JP6008618B2 - ごみ焼却炉におけるごみ状態検出装置 - Google Patents

Description

本発明は、ごみ焼却炉におけるごみ貯留用容器内のごみレベルなどのごみの状態を検出するためのごみ状態検出装置に関するものである。

従来、ごみ焼却炉には、炉内に投入するごみを貯留するためのごみ貯留用容器が具備されているとともに、炉内での燃焼を安定させるために、ごみ貯留用容器内のごみの表面高さであるごみレベルが一定に維持されている。このため、ごみ貯留用容器内のごみレベルが検出されていた。

従来、ごみレベルを検出する場合、超音波レベル計が用いられており、ごみ表面までの距離が超音波を用いて計測されていた（例えば、特許文献１参照）。

特開２００８−６４３６１号公報

しかし、超音波レベル計を用いた場合、投入されたごみの種類およびごみの表面形状によっては超音波の反射率が異なり計測誤差の発生につながるとともに、ごみを部分的にしか検知することができず、その検知部分にごみなどが偏り堆積すると誤検知につながり、したがって、その都度、運転員が工業用カメラなどの撮影画像で確認する必要があった。

このような動作により、ごみの投入が遅れたり、また燃焼室内でのごみ枯れの発生に繋がっていた。なお、超音波レベル計の替わりに工業用カメラを用いてもよいが、ごみレベルを検出するために、撮影画像にエッジ処理を施してごみ貯留用容器の壁面とごみとの境界を求めることも考えられるが、ごみ貯留用容器内に長尺のものが縦方向に引っ掛かって残留している場合があり、この場合には、エッジ処理で検出することができない場合があるとともに、ごみを投入するクレーンの画像や、光や影などの濃淡により、ごみレベルを正確に検出し得ないことがある。

そこで、本発明は、ごみ焼却炉において、例えばごみ貯留用容器内のごみレベルなどのごみ状態を正確に検出し得るごみ状態検出装置を提供することを目的とする。

上記課題を解決するため、本発明の請求項１に係るごみ焼却炉におけるごみ状態検出装置は、ごみ焼却炉の炉本体内にごみを供給するためのごみ貯留用容器内を撮影カメラにて撮影した撮影画像を所定時間間隔でもって取得する撮影画像取得部およびこの撮影画像取得部で取得された画像データからファジィｃ平均法を用いた識別器によりごみの表面高さであるごみレベルを判断するごみレベル判断部からなるごみレベル検出手段と、
上記ごみレベル判断部にて得られたごみレベルを時系列でもって入力して所定個数のごみレベルの平均値を求めるごみレベル平均値算出部、炉本体内の燃え切り点を検出する燃え切り点検出部およびこれら求められたごみレベル平均値および燃え切り点を入力してごみ枯れを予測する予測判断部からなるごみ枯れ予測手段とを備えたものである。

また、本発明の請求項２に係るごみ焼却炉におけるごみ状態検出装置は、請求項１に記載のごみ状態検出装置において、
ごみレベル判断部にて得られたごみレベルを時系列でもって入力して隣接するごみレベル値同士の差であるごみレベル差を求めるごみレベル差算出部およびこのごみレベル差算出部で求められたごみレベル差に基づきブリッジの有無を判断するブリッジ判断部からなるブリッジ検出手段を備えたものである。

上記ごみ状態検出装置の構成によると、ごみレベル検出手段によりごみレベルを検出するのに、ファジィｃ平均法による識別器を用いるようにしたので、従来のような超音波レベル計に比べて、ごみレベルを正確に検出することができる。

また、ごみ貯留用容器内のごみレベルをファジィｃ平均法を用いた識別器により検出するとともに、このごみレベルに基づきブリッジの有無を判断するようにしたので、より正確にブリッジの発生を知ることができる。

さらに、ファジィｃ平均法を用いた識別器により検出されたごみレベルに基づきごみ枯れを予測するようにしたので、より正確にごみ枯れを予測することができる。

本発明の実施の形態に係るごみ焼却炉の概略構成を示す模式図である。 同実施例に係るごみ焼却炉におけるごみ状態検出装置の概略構成を示すブロック図である。 同ごみ状態検出装置の構成を示すブロック図である。 同ごみ状態検出装置にて用いられるＦＣＭ識別器の概略構成を示すブロック図である。 同ＦＣＭ識別器によるファジィクラスタリングの説明図である。 同ＦＣＭ識別器によるクラス分けの説明図である。 同ＦＣＭ識別器を用いたごみレベルの値と、超音波センサを用いた計測結果との比較を示すグラフである。

以下、本発明の実施の形態に係るごみ焼却炉におけるごみ状態検出装置を、図１〜図７に基づき説明する。
まず、本発明に係るごみ状態検出装置が具備されるごみ焼却炉の概略構成について説明する。

図１に示すように、ごみ焼却炉は例えばストーカ炉であって、その炉本体１内には、前部にごみ供給口２が、中央に火格子３が、後部に焼却残渣取出口４がそれぞれ設けられて、ごみを燃焼させ且つ前寄り上方にフリーボード空間部が設けられた燃焼室５が具備され、またこの燃焼室５で発生した排ガスを外部に導くための第１煙道６および熱回収用のボイラ部７が配置された第２煙道８が設けられている。

このごみ焼却炉には、炉本体１内にごみを供給するためのごみ供給装置１１、燃焼制御およびごみ投入指令などの制御を行う制御装置（図示せず）などが具備されている。
上記ごみ供給装置１１は、下部に開口部１２ａが設けられるとともに上側にごみ貯留用空間部１２ｂが設けられた逆四角錐形状（ホッパー形状）のごみ貯留用容器１２と、このごみ貯留用容器１２の下部に配置されてその空間部１２ｂ内のごみを炉本体１側に押し出すためのごみ押出し装置１３と、ごみ貯留用容器１２の側壁部に設けられて当該容器内に発生するごみのブリッジを解消するためのブリッジ解除装置１４とから構成されている。

このブリッジ解除装置１４は、側壁部に設けられた開口部１２ｃに鉛直面内で揺動自在（矢印ａにて示す）に設けられた揺動板１５と、この揺動板１５をごみ貯留用容器１２の内外方向で揺動させるシリンダ装置１６とから構成されている。したがって、シリンダ装置１６を作動させることにより、揺動板１５をごみ貯留用容器１２内に揺動つまり出退させれば、ブリッジが解消される。

さらに、このごみ焼却炉には、本発明に係るごみ状態検出装置が具備されている。
図２に示すように、このごみ状態検出装置２１は、ごみ貯留用容器１２内のごみ表面高さであるごみレベルを検出するためのごみレベル検出手段（検出装置とも言う）２２と、このごみレベル検出手段２２により検出されたごみレベルに基づきごみ貯留用容器１２内にブリッジが発生しているか否かを検出するためのブリッジ検出手段（検出装置とも言う）２３と、上記ごみレベル検出手段２２により検出されたごみレベルおよび燃焼室５における火格子３上での燃え切り点（燃え切り位置）に基づきごみ枯れの発生を予測するごみ枯れ予測手段（予測装置とも言う）２４とが具備されている。

また、図１に示すように、ごみ状態、つまりごみの燃焼状態およびごみ貯留用容器１２内のごみレベルを検出するために、燃焼室５の後壁部１ａには、前方を撮影する炉内撮影用カメラ（例えば、ＣＣＤカメラなどの工業用カメラが用いられる）２６が設けられるとともに、ごみ貯留用容器１２内を撮影する容器内撮影用カメラ（例えば、ＣＣＤカメラなどの工業用カメラが用いられる）２７が設けられている。なお、炉内撮影用カメラ２６により、燃焼室５内が後壁側（焼却残渣取出口側）から前壁側（ごみ供給口側）に向かって撮影され、また容器内撮影用カメラ２７により、後壁側（炉本体側）から前壁側の下方に向かって、ごみ貯留用容器１２内が撮影される。

上記ごみレベル検出手段２２は、図３に示すように、上述した容器内撮影用カメラ２７と、この容器内撮影用カメラ２７にて例えば１秒間隔で撮影した撮影画像すなわち静止画を取得する撮影画像取得部３１と、この撮影画像取得部３１で取得された画像データを入力してファジィｃ平均法に基づきごみ表面高さであるごみレベルを判断するごみレベル判断部３２とから構成されている。

上記ブリッジ検出手段２３は、上記ごみレベル判断部３２で得られたごみレベルを時系列でもって入力してブリッジが発生したかどうか（ブリッジ発生の有無）を検出するものであり、時系列のごみレベル同士の差（ごみレベルの傾き）を求めるごみレベル差算出部４１と、このごみレベル差算出部４１で求められたごみレベル差を入力してブリッジの発生・ブリッジが発生していない正常・ごみのどか落ちなどの異常を判断するブリッジ判断部４２とから構成されている。

このブリッジ判断部４２では、ごみレベル差が複数の範囲、例えば３つの範囲のうち、どの範囲に入るかで判断される。例えば、予め、実験などにより、ブリッジが発生していないと判断し得るごみレベル差の範囲として２つの閾値（設定値とも言う）ｔ１，ｔ２を求めておき、ごみレベル差が０〜ｔ１の範囲内であれば、ブリッジが発生していると判断されるとともにその指標値が「１」とされる。また、ごみレベル差がｔ１〜ｔ２の範囲内であれば、ブリッジが発生していないと判断されるとともにその指標値が「０．５」とされる。さらに、ごみレベル差がｔ２を超えている場合には、ごみのどか落ちが発生していると判断されるとともにその指標値が「０」とされる。なお、ごみレベル差からブリッジの発生の有無を判断するのに、メンバーシップ関数を用いることもできる。

そして、最終的にブリッジ発生の有無を判断（判定）する際には、例えば時系列で求められた１０個分のごみレベルデータについて判断される。すなわち、１０個分のごみレベル差の指標値がメモリに保持されるとともに、これら１０個分の指標値が掛け算される。例えば、掛け算された指標値の値Ｓが、所定値（例えば、０．８）以上であれば、ブリッジが発生していると判断され、掛け算された指標値の値Ｓが、所定範囲内（例えば、０＜Ｓ＜０．８）であれば正常であると判断され、また掛け算された指標値の値Ｓが０（ゼロ）である場合には、どか落ちなどの異常が発生していると判断される。このように、複数のデータについて、その指標値を掛け算することにより、継続して同じレベルが維持されているか否かが判断される。

上記ごみ枯れ予測手段２４では、上記ごみレベル判断部３２で得られたごみレベルを時系列でもって入力するとともに火格子３上での燃え切り点に基づき燃焼室５内でのごみ枯れの発生が予測される。

このごみ枯れ予測手段２４は、炉内撮影用カメラ２６により撮影した燃焼室５内の静止画を所定時間間隔でもって、例えば１秒間隔でもって取得（入力）する燃焼室画像取得部５１と、この燃焼室画像取得部５１で取得された画像データからエッジ処理などの画像処理を行い燃え切り点を検出する燃え切り点検出部５２と、上記ごみレベル判断部３２で得られたごみレベルを時系列でもって入力して所定時間でのごみレベルの平均値を求めるごみレベル平均値算出部５３と、このごみレベル平均値算出部５３および燃え切り点検出部５２で得られた燃え切り点を入力してごみ枯れの発生を予測する予測判断部５４とから構成されている。

この予測判断部５４では、ごみレベル平均値が予め定められた閾値（設定値）より低く且つ燃え切り点が火格子３の前寄り（ごみ供給口２寄り）である場合に、「ごみ枯れが発生する」と言う予測が出力される。

ところで、上記ごみレベル検出手段２２では、ファジィｃ平均法（fuzzy c−means；ＦＣＭ識別法とも言われる）を用いたファジィクラスタリングが行われるため、ファジィｃ平均法による識別器（以下、ＦＣＭ識別器とも言い、ソフトウエアにより構成されている）３３が具備されている。

ここで、ＦＣＭ識別器３３による一般的なクラス分けについて説明しておく。
なお、ここでは、説明を簡単にするために、２つのクラスに分けるとともに、各クラスについても、２つのクラスターに分けるものとして説明する。

このファジィｃ平均法の適用に際しては、各種パラメータを選定する予備工程と実際に識別が行われる実工程とがある。
予備工程では、訓練用データが２つのクラスに分けられるとともに、各クラスについても、２つのクラスターに分けられる。

そして、このとき得られたクラスター中心位置（以下、クラスター中心と言う）、分散共分散行列などのデータおよび評価用データを用いて、メンバーシップ関数（後述する）の各パラメータの最適化が図られる。なお、訓練用データは、ごみ貯留用容器１２内における任意高さのごみ表面を撮影した画像データであり、評価用データについても、撮影用カメラにてごみ貯留用容器１２内を撮影した画像データである。

次に、ファジィｃ平均法について説明する。
このファジィｃ平均法は繰返し重み付き最小二乗法を用いるので目的関数Ｊ_ｉは下記（１）式のように設定される。

但し、（１）式中、ｕ_ｋｉはメンバーシップ、Ｄはマハラノビス距離で下記（２）式にて表わされる。

Ｓ_ｉは分散共分散行列（ファジィ分散共分散行列）、ｖ_ｉはデータの平均値つまりクラスター（ｉ）の中心で、それぞれ下記（３）式および（４）式にて表わされる。なお、ｋはデータ番号である。

また、クラスター（ｉ）の混合比率αを下記（５）式にて表わす。

上記（２）式〜（５）式を（１）式で示す目的関数値が収束するまで繰り返すのがＦＣＭ識別器によるクラスタリングである。

そして、予備工程には、マハラノビス距離を計算するためのクラスター中心と分散共分散行列を求めるために訓練用データのクラスタリングをクラス毎に行う第１フェーズと、メンバーシップ関数のパラメータの最適化を行うために評価用データをクラス毎に分類する第２フェーズとが具備されている。

ところで、ｋ番目のデータｘ_ｋのクラスｑへのメンバーシップ（値）（チルダｕ_ｑｋ）は下記（６）式にて表わされる。式中では、ｕの頭に、チルダの記号（〜）を付加しており、この「チルダｕ」を文章中では、「＊ｕ」として表記する。なお、メンバーシップ関数については、下記に示すように「ｕ^＊」と表記する。

（６）式中、ｕ_ｑｋｊ ^＊はクラスターｊに対するメンバーシップ関数で、下記（７）式で表わされる。

π_ｑはクラスｑの混合比率（訓練用データの混合比率）、すなわち事前確率であり、ｃはクラス毎のクラスターｊの数で、本実施例では２（ｃ＝２）である。

上記（７）式のメンバーシップ関数ｕ_ｑｋｊ ^＊には複数のパラメータが含まれており、これらのパラメータは、訓練用データおよび評価用データを用いて（訓練用データだけを用いてもよい）最適化が行われる。

そして、クラス分けを行う際に、計算時間の短縮化を図るために、セミハードクラスタリングが行われる。このセミハードクラスタリングにおいては、メンバーシップとして離散値（例えば、０．６とか、０．８など）が用いられる。

また、このセミハードクラスタリングにおいては、クラスを２つに分けるとともに、これら各クラスを２つのクラスターに分けるものとする。これは、経験上、各クラスを２つのクラスターに分割するのが、効率良くクラスタリングを行い得ることが判っているからである。なお、クラスター個数については、２つに限定されるものでもなく、例えば１つまたは３つ以上であってもよい。例えば、上記離散値を０．５とすると、クラスター数は１となり、離散値を１．０とすると、ハード（ファジィではない）な２つのクラスターとなる。上記クラスの個数については、２個として説明したが（するが）、勿論、３個以上でもよく、後で詳述する本実施の形態の場合では５個とされる。

第１フェーズでは、訓練用データを用いて、クラス毎にセミハードクラスタリングが行われる。
すなわち、ハードとファジイの中間的なセミハードクラスタリングをするために、メンバーシップｕ_ｋｉを下記（８）式のように設定する。

以下、具体的な手順について説明する（クラスター数（ｉ）は２個とする）。なお、βは上述した離散値で指定される。
まず、クラスター毎の初期メンバーシップ（ｕ_ｋ１，ｕ_ｋ２）を下記（９）式および（１０）式のように設定する。

なお、上記式中、ｆ_ｋは１つのクラスの画像データｘ_ｋの主成分得点である。

上記の式により、メンバーシップが与えられると、（４）式からｖを、（３）式からＳを求め、そして（２）式と（３）式とからマハラノビス距離Ｄを求め、（８）式でメンバーシップｕを更新する。この更新は、メンバーシップが収束するまで繰り返し行われる。

次に、訓練用データを用いて、各クラス毎（クラス１，２）にクラスタリングを行う。すなわち、各クラスをそれぞれ２つのクラスターに分割する。
このとき、目的関数Ｊを用いてセミハードクラスタリングを行う。

すなわち、目的関数Ｊが最小となるような訓練用データ毎のメンバーシップｕを求める。これにより、各クラスターの中心ｖとそのメンバーシップｕとが求められる。
そして、上記求められたメンバーシップｕに基づき、各クラス毎にクラスタリングが行われる。

第２フェーズでは、評価用データを用いてクラスタリングが行われる。
すなわち、第１フェーズにて求められた各クラスターの中心ｖに対して、マハラノビス距離Ｄを求める。このとき、第１フェーズで求められたメンバーシップｕが用いられる。

そして、予め定められた（６）式にて示すメンバーシップ関数ｕ^＊に、上記求められたマハラノビス距離Ｄを適用して（用いて）、メンバーシップ関数ｕ^＊における各パラメータ（ｍ，γ，ν，α；これらを自由パラメータまたはハイパーパラメータとも言う）の最適化を図る。この最適化においては、粒子群最適化法（ＰＳＯ）が用いられる。

ここで、この粒子群最適化法を簡単に説明しておく。
この粒子群最適化法は、メンバーシップ関数ｕ^＊における３つのパラメータ（ｍ，γ，ν）と同じくパラメータであるクラスターの混合比率αの最適化が行われる。

すなわち、この粒子群最適化法では、粒子群の最良位置の探索が、以下に示す（１１）式および（１２）式の更新式により行われる。

上記式中、Paraは粒子の位置を示すパラメータで、α，ｍ，γ，νからなるベクトルである。Veloは粒子の速度ベクトルである。Randは「０」と「１」との間の乱数の対角行列である。ｗ_０，ｃ_１，ｃ_２はスカラー定数である。pbset とgbest はそれぞれpbset とgbestの位置ベクトルである。

そして、これらの自由パラメータは、評価用データの誤識別率を最小にするように決定される。
すなわち、上記メンバーシップ関数ｕ^＊を用いたメンバーシップ＊ｕが、正しいクラスに属するように、言い換えれば、正しいクラスのメンバーシップ＊ｕの方が大きくなるように、最適化が図られる。

上述した準備工程にて、メンバーシップ関数ｕ^＊が求められることになる。
次に、上記ＦＣＭ識別器を用いて、ごみレベルを検出する場合の実工程について簡単に説明する。

ここでは、ごみレベルを５つの範囲に分けるものとして説明する。例えば、図６に示すように、ごみ貯留用容器１２内でのごみレベルを、０〜１（クラス１：中心値が０．５）、１〜２（クラス２：中心値が１．５）、２〜３（クラス３：中心値が２．５）、３〜４（クラス４：中心値が３．５）、４〜５（クラス５：中心値が４．５）に分けるものとして説明する。なお、図１のごみ貯留用容器１２の部分に、０〜５のごみレベルを示しておく。

まず、撮影され且つ所定の処理（後述する）が施された画像データの、上記準備工程で求められた各クラスターの中心ｖに対するマハラノビス距離Ｄを求めるとともに、このマハラノビス距離を上記（７）式に代入して求められるメンバーシップ関数値ｕ^＊を上記（６）式に代入し、各クラスにおける各クラスターに対するメンバーシップ＊ｕを求める。そして、クラスター毎に求められたメンバーシップ＊ｕを加算し、クラス（ｉ）毎のメンバーシップ＊ｕ_ｉを求める。

そして、各クラスにおけるメンバーシップ＊ｕ_ｉが求められると、各クラスの中心値（中央値）にメンバーシップ値が掛けられた値の総和が求められる。勿論、中心値にメンバーシップ＊ｕ_ｉが掛けられた値の総和を求める総和演算部（ソフトウエアにより実行される）が設けられている。

図６に基づき、具体的に説明すると、検出対象の画像データに対して、例えばクラス１（中心値が０．５）のメンバーシップ＊ｕ_１が０（ゼロ）、クラス２（中心値が１．５）のメンバーシップ＊ｕ_２が０．０１、クラス３（中心値が２．５）のメンバーシップ＊ｕ_３が０．６６、クラス４（中心値が３．５）のメンバーシップ＊ｕ_４が０．０３３で、クラス５（中心値が４．５）のメンバーシップ＊ｕ_１が０（ゼロ）である場合には、下記式で示される数値がメンバーシップとして得られる。

0.5×0＋1.5×0.01＋2.5×0.66＋3.5×0.33＋4.5×0＝2.82
すなわち、出力値としては２．８２が得られる。この値を、実際のごみ高さに変換すれば、ごみレベルを細かい値で表わすことができる。勿論、この出力値を、そのまま用いてもよい。

ここで、上述したＦＣＭ識別器の構成について説明しておく。
このＦＣＭ識別器は、図４に示すように、撮影画像取得部３１で取得された画像データを例えば１００００（１００×１００ピクセル）に区画する正規化部６１と、この正規化部６１で正規化された画像データを１００００次元のベクトルにするベクトル化部６２と、このベクトル化部６２でベクトル化されたベクトルデータの次元を主成分分析により例えば５０次元のデータに圧縮する次元圧縮部６３と、この次元圧縮部６３で次元圧縮された画像データの予め求められたクラスターの中心に対するマハラノビス距離を求めるマハラノビス距離計算部６４と、このマハラノビス距離計算部６４で求められたマハラノビス距離に基づきメンバーシップ関数ｕ^＊およびメンバーシップ＊ｕを求める上記（７）式および（６）式が具備されたメンバーシップ計算部６５と、このメンバーシップ計算部６５で求められたメンバーシップ＊ｕに基づき、当該画像データが、ごみレベルを表すどのクラスに属するかを判断するレベル判断部６６とから構成されている。なお、次元圧縮部６３、マハラノビス距離計算部６４、メンバーシップ計算部６５およびレベル判断部６６での計算に際しては、データベース部（図示せず）から適切なごみ貯留用容器１２の形状・寸法データ、画像圧縮係数、識別用パラメータなどが読み込まれて使用される。なお、実稼動時において、読み込まれる識別用パラメータは訓練などにより最適に調整された値である（説明を省略するが、パラメータの調整部などが具備されている）。

具体的な計算手順を説明すると、例えば分けるクラスが２つの場合、マハラノビス距離計算部６４では、画像データの予め求められているクラスター中心に対するマハラノビス距離Ｄが求められ、そしてメンバーシップ計算部６５では、マハラノビス距離Ｄに基づきメンバーシップ関数ｕ^＊（関数値）が求まり、このメンバーシップ関数ｕ^＊に基づきメンバーシップ＊ｕが求められる。つまり、各クラスターに対してメンバーシップ＊ｕ_１，＊ｕ_２が求められる。そして、各クラス毎において、メンバーシップが加算されて、クラスにおけるメンバーシップ＊ｕ_ｃ１，＊ｕ_ｃ２が求められる。

そして、レベル判断部６６において、これら求められた各クラスでのメンバーシップ＊ｕ_ｃ１，＊ｕ_ｃ２同士が比較されて、その値が大きい方に、この画像データが属していると判断される。

例えば、この判断時の各クラスにおけるメンバーシップを図５に示す。図５は、２つのクラス１およびクラス２に、それぞれ２つのクラスター１およびクラスター２をそれぞれ形成したもので、クラス１側には、ｖ_１１のクラスター１とｖ_１２のクラスター２とがあり、またクラス２側にも、ｖ_２１のクラスター１と、ｖ_２２のクラスター２とがある。図５において、Ｘの地点が判断すべき画像データであるとすると、クラス１における一方のクラスター１に対するＸのメンバーシップをｕ_１１、他方のクラスター２に対するＸのメンバーシップをｕ_１２とし、またクラス２の一方のクラスター１に対するＸのメンバーシップをｕ_２１、他方のクラスター２に対するＸのメンバーシップをｕ_２２とすると、Ｘのクラス１に対するメンバーシップｕ_１は、ｕ_１１＋ｕ_１２となり、またＸのクラス２に対するメンバーシップｕ_２は、ｕ_２１＋ｕ_２２となる。つまり、各クラスにおける各クラスターのメンバーシップの合計値（両クラスターに対するメンバーシップの高さの合計である）が各クラスに対するメンバーシップとなる。そして、そのメンバーシップｕ_１，ｕ_２のうち、大きい方のクラスに所属していることになる。

なお、上述した粒子群最適化法にて誤識別率が最小となるように自由パラメータが探索されるが、例えばクラスターの混合比率αを変化させると、図５のクラスターの領域（等高線で示す）の形状が変化することになり、したがって２つのクラスの境界線も非線形に変化する。

そして、上述したように、クラスが５つである本実施の形態の場合には、図６のようなクラス分けになる。
次に、上記ごみ状態検出装置２１を用いたごみ焼却炉の運転について説明する。

ごみレベル検出手段２２にて、予め、訓練用データおよび評価用データにより、各種識別用のパラメータが決定されている状態において、ごみ貯留用容器１２内が容器内撮影用カメラ２７で例えば１秒間隔でもって静止画が取得される。

そして、この静止画は、ごみレベル判断部３２に入力されて、ここでＦＣＭ識別器３３にてクラス分けが行われるとともに、その際に得られたメンバーシップ＊ｕ_ｉに基づき、ごみレベルが求められる。

なお、ＦＣＭ識別器３３によるごみレベル（実線にて示す）と、超音波センサによる計測値（破線にて示す）とを比較した結果を図７に示しておく。
図７の矢印Ｅにて示すように、超音波センサによる計測値は、時々、誤った計測値を出力しているが、ＦＣＭ識別器３３により検出されたごみレベルは安定しており、実際のごみレベルに略一致していた。

すなわち、ＦＣＭ識別器３３を用いたごみレベル検出手段２２の方が、従来のような超音波レベル計に比べて、ごみレベルを正確に測定することができる。
一方、上記ごみレベルは所定時間おきに検出されており、時系列でもって、そのごみレベルのデータがブリッジ検出手段２３に入力されている。

このブリッジ検出手段２３のごみレベル差算出部４１では、時系列でもって連続的に入力されるごみレベルの前後データ間の差が求められ、このごみレベル差がブリッジ判断部４２に入力されて、予め設定された閾値と比較されて、ブリッジが発生している状態か、それともブリッジが発生していない正常状態か、またはどか落ちなどが発生している異常状態かが判断される。

ブリッジが発生していると判断された場合には、このブリッジ検出手段２３からごみ供給装置１１のブリッジ解除装置１４に解除指令が出力されて、ブリッジが解消される。
さらに、炉内撮影用カメラ２６で撮影された画像は燃焼室画像取得部５１に入力された後、燃え切り点検出部５２に入力され、ここで、エッジ処理などの画像処理が施されて、火格子３上での燃え切り点が検出される。なお、この燃え切り点については、他の検出手段にて得られた値、例えばＦＣＭ識別器により検出した燃え切り点を用いてもよい。

一方、時系列で得られたごみレベルはごみレベル平均値算出部５３に入力され、所定個数（例えば、１０個分）についての平均値が求められる。
そして、このごみレベル平均値と上記検出された燃え切り点とが予測判断部５４に入力されてごみ枯れが発生するか否かが予測される。

例えば、ごみレベルが低い場合（例えば、図１に示す「０〜１」の範囲である場合）で且つ燃え切り点が火格子３の前寄りである場合（ごみ供給口２側に近い場合）には、ごみ枯れが発生すると予測される。

この場合、例えばごみ焼却炉の中央制御装置を介してごみ投入用クレーンに対して、ごみ貯留用容器１２内へのごみ投入指令が出力される。勿論、ブリッジが発生している場合には、やはり、中央制御装置を介してブリッジ解除装置１４にブリッジの解除動作が指示される。

このように、ごみ貯留用容器１２内のごみレベルをＦＣＭ識別器３３により検出するとともに、このごみレベルに基づきブリッジが発生しているか否かを判断するようにしているので、より正確にブリッジの発生を知ることができる。また、同様に、ＦＣＭ識別器３３によるごみレベルに基づきごみ枯れを予測するようにしているので、より正確にごみ枯れを予測することができる。

なお、上述したＦＣＭ識別器の構成を一般的に且つ簡単に説明すると、以下のようになる。
このＦＣＭ識別器は、撮影用カメラにより撮影された画像データから複数の代表値を取得して正規化する正規化部と、この正規化部で得られた代表値よりなる画像データをベクトル化するベクトル化部と、このベクトル化部でベクトル化されたベクトルデータの次元を圧縮する次元圧縮部と、この次元圧縮部で圧縮されたベクトルデータの予め訓練用データで求められたクラスター中心に対するマハラノビス距離を求めるマハラノビス距離計算部と、このマハラノビス距離計算部で求められたマハラノビス距離を下記（１３）式に示すメンバーシップ関数（ｕ^＊）に代入するとともにこの関数値を下記（１４）式に代入してメンバーシップ（チルダｕ）を求めるメンバーシップ計算部と、このメンバーシップ計算部で求められたメンバーシップを用いて撮影画像を、例えば５つのクラス（ごみレベルの異なる範囲を示すクラス）に分けるレベル判断部（状態判断部ともいえる）とを具備したものである。

但し、上記式中、α_ｑｊはクラスｑ内のクラスターｊの混合比率、Ｓは分散共分散行列、π_ｑはクラスｑの混合比率である。

また、次元圧縮部にて次元を圧縮する際に、主成分分析法を用いたものである。
さらに、（１３）式にて示すメンバーシップ関数（ｕ^＊）における各パラメータ（ｍ，γ，ν，α）の最適化を行う際に、粒子群最適化法が用いられている。

１ 炉本体
２ ごみ供給口
３ 火格子
４ 焼却残渣取出口
５ 燃焼室
１１ ごみ供給装置
１２ ごみ貯留用容器
１２ａ 開口部
１２ｂ ごみ貯留用空間部
１３ ごみ押出装置
１４ ブリッジ解除装置
２１ ごみ状態検出装置
２２ ごみレベル検出手段
２３ ブリッジ検出手段
２４ ごみ枯れ予測手段
２６ 炉内撮影用カメラ
２７ 容器内撮影用カメラ
３１ 撮影画像取得部
３２ ごみレベル判断部
３３ ＦＣＭ識別器
４１ ごみレベル差算出部
４２ ブリッジ判断部
５１ 燃焼室画像取得部
５２ 燃え切り点検出部
５３ ごみレベル平均値算出部
５４ 予測判断部
６１ 正規化部
６２ ベクトル化部
６３ 次元圧縮部
６４ マハラノビス距離計算部
６５ メンバーシップ計算部
６６ レベル判断部

Claims (2)

1. ごみ焼却炉の炉本体内にごみを供給するためのごみ貯留用容器内を撮影カメラにて撮影した撮影画像を所定時間間隔でもって取得する撮影画像取得部およびこの撮影画像取得部で取得された画像データからファジィｃ平均法を用いた識別器によりごみの表面高さであるごみレベルを判断するごみレベル判断部からなるごみレベル検出手段と、
   上記ごみレベル判断部にて得られたごみレベルを時系列でもって入力して所定個数のごみレベルの平均値を求めるごみレベル平均値算出部、炉本体内の燃え切り点を検出する燃え切り点検出部およびこれら求められたごみレベル平均値および燃え切り点を入力してごみ枯れを予測する予測判断部からなるごみ枯れ予測手段とを備えたことを特徴とするごみ焼却炉におけるごみ状態検出装置。
2. ごみレベル判断部にて得られたごみレベルを時系列でもって入力して隣接するごみレベル値同士の差であるごみレベル差を求めるごみレベル差算出部およびこのごみレベル差算出部で求められたごみレベル差に基づきブリッジの有無を判断するブリッジ判断部からなるブリッジ検出手段を備えたことを特徴とする請求項１に記載のごみ焼却炉におけるごみ状態検出装置。

Images