控制装置、运行控制装置、服务器、管理服务器、计算机程序、学习模式、控制方法以及运行控制方法

摘要

本发明提供一种能够将可燃性垃圾作为工业原料进行高效再利用的控制装置、运行控制装置、服务器、管理服务器、计算机程序、学习模式、控制方法以及运行控制方法。一种控制装置，其具备：气体信息获取部，其获取将收集到的垃圾转换成气体的气化炉所转换后的气体的气体信息；控制信息获取部，其获取控制所述气体纯化装置的控制信息，所述气体纯化装置纯化所述气化炉所转换后的气体；特性信息获取部，其获取包含所述气体纯化装置纯化后的纯化气体的信息的特性信息；以及生成部，其依据所述气体信息、控制信息以及特性信息通过机械学习而生成学习模式。

说明书

技术领域

本发明涉及一种控制装置、运行控制装置、服务器、管理服务器、计算机程序、学习模式、控制方法以及运行控制方法。

背景技术

在日本被排放的可燃性垃圾的能源换算尽管比用于生产塑料材料的化石能源更大，但是很多可燃性垃圾都被焚烧或填埋处理。

在专利文献1中公开了一种垃圾处理设备，该垃圾处理设备通过从垃圾焚烧炉排放的焚烧灰渣中对磁性物质进行磁性甄别，并且将筛选出来的磁性物质进行还原金属化处理，能够对以往被填埋处理的氧化铁进行还原处理，从而减少填埋处理量。

现有技术文献

专利文献

专利文献1：日本特开2011-56392号公报

发明内容

发明所要解决的问题

但是，在如专利文献1中所示的垃圾处理设备中，仅有一部分可燃性垃圾能够进行再利用。另外，由于可燃性垃圾成分复杂且不均匀，所含成分、组分变化较大，因此很难将其作为工业原料进行再利用。

本发明是鉴于上述情况完成的，其目的在于提供一种能够将可燃性垃圾作为工业原料高效再利用的控制装置、运行控制装置、服务器、管理服务器、计算机程序、学习模式、控制方法以及运行控制方法。

用于解决问题的技术方案

本发明的实施方式涉及一种控制装置，其是控制气体纯化装置的控制装置，其具备：气体信息获取部，其获取将收集到的垃圾转换成气体的气化炉所转换后的气体的气体信息；控制信息获取部，其获取控制所述气体纯化装置的控制信息，所述气体纯化装置纯化所述气化炉所转换后的气体；特性信息获取部，其获取包含所述气体纯化装置纯化后的纯化气体的信息的特性信息；以及生成部，其依据所述气体信息、控制信息以及特性信息通过机械学习而生成学习模式。

本发明的实施方式涉及一种控制装置，其是控制气体纯化装置的控制装置，其具备：学习模式，其根据以下信息进行学习：将收集到的垃圾转换为气体的气化炉所转换后的气体的气体信息、控制对所述气化炉所转换后的气体进行纯化的所述气体纯化装置的控制信息、以及包含所述气体纯化装置纯化后的纯化气体的信息的特定信息；气体信息获取部，其获取所述气化炉所转换后的气体的气体信息；以及输出部，其将在所述气体信息获取部中获取的气体信息输入至所述学习模式并输出控制所述气体纯化装置的控制信息。

本发明的实施方式涉及一种服务器，其具备：收集部，其从多个用于垃圾处理的成套设备中分别收集以下信息：识别成套设备的识别信息、将收集到的垃圾转换为气体的气化炉所转换后的气体的气体信息、控制对所述气化炉所转换后的气体进行纯化的气体纯化装置的控制信息、以及包含所述气体纯化装置纯化后的纯化气体的信息的特性信息；以及存储部，其将所述收集部收集到的气体信息、控制信息以及特性信息与所述识别信息相关联地进行存储。

本发明的实施方式涉及一种管理服务器，其具备：收集部，其从多个用于垃圾处理的成套设备中分别收集以下信息：识别成套设备的识别信息、气体纯化装置内的吸附装置的劣化度，所述气体纯化装置对将收集到的垃圾转换为气体的气化炉所转换后的气体进行纯化；以及存储部，其将所述收集部收集到的劣化度与所述识别信息相关联地进行存储。

本发明的实施方式涉及一种运行控制装置，其是控制对象气体纯化装置的运行控制装置，其具备：气体信息获取部，其获取将收集到的垃圾转换成气体的气化炉所转换后的气体的气体信息；以及控制信息输出部，其输出控制信息，所述控制信息是向学习模式输入在所述气体信息获取部中获取的气体信息而得到的、控制所述对象气体纯化装置的控制信息，所述学习模式是根据气化炉所转换后的气体的气体信息、控制对所述气化炉所转换后的气体进行纯化的气体纯化装置的控制信息、以及包含所述气体纯化装置纯化后的纯化气体的信息的特性信息进行学习的学习模式。

本发明的实施方式涉及一种计算机程序，其使计算机执行以下处理：获取将收集到的垃圾转换成气体的气化炉所转换后的气体的气体信息的处理、获取控制对所述气化炉所转换后的气体进行纯化的气体纯化装置的控制信息的处理、获取包含所述气体纯化装置纯化后的纯化气体的信息的特性信息的处理、以及根据所述气体信息、控制信息以及特性信息进行机械学习而生成学习模式的处理。

本发明的实施方式涉及一种计算机程序，其使计算机执行以下处理：获取将收集到的垃圾转换成气体的气化炉所转换后的气体的气体信息的处理、以及向学习模式输入获取的气体信息并输出控制所述气体纯化装置的控制信息的处理，所述学习模式是根据气化炉所转换后的气体的气体信息、控制对所述气化炉所转换后的气体进行纯化的气体纯化装置的控制信息、以及包含所述气体纯化装置纯化后的纯化气体的信息的特性信息进行学习的学习模式。

本发明的实施方式涉及一种学习模式，其根据以下信息进行学习：将收集到的垃圾转换成气体的气化炉所转换后的气体的气体信息、控制对所述气化炉所转换后的气体进行纯化的气体纯化装置的控制信息、以及包含所述气体纯化装置纯化后的纯化气体的信息的特性信息。

本发明的实施方式涉及一种控制方法，其是控制气体纯化装置的控制方法，该方法包括：获取将收集到的垃圾转换成气体的气化炉所转换后的气体的气体信息，获取控制对所述气化炉所转换后的气体进行纯化的气体纯化装置的控制信息，获取包含所述气体纯化装置纯化后的纯化气体的信息的特性信息，根据所述气体信息、控制信息以及特性信息通过机械学习而生成学习模式。

本发明的实施方式涉及一种控制方法，其是控制气体纯化装置的控制方法，该方法包括：获取将收集到的垃圾转换成气体的气化炉所转换后的气体的气体信息，以及向学习模式输入获取到的气体信息并输出控制所述气体纯化装置的控制信息，所述学习模式是根据以下信息进行学习的学习模式：所述气化炉所转换后的气体的气体信息、控制对所述气化炉所转换后的气体进行纯化的气体纯化装置的控制信息、以及包含所述气体纯化装置纯化后的纯化气体的信息的特性信息。

本发明的实施方式涉及一种运行控制方法，其是控制对象气体纯化装置的运行控制方法，该方法包括：获取将收集到的垃圾转换成气体的对象气化炉所转换后的气体的气体信息，向学习模式输入获取到的气体信息并输出控制所述对象气体纯化装置的控制信息，所述学习模式是根据以下信息进行学习的学习模式，气化炉所转换后的气体的气体信息、控制对所述气化炉所转换后的气体进行纯化的气体纯化装置的控制信息、以及包含所述气体纯化装置纯化后的纯化气体的信息的特性信息。

发明的效果

根据本发明，能够将可燃性垃圾作为工业原料进行高效再利用。

附图简单说明

图1是表示本实施方式的乙醇生成系统的结构的一个示例的模式图。

图2是表示气体纯化装置的主要部分结构的一个示例的模式图。

图3是表示变压吸附法的原理的说明图。

图4是表示本实施方式的强化学习的一个示例的模式图。

图5是表示本实施方式的神经网络模式部的结构的一个示例的模式图。

图6是表示一个行动示例的说明图。

图7是表示本实施方式的神经网络模式部的结构的其他示例的模式图。

图8是表示通过控制装置进行气体纯化装置运行控制时的杂质气体的浓度的一个示例的模式图。

图9是表示本实施方式的机械学习的处理流程的一个示例的流程图。

图10是表示本实施方式的控制装置的运行控制模式中的处理流程的一个示例的流程图。

图11是表示管理多个成套设备的管理系统的结构的一个示例的模式图。

图12是表示显示装置所展示的成套设备一览画面的一个示例的模式图。

图13是表示管理服务器进行处理的流程的一个示例的流程图。

图14是表示利用学习服务器控制对象的气体纯化装置运行的运行控制装置的结构的一个示例的模式图。

具体实施方式

以下根据附图对本发明的实施方式进行说明。图1是表示本实施方式的乙醇生成系统100的结构的一个示例的模式图。乙醇生成系统例如设置在垃圾处理装置中，其具备气化炉10、气体纯化装置20、乙醇生成装置30、控制装置50。

气化炉10能够在低氧状态下蒸烧垃圾(可燃性垃圾)并将其分解至分子级别(例如，包含一氧化碳气体及氢气)。气体纯化装置20能够去除、纯化气化炉10转换后的气体中的杂质气体，提炼出所需要的气体(例如，一氧化碳气体及氢气)。乙醇生成装置30可以使用气体纯化装置20所提炼出得所需气体，通过催化剂(例如，金属催化剂、微生物催化剂等)生成乙醇。乙醇与石油化学产品中占六成以上的乙烯具有相同的C

控制装置50具备：控制整个装置的控制部51、气体信息获取部52、特性信息获取部53、通讯部54、存储部55、传感器信息获取部56、记录介质读取部57、判定部58、以及处理部60。其中，处理部60具备：报酬计算部61、行动选择部62、以及行动评估部63。

控制部51可以由CPU、ROM以及RAM等构成。

气体信息获取部52获取气化炉10所转换后的气体的气体信息。气体信息，例如包括从气化炉10中提取出的杂质气体(夹杂物)的浓度。杂质气体包含，例如：氰化氢、苯、甲苯、乙苯、二甲苯、二

处理部60具备作为控制信息获取部的功能，获取控制气体纯化装置20运行的控制信息。控制信息的详细内容将在后面进行说明。

特性信息获取部53获取包含气体纯化装置20所纯化后的纯化气体的信息的特性信息。纯化气体的信息例如包含一氧化碳气体和氢气的浓度。另外，纯化气体的信息也可以包含二氧化碳气体的纯度，或者可以包含未能除去的杂质气体的浓度。另外，特性信息包含：由一氧化碳气体和氢气生成乙醇的催化剂(可以是公知的催化剂，例如金属催化剂和微生物)的各种活性度，使用乙醇生成装置30而生成的乙烯的纯度或量等。

通讯部54经由后述的网络1，具备实现管理服务器200和学习服务器300之间的通讯的功能，能够收发所需要的信息。有关管理服务器200和学习服务器300将在后面进行描述。

存储部55由硬盘或闪存等构成，其能够存储从控制装置50的外部获取到的信息、控制装置50内部的处理结果等的信息。

传感器信息获取部56从气体纯化装置20中获取传感器信息。传感器信息的具体内容将在后面叙述。

记录介质读取部57能够从记录有指定控制装置50的处理的计算机程序的记录介质(未图示)中读取记录在记录介质中的计算机程序。

在乙醇生成装置30中，作为催化剂的一个示例，在使用微生物生成乙醇时，判定部58根据微生物的状态判定微生物的活性度。活性度包括，例如，微生物的反应速度、存活率等。可以从培养液层的外部实时监视微生物的状态来判定微生物的活性度。另外，也可以离线监视微生物的状态来判定微生物的活性度。由此，例如在微生物的活性度降低时，能够投入营养剂使其再次活性化，并且能够将乙醇的生成速度维持在一个较高水平。另外，作为催化剂的一个示例，在使用金属催化剂时，可以不具备判定部58。

处理部60可以通过组合如CPU(例如，安装有多个处理器内核的多处理器)、GPU(Graphics Processing Units)、DSP(Digital Signal Processors)、FPGA(Field-Programmable Gate Arrays)等硬件构成。另外，处理部60也可以由虚拟机或量子计算机等构成。后述的代理是存在于计算机上的一个虚拟的机器，代理的状态能够根据参数不同而发生改变。另外，处理部60也可以在其他的(控制装置50)以外的计算机上学习。

处理部60具有作为生成部的功能，能够依据气体信息、控制信息以及特性信息通过机械学习而生成学习模式。机械学习例如可以运用深度学习、强化学习、深度强化学习等。例如，运用强化学习时，将气体信息设为”状态”、将控制信息设为”行动”，根据特性信息计算出”报酬”，学习Q值或Q函数(行动价值函数)的值即可。

即，行动选择部62具有作为行动输出部的功能，根据从气体信息获取部52中获取到的气体信息以及行动评估部63的Q值或Q函数的值(行动评估信息)输出控制信息。行动评估部63在强化学习中包含行动的评估值，具体而言，包含Q值或Q函数的值(行动价值函数)。即，行动选择部62根据获取到的状态(气体信息)下的活动的评估值，从获取到的状态下有可能采取的行动中选择并输出行动。

报酬计算部61根据获取到的特性信息计算报酬。当特性信息为所需的值或在所需范围内时，报酬的计算则为正(有报酬)；当特性信息为达到所需的值或未在所需范围内时，则可以为0(无报酬)或负(惩罚)。

行动选择部62具有作为更新部的功能，为了使由报酬计算部61计算出的报酬变大，更新行动评估部63的Q值或Q函数的值。由此，因为垃圾的成分及其组分的变化大，因此即便是输入至气体纯化装置20的气体(杂质气体)浓度超过阈值时，能够使学习模式进行学习以能够输出控制信息，该控制信息是使气体纯化装置20的输出侧的特性信息为所需的值或在所需范围内的控制信息。

通过运用进行了学习的学习模式，即便是垃圾的成分及其组分发生变化时，由于最优化气体纯化装置20从而能够生成所需的乙醇，因此能够将可燃性垃圾作为工业原料进行高效再利用。

控制部51可以将所更新的行动评估部63的Q值或Q函数的值(行动评估信息)存储至存储部55中。通过读取出存储在存储部55中的行动评估信息，能够再现已学习的学习模式。

图2是表示气体纯化装置20的主要部分结构的一个示例的模式图。气体纯化装置20与气化炉10的输出侧相连通，并且还具备与乙醇生成装置30的输入侧相连通的气体管路，其中，在气体管路的中间，从气化炉10一侧依次安装有缓冲罐21、两个吸附装置22和23、压缩机25、缓冲罐24。缓冲罐21、24用于暂时储存气体。在两个吸附装置22、23的进口侧的气体管路及其出口侧的气体管路上设置有电磁阀。

吸附装置22收纳有气体吸附部件221，吸附装置23收纳有气体吸附部件231。在吸附装置22和吸附装置23的所需之处分别设置有传感器部27。另外，在图2中，为了方便，在吸附装置22和吸附装置23的外部图示有传感器部27，但传感器部27的设置位置不限于图2的示例。

交替使用吸附装置22和吸附装置23中的一者，例如在某个循环时间内使用吸附装置22，则在下一个循环时间内使用吸附装置23来替代吸附装置22。之后，重复同样的切换。在某个循环时间内，进行提高或减少吸附装置内压力、脱附和清洗吸附装置(例如，气体吸收部件)等操作。

图3是表示变压吸附法的原理的说明图。在图中，纵轴表示吸附容量，横轴表示气体的压力。在图3中，模式性地表示了杂质气体的吸附等温线、以及一氧化碳气体或氢气的吸附等温线。变压吸附(PSA:Pressure Swing Adsorption)法的原理如下。即，使吸附装置内的压力增高降低(上升下降)，此时杂质气体的吸附容量差(符号A1和A2的差)比一氧化碳气体或氢气的吸附容量差(符号B1和B2的差)更大。由此，相较于一氧化碳气体或氢气，杂质气体更多地被气体吸附部件吸附、去除。未吸附于气体吸附部件的一氧化碳气体或氢气则被送至乙醇生成装置30。

运行控制部26具备气体流量控制部261、温度调节部262、湿度调节部263、切换吸附装置22、23运行的吸附装置切换部264、以及通讯部265。其中，通讯部265具备通讯功能，能够收发其与控制装置50之间的所指定的信息。

运行控制部26具有作为使用历史获取部的功能，获取吸附装置22、23(例如，气体吸附部件221、231)的使用历史。使用历史例如可以包含累计使用时间、清洗次数等。

传感器部27由种类不同的多个传感器构成，能够检测出吸附装置22、23(例如，气体吸附部件221、231)的劣化度。例如，劣化度可以根据对气体吸附部件221、231进行清洗后的气体吸附部件221、223表面的颜色或污渍、以及在指定的循环时间内吸附的杂质的量等来进行判定。

传感器部27能够检测出吸附装置22、23(例如，气体吸附部件221、231)有无脱附操作。例如，吸附装置22、23的脱附操作可以是非目的性的脱附操作。

通讯部265能够将吸附装置22、23的使用历史、劣化度、有无脱附操作等信息发送至控制装置50。

气体流量控制部261根据控制装置50输出的控制信息来控制气体的流量。

温度调节部262根据控制装置50输出的控制信息来调节气体的温度。

湿度调节部263根据控制装置50输出的控制信息来调整气体的湿度。

吸附装置切换部264根据控制装置50输出的控制信息，调节吸附装置22、23运转进行切换的循环时间。

接下来，对控制装置50的处理部60的学习模式进行说明。

图4是表示本实施方式的强化学习的一个示例的模式图。强化学习是一种机械学习算法，该机械学习算法要求置于某环境下的代理对环境做出行动，谋求能够使所获得的报酬最大化的方案(成为代理行动时的指标的规则)。在强化学习中，代理如同对环境展开行动的学习者一般，是学习对象。环境是指，对代理的行动进行状态的更新并赋予报酬。行动是指，代理对环境的某个状态所能采取的行动。状态是指环境所维持的环境的状况。报酬是指，例如可以是正、负、0的值，若为正则是报酬，若为负则是惩罚，若为0则表示无报酬。另外，行动评估函数是指定某状态下的行动的评估值的函数，可以用表格等表格形式表示，在Q学习中称为Q函数、Q值、评估值。Q学习是强化学习中常用的方法之一。以下对Q学习进行说明，强化学习可以代替性地使用与Q学习不同的方法。

在本实施方式中，气化炉10、气体纯化装置20、乙醇生成装置30以及处理部60内的报酬计算部61相当于所述“环境”，行动选择部62以及行动评估部63相当于“代理”。行动评估部63相当于上述Q函数、Q值，与行动评估函数(行动评估信息)相对应。

首先，行动选择部62获取状态s

随后，行动选择部62获取状态s

气体纯化装置20若根据行动a

行动选择部62根据获取的状态s

重复上述处理，通过反复更新行动评估部63，可以对能够使报酬最大化的行动评估部63进行学习。

在Q学习中，可以更新(状态数s×行动数a)的规格的表格(也称为Q表格)，如本实施方式，当状态数变大时，可以采用以神经网络表达Q函数的方法。

图5是表示本实施方式的神经网络模式部的结构的一个示例的模式图。神经网络部表示处理部60(具体而言，行动选择部62和行动评估部63)。神经网络部具有输入层601、中间层602以及输出层603。输入层601的输入神经元的数量可以设为杂质气体的种类的数量，向输入层601的输入神经元输入杂质气体G1的浓度、杂质气体G2的浓度、......、杂质气体Gn的浓度。杂质气体的种类的数量例如约为400，但不限于此。

输出层603的输出神经元的数量可以设为行动的选项数量。在图5中，为了方便，将输出层603的输出神经元的数量设为2，一个输出神经元输出增加循环时间时的Q函数的值，另一个输出神经元则输出缩短循环时间时的Q函数的值。

运用了神经网络模式的机械学习(深度强化学习)可以按照如下进行。即，若向神经网络模式部的输入神经元输入状态s

[算式1]

Q(s

Q(s

Q(s

在式(1)中，s

在式(1)中，r

在某状态下执行行动时，未必一定能够获得报酬。例如，也有重复数次行动后获得报酬的情况。式(2)表示在式(1)中规避了发散的问题而获得报酬时的Q函数的更新式。式(3)表示在式(1)中未获得报酬时的Q函数的更新式。

在图5的示例中，输出神经元的数量为2，但不限于此。

图6是表示行动a

图7是表示本实施方式的神经网络模式部的结构的其他示例的模式图。与图5所示的神经网络模式部不同，其输出神经元的数量增加了，并不是2个。在图7的示例中，组合了不同种类的行动。例如，如图7所示，输出神经元可以设为：未采取任何行动时的Q函数值；延长循环时间并增加了气体量时的Q函数值；延长循环时间并减少了气体量时的Q函数值；…；缩短循环时间并增加气体量且提高了气体温度时的Q函数值；…；延长循环时间并对微生物使用了营养剂时的Q函数值等。另外，输出神经元的数量、输出的种类并不限于图7的示例。

另外，作为图5及图7所示的神经网络模式部，可以使用所谓的卷积神经网络(CNN:Convolutional Neural Network)。

接下来，对基于控制装置50的气体纯化装置20的运行控制模式进行说明。

处理部60(具体而言，作为学习模式的行动选择部62以及行动评估部63)根据气化炉10所转换后的气体的气体信息、控制气体纯化装置20的控制信息、以及包含气体纯化装置20所纯化后的纯化气体的信息的特性信息进行学习。

处理部60获取气化炉10转换后的气体的气体信息。

处理部60将气体信息输入至学习模式(行动选择部62以及行动评估部63)内并输出控制气体纯化装置20的控制信息。

控制部51能够根据处理部60输出的控制信息控制气体纯化装置20。由此，即便垃圾的成分和组成发生变化，也能够最优化气体纯化装置20的运行，生成所需的乙醇，因此能够将可燃性垃圾作为工业原料进行高效再利用。

图8是表示通过控制装置50进行气体纯化装置20的运行控制时的杂质气体的浓度的一个示例的模式图。左侧的图表示对气体纯化装置20输出的杂质气体，右侧的图表示从气体纯化装置20中输出的杂质气体。图中纵轴表示气体的浓度，横轴表示时间。如左侧图所示，由于每当将收集到的可燃性垃圾投放至气化炉10时(例如，每1分钟～30分钟1次左右)，垃圾的成分和组成都会发生变化，因此有时杂质气体浓度也会发生变化，超出阈值。若将浓度超出阈值的杂质气体从气体纯化装置20中提取出并将其输入至乙醇生成装置30中，例如所生成的乙醇的浓度会变低。

在本实施方式中，使用已学习的学习模式控制气体纯化装置20，因此如右侧图所示，杂质气体的浓度未达到阈值，能够防止将浓度超过阈值的杂质气体输入至乙醇生成装置30中。

控制部51能够在气体纯化装置20的运行控制模式中，将包含气体纯化装置20纯化后的纯化气体的信息的特性信息存储至存储部55。由此，当垃圾的成分和组成发生变化时，能够收集从使气体纯化装置20的运行最优化后的结果获得的特性信息。

控制部51能够在气体纯化装置20的运行控制模式中，将获取到的气体信息、已输出的控制信息、以及获取到的特性信息经由通讯部54传输至后述的学习服务器300。

处理部60能够在气体纯化装置20的运行控制模式中，根据获取的气体信息、已输出的控制信息、以及获取的特性信息使所述学习模式进行再学习。由此，能够进一步使气体纯化装置20的运行最优化。

控制部51能够将从气体纯化装置20中获取到的吸附装置22和23的使用历史、劣化度、有无脱附操作等的信息，经由通讯部54传送至后述的管理服务器200。

接下来，对本实施方式的学习模式中的处理进行说明。

图9是表示本实施方式的机械学习的处理流程的一个示例的流程图。另外，为了方便，将处理的主体作为处理部60进行说明。处理部60将神经网络模式部的参数设为初始数值(S11)。处理部60获取状态s

处理部60选择能够在状态s

处理部60获取由行动a

处理部60使用所述式(1)，学习(更新)神经网络模式部的参数(S16)，以使现在的(s

处理部60判定是否结束处理(S17)。此时，是否结束处理，可以根据是否进行了指定次数的神经网络模式部的参数更新来判定，或者根据特性信息是否达到容许值或容许范围内等来判定。

未结束处理时(S17中的NO)，处理部60将状态s

另外，作为替代如上所述的更新神经网络模式部的参数的学习，可以在使用Q表格的学习中，Q学习的初始状态中Q值例如可以采用随机数进行初始化。Q学习的初始阶段中的报酬的期待值一旦产生差值，则无法迁移至未经历的状态，可能会发生无法达到目标的情况。因此，决定执行对某状态的行动时，可以使用概率ε。具体而言，可以在某个概率ε下从所有行动中随机选择、执行行动，可以在概率(1-ε)下选择并执行Q值最大的行动。由此，可以不根据Q值的初始状态而适当地进行学习。

图10是表示本实施方式的控制装置50的运行控制模式中的处理流程的一个示例的流程图。另外，为了方便，将处理的主体作为控制部51进行说明。控制部51读取神经网络模式部的参数(S31)、获取状态s

控制部51根据学习模式输出对状态s

控制部51根据输出的a

控制部51判定气体纯化装置20是否结束运转(S39)，若未结束运转(S39中的NO)，则获取状态s

另外，处理部60根据在气体信息获取部52中获取到的气体信息、处理部60所输出的控制信息、以及在特性信息获取部53中获取到的特性信息使所述学习模式(行动选择部62和行动评估部63)进行再学习。由此，能够进一步最优化气体纯化装置20的运行。

本实施方式的控制部51和处理部60也可以通过使用具备CPU(处理器)、GPU、RAM(存储器)等的计算机来实现。例如，可以使用记录介质读取部57(例如，光盘驱动器)读取记录在记录介质(例如，CD-ROM等光学可读盘存储介质)上的计算机程序和数据(例如，已学习的Q函数或Q值等)并将其收容至RAM。可以将其收容至硬盘(未图示)，在执行计算机程序时收容至RAM中。如图9和图10所示，通过将指定了各处理的步骤的计算机程序加载到计算机内所具备的RAM(存储器)中，由CPU(处理器)执行该计算机程序，能够在计算机上实现控制部51和处理部60。

在上述实施方式中，作为机械学习的一个例子，对Q学习进行了说明，也可以替代性地使用另一种TD学习(Temporal Difference Learning)等其他的学习算法。例如，可以使用像Q学习那样并非更新行动的价值，而是更新状态的价值的学习方法。在此方法中，将现在的状态S

如上所述，根据本实施方式，能够以极高的效率将收集到的可燃性垃圾转换为乙醇，并能够将可燃性垃圾作为工业原料进行高效再利用。

在上述实施方式中，对一个垃圾处理设施(也称为成套设备)进行了说明，本实施方式也可以适用于设置在多个地点(地区)的多个成套设备。

图11是表示管理多个成套设备的管理系统的结构的一个示例的模式图。如图11所示，设置在多个成套设备内的各个控制装置50通过因特网等网络1实现连接。网络1中连接有管理服务器200、学习服务器300。在各个控制装置50、管理服务器200、以及学习服务器300之间，能够通过网络1收发信息。管理服务器200具备CPU201、RAM202、ROM203以及成套设备DB204，且连接有显示装置210。另外，管理服务器200(CPU201)能够控制显示装置210的处理。学习服务器300具备处理部301和成套设备DB302。处理部301可以采取与控制装置50的处理部60相同的结构构成。

各个控制装置50能够在气体纯化装置20的运行控制模式中，将已获得的气体信息、已输出的控制信息、已获取的特性信息以及识别成套设备的识别信息发送到学习服务器300中。学习服务器300能够从各个控制装置50中收集识别成套设备的识别信息、气化炉10所转换后的气体的气体信息、控制气体纯化装置20的控制信息、以及包含气体纯化装置20所纯化后的纯化气体的信息的特性信息。学习服务器300能够将收集到的气体信息、控制信息以及特性信息与识别信息相关联地存储在成套设备DB302中。由此，能够在每个成套设备中收集并存储使气体纯化装置20的运转达到最优化所需的信息。

在学习服务器300中，当垃圾的成分和组成发生变化时，可以收集如何控制气体纯化装置20的运行而获得所期待的特性信息的信息。另外，通过从多个垃圾处理设备(成套设备)中的各控制装置50分别发送同样的信息，在学习服务器300中，在各成套设备中可以收集如何控制气体纯化装置20的运行而获得所期待的特性信息的信息。

处理部301能够根据收集到的气体信息、控制信息以及特性信息使学习模式进行学习。由此，学习服务器300能够在每个设置在不同地区的垃圾处理设备(成套设备)中生成各自定制的学习模式。在已有的垃圾处理设施中新设置控制装置50或新建设成套设备时，可以发送适配各自成套设备的新的学习模式。另外，在向成套设备(具体来说是在控制装置50内部)发送学习模式时，可以使用密钥等对学习模式(算法及参数等)进行加密后再发送。在各控制装置50中，使用固定的密钥进行解锁即可。

另外，各控制装置50能够将从气体纯化装置20获取的、吸附装置22和23的使用历史、劣化度、有无脱附操作、催化剂(例如，微生物)的活性度等信息发送至管理服务器200。

在管理服务器200中，根据使用历史，通过对直至替换吸附装置22、23为止的剩余使用次数、剩余使用时间等进行计算，能够推算出吸附装置22、23的替换时间。另外，通过从多个垃圾处理设备(成套设备)的控制装置中分别发送同样的信息，在管理服务器200中能够推算出气体纯化装置20内的吸附装置22、23的替换时间。

图12是表示显示装置210所展示的成套设备一览画面211的一个示例的模式图。如图12所示，成套设备一览画面211具有成套设备ID显示区域212、吸附装置劣化度显示区域213、警报显示区域214、催化剂(例如，微生物)活性度显示区域215。在管理服务器200中，即，操作员监视显示装置210的显示画面，并能够根据显示在吸附装置劣化度显示区域213中的各成套设备的吸附装置的劣化度，在各成套设备中判定是否需要对吸附装置22、23进行维护·检查或更换。另外，在图12的示例中，无论是在哪一台成套设备中，其吸附装置的劣化度都没有达到需要替换的数值。

另外，在管理服务器200中，即，操作员监视显示装置210的显示画面，当警报显示区域214的警报点亮或闪烁时，能够识别吸附装置22、23发生了非目的性的脱附操作。由此，例如能够发现非正规品的吸附装置的安装，防止安装非正规品。另外，通过从多个垃圾处理设备(成套设备)的控制装置50中分别发送同样的信息，在管理服务器200中，在各成套设备中能够发现非正规品的吸附装置的安装，防止安装非正规品。

此外，在管理服务器200中，即，操作员监视显示装置210的显示画面，能够识别催化剂活性度显示区域215中的活性度为OK或NG。在图12中，活性度视为OK。由此，例如在微生物的活性度降低时，能够远程指示投放营养剂，使微生物再次活性化，从而能够将乙醇的生成速度维持在一个较高的水平。

图13是表示管理服务器200进行处理的流程的一个示例的流程图。以下，为了方便，将处理的主体作为CPU201进行说明。CPU201获取多个成套设备中每个气体纯化装置20内的气体的吸附装置22、23的劣化信息(S101)，向每个成套设备显示气体的吸附装置22、23的劣化度(S102)。

CPU201判定是否获取了气体的吸附装置22、23的脱附操作信息(S103)。此处，脱附操作信息是表示气体的吸附装置22、23发生了非目的性的脱附操作的信息，不包含清洗气体的吸附装置22、23时进行的脱附操作。

若获取到了气体的吸附装置22、23的脱附操作信息(S103中为YES)，则CPU201输出相应的成套设备的警报(例如，图12中所示警报显示区域214中的警报)(S104)。输出警报可以点亮指示灯或者使指示灯闪烁，也可以用声音输出。另外，可以通知到操作员的便携终端设备(未图示)上。若没有获取到气体的吸附装置22、23的脱附操作信息(S103中为NO)，则CPU201进行后续步骤S105的处理。

CPU201判定是否获取了用于生成乙醇的催化剂(例如，微生物)的活性度信息(S105)，若获取到了活性度信息(S105中为YES)，则向每个成套设备上显示催化剂(例如，微生物)的活性度(S106)，并判定是否结束处理(S107)。若未获取活性度信息(S105中为NO)，则CPU201进行步骤S107的处理。若未结束处理(S107中为NO)，则CPU201继续进行步骤S101之后的处理；若结束处理(S107中为YES)，则结束处理。

在上述实施方式中，管理服务器200或学习服务器300可以分别由多个服务器构成，同时也可以将管理服务器200和学习服务器300集成到一个服务器中。

图14是表示利用学习服务器300控制对象气体纯化装置运行的运行控制装置150的结构的一个示例的模式图。与图11的情况相同，学习服务器300经由网络1与设置在多个成套设备中的各控制装置50相连接。学习服务器300具备处理部301，处理部301与处理部60相同地具备已学习的学习模式。

多个成套设备P1、P2、P3内的运行控制装置150经由因特网等网络2与学习服务器300相连接，学习服务器300与运行控制装置150之间能够授受所需要的信息。学习服务器300与运行控制装置150可以分别设置在不同的国家或地区。另外，学习服务器300与各控制装置50也可以设置在同一个国家。此外，为了方便，仅对成套设备P1进行详细的图示。

成套设备P1中设置有对象气化炉10、对象气体纯化装置20、对象乙醇生成装置30。此处，所谓”对象”是成为由运行控制装置150所控制运行的对象的意思。对象气化炉10、对象气体纯化装置20、对象乙醇生成装置30与图1所示的气化炉10、气体纯化装置20、乙醇生成装置30具有同样的功能，因此省略相关说明。

运行控制装置150具备：控制整个装置的控制部151、气体信息获取部152、通讯部153、存储部154、以及控制信息输出部155。如图所示，运行控制装置150不具备处理部(学习模式)。

控制部151可以由CPU、ROM以及RAM等构成。

气体信息获取部152获取对象气化炉10所转换后的气体的气体信息。气体信息，例如包含从气化炉10中提取出的杂质气体(杂质物质)的浓度。杂质气体含有例如氰化氢、苯、甲苯、乙苯、二甲苯、二

存储部154由硬盘或闪存等构成，其能够存储从运行控制装置150的外部获取到的信息等所需信息。

控制信息输出部155输出控制信息，该控制信息是向学习模式输入在气体信息获取部152中获取的气体信息而得到的、控制对象气体纯化装置20的控制信息。

此处，学习模式根据以下信息进行学习：将收集到的垃圾转换为气体的气化炉(与对象气化炉10不同的气化炉)所转换后的气体的气体信息、控制对该气化炉所转换后的气体进行纯化的所述气体纯化装置(与对象气体纯化装置20不同的气体纯化装置)的控制信息、以及包含该气体纯化装置纯化后的纯化气体的信息的特定信息。

根据上述结构，运行控制装置150即使不具备学习模式，也能够向学习模式提供在气体信息获取部152中获取的气体信息，并根据从该学习模式中获得的控制信息控制对象气体纯化装置20。

更具体而言，通讯部153具备作为发送部和接受部的功能。通讯部153把在气体信息获取部152中获取的气体信息发送至学习服务器300。学习服务器300具备学习模式。该学习模式根据气化炉所转换后的气体的气体信息、控制对所述气化炉所转换后的气体进行纯化的气体纯化装置的控制信息、以及包含所述气体纯化装置纯化后的纯化气体的信息的特性信息进行学习。

通讯部153接收学习服务器300所发送的控制气体纯化装置的控制信息。控制信息输出部155将通讯部153中接收到的控制信息输出至对象气体纯化装置20。

根据上述结构，运行控制装置150即便不具备学习模式，也能够把在气体信息获取部152中获取的气体信息发送至具备学习模式的学习服务器300中，接收学习服务器300所发送的控制信息，并根据其接收的控制信息控制对象气体纯化装置20的运行。由此，运行控制装置150通过利用经由互联网等网络连接的学习服务器300所具备的学习模式，由于能够控制对象气体纯化装置20的运行，因此例如学习服务器300和运行控制装置150设置在不同的国家或地区，也依然能控制对象气体纯化装置20的运行。

在上述结构中，运行控制装置150是通过气体信息获取部152获取气体信息的结构，但不限于此。例如，运行控制装置150除获取气体信息以外，还可以以获取学习模式进行学习的所需的信息(控制信息、特性信息)而构成，将所获得的气体信息、控制信息、特性信息发送至学习服务器300，使学习服务器300所具备的学习模式进行学习。由此，运行控制装置150能够根据对象气化炉10、对象气体纯化装置以及对象乙醇生成装置30的各自的信息使学习服务器的学习模式进行学习，因此能够更加精准地进行象气体纯化装置20的运行控制，在成套设备P1中能够将所收集的可燃性垃圾以极高的生产效率转换为乙醇，从而能够将可燃性垃圾作为工业原料进行高效再利用。

本实施方式涉及的控制装置，其是控制气体纯化装置的控制装置，其具备：气体信息获取部，其获取将收集到的垃圾转换成气体的气化炉所转换后的气体的气体信息；控制信息获取部，其获取控制所述气体纯化装置的控制信息，所述气体纯化装置纯化所述气化炉所转换后的气体；特性信息获取部，其获取包含所述气体纯化装置纯化后的纯化气体的信息的特性信息；以及生成部，其依据所述气体信息、控制信息以及特性信息通过机械学习而生成学习模式。

本实施方式涉及的计算机程序，其使计算机执行以下处理：获取将收集到的垃圾转换成气体的气化炉所转换后的气体的气体信息的处理、获取控制对所述气化炉所转换后的气体进行纯化的气体纯化装置的控制信息的处理、获取包含所述气体纯化装置纯化后的纯化气体的信息的特性信息的处理、以及根据所述气体信息、控制信息以及特性信息进行机械学习而生成学习模式的处理。

本实施方式涉及的控制方法，其是控制气体纯化装置的控制方法，该方法包括：获取将收集到的垃圾转换成气体的气化炉所转换后的气体的气体信息，获取控制对所述气化炉所转换后的气体进行纯化的气体纯化装置的控制信息，获取包含所述气体纯化装置纯化后的纯化气体的信息的特性信息，根据所述气体信息、控制信息以及特性信息通过机械学习而生成学习模式。

气体信息获取部获取将收集到的垃圾转换成气体的气化炉所转换后的气体的气体信息。气化炉是在低氧状态下蒸烧垃圾并将其分解至分子级别(例如，包含一氧化碳气体及氢气)的炉。气体信息，例如包含由气化炉生成的杂质气体(杂质物质)的浓度。另外，杂质气体的浓度根据复杂的垃圾成分、组分而发生变化。

控制信息获取部获取控制气体纯化装置的控制信息，该气体纯化装置纯化气化炉所转换后的气体。气体纯化装置能够去除、纯化包含在气化炉所转换后的气体中的杂质气体，提取出所需的气体(例如，包含一氧化碳气体及氢气)。控制信息是为了控制气体纯化装置运行的信息。

特性信息获取部获取包含气体纯化装置纯化后的纯化气体的信息的特性信息。纯化气体的信息例如包含一氧化碳气体和氢气的纯度。另外，纯化气体的信息也可以包含未能去除的杂质气体的浓度。纯化气体可以使用催化剂(例如，金属催化物、微生物催化物等)转换为乙醇。乙醇与石油化学产品中占六成以上的乙烯具有相同的C

生成部依据气体信息、控制信息以及特性信息通过机械学习而生成学习模式。机械学习例如可以运用深度学习、强化学习、深度强化学习等。例如，运用强化学习时，将气体信息设为”状态”、将控制信息设为”行动”，根据特性信息计算出”报酬”，学习Q值或Q函数(行动价值函数)的值即可。

根据上述结构，由于垃圾的成分和组分的变化很大，即便是在输入气体纯化装置中的气体(杂质气体)浓度超过阈值时，也能够使学习模式以能够输出使气体纯化装置的输出侧的特性信息满足所需数值或在所需范围内的控制信息而进行学习。通过运用已进行学习的学习模式，即便是在垃圾的成分和组成发生变化时，也能够使气体纯化装置的运行最优化，能够生成所需的乙醇，因此能够将可燃性垃圾作为工业原料进行高效再利用。

在本实施方式涉及的控制装置中，所述生成部具备：行动输出部，其根据在所述气体信息获取部中获取到的气体信息以及行动评估信息输出所述控制信息；报酬计算部，其根据在所述特性信息获取部中获取到的特性信息计算报酬；以及更新部，其更新所述行动评估信息，以使得在所述报酬计算部计算出的报酬变大。

行动输出部根据在气体信息获取部中获取到的气体信息以及行动评估信息输出控制信息。行动评估信息在强化学习中是行动的评估值，与Q值或Q函数(行动价值函数)意思相同。即，行动输出部根据获取到的状态下的行动的评估值，从在获取到的状态下可能采取的行动中选择并输出行动。

报酬计算部根据在所述特性信息获取部中获取到的特性信息计算报酬。可以按照如下计算报酬：当特性信息为所需的值或在所需范围内时，报酬的计算则为正(有报酬)；当特性信息为达到所需的值或未在所需范围内时，则可以为0(无报酬)或负(惩罚)。

更新部更新行动评估信息，以使得在报酬计算部中计算出的报酬变大。由此，由于垃圾的成分和组分的变化很大，即便是在输入气体纯化装置中的气体(杂质气体)浓度超过阈值时，也能够使学习模式以能够输出使气体纯化装置的输出侧的特性信息满足所需数值或在所需范围内的控制信息而进行学习。

本实施方式涉及的控制装置具备存储部，其存储经过所述更新部更新的行动评估信息。

存储部存储经过更新部更新的行动评估信息。通过读取存储在存储部中的行动评估信息，能够重现已学习的学习模式。

在本实施方式涉及的控制装置中，所述气体信息获取部获取包含杂质气体浓度的气体信息。

气体信息获取部获取包含杂质气体浓度的气体信息。杂质气体包含如氰化氢、苯、甲苯、乙苯、二甲苯、二

在本实施方式涉及的控制装置中，所述特性信息获取部获取如下特性信息，所述特性信息包括一氧化碳气体和氢气的纯度、乙醇的纯度或量、以及由一氧化碳和氢气生成乙醇的催化剂的活性度中的至少一项。

特性信息获取部获取如下特性信息，所述特性信息包括一氧化碳气体和氢气的纯度、乙醇的纯度或量、以及由一氧化碳和氢气生成乙醇的催化剂(例如，微生物)的活性度中的至少一项。由此，可以使特性信息满足所需数值或使其在所需范围内。

在本实施方式涉及的控制装置中，所述控制信息获取部获取如下控制信息，所述控制信息包括所述气体纯化装置的气体量、气体温度和气体湿度、以及所述气体纯化装置内的吸附装置的切换循环时间中的至少一项。

控制信息获取部获取如下控制信息，所述控制信息包括气体纯化装置的气体量、气体温度和气体湿度、以及气体纯化装置内的吸附装置的切换循环时间中的至少一项。气体吸附部件设置在吸附装置内，是吸收并捕捉杂质的部件。切换循环时间是例如相互交替使用两个吸附装置时其中一个吸附装置的使用时间。切换循环时间之间，可以使未使用的吸附装置的气体吸收部件脱附，清洗附着于气体吸收部件上的杂质。由此，可以对气体纯化装置进行运行控制以使得特性信息满足所需数值或使其在所需范围内。

本实施方式涉及的控制装置是控制气体纯化装置的控制装置，其具备：学习模式，其根据以下信息进行学习：将收集到的垃圾转换为气体的气化炉所转换后的气体的气体信息、控制对所述气化炉所转换后的气体进行纯化的所述气体纯化装置的控制信息、以及包含所述气体纯化装置纯化后的纯化气体的信息的特定信息；气体信息获取部，其获取所述气化炉所转换后的气体的气体信息；以及输出部，其将在所述气体信息获取部中获取的气体信息输入至所述学习模式并输出控制所述气体纯化装置的控制信息。

本实施方式涉及的计算机程序使计算机执行以下处理：获取将收集到的垃圾转换成气体的气化炉所转换后的气体的气体信息的处理、以及向学习模式输入获取的气体信息并输出控制所述气体纯化装置的控制信息的处理，所述学习模式是根据气化炉所转换后的气体的气体信息、控制对所述气化炉所转换后的气体进行纯化的气体纯化装置的控制信息、以及包含所述气体纯化装置纯化后的纯化气体的信息的特性信息进行学习的学习模式。

本实施方式涉及的学习模式根据以下信息进行学习：将收集到的垃圾转换成气体的气化炉所转换后的气体的气体信息、控制对所述气化炉所转换后的气体进行纯化的气体纯化装置的控制信息、以及包含所述气体纯化装置纯化后的纯化气体的信息的特性信息。

本实施方式涉及的控制方法是控制气体纯化装置的控制方法，该方法包括：获取将收集到的垃圾转换成气体的气化炉所转换后的气体的气体信息，并向学习模式输入获取到的气体信息并输出控制所述气体纯化装置的控制信息，所述学习模式是根据以下信息进行学习的学习模式：所述气化炉所转换后的气体的气体信息、控制对所述气化炉所转换后的气体进行纯化的气体纯化装置的控制信息、以及包含所述气体纯化装置纯化后的纯化气体的信息的特性信息。

学习模式根据以下信息进行学习：将收集到的垃圾转换为气体的气化炉所转换后的气体的气体信息、控制对所述气化炉所转换后的气体进行纯化的所述气体纯化装置的控制信息、以及包含所述气体纯化装置纯化后的纯化气体的信息的特定信息。

气体信息，例如包含由气化炉生成的杂质气体(杂质物质)的浓度。另外，杂质气体的浓度根据复杂的垃圾成分、组分而发生变化。控制信息是为了控制气体纯化装置运行的信息。特性信息例如包含一氧化碳气体和氢气的纯度、使一氧化碳气体和氢气生成乙醇的催化剂(例如，微生物)的活性度、生成的乙烯的纯度或量等。

学习模式运用例如深度学习、强化学习、深度强化学习等进行学习。

气体信息获取部获取气化炉所转换后的气体的气体信息。气化炉是在低氧状态下蒸烧垃圾并将其分解至分子级别(例如，包含一氧化碳气体及氢气)的炉。气体信息，例如包含由气化炉生成的杂质气体(杂质物质)的浓度。另外，杂质气体的浓度根据复杂的垃圾成分、组分而发生变化。

输出部将在气体信息获取部中获取的气体信息输入至学习模式并输出控制气体纯化装置的控制信息。由此，即便是在垃圾的成分和组成发生变化时，也能够使气体纯化装置的运行最优化，能够生成所需的乙醇，因此能够将可燃性垃圾作为工业原料进行高效再利用。

本实施方式涉及的控制装置根据所述输出部输出的控制信息控制所述气体纯化装置。

根据输出部输出的控制信息控制所述气体纯化装置。由此，即便是在垃圾的成分和组成发生变化时，也能够使气体纯化装置的运行最优化，能够生成所需的乙醇，因此能够将可燃性垃圾作为工业原料进行高效再利用。

本实施方式涉及的控制装置具备特性信息获取部，其获取包含所述气体纯化装置纯化后的纯化气体的信息的特性信息；以及存储部，其对在所述特性信息获取部中获取的特性信息进行存储。

特性信息获取部获取包含气体纯化装置纯化后的纯化气体的信息的特性信息，存储部存储获取的特性信息。由此，当垃圾的成分和组分发生变化时，能够收集从使气体纯化装置的运行最优化的结果而获得的特性信息。

本实施方式涉及的控制装置具备传送部，其将在所述气体信息获取部中获取的气体信息、所述输出部输出的控制信息、以及在所述特性信息获取部中获取的特性信息传送至服务器。

传送部将在气体信息获取部中获取的气体信息、输出部输出的控制信息、以及在特性信息获取部中获取的特性信息传送至服务器。由此，在服务器中，当垃圾的成分和组成发生变化时，能够收集如何控制气体纯化装置的运行从而获得所期待的特性信息的信息。另外，通过从多个垃圾处理设备(成套设备)中的各个控制装置分别发送同样的信息，在服务器中，在各成套设备中能够收集如何控制气体纯化装置的运行从而获得所期待的特性信息的信息。

本实施方式涉及的控制装置具备学习处理部，其根据在所述气体信息获取部中获取的气体信息、所述输出部输出的控制信息、以及在所述特性信息获取部中获取的特性信息使所述学习模式进行再学习。

学习处理部根据在气体信息获取部中获取的气体信息、输出部输出的控制信息、以及在特性信息获取部中获取的特性信息使学习模式进行再学习。由此，能够进一步使气体纯化装置的运行最优化。

本实施方式涉及的控制装置具备：使用历史获取部，其获取所述气体纯化装置内的吸附装置的使用历史；以及传送部，其将在所述使用历史获取部中获取的使用历史传送至管理服务器。

使用历史获取部获取气体纯化装置内的吸附装置的使用历史。使用历史例如可以包含累计使用时间、清洗次数等。

传送部将在使用历史获取部中获取的使用历史传送至管理服务器。在管理服务器中，根据使用历史，通过对直至替换吸附装置为止的剩余使用次数、剩余使用时间等进行计算，能够推算出吸附装置的替换时间。另外，通过从多个垃圾处理设备(成套设备)的控制装置分别发送同样的信息，在管理服务器中，能够推算出各成套设备中的气体纯化装置内的吸附装置的替换时间。

本实施方式涉及的控制装置具备获取所述气体纯化装置内的吸附装置的劣化度的劣化度获取部，所述传送部把在所述劣化度获取部中获取的劣化度传送至所述管理服务器。

劣化度获取部获取气体纯化装置内的吸附装置的劣化度。例如，劣化度可以根据对气体吸附部件进行清洗后的气体吸附部件表面的颜色或污渍、以及在指定的循环时间内吸附的杂质的量等来进行判定。

传送部把在劣化度获取部中获取的劣化度传送至所述管理服务器。在管理服务器中，可以根据劣化度判定是否需要对吸附装置进行维护、检查或更换。另外，通过从多个垃圾处理设备(成套设备)中的各控制装置分别发送同样的信息，在管理服务器中，在各成套设备中能够判定是否需要对吸附装置进行维护、检查或更换。

本实施方式涉及的控制装置具备获取所述气体纯化装置内的吸附装置是否进行脱附操作的脱附操作获取部；所述传送部在所述脱附操作获取部中获取到进行了脱附操作时，将所述进行了脱附操作的情况传送至所述管理服务器。

脱附操作获取部获取气体纯化装置内的吸附装置是否进行脱附操作。例如，吸附装置的脱附操作可以是非目的性的脱附操作。

传送部在脱附操作获取部中获取到进行了脱附操作时，将进行了脱附操作的情况传送至管理服务器。在管理服务器中，由于能够判定吸附装置是否出现非目的性的脱附操作，因此例如能够发现非正规品的吸附装置的安装，防止安装非正规品。另外，通过从多个垃圾处理设备(成套设备)的控制装置中分别发送同样的信息，在管理服务器中，在各成套设备中能够发现非正规品的吸附装置的安装，防止安装非正规品。

本实施方式涉及的控制装置具备判定部，其根据微生物的状态来判定所述微生物的活性度，所述微生物由所述气体纯化装置纯化后的一氧化碳气体和氢气生成乙醇。

判定部根据微生物的状态来判定微生物的活性度，所述微生物由气体纯化装置纯化后的一氧化碳气体和氢气生成乙醇。活性度包括如微生物的反应速度、存活率等。可以从培养液层的外部实时监视微生物的状态来判定微生物的活性度。另外，也可以离线监视微生物的状态来判定微生物的活性度。由此，例如在微生物的活性度降低时，能够投入营养剂使其再次活性化，进而能够将乙醇的生成速度维持在一个较高水平。

本实施方式涉及的服务器具备：收集部，其从多个用于垃圾处理的成套设备中分别收集以下信息：识别成套设备的识别信息、将收集到的垃圾转换为气体的气化炉所转换后的气体的气体信息、控制对所述气化炉所转换后的气体进行纯化的气体纯化装置的控制信息、以及包含所述气体纯化装置纯化后的纯化气体的信息的特性信息；以及存储部，其对所述收集部收集到的气体信息、控制信息以及特性信息与所述识别信息进行关联并进行存储。

收集部从多个用于垃圾处理的成套设备中分别收集以下信息：识别成套设备的识别信息、将收集到的垃圾转换为气体的气化炉所转换后的气体的气体信息、控制对气化炉所转换后的气体进行纯化的气体纯化装置的控制信息、以及包含气体纯化装置纯化后的纯化气体的信息的特性信息。

存储部对收集部收集到的气体信息、控制信息以及特性信息与识别信息进行关联并进行存储。由此，能够收集并记录每台成套设备使气体纯化设备运行最优化的所需信息。

本实施方式涉及的管理服务器具备：收集部，其从多个用于垃圾处理的成套设备中分别收集以下信息：识别成套设备的识别信息、气体纯化装置内的吸附装置的劣化度，所述气体纯化装置对将收集到的垃圾转换为气体的气化炉所转换后的气体进行纯化；以及存储部，其对所述收集部收集到的劣化度与所述识别信息进行关联并进行存储。

收集部从多个用于垃圾处理的成套设备中分别收集以下信息：识别成套设备的识别信息、气体纯化装置内的吸附装置的劣化度，所述气体纯化装置对将收集到的垃圾转换为气体的气化炉所转换后的气体进行纯化。

存储部对所述收集部收集到的劣化度与识别信息进行关联并进行存储。由此，能够掌握每台成套设备的气体纯化装置内的吸附装置的劣化度。

本实施方式涉及的运行控制装置是控制对象气体纯化装置的运行控制装置，其具备：气体信息获取部，其获取将收集到的垃圾转换成气体的气化炉所转换后的气体的气体信息；以及控制信息输出部，其输出控制信息，所述控制信息是向学习模式输入在所述气体信息获取部中获取的气体信息而得到的、控制所述对象气体纯化装置的控制信息，所述学习模式是根据气化炉所转换后的气体的气体信息、控制对所述气化炉所转换后的气体进行纯化的气体纯化装置的控制信息、以及包含所述气体纯化装置纯化后的纯化气体的信息的特性信息进行学习的学习模式。

本实施方式涉及的运行控制方法，其是控制对象气体纯化装置的运行控制方法，该方法包括：获取将收集到的垃圾转换成气体的对象气化炉所转换后的气体的气体信息，向学习模式输入获取到的气体信息并输出控制所述对象气体纯化装置的控制信息，所述学习模式是根据以下信息进行学习的学习模式，所述信息为：气化炉所转换后的气体的气体信息、控制对所述气化炉所转换后的气体进行纯化的气体纯化装置的控制信息、以及包含所述气体纯化装置纯化后的纯化气体的信息的特性信息。

气体信息获取部获取将收集到的垃圾转换成气体的气化炉所转换后的气体的气体信息。对象气化炉是在低氧状态下蒸烧垃圾并将其分解至分子级别(例如，包含一氧化碳气体及氢气)的炉。气体信息，例如包含由气化炉生成的杂质气体(杂质物质)的浓度。另外，杂质气体的浓度根据复杂的垃圾成分、组分而发生变化。

控制信息输出部向学习模式输出控制信息，所述控制信息是向学习模式输入在所述气体信息获取部中获取的气体信息而得到的、控制所述对象气体纯化装置的控制信息。另外，运行控制装置不具备学习模式。

学习模式，其根据以下信息进行学习：将收集到的垃圾转换为气体的气化炉(与对象气化炉不同的气化炉)转换后的气体的气体信息、控制对该气化炉所转换后的气体进行纯化的气体纯化装置(与对象气体纯化装置不同的气化炉)的控制信息、以及包含该气体纯化装置纯化后的纯化气体的信息的特定信息。

气体信息，例如包含由该气化炉生成的杂质气体(杂质物质)的浓度。另外，杂质气体的浓度根据复杂的垃圾成分、组分而发生变化。控制信息是为了控制该气体纯化装置运行的信息。特性信息，例如，包含一氧化碳气体和氢气的纯度、使一氧化碳气体和氢气生成乙醇的催化剂(例如，微生物)的活性度、所生成的乙烯的纯度或量等。

学习模式运用例如深度学习、强化学习、深度强化学习等进行学习。

根据上述结构，运行控制装置即使不具备学习模式，也能够向学习模式提供在气体信息获取部中获取的气体信息，并根据从该学习模式中获得的控制信息控制气体纯化装置的运行。

本实施方式涉及的运行控制装置具备：传送部，其将在所述气体信息获取部中获取到的气体信息传送至具备学习模式的服务器，所述学习模式是根据气化炉所转换后的气体的气体信息、控制对所述气化炉所转换后的气体进行纯化的气体纯化装置的控制信息、以及包含所述气体纯化装置纯化后的纯化气体的信息的特性信息进行学习的学习模式；以及接收部，其接收由所述服务器发送的控制气体纯化装置的控制信息，其中，控制信息输出部将在所述接收部中接收到的控制信息输出至所述对象气体纯化装置。

传送部将在气体信息获取部中获取到的气体信息传送至服务器。服务器具备学习模式。该学习模式根据气化炉所转换后的气体的气体信息、控制对所述气化炉所转换后的气体进行纯化的气体纯化装置的控制信息、以及包含所述气体纯化装置纯化后的纯化气体的信息的特性信息进行学习。

接收部接收由服务器发送的控制气体纯化装置的控制信息。控制信息输出部把在接收部中接收到的控制信息输出至对象气体纯化装置。

根据上述结构，运行控制装置即便不具备学习模式，也能够把在气体信息获取部中获取的气体信息发送至具备学习模式的学习服务器中，接收该服务器所发送的控制信息，并根据其接收的控制信息控制气体纯化装置的运行。由此，运行控制装置通过利用经由互联网等网络连接的学习服务器所具备的学习模式，由于能够控制对象气体纯化装置的运行，因此例如学习服务器和运行控制装置设置在不同的国家或地区，也依然能控制对象气体纯化装置的运行。

另外，在本实施方式中，作为垃圾的替代品，可以使用有机化合物和/或无机化合物。此时，控制装置可以具备：气体信息获取部，其获取将有机化合物和/或无机化合物转换成气体的气化炉所转换后的气体的气体信息；控制信息获取部，其获取控制气体纯化装置的控制信息，该气体纯化装置纯化气化炉所转换后的气体；特性信息获取部，其获取包含气体纯化装置纯化后的纯化气体的信息的特性信息；以及生成部，其依据所述气体信息、控制信息以及特性信息通过机械学习而生成学习模式。此外，控制装置可以具备：学习模式，其根据以下信息进行学习：将有机化合物和/或无机化合物转换为气体的气化炉所转换后的气体的气体信息、控制对气化炉所转换后的气体进行纯化的气体纯化装置的控制信息、以及包含气体纯化装置纯化后的纯化气体的信息的特定信息；气体信息获取部，其获取气化炉所转换后的气体的气体信息；以及、输出部，其将在气体信息获取部中获取的气体信息输入至学习模式并输出控制气体纯化装置的控制信息。

符号说明

1、2…网络

10…气化炉

20…气体纯化装置

22、23…吸附装置

221、231…气体吸附部件

26…运行控制部

261…气体流量控制部

262…温度调节部

263…湿度调节部

264…吸附装置切换部

265…通讯部

30…乙醇生成装置

50…控制装置

51、151…控制部

52、152…气体信息获取部

53…特性信息获取部

54、153…通讯部

55、154…存储部

56…传感器信息获取部

57…记录介质读取部

58…判定部

60…处理部

61…报酬计算部

62…行动选择部

63…行动评估部

150…运行控制装置

155…控制信息输出部

200…管理服务器

201…CPU

202…RAM

203…ROM

204…成套设备DB

210…显示装置

300…学习服务器

301…处理部

302…成套设备DB