JP2001157851A - 石炭粉砕性自動推定方法とその装置 - Google Patents

Abstract

(57)【要約】 【課題】 石炭粉砕性（ＨＧＩ）が等しく水分率が相違
する石炭においても、また経年劣化等によるプロセスデ
ータ変化に伴う正確な自動推定を行う事の出来る石炭粉
砕性推定手段の発明の提供。 【解決手段】 重回帰分析で求めた係数からなる固定定
数方式による自動推定手段と、教師データ付１階層ニュ
ーラルネットワークによる自動推定手段とを組み合わ
せ、特に従来のプロセスデータの内より選択した２以上
のプロセスデータに加えて、ミル入口温度と出口温度を
入力変数とし、これらの入力変数と定数とを組み合わせ
て複数段の演算を行なった第１の推定値と前記入力変数
と適宜学習モード切替信号により学習される学習係数と
を組み合わせて複数段の演算を行なった第２の推定値と
が重み付け係数により加重平均された演算出力を得、該
演算出力信号に応答遅れを加味して得られた一次遅れ要
素の出力を石炭粉砕性推定値とした事を特徴とする。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、石炭粉砕装置にお
ける石炭粉砕性自動推定方法とその装置に係り、特に性
状の異なる複数種の石炭を燃料として使用する石炭焚き
ボイラに付設される石炭粉砕装置における石炭性状の自
動推定方法とその装置に関する。

【０００２】

【従来の技術】石炭粉砕装置において、石炭化度の低い
石炭は粉砕しやすいが、微粉砕しにくい。石炭化が進む
と次第に粉砕し易くなり、さらに進むとまた粉砕しにく
くなる。一般に水分、灰分が多いものは粉砕しにくい。

【０００３】図１３は本発明が適用される石炭粉砕装置
（以下石炭粉砕装置を形容詞的に証する場合ミルとい
う）の構成図を示す。本装置の構成をその作用に沿って
説明するに、石炭（原炭）は、石炭粉砕装置１００上部
から中央に挿設された給炭管１を通って石炭粉砕装置内
底部に設けた回転テーブル２上に落下し、該回転テーブ
ル２の回転による遠心力により外周部へと運ばれる。

【０００４】前記回転テーブル２の外周部に設けた複数
のロール３は、加圧装置４のミル加圧装置の油圧１３に
よりテーブル２に押しつけられており、このロール３と
回転テーブル２間において石炭の粉砕が行なわれる。微
粉砕された石炭は、一次空気（熱空気）５により上部へ
噴き上げられる。この一次空気５は、石炭の搬送と乾燥
の役割を持っている。噴き上げられた微粉炭は、比較的
粗い粒子は、回転テーブル２上に落下し、再粉砕され、
比較的細かい粒子のみ、石炭粉砕装置１００上部に設け
た回転分級器６へと導かれる。ここで、さらに粗い粒子
と細かい粒子が再分級され、比較的細かい粒子である微
粉炭７のみ、分級器６を通過し、バーナ（不図示）に供
給される。

【０００５】かかる、石炭性状の固さを表す指標である
石炭の粉砕性（ＨＧＩ）の試験方法はオフラインではボ
ールミル法とハードグローブ法があるが、ボイラ運転中
のオンラインで計測することが困難であり、僅かに図１
３に示す装置が存在するのみである。

【０００６】図１４において、操作量調節器１０２より
の最適操作量ｕ及び石炭粉砕性推定器１０５よりのパラ
メータθを入力信号として、ミル動特性モデル１０３で
得られたバーナ入口微粉炭流量推定値χを減算器１０１
に入力して目標値との偏差を求め、該偏差を操作量調節
器１０２に投入して最適操作量ｕを求め、該最適操作量
ｕに基づいて給炭量、分級器回転数、加圧力の制御を行
なう。

【０００７】又ミル動特性モデル１０３よりの出力値と
して微粉炭流量推定値χともに、ミル差圧予測値ｙ’を
得、該ミル差圧予測値ｙ’を減算器１０４でミルテーブ
ル差圧計測値ｙとの偏差信号を石炭粉砕性推定器１０５
に投入してパラメータθを求めている。

【０００８】しかしながら、かかる従来技術において
も、ミル動特性モデルが性状の異なる石炭を変動が大き
いミルの差圧を用いて精度良く推定するには、かなりの
労力を必要とする。この為多炭種石炭焚きボイラにおい
ては、複数台の石炭粉砕装置から微粉砕された石炭（微
粉炭）が燃料としてバーナへ供給される訳であるが、従
来の制御装置にあっては、石炭粉砕性（ＨＧＩ）による
ミル実容量の変化が把握できないため、石炭粉砕装置の
台数制御は、かなり余裕を見た台数切替えが必要であっ
た。

【０００９】従って多炭種石炭焚きボイラにおいても、
石炭の性状、特に石炭の粉砕性がオンラインで計測でき
れば大幅な制御性の向上が期待できる。しかしながら、
かかる従来技術においても、ミル動特性モデルが性状の
異なる石炭を変動が大きいミルの差圧を用いて精度良く
推定するには、かなりの労力を必要とする。この為多炭
種焚きボイラにおいては、複数台の石炭粉砕装置から微
粉砕された石炭（微粉炭）が燃料としてバーナへ供給さ
れる訳であるが、従来の制御装置にあっては、石炭粉砕
性（ＨＧＩ）によるミル実容量の変化が把握できないた
め、石炭粉砕装置の台数制御は、かなり余裕を見た台数
切替が必要であった。従って多炭種石炭焚きボイラにお
いても、石炭の性状、特に石炭の粉砕性がオンラインで
計測できれば大幅な制御性の向上が期待できる。より具
体的には、石炭の粉砕性がオンラインで推定できれば、
以下の利点が生じる。 １）石炭粉砕装置の最大容量の把握が容易となり、的確
な石炭粉砕装置の台数制御が可能である。 ２）石炭粉砕装置からバーナに供給される微粉炭量の予
測も適当なモデルを用いることで可能となる。 ３）上記利点を制御装置で活用すれば制御性及び信頼性
の向上が期待できる。 かかる要請に鑑み、本出願人は先に、例えば性状の異な
る複数種の石炭を燃料として使用する石炭焚きボイラに
付設される石炭粉砕装置であっても石炭の粉砕性がオン
ラインで容易に推定できる石炭粉砕性自動推定装置を特
願平１０−３６１２９８号（以下先願技術１という）に
て提案している。

【００１０】即ち、ミルモー夕を流れる電流がミルモー
タ電流、回転分級器の回転数が回転分級器回転数、ミル
加圧装置の油圧がミル加圧装置の油圧、ロールのリフト
がロールリフト、原炭の流量が給炭量であるからして、
石炭粉砕性（ＨＧＩ）はミルモー夕電流、回転分級器回
転数、ロールリフト、ミル加圧装置油圧等とかなり大き
い相関を有する。そこで前記先願技術１は、石炭粉砕性
（ＨＧＩ）はミルモー夕電流１１、回転分級器回転数１
２、ロールリフト１４、ミル加圧装置の油圧１３等とか
なり大きい相関を有する為に、これらの変数の内、ミル
モー夕電流１１と回転分級器回転数１２及び給炭量１０
との関係に着目したプロセスデータからオンラインで供
給されている石炭の粉砕性を推定する装置を提案してい
る。

【００１１】

【発明が解決しようとする課題】しかし、実際には、こ
れらの変数は複雑に関係しあい、石炭粉砕性（ＨＧＩ）
とは極めて大きい非線型な関係にあり、これらの変数に
より石炭粉砕性（ＨＧＩ）の予測式を構成する事は容易
ではない。この為、先願技術１では、３つの変数による
２次式の近似の関係式で実現しているが、充分な石炭粉
砕性（ＨＧＩ）の推定精度が得られていない。

【００１２】そこで本発明は、特願平１１−０１９１０
７号（以後先願技術２という）にておいて、入出力間の
非線型の関係を表現する有効な手段である階層型ニュー
ラルネットワークの演算回路を用いて前記課題の解決を
図っている。即ち、先願技術２は、性状の異なる複数種
の石炭の粉砕装置より得られる、石炭粉砕性と関係する
プロセスデータより選択した２以上の入力変数と、予め
設定若しくは所定の学習手法等により逐次変化する定数
を入力信号として、階層型ニューラルネットワークに基
づく複数段の隠れ層と最終段に相当する１つの出力層か
らなる演算回路を構成するとともに、前記最終段の出力
層よりの出力に所定定数を乗じて石炭粉砕性推定値を得
ることを特徴とするもので、この場合、前記選択される
２以上の入力変数は、ミルモータ電流、回転分級器（例
えばＭＲＳ）の回転数、給炭量、ミル加圧装置の油圧、
ロールリフトの信号、及びミルテーブル差圧より選択さ
れたプロセスデータである。

【００１３】しかしながらかかる先願技術２は、前記先
願技術１のプロセスデータに対しミル加圧装置の油圧、
ロールリフトを追加し、階層型ニューラルネットワーク
手法を用いることにより、より高精度に石炭粉砕性（Ｈ
ＧＩ）を推定するものであるが、かかる先願技術におい
ては、制御装置への組込みに当たり、複数種の入力信号
を切替える手段及びデータベースを必要とし、コスト高
の懸念があった。また、前記先願技術のいずれも経年劣
化等によるプロセスデータ変化に伴う正確な自動推定が
できない。

【００１４】本発明はかかる従来技術の欠点に鑑み、石
炭の粉砕性がオンラインで容易に推定できる石炭粉砕性
自動推定装置において前記いずれの先願技術の推定精度
を超える推定方法と装置を提供することを目的とする。
即ち本発明は、石炭粉砕性（ＨＧＩ）が等しく水分率が
相違する石炭においても充分な石炭粉砕性（ＨＧＩ）の
推定精度を得る事の出来る石炭粉砕性推定方法と装置を
提供することを目的とする。本発明の他の目的はコスト
高の懸念が生じることなく、また経年劣化等によるプロ
セスデータ変化に伴う正確な自動推定を行う事の出来る
石炭粉砕性推定方法と装置を提供することを目的とす
る。

【００１５】

【課題を解決する手段】本発明はかかる課題を解決する
ために、請求項１記載の発明において、性状の異なる複
数種の石炭の粉砕装置より得られる、給炭量、ミルモー
タの電流、回転分級器（例えばＭＲＳ）の回転数、ミル
加圧装置の油圧、及びロールリフトの各プロセスデータ
の内より選択した２以上のプロセスデータに加えて、ミ
ル入口温度と出口温度を入力変数とし、これらの入力変
数と予め求めた定数とを組み合わせて複数段の演算を行
ない、該演算手段の出力信号に応答遅れを加味して得ら
れた一次遅れ要素の出力を石炭粉砕性推定値とした事を
特徴とする。

【００１６】請求項２記載の発明はかかる発明を効果的
に達成する装置に関する発明で、性状の異なる複数種の
石炭の粉砕装置より得られる、給炭量、ミルモータの電
流、回転分級器（例えばＭＲＳ）の回転数、ミル加圧装
置の油圧、及びロールリフトの各プロセスデータの内よ
り選択した複数のプロセスデータに加えて、ミル入口温
度と出口温度とを含む複数の入力変数と、該夫々の入力
変数を直接若しくは変数同士で比を求めた後、これらの
変数と予め定めた定数を乗じる複数の乗算手段と、前記
複数の乗算手段の出力信号と定数を加算する加算手段
と、前記２次演算手段の出力信号に応答遅れを加味する
一次遅れ要素とを具備し、前記一次遅れ要素の出力を石
炭粉砕性推定値としたことを特徴とする。この場合、前
記複数の乗算手段への夫々の乗算係数は後記第１実施形
態に示すように、前記粉砕装置のミル給炭量、ミルモー
タ電流と回転分級器の回転数との比、ミル加圧装置の油
圧信号とロールリフト量の比、及びミル入口温度と出口
温度とからなる乗算用変数であってもよく、又後記実施
形態２に記載のように、前記複数の乗算手段への夫々の
乗算係数が、前記粉砕装置のミル給炭量、ミルモータ電
流と回転分級器の回転数との比、ミル加圧装置の油圧信
号、及びミル入口温度と出口温度とからなる乗算用変数
であるのがよい。

【００１７】かかる発明によれば、石炭粉砕性（ＨＧ
Ｉ）が等しく水分率が相違する炭において、ミル出入口
温度を組み込んだ演算式、特に重回帰分析で求めた係数
からなる定数と出入口温度の乗数等に基づいて水分率が
考慮された推定値を設定することが可能となり、水分率
の影響度を考慮した石炭粉砕性（ＨＧＩ）の推定が可能
である。

【００１８】請求項５記載の発明は、教師データ付１階
層ニューラルネットワークを用いて、高精度な自動推定
を実現しているもので、その特徴とするところは、性状
の異なる複数種の石炭の粉砕装置より得られる、給炭
量、ミルモータの電流、回転分級器（例えばＭＲＳ）の
回転数、ミル加圧装置の油圧、及びロールリフトの各プ
ロセスデータの内より選択した２以上のプロセスデータ
に加えて、ミル入口温度と出口温度を入力変数とし、こ
れらの入力変数と適宜学習モード切替信号により学習さ
れる学習係数とを組み合わせて複数段の演算を行ない、
該演算手段の出力信号に応答遅れを加味して得られた一
次遅れ要素の出力を石炭粉砕性推定値とした事を特徴と
する。

【００１９】請求項６記載の発明はかかる発明を効果的
に達成する装置に関する発明で、性状の異なる複数種の
石炭の粉砕装置より得られる、給炭量、ミルモータの電
流、回転分級器（例えばＭＲＳ）の回転数、ミル加圧装
置の油圧、及びロールリフトの各プロセスデータの内よ
り選択した複数のプロセスデータに加えて、ミル入口温
度と出口温度とを含む複数の入力変数と、該夫々の入力
変数を直接若しくは変数同士で比を求めた後、これらの
変数と適宜学習モード切替信号により学習される学習係
数に基づいて複数段の演算を行う手段と、前記演算手段
の出力信号に応答遅れを加味する一次遅れ要素とを具備
し、前記一次遅れ要素の出力を石炭粉砕性推定値とした
ことを特徴とする。

【００２０】かかる発明によれば、学習機能として最も
簡易な教師データ付１階層ニューラルネットワークを用
いることで、定数としての初期値の設定が容易でかつ該
定数は学習モード切替信号により繰り返し学習されるた
めに前記発明のように重回帰分析で求めた係数からなる
定数と出入口温度の乗数等に基づいて水分率が考慮され
た推定値を設定場合に比較して一層高精度の推定精度が
得られる特徴を持っている。

【００２１】請求項７記載の発明は、上記第１発明の
重回帰分析で求めた係数からなる固定定数方式による自
動推定手段と、上記第２発明の教師データ付１階層ニ
ューラルネットワークによる自動推定手段とを組み合わ
せたハイブリッド型石炭粉砕性自動推定装置を用いて、
高精度な自動推定を実現している。即ち本発明は、性状
の異なる複数種の石炭の粉砕装置より得られる、給炭
量、ミルモータの電流、回転分級器（例えばＭＲＳ）の
回転数、ミル加圧装置の油圧、及びロールリフトの各プ
ロセスデータの内より選択した２以上のプロセスデータ
に加えて、ミル入口温度と出口温度を入力変数とし、こ
れらの入力変数と定数とを組み合わせて複数段の演算を
行なった第１の推定値と、前記入力変数と適宜学習モー
ド切替信号により学習される学習係数とを組み合わせて
複数段の演算を行なった第２の推定値と、前記第１及び
第２の推定値が重み付け係数により加重平均された演算
出力を得、該演算出力信号に応答遅れを加味して得られ
た一次遅れ要素の出力を石炭粉砕性推定値とした事を特
徴とする。

【００２２】請求項８記載の発明はかかる発明を効果的
に達成する装置に関する発明で、性状の異なる複数種の
石炭の粉砕装置より得られる、給炭量、ミルモータの電
流、回転分級器（ＭＲＳ）の回転数、ミル加圧装置の油
圧、及びロールリフトの各プロセスデータの内より選択
した複数のプロセスデータに加えて、ミル入口温度と出
口温度とを含む複数の入力変数と、該これらの入力変数
と定数とを組み合わせて複数段の演算を行なう第１の演
算手段と、前記入力変数と適宜学習モード切替信号によ
り学習される学習係数とを組み合わせて複数段の演算を
行なう第２の演算手段と、前記第１及び第２の演算出力
が重み付け係数により加重平均する加重平均手段と、該
加重平均出力信号に応答遅れを加味して得られた一次遅
れ要素の出力を石炭粉砕性推定値とした事を特徴とす
る。

【００２３】かかる発明によれば、前記２つの発明を組
み合わせたハイブリッド型ニューラルネットを構成し、
各々の発明で得た推定結果を加重平均しており、経年劣
化等によるプロセスデータの変動に対しても過去のデー
タを忘却することがないと同時に学習効果も兼ね備えた
システム構成となっており、高い自動推定精度が得られ
る特徴を持っている。

【００２４】

【発明の実施の形態】以下図面を参照して本発明の実施
形態を例示的に詳しく説明する。但し、この実施形態に
記載されている構成手段の種類、回路、接続状態、及び
その相対的配置等は特に特定的な記載がない限りは、こ
の発明の範囲をそれに限定する趣旨ではなく、単なる説
明例にすぎない。 ［第１実施形態］図１及び図２は、性状の異なる複数種
の石炭を燃料として使用する石炭焚きボイラに付設され
る石炭粉砕性自動推定装置、特に水分率の影響度を考慮
した石炭粉砕性推定値をオンラインで出力するもので、
重回帰分析で求めた係数からなる固定定数方式による本
発明の第１実施形態にかかわる石炭粉砕性自動推定装置
で、図１に示すように、石炭粉砕装置の給炭量１０とミ
ルモータ電流１１、回転分級器回転数１２、ミル加圧装
置の油圧１３、ロールリフト１４を入力変数ａ１〜ａ５
とする点は先願技術１と同様であるが、更にミル入口空
気温度１５、ミル出口空気温度１６をユニット演算器４
５の入力変数ａ６〜ａ７とし、これらの入力変数ａ１〜
ａ７に基づいて図２に示すようにユニット演算器４５内
で所定の演算を行った後、その出力を入力とする一次遅
れ要素３１の出力が石炭粉砕性（ＨＧＩ）推定値とする
ブロック構成をとる。

【００２５】即ち本実施形態は、石炭粉砕性（ＨＧＩ）
が等しく水分率が相違する炭において、図１に示すよう
に、プロセスデータであるミル給炭量１０とミルモータ
電流１１と回転分級器回転数１２とミル加圧装置油圧１
３とロールリフト１４とともに、ミル出入口空気温度１
６、１５を組み込んだ重回帰式推定値を用いることによ
り水分率の影響度を考慮した石炭粉砕性推定値をオンラ
インで出力するものである。

【００２６】図２は図１のユニット演算器４５の具体的
な構成である。ミル給炭量１０の入力変数ａ１は予め重
回帰分析で求めた係数を設定した定数発生器２０の出力
信号と乗算器２５で乗算する。ミルモータ電流１１の入
力変数ａ２は、回転分級器回転数１２の入力変数ａ３と
除算器１７により徐した後、予め重回帰分析で求めた係
数を設定した定数発生器２１の出力信号と乗算器２６で
乗算する。ミル加圧装置の油圧１３の入力変数ａ４は、
ロールリフト１４の入力変数ａ５と乗算器１８により乗
算した後、予め重回帰分析で求めた係数を設定した定数
発生器２２の出力信号と乗算器２７で乗算する。ミル入
口温度１５の入力変数ａ６及びミル出口温度１６の入力
変数ａ７は各々予め重回帰分析で求めた係数を設定した
定数発生器２３、２４の出力信号と乗算器２８、２９で
乗算する。乗算器２５、２６、２７、２８、２９の出力
信号は、その出力を同じく重回帰分析で求めた係数が設
定されている定数発生器１９とともに加算器３０に入力
して、該加算器３０により加算された信号ａ８が一次遅
れ要素３１の入力信号となる。そして一次遅れ要素３１
の出力信号が、石炭粉砕性の推定信号である。

【００２７】かかるユニット演算器４５について簡単に
まとめてみるに、ミルの経年劣化に対する推定精度の耐
力を考え、除算器１７でミルモータ電流１１（入力変数
ａ２）を回転分級器回転数１２（入力変数ａ３）で除算
（ａ２／ａ３）し、乗算器１８でミル加圧装置の油圧１
３（入力変数ａ４）とロールリフト１４（入力変数ａ
５）を乗算し、プロセスデータからの入力を実質の入力
信号とする構成とした点は前記先願技術と同様である
が、本発明は、乗算器２５〜２９で、予め重回帰分析で
求めた係数を設定した定数発生器２０〜２４と実質入力
である給炭量１０（ａ１）、ａ２／ａ３（ミルモータ電
流１１／回転分級器回転数１２）、ａ４×ａ５（ミル加
圧装置の油圧１３×ロールリフト１４）に加えて、ミル
入口温度１５（ａ６）、ミル出口温度１６（ａ７）を各
々乗算する。その出力を同じく重回帰分析で求めた係数
が設定されている定数発生器１９とともに加算器３０に
入力し、この加算器３０の出力を入力とする一次遅れ要
素３１の出力信号が、石炭粉砕性（ＨＧＩ）の推定値と
なり、これにより石炭粉砕性（ＨＧＩ）が等しく水分率
が相違する炭においても精度良い推定値が得られるよう
に構成される。

【００２８】［第２実施形態］図３及び図４は、水分率
の影響度を考慮した石炭粉砕性推定値をオンラインで出
力する本発明の第２実施形態にかかわる重回帰分析で求
めた係数からなる固定定数方式による石炭粉砕性自動推
定装置で、石炭粉砕装置に供給される給炭量１０とミル
モータ電流１１、回転分級器回転数１２、ミル加圧装置
の油圧１３、ミル入口温度１５、ミル出口温度１６を入
力とし、石炭の粉砕性を出力するように構成され、第１
実施形態とは、ロールリフト１４の入力変数ａ５がない
点が相違している。

【００２９】本実施形態を具体的に説明するに、図３は
本発明の第２実施形態にかかわる石炭の粉砕性を推定す
る装置を表した全体制御ブロック図で、石炭粉砕装置の
給炭量１０とミルモータ電流１１、回転分級器回転数１
２、ミル加圧装置の油圧１３とともに、ミル入口温度１
５、ミル出口温度１６を入力とする６入力変数ｂ１〜ｂ
６構成とし、これらの６入力変数信号ｂ１〜ｂ６を入力
とするユニット演算器４６と、該ユニット演算器４６の
出力ｂ７を入力とする一次遅れ要素４４の出力が石炭粉
砕性（ＨＧＩ）推定値とするブロック構成をとる。

【００３０】図４は図３のユニット演算器４６の具体的
な回路図である。本実施形態は、ミルの経年劣化に対す
る推定精度の耐力を考え、除算器１７でミルモータ電流
１１（ｂ２）を回転分級器回転数（ｂ３）で除算（ｂ２
／ｂ３）し、プロセスデータからの入力を実質の入力信
号とする構成となっているとともに、水分率の影響度を
考慮するためにミル入口温度１５、ミル出口温度１６を
も入力変数ｂ５、ｂ６として入力させている。尚、本実
施形態ではミル加圧装置の油圧１３の入力変数ｂ４は、
そのまま予め重回帰分析で求めた係数を設定した定数発
生器３５の出力信号と乗算器４０で乗算する。

【００３１】そして乗算器３８〜４２では、予め重回帰
分析で求めた係数を設定した定数発生器３３〜３７と実
質入力である給炭量１０（ｂ１）、ｂ２／ｂ３（ミルモ
ータ電流／回転分級器回転数）、ミル加圧装置の油圧１
３（ｂ４）に加えて、ミル入口温度１５（ｂ５）、ミル
出口温度１６（ｂ６）を各々乗算する。その出力を同じ
く重回帰分析で求めた係数が設定されている定数発生器
３２とともに加算器４３に入力する。この加算器４３の
出力を入力とする一次遅れ要素４４の出力信号が、石炭
粉砕性（ＨＧＩ）の推定値となり、これにより石炭粉砕
性（ＨＧＩ）が等しく水分率が相違する炭においても精
度良い推定値が得られるように構成される。

【００３２】［第３実施形態］図５及び図６、図７は本
発明の第３実施形態にかかわる教師データ付１階層ニュ
ーラルネットワークによる石炭粉砕性自動推定装置で、
前記実施形態に教師データ付１階層ニューラルネットワ
ークを組み込んで、高精度な自動推定を実現しているも
ので、石炭粉砕装置に供給される給炭量１０とミルモー
タ電流１１、回転分級器回転数１２、ミル加圧装置の油
圧１３、ロールリフト１４とともに水分率の影響度を考
慮するためにミル入口温度１５とミル出口温度１６を入
力変数としている点は前記実施形態と同様であるが、更
に本実施形態は教師データ９３、学習モード切替信号９
４を入力変数とし、より高精度な石炭の粉砕性を出力す
るように構成されている。

【００３３】以下本装置を具体的に説明する。石炭粉砕
性（ＨＧＩ）が等しく水分率が相違する炭において、図
５に示すように、石炭粉砕装置の給炭量１０とミルモー
タ電流１１、回転分級器回転数１２、ミル加圧装置の油
圧１３、ロールリフト１４、ミル入口温度１５、ミル出
口温度１６、教師データ９３、学習モード切替信号９４
を入力とする９入力変数ｃ１〜ｃ８、ｃ２９構成とし、
これらの９入力信号ｃ１〜ｃ８及びｃ２９を入力とする
ユニット演算器４７と、該ユニット演算器４７の出力を
入力とする一次遅れ９２の出力が石炭粉砕性（ＨＧＩ）
推定値とするブロック構成をとる。

【００３４】図６及び図７は、ユニット演算器４７の具
体的な回路図である。先ず図６において、本ユニット演
算器４７は学習モード切替スイッチ９５を具え、学習モ
ード切替信号９４の入力変数ｃ２９により教師データｃ
８選択モードと非選択モードに切り替える事が出来る。

【００３５】そして、初期においては学習モード切替信
号９４の入力変数ｃ２９により教師データｃ８非選択モ
ードが採用されており、該非選択モードでは、ミルの経
年劣化に対する推定精度の耐力を考え、除算器１７でミ
ルモータ電流１１（ｃ２）を回転分級器回転数１２（ｃ
３）で除算（ｃ２／ｃ３）し、乗算器１８でミル加圧装
置の油圧１３（ｃ４）とロールリフト１４（ｃ５）を乗
算し、ミル入口温度１５（ｃ６）、ミル出口温度１６
（ｃ７）を各々学習係数ｃ１６、ｃ１７と乗算する。そ
の出力を同じく重回帰分析で求めた係数を初期値として
持たせた前記新学習後係数ｃ１８とともに加算器５３に
入力する。

【００３６】即ち、乗算器４８〜５２では、予め重回帰
分析で求めた係数を初期値として持たせた学習後係数ｃ
１１、ｃ１２、ｃ１４、ｃ１６、ｃ１７と実質入力であ
る給炭量１０（ｃ１）、ｃ２／ｃ３（ミルモータ電流／
回転分級器回転数）、ｃ４×ｃ５（ミル加圧装置の油圧
×ロールリフト）、ミル入口温度１５（ｃ６）、ミル出
口温度１６（ｃ７）を各々乗算する。その出力を前記学
習後係数ｃ１８とともに加算器５３に入力する。加算器
５３の出力信号（ｃ９）は、図５の一次遅れ要素９２に
入力され本要素の出力信号が、石炭粉砕性（ＨＧＩ）の
推定値となり、これにより石炭粉砕性（ＨＧＩ）が等し
く水分率が相違する炭においても精度良い推定値が得ら
れるように構成される点は第１実施形態とほぼ同様であ
る。

【００３７】次に学習モード切替スイッチ９５に学習モ
ード切替信号９４の入力変数ｃ２９が入力されると、教
師データｃ８選択モードに切り替わり、該モードにおい
ては、評価式の偏微分値を求める為、減算器５４にて加
算器５３の出力ｃ９と切替スイッチ９５によって選択さ
れている教師データｃ８信号との偏差をとり、その出力
と加算器５３の出力ｃ９を乗算器５５にて乗算する。一
方加算器５３の出力側に位置する減算器５７で定数発生
器５６と前記出力ｃ９との偏差をとり、その偏差出力と
乗算器５５の出力を乗算器５８で乗算する。この乗算器
５８の出力が評価式の偏微分値（ｃ１０）となり、該偏
微分値（ｃ１０）が図５の一次遅れ要素９２に入力さ
れ、その一次遅れ要素９２の出力信号が、石炭粉砕性
（ＨＧＩ）の推定値となる。

【００３８】従って切替スイッチ９５は、教師データに
基づいて学習する場合には教師データ９３の入力変数
（ｃ８）を選択し、それ以外は加算器５３の出力信号ｃ
９を選択するスイッチ要素である。この切替は、学習モ
ード切替信号９４の入力信号ｃ２９で判別される。

【００３９】図７では、図６で求めた評価式の偏微分値
（ｃ１０）と定数発生器５９に設定した学習率、定数発
生器６０に設定したモーメンタム係数、実質入力である
５つの入力信号（ｃ１、ｃ５０、ｃ５１、ｃ６、ｃ７）
を用い、定数項と各入力に対する学習後係数及び変動量
を求める回路図である。実質入力である５つの入力信号
は、給炭量１０（ｃ１）、ｃ５０：ｃ２／ｃ３（ミルモ
ータ電流／回転分級器回転数）、ｃ５１：ｃ４×ｃ５
（ミル加圧装置の油圧×ロールリフト）、ミル入口温度
１５（ｃ６）、ミル出口温度１６（ｃ７）を指す。

【００４０】即ち、乗算器６１では、定数発生器５９に
設定した学習率と評価式の偏微分量（ｃ１０）を乗算す
る。又乗算器６３〜６７では、変動量（１時点前）ｃ２
１、ｃ２２、ｃ２４、ｃ２６、ｃ２７と定数発生器６０
のモーメンタム係数を各々乗算する。この出力と乗算器
６８〜７２の出力を減算器７４〜７８で減算したもの
が、新変動量ｃ２１、ｃ２２、ｃ２４、ｃ２６、ｃ２７
となり、これにより図６で求めた評価式の偏微分値（ｃ
１０）と定数発生器５９に設定した学習率との乗数に基
づいて常に学習される事になる。

【００４１】尚、乗算器６８〜７２の出力は、実質入力
である５つの信号（ｃ１、ｃ５０、ｃ５１、ｃ６、ｃ
７） と乗算器６１の出力である(偏微分値（ｃ１０）と
定数発生器５９に設定した学習率)の乗数を各々乗算し
たものである。また、定数項についても同様で乗算器６
２では、変動量（１時点前）ｃ２８と定数発生器６０の
モーメンタム係数を乗算し、この出力と乗算器６１の出
力を減算器７３で減算したものが、新変動量ｃ２８とな
る。そして上記で求めた新変動量ｃ２８、ｃ２１、ｃ２
２、ｃ２４、ｃ２６、ｃ２７と、１時点前の学習後係数
ｃ１８、ｃ１１、ｃ１２、ｃ１４、ｃ１６、ｃ１７(初
期値は重回帰分析で求めた係数)とを加算器７９〜８４
で各々加算したものが新学習後係数（ｃ１８、ｃ１１、
ｃ１２、ｃ１４、ｃ１６、ｃ１７）となる。

【００４２】［第４実施形態］図８、図９及び図１０
は、本発明の第４実施形態にかかわる石炭の粉砕性を推
定する装置で、石炭粉砕装置に供給される給炭量１０と
ミルモータ電流１１、回転分級器回転数１２、ミル加圧
装置の油圧１３、 ミル入口温度１５、ミル出口温度１
６、教師データ９３、学習モード切替信号９４を入力変
数ｄ１〜ｄ７、ｄ２９とし、石炭の粉砕性ｄ８を出力す
るように構成されている。第３実施形態とは、ロールリ
フト１４がない点が相違しており、この点において、第
２実施形態に対応する実施形態である。尚、図８は本第
４発明の実施形態にかかわる石炭の粉砕性を推定する装
置を表した全体制御ブロック図で、本推定装置は、石炭
粉砕装置の給炭量１０とミルモータ電流１１、回転分級
器回転数１２、ミル加圧装置の油圧１３、ミル入口温度
１５、ミル出口温度１６、教師データ９３、学習モード
切替信号９４を入力とする８入力構成とし、これらの８
入力信号ｄ１〜ｄ７及びｄ２９を入力とするユニット演
算器９７と、該ユニット演算器９７の出力を入力とする
一次遅れ９６の出力が石炭粉砕性（ＨＧＩ）推定値とす
るブロック構成をとる。

【００４３】図９及び図１０は、ユニット演算器９７の
具体的な回路図である。図９は、ミルの経年劣化に対す
る推定精度の耐力を考え、除算器１７でミルモータ電流
１１（ｄ２）を回転分級器回転数（ｄ３）で除算（ｄ２
／ｄ３）し、プロセスデータからの入力を実質の入力信
号とする構成となっている。

【００４４】乗算器１０８〜１１２では、予め重回帰分
析で求めた係数を初期値として持たせた学習後係数ｄ１
１、ｄ１２、ｄ１４、ｃ１５、ｃ１６と実質入力である
給炭量１０（ｄ１）、ｄ５０：ｄ２／ｄ３（ミルモータ
電流／回転分級器回転数）、ミル加圧装置の油圧１３
（ｄ４）、ミル入口温度１５（ｄ５）、ミル出口温度１
６（ｄ６）を各々乗算する。その出力を同じく重回帰分
析で求めた係数を初期値として持たせた学習後係数ｄ１
８とともに加算器１１３に入力する。加算器１１３の出
力信号（ｄ８）は、図８の一次遅れ要素９６に入力さ
れ、その一次遅れ要素９６の出力信号が、石炭粉砕性
（ＨＧＩ）の推定値となる。

【００４５】図９では更に、学習切替スイッチ９８にお
いて教師データｄ７を選択する学習モードを示し、評価
式の偏微分値を求める為、減算器１１４にて加算器１１
３の出力ｄ８と切替スイッチ９８によって選択されてい
る信号との偏差をとり、その出力とｄ８を乗算器１１５
にて乗算する。次に、減算器１１７で定数発生器１１６
とｄ８との偏差をとり、その出力と乗算器１１５の出力
を乗算器１１８で乗算する。この乗算器１１８の出力が
評価式の偏微分値（ｄ１０）となる点は前記実施形態と
同様である。

【００４６】切替スイッチ９８は、教師データに基づい
て学習する場合には教師データ９３（ｄ７）を選択し、
それ以外は加算器１１３の出力信号を選択するスイッチ
要素である。この切替は、学習モード切替信号９４の信
号で判別される。

【００４７】図１０では、図９で求めた評価式の偏微分
値と定数発生器１１９に設定した学習率、定数発生器１
２０に設定したモーメンタム係数、実質入力である５つ
の入力信号（ｄ１、ｄ５０、ｄ５、ｄ６、ｄ７）を用
い、定数項と各入力に対する学習後係数及び変動量を求
める回路図である。乗算器１２１では、定数発生器１１
９に設定した学習率と評価式の偏微分量（ｄ１０）を乗
算する。乗算器１２３〜１２７では、変動量（１時点
前）ｄ２１、ｄ２２、ｄ２４、ｄ２５、ｄ２６と定数発
生器１２０のモーメンタム係数を各々乗算する。この出
力と乗算器１２８〜１３２の出力を減算器１３４〜１３
８で減算したものが、新変動量ｄ２１、ｄ２２、ｄ２
４、ｄ２５、ｄ２６となる。尚、乗算器１２８〜１３２
では、実質入力である５つの信号（ｄ１、ｄ５０、ｄ
５、ｄ６、ｄ７） と乗算器１２１の出力を各々乗算し
たものである。また、定数項についても同様で乗算器１
２２では、変動量（１時点前）ｄ２８と定数発生器１２
０のモーメンタム係数を乗算し、この出力と乗算器１２
１の出力を減算器１３３で減算したものが、新変動量ｄ
２８となる。学習後係数（１時点前）ｄ１８、ｄ１１、
ｄ１２、ｄ１４、ｄ１５、ｄ１６と上記で求めた新変動
量ｄ２８、ｄ２１、ｄ２２、ｄ２４、ｄ２５、ｄ２６を
加算器１３９〜１４４で各々加算したものが新学習後係
数（ｄ１８、ｄ１１、ｄ１２、ｄ１４、ｄ１５、ｄ１
６）となる。

【００４８】［第５実施形態］図１１は、本発明の第５
実施形態にかかわるハイブリッド型の石炭粉砕性自動推
定装置で、石炭粉砕装置に供給される給炭量１０とミル
モータ電流１１、回転分級器回転数１２、ミル加圧装置
の油圧１３、ロールリフト１４、ミル入口温度１５、ミ
ル出口温度１６、教師データ９３、学習モード切替信号
９４を入力とし、石炭の粉砕性を出力するように構成さ
れている。

【００４９】以下図１１に従って本装置を具体的に説明
する。図１１は、性状の異なる複数種の石炭を燃料とし
て使用する石炭焚きボイラに付設される石炭粉砕性推定
装置で、石炭粉砕装置の給炭量１０とミルモータ電流１
１、回転分級器回転数１２、ミル加圧装置の油圧１３、
ロールリフト１４、ミル入口温度１５、ミル出口温度１
６、教師データ９３、学習モード切替信号９４を入力と
する９入力構成とし、これらの９入力信号ｃ１〜ｃ８及
びｃ２９を入力とするユニット演算器４７の出力と、教
師データ９３及び学習モード切替信号９４を除いた７入
力信号ａ１〜ａ７を入力とするユニット演算器４５の出
力を加重平均し、その出力を入力とする一次遅れ９１の
出力が石炭粉砕性（ＨＧＩ）推定値とするブロック構成
をとる。

【００５０】ユニット演算器４５は、重回帰式の石炭粉
砕性（ＨＧＩ）推定値を求める回路で第１実施形態で説
明した回路（図１）と同一である。また、ユニット演算
器４７も、教師データ付１階層ニューラルネットワーク
式（以下ニューラル式と言う）の石炭粉砕性（ＨＧＩ）
推定値を求める回路で第３実施形態で説明した回路（図
６及び図７）と同一である。

【００５１】定数発生器８６には乗数“１”を設定し、
重回帰式重み係数８５には石炭粉砕性（ＨＧＩ）推定値
に対する重回帰式とニューラル式の依存度を“０〜１”
の範囲で任意に設定した値（１で重回帰式に１００％依
存）を入力する。減算器８７では、定数発生器８６の出
力と重回帰式重み係数８５の出力を減算しニューラル式
の依存度“０〜１”を出力する。その出力に、ニューラ
ル式で求めた石炭粉砕性（ＨＧＩ）推定値を乗算したも
のが、乗算器８９出力である。

【００５２】一方乗算器８８では重回帰式重み係数８５
の出力に重回帰式で求めた石炭粉砕性（ＨＧＩ）推定値
を乗算して、乗算器８８の出力を生成する。加算器９０
には乗算器８８の出力と乗算器８９の出力が加算され
る。従って、この加算器９０の出力は、重回帰式の加算
器４５の出力ａ８とニューラル式の加算器４７との出力
ｃ８とが重み係数８５によって加重平均されることとな
り、この加重平均値を入力とする一次遅れ要素９１の出
力信号が、ハイブリッド型ニューラルネットワークで求
めた石炭粉砕性（ＨＧＩ）推定値となる。

【００５３】［第６実施形態］図１２は、本発明の第６
実施形態にかかわるハイブリット型の石炭粉砕性自動推
定装置で、石炭粉砕装置に供給される給炭量１０とミル
モータ電流１１、回転分級器回転数１２、ミル加圧装置
の油圧１３、ミル入口温度１５、ミル出口温度１６、教
師データ９３、学習モード切替信号９４を入力とし、石
炭の粉砕性を出力するように構成されている。

【００５４】以下図１２に従って本装置を具体的に説明
する。図１２は、性状の異なる複数種の石炭を燃料とし
て使用する石炭焚きボイラに付設される石炭粉砕性推定
装置で、石炭粉砕装置の給炭量１０とミルモータ電流１
１、回転分級器回転数１２、ミル加圧装置の油圧１３、
ミル入口温度１５、ミル出口温度１６、教師データ９
３、学習モード切替信号９４を入力とする８入力構成と
し、これらの８入力信号ｄ１〜ｄ７及びｄ２９を入力と
するユニット演算器９７の出力と、教師データ９３及び
学習モード切替信号９４を除いた６入力信号ｂ１〜ｂ６
を入力とするユニット演算器４６の出力を加重平均し、
その出力を入力とする一次遅れ要素９９の出力が加重平
均された石炭粉砕性（ＨＧＩ）推定値とするブロック構
成をとる。

【００５５】ユニット演算器４６は、重回帰式で求めた
係数からなる定数を用いた石炭粉砕性（ＨＧＩ）推定値
を求める回路で第２実施形態で説明した回路（図４）と
同一である。また、ユニット演算器９７は教師データ付
１階層ニューラルネットワーク式（以下ニューラル式と
言う）の石炭粉砕性（ＨＧＩ）推定値を求める回路で第
４実施形態で説明した回路（図９及び図１０）と同一で
ある。

【００５６】かかる実施形態において、定数発生器１４
６には“１”を設定し、又重回帰式重み係数８５には石
炭粉砕性（ＨＧＩ）推定値に対する重回帰式の推定値と
ニューラル式の推定値の依存度を“０〜１”（“１”で
重回帰式に１００％依存する。）で入力する。減算器１
４７では、定数発生器１４６の出力と重回帰式推定値重
み係数８５の出力を減算しニューラル式の依存度“０〜
１”を出力する。そのニューラル式の依存度出力に、ニ
ューラル式のユニット演算器９７で求めた石炭粉砕性
（ＨＧＩ）推定値を乗算したものが、乗算器１４９の出
力である。

【００５７】一方、重回帰式重み係数８５の出力に重回
帰式で求めた石炭粉砕性（ＨＧＩ）推定値を乗算したも
のが、乗算器１４８の出力である。乗算器１４８の出力
と乗算器１４９の出力が加算器１５０の入力となる。従
って、この加算器１５０の出力は、重回帰式側の加算器
４６の出力ａ７とニューラル式のユニット演算器９７と
の出力ｃ８とが重み係数８５によって加重平均されるこ
ととなり、この加重平均値を入力とする一次遅れ要素９
９の出力信号が、ハイブリッド型ニューラルネットワー
クで求めた石炭粉砕性（ＨＧＩ）推定値となる。

【００５８】従って前記いずれの実施形態においても
は、性状の異なる複数種の石炭を燃料として使用する石
炭焚きボイラに付設される石炭粉砕装置において、石炭
の粉砕性がオンラインで容易に推定でき、先願技術１、
２の推定精度を超える推定値を得ることができる。

【００５９】

【発明の効果】以上記載のごとく本発明によれば、性状
の異なる複数種の炭種であっても石炭の粉砕性がオンラ
インで容易に推定できることから、石炭粉砕装置の最大
容量が自動で把握できるため的確な石炭粉砕装置の台数
制御が可能である。また、石炭粉砕装置からバーナに供
給される微粉炭量の予測も適当なモデルを用いることに
より可能となる。更に上記利点を制御装置で活用すれば
制御性及び信頼性の向上が期待でき、そのコストも最小
限に抑えられる。

【図面の簡単な説明】

【図１】 本発明の第１実施形態に係わる、重回帰分析
で求めた係数からなる固定定数方式による石炭粉砕性自
動推定装置を表した全体制御ブロック図である。

【図２】 第１実施形態及び第５実施形態におけるユニ
ット演算器４５の詳細ブロック図である。

【図３】 本発明の第２実施形態に係わる、重回帰分析
で求めた係数からなる固定定数方式による石炭粉砕性自
動推定装置を表した全体制御ブロック図である。

【図４】 第２実施形態及び第６実施形態におけるユニ
ット演算器４６の詳細ブロック図である。

【図５】 本発明の第３実施形態に係わる教師データ付
１階層ニューラルネットワークによる石炭粉砕性自動推
定装置を表した全体制御ブロック図である。

【図６】 第３実施形態及び第５実施形態におけるユニ
ット演算器４７の詳細ブロック図である。

【図７】 第３実施形態及び第５実施形態におけるユニ
ット演算器４７の詳細ブロック図である。

【図８】 本発明の第４実施形態に係わる教師データ付
１階層ニューラルネットワークによる石炭粉砕性自動推
定装置を表した全体制御ブロック図である。

【図９】 第４実施形態及び第６実施形態におけるユニ
ット演算器９７の詳細ブロック図である。

【図１０】 第４実施形態及び第６実施形態におけるユ
ニット演算器９７の詳細ブロック図である。

【図１１】 本発明の第５実施形態に係わる、ハイブリ
ッド型の石炭粉砕性自動推定装置を表した全体制御ブロ
ック図である。

【図１２】 本発明の第６実施形態に係わるハイブリッ
ド型の石炭粉砕性自動推定装置を表した全体制御ブロッ
ク図である。

【図１３】 本発明が適用される石炭粉砕装置の構成図
を表した概念図である。

【図１４】 従来技術に係わる石炭粉砕性を推定する装
置を表した概念図である。

【符号の説明】

１０ 給炭量 １１ ミルモータ電流 １２ 回転分級器回転数 １３ ミル加圧装置の油圧 １４ ロールリフト １５ ミル入口温度 １６ ミル出口温度 １７ 除算器 １９〜２４、３２〜３７、５６、５９、６０、８６、１
１６、１１９、１２０、１４６定数発生器 １８、２５〜２９、３８〜４２、４８〜５２、５５、５
８、６１〜７２、８８、８９、１０８〜１１２、１１
５、１１８、１２１〜１３２、１４８、１４９乗算器 ３０、４３、５３、７９〜８４、９０、１１３、１３９
〜１４４、１５０加算器 ３１、４４、９１、９２、９６、９９ 石炭粉砕性推定
値 ４５〜４７、９７ ユニット演算器 ５４、５７、７３〜７８、８７、１１４、１１７、１１
３〜１３８、１４７減算器 ９３ 教師データ（ＨＧＩ分析値） ９４ 学習モード切替信号 ９５、９８ 切替スイッチ ８５ 重回帰式重み係数

───────────────────────────────────────────────────── フロントページの続き (72)発明者 武智 英剛 東京都千代田区丸の内二丁目５番１号 三 菱重工業株式会社内 Ｆターム(参考） 4D063 EE03 EE12 GA08 GD01 GD11

Claims (8)

【特許請求の範囲】
1. 【請求項１】 性状の異なる複数種の石炭の粉砕装置
   (以下粉砕装置を形容詞的に用いる場合にミルという)よ
   り得られる、給炭量、ミルモータの電流、回転分級器の
   回転数、ミル加圧装置の油圧、及びロールリフトの各プ
   ロセスデータの内より選択した２以上のプロセスデータ
   に加えて、ミル入口温度と出口温度を入力変数とし、こ
   れらの入力変数と予め求めた定数とを組み合わせて複数
   段の演算を行ない、該演算手段の出力信号に応答遅れを
   加味して得られた一次遅れ要素の出力を石炭粉砕性推定
   値とした事を特徴とする石炭粉砕性自動推定方法。
2. 【請求項２】 性状の異なる複数種の石炭の粉砕装置よ
   り得られる、給炭量、ミルモータの電流、回転分級器の
   回転数、ミル加圧装置の油圧、及びロールリフトの各プ
   ロセスデータの内より選択した複数のプロセスデータに
   加えて、ミル入口温度と出口温度とを含む複数の入力変
   数と、 該夫々の入力変数を直接若しくは変数同士で比を求めた
   後、これらの変数と予め定めた定数を乗じる複数の乗算
   手段と、 前記複数の乗算手段の出力信号と定数を加算する加算手
   段と、 前記２次演算手段の出力信号に応答遅れを加味する一次
   遅れ要素とを具備し、 前記一次遅れ要素の出力を石炭粉砕性推定値としたこと
   を特徴とする石炭粉砕性自動推定装置。
3. 【請求項３】 前記複数の乗算手段への夫々の乗算係数
   が、前記粉砕装置のミル給炭量、ミルモータ電流と回転
   分級器の回転数との比、ミル加圧装置の油圧信号とロー
   ルリフト量の比、及びミル入口温度と出口温度とからな
   る乗算用変数である請求項２記載の石炭粉砕性自動推定
   装置。
4. 【請求項４】 前記複数の乗算手段への夫々の乗算係数
   が、前記粉砕装置のミル給炭量、ミルモータ電流と回転
   分級器の回転数との比、ミル加圧装置の油圧信号、及び
   ミル入口温度と出口温度とからなる乗算用変数である請
   求項２記載の石炭粉砕性自動推定装置。
5. 【請求項５】 性状の異なる複数種の石炭の粉砕装置よ
   り得られる、給炭量、ミルモータの電流、回転分級器の
   回転数、ミル加圧装置の油圧、及びロールリフトの各プ
   ロセスデータの内より選択した２以上のプロセスデータ
   に加えて、ミル入口温度と出口温度を入力変数とし、こ
   れらの入力変数と適宜学習モード切替信号により学習さ
   れる学習係数とを組み合わせて複数段の演算を行ない、
   該演算手段の出力信号に応答遅れを加味して得られた一
   次遅れ要素の出力を石炭粉砕性推定値とした事を特徴と
   する石炭粉砕性自動推定方法。
6. 【請求項６】 性状の異なる複数種の石炭の粉砕装置よ
   り得られる、給炭量、ミルモータの電流、回転分級器の
   回転数、ミル加圧装置の油圧、及びロールリフトの各プ
   ロセスデータの内より選択した複数のプロセスデータに
   加えて、ミル入口温度と出口温度とを含む複数の入力変
   数と、 該夫々の入力変数を直接若しくは変数同士で比を求めた
   後、これらの変数と適宜学習モード切替信号により学習
   される学習係数に基づいて複数段の演算を行う手段と、 前記演算手段の出力信号に応答遅れを加味する一次遅れ
   要素とを具備し、 前記一次遅れ要素の出力を石炭粉砕性推定値としたこと
   を特徴とする石炭粉砕性自動推定装置。
7. 【請求項７】 性状の異なる複数種の石炭の粉砕装置よ
   り得られる、給炭量、ミルモータの電流、回転分級器の
   回転数、ミル加圧装置の油圧、及びロールリフトの各プ
   ロセスデータの内より選択した２以上のプロセスデータ
   に加えて、ミル入口温度と出口温度を入力変数とし、 これらの入力変数と定数とを組み合わせて複数段の演算
   を行なった第１の推定値と、 前記入力変数と適宜学習モード切替信号により学習され
   る学習係数とを組み合わせて複数段の演算を行なった第
   ２の推定値と、 前記第１及び第２の推定値が重み付け係数により加重平
   均された演算出力を得、該演算出力信号に応答遅れを加
   味して得られた一次遅れ要素の出力を石炭粉砕性推定値
   とした事を特徴とする石炭粉砕性自動推定方法。
8. 【請求項８】 性状の異なる複数種の石炭の粉砕装置よ
   り得られる、給炭量、ミルモータの電流、回転分級器の
   回転数、ミル加圧装置の油圧、及びロールリフトの各プ
   ロセスデータの内より選択した複数のプロセスデータに
   加えて、ミル入口温度と出口温度とを含む複数の入力変
   数と、 該これらの入力変数と定数とを組み合わせて複数段の演
   算を行なう第１の演算手段と、 前記入力変数と適宜学習モード切替信号により学習され
   る学習係数とを組み合わせて複数段の演算を行なう第２
   の演算手段と、 前記第１及び第２の演算出力が重み付け係数により加重
   平均する加重平均手段と、 該加重平均出力信号に応答遅れを加味して得られた一次
   遅れ要素の出力を石炭粉砕性推定値とした事を特徴とす
   る石炭粉砕性自動推定装置。