JP3560406B2 - ミル特性計測装置 - Google Patents
ミル特性計測装置 Download PDFInfo
- Publication number
- JP3560406B2 JP3560406B2 JP1972796A JP1972796A JP3560406B2 JP 3560406 B2 JP3560406 B2 JP 3560406B2 JP 1972796 A JP1972796 A JP 1972796A JP 1972796 A JP1972796 A JP 1972796A JP 3560406 B2 JP3560406 B2 JP 3560406B2
- Authority
- JP
- Japan
- Prior art keywords
- output
- transient state
- input
- data
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
- 230000001052 transient effect Effects 0.000 claims description 92
- 239000003245 coal Substances 0.000 claims description 42
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000000926 separation method Methods 0.000 claims 2
- 230000008859 change Effects 0.000 description 11
- 238000004088 simulation Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000000034 method Methods 0.000 description 5
- 101100087530 Caenorhabditis elegans rom-1 gene Proteins 0.000 description 3
- 101100305983 Mus musculus Rom1 gene Proteins 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Crushing And Grinding (AREA)
- Disintegrating Or Milling (AREA)
- Feedback Control In General (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、石炭焚ボイラに微粉炭を供給するミルの特性変化予測装置に関する。
【０００２】
【従来の技術】
従来火力発電用ボイラには微粉炭が燃料として多量に使用されている。この微粉炭は、原炭を粉砕しローラにより微粉炭とするミルにより供給される。ミルにより供給される微粉炭は通常サービスタンクに一時貯蔵され、その後ボイラへ供給されるが、サービスタンクの容量は大きくないので、ボイラの燃料消費量に合わせた微粉炭の供給が必要となる。このためミルの入炭量などの入力データに対する出炭量などの出力データを正確に予測する必要がある。
【０００３】
【発明が解決しようとする課題】
このため、ミルのシミュレータを作成し、出炭量等の予測が行われている。「火力発電Ｖｏｌ．４６，Ｎｏ１．頁４７−頁５８、能代火力発電所１号機における最新の制御技術」にはその頁５５にミルシミュレータによる出炭の予測方法が開示されている。石炭の場合、産地によって炭種が異なり、この炭種が異なるとミルへ供給する原炭量が同じでも炭量が変化する。このため、上記ミルシミュレータの場合、炭種が変わるごとにシミュレータ係数変化を予め求めておく必要があるが、入力するデータは入炭量の外にも多数あり、これらに対応した係数変化を全て求めることは困難である。また、このシミュレータは学習機能がないため、予め設定した条件と異なると予測精度が低下する。特に過渡状態の予測精度は良くない場合が多い。
【０００４】
本発明は、上述の問題点に鑑みてなされたもので、ミル稼働中にシミュレーションモデルのパラメータを学習可能とし、さらに定常状態の変化から過渡状態の出力を推定することを目的とする。
【０００５】
【課題を解決するための手段】
上記目的を達成するため、請求項１の発明では、原炭を粉砕しローラにより微粉炭にするミルの特性計測装置であって、ミルの入力データと出力データとを入力し、定常状態と過渡状態のデータを分別するデータ分別手段と、このデータ分別手段から定常状態の入出力データを入力して、定常状態の入出力の特徴量を算出する定常状態特徴量演算手段と、前記データ分別手段から過渡状態の入出力データを入力して、過渡状態の入出力の特徴量を算出する過渡状態特徴量演算手段と、学習時には前記定常状態特徴量演算手段から定常状態の入力特徴量と前記過渡状態特徴量演算手段から過渡状態の出力特徴量とを入力し両特徴量の関係を学習し、過渡状態出力再現時には前記定常状態特徴量演算手段から定常状態の入力特徴量を入力し学習結果に基づく過渡状態出力特徴量を出力する特徴量学習推論手段と、前記データ分別手段から過渡状態入力データを入力し、前記特徴量学習推論手段から入力した過渡状態出力特徴量に基づいて過渡状態の出力を出力する過渡状態再現シミュレータと、この過渡状態再現シミュレータの出力と前記データ分別手段の過渡状態出力データとの出力誤差をとり、その出力誤差が所定値より大きいとき、前記特徴量学習推論手段に学習を指示する誤差判定手段とを備える。
【０００６】
かかる構成により、特徴量学習推論手段は、学習時には、定常状態特徴量演算手段から定常状態の入力特徴量と、過渡状態特徴量演算手段から過渡状態の出力特徴量とを入力して両特徴量の関係を学習する。過渡状態出力再現時には、定常状態特徴量演算手段から定常状態の入力特徴量を入力し学習結果に基づく過渡状態出力特徴量を出力する。過渡状態再現シミュレータはこの過渡状態出力特徴量をシミュレーションモデルのパラメータとし、データ分別手段からの過渡状態入力データよりシミュレーションを行い過渡状態出力データを出力する。誤差判定手段はこの過渡状態出力とデータ分別手段からの過渡状態出力データとの差である出力誤差が所定値より大きいとき、特徴量学習推論手段に学習を指示する。これによりシミュレーションモデルのパラメータとなる過渡状態出力特徴量を学習可能とし、この特徴量を用いて定常状態の変化から過渡状態の出力をシミュレーションすることが可能となる。このような学習およびシミュレーションはミル稼働中に行うことができ、現状に適した出力をすることができる。
【０００７】
請求項２の発明では、前記特徴量学習推論手段は、入力を前記定常状態特徴量演算手段の出力する定常状態の入力特徴量とし、出力を過渡状態の出力特徴量とし、教師信号を前記過渡状態特徴量演算手段の出力する過渡状態の出力特徴量としたニューラルネットとする。
【０００８】
定常状態の入力特徴量を入力し過渡状態の出力特徴量を出力させ、実際の過渡状態の出力特徴量を教師データとして、両出力特徴量の差を少なくするように学習するので、過渡状態再現シミュレータが動作するとき、定常状態の入力特徴量を入力すると過渡状態の出力特徴量を精度よく過渡状態再現シミュレータへ出力することができる。
【０００９】
【発明の実施の形態】
以下、本発明の実施の形態について図面を参照して説明する。
図１は本発明の実施の形態を示すブロック図である。本実施の形態のミル特性計測装置は、原炭より微粉炭を生成するミルの特性を計測すると共に出力を予測する。ミルは原炭を破砕しローラにより微粉炭にする装置であり、本ミル特性計測装置はミルへの入力データとミルの出力データを計測すると共に入力データから、出力データを予測する。定常状態における入力データから定常状態の出力データの予測は試験や同種プラントの実績から精度よく行われるので、本実施の形態では定常状態の入力データの変化に対する過渡状態の出力の予測を精度よく行う。
【００１０】
入力データとしては原炭供給量、ローラレベル、ミル圧力損失などがあり、出力データとしては出炭量、粒度分布などがある。図２はこのような入出力データの一例を示す。横軸は時間をとり、縦軸はそれぞれの項目の値を示す。ａ〜ｃは入力データを示し、ｄは出力データを示す。また、実線部分が定常状態のデータを示し破線部分が過渡状態のデータを示す。ａは原炭供給量である。炭種変化はこの時点で石炭の産地が変化したことを示す。炭種が変化しても原炭供給量は一定であるが、他のデータに変化が生じるものもあり、これにより炭種切り換えを自動的に判別できる。ｂはローラレベルでこれは破砕した石炭を微粉化するローラのレベルを表す。この場合、定常特性値は炭種変化により変化している。これにより炭種切り換えを判定できる。ｃはミル圧力損失を示し、変化の少ないデータとなっている。ｄは出炭量を示す。この出炭量の過渡状態における動特性変化をシミュレーションモデルが正しく予測できるようなパラメータ（過渡状態の出力特徴量）をニューラルネットが出力できるようにするため、特徴量の実績データと予測データの誤差を零とするように学習が行われる。
【００１１】
図３は、図１に示したブロックを実現するコンピュータの構成を示すブロック図である。ＲＯＭ１はプログラムなどの基本データを格納する不揮発性メモリである。ＣＰＵ２はＲＯＭ１に格納されたプログラムに従い全体を制御する。ＲＡＭ３はＲＯＭ１より読み出されたプログラムを格納すると共に、このプログラムに従い動作するＣＰＵ２の作業エリアとなる。パネル操作部４はオペレータが指示やデータを入力するもので、テンキーやファンクションキーなどを有する。表示部５はオペレータの入力値やＣＰＵ２による演算結果などを画面表示する。入出力インターフェース６は外部とのデータ取り合いを行う。
【００１２】
図１において、データ分別手段１０は図２で示したような入力データと出力データを入力し、定常状態入出力データ、過渡状態入力データおよび過渡状態出力データに分別する。定常状態特徴量演算手段１１は定常状態入出力データを入力し定常状態の入出力特徴量を出力する。過渡状態特徴量演算手段１２は過渡状態入出力データを入力し過渡状態の入出力特徴量を出力する。なお、特徴量の一例をあげると、定常状態では平均値などが用いられ、過渡状態では、原炭供給量と出炭量の誤差積分、むだ時間、時定数などが用いられる。
【００１３】
特徴量学習推論手段１３はニューラルネットにより構成され、後述する過渡状態再現シミュレータ１４のパラメータとなる過渡状態の出力特徴量を出力する。動作は学習時と過渡状態再現シミュレータ１４動作時に行われ、学習時、定常状態の入力特徴量ＸＩを入力し、過渡状態の出力特徴量ＸＴを教師信号として学習を行う。過渡状態再現シミュレータ１４動作時には、定常状態の入力特徴量ＸＩを入力し、学習結果に基づく過渡状態の出力特徴量ＸＯを出力する。図１において破線の矢印は学習時のデータの流れを示し、実線の矢印は過渡状態再現シミュレータ１４動作時のデータの流れを示す。
【００１４】
過渡状態再現シミュレータ１４はミルの数学的モデルで、特徴量学習推論手段１３から出力される過渡状態の出力特徴量ＸＯをパラメータとし、データ分別手段１０からの過渡状態入力データを入力してシミュレーションを行い、過渡状態の出力データＹＳを予測して出力する。出力データとしては出炭量や粒度分布などである。誤差判定手段１５は過渡状態再現シミュレータ１４からの過渡状態の出力データＹＳと、データ分別手段１０からの実績データである過渡状態の出力データＹＴとの差を求め、その差が所定の値より大きくなったとき、特徴量学習推論手段１３に学習開始指令を出し、過渡状態の出力特徴量ＸＯの推論精度を向上させ、シミュレーションの精度を向上させる。
【００１５】
図４は特徴量学習推論手段１３として用いられるニューラルネットの一例を示す。ニューラルネットは一般に用いられる３層のバックプロパゲーションモデルを使用する。図４はこのようなバックプロパゲーションモデルを示し、入力層、中間層、出力層の３層から構成されている。また、図５はニューラルネットを構成するニューロ演算素子の構成を示す。ニューロ演算素子は各入力ｉに対し、重み係数Ｗｉにより重み付けをし内部に取り込んでその和を取り、その和がしきい値（シグモイド関数）を越えたとき１を出力する。このようなニューロ演算素子を３層にし、各層間のニューロ演算素子を接続する。
【００１６】
図４において重み修正回路はニューラルネットの出力ＸＯと教師信号ＸＴとの誤差を零にするように一定の方法により中間層と出力層の各ニューロ演算素子の重み係数Ｗｉｊを変化させる。この一定の方法とは誤差が零に近づけば、そのとき信号を伝えている結合の重みを少し増やし、零より遠ざかると、その時信号を伝えている結合の重みを少し減少させるといった操作を繰り返し、誤差を零にしてゆく方法である。図１で説明したように、入力信号ＸＩは定常状態の入力特徴量であり、教師信号ＸＴは過渡状態の出力特徴量である。学習時、入力信号ＸＩにより出力信号ＸＯが教師信号ＸＴになるように学習し、過渡状態再現シミュレータ１４動作時、入力信号ＸＩによる出力信号ＸＯを過渡状態再現シミュレータ１４へ出力する。また誤差判定手段１５から学習開始指令を受けたときは、学習を開始する。
【００１７】
図６は実施の形態の動作を示す動作フロー図である。まずニューラルネット１３に定常状態の特徴量ＸＩを入力し、過渡状態の出力特徴量ＸＴを教師信号として学習を行わせる（Ｓ１）。このようにして学習が終了すると過渡状態再現シミュレータ１４を動作させる。ニューラルネット１３には定常状態の特徴量ＸＩを入力し、出力の推定過渡状態出力特徴量ＸＯを過渡状態再現シミュレータ１４に出力する（Ｓ２）。過渡状態再現シミュレータ１４はデータ分別手段１０からの過渡状態入力データを入力し、過渡状態出力特徴量ＸＯをパラメータとしてシミュレーションを行い、過渡状態の出力ＹＳを求め出力する（Ｓ３）。誤差判断手段１５はこの過渡状態の出力ＹＳと、データ分別手段１０からの実績値である過渡状態出力データＹＴとの誤差を評価し、所定の基準値より大きいときはニューラルネット１３に学習を指示する（Ｓ４）。これによりステップＳ１に戻り学習が再開される。このように状況の変化に対応して学習が行われ、過渡状態再現シミュレータ１４より精度の高い過渡状態の出力が出力される。なお、学習はミル稼働中に行われる。
【００１８】
【発明の効果】
以上の説明より明らかなように、本発明は、過渡状態再現シミュレータのパラメータを特徴量学習推論手段より出力し、過渡状態再現シミュレータの出力とミルの出力との誤差が所定値を越えると特徴量学習推論手段の学習を行い、常に現状に適合した過渡状態の出力を得ることができる。
【図面の簡単な説明】
【図１】本発明の実施の形態のミル特性計測装置の構成を示すブロック図である。
【図２】入出力データの一例を示す図である。
【図３】図１に示したブロックを実現するコンピュータの構成を示す図である。
【図４】ニューラルネットのバックプロパゲーションモデルを示す図である。
【図５】ニューロ演算素子の構成を示す図である。
【図６】実施の形態の学習動作を示す動作フロー図である。
【符号の説明】
１０ データ分別手段
１１ 定常状態特徴量演算手段
１２ 過渡状態特徴量演算手段
１３ 特徴量学習推論手段（ニューラルネット）
１４ 過渡状態再現シミュレータ
１５ 誤差判別手段
【発明の属する技術分野】
本発明は、石炭焚ボイラに微粉炭を供給するミルの特性変化予測装置に関する。
【０００２】
【従来の技術】
従来火力発電用ボイラには微粉炭が燃料として多量に使用されている。この微粉炭は、原炭を粉砕しローラにより微粉炭とするミルにより供給される。ミルにより供給される微粉炭は通常サービスタンクに一時貯蔵され、その後ボイラへ供給されるが、サービスタンクの容量は大きくないので、ボイラの燃料消費量に合わせた微粉炭の供給が必要となる。このためミルの入炭量などの入力データに対する出炭量などの出力データを正確に予測する必要がある。
【０００３】
【発明が解決しようとする課題】
このため、ミルのシミュレータを作成し、出炭量等の予測が行われている。「火力発電Ｖｏｌ．４６，Ｎｏ１．頁４７−頁５８、能代火力発電所１号機における最新の制御技術」にはその頁５５にミルシミュレータによる出炭の予測方法が開示されている。石炭の場合、産地によって炭種が異なり、この炭種が異なるとミルへ供給する原炭量が同じでも炭量が変化する。このため、上記ミルシミュレータの場合、炭種が変わるごとにシミュレータ係数変化を予め求めておく必要があるが、入力するデータは入炭量の外にも多数あり、これらに対応した係数変化を全て求めることは困難である。また、このシミュレータは学習機能がないため、予め設定した条件と異なると予測精度が低下する。特に過渡状態の予測精度は良くない場合が多い。
【０００４】
本発明は、上述の問題点に鑑みてなされたもので、ミル稼働中にシミュレーションモデルのパラメータを学習可能とし、さらに定常状態の変化から過渡状態の出力を推定することを目的とする。
【０００５】
【課題を解決するための手段】
上記目的を達成するため、請求項１の発明では、原炭を粉砕しローラにより微粉炭にするミルの特性計測装置であって、ミルの入力データと出力データとを入力し、定常状態と過渡状態のデータを分別するデータ分別手段と、このデータ分別手段から定常状態の入出力データを入力して、定常状態の入出力の特徴量を算出する定常状態特徴量演算手段と、前記データ分別手段から過渡状態の入出力データを入力して、過渡状態の入出力の特徴量を算出する過渡状態特徴量演算手段と、学習時には前記定常状態特徴量演算手段から定常状態の入力特徴量と前記過渡状態特徴量演算手段から過渡状態の出力特徴量とを入力し両特徴量の関係を学習し、過渡状態出力再現時には前記定常状態特徴量演算手段から定常状態の入力特徴量を入力し学習結果に基づく過渡状態出力特徴量を出力する特徴量学習推論手段と、前記データ分別手段から過渡状態入力データを入力し、前記特徴量学習推論手段から入力した過渡状態出力特徴量に基づいて過渡状態の出力を出力する過渡状態再現シミュレータと、この過渡状態再現シミュレータの出力と前記データ分別手段の過渡状態出力データとの出力誤差をとり、その出力誤差が所定値より大きいとき、前記特徴量学習推論手段に学習を指示する誤差判定手段とを備える。
【０００６】
かかる構成により、特徴量学習推論手段は、学習時には、定常状態特徴量演算手段から定常状態の入力特徴量と、過渡状態特徴量演算手段から過渡状態の出力特徴量とを入力して両特徴量の関係を学習する。過渡状態出力再現時には、定常状態特徴量演算手段から定常状態の入力特徴量を入力し学習結果に基づく過渡状態出力特徴量を出力する。過渡状態再現シミュレータはこの過渡状態出力特徴量をシミュレーションモデルのパラメータとし、データ分別手段からの過渡状態入力データよりシミュレーションを行い過渡状態出力データを出力する。誤差判定手段はこの過渡状態出力とデータ分別手段からの過渡状態出力データとの差である出力誤差が所定値より大きいとき、特徴量学習推論手段に学習を指示する。これによりシミュレーションモデルのパラメータとなる過渡状態出力特徴量を学習可能とし、この特徴量を用いて定常状態の変化から過渡状態の出力をシミュレーションすることが可能となる。このような学習およびシミュレーションはミル稼働中に行うことができ、現状に適した出力をすることができる。
【０００７】
請求項２の発明では、前記特徴量学習推論手段は、入力を前記定常状態特徴量演算手段の出力する定常状態の入力特徴量とし、出力を過渡状態の出力特徴量とし、教師信号を前記過渡状態特徴量演算手段の出力する過渡状態の出力特徴量としたニューラルネットとする。
【０００８】
定常状態の入力特徴量を入力し過渡状態の出力特徴量を出力させ、実際の過渡状態の出力特徴量を教師データとして、両出力特徴量の差を少なくするように学習するので、過渡状態再現シミュレータが動作するとき、定常状態の入力特徴量を入力すると過渡状態の出力特徴量を精度よく過渡状態再現シミュレータへ出力することができる。
【０００９】
【発明の実施の形態】
以下、本発明の実施の形態について図面を参照して説明する。
図１は本発明の実施の形態を示すブロック図である。本実施の形態のミル特性計測装置は、原炭より微粉炭を生成するミルの特性を計測すると共に出力を予測する。ミルは原炭を破砕しローラにより微粉炭にする装置であり、本ミル特性計測装置はミルへの入力データとミルの出力データを計測すると共に入力データから、出力データを予測する。定常状態における入力データから定常状態の出力データの予測は試験や同種プラントの実績から精度よく行われるので、本実施の形態では定常状態の入力データの変化に対する過渡状態の出力の予測を精度よく行う。
【００１０】
入力データとしては原炭供給量、ローラレベル、ミル圧力損失などがあり、出力データとしては出炭量、粒度分布などがある。図２はこのような入出力データの一例を示す。横軸は時間をとり、縦軸はそれぞれの項目の値を示す。ａ〜ｃは入力データを示し、ｄは出力データを示す。また、実線部分が定常状態のデータを示し破線部分が過渡状態のデータを示す。ａは原炭供給量である。炭種変化はこの時点で石炭の産地が変化したことを示す。炭種が変化しても原炭供給量は一定であるが、他のデータに変化が生じるものもあり、これにより炭種切り換えを自動的に判別できる。ｂはローラレベルでこれは破砕した石炭を微粉化するローラのレベルを表す。この場合、定常特性値は炭種変化により変化している。これにより炭種切り換えを判定できる。ｃはミル圧力損失を示し、変化の少ないデータとなっている。ｄは出炭量を示す。この出炭量の過渡状態における動特性変化をシミュレーションモデルが正しく予測できるようなパラメータ（過渡状態の出力特徴量）をニューラルネットが出力できるようにするため、特徴量の実績データと予測データの誤差を零とするように学習が行われる。
【００１１】
図３は、図１に示したブロックを実現するコンピュータの構成を示すブロック図である。ＲＯＭ１はプログラムなどの基本データを格納する不揮発性メモリである。ＣＰＵ２はＲＯＭ１に格納されたプログラムに従い全体を制御する。ＲＡＭ３はＲＯＭ１より読み出されたプログラムを格納すると共に、このプログラムに従い動作するＣＰＵ２の作業エリアとなる。パネル操作部４はオペレータが指示やデータを入力するもので、テンキーやファンクションキーなどを有する。表示部５はオペレータの入力値やＣＰＵ２による演算結果などを画面表示する。入出力インターフェース６は外部とのデータ取り合いを行う。
【００１２】
図１において、データ分別手段１０は図２で示したような入力データと出力データを入力し、定常状態入出力データ、過渡状態入力データおよび過渡状態出力データに分別する。定常状態特徴量演算手段１１は定常状態入出力データを入力し定常状態の入出力特徴量を出力する。過渡状態特徴量演算手段１２は過渡状態入出力データを入力し過渡状態の入出力特徴量を出力する。なお、特徴量の一例をあげると、定常状態では平均値などが用いられ、過渡状態では、原炭供給量と出炭量の誤差積分、むだ時間、時定数などが用いられる。
【００１３】
特徴量学習推論手段１３はニューラルネットにより構成され、後述する過渡状態再現シミュレータ１４のパラメータとなる過渡状態の出力特徴量を出力する。動作は学習時と過渡状態再現シミュレータ１４動作時に行われ、学習時、定常状態の入力特徴量ＸＩを入力し、過渡状態の出力特徴量ＸＴを教師信号として学習を行う。過渡状態再現シミュレータ１４動作時には、定常状態の入力特徴量ＸＩを入力し、学習結果に基づく過渡状態の出力特徴量ＸＯを出力する。図１において破線の矢印は学習時のデータの流れを示し、実線の矢印は過渡状態再現シミュレータ１４動作時のデータの流れを示す。
【００１４】
過渡状態再現シミュレータ１４はミルの数学的モデルで、特徴量学習推論手段１３から出力される過渡状態の出力特徴量ＸＯをパラメータとし、データ分別手段１０からの過渡状態入力データを入力してシミュレーションを行い、過渡状態の出力データＹＳを予測して出力する。出力データとしては出炭量や粒度分布などである。誤差判定手段１５は過渡状態再現シミュレータ１４からの過渡状態の出力データＹＳと、データ分別手段１０からの実績データである過渡状態の出力データＹＴとの差を求め、その差が所定の値より大きくなったとき、特徴量学習推論手段１３に学習開始指令を出し、過渡状態の出力特徴量ＸＯの推論精度を向上させ、シミュレーションの精度を向上させる。
【００１５】
図４は特徴量学習推論手段１３として用いられるニューラルネットの一例を示す。ニューラルネットは一般に用いられる３層のバックプロパゲーションモデルを使用する。図４はこのようなバックプロパゲーションモデルを示し、入力層、中間層、出力層の３層から構成されている。また、図５はニューラルネットを構成するニューロ演算素子の構成を示す。ニューロ演算素子は各入力ｉに対し、重み係数Ｗｉにより重み付けをし内部に取り込んでその和を取り、その和がしきい値（シグモイド関数）を越えたとき１を出力する。このようなニューロ演算素子を３層にし、各層間のニューロ演算素子を接続する。
【００１６】
図４において重み修正回路はニューラルネットの出力ＸＯと教師信号ＸＴとの誤差を零にするように一定の方法により中間層と出力層の各ニューロ演算素子の重み係数Ｗｉｊを変化させる。この一定の方法とは誤差が零に近づけば、そのとき信号を伝えている結合の重みを少し増やし、零より遠ざかると、その時信号を伝えている結合の重みを少し減少させるといった操作を繰り返し、誤差を零にしてゆく方法である。図１で説明したように、入力信号ＸＩは定常状態の入力特徴量であり、教師信号ＸＴは過渡状態の出力特徴量である。学習時、入力信号ＸＩにより出力信号ＸＯが教師信号ＸＴになるように学習し、過渡状態再現シミュレータ１４動作時、入力信号ＸＩによる出力信号ＸＯを過渡状態再現シミュレータ１４へ出力する。また誤差判定手段１５から学習開始指令を受けたときは、学習を開始する。
【００１７】
図６は実施の形態の動作を示す動作フロー図である。まずニューラルネット１３に定常状態の特徴量ＸＩを入力し、過渡状態の出力特徴量ＸＴを教師信号として学習を行わせる（Ｓ１）。このようにして学習が終了すると過渡状態再現シミュレータ１４を動作させる。ニューラルネット１３には定常状態の特徴量ＸＩを入力し、出力の推定過渡状態出力特徴量ＸＯを過渡状態再現シミュレータ１４に出力する（Ｓ２）。過渡状態再現シミュレータ１４はデータ分別手段１０からの過渡状態入力データを入力し、過渡状態出力特徴量ＸＯをパラメータとしてシミュレーションを行い、過渡状態の出力ＹＳを求め出力する（Ｓ３）。誤差判断手段１５はこの過渡状態の出力ＹＳと、データ分別手段１０からの実績値である過渡状態出力データＹＴとの誤差を評価し、所定の基準値より大きいときはニューラルネット１３に学習を指示する（Ｓ４）。これによりステップＳ１に戻り学習が再開される。このように状況の変化に対応して学習が行われ、過渡状態再現シミュレータ１４より精度の高い過渡状態の出力が出力される。なお、学習はミル稼働中に行われる。
【００１８】
【発明の効果】
以上の説明より明らかなように、本発明は、過渡状態再現シミュレータのパラメータを特徴量学習推論手段より出力し、過渡状態再現シミュレータの出力とミルの出力との誤差が所定値を越えると特徴量学習推論手段の学習を行い、常に現状に適合した過渡状態の出力を得ることができる。
【図面の簡単な説明】
【図１】本発明の実施の形態のミル特性計測装置の構成を示すブロック図である。
【図２】入出力データの一例を示す図である。
【図３】図１に示したブロックを実現するコンピュータの構成を示す図である。
【図４】ニューラルネットのバックプロパゲーションモデルを示す図である。
【図５】ニューロ演算素子の構成を示す図である。
【図６】実施の形態の学習動作を示す動作フロー図である。
【符号の説明】
１０ データ分別手段
１１ 定常状態特徴量演算手段
１２ 過渡状態特徴量演算手段
１３ 特徴量学習推論手段（ニューラルネット）
１４ 過渡状態再現シミュレータ
１５ 誤差判別手段
Claims (2)
- 原炭を粉砕しローラにより微粉炭にするミルの特性計測装置であって、ミルの入力データと出力データとを入力し、定常状態と過渡状態のデータを分別するデータ分別手段と、このデータ分別手段から定常状態の入出力データを入力して、定常状態の入出力の特徴量を算出する定常状態特徴量演算手段と、前記データ分別手段から過渡状態の入出力データを入力して、過渡状態の入出力の特徴量を算出する過渡状態特徴量演算手段と、学習時には前記定常状態特徴量演算手段から定常状態の入力特徴量と前記過渡状態特徴量演算手段から過渡状態の出力特徴量とを入力し両特徴量の関係を学習し、過渡状態出力再現時には前記定常状態特徴量演算手段から定常状態の入力特徴量を入力し学習結果に基づく過渡状態出力特徴量を出力する特徴量学習推論手段と、前記データ分別手段から過渡状態入力データを入力し、前記特徴量学習推論手段から入力した過渡状態出力特徴量に基づいて過渡状態の出力を出力する過渡状態再現シミュレータと、この過渡状態再現シミュレータの出力と前記データ分別手段の過渡状態出力データとの出力誤差をとり、その出力誤差が所定値より大きいとき前記特徴量学習推論手段に学習を指示する誤差判定手段とを備えたミルの特性計測装置。
- 前記特徴量学習推論手段は、入力を前記定常状態特徴量演算手段の出力する定常状態の入力特徴量とし、出力を過渡状態の出力特徴量とし、教師信号を前記過渡状態特徴量演算手段の出力する過渡状態の出力特徴量とするニューラルネットであることを特徴とする請求項１記載のミル特性計測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1972796A JP3560406B2 (ja) | 1996-02-06 | 1996-02-06 | ミル特性計測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1972796A JP3560406B2 (ja) | 1996-02-06 | 1996-02-06 | ミル特性計測装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH09212208A JPH09212208A (ja) | 1997-08-15 |
| JP3560406B2 true JP3560406B2 (ja) | 2004-09-02 |
Family
ID=12007354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP1972796A Expired - Lifetime JP3560406B2 (ja) | 1996-02-06 | 1996-02-06 | ミル特性計測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3560406B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008152619A (ja) * | 2006-12-19 | 2008-07-03 | Fuji Xerox Co Ltd | データ処理装置およびデータ処理プログラム |
| JP5251308B2 (ja) * | 2008-07-08 | 2013-07-31 | 株式会社Ｉｈｉ | 粉砕ミルの設計強度評価方法 |
-
1996
- 1996-02-06 JP JP1972796A patent/JP3560406B2/ja not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| JPH09212208A (ja) | 1997-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102792234B (zh) | 用于计算机辅助地控制和/或调节技术系统的方法 | |
| CN110414033B (zh) | 结合边缘计算和数字孪生的机械设备预测性维护方法 | |
| US5175797A (en) | Learning type decision support system | |
| JP2000510265A (ja) | 予測、制御および最適化のための動的および定常状態プロセスをモデル化する方法および装置 | |
| JP2006053818A (ja) | データ処理方法及びデータ処理装置、並びに診断方法及び診断装置 | |
| CN1178016A (zh) | 智能计算机控制系统 | |
| US20070135938A1 (en) | Methods and systems for predictive modeling using a committee of models | |
| CN109740727A (zh) | 一种基于神经网络的水轮机转轴状态监测方法和系统 | |
| JP2020135758A (ja) | 予測制御開発装置、予測制御開発方法、及び予測制御開発プログラム | |
| CN115932592A (zh) | 一种基于数字孪生模型的电动汽车电池故障诊断方法 | |
| Janabi-Sharifi et al. | An adaptive system for modelling and simulation of electrical arc furnaces | |
| JP3560406B2 (ja) | ミル特性計測装置 | |
| JP3565380B2 (ja) | ミル特性計測装置 | |
| CN116522140A (zh) | 多任务深度学习模型和锂电池健康状态和剩余寿命预测及控制方法 | |
| EP0500080B1 (en) | Self-diagnosis and self-repair system for an image forming apparatus | |
| JP3324434B2 (ja) | 換気制御装置 | |
| JP3160693B2 (ja) | 熱負荷予測装置 | |
| JPH03259302A (ja) | 情報処理システム | |
| CN102622000B (zh) | 一种基于模糊神经网路的供浆系统流量控制方法 | |
| AU2014410710A1 (en) | Remote monitoring and optimisation centre | |
| CN111489027A (zh) | 一种水电机组波形数据趋势预测方法及其系统 | |
| JP3373588B2 (ja) | 品質制御装置および制御方法 | |
| JP7548090B2 (ja) | シミュレーション装置、シミュレーションシステム、シミュレーション方法、およびシミュレーションプログラム | |
| CN113609768A (zh) | 基于双向lstm网络的台区线损率计算方法 | |
| CN113159368A (zh) | 基于环境上下文和用户反馈信息的用电模型优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20040513 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20040525 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20040525 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080604 Year of fee payment: 4 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080604 Year of fee payment: 4 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090604 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100604 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110604 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110604 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120604 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120604 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130604 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140604 Year of fee payment: 10 |
|
| EXPY | Cancellation because of completion of term |