JP6824859B2 - 炉内状態量推定装置、推定モデル作成装置、それらのプログラムおよび方法 - Google Patents

炉内状態量推定装置、推定モデル作成装置、それらのプログラムおよび方法 Download PDF

Info

Publication number
JP6824859B2
JP6824859B2 JP2017199427A JP2017199427A JP6824859B2 JP 6824859 B2 JP6824859 B2 JP 6824859B2 JP 2017199427 A JP2017199427 A JP 2017199427A JP 2017199427 A JP2017199427 A JP 2017199427A JP 6824859 B2 JP6824859 B2 JP 6824859B2
Authority
JP
Japan
Prior art keywords
state quantity
estimation model
furnace
image
estimation
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.)
Active
Application number
JP2017199427A
Other languages
English (en)
Other versions
JP2019074240A (ja
JP2019074240A5 (ja
Inventor
信治 岩下
信治 岩下
遼 佐瀬
遼 佐瀬
恵理子 新川
恵理子 新川
嶺 聡彦
聡彦 嶺
崇寛 松本
崇寛 松本
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Heavy Industries Ltd
Original Assignee
Mitsubishi Heavy Industries Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Mitsubishi Heavy Industries Ltd filed Critical Mitsubishi Heavy Industries Ltd
Priority to JP2017199427A priority Critical patent/JP6824859B2/ja
Priority to DE112018005479.9T priority patent/DE112018005479T8/de
Priority to PCT/JP2018/036793 priority patent/WO2019073852A1/ja
Priority to TW107135344A priority patent/TWI680260B/zh
Publication of JP2019074240A publication Critical patent/JP2019074240A/ja
Priority to PH12019502446A priority patent/PH12019502446A1/en
Publication of JP2019074240A5 publication Critical patent/JP2019074240A5/ja
Application granted granted Critical
Publication of JP6824859B2 publication Critical patent/JP6824859B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23NREGULATING OR CONTROLLING COMBUSTION
    • F23N5/00Systems for controlling combustion
    • F23N5/26Details
    • F23N5/265Details using electronic means
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23GCREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
    • F23G5/00Incineration of waste; Incinerator constructions; Details, accessories or control therefor
    • F23G5/50Control or safety arrangements
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23GCREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
    • F23G2207/00Control
    • F23G2207/10Arrangement of sensing devices
    • F23G2207/101Arrangement of sensing devices for temperature
    • F23G2207/1015Heat pattern monitoring of flames
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23GCREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
    • F23G2207/00Control
    • F23G2207/30Oxidant supply
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23NREGULATING OR CONTROLLING COMBUSTION
    • F23N2223/00Signal processing; Details thereof
    • F23N2223/08Microprocessor; Microcomputer
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23NREGULATING OR CONTROLLING COMBUSTION
    • F23N2223/00Signal processing; Details thereof
    • F23N2223/48Learning / Adaptive control
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23NREGULATING OR CONTROLLING COMBUSTION
    • F23N2229/00Flame sensors
    • F23N2229/20Camera viewing

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Incineration Of Waste (AREA)
  • Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Description

本開示は、燃焼炉の炉内を撮像した画像情報に基づく燃焼状態の監視技術に関する。
例えば特許文献1〜2には、燃焼炉内の画像情報に基づいて燃焼状態を判定する手法が開示されている。具体的には、特許文献1には、燃焼画像(画像情報)より求めたバーナ火炎の表面温度分布に基づいて異常燃焼状態を検出する方法が開示されている。また、特許文献2には、燃焼炉において、燃料が火炎を上げて燃焼する一次燃焼領域の直上部に設置したテレビカメラ(撮像装置)を用いて撮影した画像を画像処理し、該画像処理して得られた画像の明るさの変化量に基づいて、二次燃焼領域における一酸化炭素濃度の変動をファジイ推論手段により予測することが開示されている。その他、TVカメラで撮像される画像から火炎の形状を目視して、燃焼状態を監視する手法もある(特許文献1参照)。
特開平4−143515号公報 特開2001−4116号公報
特許文献1は、火炎の表面温度分布を求めるものであり、画像情報に火炎が表示されていることが必要であるため、燃焼時の排ガスや炉内カメラの設置位置などの影響により火炎が画像情報に現れない状況での適用は難しい。他方、特許文献2では、画像処理により得られる画像の明るさの変化量に基づいて予測するため、火炎が画像情報に現れていなくても良い可能性があり、燃焼炉の種類やカメラの配置位置などの制限が小さく、より適用しやすい手法と考えられる。しかしながら、例えば熟練した運転員の経験に基づく判定手法などを集めて解析するなど、ファジイ推論による制御を行うためのルール化が必要となる。そもそも、燃焼状態は、燃焼対象(燃料)の種類(ごみ、石炭等)、燃焼雰囲気(空気量、炉内温度等)、バーナ形状等の様々な要因により変化するため、熟練者が経験したことのない状況では燃焼状態の適切な判定を行うことが難しく、また、熟練者ですら認知していない判定基準が存在する可能性も否定できない。
また、例えば灰中未燃分、NOx濃度、CO濃度などの状態量を燃焼炉の運転中に計測することで燃焼状態を判定する手法も考えられるが、状態量の計測に時間を要する場合(例えば灰中未燃分など)には、計測結果に基づいて行った燃焼状態の判定結果をリアルタイムに運転制御に用いることは困難である。
上述の事情に鑑みて、本発明の少なくとも一実施形態は、炉内の燃焼状態を判定可能な状態量を炉内の画像情報に基づいて迅速かつ精度良く推定する炉内状態量推定装置を提供することを目的とする。
(1)本発明の少なくとも一実施形態に係る炉内状態量推定装置は、
炉内を撮像した画像に基づいて得られる画像情報であって過去の前記画像に基づいて得られる過去画像情報と、前記過去画像情報で示される燃焼状態に応じた状態量とが対応付けられた学習データの機械学習により作成された推定モデルを取得する推定モデル取得部と、
前記画像情報であって前記推定モデルへの入力となる入力画像情報を取得する入力画像情報取得部と、
前記入力画像情報で示される燃焼状態に応じた推定状態量を、前記推定モデルを用いて算出する推定状態量算出部と、を備える。
上記(1)の構成によれば、炉内の燃焼状態に応じて、例えば灰中未燃分や、NOx濃度、CO濃度などの状態量は変化するが、炉内の燃焼時の画像情報と、その画像情報が撮像された際の状態量(計測値や推定値)とが対応付けられた学習データの機械学習により作成された推定モデルを用いて、燃焼時の炉内を撮像した画像情報から、その燃焼状態で生じる状態量(推定状態量)を推定する。これによって、炉内の画像情報から状態量を迅速かつ精度良く推定することができる。
(2)幾つかの実施形態では、上記(1)の構成において、
前記学習データの前記機械学習を行い、前記推定モデルを作成する推定モデル作成部を、さらに備える。
上記(2)の構成によれば、炉内の燃焼時の画像情報と、その画像情報が撮像された際の状態量とを対応付けることにより学習データを作成し、作成した学習データから機械学習することにより、推定モデルを作成することができる。
(3)幾つかの実施形態では、上記(2)の構成において、
前記推定モデル作成部は、
前記過去の画像から少なくとも1つの特徴量を抽出する特徴量抽出部と、
前記過去画像情報である前記少なくとも1つの特徴量と前記状態量とを対応付けることにより前記学習データを生成する学習データ生成部と、
前記学習データの前記機械学習を実行する機械学習実行部と、を有する。
上記(3)の構成によれば、過去の画像の特徴量と状態量とが対応づけられた学習データを作成し、この学習データを用いて機械学習を行う。このように、特徴量と状態量との関係に着目して機械学習を行うことにより、推定精度の高い推定モデルを作成することができる。
(4)幾つかの実施形態では、上記(3)の構成において、
前記特徴量抽出部は複数の前記特徴量を抽出するものとし、
前記推定モデル作成部は、
前記特徴量抽出部によって抽出された前記複数の特徴量のうちから、前記状態量に対する貢献度に基づいてN個(Nは1以上の整数を示す。)の前記特徴量を選択する特徴量選択部を、さらに有し、
前記学習データ生成部は、前記特徴量選択部によって選択された前記N個の特徴量と前記状態量とを対応付けることにより、前記学習データを生成する。
上記(4)の構成によれば、貢献度に基づいて特徴量を絞りこむと共に、絞り込んだ特徴量と状態量とを対応付けて学習データを生成する。このような学習データの機械学習を行うことにより、推定モデルによる状態量の推定精度を向上させることができる。
(5)幾つかの実施形態では、上記(3)〜(4)の構成において、
前記特徴量抽出部は、前記特徴量を、前記過去の画像から得られる輝度情報に基づいて抽出する。
上記(5)の構成によれば、輝度情報は火炎そのものを検出することなく画像から得られる情報であり、例えば炉内の上部に撮像装置を設置するなど火炎が排ガスで撮像されないような場合であっても画像情報を得ることができる。これによって、炉内を撮像するための撮像装置(炉内カメラ)の設置を容易化することもできる。
(6)幾つかの実施形態では、上記(3)〜(5)の構成において、
前記状態量は、前記炉内の燃焼時に生じる排ガスまたは排出物に関する状態量であり、
前記学習データ生成部は、前記過去画像情報に対して、該過去画像情報の基になる前記画像が撮像された時から所定の時間経過後に前記状態量の計測地点で計測された計測値を対応付けることによって前記学習データを生成する。
上記(6)の構成によれば、学習データは、過去画像情報によって示される燃焼状態で生じた排ガスまたは排出物が状態量の計測地点に到達するまでのタイムラグを考慮して作成される。このようなタイムラグは燃焼炉の種類や計測地点の位置によって無視できないほど異なる場合があり、タイムラグを考慮して学習データを作成することにより、推定精度の高い推定モデルを作成することができる。
(7)幾つかの実施形態では、上記(2)〜(6)の構成において、
前記推定モデル作成部は、複数の前記機械学習の手法を用いて複数の前記推定モデルを作成する。
上記(7)の構成によれば、複数の機械学習手法(アルゴリズム)に基づいてそれぞれ作成された複数の推定モデルの各々で状態量を推定することができる。例えば、複数の機械学習手法の各々による推定結果と学習データを構成する状態量(計測値など)とを比較することにより、複数の推定モデルのうちから推定精度の高い推定モデルを選択することができるようになり、学習データなどの条件(画像サイズ、学習データ数など)や燃焼炉の種類などに適した推定モデルの選択を可能にすることができる。
(8)幾つかの実施形態では、上記(1)〜(7)の構成において、
前記推定状態量と、前記状態量の計測値との差異が所定の閾値を超えた場合に、再学習による前記推定モデルの再作成を決定する再学習決定部を、さらに備える。
上記(8)の構成によれば、推定精度の低下が認められた場合には、再学習による推定モデルの再作成が必要と判定される。この判定に応じて、再学習により新たに推定モデルを作成し、新たな推定モデルを再取得するようにすれば、適切な推定精度による推定を継続することが可能となる。よって、燃焼炉の運転環境の変化などに追従しつつ、入力画像情報から状態量を精度良く推定することができる。
(9)本発明の少なくとも一実施形態に係る推定モデル作成装置は、
炉内を撮像した画像に基づいて得られる画像情報であって過去の前記画像に基づいて得られる過去画像情報と、前記過去画像情報で示される燃焼状態に応じた状態量とが対応付けられた学習データの機械学習を行い、前記炉内を撮像した入力画像情報から推定状態量を推定する推定モデルを作成する推定モデル作成部を備える。
上記(9)の構成によれば、上記(2)と同様に、炉内の燃焼時の画像情報と、その画像情報が撮像された際の状態量とを対応付けることにより学習データを作成し、作成した学習データから機械学習することにより、推定モデルを作成する。この推定モデルを用いることによって、燃焼時の炉内の画像情報(入力画像情報)から状態量を迅速に推定することを可能とすることができる。
(10)本発明の少なくとも一実施形態に係る炉内状態量推定プログラムは、
コンピュータに、
炉内を撮像した画像に基づいて得られる画像情報であって過去の前記画像に基づいて得られる過去画像情報と、前記過去画像情報で示される燃焼状態に応じた状態量とが対応付けられた学習データの機械学習により作成された推定モデルを取得する推定モデル取得ステップと、
前記画像情報であって前記推定モデルへの入力となる入力画像情報を取得する入力画像情報取得ステップと、
前記入力画像情報で示される燃焼状態に応じた推定状態量を、前記推定モデルを用いて算出する推定状態量算出ステップと、を実行させるためのプログラムである。
上記(10)の構成によれば、上記(1)と同様の効果を奏する。
(11)幾つかの実施形態では、上記(10)の構成において、
前記学習データの前記機械学習を行い、前記推定モデルを作成する推定モデル作成ステップを、さらにコンピュータに実行させる。
上記(11)の構成によれば、上記(2)と同様の効果を奏する。
(12)幾つかの実施形態では、上記(11)の構成において、
前記推定モデル作成ステップとして、
前記過去の画像から少なくとも1つの特徴量を抽出する特徴量抽出ステップと、
前記過去画像情報である前記少なくとも1つの特徴量と前記状態量とを対応付けることにより前記学習データを生成する学習データ生成ステップと、
前記学習データの前記機械学習を実行する機械学習実行ステップと、をコンピュータに実行させる。
上記(12)の構成によれば、上記(3)と同様の効果を奏する。
(13)幾つかの実施形態では、上記(12)の構成において、
前記特徴量抽出ステップは複数の前記特徴量を抽出するものとし、
前記推定モデル作成ステップとして、
前記特徴量抽出ステップによって抽出された前記複数の特徴量のうちから、前記状態量に対する貢献度に基づいてN個(Nは1以上の整数を示す。)の前記特徴量を選択する特徴量選択ステップを、さらにコンピュータに実行させるものとし、
前記学習データ生成ステップは、前記特徴量選択ステップによって選択された前記N個の特徴量と前記状態量とを対応付けることにより、前記学習データを生成する。
上記(13)の構成によれば、上記(4)と同様の効果を奏する。
(14)幾つかの実施形態では、上記(12)〜(13)の構成において、
前記特徴量抽出ステップは、前記特徴量を、前記過去の画像から得られる輝度情報に基づいて抽出する。
上記(14)の構成によれば、上記(5)と同様の効果を奏する。
(15)幾つかの実施形態では、上記(12)〜(14)の構成において、
前記状態量は、前記炉内の燃焼時に生じる排ガスに関する状態量であり、
前記学習データ生成ステップは、前記過去画像情報に対して、該過去画像情報の基になる前記画像が撮像された時から所定の時間経過後に前記状態量の計測地点で計測された計測値を対応付けることによって前記学習データを生成する。
上記(15)の構成によれば、上記(6)と同様の効果を奏する。
(16)幾つかの実施形態では、上記(11)〜(15)の構成において、
前記推定モデル作成ステップは、複数の前記機械学習の手法を用いて複数の前記推定モデルを作成する。
上記(16)の構成によれば、上記(7)と同様の効果を奏する。
(17)幾つかの実施形態では、上記(10)〜(16)の構成において、
前記推定状態量と、前記状態量の計測値との差異が所定の閾値を超えた場合に、再学習による前記推定モデルの再作成を決定する再学習決定ステップを、さらにコンピュータに実行させる。
上記(17)の構成によれば、上記(8)と同様の効果を奏する。
(18)本発明の少なくとも一実施形態に係る推定モデル作成プログラムは、
コンピュータに、炉内を撮像した画像に基づいて得られる画像情報であって過去の前記画像に基づいて得られる過去画像情報と、前記過去画像情報で示される燃焼状態に応じた状態量とが対応付けられた学習データの機械学習を行い、前記炉内を撮像した入力画像情報から推定状態量を推定する推定モデルを作成する推定モデル作成ステップを実行させるためのプログラムである。
上記(18)の構成によれば、上記(9)と同様の効果を奏する。
(19)本発明の少なくとも一実施形態に係る炉内状態量推定方法は、
炉内を撮像した画像に基づいて得られる画像情報であって過去の前記画像に基づいて得られる過去画像情報と、前記過去画像情報で示される燃焼状態に応じた状態量とが対応付けられた学習データの機械学習により作成された推定モデルを取得する推定モデル取得ステップと、
前記画像情報であって前記推定モデルへの入力となる入力画像情報を取得する入力画像情報取得ステップと、
前記入力画像情報で示される燃焼状態に応じた推定状態量を、前記推定モデルを用いて算出する推定状態量算出ステップと、を備える。
上記(19)の構成によれば、上記(1)と同様の効果を奏する。
(20)本発明の少なくとも一実施形態に係る推定モデル作成方法は、
炉内を撮像した画像に基づいて得られる画像情報であって過去の前記画像に基づいて得られる過去画像情報と、前記過去画像情報で示される燃焼状態に応じた状態量とが対応付けられた学習データの機械学習を行い、前記炉内を撮像した入力画像情報から推定状態量を推定する推定モデルを作成する推定モデル作成ステップを備える。
上記(20)の構成によれば、上記(9)と同様の効果を奏する。
本発明の少なくとも一実施形態によれば、炉内の燃焼状態を判定可能な状態量を炉内の画像情報に基づいて迅速かつ精度良く推定する炉内状態量推定装置が提供される。
本発明の一実施形態に係る炉内状態量推定装置が設置された燃焼炉の構成を概略的に示す図である。 本発明の一実施形態に係る炉内状態量推定装置の機能を示すブロック図である。 本発明の一実施形態に係る炉内状態量推定方法を示すフロー図である。 本発明の一実施形態に係る推定モデル作成ステップ(S1)を示すフロー図である。 本発明の一実施形態に係る再学習決定ステップを示すフロー図である。
以下、添付図面を参照して本発明の幾つかの実施形態について説明する。ただし、実施形態として記載されている又は図面に示されている構成部品の寸法、材質、形状、その相対的配置等は、本発明の範囲をこれに限定する趣旨ではなく、単なる説明例にすぎない。
例えば、「ある方向に」、「ある方向に沿って」、「平行」、「直交」、「中心」、「同心」或いは「同軸」等の相対的或いは絶対的な配置を表す表現は、厳密にそのような配置を表すのみならず、公差、若しくは、同じ機能が得られる程度の角度や距離をもって相対的に変位している状態も表すものとする。
例えば、「同一」、「等しい」及び「均質」等の物事が等しい状態であることを表す表現は、厳密に等しい状態を表すのみならず、公差、若しくは、同じ機能が得られる程度の差が存在している状態も表すものとする。
例えば、四角形状や円筒形状等の形状を表す表現は、幾何学的に厳密な意味での四角形状や円筒形状等の形状を表すのみならず、同じ効果が得られる範囲で、凹凸部や面取り部等を含む形状も表すものとする。
一方、一の構成要素を「備える」、「具える」、「具備する」、「含む」、又は、「有する」という表現は、他の構成要素の存在を除外する排他的な表現ではない。
図1は、本発明の一実施形態に係る炉内状態量推定装置1が設置された燃焼炉7の構成を概略的に示す図である。図1に示す実施形態の燃焼炉7は、都市ゴミ又は産業廃棄物等を燃料Fgとするストーカ式のごみ焼却炉であり、炉内状態量推定装置1はごみ焼却炉における、例えば灰中未燃分、NOx濃度、CO濃度などの状態量Sを推定する。以下、ごみを燃焼する燃焼領域8(燃焼室)を備えるごみ焼却炉を燃焼炉7の例に本発明を説明するが、本実施形態に本発明は限定されない。他の幾つかの実施形態では、炉内状態量推定装置1は、ボイラ、IGCCにおける石炭をガス化するガス化炉などの燃料Fgを燃焼させる燃焼室を備える燃焼炉7における燃焼状態に応じて変化する状態量Sを推定するように構成されても良い。ごみ焼却炉や、ボイラ、ガス火炉などは後述する上部7cおよび側壁部7sを有する点で共通しており、燃焼炉7がボイラやガス火炉の場合には、以下に記載された燃焼炉7をボイラやガス化炉に適宜読み替えるものとする。
図1に示すごみ焼却炉について説明すると、燃焼炉7において、燃料Fgは燃料供給口71から燃料押込装置72により炉内に押し込まれた後、燃焼領域8にある火格子73(ストーカ)上で乾燥、燃焼、おき燃焼され灰(燃焼灰)となり、灰は灰排出口74より炉外に排出される。また、燃焼炉7は、その炉内において、火格子73上において燃料Fgが火炎を上げて盛んに燃える主燃焼領域81a及びおき燃焼するおき燃焼領域82bからなる一次燃焼領域81と、火格子73の上方における未燃分の燃料を燃焼させる二次燃焼領域82とで構成される燃焼領域8を有する。燃料Fgの燃焼用気体Gは気体供給管77を通って炉内に供給されるが、ブロワーなどの気体供給装置76から第1気体流量調節弁78aを介して火格子73の下部から一次燃焼領域81に供給されるか、又は気体供給装置76から第2気体流量調節弁78bを介して燃焼炉7の側部から二次燃焼領域82に供給される。燃焼用気体Gの代表例は空気であるが可燃性気体であれば良いし、例えば一次燃焼領域81より排出されるEGRガス(燃焼排ガス)と所定の混合比で混合することにより燃焼用気体Gを生成しても良い。一方、燃料Fgが燃焼して生成される排ガスEは、排ガス通路91を通って排ガス処理装置92を経て煙突93から排出される。
また、図1に示すように、燃焼炉7には、炉内を撮像するための撮像装置6が設置される。撮像装置6は、例えば動画像または静止画像の少なくとも一方が撮像可能な炉内カメラである。より具体的には、撮像装置6は、例えば、デジタルカメラ、ビデオカメラ、特定の波長を検知可能な赤外線カメラなどのカメラであっても良い。図1に示す実施形態では、撮像装置6は、一次燃焼領域81の上方(図1では直上部)に位置する燃焼炉7の上部7cに設置されており、燃焼状態を真上から撮像するように構成されている。ただし、本実施形態に本発明は限定されず、他の幾つかの実施形態では、撮像装置6は燃焼炉7の側壁部7sなど、燃焼炉7の上部7c以外の位置に設置されても良い。例えば、側壁部7sにおける二次燃焼領域82を形成する部分や、そのさらに上の部分(上部7cにより近い部分)に撮像装置6を設置すると共に、一次燃焼領域81が位置する下方を撮像するように斜め下に向けて設置されても良い。こうして撮像装置6によって撮像された燃料Fgの燃焼時の炉内の画像V(燃焼画像)は、撮像装置6に接続される記憶装置に記憶(蓄積)される。図1に示す実施形態では、炉内状態量推定装置1の記憶装置1mに記憶されるように構成されているが、他の幾つかの実施形態では、例えば、後述する推定モデル作成装置2bが備える記憶装置や、その他の装置の記憶装置など、炉内状態量推定装置1とは別体の記憶装置に記憶されても良い。
次に、炉内状態量推定装置1について図2を用いて説明する。図2は、本発明の一実施形態に係る炉内状態量推定装置1の機能を示すブロック図である。図2に示すように、炉内状態量推定装置1は、推定モデル取得部3と、入力画像情報取得部4と、推定状態量算出部5と、を備える。図2に示す実施形態では、炉内状態量推定装置1は、推定モデル作成部2をさらに備えており、推定モデル作成部2によって作成された推定モデルMを用いて、上記の機能部(3〜5)による状態量Sの推定を行うように構成されている。
上記の機能部について、それぞれ説明する。
なお、炉内状態量推定装置1はコンピュータで構成されており、図示しないCPU(プロセッサ)や、ROMやRAMといったメモリや外部記憶装置などとなる記憶装置1mを備えている。そして、メモリ(主記憶装置)にロードされたプログラム(炉内状態量推定プログラム、推定モデル作成プログラム)の命令に従ってCPUが動作(データの演算など)することで、炉内状態量推定装置1が備える上記の各機能部などを実現する。換言すれば、上記のプログラムは、コンピュータに上記の各機能部を実現させるためのソフトウェアである。
推定モデル作成部2は、燃焼炉7の炉内を撮像した画像V(以下、単に、画像Vという。)に基づいて得られる画像情報Iであって過去の画像Vに基づいて得られる過去画像情報Ipと、過去画像情報Ipで示される燃焼状態に応じた状態量Sとが対応付けられた学習データDの機械学習を行い、推定モデルMを作成する。学習データDは、過去の画像Vに基づいて得られる過去画像情報Ip(画像情報I)と、この過去の画像Vが撮像された際の状態量Sの計測値Srまたは推定値とを対応付けたデータ(学習構成データ)の複数で構成される。画像情報Iは、炉内を撮像した画像Vそのものであっても良いし、後述するように、画像Vから抽出可能な特徴量Fであっても良い。また、画像Vは、静止画像であっても良いし、動画像を構成するフレーム(画像)であっても良い。そして、推定モデル作成部2は、周知な機械学習の手法(アルゴリズム)の少なくとも1つを用いて、学習データDの機械学習を実行することにより、画像情報Iから状態量Sを算出するための推定モデルMを作成し、作成した推定モデルMを外部記憶装置などの記憶装置1mに記憶する。
図2に示す実施形態では、過去の画像Vの撮像タイミングと同期をとって灰中未燃分をサンプリングしたり、NOx濃度やCO濃度などをセンサで計測することにより状態量Sを取得すると共に、その過去の画像Vに基づいて得られる過去画像情報Ipに取得した状態量Sを対応付けることによって、各学習構成データを作成している。なお、灰中未燃分の値は燃焼効率の指標となるものであり、炉出口でサンプリングした灰を分析計で加熱し、その際の重量変化を計測する手法(JIS M 8815)により求めることが可能である。推定モデルMの作成の詳細については後述する。
そして、次に説明する推定モデル取得部3、入力画像情報取得部4、および、推定状態量算出部5は、推定モデル作成部2によって作成された推定モデルMに対して、状態量Sの推定値(推定状態量Se)を求めたい画像情報I(後述する入力画像情報It)を入力することにより、入力画像情報Itに応じた状態量Sを推定するように構成されている。
推定モデル取得部3、推定モデル作成部2によって作成された推定モデルMを取得する。図2に示す実施形態では、推定モデル取得部3は、外部記憶装置に記憶された推定モデルMを、RAMなどのメモリに読み込むことにより、推定モデルMを取得する。ただし、本実施形態に本発明は限定されない。他の幾つかの実施形態では、炉内状態量推定装置1とは別体の推定モデル作成装置2bが推定モデル作成部2(推定モデル作成プログラム)を備えていても良い。この場合、炉内状態量推定装置1の推定モデル取得部3は、推定モデル作成装置2bによって作成された推定モデルMを、例えば通信ネットワークや、USBメモリなどの持ち運び可能な記憶媒体を介して取得しても良い。
入力画像情報取得部4は、上述した画像情報Iであって推定モデルMへの入力となる入力画像情報Itを取得する。入力画像情報Itは、過去画像情報Ipと同種の情報である必要がある。図2に示す実施形態では、入力画像情報取得部4は、燃焼炉7に設置された撮像装置6に接続されており、撮像装置6によって撮像された画像Vがリアルタイムに入力されるようになっている。また、入力画像情報取得部4は、画像Vから後述する特徴量F(後述)を抽出するようになっている。
推定状態量算出部5は、入力画像情報取得部4によって取得された入力画像情報Itで示される燃焼状態に応じた推定状態量Seを、推定モデルMを用いて算出する。換言すれば、入力画像情報Itを推定モデルMに従って演算し、その結果として推定状態量Seを出力する。図2に示す実施形態では、ディスプレイなどの表示装置に表示するようになっている。この際、今回算出した推定状態量Seに加えて、記憶装置1mなどに記憶されている過去に算出した1以上の推定状態量Seを含めて一緒に表示しても良く、推定状態量Seの時間的な推移を示すことが可能になる。これによって、燃焼炉7の運転員などは、ディスプレイに表示された推定状態量Seを確認することにより、画像情報Iで示される燃焼状態に応じた状態量Sを定量的に把握することができる。
上記の構成によれば、炉内の燃焼状態に応じて、例えば灰中未燃分や、NOx濃度、CO濃度などの状態量Sは変化するが、炉内の燃焼時の画像情報Iと、その画像情報Iが撮像された際の状態量S(計測値Srや推定値など)とが対応付けられた学習データDの機械学習により作成された推定モデルMを用いて、燃焼時の炉内を撮像した画像情報Iから、その燃焼状態で生じる状態量S(推定状態量Se)を推定する。これによって、炉内の画像情報Iから状態量Sを迅速かつ精度良く推定することができる。
次に、推定モデル作成部2に関する幾つかの実施形態について説明する。
幾つかの実施形態では、図2に示すように、推定モデル作成部2は、特徴量抽出部21と、学習データ生成部23と、機械学習実行部24と、を備える。上記の機能部について、それぞれ説明する。
特徴量抽出部21は、過去の画像Vから少なくとも1つの特徴量Fを抽出する。特徴量Fは、画像Vの特徴を捉えることが可能な指標である。換言すれば、特徴量Fは、他の画像Vとの違いを定量化することが可能な指標である。例えば、特徴量Fは、画像Vに現れたり画像Vに基づいて得られたりする形、大きさ、色、濃淡、輝度、温度(温度分布)、波長(波長分布)などの情報や、これらの情報の少なくとも一つの情報の変化量であっても良い。特徴量Fを上記の変化量などにする場合には、例えば立体高次局所自己相関特徴量(CHLAC特徴量)、CNN(Convolution Neural Network)、AE(AutoEncoder)により得られる特徴であっても良い。CHLAC特徴量は、画像Vの全体に現れる時空間変動をコンパクトに表現できるという利点を有する。CNNは、畳み込み処理やプーリング処理、またAEでは、エンコード処理にて特徴を得ることで、画像Vの全体の特徴を効果的に縮小し取得することができる利点を有する。
図2に示す実施形態では、特徴量抽出部21は、特徴量Fを、過去の画像Vから得られる輝度情報に基づいて抽出する。より具体的には、輝度情報に基づいて抽出される特徴量Fは、画像Vから得られる輝度の値(輝度値)そのものであっても良いし、輝度値の平均、ピークなどの統計値であっても良い。あるいは、上記の特徴量Fは、所定値以上の輝度を有する部分の面積、形、大きさのいずれかであっても良い。輝度値の変化量であっても良い。なお、輝度情報には、輝度値を変換することにより得られる温度や温度分布などの輝度値から変換可能な情報が含まれても良い。特徴量抽出部21は、これらの特徴量Fのうちの1つまたは複数の特徴量Fを、過去の画像Vから抽出する。輝度情報は火炎そのものを検出することなく画像Vから得られる情報であり、例えば炉内の上部に撮像装置6を設置するなど火炎が排ガスEで撮像されないような場合であっても画像情報Iを得ることができる。これによって、炉内を撮像するための撮像装置6(炉内カメラ)の設置を容易化することも可能となる。
学習データ生成部23は、特徴量抽出部21によって抽出された少なくとも1つの特徴量Fと状態量Sとを対応付けることにより学習データDを生成する。つまり、複数の過去の画像Vからそれぞれ抽出される1または複数の特徴量Fが、各状態量Sに対応付けられる上述した過去画像情報Ipに相当する。なお、学習データ生成部23は、抽出した特徴量Fに対して、例えば平均値化処理などの任意の前処理を行い、前処理された特徴量Fと状態量Sとを対応付けても良い。
機械学習実行部24は、学習データ生成部23によって生成された学習データDに基づいて機械学習を実行する。機械学習実行部24は、ニューラルネットワーク、一般化線形モデルなどの周知な機械学習の手法(アルゴリズム)のいずれかで機械学習を行えば良い。
上記の構成によれば、過去の画像Vの特徴量Fと状態量Sとが対応づけられた学習データDを作成し、この学習データDを用いて機械学習を行う。このように、特徴量Fと状態量Sとの関係に着目して機械学習を行うことにより、推定精度の高い推定モデルMを作成することができる。
また、上述した特徴量抽出部21が複数の特徴量Fを抽出する場合において、幾つかの実施形態では、図2に示すように、推定モデル作成部2は、特徴量抽出部21によって抽出された複数の特徴量Fのうちから、状態量Sに対する貢献度Cに基づいてN個(Nは1以上の整数を示す。)の特徴量Fを選択する特徴量選択部22を、さらに有していても良い。この場合には、上述した学習データ生成部23は、特徴量選択部22によって選択されたN個の特徴量Fと状態量Sとを対応付けることにより、学習データDを生成する。図2に示す実施形態では、特徴量選択部22は、予め設定されているNの数に基づいて、貢献度Cが大きい上位N個を自動で選択する(絞り込む)。ただし、本実施形態に本発明は限定されない。他の幾つかの実施形態では、特徴量選択部22が自動で選択した特徴量Fおよび貢献度Cが運転員などにわかるように表示した上で、チェックボックスのクリックなどによる運転員による選択操作(選択、選択解除)が可能であるように構成しても良い。この場合には、特徴量選択部22は、運転員による選択操作の結果を受け付けることによって、特徴量Fの選択(取得)を行う。その他の幾つかの実施形態では、特徴量選択部22は、特徴量Fおよびその貢献度Cの一覧を表示し、運転員が選択操作により選択したN個を受け付けることによって、特徴量Fの選択を行っても良い。
ここで、上記の貢献度Cは、状態量Sに対する相関の大小を示す指標を意味する。よって、貢献度Cが高い特徴量Fほど、その変化に応じて状態量Sがより大きく変化する。燃焼状態を示す画像V(特徴量F)の変化に応じて状態量Sも変化するものとすると、貢献度Cは、特徴量Fが、状態量Sの変化を捉えることができているかを示す指標ともいえる。よって、貢献度Cが高い特徴量Fほど、画像Vの違いを際立たせることになる。
幾つかの実施形態では、貢献度Cは、回帰分析における寄与率であっても良い。具体的には、1つの過去の画像Vから抽出される複数(n個)の特徴量Fの各々に対して、それぞれ画像Vに対応する同一の状態量Sを対応付けることによって、特徴量Fだけが異なる複数(n個)のデータセットを作成する(n個のデータセットの集合={(F、S)、(F、S)、・・・、(F、S)}。nは整数、Sは、灰中未燃分などの状態量Sの値)。これを、学習データDを構成する複数の学習構成データについてそれぞれ求める。そして、複数の学習構成データから得られる、例えばFといった同一の特徴量Fを有する複数のデータセットからなる集合に対して回帰分析を実行し、特徴量Fから状態量Sを算出するための回帰式を求める。そして、上記のデータセットを用いて回帰式により算出される状態量Sの予測値の分散を実績値の分散で除算することで、回帰式の寄与率を算出しても良い。
他の実施形態では、複数の学習構成データから、1つの過去画像情報Ipから抽出される複数の特徴量Fと状態量S(実績値)とからなるデータセットを求め、重回帰分析により、複数の特徴量Fから状態量Sを求める回帰式(S=Σ(b×F)+c)を求めると共に(i=1、2、3、・・・、n。nは2以上の整数。)、回帰式中の係数(係数b)の大小に基づいて、例えば割合を算出するなどして、貢献度Cを算出しても良い。
上記の構成によれば、貢献度Cに基づいて特徴量Fを絞りこむことにより、推定モデルMによる状態量Sの推定精度を向上させることができる。
ただし、上述した実施形態に本発明は限定されない。他の幾つかの実施形態では、炉内状態量推定装置1(推定モデル作成部2)は、特徴量抽出部21、特徴量選択部22、学習データ生成部23を備えていなくても良い。この場合には、炉内状態量推定装置1に対して推定モデル作成部2が作成するような学習データDが入力されると、機械学習実行部24は、入力された学習データDそのものを用いて、機械学習を実行する。この場合には、学習データDは、炉内状態量推定装置1とは別体の他の装置によって作成されても良いし、人手で作成されても良い。
また、幾つかの実施形態では、推定モデル作成部2は、複数の機械学習の手法を用いて複数の推定モデルMを作成する。周知な機械学習の手法(アルゴリズム)を任意に採用すれば良く、例えば、ニューラルネットワーク、一般化線形モデルなどの推定モデルMをそれぞれ作成しても良い。
上記の構成によれば、複数の機械学習手法(アルゴリズム)に基づいてそれぞれ作成された複数の推定モデルMの各々で状態量Sを推定することができる。例えば、複数の機械学習手法の各々による推定結果と学習データDを構成する状態量S(計測値Srなど)とを比較することにより、複数の推定モデルMのうちから推定精度の高い推定モデルMを選択することができるようになり、学習データDなどの条件(画像サイズ、学習データ数など)や燃焼炉7の種類などに適した推定モデルMの選択を可能にすることができる。
次に、学習データDの作成(学習データ生成部23)に関する幾つかの実施形態について説明する。
上述した状態量Sが、炉内の燃焼時に生じる排ガスE、または、排ガスE中に含まれる燃焼灰などの排出物に関する状態量Sである場合において、幾つかの実施形態では、図2に示すように、上述した学習データ生成部23は、上述した過去画像情報Ipに対して、この過去画像情報Ipの基になる画像Vが撮像された時から所定の時間経過後に状態量Sの計測地点で計測された計測値Srを対応付けることによって学習データDを生成する。燃料Fgの燃焼により生じる排ガスEは、燃焼領域8から排ガス通路91に向かって流れるが(図1参照)、画像Vで示される撮像地点(位置)から状態量Sの計測地点までに距離が有る場合には、画像Vで示される燃焼状態で生じた排ガスEが状態量Sの計測地点まで到達するまでにタイムラグ(所定時間)が存在する。このため、このタイムラグを考慮して、画像Vと状態量Sの計測値Srとを対応付けるようにする。なお、例えば、ごみ焼却炉でのタイムラグは、微粉炭炊きのボイラなど燃料Fgを細かく粉砕して燃焼させる場合と比べると、長くなる。
例えば、学習データ生成部23は、画像Vの撮像タイミングから所定の時間経過後にNOx濃度やCO濃度などの状態量Sを計測するように制御して、画像Vと状態量Sの計測値Srとを対応付けても良い。灰中未燃分の場合には、画像Vの撮像タイミングから所定の時間経過後にサンプリングを行った後、画像Vとサンプルプの分析結果(計測値Sr)とを対応付けても良い。あるいは、既に保存されている画像Vの集合および状態量Sの計測値Srの集合から、画像Vの撮像時刻および状態量Sの各々の計測時刻などのタイム情報を参照し、画像Vの撮像時刻から、予め調べられている所定時間経過後の時刻に一致するような計測時刻を有する計測値Srを検索して、両者を対応付けても良い。
上記の構成によれば、学習データDは、過去画像情報Ipによって示される燃焼状態で生じた排ガスEが状態量Sの計測地点に到達するまでのタイムラグを考慮して作成される。このようなタイムラグは燃焼炉の種類や計測地点の位置によって無視できないほど異なる場合があり、タイムラグを考慮して学習データDを作成することにより、推定精度の高い推定モデルMを作成することができる。
また、幾つかの実施形態では、上述した学習データ生成部23は、予め設定されている学習データDの作成に関するパラメータに従って、学習データDを作成しても良い。具体的には、パラメータは、画質を左右するピクセル数(画像サイズ)、学習データDに含めるべき学習構成データの数、画像Vに対する前処理の内容などの少なくとも1つであっても良い。パラメータを調整することで、推定モデルMによる推定精度を適切に設定することが可能となる。
その他、幾つかの実施形態では、図2に示すように、炉内状態量推定装置1は、推定状態量Seと、状態量Sの計測値Srとの差異が所定の閾値を超えた場合に、再学習による推定モデルMの再作成を決定する再学習決定部13を、さらに備える。再学習の決定に用いられる状態量Sの計測値Srは、例えば炉内状態量推定装置1の推定間隔よりも長い定期的なタイミングなどの任意のタイミングで計測される。そして、炉内状態量推定装置1に状態量Sの計測値Srが入力されると、再学習決定部13は、推定状態量Seと状態量Sの計測値Srとの差異を算出すると共に、閾値に基づいて、再学習の必要性を判定する。例えば、上記の差異は、推定状態量Seと状態量Sの計測値Srとを除算した結果の絶対値であっても良い。なお、差異が算出できれば、演算方法は問わない。図2に示す実施形態では、再学習を決定した場合には推定モデル作成部2にその旨を通知するようになっており、推定モデル作成部2は、この通知を契機に、推定モデルMの再作成を行う。
上記の構成によれば、推定精度の低下が認められた場合には、再学習による推定モデルMの再作成が必要と判定される。この判定に応じて、再学習により新たに推定モデルMを作成し、新たな推定モデルMを再取得するようにすれば、適切な推定精度による推定を継続することが可能となる。よって、燃焼炉の運転環境の変化などに追従しつつ、入力画像情報Itから状態量Sを精度良く推定することができる。
以下、上述した炉内状態量推定装置1(炉内状態量推定プログラム)が実行する処理に対応した炉内状態量推定方法について、図3〜図5を用いて説明する。図3は、本発明の一実施形態に係る炉内状態量推定方法を示すフロー図である。図4は、本発明の一実施形態に係る推定モデル作成ステップ(S1)を示すフロー図である。また、図5は、本発明の一実施形態に係る再学習決定ステップを示すフロー図である。炉内状態量推定プログラムは、コンピュータに下記の各ステップを実行させる。
幾つかの実施形態では、図3に示すように、炉内状態量推定方法は、推定モデル取得ステップ(S2)と、入力画像情報取得ステップ(S3)と、推定状態量算出ステップ(S4)と、を備える。本実施形態において、幾つかの実施形態では、図3に示すように、炉内状態量推定方法は、上記の推定モデル取得ステップ(S2)の前に実行される推定モデル作成ステップ(S1)を、さらに備える。
図3に示す炉内状態量推定方法を、図3のステップ順に説明する。
図3のステップS1において、推定モデル作成ステップを実行する。推定モデル作成ステップは、上述した学習データDの機械学習を行い、上述した推定モデルMを作成するステップである。推定モデル作成ステップは、上述した推定モデル作成部2が実行する処理内容と同じである。詳細については、後述する。なお、推定モデル作成ステップは、炉内状態量推定プログラムとは別のプログラム(推定モデル作成プログラム)がコンピュータに実行させても良い。
ステップS2において、推定モデル取得ステップを実行する。推定モデル取得ステップは、上述した推定モデルMを取得するステップである。推定モデル取得ステップは、上述した推定モデル取得部3が実行する処理内容と同じであるため、詳細は省略する。
ステップS3において、入力画像情報取得ステップを実行する。入力画像情報取得ステップは、上述した入力画像情報Itを取得するステップである。入力画像情報取得ステップは、上述した入力画像情報取得部4が実行する処理内容と同じであるため、詳細は省略する。
ステップS4において、推定状態量算出ステップを実行する。推定状態量算出ステップは、上述した入力画像情報取得ステップ(S3)によって取得された入力画像情報Itで示される燃焼状態に応じた推定状態量Seを、推定モデル取得ステップ(S2)によって取得された推定モデルMを用いて算出するステップである。推定状態量算出ステップは、上述した推定状態量算出部5が実行する処理内容と同じであるため、詳細は省略する。
上記の構成によれば、炉内の画像情報Iから状態量Sを迅速かつ精度良く推定することができる。
幾つかの実施形態では、図4に示すように、推定モデル作成ステップ(S1)は、特徴量抽出ステップ(S11)と、学習データ生成ステップ(S13)と、機械学習実行ステップ(S14)と、を有する。本実施形態において、幾つかの実施形態では、図4に示すように、推定モデル作成ステップ(S1)は、これらの特徴量抽出ステップ(S11)と、学習データ生成ステップ(S13)との間において実行される特徴量選択ステップ(S12)を、さらに有している。
図4に示す推定モデル作成ステップ(S1)を、図4のステップ順に説明する。
図4のステップS11において、特徴量抽出ステップを実行する。特徴量抽出ステップは、撮像装置6によって撮像された過去の画像Vから少なくとも1つの特徴量Fを抽出するステップである。特徴量抽出ステップは、上述した特徴量抽出部21が実行する処理内容と同じであるため、詳細は省略する。
図4のステップS12において、特徴量選択ステップを実行する。特徴量選択ステップは、上記の特徴量抽出ステップ(S11)によって複数の特徴量Fを抽出した場合に、前記複数の特徴量のうちから、状態量Sに対する貢献度に基づいてN個(Nは1以上の整数を示す。)の特徴量Fを選択するステップである。特徴量選択ステップ(S12)は、上述した特徴量選択部22が実行する処理内容と同じであるため、詳細は省略する。
図4のステップS13において、学習データ生成ステップを実行する。学習データ生成ステップは、上述した過去画像情報Ipである少なくとも1つの特徴量Fと状態量Sとを対応付けることにより学習データDを生成するステップである。学習データ生成ステップは、上述した学習データ生成部23が実行する処理内容と同じであるため、詳細は省略する。
ステップS14において、機械学習実行ステップを実行する。機械学習実行ステップは、上記の学習データ生成ステップ(S13)によって生成された学習データDの機械学習を実行するステップである。機械学習実行ステップは、上述した機械学習実行部24が実行する処理内容と同じであるため、詳細は省略する。
上記の構成によれば、特徴量Fと状態量Sとの関係に着目して機械学習を行うことにより、推定精度の高い推定モデルMを作成することができる。
また、幾つかの実施形態では、図5に示すように、炉内状態量推定方法は、再学習決定ステップ(S51〜S55)を、さらに備える。再学習決定ステップ(S51〜S55)は、上述した再学習決定部13が実行する処理内容と同じである。図5に示す実施形態では、ステップS51において、任意のタイミングで計測することにより状態量Sの計測値Srを取得する。ステップS52において、推定状態量算出ステップ(S4)を経て算出した推定状態量Seを取得する。ステップS53において、状態量Sの計測値Srから推定状態量Seを除算するなどして差分(差異)を算出する。そして、ステップS54で、上記の差分が所定の閾値を超えると判定した場合にはステップS55で再学習を決定する。逆に、上記の差分が所定の閾値以下であると判定した場合には、再学習を決定することなく、再学習決定ステップを終了する。
本発明は上述した実施形態に限定されることはなく、上述した実施形態に変形を加えた形態や、これらの形態を適宜組み合わせた形態も含む。
1 炉内状態量推定装置
1m 記憶装置
13 再学習決定部
2 推定モデル作成部
21 特徴量抽出部
22 特徴量選択部
23 学習データ生成部
24 機械学習実行部
2b 推定モデル作成装置
3 推定モデル取得部
4 入力画像情報取得部
5 推定状態量算出部
6 撮像装置
7 燃焼炉
7c 燃焼炉の上部
7s 燃焼炉の側壁部
71 燃料供給口
72 燃料押込装置
73 火格子(ストーカ)
74 灰排出口
76 気体供給装置
77 気体供給管
78a 第1気体流量調節弁
78b 第2気体流量調節弁
8 燃焼領域
81 一次燃焼領域
81a 主燃焼領域
82b おき燃焼領域
82 二次燃焼領域
91 排ガス通路
92 排ガス処理装置
93 煙突
Fg 燃料
G 燃焼用気体
E 排ガス
S 状態量
Sr 状態量の計測値
D 学習データ
V 画像
I 画像情報
Ip 過去画像情報
It 入力画像情報
M 推定モデル
Se 推定状態量
F 特徴量
C 貢献度
係数
係数

Claims (14)

  1. 炉内を撮像した画像から特徴量を抽出する特徴量抽出部と、
    抽出された前記特徴量のうちから、1以上の前記特徴量を選択する特徴量選択部と、
    前記画像で示される燃焼状態に応じた前記炉の状態量と、選択された前記特徴量とを対応付けることにより学習データを生成する学習データ生成部と、
    前記学習データを用いて前記炉内の画像から燃焼状態を推定する推定モデルを作成する推定モデル作成部と、
    炉内を撮像した前記画像を取得すると、取得された前記画像に示される燃焼状態に応じた前記状態量を、前記推定モデルを用いて推定する推定状態量算出部と、
    を備え、
    前記特徴量は、推定対象となる前記状態量に対する貢献度を基に選択される、
    ことを特徴とする炉内状態量推定装置。
  2. 前記推定モデル作成部は、前記学習データを用いて機械学習を行うことにより前記推定モデルを作成する、
    ことを特徴とする請求項1に記載の炉内状態量推定装置。
  3. 前記貢献度は、前記状態量に対する相関の大小を示す指標である請求項1又は2に記載の炉内状態量推定装置。
  4. 前記特徴量選択部は、
    前記特徴量の各々から前記状態量を算出する回帰式を算出し、
    算出された前記回帰式における前記特徴量の各々の寄与率を前記貢献度とする、
    請求項1乃至3のいずれか一項に記載の炉内状態量推定装置。
  5. 前記特徴量抽出部は、前記特徴量を、過去の前記画像から得られる輝度情報に基づいて抽出することを特徴とする請求項1乃至4のいずれか一項に記載の炉内状態量推定装置。
  6. 前記状態量は、前記炉内の燃焼時に生じる排ガスまたは排出物に関する状態量であり、
    前記学習データ生成部は、前記画像が撮像された時から所定の時間経過後に前記状態量の計測地点で計測された計測値を対応付けることによって前記学習データを生成することを特徴とする請求項1乃至5のいずれか1項に記載の炉内状態量推定装置。
  7. 前記推定モデル作成部は、複数の機械学習の手法を用いて複数の前記推定モデルを作成することを特徴とする請求項1乃至6のいずれか1項に記載の炉内状態量推定装置。
  8. 前記状態量の推定値と、前記状態量の計測値との差異が所定の閾値を超えた場合に、再学習による前記推定モデルの再作成を決定する再学習決定部を、さらに備えることを特徴とする請求項1乃至7のいずれか1項に記載の炉内状態量推定装置。
  9. 炉内を撮像した画像に基づいて得られる画像情報であって過去の前記画像に基づいて得られる過去画像情報と、前記過去画像情報で示される燃焼状態に応じた状態量とが対応付けられた学習データの機械学習を行い、前記炉内を撮像した入力画像情報から推定状態量を推定する推定モデルを作成する推定モデル作成部を備え
    前記過去画像情報は、前記過去の前記画像から抽出される特徴量のうち、推定対象となる前記状態量に対する貢献度を基に選択される1以上の特徴量である
    ことを特徴とする推定モデル作成装置。
  10. コンピュータに、
    炉内を撮像した画像から特徴量を抽出する特徴量抽出ステップと、
    抽出された前記特徴量のうちから、1以上の前記特徴量を選択する特徴量選択ステップと、
    前記画像で示される燃焼状態に応じた前記炉の状態量と、選択された前記特徴量とを対応付けることにより学習データを生成する学習データ生成ステップと、
    前記学習データを用いて前記炉内の画像から燃焼状態を推定する推定モデルを作成する推定モデル作成ステップと、
    炉内を撮像した前記画像を取得すると、取得された前記画像に示される燃焼状態に応じた前記状態量を、前記推定モデルを用いて推定する推定状態量算出ステップと、
    を実行させるための炉内状態量推定プログラムであって、
    前記特徴量は、推定対象となる前記状態量に対する貢献度を基に選択される、ことを特徴とする炉内状態量推定プログラム。
  11. 前記推定モデル作成ステップは、前記学習データを用いて機械学習を行うことにより前記推定モデルを作成する、
    ことを特徴とする請求項10に記載の炉内状態量推定プログラム。
  12. 炉内を撮像した画像から特徴量を抽出する特徴量抽出ステップと、
    抽出された前記特徴量のうちから、1以上の前記特徴量を選択する特徴量選択ステップと、
    前記画像で示される燃焼状態に応じた前記炉の状態量と、選択された前記特徴量とを対応付けることにより学習データを生成する学習データ生成ステップと、
    前記学習データを用いて前記炉内の画像から燃焼状態を推定する推定モデルを作成する推定モデル作成ステップと、
    炉内を撮像した前記画像を取得すると、取得された前記画像に示される燃焼状態に応じた前記状態量を、前記推定モデルを用いて推定する推定状態量算出ステップと、
    を備え、
    前記特徴量は、推定対象となる前記状態量に対する貢献度を基に選択される、
    ことを特徴とする炉内状態量推定方法。
  13. 前記推定モデル作成ステップは、前記学習データを用いて機械学習を行うことにより前記推定モデルを作成する、
    ことを特徴とする請求項12に記載の炉内状態量推定方法。
  14. 炉内を撮像した画像に基づいて得られる画像情報であって過去の前記画像に基づいて得られる過去画像情報と、前記過去画像情報で示される燃焼状態に応じた状態量の計測値とが対応付けられた学習データの機械学習を行い、前記炉内を撮像した入力画像情報から推定状態量を推定する推定モデルを作成する推定モデル作成部を備え、
    前記学習データは、前記過去画像情報と、該過去画像情報の撮像位置と前記状態量の計測位置に応じて設定される所定時間だけ前記過去画像情報の撮像タイミングより遅れた計測タイミングにて計測された前記状態量の前記計測値とが対応付けられた
    推定モデル作成装置。
JP2017199427A 2017-10-13 2017-10-13 炉内状態量推定装置、推定モデル作成装置、それらのプログラムおよび方法 Active JP6824859B2 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2017199427A JP6824859B2 (ja) 2017-10-13 2017-10-13 炉内状態量推定装置、推定モデル作成装置、それらのプログラムおよび方法
DE112018005479.9T DE112018005479T8 (de) 2017-10-13 2018-10-02 Ofenzustandsgrösse-schätzvorrichtung, schätzmodellerzeugungs-vorrichtung, und programm und verfahren dafür
PCT/JP2018/036793 WO2019073852A1 (ja) 2017-10-13 2018-10-02 炉内状態量推定装置、推定モデル作成装置、それらのプログラムおよび方法
TW107135344A TWI680260B (zh) 2017-10-13 2018-10-08 爐內狀態量推定裝置、推定模型作成裝置、其之程式以及方法
PH12019502446A PH12019502446A1 (en) 2017-10-13 2019-10-29 Furnace state amount estimation device, estimation model generation device, and program and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017199427A JP6824859B2 (ja) 2017-10-13 2017-10-13 炉内状態量推定装置、推定モデル作成装置、それらのプログラムおよび方法

Publications (3)

Publication Number Publication Date
JP2019074240A JP2019074240A (ja) 2019-05-16
JP2019074240A5 JP2019074240A5 (ja) 2019-11-21
JP6824859B2 true JP6824859B2 (ja) 2021-02-03

Family

ID=66100742

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017199427A Active JP6824859B2 (ja) 2017-10-13 2017-10-13 炉内状態量推定装置、推定モデル作成装置、それらのプログラムおよび方法

Country Status (5)

Country Link
JP (1) JP6824859B2 (ja)
DE (1) DE112018005479T8 (ja)
PH (1) PH12019502446A1 (ja)
TW (1) TWI680260B (ja)
WO (1) WO2019073852A1 (ja)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7104653B2 (ja) * 2019-03-29 2022-07-21 Jx金属株式会社 燃焼設備の操業方法
JP7443683B2 (ja) * 2019-07-02 2024-03-06 Jfeエンジニアリング株式会社 自動燃焼制御方法および監視センタ
JP7308392B2 (ja) * 2019-08-02 2023-07-14 日本エア・リキード合同会社 炉の制御システム、炉の制御方法およびその制御システムを備える炉
JP7403295B2 (ja) * 2019-11-29 2023-12-22 三菱重工業株式会社 燃焼設備、演算方法およびプログラム
JP7316234B2 (ja) * 2020-02-26 2023-07-27 三菱重工業株式会社 制御装置、制御方法およびプログラム
JP7085039B1 (ja) 2021-03-03 2022-06-15 三菱重工業株式会社 予測モデル作成装置、排ガス濃度制御システム、予測モデル作成方法、及び排ガス濃度制御方法
JP7391286B2 (ja) 2022-03-02 2023-12-05 荏原環境プラント株式会社 情報処理装置、情報処理方法、および情報処理プログラム
TW202403235A (zh) * 2022-03-02 2024-01-16 日商荏原環境工程股份有限公司 資訊處理裝置、資訊處理方法、及資訊處理程式
JP7390581B2 (ja) 2022-03-02 2023-12-04 荏原環境プラント株式会社 情報処理装置、情報処理方法、および情報処理プログラム

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04143515A (ja) 1990-10-02 1992-05-18 Mitsubishi Heavy Ind Ltd バーナの異常検出方法
US5249954A (en) * 1992-07-07 1993-10-05 Electric Power Research Institute, Inc. Integrated imaging sensor/neural network controller for combustion systems
JP3210473B2 (ja) * 1993-03-11 2001-09-17 株式会社東芝 ビジュアルフィードバック制御装置
JPH08128615A (ja) * 1994-11-01 1996-05-21 Kubota Corp ゴミ焼却炉の燃焼制御装置
JP2860782B2 (ja) * 1996-07-23 1999-02-24 川崎重工業株式会社 カラー画像を利用した燃焼判定・制御方法および判定・制御装置
JPH10160142A (ja) * 1996-11-26 1998-06-19 Kubota Corp 排ガス性状推定システム及び運転訓練システム
JP2001004116A (ja) 1999-06-18 2001-01-12 Mitsubishi Heavy Ind Ltd 燃焼炉の燃焼制御方法及び燃焼制御装置
JP5080416B2 (ja) * 2008-10-15 2012-11-21 ファナック株式会社 入力画像から検出対象物の像を検出する画像処理装置
JP2014234981A (ja) * 2013-06-05 2014-12-15 株式会社タクマ 燃焼炉内の燃焼管理システムおよび燃焼炉の燃焼制御システム
KR101480130B1 (ko) * 2013-06-28 2015-01-07 (주) 태종 엔이씨 열정산 및 설계프로그램과 운전원(Operater)의 운전형태 분석을 통한 소각시설과 고형 연료보일러의 진단과 제어 및 설비생애주기관리 시스템 및 방법
JP6179286B2 (ja) * 2013-09-06 2017-08-16 新日鐵住金株式会社 高炉の操業状況判定方法
CN105678295B (zh) * 2016-01-04 2019-03-19 武汉科技大学 基于roi平均图像分析的燃气加热炉火焰实时监测方法
JP6696816B2 (ja) * 2016-04-06 2020-05-20 日立造船株式会社 ストーカ式焼却炉

Also Published As

Publication number Publication date
TW201923286A (zh) 2019-06-16
JP2019074240A (ja) 2019-05-16
DE112018005479T8 (de) 2020-09-10
TWI680260B (zh) 2019-12-21
DE112018005479T5 (de) 2020-07-16
PH12019502446A1 (en) 2020-07-13
WO2019073852A1 (ja) 2019-04-18

Similar Documents

Publication Publication Date Title
JP6824859B2 (ja) 炉内状態量推定装置、推定モデル作成装置、それらのプログラムおよび方法
US7231078B2 (en) Method for monitoring a thermodynamic process
JP7443683B2 (ja) 自動燃焼制御方法および監視センタ
JP6723864B2 (ja) ごみ移動速度検出機能を備えた燃焼制御装置
JP2007272361A (ja) プラントの制御装置
JP2014234981A (ja) 燃焼炉内の燃焼管理システムおよび燃焼炉の燃焼制御システム
JP7154537B2 (ja) 画像特徴抽出方法、および、画像特徴抽出装置
JP2022161065A (ja) ごみ質予測装置、焼却炉の燃焼制御装置、ごみ質予測方法、ごみ質予測モデルの学習方法およびごみ質予測モデルプログラム
Vogelbacher et al. Image-based characterization of alternative fuel combustion with multifuel burners
KR102276894B1 (ko) 발열량 추정 방법, 발열량 추정 장치 및 쓰레기 저장 설비
JP4976496B2 (ja) 焼却施設での排ガス燃焼品質を特性化する方法
JP7085039B1 (ja) 予測モデル作成装置、排ガス濃度制御システム、予測モデル作成方法、及び排ガス濃度制御方法
JP7308016B2 (ja) ごみ質推定システム及び方法、並びに、ごみ貯蔵設備
GOLGİYAZ et al. An artificial intelligence regression model for prediction of nox emission from flame image
TWI819707B (zh) 焚化爐設備之控制裝置
TW202323728A (zh) 控制裝置
JP5203763B2 (ja) 石炭焚きボイラの炭種判別装置及び石炭焚きボイラの炭種判別方法
Garami et al. Reaction zone monitoring in biomass combustion
JP2021173496A (ja) 廃棄物供給異常検知方法、廃棄物供給制御方法、廃棄物供給異常検知装置および廃棄物供給制御装置
JP2021173497A (ja) 廃棄物供給異常検知方法、廃棄物供給制御方法、廃棄物供給異常検知装置および廃棄物供給制御装置
WO2023171293A1 (ja) 画像検査装置、機械学習装置、画像検査方法、画像検査プログラム
JP7428080B2 (ja) 情報処理装置、情報処理方法、燃焼制御装置、および燃焼制御方法
JP7071437B2 (ja) 燃焼炉の状態推定装置、プログラム及び方法並びに燃焼炉システム
JP2024001991A (ja) 情報処理装置、情報処理方法、およびプログラム
JP2021173495A (ja) 廃棄物供給異常検知方法、廃棄物供給制御方法、廃棄物供給異常検知装置および廃棄物供給制御装置

Legal Events

Date Code Title Description
A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20191010

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20191010

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200630

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200817

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: 20210105

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210113

R150 Certificate of patent or registration of utility model

Ref document number: 6824859

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150