JP3758920B2 - 石炭粉砕性自動推定装置 - Google Patents
石炭粉砕性自動推定装置 Download PDFInfo
- Publication number
- JP3758920B2 JP3758920B2 JP34371199A JP34371199A JP3758920B2 JP 3758920 B2 JP3758920 B2 JP 3758920B2 JP 34371199 A JP34371199 A JP 34371199A JP 34371199 A JP34371199 A JP 34371199A JP 3758920 B2 JP3758920 B2 JP 3758920B2
- Authority
- JP
- Japan
- Prior art keywords
- coal
- mill
- output
- input
- multiplying
- 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
Images
Landscapes
- Crushing And Grinding (AREA)
- Disintegrating Or Milling (AREA)
Description
【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１３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１２、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１１−０１９１０７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（ＨＧＩ）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、回転分級器の回転数の各プロセスデータ及び、ミル加圧装置の油圧信号若しくは該油圧信号とロールリフト量のプロセスデータ、更に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乗数、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とともに、
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。
【００１６】
請求項２記載の発明は、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）の回転数の各プロセスデータ及び、ミル加圧装置の油圧信号若しくは該油圧信号とロールリフト量のプロセスデータ、更に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とともに、
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。
【００１７】
かかる発明によれば、石炭粉砕性（ＨＧＩ）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】
又本発明は、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することも可能である。例えば、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することもできる。
【００１９】
【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。
【００２１】
又（１）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、（２）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もよい。
【００２２】
【００２３】
これによりハイブリッド型ニューラルネットを構成し、各々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、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、その推定結果を加重平均して、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。
【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４５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１３とロールリフト１４とともに、ミル出入口空気温度１６、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１３（入力変数ａ４）とロールリフト１４（入力変数ａ５）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】
［参考実施形態１］
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参考実施形態１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】
本参考実施形態１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１２、ミル加圧装置の油圧１３とともに、ミル入口温度１５、ミル出口温度１６を入力とする６入力変数ｂ１〜ｂ６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。
本参考実施形態１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、本参考実施形態１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１３（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２実施形態］
図５及び図６、図７は本発明の第２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９４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ｃ８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（ｃ３）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ｃ１１、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ｃ９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）ｃ２１、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（ｃ１０）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、ｃ７）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６２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、ｃ２２、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】
［参考実施形態２］
図８、図９及び図１０は、参考実施形態２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１６、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、参考実施形態１に対応する実施形態である。
尚、図８は本参考実施形態２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ｄ１１、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１６（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ｄ１８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１１３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１２０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１１９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１３４〜１３８で減算したものが、新変動量ｄ２１、ｄ２２、ｄ２４、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、ｄ５、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１２２では、変動量（１時点前）ｄ２８と定数発生器１２０のモーメンタム係数を乗算し、この出力と乗算器１２１の出力を減算器１３３で減算したものが、新変動量ｄ２８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、ｄ１６）となる。
【００４８】
［第３実施形態］
図１１は、本発明の第３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２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】
［参考実施形態３］
図１２は、参考実施形態３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１４６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１４７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９９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３実施形態におけるユニット演算器の詳細ブロック図である。
【図３】 参考実施形態１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】 参考実施形態１及び参考実施形態３におけるユニット演算器の詳細ブロック図である。
【図５】 本発明の第２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２実施形態及び第３実施形態におけるユニット演算器の詳細ブロック図である。
【図７】 第２実施形態及び第３実施形態におけるユニット演算器の詳細ブロック図である。
【図８】 参考実施形態２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】 参考実施形態２及び参考実施形態３におけるユニット演算器の詳細ブロック図である。
【図１０】 参考実施形態２及び参考実施形態３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３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】 本発明の参考実施形態３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、１１６、１１９、１２０、１４６ 定数発生器
１８、２５〜２９、３８〜４２、４８〜５２、５５、５８、６１〜７２、８８、８９、１０８〜１１２、１１５、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、１１３〜１３８、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
【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１３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１２、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１１−０１９１０７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（ＨＧＩ）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、回転分級器の回転数の各プロセスデータ及び、ミル加圧装置の油圧信号若しくは該油圧信号とロールリフト量のプロセスデータ、更に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乗数、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とともに、
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。
【００１６】
請求項２記載の発明は、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）の回転数の各プロセスデータ及び、ミル加圧装置の油圧信号若しくは該油圧信号とロールリフト量のプロセスデータ、更に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とともに、
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。
【００１７】
かかる発明によれば、石炭粉砕性（ＨＧＩ）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】
又本発明は、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することも可能である。例えば、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することもできる。
【００１９】
【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。
【００２１】
又（１）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、（２）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もよい。
【００２２】
【００２３】
これによりハイブリッド型ニューラルネットを構成し、各々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、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、その推定結果を加重平均して、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。
【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４５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１３とロールリフト１４とともに、ミル出入口空気温度１６、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１３（入力変数ａ４）とロールリフト１４（入力変数ａ５）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】
［参考実施形態１］
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参考実施形態１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】
本参考実施形態１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１２、ミル加圧装置の油圧１３とともに、ミル入口温度１５、ミル出口温度１６を入力とする６入力変数ｂ１〜ｂ６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。
本参考実施形態１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、本参考実施形態１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１３（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２実施形態］
図５及び図６、図７は本発明の第２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９４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ｃ８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（ｃ３）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ｃ１１、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ｃ９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）ｃ２１、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（ｃ１０）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、ｃ７）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６２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、ｃ２２、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】
［参考実施形態２］
図８、図９及び図１０は、参考実施形態２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１６、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、参考実施形態１に対応する実施形態である。
尚、図８は本参考実施形態２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ｄ１１、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１６（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ｄ１８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１１３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１２０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１１９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１３４〜１３８で減算したものが、新変動量ｄ２１、ｄ２２、ｄ２４、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、ｄ５、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１２２では、変動量（１時点前）ｄ２８と定数発生器１２０のモーメンタム係数を乗算し、この出力と乗算器１２１の出力を減算器１３３で減算したものが、新変動量ｄ２８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、ｄ１６）となる。
【００４８】
［第３実施形態］
図１１は、本発明の第３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２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】
［参考実施形態３］
図１２は、参考実施形態３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１４６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１４７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９９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３実施形態におけるユニット演算器の詳細ブロック図である。
【図３】 参考実施形態１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】 参考実施形態１及び参考実施形態３におけるユニット演算器の詳細ブロック図である。
【図５】 本発明の第２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２実施形態及び第３実施形態におけるユニット演算器の詳細ブロック図である。
【図７】 第２実施形態及び第３実施形態におけるユニット演算器の詳細ブロック図である。
【図８】 参考実施形態２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】 参考実施形態２及び参考実施形態３におけるユニット演算器の詳細ブロック図である。
【図１０】 参考実施形態２及び参考実施形態３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３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】 本発明の参考実施形態３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、１１６、１１９、１２０、１４６ 定数発生器
１８、２５〜２９、３８〜４２、４８〜５２、５５、５８、６１〜７２、８８、８９、１０８〜１１２、１１５、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、１１３〜１３８、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
Claims (2)
- 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の各プロセスデータ及び、ミル加圧装置の油圧信号若しくは該油圧信号とロールリフト量のプロセスデータ、更に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乗数、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とともに、
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。 - 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の各プロセスデータ及び、ミル加圧装置の油圧信号若しくは該油圧信号とロールリフト量のプロセスデータ、更に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とともに、
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP34371199A JP3758920B2 (ja) | 1999-12-02 | 1999-12-02 | 石炭粉砕性自動推定装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP34371199A JP3758920B2 (ja) | 1999-12-02 | 1999-12-02 | 石炭粉砕性自動推定装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2001157851A JP2001157851A (ja) | 2001-06-12 |
| JP3758920B2 true JP3758920B2 (ja) | 2006-03-22 |
Family
ID=18363667
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP34371199A Expired - Lifetime JP3758920B2 (ja) | 1999-12-02 | 1999-12-02 | 石炭粉砕性自動推定装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3758920B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10221076B2 (en) | 2015-09-30 | 2019-03-05 | Ngk Insulators, Ltd. | Method for producing a plate-like alumina power |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6118582B2 (ja) * | 2013-02-19 | 2017-04-19 | 出光興産株式会社 | 粉砕設備の粉砕状態判定プログラム、石炭の燃焼効率判定プログラム、粉砕設備の粉砕状態判定装置、および、石炭の燃焼効率判定装置 |
| CN103699782B (zh) * | 2013-12-09 | 2017-02-01 | 国家电网公司 | 一种中速磨制粉系统给煤量软测量方法 |
| JP6206679B2 (ja) * | 2015-02-27 | 2017-10-04 | Ｊｆｅスチール株式会社 | 石炭の粉砕方法 |
| JP7457452B2 (ja) * | 2018-06-07 | 2024-03-28 | 三菱重工業株式会社 | 制御装置、制御システム、制御方法および制御プログラム |
| KR102146814B1 (ko) * | 2019-05-28 | 2020-08-21 | 한국생산기술연구원 | 석탄과 바이오매스 혼합연료의 미분도 측정방법 |
| JP7311598B2 (ja) * | 2019-07-01 | 2023-07-19 | ホソカワミクロン株式会社 | 学習モデルの生成方法、コンピュータプログラム、学習モデル、制御装置、及び制御方法 |
| CN114296378B (zh) * | 2021-12-31 | 2024-08-23 | 山西世纪中试电力科学技术有限公司 | 冷渣器采用比热容加权平均堵渣预警智能系统的算法 |
| CN116779055B (zh) * | 2023-06-26 | 2024-03-15 | 中国矿业大学(北京) | 一种基于图模型的煤成分数据分析方法 |
-
1999
- 1999-12-02 JP JP34371199A patent/JP3758920B2/ja not_active Expired - Lifetime
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10221076B2 (en) | 2015-09-30 | 2019-03-05 | Ngk Insulators, Ltd. | Method for producing a plate-like alumina power |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2001157851A (ja) | 2001-06-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3758920B2 (ja) | 石炭粉砕性自動推定装置 | |
| Gollier et al. | Choice of nuclear power investments under price uncertainty: Valuing modularity | |
| JP3607029B2 (ja) | 圧延機の制御方法及び制御装置 | |
| Amirkhani et al. | Nonlinear robust fault diagnosis of power plant gas turbine using Monte Carlo-based adaptive threshold approach | |
| EP2993779A1 (en) | System and method for a load anticipation feature and its tuning method for a generating set | |
| CN107552575A (zh) | 成套设备控制装置、方法、记录介质、以及轧制控制装置 | |
| JP4856468B2 (ja) | 負荷周波数制御装置、負荷周波数制御方法 | |
| Rao et al. | Automatic generation control of TCPS based hydrothermal system under open market scenario: A fuzzy logic approach | |
| Zeng et al. | A practical direct method for determining dynamic security regions of electrical power systems | |
| JPS60502146A (ja) | 圧延機における帯板の厚さの制御部 | |
| CN106540966A (zh) | 设备控制装置和方法、以及轧制控制装置和方法 | |
| JP2015100740A (ja) | 制御装置、石炭粉砕装置、制御方法及びプログラム | |
| JPH11328152A (ja) | 省エネ効果計算装置 | |
| JPH09141116A (ja) | 粉砕機の振動予測装置および粉砕機の振動予測に基づく制御装置 | |
| JP3689453B2 (ja) | 粉砕機の状態推定装置 | |
| JP3752089B2 (ja) | 石炭粉砕性自動推定装置 | |
| Hahn et al. | Robust observer-based monitoring of a hydraulic actuator in a vehicle power transmission control system | |
| Agrawal et al. | Application of K-NN regression for predicting coal mill related variables | |
| JP2000218191A (ja) | 石炭粉砕性自動推定方法とその装置 | |
| Cardell | Distributed resource participation in local balancing energy markets | |
| JP3678811B2 (ja) | 粉砕機の制御装置 | |
| Hannett et al. | Modeling of a pumped storage hydro plant for power system stability studies | |
| Beheshti et al. | A new hybrid boiler master controller | |
| Vetr et al. | Control oriented modeling of a water brake dynamometer | |
| JPH09212207A (ja) | ミル特性計測装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20041116 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20050125 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20050328 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20050916 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20051110 |
|
| 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: 20051209 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20051227 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 3758920 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100113 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110113 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110113 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120113 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130113 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140113 Year of fee payment: 8 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| EXPY | Cancellation because of completion of term |