JP7448431B2 - 脱水システム - Google Patents

Description

本発明は、汚泥またはスラリーなどの懸濁液を濁質と液体とに分離させる脱水システムに関し、特に最適な自動運転をすることができる脱水システムに関するものである。

従来から、下水処理場、し尿処理場、産業排水処理場などの液体処理施設から排出される懸濁液（例えば汚泥）を圧搾して、該懸濁液から水を分離する（すなわち、脱水する）脱水機が使用されている。脱水工程においては、凝集剤が注入された懸濁液を凝集槽にて攪拌し、凝集フロックを形成し固液分離をし易い状態にした後に、濃縮装置あるいは脱水装置により脱水をする。

脱水装置の一例であるスクリュープレスは、汚泥脱水機として知られている。このスクリュープレスは、スクリーン（多孔板）から形成されたろ過筒と、ろ過筒の内部に配置されたスクリューとを備えており、スクリューを回転させることにより、ろ過筒に投入された汚泥を圧搾し、脱水する。ろ過筒の下流側開口端には、汚泥を堰き止める背圧板が配置され、この背圧板により、回転するスクリューにより送られてくるケーキ（脱水された汚泥）を滞留させ、ケーキからなるプラグ（栓）を形成する。このプラグは、後から送り込まれるケーキに背圧を加えて、ケーキをさらに圧搾する。プラグを形成するケーキは、後続のケーキに押されてろ過筒から少しずつ排出される。このようにして低含水率のケーキがスクリュープレスによって形成される。

特開２０１８－１１１０６５号公報 特開２０００－２４６１４７号公報

汚泥の脱水処理によって最終的に得られるケーキの含水率を低く維持することで、廃棄等の対象となるケーキ量を削減することができる。ケーキの含水率を可能な限り低く安定に維持するためには、汚泥性状や負荷に応じた凝集、脱水のそれぞれの工程での汚泥の状態を最適にするための運転操作が重要になる。しかしながら、ケーキの含水率は、日々変動する汚泥性状や各工程の設備の運転状態等のさまざまな要因によって変わり得る。

一方で、下水処理施設内外にある種々の情報を収集し、収集した情報を活用して脱水装置の適切な運転パターンを設定（或いは、再設定）することで全自動化運転を実現可能にしたＡＩ（人工知能）制御方式の脱水方式がある（例えば特許文献１参照）。しかしながら、収集する種々の情報を基に運転を制御しても、日々異なる人間生活の結果下水等として排出される様々な物質を由来とする汚泥性状を完全に把握することは困難である。脱水装置の運転最適化のためには、実際には現状の汚泥を運転員が目視で確認することにより、各工程での汚泥の状態を感覚で把握する必要がある。

しかしながら、運転員が汚泥の目視に基づいて運転状態を最適化するためには、運転員の豊富な経験とノウハウが必要とされる。さらに、運転員によって運転状態が異なることがあり、結果としてケーキの含水率が安定しないことがあった。

そこで、本発明は、汚泥やスラリーなどの懸濁液の状態を画像データとして取得し、画像データに基づき、運転状態の良し悪しを判断し、濁質残渣（例えばケーキ）の含水率を目標範囲内に収め、かつ安定して維持することができる脱水システムを提供することを目的とする。

一態様では、懸濁液から液体を除去するための脱水システムであって、懸濁液を貯留する懸濁液貯留槽と、前記懸濁液と凝集剤を攪拌して凝集物を形成する凝集装置と、前記凝集物から液体を除去し、濃度３～５０ｗｔ％の濁質残渣を形成する脱水装置と、前記懸濁液、前記凝集物、前記濁質残渣、および前記懸濁液から除去された液体のうちの少なくとも１つの画像データを生成する撮像装置と、機械学習アルゴリズムにより構築された学習済みモデルを有する制御システムを備え、前記制御システムは、前記学習済みモデルが格納された記憶装置と、前記画像データを前記学習済みモデルに入力し、前記脱水装置から排出される濁質残渣の含水率を目標範囲内に収めることができる前記脱水システムの最適な運転パラメータを前記学習済みモデルから出力するための演算を実行する処理装置を備えている、脱水システムが提供される。

一態様では、懸濁液から液体を除去するための脱水システムであって、懸濁液を貯留する懸濁液貯留槽と、前記懸濁液と凝集剤を攪拌して凝集物を形成する凝集装置と、前記凝集物から液体を除去し、濃度３～１５ｗｔ％の濃縮物を形成する濃縮装置と、前記濃縮物から液体を除去し、濃度３～５０ｗｔ％の濁質残渣を形成する脱水装置と、前記懸濁液、前記凝集物、前記濃縮物、前記濁質残渣、および前記懸濁液から除去された液体のうちの少なくとも１つの画像データを生成する撮像装置と、機械学習アルゴリズムにより構築された学習済みモデルを有する制御システムを備え、前記制御システムは、前記学習済みモデルが格納された記憶装置と、前記画像データを前記学習済みモデルに入力し、前記脱水装置から排出される濁質残渣の含水率を目標範囲内に収めることができる前記脱水システムの最適な運転パラメータを前記学習済みモデルから出力するための演算を実行する処理装置を備えている、脱水システムが提供される。

一態様では、前記濃縮装置は、回転円板式脱液装置である。
一態様では、前記制御システムは、前記画像データと、前記脱水システムの状態データを前記学習済みモデルに入力し、前記脱水装置から排出される濁質残渣の含水率を目標範囲内に収めることができる前記脱水システムの最適な運転パラメータを前記学習済みモデルから出力するための演算を前記処理装置に実行させるように構成されている。

一態様では、懸濁液から液体を除去するための脱水システムであって、懸濁液と凝集剤を攪拌して凝集物を形成する凝集装置と、前記凝集物から液体を除去し、濁質残渣を形成する脱水装置と、前記脱水装置から排出された前記濁質残渣の画像データを生成する撮像装置と、機械学習アルゴリズムにより構築された学習済みモデルを有する制御システムを備え、前記制御システムは、前記学習済みモデルが格納された記憶装置と、前記画像データを前記学習済みモデルに入力し、前記脱水システムの運転状態が正常または異常であることを示す運転指標値を前記学習済みモデルから出力するための演算を実行する処理装置を備えている、脱水システムが提供される。

一態様では、前記制御システムは、前記運転指標値の移動平均を算定するように構成されている。
一態様では、前記制御システムは、前記運転指標値の移動平均がしきい値を越えたときに、前記脱水システムの運転に異常が起きていることを決定する。
一態様では、前記制御システムは、前記運転指標値の移動平均が所定の正常レベルにまで低下すると、前記脱水システムの運転異常の決定動作をリセットする。

本発明によれば、機械学習アルゴリズムにより構築された学習済みモデルは、懸濁液（例えば汚泥）から液体を除去した後に残る濁質残渣（例えばケーキ）の含水率を目標範囲内に収めることができる最適な運転パラメータを生成し、上記運転パラメータを凝集装置および／または脱水装置に適用することで、脱水システムの全体の運転を最適化することができる。

特に、本発明によれば、従来ベテランの運転員が懸濁液の目視に基づいて決定していた運転パラメータに代えて、脱水システムは、学習済みモデルを用いて、濁質残渣の含水率を目標範囲内に収めることができる最適な運転パラメータを生成することができる。したがって、脱水システムは、ベテランの運転員と同等、あるいは同等以上に正確に、凝集剤添加率の過不足の判定、凝集のための攪拌速度の調整、脱水装置の運転パラメータの調整等をリアルタイムに行うことが可能である。

脱水システムの一実施形態を示す図である。 学習済みモデルの一例を示す模式図である。 脱水システムの他の実施形態を示す図である。 脱水システムのさらに他の実施形態を示す図である。 脱水システムを用いた実施結果を示すグラフである。 脱水システムを用いた実施結果を示すグラフである。 脱水システムを用いた実施結果を示すグラフである。 脱水システムの運転中に第２学習済みモデルから出力された運転指標値の時間変化を示すグラフである。 図８に示す運転指標値の移動平均の時間的変化を示すグラフである。

以下、本発明の実施形態について図面を参照して説明する。
図１は、脱水システムの一実施形態を示す図である。脱水システムは、懸濁液を貯留する懸濁液貯留槽１と、凝集剤を懸濁液に注入し、凝集剤と懸濁液を攪拌することにより凝集物を形成する凝集装置３と、凝集物から液体を除去し、濃縮物を形成する濃縮装置４と、濃縮された凝集物からなる濃縮物から液体をさらに除去して濁質残渣を形成する脱水装置５と、凝集装置３、濃縮装置４、および脱水装置５の動作を制御する制御システム６を備えている。濃縮装置４は、凝集装置３によって形成された凝集物から液体を除去し、濃度３～１５ｗｔ％の濃縮物を形成する装置であり、脱水装置５は、凝集装置３によって形成された凝集物、または濃縮装置４によって形成された濃縮物から液体を除去し、濃度３～５０ｗｔ％の濁質残渣を形成する装置である。

濁質残渣は、懸濁液から液体を除去した後に残る低含水率の物質である。脱水装置５によって懸濁液から液体を除去した後に残る濁質残渣は、一般に、ケーキと呼ばれる。以下の説明では、懸濁液を汚泥と呼び、濁質残渣をケーキと呼ぶ。汚泥の具体例としては、下水またはし尿、工場排水の処理時に発生する汚泥が挙げられる。また、汚泥以外の懸濁液の例としては、食料品、化粧品、紙などの工業製品の製造時に発生する産業廃棄物、またはスラリーが挙げられる。

本実施形態では、濃縮装置４は、回転円板式脱液装置（例えば株式会社研電社製のスリットセーバー）である。このタイプの濃縮装置４は、濃縮汚泥の状態変化が把握しやすいために好ましいが、濃縮装置４のタイプは特に限定されない。例えば、濃縮装置４は、ドラム式、スクリュー式、またはベルト式であってもよい。本実施形態の脱水装置５は、汚泥を加圧して脱水するスクリュープレスから構成される。スクリュープレスは、汚泥を脱水する加圧脱水機の一例である。スクリュープレスは圧入式、軸摺動式、２段式を使用することができる。図１に示す脱水装置５は、軸摺動式のスクリュープレスである。また、加圧脱水機として、スクリュープレス以外にも、フィルタープレス、遠心分離機などの他のタイプのものを使用することもできる。

図１に示すように、凝集装置３は、汚泥を収容し、汚泥を凝集剤と混合する凝集混和槽７と、凝集混和槽７内の汚泥を攪拌するための攪拌機８と、凝集混和槽７に接続された汚泥導入管（懸濁液導入管）１４と、汚泥導入管１４に設けられたポンプ１２を備えている。攪拌機８は、凝集混和槽７内に配置された攪拌羽根９と、攪拌羽根９に連結された攪拌モータ１０を備えている。懸濁液貯留槽１は、汚泥導入管１４によって凝集混和槽７に接続されている。汚泥は、ポンプ１２により汚泥導入管１４を通じて懸濁液貯留槽１から凝集混和槽７に移送される。凝集混和槽７への汚泥の流量は、ポンプ１２の運転によって調整することが可能である。

ポンプ１２は制御システム６に接続されており、ポンプ１２の動作、すなわち凝集混和槽７への汚泥の流量は、制御システム６によって制御される。汚泥導入管１４には温度センサ２２が取り付けられている。この温度センサ２２は、凝集混和槽７に導入される汚泥の温度を測定するように構成されている。さらに、汚泥導入管１４には汚泥濃度計（懸濁液濃度計）２４が取り付けられており、凝集混和槽７に導入される汚泥中の懸濁物質の濃度は汚泥濃度計２４によって測定される。

脱水システムは、懸濁液貯留槽１内の汚泥（処理前の懸濁液）の画像データを生成する懸濁液撮像装置２９を備えている。懸濁液撮像装置２９は、対象物の静止画像または連続画像を生成することができるイメージセンサ（例えばＣＣＤイメージセンサまたはＣＭＯＳイメージセンサ）を備えたデジタルカメラである。あるいは、懸濁液撮像装置２９は、光を波長ごとに分解して対象物を撮像することができるハイパースペクトルカメラであってもよい。懸濁液撮像装置２９は、制御システム６に接続されており、懸濁液撮像装置２９によって生成された汚泥（懸濁液）の画像データは、制御システム６に送られるようになっている。

凝集装置３は、凝集混和槽７に接続された水供給ライン２６と、水供給ライン２６に取り付けられた流量制御弁２７をさらに備えている。水供給ライン２６は、水を凝集混和槽７内に供給し、凝集混和槽７内の汚泥を希釈する。水供給ライン２６を通って凝集混和槽７に供給される水の流量は流量制御弁２７によって調整される。流量制御弁２７は制御システム６に接続されており、流量制御弁２７の動作、すなわち水の流量は、制御システム６によって制御される。一実施形態では、水供給ライン２６を汚泥導入管１４に接続し、水を汚泥導入管１４に直接供給してもよい。

凝集装置３は、凝集混和槽７に接続された凝集剤供給装置２８をさらに備えている。この凝集剤供給装置２８は、凝集剤を予め定められた流量で凝集混和槽７内の汚泥に注入するように構成されている。凝集混和槽７内の汚泥に注入される凝集剤の流量は、凝集剤供給装置２８によって調整される。この凝集剤供給装置２８は制御システム６に接続されており、凝集剤供給装置２８の動作、すなわち凝集剤の流量は、制御システム６によって制御される。汚泥は凝集剤とともに攪拌機８によって攪拌される。凝集混和槽７内で凝集剤と汚泥を攪拌することにより、汚泥内の懸濁物質が集合した凝集物が形成される。凝集混和槽７内で形成される凝集物は、一般に、凝集フロックと呼ばれる。

脱水システムは、凝集装置３によって形成された凝集物の画像データを生成する凝集物撮像装置３１を備えている。凝集物撮像装置３１は、対象物の静止画像または連続画像を生成することができるイメージセンサ（例えばＣＣＤイメージセンサまたはＣＭＯＳイメージセンサ）を備えたデジタルカメラである。あるいは、凝集物撮像装置３１は、光を波長ごとに分解して対象物を撮像することができるハイパースペクトルカメラであってもよい。

凝集物撮像装置３１は、凝集混和槽７の内部を向いており、凝集混和槽７内の凝集物の画像データを生成するように配置されている。凝集物撮像装置３１は、制御システム６に接続されており、凝集物撮像装置３１によって生成された凝集物の画像データは、制御システム６に送られるようになっている。一実施形態では、凝集物撮像装置３１は、凝集混和槽７の出口を向き、凝集混和槽７から排出された凝集物の画像データを生成するように配置されてもよい。

図１に示される凝集混和槽７は単段の槽であるが、凝集混和槽７は、複数段の槽であってもよい。汚泥の攪拌強度は、攪拌機８の回転速度によって調整することができる。攪拌機８は制御システム６に接続されており、攪拌機８の動作、すなわち汚泥の攪拌強度は、制御システム６によって制御される。凝集混和槽７は、その内部の凝集物の状態を観察できるように、サイドグラスが設置されてもよい。

凝集混和槽７は、汚泥移送管１８によって濃縮装置４に連結されている。濃縮装置４は、凝集装置３と脱水装置５との間に配置されている。凝集装置３によって形成された凝集物からなる汚泥は、汚泥移送管１８を通って濃縮装置４に移送される。凝集物は、濃縮装置４によって濃縮され、脱水される。濃縮装置４の一例としては、回転円板式脱液装置が挙げられる。

脱水システムは、濃縮装置４によって形成された濃縮物（濃縮された凝集物）の画像データを生成する濃縮物撮像装置３２をさらに備えている。濃縮物撮像装置３２は、対象物の静止画像または連続画像を生成することができるイメージセンサ（例えばＣＣＤイメージセンサまたはＣＭＯＳイメージセンサ）を備えたデジタルカメラである。あるいは、濃縮物撮像装置３２は、光を波長ごとに分解して対象物を撮像することができるハイパースペクトルカメラであってもよい。

濃縮物撮像装置３２は、濃縮装置４に隣接して配置されている。より具体的には、濃縮物撮像装置３２は、濃縮装置４の内部を向いており、濃縮装置４によって濃縮される工程中の凝集物の画像データを生成するように配置されている。一実施形態では、濃縮物撮像装置３２は、濃縮装置４の入口、または濃縮装置４の入口から濃縮装置４の上部を向き、凝集物から液体が除去されている状態の濃縮物の画像データを生成するように配置されてもよいし、または濃縮物撮像装置３２は、濃縮装置４の出口を向き、濃縮装置４によって濃縮された後の凝集物、すなわち濃縮物の画像データを生成するように配置されてもよい。濃縮物撮像装置３２は、制御システム６に接続されており、濃縮物撮像装置３２によって生成された濃縮物の画像データは、制御システム６に送られるようになっている。

脱水システムは、濃縮装置４によって凝集物から分離された液体の画像データを生成する分離液撮像装置３３をさらに備えている。分離液撮像装置３３は、対象物の静止画像または連続画像を生成することができるイメージセンサ（例えばＣＣＤイメージセンサまたはＣＭＯＳイメージセンサ）を備えたデジタルカメラである。あるいは、分離液撮像装置３３は、光を波長ごとに分解して対象物を撮像することができるハイパースペクトルカメラであってもよい。分離液撮像装置３３は、濃縮装置４の排液ドレイン４ａに隣接して配置されており、濃縮装置４から排出された液体の画像データを生成するように配置されている。一実施形態では、濃縮装置４は、濃縮装置４から排出された液体を受ける液体受け（図示せず）を有し、分離液撮像装置３３はこの液体受けの内部を向いて配置されてもよい。分離液撮像装置３３は、制御システム６に接続されており、分離液撮像装置３３によって生成された液体の画像データは、制御システム６に送られるようになっている。

濃縮装置４の出口は、脱水装置５の投入口３５の上方に配置されており、濃縮装置４によって形成された濃縮物からなる汚泥は、脱水装置５の投入口３５に投入される。本実施形態では、脱水装置５は、スクリュープレスである。スクリュープレスとしての脱水装置５は、ろ過筒３６と、ろ過筒３６内に同心状に配置されたスクリュー軸３７と、スクリュー軸３７の外面に固定されたスクリュー羽根３８と、スクリュー軸３７およびスクリュー羽根３８を回転させて汚泥を排出室４１に向かって送るスクリューモータ４０と、スクリューモータ４０に連結された軸摺動アクチュエータ４２を備えている。

ろ過筒３６は、パンチングメタルなどの多孔板から構成されている。ろ過筒３６の一端は閉塞壁４４によって密封されており、ろ過筒３６の他端は排出室４１に接続されている。投入口３５はろ過筒３６に形成されており、かつ閉塞壁４４に隣接している。

スクリュー軸３７は、ろ過筒３６内を貫通して延びている。スクリュー軸３７は、下流側に向かってその径が徐々に大きくなる円錐台形状を有している。スクリュー軸３７は閉塞壁４４を貫通して延びており、スクリュー軸３７の端部はスクリューモータ４０に連結されている。スクリューモータ４０には、インバータ（図示せず）が内蔵されている。スクリューモータ４０は制御システム６に接続されており、スクリューモータ４０の動作、すなわちスクリュー軸３７およびスクリュー羽根３８の回転速度は、制御システム６によって制御される。

スクリュー羽根３８は、スクリュー軸３７の長手方向に沿って螺旋状に延びる一枚羽根である。ろ過筒３６の内面とスクリュー羽根３８との間には微小な隙間が形成されており、スクリュー羽根３８はろ過筒３６に接触することなく回転することができる。投入口３５からろ過筒３６内に投入された汚泥は、回転するスクリュー羽根３８によりろ過筒３６内を排出室４１に向かって移送される。

汚泥がろ過筒３６内で移送される空間は、ろ過筒３６の内面と、スクリュー羽根３８と、スクリュー軸３７とによって形成される。この空間の容積は、汚泥の進行方向に沿って漸次減少する。したがって、この空間をスクリュー羽根３８によって移動されるに従って、汚泥は圧搾され、脱水される。ろ過筒３６を通過したろ液は、ろ過筒３６の下方に配置されたろ液受け４５によって回収された後に、ドレイン４６を通じて排出される。

ろ過筒３６の下流側端部に対向して環状の背圧板５０が配置されている。この背圧板５０は、ろ過筒３６内を移送された脱水汚泥を受けるためのテーパー面を有する円錐台の形状を有している。背圧板５０の中央部には、スクリュー軸３７が貫通する貫通孔が形成されており、背圧板５０はスクリュー軸３７と同心状に配置されている。背圧板５０はスクリュー軸３７に固定されておらず、背圧板５０は回転しない。

背圧板５０は、背圧板駆動装置５１に連結されている。この背圧板駆動装置５１は、背圧板５０を、スクリュー軸３７の軸方向に移動させるように構成されている。背圧板５０とろ過筒３６の下流側端部との間の隙間は、背圧板駆動装置５１によって調整される。背圧板駆動装置５１は、例えば油圧シリンダーまたは電動シリンダーなどから構成されている。背圧板駆動装置５１は制御システム６に接続されており、背圧板駆動装置５１の動作、すなわち背圧板５０の軸方向の位置は、制御システム６によって制御される。

軸摺動アクチュエータ４２は、スクリューモータ４０をスクリュー軸３７の軸方向に移動させるように構成されている。軸摺動アクチュエータ４２がスクリューモータ４０を軸方向に移動させると、スクリューモータ４０に連結されたスクリュー軸３７およびスクリュー羽根３８は、ろ過筒３６内でスクリュー軸３７の軸方向に移動される。

次に、脱水装置５の動作について説明する。濃縮装置４によって形成された濃縮物からなる汚泥は、投入口３５からろ過筒３６内に投入される。汚泥は、回転するスクリュー羽根３８によりろ過筒３６内を排出室４１に向かって移送される。ろ過筒３６内を移動されるに従って、汚泥は圧搾され、脱水される。ろ過筒３６を通過したろ液は、ろ液受け４５によって回収され、ドレイン４６を通じて排出される。汚泥は、ろ過筒３６内で脱水されてケーキを形成する。洗浄装置５５は、予め設定された時間間隔で、ろ過筒３６の外周面に洗浄液を供給する。

ろ過筒３６内を移動してきたケーキは、背圧板５０に押し付けられる。ケーキは、その移動を背圧板５０によって妨げられることで圧縮される。この圧縮されたケーキは、ろ過筒３６の下流側端部をシールするプラグ５２を形成する。プラグ５２は、後続のケーキに背圧を加えることにより、ろ過筒３６内のケーキの含水率を低下させる。ケーキは、ろ過筒３６内でプラグ５２を形成しながら、後続のケーキにより押されて背圧板５０とろ過筒３６の下流側端部との間の隙間を通過して、少しずつ排出室４１に排出される。ケーキは、排出室４１の下部に設けられた排出口５３を通って排出室４１から排出される。このようにして、汚泥から液体が除去されて、低含水率のケーキが形成される。

背圧板５０の軸方向の位置によって背圧板５０とろ過筒３６の下流側端部との間の隙間が変わり、結果として、ろ過筒３６内の汚泥に加わる圧縮力が変わる。より具体的には、背圧板５０とろ過筒３６の下流側端部との間の隙間が小さくなると、プラグ５２を押し出すのにより大きな力が必要となるので、ろ過筒３６内の汚泥に加わる圧縮力が増加する。よって、スクリュー羽根３８の回転速度のみならず、背圧板５０の位置によっても、汚泥に加わる圧縮力を調整することができる。ろ過筒３６内には圧力センサ６１が配置されており、ろ過筒３６内の汚泥の圧力は、圧力センサ６１によって測定される。圧力センサ６１は制御システム６に接続されており、汚泥の圧力の測定値は制御システム６に送られるようになっている。圧力センサ６１の位置はろ過筒３６内であれば特に限定されず、ろ過筒３６内の前段、中段、または後段のいずれであってもよく、複数の圧力センサ６１がろ過筒３６内に配置されてもよい。

プラグ５２は、低含水率のケーキから形成されている。プラグ５２を形成しているケーキの含水率が低下すると、プラグ５２が硬くなり、ろ過筒３６の下流側端部を閉塞してしまうことがある。このような場合は、軸摺動アクチュエータ４２は、スクリュー軸３７およびスクリュー羽根３８を軸方向に移動させることで、硬い低含水率のケーキを強制的に排出することができる。結果として、脱水装置５は、安定した連続運転が可能となる。

脱水システムは、脱水装置５によって形成されたケーキ（低含水率の濁質残渣）の画像データを生成するケーキ撮像装置６４と、脱水装置５から排出されたろ液の画像データを生成する脱水ろ液撮像装置６５を備えている。ケーキ撮像装置６４および脱水ろ液撮像装置６５は、対象物の静止画像または連続画像を生成することができるイメージセンサ（例えばＣＣＤイメージセンサまたはＣＭＯＳイメージセンサ）を備えたデジタルカメラである。あるいは、ケーキ撮像装置６４および脱水ろ液撮像装置６５は、光を波長ごとに分解して対象物を撮像することができるハイパースペクトルカメラであってもよい。

ケーキ撮像装置６４は、脱水装置５の排出口５３に隣接して配置されてもよいし、またはケーキが排出される背圧板５０に隣接して配置されてもよい。さらに、ケーキ撮像装置６４は、排出口５３または排出室４１内に配置されてもよい。脱水ろ液撮像装置６５は、脱水装置５のドレイン４６に隣接して配置されている。一実施形態では、脱水ろ液撮像装置６５は、ろ液受け４５の内部を向いて配置され、ろ液受け４５に受けられたろ液の画像データを生成してもよい。さらに、一実施形態では、脱水ろ液撮像装置６５は、ろ過筒３６の下面を向いて配置されてもよい。ケーキ撮像装置６４および脱水ろ液撮像装置６５は、制御システム６に接続されており、ケーキ撮像装置６４および脱水ろ液撮像装置６５によって生成されたケーキの画像データおよびろ液の画像データは、制御システム６に送られるようになっている。

脱水システムは、ろ過筒３６の外面の画像データを生成するろ過筒撮像装置６６をさらに備えている。ろ過筒撮像装置６６は、対象物の静止画像または連続画像を生成することができるイメージセンサ（例えばＣＣＤイメージセンサまたはＣＭＯＳイメージセンサ）を備えたデジタルカメラである。あるいは、ろ過筒撮像装置６６は、光を波長ごとに分解して対象物を撮像することができるハイパースペクトルカメラであってもよい。

ろ過筒撮像装置６６は、ろ過筒３６の上方に配置され、脱水装置５が汚泥を圧搾しているときのろ過筒３６の外面の画像データを生成する。より具体的には、ろ過筒撮像装置６６は、ろ過筒３６から漏れ出る濁質（汚泥中の固形物）の画像データを生成するように配置されている。一実施形態では、ろ過筒撮像装置６６は、ろ過筒３６の側方または下方に配置されてもよい。ろ過筒撮像装置６６は、制御システム６に接続されており、ろ過筒撮像装置６６によって生成されたろ過筒３６の外面の画像データは、制御システム６に送られるようになっている。

脱水装置５で形成されるケーキ（濁質残渣）の含水率は、凝集装置３に導入される汚泥の状態、および脱水システムの運転状態（すなわち、凝集装置３、濃縮装置４、脱水装置５の運転状態）に依存して変わる。

そこで、制御システム６は、上述した撮像装置２９，３１，３２，３３，６４，６５，６６によって生成された画像データを取得し、これら画像データに基づいて脱水システムの運転パラメータを最適化するように構成されている。制御システム６は、機械学習アルゴリズムにより構築された学習済みモデルが格納された記憶装置６ａと、画像データを学習済みモデルに入力し、脱水装置５から排出されるケーキ（濁質残渣）の含水率を目標範囲内に収めることができる脱水システムの最適な運転パラメータを学習済みモデルから出力するための演算を実行する処理装置６ｂを備えている。

記憶装置６ａは、処理装置６ｂがアクセス可能な主記憶装置と、プログラム、学習済みモデル、データを格納する補助記憶装置を備えている。主記憶装置は、例えばランダムアクセスメモリ（ＲＡＭ）であり、補助記憶装置は、ハードディスクドライブ（ＨＤＤ）またはソリッドステートドライブ（ＳＳＤ）などのストレージ装置である。処理装置６ｂは、ＣＰＵ（中央処理装置）またはＧＰＵ（グラフィックプロセッシングユニット）などから構成されている。

制御システム６は、少なくとも１台のコンピュータから構成されている。前記少なくとも１台のコンピュータは、１台のサーバまたは複数台のサーバであってもよい。制御システム６は、撮像装置２９，３１，３２，３３，６４，６５，６６に通信線で接続されたエッジサーバであってもよいし、インターネットなどのネットワークによって撮像装置２９，３１，３２，３３，６４，６５，６６に接続されたクラウドサーバであってもよいし、あるいは撮像装置２９，３１，３２，３３，６４，６５，６６に接続されたネットワーク内に設置されたフォグコンピューティングデバイス（ゲートウェイ、フォグサーバ、ルーターなど）であってもよい。制御システム６は、インターネットなどのネットワークにより接続された複数のサーバであってもよい。例えば、制御システム６は、エッジサーバとクラウドサーバとの組み合わせであってもよい。

学習済みモデルは、ニューラルネットワークから構成されている。記憶装置６ａには、学習済みモデルを機械学習アルゴリズムに従って構築するためのプログラムが格納されている。処理装置６ｂは、プログラムに含まれる命令に従って演算を実行することによって学習済みモデルを構築する。機械学習アルゴリズムに従って学習済みモデルを構築することは、ニューラルネットワークの重みなどのパラメータを最適化する工程を含む。

機械学習アルゴリズムの例としては、ＳＶＲ法（サポートベクター回帰法）、ＰＬＳ法（部分最小二乗法：Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ）、ディープラーニング法（深層学習法）、ランダムフォレスト法、または決定木法などが挙げられるが、特にディープラーニング法が好適である。ディープラーニング法は、隠れ層が多層化されたニューラルネットワークをベースとする学習法である。本明細書では、入力層と、二層以上の隠れ層と、出力層で構成されるニューラルネットワークを用いた機械学習をディープラーニングと称する。ディープラーニング法を用いることで、これまで人の目と経験を基に判定していた汚泥、凝集物、濃縮物などの状態を、画像データに基づいてコンピュータにより判定が可能となる。

学習済みモデルは、撮像装置２９，３１，３２，３３，６４，６５，６６によって生成された過去の画像データと、脱水装置５から排出されるケーキ（濁質残渣）の含水率を目標範囲内に収めることができる脱水システムの最適な運転パラメータとの複数の組み合わせを含む学習データを用いて、機械学習アルゴリズムに従って構築されたモデルである。上記撮像装置によって生成された過去の画像データは説明変数であり、脱水装置５から排出されるケーキ（濁質残渣）の含水率を目標範囲内に収めることができる脱水システムの最適な運転パラメータは目的変数である。学習データを構成する最適な運転パラメータは、正解データであり、熟練した運転員が汚泥、凝集物、濃縮物などの状態と、脱水装置５から排出されたケーキの含水率に基づいて決定した運転パラメータである。学習データは、訓練データまたは教師データとも呼ばれる。

学習済みモデルのパラメータ（重みなど）を最適化するために、撮像装置２９，３１，３２，３３，６４，６５，６６によって生成された画像データと、ケーキの含水率を目標範囲内に収めることができる最適な運転パラメータとの多数の組み合わせを含む学習データが用意される。制御システム６は、この学習データを用いて機械学習アルゴリズムにより学習済みモデルを構築する。学習済みモデルのパラメータには、重みの他に、バイアスが含まれることがある。このようにして構築された学習済みモデルは、記憶装置６ａ内に格納される。

制御システム６は、画像データを所定の周期で上記撮像装置２９，３１，３２，３３，６４，６５，６６から取得し、記憶装置６ａ内に記憶する。制御システム６は、画像データを学習済みモデルに入力し、ケーキの含水率を目標範囲内に収めることができる最適な運転パラメータを学習済みモデルから出力する。

本実施形態では、上述した撮像装置２９，３１，３２，３３，６４，６５，６６のすべてによって生成された画像データが学習済みモデルに入力されるが、一実施形態では、撮像装置２９，３１，３２，３３，６４，６５，６６のうちの少なくとも１つによって生成された画像データが学習済みモデルに入力されてもよい。この場合、学習済みモデルの構築には、その学習済みモデルに入力される画像データと同種の画像データが使用される。例えば、凝集物撮像装置３１および濃縮物撮像装置３２によって生成された画像データが学習済みモデルに入力される場合は、凝集物撮像装置３１および濃縮物撮像装置３２によって生成された過去の画像データを含む学習データを用いて学習済みモデルが構築される。

図２は、学習済みモデルの一例を示す模式図である。学習済みモデルは、入力層２０１と、複数の隠れ層（中間層ともいう）２０２と、出力層２０３を有したニューラルネットワークである。図２に示すモデルは、４つの隠れ層２０２を有しているが、学習済みモデルの構成は図２に示す実施形態に限られない。学習済みモデルは、５つ以上の隠れ層２０２を有してもよい。

学習済みモデルの入力層２０１には画像データが入力される。より具体的には、画像データを構成する各ピクセルの数値が入力層２０１に入力される。画像データがカラー画像データである場合は、各ピクセルの赤色、緑色、青色を表す数値が学習済みモデルの入力層２０１の対応するノード（ニューロン）に入力される。少なくとも１台のコンピュータから構成された制御システム６は、ニューラルネットワークを構成する多層パーセプトロンのアルゴリズムに従って演算を実行し、学習済みモデルの出力層２０３は、脱水装置５から排出されるケーキの含水率を目標範囲内に収めることができる運転パラメータを表す数値を出力する。ただし、図２に示す学習済みモデルの構成は一例であって、本発明は、図２に示す例に限定されない。

学習済みモデルから出力される運転パラメータの具体例は、次の通りである。
・凝集混和槽７への汚泥の流量の適正範囲に対する過不足
→ポンプ１２の回転速度の増加、または維持、または減少
・凝集剤の適合性に対する適不適
→凝集剤の使用を維持、または凝集剤の種類の変更
・凝集剤の流量の適正範囲に対する過不足
→凝集剤供給装置２８の運転速度の増加、または維持、または減少
・攪拌機８の攪拌速度の適正範囲に対する過不足
→攪拌モータ１０の回転速度の増加、または維持、または減少
・凝集混和槽７に供給される水の流量の適正範囲に対する過不足
→流量制御弁２７の開度の増加、または維持、または減少
・濃縮装置４の運転速度の適正範囲に対する過不足
→増加、または維持、または減少
・濃縮装置４の調整変数（例えば圧搾板圧力調整）の適正範囲に対する過不足
→増加、または維持、または減少
・スクリュー軸３７の回転速度の適正範囲に対する過不足
→スクリューモータ４０の回転速度の増加、または維持、または減少
・背圧板５０の開度の適正範囲に対する過不足
→増加、または維持、または減少
・スクリュー軸３７の回転トルクの適正範囲に対する過不足
→スクリューモータ４０への電流の増加、または維持、または減少

上述した運転パラメータは例であり、学習済みモデルから出力される運転パラメータは、上記運転パラメータのうちのいずれかのみであってもよい。

従来は、熟練した運転員が、凝集物、濃縮物、ケーキなどの状態を目視により判断し、経験に基づいて上記運転パラメータを適宜設定していたのに対して、本実施形態では、制御システム６は、凝集物、濃縮物、ケーキなどの画像データをモデルに入力し、最適な運転パラメータを学習済みモデルから出力させる。これら運転パラメータを凝集装置３、濃縮装置４、および脱水装置５に適用することで、脱水システムの全体の運転を最適化することができる。

より最適化された運転パラメータを学習済みモデルから出力するために、学習済みモデルの構築に使用される学習データは、過去の画像データに加え、過去の画像データが生成されたときの脱水システムの状態データを含んでもよい。脱水システムの状態データの具体例は、次の通りである。
・汚泥の温度（温度センサ２２によって測定される）
・凝集混和槽７への汚泥の流量（ポンプ１２の回転速度から推定される）
・汚泥の性状（ｐＨ、アルカリ度、ＴＳ、ＶＴＳ、ＳＳ、ＶＳＳ、浮遊物質量）
・凝集剤の物性（カチオン度、分子量）
・凝集剤の流量（凝集剤供給装置２８の運転速度）
・攪拌機８の攪拌速度（攪拌モータ１０の回転速度）
・凝集混和槽７への水の流量（流量制御弁２７の開度）
・濃縮装置４の運転速度（濃縮装置４の駆動モータの回転速度）
・濃縮装置４の運転トルク（濃縮装置４の駆動モータへの電流値）
・濃縮装置４によって分離された液体の流量（図示しない流量計によって測定される）
・濃縮装置４によって濃縮された汚泥濃度（図示しない濃度センサによって測定される）
・スクリュー軸３７の回転速度
・スクリューモータ４０への電流値（トルク値）
・ろ過筒３６内の汚泥の圧力（圧力センサ６１によって測定される）
・背圧板５０の開度（背圧板駆動装置５１の設定値）
・背圧板５０の圧力（図示しない圧力センサによって測定される）
・ケーキ含水率の測定値（図示しない測定装置または手動によって測定される）

上述した脱水システムの状態データの項目は例であり、脱水システムの状態データは、上記項目のうちのいずれかのみであってもよい。

学習済みモデルは、撮像装置２９，３１，３２，３３，６４，６５，６６のうちの少なくとも１つによって生成された過去の画像データと、過去の画像データが生成されたときの脱水システムの状態データと、脱水装置５から排出されるケーキの含水率を目標範囲内に収めることができる脱水システムの最適な運転パラメータとの複数の組み合わせを含む学習データを用いて、機械学習アルゴリズムに従って構築される。過去の画像データと、過去の画像データが生成されたときの脱水システムの状態データは、説明変数であり、脱水装置５から排出されるケーキの含水率を目標範囲内に収めることができる脱水システムの最適な運転パラメータは、目的変数である。脱水システムの運転中、制御システム６は、撮像装置２９，３１，３２，３３，６４，６５，６６のうちの少なくとも１つによって生成された現在の画像データと、脱水システムの現在の状態データを学習済みモデルに入力し、脱水システムの最適な運転パラメータを学習済みモデルから出力するための演算を処理装置６ｂに実行させる。

図３は、脱水システムの他の実施形態を示す図である。図３に示す脱水システムは、脱水装置５として二段式スクリュープレスを採用している点で、軸摺動型のスクリュープレスを採用している図１の実施形態と相違する。本実施形態では、図１に示す軸摺動アクチュエータ４２は設けられていない。特に説明しない実施形態の構成および動作は、図１および図２に示す実施形態と同じであるので、その重複する説明を省略する。

二段式スクリュープレスから構成された脱水装置５は、ろ過筒３６と、ろ過筒３６内で、該ろ過筒３６と同心状に配置され、汚泥を移送する第１スクリュー７１および第２スクリュー７２と、第１スクリュー７１を回転させる第１スクリューモータ７５と、第１スクリュー７１とは独立に第２スクリュー７２を回転させる第２スクリューモータ７６を備えている。第１スクリューモータ７５と第２スクリューモータ７６の動作は、制御システム６によって制御される。

第１スクリューモータ７５および第２スクリューモータ７６は、第１スクリュー７１および第２スクリュー７２にそれぞれ直接連結されてもよいし、またはチェーンおよびスプロケットなどから構成されるトルク伝達機構を介して第１スクリュー７１および第２スクリュー７２にそれぞれ連結されてもよい。

ろ過筒３６は、パンチングメタルなどのスクリーン（多孔板）から形成されている。ろ過筒３６の上流側端部には、投入口３５が形成されている。投入口３５からろ過筒３６に投入された汚泥は、回転する第１スクリュー７１および第２スクリュー７２によりろ過筒３６内で所定の移送方向に移送される。ろ過筒３６の下流側端部は排出室４１に接続されている。

第２スクリュー７２は、第１スクリュー７１とは独立に回転可能なように、第１スクリュー７１に連結されている。第１スクリュー７１および第２スクリュー７２は、ろ過筒３６および排出室４１をそれぞれ貫通して延びている。排出室４１は、ろ過筒３６に接続されている。この排出室４１に、ケーキから構成されたプラグ７７がろ過筒３６から排出される。第２スクリュー７２の軸方向の長さは、第１スクリュー７１の軸方向の長さよりも短い。第１スクリュー７１は、汚泥の移送方向に沿ってその径が徐々に大きくなる円錐台形状の第１スクリュー軸７１Ａと、第１スクリュー軸７１Ａの外面に固定された第１スクリュー羽根７１Ｂとを有している。第２スクリュー７２は、円筒形状の第２スクリュー軸７２Ａと、第２スクリュー軸７２Ａの外面に固定された第２スクリュー羽根７２Ｂとを有している。

ろ過筒３６の上流側端部は閉塞壁４４によって密封されている。第１スクリュー軸７１Ａの上流側端部はこの閉塞壁４４を貫通して延び、第１スクリュー７１を回転させるための第１スクリューモータ７５に連結されている。第２スクリュー７２の第２スクリュー軸７２Ａは、第１スクリュー軸７１Ａと同心状に配置される。第２スクリュー軸７２Ａの外径は第１スクリュー軸７１Ａの最大径と同一である。第２スクリュー軸７２Ａの下流側端部は、排出室４１を構成する壁４１Ａを貫通して延び、第２スクリュー７２を回転させるための第２スクリューモータ７６に連結されている。排出室４１の下部は、排出口５３に接続されている。

第１スクリューモータ７５は、上記制御システム６に接続されている。第１スクリューモータ７５には、インバータ（図示せず）が内蔵されており、制御システム６は、インバータを介して第１スクリューモータ７５の動作を制御することができるように構成されている。すなわち、制御システム６は、インバータを介して第１スクリューモータ７５の回転速度および回転方向を制御することができる。制御システム６は第１スクリューモータ７５に指令を発して、第１スクリュー７１を第２スクリュー７２とは独立して回転させることが可能である。

第２スクリューモータ７６も、上記制御システム６に接続される。第２スクリューモータ７６には、インバータ（図示せず）が内蔵されており、制御システム６は、インバータを介して第２スクリューモータ７６の動作を制御することができるように構成されている。すなわち、制御システム６は、インバータを介して第２スクリューモータ７６の回転速度および回転方向を制御することができる。制御システム６は第２スクリューモータ７６に指令を発して、第２スクリュー７２を第１スクリュー７１とは独立して回転させることが可能である。

第１スクリュー羽根７１Ｂは、第１スクリュー軸７１Ａの軸方向に沿って螺旋状に延びており、第２スクリュー羽根７２Ｂは、第２スクリュー軸７２Ａの軸方向に沿って螺旋状に延びている。第１スクリュー羽根７１Ｂが固定されている第１スクリュー７１の部分と、第２スクリュー羽根７２Ｂが固定されている第２スクリュー７２の部分を合計した長さは、ろ過筒３６の軸方向の長さと同一か、または長い。

ろ過筒３６の内面と第１スクリュー羽根７１Ｂとの間には微小な隙間が形成されており、第１スクリュー羽根７１Ｂはろ過筒３６に接触することなく回転することができるようになっている。同様に、ろ過筒３６の内面と第２スクリュー羽根７２Ｂとの間には微小な隙間が形成されており、第２スクリュー羽根７２Ｂはろ過筒３６に接触することなく回転することができるようになっている。ろ過筒３６の上流側端部に形成された投入口３５からろ過筒３６に投入された汚泥を、回転する第１スクリュー羽根７１Ｂおよび第２スクリュー羽根７２Ｂによって排出室４１に向かって移送することができる。

第２スクリュー羽根７２Ｂのピッチは、第１スクリュー羽根７１Ｂのピッチよりも小さい。さらに、第２スクリュー羽根７２Ｂは、その巻数が３巻き未満である。本実施形態では、第２スクリュー羽根７２Ｂの巻き方向（すなわち、螺旋方向）は、第１スクリュー羽根７１Ｂの巻き方向とは逆である。したがって、投入口３５から投入された汚泥を、排出室４１へ送り出すときは、図３に示されるように、第２スクリュー７２を第１スクリュー７１とは逆方向に回転させる。

第２スクリュー羽根７２Ｂの巻き方向を、第１スクリュー羽根７１Ｂの巻き方向と同一にしてもよい。この場合、投入口３５から投入された汚泥を、排出室４１へ送り出すときは、第２スクリュー７２を第１スクリュー７１と同方向に回転させる。

ろ過筒３６は、第１スクリュー７１が配置された脱水領域１Ａと、第２スクリュー７２が配置されたプラグ形成領域１Ｂとに分割される。脱水領域１Ａで汚泥が移送される空間は、ろ過筒３６の内面と、第１スクリュー羽根７１Ｂと、第１スクリュー軸７１Ａとによって形成される。この移送空間の断面積は、図３に示すように、汚泥の移送方向に沿って漸次減少する。したがって、投入口３５から投入された汚泥がこの移送空間を第１スクリュー羽根７１Ｂによって移送されるに従って、汚泥は圧搾され、脱水される。ろ過筒３６を通過したろ液は、ろ過筒３６の下方に配置されたろ液受け４５によって回収される。ろ液受け４５には、ドレイン４６が接続されており、ろ液受け４５によって回収されたろ液は、ドレイン４６を介して脱水装置５から排出される。

プラグ形成領域１Ｂで汚泥が移送される空間は、ろ過筒３６の内面と、第２スクリュー羽根７２Ｂと、第２スクリュー軸７２Ａとによって形成される。図３に示すように、この移送空間の断面積は一定である。プラグ形成領域１Ｂでは、脱水領域１Ａで脱水された汚泥（すなわち、ケーキ）によって、プラグ７７が形成される。プラグ７７は、後続のケーキに背圧を加えることにより、ろ過筒３６内のケーキの含水率を低下させる。ケーキは、プラグ形成領域１Ｂ内でプラグ７７を形成しながら、後続のケーキにより押されて、少しずつ排出室４１に排出される。ケーキは、排出室４１の下部に設けられた排出口５３を通って排出室４１から排出される。このようにして、汚泥から液体が除去されて、低含水率のケーキが形成される。

図１に示す実施形態と同様に、制御システム６は、汚泥、凝集物、濃縮物などの画像データを学習済みモデルに入力し、脱水装置５から排出されるケーキの含水率を目標範囲内に収めることができる最適な運転パラメータを出力するように構成されている。
学習済みモデルから出力される運転パラメータの具体例は、次の通りである。
・凝集混和槽７への汚泥の流量の適正範囲に対する過不足
→ポンプ１２の回転速度の増加、または維持、または減少
・凝集剤の適合性に対する適不適
→凝集剤の使用を維持、または凝集剤の種類の変更
・凝集剤の流量の適正範囲に対する過不足
→凝集剤供給装置２８の運転速度の増加、または維持、または減少
・攪拌機８の攪拌速度の適正範囲に対する過不足
→攪拌モータ１０の回転速度の増加、または維持、または減少
・凝集混和槽７に供給される水の流量の適正範囲に対する過不足
→流量制御弁２７の開度の増加、または維持、または減少
・濃縮装置４の運転速度の適正範囲に対する過不足
→増加、または維持、または減少
・濃縮装置４の調整変数（例えば圧搾板圧力調整）の適正範囲に対する過不足
→増加、または維持、または減少
・第１スクリュー７１の回転速度の適正範囲に対する過不足
→第１スクリューモータ７５の回転速度の増加、または維持、または減少
・第２スクリュー７２の回転速度の適正範囲に対する過不足
→第２スクリューモータ７６の回転速度の増加、または維持、または減少
・第１スクリュー７１の回転トルクの適正範囲に対する過不足
→第１スクリューモータ７５への電流の増加、または維持、または減少
・第２スクリュー７２の回転トルクの適正範囲に対する過不足
→第２スクリューモータ７６への電流の増加、または維持、または減少

上述した運転パラメータは例であり、学習済みモデルから出力される運転パラメータは、上記運転パラメータのうちのいずれかのみであってもよい。

より最適化された運転パラメータをモデルから出力するために、学習済みモデルの構築に使用される学習データは、過去の画像データに加え、過去の画像データが生成されたときの脱水システムの状態データを含んでもよい。脱水システムの状態データの具体例は、次の通りである。
・汚泥の温度（温度センサ２２によって測定される）
・凝集混和槽７への汚泥の流量（ポンプ１２の回転速度）
・汚泥の性状（ｐＨ、アルカリ度、ＴＳ、ＶＴＳ、ＳＳ、ＶＳＳ、浮遊物質量）
・凝集剤の物性（カチオン度、分子量）
・凝集剤の流量（凝集剤供給装置２８の運転速度）
・攪拌機８の攪拌速度（攪拌モータ１０の回転速度）
・凝集混和槽７への水の流量（流量制御弁２７の開度）
・濃縮装置４の運転速度（駆動モータの回転速度）
・濃縮装置４の運転トルク（駆動モータへの電流値）
・濃縮装置４によって分離された液体の流量（図示しない流量計によって測定される）
・濃縮装置４によって濃縮された汚泥濃度（図示しない濃度センサによって測定される）
・第１スクリュー７１の回転速度
・第１スクリューモータ７５への電流値（トルク値）
・第２スクリュー７２の回転速度
・第２スクリューモータ７６への電流値（トルク値）
・ろ過筒３６内の汚泥の圧力（圧力センサ６１によって測定される）
・ケーキ含水率の測定値（図示しない測定装置または手動によって測定される）

上述した脱水システムの状態データの項目は例であり、脱水システムの状態データは、上記項目のうちのいずれかのみであってもよい。

学習済みモデルは、撮像装置２９，３１，３２，３３，６４，６５，６６のうちの少なくとも１つによって生成された過去の画像データと、過去の画像データが生成されたときの脱水システムの状態データと、脱水装置５から排出されるケーキの含水率を目標範囲内に収めることができる脱水システムの最適な運転パラメータとの複数の組み合わせを含む学習データを用いて、機械学習アルゴリズムに従って構築される。脱水システムの運転中、制御システム６は、撮像装置２９，３１，３２，３３，６４，６５，６６のうちの少なくとも１つによって生成された現在の画像データと、脱水システムの現在の状態データを学習済みモデルに入力し、脱水システムの最適な運転パラメータを学習済みモデルから出力するための演算を処理装置６ｂに実行させる。

図１および図３に示す実施形態では、脱水システムは濃縮装置４を備えているが、一実施形態では、濃縮装置４を省略してもよい。この場合は、凝集装置３で形成された凝集物（凝集フロック）は、汚泥移送管１８を通って脱水装置５の投入口３５に移送される。

図４は、脱水システムの他の実施形態を示す図である。図４に示す脱水システムにおいては、脱水装置５としてベルトプレス型脱水装置が採用されている。上述した濃縮装置４は設けられていない。特に説明しない実施形態の構成および動作は、図１および図２に示す実施形態と同じであるので、その重複する説明を省略する。

凝集装置３は、汚泥を収容する造粒槽８０と、造粒槽８０内の汚泥を攪拌するための攪拌機８と、造粒槽８０に接続された汚泥導入管１４と、汚泥導入管１４に設けられたポンプ１２を備えている。攪拌機８は、造粒槽８０内に配置された攪拌羽根９と、攪拌羽根９に連結された攪拌モータ１０を備えている。懸濁液貯留槽１は、汚泥導入管１４によって凝造粒槽８０に接続されている。汚泥はポンプ１２により汚泥導入管１４を通じて懸濁液貯留槽１から造粒槽８０に移送される。造粒槽８０への汚泥の流量は、ポンプ１２の運転によって調整することが可能である。

ポンプ１２は制御システム６に接続されており、ポンプ１２の動作、すなわち造粒槽８０への汚泥の流量は、制御システム６によって制御される。汚泥導入管１４には温度センサ２２が取り付けられている。この温度センサ２２は、造粒槽８０に導入される汚泥の温度を測定するように構成されている。さらに、汚泥導入管１４には汚泥濃度計（懸濁液濃度計）２４が取り付けられており、造粒槽８０に導入される汚泥中の懸濁物質の濃度は汚泥濃度計２４によって測定される。

凝集装置３は、造粒槽８０に接続された凝集剤供給装置２８をさらに備えている。この凝集剤供給装置２８は、凝集剤を予め定められた流量で造粒槽８０内の汚泥に注入するように構成されている。造粒槽８０内の汚泥に注入される凝集剤の流量は、凝集剤供給装置２８によって調整される。この凝集剤供給装置２８は制御システム６に接続されており、凝集剤供給装置２８の動作、すなわち凝集剤の流量は、制御システム６によって制御される。汚泥は凝集剤とともに攪拌機８の攪拌羽根９によって攪拌される。造粒槽８０内で凝集剤と汚泥を攪拌することにより、汚泥内の懸濁物質が集合した凝集物が形成される。造粒槽８０内で形成される凝集物は、一般に、ペレットと呼ばれる。

脱水システムは、懸濁液貯留槽１内の汚泥（処理前の懸濁液）の画像データを生成する懸濁液撮像装置２９を備えている。懸濁液撮像装置２９は、対象物の静止画像または連続画像を生成することができるイメージセンサ（例えばＣＣＤイメージセンサまたはＣＭＯＳイメージセンサ）を備えたデジタルカメラである。あるいは、懸濁液撮像装置２９は、光を波長ごとに分解して対象物を撮像することができるハイパースペクトルカメラであってもよい。懸濁液撮像装置２９は、制御システム６に接続されており、懸濁液撮像装置２９によって生成された汚泥（懸濁液）の画像データは、制御システム６に送られるようになっている。

脱水システムは、凝集装置３によって形成された凝集物（ペレット）の画像データを生成する凝集物撮像装置３１を備えている。凝集物撮像装置３１は、造粒槽８０の内部を向いており、造粒槽８０内の凝集物の画像データを生成するように配置されている。一実施形態では、凝集物撮像装置３１は、造粒槽８０の出口を向き、造粒槽８０から排出された凝集物の画像データを生成するように配置されてもよい。凝集物撮像装置３１は、制御システム６に接続されており、凝集物撮像装置３１によって生成された凝集物の画像データは、制御システム６に送られるようになっている。

汚泥の攪拌強度は、攪拌機８の回転速度によって調整することができる。攪拌機８は制御システム６に接続されており、攪拌機８の動作、すなわち汚泥の攪拌強度は、制御システム６によって制御される。

造粒槽８０は、汚泥移送管１８によってベルトプレス型脱水装置５に連結されている。脱水装置５は、無端状の前処理ろ布ベルト８２と、前処理ろ布ベルト８２を支持する複数の支持ローラ８３ａ～８３ｃと、無端状の第１ろ布ベルト８６と、第１ろ布ベルト８６を支持する第１ガイドローラ８８ａ～８８ｅと、無端状の第２ろ布ベルト９０と、第２ろ布ベルト９０を支持する第２ガイドローラ９１ａ～９１ｆと、第１ろ布ベルト８６および第２ろ布ベルト９０を支持する複数の圧搾ローラ９５Ａ～９５Ｅと、第１ろ布ベルト８６および第２ろ布ベルト９０を移動させる駆動装置９８を備えている。

前処理ろ布ベルト８２は、汚泥の移送方向において、圧搾ローラ９５Ａ～９５Ｅの上流側に配置されている。前処理ろ布ベルト８２の一部は、汚泥の移送方向に沿って上方に傾斜した傾斜部８２Ａを形成するように、支持ローラ８３ａ，８３ｂによって支持されている。支持ローラ８３ａは、電動機１００の駆動軸に連結されている。電動機１００が支持ローラ８３ａを回転させると、前処理ろ布ベルト８２は、傾斜部８２Ａ上の汚泥が上昇する方向に移動する。

駆動装置９８は、電動機９８Ａと、電動機９８Ａの駆動軸に固定された駆動ホイール９８Ｂと、駆動ホイール９８Ｂに支持された駆動力伝達部材としてのベルト９８Ｃを備えている。ベルト９８Ｃに代えてチェーンが用いられてもよい。ベルト９８Ｃは、第１ガイドローラ８８ｃに連結され、さらに第２ガイドローラ９１ｆに連結されている。電動機９８Ａが駆動ホイール９８Ｂを回転させると、駆動ホイール９８Ｂの回転はベルト９８Ｃによって第１ガイドローラ８８ｃおよび第２ガイドローラ９１ｆに伝達される。第１ガイドローラ８８ｃおよび第２ガイドローラ９１ｆは同じ速度で回転し、これにより第１ろ布ベルト８６および第２ろ布ベルト９０は同じ方向に同じ速度で進む。

第１ろ布ベルト８６は、第１ガイドローラ８８ａ～８８ｅと、複数の圧搾ローラ９５Ａ～９５Ｅとにより支持されている。第１ガイドローラ８８ｄは、第１ろ布緊張装置１０１に連結されている。この第１ろ布緊張装置１０１は、第１ガイドローラ８８ｄの位置を移動させることで、第１ろ布ベルト８６の緊張を調整するように構成されている。

第２ろ布ベルト９０は、第２ガイドローラ９１ａ～９１ｆと、複数の圧搾ローラ９５Ａ～９５Ｅとにより支持されている。第２ガイドローラ９１ａは、第２ろ布緊張装置１０２に連結されている。この第２ろ布緊張装置１０２は、第２ガイドローラ９１ａの位置を移動させることで、第２ろ布ベルト９０の緊張を調整するように構成されている。

凝集装置３によって形成された凝集物（ペレット）からなる汚泥は、汚泥移送管１８を通って前処理ろ布ベルト８２上に移送される。汚泥は、前処理ろ布ベルト８２の傾斜部８２Ａを上昇しながら、重力により汚泥中の液体が落下する。この工程は、重力脱水工程である。

前処理ろ布ベルト８２の移動により、前処理ろ布ベルト８２上の汚泥は、第１ろ布ベルト８６上に移される。複数の圧搾ローラ９５Ａ～９５Ｅの間を延びる第１ろ布ベルト８６および第２ろ布ベルト９０は、互いに対向している。第１ろ布ベルト８６が移動されるにつれて、汚泥は第１ろ布ベルト８６と第２ろ布ベルト９０との間に挟まれる。第１ろ布ベルト８６および第２ろ布ベルト９０は圧搾ローラ９５Ａ～９５Ｅに巻きつけられながら、汚泥は第１ろ布ベルト８６と第２ろ布ベルト９０との間に挟まれ、圧搾される。その結果、汚泥は低含水率のケーキ（濁質残渣）となる。低含水率のケーキは、排出口５３から排出される。

圧搾ローラ９５Ａ～９５Ｅの下方には、ろ液受け４５が配置されている。汚泥から除去されたろ液は、ろ液受け４５によって回収される。ろ液受け４５には、ドレイン４６が接続されており、ろ液受け４５によって回収されたろ液は、ドレイン４６を介して脱水装置５から排出される。

脱水システムは、脱水装置５によって形成されたケーキ（低含水率の濁質残渣）の画像データを生成するケーキ撮像装置６４と、脱水装置５から排出されたろ液の画像データを生成する脱水ろ液撮像装置６５を備えている。ケーキ撮像装置６４は、脱水装置５の排出口５３に隣接して配置されており、脱水ろ液撮像装置６５は、脱水装置５のドレイン４６に隣接して配置されている。ケーキ撮像装置６４は、排出口５３内に配置されてもよい。ケーキ撮像装置６４および脱水ろ液撮像装置６５は、制御システム６に接続されており、ケーキ撮像装置６４および脱水ろ液撮像装置６５によって生成されたケーキの画像データおよびろ液の画像データは、制御システム６に送られるようになっている。

制御システム６は、撮像装置２９，３１，６４，６５によって生成された画像データを撮像装置２９，３１，６４，６５から取得し、この画像データに基づいて脱水システムの運転パラメータを最適化するように構成されている。制御システム６は、機械学習アルゴリズムにより構築された学習済みモデルが格納された記憶装置６ａと、画像データを学習済みモデルに入力し、脱水装置５から排出されるケーキ（濁質残渣）の含水率を目標範囲内に収めることができる脱水システムの最適な運転パラメータを学習済みモデルから出力するための演算を実行する処理装置６ｂを備えている。

学習済みモデルは、撮像装置２９，３１，６４，６５によって生成された過去の画像データと、脱水装置５から排出されるケーキ（濁質残渣）の含水率を目標範囲内に収めることができる脱水システムの最適な運転パラメータとの複数の組み合わせを含む学習データを用いて、機械学習アルゴリズムに従って構築されたモデルである。撮像装置２９，３１，６４，６５によって生成された過去の画像データは説明変数であり、脱水装置５から排出されるケーキ（濁質残渣）の含水率を目標範囲内に収めることができる脱水システムの最適な運転パラメータは目的変数である。学習データを構成する最適な運転パラメータは、正解データであり、熟練した運転員が汚泥、凝集物などの状態と、脱水装置５から排出されたケーキの含水率に基づいて決定した運転パラメータである。

学習済みモデルのパラメータ（重みなど）を最適化するために、撮像装置２９，３１，６４，６５によって生成された画像データと、ケーキの含水率を目標範囲内に収めることができる最適な運転パラメータとの多数の組み合わせを含む学習データが用意される。制御システム６は、この学習データを用いて機械学習アルゴリズムにより学習済みモデルを構築する。学習済みモデルのパラメータには、重みの他に、バイアスが含まれることがある。このようにして構築された学習済みモデルは、記憶装置６ａ内に格納される。

制御システム６は、画像データを所定の周期で撮像装置２９，３１，６４，６５から取得し、記憶装置６ａ内に記憶する。制御システム６は、画像データを学習済みモデルに入力し、ケーキの含水率を目標範囲内に収めることができる最適な運転パラメータを学習済みモデルから出力する。

本実施形態では、上述した撮像装置２９，３１，６４，６５のすべてによって生成された画像データが学習済みモデルに入力されるが、一実施形態では、撮像装置２９，３１，６４，６５のうちの少なくとも１つによって生成された画像データが学習済みモデルに入力されてもよい。この場合、学習済みモデルの構築には、その学習済みモデルに入力される画像データと同種の画像データが使用される。例えば、凝集物撮像装置３１によって生成された画像データが学習済みモデルに入力される場合は、凝集物撮像装置３１によって生成された過去の画像データを含む学習データを用いて学習済みモデルが構築される。

図１に示す実施形態と同様に、制御システム６は、画像データを学習済みモデルに入力し、脱水装置５から排出されるケーキの含水率を目標範囲内に収めることができる最適な運転パラメータを学習済みモデルから出力するように構成されている。
学習済みモデルから出力される運転パラメータの具体例は、次の通りである。
・造粒槽８０への汚泥の流量の適正範囲に対する過不足
→ポンプ１２の回転速度の増加、または維持、または減少
・凝集剤の適合性に対する適不適
→凝集剤の使用を維持、または凝集剤の種類の変更
・凝集剤の流量の適正範囲に対する過不足
→凝集剤供給装置２８の運転速度の増加、または維持、または減少
・攪拌機８の攪拌速度の適正範囲に対する過不足
→攪拌モータ１０の回転速度の増加、または維持、または減少
・第１ろ布ベルト８６および第２ろ布ベルト９０の移動速度
→電動機９８Ａの回転速度の増加、または維持、または減少
・第１ろ布ベルト８６および第２ろ布ベルト９０の緊張力
→ガイドローラ８８ｄ，９１ａの位置の変更、または維持

上述した運転パラメータは例であり、学習済みモデルから出力される運転パラメータは、上記運転パラメータのうちのいずれかのみであってもよい。

より最適化された運転パラメータをモデルから出力するために、モデルの構築に使用される学習データは、過去の画像データに加え、過去の画像データが生成されたときの脱水システムの状態データを含んでもよい。脱水システムの状態データの具体例は、次の通りである。
・汚泥の温度（温度センサ２２によって測定される）
・造粒槽８０への汚泥の流量（ポンプ１２の回転速度）
・汚泥の性状（ｐＨ、アルカリ度、ＴＳ、ＶＴＳ、ＳＳ、ＶＳＳ、浮遊物質量）
・凝集剤の物性（カチオン度、分子量）
・凝集剤の流量（凝集剤供給装置２８の運転速度）
・攪拌機８の攪拌速度（攪拌モータ１０の回転速度）
・第１ろ布ベルト８６および第２ろ布ベルト９０の移動速度（電動機９８Ａの回転速度）
・ガイドローラ８８ｄ，９１ａの位置

上述した脱水システムの状態データの項目は例であり、脱水システムの状態データは、上記項目のうちのいずれかのみであってもよい。

学習済みモデルは、撮像装置２９，３１，６４，６５のうちの少なくとも１つによって生成された過去の画像データと、過去の画像データが生成されたときの脱水システムの状態データと、脱水装置５から排出されるケーキの含水率を目標範囲内に収めることができる脱水システムの最適な運転パラメータとの複数の組み合わせを含む学習データを用いて、機械学習アルゴリズムに従って構築される。脱水システムの運転中は、制御システム６は、撮像装置２９，３１，６４，６５のうちの少なくとも１つによって生成された現在の画像データと、脱水システムの現在の状態データを学習済みモデルに入力し、脱水システムの最適な運転パラメータをモデルから出力するための演算を処理装置６ｂに実行させる。

汚泥をポリマーなどの凝集剤で凝集させて凝集フロックを形成し、その凝集フロックを含む汚泥を固液分離する場合の固液分離性能は、汚泥の種類や性状、使用する凝集剤、固液分離装置のタイプ等により異なる。その固液分離状態に関して状況変化が生じた場合に現場のプラント運転員が素早くその変化を察知し適宜運転条件を調整変更し、できるだけ連続的に固液分離性の最適化状態を維持する必要がある。この「汚泥の固液分離状態」に関して判断、評価する場合、その状態変化が色濃く強く出る箇所は汚泥の種類によって大きく異なるため、実施例は以下の３種類の異なる汚泥をそれぞれ対象とする脱水処理施設で行った。なお、これら３つの実施例で入力信号として採用し取込んだ項目は、汚泥性状の季節変動や運転環境の変化により増加、または減少させることにより効率化を図れる場合があることは言うまでもない。

上記実施例１～３では、３種類の異なる汚泥をそれぞれ対象とする脱水処理施設で稼働している図１に記載の軸摺動式のスクリュープレスを運転管理している各熟練運転員が、一定期間を通じて上述した運転パラメータ、及び前記画像データ（７ヶ所）を参考にしながら運転条件の最適化を行った。最適化のために運転条件を変更する度に、どの運転パラメータおよび画像データを根拠にして運転条件の変更を行ったかを記録し、それらの記録の統計データを基に多変量解析を行った。さらに、運転最適化のための運転操作項目変更の根拠となった各運転パラメータまたは各画像データの寄与度を統計的に整理し、３つの当該汚泥脱水処理施設においてそれぞれ特に重要かつ必要な採用入力データとしての運転パラメータまたは画像データを抽出した。その結果、各処理施設ごとに以下に示す入力データは、運転最適化にほぼ必要十分なデータであることが分かった。これらのデータを本脱水システムへの入力データとして取込み、出力データとして出された運転パラメータ内容が熟練運転員の実際の操作内容と合致する確率は、３処理施設ともに９３％以上を示した。以下に実施例１～３の運転状況を個別に解説する。

運転記録データ、本脱水システム採用による出力データ、及びそれらの統計解析結果より、実施例１の下水混合生汚泥では、「脱水装置内圧力」、「スクリュー軸トルク」、「スクリュー出口付近ろ液排出画像」の３つの要素により、おおよその固液分離状態を判断、評価することができることが分かった。この３つの入力データを用いた脱水システムの出力データと熟練運転員の実際の操作内容の合致率は９４％に達した。図５に実施例１の試験結果を示す。一般的に、混合生汚泥は固液分離性に寄与する７４μｍ以上粗浮遊物（大きいほど固液分離性良好）が１０～４０％と比較的多く、コシのある強固な脱水ケーキを形成し、ケーキ含水率は６０～７０％程度まで脱水される。このため、その脱水性能が脱水装置内の圧力やスクリュー軸トルクに強く反映され、また脱水ろ液画像（後段）により脱水工程の最終段階での固液分離状態（ろ液の滴り具合）が特徴的に画像として現れたと考えられる。
尚、本試験の運転期間における脱水ケーキの含水率は所定の汚泥流量に対して、目標の含水率を達成した。

運転記録データ、本脱水システム採用による出力データ、及びそれらの統計解析結果より、実施例２の混合バイオマスメタン発酵系汚泥では、「濃縮装置上部画像」のみでおおよその固液分離状態を判断、評価することができることが分かった。この入力データのみを用いた本脱水システムの出力データと熟練運転員の実際の操作内容の合致率は９３％に達した。図６に実施例２の試験結果を示す。

一般的に、混合バイオマスメタン発酵系汚泥中には、塩類濃度が比較的大きい食品加工品や食品残査が多いことから、凝集剤の適性添加率が対固形物当たり４％を超える場合もある。さらに、日々メタン発酵槽に投入する有機物は質も量も変動が大きく、凝集剤の注入率を適正範囲内に制御することが該汚泥の固液分離性にとって最も重要である。その適正注入率変動具合をリアルタイムで正確に表現できていたのが濃縮装置水切りゾーンにおける凝集凝縮汚泥の動き（広がり、転がり方、固液界面等）であったと考えられる。熟練運転員としてはこの濃縮装置水切りゾーンの上部からの画像を常時監視することで凝集剤の適正注入率の変動を主たる原因とする固液分離性変化を素早く察知し、脱水システムの運転条件を再度最適化することができていたと考えられる。
尚、本試験の運転期間における脱水ケーキの含水率は所定の汚泥流量に対して、目標の含水率を達成した。

運転記録データ、本脱水システム採用による出力データ、及びそれらの統計解析結果より、実施例３の飲料水製造工場廃水の活性汚泥処理施設における余剰汚泥では、「凝集混和槽内の凝集フロックの画像」、「濃縮装置の上部画像」、「脱水装置からの濁質リーク状態」、「脱水ろ液の濁度を示す画像」、及び「汚泥のｐＨ」と「脱水装置内圧力」の計６つの要素を見て総合的に評価することで、おおよその固液分離状態を判断、評価することができることが分かった。この６つの入力データを用いた本脱水システムの出力データと熟練運転員の実際の操作内容の合致率は９５％に達した。図７に実施例３の試験結果を示す。今回対象とした飲料水製造工場廃水処理施設の余剰汚泥は、固液分離性に寄与する７４μｍ以上粗浮遊物が３％未満と非常に小さく、同じく固液分離性に影響するＶＴＳ（小さいほど固液分離性良好）も８８％と比較的大きく、難脱水性の汚泥性状であったが、熟練運転員が経験的に知る凝集フロックの形状や質感、濃縮装置上部での汚泥の動き、脱水装置からのＳＳリーク状態等の画像を中心としたデータを基にして本脱水システムにより最適運転パラメータを出力させることにより、この難脱水性汚泥の特徴を読み込んだ熟練運転員並みの運転操作が可能になったと考えられる。
尚、本試験の運転期間における脱水ケーキの含水率は所定の汚泥流量に対して、目標の含水率を達成した。

上述の実施形態は、目標含水率を達成しながら現状の最適な運転パラメータを出力するものであるが、将来の運転状態の予測に応用することも可能であり、例えば、本脱水システムにおける将来の排出される脱水ケーキの含水率や将来起こり得る脱水工程における設備の運転不良の予測も可能である。

一実施形態では、制御システム６は、脱水システムの最適な運転パラメータを出力する上述した学習済みモデルに加えて、または代えて、脱水システムの運転が正常であるか異常であるかを判定するための学習済みモデルを備えてもよい。脱水システムの運転状態に異常が起こると、得られる脱水ケーキの含水率が高くなり、後段の処理に多大な影響を及ぼすことがある。このような運転異常は、頻度は高くないものの、脱水システムの運転異常が起きた場合には、これを正しく検出することが重要である。

そこで、本実施形態は、学習済みモデルを用いて、脱水システムの運転異常を正しく検出することができる脱水システムを提供する。以下の説明では、脱水システムの最適な運転パラメータを出力する上述した学習済みモデルを第１学習済みモデルと称し、脱水システムの運転が正常または異常であるかを判定するための学習済みモデルを第２学習済みモデルと称する。

制御システム６の記憶装置６ａには、第２学習済みモデルが格納されている。一例では、第２学習済みモデルは、ニューラルネットワークから構成されている。記憶装置６ａには、第２学習済みモデルを機械学習アルゴリズムに従って構築するためのプログラムが格納されている。処理装置６ｂは、プログラムに含まれる命令に従って演算を実行することによって第２学習済みモデルを構築する。第２学習済みモデルの詳細は、第１学習済みモデルと同様であるので、その重複する説明を省略する。

第２学習済みモデルは、ケーキ撮像装置６４によって生成された過去の画像データと、脱水システムの運転状態が正常または異常であることを示す運転指標値との複数の組み合わせを含む学習データを用いて、機械学習アルゴリズムに従って構築されたモデルである。ケーキ撮像装置６４は、図１、図３、および図４に示すように、脱水装置５によって形成されたケーキ（低含水率の濁質残渣）の画像データを生成するように配置されている。一例では、ケーキ撮像装置６４は、脱水装置５によって形成されたケーキを搬出するための排出コンベヤ（図示せず）の上方に配置され、排出コンベヤ上のケーキの画像データを生成するように配置されてもよい。

ケーキ撮像装置６４によって生成された過去の画像データは説明変数であり、脱水システムの運転状態が正常または異常であることを示す運転指標値は目的変数である。脱水システムの運転状態が正常または異常であるかは、運転員によって決定される。運転指標値の例としては、脱水システムの運転状態が正常であることを示す第１数値（例えば０）と、脱水システムの運転状態が異常であることを示す第２数値（例えば１）が挙げられる。脱水システムの運転状態が異常である原因としては、凝集剤の溶解濃度不良、想定外の汚泥濃度変動、脱水装置５内での汚泥の詰まりなどが挙げられる。

第２学習済みモデルのパラメータ（重みなど）を最適化するために、ケーキ撮像装置６４によって生成された画像データと、脱水システムの運転状態が正常または異常であることを示す運転指標値との多数の組み合わせを含む学習データ（訓練データまたは教師データともいう）が用意される。制御システム６は、この学習データを用いて機械学習アルゴリズムにより第２学習済みモデルを構築する。第２学習済みモデルのパラメータには、重みの他に、バイアスが含まれることがある。このようにして構築された第２学習済みモデルは、記憶装置６ａ内に格納される。

脱水システムの運転中、制御システム６は、現在の画像データを所定の周期でケーキ撮像装置６４から取得し、記憶装置６ａ内に記憶する。制御システム６は、画像データを第２学習済みモデルに入力し、脱水システムの運転状態が正常または異常であることを示す運転指標値を第２学習済みモデルから出力するための演算を処理装置６ｂに実行させる。

図８は、脱水システムの運転中に第２学習済みモデルから出力された運転指標値の時間変化を示すグラフである。図８において、縦軸は、運転指標値を表し、横軸は運転時間を表す。第２学習済みモデルによる判定結果の出力の間隔は適宜設定される。図８では、秒単位の例を示しているが、より間隔を開けて、分単位、時間単位、日単位としてもよい。図８のグラフの前半では、運転が正常であることを示す数値０が続くが、徐々に運転異常を示す数値１が出力される。図８に示すように、同じ数値が連続的に第２学習済みモデルから出力される間、時々異なる数値が出力されることがある。これは、第２学習済みモデルが脱水システムの運転状態を正しく判定できなかったためである。

図９は、図８に示す運転指標値の移動平均の時間的変化を示すグラフである。図８において、縦軸は、運転指標値の移動平均を表し、横軸は運転時間を表す。制御システム６は、第２学習済みモデルから出力された運転指標値の移動平均を算定する。移動平均の時間間隔は適宜設定される。制御システム６は、運転指標値の移動平均をしきい値と比較し、運転指標値の移動平均がしきい値を超えたときに、脱水システムの運転に異常が起きていることを決定する。そして、制御システム６は、脱水システムの運転異常を示す警報を発する。運転員は、警報により、脱水システムの運転に異常が起きていることを知ることができるので、処理システムに対して適切な処置を施すことにより、運転異常を解消することができる。

図９から分かるように、運転指標値の移動平均は、一旦しきい値を超えた後も変動し続けるので、しきい値を超えたり、下回ったりする。そこで、制御システム６は、脱水システムの運転に異常が起きていることを一旦決定すると、運転指標値の移動平均が所定の正常レベルにまで低下しない限り、運転異常の決定動作をせず、警報を解除しない。脱水システムの運転異常が解消されると、運転指標値の移動平均は徐々に低下する。制御システム６は、運転指標値の移動平均が所定の正常レベルにまで低下すると、脱水システムの運転異常の決定動作をリセットし、運転異常の決定動作を再開する。さらに、制御システム６は、警報を解除する。

本実施形態によれば、制御システム６は、第２学習済みモデルから出力された運転指標値に基づいて、脱水システムに異常が起きていることを正しく決定することができる。

制御システム６は、脱水システムの最適な運転パラメータを出力する第１学習済みモデルと、脱水システムの運転が正常であるか異常であるかを判定する第２学習済みモデルのいずれか、または両方を備えてもよい。

上述した実施形態は、本発明が属する技術分野における通常の知識を有する者が本発明を実施できることを目的として記載されたものである。上記実施形態の種々の変形例は、当業者であれば当然になしうることであり、本発明の技術的思想は他の実施形態にも適用しうる。したがって、本発明は、記載された実施形態に限定されることはなく、特許請求の範囲によって定義される技術的思想に従った最も広い範囲に解釈されるものである。

１ 懸濁液貯留槽
３ 凝集装置
４ 濃縮装置
５ 脱水装置
６ 制御システム
６ａ 記憶装置
６ｂ 処理装置
７ 凝集混和槽
８ 攪拌機
９ 攪拌羽根
１０ 攪拌モータ
１２ ポンプ
１４ 汚泥導入管
１８ 汚泥移送管
２２ 温度センサ
２４ 汚泥濃度計
２６ 水供給ライン
２７ 流量制御弁
２８ 凝集剤供給装置
２９ 懸濁液撮像装置
３１ 凝集物撮像装置
３２ 濃縮物撮像装置
３３ 分離液撮像装置
３５ 投入口
３６ ろ過筒
３７ スクリュー軸
３８ スクリュー羽根
４０ スクリューモータ
４１ 排出室
４２ 軸摺動アクチュエータ
４４ 閉塞壁
４５ ろ液受け
４６ ドレイン
５０ 背圧板
５１ 背圧板駆動装置
５２ プラグ
５３ 排出口
５５ 洗浄装置
６１ 圧力センサ
６４ ケーキ撮像装置
６５ 脱水ろ液撮像装置
６６ ろ過筒撮像装置
７１ 第１スクリュー
７１Ａ 第１スクリュー軸
７１Ｂ 第１スクリュー羽根
７２ 第２スクリュー
７２Ａ 第２スクリュー軸
７２Ｂ 第２スクリュー羽根
７５ 第１スクリューモータ
７６ 第２スクリューモータ
７７ プラグ
８０ 造粒槽
８２ 前処理ろ布ベルト
８３ａ～８３ｃ 支持ローラ
８６ 第１ろ布ベルト
８８ａ～８８ｅ 第１ガイドローラ
９０ 第２ろ布ベルト
９１ａ～９１ｆ 第２ガイドローラ
９５Ａ～９５Ｅ 圧搾ローラ
９８ 駆動装置
９８Ａ 電動機
９８Ｂ 駆動ホイール
９８Ｃ ベルト
１００ 電動機
１０１ 第１ろ布緊張装置
１０２ 第２ろ布緊張装置

Claims (8)

1. 懸濁液から液体を除去するための脱水システムであって、
   懸濁液を貯留する懸濁液貯留槽と、
   前記懸濁液と凝集剤を攪拌して凝集物を形成する凝集装置と、
   前記凝集物から液体を除去し、濃度３～５０ｗｔ％の濁質残渣を形成するスクリュープレスと、
   前記懸濁液、前記凝集物、前記濁質残渣、および前記懸濁液から除去された液体のうちの少なくとも１つの画像データと、前記スクリュープレスのスクリュー羽根が内部に配置されたろ過筒の外面の画像データを含む画像データを生成する撮像装置と、
   機械学習アルゴリズムにより構築された学習済みモデルを有する制御システムを備え、
   前記制御システムは、前記学習済みモデルが格納された記憶装置と、前記画像データおよび状態データを前記学習済みモデルに入力し、前記スクリュープレスから排出される濁質残渣の含水率を目標範囲内に収めることができる前記脱水システムの最適な運転パラメータを前記学習済みモデルから出力するための演算を実行する処理装置を備えており、
   前記状態データは、前記凝集装置への前記懸濁液の流量、前記懸濁液の性状、および前記凝集剤の流量を含む、脱水システム。
2. 懸濁液から液体を除去するための脱水システムであって、
   懸濁液を貯留する懸濁液貯留槽と、
   前記懸濁液と凝集剤を攪拌して凝集物を形成する凝集装置と、
   前記凝集物から液体を除去し、濃度３～１５ｗｔ％の濃縮物を形成する濃縮装置と、
   前記濃縮物から液体を除去し、濃度３～５０ｗｔ％の濁質残渣を形成するスクリュープレスと、
   前記懸濁液、前記凝集物、前記濃縮物、前記濁質残渣、および前記懸濁液から除去された液体のうちの少なくとも１つの画像データと、前記スクリュープレスのスクリュー羽根が内部に配置されたろ過筒の外面の画像データを含む画像データを生成する撮像装置と、
   機械学習アルゴリズムにより構築された学習済みモデルを有する制御システムを備え、
   前記制御システムは、前記学習済みモデルが格納された記憶装置と、前記画像データおよび状態データを前記学習済みモデルに入力し、前記スクリュープレスから排出される濁質残渣の含水率を目標範囲内に収めることができる前記脱水システムの最適な運転パラメータを前記学習済みモデルから出力するための演算を実行する処理装置を備えており、
   前記状態データは、前記凝集装置への前記懸濁液の流量、前記懸濁液の性状、および前記凝集剤の流量を含む、脱水システム。
3. 前記濃縮装置は、回転円板式脱液装置である、請求項２に記載の脱水システム。
4. 前記画像データは、前記凝集物の画像データを含み、前記凝集物の画像データは、前記懸濁液と前記凝集剤を攪拌する凝集混和槽内の凝集物の画像データ、前記凝集混和槽から排出された凝集物の画像データのうちの少なくとも１つである、請求項１乃至３のいずれか一項に記載の脱水システム。
5. 前記画像データは、前記懸濁液から除去された液体の画像データを含み、前記懸濁液から除去された液体の前記画像データは、前記スクリュープレスから排出されたろ液の画像データである、請求項１乃至４のいずれか一項に記載の脱水システム。
6. 前記学習済みモデルから出力される前記運転パラメータは、
   前記凝集装置への懸濁液の流量の適正範囲に対する過不足、
   前記凝集剤の適合性に対する適不適、
   前記凝集剤の流量の適正範囲に対する過不足、
   前記凝集装置の攪拌速度の適正範囲に対する過不足、
   前記凝集装置に供給される水の流量の適正範囲に対する過不足、
   のうちの少なくとも１つを含む、請求項１に記載の脱水システム。
7. 前記スクリュープレスは、前記ろ過筒内に配置されたスクリュー軸と、前記スクリュー軸の外面に固定された前記スクリュー羽根を備えたスクリュープレスであり、
   前記学習済みモデルから出力される前記運転パラメータは、
   前記スクリュー軸の回転速度の適正範囲に対する過不足、
   前記スクリュー軸の回転トルクの適正範囲に対する過不足、
   のうちの少なくとも１つをさらに含む、請求項１に記載の脱水システム。
8. 前記スクリュープレスは、前記ろ過筒内に配置された、懸濁液を移送する第１スクリューおよび第２スクリューを備えた二段式スクリュープレスであり、
   前記学習済みモデルから出力される前記運転パラメータは、
   前記第１スクリューの回転速度の適正範囲に対する過不足、
   前記第２スクリューの回転速度の適正範囲に対する過不足、
   前記第１スクリューの回転トルクの適正範囲に対する過不足、
   前記第２スクリューの回転トルクの適正範囲に対する過不足、
   のうちの少なくとも１つをさらに含む、請求項１に記載の脱水システム。

Images