JP3978117B2

JP3978117B2 - トンネル換気制御方法および装置

Info

Publication number: JP3978117B2
Application number: JP2002334495A
Authority: JP
Inventors: 昌宏鹿山; 勝遠藤
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2002-11-19
Filing date: 2002-11-19
Publication date: 2007-09-19
Anticipated expiration: 2022-11-19
Also published as: JP2004169341A

Description

【０００１】
【発明の属する技術分野】
本発明はトンネル内を換気する制御装置の制御方法及び装置に関する。また制御実績を監視し、必要に応じて制御モデルのパラメータを更新するトンネル換気制御装置のパラメータ調整サービス方法に関する。
【０００２】
【従来の技術】
トンネル内の換気挙動を記述した物理モデルを用いてトンネル換気制御を行う手法として、例えば特開平5−321598号公報の記載がある。ここでは、物理モデルを用いて将来のトンネル内部の汚染状態を予測し、予測結果をファジィ推論で評価した結果から排風機やジェットファンの運転状態を決定する。また特開平5−141200号公報には、ニューラルネットを用いた学習によりトンネルプロセス特性の経年変化に対してもモデル精度を維持することで制御精度を向上させる手法の記載がある。
【０００３】
【特許文献１】
特開平５−３２１５９８号公報（段落００１２、図１）
【特許文献２】
特開平５−１４１２００号公報（段落００２５、００２６、図１）
【０００４】
【発明が解決しようとする課題】
特許文献１記載の手法では、物理モデルが実際のトンネル内の物理挙動に対応している場合には精度の良い制御が行えるが、対応の度合いが低下している場合には、この度合いに応じて制御精度が低下する問題がある。測定できない自然風の影響を始め、車の汚染物質排気量のバラツキ等、種々の不確定要素があるため、モデルに依存した制御では良好な制御が継続できない場合が多い。また長期間に渡る車の燃費向上等、対象の特性が変化した場合には対象と物理モデルが普遍的に乖離することになり、制御精度が恒常的に低下する。この場合には物理モデルを再調整しない限り制御精度は回復しないが、多大な労力が必要となる。
【０００５】
モデルを学習することで性能向上を図る特許文献２記載の手法では、学習によるモデルと制御対象の合わせ込みでモデル誤差を低減できる。しかしながら、上述したバラツキの効果も同様に学習してしまう場合がある。この場合は、学習によりモデルの特性を変えることが逆に長期間に渡って制御精度を悪化させてしまう。またニューラルネットを用いているため、トンネルに関して広く蓄積されている物理的知見を利用できない問題がある。またニューラルネットに可読性がないため、学習結果の妥当性を確認する手段は実際に制御を行ってみるしかない。したがって、外乱による制御結果のバラツキを学習した場合には制御精度の低下を避けることができない問題があった。
【０００６】
本発明の目的は、上記した従来技術の問題点を克服し、必要に応じて制御パラメータを更新することで、長期間に亘って高精度を維持できるトンネル換気制御方法及び装置を提供することにある。また、パラメータ更新のためのサービス方法を提供することにある。
【０００７】
【課題を解決するための手段】
本発明では上記課題を解決するために、トンネル内の煤煙濃度や一酸化炭素濃度の振舞いを記述した予測モデルと、前記予測モデルを用いて将来の煤煙濃度や一酸化炭素濃度を予測する予測モデル演算手段と、前記予測モデル演算手段の予測結果を用いて望ましいジェットファンや排風機の運転方法を決定する運転方式決定手段を備えたトンネル換気制御装置において、トンネルから検出した煤煙濃度や一酸化炭素濃度の実績値とジェットファンや排風機の運転実績を用いて前記予測モデルが有している車の煤煙排出量、一酸化濃度排出量、車の等価抵抗面積の少なくとも一つを逆算し、逆算結果にしたがって前記予測モデルのパラメータを更新する予測モデル学習手段を備えたことを特徴とする。
【０００８】
前記予測モデル演算手段の予測結果をその都度補正する適応制御手段を有していて、前記予測モデル学習手段の学習制御と前記適応制御手段の適応制御を並行して実施する構成とした。
【０００９】
前記適応制御手段は、直近の予測結果と対応した実績値のみに着目してモデル誤差の時系列を生成し、これにしたがって風向・風力、煤煙濃度、ＣＯ値の予測結果に対して、これが有する誤差の値を推定する。そしてこの値を予測値から差し引くことにより、予測モデルのパラメータを修正することなく予測モデル演算手段の出力を高精度化する。この結果、高精度な予測結果を用いて運転案の評価、運転方式の決定が行えるため、適切な運転案の選択が可能となる。また実績値のバラツキやノイズはモデル誤差時系列の自己相関を低下させるため、自己相関の大きさにしたがって適応制御手段の出力を制限することにより、バラツキやノイズの影響を最小化できる。また誤差推定値を次回の制御で速やかに補償できるので、補償の応答性を高めることもできる。
【００１０】
一方、予測モデル学習手段は、物理モデルが備えている車の排出煤煙量や排出一酸化炭素濃度、車の風力抵抗値等のパラメータを学習の対象とし、長期間のデータを蓄積した上でこれらを用いて物理モデルを逆算し、現在のトンネル状態に沿ったパラメータ値を算出する。現在の制御に用いている物理モデルのパラメータが現在のトンネル状態を反映していない場合には、算出したパラメータを新たなパラメータとすることで、物理モデルを学習し、学習制御を行う。
【００１１】
予測モデル学習手段の実行タイミングは学習起動手段で管理し、制御の実行とは非同期に行う。一般に適応制御と学習制御を同時に実行すると制御が競合し、かえって制御性能を損なうことになる場合がある。本発明では予測モデル学習手段の実行タイミングを適応制御と非同期とし、物理モデルのパラメータの変遷に対応した大きな間隔に設定することで、二重補償等の制御の競合を回避することができる。したがって長期的な物理モデルの変遷を自動的に獲得して制御性能の低下を避けることができるとともに、上述したトンネル内の物理現象の短期的なバラツキは適応制御でその都度補償できる。
【００１２】
【発明の実施の形態】
以下、本発明の実施例を図面にしたがって詳細に説明する。図１は本発明の第１の実施例を示すトンネル換気制御装置の構成図である。制御装置100は次回の運転案（ジェットファン154、排風機155の起動の有無、風量等）を何通りか決定し出力する運転案生成手段101を有している。運転案生成手段101の出力した運転案を採用した場合に、どのような風向・風速、煤煙濃度、ＣＯ濃度になるか、さらにエネルギー消費量、ジェットファン154、排風機155の起動停止回数を予測モデル103を用いて算出する予測モデル演算手段102を有する。また、運転方式決定手段107の出力した運転案および制御対象150から検出した検出値からモデル誤差を演算し補償する適応制御手段104を有する。
【００１３】
また、運転方式決定手段107の出力した運転案および制御対象150から検出した検出値から予測モデル103の逆算により予め定められたモデルパラメータを算出し、予測モデルを更新する予測モデル学習手段105を有する。また、予測モデル演算手段102の結果を適応制御手段104で補償した結果にしたがって運転案を評価する運転案評価手段106、運転案の評価結果にしたがって次回の運転方式を決定する運転方式決定手段107を有する。さらに、予測モデル学習手段105の起動タイミングを管理し、起動する学習起動手段108から構成される。
【００１４】
制御の目的はトンネル151の内部の空気を適切に換気することであり、本実施例では一方通行のトンネルに対して、縦流式と呼ばれるトンネルの長手方向に空気の流れを作り換気するシステムを例に説明する。
【００１５】
空気の流れを作るためにジェットファン154、排風機155が取り付けられている。いずれも複数台取りつけられることが多い。汚染気体をトンネル151の外に出す操作は、主として排風機155が行う。すなわち排風機155は上向きに風を送り、トンネル151内の空気を立杭153を通してトンネル外に排出する。一方ジェットファン154は車の進行方向に対して逆方向の風を送ることにより、杭口152からの汚染空気の漏れだし量を最小化する。
【００１６】
本実施例でトンネル内には、以下の検出器が取り付けられている。トンネル内に侵入する車両の台数、速度、大型車混入比はトラフィックカウンター162で事前に検出する。また風向、風力はＡＶ計156、157で、煤煙濃度はＶＩ計158、159で、さらにＣＯ濃度はCO計160、161で検出する。以下風向、風力の値をＡＶ値と称する。一般のトンネルではこの程度の検出器が取りつけられている。制御装置100は、検出器からの信号でトンネル内の現在の状態を検出しつつ、予測モデル103を用いて将来の状態を予測し、適切な排風機155、ジェットファン154の運転形態を決定する。
【００１７】
図２に運転案生成手段101が実行するアルゴリズムを示す。まずＳ2−1で運転方式決定手段106から現在の運転方式を取りこむ。これをもとに可能となる次回の運転案を複数生成する。たとえば「排風機１台運転、風量200m³／分、ジェットファン２台高速運転」のような案をいくつか生成する。通常は現在の運転方式近傍の運転方式を運転案として生成すれば良いが、煤煙濃度が大きく変化した場合には、広い範囲で多くの運転案を生成し、選択範囲を広げる必要性が生じる場合もある。
【００１８】
図３に予測モデル演算手段102が実行するアルゴリズムを示す。Ｓ3−1で制御対象150の各センサから現在の実績を取りこむ。また運転案生成手段101から次回の運転案を取りこむ。運転案は通常複数生成されているが、その場合は各運転案に対して以下の処理を繰り返し行う。S3−2でトンネル内各部の風速を算出する。計算方法は、例えば「道路トンネル技術基準(換気編)・同解説」（社団法人日本道路境界編、昭和60年12月）に詳しい。トンネル内を幾つかのメッシュに分割した上でトンネル内の気体流れのダイナミクスを記述した１式を用いることで、数値解析的に解くことができる。
（∂ｕ／∂ｔ）＝f（ｕ）／M …（１）
ここで、ｕ：車道内風速、Ｍ：トンネル内空気の全質量、ｆ（ｕ）：外力の合計、ｔ：時間。
【００１９】
S3−3でトンネル内部の煤煙濃度（ＶＩ値）、ＣＯ濃度（ＣＯ値）を算出する。各濃度は２式の対流拡散方程式に従うことが知られている。
（∂ｃ／∂ｔ）＝−ｕ（∂ｃ／∂χ）＋Ｄ（∂²ｃ／∂χ²）＋ｑ …（２）
ここで、Ｄ：拡散係数、ｃ：煤煙または一酸化炭素濃度、ｑ：汚染物質の排出量、χ：トンネル軸方向の位置。
【００２０】
同様にトンネル内をいくつかのメッシュに分割した上で、S3−2で得た風速をｕに適用し、さらに境界条件として杭口152のＶＩ、ＣＯ値を０とすることで、トンネル各部位のＶＩ、ＣＯ濃度を得ることが解くことができる。
【００２１】
さらにS3−4で取りこんだ運転案に対して、ジェットファン154、排風機155を動作させるのに必要な電力消費量を算出する。電力消費量Ｕは精度を高めて算出する手法もあるが、簡単な例として、例えば排風機155の場合であれば、３式に示すように風量を用いた簡単な数式で表すことができる。ジェットファンに関しても同様の数式で表すことができる。
Ｕ＝Ｕst＊（Ｗ／Ｗst）／η …（３）
ここで、Ｕst：定格電力消費量、Ｗ：現在の風量、Ｗst：定格風量、η：効率。
【００２２】
また取りこんだ運転案に対して、ジェットファン154、排風機155の運転台数が変化するかどうかを調べ、起動停止回数を算出する。ジェットファン154の運転台数を現在の運転台数に対して１台起動もしくは停止させる必要がある場合には、起動回数を１とする等で、簡単に対応付けることができる。
【００２３】
以上のようにして運転案生成手段101が提示した運転案について、これを採用したときの制御結果の予測値およびエネルギー消費量等を算出する。運転案は通常複数提示されるが、その場合には各運転案毎に同様の処理を繰り返し、対応した制御結果の予測値およびエネルギー消費量等を算出する必要がある。
【００２４】
図4に本発明で実現された適応制御手段の構成を示す。適応制御手段104はオブザーバ401、推定トレンド生成手段402、実績トレンド生成手段404、誤差系列算出手段406、予測誤差推定手段407を備えている。
【００２５】
本実施例では煤煙濃度（ＶＩ）の予測値を補償する場合を例に説明する。オブザーバ401は、予測モデル演算手段102と同様の演算を行うことでＶＩ推定値を算出する。すなわち制御対象150から取りこんだ風速やＶＩの実績値を初期条件に設定し、運転案生成手段101から取りこんだ排風機155およびジェットファン154の運転方式が実現された場合にＶＩ値の変化を、１式にしたがって風速を求め、２式に従った演算で推定する。
【００２６】
推定トレンド生成手段402は、オブザーバ401の出力を時系列に編集し推定値のトレンドである推定トレンド403を生成する。同様に実績トレンド生成手段404は、制御量の実績を取りこみ実績トレンド405を編集する。図に示すように、実績トレンド405および推定トレンド403は、現在時刻の値を最新とし、制御周期を過去に遡った値（−2、−3、・・・）をトレンドとして蓄えている。
【００２７】
さらに実績トレンド405と推定トレンド403の差分を計算し誤差のトレンドを算出する誤差系列算出手段406、誤差系列を取りこみ、予測モデル演算手段102が予測した次回のＶＩ予測値が含んでいると予想される誤差の値を算定する予測誤差推定手段407を備えている。予測誤差推定手段407は、４式で現される誤差系列に対して、例えば５式の線形演算を行い、VI推定誤差の値VIerrを推定する。
誤差系列 Δ5、 Δ4、 Δ3、 Δ2、 Δ1、 Δ0、 …（４）
ここで、Δi＝(VIact)i−(VIest)i、(VIact)i：実績トレンドのVI値、(VIest)i：推定トレンドのVI値。
VIerr＝(α0・Δ0＋α1・Δ1＋α2・Δ2＋α3・Δ3＋α4・Δ4
＋α5・Δ5)/(α0＋α1＋α2＋α3＋α4＋α5) …（５）
ここで、α0、α1、α2、α3、・・・・・・：各誤差の重みに対応した定数。
【００２８】
算定されたＶＩ推定誤差にはゲイン408が乗じられ（６式）、最終的なＶＩ推定値補正量VIcompとして適応制御手段104から出力される。
VIcomp＝G1＊VIerr …（６）
最終的には図１に示したように、予測モデル演算手段102の出力から適応制御手段104の出力を減じた値が予測制御に用いられる。
【００２９】
図１ではＶＩ検出計が２つ備えられているが、この場合は各々について同様の演算を行うことで対応する。またオブザーバ401の演算は共通化することができる。本実施例ではＶＩの予測誤差を補償する場合を例に説明したが、ＣＯ値の予測誤差を補償する場合も同様の考え方で行うことができる。またＡＶ値予測誤差の補償値は、２式に基づいた演算を省略することで得ることができる。
【００３０】
図５に運転案評価手段が行う処理を示す。運転案評価手段106では、運転案生成手段101が生成した複数の運転案のそれぞれについて、実現される制御量（ＡＶ値、ＶＩ値、ＣＯ値）、エネルギー消費量等の適切性を評価し、運転案選択の基準を生成する。
【００３１】
本実施例では予見ファジィ推論を用いて運転案を評価し、運転方式を決定する場合を示す。予見ファジィはルールとメンバシップ関数の組み合わせからなり、ルールは「IF 運転案ＡによりＶＩ値が満足 THEN 運転案Ａを採用」のような、予見ファジィ特有の形態となっている。
【００３２】
まずＳ5−1で、図１の流れに従って各制御量やエネルギー消費量の予測値を取りこむ。次にＳ5−2でメンバシップ関数を用いて予測値の適合度を算出する。適合度が大きいほど望ましい制御結果が実現されたことを示している。
【００３３】
図６にメンバシップ関数を用いてＶＩの予測値に対する適合度を算出する例を示す。予測ＶＩ値が37％、メンバシップ関数（満足度関数）として図の形状を仮定すると、適合度は図のような操作で0．4となる。同様の操作で、ＶＩ値、ＡＶ値、エネルギー消費量等の適合度も得ることができる。最後にＳ5−3で各運転案ｊの総合満足度Ｗjを算出する。総合満足度Ｗjは例えば７式で算出する。β1、β2、β3、β4、・・・・・・は各評価ファクターの適合度に乗じる重みで、各評価ファクターの重要度に対応する。例えばＡＶ値とエネルギー消費量を重要視する場合には、β1、β2、β6、β7を相対的に大きくすれば良い。あるいは重要度の高いファクターのみを選択的に用いて総合満足度の評価の対象にしても良い。
Ｗj＝β1ＡVI1＋β2ＡVI2＋β3ＡCO1＋β4ＡCO2
＋β5ＡAV1＋β6ＡEJ＋β7ＡEH＋・・・・ …（７）
ここで、ＡVI1：ＶＩ1の適合度、ＡVI2：ＶＩ2の適合度、ＡCO1：ＣＯ1の適合度、ＡCO2：ＣＯ2の適合度、ＡAV1：ＡＶ1の適合度、ＡEJ：ジェットファンエネルギ消費量の適合度、ＡEH：排風機エネルギー消費量の適合度。
【００３４】
このようにして運転案に対応した総合満足度Ｗjを算出できる。同様にして他の運転案の総合満足度を算出する。
【００３５】
図７に運転方式決定手段が実行する処理を示す。運転方式決定手段107はＳ7−1で各運転案について総合満足度を計算した結果から最も望ましい運転案を選択する。そしてＳ7−2で、選択した運転方法に沿った操作量を各機器（ジェットファン154、排風機155）に出力する。本実施例では、Ｓ7−1で最も望ましい運転案を選択したが、望ましい幾つかの運転案に対して按分処理を行い、新たな運転案を生成し運転方式として出力しても良い。
【００３６】
本実施例では、運転案生成手段101は運転方式決定手段107の出力を用いて現在の運転方式を取り込んだ。しかし、制御対象150のジェットファン154、排風機155の出力を直接取り込んで、現在の運転方式として認識しても良い。またトンネルの換気方式として縦流式の場合を例に説明したが、横流式や半横流式等の他の方式にも同様の手法が適用できる。
【００３７】
図８に予測モデル学習手段の構成を示す。本実施例では、予測モデル学習手段104が２式のｑに対応する車が排出する煤煙量ｑ_VI、一酸化炭素量ｑ_CO、および１式のｆuの計算に用いる車の等価抵抗面積Ａを対象として学習する例を示す。
【００３８】
予測モデル学習手段104は学習起動手段108からの起動信号で起動される。学習起動手段108は学習対象パラメータが変化する時定数にしたがったタイミングで予測モデル学習手段104を起動する。車が排出する煤煙量や一酸化炭素量の場合であれば、車の燃費の向上、電気自動車やハイブリッド車の普及率の向上にしたがってこれを反映したモデル学習を行うので、例えば数ヶ月に１回程度起動すれば十分である。また等価抵抗面積Ａは主として車の車体形状に依存するので、車のモデルチェンジの間隔したがって１年に１回程度の起動頻度が考えられる。したがって学習起動手段108に１年程度を計時するタイマーを備えることで起動信号は容易に生成できる。
【００３９】
予測モデル学習手段104は排風機やジェットファンの運転状態や車の通行量とこれに対応したＶＩ値、ＣＯ濃度、風向風速（ＡＶ値）等の実績データを蓄積する制御結果蓄積手段807を有する。このとき運転状態や交通量の変化がそのまま対応したＶＩ値、ＣＯ濃度、ＡＶ値として瞬時に反映される訳ではない。それで、夫々に対応した遅れ時間を適切に補償するＶＩ時間遅れ調整手段804、ＣＯ時間遅れ調整手段805、ＡＶ遅れ時間調整手段806を備えている。それぞれの遅れ時間ｔ1、ｔ2、ｔ3は操作端（排風機、ジェットファン）と検出端（ＶＩ計、ＣＯ計、ＡＶ計、トラフィックカウンターの位置関係に依存したトンネル固有のパラメータである。パラメータの決め方は信号間の相互相関を最大とする時間遅れを実験的に求める手法等、幾つかのアプローチが知られているので、これらに従って予め定めておけば良い。
【００４０】
学習演算手段808は学習起動手段108からの起動信号にしたがって制御結果蓄積手段807のデータを取り込み、以下に示す演算を行い、必要性を判断した後、予測モデル103の各パラメータを更新する。
【００４１】
図９に制御結果蓄積手段807の構成を示す。日時はデータ取り込みのタイミングであり、学習に用いるデータを日時で限定（例えば直近3ヶ月）する場合のデータ検索に用いる。各日時に対応して、交通量や排気風量に対応した煤煙濃度(ＶＩ１)、一酸化炭素濃度(ＣＯ１)、風速（ＡＶ１）等が蓄積されている。
【００４２】
図１０は学習演算手段808が実行するアルゴリズムを示す。ここでは、煤煙量ｑ_VIを学習する場合を例に説明する。学習演算手段808は予測モデル学習手段104が学習起動手段108からの起動信号を受けることで、実行を開始する。Ｓ10−１で制御結果蓄積手段807からデータを１セット取り込む。Ｓ10−２でｑ_VIに初期値を仮定する。初期値として例えば予測モデル103で現在使用しているｑ_VIを用いることが考えられる。Ｓ10−３で風速計算を行う。すなわち１式を解くことで車道内の風速ｕを算出する。Ｓ10−４でＶＩ計取り付け位置に対応したＶＩ値を算出する。ＶＩは２式の微分方程式をｃについて解くことで得られる。このとき２式のｑに、仮定しているｑ_VIを代入して計算することは言うまでもない。
【００４３】
図１から本実施例ではＶＩ計を２つ備えているので、計算の結果ＶＩの推定値VI1＊、VI2＊が算出できる。Ｓ10−５で制御結果蓄積手段807から取り出したＶＩの実績値であるVI1、VI2と、対応したＶＩの推定値VI1＊、VI2＊との間の差分ΔVI1、ΔVI2を計算し、８式にしたがってΔＥを算出する。
ΔＥ＝|ΔVI1|＋|ΔVI2| …（８）
Ｓ10−６でΔＥがΔＥthより小さいかどうかを判定する。ΔＥthは仮定したｑ_VIが十分適切な値かどうかを判断する基準値で、ｑ_VIが適切な場合ΔVI1、ΔVI2は共に小さな値となるので、ΔＥは小さくなる。このときΔＥ_thより小さくなければｑ_VIは十分適切な値ではないと判断し、Ｓ10−７で９式によりｑ_VIを更新する。α：定数である。
ｑ_VI←（ｑ_VI−α） …（９）
そして再度Ｓ10−３〜Ｓ10−６を繰り返す。ΔＥがΔＥ_thより小さければ制御結果蓄積手段807から取り出した１セットのデータに対する演算を終了し、Ｓ10−８に進む。
【００４４】
Ｓ10−８では、制御結果蓄積手段807から計算に用いる全てのデータセットについて、Ｓ10−2〜Ｓ10−7の計算が終わったかどうかを判定する。計算に用いるデータセットとしては、日時で選別し予め定められた期間（直近６ヶ月等）を取り出しの対象にすることが考えられる。対象データセット全てに対して計算が終わっていなければＳ10−1に戻る。終わっていればＳ10−9で、各データセットに対して計算されたｑ_VIを平均し、その平均値で予測モデル１０３のｑ_VIを更新する。現在のｑ_VIと今回算出したｑ_VIの差が一定値以下のときは、更新を省略することも考えられる。
【００４５】
本実施例ではｑ_VIを単一の定数としたが、ｑ_VIが車種や排風機の出力量等で層別されている場合も、層別毎にｑ_VIを算出すれば同様の手順で計算できる。また本実施例ではｑ_VIを学習する場合を例に説明したが、ｑ_CO場合でも同様の手順で計算できる。
【００４６】
また車の等価抵抗面積Ａは、１式中のｆ(u)を詳細に記述した１０式〜１２式における１２式中の値なので、検出したＡＶ値を基に１式に関して本実施例の処理を繰り返すことで、同様に算出できる。
ｆ（u）＝Ｐr＋Ｐb１ …（１０）
ただし、Ｐｒ：車道抵抗、Ｐｂ：排風機、ジェットファンによる換気力。
Ｐr＝Ｐin＋Ｐt＋ＰM …（１１）
ただし、Ｐin：入口損失、Ｐt：交通換気力、ＰM：自然換気力。
Ｐｔ＝（Ａ／Ａｒ）・（ρ／2）{ｎ・(Vｔ−Vｒ)²} …（１２）
ただし、Ａ：自動車等価抵抗面積、Ａｒ：トンネル断面積、ρ：空気密度、ｎ：トンネル内の車存在台数、Ｖｔ：車速、Ｖｒ：トンネル内風速。
【００４７】
図１０ではＳ10−３〜Ｓ10−７の繰り返し計算でｑ_VIを算出する手法とした。しかし、結果を得るための計算方法は２式を１３式の形に変形して、ｑについて直接解く手法等、種々考えられる。
ｑ＝（∂ｃ／∂ｔ）＝−u（∂ｃ／∂χ）＋Ｄ（∂²ｃ／∂χ²） …（１３）
また予測モデル学習手段104の起動を学習起動手段108から自動的に行う手法としたが、制御装置100の管理者が手動で起動する方法も考えられる。
【００４８】
図１１は車が排出する煤煙量を学習する場合を例に、本実施例が実現されたときの省エネ効果を定性的に示す。横軸は年次、縦軸は車の平均的な燃費と電力消費量を示している。燃費は車の燃費そのものの向上に加え、燃費の良い車の比率増大、電気自動車の普及等により、年々向上する（図11の▲１▼）。一方、試運転調整時点では、その時点での車の排出する煤煙量をモデルとして排風機155やジェットファン154を運転し、同様の規範での運転を継続した場合、電力消費量は維持される（図11の▲２▼）。一方、燃費が向上すると車の排出する煤煙量は低下するため、同一換気性能を得るのに必要な電力消費量は低下する（図11の▲３▼）。図に示す斜線部が、過剰に消費される電力消費量となる。本実施例を適用した場合、電力消費量は▲３▼のように、車の燃費向上に伴って減少することが期待できる。
【００４９】
本実施例ではトンネル換気制御を例に説明した。適応制御と学習制御を混在して制御精度の向上と維持を図る手法は、制御モデルを用いた予測制御が有効なプラントであれば、他の制御装置にも同様の考え方を適用できる。
【００５０】
図１２は制御装置100の制御実績を監視し、必要に応じて予測モデル103のパラメータ（本実施例ではｑ_VI、ｑ_CO、Ａ）を調整するトンネル換気制御装置のパラメータ調整サービス方法の実施例を示す。
【００５１】
本実施例ではサービスセンター1200からインターネット等を用いて制御の良否を遠隔監視し、ｑ_VI、ｑ_CO、Ａを同様にインターネットを利用して遠隔調整する例を示す。サービスの形態は制御装置100に対して直接パラメータをローディングする方法等、種々考えられる。
【００５２】
本実施例で制御装置100は実績収集手段1210、収集した実績を蓄積する実績蓄積手段1211、実績蓄積手段1211の内容を公衆回線網1220を介してサービスセンター1200へ送信する実績送信手段1212を備えている。またサービスセンター1200には、他のトンネル換気制御の制御状態や、自動車会社等が発表している車の燃費や低燃料車の普及割合のトレンドを蓄えている情報データベース1204が備えられている。さらに情報データベース制御装置100から送信された実績を受信する実績受信手段1201、制御状態の良否や、サービスセンター1200からのパラメータ調整が良好に働いているかどうかを評価する実績評価手段1202を備えている。また、実績評価手段1202の評価結果と情報データベース1204を参照した結果からパラメータ調整の必要性を判断し、必要な場合には実績受信手段1201から調整に必要な実績を取り込みパラメータ値を算出するパラメータ調整手段1203を備えている。さらにパラメータを公衆回線網1220を介して制御装置100に送信するパラメータ送信手段1205、パラメータ送信手段1205がパラメータを送信した回数をカウントするパラメータ調整回数カウント手段1206を備えている。
【００５３】
まず制御装置100の動作を説明する。実績収集手段1210は、運転方式（排風機風量、ジェットファン運転台数等）と対応する制御実績（VI値、CO濃度等）の組み合わせからなる制御実績を収集し、実績蓄積手段1211に蓄積する。制御実績としてはこの他に抗口からの煤煙や一酸化炭素の漏れ出し量等も考えられる。実績送信手段1212はこれらをサービスセンター1200に送信するが、送信は新たな制御実績が実績蓄積手段1211に蓄積されたタイミングで行っても良いし、一定量蓄積された後行っても良い。
【００５４】
次にサービスセンター1200の動作を説明する。実績受信手段1201は送信された実績を受信して蓄積し、実績評価手段1202はこれらをもとに制御状況を監視するとともに制御結果の良否を判定する。制御結果の良否は７式に示したのと同様の演算を行うことで制御の満足度を総合した値Ｗを算出し、Ｗの時系列遷移を評価することで簡単に判定できる。具体的には、１４式を計算し、この大きさが初期調整時から低下していないことで評価すれば良い。
Ｗ＝β1ＡVI1＋β2ＡVI2＋β3ＡCO1＋β4ＡCO2
＋β5ＡAV1＋β6ＡEJ＋β7ＡEH＋・・・・ …（１４）
図１３はパラメータ調整手段が実行する処理を示す。パラメータ調整手段1203はＳ13−１でパラメータ調整の必要性を判定する。必要性は実績評価手段1202で評価した総合満足度Ｗの低下の有無、および情報データベース1204から得た他の換気制御装置との相対的な性能比較結果、車の燃費や低燃料車の比率が直近際立って変化しているかどうか等による。これらを種々判断した結果から制御装置100で現在用いられている制御パラメータ調整の必要性を判定する。Ｓ13−２で判定結果が「調整必要」の場合、Ｓ13−3でパラメータ計算を行う。モデルパラメータは第1の実施例に示した手法で算出すれば良い。Ｓ13−4で算出したパラメータを制御装置100に送信する。パラメータ調整回数カウント手段1206は、パラメータ調整回数をカウント、記憶しておく。
【００５５】
サービスセンター1200の作業に対する制御装置管理者への課金は、制御実績の監視業務、パラメータ調整回数カウント手段1206が計数したパラメータ調整回数、実績評価手段1202が評価した制御実績の少なくとも一つに対して行われる。
【００５６】
【発明の効果】
本発明ではトンネル換気制御装置に、予測モデル演算手段の予測結果をその都度補正する適応制御手段と予測モデルの予め定められたパラメータをトンネルから検出したデータから逆算し、逆算結果でパラメータを更新する予測モデル学習手段を設けた。これによれば、制御対象の物理特性が長期間に渡って変化した場合でも、モデル内のパラメータを自動的に変更することで制御精度を維持できる効果がある。
【００５７】
また、適応制御と学習制御を並立して非同期で実施する構成としたので、二重補償等の制御の競合を回避できる効果がある。
【００５８】
さらに従来の手法を用いてモデル学習を行った場合には、検出データに含まれるノイズの影響による誤学習や、学習の遅れによる制御の応答遅れが問題となる。しかし、本発明では直近のデータのみに着目した適応制御で高応答な補償を行い、大量の蓄積データによるモデル学習でノイズの影響を除外した学習制御を行うので、高精度な制御を安定して得ることができる効果がある。
【００５９】
また制御装置の実績データを取り込み、必要な場合に制御モデルのパラメータを更新するパラメータ調整サービス方法を提供したので、制御性能を長期間に渡って維持するサービスが可能になる。
【図面の簡単な説明】
【図１】本発明のトンネル換気制御装置の一実施例による構成図。
【図２】運転案生成手段の処理を示すフロー図。
【図３】予測モデル演算手段の処理を示すフロー図。
【図４】一実施例による適応制御手段の構成図。
【図５】運転案評価手段の処理を示すフロー図。
【図６】メンバシップ関数を用いて適合度を評価する方法の説明図。
【図７】運転方式決定手段の処理を示すフロー図。
【図８】一実施例による予測モデル学習手段の構成図。
【図９】制御結果蓄積手段のデータ構成図。
【図１０】学習演算手段の処理を示すフロー図。
【図１１】本発明の効果を示す模式図。
【図１２】本発明によるトンネル換気制御装置のパラメータ調整方式を示す構成図。
【図１３】パラメータ調整手段の処理を示すフロー図。
【符号の説明】
100…制御装置、101…運転案生成手段、102…予測モデル演算手段、103…予測モデル、104…適応制御手段、105…予測モデル学習手段、106…運転案評価手段、107…運転方式決定手段、150…制御対象、401…オブザーバ、402…推定トレンド生成手段、404…実績トレンド生成手段、406…誤差系列算出手段、407…予測誤差推定手段、807…制御結果蓄積手段、808…学習演算手段、1200…サービスセンター、1202…実績評価手段、1203…パラメータ調整手段、1204…情報データベース、1206…パラメータ調整回数カウント手段、1220…公衆回線網。

Claims

トンネル内の煤煙濃度や一酸化炭素濃度等の汚染状態の振舞いを記述した予測モデルと、前記予測モデルを用いて将来の煤煙濃度や一酸化炭素濃度等の汚染状態を予測する予測モデル演算手段と、前記予測モデル演算手段の予測結果を用いて望ましいジェットファンや排風機等の操作端の運転方法を決定する運転方式決定手段を備えたトンネル換気制御装置において、
前記予測モデルを用いて得られた煤煙濃度や一酸化炭素濃度等の汚染状態の予測結果から時系列に推定トレンドを編集し、前記予測結果に対応するタイミングでトンネルから検出した煤煙濃度や一酸化炭素濃度等の汚染状態の実績値から時系列に実績トレンドを編集し、前記実績トレンドと前記推定トレンドの差分から誤差トレンドを算出し、該誤差トレンドに基づいて前記タイミングよりも時間的に後における前記予測モデル演算手段の予測結果に含まれる誤差を推測する適応制御手段と、
前記汚染状態の実績値と、前記操作端の運転実績を用いて前記前記予測モデルが有している車の煤煙排出量、一酸化濃度排出量、車の等価抵抗面積の少なくとも一つを逆算し、逆算結果にしたがって前記予測モデルのパラメータを更新する予測モデル学習手段を備え、
前記運転方式決定手段は、前記予測モデル学習手段が更新したパラメータを用いて前記予測モデル演算手段が演算した予測結果を、前記適応制御手段の推測した誤差を用いて補償し、ジェットファンや排風機等の運転方法を決定することを特徴とするトンネル換気制御装置。
請求項１において、
前記予測モデル学習手段の学習制御と前記適応制御手段の適応制御は並行して実施することを特徴とするトンネル換気制御装置。
請求項１または２において、
前記予測モデル学習手段の起動を管理する学習起動手段を備え、前記予測モデル学習手段を前記学習起動手段の起動指令により実行し、前記適応制御手段をジェットファンや排風機等の運転方法を決定するタイミングで実行することで、前記予測モデル学習手段と前記適応制御手段を非同期に実施することを特徴とするトンネル換気制御装置。
トンネル内の煤煙濃度や一酸化炭素濃度等の汚染状態の振舞いを記述した予測モデルを用いて将来の煤煙濃度や一酸化炭素濃度等の汚染状態を予測し、この予測結果を用いて望ましいジェットファンや排風機等の操作端の運転方法を決定する適応制御を行なうトンネル換気制御方法において、
前記予測モデルを用いて得られた煤煙濃度や一酸化炭素濃度等の汚染状態の予測結果から時系列に推定トレンドを編集し、前記予測結果に対応するタイミングでトンネルから検出した煤煙濃度や一酸化炭素濃度等の汚染状態の実績値から時系列に実績トレンドを編集し、前記実績トレンドと前記推定トレンドの差分から誤差トレンドを算出し、該誤差トレンドに基づいて前記タイミングよりも時間的に後における前記予測モデルの予測結果に含まれる誤差を推測する適応制御を行い、
前記汚染状態の実績値と、前記操作端等の運転実績を用いて前記予測モデルが有している車の煤煙排出量、一酸化濃度排出量、車の等価抵抗面積の少なくとも一つを逆算し、逆算結果にしたがって前記予測モデルのパラメータを更新する学習制御を行い、
前記更新したパラメータを用いて前記予測モデルにより得られた予測結果を、前記適応制御により推測した誤差を用いて補償し、ジェットファンや排風機等の運転方法を決定することを特徴とするトンネル換気制御方法。
請求項４において、
前記適応制御は、前記トンネルから検出した煤煙濃度や一酸化炭素濃度の実績値とジェットファンや排風機等の運転実績から予測結果の誤差を算出し、予測値を誤差で補償した結果にしたがって望ましいジェットファンや排風機等の運転方法を決定することを特徴とするトンネル換気制御方法。
請求項４または５において、
前記適応制御はジェットファンや排風機等の運転方法を決定するタイミングで実行し、前記学習制御は前記予測モデルの学習を前記適応制御に対し独立のタイミングで実行することを特徴とするトンネル換気制御方法。