WO2019026551A1 - 廃棄物の質を推定する装置、システム、プログラム、方法、及びデータ構造 - Google Patents

廃棄物の質を推定する装置、システム、プログラム、方法、及びデータ構造 Download PDF

Info

Publication number
WO2019026551A1
WO2019026551A1 PCT/JP2018/025805 JP2018025805W WO2019026551A1 WO 2019026551 A1 WO2019026551 A1 WO 2019026551A1 JP 2018025805 W JP2018025805 W JP 2018025805W WO 2019026551 A1 WO2019026551 A1 WO 2019026551A1
Authority
WO
WIPO (PCT)
Prior art keywords
waste
quality
pit
data
instruction
Prior art date
Application number
PCT/JP2018/025805
Other languages
English (en)
French (fr)
Inventor
松岡　慶
河内　隆宏
市川　淳一
亜希子 横山
俊之 梅澤
Original Assignee
荏原環境プラント株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=65232607&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=WO2019026551(A1) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by 荏原環境プラント株式会社 filed Critical 荏原環境プラント株式会社
Priority to ES18840599T priority Critical patent/ES2871982T3/es
Priority to MYPI2020000472A priority patent/MY192327A/en
Priority to KR1020207005854A priority patent/KR102169393B1/ko
Priority to SG11202000713RA priority patent/SG11202000713RA/en
Priority to CN201880050228.8A priority patent/CN111065859B/zh
Priority to KR1020207029804A priority patent/KR102382332B1/ko
Priority to EP18840599.7A priority patent/EP3660397B1/en
Priority to RU2020108193A priority patent/RU2733556C1/ru
Publication of WO2019026551A1 publication Critical patent/WO2019026551A1/ja
Priority to PH12020500221A priority patent/PH12020500221A1/en

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B09—DISPOSAL OF SOLID WASTE; RECLAMATION OF CONTAMINATED SOIL
    • B09B—DISPOSAL OF SOLID WASTE NOT OTHERWISE PROVIDED FOR
    • B09B3/00—Destroying solid waste or transforming solid waste into something useful or harmless
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
    • B65F5/00—Gathering or removal of refuse otherwise than by receptacles or vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G5/00—Storing fluids in natural or artificial cavities or chambers in the earth
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
    • F23G5/00—Incineration of waste; Incinerator constructions; Details, accessories or control therefor
    • F23G5/44—Details; Accessories
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
    • F23G5/00—Incineration of waste; Incinerator constructions; Details, accessories or control therefor
    • F23G5/44—Details; Accessories
    • F23G5/442—Waste feed arrangements
    • F23G5/444—Waste feed arrangements for solid waste
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
    • F23G5/00—Incineration of waste; Incinerator constructions; Details, accessories or control therefor
    • F23G5/50—Control or safety arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
    • F23G2900/00—Special features of, or arrangements for incinerators
    • F23G2900/55—Controlling; Monitoring or measuring
    • F23G2900/55011—Detecting the properties of waste to be incinerated, e.g. heating value, density

Definitions

  • the present invention relates to an apparatus, system, program, and method for estimating waste quality in a waste treatment plant.
  • wastes with various qualities such as household waste, large shredded waste, pruning branches, sludge, etc.
  • the wastes with these various qualities are put into the incinerator together and incinerated in the incinerator.
  • the quality of the waste input into the incinerator changes rapidly, the temperature inside the incinerator suddenly changes during incineration, or harmful gases and substances such as dioxin are generated, resulting in environmental problems. There is.
  • Patent Document 1 general waste and foreign waste to be input to the waste pit are identified by color tone, and a crane is controlled to stir waste in the pit to achieve uniform waste quality.
  • Patent Document 1 wastes having different qualities such as silk waste and plastics but having similar color tones are identified, and wastes having the same quality such as bedding but having a constant color tone are discarded. It was difficult to identify the quality of things.
  • the present technology has been made in view of the above-described points, and even if wastes of different qualities but similar colors, or wastes of the same quality but different colors are mixed, the quality of wastes is estimated It is an object to provide an apparatus, a system, a program, and a method that can be performed.
  • Mode 1 a model is created by the teacher data generation unit generating teacher data associated with an image obtained by imaging waste stored in the waste pit, and learning using the teacher data.
  • Model construction unit to construct a new image data obtained by imaging waste stored in the waste pit into the model to obtain a value representing the quality of waste corresponding to the new image Providing an estimation unit.
  • the estimation unit further divides a new image obtained by imaging the waste into a plurality of blocks, and for each block, the new image is generated.
  • a value representing the quality of the corresponding waste is output, and an inference map in which the value representing the quality of the output waste is associated with each of the blocks is generated.
  • Mode 3 in the apparatus according to mode 2, the apparatus further instructs, on the basis of the inference map, an instruction to a crane control apparatus that controls a crane, or a combustion that controls an incinerator.
  • An instruction unit that generates at least one of the instructions to the control device is provided.
  • the instruction to the crane control device is an instruction to move the waste in the waste pit to the crane, and the instruction to the combustion control device is , These instructions are necessary to burn the waste input into the incinerator.
  • the teacher data has a value indicating the characteristic of the waste specified based on the operation history of the waste treatment plant and The waste is collected from at least one of a label in which the quality of waste is classified based on image data of waste in the waste pit.
  • Mode 6 in the apparatus according to any one of modes 1 to 5, the value representing the quality of the waste is an index indicating the flammable of the waste.
  • a teacher data generation unit that generates teacher data associated with an image obtained by imaging waste stored in a waste pit
  • a model construction unit that constructs a model by learning using teacher data, and a new image obtained by imaging waste stored in a waste pit are divided into a plurality of blocks, and data of the new image for each block is divided.
  • a system comprising: an instruction unit that generates at least one of an instruction to a crane control device that performs an operation or an instruction to a combustion control device that controls an incinerator.
  • Mode 8 there is provided a method of estimating the quality of waste stored in the waste pit of the waste treatment plant, which is associated with the image obtained by imaging the waste stored in the waste pit.
  • the step of generating the created teacher data, the step of constructing the model by learning using the teacher data, and data of a new image obtained by imaging the waste stored in the waste pit, into the model Obtaining a value representing the quality of waste corresponding to the new image.
  • Mode 9 According to mode 9, a program for causing a processor provided in the waste disposal plant to execute the method described in mode 8 is provided.
  • the device for controlling the operation of the waste treatment plant estimates the quality of waste corresponding to the image of the waste stored in the waste pit in the waste treatment plant.
  • a data structure used for the processing wherein the data structure is a value representing the quality of waste generated from the operation history of the waste treatment plant and an image of waste corresponding to the value representing the quality of the waste And estimating the quality of waste corresponding to a new image of waste stored in the waste pit by learning using the teacher data. , Data structures are provided.
  • FIG. 1 is a schematic view of a waste treatment plant according to an embodiment.
  • BRIEF DESCRIPTION OF THE DRAWINGS It is a schematic block diagram of the waste treatment plant system which concerns on one Embodiment. It is a functional block diagram of the information processing apparatus of the waste treatment plant which concerns on one Embodiment. It is one structural example of an inference map which shows correspondence with output data and the position in a refuse pit. It is a flowchart which shows operation
  • FIG. 1 shows a schematic view of a waste treatment plant according to one embodiment
  • 1 is an incinerator for incinerating waste
  • 2 is a waste heat boiler
  • 3 is a pit for storing waste
  • 4 is a hopper
  • 5 is a crane for transferring waste from the pit 3 to the hopper 4
  • 6 is an imaging device for imaging the surface of waste stored in the pit 3.
  • reference numeral 21 denotes a platform, and waste collected from the platform 21 by the waste collection vehicle 22 is thrown into the waste pit 3.
  • FIG. 2 shows a block diagram of a system 100 for controlling the operation of the waste treatment plant shown in FIG.
  • the waste treatment plant system 100 estimates the value representing the quality of waste using the image data captured by the imaging device 6, and based on the value representing the estimated quality of waste, the waste treatment plant system A system configured to control operation.
  • the waste treatment plant system 100 includes an information processing device 200, an imaging device 6 for imaging the inside of the waste pit 3 (shown in FIG. 1), a crane control device 110, and a combustion control device 120.
  • the information processing device 200 is communicably connected to the imaging device 6, the crane control device 110, and the combustion control device 120 via a network such as a local LAN provided in the waste treatment plant, for example. ing.
  • the information processing apparatus 200 may be configured by, for example, a personal computer, a workstation, a server apparatus, or may be configured by a portable computer such as a tablet terminal. Note that this configuration is an example, and the configuration to which the present invention can be applied is not limited to that shown in FIG. For example, two or more of the imaging device 6, the crane control device 110, the combustion control device 120, and the information processing device 200 may be provided.
  • the imaging device 6 is a device that captures an image of the surface of the waste accumulated in the dust pit 3 and acquires image data in the pit 3.
  • the imaging device 6 is, for example, an RGB camera that captures the shape and color image of waste, a near infrared camera that captures a near infrared image of waste, a 3D camera that captures a three-dimensional image of waste, or an RGB-D camera is there.
  • the information processing apparatus 200 includes a processor 202, a memory 204, a communication interface 206, and a storage 208 as main components.
  • the information processing device 200 generates teacher data to be given to the learning model based on the image data in the dust pit 3 transmitted from the imaging device 6. The details of the function executed in the information processing apparatus 200 will be described later with reference to FIG.
  • the processor 202 is configured to read a program stored in the memory 204 and execute processing in accordance therewith. When the processor 202 executes a program stored in the memory 204, each function of processing to be described later is realized.
  • the processor 202 is realized as a device such as a central processing unit (CPU), a micro processor unit (MPU), or a field-programmable gate array (FPGA).
  • the memory 204 temporarily stores programs and data.
  • the program is loaded from, for example, the storage 208.
  • the data includes data input to the information processing device 200, data generated by the processor 202, and data loaded from the storage 208.
  • the memory 204 is implemented as volatile memory such as random access memory (RAM).
  • the data stored in the memory 204 includes waste image data taken by the imaging device 6, teacher data generated based on the waste image data, and the like.
  • the communication interface 206 communicates signals between the imaging device 6, the crane control device 110, the combustion control device 120, and the information processing device 200.
  • the communication interface 206 receives image data output from the imaging device 6.
  • the communication interface 206 sends the instructions generated by the processor 202 to the crane controller 110 or the combustion controller 120.
  • the storage 208 holds programs and data permanently.
  • the storage 208 is realized, for example, as a non-volatile storage device such as a ROM (Read-Only Memory), a hard disk drive, a flash memory, and the like.
  • the program stored in the storage 208 is, for example, a program for generating teacher data based on image data of a waste taken by the imaging device 6, and gives an instruction to the crane control device 110 or the combustion control device 120. Including programs.
  • the operation history of the waste treatment plant is stored in time series.
  • the operation history of the waste treatment plant comprises raw data measured by devices such as multiple sensors attached to the waste treatment plant, such as a temperature sensor that senses the temperature in the incinerator 1 (shown in FIG. 1). Including.
  • the storage 208 further includes a database 209.
  • the database 209 stores, for example, process data obtained based on the operation history of the waste treatment plant in time series. Process data may be stored in the memory 204.
  • the crane control device 110 is a device that controls the operation of the crane 5 (shown in FIG. 1).
  • the crane control device 110 causes the crane 5 to agitate waste in the waste pit 3 in accordance with an instruction transmitted from the information processing device 200, or the waste 4 in the waste pit 3 is hopper 4 (see FIG. 1). Shown).
  • the waste in the waste pit 3 With the stirring of waste in the waste pit 3, a part of the waste loaded in a block in the waste pit 3 is grasped by the crane 5 and moved to another block in the waste pit 3 or the crane 5 It is to drop the waste grabbed in the same block again.
  • the waste in the waste pit 3 can be homogeneously mixed by repeatedly agitating the waste. Thereby, the burning manner of the waste in the incinerator 1 can be made uniform.
  • the combustion control device 120 is a device that performs combustion control of the incinerator 1 (shown in FIG. 1).
  • the combustion control device 120 controls the combustion time and the combustion temperature in the incinerator 1 or controls the amount of air sent into the incinerator 1 in accordance with the instruction transmitted from the information processing device 200.
  • FIG. 3 is a block diagram showing a functional configuration of the information processing apparatus 200 according to an embodiment of the present invention.
  • the information processing apparatus 200 includes a teacher data generation unit 220, a model construction unit 230, an image acquisition unit 240, an estimation unit 250, and an instruction unit 260.
  • the units 220 to 260 represent functions implemented by the processor 202 illustrated in FIG. 2 reading and executing the computer program in the memory 204.
  • teacher data is generated from waste image data and the like included in the operation history of the waste treatment plant, and a plurality of sets of the image data of the waste and the teacher data are collected. Construct a learning model by machine learning. Then, image data of waste to be estimated is input to the constructed learning model, an output (inference result) is acquired, and an inference map is generated based on the output. Also, based on the inference map, instructions are given to the crane controller 110 (shown in FIG. 2) and the combustion controller 120 (shown in FIG. 2). The operations and the like of the respective units 220 to 260 will be described in detail below.
  • the teacher data generation unit 220 generates teacher data to be given to the learning model.
  • the teacher data generation unit 220 generates teacher data from the past or current operation history of the waste treatment plant stored in time series in a predetermined database 209 (shown in FIG. 2).
  • a predetermined database 209 shown in FIG. 2.
  • the teacher data generation unit 220 reads process data corresponding to image data of waste in the waste pit 3 from the database 209, and generates teacher data for learning from the process data.
  • the image data of the waste in the waste pit 3 and the process data are associated, for example, at the time when these are acquired.
  • the teacher data generated from the process data includes values representing waste quality.
  • the value representing the quality of waste is an indicator of the inflammability of the waste or the inflammability.
  • the process data includes data indicating the characteristics of waste collected based on the operation history of the waste treatment plant, and a label in which the worker classified the quality of waste based on the operation history of the waste treatment plant At least one is provided.
  • Data indicating the characteristics of wastes are, for example, the weight (kg ⁇ m / s 2 ), density (kg / m 3 ), and the like of wastes introduced into pit 3 and included in the waste introduced into pit 3 Water content (kg) or calorific value (kJ / kg) generated when burning waste.
  • the low weight, low density, low moisture content, and high calorific value indicate that the waste is easy to burn. In general, the lower the density, the more easily the waste is burned. Thus, wastes having the same volume but low weight are flammable. Since the volume of waste that can be grasped by the crane 5 is substantially the same, if the weight of the waste that the crane 5 grasps is measured, the burnability of the waste can be determined.
  • data indicating characteristics of waste based on the past operation history of the waste treatment plant is recorded in advance.
  • information on the monthly calorific value of the waste treatment plant over a predetermined period (for example, three years) in the past is stored in advance. Actual waste when waste shown in the image of the waste in the waste pit 3 is input to the waste pit 3 by referring to the history information of the calorific value for each month stored in the database 209 The calorific value of the object can be specified.
  • the image data of the waste in the waste pit 3 corresponds to the data indicating the characteristics of the waste identified when the waste shown in the image of the waste is thrown into the waste pit 3 Will be attached.
  • the teacher data generation unit 220 reshapes the data representing the characteristic of the identified waste, and generates teacher data representing the quality of the waste corresponding to the image data of the waste.
  • the label that classifies the quality of waste is based on the data of the image of the past waste stored in the database 209, and the worker visually classifies the quality of the waste shown in the image It is identified. For example, when the worker determines that the waste shown in the image is composed of high-quality waste, it assigns the label "H", and when it is determined that it is composed of the reference waste, assigns the label "M” Assign the label "L” if it is judged to be composed of low quality waste.
  • the assigned label is input to the information processing apparatus 200 via an input interface (not shown) and stored in the database 209.
  • a label in which the quality of waste is visually classified by the worker is collected as teacher data.
  • the teacher data generation unit 220 acquires process data corresponding to the image of the waste in the waste pit 3 from the operation history of the waste treatment plant, and generates teacher data from the process data.
  • the teacher data generation unit 220 collects a plurality of sets of data of an image of waste and teacher data including a value representing the quality of waste corresponding to the image of the waste, and stores the set as learning data in the memory 204. Do.
  • the teacher data generation unit 220 divides the image of the image data of the past waste stored in the database 209 into a plurality of blocks, and acquires, for each of the divided blocks, process data corresponding to the image. Teacher data may be generated from the acquired process data.
  • the teacher data generation unit 220 assigns a block number to each of the divided blocks, and stores the value indicating the quality of the waste in the memory 204 together with the block number. Therefore, the teacher data generation unit 220 can generate a map of teacher data indicating how much the waste in which block in the pit 3 burns.
  • the model construction unit 230 constructs a model (function) by machine learning the generated teacher data.
  • the model is built to produce the correct output corresponding to the new input.
  • the input x is image data of waste in the waste pit 3
  • the output y is a value representing the quality of waste
  • ⁇ is an internal parameter of this function.
  • the model construction unit 230 adjusts the internal parameter ⁇ so as to obtain a correct output by giving a plurality of sets of the input x and the output y and performing machine learning.
  • the input x given for machine learning is the image data of the waste in the waste pit 3 collected from the operation history of the waste processing plant, generated by the teacher data generation unit 220, and the output y is It is teacher data corresponding to the input x.
  • the image of waste image data in the waste pit 3 given as the input x for machine learning shows waste having various shapes and various tones.
  • the model construction unit 230 finds out the relationship between image data and teacher data by machine learning a plurality of sets of data of these various images and teacher data corresponding to the data of the various images, Adjust the model's internal parameter ⁇ .
  • the algorithm used for learning includes at least one of linear regression, Boltzmann machine, neural network, support vector machine, Bayesian network, sparse regression, decision tree, statistical estimation using random forest, reinforcement learning, and deep learning There is one.
  • the image acquisition unit 240 acquires image data of waste in the waste pit 3 to be input to the constructed model.
  • the image acquisition unit 240 receives the image data of the waste in the waste pit 3 from the imaging device 6 periodically, or using a request to put the waste into the pit 3 of the crane 5 as a trigger, to the memory 204 Store.
  • the estimation unit 250 acquires image data of new waste from the memory 204, inputs the image data of the new waste into the constructed model, and acquires output data.
  • the output data is a value representing the quality of waste corresponding to the new image data, and is, for example, data representing the property of the waste.
  • the estimation unit 250 may further generate an inference map indicating correspondence between the acquired output data and the position of the output data in the dust pit 3.
  • the estimation unit 250 divides the new image acquired by the image acquisition unit 240 into a plurality of blocks, inputs each data of the new image divided into the plurality of blocks into a constructed model, Output data is obtained for each block.
  • FIG. 4 shows an example of an inference map 400 configured by dividing the surface of the dust pit 3 into a plurality of blocks 402. In the example of FIG. 4, the surface in the dust pit 3 is divided into 4 in the horizontal direction and 12 in the vertical direction, and the inference map 400 is composed of a total of 48 blocks 402.
  • the estimation unit 250 can also generate an inference map three-dimensionally by using a map generated in the past.
  • Output data is shown in each of the blocks 402 constituting the inference map 400 as an example.
  • the output data is an index (no unit in FIG. 4) indicating the burnability of the waste.
  • the output data described in each block 402 is not limited to that shown in FIG. 4, and other items such as weight (kg ⁇ m / s 2 ) of waste, density (kg / m 3 ), waste The amount of water (kg), the calorific value (kJ / kg) may be used, or any combination thereof may be used.
  • the inference map 400 is updated / recorded every time there is a change in the image data acquired by the image acquisition unit 240 or every fixed period. Also, the inference map 400 may be visually displayed on a display (not shown).
  • each block 402 constituting the inference map 400 may indicate not the output data itself but a value (label, flag, etc.) extracted based on the output data.
  • each block 402 shows a label classified based on the size of the output data. As an example, if the output data is the moisture content of the waste, label “L (or low quality waste)” for those with large moisture content and label “M (or standard waste)” for those with average moisture content, Assign the label “H (or high quality waste)” to those with a small amount of water. Also, for example, each block 402 shows a flag obtained based on the size of the output data.
  • the output data is a calorific value
  • the flag "OK" the calorific value is less than a certain amount
  • a flag "NG" is assigned.
  • the value shown in each block 402 may be newly extracted from the plurality of output data.
  • a waste corresponding to the new image data is generated using a model constructed to output the corresponding correct value (value representing the quality of the waste).
  • value representing the quality of the waste value representing the quality of the waste.
  • waste quality is estimated mechanically using a learning model, so waste quality can be estimated without a skilled worker, or until now It is possible to support the certainty of the judgment of the worker who was visually checking the quality of the thing. Furthermore, by performing additional learning and relearning periodically using new image data and corresponding process data, it is possible to cope with changes in waste quality over time.
  • the inside of the waste pit 3 is divided into a plurality of blocks 402, and for each block 402, an inference map 400 is generated in which a value or the like representing the quality of waste is indicated.
  • the worker or the information processing apparatus 200 can grasp what kind of quality the waste in the waste pit 3 has in each block 402 by referring to the inference map 400. Therefore, the positional distribution of waste quality can be grasped.
  • the instruction unit 260 gives an instruction to the crane control device 110 (shown in FIG. 2) based on the inference map 400. More specifically, the instruction unit 260 instructs based on the inference map 400 to indicate which block in the waste pit 3 should be moved to which block, or which block in the waste pit 3 is discarded. An instruction indicating whether an object should be introduced into the incinerator 1 (shown in FIG. 1) is created and transmitted to the crane control device 110. The crane control device 110 controls the movement of waste in the waste pit 3 by the crane 5 in accordance with the instruction. The instruction unit 260 uses the values shown in the inference map 400 to make the quality of the waste in the pit 3 uniform or to be close to the quality of the waste introduced to the incinerator 1 last time. Direct the movement of waste.
  • the instruction unit 260 gives an instruction to the combustion control device 120 (shown in FIG. 2) based on the inference map 400. More specifically, the instruction unit 260 uses the input information as to which block of waste in the inference map 400 has been input to the incinerator 1, and the value shown in the block, for example, output data. In step 1, an instruction necessary for the combustion of the input waste is prepared and transmitted to the combustion control device 120. The combustion control device 120 performs combustion control of the incinerator 1 so that the combustion temperature, the combustion time, and the air amount are suitable for the quality of the waste input to the incinerator 1 according to the instruction.
  • the instruction unit 260 may be provided not in the information processing device 200 but in another device, for example, the crane control device 110 as an example.
  • the inference map 400 generated by the information processing device 200 is transmitted to the crane control device 110, and the block in the inference map 400 on which the waste material in the inference map 400 is to be thrown into the incinerator 1
  • An instruction is generated to control the operation of the crane 5.
  • the crane control apparatus 110 produces
  • the instruction unit 260 may be provided in both the crane control device 110 and the combustion control device 120 as an example.
  • the inference map 400 generated by the information processing device 200 is transmitted to the crane control device 110, and the block in the inference map 400 on which the waste material in the inference map 400 is to be thrown into the incinerator 1
  • An instruction is generated to control the operation of the crane 5.
  • the combustion control device 120 receives the inference map 400 from the information processing device 200, and receives the block position information of the waste input to the incinerator 1 from the crane control device 110.
  • the combustion control device 120 generates a control instruction of the incinerator 1 using the block position information of the waste input to the incinerator 1 of the waste and the value indicated in the block.
  • FIG. 5 is a flow chart 500 illustrating the operation of the waste treatment plant system 100 according to one embodiment.
  • step S510 the teacher data generation unit 220 loads the operation history of the waste treatment plant stored in the database 209 (shown in FIG. 2) into the memory 204 (shown in FIG. 2). Then, process data corresponding to the image data of the waste in the waste pit 3 is collected from the operation history of the waste processing plant loaded in the memory 204, and teacher data is generated based on the process data.
  • step S520 the model constructing unit 230 performs supervised learning by using supervised data using image data of waste in the waste pit 3 and teacher data corresponding to the image data generated in step S510. Constructs a model in which the internal parameters of the function possessed by are adjusted.
  • step S530 the image acquisition unit 240 acquires the image data of the waste in the dust pit 3 captured by the imaging device 6.
  • step S540 the estimation unit 250 divides the image data of the waste in the waste pit 3 acquired by the image acquisition unit 240 into one or more blocks. Then, the estimation unit 250 inputs each of the divided image data into the model constructed in step S520, and obtains output data for each block.
  • step S550 the estimation unit 250 generates the inference map 400 by associating values representing the quality of waste specified by the output data for each block acquired in step S540 with each block.
  • step S560 the instruction unit 260 gives an operation instruction to the crane control device 110 or the combustion control device 120 based on the inference map 400 generated in step S550.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Incineration Of Waste (AREA)
  • Refuse Collection And Transfer (AREA)
  • Image Analysis (AREA)
  • Processing Of Solid Wastes (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

さまざまな質の廃棄物が混在しているごみピット内において、学習モデルを用いて、ごみピット内の廃棄物の質を推定する装置を提供する。　ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを生成する教師データ生成部と、教師データを用いた学習によって、モデルを構築するモデル構築部と、ごみピット内に貯留される廃棄物を撮像した新たな画像のデータを、モデルに入力して、新たな画像に対応する廃棄物の質を表す値を取得する推定部を備える装置。

Description

廃棄物の質を推定する装置、システム、プログラム、方法、及びデータ構造
　本発明は、廃棄物処理プラントにおいて廃棄物の質を推定する装置、システム、プログラム、及び方法に関する。
　廃棄物処理プラントでは、家庭ごみや粗大破砕ごみ、剪定枝、汚泥など、さまざまな質を持った廃棄物がごみピット内に投入される。これらのさまざまな質を持った廃棄物は一緒に焼却炉に投入されて、焼却炉内で焼却処理される。しかしながら、焼却炉内に投入される廃棄物の質が急激に変化すると、焼却の際に、焼却炉内部の温度が急変する、あるいはダイオキシン等の有害ガスや物質が発生して環境問題になることがある。
　そこで、例えば特許文献１では、ごみピットに投入される一般ごみと異質ごみを色調により識別し、クレーンを制御してピット内の廃棄物を攪拌して廃棄物の質の均一化を図っている。
　しかしながら、特許文献１に記載の技術では、例えば厨芥（ちゅうかい）ごみとプラスチック類等の質が違うが色調が近いごみの識別や、布団類等の質が同じであるが色調が一定でない廃棄物の質の識別は困難であった。
特許第５０２５１２０号明細書
　本技術は上述の点に鑑みてなされたものであり、質が違うが色調が近い廃棄物や、質が同じであるが色調が異なる廃棄物が混在していても、廃棄物の質を推定することのできる装置、システム、プログラム、及び方法を提供することを目的の１つとする。
〔形態１〕形態１によれば、ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを生成する、教師データ生成部と、前記教師データを用いた学習によって、モデルを構築するモデル構築部と、ごみピット内に貯留される廃棄物を撮像した新たな画像のデータを、前記モデルに入力して、前記新たな画像に対応する廃棄物の質を表す値を取得する推定部と、を備える装置が提供される。
〔形態２〕形態２によれば、形態１に記載の装置において、前記推定部は、さらに前記廃棄物を撮像した新たな画像を複数のブロックに分割し、ブロック毎に、前記新たな画像に対応する廃棄物の質を表す値を出力し、出力された廃棄物の質を表す値を、前記ブロックの各々に対応付けた推論マップを生成する。
〔形態３〕形態３によれば、形態２に記載の装置において、前記装置は、さらに、前記推論マップに基づいて、クレーンの制御を行うクレーン制御装置に対する指示、あるいは焼却炉の制御を行う燃焼制御装置に対する指示のうち少なくとも一方を生成する指示部を備える。
〔形態４〕形態４によれば、形態３に記載の装置において、前記クレーン制御装置に対する指示は、クレーンに対し前記ごみピット内の廃棄物を移動させる指示であり、前記燃焼制御装置に対する指示は、焼却炉に投入された廃棄物を燃焼させるのに必要な指示である。
〔形態５〕形態５によれば、形態１から４のいずれか１つの形態の装置において、前記教師データは、廃棄物処理プラントの運転履歴に基づいて特定された廃棄物の特性を示す値と、ごみピット内の廃棄物の画像データを元に作業者が廃棄物の質を分類したラベルとのうち少なくとも一方から収集される。
〔形態６〕形態６によれば、形態１から５のいずれか１つの形態の装置において、前記廃棄物の質を表す値は、前記廃棄物の燃えやすさを示す指標である。
〔形態７〕形態７によれば、廃棄物処理プラントシステムであって、ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを生成する、教師データ生成部と、前記教師データを用いた学習によって、モデルを構築するモデル構築部と、ごみピット内に貯留される廃棄物を撮像した新たな画像を、複数のブロックに分割し、ブロック毎の新たな画像のデータを、前記モデルに入力して、前記新たな画像に対応する廃棄物の質を表す値を、各前記ブロックに対応付けた推論マップを生成する推定部と、前記推論マップに基づいて、クレーンの制御を行うクレーン制御装置に対する指示、あるいは焼却炉の制御を行う燃焼制御装置に対する指示のうち少なくとも一方を生成する指示部と、を備える、システムが提供される。
〔形態８〕形態８によれば、廃棄物処理プラントのごみピット内に貯留される廃棄物の質を推定する方法であって、ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを生成するステップと、前記教師データを用いた学習によって、モデルを構築するステップと、ごみピット内に貯留される廃棄物を撮像した新たな画像のデータを、前記モデルに入力して、前記新たな画像に対応する廃棄物の質を表す値を取得するステップと、を備える方法が提供される。
〔形態９〕形態９によれば、形態８に記載の方法を、前記廃棄物処理プラントに備えられたプロセッサに実行させるためのプログラムが提供される。
〔形態１０〕形態１０によれば、廃棄物処理プラントの動作を制御する装置が、廃棄物処理プラント内のごみピット内に貯留される廃棄物の画像に対応する廃棄物の質を推定するために用いる、データ構造であって、当該データ構造は、前記廃棄物処理プラントの運転履歴から生成された廃棄物の質を表す値と、当該廃棄物の質を表す値に対応する廃棄物の画像とを含む教師データを含み、前記装置は、前記教師データを用いた学習によって、前記ごみピット内に貯留される廃棄物の新たな画像に対応する廃棄物の質を推定することを特徴とする、データ構造が提供される。
一実施形態に係る廃棄物処理プラントの概略図である。 一実施形態に係る廃棄物処理プラントシステムの概略構成図である。 一実施形態に係る廃棄物処理プラントの情報処理装置の機能構成図である。 出力データと、ごみピット内の位置との対応を示す、推論マップの一構成例である。 一実施形態による廃棄物処理プラントシステムの動作を示すフローチャートである。
　以下、本発明の実施形態について図面を参照して詳しく説明する。
　図１は、一実施形態による廃棄物処理プラントの概略図を示しており、図１において、１は廃棄物を焼却する焼却炉、２は廃熱ボイラ、３はごみを貯留しておくピット、４はホッパ、５はごみをピット３からホッパ４に移すためのクレーン、６はピット３内に貯留した廃棄物の表面を撮影する撮像装置である。また、図１において、２１はプラットホームであり、該プラットホーム２１からごみ収集車２２で収集されたごみがごみピット３内に投入される。
　図２は、図１に示す廃棄物処理プラントの動作を制御するシステム１００の構成図を示す。廃棄物処理プラントシステム１００は、撮像装置６が撮影した画像データを用いて、廃棄物の質を表す値を推定し、推定された廃棄物の質を表す値に基づいて、廃棄物処理プラントの動作を制御するよう構成されたシステムである。廃棄物処理プラントシステム１００は、情報処理装置２００と、ごみピット３（図１に示す）内を撮影する撮像装置６と、クレーン制御装置１１０と、燃焼制御装置１２０とを備える。情報処理装置２００は、例えば廃棄物処理プラント内に付設された構内ＬＡＮ等のネットワークを介して、撮像装置６と、クレーン制御装置１１０と、燃焼制御装置１２０とに、相互に通信可能に接続されている。情報処理装置２００は、例えば、パーソナルコンピュータや、ワークステーション、サーバ装置で構成されてもよいし、タブレット端末などの携帯型コンピュータによって構成されてもよい。なお、この構成は一例であり、本発明を適用できる構成は図２に示すものに限られない。例えば、撮像装置６、クレーン制御装置１１０と、燃焼制御装置１２０と、情報処理装置２００とは２つ以上あっても構わない。
　撮像装置６は、ごみピット３内に堆積した廃棄物の表面を撮影し、ピット３内の画像データを取得する装置である。撮像装置６は、例えば、廃棄物の形状及び色彩画像を撮影するＲＧＢカメラ、廃棄物の近赤外線画像を撮影する近赤外線カメラ、廃棄物の３次元画像を撮影する３ＤカメラまたはＲＧＢ－Ｄカメラである。
　情報処理装置２００は、主たる構成要素として、プロセッサ２０２と、メモリ２０４と、通信インターフェース２０６と、ストレージ２０８とを備える。ある態様において、情報処理装置２００は、撮像装置６から送信されたごみピット３内の画像データに基づいて、学習モデルに与える教師データを生成する。情報処理装置２００において実行される機能の詳細については、図３を用いて後述する。
　プロセッサ２０２は、メモリ２０４に格納されたプログラムを読み出して、それに従った処理を実行するように構成される。プロセッサ２０２がメモリ２０４に格納されたプログラムを実行することによって、後述する処理の各機能が実現される。ある態様において、プロセッサ２０２は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ　Ｐｒｏｃｅｓｓｏｒ　Ｕｎｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）等のデバイスとして実現される。
　メモリ２０４は、プログラム及びデータを一時的に保存する。プログラムは、例えば、ストレージ２０８からロードされる。データは、情報処理装置２００に入力されたデータと、プロセッサ２０２によって生成されたデータと、ストレージ２０８からロードされたデータとを含む。ある態様において、メモリ２０４は、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）等の揮発性メモリとして実現される。メモリ２０４に格納されるデータは、撮像装置６により撮影された廃棄物の画像データ、廃棄物の画像データに基づいて生成される教師データ等を含む。
　通信インターフェース２０６は、撮像装置６と、クレーン制御装置１１０と、燃焼制御装置１２０と、情報処理装置２００との間で信号を通信する。ある態様において、例えば、通信インターフェース２０６は、撮像装置６から出力された画像データを受信する。別の態様において、通信インターフェース２０６は、プロセッサ２０２が生成した指示を、クレーン制御装置１１０、あるいは燃焼制御装置１２０へ送る。
　ストレージ２０８は、プログラム及びデータを永続的に保持する。ストレージ２０８は、例えば、ＲＯＭ（Ｒｅａｄ－Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ハードディスク装置、フラッシュメモリ等の不揮発性記憶装置として実現される。ストレージ２０８に格納されるプログラムは、例えば、撮像装置６により撮影された廃棄物の画像データに基づいて教師データを生成させるためのプログラム、クレーン制御装置１１０、あるいは燃焼制御装置１２０に指示を与えためのプログラムを含む。ストレージ２０８には、例えば、廃棄物処理プラントの運転履歴が時系列に記憶されている。廃棄物処理プラントの運転履歴は、廃棄物処理プラントに取り付けられた複数のセンサ等のデバイス、例えば焼却炉１（図１に示す）内の温度を感知する温度センサ、によって測定されたローデータを含む。また、ストレージ２０８は、データベース２０９を備え、データベース２０９には、例えば、廃棄物処理プラントの運転履歴に基づいて得られたプロセスデータが時系列に記憶されている。なお、プロセスデータは、メモリ２０４に記憶されてもよい。
　クレーン制御装置１１０は、クレーン５（図１に示す）の動作を制御する装置である。クレーン制御装置１１０は、情報処理装置２００から送信された指示に従って、クレーン５にごみピット３内の廃棄物を攪拌する動作を行わせる、あるいはごみピット３内の廃棄物をホッパ４（図１に示す）に搬送させる。ごみピット３内の廃棄物の攪拌とは、ごみピット３内のあるブロックに積まれている廃棄物の一部分をクレーン５で掴んで、ごみピット３内の別のブロックへ移動する、あるいはクレーン５で掴んだ廃棄物を再び同一ブロックに落とすことである。廃棄物の攪拌を繰り返し行うことで、ごみピット３内のごみを均質に混ぜることができる。これにより、焼却炉１での廃棄物の燃え方を均質にすることができる。
　燃焼制御装置１２０は、焼却炉１（図１に示す）の燃焼制御を行う装置である。燃焼制御装置１２０は、情報処理装置２００から送信された指示に従って、焼却炉１における燃焼時間や燃焼温度を制御する、あるいは焼却炉１内に送る空気量を制御する。
　図３は、本発明の一実施形態に係る情報処理装置２００の機能的な構成を示すブロック図である。本実施形態にかかる情報処理装置２００は、教師データ生成部２２０と、モデル構築部２３０と、画像取得部２４０と、推定部２５０と、指示部２６０とを備える。各部２２０から２６０は、図２に示すプロセッサ２０２がメモリ２０４内のコンピュータプログラムを読み出して実行することによって実現される機能を表す。
　本実施形態によると、廃棄物処理プラントの運転履歴に含まれる廃棄物の画像データ等から教師データを生成し、当該廃棄物の画像データと、該教師データとのセットを複数収集して、これらを機械学習することにより、学習モデルを構築する。そして、構築された学習モデルに、推定対象となる廃棄物の画像データを入力して、出力（推論結果）を取得し、該出力に基づいて推論マップを生成する。また、推論マップに基づいて、クレーン制御装置１１０（図２に示す）、および燃焼制御装置１２０（図２に示す）へ指示を与える。以下に、各部２２０～２６０の動作等について詳細に説明する。
　教師データ生成部２２０は、学習モデルに与える教師データを生成する。教師データ生成部２２０は、予め定められたデータベース２０９（図２に示す）に時系列に記憶された廃棄物処理プラントの過去、あるいは現在の運転履歴から、教師データを生成する。データベース２０９には、撮像装置６により撮像されたごみピット３内の廃棄物の画像データと、該廃棄物の画像データに対応するプロセスデータとが、時系列に格納されている。教師データ生成部２２０は、データベース２０９から、ごみピット３内の廃棄物の画像データに対応するプロセスデータを読み出しし、該プロセスデータから学習のための教師データを生成する。ごみピット３内の廃棄物の画像データと、プロセスデータとは、例えば、これらが取得される時刻で対応付けられる。すなわち、過去の廃棄物の画像データには、過去のプロセスデータが対応付けられる。プロセスデータから生成される教師データは、廃棄物の質を表す値を含む。廃棄物の質を表す値は、廃棄物の燃えやすさ、あるいは燃えにくさを示す指標である。プロセスデータは、廃棄物処理プラントの運転履歴に基づいて収集される廃棄物の特性を示すデータと、廃棄物処理プラントの運転履歴を元に作業者が廃棄物の質を分類したラベルとのうち少なくとも一方を備える。
　廃棄物の特性を示すデータは、例えば、ピット３内に投入された廃棄物の重量（ｋｇ・ｍ／ｓ2）、密度（ｋｇ／ｍ3）、ピット３内に投入された廃棄物に含まれる水分量（ｋｇ）、あるいは廃棄物を燃やしたときに発生する発熱量（ｋＪ／ｋｇ）である。重量が小さい、密度が低い、水分量が少ない、発熱量が大きいことは、廃棄物が燃えやすいことを示す。一般に、密度が低いほど廃棄物は燃えやすい。従って、同じ体積を有するが、重量が小さい廃棄物は燃えやすい。クレーン５が掴むことのできる廃棄物の体積はほぼ同じであるため、クレーン５が掴む廃棄物の重量が測定されれば、当該廃棄物の燃えやすさを判定することができる。
　また、例えば、データベース２０９には、廃棄物処理プラントの過去の運転履歴に基づく、廃棄物の特性を示すデータが予め記録されている。一例として、データベース２０９には、過去の所定期間（例えば３年間）にわたる、廃棄物処理プラントの月ごとの発熱量の情報が予め記憶されている。データベース２０９に記憶されている月ごとの発熱量の履歴情報を参照することにより、ごみピット３内の廃棄物の画像に示される廃棄物が、ごみピット３へ投入されたときの、実際の廃棄物の発熱量を特定することができる。
　本態様においては、ごみピット３内の廃棄物の画像データは、該廃棄物の画像に示される廃棄物が、ごみピット３に投入されたときに特定された廃棄物の特性を示すデータに対応付けられる。そして、教師データ生成部２２０は、特定された廃棄物の特性を示すデータを整形等して、廃棄物の画像データに対応する、当該廃棄物の質を表す教師データを生成する。
　一方、廃棄物の質を分類したラベルは、データベース２０９に格納された過去の廃棄物の画像のデータを元に、作業者が、当該画像に示される廃棄物の質を目視により分類することによって特定される。例えば、作業者が、画像に示される廃棄物が、高質ごみで構成されると判断した場合、ラベル「Ｈ」を割り当て、基準ごみで構成されると判断した場合、ラベル「Ｍ」を割り当て、低質ごみで構成されると判断した場合、ラベル「Ｌ」を割り当てる。割り当てられたラベルは、不図示の入力インターフェースを介して、情報処理装置２００へ入力され、データベース２０９へ記憶される。
　本態様においては、撮像装置６により撮像されたごみピット３内の廃棄物の画像データから、作業者が目視で廃棄物の質を分類したラベルが、教師データとして収集される。
　このように、教師データ生成部２２０は、廃棄物処理プラントの運転履歴から、ごみピット３内の廃棄物の画像に対応するプロセスデータを取得し、該プロセスデータから教師データを生成する。教師データ生成部２２０は、廃棄物の画像のデータと、該廃棄物の画像に対応する、廃棄物の質を表す値を含む教師データとのセットを複数収集し、学習データとしてメモリ２０４へ格納する。
　なお、教師データ生成部２２０は、データベース２０９に格納された過去の廃棄物の画像データの画像を複数のブロックに分割し、分割されたブロック毎に、当該画像に対応するプロセスデータを取得し、該取得されたプロセスデータから教師データを生成してもよい。この場合、教師データ生成部２２０は、一例として、分割されたブロック個々にブロック番号を割り当てて、該ブロック番号と共に、廃棄物の質を表す値をメモリ２０４へ格納する。従って、教師データ生成部２２０は、ピット３内のどのブロックにある廃棄物が、どのくらい燃えやすいかを示す教師データのマップを生成することができる。
　モデル構築部２３０は、生成した教師データを機械学習することによりモデル（関数）を構築する。モデルは、新しい入力が来たときに、それに対応する正しい出力をするよう構築される。モデル構築部２３０は、所定の関数ｙ＝ｆ（ｘ、θ）を有している。ここで、入力ｘは、ごみピット３内の廃棄物の画像データ、出力ｙは、廃棄物の質を表す値、θはこの関数の内部パラメータである。モデル構築部２３０は、入力ｘと出力ｙとのセットを複数与えて、機械学習させることにより、正しい出力が得られるよう内部パラメータθを調整する。機械学習のために与えられる入力ｘは、教師データ生成部２２０により生成された、廃棄物処理プラントの運転履歴から収集されたごみピット３内の廃棄物の画像データであり、出力ｙは、該入力ｘに対応する教師データである。機械学習のために入力ｘとして与えられるごみピット３内の廃棄物の画像データの画像には、様々な形状や様々な色調を有する廃棄物が示される。モデル構築部２３０は、これらの様々な画像のデータと、当該様々な画像のデータに対応する教師データとの複数のセットを機械学習することで、画像データと、教師データとの関係を見つけ出し、モデルの内部パラメータθを調整する。これにより、モデルは、これまで与えられた入力ｘとは異なる新たな入力が与えられても、新たな入力に対応する正しい出力をするよう構成される。なお、学習に用いるアルゴリズムとしては、線形回帰、ボルツマンマシン、ニューラルネットワーク、サポートベクターマシン、ベイジアンネットワーク、スパース回帰、決定木、ランダムフォレストを用いた統計的推定、強化学習、深層学習の内の少なくとも１つがある。
　画像取得部２４０は、構築されたモデルに入力するための、ごみピット３内の廃棄物の画像データを取得する。画像取得部２４０は、撮像装置６からごみピット３内の廃棄物の画像データを定期的に、若しくはクレーン５のピット３内への廃棄物の投入要求などをトリガーとして、受信し、メモリ２０４へ格納する。
　推定部２５０は、メモリ２０４から新たな廃棄物の画像データを取得し、構築されたモデルに、該新たな廃棄物の画像データを入力して、出力データを取得する。出力データは、該新たな画像データに対応する、廃棄物の質を表す値であり、例えば廃棄物の特性を示すデータである。
　推定部２５０は、さらに、取得された出力データと、該出力データのごみピット３内における位置との対応を示す推論マップを生成してもよい。推定部２５０は、画像取得部２４０により取得された新たな画像を複数のブロックに分割し、該複数のブロックに分割された新たな画像のデータのそれぞれを、構築されたモデルに入力して、ブロックごとに出力データを得る。図４は、ごみピット３の表面を複数のブロック４０２に分割して構成される推論マップ４００の一例を示す。図４の例では、ごみピット３内の表面は横４、縦１２に分割されており、推論マップ４００は計４８のブロック４０２から構成される。なお、推定部２５０は、過去に生成されたマップを用いることで、推論マップを３次元的に生成することもできる。
　推論マップ４００を構成する各ブロック４０２には、一例として、出力データが示される。図４に示す例では、出力データは廃棄物の燃えやすさを示す指標(図４では無単位)である。例えば、図４に示す指標の値が大きいほど、廃棄物が燃えやすいことを示す。各ブロック４０２に記される出力データは、図４に示すものに限られず、他のもの、例えば、廃棄物の重量（ｋｇ・ｍ／ｓ2）、密度（ｋｇ／ｍ3）、廃棄物の水分量（ｋｇ）、発熱量（ｋＪ／ｋｇ）であってもよいし、これらの任意の組み合わせであってもよい。推論マップ４００を構成する各ブロック４０２に示される出力データは複数あってもよい。推論マップ４００は、画像取得部２４０により取得された画像データに変化がある度に、あるいは、一定期間毎に更新／記録される。また、推論マップ４００は不図示のディスプレイに視覚的に表示されてもよい。
　また、推論マップ４００を構成する各ブロック４０２には、出力データそのものではなく、出力データに基づいて抽出される値（ラベル、フラグなど）が示されてもよい。例えば、各ブロック４０２には、出力データの大きさに基づいて分類されたラベルが示される。一例として、出力データが、廃棄物の水分量である場合、水分量が大きいものにラベル「Ｌ（あるいは低質ゴミ）」、水分量が平均的なものにラベル「Ｍ（あるいは基準ごみ）」、水分量が小さいものにラベル「Ｈ（あるいは高質ごみ）」を割り当てる。また、例えば、各ブロック４０２には、出力データの大きさに基づいて求められたフラグが示される。一例として、出力データが、発熱量である場合、廃棄物の発熱量が一定以上であり焼却炉１への投入に適すると判定された場合、フラグ「ＯＫ」、発熱量が一定未満であり焼却炉１への投入に適さないと判定された場合、フラグ「ＮＧ」を割り当てる。また、１つのブロック４０２に対応する出力データが複数ある場合、これらの複数の出力データから、各ブロック４０２に示される値を新たに抽出してもよい。
　本技術によると、新しい画像データが入力されたときに、それに対応する正しい値（廃棄物の質を表す値）を出力するよう構築されたモデルを用いて、新たな画像データに対応する廃棄物の質を推定する。従って、廃棄物の新しい画像データを収集して、これらの画像データを学習モデルに入力することで、新しい画像データに対応する廃棄物の質の推定を行うことができる。さらに、色調が近くても質が異なる廃棄物や、一定の色調を持たなくても質が同じ廃棄物が、ピット３内に混在していても、色調のみから廃棄物の質を推定する場合と比較して、より高い精度で廃棄物の質を推定することができる。また、本技術によると、学習モデルを用いて機械的に廃棄物の質の推定を行うので、熟練の作業者がいなくても、廃棄物の質の推定を行うことができる、あるいはこれまで廃棄物の質を目視で行っていた作業員の判断の確からしさをサポートすることができる。さらに、新しい画像データとそれに対応するプロセスデータを用いて定期的に追加学習、再学習を行うことで、経年による廃棄物の質の変化に対応することもできる。
　また、本技術によると、ごみピット３内を複数のブロック４０２に分割し、ブロック４０２毎に、廃棄物の質を表す値等が示された推論マップ４００が生成される。作業者あるいは情報処理装置２００は、推論マップ４００を参照することにより、ごみピット３内の廃棄物が、ブロック４０２毎にどのような質を有しているかを把握することができる。従って、廃棄物の質の位置的な分布を把握することができる。
　指示部２６０は、推論マップ４００に基づいて、クレーン制御装置１１０（図２に示す）へ指示を与える。より具体的には、指示部２６０は、推論マップ４００に基づいて、ごみピット３内のどのブロックからどのブロックへ廃棄物を移動させるべきかを示す指示、あるいはごみピット３内のどのブロックの廃棄物を焼却炉１（図１に示す）へ投入させるべきかを示す指示を作成し、クレーン制御装置１１０へ送信する。クレーン制御装置１１０は、該指示に従って、クレーン５によるごみピット３内の廃棄物の移動を制御する。指示部２６０は、推論マップ４００に示される値を用いて、ピット３内の廃棄物の質が均一になるように、あるいは、前回焼却炉１へ投入した廃棄物の質と近くなるように、廃棄物の移動を指示する。
　また、指示部２６０は、推論マップ４００に基づいて、燃焼制御装置１２０（図２に示す）へ指示を与える。より具体的には、指示部２６０は、推論マップ４００内のどのブロックの廃棄物が焼却炉１へ投入されたかの投入情報と、当該ブロックに示される値、例えば出力データとを用いて、焼却炉１において、投入された廃棄物の燃焼に必要な指示を作成し、燃焼制御装置１２０へ送信する。燃焼制御装置１２０は、該指示に従って、焼却炉１に投入された廃棄物の質に適した燃焼温度、燃焼時間、空気量となるよう、焼却炉１の燃焼制御を行う。
　なお、上記した発明の実施の形態は、本発明を限定するものではない。例えば、指示部２６０は、情報処理装置２００ではなく、他の装置、一例としてクレーン制御装置１１０に備えられてもよい。この場合、情報処理装置２００で生成される推論マップ４００を、クレーン制御装置１１０へ送信し、クレーン制御装置１１０が、推論マップ４００上のどのブロックにある廃棄物を焼却炉１へ投入するかの指示を生成して、クレーン５の動作を制御する。そして、クレーン制御装置１１０は、廃棄物の焼却炉１へ投入された廃棄物のブロック位置情報と、ブロックに示される値とを用いて、燃焼制御装置１２０に対する制御指示を生成する。
　あるいは、指示部２６０は、一例としてクレーン制御装置１１０と、燃焼制御装置１２０の両方に備えられてもよい。この場合、情報処理装置２００で生成される推論マップ４００を、クレーン制御装置１１０へ送信し、クレーン制御装置１１０が、推論マップ４００上のどのブロックにある廃棄物を焼却炉１へ投入するかの指示を生成して、クレーン５の動作を制御する。そして、燃焼制御装置１２０は、情報処理装置２００から推論マップ４００を受信し、クレーン制御装置１１０から焼却炉１へ投入された廃棄物のブロック位置情報を受信する。燃焼制御装置１２０は、廃棄物の焼却炉１へ投入された廃棄物のブロック位置情報と、ブロックに示される値とを用いて、焼却炉１の制御指示を生成する。
　図５は、一実施形態による廃棄物処理プラントシステム１００の動作を示すフローチャート５００である。
　ステップＳ５１０において、教師データ生成部２２０は、データベース２０９（図２に示す）に格納された廃棄物処理プラントの運転履歴を、メモリ２０４（図２に示す）へロードする。そして、メモリ２０４にロードされた廃棄物処理プラントの運転履歴から、ごみピット３内の廃棄物の画像データに対応するプロセスデータを収集し、該プロセスデータに基づいて教師データを生成する。
　ステップＳ５２０において、モデル構築部２３０は、ごみピット３内の廃棄物の画像データと、ステップＳ５１０で生成された当該画像データに対応する教師データとを用いた教師ありの学習によって、モデル構築部２３０が有する関数の内部パラメータが調整されたモデルを構築する。
　ステップＳ５３０において、画像取得部２４０は、撮像装置６により撮像されたごみピット３内の廃棄物の画像データを取得する。
　ステップＳ５４０において、推定部２５０は、画像取得部２４０により取得されたごみピット３内の廃棄物の画像データを、１以上のブロックに分割する。そして、推定部２５０は、分割された画像データのそれぞれを、ステップＳ５２０にて構築されたモデルに入力して、ブロックごとに出力データを得る。
　ステップＳ５５０において、推定部２５０は、ステップＳ５４０にて取得されたブロック毎の出力データによって特定された廃棄物の質を表す値を、各ブロックに対応付けて、推論マップ４００を生成する。
　ステップＳ５６０において、指示部２６０は、ステップＳ５５０にて生成された推論マップ４００に基づいて、クレーン制御装置１１０、あるいは燃焼制御装置１２０へ動作指示を与える。
　以上、本発明の実施の形態について説明してきたが、上記した発明の実施の形態は、本発明の理解を容易にするためのものであり、本発明を限定するものではない。本発明は、その趣旨を逸脱することなく、変更、改良され得るとともに、本発明にはその均等物が含まれることはもちろんである。また、上述した課題の少なくとも一部を解決できる範囲、または、効果の少なくとも一部を奏する範囲において、実施形態および変形例の任意の組み合わせが可能であり、特許請求の範囲および明細書に記載された各構成要素の任意の組み合わせ、または、省略が可能である。
１…焼却炉、３…ピット、４…ホッパ、５…クレーン、６…撮像装置、１００…廃棄物処理プラントシステム、１１０…クレーン制御装置、１２０…燃焼制御装置、２００…情報処理装置、２０２…プロセッサ、２０４…メモリ、２０６…通信インターフェース、２０８…ストレージ、２０９…データベース、２２０…教師データ生成部、２３０…モデル構築部、２４０…画像取得部、２５０…推定部、２６０…指示部、４００…推論マップ

Claims (10)

  1. 　ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを生成する、教師データ生成部と、
    　前記教師データを用いた学習によって、モデルを構築するモデル構築部と、
    　ごみピット内に貯留される廃棄物を撮像した新たな画像のデータを、前記モデルに入力して、前記新たな画像に対応する廃棄物の質を表す値を取得する推定部と、
    を備える装置。
  2. 　前記推定部は、さらに
    　前記廃棄物を撮像した新たな画像を複数のブロックに分割し、ブロック毎に、前記新たな画像に対応する廃棄物の質を表す値を出力し、
    　出力された廃棄物の質を表す値を、前記ブロックの各々に対応付けた推論マップを生成する、
    請求項１に記載の装置。
  3. 　前記装置は、さらに
    　前記推論マップに基づいて、クレーンの制御を行うクレーン制御装置に対する指示、あるいは焼却炉の制御を行う燃焼制御装置に対する指示のうち少なくとも一方を生成する指示部を備える、請求項２に記載の装置。
  4. 　前記クレーン制御装置に対する指示は、クレーンに対し前記ごみピット内の廃棄物を移動させる指示であり、前記燃焼制御装置に対する指示は、焼却炉に投入された廃棄物を燃焼させるのに必要な指示である、請求項３に記載の装置。
  5. 　前記教師データは、廃棄物処理プラントの運転履歴に基づいて特定された廃棄物の特性を示す値と、ごみピット内の廃棄物の画像データを元に作業者が廃棄物の質を分類したラベルとのうち少なくとも一方から収集される、請求項１から４のいずれか１項に記載の装置。
  6. 　前記廃棄物の質を表す値は、前記廃棄物の燃えやすさを示す指標である、請求項１から５のいずれか１項に記載の装置。
  7. 　廃棄物処理プラントシステムであって、
    　ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを生成する、教師データ生成部と、
    　前記教師データを用いた学習によって、モデルを構築するモデル構築部と、
    　ごみピット内に貯留される廃棄物を撮像した新たな画像を、複数のブロックに分割し、ブロック毎の新たな画像のデータを、前記モデルに入力して、前記新たな画像に対応する廃棄物の質を表す値を、各前記ブロックに対応付けた推論マップを生成する推定部と、
    　前記推論マップに基づいて、クレーンの制御を行うクレーン制御装置に対する指示、あるいは焼却炉の制御を行う燃焼制御装置に対する指示のうち少なくとも一方を生成する指示部と
    を備える、システム。
  8. 　廃棄物処理プラントのごみピット内に貯留される廃棄物の質を推定する方法であって、
    　ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを生成するステップと、
    　前記教師データを用いた学習によって、モデルを構築するステップと、
    　ごみピット内に貯留される廃棄物を撮像した新たな画像のデータを、前記モデルに入力して、前記新たな画像に対応する廃棄物の質を表す値を取得するステップと、
    を備える方法。
  9. 　請求項８に記載の方法を、前記廃棄物処理プラントに備えられたプロセッサに実行させるためのプログラム。
  10. 　廃棄物処理プラントの動作を制御する装置が、廃棄物処理プラント内のごみピット内に貯留される廃棄物の画像に対応する廃棄物の質を推定するために用いる、データ構造であって、当該データ構造は、
    　前記廃棄物処理プラントの運転履歴から生成された廃棄物の質を表す値と、当該廃棄物の質を表す値に対応する廃棄物の画像とを含む教師データを含み、
    前記装置は、前記教師データを用いた学習によって、前記ごみピット内に貯留される廃棄物の新たな画像に対応する廃棄物の質を推定することを特徴とする、データ構造。
PCT/JP2018/025805 2017-07-31 2018-07-09 廃棄物の質を推定する装置、システム、プログラム、方法、及びデータ構造 WO2019026551A1 (ja)

Priority Applications (9)

Application Number Priority Date Filing Date Title
ES18840599T ES2871982T3 (es) 2017-07-31 2018-07-09 Dispositivo, sistema, programa, procedimiento y estructura de datos de estimación de la composición de los desechos
MYPI2020000472A MY192327A (en) 2017-07-31 2018-07-09 Waste composition estimation device, system, program, method, and data structure
KR1020207005854A KR102169393B1 (ko) 2017-07-31 2018-07-09 폐기물의 질을 추정하는 장치, 시스템, 프로그램, 방법, 및 데이터 구조
SG11202000713RA SG11202000713RA (en) 2017-07-31 2018-07-09 Waste composition estimation device, system, program, method, and data structure
CN201880050228.8A CN111065859B (zh) 2017-07-31 2018-07-09 推定废弃物的组成的装置、系统、程序及方法
KR1020207029804A KR102382332B1 (ko) 2017-07-31 2018-07-09 폐기물의 질을 추정하는 장치, 시스템, 프로그램, 방법, 및 데이터 구조
EP18840599.7A EP3660397B1 (en) 2017-07-31 2018-07-09 Waste composition estimation device, system, program, method, and data structure
RU2020108193A RU2733556C1 (ru) 2017-07-31 2018-07-09 Устройство, система, запоминающее устройство, способ и структура данных для оценки состава отходов
PH12020500221A PH12020500221A1 (en) 2017-07-31 2020-01-29 Waste composition estimation device, system, program, method, and data structure

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-148374 2017-07-31
JP2017148374A JP6554148B2 (ja) 2017-07-31 2017-07-31 廃棄物の質を推定する装置、システム、プログラム、方法、及びデータ構造

Publications (1)

Publication Number Publication Date
WO2019026551A1 true WO2019026551A1 (ja) 2019-02-07

Family

ID=65232607

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/025805 WO2019026551A1 (ja) 2017-07-31 2018-07-09 廃棄物の質を推定する装置、システム、プログラム、方法、及びデータ構造

Country Status (10)

Country Link
EP (1) EP3660397B1 (ja)
JP (1) JP6554148B2 (ja)
KR (2) KR102382332B1 (ja)
CN (1) CN111065859B (ja)
ES (1) ES2871982T3 (ja)
MY (1) MY192327A (ja)
PH (1) PH12020500221A1 (ja)
RU (1) RU2733556C1 (ja)
SG (1) SG11202000713RA (ja)
WO (1) WO2019026551A1 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021201250A1 (ja) * 2020-04-01 2021-10-07 Ｊｘ金属株式会社 電子・電気機器部品屑の組成解析方法、電子・電気機器部品屑の処理方法、電子・電気機器部品屑の組成解析装置及び電子・電気機器部品屑の処理装置
WO2021201251A1 (ja) * 2020-04-01 2021-10-07 Ｊｘ金属株式会社 電子・電気機器部品屑の組成解析方法、電子・電気機器部品屑の処理方法、電子・電気機器部品屑の組成解析装置及び電子・電気機器部品屑の処理装置
WO2021235464A1 (ja) * 2020-05-22 2021-11-25 荏原環境プラント株式会社 情報処理装置、情報処理プログラム、および情報処理方法
WO2022224478A1 (ja) * 2021-04-21 2022-10-27 Ｊｘ金属株式会社 電気電子部品屑の処理方法及び電気電子部品屑の処理装置
CN115424095A (zh) * 2022-11-03 2022-12-02 湖北信通通信有限公司 基于废旧物资的质量分析方法及装置

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7308016B2 (ja) * 2018-03-14 2023-07-13 川崎重工業株式会社 ごみ質推定システム及び方法、並びに、ごみ貯蔵設備
JP6554198B1 (ja) * 2018-03-16 2019-07-31 株式会社タクマ ごみ質の推定システムおよびそのごみ質の推定システムを用いたクレーン運転制御システム
JP6731680B2 (ja) * 2018-08-23 2020-07-29 荏原環境プラント株式会社 情報処理装置、情報処理プログラム、および情報処理方法
JP6603822B2 (ja) * 2019-06-21 2019-11-06 株式会社タクマ ごみ質の推定システムおよびそのごみ質の推定システムを用いたクレーン運転制御システム
JP7516025B2 (ja) * 2019-09-18 2024-07-16 三機工業株式会社 ごみクレーンの運転システムおよびこれを適用したごみ処理施設
JP7486890B2 (ja) * 2020-03-09 2024-05-20 三機工業株式会社 ごみクレーンの運転システムおよびこれを適用したごみ処理施設
JP7383539B2 (ja) * 2020-03-19 2023-11-20 日立造船株式会社 制御システム、情報処理装置、および情報処理方法
JP7311455B2 (ja) * 2020-03-30 2023-07-19 株式会社コベルコE&M スクラップ等級判定システム、スクラップ等級判定方法、推定装置、学習装置、学習済みモデルの生成方法、及びプログラム
CN112132920B (zh) * 2020-09-11 2023-10-31 上海交通大学 基于深度学习的放射性废物桶密度重建方法及系统
JP7501432B2 (ja) 2021-04-08 2024-06-18 Ｊｆｅエンジニアリング株式会社 廃棄物情報予測装置、焼却炉の燃焼制御装置、廃棄物情報予測方法、廃棄物情報予測モデルの学習方法および廃棄物情報予測モデルプログラム
JP7548109B2 (ja) 2021-04-08 2024-09-10 Ｊｆｅエンジニアリング株式会社 ごみ質予測装置、焼却炉の燃焼制御装置、ごみ質予測方法、ごみ質予測モデルの学習方法およびごみ質予測モデルプログラム
KR102584092B1 (ko) * 2022-08-26 2023-10-05 주식회사 엔이씨파워 폐기물 종류 구분을 이용한 소각장 크레인 자동운전장치 및 그 자동운전방법
KR102566796B1 (ko) * 2022-11-24 2023-08-11 김형선 소각로 온도 안정화를 위한 폐기물 시스템, 소각 장치 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5025120B1 (ja) 1968-09-30 1975-08-21
JPH07301413A (ja) * 1994-04-29 1995-11-14 Kawasaki Heavy Ind Ltd ごみ焼却炉のごみ性状推定方法および推定装置
JPH1038243A (ja) * 1996-07-23 1998-02-13 Kawasaki Heavy Ind Ltd カラー画像を利用した燃焼判定・制御方法および判定・制御装置
JP2011027349A (ja) * 2009-07-27 2011-02-10 Takuma Co Ltd 燃焼炉に供給される燃焼対象物の処理システム、処理方法およびこれらを用いた燃焼炉の燃焼制御システム
JP2017109161A (ja) * 2015-12-15 2017-06-22 ウエノテックス株式会社 廃棄物選別システム及びその選別方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4344906C2 (de) * 1993-12-29 1997-04-24 Martin Umwelt & Energietech Verfahren zum Regeln einzelner oder sämtlicher die Verbrennung auf einem Feuerungsrost beeinflussender Faktoren
DE19919222C1 (de) * 1999-04-28 2001-01-11 Orfeus Comb Engineering Gmbh Verfahren zum Steuern der Verbrennung von Brennstoff mit variablem Heizwert
RU2238157C1 (ru) * 2003-06-04 2004-10-20 Мельников Геннадий Максимович Способ обезвреживания и переработки твердых бытовых отходов
JP5025120B2 (ja) * 2005-11-02 2012-09-12 株式会社日立プラントテクノロジー ごみ処理工場用自動クレーンの制御装置による自動クレーンの運転方法
JP5032414B2 (ja) * 2008-08-05 2012-09-26 株式会社ブリヂストン 防振装置
DE102010031528B4 (de) * 2010-07-19 2013-04-25 Klaus Seeger System zur Bestimmung eines Energiegehalts eines festen Brennstoffs und Verwendung des Systems
KR101480130B1 (ko) * 2013-06-28 2015-01-07 (주) 태종 엔이씨 열정산 및 설계프로그램과 운전원(Ｏｐｅｒａｔｅｒ)의 운전형태 분석을 통한 소각시설과 고형 연료보일러의 진단과 제어 및 설비생애주기관리 시스템 및 방법
CN103738856B (zh) * 2013-12-31 2015-11-25 安徽海螺川崎工程有限公司 垃圾自动送料系统控制方法
JP2015143139A (ja) * 2014-01-31 2015-08-06 日立造船株式会社 ごみピット内の攪拌状態検出装置及びごみピット内の攪拌状態検出方法
CN105389795B (zh) * 2015-10-13 2018-09-28 长沙中联重科环境产业有限公司 一种垃圾料位检测方法、装置及上料板机
JP2017109197A (ja) * 2016-07-06 2017-06-22 ウエノテックス株式会社 廃棄物選別システム及びその選別方法
CN106292600B (zh) * 2016-08-30 2018-09-28 北京京城环保股份有限公司 一种多远程垃圾坑数据采集、记录系统
JP7025126B2 (ja) * 2017-03-31 2022-02-24 日立造船株式会社 情報処理装置、情報処理方法、および情報処理プログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5025120B1 (ja) 1968-09-30 1975-08-21
JPH07301413A (ja) * 1994-04-29 1995-11-14 Kawasaki Heavy Ind Ltd ごみ焼却炉のごみ性状推定方法および推定装置
JPH1038243A (ja) * 1996-07-23 1998-02-13 Kawasaki Heavy Ind Ltd カラー画像を利用した燃焼判定・制御方法および判定・制御装置
JP2011027349A (ja) * 2009-07-27 2011-02-10 Takuma Co Ltd 燃焼炉に供給される燃焼対象物の処理システム、処理方法およびこれらを用いた燃焼炉の燃焼制御システム
JP2017109161A (ja) * 2015-12-15 2017-06-22 ウエノテックス株式会社 廃棄物選別システム及びその選別方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3660397A4

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021201250A1 (ja) * 2020-04-01 2021-10-07 Ｊｘ金属株式会社 電子・電気機器部品屑の組成解析方法、電子・電気機器部品屑の処理方法、電子・電気機器部品屑の組成解析装置及び電子・電気機器部品屑の処理装置
WO2021201251A1 (ja) * 2020-04-01 2021-10-07 Ｊｘ金属株式会社 電子・電気機器部品屑の組成解析方法、電子・電気機器部品屑の処理方法、電子・電気機器部品屑の組成解析装置及び電子・電気機器部品屑の処理装置
JP2021159880A (ja) * 2020-04-01 2021-10-11 Ｊｘ金属株式会社 電子・電気機器部品屑の組成解析方法、電子・電気機器部品屑の処理方法、電子・電気機器部品屑の組成解析装置及び電子・電気機器部品屑の処理装置
JP7301782B2 (ja) 2020-04-01 2023-07-03 Ｊｘ金属株式会社 電子・電気機器部品屑の組成解析方法、電子・電気機器部品屑の処理方法、電子・電気機器部品屑の組成解析装置及び電子・電気機器部品屑の処理装置
WO2021235464A1 (ja) * 2020-05-22 2021-11-25 荏原環境プラント株式会社 情報処理装置、情報処理プログラム、および情報処理方法
JP7535874B2 (ja) 2020-05-22 2024-08-19 荏原環境プラント株式会社 情報処理装置、情報処理プログラム、および情報処理方法
WO2022224478A1 (ja) * 2021-04-21 2022-10-27 Ｊｘ金属株式会社 電気電子部品屑の処理方法及び電気電子部品屑の処理装置
JP2022166727A (ja) * 2021-04-21 2022-11-02 Ｊｘ金属株式会社 電気電子部品屑の処理方法及び電気電子部品屑の処理装置
JP7264936B2 (ja) 2021-04-21 2023-04-25 Ｊｘ金属株式会社 電気電子部品屑の処理方法及び電気電子部品屑の処理装置
CN115424095A (zh) * 2022-11-03 2022-12-02 湖北信通通信有限公司 基于废旧物资的质量分析方法及装置

Also Published As

Publication number Publication date
KR102169393B1 (ko) 2020-10-23
JP6554148B2 (ja) 2019-07-31
EP3660397A4 (en) 2020-06-03
KR20200028029A (ko) 2020-03-13
JP2019027696A (ja) 2019-02-21
SG11202000713RA (en) 2020-02-27
MY192327A (en) 2022-08-17
KR20200121920A (ko) 2020-10-26
EP3660397A1 (en) 2020-06-03
RU2733556C1 (ru) 2020-10-05
CN111065859A (zh) 2020-04-24
EP3660397B1 (en) 2021-04-21
PH12020500221A1 (en) 2020-10-12
ES2871982T3 (es) 2021-11-02
KR102382332B1 (ko) 2022-04-08
CN111065859B (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
JP6554148B2 (ja) 廃棄物の質を推定する装置、システム、プログラム、方法、及びデータ構造
JP7311334B2 (ja) 廃棄物の質を推定する装置、システム、プログラム、及び方法
JP7443683B2 (ja) 自動燃焼制御方法および監視センタ
TW202030643A (zh) 資訊處理裝置、資訊處理程式、及資訊處理方法
Ibikunle et al. Modelling the energy content of municipal solid waste and determination of its physico-chemical correlation using multiple regression analysis
JP7308016B2 (ja) ごみ質推定システム及び方法、並びに、ごみ貯蔵設備
JP2019011915A (ja) ごみ焼却プラントにおけるごみ状態管理方法
CN105137762A (zh) 用于焚烧炉的自动燃烧模糊控制方法及系统
JP7256016B2 (ja) 予測モデル生成装置、予測モデル生成装置による予測モデル生成方法、及び予測装置
JP2022039443A (ja) 情報処理装置、情報処理方法、およびプログラム
JP2022132331A5 (ja)
JP2019207099A5 (ja)
Kumar et al. Development of lower heating value prediction models and estimation of energy recovery potential of municipal solid waste and RDF incineration
CN117053205A (zh) 一种基于低二噁英排放目标的生活垃圾焚烧工况控制系统
JP2024001337A (ja) 情報処理装置、情報処理方法、および情報処理プログラム
JP6782203B2 (ja) 発熱量推定方法、発熱量推定装置、及びごみ貯蔵設備
JP7371535B2 (ja) 自動運転制御装置、自動運転制御システム、自動運転制御方法、および廃棄物処理施設
JP6822913B2 (ja) ガス化溶融炉プラントの空気量制御装置、空気量制御方法、及び空気流量特性モデル
WO2023167127A1 (ja) 情報処理装置、情報処理方法、および情報処理プログラム
JP2023161734A (ja) 学習モデルの生成方法、学習モデル、情報処理装置、情報処理方法、プログラム、およびデータ拡張方法、ならびに状態推定装置および状態推定方法
Schwark et al. The application of image recognition methods to improve the performance of waste-to-energy plantsplants
CN116447603A (zh) 一种垃圾焚烧给料方法、系统、终端及存储介质
JP2022168717A (ja) 予測装置、予測方法、予測プログラム、施設制御装置、施設制御方法、および制御プログラム
JP2021183891A5 (ja)
JP2023045489A (ja) 情報処理装置、情報処理方法、プログラム、焼却管理システム、および焼却管理システムの運転方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18840599

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 20207005854

Country of ref document: KR

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2018840599

Country of ref document: EP

Effective date: 20200302