WO2022018974A1 - 機械学習装置、データ処理システム及び機械学習方法 - Google Patents

機械学習装置、データ処理システム及び機械学習方法 Download PDF

Info

Publication number
WO2022018974A1
WO2022018974A1 PCT/JP2021/020911 JP2021020911W WO2022018974A1 WO 2022018974 A1 WO2022018974 A1 WO 2022018974A1 JP 2021020911 W JP2021020911 W JP 2021020911W WO 2022018974 A1 WO2022018974 A1 WO 2022018974A1
Authority
WO
WIPO (PCT)
Prior art keywords
image data
learning
bowl
liquid
data
Prior art date
Application number
PCT/JP2021/020911
Other languages
English (en)
French (fr)
Inventor
路明 杉浦
徹也 荻原
Original Assignee
巴工業株式会社
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
Application filed by 巴工業株式会社 filed Critical 巴工業株式会社
Publication of WO2022018974A1 publication Critical patent/WO2022018974A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B04—CENTRIFUGAL APPARATUS OR MACHINES FOR CARRYING-OUT PHYSICAL OR CHEMICAL PROCESSES
    • B04B—CENTRIFUGES
    • B04B1/00—Centrifuges with rotary bowls provided with solid jackets for separating predominantly liquid mixtures with or without solid particles
    • B04B1/20—Centrifuges with rotary bowls provided with solid jackets for separating predominantly liquid mixtures with or without solid particles discharging solid particles from the bowl by a conveying screw coaxial with the bowl axis and rotating relatively to the bowl
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B04—CENTRIFUGAL APPARATUS OR MACHINES FOR CARRYING-OUT PHYSICAL OR CHEMICAL PROCESSES
    • B04B—CENTRIFUGES
    • B04B13/00—Control arrangements specially designed for centrifuges; Programme control of centrifuges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • This disclosure relates to machine learning devices, data processing systems and machine learning methods.
  • Centrifugal separation devices that perform solid-liquid separation using centrifugal force have been conventionally used in water treatment equipment for water and sewage, industrial wastewater, or urine.
  • Various types of centrifuges are known, but a centrifuge called a decanter is widely used, especially in equipment that requires continuous processing for a long time.
  • This decanter generally has a drive motor, a bowl that is rotated by the drive motor and the liquid to be processed is charged inside, a screw conveyor that is coaxially arranged in the bowl, and the rotation speed of the bowl and the rotation of the screw conveyor. It may include a differential speed generator that generates a differential speed between the speed and the speed.
  • a differential speed generator that generates a differential speed between the speed and the speed.
  • the differential speed generated by the differential speed generator and the centrifugal force of the bowl are controlled based on the transport torque of the screw conveyor, so that the liquid to be treated is controlled. It is possible to partially realize the automatic operation of the centrifuge according to the properties of.
  • various information and parameters related to the control of the centrifuge system including such a centrifuge device other than the transfer torque of the screw conveyor, the differential speed generated by the differential speed generator, and the centrifugal force of the bowl.
  • information specifically, state variables
  • information may include information that is difficult to quantify.
  • the machine learning device 20 has centrifugal force on the liquids to be treated PL1 (not shown), PL2 (see FIG. 25, etc.), for example, as shown in FIG.
  • a centrifuge system 1 comprising a drive motor 4 for rotating a bowl 2 and a differential speed generator 5 for rotating the screw conveyor 3 with a relative differential speed to the bowl 2.
  • a plurality of sets of learning data sets including input data including image data obtained by capturing the separation liquid SL discharged from the inside of 2 from a predetermined angle and output data including control parameters associated with the input data are stored.
  • the control parameters are the supply amount of the additive added to the liquid to be treated PL1, the centrifugal force of the bowl 2, and the difference controlled by the differential speed generator 5.
  • the training data set storage unit 22 including at least one of the speeds; a learning model for inferring the correlation between the input data and the output data by inputting a plurality of sets of the training data sets. It includes a learning unit 23 for learning; and a trained model storage unit 24 for storing the learning model learned by the learning unit 23.
  • the machine learning device 20A according to the second aspect of the present disclosure is, for example, as shown in FIG. 9, in the machine learning device according to the first aspect of the present disclosure, the learning unit is in the learning data set.
  • the first learning unit 231 that learns the first learning model that infers the feature amount of the image data by inputting the image data; and the control parameter is inferred by inputting the feature amount of the image data.
  • the machine learning device 20B according to the third aspect of the present disclosure is, for example, as shown in FIG. 11, in the machine learning device according to the first aspect of the present disclosure, the input data is the slurry of the liquid to be treated PL1. Further includes at least one of the concentration, the water content of the dehydrated solid M discharged from the discharge port 2a, and the torque value of the screw conveyor 3.
  • the machine learning device 20C according to the fourth aspect of the present disclosure is, for example, as shown in FIG. 13, in the machine learning device according to the first aspect of the present disclosure, the input data is the slurry of the liquid to be treated PL1. Further including at least one of a concentration, a water content of the dehydrated solid M discharged from the discharge port 2a, and a torque value of the screw conveyor 3, the learning unit is included in the learning data set.
  • the first learning unit 231 learning the first learning model for inferring the feature amount of the image data by inputting the image data; the slurry concentration of the liquid to be treated PL1 and being discharged from the discharge port 2a.
  • a fourth learning model for inferring the control parameters by inputting at least one of the water content of the dehydrated solid M, the torque value of the screw conveyor 3, and the feature amount of the image data. It includes a fourth learning unit 234 to learn and;
  • the learning unit when estimating the control parameters of the centrifugal separation system from the image data of the separation liquid, the learning unit is divided into two, and the input data of the learning data set learned in one of the learning units.
  • the number of training data sets required to obtain the trained model generated in each training unit can be relatively reduced.
  • the machine learning device 120 is, for example, as shown in FIG. 15, a bowl 2 that applies centrifugal force to the liquids PL1 and PL2 to be treated to centrifuge the solid M and the separation liquid SL.
  • a screw conveyor 3 that conveys the solid material M in the bowl 2 toward the discharge port 2a, a drive motor 4 that rotates the bowl 2, and a differential speed of the screw conveyor 3 relative to the bowl 2.
  • the first image data obtained by capturing the separation liquid SL discharged from the bowl 2 from a predetermined angle, and the said Learning data including input data including a second image data obtained by imaging the dehydrated solid M discharged from the discharge port 2a from a predetermined angle, and output data including control parameters associated with the input data.
  • a learning data set storage unit 225 that stores a plurality of sets, the control parameters are the supply amount of additives added to the liquid to be treated PL1, the centrifugal force of the bowl 2, and the differential speed generator.
  • the training data set storage unit 225 including at least one of the differential speeds controlled by 5; by inputting a plurality of sets of the training data sets, the correlation between the input data and the output data.
  • It includes a learning unit 235 that learns a learning model that infers; and a trained model storage unit 124 that stores the learning model learned by the learning unit.
  • the machine learning device 120A according to the sixth aspect of the present disclosure is, for example, as shown in FIG. 19, in the machine learning device according to the fifth aspect of the present disclosure, the learning unit is in the learning data set.
  • a first learning unit 231 that learns a first learning model that infers a feature amount of the first image data by inputting the first image data; and a second image in the training data set.
  • a sixth learning unit 236 that learns a sixth learning model that infers the feature amount of the second image data by inputting data; the feature amount of the first image data and the second image.
  • the learning unit is divided into three, and is generated in each learning unit.
  • the number of training data sets required to obtain a trained model can be relatively reduced.
  • the machine learning device 120B according to the seventh aspect of the present disclosure is, for example, as shown in FIG. 21, in the machine learning device according to the fifth aspect of the present disclosure, the input data is the slurry of the liquid to be treated PL1. It further comprises at least one of the concentration and the torque value of the screw conveyor 3.
  • the machine learning device 120C according to the eighth aspect of the present disclosure is, for example, as shown in FIG. 23, in the machine learning device according to the fifth aspect of the present disclosure, the input data is the slurry of the liquid to be treated PL1.
  • the learning unit further includes at least one of the density and the torque value of the screw conveyor 3, and the learning unit inputs the first image data in the learning data set to obtain the first image data.
  • the first learning unit 231 that learns the first learning model for inferring the feature amount of the second image data; by inputting the second image data in the training data set, the feature amount of the second image data can be obtained.
  • the learning unit when estimating the control parameters of the centrifugal separation system from the image data of the separation liquid and the image data of the dehydrated solid, the learning unit is divided into three, and learning is performed in one of the learning units.
  • the number of input data of the training data set By increasing the number of input data of the training data set, the number of training data sets required to obtain the trained model generated in each training unit can be relatively suppressed.
  • the machine learning device 320 applies centrifugal force to the liquids PL1 and PL2 to be treated to centrifuge the solid M and the separation liquid SL into a bowl 2.
  • a screw conveyor 3 that conveys the solid material M in the bowl 2 toward the discharge port 2a, a drive motor 4 that rotates the bowl 2, and a differential speed of the screw conveyor 3 relative to the bowl 2.
  • a learning data set storage unit 2210 that stores a plurality of sets of training data sets including output data including attached control parameters, wherein the control parameters supply an additive added to the liquid to be treated PL1.
  • the training data set storage unit 2210 comprising the amount, the centrifugal force of the bowl 2, and at least one of the differential speeds controlled by the differential speed generator 5; inputting a plurality of sets of the learning data sets.
  • the learning unit 2310 that learns the learning model that infers the correlation between the input data and the output data; and the trained model storage unit 324 that stores the learning model learned by the learning unit 2310; Is included.
  • the machine learning device 320A according to the tenth aspect of the present disclosure is, for example, as shown in FIG. 29, in the machine learning device according to the ninth aspect of the present disclosure, the learning unit is in the learning data set.
  • a first learning unit 231 that learns a first learning model that infers a feature amount of the first image data by inputting the first image data; and a third image in the training data set.
  • the eleventh learning unit 2311 that learns the eleventh learning model that infers the feature amount of the third image data by inputting the data; the feature amount of the first image data and the third image.
  • the learning unit when estimating the control parameters of the centrifugal separation system from the image data of the separation liquid and the image data of the liquid to be treated containing flocs, the learning unit is divided into three and generated in each learning unit. The number of trained data sets required to obtain the trained model to be trained can be relatively reduced.
  • the machine learning device 320B according to the eleventh aspect of the present disclosure is, for example, as shown in FIG. 31, in the machine learning device according to the ninth aspect of the present disclosure, the input data is the slurry of the liquid to be treated PL1. Further includes at least one of the concentration, the water content of the dehydrated solid M discharged from the discharge port 2a, and the torque value of the screw conveyor 3.
  • the input data is the slurry of the liquid to be treated PL1. Further including at least one of a concentration, a water content of the dehydrated solid M discharged from the discharge port 2a, and a torque value of the screw conveyor 3, the learning unit is included in the learning data set.
  • a first learning unit 231 that learns a first learning model that infers a feature amount of the first image data by inputting the first image data; and a third image in the training data set.
  • the eleventh learning unit 2311 that learns the eleventh learning model that infers the feature amount of the third image data by inputting the data; the slurry concentration of the liquid to be treated PL1 and the discharge port 2a. Input the water content of the dehydrated solid M to be discharged, at least one of the torque values of the screw conveyor 3, the feature amount of the first image data, and the feature amount of the third image data.
  • it includes a 14th learning unit 2314 and; which learns a 14th learning model for inferring the control parameters.
  • the learning unit is divided into three when estimating the control parameters of the centrifugal separation system from the image data of the separation liquid and the image data of the liquid to be treated containing flocs, and in one of the learning units.
  • the machine learning device 520 applies centrifugal force to the liquids PL1 and PL2 to be treated to centrifuge the solid M and the separation liquid SL into a bowl 2.
  • a screw conveyor 3 that conveys the solid material M in the bowl 2 toward the discharge port 2a, a drive motor 4 that rotates the bowl 2, and a differential speed of the screw conveyor 3 relative to the bowl 2.
  • the second image data obtained by imaging the dehydrated solid M discharged from the discharge port 2a from a predetermined angle, and the subject to be treated before being supplied to the bowl 2 and after the predetermined additive is added.
  • Training data that stores a plurality of sets of training data sets including input data including a third image data obtained by capturing the liquid PL2 from a predetermined angle and output data including control parameters associated with the input data.
  • the control parameters are the supply amount of the additive added to the liquid to be treated PL1, the centrifugal force of the bowl 2, and the differential speed controlled by the differential speed generator 5.
  • the training data set storage unit 2215 including at least one of the above; learning to learn a learning model for inferring the correlation between the input data and the output data by inputting a plurality of sets of the training data sets. It includes a unit 2315; and a trained model storage unit 524 that stores the learning model learned by the learning unit 2315;
  • the machine learning device 520A according to the fourteenth aspect of the present disclosure is, for example, as shown in FIG. 38, in the machine learning device according to the thirteenth aspect of the present disclosure, the learning unit is in the learning data set.
  • a first learning unit 231 that learns a first learning model that infers a feature amount of the first image data by inputting the first image data; and a second image in the training data set.
  • the sixth learning unit 236 that learns the sixth learning model that infers the feature amount of the second image data by inputting the data; the third image data in the training data set is input.
  • the eleventh learning unit 2311 that learns the eleventh learning model for inferring the feature amount of the third image data; the feature amount of the first image data and the feature of the second image data.
  • the learning unit is divided into four when estimating the control parameters of the centrifugal separation system from the image data of the separation liquid, the image data of the dehydrated solid matter, and the image data of the liquid to be treated containing flocs. , The number of training data sets required to obtain the trained model generated in each training unit can be relatively reduced.
  • the machine learning device 520B according to the fifteenth aspect of the present disclosure is, for example, as shown in FIG. 40, in the machine learning device according to the thirteenth aspect of the present disclosure, the input data is the slurry of the liquid to be treated PL1. It further comprises at least one of the concentration and the torque value of the screw conveyor 3.
  • the machine learning device 520C according to the 16th aspect of the present disclosure is, for example, as shown in FIG. 42, in the machine learning device according to the 13th aspect of the present disclosure, the input data is the slurry of the liquid to be treated PL1.
  • the learning unit further includes at least one of the density and the torque value of the screw conveyor 3, and the learning unit inputs the first image data in the learning data set to obtain the first image data.
  • the first learning unit 231 that learns the first learning model for inferring the feature amount of the second image data; by inputting the second image data in the training data set, the feature amount of the second image data can be obtained.
  • the eleventh that infers the feature amount of the third image data by inputting the third image data in the learning data set.
  • the eleventh learning unit 2311 for learning the learning model; at least one of the slurry concentration of the liquid to be treated and the torque value of the screw conveyor, the feature amount of the first image data, and the first image data.
  • the 18th learning unit 2318 that learns the 18th learning model for inferring the control parameter by inputting the feature amount of the image data of 2 and the feature amount of the third image data;
  • the learning unit is divided into four and the learning unit is divided into four when estimating the control parameters of the centrifugal separation system from the image data of the separation liquid, the image data of the dehydrated solid matter, and the image data of the liquid to be treated containing flocs.
  • the machine learning device according to the 17th aspect of the present disclosure is the machine learning device according to the 1st to 16th aspects of the present disclosure, and the control parameter further includes the supply amount of the liquid to be treated.
  • the machine learning device is the machine learning device according to the first to seventeenth aspects of the present disclosure, wherein the control parameter further includes a dam set diameter of the bowl.
  • centrifugal force is applied to the liquids PL1 and PL2 to be treated to form a solid M and a separation liquid SL.
  • control parameters that can realize suitable operation control of the centrifugal separation system can be inferred based on the first image data obtained by imaging the separation liquid, so that the centrifugal separation system does not depend on the judgment of the operator. It will be possible to automatically control the operation of.
  • centrifugal force is applied to the liquids PL1 and PL2 to be treated into the solid material M and the separation liquid SL.
  • a first method used in a centrifugal separation system 1 including a differential speed generator 5 that rotates with a relative differential speed, in which a separation liquid SL discharged from the bowl 2 is imaged from a predetermined angle.
  • centrifugation is performed based on the slurry concentration of the liquid to be treated, the water content of the dehydrated solid, at least one of the torque values of the screw conveyor, and the first image data obtained by imaging the separated liquid. Since the control parameters that can realize the suitable operation control of the separation system can be inferred, the operation control of the centrifugal separation system can be automatically performed without depending on the judgment of the operator.
  • centrifugal force is applied to the liquids PL1 and PL2 to be treated into the solid material M and the separation liquid SL.
  • a first method used in a centrifugal separation system 1 including a differential speed generator 5 that rotates with a relative differential speed, in which the separation liquid SL discharged from the bowl 2 is imaged from a predetermined angle.
  • the first image data acquisition unit 81 and the second image data acquisition unit 181 are added to the trained model generated by the machine learning devices 120 and 120A according to the fifth or sixth aspect.
  • control parameters that can realize suitable operation control of the centrifugal separation system can be inferred based on the first and second image data obtained by imaging the separated liquid and the dehydrated solid, so that the operator can make a judgment. It will be possible to automatically control the operation of the centrifuge system without dependence.
  • the data processing systems 180B and 180C apply centrifugal force to the liquids PL1 and PL2 to be treated, for example, as shown in FIGS. 22 and 24, to form a solid M and a separation liquid SL.
  • a first method used in a centrifugal separation system 1 including a differential speed generator 5 that rotates with a relative differential speed, in which the separation liquid SL discharged from the bowl 2 is imaged from a predetermined angle.
  • the data acquired by the first image data acquisition unit 81, the second image data acquisition unit 181 and the additional variable acquisition unit 89 are input to the trained model generated by the machine learning devices 120B and 120C. This includes inference units 878, 871, 876, 879 and; which infer the control parameters of the centrifuge system 1.
  • centrifugation is performed based on the slurry concentration of the liquid to be treated, at least one of the torque values of the screw conveyor, and the first and second image data obtained by imaging the separation liquid and the dehydrated solid matter. Since the control parameters that can realize the suitable operation control of the system can be inferred, the operation control of the centrifugal separation system can be automatically performed without depending on the judgment of the operator.
  • centrifugal force is applied to the liquids PL1 and PL2 to be treated into the solid material M and the separation liquid SL.
  • a first method used in a centrifugal separation system 1 including a differential speed generator 5 that rotates with a relative differential speed, in which the separation liquid SL discharged from the bowl 2 is imaged from a predetermined angle.
  • the operator can infer control parameters that can realize suitable operation control of the centrifugal separation system based on the first and third image data obtained by imaging the separation liquid and the floc-containing processing liquid. It will be possible to automatically control the operation of the centrifuge system without depending on judgment.
  • centrifugal force is applied to the liquids PL1 and PL2 to be treated into the solid material M and the separation liquid SL.
  • a first method used in a centrifugal separation system 1 including a differential speed generator 5 that rotates with a relative differential speed, in which a separation liquid SL discharged from the bowl 2 is imaged from a predetermined angle.
  • the inference unit 8713 which infers the control parameters of the centrifugal separation system 1 by inputting the data acquired by the image data acquisition unit 81 of 1 and the third image data acquisition unit 381 and the additional variable acquisition unit 89. 871, 8711, 8714 and;
  • the slurry concentration of the liquid to be treated, the water content of the dehydrated solid, at least one of the torque values of the screw conveyor, and the first and third images of the separation liquid and the liquid to be treated containing flocs are imaged. Since the control parameters that can realize the suitable operation control of the centrifugal separation system can be inferred based on the image data of the above, the operation control of the centrifugal separation system can be automatically performed without depending on the judgment of the operator. become.
  • centrifugal force is applied to the liquids PL1 and PL2 to be treated into the solid material M and the separation liquid SL.
  • a first method used in a centrifugal separation system 1 including a differential speed generator 5 that rotates with a relative differential speed, in which the separation liquid SL discharged from the bowl 2 is imaged from a predetermined angle.
  • the third image data acquisition unit 381; the first image data acquisition unit 81 and the second image data are added to the trained model generated by the machine learning device 520 and 520A according to the thirteenth or fourteenth aspect. It includes inference units 8715, 871, 876, 8711, 8716, which infer the control parameters of the centrifuge system by inputting the data acquired by the acquisition unit 181 and the third image data acquisition unit 381. ..
  • control parameters that can realize suitable operation control of the centrifugal separation system can be inferred based on the first to third image data obtained by imaging the separation liquid, the dehydrated solid matter, and the floc-containing liquid to be treated. Therefore, the operation control of the centrifugal separation system can be automatically performed without depending on the judgment of the operator.
  • centrifugal force is applied to the liquids PL1 and PL2 to be treated into the solid material M and the separation liquid SL.
  • a first method used in a centrifugal separation system 1 including a differential speed generator 5 that rotates with a relative differential speed, in which the separation liquid SL discharged from the bowl 2 is imaged from a predetermined angle.
  • a third image data acquisition unit 381; an additional variable acquisition unit 89 for acquiring at least one of the slurry concentration of the liquid to be treated PL1 and the torque value of the screw conveyor 3; the fifteenth or The trained model generated by the machine learning devices 520B and 520C according to the sixteenth aspect includes the first image data acquisition unit 81, the second image data acquisition unit 181 and the third image data acquisition unit 381. It includes inference units 8717, 871, 876, 8711, 8718 and; inferring the control parameters of the centrifuge system 1 by inputting the data acquired by the additional variable acquisition unit 89.
  • the slurry concentration of the liquid to be treated, at least one of the torque values of the screw conveyor, and the first to third image data of the separated liquid, the dehydrated solid matter, and the liquid to be treated containing flocs are imaged. Since the control parameters that can realize the suitable operation control of the centrifugal separation system can be inferred based on the above, the operation control of the centrifugal separation system can be automatically performed without depending on the judgment of the operator.
  • the machine learning method according to the 27th aspect of the present disclosure is carried out by a computer, for example, as shown in FIGS. 3 and 6, and is solidified by applying centrifugal force to the liquids PL1 and PL2 to be treated.
  • a bowl 2 for centrifuging the object M and the separation liquid SL a screw conveyor 3 for transporting the solid substance M in the bowl 2 toward the discharge port 2a, a drive motor 4 for rotating the bowl 2, and the above.
  • the centrifugal separation system 1 including the differential speed generator 5 that rotates the screw conveyor 3 with a differential speed relative to the bowl 2, and the separation liquid SL discharged from the bowl 2 is predetermined.
  • step S11 a plurality of sets of learning data sets including input data including image data captured from an angle of view and output data including control parameters associated with the input data are stored, and the control parameters are the control parameters.
  • a step comprising at least one of a supply of additives added to the liquid to be treated PL1, the centrifugal force of the bowl 2, and the differential speed controlled by the differential speed generator 5. It includes a step S15 for learning a learning model for inferring a correlation between the input data and the output data by inputting a plurality of sets of data sets; and a step S17 for storing the learned learning model.
  • the machine learning method according to the 28th aspect of the present disclosure is carried out by a computer, for example, as shown in FIGS. 6 and 15, and is solidified by applying centrifugal force to the liquids PL1 and PL2 to be treated.
  • a bowl 2 for centrifuging the object M and the separation liquid SL a screw conveyor 3 for transporting the solid substance M in the bowl 2 toward the discharge port 2a, a drive motor 4 for rotating the bowl 2, and the above.
  • the centrifugal separation system 1 including the differential speed generator 5 that rotates the screw conveyor 3 with a differential speed relative to the bowl 2, and the separation liquid SL discharged from the bowl 2 is predetermined.
  • the input data including the first image data captured from the angle of view and the second image data obtained by capturing the dehydrated solid M discharged from the discharge port 2a from a predetermined angle of view is associated with the input data.
  • the control parameters are the supply amount of the additive added to the liquid to be treated PL1 and the centrifugation of the bowl 2.
  • the machine learning method according to the 29th aspect of the present disclosure is carried out by a computer, for example, as shown in FIGS. 6 and 25, and is solidified by applying centrifugal force to the liquids PL1 and PL2 to be treated.
  • a bowl 2 for centrifuging the object M and the separation liquid SL a screw conveyor 3 for transporting the solid substance M in the bowl 2 toward the discharge port 2a, a drive motor 4 for rotating the bowl 2, and the above.
  • the centrifugal separation system 1 including the differential speed generator 5 that rotates the screw conveyor 3 with a differential speed relative to the bowl 2, and the separation liquid SL discharged from the bowl 2 is predetermined.
  • step S11 a plurality of sets of learning data sets including input data including data and output data including control parameters associated with the input data are stored, and the control parameter is the liquid to be processed PL1.
  • a step comprising at least one of the supply of additives added to, the centrifugal force of the bowl 2, and the differential speed controlled by the differential speed generator 5; a plurality of sets of the training data sets. It includes step S15 for learning a learning model for inferring the correlation between the input data and the output data by inputting; and step S17 for storing the learned learning model.
  • the machine learning method is carried out by a computer, for example, as shown in FIGS. 6 and 35, and is solidified by applying centrifugal force to the liquids PL1 and PL2 to be treated.
  • a bowl 2 for centrifuging the object M and the separation liquid SL a screw conveyor 3 for transporting the solid substance M in the bowl 2 toward the discharge port 2a, a drive motor 4 for rotating the bowl 2, and the above.
  • the centrifugal separation system 1 including the differential speed generator 5 that rotates the screw conveyor 3 with a differential speed relative to the bowl 2, and the separation liquid SL discharged from the bowl 2 is predetermined.
  • the control parameters are the supply amount of the additive added to the liquid to be treated PL1, the centrifugal force of the bowl 2, and the differential speed generator 5.
  • An example of the image data obtained by the separation liquid monitoring system according to the first embodiment of the present disclosure is shown.
  • An example of the image data obtained by the separation liquid monitoring system according to the first embodiment of the present disclosure is shown.
  • An example of image data obtained by the dehydrated solid matter monitoring system according to the fifth embodiment of the present disclosure is shown.
  • An example of image data obtained by the dehydrated solid matter monitoring system according to the fifth embodiment of the present disclosure is shown.
  • It is a flowchart which shows the example of the parameter adjustment by the data processing system which concerns on 5th Embodiment of this disclosure.
  • FIG. 10 An example of image data obtained by the liquid to be treated monitoring system according to the ninth embodiment of the present disclosure is shown. It is a schematic block diagram which shows an example of the data processing system which concerns on 9th Embodiment of this disclosure. It is a flowchart which shows the example of the parameter adjustment by the data processing system which concerns on 9th Embodiment of this disclosure. It is a schematic block diagram which shows an example of the machine learning apparatus which concerns on the 10th Embodiment of this disclosure. It is a schematic block diagram which shows an example of the data processing system which concerns on the 10th Embodiment of this disclosure. It is a schematic block diagram which shows an example of the machine learning apparatus which concerns on 11th Embodiment of this disclosure.
  • centrifuge system Before explaining the machine learning device, the data processing system, and the machine learning method according to the first embodiment of the present disclosure, the centrifuge system to which these machine learning device, the data processing system, and the machine learning method are applied. I will explain briefly.
  • a centrifuge device including a horizontal decanter 1 As the centrifuge system according to the present embodiment, a centrifuge device including a horizontal decanter 1 is used.
  • the specific embodiment of the centrifugal separation system according to the present disclosure is not limited to those shown below, and may also be applied to a centrifugal separation system including a centrifugal separation device such as a vertical type or straight body type decanter. Applicable.
  • FIG. 1 is a schematic diagram showing a schematic structure of a decanter main body according to the first embodiment of the present disclosure.
  • FIG. 2 is a schematic diagram showing a centrifugal separation system including a decanter piping structure according to the first embodiment of the present disclosure.
  • the horizontal decanter 1 shown in the present embodiment mainly includes a bowl 2, a screw conveyor 3, a drive motor 4, a differential speed generator 5, and a casing 6. be able to.
  • the bowl 2 can be made of a cylindrical member whose one end is processed into a weight shape, and can be rotatably supported around a horizontal axis. Further, one or more solid matter discharge ports 2a are provided at one end of the bowl 2 processed into a weight shape, and one or more separation liquid discharge ports 2b are formed at the other end of the dam 2c. It may be attached.
  • the solid matter component contained in the liquid to be treated to be charged into the bowl 2 is mainly discharged from the solid matter discharge port 2a, and the liquid to be treated which is also charged into the bowl 2 is discharged from the separation liquid discharge port 2b.
  • the contained liquid component is mainly discharged.
  • a pulley 4a for transmitting power from a drive motor 4, which will be described later, may be attached to one end of the bowl 2 (one end processed into a weight in FIG. 1).
  • this solid component is referred to as a liquid-containing solid (or dehydrated solid) M.
  • the screw conveyor 3 can be composed of a member that is coaxially arranged in the bowl 2 and has a spiral screw blade 3a formed around the screw conveyor 3.
  • the screw blade 3a may be a member for transporting and / or squeezing the solid matter in the bowl 2.
  • the body 3b of the screw conveyor 3 is provided with a space 3c for receiving the liquid to be treated and a discharge port 3d for charging the liquid to be treated stored in this space into the bowl 2. You may be.
  • a differential speed generator 5 which will be described later, may be connected to one end of the screw conveyor 3.
  • the drive motor 4 may be a motor for applying a rotational force to the bowl 2, and may be connected to a pulley 4a attached to one end of the bowl 2 via a belt 4b.
  • a relatively large motor is adopted in order to rotate the bowl 2 in the range of, for example, 2000 to 5000 rpm, and the rotation speed thereof can be appropriately changed by inverter control.
  • the differential speed generator 5 is a device for generating a differential speed between the rotation speed of the bowl 2 and the rotation speed of the screw conveyor 3, and the screw conveyor 3 is slightly (for example, for example) relative to the bowl 2. It may be a device capable of rotating slowly (about 1 to 3 rpm).
  • the differential speed generator 5 can include a gearbox 5a connected to the screw conveyor 3 and a differential motor (also referred to as “back drive motor”) 5b that applies a braking force to the screw conveyor 3. Since the specific operating principle of the differential speed generator 5 has been known conventionally, the description thereof will be omitted.
  • the casing 6 may be a case provided so as to cover the bowl 2 and the screw conveyor 3.
  • the casing 6 guides the liquid-containing solid (dehydrated solid) M as a solid containing a small amount of liquid discharged from the solid discharge port 2a of the bowl 2 to the solid chute 6a provided below.
  • the separation liquid SL (see FIG. 3) discharged from the separation liquid discharge port 2b of the bowl 2 may be guided to the separation liquid chute 6b provided below.
  • the bowl 2 and the screw conveyor 3 covered with the casing 6 can be integrally supported by the frame 6c.
  • the solid matter chute 6a of the casing 6 may be connected to the solid matter discharge conduit 7, and the solid matter discharged from the solid matter chute 6a may be, for example, a drying device or an incinerator (not shown) via the solid matter discharge conduit 7. Etc. can be transported to the main transport path 7a. Further, the separation liquid chute 6b of the casing 6 may be connected to the separation liquid discharge conduit 8, and the separation liquid discharged from the separation liquid chute 6b may be connected to, for example, a water purification facility (not shown) via the separation liquid discharge conduit 8. Can be carried to.
  • the decanter 1 can further include a liquid supply pipe 9 for charging the liquid to be treated into the bowl 2.
  • a liquid supply pipe 9 for charging the liquid to be treated into the bowl 2.
  • One end of the liquid supply pipe 9 communicates with the space 3c in the body 3b of the screw conveyor 3, and the other end communicates with the liquid supply source 10 to be processed and the additive supply source 11, and flows in from the other end. It is possible to form a conduit for charging the liquid to be treated or the like into the bowl 2.
  • the liquid supply pipe 9 and the liquid to be processed supply source 10 are fluidly connected by a liquid to be treated pipe 10b including a pump 10a for supplying the liquid to be treated.
  • a liquid to be treated pipe 10b including a pump 10a for supplying the liquid to be treated.
  • the pump 10a By controlling the pump 10a, it is possible to control the amount of the liquid to be supplied into the bowl.
  • the liquid to be treated supplied from the liquid to be treated source 10 is often a slurry (suspension) containing sludge as a solid substance.
  • the liquid supply pipe 9 and the additive supply source 11 include an additive added to the liquid to be treated, for example, a pump 11a for supplying a drug, and a plurality of pumps 11a for controlling the supply position and supply timing of the drug. It may be fluidly connected by an additive pipe 11c including a valve 11b.
  • the agent supplied from the additive supply source 11 may be a flocculant that changes the sludge contained in the slurry into a floc shape by administering it to the slurry, particularly a polymer flocculant or an inorganic flocculant.
  • liquid to be treated PL1 liquid to be treated PL1
  • liquid to be treated after the drug is added is referred to as “flock-containing liquid to be treated PL2” to distinguish between the two. ..
  • the additive pipe 11c is branched into two pipes at an intermediate position thereof, one at an intermediate position of the liquid pipe 10b to be treated and the other at a liquid supply pipe 9. It may be connected.
  • the liquid PL1 to be treated reacts with the chemical in the liquid pipe 10b to be treated (so-called “line chemical injection”).
  • the drug is supplied via the pipe connected to the liquid supply pipe 9, the liquid to be treated PL1 reacts with the drug mainly inside the space 3c and inside the bowl 2 (so-called “in-flight drug injection”). It will be.
  • the position and timing at which the chemical is added to the liquid to be treated PL1 can be adjusted, and thus sludge flocs (“flock”) due to the chemicals mainly affected by the state of the liquid to be treated PL1. It will be possible to optimally adjust the formation effect (also called "aggregate").
  • the connection position of the pipe shown in FIG. 2 is only an example, and the pipe structure can be appropriately changed in consideration of the state of the liquid to be treated and the like.
  • the various pipes of the decanter 1 according to the present embodiment are provided with a monitoring system for monitoring the object passing through the pipes. More specifically, this monitoring system is provided in the separation liquid monitoring system 40 provided in the separation liquid discharge conduit 8, the dehydrated solid matter monitoring system 50 provided in the solid matter discharge conduit 7, and the liquid to be treated pipe 10b.
  • the liquid to be treated monitoring system 60 can be included.
  • a screw conveyor torque monitoring system 70 that monitors the torque value of the screw conveyor 3 may be included.
  • the specific configuration of each monitoring system some examples will be described so as to correspond to each embodiment described later. Since the monitoring system other than the separation liquid monitoring system 40 is not used in the first embodiment, the monitoring systems other than the separation liquid monitoring system 40 will be described in the second and subsequent embodiments. ..
  • the solid-liquid separation by the decanter 1 including the above configuration is generally performed as follows. That is, first, when the floc-containing liquid to be treated PL2 is put into the bowl 2 that rotates at a predetermined rotation speed via the liquid supply pipe 9, the floc-containing liquid to be treated is treated by the action of the centrifugal force generated by the drive motor 4.
  • the solid matter (which is floc-like due to the effect of the chemical) in the liquid PL2 settles on the inner wall surface of the bowl 2.
  • the settled solid matter is formed into a weight shape of the bowl 2 by the screw blade 3a of the screw conveyor 3 which is rotated with respect to the bowl 2 at a rotation speed slightly smaller than the rotation speed of the bowl 2 by the action of the differential speed generator 5.
  • the above-mentioned solid-liquid separation process realizes a suitable process by adjusting various control parameters of the decanter 1.
  • the control parameter referred to here may mainly consist of the centrifugal force of the bowl 2, the supply amount of the drug from the additive supply source 11, and the differential speed between the bowl 2 and the screw conveyor 3. Therefore, the machine learning device 20 according to the first embodiment of the present disclosure, which learns an inference model (learned model) capable of estimating the optimum control parameters in the decanter 1, will be described below. conduct.
  • FIG. 3 is a schematic block diagram of the machine learning device 20 according to the first embodiment of the present disclosure.
  • the machine learning device 20 according to the present embodiment includes a learning data set acquisition unit 21, a learning data set storage unit 22, a learning unit 23, and a trained model storage unit 24.
  • the learning data set acquisition unit 21 may be an interface unit that acquires a plurality of data constituting the learning (training) data set via, for example, a wired or wireless communication line.
  • the specific contents of the plurality of data acquired here can be appropriately changed according to the trained model to be generated.
  • the image data of the separation liquid SL and the data in which the control parameters associated with the image data are acquired are exemplified.
  • the control parameters can include the supply amount of the drug added to the liquid to be treated PL1, the centrifugal force of the bowl 2, and the differential speed controlled by the differential speed generator 5.
  • control parameters for acquiring the above-mentioned three data are exemplified, but the control parameters constituting the learning data set include at least one of the above-mentioned three data. I just need to be there.
  • control parameters are not limited to the above three, and may include other parameters such as the supply amount of the liquid to be treated PL1 from the liquid to be treated supply source 10 and the dam set diameter of the dam 2c of the bowl 2. May include. Therefore, the number of control parameters constituting the output data may be four or more. Generally, if the number of control parameters increases, fine parameter adjustment can be realized when applied to the operation control of the decanter 1 described later.
  • control parameters As the number of control parameters increases, the number of training data sets required to obtain a trained model that can be reasoned with sufficient accuracy tends to increase. Therefore, it is preferable to determine the number of control parameters as output data in consideration of the number of training data sets that can be prepared.
  • the learning data set acquisition unit 21 is connected to the computer PC1 and acquires desired data from the computer PC1.
  • the computer PC 1 may be, for example, a computer that constitutes at least a part of the control unit 30 that controls various operations of the decanter 1 described above, or is communicably connected to the control unit 30.
  • various control parameters of the decanter 1 can be acquired in the computer PC1.
  • the computer PC 1 is directly or indirectly connected to the separation liquid monitoring system 40 provided in the separation liquid discharge conduit 8 via the control unit 30 and is connected to the separation liquid monitoring system.
  • the image data of the separation liquid SL can be acquired from 40.
  • the control unit 30 of the decanter 1 referred to here is a device for controlling the entire decanter 1, and is well known including a processor, a memory, and the like connected to various sensors and drive means included in the decanter 1. It may be composed of a computer or the like.
  • the sight glass 41 connected to an arbitrary position of the separation liquid discharge conduit 8 and the window 42 provided in the sight glass 41 are installed at a predetermined angle. Therefore, it is possible to adopt a camera including a separation liquid imaging camera 43 capable of capturing the image data of the separation liquid SL flowing in the sight glass 41.
  • a well-known camera capable of capturing a two-dimensional image can be adopted as the separation liquid imaging camera 43.
  • a light source that illuminates the separation liquid SL in the sight glass 41 and a light source (not shown) that illuminates the separation liquid SL in the sight glass 41 so that the state of the separation liquid SL is easily reflected in the image data captured by the separation liquid imaging camera 43.
  • a polarizing filter (not shown) that can be attached to the separation liquid imaging camera 43 can be appropriately adopted.
  • the configuration of the separation liquid monitoring system 40 is not limited to this, and various configurations can be adopted as long as the image data of the separation liquid SL can be acquired. As a specific example, for example, a configuration such as the separation liquid monitoring system 40A (see FIG. 9) described later may be adopted.
  • FIG. 4 shows an example of image data obtained by the separation liquid imaging camera 43 of the separation liquid monitoring system 40 according to the first embodiment of the present disclosure.
  • the image data having a relatively high solid content concentration in the separation liquid SL has pixels as compared with the image data having a relatively low solid matter content concentration (for example, the one shown in FIG. 4A). It can be inferred that the amount of change in color during the period tends to increase.
  • the training data set storage unit 22 associates a plurality of data constituting the training data set acquired by the training data set acquisition unit 21 with related input data and output data (also referred to as “teacher data”). It may be a database for storing one learning data set.
  • the learning data set stored in the present embodiment uses image data obtained by capturing the separation liquid SL discharged from the bowl 2 from a predetermined angle as input data, and is associated with the image data as the input data.
  • the control parameter can be used as output data.
  • the specific configuration of the database constituting the learning data set storage unit 22 can be appropriately adjusted. For example, in FIG. 3, for convenience of explanation, the training data set storage unit 22 and the trained model storage unit 24 described later are shown as separate storage means, but these are used as a single storage medium (database). ) Can also be configured.
  • the learning data set stored in the learning data set storage unit 22 can be composed of one image data and control parameters corresponding to the one image data.
  • the learning data set storage unit 22 in order to generate one trained model in the learning unit 23, it is usually necessary to perform training using many training data sets (for example, thousands to tens of thousands of sets). Therefore, in order to prepare a large amount of training data set in a relatively short time, it is preferable to perform data augmentation in the learning data set storage unit 22.
  • a (for example, 100) partial image data of a square smaller than the original image data is randomly extracted from the original image data of one rectangle and extracted.
  • the learning unit 23 infers the correlation between the input data and the output data in the learning data set by inputting a plurality of sets of the plurality of learning data sets stored in the learning data set storage unit 22. It may be one that learns a learning model. In this embodiment, as will be explained in detail later, supervised learning using a neural network is adopted as a specific method of machine learning. However, the specific method of machine learning is not limited to this, and other learning methods may be adopted as long as the correlation between input and output can be learned from the training data set. It is possible. For example, ensemble learning (random forest, boosting, stacking, etc.) can also be used.
  • the trained model storage unit 24 may be a database for storing the trained model generated by the training unit 23.
  • the trained model stored in the trained model storage unit 24 can be applied to a real system via a communication line including the Internet or a storage medium, if requested.
  • the specific application mode of the trained model to the actual system (data processing system 80) will be described in detail later.
  • the operator EN manually takes into consideration the image data acquired by the separation liquid monitoring system 40 and the actual control parameter at that time.
  • a specific method can be adopted.
  • the optimum control parameters identified in this way are organized and stored in the learning data set storage unit 22 in a state associated with the above-mentioned image data as teacher data of the learning data set in the machine learning device 20.
  • control parameters specified are, as described above, at least one of the centrifugal force of the bowl 2, the supply amount of the drug from the additive supply source 11, and the difference speed between the bowl 2 and the screw conveyor 3. It may be one. It can be said that these control parameters are considered to be the control parameters having the greatest influence on the solid-liquid separation process by the decanter 1. Therefore, the control parameters specified here are preferably all three control parameters described above, as exemplified in the present embodiment. Of course, only one or only two of these three control parameters may be adopted as output data, and parameters other than these three control parameters (for example, drug supply position, etc.) may be used as output data. It is also possible to add more.
  • the centrifugal force of the bowl 2 among the above three control parameters can be adjusted mainly by controlling the rotation speed of the bowl 2 by the drive motor 4, but the control for changing the rotation speed is other. It is characterized by low responsiveness compared to the two controls (control of drug supply amount and differential speed). Therefore, when only two of the above three control parameters are adopted for the output data, the supply amount of the drug from the additive supply source 11 and the differential speed between the bowl 2 and the screw conveyor 3 are adopted. good.
  • FIG. 5 is a diagram showing an example of a neural network model for supervised learning implemented in the machine learning device according to the first embodiment of the present disclosure.
  • the neural network in the neural network model shown in FIG. 5 includes l neurons (x1 to xl) in the input layer, m neurons (y11 to y1m) in the first intermediate layer, and n neurons in the second intermediate layer. It is composed of neurons (y21 to y2n) and o neurons (z1 to zo) in the output layer.
  • the first intermediate layer and the second intermediate layer are also called hidden layers, and the neural network may have a plurality of hidden layers in addition to the first intermediate layer and the second intermediate layer. Or, only the first intermediate layer may be used as a hidden layer.
  • nodes connecting the neurons between the layers are stretched between the input layer and the first intermediate layer, between the first intermediate layer and the second intermediate layer, and between the second intermediate layer and the output layer.
  • Each node is associated with a weight wi (i is a natural number).
  • the neural network in the neural network model learns the correlation between the input data and the output data of the training data set by using the training data set.
  • the image data of the separation solution SL as the state variable constituting the input data is associated with the neurons in the input layer, and the values of the neurons in the output layer are calculated by the calculation method of the output value of a general neural network. That is, the value of the neuron on the output side is multiplied by the value of the neuron on the input side connected to the neuron and the weight wi associated with the node connecting the neuron on the output side and the neuron on the input side. It is calculated as the sum of several sequences of the above by using the method performed for all neurons other than the neurons in the input layer.
  • the format of the information acquired as the state variables may be appropriately set in consideration of the accuracy of the generated trained model. can.
  • the teacher data t1 to to are compared with each other to obtain an error, and the weight wi associated with each node is adjusted (backpropagation) so that the obtained error becomes small.
  • the learning is terminated and the neural network model (of the node) is satisfied. All the weights wi) associated with each are stored in the trained model storage unit 24 as a trained model.
  • FIG. 6 is a flowchart showing an example of the machine learning method according to the first embodiment of the present disclosure.
  • the machine learning method shown below will be described based on the machine learning device 20 described above, but the premise configuration is not limited to the machine learning device 20 described above.
  • this machine learning method is realized by using a computer, various computers can be applied, for example, a computer constituting the control unit 30 and a server device arranged on a network. , Or the computer PC1 shown in FIG. 3 and the like.
  • an arithmetic unit composed of at least a CPU, a GPU, etc.
  • a storage device composed of a volatile or non-volatile memory represented by RAM or ROM, a network, or other devices. It is possible to adopt a device including a communication device for communicating with the device and a bus connecting each of these devices.
  • this machine learning method is provided in the form of a program containing one or more instructions for performing a predetermined operation on a computer, or in the form of a non-temporary computer-readable medium containing the program. You may.
  • supervised learning as a machine learning method according to the present embodiment, as a preliminary preparation for starting machine learning, a desired number of learning data sets are first prepared, and a plurality of prepared learning data sets are prepared. It is stored in the learning data set storage unit 22 (step S11).
  • the number of training data sets prepared here may be set in consideration of the inference accuracy required for the finally obtained trained model. Further, since an example of the method of preparing the training data set has already been illustrated above, the description thereof will be omitted here.
  • a neural network model before learning is prepared in order to start machine learning in the learning unit 23 (step S12).
  • the pre-learning neural network model prepared here for example, a neural network model having the structure shown in FIG. 5 and having the weight of each node set to the initial value can be adopted.
  • one learning data set is randomly selected from the plurality of learning data sets stored in the learning data set storage unit 22 (step S13), and the input data in the one learning data set is selected. Is input to the input layer (see FIG. 5) of the prepared neural network model before learning (step S14).
  • various methods can be adopted.
  • a method of inputting a luminance value and / or a color value (for example, an RGB value) for each pixel of image data into a neuron of each input layer can be adopted. Further, before inputting image data as input data to the input layer, predetermined preprocessing such as dimension reduction processing and noise removal for adjusting the number of data may be executed.
  • step S14 machine learning is performed using the output data as teacher data in one learning data set acquired in step S13, that is, the control parameters and the control parameters of the output layer generated in step S13. It is carried out (step S15).
  • the machine learning performed here is, for example, to compare the control parameters constituting the teacher data and the control parameters constituting the output layer, detect an error between them, and obtain an output layer in which this error becomes small. , It may be a process (back propagation) for adjusting the weight associated with each node in the neural network model before learning.
  • control parameter output to the output layer of the neural network model before training are the same number and format as the teacher data in the training data set as the training target. Therefore, for example, when the control parameter as the teacher data in the training data set is composed of the data corresponding to the two control parameters, the control parameter output to the output layer by the neural network model is also the two control parameters. It should be the corresponding data.
  • step S15 When machine learning is performed in step S15, whether or not it is necessary to continue machine learning is determined based on, for example, the remaining number of unlearned learning data sets stored in the learning data set storage unit 22. (Step S16). Then, when the machine learning is continued (No in step S16), the process returns to step S13, and when the machine learning is finished (Yes in step S16), the process proceeds to step S17.
  • the steps S13 to S15 are performed a plurality of times on the neural network model being trained by using the unlearned learning data set. The accuracy of the finally generated trained model generally tends to increase in proportion to this number of times.
  • step S16 When machine learning is terminated (Yes in step S16), the neural network generated by adjusting the weights associated with each node by a series of steps is stored in the trained model storage unit 24 as a trained model. (Step S17), a series of learning processes is completed.
  • the trained model stored here can be applied to various data processing systems and used, and specific examples of the data processing systems will be described later.
  • one machine learning process is repeatedly executed for one (pre-learning) neural network model.
  • the present disclosure is not limited to this acquisition method, although the method of improving the inference accuracy and obtaining a trained model sufficient for application to a data processing system is explained in the above.
  • a plurality of trained models that have undergone machine learning a predetermined number of times are stored as one candidate in a plurality of trained model storage units 24, and a common data set for determining validity is stored in the plurality of trained model groups.
  • One of the best trained models to apply to a data processing system by inputting the input data of to generate an output layer (value of neurons) and comparing the accuracy of the control parameters identified in this output layer. You may choose.
  • the validity determination data set may be any data set that is the same as the learning data set used for learning and is not used for learning.
  • a pre-generated trained model for arbitrary image recognition may be used instead of the pre-learning neural network model in which the node weight prepared in step S12 is set to the initial value.
  • a pre-generated trained model for arbitrary image recognition may be used.
  • a desired trained model is generated by so-called fine tuning or transfer learning. Therefore, a highly accurate trained model can be generated with a smaller number of training data sets as compared with the above-mentioned normal machine learning process.
  • FIG. 7 is a schematic block diagram showing a data processing system 80 according to the first embodiment of the present disclosure.
  • the data processing system 80 according to the present embodiment the one applied in the control unit 30 of the horizontal decanter 1 described above is exemplified.
  • the data processing system 80 mainly includes a first image data acquisition unit 81, a parameter adjustment unit 82, an arithmetic unit 83, a database (DB) 84, a user interface 85, and the like. It may include an internal bus 86 for interconnecting. Note that, in FIG. 7, only the components related to the data processing system 80 are shown, and the description of other components not directly related to the data processing system 80 according to the present embodiment of the control unit 30 is omitted. ing.
  • the first image data acquisition unit 81 may be for acquiring image data, specifically, image data of the separation liquid SL. Specifically, it can be connected to the above-mentioned separation liquid monitoring system 40 and acquire image data captured by the separation liquid imaging camera 43 of the separation liquid monitoring system 40.
  • the parameter adjustment unit 82 may be for adjusting various control units adjusted by the control unit 30 to realize optimum operation control based on the inference result of the inference unit 87 described later.
  • the parameter adjusting unit 82 controls a drive motor control unit 31 which is connected to the drive motor 4 and can control the rotation speed thereof, and a pump 11a provided in the additive pipe 11c to change the supply amount of the drug.
  • a pump control unit 32 capable of controlling the pump control unit 32, and a differential motor control unit 33 connected to the differential motor 5b and capable of controlling the rotation speed thereof to control the rotation speed of the screw conveyor 3 (relative to the bowl 2). It should be connected to.
  • the parameter adjustment unit 82 according to the present embodiment exemplifies those connected to the above-mentioned three control units, but the connection destinations are set according to the number and types of control parameters output by the inference unit 87. It can be adjusted as appropriate.
  • the arithmetic unit 83 may constitute a processor for realizing various processes in the data processing system 80, and may include at least an inference unit 87. Further, the arithmetic unit 83 may be connected to the trained model storage unit 88 that stores the trained model used in the inference unit 87.
  • the inference unit 87 uses the parameter adjustment unit 82 to obtain image data as a state variable acquired by the first image data acquisition unit 81 by referring to one trained model stored in the trained model storage unit 88. It may infer the control parameters to be adjusted.
  • a plurality of trained models stored in the trained model storage unit 88 are stored according to the intended use and various conditions (for example, environmental conditions such as season, weather and temperature / humidity, type of liquid to be treated, etc.). It is preferable to have it. In relation to this, the work of selecting an appropriate trained model from a plurality of trained models may be automatically selected using various sensors or the like, or may be manually selected by an operator EN or the like. You may be able to select it.
  • the database 84 is made of a well-known recording medium, and temporarily or continuously stores various data handled by the data processing system 80, such as image data acquired by the first image data acquisition unit 81 and calculation results by the calculation unit 83. It may be for the purpose of doing.
  • the user interface 85 is composed of, for example, a GUI (graphical user interface), and may be used for receiving a status display of the decanter 1, an input operation from an operator EN, or the like.
  • FIG. 8 is a flowchart showing an example of parameter adjustment by the data processing system 80 according to the first embodiment of the present disclosure.
  • the data processing system 80 first determines whether or not it is the timing of parameter adjustment (step S21).
  • the timing for adjusting the control parameters can be automatically specified or manually adjusted.
  • the adjustment may be performed periodically at predetermined time intervals while the decanter 1 is operating. For example, when the operation of the decanter 1 is started, the type of the liquid to be treated by the decanter 1 may be changed.
  • the adjustment may be made only at a specific timing such as when the change exceeds a predetermined threshold value.
  • the separation liquid imaging camera 43 in the separation liquid monitoring system 40 is operated to image the separation liquid SL flowing in the separation liquid discharge conduit 8 (step). S22).
  • the image data captured here is acquired by the first image data acquisition unit 81 in the data processing system 80 (step S23).
  • the image data acquired by the first image data acquisition unit 81 is sent to the inference unit 87 via the internal bus 86, and in the inference unit 87, this image data is stored in the trained model previously specified in the inference unit 87.
  • the control parameters are inferred by being input to the input layer of one trained model in the unit 88 (step S24).
  • the parameter adjustment unit 82 adjusts each control unit using the value of the control parameter inferred here (step S25). After that, the process returns to step S21 to enter the standby state.
  • the preferable control parameters of the decanter 1 can be estimated based on the relatively easy-to-acquire information such as the image data of the separation liquid. Therefore, the data processing system 80 is used. It can be applied to Decanter 1 relatively easily. Then, the adjustment of the control parameter can be easily performed without depending on the judgment of the operator EN or the like.
  • the processing system 80 is not limited to this. Specifically, for example, the accuracy may be further improved by further applying online learning to the trained model generated through the above-mentioned learning by batch learning.
  • the image data as a state variable acquired by the first image data acquisition unit 81 and the control parameters inferred by the inference unit 87, particularly the adjustment in the parameter adjustment unit 82.
  • control parameters when the solid-liquid separation processing result is improved are temporarily stored in the database 84 as a set of online learning data sets. Then, machine learning (specifically, fine tuning) similar to that shown in FIG. 6 may be executed using the online learning data set accumulated in the database 84 at an arbitrary timing.
  • the above-mentioned data processing system 80 is applied in the control unit 30 of the horizontal decanter 1, but instead of this, for example, a computer communicably connected to the control unit 30 of the decanter 1 or a decanter 1 can be used. It can also be applied to a server device or the like connected to the control unit 30 via a network or the like.
  • the centrifugal separation system mainly assumed for sludge treatment in this embodiment is based on the treatment content (type of liquid to be treated, treatment amount per unit time, etc.) and surrounding environment (climate, etc.). It is usually the case that it varies greatly from one to another.
  • machine learning device the machine learning method, and the data processing system according to the second embodiment shown below are the same as those according to the first embodiment, and the centrifugal separation system shown in FIGS. 1 and 2 is used.
  • the explanation is given by taking the case of application as an example. Furthermore, all the modifications described in each of the above-mentioned or later embodiments can be applied to the present embodiment as long as there is no contradiction.
  • FIG. 9 is a schematic block diagram of the machine learning device 20A according to the second embodiment of the present disclosure.
  • the machine learning device 20A according to the present embodiment has, as its components, a first learning data set storage unit 221 and a second learning data as a learning data set storage unit. It is the same as the machine learning device 20 according to the first embodiment except that the set storage unit 222 is included and the learning unit includes the first learning unit 231 and the second learning unit 232. Further, in connection with this, the plurality of data acquired by the learning data set acquisition unit 21 may also be different from those of the first embodiment.
  • the plurality of data acquired by the learning data set acquisition unit 21 according to the present embodiment can be acquired from the computer PC 1 or the like, and the plurality of data are used as image data of the separation liquid SL and control parameters.
  • the feature amount of the image data of the separation solution SL (hereinafter, also referred to as “feature amount of the separation solution SL”) may be included.
  • various information specified based on the imaged separation liquid SL can be adopted. Specifically, for example, the solid content concentration of the separation liquid SL, the color value, the average particle size of the particles contained in the separation liquid SL, the distribution of the particles, the degree of foaming, and the like can be included one or more. This feature amount can be specified by actually sampling the separation liquid SL and measuring / analyzing it using various measuring instruments or the like, or by visually determining by the operator EN.
  • the separation liquid monitoring system 40A adopts a configuration capable of sampling and extracting the separation liquid SL.
  • the separation liquid monitoring system 40A includes a branch pipe 44 provided at an appropriate position in the separation liquid discharge conduit 8, a valve 45 provided in the branch pipe 44, and a branch pipe.
  • a transparent container 46 arranged at the end of the 44 and a separation liquid imaging camera 43 installed on the side surface of the transparent container 46 can be adopted.
  • the arrangement of the separation liquid imaging camera 43 is not limited to this, and for example, the container 46 may be installed at a position where imaging can be performed from above.
  • the separation liquid monitoring system 40A including such a configuration, by opening the valve 45 at an arbitrary timing, the separation liquid SL flowing in the separation liquid discharge conduit 8 is sampled and extracted into the transparent container 46. Then, the separation liquid SL in the container 46 is imaged by the separation liquid imaging camera 43 to generate image data of the separation liquid SL, and the corresponding desired control parameter is specified by the operator EN or the like. Furthermore, the characteristic amount of the separated liquid SL can be specified by measuring and analyzing the separated liquid SL sampled in the container 46. As a matter of course, also in this embodiment, the separation liquid monitoring system 40 described in the above-described first embodiment can be adopted as an alternative.
  • the plurality of data acquired in the learning data set acquisition unit 21 are the first learning data set storage unit 221 and the second learning data set as two learning data sets while considering their respective correspondences. It may be stored separately in the storage unit 222.
  • the first learning data set stored in the first learning data set storage unit 221 inputs the image data of the separation liquid SL obtained by imaging the separation liquid discharged from the bowl 2 from a predetermined angle. It may be included as data and may include the feature amount of the separation liquid SL associated with the first input data as the first output data.
  • the second learning data set stored in the second learning data set storage unit 222 includes the feature amount of the separation liquid SL as the second input data and is associated with the second input data.
  • the control parameter may be included as the second output data.
  • the image data of the separation liquid SL associated with the same separation liquid SL, the feature amount of the separation liquid SL, and the control parameters are used.
  • the image data of the separation liquid SL and the feature amount of the separation liquid SL are divided into a set of the feature amount of the separation liquid SL and the control parameter, and each is divided into one first and second learning data sets. And it is sufficient.
  • the first and second learning data sets after the division are referred to in different learning units described later, they are not stored in a format that maintains the relationship. You can do it.
  • the first and second learning data sets stored in the first learning data set storage unit 221 and the second learning data set storage unit 222, respectively, are referred only to different learning units. It may be there.
  • the first learning unit 231 learns a learning model that infers the correlation between the first input data and the first output data by inputting a plurality of sets of the first learning data sets. good.
  • the first learning unit 231 inputs the image data of the separation liquid SL in the first learning data set, so that the feature amount of the separation liquid SL in the image data, that is, the feature of the image data It may be the one that learns the first learning model that infers the quantity.
  • the second learning unit 232 learns a learning model that infers the correlation between the second input data and the second output data by inputting a plurality of sets of the second learning data sets. It may be there. In other words, the second learning unit 232 may learn the second learning model for inferring the control parameter by inputting the feature amount of the image data in the second learning data set. ..
  • the specific machine learning methods in the first and second learning units 231 and 232 are the same as the supervised learning process shown in FIG. 6, although the learning data set used for learning is different. be able to. Then, the first and second trained models obtained through a series of machine learning steps may be stored in the trained model storage unit 24, respectively.
  • FIG. 10 is a schematic block diagram showing a data processing system 80A according to the second embodiment of the present disclosure.
  • the data processing system 80A according to the present embodiment has the above-mentioned first inference unit except that the inference unit 83 includes the first inference unit 871 and the second inference unit 872. It may include the same components as the data processing system 80 according to the first embodiment.
  • the first inference unit 871 may execute inference using the first trained model generated by the machine learning device 20A described above and stored in the trained model storage unit 88. Therefore, when the image data of the separation liquid SL acquired by the first image data acquisition unit 81 is input, the first inference unit 871 can output the feature amount of the image data to the output layer. .. Further, the second inference unit 872 may execute inference using the second trained model generated by the machine learning device 20A described above and stored in the trained model storage unit 88. Therefore, the second inference unit 872 can output the control parameter to the output layer when the feature amount of the image data inferred by the first inference unit 871 is input.
  • the same processing as that shown in FIG. 8 may be performed. ..
  • the control parameter in step S24 when inferring the control parameter in step S24, first, the image data of the separation liquid SL is input to the first inference unit 871, and the feature amount of the output image data is the second. It will be input to the inference unit 872 of.
  • the feature amount of the image data having a large degree of correlation with the image data of the separation liquid SL is inferred as compared with the control parameters.
  • the control parameters are inferred using the feature amount of the image data that has a larger degree of correlation with the control parameters than the image data of the separation liquid SL, and each trained model that can be inferred with sufficient accuracy is prepared. It can be expected that the number of training data sets required for generation will be relatively reduced.
  • ⁇ Third embodiment> In the machine learning device and the machine learning method according to the first and second embodiments, the one in which only the image data of the separation liquid SL is adopted as the input data of the learning data set has been described. However, if only the image data of the separation liquid SL is used as the input data, the number of training data sets required to generate a trained model capable of inferring with sufficient accuracy tends to increase. Therefore, as one aspect for generating a trained model capable of inferring with sufficient accuracy with a smaller number of training data sets, the input data of the training data set shown in the first embodiment described above is used. The case where the number is increased will be described below as a third embodiment of the present disclosure.
  • the components of the machine learning device 20B and the data processing system 80B according to the third embodiment shown below the components of the machine learning device 20 and the data processing system 80 according to the first embodiment.
  • the same reference numerals are given to those common to the above, and the description thereof will be omitted.
  • the machine learning device, the machine learning method, and the data processing system according to the third embodiment shown below are the same as those according to the first and second embodiments, and the centrifuge shown in FIGS. 1 and 2.
  • the explanation is given by taking the case of applying to a separation system as an example. Further, all the modifications described in the above-mentioned or later embodiments can be applied to the present embodiment as long as there is no contradiction.
  • FIG. 11 is a schematic block diagram of the machine learning device 20B according to the third embodiment of the present disclosure.
  • the machine learning device 20B according to the present embodiment includes a third learning data set storage unit 223 as a learning data set storage unit for each component, and a third learning unit as a learning unit. It may be the same as the machine learning apparatus 20 according to the first embodiment described above except that the learning unit 233 is included. Further, the plurality of data acquired by the learning data set acquisition unit 21 may also be different from those according to the first embodiment.
  • the learning data set acquisition unit 21 according to the present embodiment may be connected to the computer PC1 and can acquire desired data from the computer PC1.
  • the computer PC 1 is connected to the control unit 30 and the separation liquid monitoring system 40 like the computer PC 1 according to the first embodiment, but in addition to these, the dehydrated solid matter monitoring system 50 and the object to be processed. It may be connected to the liquid monitoring system 60 and the screw conveyor torque monitoring system 70.
  • the dehydrated solids monitoring system 50 is provided, for example, in the solids discharge conduit 7, and the dehydrated solids (also referred to as “dehydrated cake”) M passing through the solids discharge conduit 7.
  • the dehydrated solids monitoring system 50 can measure or estimate the water content of the dehydrated solids M passing through the solids discharge conduit 7.
  • Various methods can be adopted as a method for measuring or estimating the water content of the dehydrated solid M, but in the present embodiment, a well-known water content meter using microwaves or the like is used to solidify the dehydrated solid.
  • a method of directly measuring the water content of the dehydrated solid M passing through the material discharge conduit 7 is adopted.
  • the solid matter discharge conduit 7 is illustrated as the installation position of the dehydrated solid matter monitoring system 50, but instead of this, for example, the main transport path 7a may be used.
  • the liquid to be monitored system 60 is arranged, for example, in the liquid pipe 10b to be treated, and monitors the slurry concentration of the liquid to be treated PL1 supplied from the liquid supply source 10 to be treated. It may be there.
  • a specific method for monitoring the slurry concentration for example, a well-known laser-type, optical-type, or ultrasonic-type concentration sensor may be used to directly detect the concentration value of the liquid to be treated.
  • the liquid to be treated monitoring system 60 is provided at a position where it merges with the liquid to be treated pipe 10b, particularly the additive pipe 11c. Instead of this, for example, the liquid to be treated monitoring system 60 is used.
  • the liquid pipe 10b to be treated may be provided at a position before merging with the additive pipe 11c, in the liquid supply pipe 9, or in the space 3c. Further, it is also possible to measure the slurry concentration not with the liquid to be treated PL1 before the chemical is added, but with the floc-containing liquid to be treated PL2 after the chemical is added to the liquid PL1 to be treated.
  • the screw conveyor torque monitoring system 70 can be attached to, for example, the rotating shaft of the screw conveyor 3, and by detecting the reaction force acting on the screw conveyor 3, the screw conveyor 3 can be attached to the screw conveyor 3. The torque value can be monitored.
  • Various data acquired by these four monitoring systems 40, 50, 60 and 70 specifically, image data of the separation liquid SL, the water content of the dehydrated solid M, the liquid to be treated PL1 (or the liquid to be treated PL2 containing flocs).
  • the slurry concentration and the torque value of the screw conveyor 3 can be sent to the computer PC 1 directly or via the control unit 30. Then, it can be sent from the computer PC 1 to the learning data set acquisition unit 21 together with the corresponding desired control parameters.
  • the plurality of data constituting the learning data set acquired by the learning data set acquisition unit 21 are the image data of the separation liquid SL, the water content of the dehydrated solid M, the slurry concentration of the liquid to be treated PL1, and the torque of the screw conveyor 3.
  • the third training data set storage unit 223 Stored in the third training data set storage unit 223 in the form of a third training data set in which the value is the third input data and the control parameter associated with these data is the third output data. May be done. Then, in the third learning unit 233, machine learning is performed by the same method as the machine learning method of the first embodiment described above using the third learning data set, and the obtained third learning unit is obtained.
  • the trained model may be stored in the trained model storage unit 24.
  • the water content of the dehydrated solid M, the slurry concentration of the liquid to be treated PL1, and the torque value of the screw conveyor 3 are data of one value.
  • the image data of the separation liquid SL is the brightness and / or the color value of all the pixels constituting the image data, the total number of data differs greatly. Therefore, if these input data are directly associated with the input layer, the obtained inference result will be relatively greatly affected by the image data of the separation liquid SL. Therefore, in the present embodiment, the number of data is adjusted before the third input data is associated with the input layer so that the degree of influence of the input data other than the image data of the separation liquid SL does not become too small. It is particularly preferable to perform data preprocessing. Further, the preprocessing can be similarly performed at the time of inference by storing it in the trained model storage unit 24 together with the neural network model obtained as a part of the trained model.
  • FIG. 12 is a schematic block diagram showing a data processing system 80B according to a third embodiment of the present disclosure.
  • the data processing system 80B according to the present embodiment has the first embodiment described above except that the inference unit includes the third inference unit 873 and the additional variable acquisition unit 89. It may include the same components as the data processing system 80 according to the form.
  • the additional variable acquisition unit 89 is connected to the dehydrated solids monitoring system 50, the liquid to be treated monitoring system 60, and the screw conveyor torque monitoring system 70, and the water content of the dehydrated solids M is contained from these monitoring systems.
  • the rate, the slurry concentration of the liquid to be treated PL1, and the torque value of the screw conveyor 3 may be acquired.
  • the water content of the dehydrated solid M acquired by the additional variable acquisition unit 89, the slurry concentration of the liquid to be treated PL1 and the torque value of the screw conveyor 3 are acquired by the first image data acquisition unit 81 from the separation liquid monitoring system 40. It is preferable that the image data is acquired at the same time as the imaging of the image data.
  • the same processing as that shown in FIG. 8 described above may be performed.
  • the additional variable acquisition unit 89 has the water content of the dehydrated solid M, the slurry concentration of the liquid to be treated PL1, and the torque value of the screw conveyor 3. To get. Then, these three values are associated with the input layer of the trained model in the third inference unit 873 together with the image data of the separation liquid SL.
  • the computer PC 1 in addition to the control unit 30 and the separation liquid monitoring system 40, the computer PC 1 includes a dehydrated solid matter monitoring system 50, a liquid to be processed monitoring system 60, and a screw conveyor torque.
  • a dehydrated solid matter monitoring system 50 a liquid to be processed monitoring system 60
  • a screw conveyor torque an example is illustrated in which three values are connected to the monitoring system 70 and the three values obtained from these are used as input data of a training data set together with image data, but the present disclosure is limited to this. Not done.
  • at least one of the values acquired by the dehydrated solid matter monitoring system 50, the liquid to be processed monitoring system 60, and the screw conveyor torque monitoring system 70 can be used as input data of the learning data set. Just do it. The same applies to the number of information acquired by the additional variable acquisition unit 89.
  • the machine learning device, the machine learning method, and the data processing system according to the present embodiment in addition to the image data of the separation liquid SL, the water content of the dehydrated solid M and the liquid to be treated PL1 are used as input data.
  • the slurry concentration and the torque value of the screw conveyor 3 it becomes easy to identify the correlation between the input data and the output data in the learning stage of the neural network model. This can be expected to reduce the number of training data sets required to generate each trained model that can be reasoned with sufficient accuracy.
  • the number of training data sets required to generate a trained model capable of inferring with sufficient accuracy is determined by the first embodiment. It is an example showing an embodiment that can be less than the number in the thing. And both embodiments can be combined. Therefore, the case where the technical ideas shown in the second embodiment and the third embodiment described above are combined will be described below as the fourth embodiment of the present disclosure.
  • the machine learning devices 20, 20A and 20B according to the first to third embodiments are the same reference numerals are given to those common to the respective components of the data processing systems 80, 80A and 80B, and the description thereof will be omitted.
  • the machine learning device, the machine learning method, and the data processing system according to the third embodiment shown below are the same as those according to the first to third embodiments, and the centrifuge shown in FIGS. 1 and 2. The explanation is given by taking the case of applying to a separation system as an example. Further, all the modifications described in the above-mentioned or later embodiments can be applied to the present embodiment as long as there is no contradiction.
  • FIG. 13 is a schematic block diagram of the machine learning device 20C according to the fourth embodiment of the present disclosure.
  • the machine learning device 20C according to the present embodiment has, as its components, a first learning data set storage unit 221 and a fourth learning data set as a learning data set storage unit. It may be the same as the machine learning device 20 according to the first embodiment except that the storage unit 224 is included and the learning unit includes the first learning unit 231 and the fourth learning unit 234. Further, in connection with this, the plurality of data acquired by the learning data set acquisition unit 21 may also be different from the first embodiment.
  • the learning data set acquisition unit 21 may be connected to the computer PC1 and can acquire desired data from the computer PC1.
  • the computer PC 1 is connected to the control unit 30 and the separation liquid monitoring system 40A as in the computer PC 1 according to the second embodiment, but in addition to these, the dehydrated solids monitoring system 50 and the liquid to be treated It may also be connected to at least one of the monitoring system 60 and the screw conveyor torque monitoring system 70.
  • the specific configurations of the control unit 30, the separated liquid monitoring system 40A, the dehydrated solid matter monitoring system 50, the processed liquid monitoring system 60, and the screw conveyor torque monitoring system 70 connected to the computer PC 1 are the other implementations already described above. It may be the same as that exemplified in the form of.
  • the plurality of data acquired by the learning data set acquisition unit 21 in the present embodiment include the image data of the separation liquid SL and the control parameters, as well as the water content of the dehydrated solid M and the liquid to be treated PL1. (Or at least one of the slurry concentration of the floc-containing liquid to be treated PL2) and the torque value of the screw conveyor 3 and the characteristic amount of the separation liquid SL can be included.
  • the computer PC 1 is connected to all of the dehydrated solid matter monitoring system 50, the liquid to be processed monitoring system 60, and the screw conveyor torque monitoring system 70 for learning. It is exemplified that the plurality of data acquired by the data set acquisition unit 21 include all of the water content of the dehydrated solid M, the slurry concentration of the liquid to be treated PL1, and the torque value of the screw conveyor 3.
  • the plurality of data acquired in the learning data set acquisition unit 21 are the first learning data set storage unit 221 and the fourth learning data set as two learning data sets while considering their respective correspondences. It may be stored separately in the storage unit 224.
  • the first learning data set stored in the first learning data set storage unit 221 inputs the image data of the separation liquid SL obtained by imaging the separation liquid discharged from the bowl 2 from a predetermined angle. It may be included as data and may include the feature amount of the separation liquid SL associated with the first input data as the first output data.
  • the fourth learning data set stored in the fourth learning data set storage unit 224 includes the feature amount of the separation liquid SL, the water content of the dehydrated solid M, and the slurry concentration of the liquid to be treated PL1.
  • the torque value of the screw conveyor 3 may be included as the fourth input data, and the control parameter associated with the fourth input data may be included as the fourth output data.
  • the slurry concentration of the liquid PL1, the torque value of the screw conveyor 3, the characteristic amount and control parameters of the separation liquid SL, the set of the image data of the separation liquid SL and the characteristic amount of the separation liquid SL, and the water content of the dehydrated solid M It may be divided into a set of the slurry concentration of the liquid to be treated PL1, the torque value of the screw conveyor 3, the characteristic amount of the separation liquid SL, and the control parameters, and each of them may be used as one first and fourth learning data set. ..
  • the first and fourth learning data sets stored in the first learning data set storage unit 221 and the fourth learning data set storage unit 224, respectively, are referred only to different learning units. It may be there.
  • the first learning unit 231 learns a learning model for inferring the correlation between the first input data and the first output data by inputting a plurality of sets of the first learning data sets. good. In other words, the first learning unit 231 learns the first learning model for inferring the feature amount of the image data by inputting the image data of the separation liquid SL in the first learning data set. It may be a thing.
  • the fourth learning unit 234 learns a learning model that infers the correlation between the fourth input data and the fourth output data by inputting a plurality of sets of the fourth learning data sets.
  • the fourth learning unit 234 has the feature amount of the image data in the fourth learning data set, the water content of the dehydrated solid M, the slurry concentration of the liquid to be treated PL1, and the screw conveyor 3. By inputting the torque value, the fourth learning model for inferring the control parameter may be learned.
  • the specific machine learning methods in the first and fourth learning units 231 and 234 are the same as the supervised learning process shown in FIG. 6, although the learning data set used for learning is different. You can do it. Then, the first and fourth trained models obtained through a series of machine learning steps can be stored in the trained model storage unit 24, respectively.
  • FIG. 14 is a schematic block diagram showing a data processing system 80C according to a fourth embodiment of the present disclosure.
  • the data processing system 80C according to the present embodiment includes a first inference unit 871 and a fourth inference unit 874 as inference units in the arithmetic unit 83, and is an additional variable acquisition unit.
  • the point including 89 it may include the same components as the data processing system 80 according to the first embodiment described above.
  • the additional variable acquisition unit 89 can be connected to the dehydrated solid matter monitoring system 50, the liquid to be treated monitoring system 60, and the screw conveyor torque monitoring system 70, and the water content of the dehydrated solid matter M is contained from these monitoring systems.
  • the rate, the slurry concentration of the liquid to be treated PL1, and the torque value of the screw conveyor 3 may be acquired.
  • the first inference unit 871 may execute inference using the first trained model generated by the machine learning device 20C described above and stored in the trained model storage unit 88. Therefore, when the image data of the separation liquid SL acquired by the first image data acquisition unit 81 is input, the first inference unit 871 can output the feature amount of the image data to the output layer. ..
  • the fourth inference unit 874 may execute inference using the fourth trained model generated by the machine learning device 20C described above and stored in the trained model storage unit 88. Therefore, the fourth inference unit 874 has the feature amount of the image data inferred by the first inference unit 871, the water content of the dehydrated solid M, the slurry concentration of the liquid to be treated PL1, and the screw conveyor 3. When the torque value is input, the control parameters can be output to the output layer.
  • the control parameters are adjusted in the decanter 1 to which the data processing system 80C including the additional variable acquisition unit 89 described above and the first and fourth inference units 871 and 874 are applied, the control parameters are adjusted as shown in FIG.
  • the same processing may be performed.
  • the additional variable acquisition unit 89 has the water content of the dehydrated solid M, the slurry concentration of the liquid to be treated PL1, and the torque value of the screw conveyor 3. Further includes the step of acquiring.
  • step S24 when inferring the control parameters in step S24, first, the image data of the separation liquid SL is input to the first inference unit 871, and the feature amount of the output image data is acquired by the additional variable acquisition unit 89. It is input to the fourth inference unit 874 together with the value.
  • the training data set required to generate each trained model capable of inferring with sufficient accuracy. It can be expected that the number will be further suppressed as compared with the second and third embodiments described above.
  • the image data included in the input data in the first to fourth embodiments described above is only the image data of the separation liquid SL.
  • the image data that can be adopted as the input data exists in addition to the image data of the separation liquid SL. Therefore, as the fifth embodiment, the image data included in the input data including the image data of the dehydrated solid M in addition to the image data of the separation liquid SL will be described below.
  • the machine learning devices 20, 20A to 20C, and the machine learning devices 20, 20A to 20C according to the first to fourth embodiments are the components of the machine learning device 120 and the data processing system 180 according to the fifth embodiment shown below.
  • FIG. 15 is a schematic block diagram of the machine learning device 120 according to the fifth embodiment of the present disclosure. As shown in FIG. 15, the machine learning device 120 according to the present embodiment has learned the learning data set acquisition unit 121, the fifth learning data set storage unit 225, and the fifth learning unit 235. It may include a model storage unit 124.
  • the learning data set acquisition unit 121 is the same as the learning data set acquisition unit 21 shown in the first embodiment, and a plurality of learning data sets constituting the learning data set via a wired or wireless communication line. It may be an interface unit that acquires the data of.
  • the learning data set acquisition unit 121 as a plurality of data, the first image data in which the separation liquid SL is imaged, the second image data in which the dehydrated solid M is imaged, and these image data are associated with each other. You can get the control parameters. Further, as the control parameters according to the present embodiment, those including the supply amount of the chemicals added to the liquid to be treated PL1, the centrifugal force of the bowl 2, and the differential speed controlled by the differential speed generator 5 are exemplified.
  • the learning data set acquisition unit 121 can acquire desired data from the computer PC1 by being connected to the computer PC1.
  • the computer PC 1 is directly or indirectly connected to the dehydrated solid matter monitoring system 50 installed in the solid matter discharge conduit 7 either directly or via the control unit 30. It is good. Thereby, each control parameter can be acquired from the control unit 30, the first image data can be acquired from the separation liquid monitoring system 40, and the second image data can be acquired from the dehydrated solid matter monitoring system 50.
  • the dehydrated solid matter monitoring system 50 is installed in the window 52 provided at an arbitrary position of the solid matter discharge conduit 7 and in the window 52 at a predetermined angle of view. It is possible to adopt a camera including a dehydrated solid image capturing camera 53 capable of capturing image data of the dehydrated solid M passing through the solid substance discharge conduit 7. Of these, a well-known camera capable of capturing a two-dimensional image can be adopted as the dehydrated solid matter imaging camera 53. Further, in the dehydrated solids monitoring system 50, the dehydrated solids M passes through the solids discharge conduit 7 so that the image data captured by the dehydrated solids imaging camera 53 can easily reflect the state of the surface of the dehydrated solids M.
  • a light source (not shown) that illuminates the dehydrated solid matter M and a polarizing filter (not shown) that can be attached to the dehydrated solid matter imaging camera 53 can be appropriately adopted.
  • the solid matter discharge conduit 7 extends substantially vertically, and the dehydrated solid matter M exemplifies a solid matter passing through the solid matter discharge conduit 7 so as to fall naturally.
  • the installation angle of the discharge conduit 7 and the like can be changed as appropriate.
  • the dehydrated solids monitoring system 5 is installed in the solids discharge conduit 7 has been described, but this dehydrated solids monitoring system 5 is a dehydrated solids such as a main transport path 7a and a solids chute 6a. It can be installed at any position through which the object M passes.
  • the configuration of the dehydrated solids monitoring system 50 is not limited to this, and various configurations can be adopted as long as the image data of the dehydrated solids M can be acquired.
  • a configuration such as the dehydrated solid matter monitoring system 50A shown in FIG. 19 described later may be adopted.
  • FIG. 16 shows an example of image data obtained by the dehydrated solids imaging camera 53 of the dehydrated solids monitoring system 50 according to the fifth embodiment of the present disclosure.
  • the image data having a relatively high water content of the dehydrated solid M (for example, the one shown in FIG. 16B) has a color tint between pixels as compared with the image data having a relatively low water content (for example, the one shown in FIG. 16A). It can be inferred that the amount of change in is likely to increase.
  • the fifth learning data set storage unit 225 associates a plurality of data constituting the learning data set acquired by the learning data set acquisition unit 121 with related input data and output data to form one learning data. It may be a database for storing as a set.
  • the fifth learning data set stored in the fifth learning data set storage unit 225 in the present embodiment the first learning data set in which the separation liquid SL discharged from the bowl 2 is imaged from a predetermined angle is captured.
  • the image data and the second image data obtained by capturing the dehydrated solid matter M discharged from the solid matter discharge port 2a from a predetermined angle are set as the fifth input data, and are associated with the image data as the fifth input data.
  • the given control parameter can be used as the fifth output data.
  • the control parameters may include at least one of the centrifugal force of the bowl 2, the supply of the drug from the additive source 11, and the differential speed between the bowl 2 and the screw conveyor 3.
  • the fifth learning unit 235 can input the fifth input data and the fifth output data by inputting a plurality of sets of the fifth learning data set stored in the fifth learning data set storage unit 225. It may be one that learns a learning model that infers the correlation between them. Also in this embodiment, as in the first embodiment described above, supervised learning using a neural network is adopted as a specific method of machine learning. The specific machine learning method in the fifth learning unit 235 is the same as the machine learning method according to the first embodiment shown in FIG. 6, although the learning data set used for learning is different. You can do it. Further, the trained model storage unit 124 may be a database for storing the trained model generated by the fifth learning unit 235.
  • FIG. 17 is a schematic block diagram showing a data processing system 180 according to the fifth embodiment of the present disclosure.
  • the data processing system 180 mainly includes a first image data acquisition unit 81, a second image data acquisition unit 181, a parameter adjustment unit 82, and an arithmetic unit 183. And may include a database (DB) 84, a user interface 85, and an internal bus 86 for interconnecting them.
  • DB database
  • the first image data acquisition unit 81, the parameter adjustment unit 82, the database 84, the user interface 85, and the internal bus 86 are the data processing system 80 according to the first embodiment described above. The same thing as the one can be adopted. Therefore, these components are designated by the same reference numerals as those of the first embodiment, and the description thereof will be omitted.
  • the second image data acquisition unit 181 may be for acquiring the second image data. Specifically, it may be connected to the dehydrated solids monitoring system 50 and acquire the second image data which is the image data of the dehydrated solids M imaged by the dehydrated solids imaging camera 53.
  • the arithmetic unit 183 may constitute a processor for realizing various processes in the data processing system 180, and may include at least a fifth inference unit 875. Further, the arithmetic unit 183 is connected to a trained model storage unit 188 that stores a trained model used in the fifth inference unit 875, that is, a fifth trained model learned in the fifth learning unit 235. ing.
  • the fifth inference unit 875 is the second as a state variable acquired by the first and second image data acquisition units 81 and 181 by taking into consideration one trained model stored in the trained model storage unit 188.
  • the control parameters to be adjusted by the parameter adjustment unit 82 may be inferred from the first and second image data.
  • FIG. 18 is a flowchart showing an example of parameter adjustment by the data processing system according to the fifth embodiment of the present disclosure.
  • the data processing system 180 first determines whether or not it is the timing of parameter adjustment (step S21).
  • the separation liquid imaging camera 43 in the separation liquid monitoring system 40 and the dehydrated solids imaging camera 53 in the dehydrated solids monitoring system 50 are operated.
  • the separation liquid SL flowing in the separation liquid discharge conduit 8 and the dehydrated solid matter M passing through the solid matter discharge conduit 7 are imaged (step S221).
  • the first and second image data captured here are acquired in the data processing system 180 by the first and second image data acquisition units 81 and 181 (step S231).
  • the first and second image data acquired by the first and second image data acquisition units 81 and 181 are sent to the fifth inference unit 875 via the internal bus 86, and these image data are sent to the fifth inference unit 875.
  • the control parameter is inferred by being input to the input layer of one trained model in the trained model storage unit 188 previously specified in the inference unit 875 of the fifth (step S24).
  • the parameter adjustment unit 82 adjusts each control unit using the value of the control parameter inferred here (step S25). After that, the process returns to step S21 to enter the standby state.
  • the input data can be compared with the case of only one image data. It is expected that the correlation with the output data will be easy to learn, and it will be possible to generate each trained model that can be inferred with sufficient accuracy with a relatively small number of training data sets.
  • the preferable control parameter of the decanter 1 can be estimated from only two image data, that is, the image data of the separation liquid SL and the image data of the dehydrated solid M. The data processing system 180 can be applied to the decanter 1 relatively easily. Then, the adjustment of the control parameter can be easily performed without depending on the judgment of the operator EN.
  • the machine learning device, the machine learning method, and the data processing system according to the fifth embodiment the one inferring the control parameters from the first and second image data using one trained model will be described. rice field.
  • the sixth embodiment of the present disclosure is a case where a plurality of trained models are used to infer control parameters from the first and second image data. The form of the above will be described below.
  • each component of the machine learning device 120 and the data processing system 180 according to the fifth embodiment are given to those common to the above, and the description thereof will be omitted.
  • machine learning device the machine learning method, and the data processing system according to the sixth embodiment shown below are the same as those according to the first to fifth embodiments, and the centrifuge shown in FIGS. 1 and 2.
  • the explanation is given by taking the case of applying to a separation system as an example.
  • all the modifications described in each of the above-mentioned or later embodiments can be applied to the present embodiment as long as there is no contradiction.
  • FIG. 19 is a schematic block diagram of the machine learning device 120A according to the sixth embodiment of the present disclosure.
  • the machine learning device 120A according to the present embodiment has, as its components, a first learning data set storage unit 221 and a sixth learning data as a learning data set storage unit.
  • a fifth except that it includes a set storage unit 226 and a seventh learning data set storage unit 227, and includes a first learning unit 231 and a sixth learning unit 236 and a seventh learning unit 237 as learning units. It may be the same as the machine learning device 120 according to the embodiment. Further, in connection with this, the plurality of data acquired by the learning data set acquisition unit 121 may also be different from those of the fifth embodiment.
  • the first learning data set storage unit 221 and the first learning unit 231 can be the same as those described in the machine learning device 20A according to the second embodiment described above. The same reference numerals as those of the second embodiment will be added and the description thereof will be omitted.
  • the plurality of data acquired by the learning data set acquisition unit 121 includes the first and second image data, the control parameters, the feature amount of the separation liquid SL, and the dehydrated solid matter. It may include the feature amount of the second image data obtained by imaging M (hereinafter, also referred to as “feature amount of dehydrated solid M”).
  • feature amount of dehydrated solid M various information specified based on the imaged dehydrated solid M can be adopted. Specifically, for example, one or a plurality of water content, color value, density and the like of the dehydrated solid M can be included. This feature amount can be specified, for example, by actually sampling the dehydrated solid M and measuring and analyzing it using various measuring instruments or the like, or by visually determining by the operator EN.
  • the dehydrated solids monitoring system 50A adopts a configuration in which the dehydrated solids M can be sampled and extracted and then the second image data can be acquired. It is preferable to do so.
  • the dehydrated solids monitoring system 50A has a tray 54 having a predetermined depth in which the dehydrated solids M can be filled, and the tray 54 can be placed inside. It can include a photographing box 55 having a light source inside, and a camera 53 for capturing a dehydrated solid that can image the surface of the dehydrated solid M filled in the tray 54 from a predetermined angle of view.
  • the dehydrated solid M filled in the tray 54 is extracted at a predetermined timing using a sampling unit (not shown) provided at an appropriate position in the dehydrated solid M transport path such as the solid discharge conduit 7 or the main transport path 7a. It may be the one that was done. Then, the second image data can be generated by imaging the dehydrated solid M extracted in the tray 54 with the dehydrated solid imaging camera 53, and the desired control parameter corresponding to this image data is specified by the operator EN. Can be done. Further, by measuring and analyzing the dehydrated solid M sampled in the tray 54, the characteristic amount of the dehydrated solid M can be specified.
  • the plurality of data acquired in the learning data set acquisition unit 121 are the first learning data set storage unit 221 and the sixth learning data set as three learning data sets while considering their respective correspondences. It may be stored separately in the storage unit 226 and the seventh learning data set storage unit 227.
  • the first learning data set stored in the first learning data set storage unit 221 receives the first image data obtained by capturing the separation liquid SL discharged from the bowl 2 from a predetermined angle as the first input. It may be included as data and may include the feature amount of the separation liquid SL associated with the first input data as the first output data.
  • the sixth learning data set stored in the sixth learning data set storage unit 226 captures the second image data obtained by capturing the dehydrated solid M discharged from the bowl 2 from a predetermined angle.
  • the seventh learning data set stored in the seventh learning data set storage unit 227 includes the feature amount of the separation liquid SL and the feature amount of the dehydrated solid M as the seventh input data, and is the seventh.
  • the control parameter associated with the input data of 7 may be included as the 7th output data.
  • the first learning unit 231 learns a learning model that infers the correlation between the first input data and the first output data by inputting a plurality of sets of the first learning data sets. good. In other words, the first learning unit 231 learns the first learning model that infers the feature amount of the first image data by inputting the first image data in the first learning data set. It may be something to do.
  • the sixth learning unit 236 learns a learning model for inferring the correlation between the sixth input data and the sixth output data by inputting a plurality of sets of the sixth learning data sets. It may be there. In other words, the sixth learning unit 236 learns a sixth learning model that infers the feature amount of the second image data by inputting the second image data in the sixth learning data set. It may be something to do. Further, the seventh learning unit 237 learns a learning model for inferring the correlation between the seventh input data and the seventh output data by inputting a plurality of sets of the seventh learning data sets. It may be there. In other words, the seventh learning unit 237 learns the seventh learning model that infers the control parameters by inputting the features of the first and second image data in the seventh learning data set. It may be something to do.
  • the process is different from the supervised learning process shown in FIG. Both may be the same. Then, the first, sixth, and seventh trained models obtained through a series of machine learning steps can be stored in the trained model storage unit 124, respectively.
  • FIG. 20 is a schematic block diagram showing a data processing system 180A according to the sixth embodiment of the present disclosure.
  • the data processing system 180A according to the present embodiment includes a first inference unit 871, a sixth inference unit 876, and a seventh inference unit 877 as inference units in the arithmetic unit 183.
  • it may include the same components as the data processing system 180 according to the fifth embodiment described above.
  • the first inference unit 871 may execute inference using the first trained model generated by the machine learning device 120A described above and stored in the trained model storage unit 188. Therefore, when the first image data acquired by the first image data acquisition unit 81 is input, the first inference unit 871 can output the feature amount of the first image data to the output layer. can. Further, the sixth inference unit 876 may execute inference using the sixth trained model generated by the machine learning device 120A described above and stored in the trained model storage unit 188. Therefore, when the second image data acquired by the second image data acquisition unit 181 is input, the sixth inference unit 876 can output the feature amount of the second image data to the output layer. can.
  • the seventh inference unit 877 may execute inference using the seventh inference model generated by the machine learning device 120A described above and stored in the trained model storage unit 188. Therefore, the seventh inference unit 877 outputs a control parameter when the feature amounts of the first and second image data inferred by the first inference unit 871 and the sixth inference unit 876 are input. Can be output to.
  • the same as that shown in FIG. 18 described above is used. All you have to do is process it. However, in the process shown in FIG. 18, when the control parameter is inferred in step S24, the first and second image data are first input to the first inference unit 871 and the sixth inference unit 876 and output. The feature quantities of the first and second image data may be input to the seventh inference unit 877.
  • the machine learning device As described above, according to the machine learning device, the machine learning method, and the data processing system according to the present embodiment, by obtaining the inference results of the control parameters using a plurality of trained models, it is possible to infer with sufficient accuracy. It can be expected that the number of training data sets required to generate each possible trained model will be relatively small.
  • machine learning device the machine learning method, and the data processing system according to the seventh embodiment shown below are the same as those according to the first to sixth embodiments, and the centrifuge shown in FIGS. 1 and 2.
  • the explanation is given by taking the case of applying to a separation system as an example.
  • all the modifications described in each of the above-mentioned or later embodiments can be applied to the present embodiment as long as there is no contradiction.
  • FIG. 21 is a schematic block diagram of the machine learning device 120B according to the seventh embodiment of the present disclosure.
  • the machine learning device 120B according to the present embodiment includes an eighth learning data set storage unit 228 as a learning data set storage unit for each component, and an eighth learning data set storage unit 228 as a learning unit. It may be the same as the machine learning device 120 according to the fifth embodiment described above except that the learning unit 238 is included. Further, the plurality of data acquired by the learning data set acquisition unit 121 may also be different from those according to the fifth embodiment. As shown in FIG. 21, the learning data set acquisition unit 121 according to the present embodiment can acquire desired data from the computer PC1 by being connected to the computer PC1.
  • the computer PC 1 is connected to the control unit 30, the separation liquid monitoring system 40, and the dehydrated solid matter monitoring system 50, similarly to the computer PC 1 according to the fifth embodiment.
  • the liquid to be treated It may also be connected to at least one of the monitoring system 60 and the screw conveyor torque monitoring system 70.
  • the computer PC 1 is connected to both the liquid to be processed monitoring system 60 and the screw conveyor torque monitoring system 70, and the plurality of data acquired by the learning data set acquisition unit 121 is to be processed.
  • An example will be given of a liquid PL1 containing both the slurry concentration and the torque value of the screw conveyor 3.
  • the liquid to be processed monitoring system 60 and the screw conveyor torque monitoring system 70 may be the same as those exemplified in the third embodiment described above, and detailed description thereof will be omitted here.
  • the plurality of data constituting the learning data set acquired by the learning data set acquisition unit 121 include the first and second image data, the slurry concentration of the liquid to be treated PL1, and the torque value of the screw conveyor 3.
  • the trained model is stored in the trained model storage unit 124.
  • FIG. 22 is a schematic block diagram showing a data processing system 180B according to the seventh embodiment of the present disclosure.
  • the data processing system 180B according to the present embodiment has the fifth embodiment described above except that the inference unit includes the eighth inference unit 878 and the additional variable acquisition unit 89. It may include the same components as the data processing system 180 according to the form.
  • the additional variable acquisition unit 89 is connected to the liquid to be processed monitoring system 60 and the screw conveyor torque monitoring system 70 as shown in FIG. 22, and from these monitoring systems, the slurry concentration of the liquid to be treated PL1 and the screw conveyor It may be the one that acquires the torque value of 3.
  • the additional variable acquisition unit 89 acquires the slurry concentration of the liquid to be processed PL1 and the torque value of the screw conveyor 3 at the same time as or at a predetermined timing before and after step S231. Then, these values are associated with the input layer of the trained model in the eighth inference unit 878 together with the first and second image data.
  • the machine learning device As described above, according to the machine learning device, the machine learning method, and the data processing system according to the present embodiment, as input data, in addition to the first and second image data, the slurry concentration and screw of the liquid to be treated PL1.
  • the torque value of the conveyor 3 By adopting the torque value of the conveyor 3, it becomes easy to identify the correlation between the input data and the output data in the learning stage of the neural network model. This can be expected to reduce the number of training data sets required to generate each trained model that can be reasoned with sufficient accuracy.
  • FIG. 23 is a schematic block diagram of the machine learning device 120C according to the eighth embodiment of the present disclosure.
  • the machine learning device 120C according to the present embodiment has, as its components, a first learning data set storage unit 221 and a sixth learning data as a learning data set storage unit. No. 1 except that the set storage unit 226 and the ninth learning data set storage unit 229 are included, and the learning units include the first learning unit 231 and the sixth learning unit 236 and the ninth learning unit 239. It may be the same as the machine learning device 120 according to the embodiment of 5. Further, in connection with this, the plurality of data acquired by the learning data set acquisition unit 121 may also be different from the fifth embodiment.
  • the learning data set acquisition unit 121 can acquire desired data from the computer PC1 by being connected to the computer PC1.
  • the computer PC1 is connected to the control unit 30, the separation liquid monitoring system 40A, and the dehydrated solid matter monitoring system 50A, similarly to the computer PC1 according to the fifth embodiment.
  • the liquid to be treated It may also be connected to at least one of the monitoring system 60 and the screw conveyor torque monitoring system 70.
  • the specific configurations of the control unit 30, the separated liquid monitoring system 40A, the dehydrated solids monitoring system 50A, the liquid to be treated monitoring system 60, and the screw conveyor torque monitoring system 70 connected to the computer PC 1 are the other implementations already described above. It may be the same as that exemplified in the form of.
  • the plurality of data acquired by the learning data set acquisition unit 121 in the present embodiment include the first and second image data, the control parameters, and the slurry concentration of the liquid to be treated PL1 and the screw conveyor. At least one of the torque values of 3 may be included, the characteristic amount of the separation liquid SL, and the characteristic amount of the dehydrated solid M.
  • the computer PC1 is connected to both the liquid to be processed monitoring system 60 and the screw conveyor torque monitoring system 70, and the learning data set acquisition unit 121 is connected. Examples of the plurality of data to be acquired include both the slurry concentration of the liquid to be treated PL1 and the torque value of the screw conveyor 3.
  • the plurality of data acquired in the learning data set acquisition unit 121 are the first learning data set storage unit 221 and the sixth learning data set as three learning data sets while considering their respective correspondences. It may be stored separately in the storage unit 226 and the ninth learning data set storage unit 229.
  • the first learning data set stored in the first learning data set storage unit 221 is the image data (first image) of the separation liquid SL obtained by capturing the separation liquid discharged from the bowl 2 from a predetermined angle. Data) may be included as the first input data, and the feature amount of the separation liquid SL associated with the first input data may be included as the first output data.
  • the sixth learning data set stored in the sixth learning data set storage unit 226 is an image data (second) obtained by capturing the dehydrated solid matter M discharged from the solid matter discharge port 2a from a predetermined angle. Image data) may be included as the sixth input data, and the feature amount of the dehydrated solid M associated with the sixth input data may be included as the sixth output data.
  • the ninth learning data set stored in the ninth learning data set storage unit 229 includes the characteristic amount of the separation liquid SL, the characteristic amount of the dehydrated solid M, and the slurry concentration of the liquid to be treated PL1.
  • the torque value of the screw conveyor 3 may be included as the ninth input data, and the control parameter associated with the ninth input data may be included as the ninth output data.
  • the first learning unit 231 learns a learning model that infers the correlation between the first input data and the first output data by inputting a plurality of sets of the first learning data sets. good. In other words, the first learning unit 231 learns the first learning model that infers the feature amount of the first image data by inputting the first image data in the first learning data set. It may be something to do.
  • the sixth learning unit 236 learns a learning model for inferring the correlation between the sixth input data and the sixth output data by inputting a plurality of sets of the sixth learning data sets. It may be there.
  • the sixth learning unit 236 learns a sixth learning model that infers the feature amount of the second image data by inputting the second image data in the sixth learning data set. It may be something to do.
  • the ninth learning unit 239 learns a learning model that infers the correlation between the ninth input data and the ninth output data by inputting a plurality of sets of the ninth learning data sets. It may be there.
  • the ninth learning unit 239 uses the feature amounts of the first and second image data in the ninth learning data set, the slurry concentration of the liquid to be treated PL1, and the torque value of the screw conveyor 3. By inputting, the ninth learning model for inferring the control parameter may be learned.
  • the specific machine learning methods in the first, sixth and ninth learning units 231 and 236 and 239 differ from the supervised learning process shown in FIG. 6, although the learning data set used for learning is different. Both may be the same. Then, the first, sixth, and ninth trained models obtained through a series of machine learning steps can be stored in the trained model storage unit 124, respectively.
  • FIG. 24 is a schematic block diagram showing a data processing system 180C according to the eighth embodiment of the present disclosure.
  • the data processing system 180C according to the present embodiment includes a first inference unit 871, a sixth inference unit 876, and a ninth inference unit 879 as inference units in the arithmetic unit 183. It may include the same components as the data processing system 180 according to the fifth embodiment described above, except that it includes the additional variable acquisition unit 89. Of these, as the additional variable acquisition unit 89, the same one as described in the seventh embodiment can be adopted.
  • the first inference unit 871 may execute inference using the first trained model generated by the machine learning device 120C described above and stored in the trained model storage unit 188. Therefore, when the first image data acquired by the first image data acquisition unit 81 is input, the first inference unit 871 can output the feature amount of the first image data to the output layer. can. Further, the sixth inference unit 876 may execute inference using the sixth trained model generated by the machine learning device 120C described above and stored in the trained model storage unit 188. Therefore, when the second image data acquired by the second image data acquisition unit 181 is input, the sixth inference unit 876 can output the feature amount of the second image data to the output layer. can.
  • the ninth inference unit 879 may execute inference using the ninth trained model generated by the machine learning device 120C described above and stored in the trained model storage unit 188. Therefore, the ninth inference unit 879 includes the feature amount of the first image data inferred by the first inference unit 871 and the feature amount of the second image data inferred by the sixth inference unit 876.
  • the control parameters can be output to the output layer.
  • the first and second image data are input to the first inference unit 871 and the sixth inference unit 876, respectively, and the first and second image data are output.
  • the feature amount of the image data is input to the ninth inference unit 879 together with the two values acquired in the additional variable acquisition unit 89.
  • the training data set required to generate each trained model capable of inferring with sufficient accuracy. It can be expected that the number will be further suppressed as compared with the sixth and seventh embodiments described above.
  • the ninth embodiment as the image data included in the input data, in addition to the image data of the separation liquid SL described as the first embodiment, the image data of the floc-containing liquid to be treated PL2 is included.
  • the image data of the floc-containing liquid to be treated PL2 is included.
  • the components of the machine learning device 320 and the data processing system 380 according to the ninth embodiment shown below each configuration of the machine learning device and the data processing system according to the first to eighth embodiments. Those common to the elements are designated by the same reference numerals and the description thereof will be omitted.
  • the machine learning device, the machine learning method, and the data processing system according to the ninth embodiment shown below are the same as those according to the first to eighth embodiments, and the centrifuge shown in FIGS. 1 and 2.
  • the explanation is given by taking the case of applying to a separation system as an example. Further, all the modifications described in the above-mentioned or later embodiments can be applied to the present embodiment as long as there is no contradiction.
  • FIG. 25 is a schematic block diagram of the machine learning device 320 according to the ninth embodiment of the present disclosure. As shown in FIG. 25, the machine learning device 320 according to the present embodiment has learned the learning data set acquisition unit 321, the tenth learning data set storage unit 2210, and the tenth learning unit 2310. It may include a model storage unit 324.
  • the learning data set acquisition unit 321 is the same as the learning data set acquisition units 21 and 121 described above, and acquires a plurality of data constituting the learning data set via a wired or wireless communication line. It may be an interface unit.
  • the learning data set acquisition unit 321 corresponds to a first image data in which the separation liquid SL is imaged, a third image data in which the floc-containing processed liquid PL2 is imaged, and these image data as a plurality of data.
  • the learning data set acquisition unit 321 is connected to the computer PC1 and can acquire desired data from the computer PC1.
  • the computer PC 1 is directly or indirectly connected to the processing liquid monitoring system 60 installed in the processing liquid piping 10b either directly or via the control unit 30. It is good. Thereby, each control parameter can be acquired from the control unit 30, the first image data can be acquired from the separation liquid monitoring system 40, and the third image data can be acquired from the processed liquid monitoring system 60.
  • the same configuration as the separation liquid monitoring system 40 can be adopted. That is, the sight glass 61 is connected to an arbitrary position downstream of the connection position of the liquid to be treated pipe 10b with at least the additive pipe 11c, and the sight glass 61 is installed at a predetermined angle of view on the window 62 provided in the sight glass 61. It is possible to adopt a camera including a camera 63 for capturing a flock-containing liquid to be processed, which can capture image data of the flock-containing liquid to be treated PL2 flowing in the glass 61.
  • a well-known camera capable of capturing a two-dimensional image can be adopted as the flock-containing liquid to be image-imaging camera 63.
  • the flock-containing subject in the sight glass 61 is easily reflected in the image data captured by the camera 63 for capturing the flock-containing liquid to be treated.
  • a light source (not shown) that illuminates the treatment liquid PL2 and a polarization filter (not shown) that can be attached to the flock-containing liquid to be processed image capturing camera 63 can be appropriately adopted.
  • the configuration of the liquid to be treated monitoring system 60 is not limited to this, and various configurations can be adopted as long as the image data of the liquid to be treated PL2 containing flocs can be acquired.
  • the flock-containing liquid to be imaged camera 63 captures the inside of the space 3c inside the screw conveyor 3.
  • a configuration arranged at a possible position may be adopted, or a configuration such as the liquid to be monitored system 60A shown in FIG. 33, which will be described later, may be adopted.
  • FIG. 26 shows an example of image data obtained by the flock-containing liquid to be image imaging camera 63 of the liquid to be treated monitoring system 60 according to the fifth embodiment of the present disclosure.
  • the tenth training data set storage unit 2210 correlates a plurality of data constituting the training data set acquired by the training data set acquisition unit 321 with related input data and output data, and is one learning data. It may be a database for storing as a set.
  • the first learning data set in which the separation liquid SL discharged from the bowl 2 is imaged from a predetermined angle is taken.
  • the image data and the third image data obtained by capturing the floc-containing liquid to be treated PL2 from a predetermined angle before being supplied to the bowl 2 and after the drug is added are used as the tenth input data.
  • the control parameter associated with the image data as the input data of the ten can be regarded as the tenth output data.
  • the control parameters may include at least one of the centrifugal force of the bowl 2, the supply of the drug from the additive source 11, and the differential speed between the bowl 2 and the screw conveyor 3.
  • the tenth learning unit 2310 can input the tenth input data and the tenth output data by inputting a plurality of sets of the fifth learning data set stored in the tenth learning data set storage unit 2210. It may be one that learns a learning model that infers the correlation between them. Also in this embodiment, as in the first and fifth embodiments described above, supervised learning using a neural network is adopted as a specific method of machine learning.
  • the specific machine learning method in the tenth learning unit 2310 is the same as the machine learning method according to the first embodiment shown in FIG. 6, although the learning data set used for learning is different. You can do it.
  • the trained model storage unit 324 is the same as the trained model storage units 24 and 124 described above, and is a database for storing the trained model generated by the tenth training unit 2310. good.
  • FIG. 27 is a schematic block diagram showing a data processing system 380 according to the ninth embodiment of the present disclosure.
  • the data processing system 380 mainly includes a first image data acquisition unit 81, a third image data acquisition unit 381, a parameter adjustment unit 82, and an arithmetic unit 383. And may include a database (DB) 84, a user interface 85, and an internal bus 86 for interconnecting them.
  • DB database
  • the first image data acquisition unit 81, the parameter adjustment unit 82, the database 84, the user interface 85, and the internal bus 86 are the data according to the first and fifth embodiments described above. It may be the same as that of the processing systems 80 and 180.
  • the third image data acquisition unit 381 may be for acquiring the third image data. Specifically, it is connected to the liquid to be processed monitoring system 60 and acquires the third image data which is the image data of the liquid to be treated PL2 containing flock imaged by the camera 63 for capturing the liquid to be treated containing flock. It may be there.
  • the arithmetic unit 383 may constitute a processor for realizing various processes in the data processing system 380, and may include at least a tenth inference unit 8710. Further, the arithmetic unit 383 is connected to a trained model storage unit 388 that stores a trained model used in the tenth inference unit 8710, that is, a tenth trained model learned in the tenth learning unit 2310. ing.
  • the tenth inference unit 8710 is a state variable acquired by the first and third image data acquisition units 81 and 381 by taking into consideration one trained model stored in the trained model storage unit 388.
  • the control parameters to be adjusted by the parameter adjustment unit 82 may be inferred from the first and third image data.
  • FIG. 28 is a flowchart showing an example of parameter adjustment by the data processing system 380 according to the ninth embodiment of the present disclosure.
  • the data processing system 380 first determines whether or not it is the timing of parameter adjustment (step S21).
  • the separation liquid imaging camera 43 in the separation liquid monitoring system 40 and the flock-containing liquid processing liquid imaging camera 63 in the processing liquid monitoring system 60 Is operated to image the separation liquid SL flowing in the separation liquid discharge conduit 8 and the floc-containing liquid to be treated PL2 flowing in the liquid to be treated pipe 10b (step S222).
  • the first and third image data captured here are acquired in the data processing system 380 by the first and third image data acquisition units 81 and 381 (step S232).
  • the first and third image data acquired by the first and third image data acquisition units 81 and 381 are sent to the tenth inference unit 8710 via the internal bus 86, and these image data are sent to the tenth inference unit 8710.
  • the control parameter is inferred by being input to the input layer of one of the trained models in the trained model storage unit 388 specified in advance in the inference unit 8710 of the ten (step S24).
  • the parameter adjustment unit 82 adjusts each control unit using the value of the control parameter inferred here (step S25). After that, the process returns to step S21 to enter the standby state.
  • the preferable control parameter of the decanter 1 can be estimated from only two image data, that is, the image data of the separation liquid SL and the image data of the floc-containing liquid to be treated PL2. , This data processing system 380 can be applied to the decanter 1 relatively easily. Then, the adjustment of the control parameter can be easily performed without depending on the judgment of the operator EN.
  • ⁇ 10th embodiment> In the machine learning device, the machine learning method, and the data processing system according to the ninth embodiment, the one that infers the control parameters from the first and third image data using one trained model will be described. rice field.
  • a modification of the ninth embodiment a case where a plurality of trained models are used to infer control parameters from the first and third image data will be described in the tenth embodiment of the present disclosure. The form of the above will be described below.
  • each component of the machine learning device 320 and the data processing system 380 according to the ninth embodiment each component of the machine learning device 320 and the data processing system 380 according to the ninth embodiment.
  • FIG. 29 is a schematic block diagram of the machine learning device 320A according to the tenth embodiment of the present disclosure.
  • the machine learning device 320A according to the present embodiment has, as its components, a first learning data set storage unit 221 and an eleventh learning data as a learning data set storage unit. Ninth, except that it includes a set storage unit 2211 and a twelfth learning data set storage unit 2212, and includes a first learning unit 231 and an eleventh learning unit 2311 and a twelfth learning unit 2312 as learning units. It may be the same as the machine learning device 320 according to the embodiment. Further, in connection with this, the plurality of data acquired by the learning data set acquisition unit 321 may also be different from those of the ninth embodiment.
  • first learning data set storage unit 221 and the first learning unit 231 are the same as those described in the machine learning device 20A according to the second embodiment described above, the second implementation is performed.
  • the same reference numerals as those in the form of are attached and the description thereof will be omitted.
  • the plurality of data acquired by the learning data set acquisition unit 321 includes the first and third image data, the control parameters, the feature amount of the separation liquid SL, and the floc-containing cover. It may include the feature amount of the third image data obtained by imaging the treatment liquid PL2 (hereinafter, also referred to as “feature amount of the floc-containing liquid to be treated PL2”).
  • feature amount of the floc-containing liquid to be treated PL2 various information specified based on the imaged flock-containing liquid to be treated PL2 can be adopted. Specifically, for example, the size, color value, density, etc. of floc aggregates can be included one or more. This feature amount can be specified, for example, by actually sampling the floc-containing liquid to be treated PL2 and measuring and analyzing it using various measuring instruments or the like, or by visually determining by the operator EN.
  • the liquid to be treated monitoring system 60A adopts a configuration in which the floc-containing liquid to be treated PL2 is sampled and extracted and then the third image data is acquired. Is preferable.
  • the liquid to be treated monitoring system 60A is the same as the separation liquid monitoring system 40A described above, that is, the branch pipe 64 provided in the liquid pipe 10b to be treated and the branch pipe 64 are provided.
  • a valve 65, a transparent container 66 arranged at the end of the branch pipe 64, and a flock-containing liquid to be image-imaging camera 63 installed on the side surface of the transparent container 66 can be adopted.
  • the plurality of data acquired in the learning data set acquisition unit 321 are the first learning data set storage unit 221 and the first as three learning data sets while considering their respective correspondences. It may be stored separately in the 11 learning data set storage unit 2211 and the 12th learning data set storage unit 2212.
  • the first learning data set stored in the first learning data set storage unit 221 receives the first image data obtained by capturing the separation liquid SL discharged from the bowl 2 from a predetermined angle as the first input. It may be included as data and may include the feature amount of the separation liquid SL associated with the first input data as the first output data.
  • the eleventh learning data set stored in the eleventh learning data set storage unit 2211 specifies the floc-containing liquid to be treated PL2 before being supplied to the bowl and after the drug is added.
  • the third image data captured from the angle of view is included as the eleventh input data
  • the feature amount of the floc-containing liquid to be treated PL2 associated with the eleventh input data is included as the eleventh output data.
  • the twelfth learning data set stored in the twelfth learning data set storage unit 2212 includes the feature amount of the separation liquid SL and the feature amount of the floc-containing processed liquid PL2 as the twelfth input data.
  • the control parameter associated with the twelfth input data may be included as the twelfth output data.
  • the first, eleventh, and twelfth learning data sets stored in the first learning data set storage unit 221, the eleventh learning data set storage unit 2211, and the twelfth learning data set storage unit 2212, respectively. May only be referenced by different learning units.
  • the first learning unit 231 learns a learning model for inferring the correlation between the first input data and the first output data by inputting a plurality of sets of the first learning data sets. good. In other words, the first learning unit 231 learns the first learning model that infers the feature amount of the first image data by inputting the first image data in the first learning data set. It may be something to do.
  • the eleventh learning unit 2311 learns a learning model for inferring the correlation between the eleventh input data and the eleventh output data by inputting a plurality of sets of the eleventh learning data sets. It may be there. In other words, the eleventh learning unit 2311 learns the eleventh learning model that infers the feature amount of the third image data by inputting the third image data in the eleventh learning data set. It may be something to do. Further, the twelfth learning unit 2312 learns a learning model for inferring the correlation between the twelfth input data and the twelfth output data by inputting a plurality of sets of the twelfth learning data sets. It may be there. In other words, the twelfth learning unit 2312 learns a twelfth learning model that infers control parameters by inputting the features of the first and third image data in the twelfth learning data set. It may be something to do.
  • the specific machine learning methods in the first, eleventh and twelfth learning units 231, 2311 and 2312 differ from the supervised learning process shown in FIG. 6, although the learning data set used for learning is different. Both may be the same. Then, the first, eleventh, and twelfth trained models obtained through a series of machine learning steps can be stored in the trained model storage unit 324, respectively.
  • FIG. 30 is a schematic block diagram showing a data processing system 380A according to the tenth embodiment of the present disclosure.
  • the data processing system 380A according to the present embodiment includes a first inference unit 871, an eleventh inference unit 8711, and a twelfth inference unit 8712 as inference units in the arithmetic unit 383.
  • the data processing system 380 according to the ninth embodiment may include the same components as the data processing system 380 according to the ninth embodiment described above.
  • the first inference unit 871 may execute inference using the first trained model generated by the machine learning device 320A described above and stored in the trained model storage unit 388. Therefore, when the first image data acquired by the first image data acquisition unit 81 is input, the first inference unit 871 can output the feature amount of the first image data to the output layer. can. Further, the eleventh inference unit 8711 may execute inference using the eleventh trained model generated by the machine learning device 320A described above and stored in the trained model storage unit 388. Therefore, when the third image data acquired by the third image data acquisition unit 381 is input, the eleventh inference unit 8711 can output the feature amount of the third image data to the output layer. can.
  • the twelfth inference unit 8712 may execute inference using the twelfth trained model generated by the machine learning device 320A described above and stored in the trained model storage unit 388. Therefore, the twelfth inference unit 8712 outputs a control parameter when the feature amounts of the first and third image data inferred by the first inference unit 871 and the eleventh inference unit 8711 are input. Can be output to.
  • control parameters are adjusted in the decanter 1 to which the data processing system 380A including the first, eleventh and twelfth inference units 871, 8711 and 8712 described above is applied, the same as that shown in FIG. 28 described above. All you have to do is process it. However, in the process shown in FIG. 28, when the control parameter is inferred in step S24, the first and third image data are first input to the first inference unit 871 and the eleventh inference unit 8711 and output. The feature quantities of the first and third image data are input to the twelfth inference unit 8712.
  • the machine learning device As described above, according to the machine learning device, the machine learning method, and the data processing system according to the present embodiment, by obtaining the inference results of the control parameters using a plurality of trained models, it is possible to infer with sufficient accuracy. It can be expected that the number of training data sets required to generate each possible trained model will be relatively small.
  • the machine learning device, the machine learning method, and the data processing system according to the eleventh embodiment shown below are the same as those according to the first to tenth embodiments, and the centrifuge shown in FIGS. 1 and 2.
  • the explanation is given by taking the case of applying to a separation system as an example.
  • all the modifications described in each of the above-mentioned or later embodiments can be applied to the present embodiment as long as there is no contradiction.
  • FIG. 31 is a schematic block diagram of the machine learning device 320B according to the eleventh embodiment of the present disclosure.
  • the machine learning device 320B according to the present embodiment includes the thirteenth learning data set storage unit 2213 as the learning data set storage unit for each component, and the thirteenth as the learning unit. It may include the same components as the machine learning device 320 according to the ninth embodiment described above, except that the learning unit 2313 is included. Further, the plurality of data acquired by the learning data set acquisition unit 321 may also be different from those according to the ninth embodiment.
  • the learning data set acquisition unit 321 is connected to the computer PC1 and acquires desired data from the computer PC1.
  • the computer PC 1 is connected to the control unit 30, the separation liquid monitoring system 40, and the liquid to be processed monitoring system 60, similarly to the computer PC 1 according to the ninth embodiment.
  • the liquid to be treated is connected to the computer PC1. It may also be connected to at least one of a concentration sensor 67, a dehydrated solids moisture content meter 56 and a screw conveyor torque monitoring system 70.
  • the liquid to be treated concentration sensor 67 is arranged at a predetermined position, for example, before merging with the additive pipe 11c of the liquid to be treated 10b, and is a slurry of the liquid to be treated PL1 supplied from the liquid supply source 10 to be treated. It may be a direct measurement of the concentration.
  • the liquid to be treated concentration sensor 67 for example, a well-known laser type, optical type, or ultrasonic type concentration sensor can be used.
  • the dehydrated solids moisture content meter 56 may be one that directly measures the moisture content of the dehydrated solids M that is arranged in the solids discharge conduit 7 and passes through the solids discharge conduit 7, for example.
  • the dehydrated solid water content meter 56 for example, a well-known microwave type water content meter can be used.
  • the liquid to be treated concentration sensor 67 and the dehydrated solid water content meter 56 are not shown in FIG.
  • the computer PC 1 is connected to all of the liquid to be treated concentration sensor 67, the dehydrated solid water content meter 56, and the screw conveyor torque monitoring system 70, and is acquired by the learning data set acquisition unit 321.
  • the plurality of data include the slurry concentration of the liquid to be treated PL1 measured by the liquid concentration sensor 67 and the water content of the dehydrated solid M discharged from the solid discharge port 2a measured by the dehydrated solid water content meter 56.
  • the dehydrated solid water content meter 56 and the screw conveyor torque monitoring system 70 in the present embodiment may be the same as those exemplified in the third embodiment described above, and the detailed description thereof is described here. Omit.
  • the first and third image data, the slurry concentration of the liquid to be treated PL1, the water content of the dehydrated solid M, and the torque value of the screw conveyor 3 are directly obtained.
  • it is sent to the computer PC1 via the control unit 30, and is sent from the computer PC1 to the learning data set acquisition unit 321 together with the corresponding desired control parameters.
  • the plurality of data constituting the learning data set acquired by the learning data set acquisition unit 321 are the first and third image data, the slurry concentration of the liquid to be treated PL1, the water content of the dehydrated solid M, and the screw conveyor.
  • the thirteenth training data set is stored in the form of the thirteenth training data set in which the torque value of 3 is used as the thirteenth input data and the control parameters associated with these data are used as the thirteenth output data. It may be stored in unit 2213. Then, in the thirteenth learning unit 2313, machine learning is performed by the same method as the machine learning method of the thirteenth embodiment described above using the thirteenth learning data set, and the thirteenth obtained.
  • the trained model is stored in the trained model storage unit 324.
  • FIG. 32 is a schematic block diagram showing a data processing system 380B according to the eleventh embodiment of the present disclosure.
  • the data processing system 380B according to the present embodiment has the ninth embodiment described above except that the inference unit includes the thirteenth inference unit 8713 and the additional variable acquisition unit 89. It may include the same components as the data processing system 380 according to the embodiment.
  • the additional variable acquisition unit 89 is connected to the liquid to be treated concentration sensor 67, the dehydrated solid water content meter 56, and the screw conveyor torque monitoring system 70, and is subjected to the monitoring system and the sensor.
  • the slurry concentration of the treatment liquid PL1, the water content of the dehydrated solid M, and the torque value of the screw conveyor 3 may be acquired.
  • the same processing as that shown in FIG. 28 described above may be performed.
  • the additional variable acquisition unit 89 has the slurry concentration of the liquid to be treated PL1, the water content of the dehydrated solid M, and the torque value of the screw conveyor 3. To get. Then, these values are associated with the input layer of the trained model in the thirteenth inference unit 8713 together with the first and third image data.
  • the machine learning device As described above, according to the machine learning device, the machine learning method, and the data processing system according to the present embodiment, as input data, in addition to the first and third image data, the slurry concentration of the liquid to be treated PL1 and dehydration.
  • the water content of the solid matter M and the torque value of the screw conveyor 3 it becomes easy to identify the correlation between the input data and the output data in the learning stage of the neural network model. This can be expected to reduce the number of training data sets required to generate each trained model that can be reasoned with sufficient accuracy.
  • the machine learning device, the machine learning method, and the data processing system according to the twelfth embodiment shown below are the same as those according to the first to eleventh embodiments, and the centrifuge shown in FIGS. 1 and 2.
  • the explanation is given by taking the case of applying to a separation system as an example.
  • all the modifications described in each of the above-mentioned or later embodiments can be applied to the present embodiment as long as there is no contradiction.
  • FIG. 33 is a schematic block diagram of the machine learning device 320C according to the twelfth embodiment of the present disclosure.
  • the machine learning device 320C according to the present embodiment has, as its components, a first learning data set storage unit 221 and an eleventh learning data as a learning data set storage unit. No. 1 except that the set storage unit 2211 and the 14th learning data set storage unit 2214 are included, and the learning units include the first learning unit 231 and the eleventh learning unit 2311 and the fourteenth learning unit 2314. It may include the same components as the machine learning device 120 according to the embodiment of 9. Further, in connection with this, the plurality of data acquired by the learning data set acquisition unit 121 may also be different from the ninth embodiment.
  • the learning data set acquisition unit 321 is connected to the computer PC1 and can acquire desired data from the computer PC1.
  • the computer PC1 is connected to the control unit 30, the separation liquid monitoring system 40A, and the liquid to be processed monitoring system 60A, similarly to the computer PC1 according to the ninth embodiment.
  • the liquid to be treated is connected to the computer PC1. It may also be connected to at least one of a concentration sensor 67, a dehydrated solids moisture content meter 56 and a screw conveyor torque monitoring system 70.
  • the plurality of data acquired by the learning data set acquisition unit 321 in the present embodiment include the first and third image data, the control parameters, the slurry concentration of the liquid to be treated PL1, and the dehydrated solids. It contains at least one of the water content of the object M and the torque value of the screw conveyor 3, the characteristic amount of the separation liquid SL, and the characteristic amount of the floc-containing liquid to be treated PL2.
  • the computer PC1 is connected to all of the liquid to be treated concentration sensor 67, the dehydrated solid water content meter 56, and the screw conveyor torque monitoring system 70. It is exemplified that the plurality of data acquired by the learning data set acquisition unit 121 include the slurry concentration of the liquid to be treated PL1, the dehydrated solid water content meter 56, and the torque value of the screw conveyor 3.
  • the plurality of data acquired in the learning data set acquisition unit 321 are the first learning data set storage unit 221 and the eleventh learning data set as three learning data sets while considering their respective correspondences. It may be stored separately in the storage unit 2211 and the 14th learning data set storage unit 2214.
  • the first learning data set stored in the first learning data set storage unit 221 is the image data (first image) of the separation liquid SL obtained by capturing the separation liquid discharged from the bowl 2 from a predetermined angle. Data) may be included as the first input data, and the feature amount of the separation liquid SL associated with the first input data may be included as the first output data.
  • the eleventh learning data set stored in the eleventh learning data set storage unit 2211 contains the floc-containing liquid to be treated PL2 before being supplied to the bowl 2 and after the drug is added.
  • the image data (third image data) captured from a predetermined angle is included as the eleventh input data, and the feature amount of the floc-containing processed liquid PL2 associated with the eleventh input data is used as the eleventh output data. It may include.
  • the 14th learning data set stored in the 14th learning data set storage unit 2214 includes the characteristic amount of the separation liquid SL, the characteristic amount of the floc-containing liquid to be treated PL2, and the slurry of the liquid to be treated PL1.
  • the concentration, the water content of the dehydrated solid M, and the torque value of the screw conveyor 3 are included as the 14th input data, and the control parameters associated with the 14th input data are included as the 14th output data. It's okay to have it.
  • the first learning unit 231 learns a learning model that infers the correlation between the first input data and the first output data by inputting a plurality of sets of the first learning data sets. good. In other words, the first learning unit 231 learns the first learning model that infers the feature amount of the first image data by inputting the first image data in the first learning data set. It may be something to do.
  • the eleventh learning unit 2311 learns a learning model for inferring the correlation between the eleventh input data and the eleventh output data by inputting a plurality of sets of eleventh learning data sets. It may be there. In other words, the eleventh learning unit 2311 learns the eleventh learning model that infers the feature amount of the third image data by inputting the third image data in the eleventh learning data set. It may be something to do. Then, the 14th learning unit 2314 learns a learning model for inferring the correlation between the 14th input data and the 14th output data by inputting a plurality of sets of the 14th learning data sets. It may be there.
  • the 14th learning unit 2314 has the feature amounts of the first and third image data in the 14th learning data set, the slurry concentration of the liquid to be treated PL1, and the water content of the dehydrated solid M.
  • the 14th learning model for inferring control parameters may be learned by inputting the torque value of the screw conveyor 3.
  • the process is different from the supervised learning process shown in FIG. Both may be the same. Then, the first, eleventh, and fourteenth trained models obtained through a series of machine learning steps can be stored in the trained model storage unit 324, respectively.
  • FIG. 34 is a schematic block diagram showing the data processing system 380C according to the twelfth embodiment of the present disclosure.
  • the data processing system 380C according to the present embodiment includes the first inference unit 871, the eleventh inference unit 8711, and the fourteenth inference unit 8714 as inference units in the arithmetic unit 383. It may include the same components as the data processing system 380 according to the ninth embodiment described above, except that it includes the additional variable acquisition unit 89. Of these, as the additional variable acquisition unit 89, the same one as described in the eleventh embodiment may be adopted.
  • the first inference unit 871 may execute inference using the first trained model generated by the machine learning device 320C described above and stored in the trained model storage unit 388. Therefore, when the first image data acquired by the first image data acquisition unit 81 is input, the first inference unit 871 can output the feature amount of the first image data to the output layer. can. Further, the eleventh inference unit 8711 may execute inference using the eleventh trained model generated by the machine learning device 320C described above and stored in the trained model storage unit 388. Therefore, when the third image data acquired by the third image data acquisition unit 381 is input, the eleventh inference unit 8711 can output the feature amount of the third image data to the output layer. can.
  • the 14th inference unit 8714 may execute inference using the 14th trained model generated by the machine learning device 320C described above and stored in the trained model storage unit 188. Therefore, the 14th inference unit 8714 includes the feature amount of the first image data inferred by the first inference unit 871 and the feature amount of the third image data inferred by the eleventh inference unit 8711.
  • the control parameters can be output to the output layer.
  • the control parameters are adjusted in the decanter 1 to which the data processing system 380C including the additional variable acquisition unit 89 and the first, eleventh and fourteenth inference units 871, 8711 and 8714 is applied, the above figure is shown.
  • the same processing as that shown in 28 may be performed.
  • the additional variable acquisition unit 89 has the slurry concentration of the liquid to be treated PL1, the water content of the dehydrated solid M, and the torque value of the screw conveyor 3. Further includes the step of acquiring.
  • the first and third image data are input to the first inference unit 871 and the eleventh inference unit 8711, respectively, and the first and third image data are output.
  • the feature amount of the image data is input to the 14th inference unit 8714 together with the three values acquired in the additional variable acquisition unit 89.
  • the training data set required to generate each trained model capable of inferring with sufficient accuracy. It can be expected that the number will be further suppressed as compared with the tenth and eleventh embodiments described above.
  • the thirteenth embodiment as the image data included in the input data, in addition to the image data of the separation liquid SL, the image data of the dehydrated solid matter M and the image data of the floc-containing liquid to be treated PL2 are included.
  • the image data included in the input data in addition to the image data of the separation liquid SL, the image data of the dehydrated solid matter M and the image data of the floc-containing liquid to be treated PL2 are included.
  • the image data included in the input data in addition to the image data of the separation liquid SL, the image data of the dehydrated solid matter M and the image data of the floc-containing liquid to be treated PL2 are included.
  • the image data included in the input data in addition to the image data of the separation liquid SL, the image data of the dehydrated solid matter M and the image data of the floc-containing liquid to be treated PL2 are included.
  • the image data included in the input data in addition to the image data of the separation liquid SL, the image data of the dehydrated solid matter M and the image data of
  • the machine learning device, the machine learning method, and the data processing system according to the thirteenth embodiment shown below are the same as those according to the first to twelfth embodiments, and the centrifuge shown in FIGS. 1 and 2.
  • the explanation is given by taking the case of applying to a separation system as an example. Further, all the modifications described in the above-mentioned or later embodiments can be applied to the present embodiment as long as there is no contradiction.
  • FIG. 35 is a schematic block diagram of the machine learning device 520 according to the thirteenth embodiment of the present disclosure. As shown in FIG. 35, the machine learning device 520 according to the present embodiment has learned the learning data set acquisition unit 521, the fifteenth learning data set storage unit 2215, and the fifteenth learning unit 2315. It may include a model storage unit 524.
  • the learning data set acquisition unit 521 is similar to the learning data set acquisition units 21, 121, 321 according to the first, fifth and ninth embodiments, and is the same as the learning data set acquisition units 21, 121, 321 via a wired or wireless communication line. It may be an interface unit that acquires a plurality of data constituting the training data set.
  • the learning data set acquisition unit 521 captures the first image data of the separation liquid SL, the second image data of the dehydrated solid M, and the floc-containing liquid to be treated PL2 as a plurality of data.
  • the third image data obtained and the control parameters associated with these image data may be acquired.
  • control parameters those including the supply amount of the chemicals added to the liquid to be treated PL1, the centrifugal force of the bowl 2, and the differential speed controlled by the differential speed generator 5 are exemplified.
  • the learning data set acquisition unit 521 is connected to the computer PC1 and can acquire desired data from the computer PC1.
  • the computer PC 1 is directly or indirectly connected to the dehydrated solids monitoring system 50 and the liquid to be treated monitoring system 60 in addition to the control unit 30 and the separation liquid monitoring system 40.
  • each control parameter is obtained from the control unit 30, the first image data from the separation liquid monitoring system 40, the second image data from the dehydrated solid matter monitoring system 50, and the third image data from the processed liquid monitoring system 60.
  • Image data can be acquired respectively.
  • the specific configurations of the separation liquid monitoring system 40, the dehydrated solid matter monitoring system 50, and the liquid to be treated monitoring system 60 according to the present embodiment have already been exemplified in the above-described embodiments, and thus the specific configurations thereof are described here. The explanation is omitted.
  • the fifteenth training data set storage unit 2215 associates a plurality of data constituting the training data set acquired by the training data set acquisition unit 521 with related input data and output data to form one learning data. It may be a database for storing as a set.
  • the fifth learning data set stored in the fifteenth learning data set storage unit 2215 in the present embodiment the first learning data set in which the separation liquid SL discharged from the bowl 2 is imaged from a predetermined angle is captured.
  • Image data, second image data obtained by imaging the dehydrated solid M discharged from the solid discharge port 2a from a predetermined angle, and flocs before being supplied to the bowl 2 and after the chemical solution is added.
  • the third image data obtained by capturing the contained liquid PL2 from a predetermined angle is used as the fifteenth input data
  • the control parameter associated with the image data as the fifteenth input data is used as the fifteenth output data.
  • the control parameters in the present embodiment exemplify those including the centrifugal force of the bowl 2, the supply amount of the drug from the additive source 11, and the differential speed between the bowl 2 and the screw conveyor 3. , At least one of these may be included. Further, four or more control parameters including further control parameters such as the supply amount of the liquid to be treated PL1 and the dam set diameter of the dam 2c of the bowl 2 may be adopted.
  • the fifteenth learning unit 2315 combines the fifteenth input data and the fifteenth output data by inputting a plurality of sets of the fifth learning data set stored in the fifteenth learning data set storage unit 2215. It may be one that learns a learning model that infers the correlation between them. Also in this embodiment, as in the first embodiment described above, supervised learning using a neural network is adopted as a specific method of machine learning. The specific machine learning method in the fifteenth learning unit 2315 is the same as the machine learning method according to the first embodiment shown in FIG. 6, although the learning data set used for learning is different. You can do it. Further, the trained model storage unit 524 may be a database for storing the trained model generated by the fifteenth training unit 2315.
  • FIG. 36 is a schematic block diagram showing a data processing system 580 according to the fifteenth embodiment of the present disclosure.
  • the data processing system 580 mainly includes a first image data acquisition unit 81, a second image data acquisition unit 181 and a third image data acquisition unit 381.
  • the parameter adjustment unit 82, the arithmetic unit 583, the database (DB) 84, the user interface 85, and the internal bus 86 for connecting them to each other may be included.
  • the bus 86 is the same as that of the data processing system according to the first, fifth and ninth embodiments described above, the same reference numerals as those of the first, fifth and ninth embodiments are used. The explanation will be omitted.
  • the arithmetic unit 583 constitutes a processor for realizing various processes in the data processing system 580, and may include at least a fifteenth inference unit 8715. Further, the arithmetic unit 583 is connected to a trained model storage unit 588 that stores a trained model used in the fifteenth inference unit 8715, that is, a fifteenth trained model learned in the fifteenth learning unit 2315. It is good to have.
  • the fifteenth inference unit 8715 is used as a state variable acquired by the first to third image data acquisition units 81, 181 and 381 by taking into consideration one trained model stored in the trained model storage unit 588.
  • the control parameters to be adjusted by the parameter adjustment unit 82 may be inferred from the first to third image data of the above.
  • FIG. 37 is a flowchart showing an example of parameter adjustment by the data processing system according to the fifteenth embodiment of the present disclosure.
  • the data processing system 580 first determines whether or not it is the timing of parameter adjustment (step S21).
  • the separation liquid imaging camera 43 in the separation liquid monitoring system 40 the dehydrated solids imaging camera 53 in the dehydrated solids monitoring system 50, and the subject.
  • the separation liquid SL flowing in the separation liquid discharge conduit 8 and the dehydrated solid matter M passing through the solid matter discharge conduit 7 are An image is taken with the floc-containing liquid to be treated PL2 flowing in the liquid to be treated pipe 10b (step S223).
  • the first to third image data captured here are acquired in the data processing system 580 by the first to third image data acquisition units 81, 181 and 381 (step S233).
  • the first to third image data acquired by the first to third image data acquisition units 81, 181 and 381 are sent to the fifteenth inference unit 8715 via the internal bus 86, and these image data are sent.
  • the parameter adjustment unit 82 adjusts each control unit using the value of the control parameter inferred here (step S25). After that, the process returns to step S21 to enter the standby state.
  • the decanter 1 is obtained from only three image data, that is, the image data of the separation liquid SL, the image data of the dehydrated solid M, and the image data of the floc-containing liquid to be treated PL2. Since the preferred control parameters of the above can be estimated, the data processing system 580 can be applied to the decanter 1 relatively easily. Then, the adjustment of the control parameter can be easily performed without depending on the judgment of the operator EN.
  • FIG. 38 is a schematic block diagram of the machine learning device 520A according to the fourteenth embodiment of the present disclosure.
  • the machine learning device 520A according to the present embodiment has, as its components, a first learning data set storage unit 221 and a sixth learning data as a learning data set storage unit.
  • the set storage unit 226, the eleventh learning data set storage unit 2211, and the sixteenth learning data set storage unit 2216 are included, and as learning units, the first learning unit 231 and the sixth learning unit 236 and the eleventh. It may include the same components as the machine learning device 520 according to the thirteenth embodiment, except that the learning unit 2311 and the sixteenth learning unit 2316 are included.
  • the plurality of data acquired by the learning data set acquisition unit 521 may also be different from those of the thirteenth embodiment.
  • the plurality of data acquired by the learning data set acquisition unit 521 according to the present embodiment includes the first and second image data, the control parameters, the feature amount of the separation liquid SL, and the dehydrated solid matter.
  • the feature amount of M and the feature amount of the floc-containing liquid to be treated PL2 may be included. Since these feature quantities have already been exemplified in each of the above-described embodiments, the description thereof will be omitted here.
  • the plurality of data acquired in the training data set acquisition unit 521 are the first training data set storage unit 221 and the sixth training data set as four training data sets while considering their respective correspondences. It may be stored separately in the storage unit 226, the eleventh learning data set storage unit 2211 and the sixteenth learning data set storage unit 2216. Of these, the 16th learning data set stored in the 16th learning data set storage unit 2216 is the feature amount of the separation liquid SL, the feature amount of the dehydrated solid M, and the feature amount of the floc-containing treated liquid PL2. And may be included as the 16th input data, and the control parameter associated with the 16th input data may be included as the 16th output data.
  • 6, 11 and 16 training datasets may be referenced only to different learning units.
  • the 16th learning unit 2316 learns a learning model that infers the correlation between the 16th input data and the 16th output data by inputting a plurality of sets of the 16th learning data sets. May be.
  • the 16th learning unit 2316 learns the 16th learning model that infers the control parameters by inputting the features of the first to third image data in the 16th learning data set. It may be something to do.
  • the specific machine learning methods in the first, sixth, eleventh, and sixteenth learning units 231, 236, 2311, and 2316 differ in the learning data set used for learning, but the process is the teacher shown in FIG. Yes Any of the learning processes may be the same. Then, the first, sixth, eleventh, and sixteenth trained models obtained through a series of machine learning steps can be stored in the trained model storage unit 524, respectively.
  • FIG. 39 is a schematic block diagram showing a data processing system 580A according to the fourteenth embodiment of the present disclosure.
  • the data processing system 580A according to the present embodiment has the first inference unit 871, the sixth inference unit 876, the eleventh inference unit 8711, and the eleventh inference unit 871 as inference units in the arithmetic unit 583. It may include the same components as the data processing system 580 according to the thirteenth embodiment described above, except that it includes the inference unit 8716.
  • the 16th inference unit 8716 executes inference using the 16th inference model generated by the machine learning device 520A described above and stored in the trained model storage unit 588. It may be there. Therefore, in the 16th inference unit 8716, the feature quantities of the first to third image data inferred by the first inference unit 871, the sixth inference unit 876, and the eleventh inference unit 8711 are input. And the control parameters can be output to the output layer. Since the first inference unit 871, the sixth inference unit 876, and the eleventh inference unit 8711 have already been exemplified in the above-described embodiments, the description thereof will be omitted here.
  • the control parameters are adjusted in FIG. 37 described above.
  • the same processing as shown may be performed.
  • the first inference unit 871, the sixth inference unit 876, and the eleventh inference unit 8711 have the first to third images.
  • the data is input, and the feature amount of the output first to third image data is input to the 16th inference unit 8716.
  • the machine learning device As described above, according to the machine learning device, the machine learning method, and the data processing system according to the present embodiment, by obtaining the inference results of the control parameters using a plurality of trained models, it is possible to infer with sufficient accuracy. It can be expected that the number of training data sets required to generate each possible trained model will be relatively small.
  • FIG. 40 is a schematic block diagram of the machine learning device 520B according to the fifteenth embodiment of the present disclosure.
  • the machine learning device 520B according to the present embodiment includes the 17th learning data set storage unit 2217 as the learning data set storage unit for each component, and the 17th learning unit as the learning unit. It may be the same as the machine learning device 520 according to the thirteenth embodiment described above except that the learning unit 2317 is included. Further, the plurality of data acquired by the learning data set acquisition unit 521 may also be different from those according to the thirteenth embodiment. As shown in FIG. 40, the learning data set acquisition unit 521 according to the present embodiment can acquire desired data from the computer PC1 by being connected to the computer PC1.
  • the computer PC 1 is connected to the control unit 30, the separation liquid monitoring system 40, the dehydrated solid matter monitoring system 50, and the processed liquid monitoring system 60, similarly to the computer PC 1 according to the thirteenth embodiment. In addition, it may be connected to at least one of the liquid concentration sensor 67 to be treated and the screw conveyor torque monitoring system 70. In the present embodiment, the computer PC 1 is connected to both the liquid to be processed concentration sensor 67 and the screw conveyor torque monitoring system 70, and the plurality of data acquired by the learning data set acquisition unit 521 is to be processed. An example will be given of a liquid PL1 containing both the slurry concentration and the torque value of the screw conveyor 3.
  • the liquid concentration sensor 67 to be processed and the screw conveyor torque monitoring system 70 may be the same as those exemplified in the above-described embodiment, and detailed description thereof will be omitted here.
  • first to third image data, the slurry concentration of the liquid to be treated PL1 and the torque value of the screw conveyor 3 are directly or via a computer via the control unit 30. It is sent to the PC1 and is sent from the computer PC1 to the learning data set acquisition unit 521 together with the corresponding desired control parameters.
  • the plurality of data constituting the learning data set acquired by the learning data set acquisition unit 521 includes the first to third image data, the slurry concentration of the liquid to be treated PL1, and the torque value of the screw conveyor 3. It can be stored in the 17th learning data set storage unit 2217 in the form of the 17th learning data set in which the input data of the above and the control parameters associated with these data are the 17th output data.
  • the 17th learning unit 2317 machine learning is performed by the same method as the machine learning method of the 13th embodiment described above using the 17th learning data set, and the obtained 17th learning unit is obtained.
  • the trained model is stored in the trained model storage unit 524.
  • FIG. 41 is a schematic block diagram showing a data processing system 580B according to the fifteenth embodiment of the present disclosure.
  • the data processing system 580B according to the present embodiment has the thirteenth embodiment described above except that the inference unit includes the seventeenth inference unit 8717 and the additional variable acquisition unit 89. It may include the same components as the data processing system 580 according to the form.
  • the additional variable acquisition unit 89 is connected to the liquid to be processed concentration sensor 67 and the screw conveyor torque monitoring system 70 as shown in FIG. 41 to acquire the slurry concentration of the liquid to be treated PL1 and the torque value of the screw conveyor 3. It may be something to do.
  • the additional variable acquisition unit 89 acquires the slurry concentration of the liquid to be processed PL1 and the torque value of the screw conveyor 3 at the same time as or at a predetermined timing before and after step S233. Then, these values are associated with the input layer of the trained model in the 17th inference unit 8717 together with the first to third image data.
  • the machine learning device As described above, according to the machine learning device, the machine learning method, and the data processing system according to the present embodiment, as input data, in addition to the first to third image data, the slurry concentration and screw of the liquid to be treated PL1.
  • the torque value of the conveyor 3 By adopting the torque value of the conveyor 3, it becomes easy to identify the correlation between the input data and the output data in the learning stage of the neural network model. This can be expected to reduce the number of training data sets required to generate each trained model that can be reasoned with sufficient accuracy.
  • FIG. 42 is a schematic block diagram of the machine learning device 520C according to the sixteenth embodiment of the present disclosure.
  • the machine learning device 520C according to the present embodiment has, as its components, a first learning data set storage unit 221 and a sixth learning data as a learning data set storage unit.
  • the set storage unit 226, the eleventh learning data set storage unit 2211, and the eighteenth learning data set storage unit 2218 are included, and the first learning unit 231 and the sixth learning unit 236 and the eleventh learning units are included. It may be the same as the machine learning device 520 according to the thirteenth embodiment except that the learning unit 2311 and the eighteenth learning unit 2318 are included.
  • the plurality of data acquired by the learning data set acquisition unit 521 may also be different from the fifth embodiment.
  • the learning data set acquisition unit 521 can acquire desired data from the computer PC1 by being connected to the computer PC1.
  • the computer PC1 is connected to the control unit 30, the separation liquid monitoring system 40A, the dehydrated solid matter monitoring system 50A, and the processed liquid monitoring system 60A, similarly to the computer PC1 according to the thirteenth embodiment.
  • it may be connected to at least one of the liquid concentration sensor 67 to be processed and the screw conveyor torque monitoring system 70.
  • Specific configurations of the control unit 30, the separated liquid monitoring system 40A, the dehydrated solids monitoring system 50A, the processed liquid monitoring system 60A, the processed liquid concentration sensor 67, and the screw conveyor torque monitoring system 70 connected to the computer PC1 are.
  • the plurality of data acquired by the learning data set acquisition unit 521 in the present embodiment include the first to third image data, the control parameters, the slurry concentration of the liquid to be treated PL1, and the screw conveyor. It contains at least one of the torque values of 3, the characteristic amount of the separation liquid SL, the characteristic amount of the dehydrated solid M, and the characteristic amount of the floc-containing liquid to be treated PL2.
  • the computer PC1 is connected to both the liquid to be processed concentration sensor 67 and the screw conveyor torque monitoring system 70, and the learning data set acquisition unit 521 is connected.
  • Examples of the plurality of data to be acquired include both the slurry concentration of the liquid to be treated PL1 and the torque value of the screw conveyor 3.
  • the plurality of data acquired in the training data set acquisition unit 521 are the first training data set storage unit 221 and the sixth training data set as three training data sets while considering their respective correspondences. It is separately stored in the storage unit 226, the eleventh learning data set storage unit 2211, and the eighteenth learning data set storage unit 2218.
  • the 18th learning data set stored in the 18th learning data set storage unit 2218 includes the feature amount of the separation liquid SL, the feature amount of the dehydrated solid matter M, and the floc-containing treated liquid PL2.
  • the feature amount, the slurry concentration of the liquid to be treated PL1, and the torque value of the screw conveyor 3 are included as the 18th input data, and the control parameter associated with the 18th input data is included as the 18th output data. It may be. note that,
  • 6, 11 and 18 training datasets may be referenced only to different learning units.
  • the 18th learning unit 2318 learns a learning model that infers the correlation between the 18th input data and the 18th output data by inputting a plurality of sets of the 18th learning data sets. May be.
  • the 18th learning unit 2318 has the feature amounts of the first to third image data in the 18th learning data set, the slurry concentration of the liquid to be treated PL1, and the torque value of the screw conveyor 3.
  • the 18th learning model for inferring control parameters may be learned.
  • the specific machine learning methods in the first, sixth, eleventh and eighteenth learning units 231 and 236, 2311 and 2318 differ in the learning data set used for learning, but the process is the teacher shown in FIG. Yes Any of the learning processes may be the same. Then, the first, sixth, eleventh, and eighteenth trained models obtained through a series of machine learning steps can be stored in the trained model storage unit 524, respectively.
  • FIG. 43 is a schematic block diagram showing a data processing system 180C according to the sixteenth embodiment of the present disclosure.
  • the data processing system 580C according to the present embodiment has the first inference unit 871, the sixth inference unit 876, the eleventh inference unit 8711, and the eleventh inference unit 871 as inference units in the arithmetic unit 583. It may include the same components as the data processing system 580 according to the thirteenth embodiment described above, except that it includes the inference unit 8718 and the additional variable acquisition unit 89. Of these, as the additional variable acquisition unit 89, the same one as described in the fifteenth embodiment can be adopted.
  • the eighteenth inference unit 8718 executes inference using the eighteenth inference model generated by the machine learning device 520C described above and stored in the trained model storage unit 588. It may be there. Therefore, the 18th inference unit 8718 is the feature amount of the first to third image data inferred by the first inference unit 871, the sixth inference unit 876, and the eleventh inference unit 8711, and the processed image.
  • the control parameters can be output to the output layer. Since the first inference unit 871, the sixth inference unit 876, and the eleventh inference unit 8711 have already been exemplified in the above-described embodiments, the description thereof will be omitted here.
  • control parameters are adjusted in the decanter 1 to which the data processing system 580C including the above-mentioned additional variable acquisition unit 89 and the first, sixth, eleventh and eighteenth inference units 871, 876, 8711 and 8718 is applied. May perform the same processing as that shown in FIG. 37 described above. However, among the processes shown in FIG. 37, a step of acquiring the slurry concentration of the liquid to be processed PL1 and the torque value of the screw conveyor 3 by the additional variable acquisition unit 89 at the same time as or at a predetermined timing before and after step S233 is further included. Can be done.
  • the first to third image data are input to the first inference unit 871, the sixth inference unit 876, and the eleventh inference unit 8711, respectively, and output.
  • the feature quantities of the first to third image data obtained are input to the 18th inference unit 8718 together with the two values acquired in the additional variable acquisition unit 89.
  • the training data set required to generate each trained model capable of inferring with sufficient accuracy. It can be expected that the number will be further suppressed as compared with the 14th and 15th embodiments described above.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Centrifugal Separators (AREA)

Abstract

本開示の機械学習装置は、遠心分離システムのためのものであって、ボウル内から排出された分離液を所定画角から撮像した画像データを含む入力データと、入力データに対応付けられた、被処理液に添加される添加物の供給量、ボウルの遠心力及び差速発生装置により制御される差速のうちの少なくとも１つを含む制御パラメータを含む出力データとを含む学習用データセットを複数組記憶する学習用データセット記憶ユニットと；学習用データセットを複数組入力することで、入力データと出力データとの相関関係を推論する学習モデルを学習する学習ユニットと；学習された学習済モデルを記憶する学習済モデル記憶ユニットと；を含む。

Description

機械学習装置、データ処理システム及び機械学習方法
　本開示は機械学習装置、データ処理システム及び機械学習方法に関する。
　上下水、産業排水、又はし尿等の水処理設備において、遠心力を利用して固液分離を行う遠心分離装置が従来から用いられている。この遠心分離装置としては種々のタイプのものが知られているが、特に長時間連続した処理が必要な設備にあっては、デカンタと称される遠心分離装置が広く用いられている。
　このデカンタは、一般に、駆動モータと、駆動モータにより回転され内部に被処理液が投入されるボウルと、このボウル内に同軸状に配置されるスクリューコンベアと、ボウルの回転速度とスクリューコンベアの回転速度との間に差速を発生させる差速発生装置と、を含み得る。そして、このようなデカンタにおいては、ボウル内に投入された被処理液中の固形物成分はボウルの一端部側から、被処理液中の液体成分はボウルの他端部側からそれぞれ排出されることで、固液分離を実現している。そして、このデカンタにおける好適な動作制御の手法が種々検討されている。（例えば、日本国特許第５４４２０９９号明細書参照。）
　日本国特許第５４４２０９９号明細書に記載された方法によれば、スクリューコンベアの搬送トルクに基づいて、差速発生装置で発生させる差速やボウルの遠心力を制御しているため、被処理液の性状に合わせた遠心分離装置の自動操業を部分的に実現できる。しかし、このような遠心分離装置を含む遠心分離システムの制御に関連する情報やパラメータは、スクリューコンベアの搬送トルク、差速発生装置で発生させる差速及びボウルの遠心力以外にも種々存在する。特に、当該制御対象の制御に影響する情報（具体的には状態変数）は多岐にわたり、且つこのような情報には数値化し難い情報も含まれ得る。そして、これらの状態変数を効果的且つ機械的に参酌する手法は現時点において確立されておらず、結果、このような状態変数は技術者（オペレータ）の経験や暗黙知に基づく判断により、遠心分離システムの動作制御に反映されているのが実情である。
　本開示は上述の点に鑑み、オペレータの判断に依存することなく遠心分離システムの好適な動作制御を実現するための、機械学習装置、データ処理システム及び機械学習方法を提供することを目的とする。
　上記目的を達成するために、本開示の第１の態様に係る機械学習装置２０は、例えば図３に示すように、被処理液ＰＬ１（図示省略）、ＰＬ２（図２５等参照）に遠心力を付与して固形物Ｍ（図１５等参照）と分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１のためのものであって、前記ボウル２内から排出された分離液ＳＬを所定画角から撮像した画像データを含む入力データと、前記入力データに対応付けられた制御パラメータを含む出力データとを含む学習用データセットを複数組記憶する学習用データセット記憶ユニット２２であって、前記制御パラメータは、前記被処理液ＰＬ１に添加される添加物の供給量、前記ボウル２の遠心力、及び前記差速発生装置５により制御される差速のうちの少なくとも１つを含む、前記学習用データセット記憶ユニット２２と；前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習する学習ユニット２３と；前記学習ユニット２３によって学習された前記学習モデルを記憶する学習済モデル記憶ユニット２４と；を含むものである。
　このように構成すると、分離液の画像データから遠心分離システムの制御パラメータを推論可能な学習済モデルを提供することができる。
　本開示の第２の態様に係る機械学習装置２０Ａは、例えば図９に示すように、上記本開示の第１の態様に係る機械学習装置において、前記学習ユニットは、前記学習用データセット内の画像データを入力することで、前記画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニット２３１と；前記画像データの特徴量を入力することで、前記制御パラメータを推論する第２の学習モデルを学習する第２の学習ユニット２３２と；を含むものである。
　このように構成すると、分離液の画像データから遠心分離システムの制御パラメータを推測するに際し、学習ユニットを２つに分割することで、それぞれの学習ユニットにおいて生成される学習済モデルを得るために必要な学習用データセットの数を相対的に抑えることができる。
　本開示の第３の態様に係る機械学習装置２０Ｂは、例えば図１１に示すように、上記本開示の第１の態様に係る機械学習装置において、前記入力データは、前記被処理液ＰＬ１のスラリー濃度と、前記排出口２ａから排出される脱水固形物Ｍの含水率と、前記スクリューコンベア３のトルク値とのうちの少なくとも１つを更に含む。
　このように構成すると、入力データの数が増えることで、学習ユニットにおいて生成される学習済モデルを得るために必要な学習用データセットの数を相対的に抑えることができる。
　本開示の第４の態様に係る機械学習装置２０Ｃは、例えば図１３に示すように、上記本開示の第１の態様に係る機械学習装置において、前記入力データは、前記被処理液ＰＬ１のスラリー濃度と、前記排出口２ａから排出される脱水固形物Ｍの含水率と、前記スクリューコンベア３のトルク値とのうちの少なくとも１つを更に含み、前記学習ユニットは、前記学習用データセット内の画像データを入力することで、前記画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニット２３１と；前記被処理液ＰＬ１のスラリー濃度と、前記排出口２ａから排出される脱水固形物Ｍの含水率と、前記スクリューコンベア３のトルク値とのうちの少なくとも１つと、前記画像データの特徴量とを入力することで、前記制御パラメータを推論する第４の学習モデルを学習する第４の学習ユニット２３４と；を含むものである。
　このように構成すると、分離液の画像データから遠心分離システムの制御パラメータを推測するに際し、学習ユニットを２つに分割し、且つそのうちの一方の学習ユニットにおいて学習される学習用データセットの入力データの数が増えることで、それぞれの学習ユニットにおいて生成される学習済モデルを得るために必要な学習用データセットの数を相対的に抑えることができる。
　本開示の第５の態様に係る機械学習装置１２０は、例えば図１５に示すように、被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１のためのものであって、前記ボウル２内から排出された分離液ＳＬを所定画角から撮像した第１の画像データと、前記排出口２ａから排出された脱水固形物Ｍを所定画角から撮像した第２の画像データとを含む入力データと、前記入力データに対応付けられた制御パラメータを含む出力データとを含む学習用データセットを複数組記憶する学習用データセット記憶ユニット２２５であって、前記制御パラメータは、前記被処理液ＰＬ１に添加される添加物の供給量、前記ボウル２の遠心力、及び前記差速発生装置５により制御される差速のうちの少なくとも１つを含む、前記学習用データセット記憶ユニット２２５と；前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習する学習ユニット２３５と；前記学習ユニットによって学習された前記学習モデルを記憶する学習済モデル記憶ユニット１２４と；を含むものである。
　このように構成すると、分離液の画像データと脱水固形物の画像データとから遠心分離システムの制御パラメータを推論可能な学習済モデルを提供することができる。
　本開示の第６の態様に係る機械学習装置１２０Ａは、例えば図１９に示すように、上記本開示の第５の態様に係る機械学習装置において、前記学習ユニットは、前記学習用データセット内の第１の画像データを入力することで、前記第１の画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニット２３１と；前記学習用データセット内の第２の画像データを入力することで、前記第２の画像データの特徴量を推論する第６の学習モデルを学習する第６の学習ユニット２３６と；前記第１の画像データの特徴量と前記第２の画像データの特徴量とを入力することで、前記制御パラメータを推論する第７の学習モデルを学習する第７の学習ユニット２３７と；を含むものである。
　このように構成すると、分離液の画像データと脱水固形物の画像データとから遠心分離システムの制御パラメータを推測するに際し、学習ユニットを３つに分割することで、それぞれの学習ユニットにおいて生成される学習済モデルを得るために必要な学習用データセットの数を相対的に抑えることができる。
　本開示の第７の態様に係る機械学習装置１２０Ｂは、例えば図２１に示すように、上記本開示の第５の態様に係る機械学習装置において、前記入力データは、前記被処理液ＰＬ１のスラリー濃度と、前記スクリューコンベア３のトルク値とのうちの少なくとも１つを更に含む。
　このように構成すると、入力データの数が増えることで、学習ユニットにおいて生成される学習済モデルを得るために必要な学習用データセットの数を相対的に抑えることができる。
　本開示の第８の態様に係る機械学習装置１２０Ｃは、例えば図２３に示すように、上記本開示の第５の態様に係る機械学習装置において、前記入力データは、前記被処理液ＰＬ１のスラリー濃度と、前記スクリューコンベア３のトルク値とのうちの少なくとも１つを更に含み、前記学習ユニットは、前記学習用データセット内の第１の画像データを入力することで、前記第１の画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニット２３１と；前記学習用データセット内の第２の画像データを入力することで、前記第２の画像データの特徴量を推論する第６の学習モデルを学習する第６の学習ユニット２３６と；前記被処理液のスラリー濃度と、前記スクリューコンベアのトルク値とのうちの少なくとも１つと、前記第１の画像データの特徴量と、前記第２の画像データの特徴量とを入力することで、前記制御パラメータを推論する第９の学習モデルを学習する第９の学習ユニット２３９と；を含むものである。
　このように構成すると、分離液の画像データと脱水固形物の画像データとから遠心分離システムの制御パラメータを推測するに際し、学習ユニットを３つに分割し、且つそのうちの一方の学習ユニットにおいて学習される学習用データセットの入力データの数が増えることで、それぞれの学習ユニットにおいて生成される学習済モデルを得るために必要な学習用データセットの数を相対的に抑えることができる。
　本開示の第９の態様に係る機械学習装置３２０は、例えば図２５に示すように、被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１のためのものであって、前記ボウル２内から排出された分離液ＳＬを所定画角から撮像した第１の画像データと、前記ボウル２に供給される前であって且つ所定の添加物が添加された後の前記被処理液ＰＬ２を所定画角から撮像した第３の画像データとを含む入力データと、前記入力データに対応付けられた制御パラメータを含む出力データとを含む学習用データセットを複数組記憶する学習用データセット記憶ユニット２２１０であって、前記制御パラメータは、前記被処理液ＰＬ１に添加される添加物の供給量、前記ボウル２の遠心力、及び前記差速発生装置５により制御される差速のうちの少なくとも１つを含む、前記学習用データセット記憶ユニット２２１０と；前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習する学習ユニット２３１０と；前記学習ユニット２３１０によって学習された前記学習モデルを記憶する学習済モデル記憶ユニット３２４と；を含むものである。
　このように構成すると、分離液の画像データとフロック含有被処理液の画像データとから遠心分離システムの制御パラメータを推論可能な学習済モデルを提供することができる。
　本開示の第１０の態様に係る機械学習装置３２０Ａは、例えば図２９に示すように、上記本開示の第９の態様に係る機械学習装置において、前記学習ユニットは、前記学習用データセット内の第１の画像データを入力することで、前記第１の画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニット２３１と；前記学習用データセット内の第３の画像データを入力することで、前記第３の画像データの特徴量を推論する第１１の学習モデルを学習する第１１の学習ユニット２３１１と；前記第１の画像データの特徴量と前記第３の画像データの特徴量とを入力することで、前記制御パラメータを推論する第１２の学習モデルを学習する第１２の学習ユニット２３１２と；を含むものである。
　このように構成すると、分離液の画像データとフロック含有被処理液の画像データとから遠心分離システムの制御パラメータを推測するに際し、学習ユニットを３つに分割することで、それぞれの学習ユニットにおいて生成される学習済モデルを得るために必要な学習用データセットの数を相対的に抑えることができる。
　本開示の第１１の態様に係る機械学習装置３２０Ｂは、例えば図３１に示すように、上記本開示の第９の態様に係る機械学習装置において、前記入力データは、前記被処理液ＰＬ１のスラリー濃度と、前記排出口２ａから排出される脱水固形物Ｍの含水率と、前記スクリューコンベア３のトルク値とのうちの少なくとも１つを更に含む。
　このように構成すると、入力データの数が増えることで、学習ユニットにおいて生成される学習済モデルを得るために必要な学習用データセットの数を相対的に抑えることができる。
　本開示の第１２の態様に係る機械学習装置３２０Ｃは、例えば図３３に示すように、上記本開示の第９の態様に係る機械学習装置において、前記入力データは、前記被処理液ＰＬ１のスラリー濃度と、前記排出口２ａから排出される脱水固形物Ｍの含水率と、前記スクリューコンベア３のトルク値とのうちの少なくとも１つを更に含み、前記学習ユニットは、前記学習用データセット内の第１の画像データを入力することで、前記第１の画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニット２３１と；前記学習用データセット内の第３の画像データを入力することで、前記第３の画像データの特徴量を推論する第１１の学習モデルを学習する第１１の学習ユニット２３１１と；前記被処理液ＰＬ１のスラリー濃度と、前記排出口２ａから排出される脱水固形物Ｍの含水率と、前記スクリューコンベア３のトルク値とのうちの少なくとも１つと、前記第１の画像データの特徴量と、前記第３の画像データの特徴量とを入力することで、前記制御パラメータを推論する第１４の学習モデルを学習する第１４の学習ユニット２３１４と；を含むものである。
　このように構成すると、分離液の画像データとフロック含有被処理液の画像データとから遠心分離システムの制御パラメータを推測するに際し、学習ユニットを３つに分割し、且つそのうちの一方の学習ユニットにおいて学習される学習用データセットの入力データの数が増えることで、それぞれの学習ユニットにおいて生成される学習済モデルを得るために必要な学習用データセットの数を相対的に抑えることができる。
　本開示の第１３の態様に係る機械学習装置５２０は、例えば図３５に示すように、被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１のためのものであって、前記ボウル２内から排出された分離液ＳＬを所定画角から撮像した第１の画像データと、前記排出口２ａから排出された脱水固形物Ｍを所定画角から撮像した第２の画像データと、前記ボウル２に供給される前であって且つ所定の添加物が添加された後の前記被処理液ＰＬ２を所定画角から撮像した第３の画像データとを含む入力データと、前記入力データに対応付けられた制御パラメータを含む出力データとを含む学習用データセットを複数組記憶する学習用データセット記憶ユニット２２１５であって、前記制御パラメータは、前記被処理液ＰＬ１に添加される添加物の供給量、前記ボウル２の遠心力、及び前記差速発生装置５により制御される差速のうちの少なくとも１つを含む、前記学習用データセット記憶ユニット２２１５と；前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習する学習ユニット２３１５と；前記学習ユニット２３１５によって学習された前記学習モデルを記憶する学習済モデル記憶ユニット５２４と；を含むものである。
　このように構成すると、分離液の画像データと脱水固形物の画像データとフロック含有被処理液の画像データとから遠心分離システムの制御パラメータを推論可能な学習済モデルを提供することができる。
　本開示の第１４の態様に係る機械学習装置５２０Ａは、例えば図３８に示すように、上記本開示の第１３の態様に係る機械学習装置において、前記学習ユニットは、前記学習用データセット内の第１の画像データを入力することで、前記第１の画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニット２３１と；前記学習用データセット内の第２の画像データを入力することで、前記第２の画像データの特徴量を推論する第６の学習モデルを学習する第６の学習ユニット２３６と；前記学習用データセット内の第３の画像データを入力することで、前記第３の画像データの特徴量を推論する第１１の学習モデルを学習する第１１の学習ユニット２３１１と；前記第１の画像データの特徴量と、前記第２の画像データの特徴量と、前記第３の画像データの特徴量とを入力することで、前記制御パラメータを推論する第１６の学習モデルを学習する第１６の学習ユニット２３１６と；を含むものである。
　このように構成すると、分離液の画像データと脱水固形物の画像データとフロック含有被処理液の画像データとから遠心分離システムの制御パラメータを推測するに際し、学習ユニットを４つに分割することで、それぞれの学習ユニットにおいて生成される学習済モデルを得るために必要な学習用データセットの数を相対的に抑えることができる。
　本開示の第１５の態様に係る機械学習装置５２０Ｂは、例えば図４０に示すように、上記本開示の第１３の態様に係る機械学習装置において、前記入力データは、前記被処理液ＰＬ１のスラリー濃度と、前記スクリューコンベア３のトルク値とのうちの少なくとも１つを更に含む。
　このように構成すると、入力データの数が増えることで、学習ユニットにおいて生成される学習済モデルを得るために必要な学習用データセットの数を相対的に抑えることができる。
　本開示の第１６の態様に係る機械学習装置５２０Ｃは、例えば図４２に示すように、上記本開示の第１３の態様に係る機械学習装置において、前記入力データは、前記被処理液ＰＬ１のスラリー濃度と、前記スクリューコンベア３のトルク値とのうちの少なくとも１つを更に含み、前記学習ユニットは、前記学習用データセット内の第１の画像データを入力することで、前記第１の画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニット２３１と；前記学習用データセット内の第２の画像データを入力することで、前記第２の画像データの特徴量を推論する第６の学習モデルを学習する第６の学習ユニット２３６と；前記学習用データセット内の第３の画像データを入力することで、前記第３の画像データの特徴量を推論する第１１の学習モデルを学習する第１１の学習ユニット２３１１と；前記被処理液のスラリー濃度と、前記スクリューコンベアのトルク値とのうちの少なくとも１つと、前記第１の画像データの特徴量と、前記第２の画像データの特徴量と、前記第３の画像データの特徴量とを入力することで、前記制御パラメータを推論する第１８の学習モデルを学習する第１８の学習ユニット２３１８と；含むものである。
　このように構成すると、分離液の画像データと脱水固形物の画像データとフロック含有被処理液の画像データとから遠心分離システムの制御パラメータを推測するに際し、学習ユニットを４つに分割し、且つそのうちの一方の学習ユニットにおいて学習される学習用データセットの入力データの数が増えることで、それぞれの学習ユニットにおいて生成される学習済モデルを得るために必要な学習用データセットの数を相対的に抑えることができる。
　本開示の第１７の態様に係る機械学習装置は、上記本開示の第１乃至１６の態様に係る機械学習装置において、前記制御パラメータは、前記被処理液の供給量を更に含むものである。
　このように構成すると、学習済モデルが出力する制御パラメータの数が増えることでより細かなパラメータ調整を実現できる。
　本開示の第１８の態様に係る機械学習装置は、上記本開示の第１乃至１７の態様に係る機械学習装置において、前記制御パラメータは、前記ボウルのダムセット径を更に含むものである。
　このように構成すると、学習済モデルが出力する制御パラメータの数が増えることでより細かなパラメータ調整を実現できる。
　本開示の第１９の態様に係るデータ処理システム８０、８０Ａは、例えば図７及び図１０に示すように、被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１に用いられるものであって、前記ボウル２内から排出された分離液ＳＬを所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニット８１と；前記第１又は２の態様に係る機械学習装置２０、２０Ａによって生成された学習済モデルに、前記第１の画像データ取得ユニット８１が取得したデータを入力することで、前記遠心分離システム１の制御パラメータを推論する推論ユニット８７、８７１、８７２と；を含むものである。
　このように構成すると、分離液を撮像した第１の画像データに基づいて、遠心分離システムの好適な動作制御を実現可能な制御パラメータが推論できるため、オペレータの判断に依存することなく遠心分離システムの動作制御を自動的に行うことができるようになる。
　本開示の第２０の態様に係るデータ処理システム８０Ｂ、８０Ｃは、例えば図１２及び図１４に示すように、被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１に用いられるものであって、前記ボウル２内から排出された分離液ＳＬを所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニット８１と；前記被処理液ＰＬ１のスラリー濃度と、前記排出口２ａから排出される脱水固形物Ｍの含水率と、前記スクリューコンベア３のトルク値とのうちの少なくとも１つを取得するための付加変数取得ユニット８９と；前記第３又は４の態様に係る機械学習装置２０Ｂ、２０Ｃによって生成された学習済モデルに、前記第１の画像データ取得ユニット８１と前記付加変数取得ユニット８９とが取得したデータを入力することで、前記遠心分離システム１の制御パラメータを推論する推論ユニット８７３、８７１、８７４と；を含むものである。
　このように構成すると、被処理液のスラリー濃度と、脱水固形物の含水率と、スクリューコンベアのトルク値のうちの少なくとも１つと、分離液を撮像した第１の画像データとに基づいて、遠心分離システムの好適な動作制御を実現可能な制御パラメータが推論できるため、オペレータの判断に依存することなく遠心分離システムの動作制御を自動的に行うことができるようになる。
　本開示の第２１の態様に係るデータ処理システム１８０、１８０Ａは、例えば図１７及び図２０に示すように、被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１に用いられるものであって、前記ボウル２内から排出された分離液ＳＬを所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニット８１と；前記排出口２ａから排出された脱水固形物Ｍを所定画角から撮像した第２の画像データを取得するための第２の画像データ取得ユニット１８１と；前記第５又は６の態様に係る機械学習装置１２０、１２０Ａによって生成された学習済モデルに、前記第１の画像データ取得ユニット８１と前記第２の画像データ取得ユニット１８１とが取得したデータを入力することで、前記遠心分離システム１の制御パラメータを推論する推論ユニット８７５、８７１、８７６、８７７と；を含むものである。
　このように構成すると、分離液及び脱水固形物を撮像した第１及び第２の画像データに基づいて、遠心分離システムの好適な動作制御を実現可能な制御パラメータが推論できるため、オペレータの判断に依存することなく遠心分離システムの動作制御を自動的に行うことができるようになる。
　本開示の第２２の態様に係るデータ処理システム１８０Ｂ、１８０Ｃは、例えば図２２及び図２４に示すように、被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１に用いられるものであって、前記ボウル２内から排出された分離液ＳＬを所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニット８１と；前記排出口２ａから排出された脱水固形物Ｍを所定画角から撮像した第２の画像データを取得するための第２の画像データ取得ユニット１８１と；前記被処理液ＰＬ１のスラリー濃度と、前記スクリューコンベア３のトルク値とのうちの少なくとも１つを取得するための付加変数取得ユニット８９と；前記第７又は８の態様に係る機械学習装置１２０Ｂ、１２０Ｃによって生成された学習済モデルに、前記第１の画像データ取得ユニット８１と前記第２の画像データ取得ユニット１８１と前記付加変数取得ユニット８９とが取得したデータを入力することで、前記遠心分離システム１の制御パラメータを推論する推論ユニット８７８、８７１、８７６、８７９と；を含むものである。
　このように構成すると、被処理液のスラリー濃度と、スクリューコンベアのトルク値のうちの少なくとも１つと、分離液及び脱水固形物を撮像した第１及び第２の画像データとに基づいて、遠心分離システムの好適な動作制御を実現可能な制御パラメータが推論できるため、オペレータの判断に依存することなく遠心分離システムの動作制御を自動的に行うことができるようになる。
　本開示の第２３の態様に係るデータ処理システム３８０、３８０Ａは、例えば図２７及び図３０に示すように、被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１に用いられるものであって、前記ボウル２内から排出された分離液ＳＬを所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニット８１と；前記ボウル２に供給される前であって且つ所定の添加物が添加された後の前記被処理液ＰＬ２を所定画角から撮像した第３の画像データを取得するための第３の画像データ取得ユニット３８１と；前記第９又は１０の態様に係る機械学習装置３２０、３２０Ａによって生成された学習済モデルに、前記第１の画像データ取得ユニット８１と前記第３の画像データ取得ユニット３８１とが取得したデータを入力することで、前記遠心分離システムの制御パラメータを推論する推論ユニット８７１０、８７１、８７１１、８７１２と；を含むものである。
　このように構成すると、分離液及びフロック含有被処理液を撮像した第１及び第３の画像データに基づいて、遠心分離システムの好適な動作制御を実現可能な制御パラメータが推論できるため、オペレータの判断に依存することなく遠心分離システムの動作制御を自動的に行うことができるようになる。
　本開示の第２４の態様に係るデータ処理システム３８０Ｂ、３８０Ｃは、例えば図３２及び図３４に示すように、被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１に用いられるものであって、前記ボウル２内から排出された分離液ＳＬを所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニット８１と；前記ボウル２に供給される前であって且つ所定の添加物が添加された後の前記被処理液ＰＬ２を所定画角から撮像した第３の画像データを取得するための第３の画像データ取得ユニット３８１と；前記被処理液ＰＬ１のスラリー濃度と、前記排出口２ａから排出される脱水固形物Ｍの含水率と、前記スクリューコンベア３のトルク値とのうちの少なくとも１つを取得するための付加変数取得ユニット８９と；前記第１１又は１２の態様に係る機械学習装置３２０Ｂ、３２０Ｃによって生成された学習済モデルに、前記第１の画像データ取得ユニット８１と前記第３の画像データ取得ユニット３８１と前記付加変数取得ユニット８９とが取得したデータを入力することで、前記遠心分離システム１の制御パラメータを推論する推論ユニット８７１３、８７１、８７１１、８７１４と；を含むものである。
　このように構成すると、被処理液のスラリー濃度と、脱水固形物の含水率と、スクリューコンベアのトルク値のうちの少なくとも１つと、分離液及びフロック含有被処理液を撮像した第１及び第３の画像データとに基づいて、遠心分離システムの好適な動作制御を実現可能な制御パラメータが推論できるため、オペレータの判断に依存することなく遠心分離システムの動作制御を自動的に行うことができるようになる。
　本開示の第２５の態様に係るデータ処理システム５８０、５８０Ａは、例えば図３６及び図３９に示すように、被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１に用いられるものであって、前記ボウル２内から排出された分離液ＳＬを所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニット８１と；前記排出口２ａから排出された脱水固形物Ｍを所定画角から撮像した第２の画像データを取得するための第２の画像データ取得ユニット１８１と；前記ボウル２に供給される前であって且つ所定の添加物が添加された後の前記被処理液ＰＬ２を所定画角から撮像した第３の画像データを取得するための第３の画像データ取得ユニット３８１と；前記第１３又は１４の態様に係る機械学習装置５２０、５２０Ａによって生成された学習済モデルに、前記第１の画像データ取得ユニット８１と前記第２の画像データ取得ユニット１８１と前記第３の画像データ取得ユニット３８１とが取得したデータを入力することで、前記遠心分離システムの制御パラメータを推論する推論ユニット８７１５、８７１、８７６、８７１１、８７１６と；を含むものである。
　このように構成すると、分離液、脱水固形物及びフロック含有被処理液を撮像した第１乃至第３の画像データに基づいて、遠心分離システムの好適な動作制御を実現可能な制御パラメータが推論できるため、オペレータの判断に依存することなく遠心分離システムの動作制御を自動的に行うことができるようになる。
　本開示の第２６の態様に係るデータ処理システム５８０Ｂ、５８０Ｃは、例えば図４１又は図４３に示すように、被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１に用いられるものであって、前記ボウル２内から排出された分離液ＳＬを所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニット８１と；前記排出口２ａから排出された脱水固形物Ｍを所定画角から撮像した第２の画像データを取得するための第２の画像データ取得ユニット１８１と；前記ボウル２に供給される前であって且つ所定の添加物が添加された後の前記被処理液ＰＬ２を所定画角から撮像した第３の画像データを取得するための第３の画像データ取得ユニット３８１と；前記被処理液ＰＬ１のスラリー濃度と、前記スクリューコンベア３のトルク値とのうちの少なくとも１つを取得するための付加変数取得ユニット８９と；前記第１５又は１６の態様に係る機械学習装置５２０Ｂ、５２０Ｃによって生成された学習済モデルに、前記第１の画像データ取得ユニット８１と前記第２の画像データ取得ユニット１８１と前記第３の画像データ取得ユニット３８１と前記付加変数取得ユニット８９とが取得したデータを入力することで、前記遠心分離システム１の制御パラメータを推論する推論ユニット８７１７、８７１、８７６、８７１１、８７１８と；を含むものである。
　このように構成すると、被処理液のスラリー濃度と、スクリューコンベアのトルク値のうちの少なくとも１つと、分離液、脱水固形物及びフロック含有被処理液を撮像した第１乃至第３の画像データとに基づいて、遠心分離システムの好適な動作制御を実現可能な制御パラメータが推論できるため、オペレータの判断に依存することなく遠心分離システムの動作制御を自動的に行うことができるようになる。
　本開示の第２７の態様に係る機械学習方法は、例えば図３及び図６に示すように、コンピュータにより実施されるものであって、且つ被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１のためのものであって、前記ボウル２内から排出された分離液ＳＬを所定画角から撮像した画像データを含む入力データと、前記入力データに対応付けられた制御パラメータを含む出力データとを含む学習用データセットを複数組記憶するステップＳ１１であって、前記制御パラメータは、前記被処理液ＰＬ１に添加される添加物の供給量、前記ボウル２の遠心力、及び前記差速発生装置５により制御される差速のうちの少なくとも１つを含む、ステップと；前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習するステップＳ１５と；学習された前記学習モデルを記憶するステップＳ１７と；を含むものである。
　このように構成すると、分離液の画像データから遠心分離システムの制御パラメータを推論可能な学習済モデルを提供することができる。
　本開示の第２８の態様に係る機械学習方法は、例えば図６及び図１５に示すように、コンピュータにより実施されるものであって、且つ被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１のためのものであって、前記ボウル２内から排出された分離液ＳＬを所定画角から撮像した第１の画像データと、前記排出口２ａから排出された脱水固形物Ｍを所定画角から撮像した第２の画像データとを含む入力データと、前記入力データに対応付けられた制御パラメータを含む出力データとを含む学習用データセットを複数組記憶するステップＳ１１であって、前記制御パラメータは、前記被処理液ＰＬ１に添加される添加物の供給量、前記ボウル２の遠心力、及び前記差速発生装置５により制御される差速のうちの少なくとも１つを含む、ステップと；前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習するステップＳ１５と；学習された前記学習モデルを記憶するステップＳ１７と；を含むものである。
　このように構成すると、分離液の画像データと脱水固形物の画像データとから遠心分離システムの制御パラメータを推論可能な学習済モデルを提供することができる。
　本開示の第２９の態様に係る機械学習方法は、例えば図６及び図２５に示すように、コンピュータにより実施されるものであって、且つ被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１のためのものであって、前記ボウル２内から排出された分離液ＳＬを所定画角から撮像した第１の画像データと、前記ボウル２に供給される前であって且つ所定の添加物が添加された後の前記被処理液ＰＬ２を所定画角から撮像した第３の画像データとを含む入力データと、前記入力データに対応付けられた制御パラメータを含む出力データとを含む学習用データセットを複数組記憶するステップＳ１１であって、前記制御パラメータは、前記被処理液ＰＬ１に添加される添加物の供給量、前記ボウル２の遠心力、及び前記差速発生装置５により制御される差速のうちの少なくとも１つを含む、ステップと；前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習するステップＳ１５と；学習された前記学習モデルを記憶するステップＳ１７と；を含むものである。
　このように構成すると、分離液の画像データとフロック含有被処理液の画像データとから遠心分離システムの制御パラメータを推論可能な学習済モデルを提供することができる。
　本開示の第３０の態様に係る機械学習方法は、例えば図６及び図３５に示すように、コンピュータにより実施されるものであって、且つ被処理液ＰＬ１、ＰＬ２に遠心力を付与して固形物Ｍと分離液ＳＬとに遠心分離するボウル２と、前記ボウル２内の前記固形物Ｍを排出口２ａに向けて搬送するスクリューコンベア３と、前記ボウル２を回転させる駆動モータ４と、前記スクリューコンベア３を前記ボウル２と相対的な差速をもって回転させる差速発生装置５と、を含む遠心分離システム１のためのものであって、前記ボウル２内から排出された分離液ＳＬを所定画角から撮像した第１の画像データと、前記排出口２ａから排出された脱水固形物Ｍを所定画角から撮像した第２の画像データと、前記ボウル２に供給される前であって且つ所定の添加物が添加された後の前記被処理液ＰＬ２を所定画角から撮像した第３の画像データとを含む入力データと、前記入力データに対応付けられた制御パラメータを含む出力データとを含む学習用データセットを複数組記憶するステップＳ１１であって、前記制御パラメータは、前記被処理液ＰＬ１に添加される添加物の供給量、前記ボウル２の遠心力、及び前記差速発生装置５により制御される差速のうちの少なくとも１つを含む、ステップと；前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習するステップＳ１５と；学習された前記学習モデルを記憶するステップＳ１７と；を含むものである。
　このように構成すると、分離液の画像データと脱水固形物の画像データとフロック含有被処理液の画像データとから遠心分離システムの制御パラメータを推論可能な学習済モデルを提供することができる。
　本開示によれば、オペレータの判断に依存することなく、機械的に遠心分離システムの好適な動作制御を実現可能な制御パラメータを取得できるようになる。
本開示の第１の実施の形態に係るデカンタ本体の概略構造の一例を示す模式図である。 本開示の第１の実施の形態に係るデカンタの配管構造を含む遠心分離システムの一例を示す模式図である。 本開示の第１の実施の形態に係る機械学習装置の一例の概略ブロック図である。 本開示の第１の実施の形態に係る分離液監視システムにより得られた画像データの例を示したものである。 本開示の第１の実施の形態に係る分離液監視システムにより得られた画像データの例を示したものである。 本開示の第１の実施の形態に係る機械学習装置において実施される教師あり学習のためのニューラルネットワークモデルの例を示す図である。 本開示の第１の実施の形態に係る機械学習方法の例を示すフローチャートである。 本開示の第１の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。 本開示の第１の実施の形態に係るデータ処理システムによるパラメータ調整の例を示すフローチャートである。 本開示の第２の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。 本開示の第２の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。 本開示の第３の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。 本開示の第３の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。 本開示の第４の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。 本開示の第４の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。 本開示の第５の実施の形態に係る機械学習装置の一例の概略ブロック図である。 本開示の第５の実施の形態に係る脱水固形物監視システムにより得られた画像データの例を示したものである。 本開示の第５の実施の形態に係る脱水固形物監視システムにより得られた画像データの例を示したものである。 本開示の第５の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。 本開示の第５の実施の形態に係るデータ処理システムによるパラメータ調整の例を示すフローチャートである。 本開示の第６の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。 本開示の第６の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。 本開示の第７の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。 本開示の第７の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。 本開示の第８の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。 本開示の第８の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。 本開示の第９の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。 本開示の第９の実施の形態に係る被処理液監視システムにより得られた画像データの例を示したものである。 本開示の第９の実施の形態に係る被処理液監視システムにより得られた画像データの例を示したものである。 本開示の第９の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。 本開示の第９の実施の形態に係るデータ処理システムによるパラメータ調整の例を示すフローチャートである。 本開示の第１０の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。 本開示の第１０の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。 本開示の第１１の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。 本開示の第１１の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。 本開示の第１２の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。 本開示の第１２の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。 本開示の第１３の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。 本開示の第１３の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。 本開示の第１３の実施の形態に係るデータ処理システムによるパラメータ調整の例を示すフローチャートである。 本開示の第１４の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。 本開示の第１４の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。 本開示の第１５の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。 本開示の第１５の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。 本開示の第１６の実施の形態に係る機械学習装置の一例を示す概略ブロック図である。 本開示の第１６の実施の形態に係るデータ処理システムの一例を示す概略ブロック図である。
　この出願は、日本国で２０２０年７月２１日に出願された特願２０２０－１２４７２６号に基づいており、その内容は本出願の内容としてその一部を形成する。
　また、本発明は以下の詳細な説明によりさらに完全に理解できるであろう。本願のさらなる応用範囲は、以下の詳細な説明により明らかとなろう。しかしながら、詳細な説明及び特定の実例は、本発明の望ましい実施の形態であり、説明の目的のためにのみ記載されているものである。この詳細な説明から、種々の変更、改変が、本発明の精神と範囲内で、当業者にとって明らかであるからである。
　出願人は、記載された実施の形態のいずれをも公衆に献上する意図はなく、開示された改変、代替案のうち、特許請求の範囲内に文言上含まれないかもしれないものも、均等論下での発明の一部とする。
　以下、図面を参照して本開示を実施するための各実施の形態について説明する。なお、以下では本開示の目的を達成するための説明に必要な範囲を模式的に示し、本開示の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。
＜第１の実施の形態＞
　本開示の第１の実施の形態に係る機械学習装置、データ処理システム及び機械学習方法の説明を行う前に、これら、機械学習装置、データ処理システム及び機械学習方法が適用される遠心分離システムについて簡単に説明を行う。本実施の形態に係る遠心分離システムとしては、遠心分離装置として横型のデカンタ１を含むものを用いる。なお、本開示に係る遠心分離システムの具体的な態様は以下に示すものに限定されるものではなく、例えば縦型や直胴型のデカンタ等の遠心分離装置を含む遠心分離システムに対しても適用可能である。
　図１は、本開示の第１の実施の形態に係る、デカンタ本体の概略構造を示す模式図である。また、図２は、本開示の第１の実施の形態に係るデカンタの配管構造を含む遠心分離システムを示す模式図である。本実施の形態において示す横型のデカンタ１は、図１及び図２に示すように、主にボウル２と、スクリューコンベア３と、駆動モータ４と、差速発生装置５と、ケーシング６とを含むことができる。
　ボウル２は、一端部が錘状に加工された筒状の部材で構成することができ、水平軸周りに回転可能に支持され得る。また、このボウル２の錘状に加工された一端部には１乃至複数の固形物排出口２ａが設けられ、他端部には１乃至複数の分離液排出口２ｂが形成されたダム２ｃが取り付けられていてよい。固形物排出口２ａからは、ボウル２内に投入される被処理液に含まれる固形物成分が主に排出され、分離液排出口２ｂからは、同じくボウル２内に投入される被処理液に含まれる液体成分が主に排出される。また、このボウル２の一方の端部（図１においては錘状に加工された一端部）には、更に後述する駆動モータ４からの動力を伝達するプーリー４ａが取り付けられていてよい。なお、固形物排出口２ａから排出される固形物成分は、被処理液内の大部分の液体成分が脱水除去され、液体（分離液）成分を相対的に少ない所定量含んだ状態で排出されるため、以下ではこの固形物成分を液体含有固形物（あるいは脱水固形物）Ｍという。
　スクリューコンベア３は、ボウル２内に同軸状に配置され、その周囲に螺旋状のスクリュー羽根３ａが形成された部材で構成することができる。スクリュー羽根３ａはボウル２内の固形物を搬送及び／又は圧搾するための部材であってよい。このスクリューコンベア３の胴部３ｂには、その内部に被処理液を受けるための空間３ｃと、この空間に貯留された被処理液をボウル２内に投入するための吐出口３ｄとが設けられていてよい。また、このスクリューコンベア３の一端部には、後述する差速発生装置５が連結され得る。
　駆動モータ４は、ボウル２に回転力を付与するためのモータであってよく、ボウル２の一方の端部に取り付けられたプーリー４ａにベルト４ｂを介して接続され得る。この駆動モータ４には、ボウル２を例えば２０００～５０００ｒｐｍの範囲で回転させるために、比較的大型のモータが採用され、且つその回転速度はインバーター制御によって適宜変更可能となっていることが好ましい。また、差速発生装置５は、ボウル２の回転速度とスクリューコンベア３の回転速度との間に差速を発生させるための装置であって、スクリューコンベア３をボウル２に対して僅かに（例えば１～３ｒｐｍ程度）遅く回転させることが可能な装置であってよい。この差速発生装置５は、スクリューコンベア３に接続されたギヤボックス５ａと、スクリューコンベア３にブレーキ力を付加する差動モータ（「バックドライブモーター」ともいう）５ｂとを含むことができる。差速発生装置５の具体的な動作原理については従来から知られているものであるから、その説明は省略する。
　ケーシング６は、ボウル２及びスクリューコンベア３を覆うように設けられたケースであってよい。このケーシング６は、ボウル２の固形物排出口２ａから排出された、僅かに液体を含んだ固形物としての液体含有固形物（脱水固形物）Ｍを下方に設けられた固形物シュート６ａに導き、同じくボウル２の分離液排出口２ｂから排出された分離液ＳＬ（図３参照）を下方に設けられた分離液シュート６ｂに導くものであってよい。また、ケーシング６に覆われたボウル２及びスクリューコンベア３は、フレーム６ｃによって一体に支持され得る。
　ケーシング６の固形物シュート６ａは、固形物排出導管７に連結されていてよく、固形物シュート６ａから排出された固形物は、例えばこの固形物排出導管７を介して図示しない乾燥装置や焼却設備等への主搬送路７ａへ運ばれ得る。また、ケーシング６の分離液シュート６ｂは、分離液排出導管８に連結されていてよく、分離液シュート６ｂから排出された分離液は、例えばこの分離液排出導管８を介して図示しない浄水設備等へ運ばれ得る。
　このデカンタ１は、ボウル２内に被処理液を投入するための給液管９を更に含むことができる。この給液管９は、その一端はスクリューコンベア３の胴部３ｂ内の空間３ｃに連通し、他端は被処理液供給源１０及び添加物供給源１１が連通しており、他端から流入した被処理液等をボウル２内に投入するための導管を構成することができる。
　給液管９と被処理液供給源１０とは、被処理液を供給するためのポンプ１０ａを含む被処理液配管１０ｂによって流体的に接続されているとよい。このポンプ１０ａを制御することにより、被処理液のボウル内への供給量を制御することができる。ここで、被処理液供給源１０から供給される被処理液は、多くの場合固形物としての汚泥を含むスラリー（懸濁液）である。
　また、給液管９と添加物供給源１１とは、被処理液に添加される添加物、例えば薬剤を供給するためのポンプ１１ａと薬剤の供給位置や供給タイミングを制御するための複数個の弁１１ｂとを含む添加物配管１１ｃによって、流体的に接続されているとよい。ここで、添加物供給源１１から供給される薬剤は、スラリーに投与することでスラリー中に含まれる汚泥をフロック状に変化させる凝集剤、特に高分子凝集剤又は無機凝集剤であってよい。以下においては、薬剤が添加される前の被処理液を「被処理液ＰＬ１」とし、薬剤が添加された後の被処理液を「フロック含有被処理液ＰＬ２」として両者を区別することとする。
　本実施の形態に係る添加物配管１１ｃは、図２に示すように、その中途位置で２つの管に分岐され、一方は被処理液配管１０ｂの中間位置に、他方は給液管９にそれぞれ接続されているものであってよい。被処理液配管１０ｂの中間位置に接続された配管を経由して薬剤を供給した場合には、被処理液配管１０ｂ内で被処理液ＰＬ１と薬剤とが反応し（いわゆる「ライン薬注」）、給液管９に接続された配管を経由して薬剤を供給した場合には、主に空間３ｃ内部及びボウル２内部で被処理液ＰＬ１と薬剤とが反応する（いわゆる「機内薬注」）こととなるであろう。このような配管構造を採用すると、被処理液ＰＬ１に薬剤を添加する位置及びタイミングを調整することができ、以って主に被処理液ＰＬ１の状態に影響される薬剤による汚泥フロック（「フロック凝集体」ともいう）生成効果を最適に調整することができるようになる。なお、図２に示す配管の接続位置は一例にすぎず、被処理液の状態等を考慮して当該配管構造は適宜変更することが可能である。
　また、本実施の形態に係るデカンタ１の各種配管には、配管内を通過する対象物を監視するための監視システムが設置されていると好ましい。この監視システムは、詳しくは、分離液排出導管８に設けられた分離液監視システム４０と、固形物排出導管７に設けられた脱水固形物監視システム５０と、被処理液配管１０ｂに設けられた被処理液監視システム６０とを含むことができる。更に、これらの監視システムに加えて、スクリューコンベア３のトルク値を監視するスクリューコンベアトルク監視システム７０を含んでいてもよい。各監視システムの具体的な構成については後述の各実施の形態に対応するようにいくつかの例を説明する。なお、第１の実施の形態においては、分離液監視システム４０以外の監視システムは使用していないため、分離液監視システム４０以外の監視システムについては、第２の実施の形態以降で説明される。
　以上の構成を含むデカンタ１による固液分離は、概ね以下のように行われる。すなわち、先ず、所定の回転数で回転するボウル２内に給液管９を介してフロック含有被処理液ＰＬ２が投入されると、駆動モータ４により発生された遠心力の作用によってフロック含有被処理液ＰＬ２内の（薬剤の効果によりフロック状となっている）固形物がボウル２の内壁面に沈降する。沈降した固形物は、差速発生装置５の作用によりボウル２の回転数よりも僅かに小さな回転数でボウル２に対して連れ周りするスクリューコンベア３のスクリュー羽根３ａによって、ボウル２の錘状に加工された一端側に向かって圧搾されつつ搬送され、所定量の流体成分と共に固形物排出口２ａより固形物シュート６ａへ排出される。また、上記のように固形物が沈降除去された後のボウル２内の残留物は、分離液ＳＬとしてボウル２内に一定期間滞留した後、分離液排出口２ｂからオーバーフローするようにして分離液シュート６ｂへ排出される。
＜機械学習装置＞
　上述の固液分離処理は、デカンタ１の各種制御パラメータを調整することで、好適な処理を実現している。ここでいう制御パラメータとは、主にボウル２の遠心力、添加物供給源１１からの薬剤の供給量、及びボウル２とスクリューコンベア３との差速から構成されていてよい。そこで、以下には、デカンタ１における最適な制御パラメータを推定することが可能な推論モデル（学習済モデル）を学習する、本開示の第１の実施の形態に係る機械学習装置２０について、説明を行う。
　図３は、本開示の第１の実施の形態に係る機械学習装置２０の概略ブロック図である。本実施の形態に係る機械学習装置２０は、図３に示すように、学習用データセット取得ユニット２１と、学習用データセット記憶ユニット２２と、学習ユニット２３と、学習済モデル記憶ユニット２４とを含むことができる。
　学習用データセット取得ユニット２１は、例えば有線又は無線の通信回線を介して学習（トレーニング）用データセットを構成する複数のデータを取得するインタフェースユニットであってよい。ここで取得される複数のデータの具体的な内容については、生成したい学習済モデルに合わせて適宜変更等をすることが可能である。本実施の形態においては、複数のデータとして、分離液ＳＬの画像データと、この画像データに対応付けられる制御パラメータを取得しているものを例示している。また、この制御パラメータとしては、被処理液ＰＬ１へ添加される薬剤の供給量、ボウル２の遠心力、及び差速発生装置５により制御される差速を含むことができる。なお、本実施の形態においては制御パラメータとして上述した３つのデータを取得するものについて例示するが、学習用データセットを構成する制御パラメータとしては、上述した３つのデータのうち少なくとも１つを含んでいればよい。また、制御パラメータは上述した３つに限定されるものではなく、例えば被処理液供給源１０からの被処理液ＰＬ１の供給量や、ボウル２のダム２ｃのダムセット径といった他のパラメータをも含んでいてよい。したがって、出力データを構成する制御パラメータを４つ以上としてもよい。一般に、制御パラメータの数が増えれば、後述するデカンタ１の動作制御に適用した際、細やかなパラメータ調整が実現できる。しかし、制御パラメータの数が多くなると十分な精度の推論が可能な学習済モデルを得るために必要な学習用データセットの数は増加する傾向がある。したがって、出力データとしての制御パラメータの数は準備可能な学習用データセットの数等を考慮して決定することが好ましい。
　この学習用データセット取得ユニット２１において取得される複数のデータの取得方法の一例を説明する。学習用データセット取得ユニット２１は、図３に示すように、コンピュータＰＣ１に接続され、このコンピュータＰＣ１から所望のデータを取得する。このコンピュータＰＣ１は、例えば上述したデカンタ１の各種動作制御を行うコントロールユニット３０の少なくとも一部を構成する、あるいはこのコントロールユニット３０に通信可能に接続されたコンピュータであってよい。これにより、コンピュータＰＣ１においてデカンタ１の各種制御パラメータが取得可能となっている。加えて、このコンピュータＰＣ１は、図２に示すように、分離液排出導管８に設けられた分離液監視システム４０に直接又はコントロールユニット３０を介して間接的に接続されており、分離液監視システム４０より分離液ＳＬの画像データを取得することができる。なお、ここでいうデカンタ１のコントロールユニット３０とは、デカンタ１全体の制御を行うための装置であって、デカンタ１が含む各種センサや駆動手段に接続された、プロセッサ及びメモリ等を含む周知のコンピュータ等から構成されるものであってよい。
　ここで、分離液監視システム４０には、図３に示すように、分離液排出導管８の任意箇所に連結されたサイトグラス４１と、サイトグラス４１に設けられた窓４２に所定画角で設置され、サイトグラス４１内を流れる分離液ＳＬの画像データを撮像可能な分離液撮像用カメラ４３とを含むものを採用することができる。このうち、分離液撮像用カメラ４３には、二次元画像を撮像可能な周知のカメラを採用することができる。また、この分離液監視システム４０においては、分離液撮像用カメラ４３により撮像される画像データに分離液ＳＬの状態が反映されやすいよう、サイトグラス４１内の分離液ＳＬを照らす図示しない光源や、分離液撮像用カメラ４３に取り付け可能な図示しない偏光フィルタを適宜採用することができる。なお、分離液監視システム４０の構成はこれに限定されるものではなく分離液ＳＬの画像データを取得可能な構成であれば種々の構成を採用することができる。具体例としては、例えば後述する分離液監視システム４０Ａ（図９参照）のような構成を採用してもよい。
　図４は、本開示の第１の実施の形態に係る分離液監視システム４０の分離液撮像用カメラ４３により得られた画像データの例を示したものである。ところで、水処理設備の技術分野において、遠心分離システムにより固液分離処理を行った後に排出される分離液ＳＬに含まれる固形物成分の量、すなわち固形物含有濃度が少ないことは、固液分離処理が良好に行われていると推測できる指針となり得る。また、分離液撮像用カメラ４３により得られた画像データ（「第１の画像データ」ともいう）において、分離液ＳＬに含まれる固形物成分が多いと、小さな粒子状の固形物が多く混入した状態となる傾向がある。したがって、分離液ＳＬ中の固形物含有濃度が比較的高い画像データ（例えば図４Ｂに示すもの）は、固形物含有濃度が比較的低い画像データ（例えば図４Ａに示すもの）に比べて、ピクセル間の色味の変化量が増加する傾向があると推測できるであろう。
　学習用データセット記憶ユニット２２は、学習用データセット取得ユニット２１で取得した学習用データセットを構成する複数のデータを、関連する入力データと出力データ（「教師データ」ともいう）とを関連付けて１つの学習用データセットとし、格納するためのデータベースであってよい。本実施の形態において格納される学習用データセットは、ボウル２内から排出された分離液ＳＬを所定画角から撮像した画像データを入力データとし、この入力データとしての画像データに対応付けられた制御パラメータを出力データとしたものとすることができる。また、学習用データセット記憶ユニット２２を構成するデータベースの具体的な構成については適宜調整することができる。例えば、図３においては、説明の都合上、この学習用データセット記憶ユニット２２と後述する学習済モデル記憶ユニット２４とを別々の記憶手段として示しているが、これらは単一の記憶媒体（データベース）によって構成することもできる。
　ところで、学習用データセット記憶ユニット２２で格納される学習用データセットは、上述したように、１つの画像データと、この１つの画像データに対応する制御パラメータとで構成され得る。他方、学習ユニット２３において１つの学習済モデルを生成するためには、多くの学習用データセット（例えば数千～数万セット）を用いて学習を行う必要があるのが通常である。そこで、多量の学習用データセットを比較的短時間で準備するために、この学習用データセット記憶ユニット２２において、データオーギュメンテーション（ｄａｔａ　ａｕｇｍｅｎｔａｔｉｏｎ）を実施することが好ましい。このデータオーギュメンテーションの具体的な方法としては、例えば、１つの矩形の原画像データから、当該原画像データよりも小さな正方形の部分画像データをランダムにａ個（例えば１００個）抽出し、抽出されたａ個の部分画像データそれぞれと原画像データに対応付けられた制御パラメータとを関連付けることで、ａ個の学習用データセットを取得する方法を採用することができる。
　学習ユニット２３は、学習用データセット記憶ユニット２２に記憶された複数の学習用データセットを複数組入力することで、学習用データセット内の入力データと出力データとの間の相関関係を推論する学習モデルを学習するものであってよい。本実施の形態においては、後に詳しく説示するように、機械学習の具体的な手法としてニューラルネットワークを用いた教師あり学習を採用している。ただし、機械学習の具体的な手法については、これに限定されるものではなく、入出力の相関関係を学習用データセットから学習することができるものであれば他の学習手法を採用することも可能である。例えば、アンサンブル学習（ランダムフォレスト、ブースティング、スタッキング等）を用いることもできる。
　学習済モデル記憶ユニット２４は、学習ユニット２３で生成された学習済モデルを記憶するためのデータベースであってよい。この学習済モデル記憶ユニット２４に記憶された学習済モデルは、要求に応じて、インターネットを含む通信回線や記憶媒体を介して実システムへ適用され得る。実システム（データ処理システム８０）に対する学習済モデルの具体的な適用態様については、後に詳述する。
　ところで、本実施の形態に係るデカンタ１において学習用データセットを準備する際には、教師データとなる最適な制御パラメータを特定しておくとよい。この最適な制御パラメータを特定する方法としては、種々の手法を採用できるが、例えば分離液監視システム４０により取得された画像データとそのときの実際の制御パラメータとを参酌し、オペレータＥＮが手動で特定する方法を採用することができる。この場合、教師データとなる最適な制御パラメータを特定するオペレータＥＮには熟練の技術者、あるいは複数の技術者を割り当てると好ましい。このように特定された最適な制御パラメータは、機械学習装置２０において、学習用データセットの教師データとして、上述した画像データに対応付けられた状態で学習用データセット記憶ユニット２２に整理・格納される。
　ここで、特定される最適な制御パラメータとしては、上述したように、ボウル２の遠心力、添加物供給源１１からの薬剤の供給量、及びボウル２とスクリューコンベア３との差速の少なくとも１つであってよい。これらの制御パラメータは、デカンタ１による固液分離処理に最も影響のある制御パラメータと考えられるものといえる。したがって、ここで特定される制御パラメータは、本実施の形態において例示するように、上述した３つの制御パラメータ全てとすると好ましい。なお、当然ながらこれら３つの制御パラメータのうち１つのみ、あるいは２つのみを出力データとして採用してもよく、またこれら３つの制御パラメータ以外のパラメータ（例えば薬剤の供給位置等）を出力データに更に追加することも可能である。ちなみに、上記３つの制御パラメータのうちのボウル２の遠心力は、主に駆動モータ４によるボウル２の回転数を制御することで調整が可能であるが、この回転数を変更する制御は他の２つの制御（薬剤供給量及び差速の制御）に比して応答性が低いという特徴がある。そこで、上記３つの制御パラメータのうち２つのみを出力データに採用する場合には、添加物供給源１１からの薬剤の供給量とボウル２とスクリューコンベア３との差速の２つを採用するとよい。
　次に、上述のようにして得られた複数の学習用データセットを用いた、学習ユニット２３における学習手法について、その一例を簡単に説明する。図５は、本開示の第１の実施の形態に係る機械学習装置において実施される教師あり学習のためのニューラルネットワークモデルの例を示す図である。図５に示すニューラルネットワークモデルにおけるニューラルネットワークは、入力層にあるｌ個のニューロン（ｘ１～ｘｌ）、第１中間層にあるｍ個のニューロン（ｙ１１～ｙ１ｍ）、第２中間層にあるｎ個のニューロン（ｙ２１～ｙ２ｎ）、及び出力層にあるｏ個のニューロン（ｚ１～ｚｏ）から構成されている。第１中間層及び第２中間層は、隠れ層とも呼ばれており、ニューラルネットワークとしては、第１中間層及び第２中間層の他に、さらに複数の隠れ層を有するものであってもよく、あるいは第１中間層のみを隠れ層とするものであってもよい。
　また、入力層と第１中間層との間、第１中間層と第２中間層との間、第２中間層と出力層との間には、層間のニューロンを接続するノードが張られており、それぞれのノードには、重みｗｉ（ｉは自然数）が対応づけられている。
　本実施の形態に係るニューラルネットワークモデルにおけるニューラルネットワークは、学習用データセットを用いて、学習用データセットの入力データと出力データとの相関関係を学習する。具体的には、入力データを構成する状態変数としての分離液ＳＬの画像データを入力層のニューロンに対応づけ、出力層にあるニューロンの値を、一般的なニューラルネットワークの出力値の算出方法で、つまり、出力側のニューロンの値を、当該ニューロンに接続される入力側のニューロンの値と、出力側のニューロンと入力側のニューロンとを接続するノードに対応づけられた重みｗｉとの乗算値の数列の和として算出することを、入力層にあるニューロン以外の全てのニューロンに対して行う方法を用いることで、算出する。なお、上記状態変数を入力層のニューロンに入力するに際し、状態変数として取得した情報をどのような形式として入力するかは、生成される学習済モデルの精度等を考慮して適宜設定することができる。
　そして、算出された出力層にあるｏ個のニューロンｚ１～ｚｏの値、すなわち本実施の形態においては制御パラメータに対応する値と、学習用データセットの一部を構成する、同じく制御パラメータからなる教師データｔ１～ｔｏとを、それぞれ比較して誤差を求め、求められた誤差が小さくなるように、各ノードに対応づけられた重みｗｉを調整する（バックプロパゲーション）ことを反復する。
　上述した一連の工程を所定回数反復実施すること、あるいは前記誤差が許容値より小さくなること等の所定の条件が満たされた場合には、学習を終了して、そのニューラルネットワークモデル（のノードのそれぞれに対応づけられた全ての重みｗｉ）を学習済モデルとして学習済モデル記憶ユニット２４に記憶する。
＜機械学習方法＞
　上記に関連して、本開示は機械学習方法を提供する。図６は、本開示の第１の実施の形態に係る機械学習方法の例を示すフローチャートである。以下に示す機械学習方法においては、上述した機械学習装置２０に基づいて説明を行うが、前提となる構成については、上述した機械学習装置２０に限定されない。また、この機械学習方法はコンピュータを用いることで実現されるものであるが、このコンピュータとしては種々のものが適用可能であり、例えばコントロールユニット３０を構成するコンピュータ、ネットワーク上に配されたサーバ装置、あるいは図３に示すコンピュータＰＣ１等を挙げることができる。また、このコンピュータの具体的構成については、例えば、少なくともＣＰＵやＧＰＵ等からなる演算装置と、ＲＡＭやＲＯＭに代表される揮発性又は不揮発性メモリ等で構成される記憶装置と、ネットワークや他の機器に通信するための通信装置と、これら各装置を接続するバスとを含むものを採用することができる。更にまた、この機械学習方法は、コンピュータに所定の操作を実行するための１乃至複数の命令を含むプログラムの形式で、あるいは当該プログラムを格納した非一時的なコンピュータ読取可能媒体の形式で提供されてもよい。
　本実施の形態に係る機械学習方法としての教師あり学習は、機械学習を開始するための事前準備として、先ず所望の数の学習用データセットを準備し、準備した複数個の学習用データセットを学習用データセット記憶ユニット２２に記憶する（ステップＳ１１）。ここで準備する学習用データセットの数については、最終的に得られる学習済みモデルに求められる推論精度を考慮して設定するとよい。また、学習用データセットを準備する方法については、その一例を既に上で例示しているため、ここでは説明を省略する。
　ステップＳ１１が完了すると、次いで学習ユニット２３における機械学習を開始すべく、学習前のニューラルネットワークモデルを準備する（ステップＳ１２）。ここで準備される学習前のニューラルネットワークモデルとしては、例えば上記図５で示した構造を有し、各ノードの重みが初期値に設定されたものを採用することができる。そして、学習用データセット記憶ユニット２２に記憶された複数個の学習用データセットから、例えばランダムに一の学習用データセットを選択し（ステップＳ１３）、当該一の学習用データセット内の入力データを、準備された学習前のニューラルネットワークモデルの入力層（図５参照）に入力する（ステップＳ１４）。なお、学習用データセット内の入力データを学習前のニューラルネットワークモデルの入力層に入力する手法としては、種々のものを採用することができる。具体例としては、画像データのピクセルごとの輝度値及び／又は色値（例えばＲＧＢ値）を各入力層のニューロンに入力する方法を採用することができる。また、入力データとしての画像データを入力層に入力する前段階で、データの数を調整するための次元削減処理やノイズ除去等の所定の前処理を実行してもよい。
　ここで、上記ステップＳ１４の結果として生成された出力層（図５参照）の制御パラメータは、学習前のニューラルネットワークモデルによって生成されたものであるため、ほとんどの場合望ましい結果とは異なる値である。そこで、次に、ステップＳ１３において取得された一の学習用データセット内の教師データとしての出力データ、すなわち制御パラメータと、ステップＳ１３において生成された出力層の制御パラメータとを用いて、機械学習を実施する（ステップＳ１５）。ここで行う機械学習とは、例えば、教師データを構成する制御パラメータと出力層を構成する制御パラメータとを比較し、両者の誤差を検出し、この誤差が小さくなるような出力層が得られるよう、学習前のニューラルネットワークモデル内の各ノードに対応付けられた重みを調整する処理（バックプロパゲーション）であってよい。また、学習前のニューラルネットワークモデルの出力層に出力される制御パラメータの数及び形式は、学習対象としての学習用データセット内の教師データと同様の数及び形式である。したがって、例えば学習用データセット内の教師データとしての制御パラメータが２つの制御パラメータに対応するデータで構成されている場合には、ニューラルネットワークモデルが出力層に出力する制御パラメータも２つの制御パラメータに対応するデータであるとよい。
　ステップＳ１５において機械学習が実施されると、さらに機械学習を継続する必要があるか否かを、例えば学習用データセット記憶ユニット２２内に記憶された未学習の学習用データセットの残数に基づいて特定する（ステップＳ１６）。そして、機械学習を継続する場合（ステップＳ１６でＮｏ）にはステップＳ１３に戻り、機械学習を終了する場合（ステップＳ１６でＹｅｓ）には、ステップＳ１７に移る。上記機械学習を継続する場合には、学習中のニューラルネットワークモデルに対してステップＳ１３～Ｓ１５の工程を未学習の学習用データセットを用いて複数回実施する。最終的に生成される学習済モデルの精度は、一般にこの回数に比例して高くなる傾向がある。
　機械学習を終了する場合（ステップＳ１６でＹｅｓ）には、各ノードに対応付けられた重みが一連の工程によって調整され生成されたニューラルネットワークを学習済モデルとして、学習済モデル記憶ユニット２４に記憶し（ステップＳ１７）、一連の学習プロセスを終了する。ここで記憶された学習済モデルは、種々のデータ処理システムに適用され使用され得るものであるが、当該データ処理システムの具体例については後述する。
　上述した機械学習装置の学習プロセス及び機械学習方法においては、１つの学習済モデルを生成するために、１つの（学習前の）ニューラルネットワークモデルに対して複数回の機械学習処理を繰り返し実行することでその推論精度を向上させ、データ処理システムに適用するに足る学習済モデルを得るものを説示しているが、本開示はこの取得方法に限定されない。例えば、所定回数の機械学習を実施した学習済モデルを一候補として複数個学習済モデル記憶ユニット２４に格納しておき、この複数個の学習済モデル群に妥当性判断のための共通のデータセットの入力データを入力して出力層（のニューロンの値）を生成し、この出力層で特定された制御パラメータの精度を比較検討して、データ処理システムに適用する最良の学習済モデルを１つ選定するようにしてもよい。なお、妥当性判断用データセットは、学習に用いた学習用データセットと同様のデータセットで構成され、且つ学習に用いられていないものであればよい。
　オプションとして、上記ステップＳ１２において準備されるノードの重みが初期値に設定された学習前のニューラルネットワークモデルに代えて、例えば任意の画像認識のために予め生成された学習済モデルを利用することもできる。この場合には、いわゆるファインチューニング又は転移学習により所望の学習済モデルを生成することとなる。そのため、上述した通常の機械学習プロセスに比して少ない学習用データセットの数で高精度の学習済モデルを生成できる。
　以上説明した通り、本実施の形態に係る機械学習装置２０及び機械学習方法を適用することにより、分離液監視システム４０により取得される画像データから、最適な制御パラメータを導出することが可能な学習済モデルを得ることができる。
＜データ処理システム＞
　次に、図７を参照して、上述した機械学習装置及び機械学習方法によって生成された学習済モデルの適用例について説示する。図７は、本開示の第１の実施の形態に係るデータ処理システム８０を示す概略ブロック図である。本実施の形態に係るデータ処理システム８０としては、上述した横型のデカンタ１のコントロールユニット３０内に適用されたものを例示する。
　データ処理システム８０は、図７に示すように、主に第１の画像データ取得ユニット８１と、パラメータ調整ユニット８２と、演算ユニット８３と、データベース（ＤＢ）８４と、ユーザインタフェース８５と、これらを相互に接続するための内部バス８６とを含むものとすることができる。なお、図７においては、データ処理システム８０に関連する構成要素のみ示し、コントロールユニット３０が備える本実施の形態に係るデータ処理システム８０とは直接関係しない他の構成要素についてはその記載を省略している。
　第１の画像データ取得ユニット８１は、画像データ、詳しくは分離液ＳＬの画像データを取得するためのものであってよい。具体的には、上述した分離液監視システム４０に接続されて分離液監視システム４０の分離液撮像用カメラ４３により撮像された画像データを取得するものとすることができる。
　パラメータ調整ユニット８２は、コントロールユニット３０により最適な動作制御を実現するために調整される各種制御ユニットを、後述する推論ユニット８７の推論結果に基づいて調整するためのものであってよい。このパラメータ調整ユニット８２は、駆動モータ４に接続されてその回転数を制御することが可能な駆動モータ制御ユニット３１と、添加物配管１１ｃに設けられ薬剤の供給量を可変するポンプ１１ａを制御することが可能なポンプ制御ユニット３２と、差動モータ５ｂに接続されてその回転数を制御してスクリューコンベア３の（ボウル２に対する）回転数を制御することが可能な差動モータ制御ユニット３３と、に接続されているとよい。なお、本実施の形態に係るパラメータ調整ユニット８２は上述した３つの制御ユニットに接続されたものを例示しているが、推論ユニット８７が出力する制御パラメータの数及び種類に合わせてその接続先は適宜調整され得る。
　演算ユニット８３は、データ処理システム８０における各種処理を実現するためのプロセッサを構成するものであってよく、少なくとも推論ユニット８７を含み得る。また、この演算ユニット８３は、推論ユニット８７において利用する学習済モデルを格納した学習済モデル記憶ユニット８８に接続されているとよい。推論ユニット８７は、学習済モデル記憶ユニット８８に格納された一の学習済モデルを参酌することで、第１の画像データ取得ユニット８１で取得した状態変数としての画像データから、パラメータ調整ユニット８２により調整を行う制御パラメータを推論するものであってよい。学習済モデル記憶ユニット８８に記憶されている学習済モデルは、その用途や各種条件（例えば季節、天候及び温度・湿度といった環境条件、あるいは被処理液の種類等）に合わせて複数個記憶されていると好ましい。これに関連して、複数個の学習済モデルから適切な一の学習済モデルを選択する作業は、各種センサ等を用いて自動的に選択できるようにしてもよいし、オペレータＥＮ等によって手動で選択できるようにしてもよい。
　データベース８４は、周知の記録媒体からなり、第１の画像データ取得ユニット８１が取得した画像データや演算ユニット８３による演算結果等、データ処理システム８０で扱う各種データを一時的にあるいは継続的に記憶するためのものであってよい。また、ユーザインタフェース８５は、例えばＧＵＩ（グラフィカルユーザインタフェース）で構成されており、デカンタ１のステータス表示やオペレータＥＮ等からの入力操作等を受け取るためのものであってよい。
　図８は、本開示の第１の実施の形態に係るデータ処理システム８０によるパラメータ調整の例を示すフローチャートである。データ処理システム８０が適用されたデカンタ１の駆動が開始されると、図８に示すように、先ずデータ処理システム８０は、パラメータ調整のタイミングであるか否かを判断する（ステップＳ２１）。ここで、制御パラメータの調整を行うタイミングは、自動的に特定することも、手動で調整することも可能である。また、デカンタ１が作動している間は所定時間間隔で定期的に当該調整を行ってもよいし、例えば、デカンタ１の作動を開始した時、デカンタ１で処理を行う被処理液の種類が変更された時、作動後予め設定された所定時間が経過した時、あるいは被処理液監視システム６０又は脱水固形物監視システム５０において被処理液の濃度又は脱水固形物の含水率の変化を検出可能とし当該変化が所定の閾値を超えた時といった特定のタイミングにのみ当該調整を行ってもよい。
　パラメータ調整のタイミングであることを検知すると（ステップＳ２１でＹｅｓ）、分離液監視システム４０内の分離液撮像用カメラ４３を動作させて分離液排出導管８内を流れる分離液ＳＬを撮像する（ステップＳ２２）。ここで撮像された画像データは、第１の画像データ取得ユニット８１によりデータ処理システム８０に取得される（ステップＳ２３）。
　次いで、第１の画像データ取得ユニット８１が取得した画像データは推論ユニット８７に内部バス８６を介して送られ、推論ユニット８７において、この画像データが推論ユニット８７において予め特定された学習済モデル記憶ユニット８８内の一の学習済モデルの入力層に入力されることにより、制御パラメータを推論する（ステップＳ２４）。そして、ここで推論された制御パラメータの値を用いて、パラメータ調整ユニット８２が各制御ユニットを調整する（ステップＳ２５）。その後、ステップＳ２１に戻って待機状態となる。
　以上説明した通り、本実施の形態に係るデータ処理システム８０によれば、分離液の画像データという比較的取得しやすい情報に基づきデカンタ１の好ましい制御パラメータを推定できるため、このデータ処理システム８０を比較的簡単にデカンタ１に適用することができる。そして、制御パラメータの調整をオペレータＥＮ等の判断に依存することなく簡単に行うことができるようになる。
　オプションとして、上記実施の形態においては、推論ユニット８７において参酌される学習済モデルとして、図６に示すようないわゆるバッチ学習による学習を経て生成されたものを説示しているが、本開示のデータ処理システム８０はこれに限定されない。具体的には、例えば上述のバッチ学習による学習を経て生成された学習済モデルに、さらにオンライン学習を適用することで更なる精度向上を図ってもよい。この具体的な方法としては、先ず、第１の画像データ取得ユニット８１において取得された状態変数としての画像データと、推論ユニット８７によって推論された制御パラメータであって、特にパラメータ調整ユニット８２における調整を反映した結果固液分離処理結果が改善された時の制御パラメータとを一組のオンライン学習用データセットとしてデータベース８４に一時的に格納する。そして、任意のタイミングでデータベース８４内に蓄積された当該オンライン学習用データセットを用いて、図６に示すものと同様の機械学習（具体的にはファインチューニング）を実行すれば良い。
　また、上述のデータ処理システム８０は横型のデカンタ１のコントロールユニット３０内に適用されているが、これに代えて、例えばデカンタ１のコントロールユニット３０に通信可能に接続されたコンピュータや、デカンタ１のコントロールユニット３０にネットワーク等を介して接続されたサーバ装置等に適用することも可能である。ただし、本実施の形態で主に想定している汚泥処理に用いられる遠心分離システムは、その処理内容（被処理液の種類や単位時間当たりの処理量等）や周辺環境（気候等）がシステム毎に大きく異なる場合が通常である。したがって、これらの遠心分離システム全てに適用できるような汎用的な学習済モデルを生成することは、その生成に要する学習用データセットの数が非常に多くなり、またそのデータの内容も様々な条件下で取得されたものが偏りなく必要となるため、生成コストが高くなりやすい。したがって、データ処理システム８０及び上述した学習済モデルは、遠心分離システム毎に適用して運用することがコスト面で有利となる場合が多く好ましい。
＜第２の実施の形態＞
　上記第１の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムにおいては、１つの学習済モデルを用いて分離液ＳＬの画像データから制御パラメータを推論する場合について説明を行った。しかし、分離液ＳＬの画像データと制御パラメータとの間には相関関係は認められるものの、両者の相関の度合いは特定が困難である。一般に、ニューラルネットワークモデルの機械学習プロセスにおいて、学習用データセットの入力データと出力データとの間の相関の度合いが高いことに比例して、十分な精度の推論が可能な学習済モデルを得るまでに必要な学習用データセットの数は少なくて済む傾向がある。したがって、上記第１の実施の態様においては、分離液ＳＬの画像データと制御パラメータとの間の相関関係を学習するためには、学習用データセットを比較的多く準備する必要が生じることもあり得る。そこで、より少ない学習用データセットの数で十分な精度の推論が可能な学習済モデルを生成可能とするための一態様として、分離液ＳＬの画像データから制御パラメータを推論するために２つの学習済モデルを利用する場合を、本開示の第２の実施の形態として以下に説明する。なお、以下に示す第２の実施の形態に係る機械学習装置２０Ａ及びデータ処理システム８０Ａの各構成要素のうち、第１の実施の形態に係る機械学習装置２０及びデータ処理システム８０の各構成要素と共通するものについては、同一の符号を付してその説明を省略する。また、以下に示す第２の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システムに適用した場合を例にとり説明されている。さらに、上述したあるいは後述する各実施の形態において説示された全ての変形例は、矛盾が生じない範囲において本実施の形態にも適用可能なものである。
　図９は、本開示の第２の実施の形態に係る機械学習装置２０Ａの概略ブロック図である。本実施の形態に係る機械学習装置２０Ａは、図９に示すように、その構成要素としては、学習用データセット記憶ユニットとして、第１の学習用データセット記憶ユニット２２１と第２の学習用データセット記憶ユニット２２２とを含み、学習ユニットとして第１の学習ユニット２３１と第２の学習ユニット２３２とを含む点以外は、第１の実施の形態に係る機械学習装置２０と同様である。また、これに関連して、学習用データセット取得ユニット２１において取得される複数のデータも第１の実施の形態のものとは異なっていてよい。
　本実施の形態に係る学習用データセット取得ユニット２１が取得する複数のデータは、コンピュータＰＣ１等から取得できるものであるが、この複数のデータは、分離液ＳＬの画像データと、制御パラメータとに加えて、更に分離液ＳＬの画像データの特徴量（以下、「分離液ＳＬの特徴量」ともいう）を含んでいてよい。分離液ＳＬの特徴量としては、撮像された分離液ＳＬに基づいて特定される種々の情報を採用することができる。具体的には、例えば分離液ＳＬの固形物含有濃度、色値、分離液ＳＬ中に含まれる粒子の平均粒子径、粒子の分布、あるいは泡立ちの程度等を１又は複数含むことができる。この特徴量は、分離液ＳＬを実際にサンプリングして各種測定器等を用いて測定・分析することにより、あるいはオペレータＥＮが目視で判断することにより、特定することができる。
　上述した特徴量を測定等するために、本実施の形態に係る分離液監視システム４０Ａには、分離液ＳＬをサンプリング抽出可能な構成を採用することが好ましい。具体的には、この分離液監視システム４０Ａは、図９に示すように、分離液排出導管８の適所に設けられた分岐管４４と、この分岐管４４に設けられたバルブ４５と、分岐管４４の端部に配置された透明な容器４６と、透明な容器４６の側面に設置された分離液撮像用カメラ４３とを含むものを採用することができる。なお、分離液撮像用カメラ４３の配置はこれに限定されるものではなく、例えば容器４６を上方から撮像可能な位置に設置されていてもよい。このような構成を含む分離液監視システム４０Ａにおいては、任意のタイミングでバルブ４５を開くことで、分離液排出導管８内を流れる分離液ＳＬが透明な容器４６内にサンプリング抽出される。そして、この容器４６内の分離液ＳＬを分離液撮像用カメラ４３により撮像して分離液ＳＬの画像データを生成し、対応する所望の制御パラメータがオペレータＥＮ等により特定される。さらには、容器４６内にサンプリングされた分離液ＳＬの測定・分析等を行えばこの分離液ＳＬの特徴量を特定することもできる。なお、当然ながら、本実施の形態においても、上述した第１の実施の形態において説示した分離液監視システム４０を代替的に採用可能である。
　学習用データセット取得ユニット２１において取得された複数のデータは、それぞれの対応関係を考慮しつつ、２つの学習用データセットとして第１の学習用データセット記憶ユニット２２１及び第２の学習用データセット記憶ユニット２２２内に別々に格納されるとよい。第１の学習用データセット記憶ユニット２２１に格納される第１の学習用データセットは、ボウル２内から排出された分離液を所定画角から撮像した分離液ＳＬの画像データを第１の入力データとして含み、第１の入力データに対応付けられた分離液ＳＬの特徴量を第１の出力データとして含むものであって良い。また、第２の学習用データセット記憶ユニット２２２に格納される第２の学習用データセットは、分離液ＳＬの特徴量を第２の入力データとして含み、第２の入力データに対応付けられた制御パラメータを第２の出力データとして含むものであって良い。なお、このように複数のデータから２つの学習用データセットを分割生成する際は、例えば、同一の分離液ＳＬに関連付けられた分離液ＳＬの画像データ、分離液ＳＬの特徴量及び制御パラメータを、分離液ＳＬの画像データと分離液ＳＬの特徴量とのセットと、分離液ＳＬの特徴量と制御パラメータとのセットに分割して、それぞれを一の第１及び第２の学習用データセットとすればよい。なお、この際分割した後の一の第１及び第２の学習用データセット同士は、それぞれが後述する異なる学習ユニットにおいて参照されるものであるため、その関連性を維持した形式で格納されなくてよい。
　第１の学習用データセット記憶ユニット２２１及び第２の学習用データセット記憶ユニット２２２にそれぞれ格納された第１及び第２の学習用データセットは、それぞれ別の学習ユニットにのみ参照されるものであってよい。第１の学習ユニット２３１は、第１の学習用データセットを複数組入力することで、第１の入力データと第１の出力データとの相関関係を推論する学習モデルを学習するものであってよい。言い換えれば、この第１の学習ユニット２３１は、第１の学習用データセット内の分離液ＳＬの画像データを入力することで、この画像データ内の分離液ＳＬの特徴量、すなわち画像データの特徴量を推論する第１の学習モデルを学習するものであってよい。そして、第２の学習ユニット２３２は、第２の学習用データセットを複数組入力することで、第２の入力データと第２の出力データとの相関関係を推論する学習モデルを学習するものであってよい。言い換えれば、この第２の学習ユニット２３２は、第２の学習用データセット内の画像データの特徴量を入力することで、制御パラメータを推論する第２の学習モデルを学習するものであってよい。
　第１及び第２の学習ユニット２３１、２３２における具体的な機械学習方法は、学習に用いる学習用データセットは異なるものの、その工程は図６に示した教師あり学習の工程といずれも同様とすることができる。そして、一連の機械学習工程を経て得られた第１及び第２の学習済モデルは、学習済モデル記憶ユニット２４内にそれぞれ記憶されるとよい。
　図１０は、本開示の第２の実施の形態に係るデータ処理システム８０Ａを示す概略ブロック図である。本実施の形態に係るデータ処理システム８０Ａは、図１０に示すように、演算ユニット８３内の推論ユニットとして、第１の推論ユニット８７１と第２の推論ユニット８７２とを含む点以外は上述した第１の実施の形態に係るデータ処理システム８０と同様の構成要素を含むものであってよい。
　第１の推論ユニット８７１は、上述した機械学習装置２０Ａで生成され学習済モデル記憶ユニット８８内に記憶された第１の学習済モデルを用いて推論を実行するものであってよい。したがって、この第１の推論ユニット８７１は、第１の画像データ取得ユニット８１において取得された分離液ＳＬの画像データが入力されると、この画像データの特徴量を出力層に出力することができる。また、第２の推論ユニット８７２は、上述した機械学習装置２０Ａで生成され学習済モデル記憶ユニット８８内に記憶された第２の学習済モデルを用いて推論を実行するものであってよい。したがって、この第２の推論ユニット８７２は、第１の推論ユニット８７１において推論された画像データの特徴量が入力されると、制御パラメータを出力層に出力することができる。
　上述した第１及び第２の推論ユニット８７１、８７２を含むデータ処理システム８０Ａが適用されたデカンタ１において制御パラメータの調整を行う場合は、上述した図８に示すものと同様の処理を行えばよい。ただし、図８に示す処理のうち、ステップＳ２４において制御パラメータを推論する際は、先ず第１の推論ユニット８７１に分離液ＳＬの画像データを入力し、出力された画像データの特徴量を第２の推論ユニット８７２に入力することとなる。
　以上説明した通り、本実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムによれば、制御パラメータに比べて分離液ＳＬの画像データとの相関度合いの大きな画像データの特徴量を推論した上で、分離液ＳＬの画像データに比べて制御パラメータとの相関度合いの大きな画像データの特徴量を用いて制御パラメータを推論することとなり、十分な精度の推論が可能な各学習済モデルを生成するために必要な学習用データセットの数を相対的に抑えることが期待できる。
＜第３の実施の形態＞
　上記第１及び第２の実施の形態に係る機械学習装置及び機械学習方法においては、学習用データセットの入力データとして、分離液ＳＬの画像データのみを採用したものについて説明を行った。しかし、分離液ＳＬの画像データのみを入力データとすると、十分な精度の推論が可能な学習済モデルを生成するために必要な学習用データセットの数が多くなる傾向がある。そこで、より少ない学習用データセットの数で十分な精度の推論が可能な学習済モデルを生成するための一態様として、上述の第１の実施の形態に示した学習用データセットの入力データの数を増やした場合を、本開示の第３の実施の形態として以下に説明する。なお、以下に示す第３の実施の形態に係る機械学習装置２０Ｂ及びデータ処理システム８０Ｂの各構成要素のうち、第１の実施の形態に係る機械学習装置２０及びデータ処理システム８０の各構成要素と共通するものについては、同一の符号を付してその説明を省略する。また、以下に示す第３の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１及び第２の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システムに適用した場合を例にとり説明されている。さらに、上述したあるいは後述する実施の形態において述べられた全ての変形例は、矛盾が生じない範囲において本実施の形態にも適用可能なものである。
　図１１は、本開示の第３の実施の形態に係る機械学習装置２０Ｂの概略ブロック図である。本実施の形態に係る機械学習装置２０Ｂは、図１１に示すように、各構成要素については、学習用データセット記憶ユニットとして第３の学習用データセット記憶ユニット２２３を含み、学習ユニットとして第３の学習ユニット２３３を含む点以外は上述した第１の実施の形態に係る機械学習装置２０と同様であってよい。また、学習用データセット取得ユニット２１において取得される複数のデータも第１の実施の形態に係るものとは異なるものであってよい。本実施の形態に係る学習用データセット取得ユニット２１は、図１１に示すように、コンピュータＰＣ１に接続されていてよく、このコンピュータＰＣ１から所望のデータを取得することができる。このコンピュータＰＣ１は、第１の実施の形態に係るコンピュータＰＣ１と同様に、コントロールユニット３０及び分離液監視システム４０に接続されているが、これらに加えて、脱水固形物監視システム５０と、被処理液監視システム６０と、スクリューコンベアトルク監視システム７０にも接続されているとよい。
　脱水固形物監視システム５０は、図２及び図１１に示すように、例えば固形物排出導管７に設けられ、この固形物排出導管７を通過する脱水固形物（「脱水ケーキ」とも呼ばれる）Ｍの特にその含水率を監視可能なものであることが好ましい。この脱水固形物監視システム５０は、固形物排出導管７を通過する脱水固形物Ｍの含水率を測定あるいは推定することができる。なお、脱水固形物Ｍの含水率の測定あるいは推定する方法としては種々の方法を採用することができるが、本実施の形態においては、マイクロ波等を利用した周知の含水率計を用いて固形物排出導管７内を通過する脱水固形物Ｍの含水率を直接測定する方法を採用している。また、図２においては、脱水固形物監視システム５０の設置位置として固形物排出導管７を例示しているが、これに代えて例えば主搬送路７ａとすることもできる。
　被処理液監視システム６０は、図２及び図１１に示すように、例えば被処理液配管１０ｂに配置され、被処理液供給源１０から供給される被処理液ＰＬ１のスラリー濃度を監視するものであってよい。スラリー濃度を監視する具体的な方法としては、例えば周知のレーザー式、光学式、あるいは超音波式の濃度センサを用いて被処理液の濃度値を直接検出すればよい。なお、本実施の形態においては、被処理液監視システム６０を被処理液配管１０ｂの特に添加物配管１１ｃと合流する位置に設けているが、これに代えて、例えば被処理液監視システム６０を、被処理液配管１０ｂの添加物配管１１ｃと合流する前の位置、給液管９内、あるいは空間３ｃ内に設けるようにしてもよい。また、スラリー濃度の測定対象を、薬剤が添加される前の被処理液ＰＬ１ではなく、被処理液ＰＬ１に薬剤が添加された後のフロック含有被処理液ＰＬ２とすることも可能である。
　スクリューコンベアトルク監視システム７０は、図２及び図１１に示すように、例えばスクリューコンベア３の回転軸に取り付けることができ、このスクリューコンベア３に作用する反力を検出することで、スクリューコンベア３のトルク値を監視することができる。
　これら４つの監視システム４０、５０、６０及び７０により取得される各種データ、詳しくは、分離液ＳＬの画像データ、脱水固形物Ｍの含水率、被処理液ＰＬ１（又はフロック含有被処理液ＰＬ２）のスラリー濃度及びスクリューコンベア３のトルク値が、直接、あるいはコントロールユニット３０を介してコンピュータＰＣ１に送られ得る。そして、このコンピュータＰＣ１より、対応する所望の制御パラメータと共に学習用データセット取得ユニット２１に送られ得る。学習用データセット取得ユニット２１で取得した学習用データセットを構成する複数のデータは、分離液ＳＬの画像データ、脱水固形物Ｍの含水率、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を第３の入力データとし、これらのデータに対応付けられた制御パラメータを第３の出力データとする第３の学習用データセットの形式で、第３の学習用データセット記憶ユニット２２３に格納されてよい。そして、第３の学習ユニット２３３では、第３の学習用データセットを用いて、上述した第１の実施の形態の機械学習方法と同様の方法で機械学習が行われ、得られた第３の学習済モデルが学習済モデル記憶ユニット２４に記憶されるとよい。なお、本実施の形態においては、第３の入力データのうち、脱水固形物Ｍの含水率、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値の３つは１つの値のデータであるのに対し、分離液ＳＬの画像データは画像データを構成する全ピクセルの輝度及び／又は色値であるため、これらはデータの総数が大きく異なる。したがって、これらの入力データをそのまま入力層に対応付けると、得られる推論結果は分離液ＳＬの画像データの影響を相対的に大きく受けることになる。そこで、本実施の形態においては、分離液ＳＬの画像データ以外の入力データの影響度合いが小さくなりすぎないよう、第３の入力データを入力層に対応付ける前に、データの数を調整するためのデータの前処理を行うと特に好ましい。また、当該前処理は、学習済モデルの一部として得られたニューラルネットワークモデルと共に学習済モデル記憶ユニット２４内に記憶することで、推論の際にも同様に実施することができる。
　図１２は、本開示の第３の実施の形態に係るデータ処理システム８０Ｂを示す概略ブロック図である。本実施の形態に係るデータ処理システム８０Ｂは、図１２に示すように、推論ユニットとして第３の推論ユニット８７３を含む点と、付加変数取得ユニット８９を含む点以外は上述した第１の実施の形態に係るデータ処理システム８０と同様の構成要素を含むものであってよい。
　付加変数取得ユニット８９は、図１２に示すように、脱水固形物監視システム５０、被処理液監視システム６０及びスクリューコンベアトルク監視システム７０に接続され、これらの監視システムから、脱水固形物Ｍの含水率、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を取得するものであってよい。この付加変数取得ユニット８９により取得される脱水固形物Ｍの含水率、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値は、第１の画像データ取得ユニット８１が分離液監視システム４０から取得する画像データの撮像と同時期に取得されたものであることが好ましい。
　上述した付加変数取得ユニット８９を含むデータ処理システム８０Ｂが適用されたデカンタ１において制御パラメータの調整を行う場合は、上述した図８に示すものと同様の処理を行えばよい。ただし、図８に示す処理のうち、ステップＳ２３と同時あるいはその前後の所定タイミングにおいて、付加変数取得ユニット８９が脱水固形物Ｍの含水率、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を取得する。そして、これら３つの値は、第３の推論ユニット８７３において学習済モデルの入力層に分離液ＳＬの画像データと共に対応付けられる。
　なお、上述した第３の実施の形態においては、コンピュータＰＣ１は、コントロールユニット３０と分離液監視システム４０とに加えて、脱水固形物監視システム５０と、被処理液監視システム６０と、スクリューコンベアトルク監視システム７０との３つに接続され、これらから取得される３つの値を、画像データと共に学習用データセットの入力データとして利用しているものを例示しているが、本開示はこれに限定されない。詳しくは、脱水固形物監視システム５０と、被処理液監視システム６０と、スクリューコンベアトルク監視システム７０とにより取得される値のうちの少なくとも１つを学習用データセットの入力データとして利用していればよい。付加変数取得ユニット８９により取得される情報の数についても同様である。
　以上説明した通り、本実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムによれば、入力データとして分離液ＳＬの画像データに加えて脱水固形物Ｍの含水率、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を採用したことで、ニューラルネットワークモデルの学習段階において、入力データと出力データとの間の相関関係を特定しやすくなる。これにより、十分な精度の推論が可能な各学習済モデルを生成するために必要な学習用データセットの数を抑えることが期待できる。
＜第４の実施の形態＞
　上述した通り、第２及び第３の実施の形態は、いずれも十分な精度の推論が可能な学習済モデルを生成するために必要な学習用データセットの数を、第１の実施の形態のものにおける数より少なくすることができ得る態様を示した例である。そして、両実施の形態は組み合わせることが可能である。そこで、上述した第２の実施の形態及び第３の実施の形態において示した技術思想を組み合わせた場合を、本開示の第４の実施の形態として以下に説明する。なお、以下に示す第４の実施の形態に係る機械学習装置２０Ｃ及びデータ処理システム８０Ｃの各構成要素のうち、第１乃至第３の実施の形態に係る機械学習装置２０、２０Ａ及び２０Ｂ、及び、データ処理システム８０、８０Ａ及び８０Ｂの各構成要素と共通するものについては、同一の符号を付してその説明を省略する。また、以下に示す第３の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第３の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システムに適用した場合を例にとり説明されている。さらに、上述したあるいは後述する実施の形態において述べられた全ての変形例は、矛盾が生じない範囲において本実施の形態にも適用可能なものである。
　図１３は、本開示の第４の実施の形態に係る機械学習装置２０Ｃの概略ブロック図である。本実施の形態に係る機械学習装置２０Ｃは、図１３に示すように、その構成要素として、学習用データセット記憶ユニットとして、第１の学習用データセット記憶ユニット２２１と第４の学習用データセット記憶ユニット２２４とを含み、学習ユニットとして第１の学習ユニット２３１と第４の学習ユニット２３４とを含む点以外は、第１の実施の形態に係る機械学習装置２０と同様であってよい。また、これに関連して、学習用データセット取得ユニット２１において取得される複数のデータも第１の実施の形態とは異なっていてよい。
　本実施の形態に係る学習用データセット取得ユニット２１は、図１３に示すように、コンピュータＰＣ１に接続されていてよく、このコンピュータＰＣ１から所望のデータを取得することができる。このコンピュータＰＣ１は、第２の実施の形態に係るコンピュータＰＣ１と同様に、コントロールユニット３０及び分離液監視システム４０Ａに接続されているが、これらに加えて、脱水固形物監視システム５０、被処理液監視システム６０及びスクリューコンベアトルク監視システム７０のうちの少なくとも１つにも接続されるとよい。コンピュータＰＣ１に接続された、コントロールユニット３０、分離液監視システム４０Ａ、脱水固形物監視システム５０、被処理液監視システム６０及びスクリューコンベアトルク監視システム７０の具体的な構成は、既に上述した他の実施の形態において例示したものと同様であってよい。そして、本実施の形態における学習用データセット取得ユニット２１が取得する複数のデータは、分離液ＳＬの画像データと、制御パラメータとに加えて、更に脱水固形物Ｍの含水率、被処理液ＰＬ１（又はフロック含有被処理液ＰＬ２）のスラリー濃度及びスクリューコンベア３のトルク値の少なくとも１つと、分離液ＳＬの特徴量とを含むことができる。なお、本実施の形態においては、第３の実施の形態と同様に、コンピュータＰＣ１は、脱水固形物監視システム５０、被処理液監視システム６０及びスクリューコンベアトルク監視システム７０の全てに接続され、学習用データセット取得ユニット２１が取得する複数のデータには、脱水固形物Ｍの含水率と、被処理液ＰＬ１のスラリー濃度と、スクリューコンベア３のトルク値の全てが含まれるものを例示する。
　学習用データセット取得ユニット２１において取得された複数のデータは、それぞれの対応関係を考慮しつつ、２つの学習用データセットとして第１の学習用データセット記憶ユニット２２１及び第４の学習用データセット記憶ユニット２２４内に別々に格納されるとよい。第１の学習用データセット記憶ユニット２２１に格納される第１の学習用データセットは、ボウル２内から排出された分離液を所定画角から撮像した分離液ＳＬの画像データを第１の入力データとして含み、第１の入力データに対応付けられた分離液ＳＬの特徴量を第１の出力データとして含むものであって良い。また、第４の学習用データセット記憶ユニット２２４に格納される第４の学習用データセットは、分離液ＳＬの特徴量と、脱水固形物Ｍの含水率と、被処理液ＰＬ１のスラリー濃度と、スクリューコンベア３のトルク値とを第４の入力データとして含み、第４の入力データに対応付けられた制御パラメータを第４の出力データとして含むものであって良い。なお、このように複数のデータから２つの学習用データセットを分割生成する際は、例えば、同一の分離液ＳＬに関連付けられた分離液ＳＬの画像データ、脱水固形物Ｍの含水率、被処理液ＰＬ１のスラリー濃度、スクリューコンベア３のトルク値、分離液ＳＬの特徴量及び制御パラメータを、分離液ＳＬの画像データと分離液ＳＬの特徴量とのセットと、脱水固形物Ｍの含水率、被処理液ＰＬ１のスラリー濃度、スクリューコンベア３のトルク値及び分離液ＳＬの特徴量と制御パラメータとのセットに分割して、それぞれを一の第１及び第４の学習用データセットとすればよい。
　第１の学習用データセット記憶ユニット２２１及び第４の学習用データセット記憶ユニット２２４にそれぞれ格納された第１及び第４の学習用データセットは、それぞれ別の学習ユニットにのみ参照されるものであってよい。第１の学習ユニット２３１は、第１の学習用データセットを複数組入力することで、第１の入力データと第１の出力データとの相関関係を推論する学習モデルを学習するものであってよい。言い換えれば、この第１の学習ユニット２３１は、第１の学習用データセット内の分離液ＳＬの画像データを入力することで、この画像データの特徴量を推論する第１の学習モデルを学習するものであってよい。そして、第４の学習ユニット２３４は、第４の学習用データセットを複数組入力することで、第４の入力データと第４の出力データとの相関関係を推論する学習モデルを学習するものであってよい。言い換えれば、この第４の学習ユニット２３４は、第４の学習用データセット内の画像データの特徴量と、脱水固形物Ｍの含水率と、被処理液ＰＬ１のスラリー濃度と、スクリューコンベア３のトルク値とを入力することで、制御パラメータを推論する第４の学習モデルを学習するものであってよい。
　第１及び第４の学習ユニット２３１、２３４における具体的な機械学習方法は、学習に用いる学習用データセットは異なるものの、その工程は図６に示した教師あり学習の工程といずれも同様であってよい。そして、一連の機械学習工程を経て得られた第１及び第４の学習済モデルは、学習済モデル記憶ユニット２４内にそれぞれ記憶され得る。
　図１４は、本開示の第４の実施の形態に係るデータ処理システム８０Ｃを示す概略ブロック図である。本実施の形態に係るデータ処理システム８０Ｃは、図１４に示すように、演算ユニット８３内の推論ユニットとして、第１の推論ユニット８７１と第４の推論ユニット８７４とを含み、且つ付加変数取得ユニット８９を含む点以外は上述した第１の実施の形態に係るデータ処理システム８０と同様の構成要素を含むものであってよい。
　付加変数取得ユニット８９は、図１４に示すように、脱水固形物監視システム５０、被処理液監視システム６０及びスクリューコンベアトルク監視システム７０に接続でき、これらの監視システムから、脱水固形物Ｍの含水率、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を取得するものであってよい。また、第１の推論ユニット８７１は、上述した機械学習装置２０Ｃで生成され学習済モデル記憶ユニット８８内に記憶された第１の学習済モデルを用いて推論を実行するものであってよい。したがって、この第１の推論ユニット８７１は、第１の画像データ取得ユニット８１において取得された分離液ＳＬの画像データが入力されると、この画像データの特徴量を出力層に出力することができる。さらに、第４の推論ユニット８７４は、上述した機械学習装置２０Ｃで生成され学習済モデル記憶ユニット８８内に記憶された第４の学習済モデルを用いて推論を実行するものであってよい。したがって、この第４の推論ユニット８７４は、第１の推論ユニット８７１において推論された画像データの特徴量と、脱水固形物Ｍの含水率と、被処理液ＰＬ１のスラリー濃度と、スクリューコンベア３のトルク値とが入力されると、制御パラメータを出力層に出力することができる。
　上述した付加変数取得ユニット８９と第１及び第４の推論ユニット８７１、８７４とを含むデータ処理システム８０Ｃが適用されたデカンタ１において制御パラメータの調整を行う場合は、上述した図８に示すものと同様の処理を行えばよい。ただし、図８に示す処理のうち、ステップＳ２３と同時あるいはその前後の所定タイミングにおいて、付加変数取得ユニット８９が脱水固形物Ｍの含水率、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を取得する工程を更に含む。また、ステップＳ２４において制御パラメータを推論する際は、先ず第１の推論ユニット８７１に分離液ＳＬの画像データを入力し、出力された画像データの特徴量を付加変数取得ユニット８９において取得した３つの値と共に第４の推論ユニット８７４に入力する。
　以上説明した通り、本実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムによれば、十分な精度の推論が可能な各学習済モデルを生成するために必要な学習用データセットの数を、上述した第２及び第３の実施の形態よりも更に抑えることが期待できる。
＜第５の実施の形態＞
　上述した第１乃至第４の実施の形態における入力データに含まれる画像データは、いずれも分離液ＳＬの画像データのみである。しかし、入力データとして採用可能な画像データは分離液ＳＬの画像データ以外にも存在する。そこで、以下には第５の実施の形態として、入力データに含まれる画像データとして、分離液ＳＬの画像データに加えて、脱水固形物Ｍの画像データを含むものについて説明する。なお、以下に示す第５の実施の形態に係る機械学習装置１２０及びデータ処理システム１８０の各構成要素のうち、第１乃至第４の実施の形態に係る機械学習装置２０、２０Ａ乃至２０Ｃ、及び、データ処理システム８０、８０Ａ乃至８０Ｃの各構成要素と共通するものについては、同一の符号を付してその説明を省略する。また、以下に示す第５の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第４の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システムに適用した場合を例にとり説明されている。さらに、上述したあるいは後述する実施の形態において述べられた全ての変形例は、矛盾が生じない範囲において本実施の形態にも適用可能なものである。
　図１５は、本開示の第５の実施の形態に係る機械学習装置１２０の概略ブロック図である。本実施の形態に係る機械学習装置１２０は、図１５に示すように、学習用データセット取得ユニット１２１と、第５の学習用データセット記憶ユニット２２５と、第５の学習ユニット２３５と、学習済モデル記憶ユニット１２４とを含むものとすることができる。
　学習用データセット取得ユニット１２１は、第１の実施の形態で示した学習用データセット取得ユニット２１と同様のものであって、有線又は無線の通信回線を介して学習用データセットを構成する複数のデータを取得するインタフェースユニットであってよい。この学習用データセット取得ユニット１２１では、複数のデータとして、分離液ＳＬを撮像した第１の画像データと、脱水固形物Ｍを撮像した第２の画像データと、これらの画像データに対応付けられる制御パラメータを取得することができる。また、本実施の形態に係る制御パラメータとしては、被処理液ＰＬ１へ添加される薬剤の供給量、ボウル２の遠心力及び差速発生装置５により制御される差速を含むものを例示する。
　この学習用データセット取得ユニット１２１において取得される複数のデータの取得方法の一例を説明する。学習用データセット取得ユニット１２１は、図１５に示すように、コンピュータＰＣ１に接続されることで、このコンピュータＰＣ１から所望のデータを取得することができる。このコンピュータＰＣ１は、コントロールユニット３０及び分離液監視システム４０に加えて、固形物排出導管７に設置された脱水固形物監視システム５０にも直接又はコントロールユニット３０を介して間接的に接続されているとよい。これにより、コントロールユニット３０より各制御パラメータを、分離液監視システム４０より第１の画像データを、そして脱水固形物監視システム５０より第２の画像データをそれぞれ取得することができる。
　ここで、本実施の形態に係る脱水固形物監視システム５０としては、図１５に示すように、固形物排出導管７の任意箇所に設けられた窓５２と、窓５２に所定画角で設置され固形物排出導管７内を通過する脱水固形物Ｍの画像データを撮像可能な脱水固形物撮像用カメラ５３とを含むものを採用することができる。このうち、脱水固形物撮像用カメラ５３には、二次元画像を撮像可能な周知のカメラを採用することができる。また、この脱水固形物監視システム５０においては、脱水固形物撮像用カメラ５３により撮像される画像データに脱水固形物Ｍの特に表面の状態が反映されやすいよう、固形物排出導管７内を通過する脱水固形物Ｍを照らす図示しない光源や、脱水固形物撮像用カメラ５３に取り付け可能な図示しない偏光フィルタを適宜採用することができる。また、図２においては、固形物排出導管７が略垂直に延在し、脱水固形物Ｍはこの固形物排出導管７内を自然落下するように通過するものを例示しているが、固形物排出導管７の設置角度等は適宜変更することができる。さらに、本実施の形態においては脱水固形物監視システム５を固形物排出導管７に設置した場合について説示したが、この脱水固形物監視システム５は、主搬送路７ａや固形物シュート６ａといった脱水固形物Ｍが通過する任意の位置に設置することができるものである。なお、脱水固形物監視システム５０の構成はこれに限定されるものではなく、脱水固形物Ｍの画像データを取得可能な構成であれば種々の構成を採用することができる。具体例としては、例えば後述する図１９に示す脱水固形物監視システム５０Ａのような構成を採用してもよい。
　図１６は、本開示の第５の実施の形態に係る脱水固形物監視システム５０の脱水固形物撮像用カメラ５３により得られた画像データの例を示したものである。ところで、水処理設備の技術分野において、遠心分離システムにより固液分離処理を行った後に排出される脱水固形物Ｍに含まれる液体成分の量、すなわち含水率が小さいことは、固液分離処理が良好に行われていると推測できる指針となり得る。また、脱水固形物監視システム５０によって得られる画像データにおいて、脱水固形物Ｍに含まれる液体成分の量が多いと、色味が濃くなったり、輝度が上昇したりする傾向がある。したがって、脱水固形物Ｍの含水率が比較的高い画像データ（例えば図１６Ｂに示すもの）は、含水率が比較的低い画像データ（例えば図１６Ａに示すもの）に比べて、ピクセル間の色味の変化量が増加する傾向があると推測できる。
　第５の学習用データセット記憶ユニット２２５は、学習用データセット取得ユニット１２１で取得した学習用データセットを構成する複数のデータを、関連する入力データと出力データとを関連付けて１つの学習用データセットとし、格納するためのデータベースであってよい。本実施の形態において第５の学習用データセット記憶ユニット２２５内に格納される第５の学習用データセットとしては、ボウル２内から排出された分離液ＳＬを所定画角から撮像した第１の画像データと、固形物排出口２ａから排出された脱水固形物Ｍを所定画角から撮像した第２の画像データとを第５の入力データとし、第５の入力データとしての画像データに対応付けられた制御パラメータを第５の出力データとしたものとすることができる。この制御パラメータとしては、ボウル２の遠心力、添加物供給源１１からの薬剤の供給量、及びボウル２とスクリューコンベア３との差速の少なくとも１つを含むものであってよい。
　第５の学習ユニット２３５は、第５の学習用データセット記憶ユニット２２５に記憶された第５の学習用データセットを複数組入力することで、第５の入力データと第５の出力データとの間の相関関係を推論する学習モデルを学習するものであってよい。本実施の形態においても、上述した第１の実施の形態と同様、機械学習の具体的な手法としてニューラルネットワークを用いた教師あり学習を採用している。この第５の学習ユニット２３５における具体的な機械学習方法は、学習に用いる学習用データセットが異なるものの、その工程は図６に示した第１の実施の形態に係る機械学習方法と同様であってよい。また、学習済モデル記憶ユニット１２４は、第５の学習ユニット２３５で生成された学習済モデルを記憶するためのデータベースであってよい。
　図１７は、本開示の第５の実施の形態に係るデータ処理システム１８０を示す概略ブロック図である。本実施の形態に係るデータ処理システム１８０は、図１７に示すように、主に第１の画像データ取得ユニット８１と、第２の画像データ取得ユニット１８１と、パラメータ調整ユニット８２と、演算ユニット１８３と、データベース（ＤＢ）８４と、ユーザインタフェース８５と、これらを相互に接続するための内部バス８６とを含むものであってよい。なお、上述した各構成要素のうち、第１の画像データ取得ユニット８１、パラメータ調整ユニット８２、データベース８４、ユーザインタフェース８５及び内部バス８６は、上述した第１の実施の形態に係るデータ処理システム８０のものと同様のものを採用することができる。したがって、これらの構成要素には第１の実施の形態のものと同一の符号を付してその説明を省略する。
　第２の画像データ取得ユニット１８１は、第２の画像データを取得するためのものであってよい。具体的には、脱水固形物監視システム５０に接続されて、脱水固形物撮像用カメラ５３により撮像された脱水固形物Ｍの画像データである第２の画像データを取得するものであってよい。
　演算ユニット１８３は、データ処理システム１８０における各種処理を実現するためのプロセッサを構成するものであってよく、少なくとも第５の推論ユニット８７５を含むことができる。また、この演算ユニット１８３は、第５の推論ユニット８７５において利用する学習済モデル、すなわち第５の学習ユニット２３５において学習された第５の学習済モデルを格納した学習済モデル記憶ユニット１８８に接続されている。第５の推論ユニット８７５は、学習済モデル記憶ユニット１８８に格納された一の学習済モデルを参酌することで、第１及び第２の画像データ取得ユニット８１、１８１で取得した状態変数としての第１及び第２の画像データから、パラメータ調整ユニット８２により調整を行う制御パラメータを推論するものであってよい。
　図１８は、本開示の第５の実施の形態に係るデータ処理システムによるパラメータ調整の例を示すフローチャートである。データ処理システム１８０が適用されたデカンタ１の駆動が開始されると、図１８に示すように、先ずデータ処理システム１８０は、パラメータ調整のタイミングであるか否かを判断する（ステップＳ２１）。パラメータ調整のタイミングであることを検知すると（ステップＳ２１でＹｅｓ）、分離液監視システム４０内の分離液撮像用カメラ４３と、脱水固形物監視システム５０内の脱水固形物撮像用カメラ５３とを動作させて、分離液排出導管８内を流れる分離液ＳＬと、固形物排出導管７内を通過する脱水固形物Ｍとを撮像する（ステップＳ２２１）。ここで撮像された第１及び第２の画像データは、第１及び第２の画像データ取得ユニット８１、１８１によりデータ処理システム１８０内に取得される（ステップＳ２３１）。
　次いで、第１及び第２の画像データ取得ユニット８１、１８１で取得した第１及び第２の画像データは、内部バス８６を介して第５の推論ユニット８７５に送られ、これらの画像データが第５の推論ユニット８７５において予め特定された学習済モデル記憶ユニット１８８内の一の学習済モデルの入力層に入力されることにより、制御パラメータを推論する（ステップＳ２４）。そして、ここで推論された制御パラメータの値を用いて、パラメータ調整ユニット８２が各制御ユニットを調整する（ステップＳ２５）。その後、ステップＳ２１に戻って待機状態となる。
　以上説明した通り、本実施の形態に係る機械学習装置１２０及び機械学習方法によれば、入力データとして２つの画像データを採用することで、１つの画像データのみの場合と比較して入力データと出力データとの間の相関関係が学習しやすくなり、比較的少ない学習用データセットの数で、十分な精度の推論が可能な各学習済モデルを生成可能とすることが期待できる。また、本実施の形態に係るデータ処理システム１８０によれば、分離液ＳＬの画像データ及び脱水固形物Ｍの画像データという２つの画像データのみから、デカンタ１の好ましい制御パラメータを推定できるため、このデータ処理システム１８０を比較的簡単にデカンタ１に適用することができる。そして、制御パラメータの調整をオペレータＥＮの判断に依存することなく簡単に行うことができるようになる。
＜第６の実施の形態＞
　上記第５の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムにおいては、１つの学習済モデルを用いて第１及び第２の画像データから制御パラメータを推論するものについて説明を行った。以下には、上記第５の実施の形態の変形例として、第１及び第２の画像データから制御パラメータを推論するために複数の学習済モデルを利用する場合を、本開示の第６の実施の形態として以下に説明する。なお、以下に示す第６の実施の形態に係る機械学習装置１２０Ａ及びデータ処理システム１８０Ａの各構成要素のうち、第５の実施の形態に係る機械学習装置１２０及びデータ処理システム１８０の各構成要素と共通するものについては、同一の符号を付してその説明を省略する。また、以下に示す第６の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第５の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システムに適用した場合を例にとり説明されている。さらに、上述したあるいは後述する各実施の形態において説示された全ての変形例は、矛盾が生じない範囲において本実施の形態にも適用可能なものである。
　図１９は、本開示の第６の実施の形態に係る機械学習装置１２０Ａの概略ブロック図である。本実施の形態に係る機械学習装置１２０Ａは、図１９に示すように、その構成要素としては、学習用データセット記憶ユニットとして、第１の学習用データセット記憶ユニット２２１と第６の学習用データセット記憶ユニット２２６と第７の学習用データセット記憶ユニット２２７を含み、学習ユニットとして第１の学習ユニット２３１と第６の学習ユニット２３６と第７の学習ユニット２３７を含む点以外は、第５の実施の形態に係る機械学習装置１２０と同様であってよい。また、これに関連して、学習用データセット取得ユニット１２１において取得される複数のデータも第５の実施の形態のものとは異なっていてよい。なお、第１の学習用データセット記憶ユニット２２１及び第１の学習ユニット２３１については、上述した第２の実施の形態に係る機械学習装置２０Ａにおいて述べたものと同様とすることができるので、第２の実施の形態のものと同一の符号を付してその説明を省略する。
　本実施の形態に係る学習用データセット取得ユニット１２１が取得する複数のデータは、第１及び第２の画像データと、制御パラメータとに加えて、更に分離液ＳＬの特徴量と、脱水固形物Ｍを撮像した第２の画像データの特徴量（以下、「脱水固形物Ｍの特徴量」ともいう）とを含んでいてよい。脱水固形物Ｍの特徴量としては、撮像された脱水固形物Ｍに基づいて特定される種々の情報を採用することができる。具体的には、例えば脱水固形物Ｍの含水率、色値、密度等を１又は複数含むことができる。この特徴量は、例えば脱水固形物Ｍを実際にサンプリングして各種測定器等を用いて測定・分析することにより、あるいはオペレータＥＮが目視で判断することにより、特定することができる。
　上述した特徴量を測定等するために、本実施の形態に係る脱水固形物監視システム５０Ａには、脱水固形物Ｍをサンプリング抽出した上で第２の画像データを取得することができる構成を採用することが好ましい。具体的には、この脱水固形物監視システム５０Ａは、図１９に示すように、脱水固形物Ｍを充填可能な所定の深さを備えるトレー５４と、トレー５４を内部に載置可能であって内部に光源を備える撮影ボックス５５と、トレー５４に充填された脱水固形物Ｍの表面を所定画角から撮像可能な脱水固形物撮像用カメラ５３とを含むことができる。トレー５４内に充填された脱水固形物Ｍは、固形物排出導管７や主搬送路７ａ等の脱水固形物Ｍの搬送路の適所に設けられた図示しないサンプリングユニットを用いて所定のタイミングで抽出されたものであってよい。そして、トレー５４内に抽出された脱水固形物Ｍを脱水固形物撮像用カメラ５３により撮像することで第２の画像データが生成でき、この画像データに対応する所望の制御パラメータがオペレータＥＮにより特定され得る。さらには、このトレー５４内にサンプリングされた脱水固形物Ｍの測定・分析等を行えば、この脱水固形物Ｍの特徴量を特定することができる。
　学習用データセット取得ユニット１２１において取得された複数のデータは、それぞれの対応関係を考慮しつつ、３つの学習用データセットとして第１の学習用データセット記憶ユニット２２１、第６の学習用データセット記憶ユニット２２６及び第７の学習用データセット記憶ユニット２２７内に別々に格納され得る。第１の学習用データセット記憶ユニット２２１に格納される第１の学習用データセットは、ボウル２内から排出された分離液ＳＬを所定画角から撮像した第１の画像データを第１の入力データとして含み、第１の入力データに対応付けられた分離液ＳＬの特徴量を第１の出力データとして含むものであって良い。また、第６の学習用データセット記憶ユニット２２６に格納される第６の学習用データセットは、ボウル２内から排出された脱水固形物Ｍを所定画角から撮像した第２の画像データを第６の入力データとして含み、第６の入力データに対応付けられた脱水固形物Ｍの特徴量を第６の出力データとして含むものであって良い。さらに、第７の学習用データセット記憶ユニット２２７に格納される第７の学習用データセットは、分離液ＳＬの特徴量と脱水固形物Ｍの特徴量とを第７の入力データとして含み、第７の入力データに対応付けられた制御パラメータを第７の出力データとして含むものであって良い。
　第１の学習用データセット記憶ユニット２２１、第６の学習用データセット記憶ユニット２２６及び第７の学習用データセット記憶ユニット２２７にそれぞれ格納された第１、第６及び第７の学習用データセットは、それぞれ別の学習ユニットにのみ参照されるものであってよい。第１の学習ユニット２３１は、第１の学習用データセットを複数組入力することで、第１の入力データと第１の出力データとの相関関係を推論する学習モデルを学習するものであってよい。言い換えれば、この第１の学習ユニット２３１は、第１の学習用データセット内の第１の画像データを入力することで、第１の画像データの特徴量を推論する第１の学習モデルを学習するものであってよい。また、第６の学習ユニット２３６は、第６の学習用データセットを複数組入力することで、第６の入力データと第６の出力データとの相関関係を推論する学習モデルを学習するものであってよい。言い換えれば、この第６の学習ユニット２３６は、第６の学習用データセット内の第２の画像データを入力することで、第２の画像データの特徴量を推論する第６の学習モデルを学習するものであってよい。さらに、第７の学習ユニット２３７は、第７の学習用データセットを複数組入力することで、第７の入力データと第７の出力データとの相関関係を推論する学習モデルを学習するものであってよい。言い換えれば、この第７の学習ユニット２３７は、第７の学習用データセット内の第１及び第２の画像データの特徴量を入力することで、制御パラメータを推論する第７の学習モデルを学習するものであってよい。
　第１、第６及び第７の学習ユニット２３１、２３６及び２３７における具体的な機械学習方法は、学習に用いる学習用データセットは異なるものの、その工程は図６に示した教師あり学習の工程といずれも同様であってよい。そして、一連の機械学習工程を経て得られた第１、第６及び第７の学習済モデルは、学習済モデル記憶ユニット１２４内にそれぞれ記憶され得る。
　図２０は、本開示の第６の実施の形態に係るデータ処理システム１８０Ａを示す概略ブロック図である。本実施の形態に係るデータ処理システム１８０Ａは、図２０に示すように、演算ユニット１８３内の推論ユニットとして、第１の推論ユニット８７１と第６の推論ユニット８７６と第７の推論ユニット８７７を含む点以外は上述した第５の実施の形態に係るデータ処理システム１８０と同様の構成要素を含むものであってよい。
　第１の推論ユニット８７１は、上述した機械学習装置１２０Ａで生成され学習済モデル記憶ユニット１８８内に記憶された第１の学習済モデルを用いて推論を実行するものであってよい。したがって、この第１の推論ユニット８７１は、第１の画像データ取得ユニット８１において取得された第１の画像データが入力されると、第１の画像データの特徴量を出力層に出力することができる。また、第６の推論ユニット８７６は、上述した機械学習装置１２０Ａで生成され学習済モデル記憶ユニット１８８内に記憶された第６の学習済モデルを用いて推論を実行するものであってよい。したがって、この第６の推論ユニット８７６は、第２の画像データ取得ユニット１８１において取得された第２の画像データが入力されると、第２の画像データの特徴量を出力層に出力することができる。さらに、第７の推論ユニット８７７は、上述した機械学習装置１２０Ａで生成され学習済モデル記憶ユニット１８８内に記憶された第７の学習済モデルを用いて推論を実行するものであってよい。したがって、この第７の推論ユニット８７７は、第１の推論ユニット８７１及び第６の推論ユニット８７６において推論された第１及び第２の画像データの特徴量が入力されると、制御パラメータを出力層に出力することができる。
　上述した第１、第６及び第７の推論ユニット８７１、８７６及び８７７を含むデータ処理システム１８０Ａが適用されたデカンタ１において制御パラメータの調整を行う場合は、上述した図１８に示すものと同様の処理を行えばよい。ただし、図１８に示す処理のうち、ステップＳ２４において制御パラメータを推論する際は、先ず第１の推論ユニット８７１と第６の推論ユニット８７６に第１及び第２の画像データを入力し、出力された第１及び第２の画像データの特徴量を第７の推論ユニット８７７に入力するとよい。
　以上説明した通り、本実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムによれば、複数の学習済モデルを用いて制御パラメータの推論結果を得ることで、十分な精度の推論が可能な各学習済モデルを生成するために必要な学習用データセットの数を相対的に抑えることが期待できる。
＜第７の実施の形態＞
　上記第５の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムにおいては、第１及び第２の画像データのみから制御パラメータを推論する場合について説明を行った。以下には、上記第５の実施の形態の変形例として、入力データとして、第１及び第２の画像データに加えて更に他の変数を採用した場合を、本開示の第７の実施の形態として以下に説明する。なお、以下に示す第７の実施の形態に係る機械学習装置１２０Ｂ及びデータ処理システム１８０Ｂの各構成要素のうち、第５及び第６の実施の形態に係る機械学習装置１２０、１２０Ａ及びデータ処理システム１８０、１８０Ａの各構成要素と共通するものについては、同一の符号を付してその説明を省略する。また、以下に示す第７の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第６の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システムに適用した場合を例にとり説明されている。さらに、上述したあるいは後述する各実施の形態において説示された全ての変形例は、矛盾が生じない範囲において本実施の形態にも適用可能なものである。
　図２１は、本開示の第７の実施の形態に係る機械学習装置１２０Ｂの概略ブロック図である。本実施の形態に係る機械学習装置１２０Ｂは、図２１に示すように、各構成要素については、学習用データセット記憶ユニットとして第８の学習用データセット記憶ユニット２２８を含み、学習ユニットとして第８の学習ユニット２３８を含む点以外は上述した第５の実施の形態に係る機械学習装置１２０と同様であってよい。また、学習用データセット取得ユニット１２１において取得される複数のデータも第５の実施の形態に係るものとは異なるものであってよい。本実施の形態に係る学習用データセット取得ユニット１２１は、図２１に示すように、コンピュータＰＣ１に接続されることで、このコンピュータＰＣ１から所望のデータを取得することができる。このコンピュータＰＣ１は、第５の実施の形態に係るコンピュータＰＣ１と同様に、コントロールユニット３０、分離液監視システム４０及び脱水固形物監視システム５０に接続されているが、これらに加えて、被処理液監視システム６０及びスクリューコンベアトルク監視システム７０の少なくとも１つにも接続され得る。なお、本実施の形態においては、コンピュータＰＣ１は、被処理液監視システム６０及びスクリューコンベアトルク監視システム７０の両方に接続され、学習用データセット取得ユニット１２１が取得する複数のデータには、被処理液ＰＬ１のスラリー濃度とスクリューコンベア３のトルク値の両方が含まれるものについて例示する。被処理液監視システム６０及びスクリューコンベアトルク監視システム７０は、上述の第３の実施の形態において例示したものと同様のものであって良く、ここではその詳細な説明は省略する。
　これら４つの監視システム４０、５０、６０及び７０により取得される各種データ、詳しくは、第１及び第２の画像データ、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値が、直接、あるいはコントロールユニット３０を介してコンピュータＰＣ１に送られる。そして、このコンピュータＰＣ１より、対応する所望の制御パラメータと共に学習用データセット取得ユニット１２１に送られる。学習用データセット取得ユニット１２１で取得した学習用データセットを構成する複数のデータは、第１及び第２の画像データと、被処理液ＰＬ１のスラリー濃度とスクリューコンベア３のトルク値とを第８の入力データとし、これらのデータに対応付けられた制御パラメータを第８の出力データとする第８の学習用データセットの形式で、第８の学習用データセット記憶ユニット２２８に格納され得る。そして、第８の学習ユニット２３８では、第８の学習用データセットを用いて、上述した第５の実施の形態の機械学習方法と同様の方法で機械学習が行われ、得られた第８の学習済モデルが学習済モデル記憶ユニット１２４に記憶される。
　図２２は、本開示の第７の実施の形態に係るデータ処理システム１８０Ｂを示す概略ブロック図である。本実施の形態に係るデータ処理システム１８０Ｂは、図２２に示すように、推論ユニットとして第８の推論ユニット８７８を含む点と、付加変数取得ユニット８９を含む点以外は上述した第５の実施の形態に係るデータ処理システム１８０と同様の構成要素を含むものであってよい。このうち、付加変数取得ユニット８９は、図２２に示すように、被処理液監視システム６０及びスクリューコンベアトルク監視システム７０に接続され、これらの監視システムから、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を取得するものであってよい。
　このデータ処理システム１８０Ｂが適用されたデカンタ１において制御パラメータの調整を行う場合は、上述した図１８に示すものと同様の処理を行えばよい。ただし、図１８に示す処理のうち、ステップＳ２３１と同時あるいはその前後の所定タイミングにおいて、付加変数取得ユニット８９が被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を取得する。そして、これらの値は、第８の推論ユニット８７８において学習済モデルの入力層に第１及び第２の画像データと共に対応付けられる。
　以上説明した通り、本実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムによれば、入力データとして、第１及び第２の画像データに加えて被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を採用したことで、ニューラルネットワークモデルの学習段階において、入力データと出力データとの間の相関関係を特定しやすくなる。これにより、十分な精度の推論が可能な各学習済モデルを生成するために必要な学習用データセットの数を抑えることが期待できる。
＜第８の実施の形態＞
　次に、上記第６及び第７の実施の形態において説示した技術思想を組み合わせた場合について、本開示の第８の実施の形態として以下に説明する。なお、以下に示す第８の実施の形態に係る機械学習装置１２０Ｃ及びデータ処理システム１８０Ｃの各構成要素のうち、第５乃至第７の実施の形態に係る機械学習装置１２０、１２０Ａ、１２０Ｂ及びデータ処理システム１８０、１８０Ａ、１８０Ｂの各構成要素と共通するものについては、同一の符号を付してその説明を省略する。また、以下に示す第８の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第７の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システムに適用した場合を例にとり説明されている。さらに、上述したあるいは後述する各実施の形態において説示された全ての変形例は、矛盾が生じない範囲において本実施の形態にも適用可能なものである。
　図２３は、本開示の第８の実施の形態に係る機械学習装置１２０Ｃの概略ブロック図である。本実施の形態に係る機械学習装置１２０Ｃは、図２３に示すように、その構成要素としては、学習用データセット記憶ユニットとして、第１の学習用データセット記憶ユニット２２１と第６の学習用データセット記憶ユニット２２６と第９の学習用データセット記憶ユニット２２９とを含み、学習ユニットとして第１の学習ユニット２３１と第６の学習ユニット２３６と第９の学習ユニット２３９とを含む点以外は、第５の実施の形態に係る機械学習装置１２０と同様であってよい。また、これに関連して、学習用データセット取得ユニット１２１において取得される複数のデータも第５の実施の形態とは異なっていてよい。
　本実施の形態に係る学習用データセット取得ユニット１２１は、図２３に示すように、コンピュータＰＣ１に接続されることで、このコンピュータＰＣ１から所望のデータを取得することができる。このコンピュータＰＣ１は、第５の実施の形態に係るコンピュータＰＣ１と同様に、コントロールユニット３０、分離液監視システム４０Ａ及び脱水固形物監視システム５０Ａに接続されているが、これらに加えて、被処理液監視システム６０及びスクリューコンベアトルク監視システム７０のうちの少なくとも１つにも接続され得る。コンピュータＰＣ１に接続された、コントロールユニット３０、分離液監視システム４０Ａ、脱水固形物監視システム５０Ａ、被処理液監視システム６０及びスクリューコンベアトルク監視システム７０の具体的な構成は、既に上述した他の実施の形態において例示したものと同様であってよい。そして、本実施の形態における学習用データセット取得ユニット１２１が取得する複数のデータは、第１及び第２の画像データと、制御パラメータとに加えて、更に被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値の少なくとも１つと、分離液ＳＬの特徴量と、脱水固形物Ｍの特徴量とを含んでいてよい。なお、本実施の形態においては、第７の実施の形態と同様に、コンピュータＰＣ１は、被処理液監視システム６０及びスクリューコンベアトルク監視システム７０の両方に接続され、学習用データセット取得ユニット１２１が取得する複数のデータには、被処理液ＰＬ１のスラリー濃度と、スクリューコンベア３のトルク値の両方が含まれるものを例示する。
　学習用データセット取得ユニット１２１において取得された複数のデータは、それぞれの対応関係を考慮しつつ、３つの学習用データセットとして第１の学習用データセット記憶ユニット２２１、第６の学習用データセット記憶ユニット２２６及び第９の学習用データセット記憶ユニット２２９内に別々に格納され得る。第１の学習用データセット記憶ユニット２２１に格納される第１の学習用データセットは、ボウル２内から排出された分離液を所定画角から撮像した分離液ＳＬの画像データ（第１の画像データ）を第１の入力データとして含み、第１の入力データに対応付けられた分離液ＳＬの特徴量を第１の出力データとして含むものであって良い。また、第６の学習用データセット記憶ユニット２２６に格納される第６の学習用データセットは、固形物排出口２ａから排出された脱水固形物Ｍを所定画角から撮像した画像データ（第２の画像データ）を第６の入力データとして含み、第６の入力データに対応付けられた脱水固形物Ｍの特徴量を第６の出力データとして含むものであって良い。さらに、第９の学習用データセット記憶ユニット２２９に格納される第９の学習用データセットは、分離液ＳＬの特徴量と、脱水固形物Ｍの特徴量と、被処理液ＰＬ１のスラリー濃度と、スクリューコンベア３のトルク値とを第９の入力データとして含み、第９の入力データに対応付けられた制御パラメータを第９の出力データとして含むものであって良い。
　第１の学習用データセット記憶ユニット２２１、第６の学習用データセット記憶ユニット２２６及び第９の学習用データセット記憶ユニット２２９にそれぞれ格納された第１、第６及び第９の学習用データセットは、それぞれ別の学習ユニットにのみ参照されるものであってよい。第１の学習ユニット２３１は、第１の学習用データセットを複数組入力することで、第１の入力データと第１の出力データとの相関関係を推論する学習モデルを学習するものであってよい。言い換えれば、この第１の学習ユニット２３１は、第１の学習用データセット内の第１の画像データを入力することで、第１の画像データの特徴量を推論する第１の学習モデルを学習するものであってよい。また、第６の学習ユニット２３６は、第６の学習用データセットを複数組入力することで、第６の入力データと第６の出力データとの相関関係を推論する学習モデルを学習するものであってよい。言い換えれば、この第６の学習ユニット２３６は、第６の学習用データセット内の第２の画像データを入力することで、第２の画像データの特徴量を推論する第６の学習モデルを学習するものであってよい。そして、第９の学習ユニット２３９は、第９の学習用データセットを複数組入力することで、第９の入力データと第９の出力データとの相関関係を推論する学習モデルを学習するものであってよい。言い換えれば、この第９の学習ユニット２３９は、第９の学習用データセット内の第１及び第２画像データの特徴量と、被処理液ＰＬ１のスラリー濃度と、スクリューコンベア３のトルク値とを入力することで、制御パラメータを推論する第９の学習モデルを学習するものであってよい。
　第１、第６及び第９の学習ユニット２３１、２３６及び２３９における具体的な機械学習方法は、学習に用いる学習用データセットは異なるものの、その工程は図６に示した教師あり学習の工程といずれも同様であってよい。そして、一連の機械学習工程を経て得られた第１、第６及び第９の学習済モデルは、学習済モデル記憶ユニット１２４内にそれぞれ記憶され得る。
　図２４は、本開示の第８の実施の形態に係るデータ処理システム１８０Ｃを示す概略ブロック図である。本実施の形態に係るデータ処理システム１８０Ｃは、図２４に示すように、演算ユニット１８３内の推論ユニットとして、第１の推論ユニット８７１と第６の推論ユニット８７６と第９の推論ユニット８７９とを含み、且つ付加変数取得ユニット８９を含む点以外は上述した第５の実施の形態に係るデータ処理システム１８０と同様の構成要素を含むものであってよい。このうち、付加変数取得ユニット８９は、上記第７の実施の形態において述べたものと同様のものを採用することができる。
　第１の推論ユニット８７１は、上述した機械学習装置１２０Ｃで生成され学習済モデル記憶ユニット１８８内に記憶された第１の学習済モデルを用いて推論を実行するものであってよい。したがって、この第１の推論ユニット８７１は、第１の画像データ取得ユニット８１において取得された第１の画像データが入力されると、第１の画像データの特徴量を出力層に出力することができる。また、第６の推論ユニット８７６は、上述した機械学習装置１２０Ｃで生成され学習済モデル記憶ユニット１８８内に記憶された第６の学習済モデルを用いて推論を実行するものであってよい。したがって、この第６の推論ユニット８７６は、第２の画像データ取得ユニット１８１において取得された第２の画像データが入力されると、第２の画像データの特徴量を出力層に出力することができる。さらに、第９の推論ユニット８７９は、上述した機械学習装置１２０Ｃで生成され学習済モデル記憶ユニット１８８内に記憶された第９の学習済モデルを用いて推論を実行するものであってよい。したがって、この第９の推論ユニット８７９は、第１の推論ユニット８７１において推論された第１の画像データの特徴量と、第６の推論ユニット８７６において推論された第２の画像データの特徴量と、被処理液ＰＬ１のスラリー濃度と、スクリューコンベア３のトルク値とが入力されると、制御パラメータを出力層に出力することができる。
　上述した付加変数取得ユニット８９と第１、第６及び第９の推論ユニット８７１、８７６及び８７９とを含むデータ処理システム１８０Ｃが適用されたデカンタ１において制御パラメータの調整を行う場合は、上述した図１８に示すものと同様の処理を行えばよい。ただし、図１８に示す処理のうち、ステップＳ２３１と同時あるいはその前後の所定タイミングにおいて、付加変数取得ユニット８９が被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を取得する工程を更に含むことができる。また、ステップＳ２４において制御パラメータを推論する際は、先ず第１の推論ユニット８７１と第６の推論ユニット８７６に第１及び第２の画像データをそれぞれ入力し、出力された第１及び第２の画像データの特徴量を付加変数取得ユニット８９において取得した２つの値と共に第９の推論ユニット８７９に入力する。
　以上説明した通り、本実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムによれば、十分な精度の推論が可能な各学習済モデルを生成するために必要な学習用データセットの数を、上述した第６及び第７の実施の形態よりも更に抑えることが期待できる。
＜第９の実施の形態＞
　次に、第９の実施の形態として、入力データに含まれる画像データとして、第１の実施の形態として説示した分離液ＳＬの画像データに加えて、フロック含有被処理液ＰＬ２の画像データを含むものについて説明する。なお、以下に示す第９の実施の形態に係る機械学習装置３２０及びデータ処理システム３８０の各構成要素のうち、第１乃至第８の実施の形態に係る機械学習装置及びデータ処理システムの各構成要素と共通するものについては、同一の符号を付してその説明を省略する。また、以下に示す第９の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第８の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システムに適用した場合を例にとり説明されている。さらに、上述したあるいは後述する実施の形態において述べられた全ての変形例は、矛盾が生じない範囲において本実施の形態にも適用可能なものである。
　図２５は、本開示の第９の実施の形態に係る機械学習装置３２０の概略ブロック図である。本実施の形態に係る機械学習装置３２０は、図２５に示すように、学習用データセット取得ユニット３２１と、第１０の学習用データセット記憶ユニット２２１０と、第１０の学習ユニット２３１０と、学習済モデル記憶ユニット３２４とを含むものであってよい。
　学習用データセット取得ユニット３２１は、上述した学習用データセット取得ユニット２１、１２１と同様のものであって、有線又は無線の通信回線を介して学習用データセットを構成する複数のデータを取得するインタフェースユニットであってよい。この学習用データセット取得ユニット３２１は、複数のデータとして、分離液ＳＬを撮像した第１の画像データと、フロック含有被処理液ＰＬ２を撮像した第３の画像データと、これらの画像データに対応付けられる制御パラメータとを取得することができる。また、本実施の形態に係る制御パラメータとしては、被処理液ＰＬ１へ添加される薬剤の供給量、ボウル２の遠心力及び差速発生装置５により制御される差速を含むものを例示する。
　この学習用データセット取得ユニット３２１において取得される複数のデータの取得方法の一例を説明する。学習用データセット取得ユニット３２１は、図２５に示すように、コンピュータＰＣ１に接続され、このコンピュータＰＣ１から所望のデータを取得することができる。このコンピュータＰＣ１は、コントロールユニット３０及び分離液監視システム４０に加えて、被処理液配管１０ｂに設置された被処理液監視システム６０にも直接又はコントロールユニット３０を介して間接的に接続されているとよい。これにより、コントロールユニット３０より各制御パラメータを、分離液監視システム４０より第１の画像データを、そして被処理液監視システム６０より第３の画像データをそれぞれ取得することができる。
　ここで、本実施の形態に係る被処理液監視システム６０としては、図２５に示すように、分離液監視システム４０と同様の構成を採用することができる。すなわち、被処理液配管１０ｂの少なくとも添加物配管１１ｃとの接続位置よりも下流の任意箇所に連結されたサイトグラス６１と、サイトグラス６１に設けられた窓６２に所定画角で設置され、サイトグラス６１内を流れるフロック含有被処理液ＰＬ２の画像データを撮像可能なフロック含有被処理液撮像用カメラ６３とを含むものを採用することができる。このうち、フロック含有被処理液撮像用カメラ６３には、二次元画像を撮像可能な周知のカメラを採用することができる。また、この被処理液監視システム６０においては、フロック含有被処理液撮像用カメラ６３により撮像される画像データにフロック含有被処理液ＰＬ２の状態が反映されやすいよう、サイトグラス６１内のフロック含有被処理液ＰＬ２を照らす図示しない光源や、フロック含有被処理液撮像用カメラ６３に取り付け可能な図示しない偏光フィルタを適宜採用することができる。なお、被処理液監視システム６０の構成はこれに限定されるものではなく、フロック含有被処理液ＰＬ２の画像データを取得可能な構成であれば種々の構成を採用することができる。具体例としては、例えば薬剤が給液管９に接続された添加物配管１１ｃを介して供給される場合には、フロック含有被処理液撮像用カメラ６３をスクリューコンベア３内部の空間３ｃ内を撮像可能な位置に配置した構成を採用してもよいし、例えば後述する図３３に示す被処理液監視システム６０Ａのような構成を採用してもよい。
　図２６は、本開示の第５の実施の形態に係る被処理液監視システム６０のフロック含有被処理液撮像用カメラ６３により得られた画像データの例を示したものである。ところで、遠心分離システムにより固液分離処理を行う際、デカンタ１に投入される被処理液内の固形物成分が薬液によって十分に凝集されていると、凝集が不十分であるものに比べて固形物成分と液体成分を良好に分離できることが一般に知られている。また、被処理液監視システム６０によって得られる第３の画像データにおいて、フロック含有被処理液ＰＬ２のフロック凝集が良好に行われていると、一のフロック凝集体が粗大化すると共に、フロック凝集体が存在しない領域の透明度が高くなる傾向がある。したがって、フロック含有被処理液ＰＬ２中のフロック凝集反応が良好に進んでいる画像データ（例えば図２６Ｂに示すもの）は、例えば薬剤供給量が不足している等の理由により反応が良好に進んでいない画像データ（例えば図２６Ａに示すもの）に比べて、ピクセル間の色味の変化量が増加する傾向があると推測できる。
　第１０の学習用データセット記憶ユニット２２１０は、学習用データセット取得ユニット３２１で取得した学習用データセットを構成する複数のデータを、関連する入力データと出力データとを関連付けて１つの学習用データセットとし、格納するためのデータベースであってよい。本実施の形態において第１０の学習用データセット記憶ユニット２２１０内に格納される第１０の学習用データセットとしては、ボウル２内から排出された分離液ＳＬを所定画角から撮像した第１の画像データと、ボウル２に供給される前であって且つ薬剤が添加された後のフロック含有被処理液ＰＬ２を所定画角から撮像した第３の画像データとを第１０の入力データとし、第１０の入力データとしての画像データに対応付けられた制御パラメータを第１０の出力データとしたものとすることができる。この制御パラメータとしては、ボウル２の遠心力、添加物供給源１１からの薬剤の供給量、及びボウル２とスクリューコンベア３との差速の少なくとも１つを含むものであってよい。
　第１０の学習ユニット２３１０は、第１０の学習用データセット記憶ユニット２２１０に記憶された第５の学習用データセットを複数組入力することで、第１０の入力データと第１０の出力データとの間の相関関係を推論する学習モデルを学習するものであってよい。本実施の形態においても、上述した第１及び第５の実施の形態と同様、機械学習の具体的な手法としてニューラルネットワークを用いた教師あり学習を採用している。この第１０の学習ユニット２３１０における具体的な機械学習方法は、学習に用いる学習用データセットが異なるものの、その工程は図６に示した第１の実施の形態に係る機械学習方法と同様であってよい。また、学習済モデル記憶ユニット３２４は、上述した学習済モデル記憶ユニット２４、１２４と同様のものであって、第１０の学習ユニット２３１０で生成された学習済モデルを記憶するためのデータベースであってよい。
　図２７は、本開示の第９の実施の形態に係るデータ処理システム３８０を示す概略ブロック図である。本実施の形態に係るデータ処理システム３８０は、図２７に示すように、主に第１の画像データ取得ユニット８１と、第３の画像データ取得ユニット３８１と、パラメータ調整ユニット８２と、演算ユニット３８３と、データベース（ＤＢ）８４と、ユーザインタフェース８５と、これらを相互に接続するための内部バス８６とを含むものであってよい。なお、上述した各構成要素のうち、第１の画像データ取得ユニット８１、パラメータ調整ユニット８２、データベース８４、ユーザインタフェース８５及び内部バス８６は、上述した第１及び第５の実施の形態に係るデータ処理システム８０、１８０のものと同様であってよい。
　第３の画像データ取得ユニット３８１は、第３の画像データを取得するためのものであってよい。具体的には、被処理液監視システム６０に接続されて、フロック含有被処理液撮像用カメラ６３により撮像されたフロック含有被処理液ＰＬ２の画像データである第３の画像データを取得するものであってよい。
　演算ユニット３８３は、データ処理システム３８０における各種処理を実現するためのプロセッサを構成するものであってよく、少なくとも第１０の推論ユニット８７１０を含むことができる。また、この演算ユニット３８３は、第１０の推論ユニット８７１０において利用する学習済モデル、すなわち第１０の学習ユニット２３１０において学習された第１０の学習済モデルを格納した学習済モデル記憶ユニット３８８に接続されている。第１０の推論ユニット８７１０は、学習済モデル記憶ユニット３８８に格納された一の学習済モデルを参酌することで、第１及び第３の画像データ取得ユニット８１、３８１で取得した状態変数としての第１及び第３の画像データから、パラメータ調整ユニット８２により調整を行う制御パラメータを推論するものであってよい。
　図２８は、本開示の第９の実施の形態に係るデータ処理システム３８０によるパラメータ調整の例を示すフローチャートである。データ処理システム３８０が適用されたデカンタ１の駆動が開始されると、図２８に示すように、先ずデータ処理システム３８０は、パラメータ調整のタイミングであるか否かを判断する（ステップＳ２１）。パラメータ調整のタイミングであることを検知すると（ステップＳ２１でＹｅｓ）、分離液監視システム４０内の分離液撮像用カメラ４３と、被処理液監視システム６０内のフロック含有被処理液撮像用カメラ６３とを動作させて、分離液排出導管８内を流れる分離液ＳＬと、被処理液配管１０ｂ内を流れるフロック含有被処理液ＰＬ２とを撮像する（ステップＳ２２２）。ここで撮像された第１及び第３の画像データは、第１及び第３の画像データ取得ユニット８１、３８１によりデータ処理システム３８０内に取得される（ステップＳ２３２）。
　次いで、第１及び第３の画像データ取得ユニット８１、３８１で取得した第１及び第３の画像データは、内部バス８６を介して第１０の推論ユニット８７１０に送られ、これらの画像データが第１０の推論ユニット８７１０において予め特定された学習済モデル記憶ユニット３８８内の一の学習済モデルの入力層に入力されることにより、制御パラメータを推論する（ステップＳ２４）。そして、ここで推論された制御パラメータの値を用いて、パラメータ調整ユニット８２が各制御ユニットを調整する（ステップＳ２５）。その後、ステップＳ２１に戻って待機状態となる。
　以上説明した通り、本実施の形態に係る機械学習装置３２０及び機械学習方法によれば、入力データとして２つの画像データを採用することで、入力データと出力データとの間の相関関係が学習しやすくなり、比較的少ない学習用データセットの数で、十分な精度の推論が可能な各学習済モデルを生成可能とすることができる。また、本実施の形態に係るデータ処理システム３８０によれば、分離液ＳＬの画像データ及びフロック含有被処理液ＰＬ２の画像データという２つの画像データのみから、デカンタ１の好ましい制御パラメータを推定できるため、このデータ処理システム３８０を比較的簡単にデカンタ１に適用することができる。そして、制御パラメータの調整をオペレータＥＮの判断に依存することなく簡単に行うことができるようになる。
＜第１０の実施の形態＞
　上記第９の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムにおいては、１つの学習済モデルを用いて第１及び第３の画像データから制御パラメータを推論するものについて説明を行った。以下には、上記第９の実施の形態の変形例として、第１及び第３の画像データから制御パラメータを推論するために複数の学習済モデルを利用する場合を、本開示の第１０の実施の形態として以下に説明する。なお、以下に示す第１０の実施の形態に係る機械学習装置３２０Ａ及びデータ処理システム３８０Ａの各構成要素のうち、第９の実施の形態に係る機械学習装置３２０及びデータ処理システム３８０の各構成要素と共通するものについては、同一の符号を付してその説明を省略する。また、以下に示す第１０の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第９の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システムに適用した場合を例にとり説明されている。さらに、上述したあるいは後述する各実施の形態において説示された全ての変形例は、矛盾が生じない範囲において本実施の形態にも適用可能なものである。
　図２９は、本開示の第１０の実施の形態に係る機械学習装置３２０Ａの概略ブロック図である。本実施の形態に係る機械学習装置３２０Ａは、図２９に示すように、その構成要素としては、学習用データセット記憶ユニットとして、第１の学習用データセット記憶ユニット２２１と第１１の学習用データセット記憶ユニット２２１１と第１２の学習用データセット記憶ユニット２２１２を含み、学習ユニットとして第１の学習ユニット２３１と第１１の学習ユニット２３１１と第１２の学習ユニット２３１２を含む点以外は、第９の実施の形態に係る機械学習装置３２０と同様であってよい。また、これに関連して、学習用データセット取得ユニット３２１において取得される複数のデータも第９の実施の形態のものとは異なっていてよい。なお、第１の学習用データセット記憶ユニット２２１及び第１の学習ユニット２３１については、上述した第２の実施の形態に係る機械学習装置２０Ａにおいて述べたものと同様であるので、第２の実施の形態のものと同一の符号を付してその説明を省略する。
　本実施の形態に係る学習用データセット取得ユニット３２１が取得する複数のデータは、第１及び第３の画像データと、制御パラメータとに加えて、更に分離液ＳＬの特徴量と、フロック含有被処理液ＰＬ２を撮像した第３の画像データの特徴量（以下、「フロック含有被処理液ＰＬ２の特徴量」ともいう）とを含んでいてよい。フロック含有被処理液ＰＬ２の特徴量としては、撮像されたフロック含有被処理液ＰＬ２に基づいて特定される種々の情報を採用することができる。具体的には、例えばフロック凝集体の大きさ、色値、密度等を１又は複数含むことができる。この特徴量は、例えばフロック含有被処理液ＰＬ２を実際にサンプリングして各種測定器等を用いて測定・分析することにより、あるいはオペレータＥＮが目視で判断することにより、特定することができる。
　上述した特徴量を測定等するために、本実施の形態に係る被処理液監視システム６０Ａには、フロック含有被処理液ＰＬ２をサンプリング抽出した上で第３の画像データを取得する構成を採用することが好ましい。具体的には、この被処理液監視システム６０Ａとして、上述した分離液監視システム４０Ａと同様のもの、すなわち、被処理液配管１０ｂに設けられた分岐管６４と、この分岐管６４に設けられたバルブ６５と、分岐管６４の端部に配置された透明な容器６６と、透明な容器６６の側面に設置されたフロック含有被処理液撮像用カメラ６３とを含むものを採用することができる。
　本実施の形態に係る学習用データセット取得ユニット３２１において取得された複数のデータは、それぞれの対応関係を考慮しつつ、３つの学習用データセットとして第１の学習用データセット記憶ユニット２２１、第１１の学習用データセット記憶ユニット２２１１及び第１２の学習用データセット記憶ユニット２２１２内に別々に格納され得る。第１の学習用データセット記憶ユニット２２１に格納される第１の学習用データセットは、ボウル２内から排出された分離液ＳＬを所定画角から撮像した第１の画像データを第１の入力データとして含み、第１の入力データに対応付けられた分離液ＳＬの特徴量を第１の出力データとして含むものであって良い。また、第１１の学習用データセット記憶ユニット２２１１に格納される第１１の学習用データセットは、ボウルに供給される前であって且つ薬剤が添加された後のフロック含有被処理液ＰＬ２を所定画角から撮像した第３の画像データを第１１の入力データとして含み、第１１の入力データに対応付けられたフロック含有被処理液ＰＬ２の特徴量を第１１の出力データとして含むものであって良い。さらに、第１２の学習用データセット記憶ユニット２２１２に格納される第１２の学習用データセットは、分離液ＳＬの特徴量とフロック含有被処理液ＰＬ２の特徴量とを第１２の入力データとして含み、第１２の入力データに対応付けられた制御パラメータを第１２の出力データとして含むものであって良い。
　第１の学習用データセット記憶ユニット２２１、第１１の学習用データセット記憶ユニット２２１１及び第１２の学習用データセット記憶ユニット２２１２にそれぞれ格納された第１、第１１及び第１２の学習用データセットは、それぞれ別の学習ユニットにのみ参照されるものであってよい。第１の学習ユニット２３１は、第１の学習用データセットを複数組入力することで、第１の入力データと第１の出力データとの相関関係を推論する学習モデルを学習するものであってよい。言い換えれば、この第１の学習ユニット２３１は、第１の学習用データセット内の第１の画像データを入力することで、第１の画像データの特徴量を推論する第１の学習モデルを学習するものであってよい。また、第１１の学習ユニット２３１１は、第１１の学習用データセットを複数組入力することで、第１１の入力データと第１１の出力データとの相関関係を推論する学習モデルを学習するものであってよい。言い換えれば、この第１１の学習ユニット２３１１は、第１１の学習用データセット内の第３の画像データを入力することで、第３の画像データの特徴量を推論する第１１の学習モデルを学習するものであってよい。さらに、第１２の学習ユニット２３１２は、第１２の学習用データセットを複数組入力することで、第１２の入力データと第１２の出力データとの相関関係を推論する学習モデルを学習するものであってよい。言い換えれば、この第１２の学習ユニット２３１２は、第１２の学習用データセット内の第１及び第３の画像データの特徴量を入力することで、制御パラメータを推論する第１２の学習モデルを学習するものであってよい。
　第１、第１１及び第１２の学習ユニット２３１、２３１１及び２３１２における具体的な機械学習方法は、学習に用いる学習用データセットは異なるものの、その工程は図６に示した教師あり学習の工程といずれも同様であってよい。そして、一連の機械学習工程を経て得られた第１、第１１及び第１２の学習済モデルは、学習済モデル記憶ユニット３２４内にそれぞれ記憶され得る。
　図３０は、本開示の第１０の実施の形態に係るデータ処理システム３８０Ａを示す概略ブロック図である。本実施の形態に係るデータ処理システム３８０Ａは、図３０に示すように、演算ユニット３８３内の推論ユニットとして、第１の推論ユニット８７１と第１１の推論ユニット８７１１と第１２の推論ユニット８７１２を含む点以外は上述した第９の実施の形態に係るデータ処理システム３８０と同様の構成要素を含むものであってよい。
　第１の推論ユニット８７１は、上述した機械学習装置３２０Ａで生成され学習済モデル記憶ユニット３８８内に記憶された第１の学習済モデルを用いて推論を実行するものであってよい。したがって、この第１の推論ユニット８７１は、第１の画像データ取得ユニット８１において取得された第１の画像データが入力されると、第１の画像データの特徴量を出力層に出力することができる。また、第１１の推論ユニット８７１１は、上述した機械学習装置３２０Ａで生成され学習済モデル記憶ユニット３８８内に記憶された第１１の学習済モデルを用いて推論を実行するものであってよい。したがって、この第１１の推論ユニット８７１１は、第３の画像データ取得ユニット３８１において取得された第３の画像データが入力されると、第３の画像データの特徴量を出力層に出力することができる。さらに、第１２の推論ユニット８７１２は、上述した機械学習装置３２０Ａで生成され学習済モデル記憶ユニット３８８内に記憶された第１２の学習済モデルを用いて推論を実行するものであってよい。したがって、この第１２の推論ユニット８７１２は、第１の推論ユニット８７１及び第１１の推論ユニット８７１１において推論された第１及び第３の画像データの特徴量が入力されると、制御パラメータを出力層に出力することができる。
　上述した第１、第１１及び第１２の推論ユニット８７１、８７１１及び８７１２を含むデータ処理システム３８０Ａが適用されたデカンタ１において制御パラメータの調整を行う場合は、上述した図２８に示すものと同様の処理を行えばよい。ただし、図２８に示す処理のうち、ステップＳ２４において制御パラメータを推論する際は、先ず第１の推論ユニット８７１と第１１の推論ユニット８７１１に第１及び第３の画像データを入力し、出力された第１及び第３の画像データの特徴量を第１２の推論ユニット８７１２に入力する。
　以上説明した通り、本実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムによれば、複数の学習済モデルを用いて制御パラメータの推論結果を得ることで、十分な精度の推論が可能な各学習済モデルを生成するために必要な学習用データセットの数を相対的に抑えることが期待できる。
＜第１１の実施の形態＞
　上記第９の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムにおいては、第１及び第３の画像データのみから制御パラメータを推論する場合について説明を行った。以下には、上記第９の実施の形態の変形例として、入力データとして、第１及び第３の画像データに加えて更に他の変数を採用した場合を、本開示の第１１の実施の形態として以下に説明する。なお、以下に示す第１１の実施の形態に係る機械学習装置３２０Ｂ及びデータ処理システム３８０Ｂの各構成要素のうち、第９及び第１０の実施の形態に係る機械学習装置３２０、３２０Ａ及びデータ処理システム３８０、３８０Ａの各構成要素と共通するものについては、同一の符号を付してその説明を省略する。また、以下に示す第１１の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第１０の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システムに適用した場合を例にとり説明されている。さらに、上述したあるいは後述する各実施の形態において説示された全ての変形例は、矛盾が生じない範囲において本実施の形態にも適用可能なものである。
　図３１は、本開示の第１１の実施の形態に係る機械学習装置３２０Ｂの概略ブロック図である。本実施の形態に係る機械学習装置３２０Ｂは、図３１に示すように、各構成要素については、学習用データセット記憶ユニットとして第１３の学習用データセット記憶ユニット２２１３を含み、学習ユニットとして第１３の学習ユニット２３１３を含む点以外は上述した第９の実施の形態に係る機械学習装置３２０と同様の構成要素を含むものであってよい。また、学習用データセット取得ユニット３２１において取得される複数のデータも第９の実施の形態に係るものとは異なるものであってよい。
　本実施の形態に係る学習用データセット取得ユニット３２１は、図３１に示すように、コンピュータＰＣ１に接続され、このコンピュータＰＣ１から所望のデータを取得する。このコンピュータＰＣ１は、第９の実施の形態に係るコンピュータＰＣ１と同様に、コントロールユニット３０、分離液監視システム４０及び被処理液監視システム６０に接続されているが、これらに加えて、被処理液濃度センサ６７、脱水固形物含水率計５６及びスクリューコンベアトルク監視システム７０の少なくとも１つにも接続され得る。このうち、被処理液濃度センサ６７は、例えば被処理液配管１０ｂの特に添加物配管１１ｃと合流する前の所定位置に配置され、被処理液供給源１０から供給される被処理液ＰＬ１のスラリー濃度を直接測定するものであってよい。この被処理液濃度センサ６７としては、例えば周知のレーザー式、光学式、あるいは超音波式の濃度センサを用いることができる。また、脱水固形物含水率計５６は、例えば固形物排出導管７に配置されて固形物排出導管７内を通過する脱水固形物Ｍの含水率を直接測定するものであってよい。この脱水固形物含水率計５６としては、例えば周知のマイクロ波式の含水率計を用いることができる。なお、この被処理液濃度センサ６７及び脱水固形物含水率計５６は図２では図示を省略している。また、本実施の形態においては、コンピュータＰＣ１は、被処理液濃度センサ６７、脱水固形物含水率計５６及びスクリューコンベアトルク監視システム７０の全てに接続され、学習用データセット取得ユニット３２１が取得する複数のデータには、被処理液濃度センサ６７が測定した被処理液ＰＬ１のスラリー濃度と、脱水固形物含水率計５６が測定した固形物排出口２ａから排出される脱水固形物Ｍの含水率と、スクリューコンベアトルク監視システム７０において測定されたスクリューコンベア３のトルク値の両方が含まれるものについて例示する。本実施の形態における脱水固形物含水率計５６とスクリューコンベアトルク監視システム７０とは、上述の第３の実施の形態において例示したものと同様のものであって良く、ここではその詳細な説明は省略する。
　上述した監視システム等により取得される各種データ、詳しくは、第１及び第３の画像データ、被処理液ＰＬ１のスラリー濃度、脱水固形物Ｍの含水率及びスクリューコンベア３のトルク値が、直接、あるいはコントロールユニット３０を介してコンピュータＰＣ１に送られ、このコンピュータＰＣ１より、対応する所望の制御パラメータと共に学習用データセット取得ユニット３２１に送られる。学習用データセット取得ユニット３２１で取得した学習用データセットを構成する複数のデータは、第１及び第３の画像データと、被処理液ＰＬ１のスラリー濃度と脱水固形物Ｍの含水率とスクリューコンベア３のトルク値とを第１３の入力データとし、これらのデータに対応付けられた制御パラメータを第１３の出力データとする第１３の学習用データセットの形式で、第１３の学習用データセット記憶ユニット２２１３に格納され得る。そして、第１３の学習ユニット２３１３では、第１３の学習用データセットを用いて、上述した第１３の実施の形態の機械学習方法と同様の方法で機械学習が行われ、得られた第１３の学習済モデルが学習済モデル記憶ユニット３２４に記憶される。
　図３２は、本開示の第１１の実施の形態に係るデータ処理システム３８０Ｂを示す概略ブロック図である。本実施の形態に係るデータ処理システム３８０Ｂは、図３２に示すように、推論ユニットとして第１３の推論ユニット８７１３を含む点と、付加変数取得ユニット８９を含む点以外は上述した第９の実施の形態に係るデータ処理システム３８０と同様の構成要素を含むものであってよい。このうち、付加変数取得ユニット８９は、図３２に示すように、被処理液濃度センサ６７、脱水固形物含水率計５６及びスクリューコンベアトルク監視システム７０に接続され、これら監視システム及びセンサから、被処理液ＰＬ１のスラリー濃度、脱水固形物Ｍの含水率及びスクリューコンベア３のトルク値を取得するものであってよい。
　このデータ処理システム３８０Ｂが適用されたデカンタ１において制御パラメータの調整を行う場合は、上述した図２８に示すものと同様の処理を行えばよい。ただし、図２８に示す処理のうち、ステップＳ２３２と同時あるいはその前後の所定タイミングにおいて、付加変数取得ユニット８９が被処理液ＰＬ１のスラリー濃度、脱水固形物Ｍの含水率及びスクリューコンベア３のトルク値を取得する。そして、これらの値は、第１３の推論ユニット８７１３において学習済モデルの入力層に第１及び第３の画像データと共に対応付けられる。
　以上説明した通り、本実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムによれば、入力データとして、第１及び第３の画像データに加えて被処理液ＰＬ１のスラリー濃度、脱水固形物Ｍの含水率及びスクリューコンベア３のトルク値を採用したことで、ニューラルネットワークモデルの学習段階において、入力データと出力データとの間の相関関係を特定しやすくなる。これにより、十分な精度の推論が可能な各学習済モデルを生成するために必要な学習用データセットの数を抑えることが期待できる。
＜第１２の実施の形態＞
　次に、上記第１０及び第１１の実施の形態において説示した技術思想を組み合わせた場合について、本開示の第１２の実施の形態として以下に説明する。なお、以下に示す第１２の実施の形態に係る機械学習装置３２０Ｃ及びデータ処理システム３８０Ｃの各構成要素のうち、第９乃至第１１の実施の形態に係る機械学習装置３２０、３２０Ａ、３２０Ｂ及びデータ処理システム３８０、３８０Ａ、３８０Ｂの各構成要素と共通するものについては、同一の符号を付してその説明を省略する。また、以下に示す第１２の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第１１の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システムに適用した場合を例にとり説明されている。さらに、上述したあるいは後述する各実施の形態において説示された全ての変形例は、矛盾が生じない範囲において本実施の形態にも適用可能なものである。
　図３３は、本開示の第１２の実施の形態に係る機械学習装置３２０Ｃの概略ブロック図である。本実施の形態に係る機械学習装置３２０Ｃは、図３３に示すように、その構成要素としては、学習用データセット記憶ユニットとして、第１の学習用データセット記憶ユニット２２１と第１１の学習用データセット記憶ユニット２２１１と第１４の学習用データセット記憶ユニット２２１４とを含み、学習ユニットとして第１の学習ユニット２３１と第１１の学習ユニット２３１１と第１４の学習ユニット２３１４とを含む点以外は、第９の実施の形態に係る機械学習装置１２０と同様の構成要素を含むものであってよい。また、これに関連して、学習用データセット取得ユニット１２１において取得される複数のデータも第９の実施の形態とは異なっていてよい。
　本実施の形態に係る学習用データセット取得ユニット３２１は、図３３に示すように、コンピュータＰＣ１に接続され、このコンピュータＰＣ１から所望のデータを取得することができる。このコンピュータＰＣ１は、第９の実施の形態に係るコンピュータＰＣ１と同様に、コントロールユニット３０、分離液監視システム４０Ａ及び被処理液監視システム６０Ａに接続されているが、これらに加えて、被処理液濃度センサ６７、脱水固形物含水率計５６及びスクリューコンベアトルク監視システム７０のうちの少なくとも１つにも接続され得る。コンピュータＰＣ１に接続された、コントロールユニット３０、分離液監視システム４０Ａ、被処理液監視システム６０Ａ、被処理液濃度センサ６７、脱水固形物含水率計５６及びスクリューコンベアトルク監視システム７０の具体的な構成は、既に上述した他の実施の形態において例示したものと同様であってよい。そして、本実施の形態における学習用データセット取得ユニット３２１が取得する複数のデータは、第１及び第３の画像データと、制御パラメータとに加えて、更に被処理液ＰＬ１のスラリー濃度、脱水固形物Ｍの含水率及びスクリューコンベア３のトルク値の少なくとも１つと、分離液ＳＬの特徴量と、フロック含有被処理液ＰＬ２の特徴量とを含んでいる。なお、本実施の形態においては、第９の実施の形態と同様に、コンピュータＰＣ１は、被処理液濃度センサ６７、脱水固形物含水率計５６及びスクリューコンベアトルク監視システム７０の全てに接続され、学習用データセット取得ユニット１２１が取得する複数のデータには、被処理液ＰＬ１のスラリー濃度と、脱水固形物含水率計５６と、スクリューコンベア３のトルク値の３つが含まれるものを例示する。
　学習用データセット取得ユニット３２１において取得された複数のデータは、それぞれの対応関係を考慮しつつ、３つの学習用データセットとして第１の学習用データセット記憶ユニット２２１、第１１の学習用データセット記憶ユニット２２１１及び第１４の学習用データセット記憶ユニット２２１４内に別々に格納され得る。第１の学習用データセット記憶ユニット２２１に格納される第１の学習用データセットは、ボウル２内から排出された分離液を所定画角から撮像した分離液ＳＬの画像データ（第１の画像データ）を第１の入力データとして含み、第１の入力データに対応付けられた分離液ＳＬの特徴量を第１の出力データとして含むものであって良い。また、第１１の学習用データセット記憶ユニット２２１１に格納される第１１の学習用データセットは、ボウル２に供給される前であって且つ薬剤が添加された後のフロック含有被処理液ＰＬ２を所定画角から撮像した画像データ（第３の画像データ）を第１１の入力データとして含み、第１１の入力データに対応付けられたフロック含有被処理液ＰＬ２の特徴量を第１１の出力データとして含むものであって良い。さらに、第１４の学習用データセット記憶ユニット２２１４に格納される第１４の学習用データセットは、分離液ＳＬの特徴量と、フロック含有被処理液ＰＬ２の特徴量と、被処理液ＰＬ１のスラリー濃度と、脱水固形物Ｍの含水率と、スクリューコンベア３のトルク値とを第１４の入力データとして含み、第１４の入力データに対応付けられた制御パラメータを第１４の出力データとして含むものであって良い。
　第１の学習用データセット記憶ユニット２２１、第１１の学習用データセット記憶ユニット２２１１及び第１４の学習用データセット記憶ユニット２２１４にそれぞれ格納された第１、第１１及び第１４の学習用データセットは、それぞれ別の学習ユニットにのみ参照されるものであってよい。第１の学習ユニット２３１は、第１の学習用データセットを複数組入力することで、第１の入力データと第１の出力データとの相関関係を推論する学習モデルを学習するものであってよい。言い換えれば、この第１の学習ユニット２３１は、第１の学習用データセット内の第１の画像データを入力することで、第１の画像データの特徴量を推論する第１の学習モデルを学習するものであってよい。また、第１１の学習ユニット２３１１は、第１１の学習用データセットを複数組入力することで、第１１の入力データと第１１の出力データとの相関関係を推論する学習モデルを学習するものであってよい。言い換えれば、この第１１の学習ユニット２３１１は、第１１の学習用データセット内の第３の画像データを入力することで、第３の画像データの特徴量を推論する第１１の学習モデルを学習するものであってよい。そして、第１４の学習ユニット２３１４は、第１４の学習用データセットを複数組入力することで、第１４の入力データと第１４の出力データとの相関関係を推論する学習モデルを学習するものであってよい。言い換えれば、この第１４の学習ユニット２３１４は、第１４の学習用データセット内の第１及び第３画像データの特徴量と、被処理液ＰＬ１のスラリー濃度と、脱水固形物Ｍの含水率と、スクリューコンベア３のトルク値とを入力することで、制御パラメータを推論する第１４の学習モデルを学習するものであってよい。
　第１、第１１及び第１４の学習ユニット２３１、２３１１及び２３１４における具体的な機械学習方法は、学習に用いる学習用データセットは異なるものの、その工程は図６に示した教師あり学習の工程といずれも同様であってよい。そして、一連の機械学習工程を経て得られた第１、第１１及び第１４の学習済モデルは、学習済モデル記憶ユニット３２４内にそれぞれ記憶され得る。
　図３４は、本開示の第１２の実施の形態に係るデータ処理システム３８０Ｃを示す概略ブロック図である。本実施の形態に係るデータ処理システム３８０Ｃは、図３４に示すように、演算ユニット３８３内の推論ユニットとして、第１の推論ユニット８７１と第１１の推論ユニット８７１１と第１４の推論ユニット８７１４とを含み、且つ付加変数取得ユニット８９を含む点以外は上述した第９の実施の形態に係るデータ処理システム３８０と同様の構成要素を含むものであってよい。このうち、付加変数取得ユニット８９は、上記第１１の実施の形態において述べたものと同様のものを採用することができる。
　第１の推論ユニット８７１は、上述した機械学習装置３２０Ｃで生成され学習済モデル記憶ユニット３８８内に記憶された第１の学習済モデルを用いて推論を実行するものであってよい。したがって、この第１の推論ユニット８７１は、第１の画像データ取得ユニット８１において取得された第１の画像データが入力されると、第１の画像データの特徴量を出力層に出力することができる。また、第１１の推論ユニット８７１１は、上述した機械学習装置３２０Ｃで生成され学習済モデル記憶ユニット３８８内に記憶された第１１の学習済モデルを用いて推論を実行するものであってよい。したがって、この第１１の推論ユニット８７１１は、第３の画像データ取得ユニット３８１において取得された第３の画像データが入力されると、第３の画像データの特徴量を出力層に出力することができる。さらに、第１４の推論ユニット８７１４は、上述した機械学習装置３２０Ｃで生成され学習済モデル記憶ユニット１８８内に記憶された第１４の学習済モデルを用いて推論を実行するものであってよい。したがって、この第１４の推論ユニット８７１４は、第１の推論ユニット８７１において推論された第１の画像データの特徴量と、第１１の推論ユニット８７１１において推論された第３の画像データの特徴量と、被処理液ＰＬ１のスラリー濃度と、脱水固形物Ｍの含水率と、スクリューコンベア３のトルク値とが入力されると、制御パラメータを出力層に出力することができる。
　上述した付加変数取得ユニット８９と第１、第１１及び第１４の推論ユニット８７１、８７１１及び８７１４とを含むデータ処理システム３８０Ｃが適用されたデカンタ１において制御パラメータの調整を行う場合は、上述した図２８に示すものと同様の処理を行えばよい。ただし、図２８に示す処理のうち、ステップＳ２３２と同時あるいはその前後の所定タイミングにおいて、付加変数取得ユニット８９が被処理液ＰＬ１のスラリー濃度、脱水固形物Ｍの含水率及びスクリューコンベア３のトルク値を取得する工程を更に含む。また、ステップＳ２４において制御パラメータを推論する際は、先ず第１の推論ユニット８７１と第１１の推論ユニット８７１１に第１及び第３の画像データをそれぞれ入力し、出力された第１及び第３の画像データの特徴量を付加変数取得ユニット８９において取得した３つの値と共に第１４の推論ユニット８７１４に入力する。
　以上説明した通り、本実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムによれば、十分な精度の推論が可能な各学習済モデルを生成するために必要な学習用データセットの数を、上述した第１０及び第１１の実施の形態よりも更に抑えることが期待できる。
＜第１３の実施の形態＞
　次に、第１３の実施の形態として、入力データに含まれる画像データとして、分離液ＳＬの画像データに加えて、脱水固形物Ｍの画像データとフロック含有被処理液ＰＬ２の画像データとを含むものについて説明する。なお、以下に示す第１３の実施の形態に係る機械学習装置５２０及びデータ処理システム５８０の各構成要素のうち、第１乃至第１２の実施の形態に係る機械学習装置及びデータ処理システムの各構成要素と共通するものについては、同一の符号を付してその説明を省略する。また、以下に示す第１３の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第１２の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システムに適用した場合を例にとり説明されている。さらに、上述したあるいは後述する実施の形態において述べられた全ての変形例は、矛盾が生じない範囲において本実施の形態にも適用可能なものである。
　図３５は、本開示の第１３の実施の形態に係る機械学習装置５２０の概略ブロック図である。本実施の形態に係る機械学習装置５２０は、図３５に示すように、学習用データセット取得ユニット５２１と、第１５の学習用データセット記憶ユニット２２１５と、第１５の学習ユニット２３１５と、学習済モデル記憶ユニット５２４とを含むものであってよい。
　学習用データセット取得ユニット５２１は、第１、第５及び第９の実施の形態の学習用データセット取得ユニット２１、１２１、３２１と同様のものであって、有線又は無線の通信回線を介して学習用データセットを構成する複数のデータを取得するインタフェースユニットであってよい。この学習用データセット取得ユニット５２１は、複数のデータとして、分離液ＳＬを撮像した第１の画像データと、脱水固形物Ｍを撮像した第２の画像データと、フロック含有被処理液ＰＬ２を撮像した第３の画像データと、これらの画像データに対応付けられる制御パラメータを取得していてよい。また、本実施の形態に係る制御パラメータとしては、被処理液ＰＬ１へ添加される薬剤の供給量、ボウル２の遠心力及び差速発生装置５により制御される差速を含むものを例示する。また、この学習用データセット取得ユニット５２１は、図３５に示すように、コンピュータＰＣ１に接続され、このコンピュータＰＣ１から所望のデータを取得することができる。このコンピュータＰＣ１は、コントロールユニット３０及び分離液監視システム４０に加えて、脱水固形物監視システム５０及び被処理液監視システム６０にも直接又はコントロールユニット３０を介して間接的に接続されている。これにより、コントロールユニット３０より各制御パラメータを、分離液監視システム４０より第１の画像データを、脱水固形物監視システム５０より第２の画像データを、そして被処理液監視システム６０より第３の画像データをそれぞれ取得することができる。本実施の形態に係る分離液監視システム４０、脱水固形物監視システム５０及び被処理液監視システム６０の具体的な構成については、上述した各実施の形態において既に例示しているので、ここではその説明を省略する。
　第１５の学習用データセット記憶ユニット２２１５は、学習用データセット取得ユニット５２１で取得した学習用データセットを構成する複数のデータを、関連する入力データと出力データとを関連付けて１つの学習用データセットとし、格納するためのデータベースであってよい。本実施の形態において第１５の学習用データセット記憶ユニット２２１５内に格納される第５の学習用データセットとしては、ボウル２内から排出された分離液ＳＬを所定画角から撮像した第１の画像データと、固形物排出口２ａから排出された脱水固形物Ｍを所定画角から撮像した第２の画像データと、ボウル２に供給される前であって且つ薬液が添加された後のフロック含有被処理液ＰＬ２を所定画角から撮像した第３の画像データとを第１５の入力データとし、第１５の入力データとしての画像データに対応付けられた制御パラメータを第１５の出力データとしたものとすることができる。本実施の形態における制御パラメータは、ボウル２の遠心力、添加物供給源１１からの薬剤の供給量、及びボウル２とスクリューコンベア３との差速の３つを含むものを例示しているが、これらのうちの少なくとも１つを含んでいればよい。また、例えば被処理液ＰＬ１の供給量やボウル２のダム２ｃのダムセット径といった制御パラメータを更に含む４つ以上の制御パラメータを採用してもよい。
　第１５の学習ユニット２３１５は、第１５の学習用データセット記憶ユニット２２１５に記憶された第５の学習用データセットを複数組入力することで、第１５の入力データと第１５の出力データとの間の相関関係を推論する学習モデルを学習するものであってよい。本実施の形態においても、上述した第１の実施の形態等と同様、機械学習の具体的な手法としてニューラルネットワークを用いた教師あり学習を採用している。この第１５の学習ユニット２３１５における具体的な機械学習方法は、学習に用いる学習用データセットが異なるものの、その工程は図６に示した第１の実施の形態に係る機械学習方法と同様であってよい。また、学習済モデル記憶ユニット５２４は、第１５の学習ユニット２３１５で生成された学習済モデルを記憶するためのデータベースであってよい。
　図３６は、本開示の第１５の実施の形態に係るデータ処理システム５８０を示す概略ブロック図である。本実施の形態に係るデータ処理システム５８０は、図３６に示すように、主に第１の画像データ取得ユニット８１と、第２の画像データ取得ユニット１８１と、第３の画像データ取得ユニット３８１と、パラメータ調整ユニット８２と、演算ユニット５８３と、データベース（ＤＢ）８４と、ユーザインタフェース８５と、これらを相互に接続するための内部バス８６とを含むものであってよい。なお、上述した各構成要素のうち、第１の画像データ取得ユニット８１、パラメータ調整ユニット８２、第２の画像データ取得ユニット１８１、第３の画像データ取得ユニット３８１、データベース８４、ユーザインタフェース８５及び内部バス８６は、上述した第１、第５及び第９の実施の形態に係るデータ処理システムのものと同様であるので、第１、第５及び第９の実施の形態のものと同一の符号を付してその説明を省略する。
　演算ユニット５８３は、データ処理システム５８０における各種処理を実現するためのプロセッサを構成するものであり、少なくとも第１５の推論ユニット８７１５を含んでいるとよい。また、この演算ユニット５８３は、第１５の推論ユニット８７１５において利用する学習済モデル、すなわち第１５の学習ユニット２３１５において学習された第１５の学習済モデルを格納した学習済モデル記憶ユニット５８８に接続されているとよい。第１５の推論ユニット８７１５は、学習済モデル記憶ユニット５８８に格納された一の学習済モデルを参酌することで、第１乃至第３の画像データ取得ユニット８１、１８１、３８１で取得した状態変数としての第１乃至第３の画像データから、パラメータ調整ユニット８２により調整を行う制御パラメータを推論するものであってよい。
　図３７は、本開示の第１５の実施の形態に係るデータ処理システムによるパラメータ調整の例を示すフローチャートである。データ処理システム５８０が適用されたデカンタ１の駆動が開始されると、図３７に示すように、先ずデータ処理システム５８０は、パラメータ調整のタイミングであるか否かを判断する（ステップＳ２１）。パラメータ調整のタイミングであることを検知すると（ステップＳ２１でＹｅｓ）、分離液監視システム４０内の分離液撮像用カメラ４３と、脱水固形物監視システム５０内の脱水固形物撮像用カメラ５３と、被処理液監視システム６０内のフロック含有被処理液撮像用カメラ６３とを動作させて、分離液排出導管８内を流れる分離液ＳＬと、固形物排出導管７内を通過する脱水固形物Ｍと、被処理液配管１０ｂ内を流れるフロック含有被処理液ＰＬ２とを撮像する（ステップＳ２２３）。ここで撮像された第１乃至第３の画像データは、第１乃至第３の画像データ取得ユニット８１、１８１、３８１によりデータ処理システム５８０内に取得される（ステップＳ２３３）。
　次いで、第１乃至第３の画像データ取得ユニット８１、１８１、３８１で取得した第１乃至第３の画像データは、内部バス８６を介して第１５の推論ユニット８７１５に送られ、これらの画像データが第１５の推論ユニット８７１５において予め特定された学習済モデル記憶ユニット５８８内の一の学習済モデルの入力層に入力されることにより、制御パラメータを推論する（ステップＳ２４）。そして、ここで推論された制御パラメータの値を用いて、パラメータ調整ユニット８２が各制御ユニットを調整する（ステップＳ２５）。その後、ステップＳ２１に戻って待機状態となる。
　以上説明した通り、本実施の形態に係る機械学習装置５２０及び機械学習方法によれば、入力データとして３つの画像データを採用することで、入力データと出力データとの間の相関関係が学習しやすくなり、比較的少ない学習用データセットの数で、十分な精度の推論が可能な各学習済モデルを生成可能とすることができる。また、本実施の形態に係るデータ処理システム５８０によれば、分離液ＳＬの画像データ、脱水固形物Ｍの画像データ及びフロック含有被処理液ＰＬ２の画像データという３つの画像データのみから、デカンタ１の好ましい制御パラメータを推定できるため、このデータ処理システム５８０を比較的簡単にデカンタ１に適用することができる。そして、制御パラメータの調整をオペレータＥＮの判断に依存することなく簡単に行うことができるようになる。
＜第１４の実施の形態＞
　上記第１３の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムにおいては、１つの学習済モデルを用いて第１乃至第３の画像データから制御パラメータを推論するものについて説明を行った。以下には、上記第１３の実施の形態の変形例として、第１乃至第３の画像データから制御パラメータを推論するために複数の学習済モデルを利用する場合を、本開示の第１４の実施の形態として以下に説明する。なお、以下に示す第１４の実施の形態に係る機械学習装置５２０Ａ及びデータ処理システム５８０Ａの各構成要素のうち、第１３の実施の形態に係る機械学習装置５２０及びデータ処理システム５８０の各構成要素と共通するものについては、同一の符号を付してその説明を省略する。また、以下に示す第１４の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第１３の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システムに適用した場合を例にとり説明されている。さらに、上述したあるいは後述する各実施の形態において説示された全ての変形例は、矛盾が生じない範囲において本実施の形態にも適用可能なものである。
　図３８は、本開示の第１４の実施の形態に係る機械学習装置５２０Ａの概略ブロック図である。本実施の形態に係る機械学習装置５２０Ａは、図３８に示すように、その構成要素としては、学習用データセット記憶ユニットとして、第１の学習用データセット記憶ユニット２２１と第６の学習用データセット記憶ユニット２２６と第１１の学習用データセット記憶ユニット２２１１と第１６の学習用データセット記憶ユニット２２１６とを含み、学習ユニットとして、第１の学習ユニット２３１と第６の学習ユニット２３６と第１１の学習ユニット２３１１と第１６の学習ユニット２３１６とを含む点以外は、第１３の実施の形態に係る機械学習装置５２０と同様の構成要素を含むものであってよい。また、これに関連して、学習用データセット取得ユニット５２１において取得される複数のデータも第１３の実施の形態のものとは異なっていてよい。なお、第１の学習用データセット記憶ユニット２２１、第６の学習用データセット記憶ユニット２２６及び第１１の学習用データセット記憶ユニット２２１１と、第１の学習ユニット２３１、第６の学習ユニット２３６及び第１１の学習ユニット２３１１については、上述した各実施の形態において既に例示しているので、ここではその説明を省略する。
　本実施の形態に係る学習用データセット取得ユニット５２１が取得する複数のデータは、第１及び第２の画像データと、制御パラメータとに加えて、更に分離液ＳＬの特徴量と、脱水固形物Ｍの特徴量と、フロック含有被処理液ＰＬ２の特徴量とを含んでいてよい。これらの特徴量についても、上述した各実施の形態において既に例示しているので、ここではその説明を省略する。
　学習用データセット取得ユニット５２１において取得された複数のデータは、それぞれの対応関係を考慮しつつ、４つの学習用データセットとして第１の学習用データセット記憶ユニット２２１、第６の学習用データセット記憶ユニット２２６、第１１の学習用データセット記憶ユニット２２１１及び第１６の学習用データセット記憶ユニット２２１６内に別々に格納され得る。このうち、第１６の学習用データセット記憶ユニット２２１６に格納される第１６の学習用データセットは、分離液ＳＬの特徴量と脱水固形物Ｍの特徴量とフロック含有被処理液ＰＬ２の特徴量とを第１６の入力データとして含み、第１６の入力データに対応付けられた制御パラメータを第１６の出力データとして含むものであって良い。
　第１の学習用データセット記憶ユニット２２１、第６の学習用データセット記憶ユニット２２６、第１１の学習用データセット記憶ユニット２２１１及び第１６の学習用データセット記憶ユニット２２１６にそれぞれ格納された第１、第６、第１１及び第１６の学習用データセットは、それぞれ別の学習ユニットにのみ参照されるものであってよい。このうち、第１６の学習ユニット２３１６は、第１６の学習用データセットを複数組入力することで、第１６の入力データと第１６の出力データとの相関関係を推論する学習モデルを学習するものであってよい。言い換えれば、この第１６の学習ユニット２３１６は、第１６の学習用データセット内の第１乃至第３の画像データの特徴量を入力することで、制御パラメータを推論する第１６の学習モデルを学習するものであってよい。
　第１、第６、第１１及び第１６の学習ユニット２３１、２３６、２３１１及び２３１６における具体的な機械学習方法は、学習に用いる学習用データセットは異なるものの、その工程は図６に示した教師あり学習の工程といずれも同様であってよい。そして、一連の機械学習工程を経て得られた第１、第６、第１１及び第１６の学習済モデルは、学習済モデル記憶ユニット５２４内にそれぞれ記憶され得る。
　図３９は、本開示の第１４の実施の形態に係るデータ処理システム５８０Ａを示す概略ブロック図である。本実施の形態に係るデータ処理システム５８０Ａは、図３９に示すように、演算ユニット５８３内の推論ユニットとして、第１の推論ユニット８７１と第６の推論ユニット８７６と第１１の推論ユニット８７１１と第１６の推論ユニット８７１６を含む点以外は上述した第１３の実施の形態に係るデータ処理システム５８０と同様の構成要素を含むものであってよい。
　これらの推論ユニットのうち、第１６の推論ユニット８７１６は、上述した機械学習装置５２０Ａで生成され学習済モデル記憶ユニット５８８内に記憶された第１６の学習済モデルを用いて推論を実行するものであってよい。したがって、この第１６の推論ユニット８７１６は、第１の推論ユニット８７１、第６の推論ユニット８７６及び第１１の推論ユニット８７１１において推論された第１乃至第３の画像データの特徴量が入力されると、制御パラメータを出力層に出力することができる。なお、第１の推論ユニット８７１、第６の推論ユニット８７６及び第１１の推論ユニット８７１１については、上述した各実施の形態において既に例示しているので、ここではその説明を省略する。
　上述した第１、第６、第１１及び第１６の推論ユニット８７１、８７６、８７１１及び８７１６を含むデータ処理システム５８０Ａが適用されたデカンタ１において制御パラメータの調整を行う場合は、上述した図３７に示すものと同様の処理を行えばよい。ただし、図３７に示す処理のうち、ステップＳ２４において制御パラメータを推論する際は、先ず第１の推論ユニット８７１と第６の推論ユニット８７６と第１１の推論ユニット８７１１に第１乃至第３の画像データを入力し、出力された第１乃至第３の画像データの特徴量を第１６の推論ユニット８７１６に入力する。
　以上説明した通り、本実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムによれば、複数の学習済モデルを用いて制御パラメータの推論結果を得ることで、十分な精度の推論が可能な各学習済モデルを生成するために必要な学習用データセットの数を相対的に抑えることが期待できる。
＜第１５の実施の形態＞
　上記第１３の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムにおいては、第１乃至第３の画像データのみから制御パラメータを推論する場合について説明を行った。以下には、上記第１３の実施の形態の変形例として、入力データとして、第１乃至第３の画像データに加えて更に他の変数を採用した場合を、本開示の第１５の実施の形態として以下に説明する。なお、以下に示す第１５の実施の形態に係る機械学習装置５２０Ｂ及びデータ処理システム５８０Ｂの各構成要素のうち、第１３及び第１４の実施の形態に係る機械学習装置５２０、５２０Ａ及びデータ処理システム５８０、５８０Ａの各構成要素と共通するものについては、同一の符号を付してその説明を省略する。また、以下に示す第１５の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第１４の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システムに適用した場合を例にとり説明されている。さらに、上述したあるいは後述する各実施の形態において説示された全ての変形例は、矛盾が生じない範囲において本実施の形態にも適用可能なものである。
　図４０は、本開示の第１５の実施の形態に係る機械学習装置５２０Ｂの概略ブロック図である。本実施の形態に係る機械学習装置５２０Ｂは、図４０に示すように、各構成要素については、学習用データセット記憶ユニットとして第１７の学習用データセット記憶ユニット２２１７を含み、学習ユニットとして第１７の学習ユニット２３１７を含む点以外は上述した第１３の実施の形態に係る機械学習装置５２０と同様であってよい。また、学習用データセット取得ユニット５２１において取得される複数のデータも第１３の実施の形態に係るものとは異なるものであってよい。本実施の形態に係る学習用データセット取得ユニット５２１は、図４０に示すように、コンピュータＰＣ１に接続されることで、このコンピュータＰＣ１から所望のデータを取得することができる。このコンピュータＰＣ１は、第１３の実施の形態に係るコンピュータＰＣ１と同様に、コントロールユニット３０、分離液監視システム４０、脱水固形物監視システム５０及び被処理液監視システム６０に接続されているが、これらに加えて、被処理液濃度センサ６７及びスクリューコンベアトルク監視システム７０の少なくとも１つにも接続され得る。なお、本実施の形態においては、コンピュータＰＣ１は、被処理液濃度センサ６７及びスクリューコンベアトルク監視システム７０の両方に接続され、学習用データセット取得ユニット５２１が取得する複数のデータには、被処理液ＰＬ１のスラリー濃度とスクリューコンベア３のトルク値の両方が含まれるものについて例示する。被処理液濃度センサ６７及びスクリューコンベアトルク監視システム７０は、上述の実施の形態において例示したものと同様のものであって良く、ここではその詳細な説明は省略する。
　これらの監視システム等により取得される各種データ、詳しくは、第１乃至第３の画像データ、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値が、直接、あるいはコントロールユニット３０を介してコンピュータＰＣ１に送られ、このコンピュータＰＣ１より、対応する所望の制御パラメータと共に学習用データセット取得ユニット５２１に送られる。学習用データセット取得ユニット５２１で取得した学習用データセットを構成する複数のデータは、第１乃至第３の画像データと、被処理液ＰＬ１のスラリー濃度とスクリューコンベア３のトルク値とを第１７の入力データとし、これらのデータに対応付けられた制御パラメータを第１７の出力データとする第１７の学習用データセットの形式で、第１７の学習用データセット記憶ユニット２２１７に格納され得る。そして、第１７の学習ユニット２３１７では、第１７の学習用データセットを用いて、上述した第１３の実施の形態の機械学習方法と同様の方法で機械学習が行われ、得られた第１７の学習済モデルが学習済モデル記憶ユニット５２４に記憶される。
　図４１は、本開示の第１５の実施の形態に係るデータ処理システム５８０Ｂを示す概略ブロック図である。本実施の形態に係るデータ処理システム５８０Ｂは、図４１に示すように、推論ユニットとして第１７の推論ユニット８７１７を含む点と、付加変数取得ユニット８９を含む点以外は上述した第１３の実施の形態に係るデータ処理システム５８０と同様の構成要素を含むものであってよい。このうち、付加変数取得ユニット８９は、図４１に示すように、被処理液濃度センサ６７及びスクリューコンベアトルク監視システム７０に接続され、被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を取得するものであってよい。
　このデータ処理システム５８０Ｂが適用されたデカンタ１において制御パラメータの調整を行う場合は、上述した図３７に示すものと同様の処理を行えばよい。ただし、図３７に示す処理のうち、ステップＳ２３３と同時あるいはその前後の所定タイミングにおいて、付加変数取得ユニット８９が被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を取得する。そして、これらの値は、第１７の推論ユニット８７１７において学習済モデルの入力層に第１乃至第３の画像データと共に対応付けられる。
　以上説明した通り、本実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムによれば、入力データとして、第１乃至第３の画像データに加えて被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を採用したことで、ニューラルネットワークモデルの学習段階において、入力データと出力データとの間の相関関係を特定しやすくなる。これにより、十分な精度の推論が可能な各学習済モデルを生成するために必要な学習用データセットの数を抑えることが期待できる。
＜第１６の実施の形態＞
　次に、上記第１４及び第１５の実施の形態において説示した技術思想を組み合わせた場合について、本開示の第１６の実施の形態として以下に説明する。なお、以下に示す第１６の実施の形態に係る機械学習装置５２０Ｃ及びデータ処理システム５８０Ｃの各構成要素のうち、第１３乃至第１５の実施の形態に係る機械学習装置５２０、５２０Ａ、５２０Ｂ及びデータ処理システム５８０、５８０Ａ、５８０Ｂの各構成要素と共通するものについては、同一の符号を付してその説明を省略する。また、以下に示す第１６の実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムは、第１乃至第１５の実施の形態に係るものと同様に、図１及び図２に示す遠心分離システムに適用した場合を例にとり説明されている。さらに、上述したあるいは後述する各実施の形態において説示された全ての変形例は、矛盾が生じない範囲において本実施の形態にも適用可能なものである。
　図４２は、本開示の第１６の実施の形態に係る機械学習装置５２０Ｃの概略ブロック図である。本実施の形態に係る機械学習装置５２０Ｃは、図４２に示すように、その構成要素としては、学習用データセット記憶ユニットとして、第１の学習用データセット記憶ユニット２２１と第６の学習用データセット記憶ユニット２２６と第１１の学習用データセット記憶ユニット２２１１と第１８の学習用データセット記憶ユニット２２１８とを含み、学習ユニットとして第１の学習ユニット２３１と第６の学習ユニット２３６と第１１の学習ユニット２３１１と第１８の学習ユニット２３１８とを含む点以外は、第１３の実施の形態に係る機械学習装置５２０と同様であってよい。また、これに関連して、学習用データセット取得ユニット５２１において取得される複数のデータも第５の実施の形態とは異なっていてよい。なお、第１の学習用データセット記憶ユニット２２１、第６の学習用データセット記憶ユニット２２６及び第１１の学習用データセット記憶ユニット２２１１と、第１の学習ユニット２３１、第６の学習ユニット２３６及び第１１の学習ユニット２３１１については、上述した各実施の形態において既に例示しているので、ここではその説明を省略する。
　本実施の形態に係る学習用データセット取得ユニット５２１は、図４２に示すように、コンピュータＰＣ１に接続されることで、このコンピュータＰＣ１から所望のデータを取得することができる。このコンピュータＰＣ１は、第１３の実施の形態に係るコンピュータＰＣ１と同様に、コントロールユニット３０、分離液監視システム４０Ａ、脱水固形物監視システム５０Ａ及び被処理液監視システム６０Ａに接続されているが、これらに加えて、被処理液濃度センサ６７及びスクリューコンベアトルク監視システム７０のうちの少なくとも１つにも接続され得る。コンピュータＰＣ１に接続された、コントロールユニット３０、分離液監視システム４０Ａ、脱水固形物監視システム５０Ａ、被処理液監視システム６０Ａ、被処理液濃度センサ６７及びスクリューコンベアトルク監視システム７０の具体的な構成は、既に上述した他の実施の形態において例示したものと同様であってよい。そして、本実施の形態における学習用データセット取得ユニット５２１が取得する複数のデータは、第１乃至第３の画像データと、制御パラメータとに加えて、更に被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値の少なくとも１つと、分離液ＳＬの特徴量と、脱水固形物Ｍの特徴量と、フロック含有被処理液ＰＬ２の特徴量とを含んでいる。なお、本実施の形態においては、第１４の実施の形態と同様に、コンピュータＰＣ１は、被処理液濃度センサ６７及びスクリューコンベアトルク監視システム７０の両方に接続され、学習用データセット取得ユニット５２１が取得する複数のデータには、被処理液ＰＬ１のスラリー濃度と、スクリューコンベア３のトルク値の両方が含まれるものを例示する。
　学習用データセット取得ユニット５２１において取得された複数のデータは、それぞれの対応関係を考慮しつつ、３つの学習用データセットとして第１の学習用データセット記憶ユニット２２１、第６の学習用データセット記憶ユニット２２６、第１１の学習用データセット記憶ユニット２２１１及び第１８の学習用データセット記憶ユニット２２１８内に別々に格納される。このうち、第１８の学習用データセット記憶ユニット２２１８に格納される第１８の学習用データセットは、分離液ＳＬの特徴量と、脱水固形物Ｍの特徴量と、フロック含有被処理液ＰＬ２の特徴量と、被処理液ＰＬ１のスラリー濃度と、スクリューコンベア３のトルク値とを第１８の入力データとして含み、第１８の入力データに対応付けられた制御パラメータを第１８の出力データとして含むものであって良い。なお、
　第１の学習用データセット記憶ユニット２２１、第６の学習用データセット記憶ユニット２２６、第１１の学習用データセット記憶ユニット２２１１及び第１８の学習用データセット記憶ユニット２２１８にそれぞれ格納された第１、第６、第１１及び第１８の学習用データセットは、それぞれ別の学習ユニットにのみ参照されるものであってよい。このうち、第１８の学習ユニット２３１８は、第１８の学習用データセットを複数組入力することで、第１８の入力データと第１８の出力データとの相関関係を推論する学習モデルを学習するものであってよい。言い換えれば、この第１８の学習ユニット２３１８は、第１８の学習用データセット内の第１乃至第３の画像データの特徴量と、被処理液ＰＬ１のスラリー濃度と、スクリューコンベア３のトルク値とを入力することで、制御パラメータを推論する第１８の学習モデルを学習するものであってよい。
　第１、第６、第１１及び第１８の学習ユニット２３１、２３６、２３１１及び２３１８における具体的な機械学習方法は、学習に用いる学習用データセットは異なるものの、その工程は図６に示した教師あり学習の工程といずれも同様であってよい。そして、一連の機械学習工程を経て得られた第１、第６、第１１及び第１８の学習済モデルは、学習済モデル記憶ユニット５２４内にそれぞれ記憶され得る。
　図４３は、本開示の第１６の実施の形態に係るデータ処理システム１８０Ｃを示す概略ブロック図である。本実施の形態に係るデータ処理システム５８０Ｃは、図４３に示すように、演算ユニット５８３内の推論ユニットとして、第１の推論ユニット８７１と第６の推論ユニット８７６と第１１の推論ユニット８７１１と第１８の推論ユニット８７１８とを含み、且つ付加変数取得ユニット８９を含む点以外は上述した第１３の実施の形態に係るデータ処理システム５８０と同様の構成要素を含むものであってよい。このうち、付加変数取得ユニット８９は、上記第１５の実施の形態において述べたものと同様のものを採用することができる。
　これらの推論ユニットのうち、第１８の推論ユニット８７１８は、上述した機械学習装置５２０Ｃで生成され学習済モデル記憶ユニット５８８内に記憶された第１８の学習済モデルを用いて推論を実行するものであってよい。したがって、この第１８の推論ユニット８７１８は、第１の推論ユニット８７１、第６の推論ユニット８７６及び第１１の推論ユニット８７１１において推論された第１乃至第３の画像データの特徴量と、被処理液ＰＬ１のスラリー濃度と、スクリューコンベア３のトルク値とが入力されると、制御パラメータを出力層に出力することができる。なお、第１の推論ユニット８７１、第６の推論ユニット８７６及び第１１の推論ユニット８７１１については、上述した各実施の形態において既に例示しているので、ここではその説明を省略する。
　上述した付加変数取得ユニット８９と第１、第６、第１１及び第１８の推論ユニット８７１、８７６、８７１１及び８７１８とを含むデータ処理システム５８０Ｃが適用されたデカンタ１において制御パラメータの調整を行う場合は、上述した図３７に示すものと同様の処理を行えばよい。ただし、図３７に示す処理のうち、ステップＳ２３３と同時あるいはその前後の所定タイミングにおいて、付加変数取得ユニット８９が被処理液ＰＬ１のスラリー濃度及びスクリューコンベア３のトルク値を取得する工程を更に含むことができる。また、ステップＳ２４において制御パラメータを推論する際は、先ず第１の推論ユニット８７１と第６の推論ユニット８７６と第１１の推論ユニット８７１１とに第１乃至第３の画像データをそれぞれ入力し、出力された第１乃至第３の画像データの特徴量を付加変数取得ユニット８９において取得した２つの値と共に第１８の推論ユニット８７１８に入力する。
　以上説明した通り、本実施の形態に係る機械学習装置、機械学習方法及びデータ処理システムによれば、十分な精度の推論が可能な各学習済モデルを生成するために必要な学習用データセットの数を、上述した第１４及び第１５の実施の形態よりも更に抑えることが期待できる。
　上述した実施の形態は一例を示したものに過ぎず、以って本開示は上述した実施の形態に限定されるものではなく、本開示の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本開示の技術思想に含まれるものである。また、本開示において、各構成要素は、矛盾が生じない限りは１つのみ存在しても２つ以上存在してもよい。
　本明細書中で引用する刊行物、特許出願及び特許を含むすべての文献を、各文献を個々に具体的に示し、参照して組み込むのと、また、その内容のすべてをここで述べるのと同じ限度で、ここで参照して組み込む。
　本発明の説明に関連して（特に以下の請求項に関連して）用いられる名詞及び同様な指示語の使用は、本明細書中で特に指摘したり、明らかに文脈と矛盾したりしない限り、単数及び複数の両方に及ぶものと解釈される。語句「備える」、「有する」、「含む」及び「包含する」は、特に断りのない限り、オープンエンドターム（すなわち「～を含むが限らない」という意味）として解釈される。本明細書中の数値範囲の具陳は、本明細書中で特に指摘しない限り、単にその範囲内に該当する各値を個々に言及するための略記法としての役割を果たすことだけを意図しており、各値は、本明細書中で個々に列挙されたかのように、明細書に組み込まれる。本明細書中で説明されるすべての方法は、本明細書中で特に指摘したり、明らかに文脈と矛盾したりしない限り、あらゆる適切な順番で行うことができる。本明細書中で使用するあらゆる例又は例示的な言い回し（例えば「など」）は、特に主張しない限り、単に本発明をよりよく説明することだけを意図し、本発明の範囲に対する制限を設けるものではない。明細書中のいかなる言い回しも、請求項に記載されていない要素を、本発明の実施に不可欠であるものとして示すものとは解釈されないものとする。
　本明細書中では、本発明を実施するため本発明者が知っている最良の形態を含め、本発明の好ましい実施の形態について説明している。当業者にとっては、上記説明を読めば、これらの好ましい実施の形態の変形が明らかとなろう。本発明者は、熟練者が適宜このような変形を適用することを期待しており、本明細書中で具体的に説明される以外の方法で本発明が実施されることを予定している。したがって本発明は、準拠法で許されているように、本明細書に添付された請求項に記載の内容の修正及び均等物をすべて含む。さらに、本明細書中で特に指摘したり、明らかに文脈と矛盾したりしない限り、すべての変形における上記要素のいずれの組合せも本発明に包含される。
 

Claims (30)

  1. 　被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムのための機械学習装置であって、
    　前記ボウル内から排出された分離液を所定画角から撮像した画像データを含む入力データと、前記入力データに対応付けられた制御パラメータを含む出力データとを備える学習用データセットを複数組記憶する学習用データセット記憶ユニットであって、前記制御パラメータは、前記被処理液に添加される添加物の供給量、前記ボウルの遠心力、及び前記差速発生装置により制御される差速のうちの少なくとも１つを備える、前記学習用データセット記憶ユニットと；
    　前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習する学習ユニットと；
    　前記学習ユニットによって学習された前記学習モデルを記憶する学習済モデル記憶ユニットと；を備える、
    　機械学習装置。
  2. 　前記学習ユニットは、
    　前記学習用データセット内の画像データを入力することで、前記画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニットと；
    　前記画像データの特徴量を入力することで、前記制御パラメータを推論する第２の学習モデルを学習する第２の学習ユニットと；を備える、
    　請求項１に記載の機械学習装置。
  3. 　前記入力データは、前記被処理液のスラリー濃度と、前記排出口から排出される脱水固形物の含水率と、前記スクリューコンベアのトルク値とのうちの少なくとも１つを更に含む、
    　請求項１に記載の機械学習装置。
  4. 　前記入力データは、前記被処理液のスラリー濃度と、前記排出口から排出される脱水固形物の含水率と、前記スクリューコンベアのトルク値とのうちの少なくとも１つを更に含み、
    　前記学習ユニットは、
    　前記学習用データセット内の画像データを入力することで、前記画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニットと；
    　前記被処理液のスラリー濃度と、前記排出口から排出される脱水固形物の含水率と、前記スクリューコンベアのトルク値とのうちの少なくとも１つと、前記画像データの特徴量とを入力することで、前記制御パラメータを推論する第４の学習モデルを学習する第４の学習ユニットと；を備える、
    　請求項１に記載の機械学習装置。
  5. 　被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムのための機械学習装置であって、
    　前記ボウル内から排出された分離液を所定画角から撮像した第１の画像データと、前記排出口から排出された脱水固形物を所定画角から撮像した第２の画像データとを含む入力データと、前記入力データに対応付けられた制御パラメータを含む出力データとを備える学習用データセットを複数組記憶する学習用データセット記憶ユニットであって、前記制御パラメータは、前記被処理液に添加される添加物の供給量、前記ボウルの遠心力、及び前記差速発生装置により制御される差速のうちの少なくとも１つを備える、前記学習用データセット記憶ユニットと；
    　前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習する学習ユニットと；
    　前記学習ユニットによって学習された前記学習モデルを記憶する学習済モデル記憶ユニットと；を備える、
    　機械学習装置。
  6. 　前記学習ユニットは、
    　前記学習用データセット内の第１の画像データを入力することで、前記第１の画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニットと；
    　前記学習用データセット内の第２の画像データを入力することで、前記第２の画像データの特徴量を推論する第６の学習モデルを学習する第６の学習ユニットと；
    　前記第１の画像データの特徴量と前記第２の画像データの特徴量とを入力することで、前記制御パラメータを推論する第７の学習モデルを学習する第７の学習ユニットと；を備える、
    　請求項５に記載の機械学習装置。
  7. 　前記入力データは、前記被処理液のスラリー濃度と、前記スクリューコンベアのトルク値とのうちの少なくとも１つを更に含む、
    　請求項５に記載の機械学習装置。
  8. 　前記入力データは、前記被処理液のスラリー濃度と、前記スクリューコンベアのトルク値とのうちの少なくとも１つを更に含み、
    　前記学習ユニットは、
    　前記学習用データセット内の第１の画像データを入力することで、前記第１の画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニットと；
    　前記学習用データセット内の第２の画像データを入力することで、前記第２の画像データの特徴量を推論する第６の学習モデルを学習する第６の学習ユニットと；
    　前記被処理液のスラリー濃度と、前記スクリューコンベアのトルク値とのうちの少なくとも１つと、前記第１の画像データの特徴量と、前記第２の画像データの特徴量とを入力することで、前記制御パラメータを推論する第９の学習モデルを学習する第９の学習ユニットと；を備える、
    　請求項５に記載の機械学習装置。
  9. 　被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムのための機械学習装置であって、
    　前記ボウル内から排出された分離液を所定画角から撮像した第１の画像データと、前記ボウルに供給される前であって且つ所定の添加物が添加された後の前記被処理液を所定画角から撮像した第３の画像データとを含む入力データと、前記入力データに対応付けられた制御パラメータを含む出力データとを備える学習用データセットを複数組記憶する学習用データセット記憶ユニットであって、前記制御パラメータは、前記被処理液に添加される添加物の供給量、前記ボウルの遠心力、及び前記差速発生装置により制御される差速のうちの少なくとも１つを備える、前記学習用データセット記憶ユニットと；
    　前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習する学習ユニットと；
    　前記学習ユニットによって学習された前記学習モデルを記憶する学習済モデル記憶ユニットと；を備える、
    　機械学習装置。
  10. 　前記学習ユニットは、
    　前記学習用データセット内の第１の画像データを入力することで、前記第１の画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニットと；
    　前記学習用データセット内の第３の画像データを入力することで、前記第３の画像データの特徴量を推論する第１１の学習モデルを学習する第１１の学習ユニットと；
    　前記第１の画像データの特徴量と前記第３の画像データの特徴量とを入力することで、前記制御パラメータを推論する第１２の学習モデルを学習する第１２の学習ユニットと；を備える、
    　請求項９に記載の機械学習装置。
  11. 　前記入力データは、前記被処理液のスラリー濃度と、前記排出口から排出される脱水固形物の含水率と、前記スクリューコンベアのトルク値とのうちの少なくとも１つを更に含む、
    　請求項９に記載の機械学習装置。
  12. 　前記入力データは、前記被処理液のスラリー濃度と、前記排出口から排出される脱水固形物の含水率と、前記スクリューコンベアのトルク値とのうちの少なくとも１つを更に含み、
    　前記学習ユニットは、
    　前記学習用データセット内の第１の画像データを入力することで、前記第１の画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニットと；
    　前記学習用データセット内の第３の画像データを入力することで、前記第３の画像データの特徴量を推論する第１１の学習モデルを学習する第１１の学習ユニットと；
    　前記被処理液のスラリー濃度と、前記排出口から排出される脱水固形物の含水率と、前記スクリューコンベアのトルク値とのうちの少なくとも１つと、前記第１の画像データの特徴量と、前記第３の画像データの特徴量とを入力することで、前記制御パラメータを推論する第１４の学習モデルを学習する第１４の学習ユニットと；を備える、
    　請求項９に記載の機械学習装置。
  13. 　被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムのための機械学習装置であって、
    　前記ボウル内から排出された分離液を所定画角から撮像した第１の画像データと、前記排出口から排出された脱水固形物を所定画角から撮像した第２の画像データと、前記ボウルに供給される前であって且つ所定の添加物が添加された後の前記被処理液を所定画角から撮像した第３の画像データとを含む入力データと、前記入力データに対応付けられた制御パラメータを含む出力データとを備える学習用データセットを複数組記憶する学習用データセット記憶ユニットであって、前記制御パラメータは、前記被処理液に添加される添加物の供給量、前記ボウルの遠心力、及び前記差速発生装置により制御される差速のうちの少なくとも１つを備える、前記学習用データセット記憶ユニットと；
    　前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習する学習ユニットと；
    　前記学習ユニットによって学習された前記学習モデルを記憶する学習済モデル記憶ユニットと；を備える、
    　機械学習装置。
  14. 　前記学習ユニットは、
    　前記学習用データセット内の第１の画像データを入力することで、前記第１の画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニットと；
    　前記学習用データセット内の第２の画像データを入力することで、前記第２の画像データの特徴量を推論する第６の学習モデルを学習する第６の学習ユニットと；
    　前記学習用データセット内の第３の画像データを入力することで、前記第３の画像データの特徴量を推論する第１１の学習モデルを学習する第１１の学習ユニットと；
    　前記第１の画像データの特徴量と、前記第２の画像データの特徴量と、前記第３の画像データの特徴量とを入力することで、前記制御パラメータを推論する第１６の学習モデルを学習する第１６の学習ユニットと；を備える、
    　請求項１３に記載の機械学習装置。
  15. 　前記入力データは、前記被処理液のスラリー濃度と、前記スクリューコンベアのトルク値とのうちの少なくとも１つを更に含む、
    　請求項１３に記載の機械学習装置。
  16. 　前記入力データは、前記被処理液のスラリー濃度と、前記スクリューコンベアのトルク値とのうちの少なくとも１つを更に含み、
    　前記学習ユニットは、
    　前記学習用データセット内の第１の画像データを入力することで、前記第１の画像データの特徴量を推論する第１の学習モデルを学習する第１の学習ユニットと；
    　前記学習用データセット内の第２の画像データを入力することで、前記第２の画像データの特徴量を推論する第６の学習モデルを学習する第６の学習ユニットと；
    　前記学習用データセット内の第３の画像データを入力することで、前記第３の画像データの特徴量を推論する第１１の学習モデルを学習する第１１の学習ユニットと；
    　前記被処理液のスラリー濃度と、前記スクリューコンベアのトルク値とのうちの少なくとも１つと、前記第１の画像データの特徴量と、前記第２の画像データの特徴量と、前記第３の画像データの特徴量とを入力することで、前記制御パラメータを推論する第１８の学習モデルを学習する第１８の学習ユニットと；を備える、
    　請求項１３に記載の機械学習装置。
  17. 　前記制御パラメータは、前記被処理液の供給量を更に備える、
    　請求項１乃至請求項１６のいずれか１項に記載の機械学習装置。
  18. 　前記制御パラメータは、前記ボウルのダムセット径を更に備える、
    　請求項１乃至請求項１７のいずれか１項に記載の機械学習装置。
  19. 　被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムに用いられるデータ処理システムであって、
    　前記ボウル内から排出された分離液を所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニットと；
    　請求項１又は請求項２に記載の機械学習装置によって生成された学習済モデルに、前記第１の画像データ取得ユニットが取得したデータを入力することで、前記遠心分離システムの制御パラメータを推論する推論ユニットと；を備える、
    　データ処理システム。
  20. 　被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムに用いられるデータ処理システムであって、
    　前記ボウル内から排出された分離液を所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニットと；
    　前記被処理液のスラリー濃度と、前記排出口から排出される脱水固形物の含水率と、前記スクリューコンベアのトルク値とのうちの少なくとも１つを取得するための付加変数取得ユニットと；
    　請求項３又は請求項４に記載の機械学習装置によって生成された学習済モデルに、前記第１の画像データ取得ユニットと前記付加変数取得ユニットとが取得したデータを入力することで、前記遠心分離システムの制御パラメータを推論する推論ユニットと；を備える、
    　データ処理システム。
  21. 　被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムに用いられるデータ処理システムであって、
    　前記ボウル内から排出された分離液を所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニットと；
    　前記排出口から排出された脱水固形物を所定画角から撮像した第２の画像データを取得するための第２の画像データ取得ユニットと；
    　請求項５又は請求項６に記載の機械学習装置によって生成された学習済モデルに、前記第１の画像データ取得ユニットと前記第２の画像データ取得ユニットとが取得したデータを入力することで、前記遠心分離システムの制御パラメータを推論する推論ユニットと；を備える、
    　データ処理システム。
  22. 　被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムに用いられるデータ処理システムであって、
    　前記ボウル内から排出された分離液を所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニットと；
    　前記排出口から排出された脱水固形物を所定画角から撮像した第２の画像データを取得するための第２の画像データ取得ユニットと；
    　前記被処理液のスラリー濃度と、前記スクリューコンベアのトルク値とのうちの少なくとも１つを取得するための付加変数取得ユニットと；
    　請求項７又は請求項８に記載の機械学習装置によって生成された学習済モデルに、前記第１の画像データ取得ユニットと前記第２の画像データ取得ユニットと前記付加変数取得ユニットとが取得したデータを入力することで、前記遠心分離システムの制御パラメータを推論する推論ユニットと；を備える、
    　データ処理システム。
  23. 　被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムに用いられるデータ処理システムであって、
    　前記ボウル内から排出された分離液を所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニットと；
    　前記ボウルに供給される前であって且つ所定の添加物が添加された後の前記被処理液を所定画角から撮像した第３の画像データを取得するための第３の画像データ取得ユニットと；
    　請求項９又は請求項１０に記載の機械学習装置によって生成された学習済モデルに、前記第１の画像データ取得ユニットと前記第３の画像データ取得ユニットとが取得したデータを入力することで、前記遠心分離システムの制御パラメータを推論する推論ユニットと；を備える、
    　データ処理システム。
  24. 　被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムに用いられるデータ処理システムであって、
    　前記ボウル内から排出された分離液を所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニットと；
    　前記ボウルに供給される前であって且つ所定の添加物が添加された後の前記被処理液を所定画角から撮像した第３の画像データを取得するための第３の画像データ取得ユニットと；
    　前記被処理液のスラリー濃度と、前記排出口から排出される脱水固形物の含水率と、前記スクリューコンベアのトルク値とのうちの少なくとも１つを取得するための付加変数取得ユニットと；
    　請求項１１又は請求項１２に記載の機械学習装置によって生成された学習済モデルに、前記第１の画像データ取得ユニットと前記第３の画像データ取得ユニットと前記付加変数取得ユニットとが取得したデータを入力することで、前記遠心分離システムの制御パラメータを推論する推論ユニットと；を備える、
    　データ処理システム。
  25. 　被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムに用いられるデータ処理システムであって、
    　前記ボウル内から排出された分離液を所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニットと；
    　前記排出口から排出された脱水固形物を所定画角から撮像した第２の画像データを取得するための第２の画像データ取得ユニットと；
    　前記ボウルに供給される前であって且つ所定の添加物が添加された後の前記被処理液を所定画角から撮像した第３の画像データを取得するための第３の画像データ取得ユニットと；
    　請求項１３又は請求項１４に記載の機械学習装置によって生成された学習済モデルに、前記第１の画像データ取得ユニットと前記第２の画像データ取得ユニットと前記第３の画像データ取得ユニットとが取得したデータを入力することで、前記遠心分離システムの制御パラメータを推論する推論ユニットと；を備える、
    　データ処理システム。
  26. 　被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムに用いられるデータ処理システムであって、
    　前記ボウル内から排出された分離液を所定画角から撮像した第１の画像データを取得するための第１の画像データ取得ユニットと；
    　前記排出口から排出された脱水固形物を所定画角から撮像した第２の画像データを取得するための第２の画像データ取得ユニットと；
    　前記ボウルに供給される前であって且つ所定の添加物が添加された後の前記被処理液を所定画角から撮像した第３の画像データを取得するための第３の画像データ取得ユニットと；
    　前記被処理液のスラリー濃度と、前記スクリューコンベアのトルク値とのうちの少なくとも１つを取得するための付加変数取得ユニットと；
    　請求項１５又は請求項１６に記載の機械学習装置によって生成された学習済モデルに、前記第１の画像データ取得ユニットと前記第２の画像データ取得ユニットと前記第３の画像データ取得ユニットと前記付加変数取得ユニットとが取得したデータを入力することで、前記遠心分離システムの制御パラメータを推論する推論ユニットと；を備える、
    　データ処理システム。
  27. 　被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムのための、コンピュータを用いた機械学習方法であって、
    　前記ボウル内から排出された分離液を所定画角から撮像した画像データを含む入力データと、前記入力データに対応付けられた制御パラメータを含む出力データとを備える学習用データセットを複数組記憶するステップであって、前記制御パラメータは、前記被処理液に添加される添加物の供給量、前記ボウルの遠心力、及び前記差速発生装置により制御される差速のうちの少なくとも１つを備える、ステップと；
    　前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習するステップと；
    　学習された前記学習モデルを記憶するステップと；を備える、
    　機械学習方法。
  28. 　被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムのための、コンピュータを用いた機械学習方法であって、
    　前記ボウル内から排出された分離液を所定画角から撮像した第１の画像データと、前記排出口から排出された脱水固形物を所定画角から撮像した第２の画像データとを含む入力データと、前記入力データに対応付けられた制御パラメータを含む出力データとを備える学習用データセットを複数組記憶するステップであって、前記制御パラメータは、前記被処理液に添加される添加物の供給量、前記ボウルの遠心力、及び前記差速発生装置により制御される差速のうちの少なくとも１つを備える、ステップと；
    　前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習するステップと；
    　学習された前記学習モデルを記憶するステップと；を備える、
    　機械学習方法。
  29. 　被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムのための、コンピュータを用いた機械学習方法であって、
    　前記ボウル内から排出された分離液を所定画角から撮像した第１の画像データと、前記ボウルに供給される前であって且つ所定の添加物が添加された後の前記被処理液を所定画角から撮像した第３の画像データとを含む入力データと、前記入力データに対応付けられた制御パラメータを含む出力データとを備える学習用データセットを複数組記憶するステップであって、前記制御パラメータは、前記被処理液に添加される添加物の供給量、前記ボウルの遠心力、及び前記差速発生装置により制御される差速のうちの少なくとも１つを備える、ステップと；
    　前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習するステップと；
    　学習された前記学習モデルを記憶するステップと；を備える、
    　機械学習方法。
  30. 　被処理液に遠心力を付与して固形物と分離液とに遠心分離するボウルと、前記ボウル内の前記固形物を排出口に向けて搬送するスクリューコンベアと、前記ボウルを回転させる駆動モータと、前記スクリューコンベアを前記ボウルと相対的な差速をもって回転させる差速発生装置と、を備えた遠心分離システムのための、コンピュータを用いた機械学習方法であって、
    　前記ボウル内から排出された分離液を所定画角から撮像した第１の画像データと、前記排出口から排出された脱水固形物を所定画角から撮像した第２の画像データと、前記ボウルに供給される前であって且つ所定の添加物が添加された後の前記被処理液を所定画角から撮像した第３の画像データとを含む入力データと、前記入力データに対応付けられた制御パラメータを含む出力データとを備える学習用データセットを複数組記憶するステップであって、前記制御パラメータは、前記被処理液に添加される添加物の供給量、前記ボウルの遠心力、及び前記差速発生装置により制御される差速のうちの少なくとも１つを備える、ステップと；
    　前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習するステップと；
    　学習された前記学習モデルを記憶するステップと；を備える、
    　機械学習方法。
     
PCT/JP2021/020911 2020-07-21 2021-06-01 機械学習装置、データ処理システム及び機械学習方法 WO2022018974A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-124726 2020-07-21
JP2020124726A JP2022021243A (ja) 2020-07-21 2020-07-21 機械学習装置、データ処理システム及び機械学習方法

Publications (1)

Publication Number Publication Date
WO2022018974A1 true WO2022018974A1 (ja) 2022-01-27

Family

ID=79728625

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/020911 WO2022018974A1 (ja) 2020-07-21 2021-06-01 機械学習装置、データ処理システム及び機械学習方法

Country Status (2)

Country Link
JP (1) JP2022021243A (ja)
WO (1) WO2022018974A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4327948A1 (en) * 2022-08-22 2024-02-28 GEA Westfalia Separator Group GmbH Ai controlled decanter

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102476178B1 (ko) * 2022-06-21 2022-12-12 주식회사 무한기술 정보통신기술과 사물인터넷 기반 지능형 오폐수 처리 수평원심분리 농축 탈수기 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03134706A (ja) * 1989-10-20 1991-06-07 Hitachi Ltd 下水処理場運転支援のための知識獲得方法
US5948271A (en) * 1995-12-01 1999-09-07 Baker Hughes Incorporated Method and apparatus for controlling and monitoring continuous feed centrifuge
JP2014008500A (ja) * 2012-07-03 2014-01-20 Tomoe Engineering Co Ltd 汚泥処理システム、汚泥処理システムの運転制御用プログラム
JP2015097997A (ja) * 2013-11-19 2015-05-28 旭硝子株式会社 遠心分離機、管理システム及びガラス基板の製造方法
JP2020065964A (ja) * 2018-10-23 2020-04-30 水ｉｎｇ株式会社 排水処理方法および排水処理システム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03134706A (ja) * 1989-10-20 1991-06-07 Hitachi Ltd 下水処理場運転支援のための知識獲得方法
US5948271A (en) * 1995-12-01 1999-09-07 Baker Hughes Incorporated Method and apparatus for controlling and monitoring continuous feed centrifuge
JP2014008500A (ja) * 2012-07-03 2014-01-20 Tomoe Engineering Co Ltd 汚泥処理システム、汚泥処理システムの運転制御用プログラム
JP2015097997A (ja) * 2013-11-19 2015-05-28 旭硝子株式会社 遠心分離機、管理システム及びガラス基板の製造方法
JP2020065964A (ja) * 2018-10-23 2020-04-30 水ｉｎｇ株式会社 排水処理方法および排水処理システム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4327948A1 (en) * 2022-08-22 2024-02-28 GEA Westfalia Separator Group GmbH Ai controlled decanter
WO2024042091A1 (en) * 2022-08-22 2024-02-29 Gea Westfalia Separator Group Gmbh Ai controlled decanter

Also Published As

Publication number Publication date
JP2022021243A (ja) 2022-02-02

Similar Documents

Publication Publication Date Title
WO2022018974A1 (ja) 機械学習装置、データ処理システム及び機械学習方法
JP7076356B2 (ja) 排水処理方法
JP7146548B2 (ja) 水処理方法及び水処理装置
Narges et al. Prediction of the optimal dosage of coagulants in water treatment plants through developing models based on artificial neural network fuzzy inference system (ANFIS)
JP7448431B2 (ja) 脱水システム
JPH02290205A (ja) 凝集処理装置
JP7357878B2 (ja) 機械学習装置、データ処理システム、推論装置及び機械学習方法
WO2022018975A1 (ja) 機械学習装置、データ処理システム及び機械学習方法
WO2022018976A1 (ja) 機械学習装置、データ処理システム及び機械学習方法
JP4238983B2 (ja) 凝集剤注入制御方法並びにその制御装置
CN1673114A (zh) 一种混凝投药控制方法及其控制系统
WO2021261173A1 (ja) 機械学習装置、固形物含水率測定装置、推論装置及び機械学習方法
JP6726696B2 (ja) 希釈汚泥撮像システム、凝集剤添加量制御システム、汚泥濃縮システム、希釈汚泥撮像方法
CA2312858A1 (fr) Procede de regulation de centrifugeuses pour la deshydratation des boues d'epuration, mettant en oeuvre la logique floue
JP3136554B2 (ja) 汚泥凝集処理装置
JP7300380B2 (ja) 閾値更新装置、学習装置、制御装置、閾値更新方法、および制御プログラム
JP6701251B2 (ja) 凝集剤添加量制御装置、汚泥濃縮システム、凝集剤添加量制御方法
JP3300764B2 (ja) 懸濁液の凝集試験方法および凝集剤注入量決定方法
JP2021146240A (ja) 水処理システム、制御装置、水処理方法およびプログラム
JP4166624B2 (ja) 汚泥脱水機における凝集剤の供給方法および装置
JP2024022090A (ja) 脱水装置の運転条件決定システムおよび脱水装置の運転方法
JP2019155285A (ja) 固液分離装置
JPH06304412A (ja) 凝集剤添加量の制御装置
JP2023081640A (ja) 情報処理装置、運転支援方法、運転支援プログラム、および制御システム
JP2023115925A (ja) 脱水処理システム

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: 21846761

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21846761

Country of ref document: EP

Kind code of ref document: A1