知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2024-09-10
(45)【発行日】2024-09-19
(54)【発明の名称】機械学習装置、データ処理システム及び機械学習方法
(51)【国際特許分類】
B04B 13/00 20060101AFI20240911BHJP
B04B 1/20 20060101ALI20240911BHJP
G06N 20/00 20190101ALI20240911BHJP
【ＦＩ】
B04B13/00
B04B1/20
G06N20/00 130
【請求項の数】
16
(21)【出願番号】P 2020124727
(22)【出願日】2020-07-21
(65)【公開番号】P2022021244
(43)【公開日】2022-02-02
【審査請求日】2023-07-12
(73)【特許権者】
【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】杉浦 路明
(72)【発明者】
【氏名】荻原 徹也
【審査官】目代 博茂
(56)【参考文献】
【文献】特開２０１４－００８５００（ＪＰ，Ａ）
【文献】特開２０１５－０９７９９７（ＪＰ，Ａ）
【文献】米国特許第０５９４８２７１（ＵＳ，Ａ）
【文献】特開２０２０－０６５９６４（ＪＰ，Ａ）
【文献】特開平０３－１３４７０６（ＪＰ，Ａ）
【文献】特開平０４－３７１２４４（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｂ０４Ｂ１／００－１５／１２
Ｇ０６Ｎ２０／００
Ｃ０２Ｆ１／００－１１／２０
(57)【特許請求の範囲】
【請求項1】
被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムのための機械学習装置であって、前記排出口から排出された液体含有固形物を所定画角から撮像した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制御パラメータを含む出力データとを備え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、前記被処理液に添加される添加物の供給量、前記ボウルの遠心力、及び前記差速発生装置により制御される差速のうちの少なくとも１つを備える、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に記載の機械学習装置。
【請求項3】
前記入力データは、前記分離液の濃度と、前記被処理液のスラリー濃度と、前記スクリューコンベアのトルク値とのうちの少なくとも１つを更に含む、請求項１に記載の機械学習装置。
【請求項4】
前記入力データは、前記分離液の濃度と、前記被処理液のスラリー濃度と、前記スクリューコンベアのトルク値とのうちの少なくとも１つを更に含み、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、前記分離液の濃度と、前記被処理液のスラリー濃度と、前記スクリューコンベアのトルク値とを入力することで、前記制御パラメータを推論する第４の学習モデルを学習する第４の学習ユニットと；を備える、
請求項１に記載の機械学習装置。
【請求項5】
被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムのための機械学習装置であって、前記排出口から排出された液体含有固形物を所定画角から撮像した第１の画像データと、前記ボウルに供給される前であって且つ所定の添加物が添加された後の前記被処理液を所定画角から撮像した第２の画像データとを含む入力データと、前記入力データに対応付けられた制御パラメータを含む出力データとを備え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、前記添加物の供給量、前記ボウルの遠心力、及び前記差速発生装置により制御される差速のうちの少なくとも１つを備える、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6】
前記学習ユニットは、前記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、前記第１の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；
前記学習用データセット内の第２の画像データを入力することで、前記第２の画像データの特徴量を推論する第６の学習モデルを学習する第６の学習ユニットと；
前記第１の画像データの特徴量と、前記第２の画像データの特徴量とを入力することで、前記制御パラメータを推論する第７の学習モデルを学習する第７の学習ユニットと；を備える、
請求項５に記載の機械学習装置。
【請求項7】
前記入力データは、前記分離液の濃度と、前記被処理液のスラリー濃度と、前記スクリューコンベアのトルク値とのうちの少なくとも１つを更に含む、請求項５に記載の機械学習装置。
【請求項8】
前記入力データは、前記分離液の濃度と、前記被処理液のスラリー濃度と、前記スクリューコンベアのトルク値とのうちの少なくとも１つを更に含み、前記学習ユニットは、
前記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、前記第１の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；
前記学習用データセット内の第２の画像データを入力することで、前記第２の画像データの特徴量を推論する第６の学習モデルを学習する第６の学習ユニットと；
前記第１の画像データの特徴量と、前記第２の画像データの特徴量と、前記分離液の濃度と、前記被処理液のスラリー濃度と、前記スクリューコンベアのトルク値とを入力することで、前記制御パラメータを推論する第９の学習モデルを学習する第９の学習ユニットと；を備える、
請求項５に記載の機械学習装置。
【請求項9】
前記制御パラメータは、前記被処理液の供給量を更に備える、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】
前記制御パラメータは、前記ボウルのダムセット径を更に備える、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】
被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムに用いられるデータ処理システムであって、前記排出口から排出された液体含有固形物を所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニットと；
請求項１又は請求項２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、前記第１の画像データ取得ユニットが取得したデータを入力することで、前記遠心分離システム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12】
被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムに用いられるデータ処理システムであって、前記排出口から排出された液体含有固形物を所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニットと；
前記分離液の濃度と、前記被処理液のスラリー濃度と、前記スクリューコンベアのトルク値とのうちの少なくとも１つを取得するための付加変数取得ユニットと；
請求項３又は請求項４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、前記第１の画像データ取得ユニットと前記付加変数取得ユニットとが取得したデータを入力することで、前記遠心分離システム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13】
被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムに用いられるデータ処理システムであって、前記排出口から排出された液体含有固形物を所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニットと；
前記ボウルに供給される前であって且つ所定の添加物が添加された後の前記被処理液を所定画角から撮像した第２の画像データを取得するための第２の画像データ取得ユニットと；
請求項５又は請求項６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、前記第１の画像データ取得ユニットと前記第２の画像データ取得ユニットとが取得したデータを入力することで、前記遠心分離システム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14】
被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムに用いられるデータ処理システムであって、前記排出口から排出された液体含有固形物を所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニットと；
前記ボウルに供給される前であって且つ所定の添加物が添加された後の前記被処理液を所定画角から撮像した第２の画像データを取得するための第２の画像データ取得ユニットと；
前記分離液の濃度と、前記被処理液のスラリー濃度と、前記スクリューコンベアのトルク値とのうちの少なくとも１つを取得するための付加変数取得ユニットと；
請求項７又は請求項８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、前記第１の画像データ取得ユニットと前記第２の画像データ取得ユニットと前記付加変数取得ユニットとが取得したデータを入力することで、前記遠心分離システム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】
被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムのための、コンピュータを用いた機械学習方法であって、前記排出口から排出された液体含有固形物を所定画角から撮像した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制御パラメータを含む出力データとを備え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、前記被処理液に添加される添加物の供給量、前記ボウルの遠心力、及び前記差速発生装置により制御される差速のうちの少なくとも１つを備える、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。
【請求項16】
被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムのための、コンピュータを用いた機械学習方法であって、前記排出口から排出された液体含有固形物を所定画角から撮像した第１の画像データと、前記ボウルに供給される前であって且つ所定の添加物が添加された後の前記被処理液を所定画角から撮像した第２の画像データとを含む入力データと、前記入力データに対応付けられた制御パラメータを含む出力データとを備え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、前記添加物の供給量、前記ボウルの遠心力、及び前記差速発生装置により制御される差速のうちの少なくとも１つを備える、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】
本開示は遠心分離システムに適用可能な機械学習装置、データ処理システム及び機械学習方法に関する。
【背景技術】
【0002】
上下水、産業排水、又はし尿等の水処理設備において、遠心力を利用して固液分離を行う遠心分離装置が従来から用いられている。この遠心分離装置としては種々のタイプのものが知られているが、特に長時間連続した処理が必要な設備にあっては、デカンタと称される遠心分離装置が広く用いられている。
【0003】
このデカンタは、一般に、駆動モータと、駆動モータにより回転され内部に被処理液が投入されるボウルと、このボウル内に同軸状に配置されるスクリューコンベアと、ボウルの回転速度とスクリューコンベアの回転速度との間に差速を発生させる差速発生装置と、を含む。そして、ボウル内に投入された被処理液中の固形物成分はボウルの一端部から、被処理液中の液体成分はボウルの他端部からそれぞれ排出されることで、固液分離を実現している。そして、このデカンタにおける好適な動作制御の手法が種々検討されている。（例えば、下記特許文献１参照。）
【先行技術文献】
【特許文献】
【0004】
【文献】特許第５４４２０９９号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
上記特許文献１に記載された方法によれば、スクリューコンベアの搬送トルクに基づいて、差速発生装置で発生させる差速やボウルの遠心力を制御しているため、被処理液の性状に合わせた遠心分離装置の自動操業を部分的に実現できる。しかし、このような遠心分離装置を含む遠心分離システムの制御に関連する情報やパラメータは、スクリューコンベアの搬送トルク、差速発生装置で発生させる差速及びボウルの遠心力以外にも種々存在する。特に、当該制御対象の制御に影響する情報（状態変数）は多岐にわたり、且つこのような情報には数値化し難い情報も含まれ得る。そして、これらの状態変数を効果的且つ機械的に参酌する手法は現時点において確立されておらず、結果、このような状態変数は技術者（オペレータ）の経験や暗黙知に基づく判断により、遠心分離システムの動作制御に反映されているのが実情である。
【0006】
本開示は上述の点に鑑み、オペレータの判断に依存することなく遠心分離システムの好適な動作制御を実現するための、機械学習装置、データ処理システム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】
【0007】
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２０は、例えば図３に示すように、被処理液ＰＬ１（図示省略）、ＰＬ２（図１５等参照）に遠心力を付与して固形物Ｍと分離液ＳＬ（図示省略）とに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１のためのものであって、前記排出口２ａから排出された液体含有固形物Ｍを所定画角から撮像した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制御パラメータを含む出力データとを含む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２２であって、前記制御パラメータは、前記被処理液ＰＬ１に添加される添加物の供給量、前記ボウル２の遠心力、及び前記差速発生装置５により制御される差速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２２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２３と；前記学習ユニット２３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２４と；を含むものである。
【0008】
このように構成すると、分離液の画像データから遠心分離システムの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。
【0009】
本開示の第２の態様に係る機械学習装置２０Ａは、例えば図９に示すように、上記本開示の第１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２３１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２３２と；を含むものである。
【0010】
このように構成すると、脱水固形物の画像データから遠心分離システム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抑えることができる。
【0011】
本開示の第３の態様に係る機械学習装置２０Ｂは、例えば図１１に示すように、上記本開示の第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、前記分離液ＳＬの濃度と、前記被処理液ＰＬ１のスラリー濃度と、前記スクリューコンベア３のトルク値とのうちの少なくとも１つを更に含む。
【0012】
このように構成すると、入力データの数が増えることで、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抑えることができる。
【0013】
本開示の第４の態様に係る機械学習装置２０Ｃは、例えば図１３に示すように、上記本開示の第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、前記分離液ＳＬの濃度と、前記被処理液ＰＬ１のスラリー濃度と、前記スクリューコンベア３のトルク値とのうちの少なくとも１つを更に含み、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２３１と；前記画像データの特徴量と、前記分離液ＳＬの濃度と、前記被処理液ＰＬ１のスラリー濃度と、前記スクリューコンベア３のトルク値とを入力することで、前記制御パラメータを推論する第４の学習モデルを学習する第４の学習ユニット２３４と；を含むものである。
【0014】
このように構成すると、脱水固形物の画像データから遠心分離システム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相対的に抑えることができる。
【0015】
本開示の第５の態様に係る機械学習装置１２０は、例えば図１５に示すように、被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１のためのものであって、前記排出口２ａから排出された液体含有固形物Ｍを所定画角から撮像した第１の画像データと、前記ボウル２に供給される前であって且つ所定の添加物が添加された後の前記被処理液ＰＬ２を所定画角から撮像した第２の画像データとを含む入力データと、前記入力データに対応付けられた制御パラメータを含む出力データとを含む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２２５であって、前記制御パラメータは、前記添加物の供給量、前記ボウル２の遠心力、及び前記差速発生装置５により制御される差速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２２５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２３５と；前記学習ユニット２３５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１２４と；を含むものである。
【0016】
このように構成すると、脱水固形物の画像データとフロック含有被処理液の画像データとから遠心分離システムの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。
【0017】
本開示の第６の態様に係る機械学習装置１２０Ａは、例えば図１９に示すように、上記本開示の第５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第１の画像データを入力することで、前記第１の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２３１と；前記学習用データセット内の第２の画像データを入力することで、前記第２の画像データの特徴量を推論する第６の学習モデルを学習する第６の学習ユニット２３６と；前記第１の画像データの特徴量と、前記第２の画像データの特徴量とを入力することで、前記制御パラメータを推論する第７の学習モデルを学習する第７の学習ユニット２３７と；を含むものである。
【0018】
このように構成すると、脱水固形物の画像データとフロック含有被処理液の画像データとから遠心分離システムの制御パラメータを推測するに際し、学習ユニットを３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抑えることができる。
【0019】
本開示の第７の態様に係る機械学習装置１２０Ｂは、例えば図２１に示すように、上記本開示の第５の態様に係る機械学習装置において、前記入力データは、前記分離液ＳＬの濃度と、前記被処理液ＰＬ１のスラリー濃度と、前記スクリューコンベア３のトルク値とのうちの少なくとも１つを更に含む。
【0020】
このように構成すると、入力データの数が増えることで、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抑えることができる。
【0021】
本開示の第８の態様に係る機械学習装置１２０Ｃは、例えば図２３に示すように、上記本開示の第５の態様に係る機械学習装置において、前記入力データは、前記分離液ＳＬの濃度と、前記被処理液ＰＬ１のスラリー濃度と、前記スクリューコンベア３のトルク値とのうちの少なくとも１つを更に含み、前記学習ユニットは、前記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、前記第１の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２３１と；前記学習用データセット内の第２の画像データを入力することで、前記第２の画像データの特徴量を推論する第６の学習モデルを学習する第６の学習ユニット２３６と；前記第１の画像データの特徴量と、前記第２の画像データの特徴量と、前記分離液ＳＬの濃度と、前記被処理液ＰＬ１のスラリー濃度と、前記スクリューコンベア３のトルク値とを入力することで、前記制御パラメータを推論する第９の学習モデルを学習する第９の学習ユニット２３９と；を含むものである。
【0022】
このように構成すると、脱水固形物の画像データとフロック含有被処理液の画像データとから遠心分離システムの制御パラメータを推測するに際し、学習ユニットを３つに分割し、且つそのうちの一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相対的に抑えることができる。
【0023】
本開示の第９の態様に係る機械学習装置は、上記本開示の第１乃至８の態様に係る機械学習装置において、前記制御パラメータは、前記被処理液の供給量を更に含むものである。
【0024】
このように構成すると、学習済モデルが出力する制御パラメータの数が増えることでより細かなパラメータ調整を実現できる。
【0025】
本開示の第１０の態様に係る機械学習装置は、上記本開示の第１乃至９の態様に係る機械学習装置において、前記制御パラメータは、前記ボウルのダムセット径を更に含むものである。
【0026】
このように構成すると、学習済モデルが出力する制御パラメータの数が増えることでより細かなパラメータ調整を実現できる。
【0027】
本開示の第１１の態様に係るデータ処理システム８０、８０Ａは、例えば図７及び図１０に示すように、被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１に用いられるものであって、前記排出口２ａから排出された液体含有固形物Ｍを所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニット８１と；第１又は２の態様に係る機械学習装置２０、２０Ａによって生成された学習済モデルに、前記第１の画像データ取得ユニット８１が取得したデータを入力することで、前記遠心分離システムの制御パラメータを推論する推論ユニット８７、８７１、８７２と；を含むものである。
【0028】
このように構成すると、脱水固形物を撮像した第１の画像データに基づいて、遠心分離システムの好適な動作制御を実現可能な制御パラメータが推論できるため、オペレータの判断に依存することなく遠心分離システムの動作制御を自動的に行うことができるようになる。
【0029】
本開示の第１２の態様に係るデータ処理システム８０Ｂ、８０Ｃは、例えば図１２及び図１４に示すように、被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１に用いられるものであって、前記排出口２ａから排出された液体含有固形物Ｍを所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニット８１と；前記分離液ＳＬの濃度と、前記被処理液ＰＬ１のスラリー濃度と、前記スクリューコンベア３のトルク値とのうちの少なくとも１つを取得するための付加変数取得ユニット８９と；第３又は４の態様に係る機械学習装置２０Ｂ、２０Ｃによって生成された学習済モデルに、前記第１の画像データ取得ユニット８１と前記付加変数取得ユニット８９とが取得したデータを入力することで、前記遠心分離システムの制御パラメータを推論する推論ユニット８７３、８７１、８７４と；を含むものである。
【0030】
このように構成すると、分離液の濃度と、被処理液のスラリー濃度と、スクリューコンベアのトルク値のうちの少なくとも１つと、脱水固形物を撮像した第１の画像データとに基づいて、遠心分離システムの好適な動作制御を実現可能な制御パラメータが推論できるため、オペレータの判断に依存することなく遠心分離システムの動作制御を自動的に行うことができるようになる。
【0031】
本開示の第１３の態様に係るデータ処理システム１８０、１８０Ａは、例えば図１７及び図２０に示すように、被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１に用いられるものであって、前記排出口２ａから排出された液体含有固形物Ｍを所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニット８１と；前記ボウル２に供給される前であって且つ所定の添加物が添加された後の前記被処理液ＰＬ２を所定画角から撮像した第２の画像データを取得するための第２の画像データ取得ユニット１８１と；第５又は６の態様に係る機械学習装置１２０、１２０Ａによって生成された学習済モデルに、前記第１の画像データ取得ユニット８１と前記第２の画像データ取得ユニット１８１とが取得したデータを入力することで、前記遠心分離システム１の制御パラメータを推論する推論ユニット８７５、８７１、８７６、８７７と；を含むものである。
【0032】
このように構成すると、脱水固形物及びフロック含有被処理液を撮像した第１及び第２の画像データに基づいて、遠心分離システムの好適な動作制御を実現可能な制御パラメータが推論できるため、オペレータの判断に依存することなく遠心分離システムの動作制御を自動的に行うことができるようになる。
【0033】
本開示の第１４の態様に係るデータ処理システム１８０Ｂ、１８０Ｃは、例えば図２２及び図２４に示すように、被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１に用いられるものであって、前記排出口２ａから排出された液体含有固形物Ｍを所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニット８１と；前記ボウル２に供給される前であって且つ所定の添加物が添加された後の前記被処理液ＰＬ２を所定画角から撮像した第２の画像データを取得するための第２の画像データ取得ユニット１８１と；前記分離液ＳＬの濃度と、前記被処理液ＰＬ１のスラリー濃度と、前記スクリューコンベア３のトルク値とのうちの少なくとも１つを取得するための付加変数取得ユニット８９と；第７又は８の態様に係る機械学習装置１２０Ｂ、１２０Ｃによって生成された学習済モデルに、前記第１の画像データ取得ユニット８１と前記第２の画像データ取得ユニット１８１と前記付加変数取得ユニット８９とが取得したデータを入力することで、前記遠心分離システム１の制御パラメータを推論する推論ユニット８７８、８７１、８７６、８７９と；を含むものである。
【0034】
このように構成すると、分離液の濃度と、被処理液のスラリー濃度と、スクリューコンベアのトルク値のうちの少なくとも１つと、脱水固形物及びフロック含有被処理液を撮像した第１及び第２の画像データとに基づいて、遠心分離システムの好適な動作制御を実現可能な制御パラメータが推論できるため、オペレータの判断に依存することなく遠心分離システムの動作制御を自動的に行うことができるようになる。
【0035】
本開示の第１５の態様に係る機械学習方法は、例えば図３及び図６に示すように、コンピュータにより実施されるものであって、被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１のためのものであって、前記排出口２ａから排出された液体含有固形物Ｍを所定画角から撮像した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制御パラメータを含む出力データとを含む学習用データセットを複数組記憶するステップＳ１１であって、前記制御パラメータは、前記被処理液ＰＬ１に添加される添加物の供給量、前記ボウル２の遠心力、及び前記差速発生装置５により制御される差速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Ｓ１５と；学習された前記学習モデルを記憶するステップＳ１７と；を含むものである。
【0036】
このように構成すると、脱水固形物の画像データから遠心分離システムの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。
【0037】
本開示の第１６の態様に係る機械学習方法は、例えば図６及び図１５に示すように、コンピュータにより実施されるものであって、且つ被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１のためのものであって、前記排出口２ａから排出された液体含有固形物Ｍを所定画角から撮像した第１の画像データと、前記ボウル２に供給される前であって且つ所定の添加物が添加された後の前記被処理液ＰＬ２を所定画角から撮像した第２の画像データとを含む入力データと、前記入力データに対応付けられた制御パラメータを含む出力データとを含む学習用データセットを複数組記憶するステップＳ１１であって、前記制御パラメータは、前記添加物の供給量、前記ボウル２の遠心力、及び前記差速発生装置５により制御される差速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Ｓ１５と；学習された前記学習モデルを記憶するステップＳ１７と；を含むものである。
【0038】
このように構成すると、脱水固形物の画像データとフロック含有被処理液の画像データとから遠心分離システムの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。
【発明の効果】
【0039】
本開示によれば、オペレータの判断に依存することなく、機械的に遠心分離システムの好適な動作制御を実現可能な制御パラメータを取得できるようになる。
【図面の簡単な説明】
【0040】
【図1】本開示の第１の実施の形態に係るデカンタ本体の概略構造を示す模式図である。
【図2】本開示の第１の実施の形態に係るデカンタの配管構造を含む遠心分離システムを示す模式図である。
【図3】本開示の第１の実施の形態に係る機械学習装置の概略ブロック図である。
【図4】本開示の第１の実施の形態に係る脱水固形物監視システムにより得られた画像データの例を示したものである。
【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を示す概略ブロック図である。
【図8】本開示の第１の実施の形態に係るデータ処理システムによるパラメータ調整の例を示すフローチャートである。
【図9】本開示の第２の実施の形態に係る機械学習装置の概略ブロック図である。
【図10】本開示の第２の実施の形態に係るデータ処理システムを示す概略ブロック図である。
【図11】本開示の第３の実施の形態に係る機械学習装置の概略ブロック図である。
【図12】本開示の第３の実施の形態に係るデータ処理システムを示す概略ブロック図である。
【図13】本開示の第４の実施の形態に係る機械学習装置の概略ブロック図である。
【図14】本開示の第４の実施の形態に係るデータ処理システムを示す概略ブロック図である。
【図15】本開示の第５の実施の形態に係る機械学習装置の概略ブロック図である。
【図16】本開示の第５の実施の形態に係る被処理液監視システムにより得られた画像データの例を示したものである。
【図17】本開示の第５の実施の形態に係るデータ処理システムを示す概略ブロック図である。
【図18】本開示の第５の実施の形態に係るデータ処理システムによるパラメータ調整の例を示すフローチャートである。
【図19】本開示の第６の実施の形態に係る機械学習装置の概略ブロック図である。
【図20】本開示の第６の実施の形態に係るデータ処理システムを示す概略ブロック図である。
【図21】本開示の第７の実施の形態に係る機械学習装置の概略ブロック図である。
【図22】本開示の第７の実施の形態に係るデータ処理システムを示す概略ブロック図である。
【図23】本開示の第８の実施の形態に係る機械学習装置の概略ブロック図である。
【図24】本開示の第８の実施の形態に係るデータ処理システム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】
【0041】
以下、図面を参照して本開示を実施するための各実施の形態について説明する。なお、以下では本開示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、本開示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。
【0042】
＜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、データ処理システム及び機械学習方法の説明を行う前に、これら、機械学習装置、データ処理システム及び機械学習方法が適用される遠心分離システムについて簡単に説明を行う。本実施の形態に係る遠心分離システムとしては、遠心分離装置として横型のデカンタ１を含むものを用いる。なお、本開示に係る遠心分離システムの具体的な態様は以下に示すものに限定されるものではなく、例えば縦型や直胴型のデカンタ等の遠心分離装置を含む遠心分離システムに対しても適用可能である。
本開示の第１の実施の形態に係る機械学習装置、データ処理システム及び機械学習方法の説明を行う前に、これら、機械学習装置、データ処理システム及び機械学習方法が適用される遠心分離システムについて簡単に説明を行う。本実施の形態に係る遠心分離システムとしては、遠心分離装置として横型のデカンタ１を含むものを用いる。なお、本開示に係る遠心分離システムの具体的な態様は以下に示すものに限定されるものではなく、例えば縦型や直胴型のデカンタ等の遠心分離装置を含む遠心分離システムに対しても適用可能である。
【0043】
図１は、本開示の第１の実施の形態に係る、デカンタ本体の概略構造を示す模式図である。また、図２は、本開示の第１の実施の形態に係るデカンタの配管構造を含む遠心分離システムを示す模式図である。本実施の形態において示す横型のデカンタ１は、図１及び図２に示すように、主にボウル２と、スクリューコンベア３と、駆動モータ４と、差速発生装置５と、ケーシング６とを含む。
【0044】
ボウル２は、一端部が錘状に加工された筒状の部材で構成され、水平軸周りに回転可能に支持されている。また、このボウル２の錘状に加工された一端部には１乃至複数の固形物排出口２ａが設けられ、他端部には１乃至複数の分離液排出口２ｂが形成されたダム２ｃが取り付けられている。固形物排出口２ａからは、ボウル２内に投入される被処理液に含まれる固形物成分が主に排出され、分離液排出口２ｂからは、同じくボウル２内に投入される被処理液に含まれる液体成分が主に排出される。また、このボウル２の一方の端部（図１においては錘状に加工された一端部）には、更に後述する駆動モータ４からの動力を伝達するプーリー４ａが取り付けられている。なお、固形物排出口２ａから排出される固形物成分は、被処理液内の大部分の液体成分が脱水除去され、液体（分離液）成分を相対的に少ない所定量含んだ状態で排出されるため、以下ではこの固形物成分を液体含有固形物（あるいは脱水固形物）Ｍという。
【0045】
スクリューコンベア３は、ボウル２内に同軸状に配置され、その周囲に螺旋状のスクリュー羽根３ａが形成された部材で構成される。スクリュー羽根３ａはボウル２内の固形物を搬送及び／又は圧搾するための部材である。このスクリューコンベア３の胴部３ｂには、その内部に被処理液を受けるための空間３ｃと、この空間に貯留された被処理液をボウル２内に投入するための吐出口３ｄとが設けられている。また、このスクリューコンベア３の一端部には、後述する差速発生装置５が連結されている。
【0046】
駆動モータ４は、ボウル２に回転力を付与するためのモータであり、ボウル２の一方の端部に取り付けられたプーリー４ａにベルト４ｂを介して接続されている。この駆動モータ４には、ボウル２を例えば２０００～５０００ｒｐｍの範囲で回転させるために、比較的大型のモータが採用され、且つその回転速度はインバーター制御によって適宜変更可能となっていることが好ましい。また、差速発生装置５は、ボウル２の回転速度とスクリューコンベア３の回転速度との間に差速を発生させるための装置であって、スクリューコンベア３をボウル２に対して僅かに（例えば１～３ｒｐｍ程度）遅く回転させることが可能な装置である。この差速発生装置５は、スクリューコンベア３に接続されたギヤボックス５ａと、スクリューコンベア３にブレーキ力を付加する差動モータ（「バックドライブモーター」ともいう）５ｂとを含む。差速発生装置５の具体的な動作原理については従来から知られているものであるから、その説明は省略する。
【0047】
ケーシング６は、ボウル２及びスクリューコンベア３を覆うように設けられ、ボウル２の固形物排出口２ａから排出された、僅かに液体を含んだ固形物としての液体含有固形物（脱水固形物）Ｍを下方に設けられた固形物シュート６ａに導き、同じくボウル２の分離液排出口２ｂから排出された分離液ＳＬ（図３参照。）を下方に設けられた分離液シュート６ｂに導くものである。また、ケーシング６に覆われたボウル２及びスクリューコンベア３は、フレーム６ｃによって一体に支持されている。
【0048】
ケーシング６の固形物シュート６ａは、固形物排出導管７に連結されており、固形物シュート６ａから排出された固形物は、例えばこの固形物排出導管７を介して図示しない乾燥装置や焼却設備等への主搬送路７ａへ運ばれる。また、ケーシング６の分離液シュート６ｂは、分離液排出導管８に連結されており、分離液シュート６ｂから排出された分離液は、例えばこの分離液排出導管８を介して図示しない浄水設備等へ運ばれる。
【0049】
このデカンタ１は、ボウル２内に被処理液を投入するための給液管９を更に含む。この給液管９は、その一端はスクリューコンベア３の胴部３ｂ内の空間３ｃに連通し、他端は被処理液供給源１０及び添加物供給源１１が連通しており、他端から流入した被処理液等をボウル２内に投入するための導管となっている。
【0050】
給液管９と被処理液供給源１０とは、被処理液を供給するためのポンプ１０ａを備えた被処理液配管１０ｂによって流体的に接続されている。このポンプ１０ａを制御することにより、被処理液のボウル内への供給量を制御することができる。ここで、被処理液供給源１０から供給される被処理液は、多くの場合固形物としての汚泥を含むスラリー（懸濁液）である。
【0051】
また、給液管９と添加物供給源１１とは、被処理液に添加される添加物、例えば薬剤を供給するためのポンプ１１ａと薬剤の供給位置や供給タイミングを制御するための複数個の弁１１ｂとを備えた添加物配管１１ｃによって流体的に接続されている。ここで、添加物供給源１１から供給される薬剤は、スラリーに投与することでスラリー中に含まれる汚泥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る。以下においては、薬剤が添加される前の被処理液を「被処理液ＰＬ１」とし、薬剤が添加された後の被処理液を「フロック含有被処理液ＰＬ２」として両者を区別することとする。
【0052】
本実施の形態に係る添加物配管１１ｃは、図２に示すように、その中途位置で２つの管に分岐され、一方は被処理液配管１０ｂの中間位置に、他方は給液管９にそれぞれ接続されている。被処理液配管１０ｂの中間位置に接続された配管を経由して薬剤を供給した場合には、被処理液配管１０ｂ内で被処理液ＰＬ１と薬剤とが反応し（いわゆる「ライン薬注」）、給液管９に接続された配管を経由して薬剤を供給した場合には、主に空間３ｃ内部及びボウル２内部で被処理液ＰＬ１と薬剤とが反応する（いわゆる「機内薬注」）こととなる。このような配管構造を採用すると、被処理液ＰＬ１に薬剤を添加する位置及びタイミングを調整することができ、以って主に被処理液ＰＬ１の状態に影響される薬剤による汚泥フロック（「フロック凝集体」ともいう）生成効果を最適に調整することができるようになる。なお、図２に示す配管の接続位置は一例にすぎず、被処理液の状態等を考慮して当該配管構造は適宜変更することが可能である。
【0053】
また、本実施の形態に係るデカンタ１の各種配管には、配管内を通過する対象物を監視するための監視システムが設置されていると好ましい。この監視システムは、詳しくは、分離液排出導管８に設けられた分離液監視システム４０と、固形物排出導管７に設けられた脱水固形物監視システム５０と、被処理液配管１０ｂに設けられた被処理液監視システム６０とを含む。更に、これらの監視システムに加えて、スクリューコンベア３のトルク値を監視するスクリューコンベアトルク監視システム７０を含んでいてもよい。各監視システムの具体的な構成については後述の各実施の形態に対応するようにいくつかの例を説明する。なお、第１の実施の形態においては、脱水固形物監視システム５０以外の監視システムは使用していないため、脱水固形物監視システム５０以外の監視システムについては、第２の実施の形態以降で必要に応じて説明される。
【0054】
以上の構成を備えるデカンタ１による固液分離は、先ず、所定の回転数で回転するボウル２内に給液管９を介してフロック含有被処理液ＰＬ２が投入されると、駆動モータ４により発生された遠心力の作用によってフロック含有被処理液ＰＬ２内の（薬剤の効果によりフロック状となっている）固形物がボウル２の内壁面に沈降する。沈降した固形物は、差速発生装置５の作用によりボウル２の回転数よりも僅かに小さな回転数でボウル２に対して連れ周りするスクリューコンベア３のスクリュー羽根３ａによって、ボウル２の錘状に加工された一端側に向かって圧搾されつつ搬送され、所定量の流体成分と共に固形物排出口２ａより固形物シュート６ａへ排出される。また、上記のように固形物が沈降除去された後のボウル２内の残留物は、分離液ＳＬとしてボウル２内に一定期間滞留した後、分離液排出口２ｂからオーバーフローするようにして分離液シュート６ｂへ排出される。
【0055】
＜機械学習装置＞
上述の固液分離処理は、デカンタ１の各種制御パラメータを調整することで、好適な処理を実現している。ここでいう制御パラメータとは、主にボウル２の遠心力、添加物供給源１１からの薬剤の供給量、及びボウル２とスクリューコンベア３との差速から構成される。そこで、以下には、デカンタ１における最適な制御パラメータを推定することが可能な推論モデル（学習済モデル）を学習する本開示の第１の実施の形態に係る機械学習装置２０について、説明を行う。
上述の固液分離処理は、デカンタ１の各種制御パラメータを調整することで、好適な処理を実現している。ここでいう制御パラメータとは、主にボウル２の遠心力、添加物供給源１１からの薬剤の供給量、及びボウル２とスクリューコンベア３との差速から構成される。そこで、以下には、デカンタ１における最適な制御パラメータを推定することが可能な推論モデル（学習済モデル）を学習する本開示の第１の実施の形態に係る機械学習装置２０について、説明を行う。
【0056】
図３は、本開示の第１の実施の形態に係る機械学習装置２０の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２０は、図３に示すように、学習用データセット取得ユニット２１と、学習用データセット記憶ユニット２２と、学習ユニット２３と、学習済モデル記憶ユニット２４とを備えている。
【0057】
学習用データセット取得ユニット２１は、例えば有線又は無線の通信回線を介して学習（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するインタフェースユニットである。ここで取得される複数のデータの具体的な内容については、生成したい学習済モデルに合わせて適宜変更等をすることが可能である。本実施の形態においては、複数のデータとして、脱水固形物Ｍの画像データと、この画像データに対応付けられる制御パラメータを取得している。また、この制御パラメータとしては、被処理液ＰＬ１へ添加される薬剤の供給量、ボウル２の遠心力、及び差速発生装置５により制御される差速を含む。なお、本実施の形態においては制御パラメータとして上述した３つのデータを取得するものについて例示するが、学習用データセットを構成する制御パラメータとしては、上述した３つのデータのうち少なくとも１つを含んでいればよい。また、制御パラメータは上述した３つに限定されるものではなく、例えば被処理液供給源１０からの被処理液ＰＬ１の供給量や、ボウル２のダム２ｃのダムセット径をも含んでいてよい。したがって、出力データを構成する制御パラメータを４つ以上としてもよい。一般に、制御パラメータの数が増えれば、後述するデカンタ１の動作制御に適用した際、細やかなパラメータ調整が実現できるが、制御パラメータの数が多くなると十分な精度の推論が可能な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増加する傾向がある。したがって、出力データとしての制御パラメータの数は準備可能な学習用データセットの数等を考慮して決定することが好ましい。
【0058】
この学習用データセット取得ユニット２１において取得される複数のデータの取得方法の一例を説明する。学習用データセット取得ユニット２１は、図３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、例えば上述したデカンタ１の各種動作制御を行うコントロールユニット３０の少なくとも一部を構成する、あるいはこのコントロールユニット３０に通信可能に接続されたコンピュータであってよい。これにより、コンピュータＰＣ１においてデカンタ１の各種制御パラメータが取得可能となっている。加えて、このコンピュータＰＣ１は、図２に示すように、固形物排出導管７に設けられた脱水固形物監視システム５０に直接又はコントロールユニット３０を介して間接的に接続されており、脱水固形物監視システム５０より脱水固形物Ｍの画像データを取得することができる。なお、ここでいうデカンタ１のコントロールユニット３０とは、デカンタ１全体の制御を行うための装置であって、デカンタ１が備える各種センサや駆動手段に接続された、プロセッサ及びメモリ等を備える周知のコンピュータ等から構成されるものであってよい。
【0059】
本実施の形態に係る脱水固形物監視システム５０としては、図３に示すように、固形物排出導管７の任意箇所に設けられた窓５２と、窓５２に所定画角で設置され固形物排出導管７内を通過する脱水固形物Ｍの画像データを撮像可能な脱水固形物撮像用カメラ５３とを含むものを採用することができる。このうち、脱水固形物撮像用カメラ５３には、二次元画像を撮像可能な周知のカメラを採用することができる。また、この脱水固形物監視システム５０においては、脱水固形物撮像用カメラ５３により撮像される画像データに脱水固形物Ｍの特に表面の状態が反映されやすいよう、固形物排出導管７内を通過する脱水固形物Ｍを照らす図示しない光源や、脱水固形物撮像用カメラ５３に取り付け可能な図示しない偏光フィルタを適宜採用することができる。また、図２においては、固形物排出導管７が略垂直に延在し、脱水固形物Ｍはこの固形物排出導管７内を自然落下するように通過するものを例示しているが、固形物排出導管７の設置角度等は適宜変更することができる。さらに、本実施の形態においては脱水固形物監視システム５を固形物排出導管７に設置した場合について説示したが、この脱水固形物監視システム５は、主搬送路７ａや固形物シュート６ａといった脱水固形物Ｍが通過する任意の位置に設置することができるものである。なお、脱水固形物監視システム５０の構成はこれに限定されるものではなく、脱水固形物Ｍの画像データを取得可能な構成であれば種々の構成を採用することができる。具体例としては、例えば後述する図９に示す脱水固形物監視システム５０Ａのような構成を採用してもよい。
【0060】
図４は、本開示の第１の実施の形態に係る脱水固形物監視システム５０の脱水固形物撮像用カメラ５３により得られた画像データの例を示したものである。ところで、水処理設備の技術分野において、遠心分離システムにより固液分離処理を行った後に排出される脱水固形物Ｍに含まれる液体成分の量、すなわち含水率が小さいことは、固液分離処理が良好に行われていると推測できる指針となり得る。また、脱水固形物監視システム５０によって得られる画像データにおいて、脱水固形物Ｍに含まれる液体成分の量が多いと、色味が濃くなったり、輝度が上昇したりする傾向がある。したがって、図４に示すように、脱水固形物Ｍの含水率が比較的高い画像データ（例えば図４（ｂ）に示すもの）は、含水率が比較的低い画像データ（例えば図４（ａ）に示すもの）に比べて、ピクセル間の色味の変化量が増加する傾向があると推測できる。
【0061】
学習用データセット記憶ユニット２２は、学習用データセット取得ユニット２１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（「教師データ」ともいう）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である。本実施の形態において格納される学習用データセットは、固形物排出口２ａから排出された脱水固形物Ｍを所定画角から撮像した画像データを入力データとし、こ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出力データとしたものとすることができる。また、学習用データセット記憶ユニット２２を構成するデータベース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３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２２と後述する学習済モデル記憶ユニット２４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（データベース）によって構成することもできる。
【0062】
ところで、学習用データセット記憶ユニット２２で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制御パラメータとで構成されている。他方、学習ユニット２３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。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２２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、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方法を採用することができる。
【0063】
学習ユニット２３は、学習用データセット記憶ユニット２２に記憶された複数の学習用データセットを複数組入力することで、学習用データセット内の入力データと出力データとの間の相関関係を推論する学習モデルを学習するものである。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、スタッキング等）を用いることもできる。
【0064】
学習済モデル記憶ユニット２４は、学習ユニット２３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。この学習済モデル記憶ユニット２４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８０）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。
【0065】
ところで、本実施の形態に係るデカンタ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、例えば脱水固形物監視システム５０により取得された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、オペレータＥＮ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オペレータＥＮには熟練の技術者、あるいは複数の技術者を割り当てると好ましい。このように特定された最適な制御パラメータは、機械学習装置２０において、学習用データセットの教師データとして、上述した画像データに対応付けられた状態で学習用データセット記憶ユニット２２に整理・格納される。
【0066】
ここで、特定される最適な制御パラメータとしては、上述したように、ボウル２の遠心力、添加物供給源１１からの薬剤の供給量、及びボウル２とスクリューコンベア３との差速の少なくとも１つであってよい。これらの制御パラメータは、デカンタ１による固液分離処理に最も影響のある制御パラメータと考えられるものであるため、ここで特定される制御パラメータは、本実施の形態において例示するように上述した３つの制御パラメータ全てとすると好ましい。なお、当然ながらこれら３つの制御パラメータのうち１つのみ、あるいは２つのみを出力データとして採用してもよく、またこれら３つの制御パラメータ以外のパラメータ（例えば薬剤の供給位置等）を出力データに更に追加することも可能である。上記３つの制御パラメータのうち、ボウル２の遠心力については、主に駆動モータ４によるボウル２の回転数を制御することで調整が可能であるが、この回転数を変更する制御は他の２つの制御（薬剤供給量及び差速の制御）に比して応答性が低いという特徴がある。そこで、上記３つの制御パラメータのうち２つのみを出力データに採用する場合には、添加物供給源１１からの薬剤の供給量とボウル２とスクリューコンベア３との差速の２つを採用するとよい。
【0067】
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２３における学習手法について簡単に説明する。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、隠れ層とも呼ばれており、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。
【0068】
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。
【0069】
本実施の形態に係る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、学習用データセットの入力データと出力データとの相関関係を学習する。具体的には、入力データを構成する状態変数としての脱水固形物Ｍ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。なお、上記状態変数を入力層のニューロンに入力するに際し、状態変数として取得した情報をどのような形式として入力するかは、生成される学習済モデルの精度等を考慮して適宜設定することができる。
【0070】
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、すなわち本実施の形態においては制御パラメータと、学習用データセットの一部を構成する、同じく制御パラメータからなる教師データｔ１～ｔｏ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。
【0071】
そして、上述した一連の工程を所定回数反復実施すること、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た場合には、学習を終了して、そのニューラルネットワークモデル（のノードのそれぞれに対応づけられた全ての重みｗｉ）を学習済モデルとして学習済モデル記憶ユニット２４に記憶する。
【0072】
＜機械学習方法＞
上記に関連して、本開示は機械学習方法を提供する。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２０に基づいて説明を行うが、前提となる構成については、上述した機械学習装置２０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、例えばコントロールユニット３０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、あるいは図３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、ＲＡＭやＲＯＭに代表される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。更にまた、この機械学習方法は、コンピュータに所定の操作を実行するための１乃至複数の命令を備えるプログラムの形式で、あるいは当該プログラムを格納した非一時的なコンピュータ読取可能媒体の形式で提供されてもよい。
上記に関連して、本開示は機械学習方法を提供する。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２０に基づいて説明を行うが、前提となる構成については、上述した機械学習装置２０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、例えばコントロールユニット３０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、あるいは図３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、ＲＡＭやＲＯＭに代表される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。更にまた、この機械学習方法は、コンピュータに所定の操作を実行するための１乃至複数の命令を備えるプログラムの形式で、あるいは当該プログラムを格納した非一時的なコンピュータ読取可能媒体の形式で提供されてもよい。
【0073】
本実施の形態に係る機械学習方法としての教師あり学習は、機械学習を開始する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２２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みモデルに求められる推論精度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、その一例を既に上で例示しているため、ここでは説明を省略する。
【0074】
ステップＳ１１が完了すると、次いで学習ユニット２３における機械学習を開始すべく、学習前のニューラルネットワークモデルを準備する（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、例えば上記図４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を採用することができる。そして、学習用データセット記憶ユニット２２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し（ステップＳ１３）、当該一の学習用データセット内の入力データを、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４参照。）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、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。
【0075】
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４参照。）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、ほとんど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内の教師データとしての出力データ、すなわち制御パラメータと、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を構成する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層が得られるよう、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内の教師データと同様の数及び形式である。したがって、例えば学習用データセット内の教師データとしての制御パラメータが２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２つの制御パラメータに対応するデータである。
【0076】
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２２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複数回実施する。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。
【0077】
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生成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２４に記憶し（ステップＳ１７）、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具体例については後述する。
【0078】
上述した機械学習装置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推論精度を向上させ、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、本発明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２４に格納しておき、この複数個の学習済モデル群に妥当性判断のための共通のデータセットの入力データを入力して出力層（のニューロンの値）を生成し、この出力層で特定された制御パラメ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、妥当性判断用データセットは、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であればよい。
【0079】
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。
【0080】
以上説明した通り、本実施の形態に係る機械学習装置２０及び機械学習方法を適用することにより、脱水固形物監視システム５０により取得される画像データから、最適な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。
【0081】
＜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８０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８０としては、上述した横型のデカンタ１のコントロールユニット３０内に適用されたものを例示する。
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８０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８０としては、上述した横型のデカンタ１のコントロールユニット３０内に適用されたものを例示する。
【0082】
データ処理システム８０は、図７に示すように、主に第１の画像データ取得ユニット８１と、パラメータ調整ユニット８２と、演算ユニット８３と、データベース（ＤＢ）８４と、ユーザインタフェース８５と、これらを相互に接続するための内部バス８６とを含むものである。なお、図７においては、データ処理システム８０に関連する構成要素のみ示し、コントロールユニット３０が備える本実施の形態に係るデータ処理システム８０とは直接関係しない他の構成要素についてはその記載を省略している。
【0083】
第１の画像データ取得ユニット８１は、画像データ、詳しくは脱水固形物Ｍの画像データを取得するためのものである。具体的には、上述した脱水固形物監視システム５０に接続されて脱水固形物監視システム５０の脱水固形物撮像用カメラ５３により撮像された画像データを取得するものである。
【0084】
パラメータ調整ユニット８２は、コントロールユニット３０により最適な動作制御を実現するために調整される各種制御ユニットを、後述する推論ユニット８７の推論結果に基づいて調整するためのものである。このパラメータ調整ユニット８２は、駆動モータ４に接続されてその回転数を制御する駆動モータ制御ユニット３１と、添加物配管１１ｃに設けられ薬剤の供給量を可変するポンプ１１ａを制御するポンプ制御ユニット３２と、差動モータ５ｂに接続されてその回転数を制御してスクリューコンベア３の（ボウル２に対する）回転数を制御する差動モータ制御ユニット３３と、に接続されている。なお、本実施の形態に係るパラメータ調整ユニット８２は上述した３つの制御ユニットに接続されているが、推論ユニット８７が出力する制御パラメータの数及び種類に合わせてその接続先は適宜調整され得る。
【0085】
演算ユニット８３は、データ処理システム８０における各種処理を実現するためのプロセッサを構成するものであり、少なくとも推論ユニット８７を含んでいる。また、この演算ユニット８３は、推論ユニット８７において利用する学習済モデルを格納した学習済モデル記憶ユニット８８に接続されている。推論ユニット８７は、学習済モデル記憶ユニット８８に格納された一の学習済モデルを参酌することで、第１の画像データ取得ユニット８１で取得した状態変数としての画像データから、パラメータ調整ユニット８２により調整を行う制御パラメータを推論するものである。学習済モデル記憶ユニット８８に記憶されている学習済モデルは、その用途や各種条件（例えば季節、天候及び温度・湿度といった環境条件、あるいは被処理液の種類等）に合わせて複数個記憶されていると好ましい。そしてまた、複数個の学習済モデルから適切な一の学習済モデルを選択する作業は、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、オペレータＥＮ等によって手動で選択できるようにしてもよい。
【0086】
データベース８４は、周知の記録媒体からなり、第１の画像データ取得ユニット８１が取得した画像データや演算ユニット８３による演算結果等、データ処理システム８０で扱う各種データを一時的にあるいは継続的に記憶するためのものである。また、ユーザインタフェース８５は、例えばＧＵＩ（グラフィカルユーザインタフェース）で構成されており、デカンタ１のステータス表示やオペレータＥＮ等からの入力操作等を受け取るためのものである。
【0087】
図８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８０によるパラメータ調整の例を示すフローチャートである。データ処理システム８０が適用されたデカンタ１の駆動が開始されると、図８に示すように、先ずデータ処理システム８０は、パラメータ調整のタイミングであるか否かを判断する（ステップＳ２１）。ここで、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、手動で調整することも可能である。また、デカンタ１が作動している間は所定時間間隔で定期的に当該調整を行ってもよいし、例えば、デカンタ１の作動を開始した時、デカンタ１で処理を行う被処理液の種類が変更された時、作動後予め設定された所定時間が経過した時、あるいは被処理液監視システム６０又は分離液監視システム４０において被処理液又は分離液の濃度の変化を検出可能とし当該変化が所定の閾値を超えた時といった特定のタイミングにのみ当該調整を行ってもよい。
【0088】
パラメータ調整のタイミングであることを検知すると（ステップＳ２１でＹｅｓ）、脱水固形物監視システム５０内の脱水固形物撮像用カメラ５３を動作させて固形物排出導管７内を通過する脱水固形物Ｍを撮像する（ステップＳ２２）。ここで撮像された画像データは、第１の画像データ取得ユニット８１によりデータ処理システム８０に取得される（ステップＳ２３）。
【0089】
次いで、第１の画像データ取得ユニット８１が取得した画像データは推論ユニット８７に内部バス８６を介して送られ、推論ユニット８７において、この画像データが推論ユニット８７において予め特定された学習済モデル記憶ユニット８８内の一の学習済モデルの入力層に入力されることにより、制御パラメータを推論する（ステップＳ２４）。そして、ここで推論された制御パラメータの値を用いて、パラメータ調整ユニット８２が各制御ユニットを調整する（ステップＳ２５）。その後、ステップＳ２１に戻って待機状態となる。
【0090】
以上説明した通り、本実施の形態に係るデータ処理システム８０によれば、脱水固形物の画像データという比較的取得しやすい情報に基づきデカンタ１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８０を比較的簡単にデカンタ１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オペレータＥＮ等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。
【0091】
オプションとして、上記実施の形態においては、推論ユニット８７において参酌される学習済モデルとして、図６に示すようないわゆるバッチ学習による学習を経て生成されたものを説示しているが、本発明のデータ処理システム８０はこれに限定されない。具体的には、例えば上述のバッチ学習による学習を経て生成された学習済モデルに、さらにオンライン学習を適用することで更なる精度向上を図ってもよい。この具体的な方法としては、先ず、第１の画像データ取得ユニット８１において取得された状態変数としての画像データと、推論ユニット８７によって推論された制御パラメータであって、特にパラメータ調整ユニット８２における調整を反映した結果固液分離処理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データベース８４に一時的に格納する。そして、任意のタイミングでデータベース８４内に蓄積された当該オンライン学習用データセットを用いて、図６に示すものと同様の機械学習（具体的にはファインチューニング）を実行すれば良い。
【0092】
また、上述のデータ処理システム８０は横型のデカンタ１のコントロールユニット３０内に適用されているが、これに代えて、例えばデカンタ１のコントロールユニット３０に通信可能に接続されたコンピュータや、デカンタ１のコントロールユニット３０にネットワーク等を介して接続されたサーバ装置等に適用することも可能である。ただし、本実施の形態で主に想定している汚泥処理に用いられる遠心分離システムは、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）がシステム毎に大きく異なる場合が通常であるため、これらの遠心分離システム全て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は、その生成に要する学習用データセットの数が非常に多くなり、またそのデータの内容も様々な条件下で取得されたものが偏りなく必要となるため、生成コストが高くなりやすい。したがって、データ処理システム８０及び上述した学習済モデルは、遠心分離システム毎に適用して運用することがコスト面で有利であり好ましい。
【0093】
＜第２の実施の形態＞
上記第１の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムにおいては、１つの学習済モデルを用いて脱水固形物Ｍの画像データから制御パラメータを推論する場合について説明を行った。しかし、脱水固形物Ｍ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、両者の相関の度合いは極めて高いといったものではない。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ことに比例して、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。したがって、上記第１の実施の態様においては、脱水固形物Ｍ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、学習用データセットを比較的多く準備する必要がある。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、脱水固形物Ｍ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する場合を、本開示の第２の実施の形態として以下に説明する。なお、以下に示す第２の実施の形態に係る機械学習装置２０Ａ及びデータ処理システム８０Ａ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２０及びデータ処理システム８０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の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システム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各実施の形態において説示さ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。
上記第１の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムにおいては、１つの学習済モデルを用いて脱水固形物Ｍの画像データから制御パラメータを推論する場合について説明を行った。しかし、脱水固形物Ｍ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、両者の相関の度合いは極めて高いといったものではない。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ことに比例して、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。したがって、上記第１の実施の態様においては、脱水固形物Ｍ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、学習用データセットを比較的多く準備する必要がある。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、脱水固形物Ｍ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する場合を、本開示の第２の実施の形態として以下に説明する。なお、以下に示す第２の実施の形態に係る機械学習装置２０Ａ及びデータ処理システム８０Ａ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２０及びデータ処理システム８０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の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システム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各実施の形態において説示さ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。
【0094】
図９は、本開示の第２の実施の形態に係る機械学習装置２０Ａの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２０Ａは、図９に示すように、その構成要素としては、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２２１と第２の学習用データセット記憶ユニット２２２とを備え、学習ユニットとして第１の学習ユニット２３１と第２の学習ユニット２３２とを備えている点以外は、第１の実施の形態に係る機械学習装置２０と同様である。また、これに関連して、学習用データセット取得ユニット２１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。
【0095】
本実施の形態に係る学習用データセット取得ユニット２１が取得する複数のデータは、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、脱水固形物Ｍの画像データと、制御パラメータとに加えて、更に脱水固形物Ｍの画像データの特徴量（以下、「脱水固形物Ｍの特徴量」ともいう）を含んでいる。脱水固形物Ｍの特徴量としては、撮像された脱水固形物Ｍに基づいて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、例えば脱水固形物Ｍの含水率、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、例えば脱水固形物Ｍ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、あるいはオペレータＥＮが目視で判断することにより、特定することができる。
【0096】
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脱水固形物Ｍ監視システム５０Ａには、脱水固形物Ｍをサンプリング抽出可能な構成を採用することが好ましい。具体的には、この脱水固形物監視システム５０Ａは、図９に示すように、脱水固形物Ｍを充填可能な所定の深さを備えるトレー５４と、トレー５４を内部に載置可能であって内部に光源を備える撮影ボックス５５と、トレー５４に充填された脱水固形物Ｍの表面を所定画角から撮像可能な脱水固形物撮像用カメラ５３とを含むことができる。トレー５４内に充填された脱水固形物Ｍは、固形物排出導管７や主搬送路７ａ等の脱水固形物Ｍの搬送路の適所に設けられた図示しないサンプリングユニットを用いて所定のタイミングで抽出されたものであってよい。そして、トレー５４内に抽出された脱水固形物Ｍを脱水固形物撮像用カメラ５３により撮像することで画像データが生成され、この画像データに対応する所望の制御パラメータがオペレータＥＮにより特定される。さらには、このトレー５４内にサンプリングされた脱水固形物Ｍの測定・分析等を行えば、この脱水固形物Ｍの特徴量を特定することができる。なお、当然ながら、本実施の形態においても、上述した第１の実施の形態において説示した脱水固形物監視システム５０を代替的に採用可能である。
【0097】
学習用データセット取得ユニット２１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２２１及び第２の学習用データセット記憶ユニット２２２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２２１に格納される第１の学習用データセットは、排出口２ａから排出された脱水固形物Ｍを所定画角から撮像した脱水固形物Ｍの画像データを第１の入力データとして含み、第１の入力データに対応付けられた脱水固形物Ｍの特徴量を第１の出力データとして含むものであって良い。また、第２の学習用データセット記憶ユニット２２２に格納される第２の学習用データセットは、脱水固形物Ｍ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、同一の脱水固形物Ｍに関連付けられた脱水固形物Ｍの画像データ、脱水固形物Ｍの特徴量及び制御パラメータを、脱水固形物Ｍの画像データと脱水固形物Ｍの特徴量とのセットと、脱水固形物Ｍ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なくてよい。
【0098】
第１の学習用データセット記憶ユニット２２１及び第２の学習用データセット記憶ユニット２２２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る。第１の学習ユニット２３１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推論する学習モデルを学習するものである。言い換えれば、第１の学習用データセット内の脱水固形物Ｍの画像データを入力することで、この画像データ内の脱水固形物Ｍの特徴量、すなわち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ものである。そして、第２の学習ユニット２３２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推論する学習モデルを学習するものである。言い換えれば、第２の学習用データセット内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第２の学習モデルを学習するものである。
【0099】
第１及び第２の学習ユニット２３１、２３２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２の学習済モデルは、学習済モデル記憶ユニット２４内にそれぞれ記憶される。
【0100】
図１０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８０Ａ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８０Ａは、図１０に示すように、演算ユニット８３内の推論ユニットとして、第１の推論ユニット８７１と第２の推論ユニット８７２とを備える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８０と同様の構成要素を備えるものである。
【0101】
第１の推論ユニット８７１は、上述した機械学習装置２０Ａで生成され学習済モデル記憶ユニット８８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８７１は、第１の画像データ取得ユニット８１において取得された脱水固形物Ｍの画像データが入力されると、この画像データの特徴量を出力層に出力する。また、第２の推論ユニット８７２は、上述した機械学習装置２０Ａで生成され学習済モデル記憶ユニット８８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８７２は、第１の推論ユニット８７１において推論された画像データの特徴量が入力されると、制御パラメータを出力層に出力する。
【0102】
上述した第１及び第２の推論ユニット８７１、８７２を含むデータ処理システム８０Ａが適用されたデカンタ１において制御パラメータの調整を行う場合は、上述した図８に示すものと同様の処理を行えばよい。ただし、図８に示す処理のうち、ステップＳ２４において制御パラメータを推論する際は、先ず第１の推論ユニット８７１に脱水固形物Ｍの画像データを入力し、出力された画像データの特徴量を第２の推論ユニット８７２に入力する。
【0103】
以上説明した通り、本実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムによれば、制御パラメータに比べて脱水固形物Ｍの画像データとの相関度合いの大きな画像データの特徴量を推論した上で、この脱水固形物Ｍの画像データに比べて制御パラメータとの相関度合いの大きな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、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。
【0104】
＜第３の実施の形態＞
上記第１及び第２の実施の形態に係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入力データとして、脱水固形物Ｍ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、脱水固形物Ｍの画像データのみを入力データとすると、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傾向がある。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、上述の第１の実施の形態に示した学習用データセットの入力データの数を増やした場合を、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２０Ｂ及びデータ処理システム８０Ｂ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２０及びデータ処理システム８０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の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１及び第２の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システム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。
上記第１及び第２の実施の形態に係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入力データとして、脱水固形物Ｍ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、脱水固形物Ｍの画像データのみを入力データとすると、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傾向がある。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、上述の第１の実施の形態に示した学習用データセットの入力データの数を増やした場合を、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２０Ｂ及びデータ処理システム８０Ｂ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２０及びデータ処理システム８０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の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１及び第２の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システム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。
【0105】
図１１は、本開示の第３の実施の形態に係る機械学習装置２０Ｂの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２０Ｂは、図１１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２２３を備え、学習ユニットとして第３の学習ユニット２３３を備える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２０と同様である。また、学習用データセット取得ユニット２１において取得される複数のデータも第１の実施の形態に係るものとは異なるものである。本実施の形態に係る学習用データセット取得ユニット２１は、図１１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１の実施の形態に係るコンピュータＰＣ１と同様に、コントロールユニット３０及び脱水固形物監視システム５０に接続されているが、これらに加えて、分離液監視システム４０と、被処理液監視システム６０と、スクリューコンベアトルク監視システム７０とにも接続されている。
【0106】
分離液監視システム４０は、図２及び図１１に示すように、例えば分離液排出導管８に設けられ、この分離液排出導管８を通過する分離液ＳＬの固形物含有濃度を監視するものであることが好ましい。分離液濃度を監視する具体的な方法としては、例えば周知のレーザー式、光学式、あるいは超音波式の濃度センサを用いて分離液ＳＬの濃度値を直接検出すればよい。
【0107】
被処理液監視システム６０は、図２及び図１１に示すように、例えば被処理液配管１０ｂに配置され、被処理液供給源１０から供給される被処理液ＰＬ１のスラリー濃度を監視するものである。スラリー濃度を監視する具体的な方法としては、例えば周知のレーザー式、光学式、あるいは超音波式の濃度センサを用いて被処理液の濃度値を直接検出すればよい。なお、本実施の形態においては、被処理液監視システム６０を被処理液配管１０ｂの特に添加物配管１１ｃと合流する位置に設けているが、これに代えて、例えば被処理液監視システム６０を被処理液配管１０ｂの添加物配管１１ｃと合流する前の位置、給液管９内、あるいは空間３ｃ内に設けるようにしてもよい。また、スラリー濃度の測定対象を、薬剤が添加される前の被処理液ＰＬ１ではなく、被処理液ＰＬ１に薬剤が添加された後のフロック含有被処理液ＰＬ２とすることも可能である。
【0108】
スクリューコンベアトルク監視システム７０は、図２及び図１１に示すように、例えばスクリューコンベア３の回転軸に取り付けられており、このスクリューコンベア３に作用する反力を検出することで、スクリューコンベア３のトルク値を監視している。
【0109】
これら４つの監視システム４０、５０、６０及び７０により取得される各種データ、詳しくは、脱水固形物Ｍの画像データ、分離液ＳＬの濃度、被処理液ＰＬ１（又はフロック含有被処理液ＰＬ２）のスラリー濃度及びスクリューコンベア３のトルク値が、直接、あるいはコントロールユニット３０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２１に送られる。学習用データセット取得ユニット２１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、脱水固形物Ｍの画像データ、分離液ＳＬの濃度、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を第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２２３に格納される。そして、第３の学習ユニット２３３では、第３の学習用データセットを用いて、上述した第１の実施の形態の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２４に記憶される。なお、本実施の形態においては、第３の入力データのうち、分離液ＳＬの濃度、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値の３つは１つの値のデータであるのに対し、脱水固形物Ｍの画像データは画像データを構成する全ピクセルの輝度及び／又は色値であるため、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脱水固形物Ｍの画像データの影響を極めて大きく受けることになる。そこで、本実施の形態においては、脱水固形物Ｍ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２４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。
【0110】
図１２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８０Ｂ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８０Ｂは、図１２に示すように、推論ユニットとして第３の推論ユニット８７３を備える点と、付加変数取得ユニット８９を備える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８０と同様の構成要素を備えるものである。
【0111】
付加変数取得ユニット８９は、図１２に示すように、分離液監視システム４０、被処理液監視システム６０及びスクリューコンベアトルク監視システム７０に接続され、これらの監視システムから、分離液ＳＬの濃度、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を取得するものである。この付加変数取得ユニット８９により取得される分離液ＳＬの濃度、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値は、第１の画像データ取得ユニット８１が脱水固形物監視システム５０から取得する画像データの撮像と同時に取得されたものであることが好ましい。
【0112】
上述した付加変数取得ユニット８９を備えるデータ処理システム８０Ｂが適用されたデカンタ１において制御パラメータの調整を行う場合は、上述した図８に示すものと同様の処理を行えばよい。ただし、図８に示す処理のうち、ステップＳ２３と同時あるいはその前後の所定タイミングにおいて、付加変数取得ユニット８９が分離液ＳＬの濃度、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を取得する。そして、これら３つの値は、第３の推論ユニット８７３において学習済モデルの入力層に脱水固形物Ｍの画像データと共に対応付けられる。
【0113】
なお、上述した第３の実施の形態においては、コンピュータＰＣ１は、コントロールユニット３０と脱水固形物監視システム５０とに加えて、分離液監視システム４０と、被処理液監視システム６０と、スクリューコンベアトルク監視システム７０との３つに接続され、これらから取得される３つの値を、画像データと共に学習用データセットの入力データとして利用しているが、本発明はこれに限定されない。詳しくは、分離液監視システム４０と、被処理液監視システム６０と、スクリューコンベアトルク監視システム７０とにより取得される値のうちの少なくとも１つを学習用データセットの入力データとして利用していればよい。付加変数取得ユニット８９により取得される情報の数についても同様である。
【0114】
以上説明した通り、本実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムによれば、入力データとして脱水固形物Ｍの画像データに加えて、分離液ＳＬの濃度、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を採用したことで、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。
【0115】
＜第４の実施の形態＞
上述した通り、第２及び第３の実施の形態は、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できる態様を示した例である。そして、両実施の形態は組み合わせることが可能である。そこで、上述した第２の実施の形態及び第３の実施の形態において示した技術思想を組み合わせた場合を、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２０Ｃ及びデータ処理システム８０Ｃの各構成要素のうち、第１乃至第３の実施の形態に係る機械学習装置２０、２０Ａ及び２０Ｂ、及び、データ処理システム８０、８０Ａ及び８０Ｂ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の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第３の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システム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２及び第３の実施の形態は、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できる態様を示した例である。そして、両実施の形態は組み合わせることが可能である。そこで、上述した第２の実施の形態及び第３の実施の形態において示した技術思想を組み合わせた場合を、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２０Ｃ及びデータ処理システム８０Ｃの各構成要素のうち、第１乃至第３の実施の形態に係る機械学習装置２０、２０Ａ及び２０Ｂ、及び、データ処理システム８０、８０Ａ及び８０Ｂ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の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第３の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システム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。
【0116】
図１３は、本開示の第４の実施の形態に係る機械学習装置２０Ｃの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２０Ｃは、図１３に示すように、その構成要素としては、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２２１と第４の学習用データセット記憶ユニット２２４とを備え、学習ユニットとして第１の学習ユニット２３１と第４の学習ユニット２３４とを備えている点以外は、第１の実施の形態に係る機械学習装置２０と同様である。また、これに関連して、学習用データセット取得ユニット２１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。
【0117】
本実施の形態に係る学習用データセット取得ユニット２１は、図１３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の実施の形態に係るコンピュータＰＣ１と同様に、コントロールユニット３０及び脱水固形物監視システム５０Ａに接続されているが、これらに加えて、分離液監視システム４０、被処理液監視システム６０及びスクリューコンベアトルク監視システム７０のうちの少なくとも１つにも接続される。コンピュータＰＣ１に接続された、コントロールユニット３０、脱水固形物監視システム５０Ａ、分離液監視システム４０、被処理液監視システム６０及びスクリューコンベアトルク監視システム７０の具体的な構成は、既に上述した他の実施の形態において例示したものと同様である。そして、本実施の形態における学習用データセット取得ユニット２１が取得する複数のデータは、脱水固形物Ｍの画像データと制御パラメータとに加えて、更に分離液ＳＬの濃度、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値の少なくとも１つと、脱水固形物Ｍの特徴量とを含んでいる。なお、本実施の形態においては、第３の実施の形態と同様に、コンピュータＰＣ１は、分離液監視システム４０、被処理液監視システム６０及びスクリューコンベアトルク監視システム７０の全てに接続され、学習用データセット取得ユニット２１が取得する複数のデータには、分離液ＳＬの濃度と、被処理液ＰＬ１のスラリー濃度と、スクリューコンベア３のトルク値の全てが含まれるものを例示する。
【0118】
学習用データセット取得ユニット２１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２２１及び第４の学習用データセット記憶ユニット２２４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２２１に格納される第１の学習用データセットは、排出口２ａから排出された脱水固形物Ｍを所定画角から撮像した脱水固形物Ｍの画像データを第１の入力データとして含み、第１の入力データに対応付けられた脱水固形物Ｍの特徴量を第１の出力データとして含むものであって良い。また、第４の学習用データセット記憶ユニット２２４に格納される第４の学習用データセットは、脱水固形物Ｍの特徴量と、分離液ＳＬの濃度と、被処理液ＰＬ１のスラリー濃度と、スクリューコンベア３のトルク値とを第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、同一の脱水固形物Ｍに関連付けられた脱水固形物Ｍの画像データ、分離液ＳＬの濃度、被処理液ＰＬ１のスラリー濃度、スクリューコンベア３のトルク値、脱水固形物Ｍの特徴量及び制御パラメータを、脱水固形物Ｍの画像データと脱水固形物Ｍの特徴量とのセットと、分離液ＳＬの濃度、被処理液ＰＬ１のスラリー濃度、スクリューコンベア３のトルク値及び分離液ＳＬの特徴量と制御パラメータとのセットとに分割して、それぞれを一の第１及び第４の学習用データセットとすればよい。
【0119】
第１の学習用データセット記憶ユニット２２１及び第４の学習用データセット記憶ユニット２２４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である。第１の学習ユニット２３１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推論する学習モデルを学習するものである。言い換えれば、第１の学習用データセット内の脱水固形物Ｍの画像データを入力することで、この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ものである。そして、第４の学習ユニット２３４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推論する学習モデルを学習するものである。言い換えれば、第４の学習用データセット内の画像データの特徴量と、分離液ＳＬの濃度と、被処理液ＰＬ１のスラリー濃度と、スクリューコンベア３のトルク値とを入力することで、制御パラメータを推論する第４の学習モデルを学習するものである。
【0120】
第１及び第４の学習ユニット２３１、２３４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２４内にそれぞれ記憶される。
【0121】
図１４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８０Ｃ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８０Ｃは、図１４に示すように、演算ユニット８３内の推論ユニットとして、第１の推論ユニット８７１と第４の推論ユニット８７４とを備え、且つ付加変数取得ユニット８９を備える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８０と同様の構成要素を備えるものである。
【0122】
付加変数取得ユニット８９は、図１４に示すように、分離液監視システム４０、被処理液監視システム６０及びスクリューコンベアトルク監視システム７０に接続され、これらの監視システムから、分離液ＳＬの濃度、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を取得するものである。また、第１の推論ユニット８７１は、上述した機械学習装置２０Ｃで生成され学習済モデル記憶ユニット８８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８７１は、第１の画像データ取得ユニット８１において取得された脱水固形物Ｍの画像データが入力されると、この画像データの特徴量を出力層に出力する。さらに、第４の推論ユニット８７４は、上述した機械学習装置２０Ｃで生成され学習済モデル記憶ユニット８８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８７４は、第１の推論ユニット８７１において推論された画像データの特徴量と、分離液ＳＬの濃度と、被処理液ＰＬ１のスラリー濃度と、スクリューコンベア３のトルク値とが入力されると、制御パラメータを出力層に出力する。
【0123】
上述した付加変数取得ユニット８９と第１及び第４の推論ユニット８７１、８７４とを含むデータ処理システム８０Ｃが適用されたデカンタ１において制御パラメータの調整を行う場合は、上述した図８に示すものと同様の処理を行えばよい。ただし、図８に示す処理のうち、ステップＳ２３と同時あるいはその前後の所定タイミングにおいて、付加変数取得ユニット８９が分離液ＳＬの濃度、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を取得する工程を更に含む。また、ステップＳ２４において制御パラメータを推論する際は、先ず第１の推論ユニット８７１に脱水固形物Ｍの画像データを入力し、出力された画像データの特徴量を付加変数取得ユニット８９において取得した３つの値と共に第４の推論ユニット８７４に入力する。
【0124】
以上説明した通り、本実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムによれば、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２及び第３の実施の形態よりも更に抑えることが期待できる。
【0125】
＜第５の実施の形態＞
上述した第１乃至第４の実施の形態における入力データに含まれる画像データは、いずれも脱水固形物Ｍの画像データのみである。しかし、入力データとして採用可能な画像データは脱水固形物Ｍの画像データ以外にも存在する。そこで、以下には第５の実施の形態として、入力データに含まれる画像データとして、脱水固形物Ｍの画像データに加えて、フロック含有被処理液ＰＬ２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５の実施の形態に係る機械学習装置１２０及びデータ処理システム１８０の各構成要素のうち、第１乃至第４の実施の形態に係る機械学習装置２０、２０Ａ乃至２０Ｃ、及び、データ処理システム８０、８０Ａ乃至８０Ｃ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５の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第４の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システム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。
上述した第１乃至第４の実施の形態における入力データに含まれる画像データは、いずれも脱水固形物Ｍの画像データのみである。しかし、入力データとして採用可能な画像データは脱水固形物Ｍの画像データ以外にも存在する。そこで、以下には第５の実施の形態として、入力データに含まれる画像データとして、脱水固形物Ｍの画像データに加えて、フロック含有被処理液ＰＬ２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５の実施の形態に係る機械学習装置１２０及びデータ処理システム１８０の各構成要素のうち、第１乃至第４の実施の形態に係る機械学習装置２０、２０Ａ乃至２０Ｃ、及び、データ処理システム８０、８０Ａ乃至８０Ｃ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５の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第４の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システム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。
【0126】
図１５は、本開示の第５の実施の形態に係る機械学習装置１２０の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１２０は、図１５に示すように、学習用データセット取得ユニット１２１と、第５の学習用データセット記憶ユニット２２５と、第５の学習ユニット２３５と、学習済モデル記憶ユニット１２４とを含むものである。
【0127】
学習用データセット取得ユニット１２１は、第１の実施の形態の学習用データセット取得ユニット２１と同様のものであって、有線又は無線の通信回線を介して学習用データセットを構成する複数のデータを取得するインタフェースユニットである。この学習用データセット取得ユニット１２１では、複数のデータとして、脱水固形物Ｍを撮像した第１の画像データと、フロック含有被処理液ＰＬ２を撮像した第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を取得している。また、本実施の形態に係る制御パラメータとしては、被処理液ＰＬ１へ添加される薬剤の供給量、ボウル２の遠心力及び差速発生装置５により制御される差速を含むものを例示する。
【0128】
この学習用データセット取得ユニット１２１において取得される複数のデータの取得方法の一例を説明する。学習用データセット取得ユニット１２１は、図１５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、コントロールユニット３０及び脱水固形物監視システム５０に加えて、被処理液配管１０ｂに設置された被処理液監視システム６０にも直接又はコントロールユニット３０を介して間接的に接続されている。これにより、コントロールユニット３０より各制御パラメータを、脱水固形物監視システム５０より第１の画像データを、そして被処理液監視システム６０より第２の画像データをそれぞれ取得することができる。
【0129】
ここで、本実施の形態に係る被処理液監視システム６０としては、図１５に示すように、被処理液配管１０ｂの少なくとも添加物配管１１ｃとの接続位置よりも下流の任意箇所に連結されたサイトグラス６１と、サイトグラス６１に設けられた窓６２に所定画角で設置され、サイトグラス６１内を流れるフロック含有被処理液ＰＬ２の画像データを撮像可能なフロック含有被処理液撮像用カメラ６３とを含むものを採用することができる。このうち、フロック含有被処理液撮像用カメラ６３には、二次元画像を撮像可能な周知のカメラを採用することができる。また、この被処理液監視システム６０においては、フロック含有被処理液撮像用カメラ６３により撮像される画像データにフロック含有被処理液ＰＬ２の状態が反映されやすいよう、サイトグラス６１内のフロック含有被処理液ＰＬ２を照らす図示しない光源や、フロック含有被処理液撮像用カメラ６３に取り付け可能な図示しない偏光フィルタを適宜採用することができる。なお、被処理液監視システム６０の構成はこれに限定されるものではなくフロック含有被処理液ＰＬ２の画像データを取得可能な構成であれば種々の構成を採用することができる。具体例としては、例えば薬剤が給液管９に接続された添加物配管１１ｃを介して供給される場合には、フロック含有被処理液撮像用カメラ６３をスクリューコンベア３内部の空間３ｃ内を撮像可能な位置に配置した構成を採用してもよいし、例えば後述する図１９に示す被処理液監視システム６０Ａのような構成を採用してもよい。
【0130】
図１６は、本開示の第５の実施の形態に係る被処理液監視システム６０のフロック含有被処理液撮像用カメラ６３により得られた画像データの例を示したものである。ところで、遠心分離システムにより固液分離処理を行う際、デカンタ１に投入される被処理液内の固形物成分が薬液によって十分に凝集されていると、固形物成分と液体成分を良好に分離できることが一般に知られている。また、被処理液監視システム６０によって得られる第２の画像データにおいて、フロック含有被処理液ＰＬ２のフロック凝集が良好に行われていると、一のフロック凝集体が粗大化すると共に、フロック凝集体が存在しない領域の透明度が高くなる傾向がある。したがって、図１６に示すように、フロック含有被処理液ＰＬ２中のフロック凝集反応が良好に進んでいる画像データ（例えば図１６（ｂ）に示すもの）は、例えば薬剤供給量が不足している等の理由により反応が良好に進んでいない画像データ（例えば図１６（ａ）に示すもの）に比べて、ピクセル間の色味の変化量が増加する傾向があると推測できる。
【0131】
第５の学習用データセット記憶ユニット２２５は、学習用データセット取得ユニット１２１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である。本実施の形態において第５の学習用データセット記憶ユニット２２５内に格納される第５の学習用データセットとしては、排出口２ａから排出された脱水固形物Ｍを所定画角から撮像した第１の画像データと、ボウル２に供給される前であって且つ薬剤が添加された後のフロック含有被処理液ＰＬ２を所定画角から撮像した第２の画像データとを第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。この制御パラメータとしては、上述した第１の実施の形態と同様に、ボウル２の遠心力、添加物供給源１１からの薬剤の供給量、及びボウル２とスクリューコンベア３との差速の少なくとも１つを含むものであってよい。
【0132】
第５の学習ユニット２３５は、第５の学習用データセット記憶ユニット２２５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推論する学習モデル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している。この第５の学習ユニット２３５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、その工程は図６に示した第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１２４は、第５の学習ユニット２３５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。
【0133】
図１７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１８０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１８０は、図１７に示すように、主に第１の画像データ取得ユニット８１と、第２の画像データ取得ユニット１８１と、パラメータ調整ユニット８２と、演算ユニット１８３と、データベース８４と、ユーザインタフェース８５と、内部バス８６とを含むものである。なお、上述した各構成要素のうち、第１の画像データ取得ユニット８１、パラメータ調整ユニット８２、データベース８４、ユーザインタフェース８５及び内部バス８６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８０のものと同様であるので、同一の符号を付してその説明を省略する。
【0134】
第２の画像データ取得ユニット１８１は、第２の画像データを取得するためのものである。具体的には、被処理液監視システム６０に接続されて、フロック含有被処理液撮像用カメラ６３により撮像されたフロック含有被処理液ＰＬ２の画像データである第２の画像データを取得するものである。
【0135】
演算ユニット１８３は、データ処理システム１８０における各種処理を実現するためのプロセッサを構成するものであり、少なくとも第５の推論ユニット８７５を含んでいる。また、この演算ユニット１８３は、第５の推論ユニット８７５において利用する学習済モデル、すなわち第５の学習ユニット２３５において学習された第５の学習済モデルを格納した学習済モデル記憶ユニット１８８に接続されている。第５の推論ユニット８７５は、学習済モデル記憶ユニット１８８に格納された一の学習済モデルを参酌することで、第１及び第２の画像データ取得ユニット８１、１８１で取得した状態変数としての第１及び第２の画像データから、パラメータ調整ユニット８２により調整を行う制御パラメータを推論するものである。
【0136】
図１８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によるパラメータ調整の例を示すフローチャートである。データ処理システム１８０が適用されたデカンタ１の駆動が開始されると、図１８に示すように、先ずデータ処理システム１８０は、パラメータ調整のタイミングであるか否かを判断する（ステップＳ２１）。パラメータ調整のタイミングであることを検知すると（ステップＳ２１でＹｅｓ）、脱水固形物監視システム５０内の脱水固形物撮像用カメラ５３と、被処理液監視システム６０内のフロック含有被処理液撮像用カメラ６３とを動作させて、固形物排出導管７内を通過する脱水固形物Ｍと、被処理液配管１０ｂ内を流れるフロック含有被処理液ＰＬ２とを撮像する（ステップＳ２２１）。ここで撮像された第１及び第２の画像データは、第１及び第２の画像データ取得ユニット８１、１８１によりデータ処理システム１８０内に取得される（ステップＳ２３１）。
【0137】
次いで、第１及び第２の画像データ取得ユニット８１、１８１で取得した第１及び第２の画像データは、内部バス８６を介して第５の推論ユニット８７５に送られ、これらの画像データが第５の推論ユニット８７５において予め特定された学習済モデル記憶ユニット１８８内の一の学習済モデルの入力層に入力されることにより、制御パラメータを推論する（ステップＳ２４）。そして、ここで推論された制御パラメータの値を用いて、パラメータ調整ユニット８２が各制御ユニットを調整する（ステップＳ２５）。その後、ステップＳ２１に戻って待機状態となる。
【0138】
以上説明した通り、本実施の形態に係る機械学習装置１２０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、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り、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１８０によれば、脱水固形物Ｍの画像データ及びフロック含有被処理液ＰＬ２の画像データという２つの画像データのみから、デカンタ１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１８０を比較的簡単にデカンタ１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オペレータＥＮ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。
【0139】
＜第６の実施の形態＞
上記第５の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムにおいては、１つの学習済モデルを用いて第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ものについて説明を行った。以下には、上記第５の実施の形態の変形例として、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ために複数の学習済モデルを利用する場合を、本開示の第６の実施の形態として以下に説明する。なお、以下に示す第６の実施の形態に係る機械学習装置１２０Ａ及びデータ処理システム１８０Ａの各構成要素のうち、第５の実施の形態に係る機械学習装置１２０及びデータ処理システム１８０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６の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第５の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システム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各実施の形態において説示さ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。
上記第５の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムにおいては、１つの学習済モデルを用いて第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ものについて説明を行った。以下には、上記第５の実施の形態の変形例として、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ために複数の学習済モデルを利用する場合を、本開示の第６の実施の形態として以下に説明する。なお、以下に示す第６の実施の形態に係る機械学習装置１２０Ａ及びデータ処理システム１８０Ａの各構成要素のうち、第５の実施の形態に係る機械学習装置１２０及びデータ処理システム１８０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６の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第５の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システム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各実施の形態において説示さ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。
【0140】
図１９は、本開示の第６の実施の形態に係る機械学習装置１２０Ａの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１２０Ａは、図１９に示すように、その構成要素としては、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２２１と第６の学習用データセット記憶ユニット２２６と第７の学習用データセット記憶ユニット２２７を備え、学習ユニットとして第１の学習ユニット２３１と第６の学習ユニット２３６と第７の学習ユニット２３７を備えている点以外は、第５の実施の形態に係る機械学習装置１２０と同様である。また、これに関連して、学習用データセット取得ユニット１２１において取得される複数のデータも第５の実施の形態のものとは異なっている。なお、第１の学習用データセット記憶ユニット２２１及び第１の学習ユニット２３１については、上述した第２の実施の形態に係る機械学習装置２０Ａにおいて述べたものと同様であるので、同一の符号を付してその説明を省略する。
【0141】
本実施の形態に係る学習用データセット取得ユニット１２１が取得する複数のデータは、第１及び第２の画像データと、制御パラメータとに加えて、更に脱水固形物Ｍの特徴量と、フロック含有被処理液ＰＬ２を撮像した第２の画像データの特徴量（以下、「フロック含有被処理液ＰＬ２の特徴量」ともいう）とを含んでいる。フロック含有被処理液ＰＬ２の特徴量としては、撮像されたフロック含有被処理液ＰＬ２に基づいて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、例えばフロック含有被処理液ＰＬ２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、あるいはオペレータＥＮが目視で判断することにより、特定することができる。
【0142】
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被処理液監視システム６０Ａには、フロック含有被処理液ＰＬ２をサンプリング抽出した上で第２の画像データを取得する構成を採用することが好ましい。具体的には、この被処理液監視システム６０Ａとして、被処理液配管１０ｂに設けられた分岐管６４と、この分岐管６４に設けられたバルブ６５と、分岐管６４の端部に配置された透明な容器６６と、透明な容器６６の側面に設置されたフロック含有被処理液撮像用カメラ６３とを含むものを採用することができる。なお、フロック含有被処理液撮像用カメラ６３の配置はこれに限定されるものではなく、例えば容器６６を上方から撮像可能な位置に設置されていてもよい。このような構成を備える被処理液監視システム６０Ａにおいては、任意のタイミングでバルブ６５を開くことで、被処理液配管１０ｂ内を流れるフロック含有被処理液ＰＬ２が透明な容器６６内にサンプリング抽出される。そして、この容器６６内のフロック含有被処理液ＰＬ２をフロック含有被処理液撮像用カメラ６３により撮像してフロック含有被処理液ＰＬ２の画像データを生成し、対応する所望の制御パラメータがオペレータＥＮにより特定される。さらには、容器６６内にサンプリングされたフロック含有被処理液ＰＬ２の測定・分析等を行えばこのフロック含有被処理液ＰＬ２の特徴量を特定することができる。
【0143】
学習用データセット取得ユニット１２１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、３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２２１、第６の学習用データセット記憶ユニット２２６及び第７の学習用データセット記憶ユニット２２７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２２１に格納される第１の学習用データセットは、排出口２ａから排出された脱水固形物Ｍを所定画角から撮像した第１の画像データを第１の入力データとして含み、第１の入力データに対応付けられた脱水固形物Ｍの特徴量を第１の出力データとして含むものであって良い。また、第６の学習用データセット記憶ユニット２２６に格納される第６の学習用データセットは、ボウル２に供給される前であって且つ薬剤が添加された後のフロック含有被処理液ＰＬ２を所定画角から撮像した第２の画像データを第６の入力データとして含み、第６の入力データに対応付けられたフロック含有被処理液ＰＬ２の特徴量を第６の出力データとして含むものであって良い。さらに、第７の学習用データセット記憶ユニット２２７に格納される第７の学習用データセットは、脱水固形物Ｍの特徴量とフロック含有被処理液ＰＬ２の特徴量とを第７の入力データとして含み、第７の入力データに対応付けられた制御パラメータを第７の出力データとして含むものであって良い。
【0144】
第１の学習用データセット記憶ユニット２２１、第６の学習用データセット記憶ユニット２２６及び第７の学習用データセット記憶ユニット２２７にそれぞれ格納された第１、第６及び第７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る。第１の学習ユニット２３１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推論する学習モデルを学習するものである。言い換えれば、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第１の学習モデルを学習するものである。また、第６の学習ユニット２３６は、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の出力データとの相関関係を推論する学習モデルを学習するものである。言い換えれば、第６の学習用データセット内の第２の画像データを入力することで、第２の画像データの特徴量を推論する第６の学習モデルを学習するものである。さらに、第７の学習ユニット２３７は、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の出力データとの相関関係を推論する学習モデルを学習するものである。言い換えれば、第７の学習用データセット内の第１及び第２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第７の学習モデルを学習するものである。
【0145】
第１、第６及び第７の学習ユニット２３１、２３６及び２３７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である。そして、一連の機械学習工程を経て得られた第１、第６及び第７の学習済モデルは、学習済モデル記憶ユニット１２４内にそれぞれ記憶される。
【0146】
図２０は、本開示の第６の実施の形態に係るデータ処理システム１８０Ａ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１８０Ａは、図２０に示すように、演算ユニット１８３内の推論ユニットとして、第１の推論ユニット８７１と第６の推論ユニット８７６と第７の推論ユニット８７７を備える点以外は上述した第５の実施の形態に係るデータ処理システム１８０と同様の構成要素を備えるものである。
【0147】
第１の推論ユニット８７１は、上述した機械学習装置１２０Ａで生成され学習済モデル記憶ユニット１８８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８７１は、第１の画像データ取得ユニット８１において取得された第１の画像データが入力されると、第１の画像データの特徴量を出力層に出力する。また、第６の推論ユニット８７６は、上述した機械学習装置１２０Ａで生成され学習済モデル記憶ユニット１８８内に記憶された第６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６の推論ユニット８７６は、第２の画像データ取得ユニット１８１において取得された第２の画像データが入力されると、第２の画像データの特徴量を出力層に出力する。さらに、第７の推論ユニット８７７は、上述した機械学習装置１２０Ａで生成され学習済モデル記憶ユニット１８８内に記憶された第７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７の推論ユニット８７７は、第１の推論ユニット８７１及び第６の推論ユニット８７６において推論された第１及び第２の画像データの特徴量が入力されると、制御パラメータを出力層に出力する。
【0148】
上述した第１、第６及び第７の推論ユニット８７１、８７６及び８７７を含むデータ処理システム１８０Ａが適用されたデカンタ１において制御パラメータの調整を行う場合は、上述した図１８に示すものと同様の処理を行えばよい。ただし、図１８に示す処理のうち、ステップＳ２４において制御パラメータを推論する際は、先ず第１の推論ユニット８７１と第６の推論ユニット８７６に第１及び第２の画像データを入力し、出力された第１及び第２の画像データの特徴量を第７の推論ユニット８７７に入力する。
【0149】
以上説明した通り、本実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムによれば、複数の学習済モデルを用いて制御パラメータの推論結果を得ることで、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。
【0150】
＜第７の実施の形態＞
上記第５の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムにおいては、第１及び第２の画像データのみから制御パラメータを推論する場合について説明を行った。以下には、上記第５の実施の形態の変形例として、入力データとして、第１及び第２の画像データに加えて更に他の変数を採用した場合を、本開示の第７の実施の形態として以下に説明する。なお、以下に示す第７の実施の形態に係る機械学習装置１２０Ｂ及びデータ処理システム１８０Ｂの各構成要素のうち、第５及び第６の実施の形態に係る機械学習装置１２０、１２０Ａ及びデータ処理システム１８０、１８０Ａ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７の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第６の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システム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各実施の形態において説示さ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。
上記第５の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムにおいては、第１及び第２の画像データのみから制御パラメータを推論する場合について説明を行った。以下には、上記第５の実施の形態の変形例として、入力データとして、第１及び第２の画像データに加えて更に他の変数を採用した場合を、本開示の第７の実施の形態として以下に説明する。なお、以下に示す第７の実施の形態に係る機械学習装置１２０Ｂ及びデータ処理システム１８０Ｂの各構成要素のうち、第５及び第６の実施の形態に係る機械学習装置１２０、１２０Ａ及びデータ処理システム１８０、１８０Ａ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７の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第６の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システム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各実施の形態において説示さ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。
【0151】
図２１は、本開示の第７の実施の形態に係る機械学習装置１２０Ｂの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１２０Ｂは、図２１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８の学習用データセット記憶ユニット２２８を備え、学習ユニットとして第８の学習ユニット２３８を備える点以外は上述した第５の実施の形態に係る機械学習装置１２０と同様である。また、学習用データセット取得ユニット１２１において取得される複数のデータも第５の実施の形態のものとは異なる。本実施の形態に係る学習用データセット取得ユニット１２１は、図２１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５の実施の形態に係るコンピュータＰＣ１と同様に、コントロールユニット３０、脱水固形物監視システム５０及び被処理液監視システム６０に接続されているが、これらに加えて、分離液監視システム４０、被処理液濃度センサ６７及びスクリューコンベアトルク監視システム７０の少なくとも１つにも接続される。このうち、被処理液濃度センサ６７は、例えば被処理液配管１０ｂの特に添加物配管１１ｃと合流する前の所定位置に配置され、被処理液供給源１０から供給される被処理液ＰＬ１のスラリー濃度を直接測定するものであってよい。この被処理液濃度センサ６７としては、例えば周知のレーザー式、光学式、あるいは超音波式の濃度センサを用いることができる。なお、本実施の形態においては、コンピュータＰＣ１は、分離液監視システム４０、被処理液濃度センサ６７及びスクリューコンベアトルク監視システム７０の全てに接続され、学習用データセット取得ユニット１２１が取得する複数のデータには、被処理液ＰＬ１のスラリー濃度と分離液ＳＬの濃度とスクリューコンベア３のトルク値とが含まれるものについて例示する。また、分離液監視システム４０及びスクリューコンベアトルク監視システム７０は、上述の第３の実施の形態において例示したものと同様のものであって良く、ここではその詳細な説明は省略する。さらに、被処理液濃度センサ６７は図２では図示を省略している。
【0152】
これらの監視システム等により取得される各種データ、詳しくは、第１及び第２の画像データ、分離液ＳＬの濃度、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値が、直接、あるいはコントロールユニット３０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１２１に送られる。学習用データセット取得ユニット１２１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及び第２の画像データと、分離液ＳＬの濃度と、被処理液ＰＬ１のスラリー濃度と、スクリューコンベア３のトルク値とを第８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８の出力データとする第８の学習用データセットの形式で、第８の学習用データセット記憶ユニット２２８に格納される。そして、第８の学習ユニット２３８では、第８の学習用データセットを用いて、上述した第５の実施の形態の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８の学習済モデルが学習済モデル記憶ユニット１２４に記憶される。
【0153】
図２２は、本開示の第７の実施の形態に係るデータ処理システム１８０Ｂ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１８０Ｂは、図２２に示すように、推論ユニットとして第８の推論ユニット８７８を備える点と、付加変数取得ユニット８９を備える点以外は上述した第５の実施の形態に係るデータ処理システム１８０と同様の構成要素を備えるものである。このうち、付加変数取得ユニット８９は、図２２に示すように、分離液監視システム４０、被処理液濃度センサ６７及びスクリューコンベアトルク監視システム７０に接続され、これらから、分離液ＳＬの濃度、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を取得するものである。
【0154】
このデータ処理システム１８０Ｂが適用されたデカンタ１において制御パラメータの調整を行う場合は、上述した図１８に示すものと同様の処理を行えばよい。ただし、図１８に示す処理のうち、ステップＳ２３１と同時あるいはその前後の所定タイミングにおいて、付加変数取得ユニット８９が分離液ＳＬの濃度、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を取得する。そして、これらの値は、第８の推論ユニット８７８において学習済モデルの入力層に第１及び第２の画像データと共に対応付けられる。
【0155】
以上説明した通り、本実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムによれば、入力データとして、第１及び第２の画像データに加えて、分離液ＳＬの濃度、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を採用したことで、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。
【0156】
＜第８の実施の形態＞
次に、上記第６及び第７の実施の形態において説示した技術思想を組み合わせた場合について、本開示の第８の実施の形態として以下に説明する。なお、以下に示す第８の実施の形態に係る機械学習装置１２０Ｃ及びデータ処理システム１８０Ｃの各構成要素のうち、第５乃至第７の実施の形態に係る機械学習装置１２０、１２０Ａ、１２０Ｂ及びデータ処理システム１８０、１８０Ａ、１８０Ｂ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８の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第７の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システム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各実施の形態において説示さ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。
次に、上記第６及び第７の実施の形態において説示した技術思想を組み合わせた場合について、本開示の第８の実施の形態として以下に説明する。なお、以下に示す第８の実施の形態に係る機械学習装置１２０Ｃ及びデータ処理システム１８０Ｃの各構成要素のうち、第５乃至第７の実施の形態に係る機械学習装置１２０、１２０Ａ、１２０Ｂ及びデータ処理システム１８０、１８０Ａ、１８０Ｂ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８の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第７の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システム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各実施の形態において説示さ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。
【0157】
図２３は、本開示の第８の実施の形態に係る機械学習装置１２０Ｃの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１２０Ｃは、図２３に示すように、その構成要素としては、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２２１と第６の学習用データセット記憶ユニット２２６と第９の学習用データセット記憶ユニット２２９とを備え、学習ユニットとして第１の学習ユニット２３１と第６の学習ユニット２３６と第９の学習ユニット２３９とを備えている点以外は、第５の実施の形態に係る機械学習装置１２０と同様である。また、これに関連して、学習用データセット取得ユニット１２１において取得される複数のデータも第５の実施の形態とは異なっている。
【0158】
本実施の形態に係る学習用データセット取得ユニット１２１は、図２３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５の実施の形態に係るコンピュータＰＣ１と同様に、コントロールユニット３０、脱水固形物監視システム５０Ａ及び被処理液監視システム６０Ａに接続されているが、これらに加えて、分離液監視システム４０、被処理液濃度センサ６７及びスクリューコンベアトルク監視システム７０のうちの少なくとも１つにも接続される。コンピュータＰＣ１に接続された、コントロールユニット３０、脱水固形物監視システム５０Ａ、被処理液監視システム６０Ａ、分離液監視システム４０、被処理液濃度センサ６７及びスクリューコンベアトルク監視システム７０の具体的な構成は、既に上述した他の実施の形態において例示したものと同様である。そして、本実施の形態における学習用データセット取得ユニット１２１が取得する複数のデータは、第１及び第２の画像データと、制御パラメータとに加えて、更に分離液ＳＬの濃度、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値の少なくとも１つと、脱水固形物Ｍの特徴量と、フロック含有被処理液ＰＬ２の特徴量とを含んでいる。なお、本実施の形態においては、第７の実施の形態と同様に、コンピュータＰＣ１は、分離液監視システム４０、被処理液濃度センサ６７及びスクリューコンベアトルク監視システム７０の全てに接続され、学習用データセット取得ユニット１２１が取得する複数のデータには、分離液ＳＬの濃度と、被処理液ＰＬ１のスラリー濃度と、スクリューコンベア３のトルク値とが含まれるものを例示する。
【0159】
学習用データセット取得ユニット１２１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、３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２２１、第６の学習用データセット記憶ユニット２２６及び第９の学習用データセット記憶ユニット２２９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２２１に格納される第１の学習用データセットは、排出口２ａ内から排出された脱水固形物Ｍを所定画角から撮像した第１の画像データを第１の入力データとして含み、第１の入力データに対応付けられた第１の画像データの特徴量を第１の出力データとして含むものであって良い。また、第６の学習用データセット記憶ユニット２２６に格納される第６の学習用データセットは、ボウル２に供給される前であって且つ薬剤が添加されたフロック含有被処理液ＰＬ２を所定画角から撮像した第２の画像データを第６の入力データとして含み、第６の入力データに対応付けられた第２の画像データの特徴量を第６の出力データとして含むものであって良い。さらに、第９の学習用データセット記憶ユニット２２９に格納される第９の学習用データセットは、第１の画像データの特徴量と、第２の画像データの特徴量と、分離液ＳＬの濃度と、被処理液ＰＬ１のスラリー濃度と、スクリューコンベア３のトルク値とを第９の入力データとして含み、第９の入力データに対応付けられた制御パラメータを第９の出力データとして含むものであって良い。
【0160】
第１の学習用データセット記憶ユニット２２１、第６の学習用データセット記憶ユニット２２６及び第９の学習用データセット記憶ユニット２２９にそれぞれ格納された第１、第６及び第９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る。第１の学習ユニット２３１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推論する学習モデルを学習するものである。言い換えれば、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第１の学習モデルを学習するものである。また、第６の学習ユニット２３６は、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の出力データとの相関関係を推論する学習モデルを学習するものである。言い換えれば、第６の学習用データセット内の第２の画像データを入力することで、第２の画像データの特徴量を推論する第６の学習モデルを学習するものである。そして、第９の学習ユニット２３９は、第９の学習用データセットを複数組入力することで、第９の入力データと第９の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ものである。言い換えれば、第９の学習用データセット内の第１及び第２画像データの特徴量と、分離液ＳＬの濃度と、被処理液ＰＬ１のスラリー濃度と、スクリューコンベア３のトルク値とを入力することで、制御パラメータを推論する第９の学習モデルを学習するものである。
【0161】
第１、第６及び第９の学習ユニット２３１、２３６及び２３９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である。そして、一連の機械学習工程を経て得られた第１、第６及び第９の学習済モデルは、学習済モデル記憶ユニット１２４内にそれぞれ記憶される。
【0162】
図２４は、本開示の第８の実施の形態に係るデータ処理システム１８０Ｃ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１８０Ｃは、図２４に示すように、演算ユニット１８３内の推論ユニットとして、第１の推論ユニット８７１と第６の推論ユニット８７６と第９の推論ユニット８７９とを備え、且つ付加変数取得ユニット８９を備える点以外は上述した第５の実施の形態に係るデータ処理システム１８０と同様の構成要素を備えるものである。このうち、付加変数取得ユニット８９は、上記第７の実施の形態において述べたものと同様のものを採用することができる。
【0163】
第１の推論ユニット８７１は、上述した機械学習装置１２０Ｃで生成され学習済モデル記憶ユニット１８８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８７１は、第１の画像データ取得ユニット８１において取得された第１の画像データが入力されると、第１の画像データの特徴量を出力層に出力する。また、第６の推論ユニット８７６は、上述した機械学習装置１２０Ｃで生成され学習済モデル記憶ユニット１８８内に記憶された第６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６の推論ユニット８７６は、第２の画像データ取得ユニット１８１において取得された第２の画像データが入力されると、第２の画像データの特徴量を出力層に出力する。さらに、第９の推論ユニット８７９は、上述した機械学習装置１２０Ｃで生成され学習済モデル記憶ユニット１８８内に記憶された第９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９の推論ユニット８７９は、第１の推論ユニット８７１において推論された第１の画像データの特徴量と、第６の推論ユニット８７６において推論された第２の画像データの特徴量と、分離液ＳＬの濃度と、被処理液ＰＬ１のスラリー濃度と、スクリューコンベア３のトルク値とが入力されると、制御パラメータを出力層に出力する。
【0164】
上述した付加変数取得ユニット８９と第１、第６及び第９の推論ユニット８７１、８７６及び８７９とを含むデータ処理システム１８０Ｃが適用されたデカンタ１において制御パラメータの調整を行う場合は、上述した図１８に示すものと同様の処理を行えばよい。ただし、図１８に示す処理のうち、ステップＳ２３１と同時あるいはその前後の所定タイミングにおいて、付加変数取得ユニット８９が分離液ＳＬの濃度、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を取得する工程を更に含む。また、ステップＳ２４において制御パラメータを推論する際は、先ず第１の推論ユニット８７１と第６の推論ユニット８７６に第１及び第２の画像データをそれぞれ入力し、出力された第１及び第２の画像データの特徴量を付加変数取得ユニット８９において取得した３つの値と共に第９の推論ユニット８７９に入力する。
【0165】
以上説明した通り、本実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムによれば、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６及び第７の実施の形態よりも更に抑えることが期待できる。
【0166】
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】
【0167】
１ デカンタ（遠心分離システム）
２ ボウル
２ａ 固形物排出口
２ｂ 分離液排出口
２ｃ ダム
３ スクリューコンベア
３ｃ 空間
４ 駆動モータ
５ 差速発生装置
６ ケーシング
６ａ 固形物シュート
６ｂ 分離液シュート
７ 固形物排出導管
７ａ 主搬送路
８ 分離液排出導管
９ 給液管
１０ 被処理液供給源
１０ｂ 被処理液配管
１１ 添加物供給源
１１ｃ 添加物配管
２０、２０Ａ～Ｃ、１２０、１２０Ａ～Ｃ 機械学習装置
２１、１２１ 学習用データセット取得ユニット
２２、２２１～２２９ 学習用データセット記憶ユニット
２３、２３１～２３９ 学習ユニット
２４、１２４ 学習済モデル記憶ユニット
３０ コントロールユニット
４０ 分離液監視システム
５０、５０Ａ 脱水固形物監視システム
６０、６０Ａ 被処理液監視システム
６７ 被処理液濃度センサ
７０ スクリューコンベアトルク監視システム
８０、８０Ａ～Ｃ、１８０、１８０Ａ～Ｃ データ処理システム
８１ 第１の画像データ取得ユニット
１８１ 第２の画像データ取得ユニット
８２ パラメータ調整ユニット
８３、１８３ 演算ユニット
８７、８７１～８７９ 推論ユニット
８８、１８８ 学習済モデル記憶ユニット
８９ 付加変数取得ユニット
ＳＬ 分離液
Ｍ 液体含有固形物（脱水固形物）
ＰＬ１ 被処理液
ＰＬ２ フロック含有被処理液
２ ボウル
２ａ 固形物排出口
２ｂ 分離液排出口
２ｃ ダム
３ スクリューコンベア
３ｃ 空間
４ 駆動モータ
５ 差速発生装置
６ ケーシング
６ａ 固形物シュート
６ｂ 分離液シュート
７ 固形物排出導管
７ａ 主搬送路
８ 分離液排出導管
９ 給液管
１０ 被処理液供給源
１０ｂ 被処理液配管
１１ 添加物供給源
１１ｃ 添加物配管
２０、２０Ａ～Ｃ、１２０、１２０Ａ～Ｃ 機械学習装置
２１、１２１ 学習用データセット取得ユニット
２２、２２１～２２９ 学習用データセット記憶ユニット
２３、２３１～２３９ 学習ユニット
２４、１２４ 学習済モデル記憶ユニット
３０ コントロールユニット
４０ 分離液監視システム
５０、５０Ａ 脱水固形物監視システム
６０、６０Ａ 被処理液監視システム
６７ 被処理液濃度センサ
７０ スクリューコンベアトルク監視システム
８０、８０Ａ～Ｃ、１８０、１８０Ａ～Ｃ データ処理システム
８１ 第１の画像データ取得ユニット
１８１ 第２の画像データ取得ユニット
８２ パラメータ調整ユニット
８３、１８３ 演算ユニット
８７、８７１～８７９ 推論ユニット
８８、１８８ 学習済モデル記憶ユニット
８９ 付加変数取得ユニット
ＳＬ 分離液
Ｍ 液体含有固形物（脱水固形物）
ＰＬ１ 被処理液
ＰＬ２ フロック含有被処理液
【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】
