JP2021163207A - 制御装置、制御方法、及びプログラム - Google Patents

Abstract

【課題】機械学習モデルを用いた産業機械の制御を幅広い入力データに対して好適な制御を行うことが可能な制御装置、制御方法、及びプログラムを提供する。【解決手段】センサ装置が取得するセンシング情報に基づく産業機械に関する状態量を機械学習モデルへ入力し、前記産業機械に関する第１制御量を取得する第１処理部と、前記状態量を数式によって示される数式モデルへ入力し、前記産業機械に関する第２制御量を取得する第２処理部と、を備え、前記状態量に応じて、前記第１制御量又は前記第２制御量のいずれか一方を、前記産業機械に関する制御に用いる、制御装置。【選択図】図２

Description

本発明は、制御装置、制御方法、及びプログラムに関する。

近年、産業機械の制御において、ＡＩ（Artificial Intelligence）を用いた制御を行う技術が各種提案されている。

例えば、下記特許文献１には、機械学習によって生成される２つの計算モデルを用いて、水処理プラントに設けられた水処理装置を制御する技術が開示されている。当該技術では、演算装置における画像用計算モデルの使用と、センサ用計算モデルの使用とを切り替えて、水処理装置の制御のための出力情報を演算装置に演算させる。

特許第６５４１９１３号公報

しかしながら、特許文献１の計算モデルは、どちらもニューラルネットワークであり、学習時に使用したデータに応じた出力情報を出力する。そのため、学習に使用したデータと乖離したデータが入力された場合、当該計算モデルは、水処理装置を安定して制御可能な出力情報とは乖離した出力情報を出力する場合がある。２つの計算モデルを用いて演算した場合であっても、例えば処理水に添加する凝集剤が過剰に供給されるなど、水処理装置の制御が必ずしも最適なものとならない状況が生じ得る。この状況に対応すべく、想定される運転状態を全て補うような学習データを取得すること、又コンピュータシミュレーションにて学習データを生成・取得することは、多くの時間とコストを要する。そのため、データが少ない中でも安定して制御が可能なシステムを構築する必要がある。

上述の課題を鑑み、本発明の目的は、機械学習モデルを用いた産業機械の制御において幅広い入力データに対して好適な制御を行うことが可能な制御装置、制御方法、及びプログラムを提供することにある。

上述の課題を解決するために、本発明の一態様に係る制御装置は、センサ装置が取得するセンシング情報に基づく産業機械に関する状態量を機械学習モデルへ入力し、前記産業機械に関する第１制御量を取得する第１処理部と、前記状態量を数式によって示される数式モデルへ入力し、前記産業機械に関する第２制御量を取得する第２処理部と、を備え、前記状態量に応じて、前記第１制御量又は前記第２制御量のいずれか一方を、前記産業機械に関する制御に用いる。

本発明の一態様に係る制御方法は、第１処理部が、センサ装置が取得するセンシング情報に基づく産業機械に関する状態量を機械学習モデルへ入力し、前記産業機械に関する第１制御量を取得することと、第２処理部が、前記状態量を数式によって示される数式モデルへ入力し、前記産業機械に関する第２制御量を取得することと、前記第１処理部と前記第２処理部とを備える制御装置が、前記状態量に応じて、前記第１制御量又は前記第２制御量のいずれか一方を、前記産業機械に関する制御に用いることと、を含む。

本発明の一態様に係るプログラムは、コンピュータを、センサ装置が取得するセンシング情報に基づく産業機械に関する状態量を機械学習モデルへ入力し、前記産業機械に関する第１制御量を取得する第１処理部と、前記状態量を数式によって示される数式モデルへ入力し、前記産業機械に関する第２制御量を取得する第２処理部と、として機能させ、前記状態量に応じて、前記第１制御量又は前記第２制御量のいずれか一方を、前記産業機械に関する制御に用いる。

本発明の一態様に係る制御装置は、センサ装置が取得するセンシング情報に基づく産業機械に関する状態量を機械学習モデルへ入力し、前記産業機械に関する第１制御量を取得する第１処理部と、前記状態量に基づき、前記産業機械に関する第２制御量を取得する第２処理部と、前記機械学習モデルの学習に用いられた学習用データを学習したオートエンコーダであり、入力された前記状態量と、前記状態量を再構成した再構成データとの差分を示す再構成誤差を乖離度合情報として出力する第３処理部と、を備え、前記乖離度合情報に基づき、前記第１制御量又は前記第２制御量のいずれか一方を、前記産業機械に関する制御に用いる。

本発明の一態様に係る制御方法は、第１処理部が、センサ装置が取得するセンシング情報に基づく産業機械に関する状態量を機械学習モデルへ入力し、前記産業機械に関する第１制御量を取得することと、第２処理部が、前記状態量に基づき、前記産業機械に関する第２制御量を取得することと、第３処理部が、前記機械学習モデルの学習に用いられた学習用データを学習したオートエンコーダであり、入力された前記状態量と、前記状態量を再構成した再構成データとの差分を示す再構成誤差を乖離度合情報として出力することと、前記第１処理部と前記第２処理部と前記第３処理部とを備える制御装置が、前記乖離度合情報に基づき、前記第１制御量又は前記第２制御量のいずれか一方を、前記産業機械に関する制御に用いることと、を含む。

本発明の一態様に係るプログラムは、コンピュータを、センサ装置が取得するセンシング情報に基づく産業機械に関する状態量を機械学習モデルへ入力し、前記産業機械に関する第１制御量を取得する第１処理部と、前記状態量に基づき、前記産業機械に関する第２制御量を取得する第２処理部と、前記機械学習モデルの学習に用いられた学習用データを学習したオートエンコーダであり、入力された前記状態量と、前記状態量を再構成した再構成データとの差分を示す再構成誤差を乖離度合情報として出力する第３処理部と、として機能させ、前記乖離度合情報に基づき、前記第１制御量又は前記第２制御量のいずれか一方を、前記産業機械に関する制御に用いる。

本発明によれば、機械学習モデルを用いた産業機械の制御において幅広い入力データに対して好適な制御を行うことができる。

本発明の各実施形態に係る焼却設備の構成の一部の一例を示す図である。 本発明の第１の実施形態に係る制御装置の機能構成の一例を示すブロック図である。 本発明の各実施形態に係る学習データプロットと重回帰分析モデルの出力データの一例を示す図である。 本発明の各実施形態に係る再構成誤差の一例を示す図である。 本発明の第１の実施形態に係る制御装置における処理の流れの一例を示すフローチャートである。 本発明の第２の実施形態に係る制御装置の機能構成の一例を示すブロック図である。 本発明の第２の実施形態に係る制御装置における処理の流れの一例を示すフローチャートである。

以下、図面を参照しながら本発明の実施形態について詳しく説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

本発明は、産業機械に関する制御を行う制御装置に関する。産業機械とは、多様な産業分野で利用される機械である。産業機械は、例えば、エンジン、エンジン発電、印刷機械、紙工機械、工作機械、製鐵機械、ゴム・タイヤ機械、コンプレッサ、油圧機器、ポンプ、ロボット、半導体製造装置、及び医療機器等を含む。また、産業機械には、上述の各種産業機械を組み合わせたもの含まれる。

また、本発明における産業機械には、各種プラントを構成する機械を含み、必ずしも動力を必要としない結晶缶、蒸留塔、吸収塔などの塔槽類、加熱炉、工業用炉、集塵装置などの装置を含む。各種プラントは、例えば、水処理プラント、焼却プラント、化学プラント、石油プラント、発電プラント、衣料品プラント、医薬プラント、及び食品プラント等を含む。産業機械の一例として、水処理プラントの場合、脱水機、焼却炉、熱交換器、乾燥機、集塵機、冷却塔、送風機等が相当する。

産業機械に関する制御には、例えば、産業機械の動作を制御するものを含む。一例として、ロータリキルン式焼却炉における回転数制御である。この場合、制御対象は、ロータリキルン式焼却炉である。また、産業機械に関する制御とは、産業機械に影響を与えるほかの装置、機器、機構の制御であってもよい。一例として、流動床式焼却炉を対象とする場合、焼却炉内部へ噴霧する冷却水量を調整するためのバルブやポンプの制御が相当する。この場合、制御対象は、バルブである。

以下では、本実施形態に係る制御装置の制御対象が、ロータリキルン式焼却炉への適用例を一例として説明する。なお、制御装置の制御対象は、かかる例に限定されない。以下で説明する焼却設備は、例えば、一般廃棄物や産業廃棄物などのごみの焼却処理を行う設備である。なお、焼却設備は、かかる例に限定されない。

＜＜１．焼却設備の構成＞＞
まず、図１を参照して、本発明の各実施形態に係る産業廃棄物、一般廃棄物など、廃棄物を焼却処理する焼却設備の構成の一部について説明する。図１は、本発明の各実施形態に係る焼却設備１の構成の一部の一例を示す図である。

図１に示すように、焼却設備１は、その構成の一部に、ごみ給じん装置２、ロータリキルン式焼却炉３、二次燃焼炉４、補助燃焼装置５、燃焼空気供給装置６、重量センサ１０、温度センサ１１、制御装置２０、回転駆動装置３２、及び回転制御器３４を含む。

ごみ給じん装置２には、クレーン設備等（不図示）により廃棄物が供給される。ごみ給じん装置２は、供給された廃棄物を所定の重量でロータリキルン式焼却炉３へ供給する。ごみ給じん装置２は、ロータリキルン式焼却炉３へ供給する廃棄物の供給重量を計測する手段、例えば、重量センサ１０を備える。ごみ給じん装置２は、重量センサ１０により計測したロータリキルン式焼却炉３へ供給する廃棄物の重量を制御装置２０等へ出力することができる。

ロータリキルン式焼却炉３には、ごみ給じん装置２から廃棄物が供給され燃焼される。廃棄物の燃焼に伴い発生した燃焼排ガスは、構造上隣り合う二次燃焼炉４へ供給される。ロータリキルン式焼却炉３は、円筒形の炉体を有し、回転支持装置を介して、水平、または小さい傾斜角θ（０．６度〜２．３度）で炉体出口側下方に傾斜する回転軸Ｏを中心に回転自在に支持されている。当該炉体は、回転駆動装置３２により所定の速度で回転駆動される。また、回転駆動装置３２を制御して、当該炉体の回転数を変更する回転制御器３４が設けられている。当該炉体の回転数を変更することにより内部の廃棄物の攪拌状態、また滞留時間を制御することが可能となる。なお、回転制御器３４は、回転駆動装置３２と一体化されていてもよい。

また、ロータリキルン式焼却炉３には、廃棄物の投入口近傍にロータリキルン式焼却炉３の内部を加熱する補助燃焼装置５が設けられている。補助燃焼装置５は、廃油などを燃料とし、廃棄物の燃焼を補助する役割を果たす。また、ロータリキルン式焼却炉３には、廃棄物の燃焼に必要な酸素をロータリキルン式焼却炉３の内部へ供給する燃焼空気供給装置６が設けられている。

二次燃焼炉４は、廃棄物の燃焼によって生じた燃焼排ガス中に含まれる未燃ガスを燃焼させるものである。二次燃焼炉４には、空気ノズル（不図示）が設けられる。二次燃焼炉４は、当該空気ノズルから吹き込まれた二次燃焼空気により、未燃ガスの燃焼を行う。また、二次燃焼炉４には、二次燃焼炉４の内部の温度を計測する温度センサ１１が設けられる。当該温度センサ１１は、二次燃焼炉４の炉壁部分に設けられる。なお、二次燃焼炉４には、複数の温度センサ１１が設けられることが好ましい。例えば、複数の温度センサ１１は、二次燃焼炉４の高さ方向において、複数個所の温度を測定可能に設けられる。

制御装置２０は、各種センサ装置が取得するセンシング情報に基づくロータリキルン式焼却炉３に関する状態量に基づき、ロータリキルン式焼却炉３を制御する。本実施形態では、各種センサ装置によって取得されるセンシング情報が、ロータリキルン式焼却炉３に関する状態量としてそのまま用いられるものとする。よって、以下では、各センサ装置が取得するセンシング情報が状態量であるものとして説明する。例えば、制御装置２０は、各センサ装置が取得したロータリキルン式焼却炉３に関する状態量を機械学習モデルへ入力し、ロータリキルン式焼却炉３の第１制御量を取得する。ここで、ロータリキルン式焼却炉３に関する状態量とは、ロータリキルン式焼却炉３に取り付けられた温度センサ、圧力センサ等から取得される情報に加え、ごみ給じん装置２に設置された重量センサ１０から取得された情報、二次燃焼炉４の内部の温度を計測する温度センサ１１から取得された情報を含む。また、制御装置２０は、各センサ装置が取得したロータリキルン式焼却炉３に関する状態量を数式によって示される数式モデルへ入力し、ロータリキルン式焼却炉３の第２制御量を取得する。そして、制御装置２０は、状態量に応じて、第１制御量又は第２制御量のいずれか一方を、ロータリキルン式焼却炉３に関する制御に用いる。

なお、制御装置２０は、各モデルに算出させた各制御量から制御に用いる制御量を選択してもよいし、選択したモデルのみに制御量を算出させてもよい。

以下では、一例として、ロータリキルン式焼却炉３の安定燃焼を目的として、制御装置２０がロータリキルン式焼却炉３の回転数を制御する場合について説明する。この場合、第１制御量及び第２制御量は、それぞれロータリキルン式焼却炉３の回転数を示す。回転数が制御されることで、ロータリキルン式焼却炉３の内部のごみ（廃棄物）の滞留時間が調整される。これにより、ロータリキルン式焼却炉３で焼却される廃棄物を安定的に燃焼させることができる。

例えば、ごみ供給量が多い場合、ロータリキルン式焼却炉３内部のごみがより攪拌されるよう制御装置２０は、ロータリキルン式焼却炉３の回転数を大きくする。一方、ごみ供給量が少ない場合は、ロータリキルン式焼却炉３内部のごみの攪拌を抑制するよう制御装置２０は、ロータリキルン式焼却炉３の回転数を小さくする。

＜＜２．第１の実施形態＞＞
以上、本発明の各実施形態に係る焼却設備１の構成について説明した。続いて、本発明の第１の実施形態について説明する。第１の実施形態では、制御装置２０が各モデルに算出させた各制御量から制御に用いる制御量を選択する例について説明する。

＜２−１．制御装置の機能構成＞
まず、図２〜図４を参照して、第１の実施形態に係る制御装置２０−１の機能構成について説明する。図２は、第１の実施形態に係る制御装置２０−１の機能構成の一例を示すブロック図である。図２に示すように、制御装置２０−１は、通信部２１０−１、制御部２２０−１、及び記憶部２３０−１を含む。

（１）通信部２１０−１
通信部２１０−１は、外部装置と通信を行う機能を有する。通信部２１０−１は、外部装置から受信する情報を制御部２２０−１へ出力する。例えば、通信部２１０−１は、センサ装置から受信した状態量を制御部２２０−１の入力制御部２２０２−１へ出力する。ここで外部装置とは、制御装置の外部に設けられた装置である。外部装置には、センサ装置、制御対象となる機器、バルブ等が含まれる。

通信部２１０−１は、制御部２２０−１から入力される情報を外部装置へ送信する。例えば、通信部２１０−１は、制御部２２０−１の出力制御部２２１２−１から入力される制御信号を回転制御器３４へ送信する。

なお、通信部２１０−１による通信は、有線通信又は無線通信のいずれによって実現されてもよい。

（２）制御部２２０−１
制御部２２０−１は、制御装置２０−１全般の動作を制御する機能を有する。制御部２２０−１は、例えば、制御装置２０−１がハードウェアとして備えるＣＰＵ（Central Processing Unit）にプログラムを実行させることによって実現される。当該機能を実現するために、制御部２２０−１は、入力制御部２２０２−１、第１処理部２２０４−１、第２処理部２２０６−１、第３処理部２２０８−１、選択部２２１０−１、及び出力制御部２２１２−１を含む。

（２−１）入力制御部２２０２−１
入力制御部２２０２−１は、制御部２２０−１における、通信部２１０−１から入力される情報の入力先を制御する。例えば、入力制御部２２０２−１は、通信部２１０−１から入力される状態量を、第１処理部２２０４−１、第２処理部２２０６−１、及び第３処理部２２０８−１の各々へ入力する。なお、入力制御部２２０２−１は、各処理部へ同一の状態量を入力してもよいし、異なる状態量を入力してもよい。

（２−２）第１処理部２２０４−１
第１処理部２２０４−１は、入力制御部２２０２−１から入力される状態量に基づき、第１制御量を取得する機能を有する。例えば、第１処理部２２０４−１は、状態量を機械学習モデルへ入力し、産業機械に関する第１制御量を取得する。具体的に、第１処理部２２０４−１は、ロータリキルン式焼却炉３に関する状態量を機械学習モデルへ入力し、ロータリキルン式焼却炉３に関する第１制御量を取得する。

機械学習モデルは、例えば、ＬＳＴＭ（Long Short Term Memory）により長期の時系列データを学習するモデル（以下、「ＬＳＴＭモデル」とも称される）である。ＬＳＴＭモデルは、時系列が長いデータに対応できるため、高い精度で回帰ができる。

第１処理部２２０４−１は、機械学習モデルを用いることで、人が予測（予見）できていないケースもパラメータとして総合的に加味した第１制御量を取得できる。制御装置２０は、当該第１制御量を用いて産業機械を制御することで、産業機械の制御の精度を向上することができる。

ＬＳＴＭモデルは、学習時に複数のパラメータ（状態量）を学習用データとして用いる。学習済みのＬＳＴＭモデル（以下、「学習済みモデル」とも称される）は、複数のパラメータが入力データ（状態量）として入力されると、入力された複数のパラメータに基づき類推した結果を、出力データ（第１制御量）として出力する。本実施形態のＬＳＴＭモデルは、例えば、二次燃焼炉４の炉内温度と、ロータリキルン式焼却炉３への廃棄物の供給重量とを入力データとして、ロータリキルン式焼却炉３の回転数を出力データとして出力するように学習する。

学習済みモデルの生成では、例えば、教師有り学習が行われる。教師有り学習では、学習モデルに学習用のデータセットを用いた学習を行わせる。データセットは、入力データと、当該入力データと対応する教師データのセットである。

入力データは、学習時の入力となるデータである。本実施形態に係る入力データは、例えば、二次燃焼炉４の炉内温度と、ロータリキルン式焼却炉３への廃棄物の供給重量である。

教師データは、入力データに基づき出力される出力データの正解を示すデータである。本実施形態に係る教師データは、例えば、ロータリキルン式焼却炉３の回転数である。

なお、制御装置２０−１においては、複数のセンサ装置から取得する状態量を使用することができ、第１処理部２２０４−１に入力する状態量と、第１制御量及び第２制御量の切り替えに用いる状態量とが異なる情報であることを妨げない。

（２−３）第２処理部２２０６−１
第２処理部２２０６−１は、入力制御部２２０２−１から入力される状態量に基づき、第２制御量を取得する機能を有する。例えば、第２処理部２２０６−１は、状態量を数式によって示される数式モデルへ入力し、第２制御量を取得する。具体的に、第２処理部２２０６−１は、ロータリキルン式焼却炉３に関する状態量を数式モデルへ入力し、ロータリキルン式焼却炉３に関する第２制御量を取得する。

数式モデルは、例えば、入力された状態量に対する重回帰分析に基づき、第２制御量を算出する重回帰分析モデルである。重回帰分析モデルは、複数の説明変数により１つの目的変数を示す。重回帰分析モデルは、目的変数をｙ、説明変数をｘ_ｋ（ｋは１≦ｋ≦ｎを満たす自然数）、回帰定数をｂ_０、偏回帰係数をαとして、下記の数式（１）で示される。
ｙ＝ｂ_０＋αｘ_１＋αｘ_２＋・・・＋αｘ_ｎ （１）

上記の数式（１）に示すように、重回帰分析モデルは、線形で表されるモデルである。そのため、重回帰分析モデルは、線形上に回帰ができる。これにより、重回帰分析モデルは、モデル作成に使用されたデータの傾向とは異なる傾向の入力データが入力されても、線形的に判断できる。

第２処理部２２０６−１は、数式モデルを用いることで、人が予測した範囲における第２制御量を取得できる。制御装置２０−１は、当該第２制御量を用いることで、概ね人が予測した範囲で産業機械を制御することができる。

ここで、図３を参照して、機械学習モデルと数式モデルの出力データについて説明する。図３は、各実施形態に係る学習データプロットと重回帰分析モデルの出力データの一例を示す図である。図３には、各モデルに対する入力データであるロータリキルン式焼却炉３の排ガス出口温度とごみ供給量がそれぞれｘ軸とｙ軸に示されている。また、各モデルの出力データである回転速度がｚ軸に示されている。

図３に示す点群７０は、ＬＳＴＭモデルの学習結果を示している。例えば、ＬＳＴＭモデルの生成に使用された学習データの傾向に沿った入力データ（以下では、「学習済みの入力データ」とも称される）が、ＬＳＴＭモデルへ入力された場合、点群７０に基づき類推された出力データが出力される。そのため、第１処理部２２０４−１は、ＬＳＴＭモデルへ学習済みの入力データを入力した場合、精度が高い出力データを安定して得ることができる。

一方、ＬＳＴＭモデルの生成に使用された学習データの傾向とは異なる傾向の入力データ（以下、「未学習の入力データ」とも称される）が、ＬＳＴＭモデルへ入力された場合、点群７０の範囲から外れた出力データが出力され得る。そのため、第１処理部２２０４−１は、ＬＳＴＭモデルに対して未学習の入力データを入力した場合、精度が低い出力データを得ることもあり得る。

図３に示す平面８０は、重回帰モデルの予測平面を示している。例えば、重回帰モデルに対して入力データが入力された場合、当該入力データの傾向がモデルの生成に使用された学習データの傾向に沿っているか否かに関わらず、当該予測平面の範囲の出力データが出力される。そのため、第２処理部２２０６−１は、入力データの傾向がモデルの生成に使用された学習データの傾向に沿っているか否かに関わらず、人が予測した範囲における出力データを得ることができる。よって、第２処理部２２０６−１は、人が予測した範囲における出力データを安定して得ることができる。

（２−４）第３処理部２２０８−１
第３処理部２２０８−１は、センサ装置が検出する状態量と機械学習モデルの学習用データとの乖離度合を示す乖離度合情報を出力する機能を有する。乖離度合とは、例えば、状態量と学習用データとの類似度がどれだけ乖離しているかを示す情報である。第３処理部２２０８−１の機能は、例えば、オートエンコーダにより実現される。オートエンコーダは、入力層の値を出力層にて再構成することができるニューラルネットワークの手法の１つである。

オートエンコーダは、例えば、正常データのみを学習させておくことで、異常データ（未学習の入力データ）の入力を検知することができる。これは、オートエンコーダが、正常データ（学習済みの入力データ）を再現することはできるが、未学習の入力データは再現する際に誤差が大きくなることを利用している。本実施形態では、オートエンコーダに、ＬＳＴＭモデル（機械学習モデル）の学習用データを正常データとして学習させる。これにより、未学習の入力データがオートエンコーダへ入力された場合、オートエンコーダは、当該入力データを異常データとして検知することができる。

具体的に、オートエンコーダは、入力データとして入力された状態量（入力層の値）に基づき、当該状態量を再構成する。オートエンコーダが再構成した状態量を示すデータは、以下では、「再構成データ」とも称される。さらに、オートエンコーダは、入力データである状態量と、再構成データとの差分を示す再構成誤差を算出する。入力データが学習済みの入力データである場合、オートエンコーダは、入力された状態量と同一の状態量を再構成できる。よって、再構成誤差は非常に小さくなるよう調整されている。

一方、入力データが学習済みの入力データでない場合、オートエンコーダは、入力された状態量と同一の状態量を再構成する際に誤差が大きくなる。よって、再構成誤差が生じる。具体的に、入力データと学習済みの入力データの類似度が低くなるほど、入力された状態量と再構成された状態量との類似度も低くなり、再構成誤差も大きくなる。即ち、再構成誤差は、入力データと学習済みの入力データの類似度がどれだけ乖離しているかを示す情報といえる。よって、オートエンコーダは、算出した再構成誤差を乖離度合情報として出力する。
ここでオートエンコーダとは、ニューラルネットワークの構造や隠れ層の段数を限定せず、入力と同じ出力を可能とするよう調整されたモデルを示す。

なお、オートエンコーダに入力される入力データには、センサ装置が検出した状態量がそのままの値で用いられてもよいし、当該状態量を標準化した値が用いられてもよい。標準化により、各種状態量間のスケールを合わせることができる。また、再構成誤差にて判断される機能は入力の学習データから取得した上下限値などの値によるしきい値などにより判定を行ってもよい。

ここで、図４を参照して再構成誤差について説明する。図４は、各実施形態に係る再構成誤差の一例を示す図である。図４に示すグラフの横軸は時間ｔを示す。縦軸は、オートエンコーダへ入力される状態量を標準化した値である標準化値ｚを示す。また、図４に示す実線のグラフは、オートエンコーダに入力された入力データに関するグラフである。また、一点鎖線のグラフは、オートエンコーダに入力された入力データが再構成された再構成データに関するグラフである。

図４に示すように、時間０から時間ｔ_１の間と、時間ｔ_２から時間ｔ_３の間では、状態量と再構成データの間に、大きな差分はほぼ生じていない。しかしながら、時間ｔ_１から時間ｔ_２の間と、時間ｔ_３以降では、状態量と再構成データの間に大きな差分が生じている。これは、時間ｔ_１から時間ｔ_２の間と、時間ｔ_３以降に入力されたデータが学習済みの入力データではないためである。よって、当該差分が、再構成誤差として算出される。

第３処理部２２０８−１の他の実施形態として、ＭＴＳ（Maharanobis Taguchi System）法を採用することができる。

ＭＴＳ法では、まず、産業機械から、正常な運転状態における複数種類の情報からなる組情報（正常データ）を取得する。そして、これら正常データを数多く収集して正常データ群を構築する。その後、産業機械の運転状態を示す情報を適宜取得する。それらの情報について、予め構築しておいた正常データ群による多次元空間内でどのような相対位置関係にあるのかを示すマハラノビスの距離を求め、その結果に基づいて機械学習モデルにより得られた第１制御量を出力するか、重回帰分析により得られた第２制御量を出力するかを判断する。本システムにＴＭＳ法を適用した場合には組情報（正常データ）は学習データを示し、マハラノビス距離により過去の運転状態などの学習データとの乖離度（入力データと学習済みの入力データの類似度がどれだけ乖離しているか）を得ることができる。

（２−５）選択部２２１０−１
選択部２２１０−１は、産業機械に関する制御に用いる制御量を選択する機能を有する。選択部２２１０−１は、状態量と、機械学習モデルの学習に用いられた学習用データとの関係に応じて、第１制御量又は第２制御量のいずれか一方を、産業機械に関する制御に用いる制御量として選択する。選択部２２１０−１は、例えば、乖離度合情報に基づき、制御量を選択する。具体的に、選択部２２１０−１は、乖離度合情報が所定の閾値以上であるか否かに基づき、制御量を選択する。所定の閾値には、例えば、当該所定の閾値を境に、入力データが学習済みの入力データであるか否かを判定可能な値が設定される。

制御量の選択について、より具体的に、乖離度合情報が再構成誤差である例について説明する。再構成誤差が所定の閾値以上でない場合、再構成誤差が小さく、入力データと学習済みの入力データとの類似度が高いことを意味する。これより、ＬＳＴＭモデルが当該入力データに基づき出力した第１制御量の精度が良い可能性が高い。よって、選択部２２１０−１は、第１制御量を産業機械に関する制御に用いる制御量として選択する。

一方、再構成誤差が所定の閾値以上である場合、再構成誤差が大きく、入力データと学習済みの入力データとの類似度が低いことを意味する。これより、ＬＳＴＭモデルが当該入力データに基づき出力した第１制御量の精度が悪い可能性が高い。よって、選択部２２１０−１は、重回帰モデルが当該入力データに基づき出力した第２制御量を、産業機械に関する制御に用いる制御量として選択する。

ここで、機械学習モデルを用いた制御では、モデルの生成に使用された学習データの傾向とは異なる傾向の入力データが入力された場合、機械学習モデルの特性上、産業機械を制御する上で必ずしも好ましい第１制御量が出力されるとは限らない。例えば、このような第１制御量は、産業機械の設計者や運転管理者が想定していた制御とは異なる制御がされる場合が考えられる。

一方、数式モデルを用いた制御では、数式モデルにより取得される第２制御量は、あくまで人が予測した範囲における制御量である。そのため、数式モデルを用いた制御に比べ、機械学習モデルを用いた制御では、人が予測し得なかった、より最適な制御であることもあり得る。この場合、第２制御量に基づく産業機械の制御の精度よりも、第１制御量に基づく産業機械の制御の精度の方がよい場合がある。一例として、第２制御量を用いた場合、産業機械の状態が好ましい状態に到達するまでにかかる時間が、第１制御量を用いた場合よりも長くなることも考えられる。

そこで、上述のように、選択部２２１０−１は、再構成誤差が所定の閾値以上でない場合には第１制御量を選択する。一方、選択部２２１０−１は、再構成誤差が所定の閾値以上であるには、第２制御量を選択する。このように、再構成誤差の大きさに応じて、機械学習モデルと数式モデルを選択するようにした。これにより、機械学習モデルによる出力が不安定な場合（再構成誤差が大きい場合）には、人が予測した範囲における制御量を安定して出力する数式モデルによって出力された第２制御量を、制御対象の制御に用いることができ、また、制御対象に対して、精度の低い制御量が出力される頻度が減少する。また、入力データが機械学習モデルの生成に用いられた学習データの傾向に沿っている場合（再構成誤差が小さい場合）には、機械学習モデルを用いることができる。よって、機械学習モデルを用いた産業機械の制御が不安定な期間を減らすことができ、機械学習モデルと数式モデルの内、精度のよいモデルを選択的に利用することができる。

（２−６）出力制御部２２１２−１
出力制御部２２１２−１は、制御量の出力を制御する機能を有する。出力制御部２２１２−１は、選択部２２１０−１から入力される制御量を、通信部２１０−１に制御対象へ送信させる。例えば、出力制御部２２１２−１は、制御量を含む制御信号を通信部２１０−１に回転制御器３４へ送信させる。

（３）記憶部２３０−１
記憶部２３０−１は、各種情報を記憶する機能を有する。例えば、記憶部２３０−１は、各種モデルを記憶する。具体的に、記憶部２３０−１は、機械学習モデルと数式モデルを記憶する。なお、記憶部２３０−１は、オートエンコーダに関するモデルを記憶してもよい。

記憶部２３０−１は、記憶媒体、例えば、ＨＤＤ（Hard Disk Drive）、フラッシュメモリ、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）、ＲＡＭ（Random Access read/write Memory）、ＲＯＭ（Read Only Memory）、またはこれらの記憶媒体の任意の組み合わせによって構成される。記憶部２３０−１は、例えば、不揮発性メモリを用いることができる。

＜２−２．処理の流れ＞
以上、第１の実施形態に係る制御装置２０−１の機能構成について説明した。続いて、第１の実施形態に係る制御装置２０−１における処理の流れについて説明する。図５は、第１の実施形態に係る制御装置２０−１における処理の流れの一例を示すフローチャートである。

図５に示すように、まず、制御装置２０−１の通信部２１０−１は、センサ装置との通信により、センサ装置が検出した状態量を取得する（Ｓ１０２）。次いで、入力制御部２２０２−１は、通信部２１０−１が取得した状態量を、各処理部へ入力する（Ｓ１０４）。

第１処理部２２０４−１は、入力された状態量を機械学習モデルへ入力し、第１制御量を取得する（Ｓ１０６）。第２処理部２２０６−１は、入力された状態量を数式モデルへ入力し、第２制御量を取得する（Ｓ１０８）。第３処理部２２０８−１は、入力された状態量をオートエンコーダへ入力し、再構成誤差を取得する（Ｓ１１０）。

各処理部の処理後、選択部２２１０−１は、再構成誤差が所定の閾値以上であるか否かを判定する（Ｓ１１２）。再構成誤差が所定の閾値以上でない場合（Ｓ１１２／ＮＯ）、選択部２２１０−１は、第１制御量を選択する（Ｓ１１４）。一方、再構成誤差が所定の閾値以上である場合（Ｓ１１２／ＹＥＳ）、選択部２２１０−１は、第２制御量を選択する（Ｓ１１６）。なお、Ｓ１１２の処理は、Ｓ１０６、Ｓ１０８、及びＳ１１０の全ての処理の終了を待たずに実行されてもよい。例えば、Ｓ１１２の処理は、Ｓ１０６、Ｓ１０８、及びＳ１１０の各処理が終了する度に実行されてもよい。

制御量の選択後、出力制御部２２１２−１は、選択した制御量を通信部２１０−１に制御対象へ送信させる（Ｓ１１８）。

＜＜３．第２の実施形態＞＞
以上、本発明の第１の実施形態について説明した。続いて、本発明の第２の実施形態について説明する。第２の実施形態では、制御装置２０が、選択したモデルのみに制御量を算出させる例について説明する。なお、以下では、第１の実施形態と重複する説明は省略される。

＜３−１．制御装置の機能構成＞
まず、図６を参照して、第２の実施形態に係る制御装置２０−２の機能構成について説明する。図６は、第２の実施形態に係る制御装置２０−２の機能構成の一例を示すブロック図である。図６に示すように、制御装置２０−２は、通信部２１０−２、制御部２２０−２、及び記憶部２３０−２を含む。

（１）通信部２１０−２
通信部２１０−２の機能は、第１の実施形態にて説明した通信部２１０−１の機能と同様のため、その説明を省略する。

（２）制御部２２０−２
図２に示すように、制御部２２０−２が有する構成要素は、第１の実施形態の制御部２２０−１が有する構成要素と同様である。しかしながら、各構成要素間の入出力の関係の一部と、選択部２２１０−２の機能が異なる。

（２−１）入力制御部２２０２−２
入力制御部２２０２−２の機能は、第１の実施形態の入力制御部２２０２−１の機能と同様である。しかしながら、入力制御部２２０２−２による状態量の入力先が異なる。具体的に、入力制御部２２０２−２は、通信部２１０−２から入力される状態量を、第３処理部２２０８−２のみへ入力する。

（２−２）第１処理部２２０４−２
第１処理部２２０４−２の機能は、第１の実施形態の第１処理部２２０４−１の機能と同様である。しかしながら、状態量の入力元と第１制御量の出力先が異なる。具体的に、状態量の入力元は、選択部２２１０−２である。また、第１制御量の出力先は、出力制御部２２１２−２である。

（２−３）第２処理部２２０６−２
第２処理部２２０６−２の機能は、第１の実施形態の第２処理部２２０６−１の機能と同様である。しかしながら、状態量の入力元と第２制御量の出力先が異なる。具体的に、状態量の入力元は、選択部２２１０−２である。また、第２制御量の出力先は、出力制御部２２１２−２である。

（２−４）第３処理部２２０８−２
第３処理部２２０８−２の機能は、第１の実施形態の第３処理部２２０８−１の機能と同様である。また、状態量の入力元と乖離度合情報の出力先も同様である。具体的に、状態量の入力元は、入力制御部２２０２−２である。また、乖離度合情報の出力先は、選択部２２１０−２である。

（２−５）選択部２２１０−２
選択部２２１０−２の機能は、第１の実施形態の選択部２２１０−１の機能と異なる。選択部２２１０−２は、制御量を取得する処理部を選択する機能を有する。選択部２２１０−２は、状態量と、機械学習モデルの学習に用いられた学習用データとの関係に応じて、第１処理部２２０４−２又は第２処理部２２０６−２のいずれか一方を、制御量を取得する処理部として選択する。

選択部２２１０−２は、例えば、乖離度合情報に基づき、処理部を選択する。具体的に、選択部２２１０−２は、乖離度合情報が所定の閾値以上であるか否かに基づき、処理部を選択する。所定の閾値には、例えば、当該所定の閾値を境に、入力データが学習済みの入力データであるか否かを判定可能な値が設定される。

処理部の選択について、より具体的に、乖離度合情報が再構成誤差である例について説明する。再構成誤差が所定の閾値以上でない場合、再構成誤差が小さく、入力データと学習済みの入力データとの類似度が高いことを意味する。これより、ＬＳＴＭモデルが当該入力データに基づき出力した第１制御量の精度が良い可能性が高い。よって、選択部２２１０−２は、制御量を取得する処理部として第１処理部２２０４−２を選択する。

一方、再構成誤差が所定の閾値以上である場合、再構成誤差が大きく、入力データと学習済みの入力データとの類似度が低いことを意味する。これより、ＬＳＴＭモデルが当該入力データに基づき出力した第１制御量の精度が悪い可能性が高い。よって、選択部２２１０−２は、制御量を取得する処理部として第２処理部２２０６−２を選択する。

第１の実施形態の選択部２２１０−１は、第１処理部２２０４−１が取得した第１制御量と、第２処理部２２０６−１が取得した第２制御量とのいずれか一方を選択する。このため、第１の実施形態では、第１処理部２２０４−１と第２処理部２２０６−１の両方で制御量の取得処理が行われる。

しかしながら、第２の実施形態の選択部２２１０−２は、第１処理部２２０４−２と第２処理部２２０６−２のどちらに制御量を取得させるかを選択する。かかる構成により、第１処理部２２０４−２と第２処理部２２０６−２の内、選択部２２１０−２に選択された処理部のみが制御量の取得処理を行い、選択されなかった処理部は制御量の取得処理を行わない。これにより、制御量の取得における処理負荷が軽減される。

（２−６）出力制御部２２１２−２
出力制御部２２１２−２の機能は、第１の実施形態の出力制御部２２１２−１の機能と同様である。しかしながら、状態量の入力元が異なる。具体的に、状態量の入力元は、第１処理部２２０４−２及び第２処理部２２０６−２のいずれか一方である。なお、状態量の出力先は、通信部２１０−２である。

（３）記憶部２３０−２
記憶部２３０−２は、第１の実施形態にて説明した記憶部２３０−１の機能と同様のため、その説明を省略する。

＜３−２．処理の流れ＞
以上、第２の実施形態に係る制御装置２０−２の機能構成について説明した。続いて、第２の実施形態に係る制御装置２０−２における処理の流れについて説明する。図７は、第２の実施形態に係る制御装置２０−２における処理の流れの一例を示すフローチャートである。

図７に示すように、まず、制御装置２０−２の通信部２１０−２は、センサ装置との通信により、センサ装置が検出した状態量を取得する（Ｓ２０２）。次いで、入力制御部２２０２−２は、通信部２１０−２が取得した状態量を、第３処理部２２０８へ入力する（Ｓ２０４）。

第３処理部２２０８−２は、入力された状態量をオートエンコーダへ入力し、再構成誤差を取得する（Ｓ２０６）。

再構成誤差の取得後、選択部２２１０−２は、再構成誤差が所定の閾値以上であるか否かを判定する（Ｓ２０８）。再構成誤差が所定の閾値以上でない場合（Ｓ２０８／ＮＯ）、選択部２２１０−２は、第１処理部２２０４−２へ状態量を入力する（Ｓ２１０）。第１処理部２２０４−２は、入力された状態量を機械学習モデルへ入力し、第１制御量を取得する（Ｓ２１２）。

一方、再構成誤差が所定の閾値以上である場合（Ｓ２０８／ＹＥＳ）、選択部２２１０−２は、第２処理部２２０６−２へ状態量を入力する（Ｓ２１４）。第２処理部２２０６−２は、入力された状態量を数式モデルへ入力し、第２制御量を取得する（Ｓ２１６）。

制御量の取得後、出力制御部２２１２−２は、取得した制御量を通信部２１０−２に制御対象へ送信させる（Ｓ２１８）。

以上説明したように、各実施形態に係る制御装置２０は、センサ装置が取得する産業機械に関する状態量を機械学習モデルへ入力し、産業機械に関する第１制御量を取得する。また、制御装置２０は、状態量を数式によって示される数式モデルへ入力し、産業機械に関する第２制御量を取得する。そして、制御装置２０は、状態量に応じて、第１制御量又は第２制御量のいずれか一方を、産業機械に関する制御に用いる。

かかる構成により、制御装置２０は、状態量に応じて、機械学習モデルが出力した制御量を用いず、人が予測した範囲における制御量を安定して出力する数式モデルによって出力された制御量を用いることができる。よって、制御装置２０は、機械学習モデルを用いた産業機械の制御が不安定な期間を減らすことができる。

＜＜４．変形例＞＞
以上、本発明の各実施形態について説明した。続いて、本発明の各実施形態の変形例について説明する。なお、以下に説明する各変形例は、単独で本発明の各実施形態に適用されてもよいし、組み合わせで本発明の各実施形態に適用されてもよい。また、各変形例は、本発明の各実施形態で説明した構成に代えて適用されてもよいし、本発明の各実施形態で説明した構成に対して追加的に適用されてもよい。

＜４−１．第１の変形例＞
上述した各実施形態では、第３処理部２２０８がオートエンコーダにより再構成誤差を乖離度合情報として出力する例について説明したが、かかる例に限定されない。第３処理部２２０８は、状態量が所定の閾値以上であるか否かを判定し、その判定結果を乖離度合情報として出力してもよい。ここで、所定の閾値には、例えば、状態量が学習済みの入力データ又は未学習の入力データのどちらに該当するかを区別可能な値が設定される。一例として、学習済みの入力データと未学習の入力データの境界を示す値が所定の閾値に設定される。これにより、第３処理部２２０８は、オートエンコーダを用いずに、乖離度合情報を出力することができる。

＜４−２．第２の変形例＞
上述した各実施形態では、選択部２２１０が乖離度合情報に基づき、制御量又は処理部を選択する例について説明したが、かかる例に限定されない。選択部２２１０は、例えば、外部情報に基づき、制御量又は処理部を選択してもよい。外部情報は、例えば、センサ装置以外の装置から入力される情報、及び産業機械の周囲の環境に関する環境情報（例えば、天気、気温、湿度等）等である。

＜４−３．第３の変形例＞
上述した各実施形態では、第２処理部２２０６が数式モデルへ状態量を入力し、第２制御量を取得する例について説明したが、かかる例に限定されない。第２処理部２２０６は、第１処理部２２０４が状態量を入力する機械学習モデルとは異なる機械学習モデルへ状態量を入力し、第２制御量を取得してもよい。

＜４−４．第４の変形例＞
上述した各実施形態では、乖離度合情報が所定の閾値以上であるか否かに基づき、選択部２２１０が制御量又は処理部を選択する例について説明したが、かかる例に限定されない。選択部２２１０は、入力データと再構成データの時系列変化を示すグラフの各々の形状（波形）が一致しているか否かに基づき、制御量又は処理部を選択してもよい。

例えば、図４に示したグラフの時間ｔ_１と時間ｔ_２の間の時間において、入力データのグラフの形状と再構成データのグラフの形状は、一致していない。そのため、選択部２２１０は、時間ｔ_１と時間ｔ_２の間に入力された入力データは、未学習の入力データと判定する。そして、選択部２２１０は、数式モデルが出力する第２制御量を選択する。または、選択部２２１０は、数式モデルが出力する第２制御量を取得する第２処理部２２０６を選択する。

一方、図４に示したグラフの時間ｔ_２と時間ｔ_３の間の時間において、入力データのグラフの形状と再構成データのグラフの形状は、一致している。そのため、選択部２２１０は、時間ｔ_２と時間ｔ_３の間に入力された入力データは、学習済の入力データと判定する。そして、選択部２２１０は、機械学習モデルが出力する第１制御量を選択する。または、選択部２２１０は、機械学習モデルが出力する第１制御量を取得する第１処理部２２０４を選択する。

＜４−５．第５の変形例＞
上述した各実施形態では、第１処理部２２０４が、センサ装置によって取得されるセンシング情報を、産業機械に関する状態量として機械学習モデルへ直接入力する例について説明したが、かかる例に限定されない。第１処理部２２０４は、例えば、センサ装置によって取得されるセンシング情報を変換または加工して得られる２次的な状態量を機械学習モデルに入力してもよい。一例として、第１処理部２２０４−１は、カメラ等のセンサ装置によって撮像された焼却炉内の画像を変換し、得られた数値データを２次的な状態量として機械学習モデルに入力する。

以上、本発明の各実施形態の変形例について説明した。なお、上述した各実施形態における制御装置２０をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよく、ＦＰＧＡ（Field Programmable Gate Array）等のプログラマブルロジックデバイスを用いて実現されるものであってもよい。

以上、図面を参照してこの発明の各実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。

１ 焼却設備
２ ごみ給じん装置
３ ロータリキルン式焼却炉
４ 二次燃焼炉
５ 補助燃焼装置
６ 燃焼空気供給装置
１０ 重量センサ
１１ 温度センサ
２０ 制御装置
３２ 回転駆動装置
３４ 回転制御器
２１０ 通信部
２２０ 制御部
２３０ 記憶部
２２０２ 入力制御部
２２０４ 第１処理部
２２０６ 第２処理部
２２０８ 第３処理部
２２１０ 選択部
２２１２ 出力制御部

Claims (15)

1. センサ装置が取得するセンシング情報に基づく産業機械に関する状態量を機械学習モデルへ入力し、前記産業機械に関する第１制御量を取得する第１処理部と、
   前記状態量を数式によって示される数式モデルへ入力し、前記産業機械に関する第２制御量を取得する第２処理部と、
   を備え、
   前記状態量に応じて、前記第１制御量又は前記第２制御量のいずれか一方を、前記産業機械に関する制御に用いる、制御装置。
2. 選択部をさらに備え、
   前記選択部は、前記状態量と、前記機械学習モデルの学習に用いられた学習用データとの関係に応じて、前記第１制御量又は前記第２制御量のいずれか一方を、前記産業機械に関する制御に用いる制御量として選択する、請求項１に記載の制御装置。
3. 前記状態量と前記学習用データとの乖離度合を示す乖離度合情報を出力する第３処理部をさらに備え、
   前記選択部は、前記乖離度合情報に基づき、前記制御量を選択する、請求項２に記載の制御装置。
4. 前記第３処理部は、前記学習用データを学習したオートエンコーダであり、
   前記オートエンコーダは、入力された前記状態量と、前記状態量を再構成した再構成データとの差分を示す再構成誤差を前記乖離度合情報として出力する、請求項３に記載の制御装置。
5. 前記第３処理部は、前記状態量が所定の閾値以上であるか否かを判定し、判定結果を前記乖離度合情報として出力する、請求項３に記載の制御装置。
6. 前記第１処理部は、前記センシング情報を変換または加工して得られる状態量を前記機械学習モデルへ入力する、請求項１から請求項５のいずれか１項に記載の制御装置。
7. 前記数式モデルは、入力された前記状態量に対する重回帰分析に基づき、前記第２制御量を算出する重回帰分析モデルである、請求項１から請求項６のいずれか１項に記載の制御装置。
8. 前記機械学習モデルは、ＬＳＴＭ（Long Short Term Memory）を用いて学習したモデルである、請求項１から請求項７のいずれか１項に記載の制御装置。
9. センサ装置が取得するセンシング情報に基づく産業機械に関する状態量を機械学習モデルへ入力し、前記産業機械に関する第１制御量を取得する第１処理部と、
   前記状態量に基づき、前記産業機械に関する第２制御量を取得する第２処理部と、
   前記機械学習モデルの学習に用いられた学習用データを学習したオートエンコーダであり、入力された前記状態量と、前記状態量を再構成した再構成データとの差分を示す再構成誤差を乖離度合情報として出力する第３処理部と、
   を備え、
   前記乖離度合情報に基づき、前記第１制御量又は前記第２制御量のいずれか一方を、前記産業機械に関する制御に用いる、制御装置。
10. 前記第２処理部は、前記状態量を数式によって示される数式モデルへ入力し、前記第２制御量を取得する、請求項９に記載の制御装置。
11. 前記第２処理部は、前記第１処理部が前記状態量を入力する前記機械学習モデルとは異なる機械学習モデルへ前記状態量を入力し、前記第２制御量を取得する、請求項９に記載の制御装置。
12. 第１処理部が、センサ装置が取得するセンシング情報に基づく産業機械に関する状態量を機械学習モデルへ入力し、前記産業機械に関する第１制御量を取得することと、
    第２処理部が、前記状態量を数式によって示される数式モデルへ入力し、前記産業機械に関する第２制御量を取得することと、
    前記第１処理部と前記第２処理部とを備える制御装置が、前記状態量に応じて、前記第１制御量又は前記第２制御量のいずれか一方を、前記産業機械に関する制御に用いることと、
    を含む、制御方法。
13. コンピュータを、
    センサ装置が取得するセンシング情報に基づく産業機械に関する状態量を機械学習モデルへ入力し、前記産業機械に関する第１制御量を取得する第１処理部と、
    前記状態量を数式によって示される数式モデルへ入力し、前記産業機械に関する第２制御量を取得する第２処理部と、
    として機能させ、
    前記状態量に応じて、前記第１制御量又は前記第２制御量のいずれか一方を、前記産業機械に関する制御に用いる、プログラム。
14. 第１処理部が、センサ装置が取得するセンシング情報に基づく産業機械に関する状態量を機械学習モデルへ入力し、前記産業機械に関する第１制御量を取得することと、
    第２処理部が、前記状態量に基づき、前記産業機械に関する第２制御量を取得することと、
    第３処理部が、前記機械学習モデルの学習に用いられた学習用データを学習したオートエンコーダであり、入力された前記状態量と、前記状態量を再構成した再構成データとの差分を示す再構成誤差を乖離度合情報として出力することと、
    前記第１処理部と前記第２処理部と前記第３処理部とを備える制御装置が、前記乖離度合情報に基づき、前記第１制御量又は前記第２制御量のいずれか一方を、前記産業機械に関する制御に用いることと、
    を含む、制御方法。
15. コンピュータを、
    センサ装置が取得するセンシング情報に基づく産業機械に関する状態量を機械学習モデルへ入力し、前記産業機械に関する第１制御量を取得する第１処理部と、
    前記状態量に基づき、前記産業機械に関する第２制御量を取得する第２処理部と、
    前記機械学習モデルの学習に用いられた学習用データを学習したオートエンコーダであり、入力された前記状態量と、前記状態量を再構成した再構成データとの差分を示す再構成誤差を乖離度合情報として出力する第３処理部と、
    として機能させ、
    前記乖離度合情報に基づき、前記第１制御量又は前記第２制御量のいずれか一方を、前記産業機械に関する制御に用いる、プログラム。

Images