JP7357878B2 - 機械学習装置、データ処理システム、推論装置及び機械学習方法 - Google Patents

Description

本発明は、遠心分離機を含む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、推論装置及び機械学習方法に関するものである。

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。

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一端部が錘状に加工された筒状のボウルと、このボウル内に同軸状に配置され被処理液内の固形物を搬送す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、を備えている。そして、ボウル内に投入された被処理液中の固形物はボウルの一端部から、被処理液中の分離液はボウルの他端部からそれぞれ排出することで、固液分離を実現している。

ところで、このデカンタは、固液分離を行うために、この分離処理が可能な程度の比較的大きな遠心力を得るべく駆動モータに大型のモータを用いている。したがって、この大型のモータの消費電力を適切に制御するための方法が、種々検討されている。（例えば、特許文献１参照。）

特許第５４４２０９９号公報

特許文献１に記載された方法のように、スクリューコンベアのトルク及び差速発生装置で発生させる差速に基づいて、遠心分離装置を制御する制御装置を採用すれば、被処理液の性状に合わせた操業をオペレータの判断を要することなく実現できる。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対象はスクリューコンベアのトルク及び差速発生装置で発生させる差速以外にも存在し、また、当該制御対象の制御に影響する情報（状態変数）も多岐にわたることから、例えば遠心分離システムの制御を完全自動化しようとする場合には、更なる改良の余地が残されている。

本発明は上述の点に鑑み、遠心分離システムにおける種々の情報に基づいて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、推論装置及び機械学習方法を提供することを目的とする。

上記目的を達成するために、本発明の第１の態様に係る機械学習装置２０は、例えば図１乃至図３に示すように、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２と、ボウル２内の固形物を排出口２ａに向けて搬送するスクリューコンベア３と、ボウル２を回転させる駆動モータ４と、スクリューコンベア３をボウル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のためのものであって：被処理液のスラリー濃度、ボウル２内で分離され排出された固形物としての脱水固形物の含水率、分離液の濃度、及びスクリューコンベア３のトルク値を含む入力データと、入力データに対応付けられた遠心分離システムの制御パラメータを含む出力データとで構成される学習用データセットを複数組記憶する学習用データセット記憶ユニット２２と；学習用データセットを複数組入力することで、入力データと出力データとの相関関係を推論する学習モデルを学習する学習ユニット２３と；学習ユニット２３によって学習された学習モデルを記憶する学習済モデル記憶ユニット２４と；を含み、制御パラメータは、被処理液に添加される添加物の供給量、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のうちの少なくとも１つで構成される。

このように構成すると、遠心分離システムの各種状態変数から遠心分離システムを動作させるのに最適な制御パラメータを推論可能な学習済モデルを提供することができるようになる。

また、本発明の第２の態様に係るデータ処理システムは、例えば図６に示すように、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２と、ボウル２内の固形物を排出口２ａに向けて搬送するスクリューコンベア３と、ボウルを回転させる駆動モータ４と、スクリューコンベア３をボウル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に用いられるデータ処理システム５０であって：被処理液のスラリー濃度、ボウル２内で分離され排出された固形物としての脱水固形物の含水率、分離液の濃度、及びスクリューコンベア３のトルク値を取得するための検出ユニット５１と；上記第１の態様に係る機械学習装置によって生成された学習済モデルに、検出ユニット５１が取得したデータを入力することで、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５７と；を含む。

このように構成すると、遠心分離システムの各種状態変数から遠心分離システムを動作させるのに最適な制御パラメータを推論可能なデータ処理システムを提供できる。

また、本発明の第３の態様に係る推論装置は、例えば図２に示すように、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２と、ボウル２内の固形物を排出口２ａに向けて搬送するスクリューコンベア３と、ボウル２を回転させる駆動モータ４と、スクリューコンベア３をボウル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に用いられ、メモリと、少なくとも１つのプロセッサとを含み、少なくとも１つのプロセッサは：被処理液のスラリー濃度、ボウル２内で分離され排出された固形物としての脱水固形物の含水率、分離液の濃度、及びスクリューコンベア３のトルクを取得する処理と；被処理液のスラリー濃度、ボウル２内で分離され排出された固形物としての脱水固形物の含水率、分離液の濃度、及びスクリューコンベア３のトルク値が入力されると、遠心分離システムの制御パラメータを推論する処理と；を実行するように構成され、制御パラメータは、被処理液に添加される添加物の供給量、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のうちの少なくとも１つで構成される。

このように構成すると、遠心分離システムの各種状態変数から遠心分離システムを動作させるのに最適な制御パラメータを推論可能な推論装置を提供できる。

また、本発明の第４の態様に係る機械学習方法は、例えば図５に示すように、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２と、ボウル２内の固形物を排出口２ａに向けて搬送するスクリューコンベア３と、ボウル２を回転させる駆動モータ４と、スクリューコンベア３をボウル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のためのコンピュータを用いた機械学習方法であって：被処理液のスラリー濃度、ボウル２内で分離され排出された固形物としての脱水固形物の含水率、分離液の濃度、及びスクリューコンベア３のトルク値を含む入力データと、入力データに対応付けられた遠心分離システムの制御パラメータを含む出力データとで構成される学習用データセットを複数組記憶するステップＳ１１と；学習用データセットを複数組入力することで、入力データと出力データとの相関関係を推論する学習モデルを学習するステップＳ１３～Ｓ１５と；学習された学習モデルを記憶するステップＳ１７と；を含み、制御パラメータは、被処理液に添加される添加物の供給量、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のうちの少なくとも１つで構成される。

このように構成すると、遠心分離システムの各種状態変数から遠心分離システムを動作させるのに最適な制御パラメータを推論可能な学習済モデルを得ることができる。

本発明によれば、遠心分離システムにおける種々の情報に基づいて遠心分離システムの好適な動作制御を実現できる制御パラメータを取得できるようになり、以って遠心分離システムの制御の完全自動化に貢献することができる。

図１は、本発明の一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は、図２は、本発明の一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は、本発明の一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は、本発明の一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は、本発明の一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６は、本発明の一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。

以下、図面を参照して本発明を実施するための一実施の形態について説明する。なお、以下では本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。

＜遠心分離システム＞
初めに、本発明の一実施の形態に係る遠心分離システムについて簡単に説明する。本実施の形態においては、本発明の機械学習装置、データ処理システム、推論装置及び機械学習方法を適用する対象物として、遠心分離装置として横型のデカンタ１を含む遠心分離システムを用いる。言い換えれば、本発明は、本発明に係る機械学習装置、データ処理システム、推論装置及び機械学習方法を遠心分離システムに適用することで、遠心分離システムにおける作動制御を自動化しようとするものである。なお、本発明に係る遠心分離システムの具体的な態様はここ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、他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。

図１は、本発明の一実施の形態に係る、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、本発明の一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。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。

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。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。

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。

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。

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から排出された固形物（以下、これを脱水固形物と呼ぶ）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。

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焼却設備への搬送路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へ運ばれる。

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。

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を備えた被処理液供給配管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。

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。

本実施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、ボウル２内部で被処理液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の状態に影響される薬剤による汚泥フロック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。

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を介して薬剤が添加された被処理液が投入されると、駆動モータ４により発生された遠心力によって被処理液内の（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、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被処理液は、分離液としてボウル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。

＜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、被処理液の種類等に合わせて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）を学習する本発明の機械学習装置について、説明を行う。

図３は、本発明の一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。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。

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接続されたコンピュータＰＣ１から学習（トレーニング）用データセットを構成する複数のデータを取得するインタフェースユニットである。コンピュータＰＣ１は、例えば上述したデカンタ１のコントロールユニットを構成する、あるいはこのコントロールユニットに通信可能に接続されたコンピュータであって良く、デカンタ１の各種制御パラメータを取得可能なものである。また、このコンピュータＰＣ１は、オペレータＥＮによりデカンタ１の各種制御情報が入力されるものであって良く、当該制御情報の少なくとも一部が、学習用データセットにおける出力データ（「教師データ」ともいう）として、後述するデカンタ１の各種データと同様に、学習用データセット取得ユニット２１に送信される。なお、ここでいうデカンタ１のコントロールユニットとは、デカンタ１全体の制御を行うための装置であって、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る。

この学習用データセット取得ユニット２１で取得される学習用データセットとは、入力データとして、被処理液供給源１０から供給される被処理液のスラリー濃度と、ボウル２内で分離され固形物排出口２ａから排出された後の固形物である脱水固形物の含水率と、同じくボウル２内で分離され分離液排出口２ｂから排出された分離液の濃度と、スクリューコンベア３のトルク値とを含み、出力データとして、デカンタ１の主要な制御パラメータ、具体的にはボウル２内へ供給される薬剤の供給量、ボウル２の遠心力、及び差速発生装置により制御される差速のうちの少なくとも１つを含む。これら学習用データセットを構成する各種データの具体的な取得方法については、後述する。

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。この学習用データセット記憶ユニット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。

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用いて機械学習を実行し、学習済モデルを生成するものである。本実施の形態においては、後に詳しく説示するように、機械学習の具体的な手法としてニューラルネットワークを用いた教師あり学習を採用している。ただし、機械学習の具体的な手法については、これに限定されるものではなく、入出力の相関関係を学習用データセットから学習することができるものであれば他の学習手法を採用することも可能である。例えば、アンサンブル学習（ランダムフォレスト、ブースティング等）を用いることもできる。

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）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。

ここで、学習用データセットの収集方法の一例について、図２及び図３を参照して説明する。本実施形態に係るデカンタ１は、その構成要素の適所に、デカンタ１の稼働状態を特定するための監視システムが設けられている。当該監視システムとしては、詳しくは、図２に示すように、被処理液監視システム３１と、脱水固形物監視システム３２と、分離液監視システム３３と、スクリューコンベアトルク監視システム３４とを含む。そして、これらの監視システム３１～３４によって検出されるデータが、学習用データセットを構成する入力データに対応する。

被処理液監視システム３１は、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の特に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。

脱水固形物監視システム３２は、固形物排出導管７に設けられ、この固形物排出導管７を通過する脱水固形物（「脱水ケーキ」とも呼ばれる）の特にその含水率を監視するものである。この脱水固形物監視システム３２は、固形物排出導管７を通過する脱水固形物の含水率を測定あるいは推定する。なお、脱水固形物の含水率の測定あるいは推定する方法としては種々の方法を採用することができるが、本実施形態においては、周知の含水率計を用いて脱水固形物の含水率を直接測定する方法を採用している。

分離液監視システム３３は、分離液排出導管８に設けられ、この分離液排出導管８を通過する分離液の濃度を監視するものである。分離液濃度を監視する具体的な方法としては、例えば周知の濃度センサを用いて分離液の濃度値を直接検出すればよい。

スクリューコンベアトルク監視システム３４は、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。

これら複数の監視システムにより取得される各種データ、詳しくは被処理液の濃度、サンプリングされた脱水固形物の含水率、分離液の濃度及びスクリューコンベア３のトルク値が、デカンタ１のコントロールユニットや上述したコンピュータＰＣ１に送られ、その後学習用データセットの入力データとして機械学習装置２０にて整理・格納される。

また、本実施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、上述した監視システムにより取得された情報等に基づいて、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は、例えば監視システムにより取得された情報及びその他の種々の情報に基づいて、オペレータＥＮが手動で特定すると良い。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、上述した監視システムにより取得される各種データと共に整理・格納される。

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つとすることができる。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。したがって、ここで特定される制御パラメータは上述した３つの制御パラメータ全てが特定されると好ましい。なお、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つのみ入力するようにしてもよく、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）を更に追加して入力することも可能である。特に、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。そこで、上記３つの制御パラメータのうち２つのみを特定する場合には、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つを入力するとよい。

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４は、本発明の一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４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。

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。

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、被処理液の濃度、サンプリングされた脱水固形物の含水率、分離液の濃度及びスクリューコンベア３のトルク値と、制御パラメータとの相関関係を学習する。具体的には、状態変数としての被処理液の濃度、サンプリングされた脱水固形物の含水率、分離液の濃度及びスクリューコンベア３のトルク値のそれぞれ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。

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１以上の制御パラメータと、学習用データセットの一部を構成する、同じく１以上の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（バックプロバケーション）ことを反復する。

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。

＜機械学習方法＞
上記に関連して、本発明は、機械学習方法を提供する。図５は、本発明の一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に基づいて説明を行うが、前提となる構成については、上記機械学習装置に限定されない。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、例えばデカンタ１のコントロールユニット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、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。

本実施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。

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は、その構造が上記図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ている。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中の入力データを、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中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。また、入力データとしての被処理液の濃度、サンプリングされた脱水固形物の含水率、分離液の濃度及びスクリューコンベア３のトルク値を入力層に入力する前段階で、データを調整するための所定の前処理を実行してもよい。

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中の教師データとしての制御パラメータとステップＳ１３において生成された出力層の制御パラメータとを用いて、機械学習を実施する（ステップＳ１５）。ここで行う機械学習とは、例えば、教師データを構成する制御パラメータと出力層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中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中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。

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。

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詳細については後述する。

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用のデータセットを入力して出力層（のニューロンの値）を生成し、出力層で特定された制御データの精度を比較検討して、データ処理システムに適用する最良の学習済モデルを１つ選定するようにしてもよい。なお、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。

以上説明した通り、本実施の形態に係る機械学習装置及び機械学習方法を適用することにより、デカンタ１の適所に設けられた複数の監視システムにより取得される各種データから、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。

＜データ処理システム＞
次に、図６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６は、本発明の一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。本実施形態に係るデータ処理システム５０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内に搭載された態様を例示する。

データ処理システム５０は、図６に示すように、主に検出ユニット５１と、調整ユニット５２と、演算ユニット５３と、データベース（ＤＢ）５４と、ユーザインタフェース５５と、これらを相互に接続するための内部バス５６とを備えている。なお、図６においては、データ処理システム５０を構成する構成要素のみ示し、コントロールユニットが備える本実施の形態に係るデータ処理システム５０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。

検出ユニット５１は、デカンタ１の状態変数を検出するためのものであり、具体的には、上述した被処理液監視システム３１、脱水固形物監視システム３２、分離液監視システム３３及びスクリューコンベアトルク監視システム３４を含むものである。そして、この検出ユニット５１では、これら各監視システムを用いることで、被処理液のスラリー濃度と、ボウル２内で分離され排出された脱水固形物の含水率と、分離液の濃度と、スクリューコンベア３のトルク値とを取得できる。

調整ユニット５２は、デカンタ１において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調整するためのものである。具体的には、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４１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１１ｂを制御するポンプ制御ユニット４２と、差動モータ５ｂに接続されてその回転数を制御し、以っ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４３と、を含むものである。

演算ユニット５３は、データ処理システム５０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、推論ユニット５７を含んでいる。推論ユニット５７は、予め用意された学習済モデルを記憶する学習済モデル記憶ユニット５８に接続されており、この学習済モデル記憶ユニット５８に格納された学習済モデルを参酌することで、検出ユニット５１で検出した状態変数から調整ユニット５２で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５８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によって手動で選択できるようにしてもよい。

データベース５４は、周知の記録媒体からなり、検出ユニット５１による検出結果や演算ユニット５３による演算結果等、データ処理システム５０における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５５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。

上述した構成を備えるデータ処理システム５０により制御パラメータを調整する際は、以下の処理を実行する。すなわち、先ず検出ユニット５１において、デカンタ１の４つの状態変数を取得する。次いで、この４つの状態変数を演算ユニット５３の推論ユニット５７に入力することで、３つの制御パラメータを推論する。そして、推論結果としての３つの制御パラメータを調整ユニット５２に送り、各制御ユニットを動作させて制御パラメータとしてのボウル２の遠心力、薬剤の供給量、及びボウル２とスクリューコンベア３との間の差速を調整する。

上述した制御パラメータの調整を行うタイミングは、自動的に特定することも、手動で調整することも可能である。また、デカンタ１が作動している場合には常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、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３１又は分離液監視システム３３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にのみ当該調整を行ってもよい。

オプションとして、上記実施の形態においては、学習済モデルはバッチ学習により学習を行った場合を説示しているが、本発明においては、バッチ学習により学習された学習済モデルを、オンライン学習を行うことで更なる精度向上を図ってもよい。その場合には、検出ユニット５１において検出された状態変数と、推論ユニット５７によって推論された制御パラメータであって、特に調整ユニット５２における調整の結果、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５４に一時的に格納しておき、任意のタイミングでデータベース５４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た、図５に示すものと同様の機械学習処理を実行すれば良い。

また、上述のデータ処理システム５０は横型のデカンタ１のコントロールユニット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にネットワーク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、本実施形態に係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等は効率的でない。したがって、データ処理システム５０及び上述した機械学習プロセスは、遠心分離システム毎に適用して運用することが現実的であり好ましい。

＜推論装置＞
本発明は、上述したデータ処理システム５０の態様によるもののみならず、推論を行うための推論装置の態様で提供することもできる。その場合、推論装置としては、メモリと、少なくとも１つのプロセッサとを含み、このうちのプロセッサが、一連の処理を実行するものとすることができる。当該一連の処理とは、デカンタの状態変数、すなわち被処理液のスラリー濃度、脱水固形物の含水率、分離液の濃度、及びスクリューコンベア３のトルクを取得する処理と、これらの状態変数が入力された際に遠心分離システムの制御パラメータを推論する処理と、を含む。そして、ここでいう制御パラメータは、添加物の供給量、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のうちの少なくとも１つで構成される。本発明を上述した推論装置の態様で提供することで、データ処理システムを実装する場合に比して簡単に種々の遠心分離システムに適用することができる。

本発明は上述した実施の形態に限定されるものではなく、本発明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、本発明の技術思想に含まれるものである。

１ （横型の）デカンタ
２ ボウル
３ スクリューコンベア
４ 駆動モータ
５ 差速発生装置
６ ケーシング
９ 給液管
１０ 被処理液供給源
１０ａ、１１ａ ポンプ
１１ 添加物供給源
２０ 機械学習装置
２１ 学習用データセット取得ユニット
２２ 学習用データセット記憶ユニット
２３ 学習ユニット
２４ 学習済モデル記憶ユニット
３１ 被処理液監視システム
３２ 脱水固形物監視システム
３３ 分離液監視システム
３４ スクリューコンベアトルク監視システム
４１ 駆動モータ制御ユニット
４２ ポンプ制御ユニット
４３ 差動モータ制御ユニット
５０ データ処理システム
５１ 検出ユニット
５２ 調整ユニット
５３ 演算ユニット
５７ 推論ユニット

Claims (3)

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：
   前記被処理液のスラリー濃度、前記ボウル内で分離され排出された前記固形物としての脱水固形物の含水率、前記分離液の濃度、及び前記スクリューコンベアのトルク値の４つのデータで構成される入力データと、前記入力データに対応付けられた前記遠心分離システムの制御パラメータを含む出力データとで構成される学習用データセットを複数組記憶する学習用データセット記憶ユニットと；
   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、
   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つで構成される、
   機械学習装置。
2. 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：
   前記被処理液のスラリー濃度、前記ボウル内で分離され排出された前記固形物としての脱水固形物の含水率、前記分離液の濃度、及び前記スクリューコンベアのトルク値を取得するための検出ユニットと；
   前記請求項１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、前記検出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。
3. 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：
   前記被処理液のスラリー濃度、前記ボウル内で分離され排出された前記固形物としての脱水固形物の含水率、前記分離液の濃度、及び前記スクリューコンベアのトルク値の４つのデータで構成される入力データと、前記入力データに対応付けられた前記遠心分離システムの制御パラメータを含む出力データとで構成される学習用データセットを複数組記憶するステップと；
   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、
   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つで構成される、
   機械学習方法。

Images