JP6899766B2 - 情報処理装置、および情報処理方法 - Google Patents

Description

本発明は、焼却施設の稼働状態に関するデータを用いて、その焼却施設の稼働制御に利用することのできる情報を出力することができる情報処理装置等に関する。

近年のゴミ焼却施設においては、焼却炉で焼却されたゴミ等から発生した廃熱を用いて発生させた蒸気を利用し、発電するなどしてエネルギーを有効利用する。効率的に発電するために、蒸気量を安定的に発生させることが望まれる。その一方、焼却炉では、焼却するゴミの質や量の変動、焼却炉に対する操作量の変動などの様々な要因に伴い、焼却炉の燃焼状態が変化する。このため、従来から、かかる焼却炉の燃焼状態の変化に対応しつつ、蒸気を安定的に発生させるための焼却炉の様々な制御方法が開発されている。

例えば、特許文献１には、焼却炉の過去の蒸気量の変動から蒸気量を予測し、その予測精度を安定化解析手法または統計的処理により評価し、その評価結果から、予測制御の割合を調整しながら、焼却炉の蒸気量を安定化させる技術が開示されている。

特開2001-289401号公報（2001年10月19日公開）

しかしながら、蒸気量が低下する要因は様々であり、その要因に応じて蒸気量の低下を未然に防ぐために行うべき制御は異なっている。このため、上記従来技術のように、蒸気量が低下するであろうことを予測するのみでは、その蒸気量の低下を防ぐための適切な制御を決定することができないという問題がある。なお、蒸気量の低下以外にも、ゴミ焼却施設などでは、事前の適切な制御により避けるべき事象が知られており、このような事象についても上記と同様の問題がある。

本発明の一態様は、このような問題点に鑑みてなされたものであり、その目的は、焼却施設において所定の事象の発生を未然に防ぐための適切な制御を決定することを可能にする情報処理装置等を実現することにある。

上記の課題を解決するために、本発明の一態様に係る情報処理装置は、焼却施設に関する情報処理を行う情報処理装置であって、上記焼却施設の稼働状態に関する複数種類の所定のデータを取得するデータ取得部と、上記焼却施設で発生が予測される所定の事象について、上記所定のデータの少なくとも一部を、過去に上記焼却施設で上記所定の事象が発生したときの上記所定のデータと当該所定の事象の発生要因との対応関係に基づいて構築された要因予測モデルに対して用いることにより、上記所定の事象の発生要因を特定する要因予測部と、を備えていることを特徴とする。

上記の課題を解決するために、本発明の一態様に係る情報処理方法は、焼却施設に関する情報処理を行う情報処理装置による情報処理方法であって、上記焼却施設の稼働状態に関する複数種類の所定のデータを取得するデータ取得ステップと、上記焼却施設で発生が予測される所定の事象について、上記所定のデータの少なくとも一部を、過去に上記焼却施設で上記所定の事象が発生したときの上記所定のデータと当該所定の事象の発生要因との対応関係に基づいて構築された要因予測モデルに対して用いることにより、上記所定の事象の発生要因を特定する要因予測ステップと、を含むことを特徴とする。

本発明の一態様によれば、所定の事象の発生を未然に防ぐための適切な制御を決定することが可能になるという効果を奏する。

本発明の実施形態１に係る情報処理装置の要部構成の一例を示すブロック図である。 上記情報処理装置を備えるゴミ焼却施設の概略構成図である。 要因予測モデルを用いた要因予測の一例を示す図である。 上記情報処理装置の処理の一例を示すフローチャートである。 上記情報処理装置の処理の他の例を示すフローチャートである。

〔実施形態１〕
本発明の実施形態１について図１から図４に基づいて説明する。図１は、本発明の実施形態１に係る情報処理装置１の要部構成の一例を示すブロック図である。図２は、情報処理装置１を備えるゴミ焼却施設１００の概略構成図である。なお、本実施形態では、ゴミ焼却施設１００の情報処理装置について説明するが、本発明は、任意の焼却対象を焼却する焼却施設に適用できる。例えば、一般廃棄物の焼却施設の他、産業廃棄物の焼却施設、および汚泥の焼却施設等にも適用することができる。これらの焼却施設は、焼却によって生じる熱を利用して発電を行うものであってもよい。また、バイオマス発電施設等のように、発電を主目的として焼却を行う施設も上記焼却施設の範疇に含まれる。

〔ゴミ焼却施設の構成〕
ゴミ焼却施設１００は、ゴミの集積と焼却を行うための施設であり、図２に示すように、情報処理装置１、中央制御装置５０、および焼却炉６０を備えている。詳細は後述するが、ゴミ焼却施設１００では、情報処理装置１を備えていることにより、ゴミ焼却の際に異常が発生するか否かを予測し、異常が発生すると予測される場合には、異常の発生要因を特定することができる。そして、上記発生要因に応じた制御を中央制御装置５０に行わせることにより、異常の発生を未然に防ぐことができる。

焼却炉６０は、投入されたゴミを焼却するための炉であり、発電機を備えている。焼却炉６０には図示しないゴミピットが併設されており、ゴミピットに集積されたゴミが、クレーンにより運搬され焼却炉６０に投入される。焼却炉６０にはボイラが設けられており、ゴミを燃焼させた熱をボイラに供給し、ボイラから発生した蒸気にて上記発電機のタービンを回し、発電を行う。

ボイラから発生した蒸気量をはじめとする焼却炉６０の稼働状況に関する情報は、ゴミ焼却施設１００の各所に設けられたセンサ等により検知され、情報処理装置１および中央制御装置５０に出力される。

中央制御装置５０は、ゴミ焼却施設１００に含まれる各種装置の動作を制御する。なお、中央制御装置５０と情報処理装置１は、一体の装置として構成されていてもよい。また、情報処理装置１はゴミ焼却施設１００の稼働状態に関するデータを取得でき、中央制御装置５０と通信できるように構成されていればよく、ゴミ焼却施設１００の敷地外に配置してもよい。

〔情報処理装置の構成〕
情報処理装置１は、ゴミ焼却施設１００に関する情報処理を行う。具体的には、情報処理装置１は、ゴミ焼却施設１００の稼働状態に関する複数の所定のデータＤにより、ゴミ焼却の際に発生する蒸気量に異常が発生するか否かを予測する。また、情報処理装置１は、蒸気量に異常が発生すると予測される場合に、蒸気量の異常の発生要因、および異常が発生した場合の蒸気量を特定する。さらに、情報処理装置１は、上記発生要因および蒸気量に応じた、蒸気量の異常の発生を未然に防ぐための制御を決定する。

本実施形態では、ゴミ焼却施設１００で発生し得る事象のうち、蒸気量が低下する事象（以下、単に蒸気量の低下と記載）の発生を予測する例を説明するが、他の事象についても同様の予測が可能である。予測の対象とする事象の典型例としては、ゴミ焼却施設１００の稼働状態に関する所定のパラメータが異常値となる事象が挙げられる。例えば、焼却炉６０の炉内温度が閾値未満となる事象、焼却炉６０からの排出ガス中の有害物質（一酸化炭素および窒素酸化物等）の濃度が閾値以上となる事象等を予測の対象とすることもできる。

なお、蒸気量の低下の定義は、ゴミ焼却施設１００の運用等の実情に応じたものとすればよい。例えば、蒸気量の設定値に対し、許容範囲（例えば設定値の５〜１０％）を超えて蒸気量が低下することを、蒸気量の低下としてもよい。また、例えば、所定の変動率を超えた低下（例えば１０分間で蒸気量が５％低下）を蒸気量の低下としてもよいし、安定した発電に必要な最小限の蒸気量を下回ることを蒸気量の低下としてもよい。

情報処理装置１は、制御部１１、記憶部１２、入力部１３、および通信部１４を備えている。なお、記憶部１２、入力部１３、および通信部１４等のハードウェアは、情報処理装置１に外付けされた、情報処理装置１の外部の装置であってもよい。また、これらのハードウェア（制御部１１を含む）は、１つであってもよいし、複数であってもよい。

記憶部１２は、情報処理装置１が使用する各種データを格納している。記憶部１２は、特に、確率予測モデル１２１、要因予測モデル１２２、蒸気量予測モデル１２３、および制御決定情報１２４を記憶している。上記各モデルについて、詳しくは後述する。

入力部１３は、ゴミ焼却施設１００の稼働状態に関する複数の所定のデータＤの入力を受け付けてデータ取得部１１１に出力する。

通信部１４は、情報処理装置１が他の装置と通信するためのものである。例えば、情報処理装置１は、通信部１４を介した通信により、制御部１１で決定されたゴミ焼却施設１００の稼働に関する制御および制御量を中央制御装置５０に出力する。また、上記データＤの一部または全部を、通信部１４を介して取得する構成とすることも可能である。

制御部１１は、情報処理装置１の機能を統括して制御するものである。制御部１１には、データ取得部１１１、確率予測部１１２、要因予測部１１３、制御決定部１１４、蒸気量予測部（パラメータ値予測部）１１５、および制御量決定部１１６が含まれている。

データ取得部１１１は、入力部１３からゴミ焼却施設１００の稼働状態に関する複数種類の所定のデータＤを取得し、上記各予測モデルで予測を行うために必要な時間分のデータを記憶部１２に蓄積する。所定のデータＤは逐次取得されるので、記憶部１２には複数の異なる時点で取得された所定のデータＤが時系列で記憶される。所定のデータＤとは、例えば、センサの検出値を示すセンサデータ、および焼却炉６０に投入されるゴミに関する投入ゴミ情報である。センサデータは、給じん装置・火格子速度（焼却炉６０へのゴミの供給速度）、空気流量、排出ガス流量、各種排出ガス濃度、炉内温度、火格子温度、燃焼空気温度、炉内のゴミ量、ゴミ層厚等である。また、投入ゴミ情報とは、ゴミの水分含有量、ゴミのかさ比重、ゴミピット内におけるゴミの撹拌回数、ゴミの種類、ゴミの発熱量等である。なお、データＤの取得先は特に限定されず、例えばユーザが入力部１３に入力したデータＤを取得してもよいし、他の装置から入力部１３を介して取得してもよい。また、複数の取得先からデータＤを取得してもよい。

確率予測部１１２は、データＤの少なくとも一部と確率予測モデル１２１とを用いて蒸気量の低下の発生確率を特定する。確率予測モデル１２１は、過去にゴミ焼却施設１００を稼働させたときの、ある時点の直前の所定時間（例えば数時間）の稼働状態に関するデータＤと、その時点から所定時間後の蒸気量の低下の発生確率との対応関係に基づいて構築されたモデルである。このような確率予測モデル１２１と、データ取得部１１１が取得したデータＤとを用いることにより、確率予測部１１２は、将来蒸気量が低下する異常が発生する確率を特定することができる。

例えば、過去にゴミ焼却施設１００を稼働させたときに取得、蓄積されたデータＤのうち、ある時点の直前の１時間分のデータＤと、その直後の３０分間に蒸気量が低下した確率との対応関係を特定して確率予測モデル１２１としてもよい。このような確率予測モデル１２１を用いることにより、予測を行う時点の直前の１時間に取得されたデータＤから、その直後の３０分間に蒸気量が低下する確率を特定することができる。

なお、確率予測モデル１２１の構築においては、１時間分のデータＤを全て使用する必要はなく、１時間分のデータＤのうち、必要な予測精度を確保するに足るデータＤを用いればよい。例えば、ある時点の１時間前、４０分前、２０分前、および当該ある時点においてそれぞれ取得されたセンサ値（データＤの一部）と、当該ある時点の直後の３０分間に蒸気量が低下した確率との対応関係から確率予測モデル１２１を構築することもできる。この場合、予測する時点の１時間前、４０分前、２０分前、および当該予測する時点においてそれぞれ取得されたセンサ値を、確率予測モデル１２１に対して用いることにより、予測する時点の直後の３０分間に蒸気量が低下する確率を特定することができる。

また、例えば、ある時点に取得されたデータＤ（複数種類のデータを含んでいてもよい）のみから確率予測モデル１２１を構築してもよい。このような確率予測モデル１２１を用いる場合、予測時点で取得されたデータＤのみから予測が可能である。よって、この場合、データ取得部１１１が取得したデータを一旦記憶部１２に記憶させることなくそのまま用いて蒸気量低下の確率を予測することも可能である。

確率予測モデル１２１は、データＤから蒸気量の低下が発生する確率を予測できるものであればよい。例えば、確率予測モデル１２１は、決定木分析によって生成された決定木モデルや、回帰分析によって生成された回帰モデルであってもよい。

要因予測部１１３は、データＤの少なくとも一部と、要因予測モデル１２２とを用いて、蒸気量の低下の発生要因を特定する。要因予測部１１３は、複数の所定のデータの少なくとも一部から、上記ゴミ焼却施設で蒸気量の低下が発生すると予測される場合、例えば確率予測部１１２が特定した発生確率が所定の閾値以上である場合に、発生要因を特定する。

要因予測モデル１２２は、過去にゴミ焼却施設１００を稼働させたときの、ある時点の直前の所定時間（例えば数時間）のデータＤと、その時点から所定時間後に蒸気量が低下した際のその蒸気量の低下の発生要因との対応関係に基づいて構築されたモデルである。このような要因予測モデル１２２と、データ取得部１１１が取得、蓄積したデータＤとを用いることにより、要因予測部１１３は、将来発生が予想される蒸気量の低下について、その発生要因を特定することができる。例えば、過去にゴミ焼却施設１００を稼働させたときに取得、蓄積されたデータＤのうち、ある時点の直前の１時間分のデータＤと、その直後の３０分間に蒸気量が低下した際の蒸気量低下の発生要因との対応関係を特定して要因予測モデル１２２としてもよい。このような要因予測モデル１２２を用いることにより、予測を行う時点の直前の１時間分のデータＤから、その３０分後に蒸気量が低下した場合の発生要因を特定することができる。

なお、要因予測モデル１２２の構築においては、所定時間分のデータＤを全て使用する必要はなく、所定時間分のデータＤのうち、必要な予測精度を確保するに足るデータＤを用いればよい。要因予測モデル１２２を用いた要因予測については、図３に基づいて後述する。

要因予測モデル１２２は、データＤから蒸気量の低下の発生要因を予測できるものであればよい。例えば、要因予測モデル１２２は、決定木学習によって生成された決定木であってもよい。この場合、要因予測部１１３は、決定木分析により、蒸気量の低下の発生要因が所定の複数の発生要因の何れに分類されるかを分析することになる。

なお、分類先である発生要因は、予め手動で設定してもよいし、情報処理により自動で設定してもよい。例えば、ゴミ焼却施設１００の過去の稼働時に取得されたデータＤ（データＤに含まれる各要素の値とそれら値の組み合わせのパターン）を、クラスタリング分析（K-means法等）により分類し、それらの各分類をそれぞれ発生要因として用いてもよい。

制御決定部１１４は、制御決定情報１２４を用い、要因予測部１１３が特定した発生要因に応じた、蒸気量の低下の発生を防ぐためにゴミ焼却施設１００で行うべき制御（制御の種類）を決定する。また、制御量決定部１１６は、制御決定情報１２４を用い、蒸気量予測部１１５が特定した蒸気量に応じた制御量（制御の程度）を決定する。

制御決定情報１２４は、発生要因と、当該発生要因に対応するゴミ焼却施設１００で行うべき制御の種類とが対応付けられた情報を含む。また、制御決定情報１２４は、蒸気量の変動量と、当該蒸気量の変動量に対応するゴミ焼却施設１００に含まれる各種装置の制御量とが対応付けられた情報を含む。

例えば、制御決定情報１２４は、蒸気量低下の発生要因の１つであるゴミ供給不良に対して、焼却炉６０の給じん装置・火格子速度を増速する制御を対応付けると共に、蒸気量低下の程度に応じた給じん装置・火格子速度の増分を対応付けた情報であってもよい。これにより、ゴミ供給不良による蒸気量低下が予測される状況において、給じん装置・火格子速度を増速するという適切な制御を行うことができ、ゴミ供給不良による蒸気量低下を未然に防ぐことが可能になる。また、蒸気量の低下の幅が大きいと予想される場合には、給じん装置・火格子速度の増速分をより多くして、ゴミ供給不良による蒸気量低下をより確実に防ぐことができる。そして、蒸気量の低下の幅が小さいと予想される場合には、給じん装置・火格子速度の増速分を必要最小限にして蒸気量を安定化させることができる。

蒸気量予測部１１５は、データＤの少なくとも一部と蒸気量予測モデル１２３とを用いて、将来の蒸気量を特定する。

蒸気量予測モデル１２３は、過去にゴミ焼却施設１００を稼働させたときの、当該ゴミ焼却施設のある時点の直前の所定時間（例えば数時間）の稼働状態に関するデータＤと、その時点から所定時間後の蒸気量の値との対応関係に基づいて構築されたモデルである。蒸気量予測部１１５は、このような蒸気量予測モデル１２３と、データ取得部１１１が取得したデータＤとを用いて、そのデータＤが取得された所定時間後における蒸気量の値を特定することができる。例えば、ある時点の１．５時間前、１時間前、および３０分前においてそれぞれ取得されたセンサ値（データＤの一部）と、当該ある時点における蒸気量との対応関係から蒸気量予測モデル１２３を構築することもできる。この場合、予測する時点の１．５時間前、１時間前、および３０分前においてそれぞれ取得されたセンサ値を、蒸気量予測モデル１２３に対して用いることにより、予測する時点の３０分後の蒸気量を特定することができる。

なお、蒸気量予測モデル１２３の構築においては、所定時間分のデータＤを全て使用する必要はなく、所定時間分のデータＤのうち、必要な予測精度を確保するに足るデータＤを用いればよい。例えば、ある時点に取得されたデータＤ（複数種類のデータを含んでいてもよい）のみから蒸気量予測モデル１２３を構築してもよい。このような蒸気量予測モデル１２３を用いる場合、予測時点で取得されたデータＤのみから予測が可能である。よって、この場合、データ取得部１１１が取得したデータを一旦記憶部１２に記憶させることなくそのまま用いて蒸気量を予測することも可能である。

蒸気量予測モデル１２３は、データＤから蒸気量を予測できるものであればよい。例えば、蒸気量予測モデル１２３は、重回帰分析、ニューラルネットワーク分析、決定木分析、または一般化線形分析に基づくモデルであってもよい。なお、上記所定時間は、数分〜数十分であってもよいし、比較的長時間（例えば１時間）であってもよい。上記のようなモデルを用いることにより、このような比較的長時間先の蒸気量も精度よく予測することができる。

〔要因予測の例〕
要因予測モデル１２２を用いた要因予測の例を図３に基づいて説明する。図３は、要因予測モデル１２２を用いた要因予測の一例を示す図である。

上述のように、要因予測部１１３は、データＤの少なくとも一部を要因予測モデル１２２に対して用いることにより、蒸気量の低下の発生要因を特定する。要因予測部１１３が用いるデータＤは、その予測のために取得されたデータである。このデータＤには、図３に示すように、予測時点で取得されたデータＤの他、予測時点の過去の所定時間（例えば予測時点の数時間前から予測時点まで）に取得され、記憶部１２に蓄積されたデータＤが含まれる。

また、要因予測モデル１２２は、上述したように、ゴミ焼却施設１００における過去の蒸気量低下の発生時に取得、蓄積されたデータＤに基づいて構築した予測モデルである。要因予測モデル１２２を決定木モデルとした場合、そのデータ構造は例えば図３に示すようなものであってもよい。

図３に示す要因予測モデル１２２は、データＤに含まれる複数種類のデータのうち、予測時点のセンサＡの値、予測時点の２０分前のセンサＢの値、および予測時点の１０分前のセンサＣの値を用いて蒸気量低下の要因を特定するモデルとなっている。この要因予測モデル１２２は、過去の蒸気量低下の発生時に取得、蓄積されたデータＤを用いて構築できる。より詳細には、上記データＤのうち、蒸気量低下の発生から所定時間前のセンサＡの値、センサＡの値の取得時点の２０分前のセンサＢの値、およびセンサＡの値の取得時点の１０分前のセンサＣの値を用いて構築できる。なお、上記所定時間は、どの程度先の蒸気量低下についての要因を予測するかに応じた時間とすればよい。例えば、予測時点の３０分先に発生が予想される蒸気量低下の要因を予測する場合、上記所定時間は３０分とすればよい。

図３に示す要因予測モデル１２２の最初の分岐は、予測時点におけるセンサＡの値に基づく分岐であり、このセンサＡの値がＸ以上であればこの分岐で左に進み、Ｘ未満であれば右に進む。

センサＡの値に基づく分岐において左に進んだ場合、すなわちセンサＡの値がＸ以上の場合には、予測時点の２０分前のセンサＢの値に基づいてさらに分岐する。ここで、センサＢの値がＹ以上であれば分岐を左に進み、要因が（１）：ゴミ供給不良であると特定される。一方、センサＢの値がＹ未満であれば分岐を右に進み、要因が（２）：空気流量不足であると特定される。

一方、センサＡの値に基づく分岐において右に進んだ場合、すなわちセンサＡの値がＸ未満の場合には、予測時点の１０分前のセンサＣの値に基づいてさらに分岐する。ここで、センサＣの値がＺ以上であれば分岐を左に進み、要因が（３）であると特定される。一方、センサＣの値がＺ未満であれば分岐を右に進み、要因が（１）であると特定される。

図３では、予測時点のセンサＡの値がＸ以上であり、かつ予測時点の２０分前のセンサＢの値がＹ以上である場合の要因の特定の流れを破線矢印で示している。この場合、図示のように、センサＡの値に基づく分岐で左に進み、予測時点の２０分前のセンサＢの値に基づく分岐でも左に進む。その結果、発生が予測される蒸気量の低下の要因は、要因（１）であると特定される。

なお、図３の要因予測モデル１２２は一例である。要因予測モデル１２２として決定木モデルを用いる場合の、節点の数、各節点における分岐の数、各節点における分岐条件等は、取得されたデータＤの種類および値、対象となる事象等に応じたものとすればよい。また、上記の例では、複数の時点で取得されたデータＤから構築した要因予測モデル１２２を用いているが、ある時点に取得されたデータＤ（複数種類のデータを含んでいてもよい）のみから要因予測モデル１２２を構築してもよい。このような要因予測モデル１２２を用いる場合、予測時点で取得されたデータＤのみから予測が可能である。よって、この場合、データ取得部１１１が取得したデータを一旦記憶部１２に記憶させることなくそのまま用いて蒸気量低下の発生要因を予測することも可能である。

〔処理の流れ〕
図４は、情報処理装置１がゴミ焼却施設１００の稼働中に行う処理の一例を示すフローチャートである。

まず、データ取得部１１１は、入力部１３を介してデータＤを取得し、蓄積する（Ｓ１、データ取得ステップ）。次に、確率予測部１１２は、データＤの少なくとも一部を確率予測モデル１２１に対して用いて蒸気量の低下の発生確率を特定する（Ｓ２）。また、要因予測部１１３はＳ２で特定された発生確率が所定の閾値以上であるか否かを判定する（Ｓ３）。

Ｓ３で発生確率が所定の閾値未満であると判定した場合（Ｓ３でＮＯ）、処理はＳ１に戻る。一方、発生確率が所定の閾値以上であると判定した場合（Ｓ３でＹＥＳ）、要因予測部１１３は、Ｓ１で取得されたデータＤの少なくとも一部を要因予測モデル１２２に対して用いて蒸気量の低下の要因を特定する（Ｓ４、要因予測ステップ）。

続いて、制御決定部１１４は、制御決定情報１２４を用いて、要因予測部１１３により特定された発生要因に応じた制御の種類を決定する（Ｓ５）。また、蒸気量予測部１１５は、Ｓ１で取得されたデータＤの少なくとも一部を蒸気量予測モデル１２３に対して用いて、低下時における蒸気量を特定する（Ｓ６）。

その後、制御量決定部１１６は、Ｓ６で特定された蒸気量に応じて、Ｓ５で決定された種類の制御における制御量を決定する（Ｓ７）。そして、制御量決定部１１６は決定したそれらの制御内容を中央制御装置５０に通知する。これにより、中央制御装置５０がゴミ焼却施設１００の制御を実行する（Ｓ８）。

なお、Ｓ４で特定した蒸気量の低下の要因と、予測した将来の要因の値（本例では蒸気量）とに基づいて、蒸気量の低下の程度を予測してもよい。そして、Ｓ７では蒸気量の低下の程度の予測結果に応じた制御量を決定してもよい。

〔処理の流れの他の例〕
図５は、情報処理装置１の処理の他の例を示すフローチャートである。なお、図５のＳ１１、Ｓ１２、Ｓ１５〜Ｓ１８は、それぞれ図４のＳ１、Ｓ２、Ｓ４、Ｓ５、Ｓ７、Ｓ８と同様の処理であるから、これらの処理については詳細な説明を省略する。

図５のフローチャートでは、データ取得部１１１がデータＤを取得し（Ｓ１１）、確率予測部１１２が蒸気量の低下の発生確率を特定する（Ｓ１２）。また、蒸気量予測部１１５は、低下時の蒸気量を特定する（Ｓ１３）。

次に、要因予測部１１３は、ゴミ焼却施設１００の制御を行うか否かを判定する（Ｓ１４）。具体的には、要因予測部１１３は、Ｓ１３で特定された蒸気量の値が小さい（蒸気量の予測値が異常値である）が、Ｓ１２で特定された発生確率が所定の閾値未満である場合、つまり蒸気量予測部１１５の予測結果が、確率予測部１１２の予測結果と整合していない場合には、制御を行わないと判定する。この場合、Ｓ１４の判定はＮＯとなり、Ｓ１１に戻る。また、Ｓ１３で特定された蒸気量の値が小さくはないが、Ｓ１２で特定された発生確率が所定の閾値以上である場合も制御を行わないと判定する。一方、Ｓ１３で特定された蒸気量の値が小さく、かつＳ１２で特定された発生確率が所定の閾値以上である場合、つまり蒸気量予測部１１５の予測結果が確率予測部１１２の予測結果と整合している場合には、制御を行うと判定する。この場合、Ｓ１４の判定はＹＥＳとなり、Ｓ１５に進む。なお、蒸気量の値が小さいか否かは、蒸気量の値と所定の閾値とを比較することにより判定すればよい。

Ｓ１５では要因予測部１１３が蒸気量の低下の要因を特定し、Ｓ１６では制御決定部１１４が発生要因に応じた制御の種類を決定し、Ｓ１７では制御決定部１１４が蒸気量に応じた制御量を決定する。そして、Ｓ１８では中央制御装置５０がゴミ焼却施設１００の制御を実行する。

なお、Ｓ１４では、Ｓ１３で特定された蒸気量の値が小さい、およびＳ１２で特定された発生確率が高い、の少なくとも何れかの条件を満たした場合に、ゴミ焼却施設１００の制御を行うと判定してもよい。またこの場合に、Ｓ１３で特定された蒸気量の値が小さくはないが、Ｓ１２で特定された発生確率が高ければ、Ｓ１３で特定された蒸気量の値を制御に用いないようにしてもよい。つまり、この場合にはＳ１７の処理は省略して、Ｓ１８では中央制御装置５０に予め要因ごとに設定した所定の制御量（例えば現時点の制御量の１．５倍）でゴミ焼却施設１００の制御を実行させてもよい。

〔実施形態２〕
本実施形態では、情報処理装置１により、ゴミ焼却施設１００の稼働状態に関する複数の所定のデータから、ゴミ焼却の際に発生する一酸化炭素（以下、ＣＯと記載）濃度が閾値を超える事象が発生するか否かを予測する例を説明する。また、本実施形態の情報処理装置１は、ＣＯ濃度が閾値を超えると予測される場合に、その発生要因を特定すると共に、その発生要因に応じた、ＣＯ濃度が閾値を超えることを未然に防ぐための制御を決定する。なお、上記実施形態にて説明した部材と同じ機能を有する部材には同じ符号を付記し、その説明を繰り返さない。また、本実施形態の情報処理装置１が実行する処理の流れは、実施形態１と同様であるから説明を繰り返さない。

本実施形態において、データ取得部１１１は、上記実施形態で説明した各種データの代わりに、あるいはそれらのデータに加えて、火格子の動作状態、炉内温度の変化率、燃焼空気圧力、蒸気量、焼却炉出口における酸素濃度、および二次空気流量等のデータを取得してもよい。なお、火格子の動作状態とは、例えば、火格子が動作しているか、停止しているか等を示すものである。また、二次空気は、ゴミの燃焼（一次燃焼）によって発生したガスを燃焼（二次燃焼）させるために、燃焼位置の上方に供給される空気である。この他にも、データ取得部１１１は、炉内を撮像した画像（動画像であってもよいし静止画像であってもよい）、あるいは該画像を解析して得られた結果を示すデータを取得してもよい。例えば、データ取得部１１１は、炉内において燃焼しているゴミを撮像した画像や、その画像を解析することによって得られた、ゴミの燃焼状態を示すデータ等を取得してもよい。

本実施形態の確率予測部１１２は、データ取得部１１１が取得したデータの少なくとも一部と確率予測モデル１２１とを用いてＣＯ濃度が閾値を超える事象の発生確率を特定する。確率予測モデル１２１は、過去にゴミ焼却施設１００を稼働させたときの、ある時点の直前の所定時間の稼働状態に関するデータと、その時点から所定時間後のＣＯ濃度が閾値を超える事象の発生確率との対応関係に基づいて構築されたモデルである。なお、上記所定時間は、予測の対象とする事象、およびその事象の発生を防ぐための制御を行うべきタイミング等に応じた時間とすればよい。ＣＯ濃度が閾値を超える事象の場合、上記所定時間は例えば、数分〜数十分とすればよい。無論、この所定時間は適宜設定すればよく、数分〜数十分よりも短い時間（例えば予測時点の直後）としてもよいし、より長い時間としてもよい。なお、予測の対象が、ＣＯ濃度が閾値を超える事象以外（例えば実施形態１で例示した蒸気量が許容範囲外まで低下する事象やその他の事象）であっても、上記所定時間を適宜設定すればよいことは同様である。

本実施形態の要因予測部１１３は、データ取得部１１１が取得したデータの少なくとも一部と、要因予測モデル１２２とを用いて、ＣＯ濃度が閾値を超える事象の発生要因を特定する。本実施形態の要因予測モデル１２２は、過去にゴミ焼却施設１００を稼働させたときの、ある時点の直前の所定時間のデータと、その時点から所定時間後にＣＯ濃度が閾値を超える事象が発生した際の当該事象の発生要因との対応関係に基づいて構築されたモデルである。なお、上記所定時間は、予測の対象とする事象、およびその事象の発生を防ぐための制御を行うべきタイミング等に応じた時間とすればよい。ＣＯ濃度が閾値を超える事象の場合、上記所定時間は例えば、数分〜数十分とすればよい。この所定時間も適宜設定すればよく、数分〜数十分よりも短い時間（例えば予測時点の直後）としてもよいし、より長い時間としてもよい。なお、予測の対象が、ＣＯ濃度が閾値を超える事象以外（例えば実施形態１で例示した蒸気量が許容範囲外まで低下する事象やその他の事象）であっても、上記所定時間を適宜設定すればよいことは同様である。

本実施形態の制御決定部１１４は、制御決定情報１２４を用い、要因予測部１１３が特定した発生要因に応じた、ＣＯ濃度が閾値を超える事象の発生を防ぐためにゴミ焼却施設１００で行うべき制御（制御の種類）を決定する。また、制御量決定部１１６は、制御決定情報１２４を用い、ＣＯ濃度の予測値に応じた制御量（制御の程度）を決定する。なお、制御量は、確率予測部１１２が特定した確率に応じて決定してもよい。

本実施形態の制御決定情報１２４は、ＣＯ濃度が閾値を超える事象の発生要因と、当該発生要因に対応するゴミ焼却施設１００で行うべき制御の種類とが対応付けられた情報を含む。この情報においては、例えば、二次空気量の不足という発生要因に対し、二次空気量を増加させる制御とが対応付けられていてもよい。二次空気を十分に供給することにより、ＣＯ濃度を下げることができる。また、本実施形態の制御決定情報１２４は、ＣＯ濃度の増加量と、当該増加量に対応する、ゴミ焼却施設１００に含まれる各種装置の制御量とが対応付けられた情報を含む。

本実施形態の情報処理装置１は、蒸気量予測部１１５を備えている必要はなく、その代わりにＣＯ濃度予測部（パラメータ値予測部）を備えていてもよい。ＣＯ濃度予測部は、データ取得部１１１が取得したデータの少なくとも一部とＣＯ濃度予測モデルとを用いて、将来のＣＯ濃度を特定する。ＣＯ濃度予測モデルは、過去にゴミ焼却施設１００を稼働させたときの、当該ゴミ焼却施設のある時点の直前の所定時間の稼働状態に関するデータと、その時点から所定時間後のＣＯ濃度との対応関係に基づいて構築されたモデルである。なお、上記所定時間は、予測の対象とする事象、およびその事象の発生を防ぐための制御を行うべきタイミング等に応じた時間とすればよい。ＣＯ濃度が閾値を超える事象の場合、上記所定時間は例えば、数分〜数十分とすればよい。この所定時間も適宜設定すればよく、数分〜数十分よりも短い時間（例えば予測時点の直後）としてもよいし、より長い時間としてもよい。なお、予測の対象がＣＯ濃度以外（例えば実施形態１で例示した蒸気量やその他のパラメータ）であっても、上記所定時間を適宜設定すればよいことは同様である。

以上の構成を備える本実施形態の情報処理装置１によれば、ＣＯ濃度が閾値を超える事象が発生するか否かを予測することができる。そして、ＣＯ濃度が閾値を超えると予測される場合には、その発生要因を特定すると共に、その発生要因に応じた、ＣＯ濃度が閾値を超えることを未然に防ぐための制御を決定することができる。

〔予測対象とする事象の他の例〕
情報処理装置１によれば、上述した蒸気量やＣＯ濃度の他にも、例えば、ゴミ焼却の際に発生する窒素酸化物（ＮＯ_ｘ）や塩化水素の濃度が閾値以上となる事象等を予測の対象とすることも可能である。これらの事象についても、上記各実施形態と同様の処理によって、その発生を予測して、発生要因に応じた適切な制御を決定することが可能である。

また、例えば、ゴミの燃焼位置の異常等を予測の対象とすることも可能である。この燃焼位置とは、火格子等によって搬送されるゴミに着火する着火位置から、ゴミが燃え切る燃え切り位置までの位置である。燃焼位置は、特にストーカ式の焼却炉において適切に制御することが求められる。燃焼位置（特に燃え切り位置）が、ゴミの搬送方向の下流側に寄りすぎると、燃え残り等の問題が発生するためである。情報処理装置１によれば、上記各実施形態と同様の処理によって、燃焼位置の異常を予測し、その発生要因に応じた適切な制御を決定することも可能になる。

〔予測モデルの他の例〕
上述の各予測モデルは、過去に焼却施設で所定の事象が発生したときの所定のデータと当該所定の事象の発生要因との対応関係に基づいて構築された予測モデルであればよい。例えば、上述の決定木モデルの他、サポートベクターマシンを用いて構築した予測モデルやニューラルネットワークを用いて構築した予測モデルであってもよい。

〔変形例〕
情報処理装置１は、特定した発生要因に応じた制御内容を決定する代わりに、特定した発生要因を表示装置に表示させる等してユーザに通知してもよい。このような構成であっても、発生要因を認識したユーザにより、その発生要因に応じた制御がなされることにより、蒸気量の低下等の事象の発生を未然に防ぐことが可能である。また、発生要因に応じた制御内容を決定して、決定した制御内容をユーザに通知してもよい。この場合、ユーザは、通知された制御内容の妥当性を確認した上で、妥当であれば中央制御装置５０にその制御内容の制御を行わせることができる。

また、上記実施形態では、蒸気量の予測値に応じた制御量を決定する例を説明したが、制御量の決定には蒸気量以外のパラメータ値を用いることも可能である。つまり、情報処理装置１は、適切な制御量と相関のあるパラメータ値を予測するパラメータ値予測部を備えていれば、適切な制御量を決定することができる。そして、このパラメータ値は蒸気量以外であってもよい。また、複数種類のパラメータについてパラメータ値を予測し、それらの予測結果を用いて制御量を決定することも可能である。

また、上記実施形態では、蒸気量の低下という１つの事象の発生要因等を特定する例を説明したが、複数の事象を対象として発生要因等を特定してもよい。この場合、複数の事象のうち、発生の可能性が高い（確率予測およびパラメータ値予測の少なくとも何れかで判定可能）事象について発生要因等を特定すればよい。

〔ソフトウェアによる実現例〕
情報処理装置１の制御ブロック（特にデータ取得部１１１、確率予測部１１２、要因予測部１１３、制御決定部１１４、蒸気量予測部１１５、および制御量決定部１１６）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ＣＰＵ（Central Processing Unit）を用いてソフトウェアによって実現してもよい。

後者の場合、情報処理装置１は、各機能を実現するソフトウェアであるプログラムの命令を実行するＣＰＵ、上記プログラムおよび各種データがコンピュータ（またはＣＰＵ）で読み取り可能に記録されたＲＯＭ（Read Only Memory）または記憶装置（これらを「記録媒体」と称する）、上記プログラムを展開するＲＡＭ（Random Access Memory）などを備えている。そして、コンピュータ（またはＣＰＵ）が上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記記録媒体としては、「一時的でない有形の媒体」、例えば、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

〔付記事項〕
本発明の一態様に係る情報処理装置は、焼却施設に関する情報処理を行う情報処理装置であって、上記焼却施設の稼働状態に関する複数種類の所定のデータを取得するデータ取得部と、上記焼却施設で発生が予測される所定の事象について、上記所定のデータの少なくとも一部を、過去に上記焼却施設で上記所定の事象が発生したときの上記所定のデータと当該所定の事象の発生要因との対応関係に基づいて構築された要因予測モデルに対して用いることにより、上記所定の事象の発生要因を特定する要因予測部と、を備えている。

所定の事象の発生を未然に防ぐために行うべき制御は、その発生要因に応じて異なり得る。そこで、上記構成によれば、焼却施設で所定の事象が発生すると予測される場合に、その発生要因を特定する。これにより、発生要因に応じた適切な制御を決定することが可能になる。

上記データ取得部は、複数の異なる時点で上記所定のデータを取得して記憶部に記憶し、上記要因予測部は、複数の時点で取得された上記所定のデータのそれぞれを上記要因予測モデルに対して用いることにより、発生が予測される上記所定の事象の発生要因を特定することが好ましい。

上記の構成によれば、取得時点がそれぞれ異なった所定のデータを用いて所定の事象の発生要因を特定するので、各時点の所定のデータを考慮した高精度な予測が可能になる。なお、各時点の所定のデータは、同じ種類のデータであっても異なる種類のデータであってもよい。例えば、ある時点で取得されたセンサＡの値と、その１０分前に取得されたセンサＢの値とを用いて発生要因を特定してもよいし、ある時点で取得されたセンサＡの値と、その２０分前に取得されたセンサＡの値とを用いて発生要因を特定してもよい。

上記情報処理装置では、上記所定のデータの少なくとも一部を用いて上記所定の事象の発生確率を特定する確率予測部を備え、上記要因予測部は、上記確率予測部が特定した上記所定の事象の発生確率が所定の閾値以上である上記所定の事象について発生要因を特定することが好ましい。

上記構成によれば、所定の事象の発生確率が高い場合に発生要因を特定するので、所定の事象の発生確率が低い場合にまで発生要因を特定することがない。よって、所定の事象の発生確率によらずに発生要因を特定する構成と比べて、情報処理量を軽減することができる。

上記情報処理装置では、上記所定の事象が、上記焼却施設の稼働状態に関する所定のパラメータが異常値となる事象である場合に、上記所定のデータを用いて、当該所定の事象の発生時における上記パラメータ値を特定するパラメータ値予測部を備え、上記要因予測部は、上記確率予測部が特定した発生確率が所定の閾値以上であり、かつ、上記パラメータ値予測部が特定した上記パラメータ値が異常値である場合に、上記所定の事象の発生要因を特定することが好ましい。

上記構成によれば、要因予測部は、例えば、パラメータ値予測部により特定された所定のパラメータが異常値であっても、当該事象の発生確率が高くなければ発生要因の特定が行われない。その結果、情報処理装置の処理を軽減するとともに、万一予測が外れた場合に適切でない制御がなされることを防ぐことができる。

上記情報処理装置では、上記要因予測部が特定した発生要因に応じて、上記所定の事象の発生を防ぐために上記焼却施設で行うべき制御を決定する制御決定部を備えていることが好ましい。

上記構成によれば、特定された発生要因に基づきゴミ焼却施設で行うべき制御を決定するため、適切な焼却施設の制御を行うことができる。

上記情報処理装置では、上記所定の事象が、上記焼却施設の稼働状態に関する所定のパラメータが異常値となる事象である場合に、上記所定のデータの少なくとも一部を用いて、当該所定の事象の発生時における上記パラメータの値を特定するパラメータ値予測部と、上記パラメータ値予測部が特定した上記パラメータの値に応じて、上記制御決定部が決定した制御における制御量を決定する制御量決定部と、を備えていることが好ましい。

上記構成によれば、パラメータ値予測部により特定されたパラメータの値に基づき制御決定部が決定した制御における制御量を決定することができる。その結果、焼却施設の適切な制御を行うことができる。

本発明の一態様に係る情報処理方法は、焼却施設に関する情報処理を行う情報処理装置による情報処理方法であって、上記焼却施設の稼働状態に関する複数種類の所定のデータを取得するデータ取得ステップと、上記焼却施設で発生が予測される所定の事象について、上記所定のデータの少なくとも一部を、過去に上記焼却施設で上記所定の事象が発生したときの上記所定のデータと当該所定の事象の発生要因との対応関係に基づいて構築された要因予測モデルに対して用いることにより、上記所定の事象の発生要因を特定する要因予測ステップと、を含む。

上記構成によれば、態様１と同様の効果を奏す。

本発明の各態様に係る情報処理装置は、コンピュータによって実現してもよく、この場合には、コンピュータを上記情報処理装置が備える各部（ソフトウェア要素）として動作させることにより上記情報処理装置をコンピュータにて実現させる情報処理装置の制御プログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。さらに、各実施形態にそれぞれ開示された技術的手段を組み合わせることにより、新しい技術的特徴を形成することができる。

１ 情報処理装置
１００ ゴミ焼却施設（焼却施設）
１１１ データ取得部
１１２ 確率予測部
１１３ 要因予測部
１１４ 制御決定部
１１５ 蒸気量予測部（パラメータ値予測部）
１１６ 制御量決定部
１２１ 確率予測モデル
１２２ 要因予測モデル
１２３ 蒸気量予測モデル

Claims (7)

1. 焼却施設に関する情報処理を行う情報処理装置であって、
   上記焼却施設の稼働状態に関する複数種類の所定のデータを取得するデータ取得部と、
   上記焼却施設で発生が予測される所定の事象について、上記所定のデータの少なくとも一部を、過去に上記焼却施設で上記所定の事象が発生したときの上記所定のデータと当該所定の事象の発生要因との対応関係に基づいて構築された要因予測モデルに対して用いることにより、上記所定の事象が発生する前の時点で上記所定の事象の発生要因を特定する要因予測部と、を備えていることを特徴とする情報処理装置。
2. 上記データ取得部は、複数の異なる時点で上記所定のデータを取得して記憶部に記憶し、
   上記要因予測部は、複数の時点で取得された上記所定のデータのそれぞれを上記要因予測モデルに対して用いることにより、発生が予測される上記所定の事象の発生要因を特定することを特徴とする請求項１に記載の情報処理装置。
3. 焼却施設に関する情報処理を行う情報処理装置であって、
   上記焼却施設の稼働状態に関する複数種類の所定のデータを取得するデータ取得部と、
   上記焼却施設で発生が予測される所定の事象について、上記所定のデータの少なくとも一部を、過去に上記焼却施設で上記所定の事象が発生したときの上記所定のデータと当該所定の事象の発生要因との対応関係に基づいて構築された要因予測モデルに対して用いることにより、上記所定の事象の発生要因を特定する要因予測部と、
   上記所定のデータの少なくとも一部を用いて上記所定の事象の発生確率を特定する確率予測部と、を備え、
   上記要因予測部は、上記確率予測部が特定した上記所定の事象の発生確率が所定の閾値以上である上記所定の事象について発生要因を特定することを特徴とする情報処理装置。
4. 上記所定の事象が、上記焼却施設の稼働状態に関する所定のパラメータが異常値となる事象である場合に、上記所定のデータを用いて、当該所定の事象の発生時における上記パラメータ値を特定するパラメータ値予測部を備え、
   上記要因予測部は、上記確率予測部が特定した発生確率が所定の閾値以上であり、かつ、上記パラメータ値予測部が特定した上記パラメータ値が異常値である場合に、上記所定の事象の発生要因を特定することを特徴とする請求項３に記載の情報処理装置。
5. 焼却施設に関する情報処理を行う情報処理装置であって、
   上記焼却施設の稼働状態に関する複数種類の所定のデータを取得するデータ取得部と、
   上記焼却施設で発生が予測される所定の事象について、上記所定のデータの少なくとも一部を、過去に上記焼却施設で上記所定の事象が発生したときの上記所定のデータと当該所定の事象の発生要因との対応関係に基づいて構築された要因予測モデルに対して用いることにより、上記所定の事象の発生要因を特定する要因予測部と、
   上記要因予測部が特定した発生要因に応じて、上記所定の事象の発生を防ぐために上記焼却施設で行うべき制御を決定する制御決定部と、を備えていることを特徴とする情報処理装置。
6. 上記所定の事象が、上記焼却施設の稼働状態に関する所定のパラメータが異常値となる事象である場合に、上記所定のデータの少なくとも一部を用いて、当該所定の事象の発生時における上記パラメータの値を特定するパラメータ値予測部と、
   上記パラメータ値予測部が特定した上記パラメータの値に応じて、上記制御決定部が決定した制御における制御量を決定する制御量決定部と、を備えていることを特徴とする請求項５に記載の情報処理装置。
7. 焼却施設に関する情報処理を行う情報処理装置による情報処理方法であって、
   上記焼却施設の稼働状態に関する複数種類の所定のデータを取得するデータ取得ステップと、
   上記焼却施設で発生が予測される所定の事象について、上記所定のデータの少なくとも一部を、過去に上記焼却施設で上記所定の事象が発生したときの上記所定のデータと当該所定の事象の発生要因との対応関係に基づいて構築された要因予測モデルに対して用いることにより、上記所定の事象が発生する前の時点で上記所定の事象の発生要因を特定する要因予測ステップと、を含むことを特徴とする情報処理方法。

Images