JP4381628B2 - 濃縮設備の濃縮度制御装置及び濃縮度制御方法 - Google Patents
濃縮設備の濃縮度制御装置及び濃縮度制御方法 Download PDFInfo
- Publication number
- JP4381628B2 JP4381628B2 JP2001161814A JP2001161814A JP4381628B2 JP 4381628 B2 JP4381628 B2 JP 4381628B2 JP 2001161814 A JP2001161814 A JP 2001161814A JP 2001161814 A JP2001161814 A JP 2001161814A JP 4381628 B2 JP4381628 B2 JP 4381628B2
- Authority
- JP
- Japan
- Prior art keywords
- concentration
- facility
- enrichment
- bypass valve
- combustion
- 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 - Fee Related
Links
Images
Landscapes
- Heat Treatment Of Water, Waste Water Or Sewage (AREA)
- Vaporization, Distillation, Condensation, Sublimation, And Cold Traps (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、送り込まれる排液を熱源を用いて蒸留することにより、濃縮された濃縮液を取り出すにあたり、燃焼設備から排出される排ガスを前記熱源として利用する濃縮設備のための濃縮度制御装置及び濃縮度制御方法に関する。
【０００２】
【従来の技術】
上記の濃縮設備は、例えば、上位に位置する工場等から排出されてくる排水等の排液を蒸留して濃縮した濃縮液として取り出し、これを再び工場等に送り返してリサイクルを行う。濃縮設備に送り込まれてくる排液を蒸留するためには熱源が必要であるが、この熱源として燃焼設備から排出される排ガスを利用している。
【０００３】
この燃焼設備には、廃油や有機廃水等と共に燃焼空気が投入され、廃油や有機廃水等を燃焼させることで排ガスを発生させ、この排ガスを濃縮設備へ供給し、熱源として利用している。
【０００４】
ところが、燃焼設備に投入される廃油や燃焼空気等の投入量は同じ量ではなく、常に変動している。その他にも、燃焼設備の炉内温度や燃焼設備や濃縮設備が設置されている環境温度も変動する。したがって、濃縮設備に供給される排ガスの熱量も絶えず変動し、濃縮設備から取り出される濃縮液の濃縮度も絶えず変動する。濃縮度が変動すると、設備全体の操業が安定しなくなるため、濃縮度が安定した数値を取るような調整を行っている。
【０００５】
そのため、燃焼設備から濃縮設備へ排ガスを供給する供給パイプを一部煙道へと分岐させると共に、その分岐管の途中にバイパス管を設け、バイパス管をバイパスさせるガス流量を調整するバイパス弁を設けている。このバイパス弁の開度を調整することで、濃縮設備へ供給される排ガスの量を調整し、供給される熱量の変動を抑え、濃縮度が安定するようにオペレータが操作を行っている。
【０００６】
【発明が解決しようとする課題】
しかしながら、濃縮度を安定させるためには、上記バイパス弁の調整を頻繁に行う必要があり、オペレータの労力的な負担が大きい。また、オペレータの経験やカンに頼る部分も多く、調整を行ったとしても、濃縮度の振れ幅は目標値に対して±１０％程度の大きな幅となっており、改善が望まれていた。
【０００７】
さらに付言すると、従来のオペレータによる調整は、結果として現われた濃縮度の変動を抑制するための調整であり、プロセス操作データやプロセス状態量の変化から濃縮度の変動を事前に予測するものではない。
【０００８】
また、燃焼設備への投入物の量や、排ガスの供給量（これらは入力量）が、濃縮度（出力量）に対して強い影響力を有することは明らかであるが、これらの入出力関係を表現する方法として、熱力学や物理学のモデル式を用いる方法が考えられる。しかし、この場合は、計測器から得られる入力情報の精度が十分でなく、また、ヒートロスや外気温の影響、その他の未知の外的要因の影響を含めてモデルを表現することが困難である。仮にモデルを表現できたとしても、モデルの構造が複雑となり、本発明における濃縮設備のための濃縮度制御装置として容易に組み込むことができない。
【０００９】
本発明は上記実情に鑑みてなされたものであり、その課題は、オペレータによる頻繁な調整を不要としながらも、濃縮設備から取り出される濃縮液の濃縮度をオペレータによる調整よりも安定させることのできる濃縮設備の濃縮度制御装置及び濃縮度制御方法を提供することである。
【００１０】
【課題を解決するための手段】
上記課題を解決するため本発明に係る濃縮設備の濃縮度制御装置は、濃縮設備に送り込まれる排液を熱源を用いて蒸留することにより、濃縮された濃縮液を取り出すにあたり、燃焼設備から排出される排ガスを前記熱源として利用する濃縮設備のための濃縮度制御装置であって、前記濃縮液の濃縮度を安定化させるために、燃料用燃焼空気量、有機廃水用燃焼空気量、有機廃水量、燃焼炉温度、および、バイパス弁開度を入力変数とし、かつ、前記濃縮液の前記濃縮度、又は、前記濃縮度と一対一の関係にある出力値を出力変数とした統計モデル式を用いたフィードフォワード制御と、前記濃縮度を被制御変数とし、バイパス弁開度を操作変数としたＰＩＤフィードバック制御を行うことを特徴とするものである。
【００１１】
この構成による、濃縮度制御装置の作用・効果は、以下の通りである。この装置は、統計モデル式を用いたフィードフォワード制御を行う。統計モデル式は、過去のプロセス操作データとプロセス状態量（燃料用燃焼空気量、有機廃水用燃焼空気量、有機廃水量、燃焼炉温度、および、バイパス弁開度）を入力変数としており、これを統計モデル式に入力して出力変数である濃縮度等を予測することができる。これにより、濃縮度の将来の変動を抑制しながら、バイパス弁の開度を制御することで、濃縮度を安定させることができる。なお、濃縮度は、濃縮設備への排液仕込み量に対する取り出される濃縮液の量の割合であるから、出力変数としては濃縮度ではなく、濃縮液の量（いわゆる留出量）や仕込み量から濃縮液の量を引いた量（いわゆる缶出量）を出力変数としてもよい。これら留出量や缶出量は、濃縮度と同じような変動をし、濃縮度と一対一の関係にあるからである。
【００１２】
以上のように、 オペレータによる頻繁な調整を不要としながらも、濃縮設備から取り出される濃縮液の濃縮度をオペレータによる調整よりも安定させることのできる濃縮設備の濃縮度制御装置を提供することができる。また、発明の実施の形態の欄で後述するが、入力変数として少なくともこれらのパラメータを選択することにより、統計モデル式の精度を実用的なレベルに維持できることがわかった。
【００１５】
本発明の別の好適な実施形態として、 前記統計モデル式が、線形モデル式であるものがあげられる。
【００１６】
統計モデル式を線形モデルで構成することにより、式を簡素化し、これにより、演算処理スピードを速くすることができる。
【００１７】
本発明の更に別の好適な実施形態として、 前記統計モデル式の精度評価に、ニューラルネットワークモデルを用いたものがあげられる。
【００１８】
統計モデル式を構築するにあたり、まず、ニューラルネットワークモデルを用いて入力変数と出力変数の間の関係を求める。そして、ニューラルネットワークモデルを用いた濃縮度の推定値と実測値が良好に合致するならば、統計モデル式の精度評価にニューラルネットワークモデルを用いることができる。
【００１９】
【発明の実施の形態】
本発明による濃縮度制御装置の好適な実施形態を図面により説明する。図１は、濃縮度制御装置により制御される設備の構成を示す。
【００２０】
図１において、大きく分けて燃焼設備１と濃縮設備２とが設けられている。燃焼設備１の燃焼炉１０には、重油と廃油、これら燃料を燃焼させるための燃焼空気、有機廃水、この有機廃水を燃焼させるための有機廃水用燃焼空気とが投入される。燃焼設備１から発生する排ガスは、排ガス管３を通って濃縮設備２に送り込まれる。
【００２１】
濃縮設備２は濃縮缶２０を有し、濃縮缶の底部から工場等から排出される排水が仕込まれる。仕込まれた排水は、濃縮缶２０にて蒸留されて所定の濃度の濃縮液が取り出される。濃縮液は濃縮缶２０の上部から蒸気として取り出された後、熱交換器４により凝縮された凝縮液として留出ドラム５へ送られる。蒸気として取り出されなかった仕込み排水は、濃縮缶２０の底部から取り出されて缶出ドラム６へ送り込まれる。
【００２２】
濃縮設備２において排水の蒸留を行うためには熱源が必要であるが、その熱源として燃焼設備１から送り込まれてくる排ガスを利用している。排ガスは、排ガス管３により送られるが、排ガス管３は濃縮設備２に至る途中で分岐しており、経路の１つは濃縮缶２０の内部の管３０であり、もう１つはバイパス管３１である。管３０を排ガスを通過させることにより、排ガスを熱源として利用することができる。管３０は、濃縮缶２０の上部から内部に入り込み、下部から外部に出てきて、バイパス管３１と合流し、煙道へとつながる。
【００２３】
バイパス管３１の途中には、バイパス弁７が設けられており、バイパス管３１を通過する排ガスの量を調整することができる。つまり、バイパス弁７の開度を制御することにより、バイパス管３１を通過する排ガスの量を制御することができ、濃縮缶２０の内部に送り込まれる排ガスの量を制御することができる。その結果、濃縮缶２０に送り込まれる熱源の熱量が変わるため、濃縮液の濃縮度を変えることができる。
【００２４】
以後の説明において、濃縮缶２０に仕込まれる排水のことを「仕込み排水」、その量を「仕込み量」、濃縮液として取り出されるものを「留出液」、 その量を「留出量」、底部から取り出される液を「缶出液」、 その量を「缶出量」と称するものとする。濃縮された留出液は再び工場に送られて再利用に供される。
【００２５】
ここで、留出液の濃縮度を［Ｎ］、仕込み量を［Ｆ］、留出量を［Ｄ］、缶出量を［Ｂ］とすると、次の関係が成り立つ。
［Ｎ］＝１００×［Ｄ］／［Ｆ］
［Ｎ］＝１００×（１−［Ｂ］／［Ｆ］）
そして、濃縮された留出液を取り出すにあたり、濃縮度が安定した状態で取り出せるようにしなければならない。そのため、濃縮度制御装置を設けてバイパス弁７の開度を制御し、安定した濃縮度の留出液が取り出せるようにしている。
【００２６】
図２は、制御系の構成を示す概念図である。濃縮度制御装置８（以下、単に制御装置という）は、燃焼設備１からの入力変数として燃料用燃焼空気量、有機廃水用燃焼空気量、有機廃水量（これらはプロセス操作データに相当する。）、燃焼炉温度（プロセス状態量に相当する。）、濃縮設備２からの入力変数として濃縮度（プロセス状態量に相当する。）が入力され、出力変数としてのバイパス弁７の開度を制御する。制御装置８には、濃縮度予測モデル（統計モデル）が組み込まれており、周知のＰＩＤ制御によりバイパス弁７の開度を制御する。
【００２７】
制御装置８には、統計モデルが組み込まれているが、この設備における入力変数と出力変数の関係を明確化するにあたり、本発明者らは、 鋭意検討した結果、知的推論モデルを提案した。そして、この知的推論モデルをベースにして、 平易な一般線形モデルを導くことにより、出力変数である濃縮度の安定化を達成した。その結果、 従来行われていたオペレータによる頻繁なバイパス弁の調整作業が不要になることを見出したものである。
【００２８】
知的推論モデルとは、統計解析に基づくプロセスシミュレーションモデルの一種であり、ニューラルネットワーク、ファジーニューラルネットワーク、遺伝的アルゴリズム、 人工知能等を用いるものがあげられる。これらは、いずれもパソコン程度の演算能力を有する計算機を使用すれば、 実用的な処理速度のプログラムを構築することができる。また、計算プログラム自体も市販されており、これらを利用することもできる。
【００２９】
そこで、本発明においては知的推論モデルとしてニューラルネットワークモデルを採用した。そのため、入力変数として、燃料流量、廃油流量、有機廃水流量、燃料用燃焼空気量、 有機廃水燃焼空気量、燃焼炉温度、バイパス弁開度、気温の８つを選定し、出力変数として濃縮度を選定してニューラルネットワークモデルを構築した。また、入出力間に存在する時間遅れは無駄時間の形で表わし、ニューラルネットワークモデルと実測値との間の自乗誤差が最も小さくなる点を、１分から３０分の間で試行的に求めた結果、 １５分と決定した。なお、時間遅れとは、入力変数の変動が出力変数の変動として現われるまでの時間的な遅れのことをいう。例えば、バイパス弁の開度を変えたとしても、その影響が直ちに濃縮度の変化に表れるのではなく、ある時間遅れをもって表れるので、これを考慮する必要がある。また、モデル構築のためのデータの取得は、１分間に一度の間隔で行う。
【００３０】
図３は、濃縮度の実測値と、ニューラルネットワークモデル推定値とを比較したものである。グラフにおいて、縦軸は濃縮度（％）を表わしており、中心値ＳＶに対して±１０％の範囲で振れているのが分かる。横軸は、時間（日にち）である。実測値は破線、推定値は実線で示されているが、両者は良く合致していることが分かる。これにより、ニューラルネットワークモデルが十分高い精度を有することが明らかとなった。ニューラルネットワークモデルの精度が十分であることから、一般線形モデル式により統計モデル式を構築することができるものと考えられる。この点を、 以下説明する。
【００３１】
まず、上記のように構築したニューラルネットワークモデルを用いてシミュレーションを行い、各入力変数の濃縮度に対する影響を調べた。すなわち、ニューラルネットワークモデル上で影響を調査したい入力変数以外のすべての入力変数を平均値に固定する。そして、調査したい入力変数のみを実際に測定データの存在する数値範囲を横軸にとって、最小値から最大値まで変化させ、このときの濃縮度の推定値を縦軸に取ったグラフで表現した。これらを図４（ａ）〜（ｆ）及び図５（ｇ）（ｈ）に示す。
【００３２】
これらの図において、グラフの傾きが大きいものほど、濃縮度に大きな影響を与えることがわかる。次に、ニューラルネットワークモデルの精度と同等の精度を有し、制御装置８に容易に組み込むことのできる平易な一般線形モデルを構築する場合の手順を説明する。
【００３３】
＜モデル式の形の決定＞
ニューラルネットワークモデルのシミュレーション結果を基に、各入力変数の２次式の和で構成される線形モデル式（１）を考案し、実測されたデータから線形モデル式のパラメータを回帰することにより線形モデルを構築した。この線形モデルがニューラルネットワークモデルと同等の精度を有することを確認することができたので、さらに、各入力変数の１次式の和で構成される線形モデル式（２）を考案した。そして、この式（２）の場合でも目立った精度の低下がないことを確認した。
【００３４】
そこで、線形モデル式としては、 より簡便な式である式（２）を使用することにした。なお、式中の添字ｉは、８つの入力変数に対応し、［Ｎ］は濃縮度、ｘi は、入力変数、Ｐはパラメータを示す。
【００３５】
【数１】
【数２】
＜入力変数の選定＞
上記の線形モデル式では、入力変数として８項目を選定しているが、モデル式を簡素化するためには入力変数の数を減らすことが好ましい。そこで、上記ニューラルネットワークモデルで選定した８つの入力変数に対して、 線形モデルにおいて試行的に変数を減らしていき、線形モデルの精度を維持することのできる入力変数として、有機廃水流量、燃料用燃焼空気量、 有機廃水用燃焼空気量、 燃焼炉温度、バイパス弁開度の５つを選定した。そして、残りの３つの変数を入力変数から除外した。例えば、廃油については量を変化させても濃縮度に対しての影響度はほとんどなく、除外しても問題はないと考えられる。
【００３６】
この５つの入力変数を用いた線形モデルとニューラルネットワークモデルとの比較を図６に示す。この図において、線形モデル推定値を実線で示し、ニューラルネットワークモデル推定値を破線で示す。この図６から、ニューラルネットワークモデルと同程度の精度を有することが確認できた。
【００３７】
次に、 上記の一般線形モデル式を変形し、目標濃縮度からプロセス操作変数であるバイパス弁開度を求める下記式（３）に改良し、この式をフィードフォワード制御用の統計モデル式とした。なお、式中におけるＡ１〜Ａ５は、パラメータである。
【００３８】
［バイパス弁開度］＝
Ａ１×［濃縮度目標値］
＋Ａ２×［燃料用燃焼空気量］
＋Ａ３×［有機廃水用燃焼空気量］
＋Ａ４×［有機廃水量］
＋Ａ５×［燃焼炉温度］ ・・・式（３）
上記のように構築したフィードフォワード制御モデルと、濃縮度を被制御変数としバイパス弁開度を操作変数としたＰＩＤフィードバック制御とを組み合わせて制御装置８に組み込むことにより（図２参照）、従来のオペレータによるバイパス弁の手動調整作業が不要になった。
【００３９】
図７は、 式（３）の統計モデル式による制御を適用した場合の効果を示すグラフである。グラフの上側に濃縮度の変化を示し、下側にバイパス弁開度（ＣＶ開度）を示す。制御適用前は、オペレータの手動調整を行っていた期間であり、濃縮度のばらつきも大きい。調整期間は、式（３）の最適なパラメータＡ１〜Ａ５を見つけるための調整段階である。制御適用後は、パラメータの確定した統計モデル式による制御を行っている段階である。このグラフからも分かるように、濃縮度の振れ幅が±２％程度に収まっており、改善されていることがわかる。
【００４０】
＜別実施形態＞
（１）本発明にかかる濃縮度制御装置が適用される設備は図１の実施形態に限定されるものではなく、例えば、濃縮缶２０を２段以上設け、段階的に蒸留するような設備の場合にも本発明は適用可能である。
【００４１】
（２）出力変数として濃縮度を選定しているが、これに代えて、缶出量や留出量を選定してもよい。これらの量は濃縮度と同じような（一対一の）変動をするからである。
【００４２】
（３）本実施形態では開度を制御するコントロール弁（バイパス弁）をバイパス管３１に設けているが、これに代えて濃縮設備２へのフィード側の排ガス管３に設けてもよい。つまり、排ガス流量を制御できるのであれば、特定の設置個所に限定されるものではない。
【図面の簡単な説明】
【図１】濃縮度制御装置により制御される設備の構成を示す図
【図２】制御系の構成を示す概念図
【図３】ニューラルネットワークモデル推定値と実測値との比較を示すグラフ
【図４】ニューラルネットワークモデルによる濃縮度の推定値を各入力変数別にシミュレーションを行った結果を示す図
【図５】ニューラルネットワークモデルによる濃縮度の推定値を各入力変数別にシミュレーションを行った結果を示す図
【図６】ニューラルネットワークモデルと線形モデルの推定値を比較して示すグラフ
【図７】式（３）の統計モデル式による制御を適用した場合の効果を示すグラフ
【符号の説明】
１ 燃焼設備
２ 濃縮設備
５ 留出ドラム
６ 缶出ドラム
７ バイパス弁
８ 濃縮度制御装置
１０ 燃焼炉
２０ 濃縮缶
３１ バイパス管
【発明の属する技術分野】
本発明は、送り込まれる排液を熱源を用いて蒸留することにより、濃縮された濃縮液を取り出すにあたり、燃焼設備から排出される排ガスを前記熱源として利用する濃縮設備のための濃縮度制御装置及び濃縮度制御方法に関する。
【０００２】
【従来の技術】
上記の濃縮設備は、例えば、上位に位置する工場等から排出されてくる排水等の排液を蒸留して濃縮した濃縮液として取り出し、これを再び工場等に送り返してリサイクルを行う。濃縮設備に送り込まれてくる排液を蒸留するためには熱源が必要であるが、この熱源として燃焼設備から排出される排ガスを利用している。
【０００３】
この燃焼設備には、廃油や有機廃水等と共に燃焼空気が投入され、廃油や有機廃水等を燃焼させることで排ガスを発生させ、この排ガスを濃縮設備へ供給し、熱源として利用している。
【０００４】
ところが、燃焼設備に投入される廃油や燃焼空気等の投入量は同じ量ではなく、常に変動している。その他にも、燃焼設備の炉内温度や燃焼設備や濃縮設備が設置されている環境温度も変動する。したがって、濃縮設備に供給される排ガスの熱量も絶えず変動し、濃縮設備から取り出される濃縮液の濃縮度も絶えず変動する。濃縮度が変動すると、設備全体の操業が安定しなくなるため、濃縮度が安定した数値を取るような調整を行っている。
【０００５】
そのため、燃焼設備から濃縮設備へ排ガスを供給する供給パイプを一部煙道へと分岐させると共に、その分岐管の途中にバイパス管を設け、バイパス管をバイパスさせるガス流量を調整するバイパス弁を設けている。このバイパス弁の開度を調整することで、濃縮設備へ供給される排ガスの量を調整し、供給される熱量の変動を抑え、濃縮度が安定するようにオペレータが操作を行っている。
【０００６】
【発明が解決しようとする課題】
しかしながら、濃縮度を安定させるためには、上記バイパス弁の調整を頻繁に行う必要があり、オペレータの労力的な負担が大きい。また、オペレータの経験やカンに頼る部分も多く、調整を行ったとしても、濃縮度の振れ幅は目標値に対して±１０％程度の大きな幅となっており、改善が望まれていた。
【０００７】
さらに付言すると、従来のオペレータによる調整は、結果として現われた濃縮度の変動を抑制するための調整であり、プロセス操作データやプロセス状態量の変化から濃縮度の変動を事前に予測するものではない。
【０００８】
また、燃焼設備への投入物の量や、排ガスの供給量（これらは入力量）が、濃縮度（出力量）に対して強い影響力を有することは明らかであるが、これらの入出力関係を表現する方法として、熱力学や物理学のモデル式を用いる方法が考えられる。しかし、この場合は、計測器から得られる入力情報の精度が十分でなく、また、ヒートロスや外気温の影響、その他の未知の外的要因の影響を含めてモデルを表現することが困難である。仮にモデルを表現できたとしても、モデルの構造が複雑となり、本発明における濃縮設備のための濃縮度制御装置として容易に組み込むことができない。
【０００９】
本発明は上記実情に鑑みてなされたものであり、その課題は、オペレータによる頻繁な調整を不要としながらも、濃縮設備から取り出される濃縮液の濃縮度をオペレータによる調整よりも安定させることのできる濃縮設備の濃縮度制御装置及び濃縮度制御方法を提供することである。
【００１０】
【課題を解決するための手段】
上記課題を解決するため本発明に係る濃縮設備の濃縮度制御装置は、濃縮設備に送り込まれる排液を熱源を用いて蒸留することにより、濃縮された濃縮液を取り出すにあたり、燃焼設備から排出される排ガスを前記熱源として利用する濃縮設備のための濃縮度制御装置であって、前記濃縮液の濃縮度を安定化させるために、燃料用燃焼空気量、有機廃水用燃焼空気量、有機廃水量、燃焼炉温度、および、バイパス弁開度を入力変数とし、かつ、前記濃縮液の前記濃縮度、又は、前記濃縮度と一対一の関係にある出力値を出力変数とした統計モデル式を用いたフィードフォワード制御と、前記濃縮度を被制御変数とし、バイパス弁開度を操作変数としたＰＩＤフィードバック制御を行うことを特徴とするものである。
【００１１】
この構成による、濃縮度制御装置の作用・効果は、以下の通りである。この装置は、統計モデル式を用いたフィードフォワード制御を行う。統計モデル式は、過去のプロセス操作データとプロセス状態量（燃料用燃焼空気量、有機廃水用燃焼空気量、有機廃水量、燃焼炉温度、および、バイパス弁開度）を入力変数としており、これを統計モデル式に入力して出力変数である濃縮度等を予測することができる。これにより、濃縮度の将来の変動を抑制しながら、バイパス弁の開度を制御することで、濃縮度を安定させることができる。なお、濃縮度は、濃縮設備への排液仕込み量に対する取り出される濃縮液の量の割合であるから、出力変数としては濃縮度ではなく、濃縮液の量（いわゆる留出量）や仕込み量から濃縮液の量を引いた量（いわゆる缶出量）を出力変数としてもよい。これら留出量や缶出量は、濃縮度と同じような変動をし、濃縮度と一対一の関係にあるからである。
【００１２】
以上のように、 オペレータによる頻繁な調整を不要としながらも、濃縮設備から取り出される濃縮液の濃縮度をオペレータによる調整よりも安定させることのできる濃縮設備の濃縮度制御装置を提供することができる。また、発明の実施の形態の欄で後述するが、入力変数として少なくともこれらのパラメータを選択することにより、統計モデル式の精度を実用的なレベルに維持できることがわかった。
【００１５】
本発明の別の好適な実施形態として、 前記統計モデル式が、線形モデル式であるものがあげられる。
【００１６】
統計モデル式を線形モデルで構成することにより、式を簡素化し、これにより、演算処理スピードを速くすることができる。
【００１７】
本発明の更に別の好適な実施形態として、 前記統計モデル式の精度評価に、ニューラルネットワークモデルを用いたものがあげられる。
【００１８】
統計モデル式を構築するにあたり、まず、ニューラルネットワークモデルを用いて入力変数と出力変数の間の関係を求める。そして、ニューラルネットワークモデルを用いた濃縮度の推定値と実測値が良好に合致するならば、統計モデル式の精度評価にニューラルネットワークモデルを用いることができる。
【００１９】
【発明の実施の形態】
本発明による濃縮度制御装置の好適な実施形態を図面により説明する。図１は、濃縮度制御装置により制御される設備の構成を示す。
【００２０】
図１において、大きく分けて燃焼設備１と濃縮設備２とが設けられている。燃焼設備１の燃焼炉１０には、重油と廃油、これら燃料を燃焼させるための燃焼空気、有機廃水、この有機廃水を燃焼させるための有機廃水用燃焼空気とが投入される。燃焼設備１から発生する排ガスは、排ガス管３を通って濃縮設備２に送り込まれる。
【００２１】
濃縮設備２は濃縮缶２０を有し、濃縮缶の底部から工場等から排出される排水が仕込まれる。仕込まれた排水は、濃縮缶２０にて蒸留されて所定の濃度の濃縮液が取り出される。濃縮液は濃縮缶２０の上部から蒸気として取り出された後、熱交換器４により凝縮された凝縮液として留出ドラム５へ送られる。蒸気として取り出されなかった仕込み排水は、濃縮缶２０の底部から取り出されて缶出ドラム６へ送り込まれる。
【００２２】
濃縮設備２において排水の蒸留を行うためには熱源が必要であるが、その熱源として燃焼設備１から送り込まれてくる排ガスを利用している。排ガスは、排ガス管３により送られるが、排ガス管３は濃縮設備２に至る途中で分岐しており、経路の１つは濃縮缶２０の内部の管３０であり、もう１つはバイパス管３１である。管３０を排ガスを通過させることにより、排ガスを熱源として利用することができる。管３０は、濃縮缶２０の上部から内部に入り込み、下部から外部に出てきて、バイパス管３１と合流し、煙道へとつながる。
【００２３】
バイパス管３１の途中には、バイパス弁７が設けられており、バイパス管３１を通過する排ガスの量を調整することができる。つまり、バイパス弁７の開度を制御することにより、バイパス管３１を通過する排ガスの量を制御することができ、濃縮缶２０の内部に送り込まれる排ガスの量を制御することができる。その結果、濃縮缶２０に送り込まれる熱源の熱量が変わるため、濃縮液の濃縮度を変えることができる。
【００２４】
以後の説明において、濃縮缶２０に仕込まれる排水のことを「仕込み排水」、その量を「仕込み量」、濃縮液として取り出されるものを「留出液」、 その量を「留出量」、底部から取り出される液を「缶出液」、 その量を「缶出量」と称するものとする。濃縮された留出液は再び工場に送られて再利用に供される。
【００２５】
ここで、留出液の濃縮度を［Ｎ］、仕込み量を［Ｆ］、留出量を［Ｄ］、缶出量を［Ｂ］とすると、次の関係が成り立つ。
［Ｎ］＝１００×［Ｄ］／［Ｆ］
［Ｎ］＝１００×（１−［Ｂ］／［Ｆ］）
そして、濃縮された留出液を取り出すにあたり、濃縮度が安定した状態で取り出せるようにしなければならない。そのため、濃縮度制御装置を設けてバイパス弁７の開度を制御し、安定した濃縮度の留出液が取り出せるようにしている。
【００２６】
図２は、制御系の構成を示す概念図である。濃縮度制御装置８（以下、単に制御装置という）は、燃焼設備１からの入力変数として燃料用燃焼空気量、有機廃水用燃焼空気量、有機廃水量（これらはプロセス操作データに相当する。）、燃焼炉温度（プロセス状態量に相当する。）、濃縮設備２からの入力変数として濃縮度（プロセス状態量に相当する。）が入力され、出力変数としてのバイパス弁７の開度を制御する。制御装置８には、濃縮度予測モデル（統計モデル）が組み込まれており、周知のＰＩＤ制御によりバイパス弁７の開度を制御する。
【００２７】
制御装置８には、統計モデルが組み込まれているが、この設備における入力変数と出力変数の関係を明確化するにあたり、本発明者らは、 鋭意検討した結果、知的推論モデルを提案した。そして、この知的推論モデルをベースにして、 平易な一般線形モデルを導くことにより、出力変数である濃縮度の安定化を達成した。その結果、 従来行われていたオペレータによる頻繁なバイパス弁の調整作業が不要になることを見出したものである。
【００２８】
知的推論モデルとは、統計解析に基づくプロセスシミュレーションモデルの一種であり、ニューラルネットワーク、ファジーニューラルネットワーク、遺伝的アルゴリズム、 人工知能等を用いるものがあげられる。これらは、いずれもパソコン程度の演算能力を有する計算機を使用すれば、 実用的な処理速度のプログラムを構築することができる。また、計算プログラム自体も市販されており、これらを利用することもできる。
【００２９】
そこで、本発明においては知的推論モデルとしてニューラルネットワークモデルを採用した。そのため、入力変数として、燃料流量、廃油流量、有機廃水流量、燃料用燃焼空気量、 有機廃水燃焼空気量、燃焼炉温度、バイパス弁開度、気温の８つを選定し、出力変数として濃縮度を選定してニューラルネットワークモデルを構築した。また、入出力間に存在する時間遅れは無駄時間の形で表わし、ニューラルネットワークモデルと実測値との間の自乗誤差が最も小さくなる点を、１分から３０分の間で試行的に求めた結果、 １５分と決定した。なお、時間遅れとは、入力変数の変動が出力変数の変動として現われるまでの時間的な遅れのことをいう。例えば、バイパス弁の開度を変えたとしても、その影響が直ちに濃縮度の変化に表れるのではなく、ある時間遅れをもって表れるので、これを考慮する必要がある。また、モデル構築のためのデータの取得は、１分間に一度の間隔で行う。
【００３０】
図３は、濃縮度の実測値と、ニューラルネットワークモデル推定値とを比較したものである。グラフにおいて、縦軸は濃縮度（％）を表わしており、中心値ＳＶに対して±１０％の範囲で振れているのが分かる。横軸は、時間（日にち）である。実測値は破線、推定値は実線で示されているが、両者は良く合致していることが分かる。これにより、ニューラルネットワークモデルが十分高い精度を有することが明らかとなった。ニューラルネットワークモデルの精度が十分であることから、一般線形モデル式により統計モデル式を構築することができるものと考えられる。この点を、 以下説明する。
【００３１】
まず、上記のように構築したニューラルネットワークモデルを用いてシミュレーションを行い、各入力変数の濃縮度に対する影響を調べた。すなわち、ニューラルネットワークモデル上で影響を調査したい入力変数以外のすべての入力変数を平均値に固定する。そして、調査したい入力変数のみを実際に測定データの存在する数値範囲を横軸にとって、最小値から最大値まで変化させ、このときの濃縮度の推定値を縦軸に取ったグラフで表現した。これらを図４（ａ）〜（ｆ）及び図５（ｇ）（ｈ）に示す。
【００３２】
これらの図において、グラフの傾きが大きいものほど、濃縮度に大きな影響を与えることがわかる。次に、ニューラルネットワークモデルの精度と同等の精度を有し、制御装置８に容易に組み込むことのできる平易な一般線形モデルを構築する場合の手順を説明する。
【００３３】
＜モデル式の形の決定＞
ニューラルネットワークモデルのシミュレーション結果を基に、各入力変数の２次式の和で構成される線形モデル式（１）を考案し、実測されたデータから線形モデル式のパラメータを回帰することにより線形モデルを構築した。この線形モデルがニューラルネットワークモデルと同等の精度を有することを確認することができたので、さらに、各入力変数の１次式の和で構成される線形モデル式（２）を考案した。そして、この式（２）の場合でも目立った精度の低下がないことを確認した。
【００３４】
そこで、線形モデル式としては、 より簡便な式である式（２）を使用することにした。なお、式中の添字ｉは、８つの入力変数に対応し、［Ｎ］は濃縮度、ｘi は、入力変数、Ｐはパラメータを示す。
【００３５】
【数１】
上記の線形モデル式では、入力変数として８項目を選定しているが、モデル式を簡素化するためには入力変数の数を減らすことが好ましい。そこで、上記ニューラルネットワークモデルで選定した８つの入力変数に対して、 線形モデルにおいて試行的に変数を減らしていき、線形モデルの精度を維持することのできる入力変数として、有機廃水流量、燃料用燃焼空気量、 有機廃水用燃焼空気量、 燃焼炉温度、バイパス弁開度の５つを選定した。そして、残りの３つの変数を入力変数から除外した。例えば、廃油については量を変化させても濃縮度に対しての影響度はほとんどなく、除外しても問題はないと考えられる。
【００３６】
この５つの入力変数を用いた線形モデルとニューラルネットワークモデルとの比較を図６に示す。この図において、線形モデル推定値を実線で示し、ニューラルネットワークモデル推定値を破線で示す。この図６から、ニューラルネットワークモデルと同程度の精度を有することが確認できた。
【００３７】
次に、 上記の一般線形モデル式を変形し、目標濃縮度からプロセス操作変数であるバイパス弁開度を求める下記式（３）に改良し、この式をフィードフォワード制御用の統計モデル式とした。なお、式中におけるＡ１〜Ａ５は、パラメータである。
【００３８】
［バイパス弁開度］＝
Ａ１×［濃縮度目標値］
＋Ａ２×［燃料用燃焼空気量］
＋Ａ３×［有機廃水用燃焼空気量］
＋Ａ４×［有機廃水量］
＋Ａ５×［燃焼炉温度］ ・・・式（３）
上記のように構築したフィードフォワード制御モデルと、濃縮度を被制御変数としバイパス弁開度を操作変数としたＰＩＤフィードバック制御とを組み合わせて制御装置８に組み込むことにより（図２参照）、従来のオペレータによるバイパス弁の手動調整作業が不要になった。
【００３９】
図７は、 式（３）の統計モデル式による制御を適用した場合の効果を示すグラフである。グラフの上側に濃縮度の変化を示し、下側にバイパス弁開度（ＣＶ開度）を示す。制御適用前は、オペレータの手動調整を行っていた期間であり、濃縮度のばらつきも大きい。調整期間は、式（３）の最適なパラメータＡ１〜Ａ５を見つけるための調整段階である。制御適用後は、パラメータの確定した統計モデル式による制御を行っている段階である。このグラフからも分かるように、濃縮度の振れ幅が±２％程度に収まっており、改善されていることがわかる。
【００４０】
＜別実施形態＞
（１）本発明にかかる濃縮度制御装置が適用される設備は図１の実施形態に限定されるものではなく、例えば、濃縮缶２０を２段以上設け、段階的に蒸留するような設備の場合にも本発明は適用可能である。
【００４１】
（２）出力変数として濃縮度を選定しているが、これに代えて、缶出量や留出量を選定してもよい。これらの量は濃縮度と同じような（一対一の）変動をするからである。
【００４２】
（３）本実施形態では開度を制御するコントロール弁（バイパス弁）をバイパス管３１に設けているが、これに代えて濃縮設備２へのフィード側の排ガス管３に設けてもよい。つまり、排ガス流量を制御できるのであれば、特定の設置個所に限定されるものではない。
【図面の簡単な説明】
【図１】濃縮度制御装置により制御される設備の構成を示す図
【図２】制御系の構成を示す概念図
【図３】ニューラルネットワークモデル推定値と実測値との比較を示すグラフ
【図４】ニューラルネットワークモデルによる濃縮度の推定値を各入力変数別にシミュレーションを行った結果を示す図
【図５】ニューラルネットワークモデルによる濃縮度の推定値を各入力変数別にシミュレーションを行った結果を示す図
【図６】ニューラルネットワークモデルと線形モデルの推定値を比較して示すグラフ
【図７】式（３）の統計モデル式による制御を適用した場合の効果を示すグラフ
【符号の説明】
１ 燃焼設備
２ 濃縮設備
５ 留出ドラム
６ 缶出ドラム
７ バイパス弁
８ 濃縮度制御装置
１０ 燃焼炉
２０ 濃縮缶
３１ バイパス管
Claims (4)
- 濃縮設備に送り込まれる排液を熱源を用いて蒸留することにより、濃縮された濃縮液を取り出すにあたり、燃焼設備から排出される排ガスを前記熱源として利用する濃縮設備のための濃縮度制御装置であって、前記濃縮液の濃縮度を安定化させるために、過去の燃料用燃焼空気量、有機廃水用燃焼空気量、有機廃水流量、燃焼炉温度、および、バイパス弁開度を入力変数とし、かつ、前記濃縮液の前記濃縮度、又は、前記濃縮度と一対一の関係にある出力値を出力変数とした統計モデル式を用いたフィードフォワード制御と、前記濃縮度を被制御変数とし、バイパス弁開度を操作変数としたＰＩＤフィードバック制御を行うことを特徴とする濃縮設備の濃縮度制御装置。
- 前記統計モデル式が、線形モデル式であることを特徴とする請求項１に記載の濃縮設備の濃縮度制御装置。
- 濃縮設備に送り込まれる排液を熱源を用いて蒸留することにより、濃縮された濃縮液を取り出すにあたり、燃焼設備から排出される排ガスを前記熱源として利用する濃縮設備のための濃縮度制御方法であって、前記濃縮液の濃縮度を安定化させるために、過去の燃料用燃焼空気量、有機廃水用燃焼空気量、有機廃水量、燃焼炉温度、および、バイパス弁開度を入力変数とし、かつ、前記濃縮液の前記濃縮度、又は、前記濃縮度と一対一の関係にある出力値を出力変数とした統計モデル式を用いたフィードフォワード制御と、前記濃縮度を被制御変数とし、バイパス弁開度を操作変数としたＰＩＤフィードバック制御を行うことを特徴とする濃縮設備の濃縮度制御方法。
- 前記統計モデル式の精度評価に、ニューラルネットワークモデルを用いたことを特徴とする請求項３に記載の濃縮設備の濃縮度制御方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001161814A JP4381628B2 (ja) | 2001-05-30 | 2001-05-30 | 濃縮設備の濃縮度制御装置及び濃縮度制御方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001161814A JP4381628B2 (ja) | 2001-05-30 | 2001-05-30 | 濃縮設備の濃縮度制御装置及び濃縮度制御方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2002355666A JP2002355666A (ja) | 2002-12-10 |
| JP4381628B2 true JP4381628B2 (ja) | 2009-12-09 |
Family
ID=19005035
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001161814A Expired - Fee Related JP4381628B2 (ja) | 2001-05-30 | 2001-05-30 | 濃縮設備の濃縮度制御装置及び濃縮度制御方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4381628B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105676649A (zh) * | 2016-04-09 | 2016-06-15 | 北京工业大学 | 一种基于自组织神经网络的污水处理过程控制方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006187737A (ja) * | 2005-01-07 | 2006-07-20 | Petroleum Energy Center | 原料切替時における各種装置の運転目標値設定方法 |
-
2001
- 2001-05-30 JP JP2001161814A patent/JP4381628B2/ja not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105676649A (zh) * | 2016-04-09 | 2016-06-15 | 北京工业大学 | 一种基于自组织神经网络的污水处理过程控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2002355666A (ja) | 2002-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3949164B2 (ja) | 非線形プロセスを制御するためのフィードバック法 | |
| KR101390913B1 (ko) | 연소 프로세스 조정 방법 | |
| CN101542464B (zh) | 对具有大时滞的工艺的模糊逻辑控制 | |
| CN110618706A (zh) | 一种基于数据驱动的多级智能脱硝在线优化控制系统 | |
| JP4381628B2 (ja) | 濃縮設備の濃縮度制御装置及び濃縮度制御方法 | |
| JP4188859B2 (ja) | 廃棄物処理プラント設備の運転制御方法及び運転制御装置 | |
| JPH05313705A (ja) | プロセス制御方法および装置 | |
| JP2005242524A (ja) | 処理プラント設備の運転制御方法及び運転制御装置 | |
| JP7384476B2 (ja) | ボイラー燃焼用通風構造の最適化方法およびシステム | |
| JP7430086B2 (ja) | プラント運転最適化支援装置、プラント運転最適化制御装置並びに方法 | |
| JP4201781B2 (ja) | 焼却炉の制御方法及び装置、並びにプログラム | |
| Aldemir et al. | Determination of optimal PID control parameters by response surface methodology | |
| Ayu et al. | Robust PID control design in CPS-based batch distillation column | |
| JPH09280503A (ja) | ボイラ蒸気供給系の蒸気圧力制御方法 | |
| CN112791566A (zh) | 一种SCR入口NOx浓度分区的预测方法 | |
| JPH09146610A (ja) | 多変数非線形プロセス・コントローラー | |
| JP2002219481A (ja) | 曝気槽の溶存酸素濃度の制御装置 | |
| JP4486628B2 (ja) | 焼却炉の制御方法及び装置、並びにプログラム | |
| JP2000129319A (ja) | 高炉炉熱制御方法及び装置 | |
| JP2007519089A5 (ja) | ||
| RU2783168C1 (ru) | Способ и система повышения энергоэффективности и низкоуглеродности работы промышленных технологических агрегатов, использующих газообразный, жидкий и твердый виды топлива | |
| JP2000257824A (ja) | 燃焼設備の制御方法及び装置 | |
| Juuso | Modelling and simulation in advanced control | |
| JP2005078477A (ja) | 運転操作検索方法及び運転操作検索装置 | |
| JPH11294741A (ja) | ボイラ付き焼却プラントにおける燃焼制御方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070112 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20080204 |
|
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20080204 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20090608 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090623 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090820 |
|
| 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: 20090909 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20090916 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121002 Year of fee payment: 3 |
|
| 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: 20131002 Year of fee payment: 4 |
|
| LAPS | Cancellation because of no payment of annual fees |