信息处理装置、信息处理方法、信息处理程序、和垃圾焚烧工厂与流程

1.本发明涉及一种信息处理装置等，其用于使用了机械学习的工厂控制。


背景技术：

2.当前正在进行与发电厂、垃圾焚烧设施等工厂的自动运转有关的技术的开发。例如，下述的专利文献1公开了一种技术：使用操控人员对工厂中运转的设备进行的介入操作的履历数据来进行机械学习，从而生成包含进行介入操作的条件的规则信息。现有技术文献专利文献
3.专利文献1:日本公开专利公报“特开2017
‑
49801号公报”(2017年3月9日公开)


技术实现要素：

(一)要解决的技术问题
4.上述专利文献1的技术以操控人员的介入操作适当为前提。但是，即便是熟练的操控人员，也未必全部的介入操作都适当。而且，在履历数据包含不适当的介入操作的情况下，存在由于学习了不适当的介入操作而不能进行有效的机械学习的问题。
5.本发明的一个方式针对上述问题而完成，其目的在于提供一种信息处理装置等，可分选能够进行有效的机械学习的学习数据。(二)技术方案
6.为了解决上述技术问题，本发明的一个方式的信息处理装置具备：适合判定部，其对表示通过手动操作进行工厂控制的履历的多个履历数据分别判定该履历数据表示的手动操作与进行该手动操作的时刻的上述工厂的状态是否适合；以及学习数据分选部，其将上述适合判定部判定为适合的履历数据作为用于对应当在上述工厂中执行的控制进行机械学习的学习数据。
7.另外，本发明的一个方式的信息处理方法利用信息处理装置进行信息处理，包含：对表示通过手动操作进行工厂控制的履历的多个履历数据分别判定该履历数据表示的手动操作与进行该手动操作的时刻的上述工厂的状态是否适合的步骤；以及将通过上述判定步骤判定为适合的履历数据作为用于对应当在上述工厂中执行的控制进行机械学习的学习数据的步骤。(三)有益效果
8.根据本发明的一个方式，能够将与工厂的状态适合的手动操作的履历数据作为学习数据，因此能够进行有效的机械学习。
附图说明
9.图1是表示本发明实施方式1的信息处理装置的主要部位结构的一例的框图。
图2是表示与“垃圾供给装置速度增大”的分类对应的操作设置过滤器的一例的图。图3是说明上述信息处理装置中的适合性判定的概要的图。图4是表示上述信息处理装置执行的处理的一例的流程图。图5是表示上述信息处理装置执行的处理的另一例的流程图。图6是表示本发明实施方式2的信息处理装置的主要部位结构的一例的框图。图7是表示确定将要使用的操作设置过滤器的方法的一例的图。图8是表示上述信息处理装置执行的处理的一例的流程图。图9是表示上述信息处理装置执行的处理的另一例的流程图。图10是对本发明实施方式3的信息处理装置中的适合性判定的概要进行说明的图。
具体实施方式
10.(实施方式1)(垃圾焚烧工厂)基于图1对本实施方式的垃圾焚烧工厂5的结构进行说明。此外，虽然在本实施方式中针对垃圾焚烧工厂进行说明，但是本发明能够适用于对任意的焚烧对象进行焚烧的焚烧工厂。例如，除了普通废弃物的焚烧工厂之外，也能够适用于工业废弃物的焚烧工厂、以及污泥的焚烧工厂。这些焚烧工厂也可以利用因焚烧而产生的热量进行发电。另外，如生物质量能发电厂等那样以发电为主要目的进行焚烧的工厂也包含于上述焚烧工厂的范畴。另外，工厂不限于焚烧工厂，只要是利用至少一种设备或者装置进行规定的处理(对规定的对象实施规定的处理、制造规定的物品等)的工厂即可。
11.垃圾焚烧工厂5是用于进行垃圾的堆积和焚烧的工厂，如图1表示，具备：信息处理装置1、工厂控制装置2、以及工厂设备3。
12.在工厂设备3中包含：焚烧炉、向炉内供给垃圾的垃圾供给装置、使垃圾在炉内移动的炉排、锅炉、以及发电机等。工厂设备3将焚烧垃圾产生的热量供给锅炉，利用锅炉产生的蒸气使发电机的涡轮旋转发电。另外，工厂设备3具备：对燃烧用空气的流量进行调节的阀门、对燃烧用空气的温度进行调节的加热装置、对向炉内供给的空气的流量进行调节的阀门(例如，一次空气调节用的阀门和二次空气调节用的阀门)等。
13.利用在工厂设备3各处设置的传感器等，来检测与工厂设备3的运转状况有关的信息，并向工厂控制装置2的工厂控制部106及信息处理装置1的至少一方输出。作为上述信息，例如可以举出燃烧炉内的温度、向燃烧炉内供给的垃圾的量、从锅炉产生的蒸气量、排气含氧浓度、以及燃烧空气的流量/温度等。
14.工厂控制装置2至少具备：工厂控制部106，其控制包含于工厂设备3的各种装置的动作；以及通信部107，其用于工厂控制装置2与其它装置通信。
15.在垃圾焚烧工厂5中，为了有效地发电，期望稳定地产生蒸气量。另一方面，在焚烧炉中，由于焚烧的垃圾的质、量变动、针对焚烧炉的操作量的变动等各种主要因素，会导致焚烧炉的燃烧状态发生变化。因此，需要对焚烧炉进行控制，以适应焚烧炉的燃烧状态的变化，并且稳定地产生蒸气。
16.在当前的普通的垃圾处理工厂中，操控人员一边考虑各种测量计的值、炉内的情况，一边通过手动操作对工厂设备进行各种控制。对此，在垃圾焚烧工厂5中，能够使用已学习模型对燃烧炉进行自动控制，所述已学习模型是使用工厂的操控人员的手动操作的履历数据进行机械学习而制作的。
17.具体而言，信息处理装置1预先将工厂的操控人员的手动操作的履历数据作为学习数据进行机械学习而生成已学习模型115。而且，工厂控制装置2的工厂控制部106对工厂设备3进行由生成的已学习模型115判定为应当执行的控制。
18.但是，操控人员未必全部的手动操作都适当，履历数据有可能包含不适当的手动操作。因此，为了高效地进行机械学习，需要将不适当的履历数据除外，并对适当的履历数据进行分选。
19.另外，所谓的履历数据是通过手动操作进行的工厂控制的履历数据，例如，包含对在工厂中运转的设备进行的手动操作内容、操作量、以及操作时刻等数据。所谓的手动操作内容是由操控人员对在工厂中运转的设备进行的手动操作的内容。例如，垃圾供给装置的速度增大/减速、炉排的速度增大/减速、燃烧空气的流量增大/减量、燃烧空气的温度升高/减少、以及二次空气的流量增大/减量等手动操作的内容相当于上述手动操作内容。
20.另外，履历数据可以是由进行了手动操作的操控人员对信息处理装置1输入或者发送的数据。另外，履历数据可以是从进行了手动操作的工厂设备3的设备向信息处理装置1发送的数据，也可以是从工厂设备3的设备经由工厂控制装置2向信息处理装置1发送的数据。另外，也可以是这些数据组合成的数据。
21.(信息处理装置)基于图1对信息处理装置1的结构进行详细说明。图1是表示信息处理装置1的主要部位结构一例的框图。
22.信息处理装置1具备：控制部10，其对信息处理装置1的各部进行综合控制；存储部11，其存储信息处理装置1使用的各种数据；输入部12，其接受输入操作；输出部13，其用于输出信息；以及通信部14，其用于与其它装置通信。
23.在控制部10中包含履历数据获取部101、分类部102、适合判定部103、学习数据分选部104、以及机械学习执行部105。另外，在存储部11中存储有履历数据库(db)111、操作设置过滤器112、工厂状态db113、学习db114、以及已学习模型115。
24.履历数据获取部101从履历db111中获取多个履历数据。履历db111是预先存储通过操控人员进行的手动操作而进行的工厂控制的履历数据的数据库。所谓的履历数据如上述那样是例如包含对在工厂中运转的设备进行的手动操作内容、操作量、以及操作时刻等的数据。
25.分类部102根据各履历数据表示的手动操作内容而对履历数据获取部101获取的多个履历数据进行分类。
26.适合判定部103对表示通过手动操作进行工厂控制的履历的多个履历数据分别判定该履历数据表示的手动操作与进行该手动操作的时刻的上述工厂的状态是否适合。此外，作为判定的对象的多个履历数据是利用分类部102分类后的履历数据。
27.适合判定部103在表示进行履历数据表示的手动操作的时刻的工厂的状态的状态数据满足规定的条件的情况下，可以判定为，该履历数据表示的手动操作适合进行该手动
操作的时刻的工厂的状态。此外，上述规定的条件是上述工厂在应当进行该手动操作的状态时满足的条件。另外，本实施方式中的工厂的状态是焚烧炉的燃烧状态。该燃烧状态例如由燃烧炉内的温度、向燃烧炉内供给的垃圾的量、从锅炉产生的蒸气量、排气含氧浓度等表示。
28.在这种情况下，适合判定部103从工厂状态db113读出上述状态数据。工厂状态db113是存储表示进行手动操作时刻的工厂的状态的数据的数据库。另外，适合判定部103从操作设置过滤器112读出上述规定的条件。后面基于图2对详细情况进行说明，在操作设置过滤器112中表示工厂在应当进行规定的手动操作的状态时被满足的规定的条件。
29.学习数据分选部104将适合判定部103判定为适合的履历数据作为用于对应当在上述工厂中执行的控制进行机械学习的学习数据。具体而言，将适合判定部103判定为不适合于工厂的状态的履历数据除外。而且，学习数据分选部104将判定为适合的履历数据分选为学习数据，并存储于学习db114。学习db114是将分选的履历数据作为学习数据存储的数据库。此外，后面基于图3到图7对分选的详细情况进行说明。
30.机械学习执行部105使用学习数据分选部104分选的学习数据执行机械学习，并生成用于判定应当在工厂中执行的控制的已学习模型115。生成的已学习模型115存储于存储部11。
31.根据上述的结构，能够提取适合于工厂的状态的履历数据。而且，通过将提取的履历数据作为学习数据，从而能够通过有效的机械学习来生成已学习模型115。在本发明的发明人进行的实验中，获得的结果为，使用基于操作设置过滤器112分选的学习数据构筑的已学习模型的精度大幅度高于不进行那样的分选构筑的已学习模型的精度。
32.另外，垃圾焚烧工厂5包含信息处理装置1，其并被工厂控制部106控制。而且，由于工厂控制部106进行的控制如上述那样是基于高精度的已学习模型115进行的，因此在垃圾焚烧工厂5中，能够进行对应焚烧炉的燃烧状态的变化的适当的工厂控制。
33.(适合判定的详情)(操作设置过滤器)利用适合判定部103进行适合性的判定是判定对履历数据的手动操作与进行该手动操作的时刻的工厂状态是否适合。具体而言，在操作设置过滤器112中预先设定有与手动操作内容对应的规定的条件。而且，适合判定部103按照操作设置过滤器112，在进行手动操作的时刻的工厂的状态满足该规定的条件的情况下，将手动操作判定为适合进行该手动操作的时刻的工厂的状态。另一方面，适合判定部103在进行手动操作的时刻的工厂的状态不满足规定的条件的情况下判定为不适合于工厂的状态。
34.与垃圾焚烧工厂5有关的手动操作内容对应的规定的条件包含例如“与焚烧炉内的温度有关的条件”、“与从焚烧炉产生的蒸气量有关的条件”、“与来自焚烧炉的排出气体的含氧浓度有关的条件”、以及“与焚烧炉内的垃圾量有关的条件”中的至少任一。
35.上述的条件都是在适当判断于垃圾焚烧工厂中应当执行的手动操作的基础上，与应当考虑的工厂的状态有关的条件。因此，根据使用这些条件中的至少任一的上述结构，能够适当判定履历数据表示的手动操作与进行该手动操作的时刻的工厂的状态是否适合。
36.在此，分类部102根据在各履历数据中表示的手动操作内容将各履历数据例如分类成表示垃圾供给装置速度增大的数据、表示炉排速度减小的数据。适合判定部103为了按
照该分类判定适合性，而使用与分类对应的操作设置过滤器112。
37.基于图2对操作设置过滤器112表示的规定的条件进行具体说明。图2是表示与“垃圾供给装置速度增大”的分类对应的操作设置过滤器112的一例的图。适合判定部103使用图2的操作设置过滤器112对被分类成“垃圾供给装置速度增大”的各履历数据判定与工厂的状态的适合性。
38.在图2的操作设置过滤器112中，将过滤器项目与工厂的状态关联。该过滤器项目与工厂的状态的组合表示“规定的条件”。例如，利用过滤器项目“炉内温度”与状态“降低倾向”的组合，来表示炉内温度处于降低倾向的“规定的条件”。
39.除此之外，在图2的操作设置过滤器112中，表示“产生蒸气量控制的操作量”是“增加倾向”的规定的条件。此外，所谓的产生蒸气量控制的操作量是用于使产生蒸气量的测量值(pv)接近设定值(sv)的控制的操作量。例如使向焚烧炉供给的垃圾量增加或者减少的控制的操作量、使燃烧用空气的供给量增加或者减少的控制的操作量属于产生蒸气量控制的操作量。此外，该操作量可以是pid控制(proportional
‑
integral
‑
differential controller：比例积分微分控制)中的控制量。而且，关于“排出气体o2浓度”，表示测量值(pv)比设定值(sv)大或者是“增加倾向”的规定的条件。而且，关于“垃圾量”，表示测量值(pv)比设定值(sv)小或者是“减少倾向”的规定的条件。
40.这些条件都是进行“垃圾供给装置速度增大”的手动操作在适当的工厂状态下满足的条件。也就是说，(1)当炉内温度处于降低倾向时、(2)产生蒸气量控制的操作量处于效果倾向时、(3)关于排出气体o2浓度，当pv＞sv或者是增加倾向时、以及(4)关于垃圾量，pv＜sv或者是减少倾向时，进行“垃圾供给装置速度增大”的手动操作是适当的。因此，越是满足这些多个条件中的尽量多的条件，就越能够表明“垃圾供给装置速度增大”的手动操作是适当的。
41.适合判定部103判定进行履历数据表示的手动操作时的工厂的状态是否满足这些各条件。例如，在对表示在某个时刻进行“垃圾供给装置速度增大”的手动操作的履历数据进行判定的情况下，适合判定部103判定该时刻下的炉内温度是否是降低倾向。同样，适合判定部103也对该时刻下的“产生蒸气量控制的操作量”、“排出气体o2浓度”、以及“垃圾量”进行判定。
42.此外，对于各条件中的“倾向”而言，能够通过将该履历数据表示的手动操作的时刻作为起点设定规定期间，并从工厂状态db113中读出该期间中的、表示工厂状态的各种数值(炉内温度等)来判定。
43.(履历数据的适合性判定)适合判定部103基于对操作设置过滤器112表示的各条件的判定结果来进行履历数据的适合性判定。图3是说明适合性判定的概要的图。图3示出了履历数据表示的信息、和针对设定于操作设置过滤器112的各过滤器项目的判定结果。图中的“操作时刻”、“手动操作内容”、以及“操作量”是各履历数据表示的信息，分别表示进行手动操作的时刻、手动操作内容、以及手动操作的操作量。图中的“过滤器适合性的判定结果”是对各过滤器项目表示关于手动操作与工厂的状态的适合性的判定结果的。在判定为有适合性的项目上输入“〇”，在判定为无适合性的项目上输入
“×”
。
44.例如，履历数据1表示在12：15的时刻，垃圾供给装置速度增大的手动操作是操作
量为 10％(进行使垃圾供给装置速度增加10％的手动操作)。过滤器适合性的判定结果对炉内温度输入
“×”
(不适合)，对产生蒸气量控制的操作量、排出气体o2浓度、以及垃圾量输入“〇”(适合)。
45.适合判定部103基于过滤器适合性的各判定结果判定履历数据的适合性。例如，可以用过滤器适合性的判定结果的“〇”或者
“×”
的数量来判定适合性。可以是，如果“〇”的数量多(例如三个以上)，则判定为有适合性，如果
“×”
的数量多(例如两个以上)，则判定为无适合性。利用学习数据分选部104将判定为无适合性的履历数据从学习对象的履历数据中除外。另一方面，被判定为有适合性的履历数据是学习对象的履历数据。
46.另外，在图3的右端栏中示出“到下次操作为止的时间”。“到下次操作为止的时间”是进行一个手动操作之后，到进行下一个手动操作为止的时间。在此得知，从进行履历数据4的操作之后，到进行履历数据5的操作为止的时间是5分钟这样较短的时间。另外，履历数据4的操作和履历数据5的操作都是“垃圾供给装置速度增大”，在短期间内对相同的操作对象多次进行相同的操作内容。
47.只要操作对象/操作内容是相同的，就应当能够用一次的手动操作来完成，但结果需要追加的手动操作，因此不能说这些手动操作至少操作效率高。
48.因此，在对相同的操作对象在规定期间内多次进行相同的操作内容的手动操作的情况下，认为这些手动操作的履历数据作为学习数据是不适当的。关于上述规定期间而言，虽然是针对相同的操作对象多次进行了相同的操作内容的手动操作，但是也可以取代该多次手动操作而设为进行一次的手动操作，在这种情况下也视为获得同样的效果的程度的期间亦可。此外，规定期间能够对应适用的工厂、手动操作内容而任意设定。另外，规定期间可以根据运转者、或者工厂设备的管理者等而定。例如，在将上述规定期间设定为20分钟的情况下，履历数据4及履历数据5被学习数据分选部104除外，不作为学习数据。
49.这样，学习数据分选部104不将在规定期间内进行的、控制对象相同的多个手动操作的履历数据作为学习数据。由此，不将表示效率不好的手动操作的履历数据作为学习数据，因此能够进行更有效的机械学习。
50.(处理的流程)接着，基于图4，对信息处理装置1确定作为学习数据的履历数据的处理的流程进行说明。图4是表示信息处理装置1执行的处理(信息处理方法)的一例的流程图。
51.在s1中，履历数据获取部101从履历db111获取多个履历数据。而且，在s2中，分类部102根据履历数据表示的手动操作内容对履历数据进行分类。
52.在s3中，适合判定部103基于按照分类与规定的操作内容对应的规定的条件，而判定履历数据表示的手动操作与进行该手动操作的时刻的上述工厂的状态的适合性。具体而言，适合判定部103根据满足与分类对应的操作设置过滤器112表示的多个规定的条件中的几个条件来判定是否适合。
53.在s4中，学习数据分选部104将在s3中进行了判定的履历数据中的判定为适合性低(不适合)的履历数据从学习数据的对象中除外。换言之，学习数据分选部104将在s3中判定为适合的履历数据作为用于对在工厂中应当执行的控制进行机械学习的学习数据。需要说明的是，关于在s3中判定为适合的履历数据，进行s5的处理，在该处理中被除外的履历数据不作为学习数据。
54.在s5中，学习数据分选部104将在s3中判定为适合的履历数据中的对相同的控制对象在短期间内进行了多次相同操作的履历数据除外。此外，也可以比s4先进行s5的处理。最后，在s6中，学习数据分选部104确定作为学习数据的履历数据。也就是说，学习数据分选部104确定将在s4及s5中的任一中未被除外的履历数据作为学习数据。
55.例如，在图3的例子中，如果设定在过滤器适合性的判定结果的
“○”
是三个以上的情况下判定为有适合性，则在s4中将履历数据2除外。另外，如果设定作为s5的判定基准的时间(规定期间)是20分钟，则在s5中将履历数据4及履历数据5除外。因此，在这种情况下，在s6中将履历数据1及履历数据3确定为在机械学习中使用的学习数据。
56.(履历数据中的操作量的加算)在对相同的操作对象在规定期间内多次进行相同的操作内容的情况下，也认为这些手动操作的控制对象是适当的，但操作量不适当。在这种情况下，如果最初进行的手动操作的操作量是适当的，则只要进行一次操作即可，可以说是有效的。
57.因此，学习数据分选部104也可以使在规定期间内进行的、控制对象相同的多个手动操作的履历数据变更为分别加算了针对该多个手动操作中的控制对象而言的操作量的操作量的一次的手动操作的履历数据之后，包含于学习数据中。由此，操作量不适当的履历数据也能够作为学习数据有效利用。
58.(处理的流程)接着，基于图5来说明信息处理装置1中的处理的流程的另一例。图5是表示信息处理装置1中的处理的流程的另一例的流程图。此外，从s1到s4、以及s6的处理与图4的从s1到s4、以及s6的处理相同，因此不重复说明。通过这些处理，获取的履历数据被分类，判定适合性后，将适合性低的数据除外。
59.在s5a中，学习数据分选部104关于对相同的控制对象在规定期间内进行多次操作的履历数据加算操作量而变更为一次的手动操作之后包含于学习数据中。例如，在图3的例子中，在将规定时间设定为20分钟的情况下，学习数据分选部104关于在规定期间内进行多次操作的履历数据4及5，将在履历数据4的操作量“ 5％”上加算履历数据5的操作量“ 12％”，修正成操作量“ 17％”而变更为一次的手动操作的履历数据分选为学习数据。
60.(实施方式2)以下对本发明的另一个实施方式进行说明。此外，为了方便说明，对于与在上述实施方式1中说明的部件具有相同的功能的部件标记相同的符号并不重复其说明。实施方式3以后也同样。
61.(装置结构)图6是表示实施方式2的信息处理装置1的主要部位结构的一例的框图。如图示那样，实施方式2的控制部10在包含操作意图判定部151方面与实施方式1的控制部10不同，所述操作意图判定部151判定各履历数据表示的手动操作的操作意图是否属于规定的多个操作意图中的任一。此外，所谓的操作意图是操控人员对在工厂中运转的设备进行手动操作时的操控人员的意图。例如“希望增加供给到焚烧炉内的垃圾量”、“希望促进焚烧炉内的燃烧”等是操作意图的例子。
62.操作意图可以在操控人员进行例如手动操作时输入而记录在履历db111中。在这种情况下，操作意图判定部151能够通过参照履历db111，从而判定各履历数据表示的手动
操作的操作意图。另外，操作意图判定部151可以基于进行手动操作时的工厂状态来判定该手动操作的操作意图。在这种情况下，如果预先将工厂状态与操作意图的对应关系模型化，则操作意图判定部151能够使用该模型来判定各履历数据表示的手动操作的操作意图。
63.实施方式2的分类部102根据操作意图判定部151如上述那样判定的操作意图来对履历数据进行分类。因此，在实施方式2中，将预先按照操作意图制作的操作设置过滤器112存储在存储部11中。
64.(基于操作意图的操作设置过滤器的确定)基于图7对适合判定部103确定使用的操作设置过滤器112的方法进行说明。图7的表关联了操作意图、过滤器编号、过滤器对象。
65.在图7的表中，例示出“希望增加垃圾量”、“希望减少垃圾量”、“希望促进燃烧”、“希望抑制燃烧”、以及“希望减少co”的5个种类的操作意图。在这些操作意图中，由于关联有1到5的过滤器编号，因此适合判定部103通过参照该表，能够确定与分类部102的分类结果对应的过滤器编号。过滤器编号是识别操作设置过滤器112(例如如图2的例子那样，组合了在针对一个履历数据的一次适合性判定中使用的多个规定的条件的内容)的编号。这样，在本实施方式中，预先对多个操作意图分别设定用于适合性判定的规定的条件。
66.另外，在图7的表中对各操作意图关联了过滤器对象。适合判定部103对该过滤器对象表示的内容的手动操作适用操作设置过滤器112。例如，适合判定部103对分类成“希望增加垃圾量”的操作意图的履历数据中的、作为过滤器对象的“垃圾供给装置速度增大”或者“炉排速度增大”的手动操作的履历数据使用过滤器编号“1”的操作设置过滤器112。
67.(处理的流程)接着，基于图8来说明实施方式2的信息处理装置1执行的处理的流程。图8是表示实施方式2的信息处理装置1执行的处理的流程的一例的流程图。
68.在s21中，履历数据获取部101从履历db111获取多个履历数据。在接下来的s22中，操作意图判定部151判定各履历数据的操作意图。而且，在s23中，分类部102基于在s22中判定的操作意图对履历数据进行分类。
69.在s24中，适合判定部103使用与s23的分类对应的操作设置过滤器112对在s21中获取的各履历数据判定工厂的状态与操作内容的适合性。例如，在使用图7的表的情况下，适合判定部103参照该表来确定与s23的分类对应的操作设置过滤器112。而且，适合判定部103使用确定的操作设置过滤器112在上述表中判定作为过滤器对象的手动操作的履历数据的适合性。
70.此外，适合判定部103判定操作意图与过滤器对象不一致的履历数据不适合。例如，在图7的例子中，操作意图属于“希望增加垃圾量”，对进行的手动操作是“垃圾供给装置速度增大”以及“炉排速度增大”以外的手动操作的履历数据，适合判定部103判定为不适合。从s25到s27的处理与图4的从s4到s6的处理相同，因此省略说明。
71.如以上那样，本实施方式的信息处理装置1具备操作意图判定部151，所述操作意图判定部151判定履历数据表示的手动操作的操作意图是否属于规定的多个操作意图中的任一。另外，如基于图7所说明的那样，预先分别对多个操作意图设定上述规定的条件。而且，适合判定部103使用与操作意图对应的规定的条件来判定履历数据表示的手动操作与进行该手动操作的时刻的上述工厂的状态是否适合。根据该结构，由于使用与操作意图对
应的条件进行判定，因此能够将操作意图适合工厂状态的手动操作的履历数据作为学习数据。
72.(处理的流程(履历数据中的操作量加算))在本实施方式中，如图5的例子那样，可以在履历数据中的操作量加算的基础上加到学习数据中。对此，基于图9进行说明。图9是表示实施方式2的信息处理装置1中的处理的流程的另一例的流程图。此外，关于与图8的流程图的不同点即s26a以外的处理，省略说明。
73.如图9表示，在s26a中，学习数据分选部104使对相同的控制对象在规定期间内进行多次操作的数据的操作量加算而变更为一次的手动操作之后，包含于学习数据中。根据该结构，由于对不适合作为学习数据的履历数据进行了修正并将修正后的履历数据作为学习数据，因此，操作量不适当的履历数据也能够作为学习数据有效利用。
74.(实施方式3)基于图10对本发明的再另一实施方式进行说明。与实施方式1的学习数据分选部104的区别在于，实施方式3的学习数据分选部104将到相反方向操作为止的时间较短的履历数据从学习数据中除外。
75.在此，所谓的相反方向操作是指：内容与针对相同的操作对象已经进行的手动操作的内容相同，但是操作量变为相反方向的手动操作。作为具体例，例如，相对于使垃圾供给装置的速度增大的操作而言的相反方向操作是指：使垃圾供给装置的速度减小的操作。
76.在图10的(b)表示的“操作时刻”中表示进行操作的时刻，“手动操作内容”中表示手动操作内容，“操作量”中表示手动操作的方向和操作量。在此得知，从进行履历数据4的手动操作之后，到进行履历数据5的手动操作为止的时间短到5分钟。另外，履历数据4和履历数据5的操作对象都是“垃圾供给装置的速度”，履历数据4的操作量是“ 5％”即增速，另一方面，履历数据5的操作量是“－7％”即减速。因此，履历数据5的手动操作是履历数据4的手动操作的相反方向操作。
77.在进行某个手动操作开始规定期间内，在进行相反方向的操作的情况下，由于最初的手动操作的方向不适当，因此考虑进行第二次的手动操作。因此，在规定期间内进行了相反方向操作的情况下，学习数据分选部104不将这些手动操作的履历数据分选作为学习数据。
78.这样，表示判断为操作方向不适当的手动操作的履历数据不适合作为学习数据而被除外，因此能够进行更有效的机械学习。此外，如以下说明的那样，学习数据分选部104在进行某个手动操作后，在规定期间内进行了相反方向操作的情况下，可以在变更为分别加算了这些操作量的操作量的一次的手动操作的履历数据之后，包含于学习数据中。由此，相反方向操作的履历数据也能够作为学习数据有效利用。
79.(处理的流程)基于图10的(a)来说明实施方式3的信息处理装置1执行的处理的流程。图10的(a)是表示实施方式3的信息处理装置1执行的处理的流程的一例的流程图。此外，从s31到s34以及s37的处理与图4的从s1到s4以及s6的处理相同，因此省略说明。
80.在s35中，学习数据分选部104将在s33中判定为适合的履历数据中的对相同控制对象在短期间内进行了多次相同内容的操作的履历数据除外。或者，学习数据分选部104可以将对相同的控制对象在短期间内进行多次相同内容的操作的履历数据的操作量加算而
变更为一次的手动操作之后包含于学习数据中。
81.在s36中，学习数据分选部104将在s33中判定为适合而在s34中未被除外的履历数据中的、到相反方向操作为止的时间较短的履历数据除外。或者，学习数据分选部104可以在某个手动操作的操作量上加算其相反方向操作的操作量而变更为一次的手动操作之后，包含于学习数据中。例如，学习数据分选部104可以将在履历数据4的操作量“ 5％”上加算履历数据5的操作量“－7％”，修正成操作量“－2％”而变更为一次的手动操作的履历数据作为学习数据。
82.(基于软件的实现例)信息处理装置1的控制模块(尤其是图1的控制部10所含各模块)可以通过形成于集成电路(ic芯片)等的逻辑电路(硬件)来实现，也可以通过软件来实现。
83.在后者的情况下，信息处理装置1具备计算机，该计算机执行实现各功能的软件即程序的命令。该计算机具备例如一个以上的处理器，并且具备存储上述程序的计算机可读取的存储介质。而且，在上述计算机中，上述处理器从上述存储介质读取上述程序(信息处理程序)并执行，从而实现本发明的目的。作为上述处理器，例如可以使用cpu(central processing unit：中央处理单元)。作为上述存储介质，可以使用“非暂时性的有形的介质”，例如除了rom(read only memory：只读存储器)等之外，还可以使用磁带、光盘、卡、半导体存储器、可编程的逻辑电路等。另外，也可以具备展开上述程序的ram(random access memory：随机访问存储器)等。另外，上述程序也可以经由能够传输该程序的任意的传输介质(通信网络、无线电波等)向上述计算机提供。此外，本发明的一个方式也可以采用通过对上述程序进行电子传输而具体化的、嵌入载波的数据信号的方式来实现。
84.(变形例)在上述各实施方式中说明的各处理能够适当变更。例如，在实施方式1中，用操作内容对履历数据分类后，用操作设置过滤器112分选了适合的履历数据，也可以最先用操作设置过滤器112提取后，用操作内容来锁定。
85.例如，在实施方式2的例子中，适合判定部103可以向“希望增加垃圾”的操作意图的操作设置过滤器112中提供全部的履历数据，并提取适合率高的履历数据。而且，学习数据分选部104可以分选提取的履历数据中的、操作内容适合“希望增加垃圾”的操作意图的履历数据(为“垃圾供给装置速度增大”或者“炉排速度增大”的履历数据)而作为学习数据。
86.另外，适合判定部103可以基于该手动操作后的炉内的燃烧状态来判定履历数据表示的手动操作与进行该手动操作的时刻的上述工厂的状态是否适合。
87.例如，关于适合判定部103，只要手动操作后的炉内的燃烧状态是正常的期间是规定时间以上，则可以判定为该手动操作适合于工厂的状态。在这种情况下，关于适合判定部103，只要手动操作后的炉内的燃烧状态是正常的期间小于规定时间，则判定为该手动操作不适合于工厂的状态，将这样的手动操作的履历数据除外而不作为学习数据。
88.只要基于工厂状态db113判定燃烧状态是否正常即可。例如，可以预先确定燃烧状态正常时的、炉内温度、产生蒸气量的偏差、以及排气co浓度的条件，适合判定部103在满足这些条件的情况下判定燃烧状态正常。如果举出具体的数值例，如果炉内温度是900～950℃，关于产生蒸气量，|pv－sv|/sv<0.05，且排气co浓度小于5ppm，则适合判定部103可以判定为燃烧状态正常。此外，|pv－sv|/sv<0.05表示pv与sv的差低于sv的5％。
89.另外，可以并用基于燃烧状态是正常的期间的判定、和基于操作设置过滤器112的判定。例如，学习数据分选部104可以使基于操作设置过滤器112判定为有适合性的履历数据中的、燃烧状态是正常的期间更长的履历数据优先作为学习数据。
90.此外，图1的系统结构是一例，即使变更系统的结构也能够实现与垃圾焚烧工厂5同样的功能。例如，可以成为使其它的信息处理装置具有机械学习执行部105的功能的系统。在这种情况下，信息处理装置1进行到学习数据的分选，其它的信息处理装置进行使用了分选的数据的机械学习。另外，例如，可以将信息处理装置1组装进工厂控制装置2而作为一个装置。
91.本发明不限于上述的各实施方式，可以在权利要求表示的范围内进行各种变更，关于通过适当组合分别公开于不同的实施方式的技术方案而获得的实施方式也包含于本发明的技术范围内。附图标记说明
[0092]1‑
信息处理装置；103
‑
适合判定部；104
‑
学习数据分选部。