集汚泥は、スクリュー９２による加圧下で脱水されて、ろ液がろ液排出口９４から排出され、脱水された凝集汚泥の固まりである脱水ケーキが脱水ケーキ排出口９５から排出される。

【0023】

なお、上記汚泥は、汚泥投入口５５から凝集槽５１内に供給されることにより、上記凝集汚泥が凝集槽５１の排出口５７から押し出されて排出され、排出された凝集汚泥が脱水機９に供給される。このため、凝集槽５１に供給される汚泥の流量と、脱水機９へ供給される汚泥の流量とは、同時刻で一致する。

【0024】

詳細は以下説明するが、情報処理装置１は、脱水機９の運転に関する測定データを取得する。そして、情報処理装置１は、取得した測定データに基づき、脱水ケーキの含水率を推定する。

【0025】

また、情報処理装置１は、制御装置３を介して制御システム１００の構成要素である各種機器（例えば、フロキュレータ５、脱水機９、および図示していない汚泥および薬剤の供給装置等）の動作制御を行うこともできる。制御装置３は、制御システム１００の構成要素である各種機器の動作を制御する装置である。制御装置３は、例えばＰＬＣ（Programmable Logic Controller）であってもよい。図２の例では、制御装置３は、フロキュレ
ータ５に関する機器を制御するフロキュレータ用制御装置３ａと、脱水機９に関する機器を制御する脱水機用制御装置３ｂとを含む。

【0026】

〔装置構成〕
図１に基づいて情報処理装置１の構成を説明する。図１は、情報処理装置１の要部構成の一例を示すブロック図である。図示のように、情報処理装置１は、情報処理装置１の各部を統括して制御する制御部１０と、情報処理装置１が使用する各種データを記憶する記憶部１１と、を備えている。また、情報処理装置１は、情報処理装置１が他の装置と通信するための通信部１２、情報処理装置１に対する各種データの入力を受け付ける入力部１３、および情報処理装置１が各種データを出力するための出力部１４を備えている。

【0027】

また、制御部１０には、取得部１０１、推定部１０２、および更新部１０３が含まれている。なお、更新部１０３については、後記「更新部について」の項目で説明する。

【0028】

記憶部１１には、第１推定モデル１１１、および第２推定モデル１１２が含まれている。これらの詳細については、それぞれ後記「第１推定モデルについて」および「第２推定モデルについて」の項目で説明する。

【0029】

取得部１０１は、脱水機９の運転に関する測定データを取得する。なお、当該測定データの詳細に関しては、後記「第１推定モデルについて」の項目で説明する。

【0030】

推定部１０２は、記憶部１１に記憶された第１推定モデル１１１を用いて、取得部１０１が取得した測定データから脱水ケーキの含水率を推定する。この脱水ケーキは、上記測定データの測定時点において脱水機９から排出される脱水ケーキである。推定部１０２は
、取得部１０１が新たな測定データを取得する毎に第１推定モデル１１１を用いた推定を実行する。そのため、推定部１０２は脱水ケーキの含水率をリアルタイムに、すなわち短い時間間隔で連続的に（例えば１分ごとに）推定することができる。

【0031】

〔第１推定モデルについて〕
第１推定モデル１１１は、取得部１０１が取得した、脱水機９の運転に関する測定データを説明変数とし、当該測定データの測定時点において脱水機９の脱水ケーキ排出口９５から排出される脱水ケーキの含水率を目的変数として学習された推定モデルである。上記学習には、多変量回帰分析、RandomForestRegressorなど、種々の手法を利用することが
できる。

【0032】

本実施形態では、第１推定モデル１１１は、第２推定モデル１１２による上記測定データからの上記含水率の推定値を、上記説明変数の１つとして追加されている。なお、第２推定モデル１１２については、後記「第２推定モデルについて」の項目で説明する。

【0033】

上記測定データは、脱水機９の運転時間、脱水機９のスクリューの回転速度、当該スクリューの駆動電流値またはトルク値、脱水機９の脱水ケーキ排出口９５（排出部）に設けられ液体を圧搾する背圧板による背圧、および、当該背圧板と脱水ケーキ排出口９５との開度、の少なくともいずれかであり、脱水機用制御装置３ｂから取得する。なお、これらのうち、第１推定モデル１１１の推定精度に対する寄与が大きい（重要度が高い）測定データとしては、上記スクリューの駆動電流値および上記開度（特に上記背圧が一定となるように脱水機９を制御する場合）が挙げられる。

【0034】

〔第２推定モデルについて〕
第２推定モデル１１２は、取得部１０１が取得した、脱水機９の運転に関する測定データを説明変数とし、当該測定データの測定時点における含水率を目的変数として学習された推定モデルである。本実施形態では、第２推定モデル１１２は、脱水機９の実運転期間の開始前である試運転期間に学習された推定モデルである。第２推定モデル１１２の説明変数となる測定データは、第１推定モデル１１１の説明変数となる測定データと同じであってもよいし、異なってもよい。

【0035】

以上のように、本実施形態の情報処理装置１は、浮遊固形物を含む液体に前記浮遊固形物を凝集させる薬剤が加えられる凝集槽５１から排出された上記液体を搬送しながら脱水する脱水機９の運転に関する測定データを取得する取得部１０１と、第１推定モデル１１１を用いて、取得部１０１が取得した測定データと、当該測定データの測定時点において脱水機９から排出される脱水ケーキの含水率である含水率についての第２推定モデルによる推定値とから、当該測定データの測定時点における上記含水率を推定する推定部１０２とを備える。第１推定モデル１１１が学習のために利用する上記測定データは、脱水機９の実運転期間における学習時点の所定期間前から学習時点までに取得部１０１が取得した測定データである。また、第２推定モデル１１２は、運転条件が上記実運転期間と異なる運転期間としての試運転期間において取得部１０１が取得した上記測定データを説明変数とし、当該測定データの測定時点における上記含水率を目的変数として学習された推定モデルである。

【0036】

上記の構成によると、第２推定モデル１１２は、脱水機９の試運転期間において、実運転期間の運転条件に比べて多種多様な運転条件において取得された測定データを教師データとして、学習された推定モデルである。従って、測定データの測定時点における含水率についての第２推定モデル１１２による推定値は、上記多種多様な運転条件に適合した推定値となる。

【0037】

一方、第１推定モデル１１１は、脱水機９の実運転期間における学習時点の所定期間前から学習時点までに取得された測定データと、当該測定データ測定時点における含水率についての第２推定モデル１１２による推定値とを説明変数とし、当該測定データの測定時点における含水率の実測値を目的変数として学習された推定モデルである。第１推定モデル１１１は、直近の測定データを利用して学習されるので、直近の実運転期間における運転条件に適合した推定モデルとなる。従って、運転条件の変更等がない通常の場合には、第１推定モデル１１１による推定の精度が維持される。

【0038】

また、第１推定モデル１１１は、直近の測定データを用いて第２推定モデル１１２によって推定された上記含水率の推定値を利用して学習されるので、多種多様な運転条件が考慮された推定モデルとなる。従って、長期間運転条件の変更等がない状態から運転条件の変更等が行われても、第１推定モデル１１１による推定の精度の低下を緩和することができる。

【0039】

なお、第１推定モデル１１１が学習のために利用する上記測定データは、上記学習時点の２週間程度前から学習時点までに取得部１０１が取得した測定データであることが望ましい。或いは、第１推定モデル１１１が学習のために利用する上記測定データは、上記学習時点の直近の４８程度の測定時点において取得部１０１が取得した測定データであることが望ましい。これらよりも測定データの測定数が少ないと、精度が悪化する一方、上記測定数が多いと、古い測定データの影響が出てくるからである。

【0040】

〔更新部について〕
更新部１０３は、凝集槽５１および脱水機９が停止している期間（運転停止期間）に、第１推定モデル１１１を更新する処理を行う。具体的には、更新部１０３は、脱水機９の運転期間において取得部１０１が取得した測定データから、第２推定モデル１１２を用いて、当該測定データの測定時点における含水率の推定値を算出する。そして、更新部１０３は、上記測定データと、上記含水率の推定値と、作業者が実測した脱水ケーキの含水率の実測値との組を教師データとして、第１推定モデル１１１を更新する。

【0041】

通常、上記運転期間は、１日における設定された１期間である。従って、更新部１０３による更新は１日１回行われる。また、作業者が行う脱水ケーキの含水率の実測には時間を要する。そこで、作業者による上記含水率の実測値に代えて、別のモデルを利用して算出された含水率の推定値を上記教師データの目的変数としてもよい。或いは、更新部１０３は、例えば１～２日前の上記運転期間における測定データを用いて第１推定モデル１１１を更新してもよい。

【0042】

従って、最新の測定データを用いて第１推定モデル１１１を更新するので、第１推定モデル１１１を用いた推定を、脱水機９の最新の状況に適合させることができる。

【0043】

〔推定処理〕
図３は、上記構成の情報処理装置１における脱水ケーキの含水率の推定処理（含水率推定方法）の一例を示すフローチャートである。この推定処理は、上述のように、運転期間中に実行される。図３に示すように、まず、取得部１０１は、各種の測定データを収集（取得）する（Ｓ１１、取得ステップ）。次に、推定部１０２は、上記測定データから、当該測定データの測定時点における含水率についての第２推定モデル１１２による推定値を算出し、該推定値と上記測定データとから、第１推定モデル１１１を用いて上記測定時点における含水率を推定する（Ｓ１２、推定ステップ）。その後、ステップＳ１１に戻って上記動作を繰り返す。

【0044】

〔更新処理〕
図４は、情報処理装置１における第１推定モデル１１１の更新処理の一例を示すフローチャートである。この更新処理は、上述のように、運転停止期間ごとに実行される。

【0045】

図４に示すように、まず、更新部１０３は、脱水機９の運転期間において取得部１０１が取得した測定データから、第２推定モデル１１２を用いて、当該測定データの測定時点から滞留時間が経過した経過時点における含水率の推定値を算出する（Ｓ２１）。次に、更新部１０３は、上記測定データと、上記含水率の推定値と、作業者が実測した脱水ケーキの含水率の実測値との組を教師データとして、第１推定モデル１１１を更新する（Ｓ２２）。その後、上記更新処理を終了する。

【0046】

〔変形例〕
上述の実施形態で説明した各処理の実行主体は任意であり、上述の例に限られない。例えば、図３に示した含水率推定方法の各ステップは、複数の情報処理装置に分担させることもできる。つまり、当該含水率推定方法は、１つの情報処理装置１により実行されるものであってもよいし、複数の情報処理装置により実行されるものであってもよい。

【0047】

〔付記事項〕
なお、上述の実施形態では、第１推定モデル１１１の説明変数は、第２推定モデル１１２を用いた含水率の推定値を含んでいるが、他のモデルを用いた含水率の推定値をさらに含んでもよい。このように、異なるモデルを用いた複数の推定値を第１推定モデル１１１の説明変数として利用してもよい。

【0048】

また、上述の実施形態では、第２推定モデル１１２は更新を行わないとしているが、これに限定されるものではない。例えば、実運転期間において、通常とは異なる運転条件が発生した場合に取得部１０１が取得した測定データを蓄積しておき、蓄積した測定データを用いて第２推定モデル１１２を更新してもよい。

【0049】

また、上述の実施形態では、運転条件が実運転期間とは異なる運転期間として試運転期間を利用している。しかしながら、上記異なる運転期間は、実運転期間での運転条件範囲を含んだ多種多様な運転条件での測定データが取得できるような運転期間であればよく、上記試運転期間に限定されるものではない。例えば、脱水機９のメンテナンス後に行われるテスト運転期間を上記異なる運転期間としてもよい。

【0050】

また、上述の実施形態では、取得部１０１は、脱水機９に関する測定データを取得する必要があるが、フロキュレータ５に関する測定データを取得する必要が無い。従って、上記構成の情報処理装置１を備える脱水機９であれば、上述の作用効果を奏することができる。

【0051】

〔実施例〕
上記構成の情報処理装置１の一実施例および比較例について、図５～図８を参照して説明する。

【0052】

（実施例１）
本実施例の第１推定モデル１１１は、上記したように、測定時点における測定データと、該測定データから第２推定モデル１１２を用いて算出された、上記測定時点における含水率の推定値とを用いて、上記測定時点における含水率を推定するモデルである。第１推定モデル１１１は、実運転期間における直近の所定期間に取得された上記測定データを用いて学習される。また、第２推定モデル１１２は、上記試運転期間において取得された上記測定データを用いて学習された推定モデルである。従って、第２推定モデル１１２の更新は行われない。

【0053】

図５は、本実施例における第１推定モデル１１１の説明変数および目的変数の組合せを表形式で示す図である。図５の例では、第１推定モデル１１１の説明変数となる、測定時点の測定データは、脱水機９の運転時間、脱水機９のスクリューの回転速度、当該スクリューの駆動電流値（または駆動トルク）、脱水機９の脱水ケーキ排出口９５に設けられ液体を圧搾する背圧板による背圧（脱水機９の背圧）、および、当該背圧板と脱水ケーキ排出口９５との開度（脱水機９の背圧開度）である。

【0054】

図６は、第２推定モデル１１２の説明変数および目的変数の組合せを表形式で示す図である。図６に示す第２推定モデル１１２は、図５に示す第１推定モデル１１１に比べて、第２推定モデル１１２による推定値が省略されている点が異なり、その他は同様である。すなわち、本実施例では、第１推定モデル１１１の説明変数に含まれる測定データと、第２推定モデル１１２の説明変数に含まれる測定データとは同じである。

【0055】

図７は、実施例１の第１推定モデル１１１による含水率推定値の、作業者による含水率実測値に対するバラツキを示すグラフである。図７のグラフでは、第１推定モデル１１１は、最近の３ヶ月間の実運転期間における測定データおよび含水率の実測値との組を教師データとして学習され、さらに、運転停止期間に新たな教師データによる更新が行われている。また、図７のグラフでは、第１推定モデル１１１を学習してから７ヶ月間の実運転期間における測定データおよび含水率の実測値が利用されている。図７に示すグラフでは、平均絶対誤差（ＭＡＥ）が０．７３％であった。

【0056】

（比較例１）
比較例１では、図５に示す説明変数および目的変数から、第２推定モデルによる推定値が省略された比較モデルが利用される。従って、比較例１では、第２推定モデル１１２を利用しない。また、比較モデルは、最近の３ヶ月間の実運転期間における測定データおよび含水率の実測値との組を教師データとして学習されたものである。さらに、比較モデルでは、新たな教師データによる更新が行われない。

【0057】

図８の上段および中段は、比較例１の上記比較モデルによる含水率推定値の、作業者による含水率実測値に対するバラツキを示すグラフである。図８の上段のグラフでは、上記比較モデルを学習してから２ヶ月間の実運転期間における測定データおよび含水率の実測値が利用されている。また、図８の中段のグラフでは、上記比較モデルを学習してから７ヶ月間の実運転期間における測定データおよび含水率の実測値が利用されている。

【0058】

図８の上段のグラフでは、ＭＡＥが０．７３％であり、実施例１と同程度であった。一方、図８の中段のグラフではＭＡＥが１．９５％であった。このことから、比較例１の含水率推定値は、実施例１と比べて、学習直後では精度が同程度であるが、時間の経過と共に精度が悪化することが理解できる。

【0059】

（比較例２）
比較例２は、比較例１に比べて、運転停止期間に新たな教師データによる上記比較モデルの更新を行う点が異なり、その他は同様である。図８の下段は、比較例２の上記比較モデルによる含水率推定値の、作業者による含水率実測値に対するバラツキを示すグラフである。図８の下段のグラフでは、上記比較モデルを学習してから７ヶ月間の実運転期間における測定データおよび含水率の実測値が利用されている。

【0060】

図８の下段のグラフでは、ＭＡＥが０．８０％であった。このことから、比較例２の含水率推定値は、時間の経過による精度の悪化が、比較例１に比べて減少するが、実施例１に比べて増大することが理解できる。これらの比較結果から、実施例１の含水率推定値は
、時間が経過しても精度が良好に維持されていることが理解できる。

【0061】

〔実施形態２〕
本発明の他の実施形態について、図９～図１２を参照して説明する。本実施形態の制御システム１００は、図１～図４に示す制御システム１００に比べて、情報処理装置１の構成が異なり、その他の構成は同様である。

【0062】

図９は、本実施形態の情報処理装置１の要部構成の一例を示すブロック図である。図９に示す情報処理装置１は、図１に示す情報処理装置１に比べて、制御部１０が、取得部１０１、推定部１０２、および更新部１０３に代えて、取得部１０４、推定部１０５、更新部１０６、および予測部１０７を含む点と、記憶部１１が予測モデル１１３をさらに含む点とが異なり、その他の構成は同様である。予測モデル１１３の詳細については、後記「予測モデルについて」の項目で説明する。

【0063】

取得部１０４は、凝集槽５１に供給される液体に関する測定データと、凝集槽５１に供給される薬剤に関する測定データと、凝集槽５１内の液体に関する測定データと、凝集槽５１の運転に関する測定データと、脱水機９の運転に関する測定データと、の少なくともいずれかを取得する。なお、各測定データの詳細に関しては、後記「予測モデルについて」の項目で説明する。

【0064】

推定部１０５は、図１に示す推定部１０２に比べて、第１推定モデル１１１を用いて推定した脱水ケーキの含水率の推定値を更新部１０６にさらに送出する点が異なり、その他の構成は同様である。

【0065】

予測部１０７は、記憶部１１に記憶された予測モデル１１３を用いて、取得部１０４が取得した測定データから脱水ケーキの含水率を予測する。この脱水ケーキは、上記測定データの測定時点から脱水機９内で上記凝集汚泥が滞留する滞留時間が経過した時点（以下、「経過時点」と称する。）において脱水機９から排出される脱水ケーキである。予測部１０７は、取得部１０４が新たな測定データを取得する毎に予測モデル１１３を用いた予測を実行する。これにより、予測部１０７は脱水ケーキの含水率をリアルタイムに、すなわち短い時間間隔で連続的に（例えば１分ごとに）予測することができる。なお、脱水ケーキの含水率の具体的な算出手法については、後記「予測モデルによる含水率の予測方法」の項目で説明する。

【0066】

〔予測モデルについて〕
予測モデル１１３は、取得部１０４が取得した、測定時点の測定データを説明変数とし、経過時点において脱水機９から排出される脱水ケーキの含水率（以下、「経過時点の含水率」と称する。）を目的変数として学習された予測モデルである。本実施形態では、上記目的変数である含水率は、第１推定モデル１１１による推定値である。取得部１０４が取得した測定データであって、予測モデル１１３の予測に用いる測定データには次のようなものが含まれる。

【0067】

（１）凝集槽５１に供給される汚泥に関する測定データ。当該測定データは、例えば、当該汚泥の単位時間当たりの供給流量、および当該汚泥の濃度の少なくともいずれかであり、汚泥投入口５５の手前にて測定される。

【0068】

（２）凝集槽５１に供給される薬剤に関する測定データ。当該測定データは、例えば、当該薬剤の単位時間当たりの供給流量であり、薬剤投入口５６の手前にて測定される。

【0069】

（３）凝集槽５１内の汚泥に関する測定データ。当該測定データは、フロックの平均濃
淡値、および、フロック間の隙間の平均単位面積、の少なくともいずれかであり、撮影装置７２における静止画像を画像処理することで得られる。上記平均濃淡値は、汚泥色調（明暗）の指標となる。また、上記平均単位面積は、フロック径の指標となる。

【0070】

（４）凝集槽５１の運転に関する測定データ。当該測定データは、凝集槽５１における撹拌翼の回転速度であり、制御装置３から取得する。

【0071】

（５）脱水機９の運転に関する測定データ。当該測定データは、脱水機９の運転時間、脱水機９のスクリューの回転速度、脱水機９への凝集汚泥の単位時間当たりの供給流量、および、脱水機９へ投入される凝集汚泥の投入圧、の少なくともいずれかであり、制御装置３から取得する。

【0072】

本実施形態では、上記（１）～（５）に示すように、様々な測定データを採用することができる。そのため、脱水ケーキの含水率を、多面的な説明変数を用い、精度良く予測することができる。なお、上記（１）～（５）に示す測定データのうち、予測モデル１１３の予測精度に対する寄与が大きい測定データとしては、上記（５）に示す上記運転時間、上記スクリューの回転速度、および、上記供給流量と、上記（３）に示すフロックの平均濃淡値とが挙げられる。

【0073】

〔予測モデルの学習方法〕
次に、予測モデル１１３による含水率の学習方法に関して説明する。予測モデル１１３は、上記したように、測定時点における測定データを用いて、当該測定時点よりも未来の経過時点の含水率を予測するモデルである。

【0074】

図１０は、予測モデル１１３のための教師データを作成する概念を示すモデル図である。図１０の横軸は運転時間（分）である。また、図１０の縦軸は、各測定データの測定値であり、測定データごとに任意のスケールで示している。

【0075】

予測モデル１１３の説明変数となる、測定時点の測定データは、図１０の上段に示すように、液体（汚泥）の単位時間当たりの供給流量、液体（汚泥）の濃度、フロックの平均濃淡値、フロック間の隙間の平均単位面積、凝集槽５１における撹拌翼の回転速度、脱水機９の運転時間、脱水機９のスクリューの回転速度、脱水機９へ投入される液体（凝集汚泥）の投入圧、および、薬剤の単位時間当たりの供給流量と液体（汚泥）の供給流量の比率である。

【0076】

そして、予測モデル１１３の目的変数は、経過時点の含水率である。この含水率として、作業者による実測値を用いる場合、図１０の下段において白色の丸印で示すように、作業者が一日の作業で測定できる回数に上限がある。このため、説明変数および目的変数の組み合わせである教師データの数が制限され、その結果、高精度な予測モデルを作成することが困難である。

【0077】

そこで、本実施形態では、上記教師データの目的変数として、作業者による実測値の代わりに、上記した第１推定モデル１１１による推定値を用いている。これにより、図１０の下段にて灰色の丸印で示すように、目的変数の数が、作業者が測定できる回数に制限されることが無くなるので、上記教師データの数を増やすことができ、高精度な予測モデル１１３を作成することができる。

【0078】

ところで、上記経過時点の含水率の推定値は、上記経過時点における測定データから第１推定モデル１１１および第２推定モデル１１２を用いて算出される。従って、予測モデル１１３の学習には、予測モデル１１３の説明変数である測定時点の測定データと、第１
推定モデル１１１および第２推定モデル１１２の説明変数である経過時点の測定データとが利用されることになる。

【0079】

〔予測モデルによる含水率の予測方法〕
予測部１０７は、学習を行った予測モデル１１３を用いて、脱水ケーキの含水率を予測する。すなわち、予測部１０７は、説明変数である、凝集槽５１に供給される液体に関する測定データと、凝集槽５１に供給される薬剤に関する測定データと、凝集槽５１内の液体に関する測定データと、凝集槽５１の運転に関する測定データと、脱水機９の運転に関する測定データと、の少なくともいずれかを、予測モデル１１３に入力することで、目的変数である、脱水完了時における脱水ケーキの含水率を予測する。

【0080】

以上のように、本実施形態の情報処理装置１は、図１に示す情報処理装置１に比べて、予測モデル１１３を用いて、取得部１０４が取得した測定データから、当該測定データの測定時点から脱水機９内で液体が滞留する滞留時間が経過した時点において脱水機９から排出される脱水ケーキの含水率を予測する予測部１０７をさらに備える。上記予測モデル１１３は、取得部１０４が取得した測定データを説明変数とし、当該測定データの測定時点から滞留時間が経過した経過時点において脱水機９から排出される脱水ケーキの含水率についての第１推定モデル１１１による推定値を目的変数として学習された予測モデルである。

【0081】

上記の構成によると、第１推定モデル１１１は、説明変数である脱水機９の運転に関する測定データの測定時点（脱水完了時）と、目的変数である脱水機９から排出される脱水ケーキの含水率の測定時点（脱水完了時）とが同じである。このため、測定データと含水率とを含む教師データが少なくても、学習された第１推定モデル１１１を用いた推定の精度は良好である。従って、含水率の手作業分析における作業者の負荷を増やすことなく、第１推定モデル１１１を学習することができる。また、第１推定モデル１１１を利用して、測定データの測定回数だけ、含水率の推定値を算出できる。

【0082】

一方、予測モデル１１３に関して、取得部１０４が取得した測定データの測定時点（液体の供給時）から滞留時間が経過した経過時点（脱水完了時）に測定された脱水機９の運転に関する測定データから第１推定モデル１１１を用いて推定された、経過時点における含水率の推定値を取得することができる。そして、取得した推定値を目的変数とし、取得部１０４が取得した測定時点の測定データを説明変数とする教師データを、取得部１０４が取得した測定データの測定回数だけ作成することができる。従って、教師データを用いて学習された予測モデル１１３を用いて、取得部１０４が取得した測定データから、当該測定データの測定時点から滞留時間が経過した経過時点における含水率を精度よく予測することができる。

【0083】

〔更新部について〕
更新部１０６は、図１に示す更新部１０３に比べて、運転停止期間に予測モデル１１３を更新する処理をさらに行う点が異なり、その他は同様である。具体的には、更新部１０６は、凝集槽５１および脱水機９の運転期間において取得部１０１が取得した測定データと、測定データの測定時点から滞留時間が経過した経過時点において脱水機９から排出される脱水ケーキの含水率についての第１推定モデル１１１による推定値との組を教師データとして、上記運転停止期間において予測モデル１１３を更新する。

【0084】

なお、予測モデル１１３の更新は、最新の運転期間における測定データを用いることが望ましい。この場合、予測モデル１１３を用いた予測を凝集槽５１および脱水機９の最新の状況に適合させることができる。

【0085】

〔予測処理〕
図１１は、上記構成の情報処理装置１における脱水ケーキの含水率の予測処理（含水率予測方法）の一例を示すフローチャートである。この予測処理は、上述のように、運転期間中に実行される。図１１に示すように、まず、取得部１０４は、各種の測定データを収集（取得）する（Ｓ３１、取得ステップ）。次に、予測部１０７は、予測モデル１１３を用いて、上記測定データから、該測定データの測定時点から滞留時間が経過した経過時点における含水率の予測値を算出する（Ｓ３２、予測ステップ）。その後、ステップＳ３１に戻って上記動作を繰り返す。

【0086】

〔更新処理〕
図１２は、情報処理装置１における第１推定モデル１１１および予測モデル１１３の更新処理の一例を示すフローチャートである。この更新処理は、上述のように、運転停止期間ごとに実行される。図１２に示す更新処理は、図４に示す更新処理Ｓ２１・Ｓ２２の後に下記の処理が実行される。

【0087】

すなわち、更新部１０６は、第１推定モデル１１１および第２推定モデル１１２を用いて、上記運転期間における上記測定データから上記運転期間における上記含水率の推定値を算出する（Ｓ４１）。次に、更新部１０６は、上記測定データと、該測定データの測定時点から滞留時間が経過した経過時点における上記推定値との組を教師データとして予測モデル１１３を更新する（Ｓ４２）。その後、上記更新処理を終了する。

【0088】

〔ソフトウェアによる実現例〕
情報処理装置１（以下、「装置」と呼ぶ）の機能は、当該装置としてコンピュータを機能させるためのプログラムであって、当該装置の各制御ブロック（特に制御部１０に含まれる各部）としてコンピュータを機能させるためのプログラム（含水率推定プログラム）により実現することができる。

【0089】

この場合、上記装置は、上記プログラムを実行するためのハードウェアとして、少なくとも１つの制御装置（例えばプロセッサ）と少なくとも１つの記憶装置（例えばメモリ）を有するコンピュータを備えている。この制御装置と記憶装置により上記プログラムを実行することにより、上記各実施形態で説明した各機能が実現される。

【0090】

上記プログラムは、一時的ではなく、コンピュータ読み取り可能な、１または複数の記録媒体に記録されていてもよい。この記録媒体は、上記装置が備えていてもよいし、備えていなくてもよい。後者の場合、上記プログラムは、有線または無線の任意の伝送媒体を介して上記装置に供給されてもよい。

【0091】

また、上記各制御ブロックの機能の一部または全部は、論理回路により実現することも可能である。例えば、上記各制御ブロックとして機能する論理回路が形成された集積回路も本発明の範疇に含まれる。この他にも、例えば量子コンピュータにより上記各制御ブロックの機能を実現することも可能である。

【0092】

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

【符号の説明】

【0093】

１ 情報処理装置
３ 制御装置
５ フロキュレータ
９ 脱水機
１０ 制御部
１１ 記憶部
１２ 通信部
１３ 入力部
１４ 出力部
５１ 凝集槽
９１ 外胴スクリーン
９２ スクリュー
９４ 液排出口
９５ 脱水ケーキ排出口
１００ 制御システム
１０１、１０４ 取得部
１０２、１０５ 推定部
１０３、１０６ 更新部
１０７ 予測部
１１１ 第１推定モデル
１１２ 第２推定モデル
１１３ 予測モデル

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】