JP7250205B1 - 学習モデル生成方法、学習モデル生成装置、燃焼予測方法、燃焼予測装置及びプログラム - Google Patents
学習モデル生成方法、学習モデル生成装置、燃焼予測方法、燃焼予測装置及びプログラム Download PDFInfo
- Publication number
- JP7250205B1 JP7250205B1 JP2022188296A JP2022188296A JP7250205B1 JP 7250205 B1 JP7250205 B1 JP 7250205B1 JP 2022188296 A JP2022188296 A JP 2022188296A JP 2022188296 A JP2022188296 A JP 2022188296A JP 7250205 B1 JP7250205 B1 JP 7250205B1
- Authority
- JP
- Japan
- Prior art keywords
- learning model
- state information
- furnace
- input amount
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 113
- 239000000446 fuel Substances 0.000 claims abstract description 65
- 239000002699 waste material Substances 0.000 claims description 208
- 239000007789 gas Substances 0.000 claims description 156
- 239000007788 liquid Substances 0.000 claims description 94
- 230000008569 process Effects 0.000 claims description 48
- 239000000463 material Substances 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 37
- 239000002737 fuel gas Substances 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 22
- 239000000126 substance Substances 0.000 claims description 19
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 8
- 239000001301 oxygen Substances 0.000 claims description 8
- 229910052760 oxygen Inorganic materials 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 7
- HGUFODBRKLSHSI-UHFFFAOYSA-N 2,3,7,8-tetrachloro-dibenzo-p-dioxin Chemical compound O1C2=CC(Cl)=C(Cl)C=C2OC2=C1C=C(Cl)C(Cl)=C2 HGUFODBRKLSHSI-UHFFFAOYSA-N 0.000 claims description 4
- 239000000428 dust Substances 0.000 claims description 4
- 239000005431 greenhouse gas Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 44
- 238000012545 processing Methods 0.000 description 24
- 230000008859 change Effects 0.000 description 15
- 230000001186 cumulative effect Effects 0.000 description 8
- 238000002347 injection Methods 0.000 description 8
- 239000007924 injection Substances 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 6
- 238000010438 heat treatment Methods 0.000 description 6
- 230000010365 information processing Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 239000003915 liquefied petroleum gas Substances 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 2
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 239000010808 liquid waste Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 1
- 239000003570 air Substances 0.000 description 1
- 150000001491 aromatic compounds Chemical class 0.000 description 1
- 239000001273 butane Substances 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001805 chlorine compounds Chemical class 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- -1 for example Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- IJDNQMDRQITEOD-UHFFFAOYSA-N n-butane Chemical compound CCCC IJDNQMDRQITEOD-UHFFFAOYSA-N 0.000 description 1
- OFBQJSOFQDEBGM-UHFFFAOYSA-N n-pentane Natural products CCCCC OFBQJSOFQDEBGM-UHFFFAOYSA-N 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 150000004767 nitrides Chemical class 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- TWNQGVIAIRXVLR-UHFFFAOYSA-N oxo(oxoalumanyloxy)alumane Chemical compound O=[Al]O[Al]=O TWNQGVIAIRXVLR-UHFFFAOYSA-N 0.000 description 1
- 239000001294 propane Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002910 solid waste Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Incineration Of Waste (AREA)
Abstract
【課題】炉の燃焼に関する目的変数の予測精度を高める。【解決手段】コンピュータが、制御変数としての燃料の投入量と、炉の状態情報と、投入量と状態情報に対応する目的変数の測定値とを教師データとして取得し、コンピュータが、教師データを用い、投入量と状態情報を入力、目的変数の予測値を出力とする学習モデルを生成する学習モデル生成方法を提供する。【選択図】図１
Description
本発明は、学習モデル生成方法、学習モデル生成装置、燃焼予測方法、燃焼予測装置及びプログラムに関する。
産業用の燃焼炉の運転や管理は、長年、現場の作業員が担っている。しかし、作業員による属人的な調整は、精度のばらつきに加え、技能の継承に問題がある。また、作業員による調整は基本的に主観による。このため、現在の調整が最適解かも分からない。
産業用の燃焼炉における炉内の状態は時々刻々と変化する。例えば炉内に投入される廃棄物の量や種類（以下「状態変数」という。）が排出源の都合で変動することがある。また、燃料として投入される燃料ガスや空気（以下「制御変数」という。）と状態変数の関係は複雑であり、燃焼の結果として燃焼炉から排出されるガス（以下「排出ガス」という。）の濃度、火炎輻射量、被加熱物の表面温度等（以下「目的変数」という。）を正確に予測することは難しい。
本発明の目的は、炉の燃焼に関する目的変数の予測精度を高めることである。
請求項１に記載の発明は、コンピュータが、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得し、コンピュータが、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する、学習モデル生成方法であり、前記教師データを、前記炉で前記燃料だけが燃焼される期間、当該炉で廃棄物だけが燃焼される期間、当該炉で当該燃料と当該廃棄物とが一緒に燃焼される期間別に取得し、コンピュータが、前記期間別に取得された教師データを使用して、当該期間毎に前記学習モデルを生成する、学習モデル生成方法である。
請求項２に記載の発明は、前記廃棄物だけが燃焼される期間又は前記燃料と当該廃棄物とが一緒に燃焼される期間に対応する前記学習モデルは、当該廃棄物の組成の違い別に取得された前記教師データを使用して、当該組成の違い別に生成される、請求項１に記載の学習モデル生成方法である。
請求項３に記載の発明は、前記廃棄物は、他の設備からの廃液、他の設備からの廃油、他の設備からのプロセス排ガス、被焼却物の少なくとも１つである、請求項１又は２に記載の学習モデル生成方法である。
請求項４に記載の発明は、コンピュータが、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得し、コンピュータが、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する、学習モデル生成方法であり、前記教師データの取得と前記学習モデルの生成には、前記炉に対する廃棄物の投入に使用するノズルの数と投入に使用したノズルの位置の違いの少なくとも一方を反映する、学習モデル生成方法である。
請求項５に記載の発明は、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得する取得部と、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する学習部を有する、学習モデル生成装置であり、前記取得部が、前記教師データを、前記炉で前記燃料だけが燃焼される期間、当該炉で廃棄物だけが燃焼される期間、当該炉で当該燃料と当該廃棄物とが一緒に燃焼される期間別に取得し、前記学習部が、前記期間別に取得された教師データを使用して、当該期間毎に前記学習モデルを生成する、学習モデル生成装置である。
請求項６に記載の発明は、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得する取得部と、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する学習部を有する、学習モデル生成装置であり、前記教師データの取得と前記学習モデルの生成には、前記炉に対する廃棄物の投入に使用するノズルの数と投入に使用したノズルの位置の違いの少なくとも一方を反映する、学習モデル生成装置である。
請求項７に記載の発明は、コンピュータに、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得する機能と、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する機能と、を実現させるためのプログラムであり、前記取得する機能が、前記教師データを、前記炉で前記燃料だけが燃焼される期間、当該炉で廃棄物だけが燃焼される期間、当該炉で当該燃料と当該廃棄物とが一緒に燃焼される期間別に取得し、前記学習モデルを生成する機能が、前記期間別に取得された教師データを使用して、当該期間毎に前記学習モデルを生成する、プログラムである。
請求項８に記載の発明は、コンピュータに、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得する機能と、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する機能と、を実現させるためのプログラムであり、前記教師データの取得と前記学習モデルの生成には、前記炉に対する廃棄物の投入に使用するノズルの数と投入に使用したノズルの位置の違いの少なくとも一方を反映する、プログラムである。
請求項９に記載の発明は、コンピュータが、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルに対し、当該投入量の測定値と当該状態情報の測定値を入力として与え、対応する目的変数の予測値を出力する、燃焼予測方法であり、前記学習モデルとして、前記炉で前記燃料だけが燃焼される期間、当該炉で廃棄物だけが燃焼される期間、当該炉で当該燃料と当該廃棄物とが一緒に燃焼される期間別に取得された教師データを使用して生成された当該期間別の学習モデルを使用する、燃焼予測方法である。
請求項１０に記載の発明は、コンピュータが、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルに対し、当該投入量の測定値と当該状態情報の測定値を入力として与え、対応する目的変数の予測値を出力する、燃焼予測方法であり、前記学習モデルとして、教師データの取得と前記学習モデルの生成に際し、前記炉に対する廃棄物の投入に使用するノズルの数と投入に使用したノズルの位置の違いの少なくとも一方を反映した学習モデルを使用する、燃焼予測方法である。
請求項１１に記載の発明は、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルと、前記投入量と前記状態情報が入力として与えられた場合、当該投入量の測定値と当該状態情報の測定値を前記学習モデルに与え、前記目的変数の予測値を出力する予測部と、を有する燃焼予測装置であり、前記学習モデルとして、前記炉で前記燃料だけが燃焼される期間、当該炉で廃棄物だけが燃焼される期間、当該炉で当該燃料と当該廃棄物とが一緒に燃焼される期間別に取得された教師データを使用して生成された当該期間別の学習モデルを使用する、燃焼予測装置である。
請求項１２に記載の発明は、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルと、前記投入量と前記状態情報が入力として与えられた場合、当該投入量の測定値と当該状態情報の測定値を前記学習モデルに与え、前記目的変数の予測値を出力する予測部と、を有する燃焼予測装置であり、前記学習モデルとして、教師データの取得と前記学習モデルの生成に際し、前記炉に対する廃棄物の投入に使用するノズルの数と投入に使用したノズルの位置の違いの少なくとも一方を反映した学習モデルを使用する、燃焼予測装置である。
請求項１３に記載の発明は、コンピュータに、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルに対し、当該投入量の測定値と当該状態情報の測定値を入力として与え、前記目的変数の予測値を出力する機能を実現させるためのプログラムであり、前記学習モデルとして、前記炉で前記燃料だけが燃焼される期間、当該炉で廃棄物だけが燃焼される期間、当該炉で当該燃料と当該廃棄物とが一緒に燃焼される期間別に取得された教師データを使用して生成された当該期間別の学習モデルを使用する、プログラムである。
請求項１４に記載の発明は、コンピュータに、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルに対し、当該投入量の測定値と当該状態情報の測定値を入力として与え、前記目的変数の予測値を出力する機能を実現させるためのプログラムであり、前記学習モデルとして、教師データの取得と前記学習モデルの生成に際し、前記炉に対する廃棄物の投入に使用するノズルの数と投入に使用したノズルの位置の違いの少なくとも一方を反映した学習モデルを使用する、プログラムである。
請求項１５に記載の発明は、コンピュータが、制御変数としての対象物の燃焼に使用する燃料ガスの投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得し、コンピュータが、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する、学習モデル生成方法である。
請求項１６に記載の発明は、前記状態情報は、前記炉から排出される特定ガスの原因物質を含む廃棄物の投入量と、当該廃棄物における当該原因物質の濃度と、当該廃棄物の粘度のうちの少なくとも１つを含む、請求項１５に記載の学習モデル生成方法である。
請求項１７に記載の発明は、前記教師データは、前記燃料ガスの投入量と、廃棄物の投入量と、当該燃料ガスと当該廃棄物の投入から予め定めた時間後に測定された前記測定値との組み合わせである、請求項１５に記載の学習モデル生成方法である。
請求項１８に記載の発明は、コンピュータが、前記学習モデルを用いて予測した前記予測値と実際の測定値との誤差を用いて当該学習モデルを修正する、請求項１５に記載の学習モデル生成方法である。
請求項１９に記載の発明は、前記状態情報は、プロセス排ガス、廃油、廃液、被焼却物、炉内の酸素濃度、炉内の温度、炉壁の温度の少なくとも１つを含む、請求項１５に記載の学習モデル生成方法である。
請求項２０に記載の発明は、前記目的変数は、ＣＯ、ＣＯ２、ＮＯｘ、ＳＯｘ、煤塵、ダイオキシン、未燃焼の前記燃料ガス、温室効果ガス、火炎輻射量、被加熱物の表面温度の少なくとも１つを含む、請求項１５に記載の学習モデル生成方法である。
請求項２１に記載の発明は、制御変数としての対象物の燃焼に使用する燃料ガスの投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得する取得部と、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する学習部を有する、学習モデル生成装置である。
請求項２２に記載の発明は、コンピュータに、制御変数としての対象物の燃焼に使用する燃料ガスの投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得する機能と、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する機能と、を実現させるためのプログラムである。
請求項２３に記載の発明は、コンピュータが、制御変数としての対象物の燃焼に使用する燃料ガスの投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルに対し、当該投入量の測定値と当該状態情報の測定値を入力として与え、対応する目的変数の予測値を出力する、燃焼予測方法である。
請求項２４に記載の発明は、制御変数としての対象物の燃焼に使用する燃料ガスの投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルと、前記投入量と前記状態情報が入力として与えられた場合、当該投入量の測定値と当該状態情報の測定値を前記学習モデルに与え、前記目的変数の予測値を出力する予測部と、を有する燃焼予測装置である。
請求項２５に記載の発明は、コンピュータに、制御変数としての対象物の燃焼に使用する燃料ガスの投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルに対し、当該投入量の測定値と当該状態情報の測定値を入力として与え、前記目的変数の予測値を出力する機能を実現させるためのプログラムである。
請求項２に記載の発明は、前記廃棄物だけが燃焼される期間又は前記燃料と当該廃棄物とが一緒に燃焼される期間に対応する前記学習モデルは、当該廃棄物の組成の違い別に取得された前記教師データを使用して、当該組成の違い別に生成される、請求項１に記載の学習モデル生成方法である。
請求項３に記載の発明は、前記廃棄物は、他の設備からの廃液、他の設備からの廃油、他の設備からのプロセス排ガス、被焼却物の少なくとも１つである、請求項１又は２に記載の学習モデル生成方法である。
請求項４に記載の発明は、コンピュータが、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得し、コンピュータが、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する、学習モデル生成方法であり、前記教師データの取得と前記学習モデルの生成には、前記炉に対する廃棄物の投入に使用するノズルの数と投入に使用したノズルの位置の違いの少なくとも一方を反映する、学習モデル生成方法である。
請求項５に記載の発明は、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得する取得部と、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する学習部を有する、学習モデル生成装置であり、前記取得部が、前記教師データを、前記炉で前記燃料だけが燃焼される期間、当該炉で廃棄物だけが燃焼される期間、当該炉で当該燃料と当該廃棄物とが一緒に燃焼される期間別に取得し、前記学習部が、前記期間別に取得された教師データを使用して、当該期間毎に前記学習モデルを生成する、学習モデル生成装置である。
請求項６に記載の発明は、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得する取得部と、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する学習部を有する、学習モデル生成装置であり、前記教師データの取得と前記学習モデルの生成には、前記炉に対する廃棄物の投入に使用するノズルの数と投入に使用したノズルの位置の違いの少なくとも一方を反映する、学習モデル生成装置である。
請求項７に記載の発明は、コンピュータに、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得する機能と、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する機能と、を実現させるためのプログラムであり、前記取得する機能が、前記教師データを、前記炉で前記燃料だけが燃焼される期間、当該炉で廃棄物だけが燃焼される期間、当該炉で当該燃料と当該廃棄物とが一緒に燃焼される期間別に取得し、前記学習モデルを生成する機能が、前記期間別に取得された教師データを使用して、当該期間毎に前記学習モデルを生成する、プログラムである。
請求項８に記載の発明は、コンピュータに、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得する機能と、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する機能と、を実現させるためのプログラムであり、前記教師データの取得と前記学習モデルの生成には、前記炉に対する廃棄物の投入に使用するノズルの数と投入に使用したノズルの位置の違いの少なくとも一方を反映する、プログラムである。
請求項９に記載の発明は、コンピュータが、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルに対し、当該投入量の測定値と当該状態情報の測定値を入力として与え、対応する目的変数の予測値を出力する、燃焼予測方法であり、前記学習モデルとして、前記炉で前記燃料だけが燃焼される期間、当該炉で廃棄物だけが燃焼される期間、当該炉で当該燃料と当該廃棄物とが一緒に燃焼される期間別に取得された教師データを使用して生成された当該期間別の学習モデルを使用する、燃焼予測方法である。
請求項１０に記載の発明は、コンピュータが、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルに対し、当該投入量の測定値と当該状態情報の測定値を入力として与え、対応する目的変数の予測値を出力する、燃焼予測方法であり、前記学習モデルとして、教師データの取得と前記学習モデルの生成に際し、前記炉に対する廃棄物の投入に使用するノズルの数と投入に使用したノズルの位置の違いの少なくとも一方を反映した学習モデルを使用する、燃焼予測方法である。
請求項１１に記載の発明は、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルと、前記投入量と前記状態情報が入力として与えられた場合、当該投入量の測定値と当該状態情報の測定値を前記学習モデルに与え、前記目的変数の予測値を出力する予測部と、を有する燃焼予測装置であり、前記学習モデルとして、前記炉で前記燃料だけが燃焼される期間、当該炉で廃棄物だけが燃焼される期間、当該炉で当該燃料と当該廃棄物とが一緒に燃焼される期間別に取得された教師データを使用して生成された当該期間別の学習モデルを使用する、燃焼予測装置である。
請求項１２に記載の発明は、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルと、前記投入量と前記状態情報が入力として与えられた場合、当該投入量の測定値と当該状態情報の測定値を前記学習モデルに与え、前記目的変数の予測値を出力する予測部と、を有する燃焼予測装置であり、前記学習モデルとして、教師データの取得と前記学習モデルの生成に際し、前記炉に対する廃棄物の投入に使用するノズルの数と投入に使用したノズルの位置の違いの少なくとも一方を反映した学習モデルを使用する、燃焼予測装置である。
請求項１３に記載の発明は、コンピュータに、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルに対し、当該投入量の測定値と当該状態情報の測定値を入力として与え、前記目的変数の予測値を出力する機能を実現させるためのプログラムであり、前記学習モデルとして、前記炉で前記燃料だけが燃焼される期間、当該炉で廃棄物だけが燃焼される期間、当該炉で当該燃料と当該廃棄物とが一緒に燃焼される期間別に取得された教師データを使用して生成された当該期間別の学習モデルを使用する、プログラムである。
請求項１４に記載の発明は、コンピュータに、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルに対し、当該投入量の測定値と当該状態情報の測定値を入力として与え、前記目的変数の予測値を出力する機能を実現させるためのプログラムであり、前記学習モデルとして、教師データの取得と前記学習モデルの生成に際し、前記炉に対する廃棄物の投入に使用するノズルの数と投入に使用したノズルの位置の違いの少なくとも一方を反映した学習モデルを使用する、プログラムである。
請求項１５に記載の発明は、コンピュータが、制御変数としての対象物の燃焼に使用する燃料ガスの投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得し、コンピュータが、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する、学習モデル生成方法である。
請求項１６に記載の発明は、前記状態情報は、前記炉から排出される特定ガスの原因物質を含む廃棄物の投入量と、当該廃棄物における当該原因物質の濃度と、当該廃棄物の粘度のうちの少なくとも１つを含む、請求項１５に記載の学習モデル生成方法である。
請求項１７に記載の発明は、前記教師データは、前記燃料ガスの投入量と、廃棄物の投入量と、当該燃料ガスと当該廃棄物の投入から予め定めた時間後に測定された前記測定値との組み合わせである、請求項１５に記載の学習モデル生成方法である。
請求項１８に記載の発明は、コンピュータが、前記学習モデルを用いて予測した前記予測値と実際の測定値との誤差を用いて当該学習モデルを修正する、請求項１５に記載の学習モデル生成方法である。
請求項１９に記載の発明は、前記状態情報は、プロセス排ガス、廃油、廃液、被焼却物、炉内の酸素濃度、炉内の温度、炉壁の温度の少なくとも１つを含む、請求項１５に記載の学習モデル生成方法である。
請求項２０に記載の発明は、前記目的変数は、ＣＯ、ＣＯ２、ＮＯｘ、ＳＯｘ、煤塵、ダイオキシン、未燃焼の前記燃料ガス、温室効果ガス、火炎輻射量、被加熱物の表面温度の少なくとも１つを含む、請求項１５に記載の学習モデル生成方法である。
請求項２１に記載の発明は、制御変数としての対象物の燃焼に使用する燃料ガスの投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得する取得部と、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する学習部を有する、学習モデル生成装置である。
請求項２２に記載の発明は、コンピュータに、制御変数としての対象物の燃焼に使用する燃料ガスの投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得する機能と、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する機能と、を実現させるためのプログラムである。
請求項２３に記載の発明は、コンピュータが、制御変数としての対象物の燃焼に使用する燃料ガスの投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルに対し、当該投入量の測定値と当該状態情報の測定値を入力として与え、対応する目的変数の予測値を出力する、燃焼予測方法である。
請求項２４に記載の発明は、制御変数としての対象物の燃焼に使用する燃料ガスの投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルと、前記投入量と前記状態情報が入力として与えられた場合、当該投入量の測定値と当該状態情報の測定値を前記学習モデルに与え、前記目的変数の予測値を出力する予測部と、を有する燃焼予測装置である。
請求項２５に記載の発明は、コンピュータに、制御変数としての対象物の燃焼に使用する燃料ガスの投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルに対し、当該投入量の測定値と当該状態情報の測定値を入力として与え、前記目的変数の予測値を出力する機能を実現させるためのプログラムである。
請求項１記載の発明によれば、燃焼環境別に学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項２記載の発明によれば、廃棄物の組成別に学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項３記載の発明によれば、廃棄物の組成別に学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項４記載の発明によれば、ノズルの数と投入に使用したノズルの位置の違いを含めて学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項５記載の発明によれば、燃焼環境別に学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項６記載の発明によれば、ノズルの数と投入に使用したノズルの位置の違いを含めて学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項７記載の発明によれば、燃焼環境別に学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項８記載の発明によれば、ノズルの数と投入に使用したノズルの位置の違いを含めて学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項９記載の発明によれば、燃焼環境別に学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項１０記載の発明によれば、ノズルの数と投入に使用したノズルの位置の違いを含めて学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項１１記載の発明によれば、燃焼環境別に学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項１２記載の発明によれば、ノズルの数と投入に使用したノズルの位置の違いを含めて学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項１３記載の発明によれば、燃焼環境別に学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項１４記載の発明によれば、ノズルの数と投入に使用したノズルの位置の違いを含めて学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項１５記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項１６記載の発明によれば、炉から排出される特定ガスの予測精度を高めることができる。
請求項１７記載の発明によれば、目的変数の予測精度を一段と高めることができる。
請求項１８記載の発明によれば、学習モデルの精度を効率的に向上できる。
請求項１９記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項２０記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項２１記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項２２記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項２３記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項２４記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項２５記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項２記載の発明によれば、廃棄物の組成別に学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項３記載の発明によれば、廃棄物の組成別に学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項４記載の発明によれば、ノズルの数と投入に使用したノズルの位置の違いを含めて学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項５記載の発明によれば、燃焼環境別に学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項６記載の発明によれば、ノズルの数と投入に使用したノズルの位置の違いを含めて学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項７記載の発明によれば、燃焼環境別に学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項８記載の発明によれば、ノズルの数と投入に使用したノズルの位置の違いを含めて学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項９記載の発明によれば、燃焼環境別に学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項１０記載の発明によれば、ノズルの数と投入に使用したノズルの位置の違いを含めて学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項１１記載の発明によれば、燃焼環境別に学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項１２記載の発明によれば、ノズルの数と投入に使用したノズルの位置の違いを含めて学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項１３記載の発明によれば、燃焼環境別に学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項１４記載の発明によれば、ノズルの数と投入に使用したノズルの位置の違いを含めて学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項１５記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項１６記載の発明によれば、炉から排出される特定ガスの予測精度を高めることができる。
請求項１７記載の発明によれば、目的変数の予測精度を一段と高めることができる。
請求項１８記載の発明によれば、学習モデルの精度を効率的に向上できる。
請求項１９記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項２０記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項２１記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項２２記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項２３記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項２４記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項２５記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
以下、図面を参照して、本発明の実施の形態を説明する。
＜実施の形態１＞
＜システム構成＞
本実施の形態では、廃棄物を燃焼する燃焼炉について説明する。特に、排出源の都合で廃棄物の投入量や投入される廃棄物の種類の組み合わせや比率が時々刻々と変化する燃焼炉について説明する。
＜実施の形態１＞
＜システム構成＞
本実施の形態では、廃棄物を燃焼する燃焼炉について説明する。特に、排出源の都合で廃棄物の投入量や投入される廃棄物の種類の組み合わせや比率が時々刻々と変化する燃焼炉について説明する。
この種の燃焼炉は、炉内の状態が時々刻々と変化する。このため、燃焼炉から排出される排出ガス等の予測が、廃棄物の投入量などが一定に制御される燃焼炉に比して格段に難しい。そこで、本実施の形態では、各時点の燃焼により発生する廃棄物の濃度等を正確に予測するための予想モデルを機械学習により生成する仕組みについて説明する。
図１は、実施の形態１で想定する燃焼炉システム１の概念構成を説明する図である。
図１の場合、破線で示す大枠が、燃焼炉１０と予測モデル生成装置２０とが設置される建屋や敷地の外縁を表している。図１では、燃焼炉１０を１つのみ表しているが、建屋や敷地内の燃焼炉１０を１つに限る意図ではない。
図１に示す燃焼炉１０には、被燃焼物として、廃棄物（例えばプロセス排ガス、廃油、廃液）、燃料ガス（都市ガス、空気）が投入され、燃焼反応の結果物として排出ガスが排出される。
図１の場合、破線で示す大枠が、燃焼炉１０と予測モデル生成装置２０とが設置される建屋や敷地の外縁を表している。図１では、燃焼炉１０を１つのみ表しているが、建屋や敷地内の燃焼炉１０を１つに限る意図ではない。
図１に示す燃焼炉１０には、被燃焼物として、廃棄物（例えばプロセス排ガス、廃油、廃液）、燃料ガス（都市ガス、空気）が投入され、燃焼反応の結果物として排出ガスが排出される。
都市ガスと空気は、廃棄物を燃焼するための燃料である。都市ガスは、例えばメタンを主成分とする天然ガスである。なお、都市ガスに代えて、例えばプロパンやブタンを主成分とする液化石油ガス（いわゆるＬＰＧ）を投入してもよい。都市ガスとＬＰＧは、炭化水素系燃料の代表例である。この他、燃料ガスとして、アンモニアガス、アンモニアと都市ガスの混合ガス、アンモニアと水素の混合ガス等を燃焼炉１０に投入してもよい。
なお、都市ガスの流量ＱＮ［Ｎｍ３／ｈ］と空気の流量ＱＡ［Ｎｍ３／ｈ］は、制御変数の一例である。
なお、都市ガスの流量ＱＮ［Ｎｍ３／ｈ］と空気の流量ＱＡ［Ｎｍ３／ｈ］は、制御変数の一例である。
廃棄物は、製造プロセスや化学反応プロセスの副産物であり、廃棄の対象となる物質をいう。廃棄物は、気体として排出される場合もあれば、液体として排出される場合もあれば、固体として排出される場合もある。
気体としての廃棄物の代表例には、プロセス排ガスがある。液体としての廃棄物の代表例には、廃油や廃液がある。
気体としての廃棄物の代表例には、プロセス排ガスがある。液体としての廃棄物の代表例には、廃油や廃液がある。
廃油は油分を含む液体をいう。
廃液は、各プロセスから回収される液体である。本実施の形態では、油分を含まない液体を廃液という。廃液には、冷却や洗浄に使用した後の汚染水の他、有機系の液体等がある。また、複数のプロセスで個別から排出された液体の混合液を含む。
本実施の形態では、燃焼炉１０で燃焼される液体を総称して「廃液」と呼ぶこともある。この意味での廃液には、油分を含む液体も含まれる。
固体としての廃棄物には、ゴミ、削りカス、切れ端などがある。
廃液は、各プロセスから回収される液体である。本実施の形態では、油分を含まない液体を廃液という。廃液には、冷却や洗浄に使用した後の汚染水の他、有機系の液体等がある。また、複数のプロセスで個別から排出された液体の混合液を含む。
本実施の形態では、燃焼炉１０で燃焼される液体を総称して「廃液」と呼ぶこともある。この意味での廃液には、油分を含む液体も含まれる。
固体としての廃棄物には、ゴミ、削りカス、切れ端などがある。
なお、プロセス排ガスの流量Ｑｐ［Ｎｍ３／ｈ］、廃油の流量ＱＨ［Ｎｍ３／ｈ］、廃液の流量ＱＤ［Ｎｍ３／ｈ］、炉内の酸素濃度ＸＯ［％］、炉内の温度Ｔ［℃］、炉壁の温度Ｔ［℃］は、炉の状態を表す変数（すなわち「状態変数」）の一例である。ここでの状態変数は、特許請求の範囲における「状態情報」の一例である。
因みに、状態変数としての廃棄物の重さは［ｔｏｎ／ｈ］で表される。
各流量は流量計により、酸素濃度は酸素濃度計により、温度は温度センサにより、重さは重量計により、それぞれリアルタイムで測定される。
因みに、状態変数としての廃棄物の重さは［ｔｏｎ／ｈ］で表される。
各流量は流量計により、酸素濃度は酸素濃度計により、温度は温度センサにより、重さは重量計により、それぞれリアルタイムで測定される。
排出ガスは、燃焼炉１０で燃焼される物質によって異なるが、例えばＣＯ、ＣＯ２、ＮＯｘ、ＳＯｘ、煤塵、ダイオキシン、未燃焼の燃料ガス、温室効果ガス、炭化水素ガス等である。本実施の形態では、排出ガスに含まれる特定のガス成分を「特定ガス」という。
この他、燃焼反応の結果を表す情報には、火炎輻射量［Ｗ／ｍ２］、被加熱物の表面温度Ｔ［℃］もある。例えば排出ガスの濃度、火炎輻射量、被加熱物の表面温度は、目的変数の一例である。この他、目的変数には、被加熱効率［％］もある。
この他、燃焼反応の結果を表す情報には、火炎輻射量［Ｗ／ｍ２］、被加熱物の表面温度Ｔ［℃］もある。例えば排出ガスの濃度、火炎輻射量、被加熱物の表面温度は、目的変数の一例である。この他、目的変数には、被加熱効率［％］もある。
濃度は濃度計により、火炎輻射量と被加熱効率は計算により、表面温度は温度センサにより、それぞれリアルタイムで測定される。被加熱効率は、例えば燃焼炉１０に投入された熱量と被加熱物の表面温度を用いて計算される。
もっとも、本実施の形態で想定する燃焼炉１０に限ると、被加熱物は存在しない。このため、被加熱物の表面温度の測定は、燃焼炉１０を加熱炉又は溶融炉として使用する場合に実行する。被加熱物には、例えばガラス、鉄、酸化アルミニウム、灰がある。
もっとも、本実施の形態で想定する燃焼炉１０に限ると、被加熱物は存在しない。このため、被加熱物の表面温度の測定は、燃焼炉１０を加熱炉又は溶融炉として使用する場合に実行する。被加熱物には、例えばガラス、鉄、酸化アルミニウム、灰がある。
＜装置構成＞
図２は、予測モデル生成装置２０の構成例を説明する図である。
予測モデル生成装置２０は、装置全体の動作を制御するプロセッサ２０１と、ＢＩＯＳ等が記録されたＲＯＭ２０２と、プロセッサ２０１のワークエリアとして用いられるＲＡＭ２０３と、各種のデータを記録する補助記憶装置２０４と、燃焼炉１０（図１参照）の各部に設置されたセンサと通信する通信インタフェース２０５とを有している。なお、プロセッサ２０１と他の処理部は、バスその他の信号線２０６を通じて相互に接続されている。
図２は、予測モデル生成装置２０の構成例を説明する図である。
予測モデル生成装置２０は、装置全体の動作を制御するプロセッサ２０１と、ＢＩＯＳ等が記録されたＲＯＭ２０２と、プロセッサ２０１のワークエリアとして用いられるＲＡＭ２０３と、各種のデータを記録する補助記憶装置２０４と、燃焼炉１０（図１参照）の各部に設置されたセンサと通信する通信インタフェース２０５とを有している。なお、プロセッサ２０１と他の処理部は、バスその他の信号線２０６を通じて相互に接続されている。
プロセッサ２０１と、ＲＯＭ２０２と、ＲＡＭ２０３は、いわゆるコンピュータとして機能する。すなわち、予測モデル生成装置２０は、例えばサーバ、デスクトップ型のコンピュータ、ノート型のコンピュータで構成される。
プロセッサ２０１は、プログラムの実行を通じて各種の機能を実現する。
プロセッサ２０１は、プログラムの実行を通じて各種の機能を実現する。
本実施の形態では、プログラムの１つとして、制御変数と、状態情報と、目的変数の各測定値を教師データとして使用して、制御変数と状態情報を入力として与えた場合に目的変数の予測値を出力する予測モデルを生成するプログラムを想定する。
他のプログラムの１つとして、燃焼炉１０の各部に設けたセンサから取得される制御変数と状態情報の各測定値を予測モデルに入力して、目的変数の予測値を出力するプログラムを想定する。
他のプログラムの１つとして、燃焼炉１０の各部に設けたセンサから取得される制御変数と状態情報の各測定値を予測モデルに入力して、目的変数の予測値を出力するプログラムを想定する。
補助記憶装置２０４は、例えばハードディスク装置や半導体メモリである。本実施の形態における補助記憶装置２０４には、生成された予測モデル２０４Ａが記憶される。ここでの予測モデル２０４Ａは、いわゆる学習モデルの一例である。従って、予測モデル２０４Ａを生成する予測モデル生成装置２０は、「学習モデル生成装置」の一例である。
＜予測モデルの生成処理＞
図３及び図４を参照して、排出ガスの濃度を予測する予測モデル２０４Ａ（図２参照）の生成処理について説明する。
図３は、実施の形態１における予測モデル２０４Ａの生成に使用する変数の一例を説明する図である。図３には、図１との対応部分に対応する符号を付して示している。図３に示すように、予測モデル２０４Ａの生成には、必ずしも図１に示した変数の全てを用いる必要はない。
図３及び図４を参照して、排出ガスの濃度を予測する予測モデル２０４Ａ（図２参照）の生成処理について説明する。
図３は、実施の形態１における予測モデル２０４Ａの生成に使用する変数の一例を説明する図である。図３には、図１との対応部分に対応する符号を付して示している。図３に示すように、予測モデル２０４Ａの生成には、必ずしも図１に示した変数の全てを用いる必要はない。
燃焼炉１０に投入される都市ガスの流量は、バルブ１０１の開度により調整される。
燃焼炉１０に投入される空気の流量は、バルブ１０２の開度により調整される。
廃液槽１０３から燃焼炉１０には廃液が投入される。図３の場合、廃液槽１０３と燃焼炉１０の間には流量を調整するバルブは設けられていない。このため、廃液槽１０３から燃焼炉１０に投入される廃液の流量は常に変動する。もっとも、バルブの設置を妨げるものではない。
なお、図３では、廃液槽１０３から燃焼炉１０に廃液が投入されているが、プロセスの各工程で発生される廃液を燃焼炉１０に直接投入してもよい。
燃焼炉１０に投入される空気の流量は、バルブ１０２の開度により調整される。
廃液槽１０３から燃焼炉１０には廃液が投入される。図３の場合、廃液槽１０３と燃焼炉１０の間には流量を調整するバルブは設けられていない。このため、廃液槽１０３から燃焼炉１０に投入される廃液の流量は常に変動する。もっとも、バルブの設置を妨げるものではない。
なお、図３では、廃液槽１０３から燃焼炉１０に廃液が投入されているが、プロセスの各工程で発生される廃液を燃焼炉１０に直接投入してもよい。
生産ライン等１０４から燃焼炉１０には廃液やプロセス排ガスが投入される。なお、廃液とプロセス排ガスの両方が燃焼炉１０に投入される必要はなく、いずれか一方だけが燃焼炉１０に投入されてもよい。ここでの廃液やプロセス排ガスの流量も常に変動する。
燃焼炉１０では、炉内に投入された都市ガス、空気、廃液、プロセス排ガスが燃焼され、排出ガスが排出される。燃焼炉１０内の燃焼反応は、炉内の温度や炉壁の温度の影響を受ける。炉内の温度や炉壁の温度も時々刻々と変化する。
なお、廃液槽１０３や生産ライン等１０４は、特許請求の範囲における「他の設備」の一例である。
燃焼炉１０では、炉内に投入された都市ガス、空気、廃液、プロセス排ガスが燃焼され、排出ガスが排出される。燃焼炉１０内の燃焼反応は、炉内の温度や炉壁の温度の影響を受ける。炉内の温度や炉壁の温度も時々刻々と変化する。
なお、廃液槽１０３や生産ライン等１０４は、特許請求の範囲における「他の設備」の一例である。
図４は、排出ガスの濃度を予測値とする予測モデルの生成手順を説明するフローチャートである。図中に示す記号のＳはステップを意味する。図４に示す生成手順は、学習モデル生成方法の一例である。
なお、図４に示す生成手順は、プロセッサ２０１（図２参照）によるプログラムの実行を通じて実現される。
なお、図４に示す生成手順は、プロセッサ２０１（図２参照）によるプログラムの実行を通じて実現される。
まず、プロセッサ２０１は、教師データを取得する（ステップ１）。ここでの教師データは、制御変数としての燃料（例えば都市ガスと空気）の投入量と、炉の状態情報（例えば廃液の流量、プロセス排ガスの流量、炉内の温度、炉壁の温度）と、投入量と状態情報に対応する目的変数（例えば排出ガスの濃度）の測定値として与えられる。
次に、プロセッサ２０１は、教師データを学習する（ステップ２）。具体的には、プロセッサ２０１は、制御変数と炉の状態情報を入力層に入力すると、出力層から目的変数の予測値が出力されるように中間層のパラメータの学習を進める。
１つの教師データについて学習が実行されると、プロセッサ２０１は、未処理の教師データがあるか否かを判定する（ステップ３）。
１つの教師データについて学習が実行されると、プロセッサ２０１は、未処理の教師データがあるか否かを判定する（ステップ３）。
未処理の教師データがある場合、ステップ３で肯定結果が得られる。この場合、プロセッサ２０１は、ステップ１に戻り、未処理の教師データの１つが学習用に選択される。
なお、未処理の教師データがない場合、ステップ３で否定結果が得られる。この場合、プロセッサ２０１は、予測モデル２０４Ａ（図２参照）の生成処理を終了する。この結果、都市ガスの流量、空気の流量、廃液の流量、被燃焼物の量、プロセス排ガスの流量、炉内の温度、炉壁の温度を入力とし、排出ガスの濃度の予測値を出力とする予測モデル２０４Ａが生成される。
なお、未処理の教師データがない場合、ステップ３で否定結果が得られる。この場合、プロセッサ２０１は、予測モデル２０４Ａ（図２参照）の生成処理を終了する。この結果、都市ガスの流量、空気の流量、廃液の流量、被燃焼物の量、プロセス排ガスの流量、炉内の温度、炉壁の温度を入力とし、排出ガスの濃度の予測値を出力とする予測モデル２０４Ａが生成される。
＜予測値の出力＞
図５は、予測モデル２０４Ａ（図２参照）を用いる排出ガスの濃度の予測機能を説明する図である。この予測機能も、プロセッサ２０１によるプログラムの実行を通じて実現される。図５に示す予測部２１０の機能は、特許請求の範囲における「燃焼予測装置」の一例である。
プロセッサ２０１によるプログラムの実行を通じて実現される排出ガスの濃度の予測部２１０は、燃焼炉１０で測定された燃料ガスの投入量と状態情報（廃液の投入量等）の現在値を入力する。
図５は、予測モデル２０４Ａ（図２参照）を用いる排出ガスの濃度の予測機能を説明する図である。この予測機能も、プロセッサ２０１によるプログラムの実行を通じて実現される。図５に示す予測部２１０の機能は、特許請求の範囲における「燃焼予測装置」の一例である。
プロセッサ２０１によるプログラムの実行を通じて実現される排出ガスの濃度の予測部２１０は、燃焼炉１０で測定された燃料ガスの投入量と状態情報（廃液の投入量等）の現在値を入力する。
本実施の形態における予測部２１０は、入力された現在値を予測モデルに与え、排出ガスの濃度の予測値を出力する。この予測部２１０による予測動作は、燃焼予測方法の一例である。
なお、予測モデル２０４Ａは補助記憶装置２０４に記憶されている。
なお、予測モデル２０４Ａは補助記憶装置２０４に記憶されている。
＜実施の形態１のまとめ＞
本実施の形態で説明した予測モデル２０４Ａを用いれば、燃焼炉１０内に投入される廃棄物（プロセス排ガス、廃油、廃液）の量や種類が排出源の都合で常に変動する場合でも、燃焼炉１０から排出される排出ガスの濃度（目的変数）をリアルタイムで高い精度で予測することが可能になる。
なお、予測モデル２０４Ａの学習には、燃料（都市ガスと空気）の投入量と、炉の状態情報（プロセス排ガス、廃液）の投入量と、各値の投入時に排出された排出ガスの濃度（目的変数）の測定値が教師データとして使用される。この予測モデル２０４Ａに、燃料（都市ガスと空気）の投入量と炉の状態情報（プロセス排ガス、廃液）の投入量を入力すると、燃焼炉１０から排出される排出ガスの濃度が予測値として出力される。
本実施の形態で説明した予測モデル２０４Ａを用いれば、燃焼炉１０内に投入される廃棄物（プロセス排ガス、廃油、廃液）の量や種類が排出源の都合で常に変動する場合でも、燃焼炉１０から排出される排出ガスの濃度（目的変数）をリアルタイムで高い精度で予測することが可能になる。
なお、予測モデル２０４Ａの学習には、燃料（都市ガスと空気）の投入量と、炉の状態情報（プロセス排ガス、廃液）の投入量と、各値の投入時に排出された排出ガスの濃度（目的変数）の測定値が教師データとして使用される。この予測モデル２０４Ａに、燃料（都市ガスと空気）の投入量と炉の状態情報（プロセス排ガス、廃液）の投入量を入力すると、燃焼炉１０から排出される排出ガスの濃度が予測値として出力される。
なお、本実施の形態では、予測モデル２０４Ａを使用して、燃焼炉１０から排出される排出ガスの濃度を予測しているが、燃焼炉１０内の火炎輻射量を予想してもよいし、燃焼炉１０内で加熱される被加熱物の表面温度を予想してもよい。また、燃焼炉１０の燃焼効率を予測してもよい。
また、予想する物理量は１つに限らず、排出ガスの濃度、火炎輻射量、被加熱物の表面温度のうちの任意の２つ又は３つ全てを一度に予想してもよい。その場合には、これら複数の物理量を予測値として出力するように予測モデル２０４Ａを学習させる。
また、予想する物理量は１つに限らず、排出ガスの濃度、火炎輻射量、被加熱物の表面温度のうちの任意の２つ又は３つ全てを一度に予想してもよい。その場合には、これら複数の物理量を予測値として出力するように予測モデル２０４Ａを学習させる。
また、図３の説明では、状態変数として廃棄物の投入量と炉内の温度、炉壁の温度を想定しているが、状態変数には炉内の酸素濃度を含めてもよい。
ところで、廃棄物の投入量は、プロセス排ガスと廃液と廃油の３つ全てである必要はなく、これらのうちの少なくとも１つに着目してもよい。換言すると、燃焼炉１０は、プロセス排ガスと廃液と廃油のうち任意の１つ又は複数の投入を想定してもよい。
また、本実施の形態では、制御変数として都市ガスと空気の投入量を想定しているが、前述したように、都市ガス以外の燃料ガスが燃焼炉１０に投入される場合にも応用が可能である。
ところで、廃棄物の投入量は、プロセス排ガスと廃液と廃油の３つ全てである必要はなく、これらのうちの少なくとも１つに着目してもよい。換言すると、燃焼炉１０は、プロセス排ガスと廃液と廃油のうち任意の１つ又は複数の投入を想定してもよい。
また、本実施の形態では、制御変数として都市ガスと空気の投入量を想定しているが、前述したように、都市ガス以外の燃料ガスが燃焼炉１０に投入される場合にも応用が可能である。
＜実施の形態２＞
＜原因物質の含有量に着目する学習＞
ここでは、実施の形態２に係る技術を説明するために、燃焼炉１０から排出されるＣＯガスの濃度を予測する場合について説明する。
燃焼炉１０からＣＯガスが発生するメカニズムには、以下のメカニズム１及び２が考えられる。
＜原因物質の含有量に着目する学習＞
ここでは、実施の形態２に係る技術を説明するために、燃焼炉１０から排出されるＣＯガスの濃度を予測する場合について説明する。
燃焼炉１０からＣＯガスが発生するメカニズムには、以下のメカニズム１及び２が考えられる。
・メカニズム１：
燃焼炉１０内に投入される霧状の廃液により火炎が冷却され、ＣＯ２を生成する酸化反応が途中で凍結し、ＣＯとして排出される。
・メカニズム２：
Ｃ分を多く含む廃液が大量に投入された結果、一部のＣ分が完全燃焼せず、ＣＯとして排出される。ここでのＣ分は、ＣＯの原因物質である。
燃焼炉１０内に投入される霧状の廃液により火炎が冷却され、ＣＯ２を生成する酸化反応が途中で凍結し、ＣＯとして排出される。
・メカニズム２：
Ｃ分を多く含む廃液が大量に投入された結果、一部のＣ分が完全燃焼せず、ＣＯとして排出される。ここでのＣ分は、ＣＯの原因物質である。
本実施の形態は、メカニズム２に着目する。
廃液全体の投入量は同じでも、Ｃ分を多く含む廃液を燃焼する場合と、Ｃ分をほとんど含まない廃液を燃焼する場合とでは、燃焼炉１０から排出されるＣＯの濃度が異なる。
そこで、本実施の形態では、廃液等の投入量に加え、排出ガスの原因物資であるＣ分の濃度や粘度の情報を、予測モデル２０４Ａの学習に使用する。因みに、Ｃ分の含有量が多い廃液の粘度は高く、Ｃ分の含有量が少ない廃液の粘度は低いので、粘度が分かると、廃液に含まれるＣ分の含有量を特定することができる。
廃液全体の投入量は同じでも、Ｃ分を多く含む廃液を燃焼する場合と、Ｃ分をほとんど含まない廃液を燃焼する場合とでは、燃焼炉１０から排出されるＣＯの濃度が異なる。
そこで、本実施の形態では、廃液等の投入量に加え、排出ガスの原因物資であるＣ分の濃度や粘度の情報を、予測モデル２０４Ａの学習に使用する。因みに、Ｃ分の含有量が多い廃液の粘度は高く、Ｃ分の含有量が少ない廃液の粘度は低いので、粘度が分かると、廃液に含まれるＣ分の含有量を特定することができる。
＜予測モデルの生成処理１＞
図６は、生成処理１における予測モデル２０４Ａ（図２参照）の生成に使用する変数の一例を説明する図である。図６には、図３との対応部分に対応する符号を付して示している。図６の場合、教師データには、廃液等の投入量だけでなく、廃液等に含まれるＣ分の濃度や廃液等の粘度の測定値が含まれる。ここでの濃度や粘度の測定値は、リアルタイム値である。
図６は、生成処理１における予測モデル２０４Ａ（図２参照）の生成に使用する変数の一例を説明する図である。図６には、図３との対応部分に対応する符号を付して示している。図６の場合、教師データには、廃液等の投入量だけでなく、廃液等に含まれるＣ分の濃度や廃液等の粘度の測定値が含まれる。ここでの濃度や粘度の測定値は、リアルタイム値である。
生成処理１では、各時点で投入される廃液等に含まれるＣ分の含有量の違いを予測モデルの学習に反映する。
具体的には、ＣＯガスの原因物質であるＣ分の含有量の違い別に教師データを用意し、用意された教師データを用いてＣ分の含有量別の予測モデルを学習する。このようにＣ分の含有量別の予測モデルを用意することにより、廃液等の投入量だけに着目する予測モデルよりも、ＣＯガスの濃度の予測精度の向上が期待される。
具体的には、ＣＯガスの原因物質であるＣ分の含有量の違い別に教師データを用意し、用意された教師データを用いてＣ分の含有量別の予測モデルを学習する。このようにＣ分の含有量別の予測モデルを用意することにより、廃液等の投入量だけに着目する予測モデルよりも、ＣＯガスの濃度の予測精度の向上が期待される。
なお、燃焼炉１０に投入されるＣ分の含有量は、時間により変化する場合と時間によらず一定の場合がある。
Ｃ分の含有量の時間変化は、例えば排出源単位で廃液に含まれるＣ分の濃度等が時間で変化する場合に生じる。このようにＣ分の含有量が時間変化する場合には、各時点におけるＣ分の含有量に応じて予測モデルを切り替える方が、投入量だけで学習した予測モデルを使用する場合よりも、各時点に排出されるＣＯガスの濃度の予測精度が向上する。
Ｃ分の含有量の時間変化は、例えば排出源単位で廃液に含まれるＣ分の濃度等が時間で変化する場合に生じる。このようにＣ分の含有量が時間変化する場合には、各時点におけるＣ分の含有量に応じて予測モデルを切り替える方が、投入量だけで学習した予測モデルを使用する場合よりも、各時点に排出されるＣＯガスの濃度の予測精度が向上する。
Ｃ分の濃度等が時間によらず一定の場合でも、Ｃ分の含有量がＣ１の廃液等を燃焼するＡ社の燃焼炉１０と、Ｃ分の含有量がＣ２の廃液等を燃焼するＢ社の燃焼炉１０とでは、廃液等の投入量が同じでもＣＯガスの濃度は異なる。
そこで、Ａ社の燃焼炉１０には含有量Ｃ１で学習した予測モデルを使用し、Ｂ社の燃焼炉１０には含有量Ｃ２で学習した予測モデルを使用することにより、投入量だけで学習した予測モデルを使用する場合よりも、各時点に排出されるＣＯガスの濃度の予測精度が向上する。
そこで、Ａ社の燃焼炉１０には含有量Ｃ１で学習した予測モデルを使用し、Ｂ社の燃焼炉１０には含有量Ｃ２で学習した予測モデルを使用することにより、投入量だけで学習した予測モデルを使用する場合よりも、各時点に排出されるＣＯガスの濃度の予測精度が向上する。
かくして、生成処理１では、予測モデル２０４Ａの学習に使用する教師データとして、燃料（都市ガスと空気）の投入量と、炉の状態情報（プロセス排ガス、廃液）の投入量と、排出ガスの原因物質であるＣ分の廃液中の濃度と、各値の投入時に排出された排出ガスの濃度（目的変数）の測定値を使用する。
なお、教師データには、Ｃ分の廃液中の濃度に代えて廃液の粘度を用いてもよいし、Ｃ分の廃液中の濃度と廃液の粘度の両方を用いてもよい。
また、プロセス排ガス中のＣ分の濃度を教師データに含めてもよい。
なお、教師データには、Ｃ分の廃液中の濃度に代えて廃液の粘度を用いてもよいし、Ｃ分の廃液中の濃度と廃液の粘度の両方を用いてもよい。
また、プロセス排ガス中のＣ分の濃度を教師データに含めてもよい。
＜予測モデルの生成処理２＞
図７は、生成処理２における予測モデル２０４Ａ（図２参照）の生成に使用する変数の他の例を説明する図である。図７には、図６との対応部分に対応する符号を付して示している。
図７の場合、廃液等に含まれるＣ分の濃度や粘度の各時点の測定値に代えてＣ分の累計量（時間積分値）を教師データに含める。Ｃ分の累計量は、例えば各時点のＣ分量（＝投入量×濃度）の時間積分値として計算される。
図７は、生成処理２における予測モデル２０４Ａ（図２参照）の生成に使用する変数の他の例を説明する図である。図７には、図６との対応部分に対応する符号を付して示している。
図７の場合、廃液等に含まれるＣ分の濃度や粘度の各時点の測定値に代えてＣ分の累計量（時間積分値）を教師データに含める。Ｃ分の累計量は、例えば各時点のＣ分量（＝投入量×濃度）の時間積分値として計算される。
生成処理２では、燃焼炉１０に投入されたＣ分の累積量が大きい場合に、廃液等に含まれるＣ分の含有量の一時的な増減がＣＯガスの濃度の変化に現れない状況の他、燃焼炉１０に投入されたＣ分の累積量が小さい場合に、廃液等に含まれるＣ分の含有量の一時的な増減がＣＯガスの濃度の変化に即座に反映する状況を想定する。
このような場合には、図７に示すように、Ｃ分の累積量を教師データに含めることが求められる。
このような場合には、図７に示すように、Ｃ分の累積量を教師データに含めることが求められる。
かくして、生成処理２では、予測モデル２０４Ａの学習に使用する教師データとして、燃料（都市ガスと空気）の投入量と、炉の状態情報（プロセス排ガス、廃液）の投入量と、排出ガスの原因物質であるＣ分の廃液中の累計量と、各値の投入時に排出された排出ガスの濃度（目的変数）の測定値を使用する。
なお、Ｃ分の含有量を表す情報として廃液の粘度が与えられる場合には、Ｃ分の累積量を、各時点のＣ分量（＝α×投入量×粘度）の時間積分値で計算する。αは係数である。
この他、燃焼炉１０に投入されたプロセス排ガスに由来のＣ分の累積量を教師データに含めてもよい。
なお、Ｃ分の含有量を表す情報として廃液の粘度が与えられる場合には、Ｃ分の累積量を、各時点のＣ分量（＝α×投入量×粘度）の時間積分値で計算する。αは係数である。
この他、燃焼炉１０に投入されたプロセス排ガスに由来のＣ分の累積量を教師データに含めてもよい。
＜実施の形態２のまとめ＞
本実施の形態で説明した予測モデル２０４Ａを用いれば、燃焼炉１０内に投入される廃棄物（プロセス排ガス、廃油、廃液）中に含まれる特定ガス（すなわちＣＯ）の原因物質の濃度等の違いや濃度等の時間変化によらず、燃焼炉１０から排出される排出ガスの濃度（目的変数）をリアルタイムで高い精度で予測することが可能になる。
因みに、予測モデル２０４Ａの学習には、廃液等に含まれる原因物資の濃度と粘度の両方を用いてもよい。
本実施の形態で説明した予測モデル２０４Ａを用いれば、燃焼炉１０内に投入される廃棄物（プロセス排ガス、廃油、廃液）中に含まれる特定ガス（すなわちＣＯ）の原因物質の濃度等の違いや濃度等の時間変化によらず、燃焼炉１０から排出される排出ガスの濃度（目的変数）をリアルタイムで高い精度で予測することが可能になる。
因みに、予測モデル２０４Ａの学習には、廃液等に含まれる原因物資の濃度と粘度の両方を用いてもよい。
なお、図６及び図７の説明では、排出ガス中に含まれる特定ガスをＣＯとし、その原因物質としてＣ分を想定しているが、特定ガスとしてＮＯｘを想定する場合には、その原因物質として窒化物を考慮すればよい。また、特定ガスとしてＳＯｘを想定する場合には、その原因物質として硫化物を考慮すればよい。また、特定ガスとしてダイオキシンを想定する場合には、その原因物質として塩素化合物と芳香族化合物を考慮すればよい。
因みに、廃液等に含まれる原因物質の含有量別の予測モデル２０４Ａの生成には、後述する図９～図１１と同様の手法を適用すればよい。
また、排出ガスの濃度の予測には、後述する図１２と同様の手法を適用すればよい。すなわち、現在の廃液等に含まれる原因物質の含有量に応じ、排出ガスの濃度の予測に使用する予測モデル２０４Ａを切り替えればよい。
また、排出ガスの濃度の予測には、後述する図１２と同様の手法を適用すればよい。すなわち、現在の廃液等に含まれる原因物質の含有量に応じ、排出ガスの濃度の予測に使用する予測モデル２０４Ａを切り替えればよい。
＜実施の形態３＞
＜廃棄物の内容の組み合わせの違いに着目する学習＞
ここでは、時間の経過とともに、燃焼炉１０に投入される廃棄物の内容の組み合わせが変化する場合について説明する。
前述した実施の形態では、燃焼炉１０に投入される廃棄物の内容の組み合わせが一定の場合を想定している。
しかし、前述した廃油と、廃液と、プロセス排ガスの３つが常に同時に投入されるとは限らない。
＜廃棄物の内容の組み合わせの違いに着目する学習＞
ここでは、時間の経過とともに、燃焼炉１０に投入される廃棄物の内容の組み合わせが変化する場合について説明する。
前述した実施の形態では、燃焼炉１０に投入される廃棄物の内容の組み合わせが一定の場合を想定している。
しかし、前述した廃油と、廃液と、プロセス排ガスの３つが常に同時に投入されるとは限らない。
図８は、１つの燃焼炉１０において想定される燃焼パターンを説明する図表である。図８では、燃焼炉１０で燃焼される被燃焼物として、燃料と廃棄物を想定している。また、廃棄物として、廃液、廃油、被焼却物、プロセス排ガスを想定している。
もっとも、図８に示す廃棄物は一例であり、これらの全てを１つの燃焼炉１０で燃焼しなくてもよい。
もっとも、図８に示す廃棄物は一例であり、これらの全てを１つの燃焼炉１０で燃焼しなくてもよい。
・パターン＃１：
燃料（都市ガスと空気）だけが投入される期間
・パターン＃２：
廃液だけが投入される期間
・パターン＃３：
廃油だけが投入される期間
・パターン＃４：
被焼却物だけが投入される期間
・パターン＃５：
プロセス排ガスだけが投入される期間
・パターン＃６～＃１５：
燃料、廃液、廃油、被焼却物、プロセス排ガスのうちの任意の２つだけが投入される期間
・パターン＃１６～＃２５：
燃料、廃液、廃油、被焼却物、プロセス排ガスのうちの任意の３つだけが投入される期間
・パターン＃２６～＃３０：
燃料、廃液、廃油、被焼却物、プロセス排ガスのうちの任意の４つだけが投入される期間
・パターン＃３１：
燃料、廃液、廃油、被焼却物、プロセス排ガスの全部が投入される期間
燃料（都市ガスと空気）だけが投入される期間
・パターン＃２：
廃液だけが投入される期間
・パターン＃３：
廃油だけが投入される期間
・パターン＃４：
被焼却物だけが投入される期間
・パターン＃５：
プロセス排ガスだけが投入される期間
・パターン＃６～＃１５：
燃料、廃液、廃油、被焼却物、プロセス排ガスのうちの任意の２つだけが投入される期間
・パターン＃１６～＃２５：
燃料、廃液、廃油、被焼却物、プロセス排ガスのうちの任意の３つだけが投入される期間
・パターン＃２６～＃３０：
燃料、廃液、廃油、被焼却物、プロセス排ガスのうちの任意の４つだけが投入される期間
・パターン＃３１：
燃料、廃液、廃油、被焼却物、プロセス排ガスの全部が投入される期間
本実施の形態では、これらのパターン別（期間別）に予測モデル２０４Ａ（図２参照）を生成し、燃焼炉１０に投入される被燃焼物の組み合わせに応じて、排出ガスの濃度の予測に使用する予測モデル２０４Ａを切り替えることで予測精度の向上を図る。
＜被燃焼物の組み合わせに応じた予測モデルの生成処理＞
以下では、図９～図１１を用いて、実施の形態３における予測モデル２０４Ａの生成処理を説明する。
図９は、実施の形態３における予測モデル２０４Ａの生成処理を説明する図である。
プロセッサ２０１は、被燃焼物の組み合わせ別に教師データを分類する（ステップ１１）。プロセッサ２０１は、例えば被燃焼物として想定する各流路別に設けたセンサからの情報により、各時点に燃焼炉１０に投入されている被燃焼物の組み合わせ別に教師データを分類する。
以下では、図９～図１１を用いて、実施の形態３における予測モデル２０４Ａの生成処理を説明する。
図９は、実施の形態３における予測モデル２０４Ａの生成処理を説明する図である。
プロセッサ２０１は、被燃焼物の組み合わせ別に教師データを分類する（ステップ１１）。プロセッサ２０１は、例えば被燃焼物として想定する各流路別に設けたセンサからの情報により、各時点に燃焼炉１０に投入されている被燃焼物の組み合わせ別に教師データを分類する。
図１０は、教師データの分類機能を説明する図である。プロセッサ２０１によるプログラムの実行を通じて実現される教師データの取得部２１１には、分類機能が付属している。実施の形態３では、分類機能を有効化し、各時点における測定値等を被燃焼物の組み合わせ別の教師データに分類する。
例えば現在の組み合わせがパターン＃１の場合、取得部２１１は、例えば炉内の温度、炉壁の温度、炉内の酸素濃度、都市ガスの流量、空気の流量、排出ガスの濃度を、パターン＃１用の教師データに分類する。これにより、取得部２１１は、３１種類の教師データを生成する。
例えば現在の組み合わせがパターン＃１の場合、取得部２１１は、例えば炉内の温度、炉壁の温度、炉内の酸素濃度、都市ガスの流量、空気の流量、排出ガスの濃度を、パターン＃１用の教師データに分類する。これにより、取得部２１１は、３１種類の教師データを生成する。
図９の説明に戻る。教師データの分類が終わると、プロセッサ２０１は、分類後の教師データを用いて、各分類に対応する予測モデルを生成する（ステップ１２）。
図１１は、分類後の教師データを用いて各パターンに対応する専用の予測モデルの学習機能を説明する図である。図１１に示す学習部２１２は、被燃焼物の組み合わせ別の教師データを用いて予測モデルを学習させることにより、各組み合わせに対応する専用の予測モデルを生成する。本実施の形態では、３１種類の予測モデルが生成される。
図１１は、分類後の教師データを用いて各パターンに対応する専用の予測モデルの学習機能を説明する図である。図１１に示す学習部２１２は、被燃焼物の組み合わせ別の教師データを用いて予測モデルを学習させることにより、各組み合わせに対応する専用の予測モデルを生成する。本実施の形態では、３１種類の予測モデルが生成される。
＜予測値の出力＞
図１２は、実施の形態３における予測値の予測処理を説明する図である。
プロセッサ２０１によるプログラムの実行を通じて実現される排出ガスの濃度の予測部２１３は、燃焼炉１０で測定された各部の現在値と、現在の組み合わせのパターンの情報を取得する。
なお、現在の組み合わせのパターンは、プロセッサ２０１が、例えば燃焼炉１０で測定された各部の現在値の解析により決定する。
図１２は、実施の形態３における予測値の予測処理を説明する図である。
プロセッサ２０１によるプログラムの実行を通じて実現される排出ガスの濃度の予測部２１３は、燃焼炉１０で測定された各部の現在値と、現在の組み合わせのパターンの情報を取得する。
なお、現在の組み合わせのパターンは、プロセッサ２０１が、例えば燃焼炉１０で測定された各部の現在値の解析により決定する。
本実施の形態における予測部２１３は、現在の組み合わせのパターンに対応する専用の予測モデルに燃焼炉１０で測定された各部の現在値を入力として与え、排出ガスの濃度の予測値を出力する。例えば現在の組み合わせのパターンがパターン＃２の場合、予測部２１３は、パターン＃２に対応する専用の予測モデルを選択し、排出ガスの濃度の予測に使用する。
なお、予測モデル＃１～＃３１は補助記憶装置２０４に記憶されている。
なお、予測モデル＃１～＃３１は補助記憶装置２０４に記憶されている。
＜実施の形態３のまとめ＞
本実施の形態によれば、時間の経過に伴って燃焼炉１０に投入される被燃焼物の内容の組み合わせが変化する場合に、前述した他の実施の形態に比して、排出ガスの濃度の予測精度を向上させることができる。
換言すると、被燃焼物の内容の組み合わせに応じて学習した専用の予測モデルを用意することで、汎用性の高い予測モデルを使用して排出ガスの濃度を予測する場合よりも予測の精度を高めることができる。
本実施の形態によれば、時間の経過に伴って燃焼炉１０に投入される被燃焼物の内容の組み合わせが変化する場合に、前述した他の実施の形態に比して、排出ガスの濃度の予測精度を向上させることができる。
換言すると、被燃焼物の内容の組み合わせに応じて学習した専用の予測モデルを用意することで、汎用性の高い予測モデルを使用して排出ガスの濃度を予測する場合よりも予測の精度を高めることができる。
＜実施の形態４＞
＜被燃焼物の投入に使用するノズルの数と取付位置の違いに着目する学習＞
燃焼炉１０（図１参照）の配管構造は、被燃焼物の違いや現場の制約等により異なることがある。本実施の形態では、廃棄物の投入に使用するノズルの数や位置の組み合わせの違いに着目する。
＜被燃焼物の投入に使用するノズルの数と取付位置の違いに着目する学習＞
燃焼炉１０（図１参照）の配管構造は、被燃焼物の違いや現場の制約等により異なることがある。本実施の形態では、廃棄物の投入に使用するノズルの数や位置の組み合わせの違いに着目する。
なお、廃棄物の投入に使用するノズルの数や位置の組み合わせは構造上に依存する場合と燃焼中に変化する場合とがある。燃焼中にノズルの数や位置が変化する場合とは、例えば投入量が増えると、投入に使用するノズルの数を増やすが、投入量が減ると、投入に使用するノズルの数を減らす等である。
いずれにしても、燃料ガスや廃棄物等の投入に使用するノズルの数や位置の違いが廃棄物等の燃焼に影響を及ぼし、燃焼炉１０に対する投入量は同じでも排出ガスの濃度等が変化する可能性がある。
例えば１つのノズルを用いて廃液を投入する場合と２つのノズルを用いて廃液を投入する場合とでは投入量は同じでも、燃焼炉１０から排出される排出ガスの濃度等が異なる可能性がある。
また、各ノズルが燃焼炉１０の天井面に取り付けられる場合と各ノズルが燃焼炉１０の側面に取り付けられる場合とでは投入量は同じでも、燃焼炉１０から排出される排出ガスの濃度等が異なる可能性がある。
例えば１つのノズルを用いて廃液を投入する場合と２つのノズルを用いて廃液を投入する場合とでは投入量は同じでも、燃焼炉１０から排出される排出ガスの濃度等が異なる可能性がある。
また、各ノズルが燃焼炉１０の天井面に取り付けられる場合と各ノズルが燃焼炉１０の側面に取り付けられる場合とでは投入量は同じでも、燃焼炉１０から排出される排出ガスの濃度等が異なる可能性がある。
＜ノズルの数と配置のパターン例＞
図１３は、燃焼炉１０の天井部分に被燃焼物毎に１つのノズルが設けられる場合を説明する図である。図１３には、図７との対応部分に対応する符号を付して示している。なお、図１３における廃棄物は、廃液と廃油である。
図１３の場合、都市ガス用の１個のノズルと、空気用の１個のノズルと、廃液用の１個のノズルと、廃油用の１個のノズルの計４個が燃焼炉１０の天井に設けられる。
図１３は、燃焼炉１０の天井部分に被燃焼物毎に１つのノズルが設けられる場合を説明する図である。図１３には、図７との対応部分に対応する符号を付して示している。なお、図１３における廃棄物は、廃液と廃油である。
図１３の場合、都市ガス用の１個のノズルと、空気用の１個のノズルと、廃液用の１個のノズルと、廃油用の１個のノズルの計４個が燃焼炉１０の天井に設けられる。
図１４は、燃焼炉１０の天井部分に被燃焼物毎に２つのノズルが設けられる場合を説明する図である。図１４には、図７との対応部分に対応する符号を付して示している。図１４における廃棄物も廃液と廃油である。
図１４の場合、都市ガス用の２個のノズルと、空気用の２個のノズルと、廃液用の２個のノズルと、廃油用の２個のノズルの計８個が燃焼炉１０の天井に設けられる。
図１４の場合、都市ガス用の２個のノズルと、空気用の２個のノズルと、廃液用の２個のノズルと、廃油用の２個のノズルの計８個が燃焼炉１０の天井に設けられる。
図１５は、燃焼炉１０の天井部分と壁面部分に分散して被燃焼物毎に合計２つのノズルが設けられる場合の他の例を説明する図である。図１５には、図７との対応部分に対応する符号を付して示している。なお、図１５における廃棄物も廃液と廃油である。
図１５の場合、都市ガス用の１個のノズルと、空気用の１個のノズルと、廃液用の１個のノズルと、廃油用の１個のノズルの計４個が燃焼炉１０の天井に設けられ、都市ガス用の１個のノズルと、空気用の１個のノズルと、廃液用の１個のノズルと、廃油用の１個のノズルの計４個が燃焼炉１０の側面に設けられている。
図１５の場合、都市ガス用の１個のノズルと、空気用の１個のノズルと、廃液用の１個のノズルと、廃油用の１個のノズルの計４個が燃焼炉１０の天井に設けられ、都市ガス用の１個のノズルと、空気用の１個のノズルと、廃液用の１個のノズルと、廃油用の１個のノズルの計４個が燃焼炉１０の側面に設けられている。
なお、被燃焼物毎のノズルの数は３つ以上でもよいし、ノズルの取付位置は燃焼炉１０の底面側でもよい。また、側面に取り付けられるノズルも、天面に近い側に取り付けられる場合と底面に近い側に取り付けられる場合がある。また、１つの側面に複数のノズルが取り付けられる場合には、縦並びにノズルが配置される場合、横並びにノズルが配置される場合、対角線方向にノズルが配置される場合がある。また、２つの側面に複数のノズルが取り付けられる場合には、向かい合う２つの側面にノズルを取り付ける場合や隣り合う側面にノズルを取り付ける場合がある。
また、図１３～図１５の場合には、燃焼炉１０に投入される被燃焼物毎に同数のノズルが取り付けられる場合を説明したが、被燃焼物毎に取り付けるノズルの数が異なってもよい。例えば廃液の投入用には２つのノズルを用意し、廃油の投入用には１つのノズルを用意してもよい。
このように、燃焼炉１０に被燃焼物を噴出するノズルの数や取付位置の組み合わせは、燃焼炉１０の内容積や内部空間の形状の違いも考慮すると、多くのパターンに分類が可能である。
このように、燃焼炉１０に被燃焼物を噴出するノズルの数や取付位置の組み合わせは、燃焼炉１０の内容積や内部空間の形状の違いも考慮すると、多くのパターンに分類が可能である。
＜ノズルの数と取付位置の組み合わせに応じた予測モデルの生成処理＞
以下では、図１６～図１９を用いて、実施の形態４における予測モデルの生成処理を説明する。
図１６は、実施の形態４における予測モデル２０４Ａの生成処理を説明する図である。図１６には、図９との対応部分に対応する符号を付して示している。
以下では、図１６～図１９を用いて、実施の形態４における予測モデルの生成処理を説明する。
図１６は、実施の形態４における予測モデル２０４Ａの生成処理を説明する図である。図１６には、図９との対応部分に対応する符号を付して示している。
プロセッサ２０１は、被燃焼物の投入に使用するノズルの数と取付位置の組み合わせ別に教師データを分類する（ステップ２１）。プロセッサ２０１は、燃焼炉１０の構造に基づいて、燃焼炉１０から取得される測定値の分類先を決定する。
なお、作業者の操作等に応じ、被燃焼物の投入に使用されるノズルの数や取付位置が切り替えられる場合には、１つの燃焼炉１０について複数の教師データが生成される。
なお、作業者の操作等に応じ、被燃焼物の投入に使用されるノズルの数や取付位置が切り替えられる場合には、１つの燃焼炉１０について複数の教師データが生成される。
図１７は、教師データの分類機能を説明する図である。プロセッサ２０１によるプログラムの実行を通じて実現される教師データの取得部２１４には、分類機能が付属している。図１７における取得部２１４は、被燃焼物の投入に使用するノズルの数と取付位置に着目し、各時点における測定値等をノズルの数と取付位置の組み合わせ別の教師データに分類する。
図１６の説明に戻る。教師データの分類が終わると、プロセッサ２０１は、分類後の教師データを用いて、各分類に対応する予測モデルを生成する（ステップ１２）。
図１８は、分類後の教師データを用いて各パターンに対応する専用の予測モデルの学習機能を説明する図である。図１８に示す学習部２１５は、ノズルの数と取付位置の組み合わせ別の教師データを用いて予測モデルを学習させることにより、各組み合わせに対応する専用の予測モデルを生成する。
図１８は、分類後の教師データを用いて各パターンに対応する専用の予測モデルの学習機能を説明する図である。図１８に示す学習部２１５は、ノズルの数と取付位置の組み合わせ別の教師データを用いて予測モデルを学習させることにより、各組み合わせに対応する専用の予測モデルを生成する。
＜予測値の予測処理＞
図１９は、実施の形態４における予測値の予測処理を説明する図である。
プロセッサ２０１によるプログラムの実行を通じて実現される排出ガスの濃度の予測部２１６は、燃焼炉１０で測定された各部の現在値と、現在の組み合わせのパターンの情報を取得する。ただし、ここでの組み合わせのパターンは、被燃焼物の投入に使用するノズルの数と取付位置によって定まる点で、実施の形態３と相違する。
図１９は、実施の形態４における予測値の予測処理を説明する図である。
プロセッサ２０１によるプログラムの実行を通じて実現される排出ガスの濃度の予測部２１６は、燃焼炉１０で測定された各部の現在値と、現在の組み合わせのパターンの情報を取得する。ただし、ここでの組み合わせのパターンは、被燃焼物の投入に使用するノズルの数と取付位置によって定まる点で、実施の形態３と相違する。
本実施の形態における予測部２１６は、現在の組み合わせのパターンに対応する専用の予測モデルに燃焼炉１０で測定された各部の現在値を入力として与え、排出ガスの濃度の予測値を出力する。例えば現在の組み合わせのパターンがパターン＃２の場合、予測部２１６は、パターン＃２に対応する専用の予測モデルを選択し、排出ガスの濃度の予測に使用する。
なお、予測モデル＃１～＃Ｎは補助記憶装置２０４に記憶されている。
なお、予測モデル＃１～＃Ｎは補助記憶装置２０４に記憶されている。
＜実施の形態４のまとめ＞
本実施の形態によれば、被燃焼物の投入に使用するノズルの数と取付位置の組み合わせ別に専用の予測モデルを学習するため、ノズルの数と取付位置の違いを考慮しない場合に比して、排出ガスの濃度の予測精度を向上させることができる。
換言すると、ノズルの数と取付位置の組み合わせに応じて学習した専用の予測モデルを用意することで、汎用性の高い予測モデルを使用して排出ガスの濃度を予測する場合よりも予測の精度を高めることができる。
本実施の形態によれば、被燃焼物の投入に使用するノズルの数と取付位置の組み合わせ別に専用の予測モデルを学習するため、ノズルの数と取付位置の違いを考慮しない場合に比して、排出ガスの濃度の予測精度を向上させることができる。
換言すると、ノズルの数と取付位置の組み合わせに応じて学習した専用の予測モデルを用意することで、汎用性の高い予測モデルを使用して排出ガスの濃度を予測する場合よりも予測の精度を高めることができる。
＜実施の形態５＞
＜投入量の変化と排出ガスの濃度の変化とのタイムラグに着目する学習＞
燃焼炉１０によっては、燃料ガスや廃棄物等の投入量の変化が、燃焼炉１０から排出される排出ガスの濃度の変化として出現するまでのタイムラグを無視できない場合がある。タイムラグが大きい燃焼炉１０について、タイムラグを考慮せずに予測モデルを学習しても精度の高い予測結果が得られない可能性がある。
＜投入量の変化と排出ガスの濃度の変化とのタイムラグに着目する学習＞
燃焼炉１０によっては、燃料ガスや廃棄物等の投入量の変化が、燃焼炉１０から排出される排出ガスの濃度の変化として出現するまでのタイムラグを無視できない場合がある。タイムラグが大きい燃焼炉１０について、タイムラグを考慮せずに予測モデルを学習しても精度の高い予測結果が得られない可能性がある。
＜タイムラグを考慮した予測モデルの生成処理＞
以下では、図２０～図２２を用いて、実施の形態５における予測モデルの生成処理を説明する。
図２０は、実施の形態５における予測モデル２０４Ａ（図２参照）の生成処理を説明する図である。
プロセッサ２０１は、被燃焼物の投入量の変化が排出ガスの濃度に影響が現れるまでの時間差を取得する（ステップ３１）。
以下では、図２０～図２２を用いて、実施の形態５における予測モデルの生成処理を説明する。
図２０は、実施の形態５における予測モデル２０４Ａ（図２参照）の生成処理を説明する図である。
プロセッサ２０１は、被燃焼物の投入量の変化が排出ガスの濃度に影響が現れるまでの時間差を取得する（ステップ３１）。
次に、プロセッサ２０１は、ステップ３１で取得された時間差だけ異なる時刻の投入量と排出ガスの測定値を組み合わせて教師データを生成する（ステップ３２）。
ここでの教師データの決定の方法には、投入量の測定値を基準時刻（現在時刻）とする場合と排出ガスの測定値を基準時刻（現在時刻）とする場合が考えられる。
図２１は、基準時刻（現在時刻）に投入された被燃焼物の投入量等の測定値と基準時刻から一定時間後の排出ガスの濃度の測定値を教師データとする例を説明する図表である。図２１では、被燃焼物の投入量の変化が排出ガスの濃度の変化に現れるまでの時間差（タイムラグ）が３分の場合を想定している。言うまでもなく、３分は一例に過ぎない。
ここでの教師データの決定の方法には、投入量の測定値を基準時刻（現在時刻）とする場合と排出ガスの測定値を基準時刻（現在時刻）とする場合が考えられる。
図２１は、基準時刻（現在時刻）に投入された被燃焼物の投入量等の測定値と基準時刻から一定時間後の排出ガスの濃度の測定値を教師データとする例を説明する図表である。図２１では、被燃焼物の投入量の変化が排出ガスの濃度の変化に現れるまでの時間差（タイムラグ）が３分の場合を想定している。言うまでもなく、３分は一例に過ぎない。
図２１に示す図表は、各時点における燃料ガス（都市ガスと空気）の投入量と、状態情報（炉内温度、炉内酸素濃度、廃液の流量、プロセス排ガスの流量、廃棄物量、廃油の流量）と、排出ガスの濃度（ＣＯ濃度）の測定値を表している。
図２１の場合、「２０２２／４／１０：０１」が現在時刻である。この場合、現在時刻における燃料ガスの投入量と状態情報に対応付ける排出ガスの濃度は、現在時刻から３分後の「２０２２／４／１０：０４」の５０［ｐｐｍ］となる。すなわち、図２１において、着色した数値の関係を満たす測定値の組み合わせが教師データとして取得され、予測モデルの学習に使用される。
図２１の場合、「２０２２／４／１０：０１」が現在時刻である。この場合、現在時刻における燃料ガスの投入量と状態情報に対応付ける排出ガスの濃度は、現在時刻から３分後の「２０２２／４／１０：０４」の５０［ｐｐｍ］となる。すなわち、図２１において、着色した数値の関係を満たす測定値の組み合わせが教師データとして取得され、予測モデルの学習に使用される。
図２２は、基準時刻（現在時刻）における排出ガスの濃度の測定値と基準時刻から一定時間前に投入された被燃焼物の投入量等の測定値を教師データとする例を説明する図表である。図２２の場合も、被燃焼物の投入量の変化が排出ガスの濃度の変化に現れるまでの時間差（タイムラグ）が３分の場合を想定している。
ただし、図２２の場合には、排出ガスの濃度の測定値が得られた時刻を基準時刻（現在時刻）とし、対応付ける燃料ガス（都市ガスと空気）の投入量と、状態情報（炉内温度、炉内山荘濃度、廃液の流量、プロセス排ガスの流量、廃棄物量、廃油の流量）と、排出ガスの濃度（ＣＯ濃度）の測定値を決定する。
ただし、図２２の場合には、排出ガスの濃度の測定値が得られた時刻を基準時刻（現在時刻）とし、対応付ける燃料ガス（都市ガスと空気）の投入量と、状態情報（炉内温度、炉内山荘濃度、廃液の流量、プロセス排ガスの流量、廃棄物量、廃油の流量）と、排出ガスの濃度（ＣＯ濃度）の測定値を決定する。
具体的には、「２０２２／４／１０：０４」における排出ガスの濃度値（すなわち５０［ｐｐｍ］）に対し、３分前の「２０２２／４／１０：０１」における燃料ガスの投入量と状態情報に対応付ける排出ガスの濃度を対応付ける。
すなわち、図２２において、着色した数値の関係を満たす測定値の組み合わせが教師データとして取得され、予測モデルの学習に使用される。
図２１の場合と図２２の場合で、教師データとして記録されるデータの組み合わせは同じになるが、いずれの測定値が得られた時刻を基準時刻とするかが異なっている。
すなわち、図２２において、着色した数値の関係を満たす測定値の組み合わせが教師データとして取得され、予測モデルの学習に使用される。
図２１の場合と図２２の場合で、教師データとして記録されるデータの組み合わせは同じになるが、いずれの測定値が得られた時刻を基準時刻とするかが異なっている。
＜予測値の予測処理＞
本実施の形態の場合、生成される予測モデルは１つである。
従って、排出ガスの濃度を予測する処理は、実施の形態１と同様になる。
本実施の形態の場合、生成される予測モデルは１つである。
従って、排出ガスの濃度を予測する処理は、実施の形態１と同様になる。
＜実施の形態５のまとめ＞
本実施の形態によれば、被燃焼物の投入の結果が排出ガスの濃度に現れるまでのタイムラグを考慮しない場合に比して、排出ガスの濃度の予測精度を向上させることができる。
なお、教師データの生成に使用するタイムラグの長さは、例えば測定値と予測値との一致率が高くなる時間差を実験結果から特定してもよい。
本実施の形態によれば、被燃焼物の投入の結果が排出ガスの濃度に現れるまでのタイムラグを考慮しない場合に比して、排出ガスの濃度の予測精度を向上させることができる。
なお、教師データの生成に使用するタイムラグの長さは、例えば測定値と予測値との一致率が高くなる時間差を実験結果から特定してもよい。
＜実施の形態６＞
＜予測値と実測値との誤差を用いた予測モデルの修正＞
予測モデル２０４Ａ（図２参照）の学習精度を上げるには、多くのサンプルを必要とする。しかし、大量のサンプルの収集には時間を要する。
そこで、本実施の形態では、限られたサンプルを用いて予測モデル２０４Ａの学習精度を上げる手法として勾配ブースティング決定木（GBDT：Gradient Boosting Decision Tree）を適用する。
＜予測値と実測値との誤差を用いた予測モデルの修正＞
予測モデル２０４Ａ（図２参照）の学習精度を上げるには、多くのサンプルを必要とする。しかし、大量のサンプルの収集には時間を要する。
そこで、本実施の形態では、限られたサンプルを用いて予測モデル２０４Ａの学習精度を上げる手法として勾配ブースティング決定木（GBDT：Gradient Boosting Decision Tree）を適用する。
図２３は、勾配ブースティング決定木による予測モデル２０４Ａの修正方法を説明する図である。図２３では、数字の１、２、３…Ｍの順番に予測モデル２０４Ａの修正が進行する。
図２３に示すように、目的変数（排出ガスの濃度）とそれまでに作成した予測モデル２０４Ａによる予測値との差を学習し、差が小さくなるまで逐次的に予測モデルが追加される。
図２４は、実施の形態６における予測モデル２０４Ａ（図２参照）の生成手順を説明するフローチャートである。図２４には、図４との対応部分に対応する符号を付して示している。
図２３に示すように、目的変数（排出ガスの濃度）とそれまでに作成した予測モデル２０４Ａによる予測値との差を学習し、差が小さくなるまで逐次的に予測モデルが追加される。
図２４は、実施の形態６における予測モデル２０４Ａ（図２参照）の生成手順を説明するフローチャートである。図２４には、図４との対応部分に対応する符号を付して示している。
まず、プロセッサ２０１は、教師データを取得すると（ステップ１）、取得した教師データを学習する（ステップ２）。
１つの教師データについて学習が実行されると、プロセッサ２０１は、未処理の教師データがあるか否かを判定する（ステップ３）。
未処理の教師データがある場合、ステップ３で肯定結果が得られる。この場合、プロセッサ２０１は、ステップ１に戻る。
１つの教師データについて学習が実行されると、プロセッサ２０１は、未処理の教師データがあるか否かを判定する（ステップ３）。
未処理の教師データがある場合、ステップ３で肯定結果が得られる。この場合、プロセッサ２０１は、ステップ１に戻る。
なお、未処理の教師データがない場合、ステップ３で否定結果が得られる。この場合、プロセッサ２０１は、予測モデルの予測値と正解値との差を算出する（ステップ４１）。ここでの正解値は、予測値に対応する入力値について測定された排出ガスの濃度の値である。
次に、プロセッサ２０１は、差が閾値以下か否かを判定する（ステップ４２）。
次に、プロセッサ２０１は、差が閾値以下か否かを判定する（ステップ４２）。
差が閾値より大きい場合、ステップ４２で否定結果が得られる。この場合、プロセッサ２０１は、差に学習率を乗算して予測モデルの予測値を修正する（ステップ４３）。予測モデルの修正後、プロセッサ２０１は、ステップ４１に戻る。
差が閾値以下の場合、ステップ４２で肯定結果が得られる。この場合、プロセッサ２０１は、予測モデル２０４Ａの生成処理を終了する。この結果、サンプル数が少なくても、予測精度が高い予測モデル２０４Ａが生成される。
差が閾値以下の場合、ステップ４２で肯定結果が得られる。この場合、プロセッサ２０１は、予測モデル２０４Ａの生成処理を終了する。この結果、サンプル数が少なくても、予測精度が高い予測モデル２０４Ａが生成される。
＜実施の形態６のまとめ＞
前述したように、予測値と実際の測定値との差を用いて予測モデル２０４Ａを修正することにより、予測モデル２０４Ａの精度を効率的に向上させることが可能になる。
なお、本実施の形態では、勾配ブースティング決定木による予測モデル２０４Ａの修正方法を例示したが、具体的な修正の手法は、勾配ブースティング決定木による予測モデル２０４Ａの修正方法に限ることを意図しない。
前述したように、予測値と実際の測定値との差を用いて予測モデル２０４Ａを修正することにより、予測モデル２０４Ａの精度を効率的に向上させることが可能になる。
なお、本実施の形態では、勾配ブースティング決定木による予測モデル２０４Ａの修正方法を例示したが、具体的な修正の手法は、勾配ブースティング決定木による予測モデル２０４Ａの修正方法に限ることを意図しない。
＜実施の形態７＞
実施の形態６では、勾配ブースティング決定木による予測モデル２０４Ａの修正により、教師データのサンプル数が少なくても精度の高い学習モデルを得ているが、本実施の形態では、補間処理を用いて教師データのサンプル数を事前に増加させる。
図２５は、補間演算により生成した教師データを用いた学習モデルの修正方法を説明する図である。図２５には、図４との対応部分に対応する符号を付して示している。
実施の形態６では、勾配ブースティング決定木による予測モデル２０４Ａの修正により、教師データのサンプル数が少なくても精度の高い学習モデルを得ているが、本実施の形態では、補間処理を用いて教師データのサンプル数を事前に増加させる。
図２５は、補間演算により生成した教師データを用いた学習モデルの修正方法を説明する図である。図２５には、図４との対応部分に対応する符号を付して示している。
まず、プロセッサ２０１は、実測値を取得すると（ステップ５１）、取得した実測値を用いて教師データを生成する（ステップ５２）。
図２６は、教師データの生成方法を説明する図である。（Ａ）は線形補間を用いて教師データのサンプル数を増加させる方法を示し、（Ｂ）は多項式又は回帰モデルを用いて教師データのサンプル数を増加させる方法を示す。
図２６では、説明の都合上、縦軸を特定ガスの濃度で表し、横軸を都市ガスの投入量で表している。図２６の場合、特定ガスの濃度と都市ガスの投入量についてサンプル数を増やすことが目的である。
図２６は、教師データの生成方法を説明する図である。（Ａ）は線形補間を用いて教師データのサンプル数を増加させる方法を示し、（Ｂ）は多項式又は回帰モデルを用いて教師データのサンプル数を増加させる方法を示す。
図２６では、説明の都合上、縦軸を特定ガスの濃度で表し、横軸を都市ガスの投入量で表している。図２６の場合、特定ガスの濃度と都市ガスの投入量についてサンプル数を増やすことが目的である。
図２６（Ａ）では、線形補間により２つの実測値の中間点を補完値として算出しているが、２つの実測値の間に２つ以上の補完値を算出してもよい。
図２６（Ｂ）では、実測値を通る関数を定義し、２つの実測値の中間点を補完値として算出しているが、やはり２つの実測値の間に２つ以上の補完値を算出してもよい。
教師データとして使用する補完値の生成が終了すると、図４と同じ処理（ステップ１～３）が実行される。
図２６（Ｂ）では、実測値を通る関数を定義し、２つの実測値の中間点を補完値として算出しているが、やはり２つの実測値の間に２つ以上の補完値を算出してもよい。
教師データとして使用する補完値の生成が終了すると、図４と同じ処理（ステップ１～３）が実行される。
＜実施の形態７のまとめ＞
前述したように、補間演算を用いて算出された補完値も含む教師データを用いて予測モデル２０４Ａを学習することにより、予測モデル２０４Ａの精度を効率的に向上させることが可能になる。
前述したように、補間演算を用いて算出された補完値も含む教師データを用いて予測モデル２０４Ａを学習することにより、予測モデル２０４Ａの精度を効率的に向上させることが可能になる。
＜実施の形態８＞
＜予測モデルを生成するサーバを用意する例＞
図２７は、実施の形態７で想定する燃焼炉システム１Ａの概念構成を説明する図である。図２７には、図１との対応部分に対応する符号を付して示している。
図２７に示す燃焼炉システム１Ａの場合、ネットワークＮ上に存在する情報処理サーバ３０にて、予測モデルを生成する処理を実行する。ここでのネットワークＮには、例えばＬＡＮ（Local Area Network）、インターネット、４Ｇや５Ｇ等の移動通信システムを想定する。
＜予測モデルを生成するサーバを用意する例＞
図２７は、実施の形態７で想定する燃焼炉システム１Ａの概念構成を説明する図である。図２７には、図１との対応部分に対応する符号を付して示している。
図２７に示す燃焼炉システム１Ａの場合、ネットワークＮ上に存在する情報処理サーバ３０にて、予測モデルを生成する処理を実行する。ここでのネットワークＮには、例えばＬＡＮ（Local Area Network）、インターネット、４Ｇや５Ｇ等の移動通信システムを想定する。
情報処理サーバ３０は、例えば教師データの取得、取得された教師データを用いた予測モデルの生成、予測モデルを使用した排出ガスの濃度の予測等を実行する。
なお、情報処理サーバ３０は、サーバ型のコンピュータである。もっとも、情報処理サーバ３０は、１台のコンピュータで構成される必要はなく、ネットワークＮを介して接続され、協働により予測モデルの生成処理等を実行する複数台のコンピュータで構成されてもよい。
なお、情報処理サーバ３０は、サーバ型のコンピュータである。もっとも、情報処理サーバ３０は、１台のコンピュータで構成される必要はなく、ネットワークＮを介して接続され、協働により予測モデルの生成処理等を実行する複数台のコンピュータで構成されてもよい。
なお、教師データの取得処理は、燃焼炉１０が設けられている建屋や敷地内の情報端末（サーバ、デスクトップ型のコンピュータ、ノート型のコンピュータ等）で実行し、取得された教師データを情報処理サーバ３０にアップロードしてもよい。
また、情報処理サーバ３０で予測された排出ガスの濃度の予測値は、燃焼炉１０が設けられている建屋や敷地内の情報端末にフィードバックしてもよい。
また、情報処理サーバ３０で予測された排出ガスの濃度の予測値は、燃焼炉１０が設けられている建屋や敷地内の情報端末にフィードバックしてもよい。
＜他の実施の形態＞
（１）以上、本発明の実施の形態について説明したが、本発明の技術的範囲は、前述の実施の形態に記載の範囲に限定されない。前述した実施の形態に、種々の変更又は改良を加えたものも、本発明の技術的範囲に含まれることは、特許請求の範囲の記載から明らかである。
（１）以上、本発明の実施の形態について説明したが、本発明の技術的範囲は、前述の実施の形態に記載の範囲に限定されない。前述した実施の形態に、種々の変更又は改良を加えたものも、本発明の技術的範囲に含まれることは、特許請求の範囲の記載から明らかである。
（２）前述の実施の形態では、廃棄物の発生源として製造プロセスや化学反応プロセスを有する工業炉を想定しているが、工業炉に限らない。
（３）前述の実施の形態では、説明上の都合により、目的変数として排出ガスの濃度を予測する予測モデルについて説明したが、図１や図２５で説明したように、目的変数として火炎輻射量や被加熱物の表面温度を想定してもよい。また、目的変数として燃焼炉１０の燃焼効率Ｐを予測してもよい。なお、燃焼効率Ｐは、被加熱物の持ち去る熱量／投入熱量により算出が可能である。
（４）前述の実施の形態では、状態情報として、プロセス排ガスの流量、廃油の流量、廃液の流量等を例示したが、その他として、燃料ガスを燃焼するバーナーの口径、燃料ガスの空気比（都市ガスと空気の比率）、燃焼炉１０の排気経路に設けられる排気ダンパの開度を含めてもよい。
（５）前述の実施の形態では、燃焼炉について説明したが、焼却炉でも加熱炉でもよい。焼却炉は、燃料ガスを用いて廃棄物その他の物質を焼却する炉である。加熱炉は、燃料ガスを用いて被加熱物を加熱する炉である。
１、１Ａ…燃焼炉システム、１０…燃焼炉、２０…予測モデル生成装置、３０…情報処理サーバ、１０１、１０２…バルブ、１０３…廃液槽、１０４…生産ライン等、２０１…プロセッサ、２０２…ＲＯＭ、２０３…ＲＡＭ、２０４…補助記憶装置、２０４Ａ…予測モデル、２０５…通信インタフェース、２１０、２１３、２１６…予測部、２１１、２１４…取得部、２１２、２１５…学習部
Claims (25)
- コンピュータが、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得し、
コンピュータが、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する、
学習モデル生成方法であり、
前記教師データを、前記炉で前記燃料だけが燃焼される期間、当該炉で廃棄物だけが燃焼される期間、当該炉で当該燃料と当該廃棄物とが一緒に燃焼される期間別に取得し、
コンピュータが、前記期間別に取得された教師データを使用して、当該期間毎に前記学習モデルを生成する、
学習モデル生成方法。 - 前記廃棄物だけが燃焼される期間又は前記燃料と当該廃棄物とが一緒に燃焼される期間に対応する前記学習モデルは、当該廃棄物の組成の違い別に取得された前記教師データを使用して、当該組成の違い別に生成される、
請求項１に記載の学習モデル生成方法。 - 前記廃棄物は、他の設備からの廃液、他の設備からの廃油、他の設備からのプロセス排ガス、被焼却物の少なくとも１つである、
請求項１又は２に記載の学習モデル生成方法。 - コンピュータが、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得し、
コンピュータが、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する、
学習モデル生成方法であり、
前記教師データの取得と前記学習モデルの生成には、前記炉に対する廃棄物の投入に使用するノズルの数と投入に使用したノズルの位置の違いの少なくとも一方を反映する、
学習モデル生成方法。 - 制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得する取得部と、
前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する学習部を有する、
学習モデル生成装置であり、
前記取得部が、前記教師データを、前記炉で前記燃料だけが燃焼される期間、当該炉で廃棄物だけが燃焼される期間、当該炉で当該燃料と当該廃棄物とが一緒に燃焼される期間別に取得し、
前記学習部が、前記期間別に取得された教師データを使用して、当該期間毎に前記学習モデルを生成する、
学習モデル生成装置。 - 制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得する取得部と、
前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する学習部を有する、
学習モデル生成装置であり、
前記教師データの取得と前記学習モデルの生成には、前記炉に対する廃棄物の投入に使用するノズルの数と投入に使用したノズルの位置の違いの少なくとも一方を反映する、
学習モデル生成装置。 - コンピュータに、
制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得する機能と、
前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する機能と、
を実現させるためのプログラムであり、
前記取得する機能が、前記教師データを、前記炉で前記燃料だけが燃焼される期間、当該炉で廃棄物だけが燃焼される期間、当該炉で当該燃料と当該廃棄物とが一緒に燃焼される期間別に取得し、
前記学習モデルを生成する機能が、前記期間別に取得された教師データを使用して、当該期間毎に前記学習モデルを生成する、
プログラム。 - コンピュータに、
制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得する機能と、
前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する機能と、
を実現させるためのプログラムであり、
前記教師データの取得と前記学習モデルの生成には、前記炉に対する廃棄物の投入に使用するノズルの数と投入に使用したノズルの位置の違いの少なくとも一方を反映する、
プログラム。 - コンピュータが、
制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルに対し、当該投入量の測定値と当該状態情報の測定値を入力として与え、対応する目的変数の予測値を出力する、
燃焼予測方法であり、
前記学習モデルとして、
前記炉で前記燃料だけが燃焼される期間、当該炉で廃棄物だけが燃焼される期間、当該炉で当該燃料と当該廃棄物とが一緒に燃焼される期間別に取得された教師データを使用して生成された当該期間別の学習モデルを使用する、
燃焼予測方法。 - コンピュータが、
制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルに対し、当該投入量の測定値と当該状態情報の測定値を入力として与え、対応する目的変数の予測値を出力する、
燃焼予測方法であり、
前記学習モデルとして、
教師データの取得と前記学習モデルの生成に際し、前記炉に対する廃棄物の投入に使用するノズルの数と投入に使用したノズルの位置の違いの少なくとも一方を反映した学習モデルを使用する、
燃焼予測方法。 - 制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルと、
前記投入量と前記状態情報が入力として与えられた場合、当該投入量の測定値と当該状態情報の測定値を前記学習モデルに与え、前記目的変数の予測値を出力する予測部と、
を有する燃焼予測装置であり、
前記学習モデルとして、
前記炉で前記燃料だけが燃焼される期間、当該炉で廃棄物だけが燃焼される期間、当該炉で当該燃料と当該廃棄物とが一緒に燃焼される期間別に取得された教師データを使用して生成された当該期間別の学習モデルを使用する、
燃焼予測装置。 - 制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルと、
前記投入量と前記状態情報が入力として与えられた場合、当該投入量の測定値と当該状態情報の測定値を前記学習モデルに与え、前記目的変数の予測値を出力する予測部と、
を有する燃焼予測装置であり、
前記学習モデルとして、
教師データの取得と前記学習モデルの生成に際し、前記炉に対する廃棄物の投入に使用するノズルの数と投入に使用したノズルの位置の違いの少なくとも一方を反映した学習モデルを使用する、
燃焼予測装置。 - コンピュータに、
制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルに対し、当該投入量の測定値と当該状態情報の測定値を入力として与え、前記目的変数の予測値を出力する機能
を実現させるためのプログラムであり、
前記学習モデルとして、
前記炉で前記燃料だけが燃焼される期間、当該炉で廃棄物だけが燃焼される期間、当該炉で当該燃料と当該廃棄物とが一緒に燃焼される期間別に取得された教師データを使用して生成された当該期間別の学習モデルを使用する、
プログラム。 - コンピュータに、
制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルに対し、当該投入量の測定値と当該状態情報の測定値を入力として与え、前記目的変数の予測値を出力する機能
を実現させるためのプログラムであり、
前記学習モデルとして、
教師データの取得と前記学習モデルの生成に際し、前記炉に対する廃棄物の投入に使用するノズルの数と投入に使用したノズルの位置の違いの少なくとも一方を反映した学習モデルを使用する、
プログラム。 - コンピュータが、制御変数としての対象物の燃焼に使用する燃料ガスの投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得し、
コンピュータが、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する、
学習モデル生成方法。 - 前記状態情報は、前記炉から排出される特定ガスの原因物質を含む廃棄物の投入量と、当該廃棄物における当該原因物質の濃度と、当該廃棄物の粘度のうちの少なくとも１つを含む、
請求項１５に記載の学習モデル生成方法。 - 前記教師データは、前記燃料ガスの投入量と、廃棄物の投入量と、当該燃料ガスと当該廃棄物の投入から予め定めた時間後に測定された前記測定値との組み合わせである、
請求項１５に記載の学習モデル生成方法。 - コンピュータが、前記学習モデルを用いて予測した前記予測値と実際の測定値との誤差を用いて当該学習モデルを修正する、
請求項１５に記載の学習モデル生成方法。 - 前記状態情報は、プロセス排ガス、廃油、廃液、被焼却物、炉内の酸素濃度、炉内の温度、炉壁の温度の少なくとも１つを含む、
請求項１５に記載の学習モデル生成方法。 - 前記目的変数は、ＣＯ、ＣＯ２、ＮＯｘ、ＳＯｘ、煤塵、ダイオキシン、未燃焼の前記燃料ガス、温室効果ガス、火炎輻射量、被加熱物の表面温度の少なくとも１つを含む、
請求項１５に記載の学習モデル生成方法。 - 制御変数としての対象物の燃焼に使用する燃料ガスの投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得する取得部と、
前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する学習部を有する、
学習モデル生成装置。 - コンピュータに、
制御変数としての対象物の燃焼に使用する燃料ガスの投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得する機能と、
前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する機能と、
を実現させるためのプログラム。 - コンピュータが、
制御変数としての対象物の燃焼に使用する燃料ガスの投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルに対し、当該投入量の測定値と当該状態情報の測定値を入力として与え、対応する目的変数の予測値を出力する、
燃焼予測方法。 - 制御変数としての対象物の燃焼に使用する燃料ガスの投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルと、
前記投入量と前記状態情報が入力として与えられた場合、当該投入量の測定値と当該状態情報の測定値を前記学習モデルに与え、前記目的変数の予測値を出力する予測部と、
を有する燃焼予測装置。 - コンピュータに、
制御変数としての対象物の燃焼に使用する燃料ガスの投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルに対し、当該投入量の測定値と当該状態情報の測定値を入力として与え、前記目的変数の予測値を出力する機能
を実現させるためのプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022188296A JP7250205B1 (ja) | 2022-11-25 | 2022-11-25 | 学習モデル生成方法、学習モデル生成装置、燃焼予測方法、燃焼予測装置及びプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022188296A JP7250205B1 (ja) | 2022-11-25 | 2022-11-25 | 学習モデル生成方法、学習モデル生成装置、燃焼予測方法、燃焼予測装置及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP7250205B1 true JP7250205B1 (ja) | 2023-03-31 |
| JP2024076635A JP2024076635A (ja) | 2024-06-06 |
Family
ID=85772937
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022188296A Active JP7250205B1 (ja) | 2022-11-25 | 2022-11-25 | 学習モデル生成方法、学習モデル生成装置、燃焼予測方法、燃焼予測装置及びプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7250205B1 (ja) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000028123A (ja) | 1998-07-08 | 2000-01-25 | Kubota Corp | ゴミ焼却炉の二次燃焼制御装置 |
| JP2000046323A (ja) | 1998-07-31 | 2000-02-18 | Mitsubishi Heavy Ind Ltd | 燃焼炉の燃焼制御方法及び燃焼制御装置 |
| JP2001241635A (ja) | 2000-02-25 | 2001-09-07 | Hitachi Ltd | ごみ焼却炉の制御方法及び装置 |
| JP2009204164A (ja) | 2008-02-26 | 2009-09-10 | Jfe Engineering Corp | 燃焼炉のユーティリティー制御方法 |
| JP2015187518A (ja) | 2014-03-26 | 2015-10-29 | Ｊｆｅエンジニアリング株式会社 | 火格子式廃棄物焼却炉及び廃棄物焼却方法 |
| JP2021025687A (ja) | 2019-08-02 | 2021-02-22 | 日本エア・リキード合同会社 | 炉の制御システム、炉の制御方法およびその制御システムを備える炉 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10160142A (ja) * | 1996-11-26 | 1998-06-19 | Kubota Corp | 排ガス性状推定システム及び運転訓練システム |
-
2022
- 2022-11-25 JP JP2022188296A patent/JP7250205B1/ja active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000028123A (ja) | 1998-07-08 | 2000-01-25 | Kubota Corp | ゴミ焼却炉の二次燃焼制御装置 |
| JP2000046323A (ja) | 1998-07-31 | 2000-02-18 | Mitsubishi Heavy Ind Ltd | 燃焼炉の燃焼制御方法及び燃焼制御装置 |
| JP2001241635A (ja) | 2000-02-25 | 2001-09-07 | Hitachi Ltd | ごみ焼却炉の制御方法及び装置 |
| JP2009204164A (ja) | 2008-02-26 | 2009-09-10 | Jfe Engineering Corp | 燃焼炉のユーティリティー制御方法 |
| JP2015187518A (ja) | 2014-03-26 | 2015-10-29 | Ｊｆｅエンジニアリング株式会社 | 火格子式廃棄物焼却炉及び廃棄物焼却方法 |
| JP2021025687A (ja) | 2019-08-02 | 2021-02-22 | 日本エア・リキード合同会社 | 炉の制御システム、炉の制御方法およびその制御システムを備える炉 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2024076635A (ja) | 2024-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Niessen | Combustion and incineration processes: applications in environmental engineering | |
| KR101480130B1 (ko) | 열정산 및 설계프로그램과 운전원(Ｏｐｅｒａｔｅｒ)의 운전형태 분석을 통한 소각시설과 고형 연료보일러의 진단과 제어 및 설비생애주기관리 시스템 및 방법 | |
| CN111461355B (zh) | 基于随机森林的二噁英排放浓度迁移学习预测方法 | |
| Nemitallah et al. | Artificial intelligence for control and optimization of boilers’ performance and emissions: A review | |
| Dashti et al. | Review of higher heating value of municipal solid waste based on analysis and smart modelling | |
| CN110991756B (zh) | 基于ts模糊神经网络的mswi炉膛温度预测方法 | |
| CN112625758A (zh) | 智能气化配料系统及方法 | |
| Kiang | Fuel property estimation and combustion process characterization: Conventional fuels, biomass, biocarbon, waste fuels, refuse derived fuel, and other alternative fuels | |
| Mikulandrić et al. | Process performance improvement in a co-current, fixed bed biomass gasification facility by control system modifications | |
| Hasanzadeh et al. | Machine learning utilization on air gasification of polyethylene terephthalate waste | |
| JP2017096517A (ja) | 廃棄物の燃焼制御方法およびこれを適用した燃焼制御装置 | |
| Peña et al. | Analysis of thermal resistance evolution of ash deposits during co-firing of coal with biomass and coal mine waste residues | |
| JP5452906B2 (ja) | 燃焼炉の燃焼制御システムおよびその燃焼制御方法 | |
| JP7250206B1 (ja) | 情報処理方法、情報処理装置及びプログラム | |
| US20080215165A1 (en) | Control loop for regulating a combustion process | |
| JP7250205B1 (ja) | 学習モデル生成方法、学習モデル生成装置、燃焼予測方法、燃焼予測装置及びプログラム | |
| CN116085823A (zh) | 锅炉燃烧控制方法及系统 | |
| WO2019116652A1 (ja) | 燃焼炉の燃焼条件決定装置、燃焼条件決定方法、および燃焼システム | |
| Pitel et al. | Approximation of CO/lambda biomass combustion dependence by artificial intelligence techniques | |
| Maddaloni et al. | A quadratic programming model for the optimization of off-gas networks in integrated steelworks | |
| Costa et al. | Modeling and optimization of an incinerator plant for the reduction of the environmental impact | |
| JP2000097422A (ja) | 廃棄物焼却プラント及びその制御装置並びに制御方法と廃棄物焼却炉のガス組成分布予測方法 | |
| Ding et al. | Dynamic modeling of multi-input and multi-output controlled object for municipal solid waste incineration process | |
| Le et al. | A glass-box approach for predictive modeling based on experimental data for a waste biomass derived producer gas-powered dual-fuel engine | |
| JP5179163B2 (ja) | 燃焼炉の燃焼制御システムおよびその燃焼制御方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221125 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20221125 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221227 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230222 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230314 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230320 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7250205 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |