JP2024039653A - 乾燥システム - Google Patents

Abstract

【課題】被乾燥物の状態を画像データとして取得し、このデータに基づき、運転状態の良し悪しを判断し、得られる被乾燥物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乾燥システムを提供する。【解決手段】乾燥システムは、被乾燥物を攪拌ロータ１７で撹拌しながら搬送して乾燥する乾燥装置５と、被乾燥物の画像データを生成する撮像装置７，８，９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１０を備える。制御システム１０は、学習済みモデルが格納された記憶装置１０ａと、被乾燥物の画像データを学習済みモデルに入力し、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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１０ｂを備えている。【選択図】図１

Description

本発明は、汚泥、スラリーなどの被乾燥物を攪拌しながら乾燥させる乾燥システムに関し、特に最適な自動運転をすることができる乾燥システムに関するものである。

従来より、汚泥等の被乾燥物を攪拌しながら搬送して乾燥させる乾燥装置が知られている（例えば特許文献１参照）。この種の乾燥装置では、被乾燥物の攪拌および搬送のために、複数列の羽根（パドル）が設けられたシャフトが利用される。シャフトが回転することによって、シャフトに設けられた羽根もシャフト周りに回転し、それによって、シャフトの一端側に供給された被乾燥物は、攪拌されながらシャフトの他端側に搬送される。この攪拌、搬送の間に、被乾燥物は加熱されて乾燥する。

この種の乾燥装置では、２本のシャフトにそれぞれ固定された羽根を互いにオーバーラップさせることで、攪拌効果を高めている。乾燥装置においては、乾燥後の被乾燥物の含水率が安定し、且つ被乾燥物の分散不良や過乾燥の防止を確実に行うことができるといった運転管理の容易性が求められているとともに、イニシャルコストを低減することのできる新規な乾燥装置が求められている。

特開２０１４－１３１７８４号公報 特開平４－１５７０００号公報 特開平４－３３８３００号公報 特開２０１１－６７７８７号公報 特開２０１６－７０５４５号公報

しかしながら、乾燥装置から排出される被乾燥物の含水率は、乾燥装置に投入される被乾燥物の性状や乾燥装置の運転状態等のさまざまな因子によって変わり得る。そこで、乾燥装置の運転最適化のために、乾燥装置に投入される汚泥等の被乾燥物の状態や、乾燥装置に設けられた点検口あるいは乾燥装置の排出口等から運転員が現状の被乾燥物を目視で確認し、被乾燥物の状態に基づいて乾燥装置の運転を調節している。しかしながら、被乾燥物の目視に基づいた運転調節は、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、乾燥装置から排出される被乾燥物の含水率が安定しないことがあった。

本発明は、被乾燥物の状態を画像データ、音データ、または振動データとして取得し、このデータに基づき、運転状態の良し悪しを判断し、得られる被乾燥物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乾燥システムを提供することを目的とする。

一態様では、被乾燥物を乾燥するための乾燥システムであって、前記被乾燥物を攪拌ロータで撹拌しながら搬送して乾燥する乾燥装置と、前記被乾燥物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、前記被乾燥物の画像データを前記学習済みモデルに入力し、前記乾燥装置から排出される前記被乾燥物の含水率を目標範囲内に収めることができる前記乾燥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、乾燥システムが提供される。

一態様では、前記制御システムは、前記被乾燥物の画像データと、前記乾燥システムの状態データを前記学習済みモデルに入力し、前記乾燥装置から排出される前記被乾燥物の含水率を目標範囲内に収めることができる前記乾燥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、前記制御システムは、前記被乾燥物の画像データと、前記乾燥システムの上流側に配置された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、前記乾燥装置から排出される前記被乾燥物の含水率を目標範囲内に収めることができる前記乾燥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、被乾燥物を乾燥するための乾燥システムであって、前記被乾燥物を攪拌ロータで撹拌しながら搬送して乾燥する乾燥装置と、前記被乾燥物から発生する音を検出し、音データを生成する音検出器と、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、前記音データを前記学習済みモデルに入力し、前記乾燥装置から排出される前記被乾燥物の含水率を目標範囲内に収めることができる前記乾燥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、乾燥システムが提供される。

一態様では、前記制御システムは、前記音データと、前記乾燥システムの状態データを前記学習済みモデルに入力し、前記乾燥装置から排出される前記被乾燥物の含水率を目標範囲内に収めることができる前記乾燥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、前記制御システムは、前記被乾燥物の音データと、前記乾燥システムの上流側に配置された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、前記乾燥装置から排出される前記被乾燥物の含水率を目標範囲内に収めることができる前記乾燥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、被乾燥物を乾燥するための乾燥システムであって、前記被乾燥物を攪拌ロータで撹拌しながら搬送して乾燥する乾燥装置と、前記被乾燥物が接触する位置に配置された弾性部材と、前記弾性部材に固定され、前記弾性部材の振動データを生成する振動検出器と、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、前記振動データを前記学習済みモデルに入力し、前記乾燥装置から排出される前記被乾燥物の含水率を目標範囲内に収めることができる前記乾燥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、乾燥システムが提供される。

一態様では、前記制御システムは、前記振動データと、前記乾燥システムの状態データを前記学習済みモデルに入力し、前記乾燥装置から排出される前記被乾燥物の含水率を目標範囲内に収めることができる前記乾燥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、前記制御システムは、前記被乾燥物の振動データと、前記乾燥システムの上流側に配置された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、前記乾燥装置から排出される前記被乾燥物の含水率を目標範囲内に収めることができる前記乾燥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、被乾燥物を乾燥するための乾燥システムであって、前記被乾燥物を攪拌ロータで撹拌しながら搬送して乾燥する乾燥装置と、前記乾燥装置によって乾燥された前記被乾燥物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、前記乾燥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、乾燥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、前記乾燥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、前記乾燥システムの運転異常の決定動作をリセットする。
一態様では、前記被乾燥物は、脱水装置から排出された脱水ケーキである。

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、乾燥装置から排出される被乾燥物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乾燥装置に適用することで、乾燥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被乾燥物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、乾燥システムは、学習済みモデルを用いて、得られる被乾燥物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、乾燥システムは、ベテランの運転員と同等、あるいは同等以上に正確に、乾燥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。

乾燥システムの一実施形態を示す図である。 図１に示す乾燥装置の上面図である。 パドルをシャフトの軸方向から見た図である。 学習済みモデルの一例を示す模式図である。 乾燥システムの他の実施形態を示す図である。 乾燥システムのさらに他の実施形態を示す図である。 脱水システムの一実施形態を示す図である。 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。 乾燥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１０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、乾燥システムの一実施形態を示す図である。この乾燥システムは、汚泥やスラリーなどの懸濁液を脱水することで得られた濁質残渣を乾燥させるのに適したシステムである。特に、乾燥システムは、スクリュープレスなどの脱水装置から排出された脱水ケーキを乾燥させる用途に好適に使用される。

乾燥システムは、脱水された濁質残渣などの被乾燥物を搬送する投入コンベヤ１と、投入コンベヤ１によって搬送された被乾燥物を受け取り、該被乾燥物を乾燥する乾燥装置５と、乾燥装置５に投入される前の被乾燥物の画像データを生成する撮像装置７と、乾燥装置５内の被乾燥物の画像データを生成する撮像装置８と、乾燥装置５によって乾燥された被乾燥物の画像データを生成する撮像装置９と、これら画像データに基づいて乾燥システムの動作を制御する制御システム１０を備えている。

濁質残渣は、汚泥などの懸濁液を脱水装置（例えばスクリュープレスまたはベルトプレス）によって脱水した後に残る低含水率の物質である。脱水された濁質残渣は、一般に、ケーキと呼ばれる。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。

図２は、図１に示す乾燥装置５の上面図である。図２に示すように、乾燥装置５は、内部に乾燥室１４を形成するハウジング１５と、２つの攪拌ロータ１７と、これら攪拌ロータ１７を回転させる電動機１８を備えている。各攪拌ロータ１７は、シャフト１７Ａと、シャフト１７Ａに固定された複数のパドル１７Ｂを備えている。シャフト１７Ａの両端はハウジング１５を貫通して延びており、図示しない軸受によって回転可能に支持されている。パドル１７Ｂは、乾燥室１４内に配置されている。パドル１７Ｂは、シャフト１７Ａの軸方向に沿って配列されている。

各パドル１７Ｂは、シャフト１７Ａの軸方向に垂直な方向に対して傾いている。さらに、全パドル１７Ｂのうちの半分の傾き角度は、他の半分のパドル１７Ｂの傾き角度とは異なっている。傾き角度の異なるこれらのパドル１７Ｂは、シャフト１７Ａの軸方向に沿って交互に配置されている。

図３は、パドル１７Ｂをシャフト１７Ａの軸方向から見た図である。図３に示すように、パドル１７Ｂは扇形状を有している。各パドル１７Ｂは、シャフト１７Ａの外周面に固定されており、２つのパドル１７Ｂが１組となって、シャフト１７Ａの外周面を囲んでいる。シャフト１７Ａの軸方向から見たときに、一方のシャフト１７Ａに固定されたパドル１７Ｂの最外縁は、他方のシャフト１７Ａに固定されたパドル１７Ｂの最外縁に重なっている。このようなオーバーラップ配置により、被乾燥物の攪拌効率が向上される。実際には、一方のシャフト１７Ａに固定されたパドル１７Ｂは、他方のシャフト１７Ａに固定されたパドル１７Ｂに非接触である。

図２に示すように、２つのシャフト１７Ａには２つのギヤ２０がそれぞれ固定されている。これらギヤ２０は互いに噛み合っている。したがって、２つのシャフト１７Ａ、すなわち２つの攪拌ロータ１７は、互いに反対方向に回転する。電動機１８は、トルク伝達機構２２を介して２つのシャフト１７Ａのうちの一方に連結されている。トルク伝達機構２２は、スプロケットとチェーンとの組み合わせ、またはプーリとベルトとの組み合わせなどから構成されている。電動機１８が作動すると、２つの攪拌ロータ１７は反対方向に回転する。電動機１８には、インバータ（図示せず）が内蔵されている。電動機１８は制御システム１０に接続されており、電動機１８の動作、すなわち攪拌ロータ１７の回転速度は、制御システム１０によって制御される。

２つのシャフト１７Ａは中空シャフトであり、各パドル１７Ｂも中空パドルである。すなわち、各シャフト１７Ａ内には、その軸方向に延びる空間が形成されており、各パドル１７Ｂの内部にも空間が形成されている。シャフト１７Ａ内の空間と、パドル１７Ｂ内の空間は互いに連通している。乾燥システムは、２つのシャフト１７Ａの一端にそれぞれ連結された２つの蒸気供給ライン５０を備えている。蒸気は、蒸気供給ライン５０からシャフト１７Ａ内に供給され、シャフト１７Ａ内の空間およびパドル１７Ｂ内の空間を流れ、そして、シャフト１７Ａの他端から排出される。この蒸気により、シャフト１７Ａおよびパドル１７Ｂは加熱され、その表面は高温となる。

２つの蒸気供給ライン５０はボイラー５１に連結されている。蒸気供給ライン５０を流れる蒸気の圧力および流量は、蒸気供給ライン５０に設置された蒸気圧力調節弁５２によって制御される。蒸気圧力調節弁５２は制御システム１０に接続されており、蒸気圧力調節弁５２は制御システム１０によって制御される。より具体的には、攪拌ロータ１７内に供給される蒸気の圧力は蒸気圧力調節弁５２を介して制御システム１０によって制御される。

図１に戻り、ハウジング１５は、被乾燥物が投入される投入口２５と、乾燥された被乾燥物が排出される排出口２６を備えている。乾燥システムは、ハウジング１５に連結された乾燥気体供給ライン３０と、乾燥気体排出ライン３１を備えている。乾燥気体は、乾燥気体供給ライン３０を通ってハウジング１５内に供給され、ハウジング１５内の被乾燥物に接触し、そして、乾燥気体排出ライン３１を通ってハウジング１５から排出される。乾燥気体供給ライン３０から供給される乾燥気体は、予め除湿された高温の気体であり、蒸気またはヒーターなどの熱源（図示せず）により予め加熱されている。

乾燥気体供給ライン３０には、温度測定器３２と流量測定器３３が取り付けられている。温度測定器３２は、乾燥気体供給ライン３０を流れる乾燥気体の温度を測定するように構成されており、流量測定器３３は、乾燥気体供給ライン３０を流れる乾燥気体の流量を測定するように構成されている。さらに、乾燥気体排出ライン３１にも、該乾燥気体排出ライン３１を流れる乾燥気体の温度を測定する温度測定器３５が取り付けられている。温度測定器３２、流量測定器３３、および温度測定器３５は、制御システム１０に接続されており、ハウジング１５内に供給される乾燥気体の温度および流量の測定値、およびハウジング１５から排出された乾燥気体の温度の測定値は、制御システム１０に送られるようになっている。

乾燥装置５は、ハウジング１５の表面温度を測定する温度測定器４０と、ハウジング１５内の圧力を測定する圧力測定器４１を備えている。温度測定器４０および圧力測定器４１は、制御システム１０に接続されており、ハウジング１５の表面温度の測定値およびハウジング１５内の圧力の測定値は、制御システム１０に送られるようになっている。

乾燥装置５は、ハウジング１５内に配置された堰５６と、堰５６を上下動させる上下動装置５８を備えている。堰５６は、ハウジング１５内に配置されており、被乾燥物の流れ方向において、パドル１７Ｂの下流側に位置している。ハウジング１５の内部は、堰５６によって乾燥室１４と排出室６０に区画される。排出口２６は排出室６０の下方に位置している。乾燥室１４内の被乾燥物は、堰５６の上縁を越えて排出室６０に移動される。堰５６は、乾燥室１４内の被乾燥物の滞留量および滞留時間を制御する機能を有する。すなわち、堰５６を上方に移動させると（堰５６の高さを上げると）、乾燥室１４内に滞留する被乾燥物の量および時間が増加し、結果として被乾燥物がより乾燥される。上下動装置５８は、制御システム１０に接続されており、上下動装置５８の動作、すなわち堰５６の高さ（堰５６の上下方向の位置）は制御システム１０によって制御される。

乾燥装置５の動作は次の通りである。電動機１８は、２つの攪拌ロータ１７を反対方向に回転させながら、蒸気が蒸気供給ライン５０から攪拌ロータ１７内に供給される。攪拌ロータ１７は蒸気によって加熱され、攪拌ロータ１７の表面は高温になる。さらに、乾燥気体が乾燥気体供給ライン３０を通って乾燥室１４内に流入し、乾燥室１４内を流れ、乾燥気体排出ライン３１を通って排出される。被乾燥物は、投入口２５を通って乾燥室１４内に投入される。被乾燥物は、回転する攪拌ロータ１７のパドル１７Ｂによって少しずつ排出室６０に向かって移動される。攪拌ロータ１７によって移動される間、被乾燥物は、高温の攪拌ロータ１７との接触、および乾燥気体との接触により乾燥される。乾燥された被乾燥物は、堰５６を乗り越えて排出室６０内に移動し、排出口２６を通って乾燥装置５から排出される。排出口２６の下方には排出コンベヤ６４が配置されており、乾燥された被乾燥物は、排出口２６を通って排出コンベヤ６４上に落下し、排出コンベヤ６４によって搬送される。

乾燥システムは、乾燥装置５に投入される前の被乾燥物の画像データを生成する撮像装置７を備えている。撮像装置７は、乾燥装置５の投入口２５の近傍に配置されており、乾燥される前の被乾燥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、撮像装置７は、投入コンベヤ１上の被乾燥物の画像データを生成するように配置されてもよいし、あるいは投入コンベヤ１の上流側に配置されている脱水装置（図示せず）の排出口の近傍に配置されてもよい。撮像装置７は、制御システム１０に接続されており、撮像装置７によって生成された被乾燥物の画像データは、制御システム１０に送られるようになっている。

乾燥システムは、乾燥装置５内の被乾燥物の画像データを生成する撮像装置８をさらに備えている。撮像装置８は、乾燥装置５のハウジング１５の上壁に固定されており、乾燥装置５の内部、より具体的には、乾燥室１４の内部を向いて配置されている。一実施形態では、複数の撮像装置８が攪拌ロータ１７の軸方向に沿って配列されてもよい。撮像装置８は、乾燥されている工程中の被乾燥物、すなわち攪拌ロータ１７によって攪拌されている被乾燥物の画像データを生成するように配置されている。撮像装置８は、制御システム１０に接続されており、撮像装置８によって生成された被乾燥物の画像データは、制御システム１０に送られるようになっている。

乾燥システムは、乾燥装置５によって乾燥された被乾燥物の画像データを生成する撮像装置９をさらに備えている。撮像装置９は、乾燥装置５の排出口２６の近傍に配置されている。より具体的には、撮像装置９は、排出口２６を向いて配置されており、乾燥装置５の乾燥室１４から排出された被乾燥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、撮像装置９は、排出室６０内または排出室６０外に配置されてもよい。さらに、一実施形態では、撮像装置９は、排出コンベヤ６４上の被乾燥物の画像データを生成するように配置されてもよい。撮像装置９は、制御システム１０に接続されており、撮像装置９によって生成された被乾燥物の画像データは、制御システム１０に送られるようになっている。

撮像装置７、撮像装置８、および撮像装置９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、撮像装置７、撮像装置８、および撮像装置９のうちの少なくとも１つは、赤外線カメラ、また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。

乾燥装置５によって乾燥された被乾燥物の含水率は、乾燥装置５に導入される被乾燥物の状態、および乾燥装置５の運転状態に依存して変わる。乾燥装置５によって得られる被乾燥物の含水率は、適切な範囲内にあることが好ましい。被乾燥物の含水率が高すぎると、被乾燥物の重量が大きく、処理コストが増大する。その一方で、被乾燥物の含水率が低すぎると、被乾燥物が飛散しやすくなる。

そこで、制御システム１０は、被乾燥物の画像データを撮像装置７、撮像装置８、および撮像装置９から取得し、これらの画像データに基づいて乾燥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１０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１０ａと、画像データを学習済みモデルに入力し、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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１０ｂを備えている。

記憶装置１０ａは、処理装置１０ｂ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１０ｂ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１０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１０は、撮像装置７、撮像装置８、および撮像装置９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７、撮像装置８、および撮像装置９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７、撮像装置８、および撮像装置９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１０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１０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１０ａ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１０ｂ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被乾燥物の状態を、被乾燥物の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７、撮像装置８、および撮像装置９によって生成された過去の被乾燥物の画像データと、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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。過去の被乾燥物の画像データは説明変数であり、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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、熟練した運転員が被乾燥物の状態と、乾燥装置５から排出された被乾燥物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、被乾燥物の画像データと、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１０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１０ａ内に格納される。

制御システム１０は、画像データを所定の周期で撮像装置７、撮像装置８、および撮像装置９から取得し、記憶装置１０ａ内に記憶する。制御システム１０は、画像データを学習済みモデルに入力し、被乾燥物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。

図４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４に示す学習済みモデルは、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４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１０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、乾燥装置５から排出される被乾燥物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４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４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。
・乾燥装置５への被乾燥物の流量の適正範囲に対する過不足
→投入コンベヤ１の搬送速度の増加、または維持、または減少
・堰５６の高さの適正範囲に対する過不足
→上下動装置５８による堰５６の上昇、または下降、または堰５６の高さの現状維持
・攪拌ロータ１７内に供給される蒸気の圧力の適正範囲に対する過不足
→蒸気圧力調節弁５２の開度の増加、または維持、または減少
・攪拌ロータ１７の回転速度の適正範囲に対する過不足
→電動機１８の回転速度の増加、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、被乾燥物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１０は、被乾燥物の画像データを学習済みモデルに入力し、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乾燥システムに適用することで、乾燥システムの全体の運転を最適化することができる。

本実施形態では、撮像装置７、撮像装置８、および撮像装置９によって生成された画像データのすべてが学習データに含まれるが、一実施形態では、学習データは、撮像装置７、撮像装置８、および撮像装置９のうちの１つまたは２つによって生成された被乾燥物の画像データを含んでもよい。学習済みモデルは、この学習データを用いて構築される。構築された学習済みモデルには、学習データに含まれた（すなわち学習済みモデルの構築に使用された）画像データと同種の現在の画像データが入力される。例えば、撮像装置８によって生成された画像データが学習データに含まれ、撮像装置７および撮像装置９によって生成された画像データは学習データに含まれない場合は、乾燥システムの運転中に撮像装置８によって生成された現在の被乾燥物の画像データが、学習済みモデルに入力される。

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、過去の被乾燥物の画像データに加え、過去の被乾燥物の画像データが生成されたときの乾燥システムの状態データを含んでもよい。乾燥システムの状態データの具体例は、次の通りである。
・乾燥装置５に投入される被乾燥物の温度（図示しない測定装置によって測定される)
・乾燥装置５に投入される被乾燥物の流量（投入コンベヤ１の搬送速度)
・乾燥装置５に投入される被乾燥物の含水率（図示しない測定装置によって測定される)
・乾燥装置５の攪拌ロータ１７の回転速度（電動機１８の回転速度）
・乾燥装置５の電動機１８のトルク電流値
・堰５６の高さ（上下動装置５８の設定値）
・攪拌ロータ１７に注入される蒸気の圧力（蒸気圧力調節弁５２の開度）
・攪拌ロータ１７に注入される蒸気の流量（蒸気圧力調節弁５２の開度）
・乾燥装置５の表面温度（温度測定器４０によって測定される）
・乾燥装置５内の圧力（圧力測定器４１によって測定される）
・ハウジング１５に供給される乾燥気体の温度（温度測定器３２によって測定される）
・ハウジング１５に供給される乾燥気体の流量（流量測定器３３によって測定される）
・ハウジング１５から排出された乾燥気体の温度（温度測定器３５によって測定される）

上述した乾燥システムの状態データの項目は例であり、乾燥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７、撮像装置８、撮像装置９によって生成された過去の被乾燥物の画像データと、過去の被乾燥物の画像データが生成されたときの乾燥システムの状態データと、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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。過去の被乾燥物の画像データと、過去の被乾燥物の画像データが生成されたときの乾燥システムの状態データは、説明変数であり、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥システムの最適な運転パラメータは、目的変数である。乾燥システムの運転中、制御システム１０は、撮像装置７、撮像装置８、撮像装置９によって生成された現在の被乾燥物の画像データと、乾燥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、乾燥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１０ｂに実行させる。

一実施形態では、学習済みモデルは、撮像装置７、撮像装置８、および撮像装置９のうちのいずれか１つまたは２つによって生成された過去の被乾燥物の画像データと、過去の被乾燥物の画像データが生成されたときの乾燥システムの状態データと、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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てもよい。乾燥システムの運転中、制御システム１０は、撮像装置７、撮像装置８、および撮像装置９のうちの上記いずれか１つまたは２つによって生成された現在の被乾燥物の画像データと、乾燥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、乾燥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１０ｂに実行させる。

次に、乾燥システムの他の実施形態について、図５を参照して説明する。図５は、乾燥システムの他の実施形態を示す図である。特に説明しない本実施形態の構成および動作は、図１乃至図４を参照して説明した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。

本実施形態では、画像データに代えて、被乾燥物から発生する音のデータが使用される。すなわち、乾燥システムは、乾燥装置５に投入されたときに発生する被乾燥物の音を検出し、音データを生成する音検出器７１と、乾燥装置５の乾燥室１４内の被乾燥物の音を検出し、音データを生成する音検出器７２と、乾燥装置５の乾燥室１４から排出されたときに発生する被乾燥物の音を検出し、音データを生成する音検出器７３を備えている。音検出器７１、音検出器７２、および音検出器７３の具体的構成は、特に限定されないが、本実施形態では、音を電気信号に変換するマイクロフォンが使用されている。音検出器７１、音検出器７２、および音検出器７３によって生成される音データは、例えば、振幅と時間との関係を示す音波形データ、または周波数と音の大きさとの関係を示す音波形データである。音データはデジタル信号からなるデータである。

音検出器７１は、乾燥室１４内に配置されている。より具体的には、音検出器７１は、ハウジング１５の投入口２５の下方に配置されており、投入口２５を通じて投入された被乾燥物が、ハウジング１５内に既に収容されている被乾燥物の堆積物上に落下するときに発生する被乾燥物の音を検出し、音データを生成する。一実施形態では、ハウジング１５内であって、かつ投入口２５の下方に衝突部材（図示せず）を配置し、音検出器７１は、この衝突部材上に落下するときに発生する被乾燥物の音を検出し、音データを生成してもよい。音検出器７１は、制御システム１０に接続されており、音検出器７１によって生成された音データは、制御システム１０に送られるようになっている。

音検出器７２の少なくとも一部は、乾燥室１４の内部に位置している。より具体的には、音検出器７２は、ハウジング１５の上壁に固定されている。音検出器７２は、乾燥装置５（乾燥室１４内）内で乾燥されている工程中に発生する被乾燥物の音、すなわち攪拌ロータ１７によって攪拌されているときに発生する被乾燥物の音を検出し、音データを生成する。音検出器７２は、制御システム１０に接続されており、音検出器７２によって生成された音データは、制御システム１０に送られるようになっている。

音検出器７３は、ハウジング１５の排出口２６の下方に配置されており、乾燥室１４から排出された被乾燥物が、排出コンベヤ６４上に落下するときに発生する音を検出し、音データを生成する。一実施形態では、音検出器７３は、排出室６０内、または排出口２６内に配置されてもよい。さらに、一実施形態では、排出室６０内、または排出口２６内、または排出口２６の下方に衝突部材（図示せず）を配置し、音検出器７３は、この衝突部材上に落下するときに発生する被乾燥物の音を検出し、音データを生成してもよい。音検出器７３は、制御システム１０に接続されており、音検出器７３によって生成された音データは、制御システム１０に送られるようになっている。

一般に、被乾燥物の含水率が高いときと低いときでは、被乾燥物から発生する音が相違する。具体的には、被乾燥物の含水率が高いときは、湿った音が発生するのに対して、被乾燥物の含水率が低いときは、乾いた音が発生する。したがって、投入時、乾燥時、および排出時に発生する被乾燥物の音は、被乾燥物の含水率に依存して変わる。

制御システム１０は、被乾燥物の音データを音検出器７１、音検出器７２、および音検出器７３から取得し、これらの音データに基づいて乾燥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１０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１０ａと、音データを学習済みモデルに入力し、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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１０ｂを備えている。

学習済みモデルは、音検出器７１、音検出器７２、および音検出器７３によって生成された過去の被乾燥物の音データと、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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。過去の被乾燥物の音データは説明変数であり、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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、熟練した運転員が被乾燥物の投入時の音、被乾燥物の乾燥時の音、被乾燥物の排出時の音、および乾燥装置５から排出された被乾燥物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、被乾燥物の音データと、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１０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１０ａ内に格納される。

制御システム１０は、音データを所定の周期で音検出器７１、音検出器７２、および音検出器７３から取得し、記憶装置１０ａ内に記憶する。制御システム１０は、音データを学習済みモデルに入力し、被乾燥物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、音検出器７１、音検出器７２、および音検出器７３によって生成された音データのすべてが学習データに含まれるが、一実施形態では、学習データは、音検出器７１、音検出器７２、および音検出器７３のうちの１つまたは２つによって生成された被乾燥物の音データを含んでもよい。学習済みモデルは、この学習データを用いて構築される。構築された学習済みモデルには、学習データに含まれた（すなわち学習済みモデルの構築に使用された）音データと同種の現在の音データが入力される。例えば、音検出器７２によって生成された音データが学習データに含まれ、音検出器７１および音検出器７３によって生成された音データは学習データに含まれない場合は、乾燥システムの運転中に音検出器７２によって生成された現在の被乾燥物の音データが、学習済みモデルに入力される。

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、過去の被乾燥物の音データに加え、過去の被乾燥物の音データが生成されたときの乾燥システムの状態データを含んでもよい。乾燥システムの状態データの具体例は、上述した実施形態と同じである。学習済みモデルは、音検出器７１、音検出器７２、音検出器７３によって生成された過去の被乾燥物の音データと、過去の被乾燥物の音データが生成されたときの乾燥システムの状態データと、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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。過去の被乾燥物の音データと、過去の被乾燥物の音データが生成されたときの乾燥システムの状態データは、説明変数であり、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥システムの最適な運転パラメータは、目的変数である。乾燥システムの運転中、制御システム１０は、音検出器７１、音検出器７２、音検出器７３によって生成された現在の被乾燥物の音データと、乾燥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、乾燥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１０ｂに実行させる。

一実施形態では、学習済みモデルは、音検出器７１、音検出器７２、および音検出器７３のうちのいずれか１つまたは２つによって生成された過去の被乾燥物の音データと、過去の被乾燥物の音データが生成されたときの乾燥システムの状態データと、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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てもよい。乾燥システムの運転中、制御システム１０は、音検出器７１、音検出器７２、および音検出器７３のうちの上記いずれか１つまたは２つによって生成された現在の被乾燥物の音データと、乾燥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、乾燥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１０ｂに実行させる。

図５を参照して説明した上記実施形態は、図１乃至図４を参照して説明した実施形態に組み合わせてもよい。すなわち、図５に示す乾燥システムは、図１に示す実施形態の撮像装置７、撮像装置８、および撮像装置９のうちの少なくとも１つをさらに備えてもよい。この場合は、学習済みモデルは、過去の音データおよび過去の画像データ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。乾燥システムの運転中は、音データおよび画像データの両方が学習済みモデルに入力される。

次に、乾燥システムの他の実施形態について、図６を参照して説明する。図６は、乾燥システムの他の実施形態を示す図である。特に説明しない本実施形態の構成および動作は、図１乃至図４を参照して説明した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。

本実施形態では、画像データに代えて、振動データが使用される。すなわち、乾燥システムは、乾燥装置５に投入された被乾燥物が接触する弾性部材８１と、この弾性部材８１に固定され、弾性部材８１の振動データを生成する振動検出器８２と、乾燥装置５の乾燥室１４から排出された被乾燥物が接触する弾性部材８５と、この弾性部材８５に固定され、弾性部材８５の振動データを生成する振動検出器８６を備えている。振動検出器８２および振動検出器８６の具体的構成は、特に限定されないが、本実施形態では、振動を電気信号に変換する振動センサまたは加速度センサが使用されている。

振動検出器８２は、ハウジング１５の投入口２５の下方に配置された弾性部材８１に固定されている。弾性部材８１は、乾燥室１４内に配置されている。本実施形態においては、弾性部材８１は板状である。弾性部材８１の一端は、ハウジング１５の側壁に固定されており、振動検出器８２は弾性部材８１の他端に固定されている。投入口２５を通じて投入された被乾燥物は、弾性部材８１上に落下し、振動検出器８２は弾性部材８１と一体に振動する。振動検出器８２は、被乾燥物が弾性部材８１上に落下するときに発生する振動を検出し、振動データを生成する。振動検出器８２は、制御システム１０に接続されており、振動検出器８２によって生成された振動データは、制御システム１０に送られるようになっている。

振動検出器８６は、ハウジング１５の排出口２６の下方に配置された弾性部材８５に固定されている。本実施形態においては、弾性部材８５は板状である。弾性部材８５の一端は、図示しない固定部材に固定されており、振動検出器８６は弾性部材８５の他端に固定されている。一実施形態では、弾性部材８５および振動検出器８６は、排出室６０内または排出口２６内に配置されてもよい。

乾燥室１４から排出された被乾燥物は、弾性部材８５上に落下し、振動検出器８６は弾性部材８５と一体に振動する。振動検出器８６は、被乾燥物が弾性部材８５上に落下するときに発生する振動を検出し、振動データを生成する。振動検出器８６は、制御システム１０に接続されており、振動検出器８６によって生成された振動データは、制御システム１０に送られるようになっている。

振動検出器８２および振動検出器８６によって生成される振動データは、例えば、振幅と時間との関係を示すデータであり、デジタル信号からなるデータである。一般に、被乾燥物の含水率が高いときと低いときでは、被乾燥物が弾性部材８１および弾性部材８５に衝突したときのこれらの振動の仕方が相違する。具体的には、被乾燥物の含水率が高いときは、より大きな塊が弾性部材８１および弾性部材８５に接触し、振動の周期は短くなる傾向にある。これに対し、被乾燥物の含水率が低いときは、より小さな塊が弾性部材８１および弾性部材８５に接触し、振動の周期は長くなる傾向にある。したがって、弾性部材８１および弾性部材８５の振動データは、被乾燥物の含水率に依存して変わる。

制御システム１０は、振動データを振動検出器８２および振動検出器８６から取得し、これらの振動データに基づいて乾燥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１０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１０ａと、振動データを学習済みモデルに入力し、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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１０ｂを備えている。

学習済みモデルは、振動検出器８２および振動検出器８６によって生成された弾性部材８１，８５の過去の振動データと、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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。過去の振動データは説明変数であり、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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、熟練した運転員が被乾燥物の投入時の振動データ、被乾燥物の排出時の振動データ、および乾燥装置５から排出された被乾燥物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、弾性部材８１，８５の過去の振動データと、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１０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１０ａ内に格納される。

制御システム１０は、振動データを所定の周期で振動検出器８２および振動検出器８６から取得し、記憶装置１０ａ内に記憶する。制御システム１０は、弾性部材８１，８５の振動データを学習済みモデルに入力し、被乾燥物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、振動検出器８２および振動検出器８６の両方によって生成された振動データが学習データに含まれるが、一実施形態では、学習データは、振動検出器８２または振動検出器８６のいずれかによって生成された振動データを含んでもよい。学習済みモデルは、この学習データを用いて構築される。構築された学習済みのモデルには、学習データに含まれた（すなわち学習済みモデルの構築に使用された）振動データと同種の現在の振動データが入力される。例えば、振動検出器８６によって生成された振動データが学習データに含まれ、振動検出器８２によって生成された振動データは学習データに含まれない場合は、乾燥システムの運転中に、振動検出器８６によって生成された弾性部材８５の現在の振動データが学習済みモデルに入力される。

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、過去の振動データに加え、過去の振動データが生成されたときの乾燥システムの状態データを含んでもよい。乾燥システムの状態データの具体例は、上述した実施形態と同じである。

学習済みモデルは、振動検出器８２および振動検出器８６によって生成された弾性部材８１，８５の過去の振動データと、過去の振動データが生成されたときの乾燥システムの状態データと、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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。過去の振動データと、過去の振動データが生成されたときの乾燥システムの状態データは、説明変数であり、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥システムの最適な運転パラメータは、目的変数である。乾燥システムの運転中、制御システム１０は、振動検出器８２および振動検出器８６によって生成された弾性部材８１，８５の現在の振動データと、乾燥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、乾燥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１０ｂに実行させる。

一実施形態では、学習済みモデルは、振動検出器８２および振動検出器８６のうちの１つによって生成された過去の振動データと、過去の振動データが生成されたときの乾燥システムの状態データと、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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てもよい。乾燥システムの運転中、制御システム１０は、振動検出器８２および振動検出器８６のうちの上記１つによって生成された現在の振動データと、乾燥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、乾燥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１０ｂに実行させる。

図６を参照して説明した上記実施形態は、図１乃至図４を参照して説明した実施形態に組み合わせてもよい。すなわち、図６に示す乾燥システムは、図１に示す実施形態の撮像装置７、撮像装置８、および撮像装置９のうちの少なくとも１つをさらに備えてもよい。学習済みモデルは、過去の振動データおよび過去の画像データ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。乾燥システムの運転中は、振動データおよび画像データの両方が学習済みモデルに入力される。

さらに、図５を参照して説明した上記実施形態と、図６を参照して説明した上記実施形態を、図１乃至図４を参照して説明した実施形態に組み合わせてもよい。すなわち、図６に示す乾燥システムは、図１に示す実施形態の撮像装置７、撮像装置８、および撮像装置９のうちの少なくとも１つと、図５に示す音検出器７１、音検出器７２、および音検出器７３のうちの少なくとも１つをさらに備えてもよい。この場合は、モデルは、過去の振動データ、過去の音データ、および過去の画像データ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。乾燥システムの運転中は、振動データ、音データ、および画像データが学習済みモデルに入力される。

さらに、図５を参照して説明した上記実施形態を、図６を参照して説明した上記実施形態に組み合わせてもよい。すなわち、図６に示す乾燥システムは、図５に示す音検出器７１、音検出器７２、および音検出器７３のうちの少なくとも１つをさらに備えてもよい。この場合は、モデルは、過去の振動データおよび過去の音データ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。乾燥システムの運転中は、振動データおよび音データの両方が学習済みモデルに入力される。

上述した各実施形態に係る乾燥システムは、スクリュープレスなどの脱水装置を備えた脱水システムから排出された脱水ケーキを乾燥させる用途に好適に使用される。そこで、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、画像データ、音データ、および振動データのうちの少なくとも１つに加えて、乾燥システムの上流側に配置された脱水システムの状態データを学習済みモデルに入力してもよい。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、過去の音データ、および過去の振動データのうちの少なくとも１つに加え、脱水システムの状態データを含む。以下、脱水システムについて詳述する。

脱水システムは、図１の投入コンベヤ１の上流側に配置され、汚泥などの懸濁液を脱水するように構成される。図７は、脱水システムは、懸濁液を貯留する懸濁液貯留槽１０１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１０３と、凝集物から液体を除去し、濃縮物を形成する濃縮装置１０４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１０５を備えている。濃縮装置１０４は、凝集装置１０３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１０５は、凝集装置１０３によって形成された凝集物、または濃縮装置１０４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１０５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１０４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１０４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１０４のタイプは特に限定されない。例えば、濃縮装置１０４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１０５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７に示す脱水装置１０５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７に示すように、凝集装置１０３は、汚泥を収容し、汚泥を凝集剤と混合する凝集混和槽１０７と、凝集混和槽１０７内の汚泥を攪拌するための攪拌機１０８と、凝集混和槽１０７に接続された汚泥導入管（懸濁液導入管）１１４と、汚泥導入管１１４に設けられたポンプ１１２を備えている。攪拌機１０８は、凝集混和槽１０７内に配置された攪拌羽根１０９と、攪拌羽根１０９に連結された攪拌モータ１１０を備えている。懸濁液貯留槽１０１は、汚泥導入管１１４によって凝集混和槽１０７に接続されている。汚泥は、ポンプ１１２により汚泥導入管１１４を通じて懸濁液貯留槽１０１から凝集混和槽１０７に移送される。凝集混和槽１０７への汚泥の流量は、ポンプ１１２の運転によって調整することが可能である。

汚泥導入管１１４には温度センサ１２２が取り付けられている。この温度センサ１２２は、凝集混和槽１０７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１１４には汚泥濃度計（懸濁液濃度計）１２４が取り付けられており、凝集混和槽１０７に導入される汚泥中の懸濁物質の濃度は汚泥濃度計１２４によって測定される。

凝集装置１０３は、凝集混和槽１０７に接続された水供給ライン１２６と、水供給ライン１２６に取り付けられた流量制御弁１２７をさらに備えている。水供給ライン１２６は、水を凝集混和槽１０７内に供給し、凝集混和槽１０７内の汚泥を希釈する。水供給ライン１２６を通って凝集混和槽１０７に供給される水の流量は流量制御弁１２７によって調整される。一実施形態では、水供給ライン１２６を汚泥導入管１１４に接続し、水を汚泥導入管１１４に直接供給してもよい。

凝集装置１０３は、凝集混和槽１０７に接続された凝集剤供給装置１２８をさらに備えている。この凝集剤供給装置１２８は、凝集剤を予め定められた流量で凝集混和槽１０７内の汚泥に注入するように構成されている。凝集混和槽１０７内の汚泥に注入される凝集剤の流量は、凝集剤供給装置１２８によって調整される。汚泥は凝集剤とともに攪拌機１０８によって攪拌される。凝集混和槽１０７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１０７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。

図７に示される凝集混和槽１０７は単段の槽であるが、凝集混和槽１０７は、複数段の槽であってもよい。汚泥の攪拌強度は、攪拌機１０８の回転速度によって調整することができる。凝集混和槽１０７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１０７は、汚泥移送管１１８によって濃縮装置１０４に連結されている。濃縮装置１０４は、凝集装置１０３と脱水装置１０５との間に配置されている。凝集装置１０３によって形成された凝集物からなる汚泥は、汚泥移送管１１８を通って濃縮装置１０４に移送される。凝集物は、濃縮装置１０４によって濃縮され、脱水される。濃縮装置１０４の一例としては、回転円板式脱液装置が挙げられる。

濃縮装置１０４の出口は、脱水装置１０５の投入口１３５の上方に配置されており、濃縮装置１０４によって形成された濃縮物からなる汚泥は、脱水装置１０５の投入口１３５に投入される。本実施形態では、脱水装置１０５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１０５は、ろ過筒１３６と、ろ過筒１３６内に同心状に配置されたスクリュー軸１３７と、スクリュー軸１３７の外面に固定されたスクリュー羽根１３８と、スクリュー軸１３７およびスクリュー羽根１３８を回転させて汚泥を排出室１４１に向かって送るスクリューモータ１４０と、スクリューモータ１４０に連結された軸摺動アクチュエータ１４２を備えている。

ろ過筒１３６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１３６の一端は閉塞壁１４４によって密封されており、ろ過筒１３６の他端は排出室１４１に接続されている。投入口１３５はろ過筒１３６に形成されており、かつ閉塞壁１４４に隣接している。

スクリュー軸１３７は、ろ過筒１３６内を貫通して延びている。スクリュー軸１３７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１３７は閉塞壁１４４を貫通して延びており、スクリュー軸１３７の端部はスクリューモータ１４０に連結されている。スクリューモータ１４０には、インバータ（図示せず）が内蔵されている。

スクリュー羽根１３８は、スクリュー軸１３７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１３６の内面とスクリュー羽根１３８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１３８はろ過筒１３６に接触することなく回転することができる。投入口１３５からろ過筒１３６内に投入された汚泥は、回転するスクリュー羽根１３８によりろ過筒１３６内を排出室１４１に向かって移送される。

汚泥がろ過筒１３６内で移送される空間は、ろ過筒１３６の内面と、スクリュー羽根１３８と、スクリュー軸１３７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１３８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１３６を通過したろ液は、ろ過筒１３６の下方に配置されたろ液受け１４５によって回収された後に、ドレイン１４６を通じて排出される。

ろ過筒１３６の下流側端部に対向して環状の背圧板１５０が配置されている。この背圧板１５０は、ろ過筒１３６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１５０の中央部には、スクリュー軸１３７が貫通する貫通孔が形成されており、背圧板１５０はスクリュー軸１３７と同心状に配置されている。背圧板１５０はスクリュー軸１３７に固定されておらず、背圧板１５０は回転しない。

背圧板１５０は、背圧板駆動装置１５１に連結されている。この背圧板駆動装置１５１は、背圧板１５０を、スクリュー軸１３７の軸方向に移動させるように構成されている。背圧板１５０とろ過筒１３６の下流側端部との間の隙間は、背圧板駆動装置１５１によって調整される。背圧板駆動装置１５１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。

軸摺動アクチュエータ１４２は、スクリューモータ１４０をスクリュー軸１３７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１４２がスクリューモータ１４０を軸方向に移動させると、スクリューモータ１４０に連結されたスクリュー軸１３７およびスクリュー羽根１３８は、ろ過筒１３６内でスクリュー軸１３７の軸方向に移動される。

次に、脱水装置１０５の動作について説明する。濃縮装置１０４によって形成された濃縮物からなる汚泥は、投入口１３５からろ過筒１３６内に投入される。汚泥は、回転するスクリュー羽根１３８によりろ過筒１３６内を排出室１４１に向かって移送される。ろ過筒１３６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１３６を通過したろ液は、ろ液受け１４５によって回収され、ドレイン１４６を通じて排出される。汚泥は、ろ過筒１３６内で脱水されてケーキを形成する。洗浄装置１５５は、予め設定された時間間隔で、ろ過筒１３６の外周面に洗浄液を供給する。

ろ過筒１３６内を移動してきたケーキは、背圧板１５０に押し付けられる。ケーキは、その移動を背圧板１５０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１３６の下流側端部をシールするプラグ１５２を形成する。プラグ１５２は、後続のケーキに背圧を加えることにより、ろ過筒１３６内のケーキの含水率を低下させる。ケーキは、ろ過筒１３６内でプラグ１５２を形成しながら、後続のケーキにより押されて背圧板１５０とろ過筒１３６の下流側端部との間の隙間を通過して、少しずつ排出室１４１に排出される。ケーキは、排出室１４１の下部に設けられた排出口１５３を通って排出室１４１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。ケーキは、図１、または図５、または図６に示す投入コンベヤ１によって乾燥装置５の投入口２５に搬送される。

背圧板１５０の軸方向の位置によって背圧板１５０とろ過筒１３６の下流側端部との間の隙間が変わり、結果として、ろ過筒１３６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１５０とろ過筒１３６の下流側端部との間の隙間が小さくなると、プラグ１５２を押し出すのにより大きな力が必要となるので、ろ過筒１３６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１３８の回転速度のみならず、背圧板１５０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１３６内には圧力センサ１６１が配置されており、ろ過筒１３６内の汚泥の圧力は、圧力センサ１６１によって測定される。圧力センサ１６１の位置はろ過筒１３６内であれば特に限定されず、ろ過筒１３６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１６１をろ過筒１３６内に配置してもよい。

プラグ１５２は、低含水率のケーキから形成されている。プラグ１５２を形成しているケーキの含水率が低下すると、プラグ１５２が硬くなり、ろ過筒１３６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１４２は、スクリュー軸１３７およびスクリュー羽根１３８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１０５は、安定した連続運転が可能となる。

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、過去の音データ、および過去の振動データのうちの少なくとも１つに加え、脱水システムの状態データを含む。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１２２によって測定される）
・凝集混和槽１０７への汚泥の流量（ポンプ１１２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１２８の運転速度）
・攪拌機１０８の攪拌速度（攪拌モータ１１０の回転速度）
・凝集混和槽１０７への水の流量（流量制御弁１２７の開度）
・濃縮装置１０４の運転速度（濃縮装置１０４の駆動モータの回転速度）
・濃縮装置１０４の運転トルク（濃縮装置１０４の駆動モータへの電流値）
・濃縮装置１０４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１０４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１３７の回転速度
・スクリューモータ１４０への電流値（トルク値）
・ろ過筒１３６内の汚泥の圧力（圧力センサ１６１によって測定される）
・背圧板１５０の開度（背圧板駆動装置１５１の設定値）
・背圧板１５０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、過去の画像データ、過去の音データ、および過去の振動データのうちの少なくとも１つと、上記過去の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、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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、過去の音データ、過去の振動データ、および脱水システムの状態データは、説明変数であり、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥システムの最適な運転パラメータは、目的変数である。乾燥システムの運転中、図１、図５、または図６に示す制御システム１０は、画像データ、音データ、および振動データのうちの少なくとも１つと、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、乾燥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１０ｂに実行させる。

一実施形態では、学習済みモデルは、過去の画像データ、過去の音データ、および過去の振動データのうちの少なくとも１つと、上記過去のデータが生成されたときの乾燥システムの状態データおよび脱水システムの状態データと、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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てもよい。乾燥システムの運転中、図１、図５、または図６に示す制御システム１０は、画像データ、音データ、および振動データのうちの少なくとも１つと、脱水システムの現在の状態データと、乾燥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、乾燥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１０ｂに実行させる。

図８は、脱水システムの他の実施形態を示す図である。図８に示す脱水システムは、脱水装置１０５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７の実施形態と相違する。本実施形態では、図７に示す軸摺動アクチュエータ１４２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７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１０５は、ろ過筒１３６と、ろ過筒１３６内で、該ろ過筒１３６と同心状に配置され、汚泥を移送する第１スクリュー１７１および第２スクリュー１７２と、第１スクリュー１７１を回転させる第１スクリューモータ１７５と、第１スクリュー１７１とは独立に第２スクリュー１７２を回転させる第２スクリューモータ１７６を備えている。

第１スクリューモータ１７５および第２スクリューモータ１７６は、第１スクリュー１７１および第２スクリュー１７２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１７１および第２スクリュー１７２にそれぞれ連結されてもよい。

ろ過筒１３６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１３６の上流側端部には、投入口１３５が形成されている。投入口１３５からろ過筒１３６に投入された汚泥は、回転する第１スクリュー１７１および第２スクリュー１７２によりろ過筒１３６内で所定の移送方向に移送される。ろ過筒１３６の下流側端部は排出室１４１に接続されている。

第２スクリュー１７２は、第１スクリュー１７１とは独立に回転可能なように、第１スクリュー１７１に連結されている。第１スクリュー１７１および第２スクリュー１７２は、ろ過筒１３６および排出室１４１をそれぞれ貫通して延びている。排出室１４１は、ろ過筒１３６に接続されている。この排出室１４１に、ケーキから構成されたプラグ１７７がろ過筒１３６から排出される。第２スクリュー１７２の軸方向の長さは、第１スクリュー１７１の軸方向の長さよりも短い。第１スクリュー１７１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１７１Ａと、第１スクリュー軸１７１Ａの外面に固定された第１スクリュー羽根１７１Ｂとを有している。第２スクリュー１７２は、円筒形状の第２スクリュー軸１７２Ａと、第２スクリュー軸１７２Ａの外面に固定された第２スクリュー羽根１７２Ｂとを有している。

ろ過筒１３６の上流側端部は閉塞壁１４４によって密封されている。第１スクリュー軸１７１Ａの上流側端部はこの閉塞壁１４４を貫通して延び、第１スクリュー１７１を回転させるための第１スクリューモータ１７５に連結されている。第２スクリュー１７２の第２スクリュー軸１７２Ａは、第１スクリュー軸１７１Ａと同心状に配置される。第２スクリュー軸１７２Ａの外径は第１スクリュー軸１７１Ａの最大径と同一である。第２スクリュー軸１７２Ａの下流側端部は、排出室１４１を構成する壁１４１Ａを貫通して延び、第２スクリュー１７２を回転させるための第２スクリューモータ１７６に連結されている。排出室１４１の下部は、排出口１５３に接続されている。

第１スクリューモータ１７５には、インバータ（図示せず）が内蔵されており、モータ制御部１０６は、インバータを介して第１スクリューモータ１７５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、モータ制御部１０６は、インバータを介して第１スクリューモータ１７５の回転速度および回転方向を制御することができる。モータ制御部１０６は、第１スクリューモータ１７５に指令を発して、第１スクリュー１７１を第２スクリュー１７２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１７６も、モータ制御部１０６に接続されている。第２スクリューモータ１７６には、インバータ（図示せず）が内蔵されており、モータ制御部１０６は、インバータを介して第２スクリューモータ１７６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、モータ制御部１０６は、インバータを介して第２スクリューモータ１７６の回転速度および回転方向を制御することができる。モータ制御部１０６は第２スクリューモータ１７６に指令を発して、第２スクリュー１７２を第１スクリュー１７１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１７１Ｂは、第１スクリュー軸１７１Ａ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１７２Ｂは、第２スクリュー軸１７２Ａ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１７１Ｂが固定されている第１スクリュー１７１の部分と、第２スクリュー羽根１７２Ｂが固定されている第２スクリュー１７２の部分を合計した長さは、ろ過筒１３６の軸方向の長さと同一か、または長い。

ろ過筒１３６の内面と第１スクリュー羽根１７１Ｂ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１７１Ｂはろ過筒１３６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１３６の内面と第２スクリュー羽根１７２Ｂ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１７２Ｂはろ過筒１３６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１３６の上流側端部に形成された投入口１３５からろ過筒１３６に投入された汚泥を、回転する第１スクリュー羽根１７１Ｂおよび第２スクリュー羽根１７２Ｂによって排出室１４１に向かって移送することができる。

第２スクリュー羽根１７２Ｂのピッチは、第１スクリュー羽根１７１Ｂのピッチよりも小さい。さらに、第２スクリュー羽根１７２Ｂ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１７２Ｂの巻き方向（すなわち、螺旋方向）は、第１スクリュー羽根１７１Ｂの巻き方向とは逆である。したがって、投入口１３５から投入された汚泥を、排出室１４１へ送り出すときは、図８に示されるように、第２スクリュー１７２を第１スクリュー１７１とは逆方向に回転させる。

第２スクリュー羽根１７２Ｂの巻き方向を、第１スクリュー羽根１７１Ｂの巻き方向と同一にしてもよい。この場合、投入口１３５から投入された汚泥を、排出室１４１へ送り出すときは、第２スクリュー１７２を第１スクリュー１７１と同方向に回転させる。

ろ過筒１３６は、第１スクリュー１７１が配置された脱水領域１Ａと、第２スクリュー１７２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１３６の内面と、第１スクリュー羽根１７１Ｂと、第１スクリュー軸１７１Ａとによって形成される。この移送空間の断面積は、図８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１３５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１７１Ｂ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１３６を通過したろ液は、ろ過筒１３６の下方に配置されたろ液受け１４５によって回収される。ろ液受け１４５には、ドレイン１４６が接続されており、ろ液受け１４５によって回収されたろ液は、ドレイン１４６を介して脱水装置１０５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１３６の内面と、第２スクリュー羽根１７２Ｂと、第２スクリュー軸１７２Ａとによって形成される。図８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１７７が形成される。プラグ１７７は、後続のケーキに背圧を加えることにより、ろ過筒１３６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１７７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１４１に排出される。ケーキは、排出室１４１の下部に設けられた排出口１５３を通って排出室１４１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。ケーキは、図１、または図５、または図６に示す投入コンベヤ１によって乾燥装置５の投入口２５に搬送される。

本実施形態の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１２２によって測定される）
・凝集混和槽１０７への汚泥の流量（ポンプ１１２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１２８の運転速度）
・攪拌機１０８の攪拌速度（攪拌モータ１１０の回転速度）
・凝集混和槽１０７への水の流量（流量制御弁１２７の開度）
・濃縮装置１０４の運転速度（駆動モータの回転速度）
・濃縮装置１０４の運転トルク（駆動モータへの電流値）
・濃縮装置１０４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１０４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１７１の回転速度
・第１スクリューモータ１７５への電流値（トルク値）
・第２スクリュー１７２の回転速度
・第２スクリューモータ１７６への電流値（トルク値）
・ろ過筒１３６内の汚泥の圧力（圧力センサ１６１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、過去の画像データ、過去の音データ、および過去の振動データのうちの少なくとも１つと、上記過去の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、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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、過去の音データ、過去の振動データ、および脱水システムの状態データは、説明変数であり、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥システムの最適な運転パラメータは、目的変数である。乾燥システムの運転中、図１、図５、または図６に示す制御システム１０は、画像データ、音データ、および振動データのうちの少なくとも１つと、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、乾燥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１０ｂに実行させる。

一実施形態では、学習済みモデルは、過去の画像データ、過去の音データ、および過去の振動データのうちの少なくとも１つと、上記過去のデータが生成されたときの乾燥システムの状態データおよび脱水システムの状態データと、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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てもよい。乾燥システムの運転中、図１、図５、または図６に示す制御システム１０は、画像データ、音データ、および振動データのうちの少なくとも１つと、脱水システムの現在の状態データと、乾燥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、乾燥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１０ｂに実行させる。

図７および図８に示す実施形態では、脱水システムは濃縮装置１０４を備えているが、一実施形態では、濃縮装置１０４を省略してもよい。この場合は、凝集装置１０３で形成された凝集物（凝集フロック）は、汚泥移送管１１８を通って脱水装置１０５の投入口１３５に移送される。

図９は、脱水システムのさらに他の実施形態を示す図である。図９に示す脱水システムにおいては、脱水装置１０５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１０４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７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１０３は、汚泥を収容する造粒槽１８０と、造粒槽１８０内の汚泥を攪拌するための攪拌機１０８と、造粒槽１８０に接続された汚泥導入管１１４と、汚泥導入管１１４に設けられたポンプ１１２を備えている。攪拌機１０８は、造粒槽１８０内に配置された攪拌羽根１０９と、攪拌羽根１０９に連結された攪拌モータ１１０を備えている。懸濁液貯留槽１０１は、汚泥導入管１１４によって凝造粒槽１８０に接続されている。汚泥はポンプ１１２により汚泥導入管１１４を通じて懸濁液貯留槽１０１から造粒槽１８０に移送される。造粒槽１８０への汚泥の流量は、ポンプ１１２の運転によって調整することが可能である。

汚泥導入管１１４には温度センサ１２２が取り付けられている。この温度センサ１２２は、造粒槽１８０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１１４には汚泥濃度計（懸濁液濃度計）１２４が取り付けられており、造粒槽１８０に導入される汚泥中の懸濁物質の濃度は汚泥濃度計１２４によって測定される。

凝集装置１０３は、造粒槽１８０に接続された凝集剤供給装置１２８をさらに備えている。この凝集剤供給装置１２８は、凝集剤を予め定められた流量で造粒槽１８０内の汚泥に注入するように構成されている。造粒槽１８０内の汚泥に注入される凝集剤の流量は、凝集剤供給装置１２８によって調整される。汚泥は凝集剤とともに攪拌機１０８の攪拌羽根１０９によって攪拌される。造粒槽１８０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１８０内で形成される凝集物は、一般に、ペレットと呼ばれる。汚泥の攪拌強度は、攪拌機１０８の回転速度によって調整することができる。

造粒槽１８０は、汚泥移送管１１８によってベルトプレス型脱水装置１０５に連結されている。脱水装置１０５は、無端状の前処理ろ布ベルト１８２と、前処理ろ布ベルト１８２を支持する複数の支持ローラ１８３ａ～１８３ｃと、無端状の第１ろ布ベルト１８６と、第１ろ布ベルト１８６を支持する第１ガイドローラ１８８ａ～１８８ｅと、無端状の第２ろ布ベルト１９０と、第２ろ布ベルト１９０を支持する第２ガイドローラ１９１ａ～１９１ｆと、第１ろ布ベルト１８６および第２ろ布ベルト１９０を支持する複数の圧搾ローラ１９５Ａ～１９５Ｅと、第１ろ布ベルト１８６および第２ろ布ベルト１９０を移動させる駆動装置１９８を備えている。

前処理ろ布ベルト１８２は、汚泥の移送方向において、圧搾ローラ１９５Ａ～１９５Ｅの上流側に配置されている。前処理ろ布ベルト１８２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１８２Ａを形成するように、支持ローラ１８３ａ，１８３ｂによって支持されている。支持ローラ１８３ａは、電動機２００の駆動軸に連結されている。電動機２００が支持ローラ１８３ａを回転させると、前処理ろ布ベルト１８２は、傾斜部１８２Ａ上の汚泥が上昇する方向に移動する。

駆動装置１９８は、電動機１９８Ａと、電動機１９８Ａの駆動軸に固定された駆動ホイール１９８Ｂと、駆動ホイール１９８Ｂに支持された駆動力伝達部材としてのベルト１９８Ｃを備えている。ベルト１９８Ｃに代えてチェーンが用いられてもよい。ベルト１９８Ｃは、第１ガイドローラ１８８ｃに連結され、さらに第２ガイドローラ１９１ｆに連結されている。電動機１９８Ａが駆動ホイール１９８Ｂを回転させると、駆動ホイール１９８Ｂの回転はベルト１９８Ｃによって第１ガイドローラ１８８ｃおよび第２ガイドローラ１９１ｆに伝達される。第１ガイドローラ１８８ｃおよび第２ガイドローラ１９１ｆは同じ速度で回転し、これにより第１ろ布ベルト１８６および第２ろ布ベルト１９０は同じ方向に同じ速度で進む。

第１ろ布ベルト１８６は、第１ガイドローラ１８８ａ～１８８ｅと、複数の圧搾ローラ１９５Ａ～１９５Ｅとにより支持されている。第１ガイドローラ１８８ｄは、第１ろ布緊張装置２０１に連結されている。この第１ろ布緊張装置２０１は、第１ガイドローラ１８８ｄの位置を移動させることで、第１ろ布ベルト１８６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１９０は、第２ガイドローラ１９１ａ～１９１ｆと、複数の圧搾ローラ１９５Ａ～１９５Ｅとにより支持されている。第２ガイドローラ１９１ａは、第２ろ布緊張装置２０２に連結されている。この第２ろ布緊張装置２０２は、第２ガイドローラ１９１ａの位置を移動させることで、第２ろ布ベルト１９０の緊張を調整するように構成されている。

凝集装置１０３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１１８を通って前処理ろ布ベルト１８２上に移送される。汚泥は、前処理ろ布ベルト１８２の傾斜部１８２Ａ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１８２の移動により、前処理ろ布ベルト１８２上の汚泥は、第１ろ布ベルト１８６上に移される。複数の圧搾ローラ１９５Ａ～１９５Ｅの間を延びる第１ろ布ベルト１８６および第２ろ布ベルト１９０は、互いに対向している。第１ろ布ベルト１８６が移動されるにつれて、汚泥は第１ろ布ベルト１８６と第２ろ布ベルト１９０との間に挟まれる。第１ろ布ベルト１８６および第２ろ布ベルト１９０は圧搾ローラ１９５Ａ～１９５Ｅに巻きつけられながら、汚泥は第１ろ布ベルト１８６と第２ろ布ベルト１９０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１５３から排出される。ケーキは、図１、または図５、または図６に示す投入コンベヤ１によって乾燥装置５の投入口２５に搬送される。

圧搾ローラ１９５Ａ～１９５Ｅの下方には、ろ液受け１４５が配置されている。汚泥から除去されたろ液は、ろ液受け１４５によって回収される。ろ液受け１４５には、ドレイン１４６が接続されており、ろ液受け１４５によって回収されたろ液は、ドレイン１４６を介して脱水装置１０５から排出される。

本実施形態の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１２２によって測定される）
・造粒槽１８０への汚泥の流量（ポンプ１１２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１２８の運転速度）
・攪拌機１０８の攪拌速度（攪拌モータ１１０の回転速度）
・第１ろ布ベルト１８６および第２ろ布ベルト１９０の移動速度（電動機１９８Ａの回転速度）
・ガイドローラ１８８ｄ，１９１ａ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、過去の画像データ、過去の音データ、および過去の振動データのうちの少なくとも１つと、上記過去の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、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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、過去の音データ、過去の振動データ、および脱水システムの状態データは、説明変数であり、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥システムの最適な運転パラメータは、目的変数である。乾燥システムの運転中、図１、図５、または図６に示す制御システム１０は、画像データ、音データ、および振動データのうちの少なくとも１つと、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、乾燥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１０ｂに実行させる。

一実施形態では、学習済みモデルは、過去の画像データ、過去の音データ、および過去の振動データのうちの少なくとも１つと、上記過去のデータが生成されたときの乾燥システムの状態データおよび脱水システムの状態データと、乾燥装置５から排出される被乾燥物の含水率を目標範囲内に収めることができる乾燥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てもよい。乾燥システムの運転中、図１、図５、または図６に示す制御システム１０は、画像データ、音データ、および振動データのうちの少なくとも１つと、脱水システムの現在の状態データと、乾燥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、乾燥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１０ｂに実行させる。

一実施形態では、制御システム１０は、乾燥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、乾燥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。乾燥システムの運転状態に異常が起こると、被乾燥物の所望の含水率が達成できず、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、乾燥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、乾燥システムの運転異常を正しく検出することができる乾燥システムを提供する。以下の説明では、乾燥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、乾燥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１０の記憶装置１０ａ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１０ａ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１０ｂ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、撮像装置９によって生成された過去の画像データと、乾燥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。撮像装置９は、図１に示すように、乾燥装置５によって乾燥された被乾燥物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、撮像装置９は、乾燥装置５によって乾燥された被乾燥物を搬出するための排出コンベヤ６４の上方に配置され、排出コンベヤ６４上の被乾燥物の画像データを生成するように配置されてもよい。

撮像装置９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、乾燥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。乾燥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、乾燥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、乾燥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。乾燥システムの運転状態が異常である原因としては、被乾燥物の想定外の含水率変動、乾燥装置５内での被乾燥物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、撮像装置９によって生成された画像データと、乾燥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１０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１０ａ内に格納される。

乾燥システムの運転中、制御システム１０は、現在の画像データを所定の周期で撮像装置９から取得し、記憶装置１０ａ内に記憶する。制御システム１０は、画像データを第２学習済みモデルに入力し、乾燥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１０ｂに実行させる。

図１０は、乾燥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１０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１０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１０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１０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学習済みモデルが乾燥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１１は、図１０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１０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１０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１０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、乾燥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１０は、乾燥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、乾燥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１１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１０は、乾燥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。乾燥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１０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、乾燥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１０は、警報を解除する。

本実施形態によれば、制御システム１０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、乾燥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１０は、乾燥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、乾燥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 投入コンベヤ
５ 乾燥装置
７ 撮像装置
８ 撮像装置
９ 撮像装置
１０ 制御システム
１０ａ 記憶装置
１０ｂ 処理装置
１４ 乾燥室
１５ ハウジング
１７ 攪拌ロータ
１７Ａ シャフト
１７Ｂ パドル
１８ 電動機
２０ ギヤ
２２ トルク伝達機構
２５ 投入口
２６ 排出口
３０ 乾燥気体供給ライン
３１ 乾燥気体排出ライン
３２ 温度測定器
３３ 流量測定器
３５ 温度測定器
４０ 温度測定器
４１ 圧力測定器
５０ 蒸気供給ライン
５１ ボイラー
５２ 蒸気圧力調節弁
５６ 堰
５８ 上下動装置
６０ 排出室
６４ 排出コンベヤ
７１ 音検出器
７２ 音検出器
７３ 音検出器
８１ 弾性部材
８２ 振動検出器
８５ 弾性部材
８６ 振動検出器

Claims (10)

1. 被乾燥物を乾燥するための乾燥システムであって、
   前記被乾燥物を攪拌ロータで撹拌しながら搬送して乾燥する乾燥装置と、
   前記被乾燥物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、前記被乾燥物の画像データを前記学習済みモデルに入力し、前記乾燥装置から排出される前記被乾燥物の含水率を目標範囲内に収めることができる前記乾燥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、乾燥システム。
2. 前記制御システムは、前記被乾燥物の画像データと、前記乾燥システムの状態データを前記学習済みモデルに入力し、前記乾燥装置から排出される前記被乾燥物の含水率を目標範囲内に収めることができる前記乾燥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、請求項１に記載の乾燥システム。
3. 前記制御システムは、前記被乾燥物の画像データと、前記乾燥システムの上流側に配置された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、前記乾燥装置から排出される前記被乾燥物の含水率を目標範囲内に収めることができる前記乾燥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、請求項１に記載の乾燥システム。
4. 被乾燥物を乾燥するための乾燥システムであって、
   前記被乾燥物を攪拌ロータで撹拌しながら搬送して乾燥する乾燥装置と、
   前記被乾燥物から発生する音を検出し、音データを生成する音検出器と、
   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、前記音データを前記学習済みモデルに入力し、前記乾燥装置から排出される前記被乾燥物の含水率を目標範囲内に収めることができる前記乾燥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、乾燥システム。
5. 前記制御システムは、前記音データと、前記乾燥システムの状態データを前記学習済みモデルに入力し、前記乾燥装置から排出される前記被乾燥物の含水率を目標範囲内に収めることができる前記乾燥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、請求項４に記載の乾燥システム。
6. 前記制御システムは、前記被乾燥物の音データと、前記乾燥システムの上流側に配置された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、前記乾燥装置から排出される前記被乾燥物の含水率を目標範囲内に収めることができる前記乾燥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、請求項４に記載の乾燥システム。
7. 被乾燥物を乾燥するための乾燥システムであって、
   前記被乾燥物を攪拌ロータで撹拌しながら搬送して乾燥する乾燥装置と、
   前記被乾燥物が接触する位置に配置された弾性部材と、
   前記弾性部材に固定され、前記弾性部材の振動データを生成する振動検出器と、
   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、前記振動データを前記学習済みモデルに入力し、前記乾燥装置から排出される前記被乾燥物の含水率を目標範囲内に収めることができる前記乾燥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、乾燥システム。
8. 前記制御システムは、前記振動データと、前記乾燥システムの状態データを前記学習済みモデルに入力し、前記乾燥装置から排出される前記被乾燥物の含水率を目標範囲内に収めることができる前記乾燥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、請求項７に記載の乾燥システム。
9. 前記制御システムは、前記被乾燥物の振動データと、前記乾燥システムの上流側に配置された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、前記乾燥装置から排出される前記被乾燥物の含水率を目標範囲内に収めることができる前記乾燥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、請求項７に記載の乾燥システム。
10. 前記被乾燥物は、脱水装置から排出された脱水ケーキである、請求項１乃至９のいずれか一項に記載の乾燥システム。

Images