JP2005242524A

JP2005242524A - 処理プラント設備の運転制御方法及び運転制御装置

Info

Publication number: JP2005242524A
Application number: JP2004049289A
Authority: JP
Inventors: Teruaki Tsukamoto; 輝彰塚本; Kiyoshi Suzuki; 潔鈴木; Yoshiji Sato; 誉司佐藤; Kazue Kurosawa; 和重黒澤; Masao Ayukawa; 正雄鮎川
Original assignee: Ebara Corp
Current assignee: Ebara Corp
Priority date: 2004-02-25
Filing date: 2004-02-25
Publication date: 2005-09-08

Abstract

【課題】プラントの予測モデル制御を導入し、応答性、制御性の変化を最適且つ自動的に更新し、習熟したオペレータによるパラメータ設定や再調整を実施することなく、長期間安定運転を維持し制御目的及び性能を発揮することができる処理プラントの運転制御方法及び運転制御装置を提供する。
【解決手段】多入力多出力系を具備する処理プラント設備の運転制御方法であって、廃棄物処理プラント設備の運転による各種プロセスデータ３４をニューラルネットワーク（ボイラ発生蒸気量予測ニューラルネットワーク３１）に導き、該ニューラルネットワークで該廃棄物処理プラント設備の運転制御のモデルを学習して学習モデルを作成し、該学習モデルで所定時間後の予測運転制御（発生蒸気量予測値Ｓ１と制御目標発生蒸気量Ｓ２の差をゼロするような操作値を一次燃焼空気量算出部３２で算出し、予測運転制御）を行う。
【選択図】図２

Description

本発明は廃棄物処理プラントや水処理プラン等の各種処理を行う処理プラント設備の運転制御方法及び運転制御装置に関し、特に制御対象の目標値に対する外乱によって生じる変動を低減し、エネルギー利用の効率化、環境負荷の低減、設備の長期安定運転ができる処理プラント設備の運転制御方法及び運転制御装置に関するものである。

例えば、廃棄物処理プラント設備において、エネルギーの有効利用、環境負荷への対応及び設備の耐久性等を考慮し、廃棄物を効率良く燃焼若しくはガス化、溶融処理する必要がある。従来、このような廃棄物処理プラント設備の運転制御方法は、処理装置への空気供給量も燃料（ごみ）供給量、装置内での燃料移動速度を制御し、燃焼量、ガス化量、溶融量を調整することで、ボイラ発生蒸気量、炉出口温度等を制御し、オペレータが設定する目標値とプロセスデータの偏差がゼロになるようにコントールしてきた。また、その制御方式はＰＩＤ制御、演算ロジックを用いて構築し、ある決められたルールに基いて制御しているのが一般的である。

現在では、例えば特許文献１に示すように、プロセスデータを用いた予測制御の導入で制御性の向上を図っているものもある。特に焼却、ガス化、溶融に関するプロセスは処理系の対象が不均一であるため、非線形の挙動を示すプロセスを有し、プロセス応答も多入力多出力系であるため、ある決められたルールのみでは表現できない。そのため、多入力データを用いてプロセスの予測モデルを構築し、その最適解を求める制御が導入されている。
特開２００１−８２７１９号公報

廃棄物処理プラントにおける処理物、特にごみ等はその性状が地域、季節、収集形態に応じて多様化し、不均一である。そのため、廃棄物処理プラントでは、処理対象物の性状変動を吸収するため様々な燃焼制御方式で対応している。しかしながら、その制御ロジックは初期調整で決めたパラメータ若しくは設定ルールに沿って運転され、長期的にごみの性状及びプラントの挙動が変化した場合にその制御性は十分な能力を発揮できない傾向にある。また、このようなことは処理対象物の性状が地域、季節等で変化する水処理プラント等の処理プラント設備においても存在する。

このような傾向のある処理プラントにおいて、処理対象物のプラント内での状況が大きく変動し、従来制御では追従できないという恐れがある。また、プラントの経年変化による応答速度の変化による制御性の遅れも生じてくる。

本発明は上述の点に鑑みてなされたもので上記問題を除去するため、プラントの予測モデル制御を導入し、上記理由による応答性、制御性の変化を最適且つ自動的に更新し、習熟したオペレータによるパラメータ設定や再調整を実施することなく、長期間安定運転を維持し制御目的及び性能を発揮することができ処理プラントの運転制御方法及び運転制御装置を提供することを目的とする。

上記課題を解決するため請求項１に記載の発明は、多入力多出力系を具備する処理プラント設備の運転制御方法であって、処理プラント設備の運転による各種プロセスデータをニューラルネットワークに導き、該ニューラルネットワークで該処理プラント設備の運転制御のモデルを学習して学習モデルを作成し、該学習モデルで所定時間後の予測運転制御を行うことを特徴とする。

請求項２に記載の発明は、請求項１に記載の処理プラント設備の運転制御方法において、ニューラルネットワークは、各種プロセスデータから制御目標の相関関係を導きだし、予測値が制御目標に近づくように学習モデルを再構築することを特徴とする。

請求項３に記載の発明は、請求項２に記載の処理プラント設備の運転制御方法において、学習モデルを所定の設定周期で再構築した学習モデルと更新するか又は当該学習モデルの予測評価を行い該予測評価値が所定値以上外れたら再構築した学習モデルと更新することを特徴とする。

請求項４に記載の発明は、請求項３に記載の処理プラント設備の運転制御方法において、接近する所定期間の実運転制御における各種プロセスデータを収集しニューラルネットワークに導き、該ニューラルネットワークは該各種プロセスデータから制御目標との相関関係を学習し、最新学習モデルを作成することを特徴とする。

請求項５に記載の発明は、請求項４に記載の処理プラント設備の運転制御方法において、作成した最新学習モデルに接近する所定期間の運転制御における各種プロセスデータを代入して運転制御シミュレーションを行い、該運転制御シミュレーションによる値と実運転制御による値が所定の範囲内か否かを判断し、所定の範囲内であったなら現在の学習モデルを最新学習モデルに切り換え、所定の範囲外であったなら現在の学習モデルで運転制御を継続することを特徴とする。

請求項６に記載の発明は、多入力多出力系を具備する処理プラント設備の運転制装置であって、ニューラルネットワークを具備し、処理プラント設備の運転による各種プロセスデータを該ニューラルネットワークに導き該処理プラント設備の運転制御のモデルを学習して学習モデルを作成する学習モデル作成手段と、該学習モデル作成手段で作成した学習モデルで所定時間後の予測運転制御を行う運転制御手段を備えたことを特徴とする

請求項７に記載の発明は、請求項６に記載の処理プラント設備の運転制御装置において、学習モデル作成手段はニューラルネットワークによりは各種プロセスデータから自動的に制御目標の相関関係を導きだし、予測値が制御目標値に近づくように学習モデルを再構築する機能を具備することを特徴とする。

請求項８に記載の発明は、請求項７に記載の処理プラント設備の運転制御装置において、運転制御手段は、学習モデルを所定の設定周期で再構築した学習モデルと更新するか又は当該学習モデルの予測評価を行い該予測評価値が所定値以上外れたら再構築した学習モデルと更新する機能を具備することを特徴とする。

請求項９に記載の発明は、請求項８に記載の処理プラント設備の運転制御装置において、学習モデル作成手段は、接近する所定期間の実運転制御における各種プロセスデータを収集し前記ニューラルネットワークに導き、該ニューラルネットワークは該各種プロセスデータから制御目標との相関関係を学習し、自動的に最新学習モデルを作成する機能を具備することを特徴とする。

請求項１０に記載の発明は、請求項９に記載の処理プラント設備の運転制御装置において、制御手段は、学習モデルで作成した最新学習モデルに接近する所定期間の実運転制御における各種プロセスデータを代入して運転制御シミュレーションを行い、該運転制御シミュレーションによる値と実運転制御による値が所定の範囲内か否かを判断し、所定の範囲内であったなら現在の学習モデルを最新学習モデルに切り換え、所定の範囲外であったなら現在の学習モデルで運転制御を継続する機能を具備することを特徴とする。

請求項１及び６に記載の発明によれば、ニューラルネットワークで各種プロセスデータから運転制御の学習モデルを作成し、該学習モデルで所定時間後の予測運転制御を行うから、経時変化が大きくな処理プラントで、性状変化の大きい処理対象物を長期間に渡っ安定して処理する運転制御が実現できる。

請求項２及び７に記載の発明によれば、予測値が制御目標値に近づくように学習モデルを再構築するから、学習モデルによる予測値は常に制御目標値に近い状態に維持される。

請求項３及び８に記載の発明によれば、所定の設定周期又は予測評価値が所定値以上外れたら学習モデルと更新するので、常に現状のプラント設備の動特性に対して最適な調整が行われ、長期間に渡って安定して処理する運転制御が実現できる。

請求項４及び９に記載の発明によれば、接近する所定期間の実運転制御における各種プロセスデータを基に自動的に最新学習モデルを作成するので、学習モデルが常に現状の処理プラント設備の予測運転制御に最適な状態に維持される。

請求項５及び１０に記載の発明によれば、運転制御シミュレーションによる値と実運転制御による値が所定の範囲内か否かを判断し、所定の範囲内であったなら現在の学習モデルを最新学習モデルに切り換え、所定の範囲外であったなら現在の学習モデルで運転制御を継続するので、常に現状のプラント設備の動特性に対して最適な調整が行われ、長期間に渡って安定して処理する運転制御が実現できる。

以下、本発明に係る実施の形態例を図面に基いて説明する

図１は本発明に係る運転制御方法を実施する廃棄物処理プラント設備としてのストーカ式ごみ焼却プラント設備の概略構成例を示す図である。図１において、１はストーカ式の焼却炉、２は廃熱ボイラ、３はごみピット、４はホッパ、５はごみクレーン、６はホッパ４の下部からごみを焼却炉１に供給する給塵装置である。燃焼炉１は左側から、ごみを乾燥させる乾燥帯１ａ、ごみを燃焼させる燃焼帯１ｂ、燃焼帯１ｃ、後燃焼帯１ｄの分割構造を有し、それぞれに設けられたストーカ７ａ、７ｂ、７ｃ、７ｄによって焼却炉１内でごみを移送すると共に、それぞれの下部に接続された空気導入路９ａ、９ｂ、９ｃ、９ｄに設けられた空気調整ダンパ８ａ、８ｂ、８ｃ、８ｄを介して空気が供給される。

また、焼却炉１の出口１ｅには完全燃焼させるため更に二次空気押込送風機２０から空気導入路１９を通して二次空気の供給を行っている。ごみの焼却後に残る灰１０ａ〜１０ｆは図示しない灰押出装置に集められ、系外に排出され、次の処理工程へ供給される。図示しないが、ごみ焼却プラント設備は焼却によって生じる排ガス中の煤塵や有害ガスを除去する手段も備えている。また、焼却炉１の上部に廃熱ボイラ２が設置されており、ごみ焼却処理した熱を利用して蒸気１００を発生している。図示しないが、この蒸気１００は蒸気式タービンでの発電利用や場内熱利用に利用される。

上記ごみ焼却プラント設備は、更に焼却炉１の出口１ｅに排ガス温度を測定する温度センサ１１、ボイラ出口の蒸気量を測定する蒸気量センサ１２、炉出口１ｅの酸素濃度を測定する酸素濃度センサ１３、焼却炉１内のごみの燃焼状況を監視して燃焼完結点を監視する工業用テレビカメラ１４と画像処理装置を備えている。また、図示は省略するが、必要な位置に温度センサ、圧力センサ、流量センサ等を設けている。

そしてこれらのセンサからの信号に基いて、給塵装置６から焼却炉１内へのごみ供給量、焼却炉１内の乾燥帯１ａ、燃焼帯１ｂ、燃焼帯１ｃ、後燃焼帯１ｄへの空気供給量、ストーカ７ａ、７ｂ、７ｃ、７ｄによるごみの移動速度等がＰＩＤ若しくは演算制御される。更に、クレーン５には一掴みのごみの重量を測定する重量センサ１５が設けられ、一掴みのごみの重量とホッパ４内へ投入した際のレベル変化をセンサ（図示せず）で測定し、体積増加量から投入ごみ密度ρを演算し、その密度に応じてごみ供給量を給塵装置６にて調整する。なお、図１において、１６はバーナ、１７は空気導入路９を通して空気を押し込む押込送風機である。また、２１はプラットホームであり、該プラットホーム２１からごみ収集車２２で収集されたごみがごみピット３内に投入される。

上記ごみ焼却プラント設備において、行っている制御及び本発明による運転制御方法を図２を用いて説明する。図２は運転制御装置の構成例を示す制御ブロック図である。図示するように運転制御装置は廃熱ボイラ２が発生する蒸気量を予測するボイラ発生蒸気量予測ニューラルネットワーク３１と、一次燃焼空気量ＳＶ値を算出する一次燃焼空気算出部３２と、一次燃焼空気ダンパ制御部３３を具備している。ボイラ発生蒸気量予測ニューラルネットワーク３１には、ごみ焼却プラント設備からの各種プロセスデータ３４が導入されるようになっている。ここでは焼却炉１の燃焼制御方法の一部として、焼却炉１内に供給されるごみの実燃焼量を制御し、廃熱ボイラ２の発生蒸気量を直接的に安定化させる操作端として図１の空気調整ダンパ８ａ、８ｂ、８ｃ、８ｄが挙げられる。なお、各種プロセスデータ３４としては、蒸気量センサ１２で測定された廃熱ボイラ２からの蒸気量、酸素濃度センサ１３で測定された焼却炉１の出口酸素濃度、温度センサ１１で測定された焼却炉１の出口温度、上記必要位置に設置された温度センサ、圧力センサ、流量センサの各出力等を用いる。

図２に表す一次燃焼空気量算出部３２と一次燃焼空気ダンパ制御部３３とは、空気調整ダンパ８ａ、８ｂ、８ｃ、８ｄに供給されるおおもと、即ち空気導入路９を通して押込送風機１７から供給される空気量を意味し、この空気量をベースにある決められたルールに基づいて空気調整ダンパ８ａ、８ｂ、８ｃ、８ｄを通して乾燥帯１ａ、燃焼帯１ｂ、燃焼帯１ｃ、後燃焼帯１ｄに供給される空気量が分配される。本運転制御装置では、この主操作端である一次燃焼空気量ＳＶ値に対し、ボイラ発生蒸気量予測ニューラルネットワーク３１でニューラルネットワークを用いた予測モデルで所定時間後（例えば９０秒後）の廃熱ボイラ２の発生蒸気量の予測を行い、該所定時間後の発生蒸気量予測値Ｓ１と制御目標発生蒸気量値Ｓ２の差をゼロにするような操作値を一次燃焼空気量算出部３２で算出し、一次燃焼空気ダンパ制御部３３に出力する。ボイラ発生蒸気量予測ニューラルネットワーク３１では、ごみ焼却プラント設備からの各種プロセスデータ３４から廃熱ボイラ２の蒸気発生量との相関関係を学習し、最適予測モデルを構築する。

図３は本運転制御装置のシステム構成の一例を示す図で、ごみ焼却プラント設備全体を制御する制御システム２００上に本本発明に係る運転制御装置を接続する。本運転制御装置は、学習用コンピュータ４１と演算用コンピュータ４２−１、４２−２、カラープリンタ４３を具備し、これらはイーサネット（登録商標）４４で接続されている。演算用コンピュータ４２−１、４２−２は全体制御システム上のネットワーク４５より、各種プロセスデータの収集と現状最適モデルを用いてごみ焼却プラント設備からの入力データに基づき廃熱ボイラ２の蒸気発生量の予測を実施し、その発生蒸気予測値Ｓ１を図２に示す制御ロジックに出力する。

学習用コンピュータ４１では、演算用コンピュータ４２−１、４２−２で収集したデータを取り込み、近日の所定期間のデータを基に学習させ最新学習モデルの作成を行う。この最新学習モデルは次に説明する方法で、該最新学習モデルが最適なものであるか否かを判断した後、当該最新学習モデルが最適学習モデルと判断した後は、当該最新学習モデルは演算用コンピュータ４２−１、４２−２へ伝送され書き込まれ、該演算用コンピュータ４２−１、４２−２は書き込まれた最新学習モデルに基づき運転制御を継続する。当該最新学習モデルが最適学習モデルと判断されなかった場合は現行の学習モデルで運転制御を継続する。

図４は演算用コンピュータ４２で各種プロセスデータを収集し、学習用コンピュータ４１で学習モデルを作成し、該作成した学習モデルを自動評価及び自動更新を行うため処理フローを示す図である。演算用コンピュータ４２はオンラインコンピュータであり、学習用コンピュータ４１はオフラインコンピュータである。先ず、演算用コンピュータ４２はごみ焼却プラント設備からの各種プロセスデータを収集し（ステップＳＴ１）、所定期間（例えば２週間分）の時系列データを作成する（ステップＳＴ２）、該時系列データは学習用コンピュータ４１に転送される（ステップＳＴ３）。該転送された時系列データはデータチェック（対象外のデータか、所定期間内のデータか等）され（ステップＳＴ４）れる。学習用コンピュータ４１はデータチェックをパスした時系列データの前記所定期間の前半（例えば１週間）を学習（各種プロセスデータと制御目標の相関係数を学習）し（ステップＳＴ５）、該学習に基づいて学習モデルが作成される（ステップＳＴ６）。その後、該作成された学習モデルに前記所定期間の後半（例えば１週間分）のデータを入力し、廃熱ボイラ２の発生蒸気量の予測を行う。その結果と実運転結果を後に詳述する評価指標で評価し（ステップＳＴ７）、この評価指標が上限値以下で且つ前回学習モデルより好転した場合は演算用コンピュータ４２に転送される（ステップＳＴ９）。また学習モデルは学習モデルバックアップとして履歴保存される（ステップＳＴ８）。

ＯＫの評価を受け演算用コンピュータ４２に転送された学習モデルは、モデル更新監視タスクを介して学習モデル共有メモリに格納される（ステップＳＴ１０、１１）。そして制御演算タスクにより制御周期毎のモデル更新チェックと更新を行う（ステップＳＴ１２）。再学習タイミングは任意であるが、例えば定期的なタイミングによる開始又は制御性能が低下した際に自動的に開始する。

次に、上記学習モデルの自動評価及び自動更新について説明する。自動更新は接近する所定期間（例えば２週間）分のデータを採取し、学習用コンピュータ４１を用いて該所定期間の前半期間（１週間）分のデータを学習し、後半期間分のデータで数１の式から評価指標Ｉｐを求めて行う。即ち、評価指標Ｉｐがある上限値以下で且つ現在の学習モデルよりも好転した場合、学習結果に基づいて作成された最新の学習モデルを演算用コンピュータ４２に書き込み、この最新の学習モデルに基づいて運転制御を行う。

次に、本発明に係る運転制御装置による制御結果を説明する。図５は本発明に係る運転制御装置により制御運転データを示す。焼却炉１の炉出口温度は約９００℃以上、廃熱ボイラ２のボイラ発生蒸気量は４０ｔ／ｈと安定した運転を維持している。従来の運転制御では、±５％程度であったのに対して本発明の運転制御では±４％以下で良好な結果が得られる。図５において、縦軸はボイラの蒸気発生量［ｔ／ｈ］、焼却炉の出口温度［℃］を、横軸は運転時間を示す。また、点線は従来の運転制御例、実線は本発明に係る運転制御例を示す。

図６は本発明に係る運転制御方法を実施する廃棄物処理プラント設備としての流動床式ごみ焼却プラント設備の概略構成例を示す図である。図６において、５１は流動床焼却炉、５２は廃熱ボイラ、５３はごみピット、５４はホッパ、５５はごみクレーン、５６はホッパ５４の下部からごみを流動床焼却炉５１に供給する給塵装置である。

給塵装置５６から流動床焼却炉５１にごみを供給し、押込送風機５７から燃焼用空気が空気導入路３５を通って圧送され、流動床焼却炉５１の底部から流動床部５８内に供給される。供給された空気は一部を燃焼用、一部を流動床部５８の流動媒体（主に硅砂）の流動用空気として使用される。流動床焼却炉５１の出口部には完全燃焼させるために二次空気押込送風機５９から二次空気が空気導入路６６を通って供給される。ごみの燃焼後に残る灰６７は不燃物排出装置６０により流動媒体６８と共に流動床焼却炉５１の外に排出され、図示しない流動媒体６８と灰６７の分別処理工程へ送られる。

また、図示を省略するが、ごみ焼却プラント設備はごみの焼却によって生じる排ガス中の煤塵、有害ガスを除去する装置も備えている。流動床焼却炉５１の上部には廃熱ボイラ５２が設置され、流動床焼却炉５１でごみを焼却処理した廃熱を利用して蒸気１００を発生させている。図示は省略するが、この蒸気１００は蒸気式タービンでの発電や場内熱利用に供される。

上記構成のごみ焼却プラント設備において、流動床焼却炉５１の排ガス出口には排ガス温度を測定する温度センサ６１、廃熱ボイラ５２の蒸気出口には排出される蒸気量を測定する蒸気量センサ６２、廃熱ボイラ５２の排ガス出口には排ガス中の酸素濃度を検出する酸素濃度センサ６３が設けられている。また、図示しないが必要な位置に温度センサ、圧力センサ、流量センサ等が設けられている。そしてこれらのセンサからの信号に基づいて、給塵装置５６から流動床焼却炉５１へのごみ供給量、流動床焼却炉５１内への空気の供給量等がＰＩＤ若しくは演算制御されている。更にごみクレーン５５には一掴みのごみの重量を測定する重量センサ６４が設けられ、その重量測定値とポッパー５４に投入した際のレベル変化をセンサ（図示せず）で測定し、体積増加量から投入ごみの密度ρが演算され、この密度ρに応じた給塵量を給塵装置５６にて調整している。

上記ごみ焼却プラント設備において、行っている制御及び本発明による運転制御方法をを説明する。流動床焼却炉５１の燃焼制御方法の一部として、流動床焼却炉５１内のごみの実燃焼量を制御し、廃熱ボイラ５２の圧力を直接的に安定化させる操作端として図６に示すごみ焼却プラント設備の給塵装置５６が挙げられる。図７は運転制御装置の構成例を示す制御ブロック図である。図示するように本運転制御装置では、ボイラ圧力予測ニューラルネットワーク７１、制御目標設定部７２、給塵操作量算出部７３を具備する。

ボイラ圧力予測ニューラルネットワーク７１は、ボイラ発生蒸気量（蒸気量センサ６２で測定）、炉頂温度（温度センサ６１で測定）、酸素濃度（酸素濃度センサ６３で測定）、給塵量、ＣＯ濃度、炉床温度等のプロセスデータ７４を基に予測モデルを作成し、該予測モデルである設定時間後の廃熱ボイラ５２の圧力の予測を行い、該予測値と制御目標設定部で設定したボイラ圧力ＰＶ値の差がゼロにするような給塵操作量を給塵操作量算出部７３で算出し、これを制御量として給塵装置５６に出力する。

ここで言う給塵操作量とは、給塵装置５６の回転数、作動時間等を意味し流動床焼却炉５１内に直接的なごみの投入量を制御する方式全般を意味する。ボイラ圧力予測を行うプロセスデータ７４は上記のように廃熱ボイラ蒸気量、炉頂温度、酸素濃度、給塵量、ＣＯ濃度、炉床温度等であり、ボイラ圧力予測ニューラルネットワーク７１はこれらのプロセスデータ７４から廃熱ボイラ５２の圧力との相関関係を学習し、相関の強い因子を入力として最適予測モデルを構築する。なお、最新学習モデルの作成、学習モデルの自動評価、自動更新の手法は上記実施例１で説明した手法と略同一であるので、その説明は省略する。

図８は本発明に係る運転制御方法を実施する水処理プラント設備の生物学的窒素除去装置の概略構成例を示す図である。本生物学的窒素除去装置８０は図８に示すように、硝化槽８１、脱窒槽８２、再曝気槽８３及び沈殿槽８４を具備する。８５は流入排水の全窒素濃度Ａ₀を測定する窒素濃度計、８６は流入排水流量Ａ₁を計測する流入排水流量計、８７は脱窒槽８２内の活性汚泥の濃度Ａ₂を測定する活性汚泥濃度計、８８は返送汚泥の流量Ａ₃を測定する返送汚泥流量計、９０は流入排水流量を制御する流入排水流量制御弁、９１は返送汚泥流量を制御する返送汚泥流量制御弁である。なお、図８において、Ｐはポンプである。

図８に示す生物学的窒素除去装置において、矢印１０１方向に流入する排水が、硝化槽８１内において投入された担体表面に付着する硝化菌の働きにより、アンモニア体窒素が硝酸、亜硝酸に分解し、更に脱窒槽８２にて脱窒菌の働きにより、硝酸体窒素を窒素ガスに分解し、再曝気槽８３を経由して、沈澱槽８４で固液分離し、矢印１０２方向に処理水として流出する。

沈殿槽８４で固液分離した汚泥は、矢印１０３方向に返送汚泥として硝化槽８１に返送する。また、一部の汚泥は余剰汚泥として、矢印１０４方向に排出する。また、窒素除去に必要な薬品として、リン酸１０５及び硝酸アンモニウム１０６を硝化槽８１に、メタノール１０７を脱窒槽８２にそれぞれ注入する。なお、図８において、Ｂ₁は流入排水流量設定値、Ｂ₂は返送汚泥流量設定値、Ｂ₃はリン酸注入量設定値、Ｂ₄は硝酸アンモニウム注入量設定値、Ｂ₅はメタノール注入量設定値である。上記構成の生物学的窒素除去装置８０が窒素除去を実行するためには、硝酸槽１１内の生物量（硝化菌）が必要十分な量に保つことが必要である。

図９は生物学的窒素除去装置８０の運転制御を行う運転制御装置の構成例を示す制御ブロック図である。図示するように、本運転制御装置は汚泥濃度予測ニューラルネットワーク９２を具備し、窒素濃度計２０で測定された流入排水全窒素濃度Ａ₀、流入排水流量計８６で測定された流入排水量Ａ₁、返送汚泥濃度計８８で測定された返送汚泥濃度Ａ₃、返送汚泥流量計８９で測定された返送汚泥流量Ａ₄、硝化槽８１の水温である硝化槽水温Ｔ１１、及び硝化槽８１の溶存酸素濃度ＤＯ₂のプロセスデータ９３や係数設定部９４から流入排水汚泥換算係数Ｋ₁を入力し、これらのプロセスデータ９３や流入排水汚泥換算係数Ｋ₁からニューラルネットワークを用いて学習して作成した予測モデルより、ある所定時間後の脱窒槽８２内の汚泥濃度Ｓ₁を予測する。この汚泥濃度の予測値Ｓ₁と活性汚泥濃度計９７で測定した脱窒槽８２内の活性汚泥濃度Ａ₂とを比較し、両者の偏差がゼロとなるような流入排水汚泥換算係数補正値Ｋ₂を出力補正値算出部９５で算出し、出力する。この流入排水汚泥換算係数補正値Ｋ₂の変更により、返送汚泥流量Ａ₄値が変化し、その結果、汚泥濃度一定制御を実現することになる。

なお、ニューラルネットワークは、各種プロセスデータ９３ら汚泥濃度との相関関係を学習し、図４に示すのと同様な処理手法で学習モデルの自動評価及び自動更新を行う。即ち演算用コンピュータで各種プロセスデータを収集し、所定期間の時系列データを作成し、該時系列データは学習用コンピュータに転送し、学習用コンピュータでは時系列データの前記所定期間の前半を学習し学習モデルを作成する。その後、該作成された学習モデルに前記所定期間の後半のデータを入力し、脱窒槽８２内の汚泥濃度を予測し、その結果と脱窒槽８２内の実測活性汚泥濃度Ａ₂を評価指標で評価し、この評価指標が上限値以下で且つ前回学習モデルより好転した場合は演算用コンピュータに転送しする。

上記の多入力多出力系を具備する処理プラント設備の運転制御は処理対象物の性状及びプラントの経年変化に大きく左右され、その応答性についても変化している。処理プラントに本発明に係る運転制御方法を導入し、予測モデルを用いた最適制御とモデルの学習及び自動更新機能を付加することで、常に現状の動特性に対して最適な調整が自動的に行われる。このことにより、処理プラント設備の長期に渡る安定運転が実現できる。

以上本発明の実施形態を説明したが、本発明は上記実施形態に限定されるものではなく、特許請求の範囲、及び明細書と図面に記載された技術的思想の範囲内において種々の変形が可能である。なお、直接明細書及び図面に記載がない何れの形状や構造や材質であっても、本願発明の作用・効果を奏する以上、本願発明の技術的思想の範囲内である。

本発明に係る廃棄物処理プラント設備（ストーカ式ごみ焼却プラント設備）の概略構成例を示す図である。本発明に係る廃棄物処理プラント設備の運転制御装置の構成例を示す制御ブロック図である。本発明に係る廃棄物処理プラント設備の運転制御装置のシステム構成を示す図である。本発明に係る廃棄物処理プラント設備の運転制御の処理フローを示す図である。本発明に係る廃棄物処理プラント設備の運転制御装置のデータ例を示す図である。本発明に係る廃棄物処理プラント設備（流動床式ごみ焼却プラント設備）の概略構成例を示す図である。本発明に係る廃棄物処理プラント設備の運転制御装置の構成例を示す制御ブロック図である。本発明に係る運転制御方法を実施する水処理プラント設備の生物学的窒素除去装置の概略構成例を示す図である。生物学的窒素除去装置の運転制御装置の構成例を示す制御ブロック図である。

符号の説明

１焼却炉
２廃熱ボイラ
３ごみピット
４ホッパ
５ごみクレーン
６給塵装置
７ａ〜ｄストーカ
８ａ〜ｄ空気調整ダンパー
９空気導入路
１０ａ〜ｆ灰
１１温度センサ
１２蒸気量センサ
１３酸素濃度センサ
１４工業用テレビカメラ
１５重量センサ
１６バーナ
１７押込送風機
１９空気導入路
２０二次空気押込送風機
３１ボイラ発生蒸気量予測ニューラルネットワーク
３２一次燃焼空気量値算出部
３３一次燃焼空気ダンパ制御部
３４プロセスデータ
４１学習コンピュータ
４２演算用コンピュータ
４３カラープリンタ
４４インサーネット
４５ネットワーク
５１流動床焼却炉
５２廃熱ボイラ
５３ごみピット
５４ホッパ
５５ごみクレーン
５６給塵装置
５７押込送風機
５８流動床部
５９二次空気押込送風機
６０不燃物排出装置
６１温度センサ
６２蒸気量センサ
６３酸素濃度センサ
６４重量センサ
７１ボイラ圧力予測ニューラルネットワーク
７２制御目標設定部
７３給塵操作量算出部
７４プロセスデータ
８０生物学的窒素除去装置
８１硝化槽
８２脱窒槽
８３再曝気槽
８４沈殿槽
８５窒素濃度計
８６流入排水流量計
８７活性汚泥濃度計
８８返送汚泥濃度計
８９返送汚泥流量計
９０流入排水流量制御弁
９１返送汚泥流量制御弁
９２汚泥濃度予測ニューラルネットワーク
９３プロセスデータ
９４係数設定部
９５出力補正値算出部

Claims

多入力多出力系を具備する処理プラント設備の運転制御方法であって、
前記処理プラント設備の運転による各種プロセスデータをニューラルネットワークに導き、該ニューラルネットワークで該処理プラント設備の運転制御のモデルを学習して学習モデルを作成し、該学習モデルで所定時間後の予測運転制御を行うことを特徴とする処理プラント設備の運転制御方法。
請求項１に記載の処理プラント設備の運転制御方法において、
前記ニューラルネットワークは、前記各種プロセスデータから制御目標の相関関係を導きだし、予測値が制御目標の実績値に近づくように前記学習モデルを再構築することを特徴とする処理プラント設備の運転制御方法。
請求項２に記載の処理プラント設備の運転制御方法において、
前記学習モデルを所定の設定周期で前記再構築した学習モデルと更新するか又は当該学習モデルの予測評価を行い該予測評価値が所定値以上外れたら前記再構築した学習モデルと更新することを特徴とする処理プラント設備の運転制御方法。
請求項３に記載の処理プラント設備の運転制御方法において、
接近する所定期間の実運転制御における各種プロセスデータを収集し前記ニューラルネットワークに導き、該ニューラルネットワークは該各種プロセスデータから制御目標との相関関係を学習し、最新学習モデルを作成することを特徴とする処理プラント設備の運転制御方法。
請求項４に記載の処理プラント設備の運転制御方法において、
前記作成した最新学習モデルに接近する所定期間の運転制御における各種プロセスデータを代入して運転制御シミュレーションを行い、該運転制御シミュレーションによる値と前記実運転制御による値が所定の範囲内か否かを判断し、所定の範囲内であったなら現在の学習モデルを前記最新学習モデルに切り換え、所定の範囲外であったなら現在の学習モデルで運転制御を継続することを特徴とする処理プラント設備の運転制御方法。
多入力多出力系を具備する処理プラント設備の運転制装置であって、
ニューラルネットワークを具備し、処理プラント設備の運転による各種プロセスデータを該ニューラルネットワークに導き該処理プラント設備の運転制御のモデルを学習して学習モデルを作成する学習モデル作成手段と、該学習モデル作成手段で作成した学習モデルで所定時間後の予測運転制御を行う運転制御手段を備えたことを特徴とする処理プラント設備の運転制御装置。
請求項６に記載の処理プラント設備の運転制御装置において、
前記学習モデル作成手段は前記ニューラルネットワークによりは前記各種プロセスデータから自動的に制御目標の相関関係を導きだし、予測値が制御目標値の実績値に近づくように前記学習モデルを再構築する機能を具備することを特徴とする処理プラント設備の運転制御装置。
請求項７に記載の処理プラント設備の運転制御装置において、
前記運転制御手段は、前記学習モデルを所定の設定周期で前記再構築した学習モデルと更新するか又は当該学習モデルの予測評価を行い該予測評価値が所定値以上外れたら前記再構築した学習モデルと更新する機能を具備することを特徴とする処理プラント設備の運転制御装置。
請求項８に記載の処理プラント設備の運転制御装置において、
前記学習モデル作成手段は、接近する所定期間の実運転制御における各種プロセスデータを収集し前記ニューラルネットワークに導き、該ニューラルネットワークは該各種プロセスデータから制御目標との相関関係を学習し、自動的に最新学習モデルを作成する機能を具備することを特徴とする処理プラント設備の運転制御装置。
請求項９に記載の処理プラント設備の運転制御装置において、
前記制御手段は、前記学習モデルで作成した最新学習モデルに接近する所定期間の実運転制御における各種プロセスデータを代入して運転制御シミュレーションを行い、該運転制御シミュレーションによる値と前記実運転制御による値が所定の範囲内か否かを判断し、所定の範囲内であったなら現在の学習モデルを前記最新学習モデルに切り換え、所定の範囲外であったなら現在の学習モデルで運転制御を継続する機能を具備することを特徴とする処理プラント設備の運転制御装置。