预测模型制作装置及方法、废气浓度控制系统及方法与流程

1.本发明涉及制作对从炉排出的废气所包含的气体成分的浓度进行预测的废气浓度预测模型的预测模型制作装置及预测模型制作方法、以及使用废气浓度预测模型来控制从炉排出的废气所包含的气体成分的浓度的废气浓度控制系统及废气浓度控制方法。


背景技术：

2.例如，在专利文献1中公开了如下技术：使用通过学习数据的机械学习而制作的推定模型(废气浓度预测模型)，根据拍摄了炉内的图像(特征量)来推定co浓度(炉的工艺值)，该学习数据由从拍摄了炉内的图像得到的图像信息与从拍摄到图像时经过规定时间后的状态量(例如co浓度)建立对应关系而成。
3.在先技术文献
4.专利文献
5.专利文献1：日本特开2019-074240号公报
6.然而，虽然特征量优选是提高废气浓度预测模型的预测精度的信息，但关于从设备的燃烧区域的图像数据提取特征量的具体方法并没有公开。


技术实现要素：

7.本发明是鉴于上述的课题而完成的，其目的在于提供能够提高废气浓度预测模型的预测精度的预测模型制作装置及预测模型制作方法。
8.为了实现上述目的，本发明的预测模型制作装置制作对从炉排出的废气所包含的气体成分的浓度进行预测的废气浓度预测模型，其中，所述预测模型制作装置具备：图像取得部，其取得拍摄了所述炉的燃烧区域的图像；提取部，其将所述图像转换为颜色图像数据，从该颜色图像数据提取特征量；废气浓度取得部，其在比所述燃烧区域靠下游处取得从拍摄到所述图像的时间起经过了预先设定的设定时间后的所述废气所包含的所述气体成分的浓度；以及模型制作部，其通过对由所述提取部提取的所述特征量与由所述废气浓度取得部取得的所述气体成分的浓度建立了对应关系而成的学习数据进行机械学习，来制作所述废气浓度预测模型。
9.为了实现上述目的，本发明的预测模型制作方法制作对从炉排出的废气所包含的气体成分的浓度进行预测的废气浓度预测模型，其中，所述预测模型制作方法包括如下步骤：取得拍摄了所述炉的燃烧区域的图像；将所述图像转换为颜色图像数据，从该颜色图像数据提取特征量；在比所述燃烧区域靠下游处取得从拍摄到所述图像的时间起经过了预先设定的设定时间后的所述废气所包含的所述气体成分的浓度；以及通过对所述特征量与从拍摄到所述图像的时间起经过了设定时间后的所述废气所包含的所述气体成分的浓度建立了对应关系而成的学习数据进行机械学习，来制作所述废气浓度预测模型。
10.发明效果
11.根据本发明的预测模型制作装置及预测模型制作方法，能够提高废气浓度预测模
型的预测精度。
附图说明
12.图1是概略性地示出设置有第一实施方式的预测模型制作装置的炉的结构的图。
13.图2是第一实施方式的预测模型制作装置的概略性的功能框图。
14.图3是示出颜色图像数据的图。
15.图4是概略性地示出设置有第二实施方式的预测模型制作装置的炉的结构的图。
16.图5是第二实施方式的预测模型制作装置的概略性的功能框图。
17.图6是概略性地示出第三实施方式的废气浓度控制系统的结构的图。
18.图7是用于说明第三实施方式的废气浓度控制系统的作用/效果的图。
19.图8是概略性地示出第三实施方式的变形例的废气浓度控制系统的结构的图。
20.图9是示出一实施方式的预测模型制作方法的流程图。
21.图10是示出一实施万式的废气浓度控制万法的流程图。
22.附图标记说明：
23.1...预测模型制作装置；
24.2...图像取得部；
25.4...提取部；
26.6...废气浓度取得部；
27.8...模型制作部；
28.10...工艺数据取得部；
29.50...废气浓度控制系统；
30.52...拍摄装置；
31.54...调整装置；
32.100...炉；
33.116...拍摄装置；
34.130...燃烧区域；
35.140...气体分析仪；
36.142...压力计；
37.144...温度传感器；
38.146...热回收锅炉；
39.160...颜色图像数据；
40.a...颜色区域；
41.eg...废气；
42.s2...图像取得步骤；
43.s4...特征量提取步骤；
44.s6...浓度取得步骤；
45.s8...模型制作步骤；
46.s52...拍摄步骤；
47.s54...调整步骤。
具体实施方式
48.以下，基于附图对本发明的实施方式的预测模型制作装置、废气浓度控制系统、预测模型制作方法及废气浓度控制方法进行说明。该实施方式示出了本发明的一个方式，并不对本发明进行限定，能够在本发明的技术的思想的范围内任意地进行变更。
49.《第一实施方式》
50.(炉的结构)
51.图1是概略性地示出设置有第一实施方式的预测模型制作装置1的炉100的结构的图。在图1所例示的方式中，炉100是将城市垃圾、工业废弃物、或生物质等作为固体燃料fs的炉排式垃圾焚烧炉。需要说明的是，炉100不限定于炉排式垃圾焚烧炉。以下，将固体燃料fs在炉100内移动的方向作为移动方向w1。
52.如图1所示，炉100包括料斗102、进料器104、燃烧室106、空气供给装置108、以及烟道110。
53.从料斗102投入的固体燃料fs堆积于朝向燃烧室106延伸的通路103。进料器104配置于通路103，构成为能够沿着通路103的延伸方向(移动方向w1)往复运动。进料器104将堆积于通路103的固体燃料fs向燃烧室106推出。
54.燃烧室106包括相当于燃烧室106的底部且供被推出至燃烧室106的固体燃料fs落下的炉箅子112(炉排)。炉箅子112构成为使炉箅子112上的固体燃料fs向远离燃烧室106的接受口114的方向(从移动方向w1的上游侧向下游侧)移动。这样的燃烧室106包括从移动方向w1的上游侧朝向下游侧依次排列的干燥区域128、燃烧区域130、以及后燃烧区域132。在干燥区域128中，利用燃烧室106内的热使固体燃料fs干燥。在燃烧区域130中，提高火焰fr使固体燃料fs燃烧。在后燃烧区域132中，使在燃烧区域130中未燃尽的燃尽物完全燃烧。在燃烧室106中干燥、燃烧、后燃烧后的固体燃料fs成为灰fa，被排出到炉100外。
55.燃烧区域130由可见光相机那样的拍摄装置116拍摄。在图1所例示的方式中，燃烧区域130由设置于燃烧室106的炉尾118的拍摄装置116拍摄。需要说明的是，拍摄装置116只要能够对燃烧区域130进行拍摄，则不限定于可见光相机。例如，拍摄装置116也可以是红外相机。另外，设置拍摄装置116的位置也不限定于燃烧室106的炉尾118。
56.空气供给装置108构成为，将用于固体燃料fs的燃烧的一次空气、以及用于进一步燃烧通过固体燃料fs的燃烧产生的废气eg的二次空气向燃烧室106供给。在图1所例示的方式中，空气供给装置108包括空气供给管120、以及设置于空气供给管120的鼓风机122。在空气供给管120中流通的空气的一部分作为一次空气经由第一流量调节阀124从炉箅子112向燃烧室106的下部供给，并且剩余的一部分作为二次空气经由第二流量调节阀126从燃烧室106的侧壁向燃烧室106的上部供给。即，空气供给装置108作为向燃烧室106的下部供给一次空气的一次空气供给装置发挥功能，并且作为向燃烧室106的上部供给二次空气的二次空气供给装置发挥功能。需要说明的是，在图1所例示的方式中，构成为分别向燃烧室106的干燥区域128、燃烧区域130、以及后燃烧区域132供给一次空气。
57.烟道110与燃烧室106的上部连通，供通过固体燃料fs的燃烧产生的废气eg流通。在烟道110的出口部111设置有气体分析仪140。气体分析仪140计测从炉100排出的废气eg所包含的氧、一氧化碳这样的气体成分的浓度。
58.需要说明的是，在图1所例示的方式中，炉100作为焚烧系统150的一部分而构成。
如图1所示，焚烧系统150具备炉100、减温塔152、集尘装置154、以及烟囱156。减温塔152与炉100的烟道110的出口部111连接。减温塔152降低从炉100(炉100的烟道110)排出的废气eg的温度。集尘装置154与减温塔152连接。集尘装置154捕集从减温塔152排出的废气eg中所包含的飞灰。烟囱156与集尘装置154连接。烟囱156将从集尘装置154排出的废气eg向大气中那样的焚烧系统150的外部排出。
59.(预测模型制作装置的结构)
60.设置于上述炉100的预测模型制作装置1分别从拍摄装置116及气体分析仪140取得数据(图像及气体成分的浓度)，并基于该取得的数据，制作对从炉100排出的废气eg所包含的气体成分的浓度进行预测的废气浓度预测模型。需要说明的是，预测模型制作装置1也可以构成为分别与拍摄装置116及气体分析仪140电连接，实时地取得数据。或者，也可以构成为使分别从拍摄装置116及气体分析仪140预先取得的数据存储于数据库，预测模型制作装置1从数据库取得数据。
61.预测模型制作装置1是电子控制装置等的计算机，具备未图示的cpu、gpu这样的处理器、rom、ram这样的存储器、以及i/o接口等。预测模型制作装置1通过使处理器按照加载到存储器中的程序的命令进行动作(运算等)，从而实现预测模型制作装置1所具备的各功能部。参照图2，对一实施方式的预测模型制作装置1的各功能部进行说明。
62.图2是第一实施方式的预测模型制作装置1的概略性的功能框图。如图2所示，预测模型制作装置1具备图像取得部2、提取部4、废气浓度取得部6、以及模型制作部8。
63.图像取得部2从拍摄装置116取得拍摄了炉100的燃烧区域130的图像。
64.提取部4将图像取得部2所取得的图像转换为颜色图像数据160。具体而言，提取部4通过聚类处理将图像取得部2所取得的图像转换为根据颜色信息而划分为多个颜色区域a的颜色图像数据160。然后，提取部4从该颜色图像数据160提取特征量。
65.对“通过聚类处理将图像根据颜色信息划分为多个颜色区域a”的一例进行说明。颜色信息是rgb的各颜色成分，多个颜色区域a分别通过聚类处理被设定为rgb的各颜色成分相互不重复。提取部4将图像取得部2所取得的图像按每个像素分解为rgb的各颜色成分，确定包含该像素的颜色区域a。需要说明的是，颜色信息不限定于rgb的各颜色成分，也可以是亮度、彩度。
66.聚类处理的算法没有特别限定，可以使用公知的聚类算法。例如，可以使用k-means等能够指定簇数的算法来进行聚类处理，也可以使用flowsom等自动确定簇数的算法来进行聚类处理。
67.图3是示出颜色图像数据160的图。在图3所例示的方式中，颜色图像数据160通过聚类处理被划分为七个颜色区域a，按照亮度从高到低的顺序包含第一颜色区域a1(a)、第二颜色区域a2(a)、第三颜色区域a3(a)、第四颜色区域a4(a)、第五颜色区域a5(a)、第六颜色区域a6(a)、第七颜色区域a7(a)。第一颜色区域a1～第七颜色区域a7分别被转换为黑白(灰度)的深浅的值，随着从第一颜色区域a1向第七颜色区域a7推进而变深。
68.接着，对“从颜色图像数据提取特征量”的一例进行说明。提取部4计算被划分为第一颜色区域a1的像素数的合计，提取该合计像素数作为特征量。然后，提取部4每隔规定时间(例如每隔1秒)提取第一颜色区域a1的合计像素数。提取部4也针对第二颜色区域a2至第七颜色区域a7中的每一个计算每隔规定时间的合计像素数，并提取各自的合计像素数作为
特征量。
69.需要说明的是，在第一实施方式中，特征量包括多个颜色区域a中的所有颜色区域(第一颜色区域a1至第七颜色区域a7)的合计像素数，但本发明不限定于该方式。特征量只要包含多个颜色区域a中的至少一个颜色区域a的合计像素数即可。在几个实施方式中，特征量包含多个颜色区域a中的与气体成分的浓度具有高相关性的颜色区域a的合计像素数。在此，高相关性的颜色区域a可以是具有比预先确定的相关性高的相关性的颜色区域a，也可以是从多个颜色区域a中按照相关性高的顺序选择的颜色区域a。
70.废气浓度取得部6在比燃烧区域130靠下游处取得从拍摄到图像的时间起经过了预先设定的设定时间t后的废气eg所包含的气体成分的浓度。换言之，废气浓度取得部6在从拍摄到提取了合计像素数的图像的时间起经过了设定时间t时，取得由气体分析仪140计测出的气体成分的浓度。设定时间t例如基于烟道110的长度、从燃烧区域130到气体分析仪140的距离而计算。
71.模型制作部8通过对由提取部4提取出的合计像素数(特征量)与由废气浓度取得部6取得的气体成分的浓度建立对应关系而成的学习数据进行机械学习，来制作废气浓度预测模型。具体而言，模型制作部8对拍摄到图像的时间相互不同的多个学习数据执行回归分析，制作用于根据合计像素数计算气体成分的浓度的回归方程。
72.(预测模型制作装置的作用/效果)
73.根据本发明人等的见解，从炉100排出的废气eg所包含的气体成分的浓度与从拍摄了炉100的燃烧区域130的图像得到的信息中的、从根据颜色信息划分为多个颜色区域a的颜色图像数据160提取的合计像素数具有高相关性。
74.根据第一实施方式，由模型制作部8制作的废气浓度预测模型是通过学习数据的机械学习而制作的，该学习数据是从颜色图像数据160提取的合计像素数与从拍摄到提取出合计像素数的图像的时间起经过了设定时间t时由气体分析仪140计测出的气体成分的浓度建立了对应关系而成的数据。因此，能够提高废气浓度预测模型的预测精度。另外，由于在将图像转换为颜色图像数据160时应用聚类处理，因此不需要准备教师数据。另外，聚类处理不需要前处理、阈值的设定等那样的基于人工的调整作业。因此，能够使特征量的提取的自动化变得容易。
75.设置气体分析仪140的位置有时位于比产生废气eg的产生地点靠下游处。因此，由气体分析仪140计测的气体成分的浓度包含从废气eg的产生地点到达计测地点为止的时滞。针对于此，根据第一实施方式，废气浓度取得部6取得从拍摄到图像的时间起经过了设定时间t时由气体分析仪140计测出的气体成分的浓度。因此，考虑时滞来制作学习数据，因此能够提高废气浓度预测模型的预测精度。
76.合计像素数是能够迅速提取的信息之一。根据第一实施方式，由于提取部4提取合计像素数作为特征量，因此模型制作部8能够迅速地制作废气浓度预测模型。
77.《第二实施方式》
78.对本发明的第二实施方式的预测模型制作装置1进行说明。第二实施方式与第一实施方式不同之处在于，还设置有工艺数据取得部10，除此以外的结构与第一实施方式中说明的结构相同。在第二实施方式中，对与第一实施方式的构成要件相同的要件标注相同的参照标号，并省略其详细的说明。
79.(炉的结构)
80.首先，对设置有第二实施方式的预测模型制作装置1的炉100的结构进行说明。图4是概略性地示出设置有第二实施方式的预测模型制作装置1的炉100的结构的图。第二实施方式的炉100为了计测炉100的工艺数据，还具备压力计142、温度传感器144、以及热回收锅炉146。
81.压力计142设置于燃烧室106的上部，计测燃烧室106内(炉100内)的压力。温度传感器144设置于烟道110，计测在烟道110中流通的废气eg的温度作为炉100内的温度。热回收锅炉146设置于烟道110，利用在烟道110中流通的废气eg的热能产生蒸气。在本实施方式中，该热回收锅炉146构成为能够计测热回收锅炉146产生的蒸气量。需要说明的是，在图4所例示的方式中，在烟道110中，从废气eg的流通方向的上游侧朝向下游侧依次设置有温度传感器144、热回收锅炉146、气体分析仪140，但本发明不限定于该方式。
82.(预测模型制作装置的结构)
83.图5是第二实施方式的预测模型制作装置1的概略性的功能框图。如图4及图5例示那样，预测模型制作装置1分别从拍摄装置116、气体分析仪140、压力计142、温度传感器144、以及热回收锅炉146取得数据(图像、炉100内的温度/压力、蒸气量、以及气体成分的浓度)，并基于该取得的数据，制作对从炉100排出的废气eg所包含的气体成分的浓度进行预测的废气浓度预测模型。
84.如图5所示，预测模型制作装置1还具备取得工艺数据的工艺数据取得部10。在图5所例示的方式中，工艺数据取得部10取得压力计142计测出的燃烧室106内的压力(炉100内的压力)、温度传感器144计测出的在烟道110中流通的废气eg的温度(炉100内的温度)、以及热回收锅炉146产生的蒸气量。工艺数据取得部10取得在与拍摄到图像的时间相同的时间计测出的工艺数据。需要说明的是，在第二实施方式中，工艺数据包括炉100内的压力、炉100内的温度、以及蒸气量，但本发明不限定于该实施方式。工艺数据只要包含炉100内的压力、炉100内的温度、以及蒸气量中的至少一个即可。
85.模型制作部8通过对由提取部4提取的合计像素数(特征量)、由废气浓度取得部6取得的气体成分的浓度、以及由工艺数据取得部10取得的工艺数据建立了对应关系而成的学习数据进行机械学习，来制作废气浓度预测模型。具体而言，模型制作部8针对拍摄图像的时间相互不同的多个学习数据执行线性回归分析，制作用于根据工艺数据和合计像素数来计算气体成分的浓度的回归方程。需要说明的是，线性回归中的基函数也可以选择多项式、高斯函数等中的任一者，以使基于回归分析的预测值的误差变小。
86.(预测模型制作装置的作用/效果)
87.从炉100排出的废气eg所包含的气体成分的浓度与工艺数据也具有高相关性。根据第二实施方式，由于也考虑工艺数据来制作废气浓度预测模型，因此能够进一步提高废气浓度预测模型的预测精度。
88.在几个实施方式中，废气浓度取得部6还取得拍摄到图像的时间的废气eg所包含的气体成分的浓度即校正前浓度。然后，模型制作部8通过对由提取部4提取的合计像素数(特征量)、由废气浓度取得部6取得的气体成分的浓度及校正前浓度、以及由工艺数据取得部10取得的工艺数据建立了对应关系而成的学习数据进行机械学习，来制作废气浓度预测模型。
89.根据本发明人等的见解，通过对也包含校正前浓度的学习数据进行机械学习，从而能够减小废气浓度预测模型的误差(rmse)。根据这样的结构，由于也考虑校正前浓度来制作废气浓度预测模型，因此能够进一步提高废气浓度预测模型的预测精度。
90.《第三实施方式》
91.对本发明的第三实施方式的废气浓度控制系统50进行说明。废气浓度控制系统50使用由上述的预测模型制作装置1制作的废气浓度预测模型，来控制从炉100排出的废气eg所包含的气体成分的浓度。在第三实施方式中，废气浓度控制系统50使用由第一实施方式的预测模型制作装置1制作的废气浓度预测模型，对氧的浓度进行控制。在另一实施方式中，废气浓度控制系统50使用由第二实施方式的预测模型制作装置1制作的废气浓度预测模型，对氧的浓度进行控制。需要说明的是，废气浓度控制系统50控制的气体成分的浓度不限定于氧的浓度，例如也可以是一氧化碳的浓度、氮氧化物(nox)的浓度。
92.(废气浓度控制系统的结构)
93.图6是概略性地示出第三实施方式的废气浓度控制系统50的结构的图。如图6所示，废气浓度控制系统50具备拍摄装置52、以及调整装置54。
94.拍摄装置52对炉100的燃烧区域130进行拍摄。在第二实施方式中，拍摄装置52是与上述的拍摄装置116相同的装置，设置于燃烧室106的炉尾118。需要说明的是，在另一实施方式中，拍摄装置52只要构成为对炉100的燃烧区域130进行拍摄，则也可以是与拍摄装置116不同的装置。
95.调整装置54与拍摄装置52电连接，实时地取得由拍摄装置52拍摄到的拍摄图像。调整装置54通过上述方法从该拍摄图像提取合计像素数(特征量)，将提取出的合计像素数向由预测模型制作装置1制作的废气浓度预测模型输入。调整装置54基于通过合计像素数向废气浓度预测模型的输入而输出的氧的浓度(以下称为预测值x1)，对向炉100供给的空气的量进行调整。
96.需要说明的是，在图6所例示的方式中，调整装置54与预测模型制作装置1分体设置，从预测模型制作装置1取得废气浓度预测模型。在另一实施方式中，调整装置54构成为作为预测模型制作装置1发挥功能，向由调整装置54自身制作的废气浓度预测模型输入从拍摄图像提取的合计像素数。
97.对第三实施方式的调整装置54的动作的一例进行说明。在图6所例示的方式中，调整装置54分别与鼓风机122、第一流量调节阀124及第二流量调节阀126电连接，通过向鼓风机122、第一流量调节阀124及第二流量调节阀126分别发送电信号(以下记载为“指示”)，能够调整鼓风机122的风扇的转速、第一流量调节阀124的开度、第二流量调节阀126的开度。并且，调整装置54在预测值x1小于调整装置54的基准值的情况下，指示鼓风机122增大风扇的转速，指示第一流量调节阀124增大开度，指示第二流量调节阀126增大开度。即，在预测值x1小于调整装置54的基准值时，调整装置54增加向炉100供给的空气的量。调整装置54的基准值是预先设定的值，且是当从炉100排出的废气eg所包含的氧的浓度低于该值时炉100的燃烧状态变得不稳定的值。基准值例如设定为2wet％以下。如果燃烧状态稳定，则炉100的出口(烟道110的出口部111)处的氧浓度在约1wet％的范围内波动。因此，如果燃烧状态不稳定，则基准值几乎不会成为2wet％以下。因此，通过将基准值设定为2wet％以下，调整装置54能够在向不稳定状态的过渡期的时机(也就是说，适当的时机)增加向炉100供给的
空气的量，从而能够恢复稳定状态。
98.在几个实施方式中，根据预测值x1与预先设定的目标值的差来决定向炉100供给的空气的量。目标值被设定为比上述的调整装置54的基准值大。该目标值是能够任意设定的值，例如，以使空气比成为1.2的方式将废气eg所包含的氧的浓度设定为3wet％。
99.需要说明的是，在第三实施方式中，调整装置54分别调整鼓风机122的风扇的转速、第一流量调节阀124的开度、第二流量调节阀126的开度，但本发明不限定于该实施方式。调整装置54也可以调整鼓风机122的风扇的转速、第一流量调节阀124的开度、第二流量调节阀126的开度中的至少一个。
100.调整装置54在通过增加向炉100供给的空气的量而预测值x1恢复至基准值时，指示鼓风机122减小风扇的转速，指示第一流量调节阀124减小开度，指示第二流量调节阀126减小开度。即，当预测值x1恢复至基准值时，调整装置54减少向炉100供给的空气的量。在几个实施方式中，当预测值x1恢复至基准值时，调整装置54调整至由调整装置54调整前(增大前)的鼓风机122的风扇的转速、第一流量调节阀124的开度、第二流量调节阀126的开度。
101.(废气浓度控制系统的作用/效果)
102.图7是用于说明第三实施方式的废气浓度控制系统50的作用/效果的图。在图7中，示出了将纵轴设为氧浓度、将横轴设为时间的图表。实线是从废气浓度预测模型输出的氧的浓度(预测值x1)。单点划线是从气体分析仪140实时地取得的氧的浓度(以下称为实测值x2)。虚线是将单点划线错开了与设定时间t相应的量后的氧的浓度(以下称为校正值x3)。
103.如上所述，由气体分析仪140计测的氧的浓度包括从废气eg的产生地点到达计测地点为止的时滞。因此，有时基于实测值x2来执行向炉100供给的空气量的调整是不适当的。如图7所示，实测值x2延迟了与设定时间t相应的量，基于校正值x3来执行向炉100供给的空气量的调整是适当的。
104.根据第三实施方式，基于根据考虑了时滞而制作的废气浓度预测模型预测的氧的浓度(预测值x1)，来控制从炉100排出的废气eg所包含的氧的浓度。因此，与基于实测值x2控制氧的浓度的情况相比，能够在较早的阶段对从炉100排出的废气eg所包含的氧的浓度进行控制。另外，根据第三实施方式，能够使从炉100排出的废气eg所包含的氧的浓度的控制自动化。
105.在废气eg所包含的氧的浓度低的情况下，废气eg所包含的一氧化碳的浓度变高，炉100的燃烧状态大多变得不稳定。根据第三实施方式，在预测值x1(氧的浓度)小于基准值的情况下，增加向炉100供给的空气的量。因此，能够使炉100的燃烧状态稳定化，降低从炉100排出的废气eg所包含的一氧化碳的浓度。
106.另一方面，若增加向炉100供给的空气的量，则在燃烧室106内燃烧固体燃料fs时有可能促进氮氧化物的产生。根据第三实施方式，当通过增加向炉100供给的空气的量而预测值x1恢复至基准值时，减少向炉100供给的空气的量。因此，能够在降低从炉100排出的废气eg所包含的一氧化碳的浓度的同时，降低该废气eg所包含的氮氧化物的浓度。
107.《第三实施方式的变形例》
108.在第三实施方式中，调整装置54虽然调整了向炉100供给的空气的量，但也可以代替于此或者与此一并地调整向炉100供给的固体燃料fs的量。图8是概略性地示出第三实施方式的变形例的废气浓度控制系统50的结构的图。如图8所示，调整装置54与进料器104电
连接，能够通过向进料器104发送电信号来调整进料器104的往复速度。
109.对第三实施方式的变形例的调整装置54的动作的一例进行说明。在预测值x1小于调整装置54的基准值的情况下，调整装置54指示减小进料器104的往复速度。即，当预测值x1小于调整装置54的基准值时，调整装置54减少向炉100供给的固体燃料fs的量。
110.根据这样的结构，在预测值x1小于基准值的情况下，减小向炉100供给的固体燃料fs的量，因此能够降低从炉100排出的废气eg所包含的一氧化碳的浓度。
111.在几个实施方式中，调整装置54构成为能够调整炉箅子112的速度，在预测值x1小于调整装置54的基准值的情况下，减小炉箅子112的速度。根据这样的结构，在预测值x1小于基准值的情况下，抑制对供给至燃烧室106的固体燃料fs的搅拌，因此能够降低从炉100排出的废气eg所包含的一氧化碳的浓度。
112.《预测模型制作方法》
113.本发明的预测模型制作方法是制作对从炉100排出的废气eg所包含的气体成分的浓度进行预测的废气浓度预测模型的方法。图9是示出一实施方式的预测模型制作方法的流程图。如图9所示，预测模型制作方法包括图像取得步骤s2、特征量提取步骤s4、浓度取得步骤s6、以及模型制作步骤s8。
114.在图像取得步骤s2中，取得拍摄了炉100的燃烧区域130的图像。在特征量提取步骤s4中，通过聚类处理将在图像取得步骤s2中取得的图像转换为根据颜色信息划分为多个颜色区域a的颜色图像数据160，从该颜色图像数据160提取特征量。在浓度取得步骤s6中，在比燃烧区域130靠下游处取得从拍摄到图像的时间起经过了预先设定的设定时间t后的废气eg所包含的气体成分的浓度。在模型制作步骤s8中，通过对在特征量提取步骤s4中提取的特征量与在浓度取得步骤s6中取得的气体成分的浓度建立了对应关系而成的学习数据进行机械学习，来制作废气浓度预测模型。需要说明的是，浓度取得步骤s6只要在模型制作步骤s8之前执行即可，不限定于图9所例示的方式。
115.根据这样的预测模型制作方法，废气浓度预测模型通过学习数据的机械学习而制作，该学习数据是利用聚类处理将拍摄了炉100的燃烧区域130的图像转换为根据颜色划分为多个颜色区域a的颜色图像数据160，并将从该颜色图像数据160提取的特征量与从拍摄到图像的时间起经过了设定时间后的废气eg所包含的气体成分的浓度建立了对应关系而成的数据。因此，能够提高废气浓度预测模型的预测精度。另外，在将图像转换为颜色图像数据160时应用聚类处理，因此不需要准备教师数据，能够迅速制作废气浓度预测模型。
116.《废气浓度控制方法》
117.本发明的废气浓度控制方法是使用通过上述的预测模型制作方法所制作的废气浓度预测模型来对从炉100排出的废气eg所包含的气体成分的浓度进行控制的方法。图10是示出一实施方式的废气浓度控制方法的流程图。如图10所示，废气浓度控制方法包括拍摄步骤s52、以及调整步骤s54。
118.在拍摄步骤s52中，对炉100的燃烧区域130进行拍摄。在调整步骤s54中，基于通过将在拍摄步骤s52中拍摄到的拍摄图像输入废气浓度预测模型而输出的气体成分的浓度，对向炉100供给的空气的量及向炉供给的固体燃料fs的量中的至少一方进行调整。
119.根据这样的废气浓度控制方法，基于从废气浓度预测模型输出的(预测的)气体成分的浓度来控制气体成分的浓度，因此与基于实时地取得的气体成分的浓度来控制气体成
分的浓度的情况相比，能够适当地控制气体成分的浓度。
120.上述各实施方式所记载的内容例如如以下那样进行掌握。
121.[1]本发明的预测模型制作装置(1)制作对从炉(100)排出的废气(eg)所包含的气体成分的浓度进行预测的废气浓度预测模型，其中，
[0122]
所述预测模型制作装置(1)具备：
[0123]
图像取得部(2)，其取得拍摄了所述炉的燃烧区域(130)的图像；
[0124]
提取部(4)，其将所述图像转换为颜色图像数据(160)，从该颜色图像数据提取特征量；
[0125]
废气浓度取得部(6)，其在比所述燃烧区域靠下游处取得从拍摄到所述图像的时间起经过了预先设定的设定时间后的所述废气所包含的所述气体成分的浓度；以及
[0126]
模型制作部(8)，其通过对由所述提取部提取的所述特征量与由所述废气浓度取得部取得的所述气体成分的浓度建立了对应关系而成的学习数据进行机械学习，来制作所述废气浓度预测模型。
[0127]
根据本发明人等的见解，废气所包含的气体成分的浓度与从拍摄了炉的燃烧区域的图像得到的信息中的、从颜色图像数据提取的特征量(信息)具有高相关性。根据上述[1]所述的结构，废气浓度预测模型通过学习数据的机械学习而制作，该学习数据是将拍摄了炉的燃烧区域的图像转换为颜色图像数据，并将从该颜色图像数据提取的特征量与从拍摄到图像的时间起经过了设定时间后的废气所包含的气体成分的浓度建立了对应关系而成的数据。因此，能够提高废气浓度预测模型的预测精度。
[0128]
[2]在几个实施方式中，在上述[1]所述的结构的基础上，
[0129]
所述颜色图像数据包括通过聚类处理将所述图像根据颜色信息划分为多个颜色区域的数据(a)。
[0130]
根据上述[2]所述的结构，由于在将图像转换为颜色图像数据时应用聚类处理，因此不需要准备教师数据。另外，聚类处理不需要前处理、阈值的设定等基于人工的调整作业。因此，能够使特征量的提取的自动化变得容易。
[0131]
[3]在几个实施方式中，在上述[1]或[2]所述的结构的基础上，
[0132]
所述特征量包含所述多个颜色区域中的至少一个所述颜色区域的面积。
[0133]
颜色区域的面积是能够迅速取得的信息之一。根据上述[3]所述的结构，由于特征量包含颜色区域的面积，因此能够迅速地准备学习数据。
[0134]
[4]在几个实施方式中，在上述[1]至[3]中任一项所述的结构的基础上，
[0135]
所述预测模型制作装置还具备工艺数据取得部(10)，该工艺数据取得部(10)取得包含所述炉内的温度、所述炉内的压力、以及通过所述炉内的燃料的燃烧而产生的蒸气量中的至少一个的工艺数据，
[0136]
所述模型制作部通过对由所述提取部提取的所述特征量、由所述废气浓度取得部取得的所述气体成分的浓度、以及由所述工艺数据取得部取得的所述工艺数据建立了对应关系而成的学习数据进行机械学习，来制作所述废气浓度预测模型。
[0137]
从炉排出的废气所包含的气体成分的浓度也与工艺数据具有高相关性。根据上述[4]所述的结构，由于也考虑了工艺数据来制作废气浓度预测模型，因此能够进一步提高废气浓度预测模型的预测精度。
[0138]
[5]在几个实施方式中，在上述[4]所述的结构的基础上，
[0139]
所述废气浓度取得部还取得拍摄到所述图像的时间的所述废气所包含的所述气体成分的浓度即校正前浓度，
[0140]
所述模型制作部通过对由所述提取部提取的所述特征量、由所述废气浓度取得部取得的所述气体成分的浓度及所述校正前浓度、以及由所述工艺数据取得部取得的所述工艺数据建立了对应关系而成的学习数据进行机械学习，来制作所述废气浓度预测模型。
[0141]
根据本发明人等的见解，通过对还包含校正前浓度的学习数据进行机械学习，能够减小废气浓度预测模型的误差(rmse)。根据上述[5]所述的结构，由于也考虑了校正前浓度来制作废气浓度预测模型，因此能够进一步提高废气浓度预测模型的预测精度。
[0142]
[6]本发明的废气浓度控制系统(50)使用通过上述[1]至[5]中任一项所述的预测模型制作装置制作的所述废气浓度预测模型来对从所述炉排出的所述废气所包含的气体成分的浓度进行控制，其中，
[0143]
所述废气浓度控制系统(50)具备：
[0144]
拍摄装置(52)，其对所述炉的所述燃烧区域进行拍摄；以及
[0145]
调整装置(54)，其构成为基于通过将从由所述拍摄装置拍摄到的拍摄图像提取的所述特征量输入所述废气浓度预测模型而输出的所述气体成分的浓度，对向所述炉供给的空气的量以及向所述炉供给的燃料的量中的至少一方进行调整。
[0146]
基于实时地取得的气体成分的浓度来对向炉供给的空气的量、向炉供给的燃料的量进行调整有时是不适当的。根据上述[6]所述的结构，基于从废气浓度预测模型输出的(预测的)气体成分的浓度来控制气体成分的浓度，因此与基于实时地取得的气体成分的浓度来控制气体成分的浓度的情况相比，能够适当地控制气体成分的浓度。另外，根据上述[6]所述的结构，能够使气体成分的浓度的控制自动化。
[0147]
[7]在几个实施方式中，在上述[6]所述的结构的基础上，
[0148]
所述气体成分包含氧，
[0149]
在从所述废气浓度预测模型输出的氧的浓度小于所述调整装置的基准值的情况下，所述调整装置增加向所述炉供给的空气的量。
[0150]
在废气所包含的氧的浓度低的情况下，废气所包含的一氧化碳的浓度变高，炉的燃烧状态大多变得不稳定。根据上述[7]所述的结构，在从废气浓度预测模型输出的氧的浓度小于基准值的情况下，增加向炉供给的空气的量。因此，能够降低从炉排出的废气所包含的一氧化碳的浓度。
[0151]
[8]在几个实施方式中，在上述[7]所述的结构的基础上，
[0152]
向所述炉供给的空气的量根据从所述废气浓度预测模型输出的氧的浓度与预先设定的目标值的差来决定。
[0153]
根据上述[8]所述的结构，向炉供给的空气的量根据从废气浓度预测模型输出的氧的浓度与目标值的差来决定，因此能够使从炉排出的废气所包含的氧的浓度接近目标值。
[0154]
[9]在几个实施方式中，上述[7]或[8]所述的结构的基础上，
[0155]
当从所述废气浓度预测模型输出的氧的浓度恢复至所述调整装置的基准值时，所述调整装置减少向所述炉供给的空气的量。
[0156]
若增加向炉供给的空气的量，则在炉内燃烧燃料时有可能促进氮氧化物的产生。根据上述[9]所述的结构，在通过增加向炉供给的空气的量而从废气浓度预测模型输出的氧的浓度恢复至基准值时，减少向炉供给的空气的量。因此，能够在降低从炉排出的废气所包含的一氧化碳的浓度的同时，降低该废气所包含的氮氧化物的浓度。
[0157]
[10]在几个实施方式中，上述[6]至[9]中任一项所述的结构的基础上，
[0158]
所述气体成分包含氧，
[0159]
在从所述废气浓度预测模型输出的氧的浓度小于所述调整装置的基准值的情况下，所述调整装置减少向所述炉供给的燃料的量。
[0160]
根据上述[10]所述的结构，在从废气浓度预测模型输出的氧的浓度小于基准值的情况下，减少向炉供给的燃料的量。因此，能够降低从炉排出的废气所包含的一氧化碳的浓度。
[0161]
[11]本发明的预测模型制作方法制作对从炉排出的废气所包含的气体成分的浓度进行预测的废气浓度预测模型，其中，
[0162]
所述预测模型制作方法包括：
[0163]
步骤(s2)，在该步骤(s2)中，取得拍摄了所述炉的燃烧区域的图像；
[0164]
步骤(s4)，在该步骤(s4)中，通过聚类处理将所述图像转换为根据颜色信息划分为多个颜色区域的颜色图像数据，从该颜色图像数据提取特征量；
[0165]
步骤(s6)，在该步骤(s6)中，在比所述燃烧区域靠下游处取得从拍摄到所述图像的时间起经过了预先设定的所述设定时间后的所述废气所包含的所述气体成分的浓度；以及
[0166]
步骤(s8)，在该步骤(s8)中，通过对所述特征量与从拍摄到所述图像的时间起经过了设定时间后的所述废气所包含的所述气体成分的浓度建立了对应关系而成的学习数据进行机械学习，来制作所述废气浓度预测模型。
[0167]
根据上述[11]所述的方法，废气浓度预测模型通过学习数据的机械学习而制作，该学习数据是将拍摄了炉的燃烧区域的图像转换为颜色图像数据，并将从该颜色图像数据提取的特征量与从拍摄到图像的时间起经过了设定时间后的废气所包含的气体成分的浓度建立了对应关系而成的数据。因此，能够提高废气浓度预测模型的预测精度。
[0168]
[12]本发明的废气浓度控制方法使用通过上述[11]所述的预测模型制作方法制作的所述废气浓度预测模型来控制所述从炉排出的所述废气所包含的气体成分的浓度，其中，
[0169]
所述废气浓度控制方法包括：
[0170]
拍摄步骤(s52)，在该拍摄步骤(s52)中，对所述炉的所述燃烧区域进行拍摄；以及
[0171]
调整步骤(s54)，在该调整步骤(s54)中，基于通过将从在所述拍摄步骤中拍摄到的拍摄图像提取的所述特征量输入所述废气浓度预测模型而输出的所述气体成分的浓度，对向所述炉供给的空气的量以及向所述炉供给的燃料的量中的至少一方进行调整。
[0172]
根据上述[12]所述的方法，由于基于从废气浓度预测模型输出的(预测的)气体成分的浓度来控制气体成分的浓度，因此与基于实时地取得的气体成分的浓度来控制气体成分的浓度的情况相比，能够适当地控制气体成分的浓度。