JP2022034250A - 推定システムおよび制御システム - Google Patents

Abstract

【課題】燃焼室の熱画像データを教師データとして用いて知的情報技術によって作成された複数の学習モデルを用いて、火格子上の燃料の量を推定する推定システムを提供する。【解決手段】推定システムは、火格子上の燃料の量に関する指標がラベリングされた燃焼室内の画像データを教師データとして用いて知的情報処理技術によって生成される複数の学習モデルを記憶する記憶装置５１と、燃焼室内の画像データが入力されると、前記複数の学習モデルを用いて前記火格子上の燃料の量の推定結果を出力する情報処理装置５２と、を備える。【選択図】図１

Description

本発明は、燃焼炉の火格子上の燃料の量を推定するシステムおよび推定システムの推定結果に基づく燃料炉の制御システムに関する。

従来、火格子上の燃料の量の検出には、炉の横に取り付けたマイクロ波レベルスイッチによる燃料の高さの測定、炉の上部に取り付けたマイクロ波レベル計による燃料までの距離の測定、燃焼空気の差圧の測定、および、可視光カメラによって撮像された燃焼炉内の画像解析、などが用いられている。
上述の火格子上の燃料の量の検出した結果に基づき、燃焼炉の運転制御（例えば、供給プッシャーの速度やストロークの調整、および火格子の速度の調整など）が、手動または自動で実施されている。

特許文献１は、ストーカ（火格子）の上を複数の番地に分け、画像分類で各番地のごみ高さを測定する。教師データの作成は熟練の運転員による手作業である。
特許文献２から４は、視点が異なる複数の赤外線カメラまたは２つの撮像装置を用いて、燃焼部に堆積した廃棄物を撮像して画像合成処理を行うことで、燃焼部の火格子に堆積している状態で搬送される廃棄物の３次元画像を作成する。特許文献２では、３次元画像に基づいて燃焼部の廃棄物について火格子上の廃棄物の厚みの時間変化を算出する。特許文献３では、３次元画像の火炎に基づいて火炎燃焼開始位置を特定する。特許文献４では、一次燃焼又は二次燃焼で発生した燃焼ガスの流路と交差する所定の仮想平面で切った二次燃焼ゾーンの火炎断面積の時間変化を算出する。特許文献２から４は、複数台の炎越しカメラまたは撮像装置を用いてステレオカメラの様にして燃料の高さを測定している。
特許文献５から７は、赤外線カメラによって、プッシャーによって受床から火格子へ押し出される廃棄物の張出し部を撮像する。赤外線カメラは、赤外線カメラの視野軸が火格子と平行になるように配置されている。主燃焼室に火炎があっても廃棄物層の温度分布を取得できるように、赤外線カメラにはフィルタが取り付けられる。

特許第６６９６８１６号 特許第６５９６１２１号 特許第６５４３３８９号 特許第６５４３３９０号 特許第６４２９０３９号 特開２０１９－２１１１０６号公報 特開２０１９－２１１１２３号公報

マイクロ波レベル計、マイクロ波レベルスイッチ方式では、マイクロ波を照射した点しか測定できない。また、可視光カメラでは炎より奥の炉内の状況を把握できない。

特許文献１では、教師データの作成は熟練の運転員による手作業が必要であり、より簡便に教師データの作成方法を作成でき、かつ高精度な分類方法が求められる。
特許文献２から４では、複数のカメラを用いて３次元画像を作成が必要であり、より簡便な手段で炉内の状況を監視できることが求められる。
特許文献５から７では、赤外線カメラの配置が限定されるため、撮像装置の配置の自由度を向上させることが求められる。

本発明は、燃焼室の熱画像データを教師データとして用いて知的情報技術によって作成された複数の学習モデルを用いて、火格子上の燃料の量を推定する推定システムを提供することを目的とする。
本発明の別の目的は、推定システムの推定結果に基づいて燃焼炉を制御する制御システムを提供することである。

本発明の推定システムは、
火格子上の燃料の量に関する指標がラベリングされた燃焼室内の画像データを教師データとして用いて知的情報処理技術によって生成される複数の学習モデルを記憶する記憶装置と、
燃焼室内の画像データが入力されると、前記複数の学習モデルを用いて前記火格子上の燃料の量の推定結果を出力する情報処理装置と、を備える。

前記火格子上の燃料の量は、複数の段階に分類されてもよい。
前記複数の学習モデルは、前記複数の段階に関する所定の規則に従って前記指標がラベリングされた教師データを用いて生成されてもよい。

前記指標は第一指標を含んでもよい。
前記火格子上の燃料の量は、量が少ない順に第１段階から第Ｎ段階に分類されてもよい。
複数の学習モデルは、第１学習モデルから第（Ｎ－１）学習モデルを含んでもよい。
第Ｘ学習モデルは、（Ｎ－Ｘ）段階以下の分類について前記第一指標がラベリングされた教師データを用いて生成されてもよい。Ｎは３以上の整数であり、Ｘは１以上かつＮ未満の整数であってもよい。

前記情報処理装置は、前記第１学習モデルから前記第（Ｎ－１）学習モデルの順に同一の画像データを入力することで得られる出力に基づき、前記火格子上の燃料の量の推定結果を出力してもよい。

前記複数の学習モデルは、画像データが入力されると、火格子上の燃料の量が、前記第一指標に属する確率を示す第一指標帰属率を出力してもよい。
前記情報処理装置は、前記複数の学習モデルから出力される前記第一指標帰属率に応じて、前記火格子上の燃料の量の推定結果を出力してもよい。
例えば、第１～４番目の学習モデルから出力される第一指標(少ない)の帰属率が０．５以上となると、推定されるごみ量段階として１～４段階のいずれかを出力し、第４番目の学習モデルが「多い」と判断した場合、推定されるごみ量段階を５段階として出力してもよい。

前記情報処理装置は、ＸがＮより小さい場合であって、かつ前記第Ｘ学習モデルから出力される前記第一指標帰属率が所定値以上となった場合、その時点で前記火格子上の燃料の量の推定結果を出力し、処理を終了してもよい。
前記「所定値」は、学習モデルに応じて設定され、例えば、０．５以上などである。

前記指標は第一指標および第二指標を含んでいてもよい。
火格子上の燃料の量は、量が少ないものから順に第１段階から第Ｎ段階に分類されてもよい。
複数の学習モデルは、第１学習モデルから第（Ｎ－１）学習モデルを含んでいてもよい。
第Ｘ学習モデルは、（Ｎ－Ｘ）段階以下の分類について前記第一指標がラベリングされ、かつ（Ｎ－Ｘ＋１）段階以上の分類について前記第二指標がラベリングされた教師データを用いて生成されてもよい。Ｎは３以上の整数であり、Ｘは１以上かつＮ未満の整数であってもよい。

前記複数の学習モデルは、画像データが入力されると、火格子上の燃料の量が、前記第一指標に属する確率を示す第一指標帰属率と、前記第二指標に属する確率を示す第二指標帰属率と、を出力してもよい。、
前記情報処理装置は、前記第１学習モデルから前記第（Ｎ－１）学習モデルに同一の画像データを入力し、前記複数の学習モデルから出力される前記第一指標帰属率に第一重みを付した重み付き第一指標帰属率と、前記第二指標帰属率に第二重みを付した重み付き第二指標帰属と、に基づいて前記火格子上の燃料の量の推定結果を出力してもよい。

前記情報処理装置は、前記第１学習モデルから前記第（Ｎ－１）学習モデルの前記重み付き第一指標帰属率の合計値と前記重み付き第二指標帰属率の合計値の差に基づき、前記火格子上の燃料の量の推定結果を出力してもよい。

前記第Ｘ学習モデルの前記第一重みは、１－（Ｎ－１－Ｘ）／（Ｎ－１）であり、前記第Ｘ学習モデルの前記第二重みは、１－（Ｘ－１）／（Ｎ－１）であってもよい。

他の発明の制御システムは、
上記の推定システムと、
前記推定システムからの火格子上の燃料の量の推定結果に基づき燃焼炉を制御する制御装置と、を備える。
前記制御装置は、燃料を燃焼室へ送りこむ燃料供給装置および火格子のうちの少なくとも１つを制御してもよい。

前記制御システムは、
上記推定システムから出力された推定結果を記憶する記憶部を備えていてもよい。
前記燃料供給装置は、燃料を押し込むプッシャーと、搬送コンベアとを備えていてもよい。かかる場合に前記制御装置は、プッシャーのＯＮ／ＯＦＦ駆動、プッシャーのストローク、プッシャーの速度、コンベア速度を制御してもよい。
前記制御装置は、火格子の速度を制御してもよい。
前記制御装置は、各火格子の下方から供給される燃焼用空気の温度、供給量を制御してもよい。

前記推定システムまたは制御システムは、燃焼室内を撮像する撮像装置を備えていてもよい。後述する燃焼制御システムが燃焼室内を撮像する撮像装置を備えていてもよい。
前記撮像装置で撮像された画像データは、前記学習モデルの入力データおよび／または前記教師データに用いてもよい。
前記撮像装置で撮像された画像データは、前記複数の学習モデルを生成するための学習（入力）データとして用いられてもよい。
前記学習モデルは、ソフトウエアプログラムである。
燃料は、例えば、ごみ、バイオマスなどが挙げられる。
燃焼炉は、例えば、ごみ焼却炉、バイオマス燃焼炉が挙げられるが、これに制限されない。
燃焼炉は、例えば、ストーカ式燃焼炉（階段ストーカ式、トラベリングストーカ式など）が挙げられる。

前記教師データとしては、画像データを火格子上の燃料の量によって複数段階に分類して作成できる。火格子上の燃料の量の分類としては、画像データから見えている火格子の段数（奥行距離に沿った各領域など）、炉壁の特定の点に燃料が掛かっているか否かによる分類、火格子上の燃料の高さ（堆積量）、火格子全体面積に対する画像データから火格子表面が見える面積の比率などでもよい。
また、教師データとなる画像データは、燃焼炉内の全体の画像または火格子の全体の画像でなくともよく、それらの画像の一部（例えば、上部画像）でもよい。
教師データは、人によって設定されてもよく、画像を画像処理して設定してもよい。

［効果］
（１）１台のカメラで炉内全体の燃料供給量を推定できる。
（２）炉内全体の画像で判断できるため燃料の偏りによる誤差が起きにくい。
（３）既設の施設にも簡単に設置できるため、適用範囲が広い。
（４）推定された分類を用いて、供給用プッシャー速度・火格子（ストーカ）速度を調整することにより適切な燃料供給量となるように操作できる。

「知的情報処理技術」は、例えば、機械学習、深層学習、強化学習、深層強化学習などが挙げられる。
機械学習、深層学習、強化学習、深層強化学習のアルゴリズムは、特に制限されず、従来のアルゴリズムを用いてもよい。教師あり学習として、例えば、線形回帰、一般化線形モデル、サポートベクター回帰、ガウス過程回帰、アンサンブル法、決定木、ニューラルネットワーク、サポートベクターマシン、判別分析、単純ベイズ、最近傍法などの各種アルゴリズムを採用してもよい。
前記複数の学習モデルの生成方法は、
燃焼室内を撮像した画像データにおいて、火格子上の燃料の量に関する指標をラベリングした教師データを作成する教師データ作成ステップと、
燃焼室内を撮像した画像データと、前記教師データを用いて、知的情報処理技術によって、複数の学習モデルを生成する、モデル生成ステップと、を含む。
教師データ作成ステップにおいて、上述した教師データの設定（第一指標と第二指標の２段階に設定）を行う。

コンピュータ命令が記憶されているコンピュータ読み取り可能な記録媒体は、
火格子上の燃料の量に関する指標をラベリングした、燃焼室内を撮像した画像データを教師データとして用いて知的情報処理技術によって生成される、複数の学習モデルを記憶する、コンピュータ読み取り可能な記録媒体である。

前記情報処理装置による出力は、表示装置への表示、外部装置への送信（無線、有線を含む）、記憶装置への記憶などが挙げられる。
表示装置は、特に制限されず、液晶モニター、有機ＥＬモニター、ＣＲＴモニター、スマートフォン、タブレット、汎用パソコンのモニターなどが例示される。

前記情報処理装置や前記制御装置は、メモリ、プロセッサー、ソフトウエアプログラムを有する情報処理装置（例えば、コンピュータ、サーバ）や、専用回路、ファームウエアなどで構成してもよい。情報処理装置は、オンプレミスまたはクラウドのいずか一方、あるいは両方の組み合わせであってもよい。

実施形態１の燃焼炉の炉内燃供給量推定システムの一例を示す図である。 ごみ堆積量の分類方法の一例である。 ５つの学習モデルを順次実行するフロー一例である。 ５つの学習モデルの実行結果（帰属率と重み）を示す一例である。

（実施形態１）
図１は、実施形態１のストーカ式燃焼炉１０の推定システム５０を備える制御システム４０の一例を示す。
ストーカ式燃焼炉１０は、燃料となるごみ（廃棄物）が投入される投入ホッパ―１１、投入ホッパ―１１から投入されたごみが下方へ送られ貯留される貯留床１２と、貯留床１２からごみを燃焼室１８へ送り出す供給用のプッシャー１３と、階段状の三段からなる火格子を備える燃焼室１８とを備える。
火格子は、乾燥ストーカ１４、燃焼ストーカ１５、後燃焼ストーカ１６を有して構成されている。各ストーカ１４、１５、１６には燃焼用空気を送るための燃焼用空気供給部１４１、１５１、１６１が設けられている。
後燃焼ストーカ１６より下流には灰処理設備２０が設けられ燃焼後の灰が送られる。また、燃焼室１８からの排ガスは排ガス処理設備３０へ送られる。

ストーカ式燃焼炉１０は、燃焼室１８内を撮像する撮像装置１７が設けられる。撮像装置１７は、火格子上の燃料搬送方向（画像奥行方向）に沿ったエリアを撮像する。
撮像装置１７は、Ｈ_２ＯとＣＯ_２からの熱放射エネルギーのない特定波長領域（赤外領域である１．６μｍ及び３．９μｍ付近）を撮像できるカメラである。撮像装置１７は、例えば、近赤外線及び中赤外線カメラに特定波長領域のみを透過させるフィルタが適用されていてもよい。図１の符号Ｆは炎を示すが、撮像装置１７は、炎越しの熱画像撮影が可能となり、可視カメラでは実現できなかった炉内状況把握（炎Ｆよりも奥の状況把握）及び温度計測ができる。

制御システム４０は、推定システム５０から出力された火格子上の燃料の量の推定結果を記憶する記憶部４１と、推定結果を表示する表示装置４２、推定システム５０から出力された火格子上の燃料の量の推定結果に基づいて、ごみを燃焼室１８へ送りこむプッシャー１３および火格子のうちの少なくとも１つを制御する制御装置４３と、を備える。
まず、推定システム５０における教師データおよび学習モデルを説明する。

（教師データの作成）
図２に示すように、撮像された画像データを用いて教師データを作成する。
撮像装置１７で撮像した画像に、堆積量の多少で５段階レベルのラベリングをする。堆積量に応じて、第一分類（最少）＜第二分類＜第三分類＜第四分類＜第五分類（最多）の関係である。
次に、５段階レベルを２段階（多いと少ない）に分けた４種類の教師データを以下のように作成する。
第一教師データ：第一指標（少ない）に第一分類、第二指標（多い）に第二、第三、第四、第五分類
第二教師データ：第一指標（少ない）に第一、第二分類、第二指標（多い）に第三、第四、第五分類
第三教師データ：第一指標（少ない）に第一、第二、第三分類、第二指標（多い）に第四、第五分類
第四教師データ：第一指標（少ない）に第一、第二、第三、第四分類、第二指標（多い）に第五分類
なお、後述する（複数の学習モデルによる分類の推定その１）においては、第二指標は省略されてもよい。

（学習モデルの生成）
４種類の第一、第二、第三、第四教師データに対応した、４種類の第一、第二、第三、第四学習モデルを生成する。
第一学習モデルＡＩ１：第一教師データで生成する
第二学習モデルＡＩ２：第二教師データで生成する
第三学習モデルＡＩ３：第三教師データで生成する
第四学習モデルＡＩ４：第四教師データで生成する

（複数の学習モデルによる分類の推定その１）
情報処理装置５２は、第１学習モデルから第４学習モデルの順に同一の画像データを入力するように実行し、ごみの堆積量を分類し、その結果を出力する。
図３は、５つの学習モデルを順次実行するフローを示す。
撮像装置１７でリアルタイムに撮像された炎越し熱画像が記憶部４１に一旦記憶される。情報処理装置５２は、記憶装置５１から第一学習モデルＡＩ１を読み出し、炎越し熱画像を入力データとして第一学習モデルＡＩ１を実行する（Ｓ１）。推定結果が「少ない」との分類であれば、第一分類（最少）の堆積量となり、それ以降のステップは実行されない。
ここで、各学習モデルから出力される第一指標に関する帰属率が所定値以上である場合、推定結果が「少ない」と分類される。所定値は、本実施形態では０．５である。なお、帰属率の最低値は０であり、最大値は１である。
推定結果が「多い」との分類であれば、記憶装置５１から第二学習モデルＡＩ２を読み出し、炎越し熱画像を入力データとして第二学習モデルＡＩ２を実行する（Ｓ２）。推定結果が「少ない」との分類であれば、第二分類の堆積量となり、それ以降のステップは実行されない。
推定結果が「多い」との分類であれば、記憶装置５１から第三学習モデルＡＩ３を読み出し、炎越し熱画像を入力データとして第三学習モデルＡＩ３を実行する（Ｓ３）。推定結果が「少ない」との分類であれば、第三分類の堆積量となり、それ以降のステップは実行されない。
推定結果が「多い」との分類であれば、記憶装置５１から第四学習モデルＡＩ４を読み出し、炎越し熱画像を入力データとして第四学習モデルＡＩ４を実行する（Ｓ４）。推定結果が「少ない」との分類であれば、第四分類の堆積量となり、推定結果が「多い」との分類であれば、第五分類（最多）の堆積量となる。
以上のように、いずれかのステップで「少ない」に分類される、もしくは第四学習モデルＡＩ４で「多い」に分類されるまで続け、終了した時点が遅いほどごみの堆積量が多いと判定される。

（複数の学習モデルによる分類の推定その２）
情報処理装置５２は、以下（１）から（４）を実行する。
（１）情報処理装置５２は、炎越し熱画像を入力データとして、記憶装置５１から読み出した第一から第四の学習モデルのすべてを実行する。第一から第四学習モデルＡＩ１からＡＩ４の推定結果（第一指標（少ない）、第二指標（多い）の帰属率）を出力する。図４にそれぞれの帰属率（それに属する確率）を示す。
例えば、第一学習モデルＡＩ１は、ある熱画像が入力されたときに、「多い」に分類される帰属率（確率）は０．９８で、「少ない」に分類される帰属率（確率）は０．０２である、と推定する。
例えば、第二学習モデルＡＩ２は、ある熱画像が入力されたときに、「多い」に分類される帰属率（確率）は０．８で、「少ない」に分類される帰属率（確率）は０．２である、と推定する。
例えば、第三学習モデルＡＩ３は、ある熱画像が入力されたときに、「多い」に分類される帰属率（確率）は０．４で、「少ない」に分類される帰属率（確率）は０．６である、と推定する。
例えば、第四学習モデルＡＩ４は、ある熱画像が入力されたときに、「多い」に分類される帰属率（確率）は０．１で、「少ない」に分類される帰属率（確率）は０．９である、と推定する。

（２）情報処理装置５２は、それぞれの帰属率に、第一指標（少ない）および第二指標（多い）に対応する予め設定される重み付けを掛ける。図４に重み付けと、その掛けた結果を示す。
学習モデル数をＮ－１（＝４）（堆積量の分類は（Ｎ＝５）段階）としたとき、「重み」は以下の方法で設置する。
（イ）最も第二指標「多い」に分類される条件が厳しいモデルである第四学習モデルＡＩ４の第二指標帰属率に対する重みを１とする。
（ロ）次に「多い」に分類される条件が厳しいモデルである第三学習モデルＡＩ３の第二指標帰属率に対する重みを１－１／（Ｎ－１）（１－０．２５＝０．７５）とする。すなわち、以後は（１／Ｎ）ずつ減らしていく。
（ハ）最も第二指標「多い」に分類される条件が易しいモデルである第一学習モデルＡＩ１まで続ける。このとき、最も易しいモデルの第二指標帰属率に対する重みは１／（Ｎ－１）（＝０．２５）となる。
（ニ）各学習モデルの第一指標帰属率に対する重みは、下記の式の通りとする。
［第一指標帰属率に対する重み］＝１＋１／（Ｎ－１）－［第二指標帰属率に対する重み］

（３）情報処理装置５２は、第一から第四学習モデルＡＩ１からＡＩ４における第一指標（少ない）の「重み」を掛けた帰属率（重み付き第一指標帰属率）の第一合計値を求め、第一から第四学習モデルＡＩ１からＡＩ４における第二指標（多い）の「重み」を掛けた帰属率（重み付き第二指標帰属率）の第二合計値を求める。次いで、第二合計値から第一合計値を引く。図４に第一、第二合計値などを示す。
第一合計値は「０．６９５」、第二合計値は「１．０４５」であり、［第二合計値－第一合計値］は、「０．３５」である。
Σ（第二指標帰属率）×（「多い」の重み）－Σ（第一指標帰属率）×（「少ない」の重み）＝０．３５

（４）情報処理装置５２は、その引いた値が、どの分類（第一分類から第５分類）に属するかを、それらの関係から求める。
上記（３）の計算結果は、「０．３５」であり、以下の関係式の範囲に収まる。
Ｎ／２≧（計算結果）≧－Ｎ／２
図４の下部に示すように、計算結果の０．３５は０．５と－０．５の間にあるため、第三分類（３段階目）に分類される。

（制御装置の動作）
制御装置４３は、推定システム５０から出力された火格子上の燃料の量の推定結果に基づいて、プッシャー１３のＯＮ／ＯＦＦ駆動、プッシャー１３のストローク、プッシャー１３の速度、および各ストーカ１４、１５、１６の速度を制御する。
例えば、第一分類（最少）であれば、ごみの供給量を増加させるようにプッシャー１３を制御してもよい。
例えば、第五分類（最多）であれば、ごみの供給量を減少させるようにプッシャー１３を制御してもよい。
例えば、第二、第三、第四分類であれば、ごみの供給量を現状維持するようにプッシャー１３を制御してもよい。

（別実施形態）
（１）別実施形態として、上記分類の推定その１と分類の推定その２の両方を実行し、信頼性の高い方を選択するようにしてもよい。
（２）本実施形態では堆積量を５段階に分類したが、別実施形態として、堆積量を３段階、４段階、６段階以上に分類してもよい。
（３）３段階の分類例を以下に示す。
画像を、燃料の量の多少関係で、量が最少の第一分類と、量が第一分類より多い第二分類と、量が最多の第三分類となる、３段階に分類（第一分類＜第二分類＜第三分類）し、
第一学習モデルの教師データとして、前記第一分類の画像を第一指標（少ない）とし、前記第一分類の画像を除く第二、第三分類の画像を第二指標（多い）とする２段階分類を用い、
第二学習モデルの教師データとして、前記第一、第二分類の画像を第一指標（少ない）とし、前記第一、第二分類の画像を除く第三分類の画像を第二指標（多い）とする２段階分類を用いる。
（４）４段階の分類例を以下に示す。
画像を、燃料の量の多少関係で、量が最少の第一分類と、量が第一分類より多い第二分類と、量が第二分類より多い第三分類と、量が最多の第四分類となる、４段階に分類（第一分類＜第二分類＜第三分類＜第四分類）し、
第一学習モデルの教師データとして、前記第一分類の画像を第一指標（少ない）とし、前記第一分類の画像を除く第二、第三、第四分類の画像を第二指標（多い）とする２段階分類を用い、
第二学習モデルの教師データとして、前記第一、第二分類の画像を第一指標（少ない）とし、前記第一、第二分類の画像を除く第三、第四分類の画像を第二指標（多い）とする２段階分類を用い、
第三学習モデルの教師データとして、前記第一、第二、第三分類の画像を第一指標（少ない）とし、前記第一、第二、第三分類の画像を除く第四分類の画像を第二指標（多い）とする２段階分類を用いる。
（５）本実施形態では堆積量を分類の指標としたが、これに制限されず、画像データから見えている火格子（ストーカ）の段数（奥行距離に沿った各領域など）、炉壁の特定の点に燃料が掛かっているか否かによる分類、火格子（ストーカ）上の燃料の高さ（堆積量）、火格子全体面積に対する画像データから火格子表面が見える面積の比率などから選択される１種または２種以上でもよい。
（６）教師データは、人が判別して設定してもよく、画像処理により設定してもよい。
（７）推定結果が表示装置４２に表示され、オペレータがその推定結果を参考にして、プッシャーやストーカ、燃焼用空気の供給などを操作してもよい。推定結果に基づく制御装置が実行される自動制御モードと、推定結果が表示装置に表示されてオペレータの支援装置としても機能させる支援モードを、選択できる構成であってもよい。
（８）焼却炉は、ごみ焼却炉に限定されず、例えば、バイオマス燃焼炉でもよい。

（実施例）
第一から第四学習モデルを使用した正解率を以下に示す。
分類の推定その１（図３）における正解率は、９０％程度であった。
分類の推定その２（図４）における正解率は、９０％程度であった。
分類の推定その１（図３）と分類の推定その２（図４）の両方を使用し、信頼性の高い推定結果を選択した場合には９４％程度であった。
（比較例）
比較例として、５段階分類を学習させた単一の学習モデルでの推定結果は以下の通りであった。
第一分類（最少）と第五分類（最多）の正解率は８０％程度であったが、第二から第四分類までの正解率が２０％～ら３０％と低く、単一の学習モデルの全体の正解率は５０％程度であった。

１０ ストーカ式焼却炉
１１ 投入ホッパ―
１２ 貯留床
１３ プッシャー
１４ 乾燥ストーカ
１４１ 燃焼用空気供給部
１５ 燃焼ストーカ
１５１ 燃焼用空気供給部
１６ 後燃焼ストーカ
１６１ 燃焼用空気供給部
２０ 灰処理設備
３０ 排ガス処理設備
４０ 制御システム
４１ 記憶部
４２ 表示装置
４３ 制御装置
５０ 推定システム
５１ 記憶装置
５２ 情報処理装置
Ｇ ごみ（廃棄物、バイオマス）
Ｆ 炎

Claims (12)

1. 火格子上の燃料の量に関する指標がラベリングされた燃焼室内の画像データを教師データとして用いて知的情報処理技術によって生成される複数の学習モデルを記憶する記憶装置と、
   燃焼室内の画像データが入力されると、前記複数の学習モデルを用いて前記火格子上の燃料の量の推定結果を出力する情報処理装置と、を備える、推定システム。
2. 前記火格子上の燃料の量は、複数の段階に分類され、
   前記複数の学習モデルは、前記複数の段階に関する所定の規則に従って前記指標がラベリングされた教師データを用いて生成される、請求項１に記載の推定システム。
3. 前記指標は第一指標を含み、
   前記火格子上の燃料の量は、量が少ない順に第１段階から第Ｎ段階に分類され、
   複数の学習モデルは、第１学習モデルから第（Ｎ－１）学習モデルを含み、
   第Ｘ学習モデルは、（Ｎ－Ｘ）段階以下の分類について前記第一指標がラベリングされた教師データを用いて生成され、
   Ｎは３以上の整数であり、Ｘは１以上かつＮ未満の整数である、請求項２に記載の推定システム。
4. 前記情報処理装置は、前記第１学習モデルから前記第（Ｎ－１）学習モデルの順に同一の画像データを入力することで得られる出力に基づき、前記火格子上の燃料の量の推定結果を出力する、請求項３に記載の推定システム。
5. 前記複数の学習モデルは、画像データが入力されると、火格子上の燃料の量が、前記第一指標に属する確率を示す第一指標帰属率を出力し、
   前記情報処理装置は、前記複数の学習モデルから出力される前記第一指標帰属率に応じて、前記火格子上の燃料の量の推定結果を出力する、請求項４に記載の推定システム。
6. 前記情報処理装置は、ＸがＮより小さい場合であって、かつ前記第Ｘ学習モデルから出力される前記第一指標帰属率が所定値以上となった場合、その時点で前記火格子上の燃料の量の推定結果を出力し、処理を終了する、請求項５に記載の推定システム。
7. 前記指標は第一指標および第二指標を含み、
   火格子上の燃料の量は、量が少ないものから順に第１段階から第Ｎ段階に分類され、
   複数の学習モデルは、第１学習モデルから第（Ｎ－１）学習モデルを含み、
   第Ｘ学習モデルは、（Ｎ－Ｘ）段階以下の分類について前記第一指標がラベリングされ、かつ（Ｎ－Ｘ＋１）段階以上の分類について前記第二指標がラベリングされた教師データを用いて生成され、
   Ｎは３以上の整数であり、Ｘは１以上かつＮ未満の整数である、請求項２に記載の推定システム。
8. 前記複数の学習モデルは、画像データが入力されると、火格子上の燃料の量が、前記第一指標に属する確率を示す第一指標帰属率と、前記第二指標に属する確率を示す第二指標帰属率と、を出力し、
   前記情報処理装置は、前記第１学習モデルから前記第（Ｎ－１）学習モデルに同一の画像データを入力し、前記複数の学習モデルから出力される前記第一指標帰属率に第一重みを付した重み付き第一指標帰属率と、前記第二指標帰属率に第二重みを付した重み付き第二指標帰属と、に基づいて前記火格子上の燃料の量の推定結果を出力する、請求項７に記載の推定システム。
9. 前記情報処理装置は、前記第１学習モデルから前記第（Ｎ－１）学習モデルの前記重み付き第一指標帰属率の合計値と前記重み付き第二指標帰属率の合計値の差に基づき、前記火格子上の燃料の量の推定結果を出力する、請求項８に記載の推定システム。
10. 前記第Ｘ学習モデルの前記第一重みは、１－（Ｎ－１－Ｘ）／（Ｎ－１）であり、前記第Ｘ学習モデルの前記第二重みは、１－（Ｘ－１）／（Ｎ－１）である、請求項８または９に記載の推定システム。
11. 請求項１から１１のいずれか１項に記載の推定システムと、
    前記推定システムの推定結果に基づき燃焼炉を制御する制御装置と、を備える制御システム。
12. 前記制御装置は、燃料を燃焼室へ送りこむ燃料供給装置および火格子のうちの少なくとも１つを制御する、請求項１１に記載の制御システム。

Images