JP3565380B2

JP3565380B2 - Mill characteristic measuring device

Info

Publication number: JP3565380B2
Application number: JP1972696A
Authority: JP
Inventors: 功四郎丸; 秀樹木通; 茂樹村山
Original assignee: Chugoku Electric Power Co Inc
Current assignee: Chugoku Electric Power Co Inc
Priority date: 1996-02-06
Filing date: 1996-02-06
Publication date: 2004-09-15
Anticipated expiration: 2016-02-06
Also published as: JPH09212207A

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変化を推定可能と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入出力データを入力して、定常状態の特徴量を算出する特徴量演算手段と、前記データ分別手段より過渡状態入力データを入力し、パラメータに基づいて過渡状態出力データを予測した予測データを出力するシミュレーションモデルと、前記データ分別手段からの過渡状態出力データと前記予測データとの誤差を求める誤差演算器と、前記定常状態特徴量と前記誤差を入力して前記シミュレーションモデルに前記パラメータを出力するニューラルネットワークと、前記誤差を入力しこの誤差が所定値を越える時、前記ニューラルネットワークに前記誤差が零になるように学習開始を指示する誤差判定手段とを備える。
【０００６】
上記構成により、シミュレーションモデルは現在定まっているパラメータを用いて、過渡状態の入力データに基づき過渡状態の予測データを出力する。誤差演算器ではこの予測データと過渡状態出力データとの誤差を演算し、この誤差をニューラルネットワークに出力している。ニューラルネットワークは定常状態の特徴量を入力し、シミュレーションモデルのパラメータを出力する。ニューラルネットワークでは、定常状態の入力データが変化し、次の定常状態となった入力データの特徴量を入力してシミュレーションモデルのパラメータを出力し、シミュレーションモデルではこの定常状態の変化による過渡状態の入力データとこの出力されたパラメータとから予測データを出力し、誤差判定手段では、この予測データとデータ分別手段からの過渡状態出力データとの誤差を調べこの誤差が所定値より大きくなるとニューラルネットワークにこの誤差を零とするように学習を指示する。このようにして学習することにより誤差は小さくなり、適切なパラメータが出力されるようになる。このような学習はミル稼働中も行われ、これにより定常状態の特徴量から過渡状態のシミュレーションモデルのパラメータを生成することができる。このパラメータによりシミュレーションモデルは過渡状態の変化を予測することができる。
【０００７】
請求項２の発明では、請求項１の発明において、前記誤差演算器の出力する誤差データを前記パラメータと同一次元のデータに変換する変換器を設け、その出力を前記ニューラルネットワークに出力する。ニューラルネットワークは誤差が出力データであるパラメータと同じ次元でないと学習できないのでこの変化器による変換が行われる。
【０００８】
【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予測を精度よく行う。
【０００９】
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をニューラルネットワークが出力できるようにするため、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。
【００１０】
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。
【００１１】
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。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特徴量を出力する。シミュレーションモデル１２はミルの数学的モデルで入力データを与えると予測データを出力するが、定常状態、過渡状態に応じたパラメータが必要であり、このパラメータは後述するニューラルネットワーク１６から与えられる。誤差演算器１３はデータ分別手段１０からの過渡状態出力データと、シミュレーションモデルの過渡状態入力データに対する予測データとの差を誤差データとして出力する。変換器１４は誤差データを、ニューラルネットワーク１６に与えるためニューラルネットワーク１６の出力信号であるパラメータと同じ次元に変換する。誤差判定手段１５は誤差データを入力し、この値が所定の値を越えた時、パラメータは適切になっていないとして誤差データが零となるようにニューラルネットワーク１６に学習を指令する。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供給量の誤差積分、むだ時間、時定数などが用いられる。
【００１２】
ニューラルネットワーク１６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ワーク１６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。図４において重み修正回路は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。
【００１３】
次に変換器１４の動作について説明する。図１において、過渡状態出力データＹＴを教師信号、シミュレーションモデル１２の予測データを評価値ＹＳとする。ニューラルネットワーク１６での学習はある評価値ＹＳと教師信号ＹＴとの誤差を最小化するように学習してゆく。ここでは教師信号ＹＴと比較する評価値ＹＳとニューラルネットワーク１６の出力（パラメータ）が異なるために次のような方法を採用することによりバックプロパゲーションを行う。評価値の誤差（学習の成果）Ｅを次式のような二次形式で表す。
【００１４】
【数１】

【００１５】
標準Δ則に基づいているバックプロパゲーションでは、重み係数Ｗｉｊの変化量をΔＷｉｊとすると次式のようになる。
【００１６】
【数２】

【００１７】
ニューラルネットワーク１６の出力と、評価値ＹＳと教師出力ＹＴとの誤差が同一の次元ではないので次式のような修正を行う。Ｅを重み係数の関数として（１）式を次のように偏微分する。なお、ＹＴにはＷｉｊの成分は含まれていないのでＹＴのＷｉｊによる偏微分は０となっている。
【００１８】
【数３】

【００１９】
（３）式において、
【００２０】
【数４】

【００２１】
このような変換のもとに（２）式へと導入でき、バックプロパゲーションにより重み係数Ｗｉｊを変化することができる。なお、（４）式においてＣ６１はニューラルネットワーク１６の出力するパラメータは６要素あるとし、これをＣ６１〜Ｃ６６で表したものである。
【００２２】
ここで（４）式の右辺の縦ベクトルが次元の変換を表す関数Ｆ（・）を表している。この縦ベクトルの各要素について、パラメータとシミュレーションモデル１２の出力ＹＳ間の感度解析を以下のように行うことにより求めることができる。教師信号ＹＴをＮ要素あるとし、ニューラルネットワーク１６からの出力信号であるパラメータは上述したように６要素（これは一般にＭ要素としてもよい）であるとする。パラメータの平衡値をおおよそ決める。そして５つのパラメータをその平衡点で固定し、１つのパラメータを上下に値を振れさせた時のシミュレーションモデル１２の出力値ＹＳのＮ個の変動を求める。この値を求め終えたら、パラメータＣ６ｉ（ｉ＝１〜６）に対する出力値ＹＳの微係数（傾き）を求める。これをパラメータＣ６ｉの全て（６個）に適用することにより（４）式の右辺の縦ベクトル、つまり変換関数Ｆ（・）を求めることができる。
【００２３】
図６は実施の形態の学習動作を示す動作フロー図である。まずニューラルネットワーク１６に定常状態の特徴量を入力し、１回のフォワード計算、つまり図４に示す入力層に入力を与えたときの出力の算出を行いシミュレーションモデル１２のパラメータを出力する（Ｓ１）。次にシミュレーションモデル１２にニューラルネットワーク１６で求めたパラメータを入力する（Ｓ２）。次に過渡状態入力をシミュレーションモデル１２に入力し、この出力値ＹＳを求める（Ｓ３）。なおこの過渡状態入力データは、ニューラルネットワーク１６に入力した特徴量の定常状態から移行した過渡状態の入力データである。一方この過渡状態入力データによるミル装置の過渡状態出力データＹＴを入力する。このＹＴは教師信号と言われる。このＹＴとＹＳとの差を誤差ｅとし、この誤差ｅを次のようにして評価する（Ｓ４）。
【００２４】
誤差判定ブロック１５は（１）式に示した誤差ｅの自乗を求め、この値が所定の小さな正数以下になったかを調べ（Ｓ５）、以下となった場合には、ニューラルネットワーク１６の出力したパラメータは真の値またはそれに近いものとしてその値を採用し学習を中止する（Ｓ６）。しかし、所定の値まで小さくならない場合には（Ｓ５）、（４）式で示した変換Ｆ（・）を誤差ｅに施し、εに変換する（Ｓ７）。これによりニューラルネットワーク１６と同じ次元となるので、εを用いたバックプロパゲーションによりニューラルネットワーク内の重み係数Ｗｉｊを変化させる（Ｓ８）。この重み係数Ｗｉｊの変化はε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行う。次にステップＳ１〜Ｓ４を繰り返しステップＳ５で判定を行う。判定の結果所定の小さな正数より小さくならないときは、小さくなるまでステップＳ１〜Ｓ５、Ｓ７〜Ｓ８を繰り返し、小さくなった時、学習を終了する（Ｓ６）。
【００２５】
このように過渡状態におけるシミュレーションモデル１２の出力ＹＳと、ミル装置の実測データＹＴとの誤差ｅの自乗ｅ^２が最小となるようニューラルネットワーク１６は定常状態の特徴量を入力し、シミュレーションモデル１２のパラメータを出力しながら学習を行う。また、ニューラルネットワーク１６の出力であるパラメータは定常状態の特徴量と関連づけるようにして学習が行われるので、定常状態の変化から過渡状態の変化を予測することができる。また、このような学習はミル稼働中も可能である。
【００２６】
【発明の効果】
以上の説明より明らかなように、本発明は、シミュレーションモデルのパラメータをニューラルネットワークより出力し、シミュレーションモデルの出力とミルの出力との誤差が最小となるパラメータを出力するようニューラルネットワークは学習を行う。ニューラルネットワークには定常状態の特徴量を入力し、シミュレーションモデルには過渡状態の入力データを入力して、定常状態の変化から過渡状態の変化を予測できるようにしている。ニューラルネットワークはミル稼働中もシミュレーションモデルのパラメータの学習を可能としたので、シミュレーションモデルの予測精度が向上する。
【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】ニューラルネットワーク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特徴量演算手段
１２シミュレーションモデル
１３誤差演算器
１４変換器
１５誤差判別手段
１６ニューラルネットワーク[0001]
TECHNICAL FIELD OF THE INVENTION
The present invention relates to a device for estimating a characteristic change of a mill for supplying pulverized coal to a coal-fired boiler.
[0002]
[Prior art]
Conventionally, pulverized coal has been used in large quantities as fuel in boilers for thermal power generation. This pulverized coal is supplied by a mill that pulverizes raw coal and converts it into pulverized coal by a roller. The pulverized coal supplied by the mill is usually temporarily stored in a service tank and then supplied to the boiler. However, since the capacity of the service tank is not large, it is necessary to supply pulverized coal in accordance with the fuel consumption of the boiler. Therefore, it is necessary to accurately predict output data such as the amount of coal output with respect to input data such as the amount of coal input to the mill.
[0003]
[Problems to be solved by the invention]
For this reason, a simulator for a mill is created to predict the amount of coal output and the like. "The latest control technology in Noshiro thermal power plant No. 1" in Thermal power generation Vol. 46, No. 1, page 47-page 58 discloses a method for predicting coal output by a mill simulator. In the case of coal, the type of coal differs depending on the production area. If the type of coal differs, the amount of coal changes even if the amount of raw coal supplied to the mill is the same. For this reason, in the case of the above-mentioned mill simulator, it is necessary to obtain the simulator coefficient change in advance every time the coal type changes.However, there are many input data other than the coal input amount, and the coefficient changes corresponding to these are all calculated. It is difficult to ask. Further, since this simulator does not have a learning function, the prediction accuracy is reduced if the conditions are different from preset conditions. Particularly, the prediction accuracy of the transient state is often not good.
[0004]
The present invention has been made in view of the above-described problems, and has as its object to enable simulation model parameters to be learned during operation of a mill, and to enable estimation of a change in a transient state from a change in a steady state.
[0005]
[Means for Solving the Problems]
In order to achieve the above object, according to the first aspect of the present invention, there is provided a device for measuring the characteristics of a mill which pulverizes raw coal and converts it into pulverized coal by a roller. Data classification means for classifying state data, steady state input / output data from the data classification means, a characteristic quantity calculation means for calculating a characteristic quantity in a steady state, and transient state input data from the data classification means. A simulation model for inputting and outputting predicted data obtained by predicting transient state output data based on parameters; an error calculator for calculating an error between the transient state output data from the data classification means and the predicted data; A neural network that inputs a feature amount and the error and outputs the parameter to the simulation model; When the error exceeds a predetermined value, and a prediction error decision means the error in the neural network instructs the learning start to become zero.
[0006]
With the above configuration, the simulation model outputs transient state prediction data based on input data of the transient state using currently determined parameters. The error calculator calculates an error between the prediction data and the transient state output data, and outputs the error to the neural network. The neural network inputs a feature amount in a steady state and outputs parameters of a simulation model. In the neural network, the input data in the steady state changes, and the features of the input data in the next steady state are input to output the parameters of the simulation model. In the simulation model, the input of the transient state due to the change in the steady state is input. The prediction data is output from the data and the output parameters, and the error determination means checks an error between the prediction data and the transient state output data from the data classification means, and when the error is larger than a predetermined value, the error is transmitted to the neural network. The learning is instructed to make the error zero. By learning in this manner, the error is reduced, and an appropriate parameter is output. Such learning is performed even during the operation of the mill, whereby the parameters of the simulation model in the transient state can be generated from the feature values in the steady state. This parameter allows the simulation model to predict changes in the transient state.
[0007]
According to a second aspect of the present invention, in the first aspect of the present invention, there is provided a converter for converting the error data output from the error calculator into data of the same dimension as the parameter, and outputs the output to the neural network. Since the neural network cannot learn unless the error has the same dimension as the parameter that is the output data, the conversion by this changer is performed.
[0008]
BEST MODE FOR CARRYING OUT THE INVENTION
Hereinafter, embodiments of the present invention will be described with reference to the drawings.
FIG. 1 is a block diagram showing an embodiment of the present invention. The mill characteristic measuring device according to the present embodiment measures the characteristics of a mill that produces pulverized coal from raw coal and predicts the output. A mill is a device that crushes raw coal and converts it into pulverized coal by a roller. The mill characteristic measuring device measures input data to the mill and output data of the mill and predicts output data from the input data. Since the prediction of the output data of the steady state from the input data in the steady state is accurately performed based on the results of the test and the plant of the same type, in the present embodiment, the prediction of the transient state with respect to the change of the input data in the steady state is performed accurately.
[0009]
Input data includes raw coal supply, roller level, mill pressure loss, and the like, and output data includes coal output, particle size distribution, and the like. FIG. 2 shows an example of such input / output data. The horizontal axis indicates time, and the vertical axis indicates the value of each item. a to c indicate input data, and d indicates output data. A solid line indicates data in a steady state, and a broken line indicates data in a transient state. a is the raw coal supply. The change in coal type indicates that the coal producing area has changed at this point. Even if the coal type is changed, the raw coal supply amount is constant, but there is also a change in other data, so that switching of the coal type can be automatically determined. b is the roller level, which represents the level of the roller that pulverizes the crushed coal. In this case, the steady-state characteristic value changes due to a change in the type of coal. Thereby, it is possible to determine the switching of the coal type. c indicates the mill pressure loss, which is data with little change. d indicates the amount of coal output. In order for the neural network to output a parameter that enables the simulation model to correctly predict the dynamic characteristic change in the transient state of the coal output, learning is performed so that the error between the actual data and the predicted data is set to zero.
[0010]
FIG. 3 is a block diagram showing a configuration of a computer for realizing the blocks shown in FIG. The ROM 1 is a non-volatile memory that stores basic data such as programs. The CPU 2 controls the whole according to a program stored in the ROM 1. The RAM 3 stores the program read from the ROM 1 and serves as a work area for the CPU 2 operating according to the program. The panel operation unit 4 is used by an operator to input instructions and data, and has ten keys and function keys. The display unit 5 displays the input value of the operator, the calculation result by the CPU 2, and the like on a screen. The input / output interface 6 exchanges data with the outside.
[0011]
In FIG. 1, a data classification means 10 receives input data and output data as shown in FIG. 2 and classifies them into steady state input / output data, transient state input data and transient state output data. The feature value calculating means 11 inputs the steady state input / output data and outputs a steady state feature value. The simulation model 12 outputs predicted data when input data is given by a mill mathematical model, but requires parameters corresponding to a steady state and a transient state, and these parameters are given from a neural network 16 described later. The error calculator 13 outputs the difference between the transient state output data from the data classification means 10 and the predicted data of the simulation model with respect to the transient state input data as error data. The converter 14 converts the error data into the same dimension as a parameter which is an output signal of the neural network 16 so as to provide the error data to the neural network 16. The error judging means 15 inputs the error data, and when this value exceeds a predetermined value, it judges that the parameter is not appropriate and instructs the neural network 16 to perform learning so that the error data becomes zero. As an example of the characteristic amount, an average value or the like is used in a steady state, and an error integration between a raw coal supply amount and a coal supply amount, a dead time, a time constant, and the like are used in a transient state.
[0012]
The neural network 16 uses a commonly used three-layer backpropagation model. FIG. 4 shows such a back propagation model, which is composed of three layers: an input layer, an intermediate layer, and an output layer. FIG. 5 shows a configuration of a neural operation element constituting the neural network 16. The neuro operation element weights each input i with a weighting factor Wi, takes in the inside, takes the sum, and outputs 1 when the sum exceeds a threshold value (sigmoid function). Such neuro operation elements are formed into three layers, and the neuro operation elements between the respective layers are connected. In FIG. 4, the weight correction circuit changes the weight coefficient Wij of each neuro operation element of the intermediate layer and the output layer by a constant method so as to make the error zero. With this constant method, if the error approaches zero, the weight of the coupling transmitting the signal is slightly increased at that time, and if the error goes away from zero, the operation of slightly decreasing the weight of the coupling transmitting the signal at that time is repeated, This is a method to reduce the error to zero.
[0013]
Next, the operation of the converter 14 will be described. In FIG. 1, the transient state output data YT is a teacher signal, and the prediction data of the simulation model 12 is an evaluation value YS. Learning in the neural network 16 is performed so as to minimize the error between a certain evaluation value YS and the teacher signal YT. Here, since the evaluation value YS to be compared with the teacher signal YT and the output (parameter) of the neural network 16 are different, back propagation is performed by employing the following method. The error E (result of learning) of the evaluation value is expressed in a quadratic form as in the following equation.
[0014]
(Equation 1)

[0015]
In back propagation based on the standard Δ law, the following equation is obtained when the amount of change in the weight coefficient Wij is ΔWij.
[0016]
(Equation 2)

[0017]
Since the output of the neural network 16 and the error between the evaluation value YS and the teacher output YT do not have the same dimension, the following correction is performed. Equation (1) is partially differentiated as follows, using E as a function of the weight coefficient. Since the YT does not include the Wij component, the partial differentiation of the YT by Wij is zero.
[0018]
(Equation 3)

[0019]
In equation (3),
[0020]
(Equation 4)

[0021]
Under such a conversion, it can be introduced into the equation (2), and the weight coefficient Wij can be changed by back propagation. In equation (4), C61 is a parameter output from the neural network 16 and has six elements, which are represented by C61 to C66.
[0022]
Here, the vertical vector on the right side of the equation (4) represents a function F (•) representing a dimension conversion. The sensitivity analysis between the parameters and the output YS of the simulation model 12 can be obtained for each element of the vertical vector as follows. It is assumed that the teacher signal YT has N elements, and the parameter which is the output signal from the neural network 16 is 6 elements (this may be generally M elements) as described above. Approximately determine the equilibrium value of the parameter. Then, the five parameters are fixed at their equilibrium points, and N variations of the output value YS of the simulation model 12 when one parameter fluctuates up and down are obtained. When this value is obtained, the differential coefficient (slope) of the output value YS with respect to the parameter C6i (i = 1 to 6) is obtained. By applying this to all (six) parameters C6i, a vertical vector on the right side of equation (4), that is, a conversion function F (•) can be obtained.
[0023]
FIG. 6 is an operation flowchart showing a learning operation according to the embodiment. First, the steady-state feature value is input to the neural network 16, and one forward calculation is performed, that is, the output when the input is given to the input layer shown in FIG. 4 is calculated, and the parameters of the simulation model 12 are output (S1). . Next, the parameters obtained by the neural network 16 are input to the simulation model 12 (S2). Next, the transient state input is input to the simulation model 12, and the output value YS is obtained (S3). This transient state input data is input data of a transient state that has shifted from the steady state of the feature amount input to the neural network 16. On the other hand, the transient state output data YT of the mill device based on the transient state input data is input. This YT is called a teacher signal. The difference between YT and YS is defined as an error e, and the error e is evaluated as follows (S4).
[0024]
The error determination block 15 obtains the square of the error e shown in the equation (1) and checks whether or not this value has become a predetermined small positive number or less (S5). The learned parameter is adopted as the true value or a value close to the true value and learning is stopped (S6). However, if the value does not decrease to the predetermined value (S5), the conversion F (·) shown in the expression (4) is applied to the error e and converted to ε (S7). As a result, the dimension becomes the same as that of the neural network 16, and the weight coefficient Wij in the neural network is changed by back propagation using ε (S8). The change of the weight coefficient Wij is such that when ε approaches zero, the weight of the connection transmitting the signal at that time is slightly increased, and when the distance goes beyond zero, the weight of the connection transmitting the signal at that time is slightly reduced. Next, steps S1 to S4 are repeated, and a determination is made in step S5. If the result of the determination is that the value does not become smaller than a predetermined small positive number, steps S1 to S5 and S7 to S8 are repeated until the value becomes smaller, and when it becomes smaller, the learning is terminated (S6).
[0025]
An output YS of the simulation model 12 in a transient state in this manner, the neural network 16 so that the square e ² of the error e is minimized between the measured data YT mill device inputs the feature quantity of the steady state, the simulation model 12 Learning is performed while outputting parameters. Further, since learning is performed by associating the parameter which is the output of the neural network 16 with the steady-state feature value, it is possible to predict a change in the transient state from a change in the steady state. Such learning is also possible during operation of the mill.
[0026]
【The invention's effect】
As is clear from the above description, according to the present invention, the neural network performs learning so as to output the parameters of the simulation model from the neural network and to output a parameter that minimizes the error between the output of the simulation model and the output of the mill. . Steady state features are input to the neural network, and transient state input data is input to the simulation model, so that changes in the transient state can be predicted from changes in the steady state. The neural network enables learning of the parameters of the simulation model even during operation of the mill, so that the prediction accuracy of the simulation model is improved.
[Brief description of the drawings]
FIG. 1 is a block diagram showing a configuration of a mill characteristic measuring device according to an embodiment of the present invention.
FIG. 2 is a diagram illustrating an example of input / output data.
FIG. 3 is a diagram illustrating a configuration of a computer that realizes the blocks illustrated in FIG. 1;
FIG. 4 is a diagram showing a back propagation model of a neural network.
FIG. 5 is a diagram showing a configuration of a neuro operation element.
FIG. 6 is an operation flowchart showing a learning operation of the embodiment.
[Explanation of symbols]
Reference Signs List 10 data classification means 11 feature calculation means 12 simulation model 13 error calculation unit 14 converter 15 error determination means 16 neural network

Claims

A device for measuring the characteristics of a mill that pulverizes raw coal and converts it into pulverized coal by a roller, which inputs input data and output data of the mill and separates data in a steady state and in a transient state; The steady state input / output data is input from the means, the characteristic amount calculating means for calculating the steady state characteristic amount, and the transient state input data is input from the data classification means, and the transient state output data is predicted based on the parameters. A simulation model for outputting prediction data, an error calculator for calculating an error between the transient state output data from the data classification means and the prediction data, and inputting the steady state feature value and the error to the simulation model. A neural network for outputting a parameter, and an input of the error, and when the error exceeds a predetermined value, the neural network. Mill characteristic measurement apparatus; and a prediction error decision unit that instructs learning start so that the error in the work becomes zero.

2. The mill characteristic measuring device according to claim 1, further comprising a converter for converting error data output from the error calculator into data having the same dimension as the parameter, and outputting the output to the neural network.